1.

FORECASTING1
Peramalan merupakan bagian awal dari suatu proses pengambilan suatu

keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa

sebenarnya persoalan dalam pengambilan keputusan itu.
Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan
terhadap satu atau beberapa produk pada periode yang akan datang. Pada
hakekatnya peramalan hanya merupakan suatu perkiraan (guess), tetapi dengan
menggunakan teknik-teknik tertentu, maka peramalan menjadi lebih sekedar
perkiraan. Peramalan dapat dikatakan perkiraan ilmiah (educated guess). Setiap
pengambilan keputusan yang menyangkut keadaan di masa yang akan datang,
maka pasti ada peramalan yang melandasi pengambilan keputusan tersebut.
Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah
permintaan terhadap suatu produk dan merupakan langkah awal dari proses
perencanaan dan pengendalian produksi. Dalam peramalan ditetapkan jenis
produk apa yang diperlukan (what), jumlahnya (how many), dan kapan
dibutuhkan (when). Tujuan peramalan dalam kegiatan produksi adalah untuk
meredam ketidakpastian, sehingga diperoleh suatu perkiraan yang mendekati
keadaan yang sebenarnya. Suatu perusahaan biasanya menggunakan prosedur tiga
tahap untuk sampai pada peramalan penjualan, yaitu diawali dengan melakukan
peramalan lingkungan, diikuti dengan peramalan penjualan industri, dan diakhiri
dengan peramalan penjualan perusahaan.
Peramalan lingkungan dilakukan untuk meramalkan inflasi, tingkat suku
bunga, kecenderungan konsumsi dan menabung, iklim investasi, belanja
pemerintah, ekspor, dan berbagai ukuran lingkungan yang penting bagi
perusahaan. Hasil akhirnya adalah proyeksi Produk Nasional Bruto, yang
digunakan bersama indikator lingkungan laijaringan neuralya untuk meramalkan
penjualan industri. Kemudian, perusahaan melakukan peramalan penjualan
dengan asumsi tingkat pangsa tertentu akan tercapai.

Pendefinisian Tujuan Peramalan

Tujuan peramalan dilihat dengan waktu dapat dibagi menjadi:
a. Jangka pendek (short term)
Menentukan kuantitas dan waktu dari itemdijadikan produksi. Biasanya
bersifat harian ataupun mingguan dan ditentukan oleh Low Management.
b. Jangka menengah (medium term)
Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya bersifat
bulanan ataupun kuartal dan ditentukan oleh Middle Management.
c. Jangka pendek (long term)
Menentukan kuantitas dan waktu dari fasilitas produksi. Biasanya bersifat
tahunan, 5 tahun, 10 tahun, ataupun 20 tahun dan ditentukan oleh Top
Management.
Peramalan Kualitatif (Judgement Method)
Peramalan kualitatif biasanya digunakan bila tidak ada atau sedikit data masa lalu
tersedia. Dalam metode ini, pendapat pakar dan prediksi mereka dijadikan dasar
untuk menetapkan permintaan yang akan datang. Beberapa metode kualitatif yang
banyak dikenal antara lain:
1.

Metode Delphi
Tahapan yang dilakukan adalah:

a. Tentukan beberapa pakar mengisi sebagai partisipan. Sebaiknya bervariasi dengan

latar belakang disiplin ilmu yang berbeda.
b. Melalui kuisioner (e-mail), diperoleh peramalan dari seluruh partisipan,
c. Simpulkan hasilnya, kemudian distribusikan kembali kepada seluruh partisipan
dengan pertanyaan yang baru.
d. Simpulakan kembali revisi peramalan dan kondisi, kemudian dikembangkan
dengan pertanyaan yang baru.
e. Apabila diperlukan ulangi tahap 4. Seluruh hasil akhir akhir didistribusikan
kepada seluruh partisipan.
2.

Dugaan manajemen (management estimate) atau Panel Consensus

Dimana peramalan semata-mata berdasarkan pertimbangan manajemen,

umumnya oleh manajer senior. Metode ini akan cocok dalam situasi yang
sangat sensitif terhadap intuisi dari suatu atua sekelompok kecil orang yang
karena pengalamannya mampu memberikan opini yang kritis dan relevan.
Teknik akan dipergunakan dalam situasi dimana tidak ada situasi dimana
tidak ada alternatif lain dari model peramalan yang dapat diterapkan.
3.

Riset Pasar
Metode ini mengumpulkan dan menganalisa fakta secara sistematis pada
bidang yang berhubungan dengan pemasaran. Salah satu teknik utama adalah
survei pasar yang akan memberikan informasi mengenai selera yang
diharapkan konsumen, dimana informasi tersenut diperoleh dengan cara
kuesioner.

4.

Metode Kelompok Terstruktur.

Metode ini melibatkan orang-orang yang berpengalaman dalam berbagai
bidang. Perbedaan dengan metode Delphi terletak pada interaksi antar
anggota panel. Dalam metode ini terdapat diskusi antaranggota secara
langsung sedangkan dalam metode Delphi sama sekali tidak ada interaksi
lisan.

5.

Analogi Historis
Metode ini berdasarkan pada data masa lalu dari produk-produk yang dapat
disamakan secara analogi. Analogi historis cenderung akan menjadi terbaik
untuk penggantian produk di pasar dan apabila terdapat hubungan substitusi
langsung dari produk dalam pasar itu.
Peramalan Kuantitatif
Data historis masa lalu digunakan untuk meramalkan permintaan masa
depan. Ada dua kelompok besar metode kuantitatif, yaitu:
Metode time series
Metode time series adalah metode yang digunakan untuk menganalisis
serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan

beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola
dasarnya dapat diidentifikasikan semata-mata atas dasar data historis serial itu.
Ada empat komponen utama yang mempengaruhi yaitu:
a. Pola siklis (cycle)
Penjualan produk dapat memiliki siklus yang berulang secara periodik.
Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang
terkadang memiliki kecenderungan periodik. Komponen siklis ini sangat
berguna dalam peramalan jangka menengah.

Gambar 12. Pola Siklis

b. Pola musiman (seasonal)
Perkataan musim menggambarkan pola penjualan yang berulang setiap
periode. Komponen musim dapat dijabarkan ke dalam faktor cuaca, libur,
atau kecenderungan perdagangan. Pola musiman berguna untuk meramalkan
penjualan dalam jangka pendek.

Gambar 13. Pola Musiman

c. Pola horizontal
Pola data ini terjadi apabila data berfluktuasi di sekitar nilai rata-rata.

Gambar 14. Pola Horizontal

d. Pola Trend
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun
terus-menerus.

Gambar 15. Pola Trend

Metode Penghalusan (Smoothing)
Metode ini digunakan untuk mengurangi ketidakteraturan musiman dari
data yang lalu, dengan membuat rata-rata tertimbang dari sederetan data masa
lalu. Ketepatan dengan metode ini akan terdapat pada peramalan jangka pendek,
sedangkan untuk peramalan jangka panjang kurang akurat.
A.

Metode ini terdiri dari:

Metode rata-rata bergerak (moving average)
1) Single Moving Average
2) Linear Moving Avarage

B.

3)

Double Moving Avarage

4)

Weigthed Moving Average

Metode Eksponensial Smoothing

1)

Single Eksponential Smoothing

2) Double Exponential Smoothing

Metode Proyeksi Kecenderungan dengan Regresi
Metode ini merupakan dasar garis kecenderungan untuk suatu
persamaan, sehingga dengan dasar persamaan tersebut dapat di proyeksikan halhal yang akan diteliti pada masa yang akan datang.
Bentuk fungsi dari metode ini dapat berupa:
a. Konstan
b. Linier
c. Kuadratis
d. Eksponensial

e. Siklis
Metode Dekomposisi
Peramalan yang ditentukan dengan kombinasi dari fungsi yang ada
sehingga tidak dapat diramalkan secara biasa. Model tersebut didekati dengan
fungsi linier atau siklis, kemudian bagi t atas kwartalan sementara berdasarkan
pola data yang ada. Metode dekomposisi merupakan pendekatan peramalan yang
tertua. Terdapat beberapa pendekatan alternatif umtuk mendekomposisikan suatu
derat berkala yang semuanya bertujuan memisahkan setiap komponen deret data
seteliti mungkin.
Metode Kausal
Peramalan dengan metode kausal mendasarkan hasil ramalan yang disusun
atas pola hubungan antara variabel yang dicari atau diramalkan dengan variabelvariabel yang mempengaruhinya yang bukan waktu. Dalam analisa ini,
diasumsikan bahwa faktor atau variabel yang menunjukkan suatu hubungan
pengaruh sebab akibat dengan satu atau lebih variabel bebas. Sebagai contoh,
permintaan akan baju baru mungkin berhubungan dengan banyaknya populasi
pendapatan masyarakat, jenis kelamin, budaya daerah, dan bulan-bulan khusus.

Jadi, maksud dari analisa metode kausal adalah untuk menemukan bentuk
pola hubungan yang saling mempengaruhi antara variabel yang dicari dan
variabel-variabel yang mempengaruhinya, serta menggunakajaringan neuralya
untuk meramalkan nilai-nilai dari variabel pada masa yang akan datang. Metode
kausal dapat dipergunakan dalam peramalan dengan keberhasilan yang lebih
besar, sehingga sering dipergunakan untuk pengambilan keputusan.
Metode kausal terdiri dari:
1. Metode regresi dan korelasi
Metode regresi dan korelasi didasarkan pada penetapan suatu persamaan
estimasi menggunakan teknik least squares. Ketepatan peramalan dengan
metode ini sangat baik untuk peramalan jangka pendek, sedangkan untuk
peramalan jangka panjang ternyata ketepatajaringan neuralya kurang begitu
baik.
2. Model Ekonometri
Metode ini didasarkan atas peramalan pada sistem persamaan regresi yang
diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun
untuk jangka panjang, ketepatan peramalan dengan metode ini sangat baik.
Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data
kuartalan beberapa tahun.
3.

Model Output-Input
Metode ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka
panjang. Model ini kurang baik ketepatajaringan neuralya untuk peramalan
jangka pendek, dan sangat baik ketepatajaringan neuralya untuk peramalan
jangka panjang. Data yang digunakan untuk metode ini adalah data tahunan
selama sekitar sepuluh sampai lima belas tahun.

Indirect Least Square and Two Stage Least Square2

Indirect Least Square
2

Metode ini digunakan pada persamaan struktural yang tepat teridentifikasi

(exactly identified). Langkah-langkah penyelesaian ILS adalah sebagai berikut:
1.

Mengubah persamaan struktural menjadi bentuk persamaan

reduksi.

2.

Menerapkan metode OLS (Ordinary Least Square) untuk setiap

3.

persamaan reduksi.
Mendapatkan nilai estimasi dari koefisien struktural asli dari
koefisien reduksi yang ditaksir dari langkah kedua.

Two Stage Least Square

2SLS digunakan untuk memperoleh nilai parameter struktural pada
persamaan yang teridentifikasi berlebih. Metode ini dapat diterapkan pada suatu
sistem persamaan individu dalam sistem tanpa memperhitungkan persamaan lain
secara langsung dalam sistem.

2.

MEAN MEDIAN MODUS KURTOSIS

Mean (Rata-Rata)3
3

Pengertian mean adalah teknik penjelasan kelompok yang didasarkan atas

nilai rata-rata dari kelompok tersebut. Rata-Rata (mean) ini didapat dengan
menjumlahkan data seluruh individu dalam kelompok itu, kemudian dibagi
dengan jumlah individu yang ada pada kelompok tersebut.
Contoh mean :
Seluruh pegawai di PT Charles penghasilan sebulannya dalam satuan ribu rupiah
adalah sebagai berikut :
90, 120, 160, 60, 180, 190, 90, 180, 70, 160
Untuk mencari mean atau rata-rata data tersebut tidak perlu di urutkan nilainya
seperti dalam mencari median, tetapi dapat langsung dijumlahkan, kemudian
dibagi dengan jumlah individu dalam kelompok tersebut. Berdasarkan data diatas,
maka mean dapat dihitung :
Me : (90 + 120 + 160 + 180 + 190 + 90 + 180 + 70 + 160) : 10 = 130 ribu rupiah.
Jadi penghasilan rata-rata pegawai di PT Charles adalah Rp. 130.000.
Median (Nilai Tengah)
Pengertian median adalah salah satu teknik penjelasan kelompok yang
didasarkan atas nilai tengah dari kelompok data yang telah disusun urutannya dari
yang terkecil sampai yang terbesar, atau sebaliknya dari yang terbesar sampai
yang terkecil.
Contoh median :
Hasil observasi umur pegawai di kantor Y adalah :
20, 45, 60, 56, 45, 45, 20, 19, 57, 45, 45, 51, 35
Untuk dapat mencari median-nya maka data umur diatas harus disusun terlebih
dahulu urutannya. Setelah disusun, menjadi sebagai berikut :
19, 20, 20, 35, 45, 45, 45, 45, 45, 51, 56, 57, 60
Nilai tengah data diatas berada pada urutan ke 7 yaitu 45. Jadi median-nya adalah
45.
Contoh median lainnya :
Tinggi badan 10 mahasiswa adalah :
145, 147, 167, 166, 160, 164, 165, 170, 171, 180

Data diatas diurutkan (dari terkecil sampai terbesar atau sebaliknya) menjadi :
180, 171, 170, 167, 166, 165, 164, 160, 147, 145
Jumlah individu dalam kelompok tersebut adalah genap, maka nilai tengahnya
adalah dua angka yang ditengah dibagi dua, atau rata-rata dari dua angka yang
tengah. Nilai tengah dari kelompok tersebut adalah, nilai ke 5 dan ke 6. Mediannya = 166 + 165 : 2 = 165,5. Dengan demikian dapat dijelaskan rata-rata median
tinggi badan kelompok mahasiswa itu adalah 165, 5 cm.
Modus (Nilai Yang Paling Banyak Muncul)
Pengertian modus adalah teknik penjelasan kelompok yang didasarkan atas
nilai yang sedang populer (yang sedang menjadi mode) atau nilai yang sering
muncul dalam kelompok tersebut.
Contoh Modus Pada Data Kualitatif :
Tahun 2000 di Medan, banyak mahasiswa yang naik sepeda. Sehingga dapat
menjelaskan dengan modus, bahwa kelompok mahasiswa di Medan masih banyak
yang naik sepeda.
Contoh Modus Pada Data Kuantitatif :
Umur pegawai kantor X adalah :
20, 45, 60, 56, 45, 45, 20, 19, 57, 45, 45, 51, 35
Dari data diatas, dapat dilihat bahwa yang paling banyak muncul adalah umur 45.
Munculnya sebanyak 5 kali, jadi dapat dijelaskan bahwa kelompok pegawai
kantor Y sebagian besar berumur 45 tahun.

Kurtosis (Keruncingan)4

Keruncingan dinilai sebagai bentuk distorsi dari kurva normal. Tingkat

keruncingan diukur dengan membandingkan bentuk keruncingan kurva distribusi
data dengan kurva normal. Terbagi atas tiga, yaitu :
1.

Leptokurtic, yaitu bagian tengah distribusi data memiliki puncak yang

lebih runcing (nilai keruncingan lebih dari 3).

2.

Platykurtic, yaitu bagian tengah distribusi data memiliki puncak yang

lebih datar (nilai keruncingan kurang dari 3).

3.

Mesokurtic, yaitu bagian tengah distribusi data memiliki puncak diantara

Leptokurtic dan Platykurtic (nilai keruncingan sama dengan 3).

Gambar 16. Leptokurtic, Platykurtic dan Mesokurtic

Selanjutnya, untuk melihat apakah data berdistribusi normal atau tidak
dengan menggunakan kurtosis, dapat digunakan formula sebagai berikut :
Z-Kurtosis = Kurtosis / sqrt(24/N)
Interpretasi pada tingkat signifikansi (alpha) 5% :
1.

Jika data memiliki nilai Z-Kurtosis < -1,96, berarti data memiliki
keruncingan Leptokurtik.

2.

Jika data memiliki nilai Z-Kurtosis > +1,96, berarti data memiliki
keruncingan Platikurtik.

3.

Jika data memiliki nilai Z-Kurtosis antara -1,96 dan +1,96, berarti data
memiliki keruncingan Mesokurtik.

DISTRIBUSI DISKRIT
Jenis-jenis Distribusi Diskrit5
5 Ronald E. Walpole, Pengantar Statistika Edisi Ketiga, (Jakarta: PT Gramedia Pustaka
Utama, 2005), hlm. 116

Pada peubah acak diskrit, setiap nilainya dikaitkan dengan peluang tertentu.
Misalnya, dalam pelemparan uang logam sebanyak tiga kali, peubah acak X, yaitu
banyaknya sisi gambar, mengaitkan peluang sebesar 3/8 pada nilai peubah acak 2,
karena 3 diantara 8 titik contoh mempunyai kemungkinan yang sama untuk
menghasilkan 2 sisi gambar dan 1 sisi angka. Dengan mengasumsikan peluang
yang sama untuk setiap kejadian sederhana, maka peluang M bernilai 0 adalah 1/3.
Semua kemungkinan nilai m berikut peluangnya dicantumkan dalam tabel
berikut :
Tabel 1. Asumsi Peluang
m
P(M = m)

0
1

/3

1
1

/2

3
1

/6

Distribusi Seragam6
Diantara semua sebaran peluang diskrit, yang paling sederhana adalah sebaran
seragam diskrit. Dalam sebaran ini, setiap niali peubah acak mempunyai peluang
terjadi yang sama. Parameter pengujian distribusi seragam adalah lower and
upper endpoint.
Bila peubah acak X mempunyai nilai-nilai x1, x2,,xk, dengan peluang
yang sama, maka sebaran seragam diskritnya diberikan oleh
1
f ( x , k )= ,untuk x=x 1 , x 2 , , x k
k

Distribusi Binomial
Suatu percobaan sering kali terdiri atas ulangan-ulangan, dan masingmasing mempunyai dua kemungkinan hasil yang dapat diberi nama berhasil atau
gagal. Misalnya saja dalam pelemparan sekeping uang logam sebanyak 5 kali,
hasil setiap ulangan mungkin muncul sisi gambar atau sisi angka. Kemudian dapat
ditentukan salah satu diantara keduanya sebagai berhasil. Begitu pula bila 5 kartu
6 Ibid., hlm. 152-174

diambil berturut-turut, kita dapat memberi label berhasil bila yang terambil adalah
kartu merah atau gagal bila yang terambil adalah kartu hitam. Bila setiap kali
kartu dikembalikan sebelum pengambilan berikutnya, maka kedua percobaan
yang disebutkan diatas mempunya ciri-ciri yang sama, yaitu bahwa ulanganulangan tersebut bersifat bebas dan peluang keberhasilan setiap ulangan tetap
sama yaitu sebesar

Percobaan semacam ini dinamakan percobaan binom.

Parameter pengujian dari distribusi binomial adalah event probability dan number
of trials.
Percobaan binom adalah percobaan yang memiliki ciri-ciri berikut :
1. Percobaannya terdiri atas n ulangan.
2. Dalam setiap ulangan, hasilnya dapat digolongkan sebagai berhasil atau
gagal.
3. Peluang berhasil, yang dilambangkan dengan p, untuk setiap ulangan adalah
sama, tidak berubah-ubah.
4. Ulangan-ulangan itu bersifat bebas satu sama lain.
Bila suatu ulangan binom mempunyai peluang keberhasilan p dan peluang
kegagalan q = 1 p, maka sebagai peluang bagi peubah acak binom X, yaitu
banyaknya keberhasilan dalam n ulangan yang bebas, adalah

()

b ( x ; n )= n p x qn x untuk x=0,1,2, , n
x

Distribusi Hypergeometric
Cara sederhana untuk membedakan distribusi Hypergeometric dengan

distribusi Binomial adalah dengan melihat proses penarikan sampelnya. Pada

distribusi Binomial, antar percobaan bersifat bebas sedangkan pada distribusi
Hypergeometric peluang sukses percobaan saat ini bergantung pada hasil
percobaan sebelumnya. Paremeter pengujian distribusi Paremeter pengujian
distribusi hypergeometric adalah population size, event count in population dan
sample size.
Percobaan hypergeometric memiliki sifat berikut :
1. Sampel acak ukuran n diambil tanpa pengembalian dari N benda.

2. Sebanyak k benda dapat diberi nama sukses sedangkan sisanya, N-k, diberi
nama gagal, sehingga distribusi peluang peubah acak Hypergeometric X
(banyaknya sukses dalam sampel acak ukuran n yang diambil dari N benda
yang mengandung k bernama sukses dan N-k bernama gagal adalah :
k N k
n nx
h ( x ; N , n , K )=
untuk x =1,2, . , n
N
n

( )( )
()

Distribusi Binom negatif

Distribusi binom negative mempunyai ciri yang sama dengan percobaan
binom, kecuali bahwa ulangan diulang terus sampai terjadi sejumlah tertentu
keberhasilan. Jadi, alih-alih menentukan peluang x keberhasilan dalam n ulangan,
dengan n telah ditetapkan lebih dulu, dengan peluang bahwa keberhasilan ke-k
terjadi pada ulanagn ke-x. percobaan semacam ini disebut percobaan binom
negative. Parameter pengujian distribusi binom negative adalah event probability
dan number of event needed.
Bila ulangan yang bebas dan berulang-ulang dapat menghasilkan
keberhasilan dengan peluang p dan kegagalan dengan peluang q = 1- p, maka
sebaran peluang bagi peubah acak X, yaitu banyaknya ulangan sampai terjadinya
k keberhasilan, diberikan menurut rumus
x , untuk x=k , k +1, k +2,
b ( x ; k , p )= x 1 pk q
k1

( )

Distribusi Geometric
Bila tindakan yang bebas dan berulang-ulang dapat menghasilkan
keberhasilan dengan peluang p dan kegagalan dengan peluang q = 1- p, maka
sebaran peluang bagi peubah acak X, yaitu banyaknya ulangan sampai munculnya
keberhasilan yang pertama, diberikan menurut rumus
g ( x ; p )= pq x1 , untuk x=1,2,3,
Parameter dari pengujian distribusi geometric adalah event probability.

Distribusi Poisson
Percobaan yang menghasilkan nilai-nilai bagi suatu peubah acak X, yaitu
banyaknya hasil percobaan yang terjadi selama suatu selang waktu tertentu atau di
suatu daerah tertentu, sering disebut dengan percobaan Poisson. Selang waktu
tersebut dapat berapa saja panjangnya, misalnya semenit, sehari, seminggu,
sebulan, atau bahkan setahun. Dengan demikia suatu percobaan Poisson dapat
saja membangkitkan pengamatan-pengamatan bagi peubah acak X yang
menyatakan banyaknya dering tilpu per jam di suatu kantor, jumlah hari sekolah
ditutup karena turunnya salju dimusin dingin, atau banyaknya pertandingan yang
tertunda karena hujan selama satu musin kompetisi sepakbola. Daerah tertentu
yang dimaksudkan diatas dapat saja berupa suatu ruas garis, suatu luasan, suatu
volume, atau mungkin sepotong bahan. Dalam hal demikian ini, X mungkin saja
menyatakan banyaknya tikus sawah per hektar, banyaknya bakteri dalam suatu
kultur biakan, atau banyaknya kesalahan ketik per halaman. Parameter dari
pengujian distribusi poisson adalah mean.
Sebaran peluang bagi peubah acak Poisson X yang menyatakan banyaknya
hasil percobaan yang terjadi selama suatu selang waktu atau daerah tertentu,
adalah
x

p ( x ; ) =

e
,untuk x=1,2,
x!

Sedangkan dalam hal ini adalah rata-rata banyaknya hasil percobaan yang
terjadi selama selang waktu atau dalam daerah yang dinyatakan, dan e = 2.71828..
Distribusi Bernoulli
Proses Bernoulli adalah proses untuk menghasilkan peluang pada
distribusi Binomial. Peluang terambilnya kartu As di setiap pengambilan satu
kotak kartu merupakan salah satu contoh percobaan Bernoulli. Parameter
pengujian distribusi Bernoulli adalah event probability.
Jenis-jenis Distribusi Kontinu7
7 http://industri.ums.ac.id/sites/default/files/materi/Praktikum%20statistik%20MODUL%20II.pdf
(diakses pada : Jumat, 31 Maret 2016, pukul 18:27 WIB)

Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua
nilai pada skala kontinu. Ruang sampel kontinu adalah bila ruang sampel
mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi
kontinu adalah apabila fungsi f(x) adalah fungsi padat peluang peubah acak
kontinu X yang mendefinisikan atas himpunan semua bilanga riil R bila :
1. F(x) 0 untuk semua x R

2.

f ( x ) dx=1

3.

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

Distribusi Normal8
Distribusi peluang kontinu yang terpenting dalam seluruh bidang statistika adalah
distribusi normal. Grafiknya, disebut kurva normal, berbentuk lonceng seperti
pada gambar 1.1. yang menggambarkan dengan cukup baik banyak gejala yang
muncul di alam, industrim dan penelitian. Pengukuran fisik dibidang seperti
percobaan meteorologi, penelitian curah hujan, dan pengukuran suku cadang yang
diproduksi sering dengan baik dan diterangkan menggunakan distribusi normal.
Disamping itu dalat dalam pengukuran ilmiah dapat dihampiri dengan sangat baik
oleh distribusi normal. Pada tahun 1733, Abraham DeMoivre menemukan
persamaan matematika kurva normal. Ini merupakan dasar bagi banyak teori
statistika induktif. Distribusi normal sering pula disebut dengan Distribusi Gauss
untuk menghormati Karl Friedrich Gauss (1777-1855), yang juga menemukan
persamaannya waktu meneliti galat dalam pengukuran yang berulang-ulang
mengenai bahan yang sama. Parameter dari pengujian distribusi normal adalah
mean dan standard deviation.
Fungsi padat peubah acak normal X, dengan rataan dan variansi adalah:
1
( )[(x)/ ]
1
n ( x ; , )=
e 2
,< x<
2
2

8 Walpole, Edisi Keempat. Op.Cit., hlm. 160-257

Dengan

= 3,14159 dan e=2,71828.

Gambar 1. Kurva Normal

Distribusi T
Jarang sekali orang begitu beruntung mengetahui variansi populasi yang
sampel acaknya ingin diambil. Untuk sampel ukuran n 30, taksiran

yang

baik dapat menghitung niali S2. Parameter dari pengujian distribusi T adalah
degrees of freedom.
Misalkan Z peubah acak normal baku dan V peubah acak khi-kuadrat
dengan derajat kebebasan v. bila Z dan v bebas, maka distribusi peubah acak T,
bila
T=

z
,
V / v

Diberikan oleh
t
1+ v

( v +1)/2
h (t)=

v
( ) v
2
2

Ini dikenal dengan nama ditribusi-t dengan derajat v

Gambar 2. Grafik Distribusi T

Distribusi F
Salah satu distribusi yang terpenting dalam statistika terapan ialah
distribusi F. Statistik F didefenisikan sebagai nisbah dua peubah acak khi-kuadrat
yang bebas, masing-masing dibagi dengan derajat kebebasannya. Jadi dapat ditulis
U /v 1
F=
U /v 2
U dan V menyatakan peubah acak bebas, masing-masing berdistribusi khi-kuadrat
dengan derjat

v1

dan

v2

. Parameter dari pengujian distribusi F adalah

numerator degrees of freedom dan denominator degrees of freedom.

Misalkan U dan V dua peubah acak bebas masing-masing berdistribusi
khi-kuadrat dengan derajat kebebasan
acak
F=

U /v 1
U /v 2

Diberikan oleh

v1

dan

v2

. Maka distribusi peubah

( 1+ v 2 )/2
2
v1 / v v

1/2

v1
1
2

v2
v
v 1 /2
(1+ 1 ) (v + v )/ 2,
2
v2

h ( f ) =

( )

Ini dikenal dengan nama distribusi-F dengan derajat kebebasan

v1

dan

v2

Gambar 3. Grafik Distribusi F

Distribusi Chi-Kuadrat9
Hal khusus lainnya yang amat penting dari distribusi gamma diperoleh dengan

mengambil

v
= dan =2,
2

untuk v bilangan bulat positif. Hasilnya disebut

9 Walpole, Edisi Keempat, Op.Cit., hlm.194-195

distribusi khi-kuadrat. Distribusi ini mempunya parameter tunggal, v, disebut

dengan derajat kebebasan.
Distribusi Khi-Kuadrat peubah acak kontinu X berdistribsui Khi-Kuadrat,
dengan derajat kebebasan v, bila fungsi padatnya diberikan oleh
f ( x )=

1
v
2

v
2 ( )
2

v
1
2

x
2

, x> 0untuk x lainnya

dengan v bilangan bulat positif.

Distribusi ini memegang peranan penting dalam statistika onferensi,
terutama untuk uji hipotesis dan penaksiran parameter.

Gambar 4. Grafik Distribusi Chi-Kuadrat

Distribusi Weibull
Teknologi modern telah memungkinkan orang merancang banyak sistem
yang rumit yang penggunaannya, atau barangkali keamanannya, bergantung pada
keandalan berbagai komponen dalam sistem tersebut. Sebagai contoh, suatu
sekering mungkin putus, tiang baja mungkin melengkung, atau alat pengindera
panas tak bekerja. Komponen yang sama dalam lingkungan yang sama akan rusak
dalam waktu yang berlainan yang tak dapat diramalkan. Salah satu distribusi yang
telah banyak sekali dipakai akhir-akhir ini dalam menangani masalah seperti itu
adalah distribusi Weibull yang diperkenalkan oleh fisikawan Swedia Waloddi
Weibull pada 1939. Parameter dari pengujian distribusi weibull adalah shape
parameter, scale parameter dan threshold parameter.

Peubah acak kontinu X berdistribusi Weibull, dengan parameter

dan

jika fungsi padatnya berbentuk

x 1 e x , x> 0
f ( x )=
0
untuk x lainnya
Dengan

> 0 dan > 0

Gambar 5. Grafik Distribusi Weibull

Distribusi Lognormal10
Peubah acak kontinu X mempunyai distribusi lognormal, jika peubah acak Y =
ln(X) mempunyai distribusi normal dengan rataan dan simpangan baku s dan
fungsi padat peluangnya diberikan sebagai berikut:

1
e[ ln ( t ) ] /(2 )
f ln ( x ; , ) = 2 t
x 0
0
2

Parameter dari pengujian distribusi lognormal adalah location, scale dan

threshold.

10 http://informatika.stei.itb.ac.id/~rinaldi.munir/Probstat/20102011/Beberapa
%20Distribusi%20Pel uang%20Kontinu.pdf (diakses pada 30 Maret 2016 pukul 18.33
WIB)

Gambar 6. Grafik Distribusi Lognormal

Distribusi Erlang11
Distribusi Erlang dikembangkan oleh A.K Erlang untuk menguji jumlah
panggilan telepon yang mungkin dilakukan dalam satu waktu pada suatu
switching station milik operator. Distribusi Erlang adalah generalisasi dari
distribusi ekponensial.

Gambar 7. Grafik Distribusi Erlang

Suatu variabel acak Xk disebut sebagai k-order erlang (atau erlang-k)
variabel acak dengan parameter jika PDF yang diberikan oleh:

fxk(x)=

k x k ex
( k1 ) !
0

K= 1,2,3,...; X0

11 http://lontar.ui.ac.id/file?file=digital/20284595-S1138-Christian%20Tulus.pdf
(diakses pada 30 Maret 2016, pukul 18.35 WIB)

Cdf dari Xk diperoleh melalui aplikasi berulang integrasi dengan bagian

sebagai berikut:
x

fxk ( t ) dt
Fxk(x) = P[Xkx] =
0

k1

( x ) j e(x)
= 1-
j!
j=0

Nilai yang diharapkan dari Xk diberikan oleh:

E[Xk]

xf x k ( x ) dx =
=
0

x
0

k x k ex
dx
( k1 ) !

1
k x k ex dx
( k1 ) ! 0

Distribusi Eksponensial12
Distribusi Eksponensial memiliki pertalian erat dengan distribusi Poisson. Jika
pada Poisson, peubah acak Poisson X menggambarkan jumlah keluaran yang
terjadi pada suatu selang waktu atau luas daerah tertentu, maka peubah acak
Eksponensial X menggambarkan panjang rentang waktu antara suatu kejadian
dengan kejadian lainnya. Parameter dari pengujian distribusi eksponensial adalah
scale dan threshold.

Gambar 8. Kurva Distribusi Eksponensial

Distribusi Gamma
12 Distribusi Peluang Diskrit dan Kontinu, Op.Cit., hlm. 18

Distribusi Gamma memiliki hubungan yang erat dengan distribusi

Eksponensial, karena distribusi Eksponensial merupakan salah satu bentuk khusus
dari distribusi Gamma. Parameter dari pengujian distribusi gamma adalah shape
parameter, scale parameter dan threshold parameter. Jika peubah acak kontinu X
berdistribusi Gamma dengan parameter

dapat dirumuskan sebagai berikut

dan

maka fungsi densitasnya

1
x 1 e x/ , x >0
f ( x )= ( )
0
untuk x lainnya

Gambar 9. Grafik Distribusi Eksponensial

Distribusi Laplace13
Dalam teori probabilitas dan statistik, distribusi Laplace adalah distribusi
probabilitas kontinu yang dinamakan oleh Pierre-Simon Laplace. Hal ini juga
kadang-kadang disebut distribusi eksponensial ganda, karena dapat dianggap
sebagai dua distribusi eksponensial (dengan parameter lokasi tambahan) disusun
menjadi satu back-to-back, tetapi istilah distribusi eksponensial ganda juga
kadang-kadang digunakan untuk merujuk kepada distribusi Gumbel. Parameter
dari pengujian distribusi laplace adalah location dan scale.

13 Laplace_distribution, (http://en.wikipedia.org/wiki/, (diakses pada 30 Maret 2016

pukul 18.37 WIB)

Gambar 10. Grafik Distribusi Laplace

Distribusi Beta14
Distribusi Beta merupakan distribusi data kerugian severitas yang
dinyatakan dalam interval [0,1], oleh karena itu distribusi beta sangat bermanfaat
untuk pemodelan distribusi severitas yang dinyatakan dalam persentase proporsi.
Distribusi Beta dapat diterapkan untuk data kerugian seperti persentase kesalahan
proses pembukuan data entry, persentase nasabah yang tidak puas dengan jasa
pelayanan bank, dan persentase kegagalan mesin ATM mengeluarkan uang.
Distribusi Beta mempunyai dua parameter, yaitu dan , fungsi Gamma
digunakan dalam probabilitas fungsi densitas distribusi Beta sebagai berikut.
1

untuk >0 dan > 0

( + ) 1
f (x )=

( ) ( )

Distribusi Triangular
Digunakan dalam situasi ketiadaan data, terutama jika minimum (a),
maximum (b) dan mode (m) dapat diperkirakan. Parameter dari pengujian
distribusi triangular adalah lower endpoint, mode dan upper endpoint.
Mean

: (a + m + b) / 3

Varians

: (a2 + m2 + b2 am ab mb) /18

14 http://repository.usu.ac.id/bitstream/123456789/25085/3/Chapter%20II.pdf (diakses
pada 30 Maret 2016 pukul 18.38 WIB)

Gambar 11. Grafik Distribusi Triangular

Distribusi Cauchy15
Distribusi Cauchy atau yang sering diketahui adalah distribusi Lorentz,
fungsi Lorentz atau distribusi Breit-Wigner.

Distribusi Cauchy merupakan

distribusi yang tidak memiliki rata-rata, varian atau lebih tinggi dari yang
didefinisikan. Modus dan mean didefinisikan dengan baik dan keduanya sama
dengan X0. Parameter dari pengujian distribusi chauchy adalah location dan
scale.
Distribusi Cauchy merupakan distribusi probabilitas dibagi tak terhingga.
Ini juga merupakan sangat stabil. Distribusi Cauchy standar bertepatan dengan
distribusi t-Students dengan satu derajat kebebasan. Seperti semua distiribusi
stabil, skala keluarga lokasi yang distribusi Cauchy adalah univariat distribusi saja
yang tertutup dibawah transformasi fraksional linear dengan koefisien nyata.
Distribusi Cauchy memiliki fungsi kepadatan probabilitas:
f ( ; 0 , )=

[
[ ( )]
1

1+

(0 )2 + 2

15 http://lontar.ui.ac.id/file?file=digital/20284595-S1138-Christian%20Tulus.pdf
(diakses pada 30 Maret 2016 pukul 18.39 WIB)

Pengujian Distribusi16
Sering permasalahan yang dihadapi oleh peneliti atau insinyur tidak banyak
menyangkut penafsiran parameter suatu populasi, tetapi menyangkut cara
pengambilan keputusan berdasarkan data mengenai suatu sistem ilmu. Dalam
setiap kasus, peneliti akan membuat dugaan mengenai suatu sistem.
Bidang statistika berurusan dengan penarikan inferensi tentang populasi
dan

sifat

populasi.

Percobaan

yang

dilakukan

memberi

hasil

yang

berkemungkinan. Pengujian sejumlah suku cadang elektronik merupakan suatu

contoh percobaan statistika, suatu istilah yang memerikan setiap proses yang
menghasilkan pengamatan yang berkemungkinan. Sering sekali amat penting
mengaitkan suatu bilangan sebagai pemerian hasil tersebut.
P Value17
Dalam pengujian hipotesis dengan uji statistik yang diskrit, daerah kritis dipilih
agak sembarang dan besarnya ditentukan. Bila

terlalu besar, ukurannya

dapat diturunkan dengan membuat penyesuaian dalam nilai kritis. Mungkin saja
perlu menaikkan ukuran sampel untuk mengimbangi penurunan dalam kuasa uji
yang terjadi secara otomatis.
Dalam beberapa angkatan analisis statistika, sudah merupakan kebiasaan
memilih

sebesar 0,05 atau 0,01 dan kemudian memilih daerah kritis yang

sesuai. Kemudian tentunya, penolakan yang tegas atau penerimaan H0 akan

tergantung pada daerah kritis tersebut. Sebagai contoh, bila uji dwisi dan nilai

dipilih pada taraf keberartian 0,05 dan uji statistic mengenai distribusi

normal baku mislanya makan niali z ditentukan dari data dan daerah kritisnya,
yaitu

z > 1,96; z < -1,96 dan nilai 1,96 diperoleh dari z 0,025 pada tabel. Niali z jatuh pada
daerah kritis akan memunculkan kesimpulan: nilai uji statistic tersebut berarti.
Pernyataan ini dapat diterjemahkan ke bahasa pengguna. Sebagai contoh, bila
16 Walpole, Edisi ketiga, Op.Cit., hlm. 114
17 Walpole, Edisi Keempat. Op.Cit., hlm 341

hipotesisnya berbentuk H0

= 10 dan H1 :

10. Maka dapat kita

simpulkan: Rataannya berbeda secara berarti dengan nilai 10.

PREDIKTIF (ANTISIPASI)
Penelitian prediktif adalah suatu penelitian yang digunakan untuk
meramalkan gejala yang mungkin terjadi pada masa yang akan datang,
berdasarkan proteksi dari hasil penelaahan terhadap gejala yang diamati melalui
evaluasi atau penyelidikan saat ini. Penelitian deskriptif dilakukan secara
koreksional dan kecenderungan melalui penelitian koreksional, selain dapat dicari
ada korelasi yang dicari variabelnya dan dapat dihitung regesinya. Penelitian
prediktif dilakukan menurut kecenderungan, dalam perkembangan selama jangka
waktu tertentu. Prediksi tentang jumlah penduduk lima atau sepuluh tahun yang
akan datang bisa dihitung berdasarkan perkembangan penduduk.18

Tugas Analisa Keputusan

DISTRIBUSI DISKRIT & KONTINU,

FORECASTING, MEAN MEDIAN MODUS
KURTOSIS, PREDIKTIF (ANTISIPASI)
Disusun Oleh:

DANIEL FRANS SIREGAR (120403147)

18 https://sitizaenab.wordpress.com/2013/04/07/makalah-penelitian/ (diakses pada 30

Maret 2016 pukul 19.34 WIB)

D E PAR T E M E N T E K N I K I N D U S T R I
F A K U L T A S

T E K N I K

UNIVERSITAS SUMATERA UTARA

M E DAN
2016