Laporan Akhir Statin

LEMBAR PENGESAHAN
(PRAKTIKUM STATISTIKA INDUSTRI)

LAPORAN AKHIR
PROGRAM STUDI TEKNIK INDUSTRI – FAKULTAS TEKNIK
UNIVERSITAS WIDYATAMA
Oleh :
Nama : Riski Septian Rachman
NPM : 0515101031
Telah Disetujui dan Disahkan di Bandung, Tanggal _____________
Menyetujui,
Asisten Praktikum Statistika Industri
Asisten Asisten
Usi Putri Pratiwi Aisah Devi Frida Sagala
Mengesahkan,
Instruktur Praktikum Statistika Industri
Ima Ratnasari, S.T., M.T.
i
KATA PENGANTAR
Puji syukur senantiasa penulis panjatkan kehadirat Allah SWT, karena atas rahmat
dan hidayah-Nya lah penulis dapat menyelesaikan laporan akhir ini dengan judul
”Laporan Akhir Statistika Industri”.
Penulis mengucapkan rasa terima kasih yang sebesar-besarnya atas semua bantuan
yang telah diberikan, baik secara langsung maupun tidak langsung selama
penyusunan tugas akhir ini hingga selesai. Secara khusus rasa terima kasih tersebut
penulis sampaikan kepada:
1. Ibu Ima Ratnasari, S.T., M.T. selaku instruktur praktikum Statistika Industri
yang telah memberikan bimbingan serta ilmu pengetahuan dalam menyusun
laporan akhir ini.
2. Usi Putri Pratiwi Aisah dan Devi Frida Sagala selaku asisten praktikum
Statistika Industri yang telah membantu dan membimbing penulis selama
menjalankan praktikum ini.
3. Orang tua penulis yang senantiasa memberikan semangat dan motivasi
untuk penulis menyelesaikan laporan akhir ini.
4. Rekan-rekan penulis yang telah membantu dalam menuntaskan laporan
akhir ini.
Penulis menyadari masih terdapat banyak kekurangan yang dibuat baik sengaja
maupun tidak sengaja, dikarenakan keterbatasan ilmu pengetahuan dan wawasan
serta pengalaman yang penulis miliki. Penulis mengucapkan mohon maaf atas
segala kekurangan tersebut, tidak menutup diri terhadap segala saran dan kritik
serta masukan yang bersifat kontruktif bagi diri penulis. Akhir kata, semoga laporan
akhir ini dapat bermanfaat bagi penulis sendiri, institusi pendidikan dan masyarakat
luas.
Bandung, Mei 2017
Riski Septian Rachman
ii
DAFTAR ISI
Halaman
LEMBAR PENGESAHAN ................................................................................... i
KATA PENGANTAR ........................................................................................... ii
DAFTAR ISI......................................................................................................... iii
DAFTAR GAMBAR ........................................................................................... vii
DAFTAR TABEL ................................................................................................ ix
BAB I PENDAHULUAN ...................................................................................... 1
1.1 LATAR BELAKANG .................................................................................. 1
1.1.1 Statistika Deskriptif ................................................................................ 1
1.1.2 Teori Probabilitas ................................................................................... 1
1.1.3 Distribusi Probabilitas ............................................................................ 2
1.1.4 Statistik Parametrik dan Non-Parametrik............................................... 4
1.1.5 Regresi dan Korelasi .............................................................................. 5
1.2 TUJUAN PRAKTIKUM .............................................................................. 6
1.2.1 Statistika Deskriptif ................................................................................ 6
1.2.2 Teori Probabilitas ................................................................................... 6
1.2.3 Distribusi Probabilitas ............................................................................ 6
1.2.4 Statistik Parametrik dan Non-Parametrik............................................... 7
1.2.5 Regresi dan Korelasi .............................................................................. 7
BAB II LANDASAN TEORI ............................................................................... 8
2.1 STATISTIKA DESKRIPTIF ........................................................................ 8
2.1.1 Definisi Statistika Deskriptif .................................................................. 8
2.1.2 Istilah dalam Statistika ........................................................................... 8
2.1.3 Definisi Statistika Deskriptif .................................................................. 9
2.1.4 Jenis Statistika ........................................................................................ 9
2.1.5 Ukuran Pemusatan Data ....................................................................... 11
2.1.6 Ukuran Penyebaran Data...................................................................... 12
2.2 TEORI PROBABILITAS ........................................................................... 14
2.2.1 Definisi Probabilitas ............................................................................. 14
2.2.2 Manfaat Probabilitas dalam Penelitian................................................. 15
iii
Halaman
2.2.3 Percobaan, Ruang Sampel, Titik Sampel dan Peristiwa ...................... 15
2.2.4 Probabilitas Beberapa Peristiwa ........................................................... 16
2.2.5 Irisan 2 Kejadian .................................................................................. 17
2.2.6 Paduan 2 Kejadian................................................................................ 18
2.2.7 Komplemen Suatu Kejadian ................................................................ 18
2.2.8 Kejadian Bersyarat ............................................................................... 18
2.2.9 Permutasi .............................................................................................. 19
2.2.10 Kombinasi .......................................................................................... 19
2.3 DISTRIBUSI PROBABILITAS ................................................................. 20
2.3.1 Binomial dan Hipergeometrik .............................................................. 20
2.3.2 Poisson dan Eksponensial .................................................................... 23
2.4 STATISTIK PARAMETIK DAN NON-PARAMETRIK.......................... 28
2.4.1 Definisi Statistik Parametrik ................................................................ 28
2.4.2 Pengujian Hipotesis .............................................................................. 28
2.4.3 Prosedur Pengujian Hipotesis .............................................................. 28
2.4.4 Jenis-jenis Pengujian Hipotesis ............................................................ 30
2.4.5 Pengujian Hipotesis Rata-rata .............................................................. 33
2.4.6 Definisi Statistik Non-Parametrik ........................................................ 34
2.4.7 Keunggulan Uji Statistika Non-Parametrik ......................................... 34
2.5 REGRESI DAN KORELASI ...................................................................... 36
2.5.1 Teori Regresi ........................................................................................ 36
2.5.2 Definisi Regresi .................................................................................... 37
2.5.3 Jenis-jenis Regresi ................................................................................ 38
2.5.4 Definisi Korelasi .................................................................................. 38
2.5.5 Jenis-jenis Korelasi .............................................................................. 39
BAB III FLOWCHART KEGIATAN PRAKTIKUM ..................................... 41
3.1 FLOWCHART KEGIATAN PRAKTIKUM ............................................... 41
3.2 URAIAN FLOWCHART KEGIATAN PRAKTIKUM .............................. 42
3.2.1 Studi Literatur ...................................................................................... 42
3.2.2 Pengumpulan Data ............................................................................... 42
3.2.3 Pengolahan Data................................................................................... 44
iv
Halaman
3.2.4 Analisis ................................................................................................. 46
3.2.5 Kesimpulan dan Saran.......................................................................... 46
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA ............................. 47
4.1 PENGUMPULAN DATA .......................................................................... 47
4.1.1 Statistika Deskriptif .............................................................................. 47
4.1.2 Teori Probabilitas ................................................................................. 48
4.1.3 Distribusi Probabilitas .......................................................................... 49
4.1.4 Statistik Parametrik dan Non-Parametrik............................................. 53
4.1.5 Regresi dan Korelasi ............................................................................ 56
4.2 PENGOLAHAN DATA ............................................................................. 58
4.2.1 Statistika Deskriptif .............................................................................. 58
4.2.2 Teori Probabilitas ................................................................................. 78
4.2.3 Distribusi Probabilitas .......................................................................... 83
4.2.4 Statistik Parametrik dan Non-Parametrik........................................... 109
4.2.5 Regresi dan Korelasi .......................................................................... 136
BAB V ANALISIS............................................................................................. 150
5.1 STATISTIKA DESKRIPTIF .................................................................... 150
5.2 TEORI PROBABILITAS ......................................................................... 151
5.3 DISTRIBUSI PROBABILITAS ............................................................... 152
5.3.1 Binomial dan Hipergeometrik ............................................................ 152
5.3.2 Poisson dan Eksponensial .................................................................. 154
5.4 STATISTIKA PARAMETRIK DAN NON-PARAMETRIK .................. 156
5.4.1 Statistik Parametrik ............................................................................ 156
5.4.2 Statistik Non-Parametrik .................................................................... 157
5.5 REGRESI DAN KORELASI .................................................................... 158
5.5.1 Analisis Regresi Sederhana ................................................................ 158
5.5.2 Analisis Regresi Berganda ................................................................. 159
BAB VI KESIMPULAN DAN SARAN .......................................................... 161
6.1 KESIMPULAN ......................................................................................... 161
6.1.1 Statistika Deskriptif............................................................................ 161
6.1.2 Teori Probabilitas ............................................................................... 161
v
Halaman
6.1.3 Distribusi Probabilitas ........................................................................ 162
6.2 SARAN ..................................................................................................... 165
6.2.1 Statistika Deskriptif ............................................................................ 165
6.2.2 Teori Probabilitas ............................................................................... 165
6.2.3 Distribusi Probabilitas ........................................................................ 166
DAFTAR PUSTAKA ........................................................................................ 168
LAMPIRAN ....................................................................................................... 169
vi
DAFTAR GAMBAR
Halaman
Gambar 2. 1 Kurva Distribusi Normal ................................................................ 30
Gambar 3. 1 Flowchart Kegiatan Praktikum ...................................................... 41
Gambar 4. 1 Grafik Histogram Data Diskrit ....................................................... 67
Gambar 4. 2 Grafik Ogive Data Diskrit............................................................... 68
Gambar 4. 3 Grafik Poligon Data Kontinu .......................................................... 77
Gambar 4. 4 Grafik Ogive Data Kontinu............................................................. 78
Gambar 4. 5 Probabilitas Berdasarkan Software Minitab (Binomial)................. 87
Gambar 4. 6 Grafik Histogram Probabilitas (Binomial) ..................................... 88
Gambar 4. 7 Grafik Histogram Probabilitas Kumulatif (Binomial) .................... 88
Gambar 4. 8 Probabilitas Berdasarkan Software Minitab (Hipergeometrik) ...... 94
Gambar 4. 9 Grafik Histogram Probabilitas (Hipergeometrik) ........................... 94
Gambar 4. 10 Grafik Histogram Probabilitas Kumulatif (Hipergeometrik) ....... 95
Gambar 4. 11 Diagram Batang Poisson 3 Menit ................................................. 98
Gambar 4. 12 Diagram Poligon Poisson 3 Menit ............................................... 99
Gambar 4. 13 Diagram Batang Poisson 5 Menit ............................................... 103
Gambar 4. 14 Diagram Batang Poisson 5 Menit ............................................... 103
Gambar 4. 15 Diagram Batang Eksponensial ................................................... 106
Gambar 4. 16 Diagram Poligon Eksponensial .................................................. 107
Gambar 4. 17 Grafik Histogram CM Terhadap Fi ............................................ 110
Gambar 4. 18 Kurva Distribusi Normal 1% Panjang Balok ............................. 112
Gambar 4. 19 Kurva Distribusi Normal 5 % Panjang Balok ............................ 112
Gambar 4. 20 Kurva Distribusi Normal 10 % Panjang Balok .......................... 112
Gambar 4. 22 Kurva Distribusi Normal 1% Lebar Balok ................................. 115
Gambar 4. 23 Kurva Distribusi Normal 5% Lebar Balok ................................. 115
Gambar 4. 24 Kurva Distribusi Normal 10% Lebar Balok ............................... 115
Gambar 4. 26 Kurva Distribusi Normal 1% Berat Detergen............................. 119
Gambar 4. 27 Kurva Distribusi Normal 5% Berat Detergen............................. 119
vii
Halaman
Gambar 4. 28 Kurva Distribusi Normal 10% Berat Detergen .......................... 119
Gambar 4. 29 Kurva Distribusi Normal 1% Uji Tanda Sampel 1 ..................... 128
Gambar 4. 30 Kurva Distribusi Normal 5% Uji Tanda Sampel 1 ..................... 128
Gambar 4. 31 Kurva Distribusi Normal 10% Uji Tanda Sampel 1 ................... 128
Gambar 4. 32 Kurva Distribusi Normal 1% Uji Tanda Sampel 1 dan 2 ........... 130
Gambar 4. 33 Kurva Distribusi Normal 5% Uji Tanda Sampel 1 dan 2 ........... 130
Gambar 4. 34 Kurva Distribusi Normal 10% Uji Tanda Sampel 1 dan 2 ......... 131
Gambar 4. 35 Kurva Distribusi Normal 1% Uji Dwi Wilcoxon ....................... 133
Gambar 4. 36 Kurva Distribusi Normal 5% Uji Dwi Wilcoxon ....................... 133
Gambar 4. 37 Kurva Distribusi Normal 10% Uji Dwi Wilcoxon ..................... 133
Gambar 4. 38 Kurva Regresi Sederhana ........................................................... 139
Gambar 4. 39 Diagram Yi Terhadap Xi ............................................................. 140
Gambar 4. 40 Diagram Scatter Y Terhadap Ypred ............................................ 140
Gambar 5. 1 Grafik Histogram Probabilitas (Binomial) ................................... 152
Gambar 5. 2 Grafik Histogram Probabilitas (Hipergeometrik) ......................... 153
viii
DAFTAR TABEL
Halaman
Tabel 2. 1 Hipotesis .............................................................................................. 29
Tabel 2. 2 Formulasi Hipotesis ............................................................................ 33
Tabel 2. 3 Kriteria Hipotesis ................................................................................ 33
Tabel 2. 4 Kategori Nilai Korelasi ....................................................................... 40
Tabel 4. 1 Data Berat Badan dan Tinggi Badan Pasien ....................................... 47
Tabel 4. 2 Hasil Pengamatan ................................................................................ 48
Tabel 4. 3 Hasil Penelitian ................................................................................... 48
Tabel 4. 4 Data Asli Hasil Percobaan Binomial dan Hipergeometrik ................. 50
Tabel 4. 5 Hasil Pengamatan Distribusi Probabilitas Poisson ............................. 51
Tabel 4. 6 Hasil Pengamatan Distribusi Probabilitas Poisson ............................. 52
Tabel 4. 7 Distribusi Probabilitas Eksponensial................................................... 53
Tabel 4. 8 Data Panjang Balok dan Lebar Balok ................................................. 54
Tabel 4. 9 Data Berat Detergen ............................................................................ 54
Tabel 4. 10 Data Pengukuran Diameter Bola Sampel 1 ....................................... 55
Tabel 4. 13 Data Regresi Sederhana .................................................................... 56
Tabel 4. 14 Data Regresi Berganda ...................................................................... 57
Tabel 4. 15 Data Berat Badan dan Tinggi Badan Setelah Ditambah NPM ......... 58
Tabel 4. 16 Distribusi Frekuensi Data Diskrit...................................................... 59
Tabel 4. 17 Hasil Perhitungan Kuartil Data Diskrit ............................................. 62
Tabel 4. 18 Letak Desil Data Diskrit .................................................................... 62
Tabel 4. 19 Hasil Perhitungan Desil Data Diskrit ................................................ 64
Tabel 4. 20 Hasil Perhitungan Persentil ............................................................... 66
Tabel 4. 21 Frekuensi Kumulatif Kurang Dari dan Lebih Dari ........................... 68
Tabel 4. 22 Distribusi Frekuensi Data Kontinu.................................................... 69
Tabel 4. 23 Hasil Perhitungan Kuartil Data Kontinu ........................................... 71
Tabel 4. 24 Letak Desil Data Kontinu .................................................................. 72
Tabel 4. 25 Hasil Perhitungan Desin Data Kontinu ............................................. 74
ix
Halaman
Tabel 4. 26 Hasil Perhitungan Persentil Data Kontinu ........................................ 76
Tabel 4. 27 Frekuensi Kumulatif Kurang Dari dan Lebih Dari ........................... 77
Tabel 4. 28 Hasil Pengamatan Setelah Ditambah NPM (+31) ............................. 78
Tabel 4. 29 Hasil Penelitian Setelah Ditambah NPM (+31) ................................ 78
Tabel 4. 30 Hasil Perhitungan Studi Kasus 1 ....................................................... 81
Tabel 4. 31 Data Pelamar Setelah Ditambah NPM .............................................. 82
Tabel 4. 32 Hasil Percobaan Setelah Ditambahkan 2 .......................................... 83
Tabel 4. 33 Hasil Perhitungan Probabilitas dan Probabilitas Kumulatif .............. 84
Tabel 4. 34 Hasil Perhitungan Probabilitas dan Probabilitas Kumulatif .............. 89
Tabel 4. 35 Hasil Pengamatan Setelah Ditambahkan NPM (+4) ......................... 95
Tabel 4. 36 Hasil Pengamatan Setelah Ditambahkan NPM (+4) (Lanjutan) ....... 96
Tabel 4. 37 Distribusi Frekuensi dari Distribusi Poisson 3 Menit ....................... 96
Tabel 4. 38 Ringkasan Distribusi Poisson 3 Menit .............................................. 97
Tabel 4. 39 Hasil Pengamatan Setelah Ditambahkan NPM (+4) ......................... 99
Tabel 4. 40 Hasil Pengamatan Setelah Ditambahkan NPM (+4) (Lanjutan) ..... 100
Tabel 4. 41 Distribusi Frekuensi dari Distribusi Poisson 5 Menit ..................... 100
Tabel 4. 42 Ringkasan Distribusi Poisson 5 Menit ............................................ 101
Tabel 4. 43 Hasil Pengamatan Setelah Ditambahkan NPM (+31) ..................... 104
Tabel 4. 44 Distribusi Frekuensi dari Distribusi Eksponensial .......................... 104
Tabel 4. 45 Ringkasan Distribusi Eksponensial ................................................. 106
Tabel 4. 46 Panjang Balok Setelah Ditambah NPM (+0,31) ............................. 109
Tabel 4. 47 Perhitungan Frekuesi Data Panjang Balok ...................................... 109
Tabel 4. 48 Lebar Balok Setelah Ditambah NPM (+0,31) ................................. 113
Tabel 4. 49 Perhitungan Frekuensi Data Lebar Balok ....................................... 113
Tabel 4. 50 Berat Detergen Setelah Ditambah NPM (+0,31) ............................ 116
Tabel 4. 51 Perhitungan Frekuensi Data Detergen ............................................ 116
Tabel 4. 52 Uji Kolmogorov Smirnov Sampel 1 ............................................... 120
Tabel 4. 55 Uji Tanda Sampel 1 ......................................................................... 126
Tabel 4. 56 Uji Tanda Sampel 1 dan 2 ............................................................... 129
x
Halaman
Tabel 4. 57 Uji Dwi Wilcoxon Sampel 2 dan 3 ................................................. 131
Tabel 4. 58 Uji Kruskal Wallis Sampel 1, 2 dan 3 ............................................. 134
Tabel 4. 59 Data Regresi Sederhana Setelah Ditambah NPM (+31) ................. 136
Tabel 4. 60 Hasil Pengolahan Data Regresi Sederhana ..................................... 137
Tabel 4. 61 Plot Data Regresi Sederhana ........................................................... 139
Tabel 4. 62 Data Regresi Berganda Setelah Ditambah NPM (+31)................... 140
Tabel 4. 63 Hasil Pengolahan Data Regresi Berganda ....................................... 141
Tabel 4. 64 Hasil Pengolahan Data Regresi Berganda (Lanjutan) ..................... 142
Tabel 5. 1 Hasi Perhitungan Skewness Diskrit dan Kontinu ............................. 150
Tabel 5. 2 Hasil Perhitungan Gabungan (Union) ............................................... 151
Tabel 5. 3 Ringkasan Teori Antrean .................................................................. 154
Tabel 5. 4 Hasil Pengujian Hipotesis Statistik Parametrik ................................. 156
Tabel 5. 5 Hasil Uji Kolmogorv-Smirnov Sampel 1 .......................................... 157
Tabel 5. 6 Hasil Uji Tanda ................................................................................. 158
Tabel 5. 7 Analisis Regresi Sederhana ............................................................... 158
Tabel 5. 8 Analisis Regresi Berganda ................................................................ 159
xi
BAB I
PENDAHULUAN
1.1 LATAR BELAKANG
1.1.1 Statistika Deskriptif
Statistik memegang peranan yang penting dalam penelitian, baik dalam penyusunan
model, perumusan hipotesa, dalam pengembangan alat dan instrumen pengumpulan
data, dalam penyusunan desain penelitian, dalam penentuan sampel, dan dalam
analisa data. Pengolahan dan analisa data tidak luput dari penerapan teknik dan
metode statistik tertentu. Statistik memberikan metode-metode sederhana dalam
mengklasifikasikan data serta mudah dalam penyajian data, sehingga data tersebut
dapat dengan mudah dimengerti.
Di zaman sekarang ini banyak ditemukan data-data yang bersifat mentah sehingga
sulit dipahami oleh pembaca. Data mentah perlu diolah dan disajikan sehingga
menghasilkan informasi yang dapat dipahami oleh pembaca dengan mudah.
Statistika deskriptif menjadi metode yang dapat digunakan sebagai salah satu cara
untuk mengumpulkan dan menyajikan suatu gugus data sehingga memberikan
informasi yang berguna bagi pembaca.
Adanya metode yang benar dan tepat untuk mengolah dan menyajikan data mentah
diharapkan berguna bagi masyarakat luas, sehingga informasi yang ingin
disampaikan dapat dengan mudah dimengerti, demikian juga bagi perusahaan-
perusahaan. Manfaat statistik bagi perusahaan sangat penting, salah satunya yaitu
dalam bidang produksi. Statistik sangat berperan penting dalam mengendalikan
kualitas dalam suatu produksi dengan hanya mengambil beberapa sampel saja dari
suatu produk.
1.1.2 Teori Probabilitas
Zaman sekarang dimana perusahaan-perusahaan industri sudah sangat maju

membutuhkan cara agar produksi yang dihasilkan dapat diterima dengan baik oleh
konsumen tanpa adanya produk yang cacat. Probabilitas sebagai salah satu metode
1
UNIVERSITAS
PRAKTIKUM STATISTIKA INDUSTRI
WIDYATAMA
statistika sering digunakan sebagai alat untuk memperhitungkan kemungkinan pada

suatu kejadiaan pada suatu perusahaan-perusahaan. Salah satu permasalahan yang
kerap terjadi dalam perusahaan yaitu adanya cacat dalam suatu produksi. Teori
probabilitas dapat digunakan untuk memperkirakan tingkat kecacatan dalam suatu
produksi sehingga dapat meminimalisir kerugian yang dialami. Tingkat kecacatan
menjadi salah satu permasalahan yang tidak dapat diperkirakan, sehingga
diperlukan metode yang tepat untuk meramalkannya.
Banyak ditemukannya permasalahan yang tidak dapat diperkirakan sebelumnya

menjadi alasan bahwa konsep probabilitas memegang peranan penting untuk
meramalkan suatu permasalahan-permasalahan kecil yang dapat terjadi di
kemudian hari. Tidak hanya untuk meramalkan suatu kejadian yang akan terjadi,
probabilitas dapat memecahkan permasalahan yang sedang dialami oleh suatu
perusahaan melalui percobaan-percobaan untuk menemukan pemacahan dari
permasalahan tersebut. Konsep probabilitas banyak digunakan untuk mendapatkan
peluang yang akan terjadi terhadap suatu kejadian yang akan dialami.
Modul 2 Teori Probabilitas kali ini mempelajari bagaimana probabilitas

menyatakan suatu nilai kejadian yang dapat terjadi. Adanya metode yang benar dan
tepat untuk meramalkan suatu kejadian yang akan terjadi, diharapkan dapat
membantu perusahaan-perusahaan dalam memecahkan masalah yang dapat terjadi
dikemudian hari. Konsep probabilitas berperan sangat penting dalam menentukan
langkah yang diambil untuk menghadapi beberapa permasalahan di perusahaan
maupun dikehidupan sehari-hari.
1.1.3 Distribusi Probabilitas

1.1.3.1 Binomial dan Hipergeometrik
Permasalahan yang kerap terjadi dalam bidang produksi salah satunya yaitu adanya
produk yang cacat atau rusak. Produk yang cacat dapat diminimalisir dengan
memperkirakan tingkat kecacatan dalam suatu produksi sehingga dapat
meminimalisir kerugian yang dialami. Tingkat kecacatan menjadi salah satu
permasalahan yang tidak dapat diperkirakan sebelumnya, sehingga diperlukan
metode yang tepat untuk dapat meramalkannya.
2
UNIVERSITAS
WIDYATAMA
Probabilitas menjadi salah satu kajian statistika yang membahas mengenai

ketidakpastian terhadap sesuatu, dimana yang terjadi hanya merupakan suatu
kemungkinan dan dalam hal pengambilan keputusan selalu terjadi pada kondisi
ketidakpastian. Metode probabilitas yang tepat untuk dijadikan sebagai metode
pengambilan keputusan yang tepat bagi sebuah perusahaan yaitu distribusi
probabilitas binomial dan hipergeometrik. Metode tersebut dapat memperkirakan
tingkat kecacatan yang dapat dialami dengan menggunakan sampel-sampel pada
suatu populasi dari produksi tersebut.
Modul Binomial dan Hipergeometrik kali ini membahas mengenai tingkat peluang
dari sebuah percobaan pengambilan bola pingpong dimana bola pingpong berwarna
kuning menjadi salah satu ukuran bahwa kejadian tersebut sukses atau berhasil.
Adanya percobaan yang dilakukan pada modul kali ini diharapkan dapat menjadi
gambaran terhadap langkah-langkah yang harus dilakukan untuk mengetahui
tingkat keberhasilan dari suatu produksi. Metode binomial dan hipergeometrik pun
diharapkan dapat membantu suatu perusahaan untuk meminimalisir terjadinya
kecacatan atau kegagalan dalam suatu produksi dan diharapkan dapat membantu
perusahaan untuk mendapatkan keuntungan yang sebesar-besarnya.
1.1.3.2 Poisson dan Eksponensial
Permasalahan yang kerap ditemukan pada suatu perusahaan yang menyediakan

suatu produk ataupun jasa yaitu adanya antrian yang panjang. Antri dapat menjadi
suatu hal yang membosankan dan sebagainya bagi sebagian orang, akibatnya akan
menyebabkan pelanggan yang datang memutuskan untuk tidak melakukan
transaksi. Hal tersebut tentu menjadi kerugian bagi perusahaan yang menyediakan
produk ataupun jasa. Suatu perusahaan perlu memberikan pelayanan terbaik bagi
pelanggannya. Pelayanan terbaik diantaranya yaitu memberikan pelayanan yang
cepat sehingga pelanggan tidak antri terlalu lama, namun pelayanan cepat tentu
akan menambah biaya bagi perusahaan untuk menambah fasilitas layanan.
Teori antrean melalui pendekatan distribusi probabilitas poisson dan eksponensial

dapat menjadi suatu metode untuk mengevaluasi fenomena antrean yang sering kali
menyebabkan kejenuhan bagi pelanggan. Evaluasi tersebut dapat dilakukan dari
3
UNIVERSITAS
WIDYATAMA
sudut pandang pelanggan dan penyedia produk ataupun jasa, sehingga diharapkan
dapat memberikan solusi optimal. Adanya evaluasi terhadap antrean tersebut
diharapkan dapat memberikan keuntungan bagi penyedia produk ataupun jasa dan
tentunya kepuasan bagi pelanggan.
Modul Poisson dan Eksponensial kali ini membahas mengenai banyaknya

pelanggan yang mengantre disalah satu gerai minuman Chat Time dan juga
praktikan akan menghitung waktu pelayanan yang diberikan oleh operator kasir
dari perusahaan tersebut. Hasil akhir yang akan diperoleh dari modul kali ini yaitu
banyaknya pelanggan yang mengantre serta lamanya waktu mengantre bagi
pelanggan. Adanya penelitian kali ini diharapkan dapat membantu perusahaan
tersebut untuk menentukan kebijakan-kebijakan agar pelanggan merasa nyaman
dan tidak terjadi antrean yang terlalu panjang serta diharapkan dapat memberikan
keuntungan bagi perusahaan tersebut dan kepuasan bagi pelanggannya.
1.1.4 Statistik Parametrik dan Non-Parametrik
Kesulitan yang sering kali dihadapi oleh suatu perusahaan yaitu dalam pengambilan
keputusan, baik keputusan yang berhubungan langsung dengan perusahaan itu
sendiri ataupun tidak, seperti contoh mengambil keputusan untuk meningkatkan
kualitas dari suatu produk. Meningkatkan kualitas dari suatu produk tentu saja dapat
meningkatkan pendapatan dari perusahaan itu sendiri, namun tanpa adanya sampel
yang dapat diuji tentu saja peningkatan kualitas tersebut tidak dapat berjalan.
Memperoleh sampel yang baik dan memenuhi asumsi suatu distribusi tertentu
sangat sulit dilakukan, maka dari itu terdapat metode yang dapat menguji apakah
sampel yang diuji telah memenuhi suatu asumsi dari distribusi tertentu atau tidak.
Statistik parametrik dan Non-parametrik dapat menjadi metode yang dapat

digunakan untuk menguji sampel yang telah diambil. Salah satu metode untuk
menguji sampel dalam statistik Non-parametrik yaitu Kolmogorov-Smirnov,
berfungsi untuk mengetahui apakah sampel yang diuji merupakan data berdistribusi
normal atau tidak. Penggunaan statistik parametrik dan statistik Non-parametrik
sangat berguna bagi perusahaan yang ingin mengambil suatu keputusan
berdasarkan sampel yang dimiliki.
4
UNIVERSITAS
WIDYATAMA
Modul Statistik Parametrik dan Non-Parametrik kali ini membahas mengenai suatu
hipotesis terhadap pengukuran 40 buah balok yang mana nantinya balok tersebut
akan diukur panjang serta lebarnya. Pengujian hipotesis selanjutnya yaitu terhadap
pengukuran diameter bola yang masing-masing sampel diambil data sebanyak 50
buah bola. Pengukuran balok dan bola tersebut dilakukan untuk mengetahui apakah
hipotesis awal diterima atau ditolak. Adanya metode yang tepat dalam menguji
suatu sampel diharapkan dapat membantu perusahaan pada pengambilan
keputusan.
1.1.5 Regresi dan Korelasi
Banyak penelitian untuk mengetahui hubungan dari kejadian satu dengan kejadian
yang lainnya. Penelitian tersebut bertujuan untuk mengetahui apakah dua kejadian
terdapat hubungan yang saling terikat atau tidak, misalnya hubungan antara
kenaikan bahan bakar minyak (BBM) terhadap harga bahan pokok makanan.
Hubungan antara dua kejadian tersebut perlu dilakukan analisis lebih lanjut
sehingga mendapatkan kesimpulan yang akurat.
Regresi dan Korelasi dapat menjadi teknik dalam ilmu statistika yang dapat
digunakan untuk menggambarkan hubungan antara suatu variabel terikat dengan
satu atau beberapa variabel bebas. Hubungan antara variabel terikat dengan variabel
bebas dapat dikatakan kuat apabila nilai koefisien korelasi mencapai 1, sebaliknya
jika tidak terdapat hubungan antara variabel terikat dengan variabel bebas koefisien
korelasinya bernilai 0. Metode korelasi dan regresi dapat digunakan dalam
kehidupan sehari-hari, misalnya analisis terhadap hubungan antara kenaikan bahan
bakar minyak (BBM) dengan harga bahan pokok makanan.
Modul Regresi dan Korelasi kali ini membahas mengenai suatu analisis terhadap
data regresi sederhana dan data regresi berganda. Analisis terhadap data regresi
sederhana melibatkan satu buah variabel bebas yaitu nilai praktikum (𝑋) dan satu
buah variabel terikat yaitu mortum (𝑌). Hasil akhir yang akan didapatkan setelah
melakukan analisis yaitu mengetahui hubungan antara variabel bebas terhadap
variabel terikat. Analisis data regresi berganda akan melibatkan tiga buah variabel
bebas dan satu buah variabel terikat. Regresi dan Korelasi digunakan untuk
5
UNIVERSITAS
WIDYATAMA
mengetahui seberapa kuatkah hubungan antara variabel bebas dengan variabel

terikat. Adanya metode yang tepat untuk melakukan analisis terhadap data untuk
mengetahui pengaruh antara variabel yang satu dengan variabel yang lain, apakah
terdapat hubungan kuat atau bahkan tidak terdapat hubungan, diharapkan dapat
membantu peneliti-peneliti untuk mendapatkan kesimpulan yang diinginkan.
1.2 TUJUAN PRAKTIKUM

Tujuan melakukan kegiatan praktikum pada Modul Statistik Deskriptif ini,

praktikan diharapkan mampu:
1. Memahami pengertian dan manfaat statisika deskriptif.
2. Mampu mengolah data dengan metode-metode statistika deskriptif.
3. Memahami teknik pengumpulan data, klasifikasi dan presentasi data pada
statistika deskriptif.
4. Mengkaji, menilai dan memperbaiki serta merancang suatu sistem kerja
yang berhubungan dengan manusia sebagai pemakai.
Tujuan dari Modul Teori Probabilitas pada praktikum ini adalah:

1. Mengetahui dan memahami fungsi peluang, permutasi dan kombinasi.
2. Mengetahui cara perhitungan peluang, permutasi dan kombinasi.
3. Mengetahui dan memahami aplikasi serta studi kasus tentang peluang,
permutasi dan kombinasi.

Tujuan melakukan kegiatan praktikum pada modul Binomial dan Hipergeometrik
ini, praktikan diharapkan mampu:
1. Mengetahui definisi distribusi binomial dan distribusi hipergeometrik.
2. Mampu membedakan karakteristik distribusi binomial dan distribusi
hipergeometrik.
6
UNIVERSITAS
WIDYATAMA
3. Mengetahui asumsi dan karakteristik percobaan binomial dan

hipergeometrik.

Tujuan melakukan kegiatan praktikum pada modul Poisson dan Eksponensial ini,
1. Mampu memahami karakteristik dan distribusi poisson dan dan distribusi
eksponensial.
2. Mampu melakukan pendekatan distribusi poisson terhadap distribusi
binomial.
3. Mampu mengenali masalah nyata dalam kehidupan sehari-hari yang
berkaitan dengan distribusi poisson dan distribusi eksponensial dan mampu
mengenal peranan ilmu statistika dalam memecahkan masalah tersebut.
Tujuan melakukan kegiatan praktikum pada modul Statistik Parametrik dan Non-
Parametrik ini, praktikan diharapkan mampu:
1. Mampu membedakan karakteristik distribusi populasi dan distribusi
sampling.
2. Mengetahui dan memahami manfaat penaksiran.
3. Mampu menguji hipotesis terhadap parameter statistik.
4. Memahami konsep Statistik Non-Parametrik.
5. Memahami uji Kolmogorov-Smirnov, Uji Tanda, Uji Dwi Wilcoxon dan
Uji Kruskal Wallis.
6. Mampu menarik kesimpulan dari hasil pengujian.
Tujuan melakukan kegiatan praktikum pada modul Analisis Regresi dan Korelasi,
1. Memahami pengertian regresi dan korelasi.
2. Menentukan hubungan antara dua variabel dalam bentuk persamaan.
3. Mengetahui besar kecilnya pengaruh antar dua variabel.
4. Mampu menarik kesimpulan dari hasil perhitungan.
7
BAB II
LANDASAN TEORI
2.1 STATISTIKA DESKRIPTIF

2.1.1 Definisi Statistika Deskriptif
Statistika adalah pengetahuan yang berhubungan dengan teknik atau cara

pengumpulan data, pengolahan atau analisis data, dan penarikan kesimpulan
berdasarkan kumpulan data dan analisis yang dilakukan. Statistik adalah kumpulan
data, yang berupa bilangan atau bukan bilangan disusun dalam bentuk tabel,
diagram atau grafik yang menggambarkan suatu persoalan. Statistik dipergunakan
untuk menjelaskan permasalahan tertentu, diberi nama sesuai dengan permasalahan
tersebut (Susetyo, 2010).
Statistika membahas metode-metode ilmiah untuk pengumpulan,

pengorganisasian, penyimpulan, dan analisis data, maupun menarik kesimpulan
yang valid dan membuat keputusan yang dapat diterima berdasarkan analisis.
Statistika deskriptif adalah metode yang berkaitan dengan pengumpulan dan
penyajian suatu gugus data sehingga memberikan informasi yang berguna.
Statistika deskriptif adalah suatu metode yang berkaitan dengan pengumpulan dan
penyajian suatu gugus data sehingga memberikan informasi yang berguna (Spiegel,
1996).
2.1.2 Istilah dalam Statistika
Istilah-istilah dalam statistika yaitu populasi, sampel, parameter dan statistik

(Susetyo, 2010):
1. Populasi adalah seluruh objek yang dikaji atau yang ditelaah

2. Sampel adalah bagian dari sebuah populasi.
3. Parameter adalah suatu metoda yang mengukur berdasarkan pada suatu
populasi data.
4. Statistika adalah suatu metoda yang mengukur berdasarkan pada suatu
sampel data.
8
UNIVERSITAS
WIDYATAMA
2.1.3 Definisi Statistika Deskriptif
Pengertian Statistika Deskriptif adalah metode statistika yang digunakan untuk

menggambarkan atau mendeskripsikan data yang telah dikumpulkan menjadi
sebuah informasi. (Purwanto S.K., 2012)
Statistika Deskriptif merupakan metode statistika yang berkaitan dengan

pengumpulan dan penyajian data untuk memberikan suatu informasi yang jelas dan
berguna bagi pembaca. Data yang dikumpulkan akan dianalisis lebih lanjut dan
disajikan dengan jelas dan baik, yaitu bisa disajikan dalam bentuk histogram,
diagram batang dan lain sebagainya. Sehingga pembaca dapat lebih mudah
memahami suatu data yang disajikan dalam bentuk histogram ataupun diagram
batang daripada membaca data yang ada di dalam buku laporan yang penuh dengan
tulisan dan gambar.
2.1.4 Jenis Statistika

A. Statistika Berdasarkan Tujuan Pengolahan Data
Berdasarkan tujuan pengolahan data terbagi atas dua kelompok, yaitu Statistika
Deskriptif dan Statistika inferensial atau induktif (Susetyo, 2010).
a. Statistika Deskriptif
Statistika deskriptif adalah bagian dari statistika yang membahas cara
pengumpulan dan penyajian data sehingga mudah untuk dipahami dan
memberikan informasi yang berguna.
b. Statistika Inferensial
Statistika inferensial adalah bagian dari statistika yang membahas cara
melakukan analisis data, menaksir, meramalkan, dan menarik kesimpulan
terhadap data, fenomena, persoalan yang lebih luas atau populasi
berdasarkan sebagian data sampel yang diambil secara acak dari populasi.
B. Statistika Berdasarkan Bentuk Parameter

Berdasarkan bentuk parameter terbagi atas dua bagian yaitu, Statistika parametrik
dan statistika nonparametrik (Susetyo, 2010).
9
UNIVERSITAS
WIDYATAMA
1. Statistika Parametrik
Statistika parametrik adalah teknik statistika yang parameter populasi atau
asumsi distribusi populasi data berdasarkan pada model distribusi normal
dan memiliki variansi yang homogen.
2. Statistika nonparametrik Statistika nonparametrik adalah teknik statistika
yang parameter populasinya atau asumsi distribusi populasi data yang tidak
mengikuti model distribusi tertentu atau bebas terdistribusi dan variansi
tidak harus homogen.
C. Statistika Berdasarkan Pengumpulan Data

Berdasarkan pengumpulan data statistika yaitu data kualitatif dan data kuantitatif
(Harinaldi, 2005).
1. Data Kualitatif
Data kualitatif adalah data yang tidak bisa dinyatakan dengan angka.
Contoh: tingkat kesejahteraan penduduk, peningkatan pembangunan. Data
kualitatif terdiri dari duamacam yaitu:
a. Data Nominal
Data nominal adalah jika suatu objek hanya menghasilkan satu dan
hanya satu-satunya kategori pada objek tersebut, maka data yang
diperoleh termasuk tipe nominal (data kategori). Pada data nominal
tidak ada perbedaan tingkatan derajat bobot data.
b. Data Ordinal
Data ordinal adalah data yang diperoleh dari suatu pengambilan data
terhadap suatu objek menghasilkan lebih dari satu kategori.
2. Data kuantitatif adalah data yang dapat dinyatakan denganangka. Contoh:
harga apel yaitu Rp 2.500,00. Data kuantitatif terdiri atas dua macam yaitu
(Harinaldi, 2005):
a. Data Diskrit
Data diskrit adalah data yang diperoleh dari suatu pencacahan atau
enumerasi. Data ini berbentuk bilangan-bilangan bulat 0, 1, 2, 3, ... dan
seterusnya.
10
UNIVERSITAS
WIDYATAMA
b. Data Kontinu
Data kontinu adalah data yang umumnya didapat dari suatu pengukuran
dengan suatu instrumen alat ukur. Data kontinu dapat dinyatakan dalam
bentuk data interval maupun data rasio (data titik).
2.1.5 Ukuran Pemusatan Data
Merurut Kusumo (2014) Ukuran pemusatan serta penafsirannya suatu rangkaian

data adalah suatu nilai dalam rangkaian data yang dapat mewakili rangkaian data
tersebut. Suatu rangkaian data biasanya memiliki kecenderungan untuk
terkonsentrasi atau terpusat pada nilai pemusatan ini. Ukuran statistik yang dapat
menjadi pusat rangkaian data dan memberi gambaran singkat tentang data disebut
ukuran pemusatan data.
Menganalisa data kuantitatif dimulai dengan menjelaskan karakteristik data.

Penjelasan tersebut didapatkan dari pendefinisian ukuran-ukuran numerik yang
dihitung dari pusat data tersebut. Nantinya hasil ukuran pemusatan data dapat
djadikan pedoman untuk mengamati karakter dari sebuah data. Ukuran pemusatan
data dapat berupa mean (rata-rata), median, dan modus.
A. Mean (Rata-rata)
Mean adalah jumlah nilai pada data dibagi dengan banyaknya data tersebut.
Ukuran ini mudah dihitung dengan memanfaatkan semua data yang
dimiliki, jika ada sekelompok data maka untuk menyebut ukuran numerik
sebagai wakil dari data sering dipakai rata-rata hitung.
Rumus yang digunakan untuk menghitung mean data adalah:
 Xi
X i 1
n
Keterangan: 𝑋𝑖 = data ke-i

𝑛 = banyaknya data
11
UNIVERSITAS
WIDYATAMA
B. Median (Nilai Tengah)

Median adalah suatu nilai tengah yang telah diurutkan dari data terkecil ke
data terbesar. Rumus yang digunakan untuk menghitung median adalah:
Untuk n ganjil Untuk n genap
𝑀𝑒 = 𝑥1(𝑛+1) 𝑥𝑛 + 𝑥𝑛+1
2 2
2 𝑀𝑒 =
2
Keterangan:
𝑛
𝑥𝑛 adalah data pada urutan ke setelah diurutkan. (Kusumo, 2014)
2 2
C. Modus
Modus adalah data yang nilai terjadinya sering muncul atau yang
mempunyai frekuensi paling tinggi. Suatu distribusi mungkin tidak
memiliki modus dengan kata lain modus tidak selalu ada. Hal ini bila semua
pengamatan hanya mempunyai satu frekuensi saja.
2.1.6 Ukuran Penyebaran Data
Ukuran penyebaran data adalah ukuran yang memberikan gambaran seberapa besar
data menyebar dari titik-titik pemusatan. Nilai sentral kurang bermanfaat apabila
tidak diketahui nilai pemencaran atau penyimpangan tiap datanya terhadap nilai
tengah, jika suatu data mempunyai nilai yang terlalu jauh menyimpang dari nilai
sentralnya, maka data tersebut kurang akurat untuk menggambarkan keseluruhan
data. Ukuran penyebaran data dapat meliputi range, variansi, standar deviasi, dan
jangkauan antar kuartil.
A. Range
Range adalah selisih atau jarak antara nilai maksimum dengan nilai
minimum. Rumus yang digunakan untuk menghitung range adalah:
R = Rmax - Rmin
12
UNIVERSITAS
WIDYATAMA
B. Variansi
Variansi adalah suatu besaran yang mengukur besarnya ragam data.
Semakin besar ragam data maka nilai variansi semakin besar, demikian
sebaliknya. Dalam industri, variansi disebut juga ukuran presisi proses dan
rata-rata sebagai akurasi proses. Rumus yang digunakan untuk menghitung
variansi adalah:
(𝑥𝑖−𝑥)2
𝜎 2 = ∑𝑛𝑖=1 𝑛
Keterangan:
𝛔2 = Variansi 𝑥 = Rata-rata
Xi = Nilai Tengah n = Banyak data
C. Standar Deviasi
Standar deviasi adalah akar dari jumlah kuadrat deviasi dibagi dengan
banyaknya data.
𝒏
(𝒙𝒊 − 𝒙)𝟐
𝜎 = √∑
𝒏
𝒊=𝟏
Keterangan:
𝛔 = Standar Deviasi 𝑋̅ = Rata-rata
Xi = Nilai Tengah n = Banyak data
D. Jangkauan Antar Kuartil

Jangkauan antar kuartil adalah selisih dari nilai kuartil ketiga dan kuartil
pertama
H = Q3 – Q1
Keterangan:
Q3 = Kurtil kelas ketiga Q1 = Kuartil kelas pertama.
13
UNIVERSITAS
WIDYATAMA
2.2 TEORI PROBABILITAS

2.2.1 Definisi Probabilitas
Probabilitas adalah suatu indeks atau nilai yang digunakan untuk menentukan
tingkat terjadinya suatu kejadian yang bersifat random (acak). Probabilitas
merupakan indeks atau nilai maka probabilitas memiliki batas-batas yaitu mulai
dari 0 sampai dengan 1. Pengertian probabilitas dapat dilihat melalui tiga macam
pendekatan yaitu pendekatan klasik, pendekatan frekuensi relatif, dan pendekatan
subjektif (Hasan, 2001):
1. Pendekatan klasik
Probabilitas diartikan menurut pendekatan klasik sebagai hasil bagi dari
banyaknya peristiwa yang dimaksud dengan seluruh peristiwa yang
mungkin. Menurut pendekatan klasik, probabilitas dirumuskan:
Keterangan:
P(A) = Probabilitas terjadinya kejadian A
X = Peristiwa yang dimaksud
n = banyaknya peristiwa yang mungkin
2. Pendekatan frekuensi relatif
Menurut pendekatan frekuensi relatif, probabilitas diartikan sebagai:
a. Proporsi waktu terjadinya suatu peristiwa dalam jangka panjang,
jika kondisi stabil atau
b. Frekuensi relatif dari seluruh peristiwa dalam sejumlah besar
percobaan.
Probabilitas frekuensi relatif sering jga disebut sebagai probabilitas
empiri. Menurut pendekatan ini probabilitas dirumuskan:
Keterangan:
P(Xi) = probabilitas peristiwa i
fi = frekuensi peristiwa i
n = banyaknya peristiwa yang bersangkutan
14
UNIVERSITAS
WIDYATAMA
3. Menurut pendekatan subjektif, probabilitas diartikan sebagai tingkat

kepercayaan individu yang didasarkan pada peristiwa masa lalu yang berupa
terkaan saja.
2.2.2 Manfaat Probabilitas dalam Penelitian
Manfaat probabilitas dalam kehidupan sehari-hari adalah membantu kita dalam

mengambil suatu keputusan, serta meramalkan kejadian yang mungkin terjadi. Jika
kita tinjau pada saat kita melakukan penelitian, probabilitas memiliki beberapa
fungsi antara lain;
1. Membantu peneliti dalam pengambilan keputusan yang lebih tepat.

Pengambilan keputusan yang lebih tepat dimagsudkan tidak ada keputusan
yang sudah pasti karena kehidupan mendatang tidak ada yang pasti kita
ketahui dari sekarang, karena informasi yang didapat tidaklah sempurna.
2. Dengan teori probabilitas kita dapat menarik kesimpulan secara tepat atas
hipotesis yang terkait tentang karakteristik populasi.
3. Menarik kesimpulan secara tepat atas hipotesis (perkiraan sementara yang
belum teruji kebenarannya) yang terkait tentang karakteristik populasi pada
situasi ini kita hanya mengambil atau menarik kesimpulan dari hipotesis
bukan berarti kejadian yang akan dating kita sudah ketehaui apa yang akan
tertjadi.
4. Mengukur derajat ketidakpastian dari analisis sampel hasil penelitian dari
suatu populasi.
2.2.3 Percobaan, Ruang Sampel, Titik Sampel dan Peristiwa
Percobaan adalah proses pelaksanaan pengukuran atau observasi yang

bersangkutan atau dapat juga dikatakan suatu kejadian yang memberikan suatu
hasil yang dapat diamati. Hasil yang diamati dalam suatu percobaan disebut hasil
percobaan. Ruang sampel adalah himpunan semua hasil yang mungkin pada suatu
percobaan. Ruang sampel suatu percobaan dapat dinyatakan dalam bentuk diagram
pohon atau tabel. Titik sampel adalah setiap anggota dari ruang sampel suatu
15
UNIVERSITAS
WIDYATAMA
percobaan, atau hasil dari percobaan atau anggota-anggota dari ruang sampel atau
kemungkinan-kemungkinan yang muncul (Hasan, 2001).
2.2.4 Probabilitas Beberapa Peristiwa
Probabilitas beberapa peristiwa merupakan probabilitas yang terjadi pada dua

peristiwa atau lebih, baik yang terjadi secara bersamaan maupun yang tidak terjadi
bersamaan. Perobabilitas beberapa peristiwa dibagi menjadi tiga macam yaitu
mutually exclusive, nonexclusive dan independen (Hasan, 2001).
1. Peristiwa saling lepas (mutually exclusive)

Dua peristiwa atau lebih disebut peristiwa saling lepas jika kedua atau lebih
peristiwa itu tidak dapat terjadi pada saat yang bersamaan. Jika peristiwa A
dan B saling lepas, probabilitas terjadinya peristiwa tersebut adalah:
P(A atau B) = P(A) + P(B) atau
P(A B) = P(A) + P(B)
Keterangan:
P(A) = Peluang peristiwa A
P(B) = Peluang peristiwa B
P(A B) = Peluang peristiwa A gabung peristiwa B
2. Peristiwa tidak saling lepas (nonexclusive)
Dua peristiwa atau lebih yang dapat terjadi bersamaan. Maka dari itu
peristiwa tidak saling lepas juga disebut sebagai peristiwa bersama. Jika
peristiwa A dan B tidak saling, maka probabilitasnya dirumuskan dengan:
P(A atau B) = P(A) + P(B) – P(A dan B)
P(A B) = P(A) + P(B) – P(A B)
Keterangan:
P(A) = Peluang peristiwa A
P(B) = Peluang peristiwa B
P(A B) = Peluang peristiwa A gabung peristiwa B
P(A B) = Peluang peristiwa A iris peristiwa B
16
UNIVERSITAS
WIDYATAMA
3. Peristiwa saling bebas (peristwa independen)

Dua peristiwa atau lebih apabila terjadi dimana satu peristiwa tidak
mempengaruhi peristiwa yang lain. Probabilitas ini dapat dibedakan
menjadi tiga macam, yaitu:
a. Probabilitas marginal atau probabilitas tidak bersyarat
Probabilitas marginal merupakan probabilitas terjadinya suatu peristiwa
yang tidak memiliki hubungan dengan peristiwa yang lain. Artinya
peristiwa-peristiwa tersebut tidak saling mempengaruhi.
b. Probabilitas gabungan
Perobabilitas gabungan merupakan dua peristiwa atau lebih yang terjadi
secara berurutan dan peristiwa-peristiwa tersebut tidak saling
mempengaruhi. Probabilitas peristiwa jika peristiwa A dan peristiwa B
merupakan probabilitas gabungan adalah:
P(A dan B) = P(A B) = P(A) x P(B)
Jika peristiwa A, B, dan C gabung maka probabilitasnya adalah:
P(A B C) = P(A B) = P(A) x P(B) x P(C)
Keterangan:
P(A B C) = irisan antara peluang peristiwa A dan B dan C
P(A B) = irisan antara peluang peristiwa A dan B
P(B) x P(C) = peluang terjadinya peristiwa A terhadap C
P(A) x P(B) = hasil kali peluang terjadinya peristiwa A terhadap B
c. Probabilitas bersyarat merupakan perobabilitas terjadinya suatu
peristiwa dengan syarat peristiwa lain harus terjadi. Peristiwa –peristiwa
tersebut tidak saling mempengaruhi. Probabilitas bersyarat dirumuskan:
P(A/B) = P(B)
Keterangan:
P(B) = peluang terjadinya peristiwa B
P(A/B) = hasil bagi peluang terjadinya peristiwa A terhadap B
2.2.5 Irisan 2 Kejadian

Irisan dua kejadian A dan B dilambangkan dengan A ∩ B. Adalah kejadian yang
mengandung semua unsur persekutuan kejadian A dan B. Unsur-unsur dalam
17
UNIVERSITAS
WIDYATAMA
himunan A ∩ B mewakili terjadinya secara sekaligus kejadian A dan B, oleh karena

itu haruslah merupakan unsur-unsur dan hanya unsur-unsur yang termasuk dalam
A dan B sekaligus. Unsur-unsur itu dapat diperinci menurut kaidah A ∩ B = {x | x
€ A dan € B}, sedangkan lambang € “anggota” atau “termasuk dalam”. Contoh A =
{1, 2, 3, 4, 5} dan B = {2, 4, 6, 8} maka A ∩ B = {2,4}.
2.2.6 Paduan 2 Kejadian
Paduan dua kejadian A dan B dilambangkan dengan A union B adalah kejadian yang
mencakup semua unsur atau anggota A atau B atau keduanya. Unsur-unsur A union
B dapat didefinisikan menurut kaidah A union B = {x|x € A atau x € B}. Contoh A
= {1, 3,5,7} dan B = {2, 4, 6, 8}, maka A union B = {1,2,3,4,5,6,7,8}.
2.2.7 Komplemen Suatu Kejadian
Komplemen atau pelengkap dari suatu himpunan adalah himpunan yang memiliki
anggota, dimana gabungan dari himpunan dan komplemennya adalah himpunan
semesta dan irisan himpunan dengan komplemennya adalah himpunan kosong.
Misalkan A adalah munculnya mata dadu ganjil dari sebuah dadu standar, maka A
= {1,3,5}. Karena S = {1,2,3,4,5,6}, maka komplemen dari A, dituliskan dengan
notasi Ac = munculnya mata dadu genap dari dadu standar atau Ac = {2,4,6}.
2.2.8 Kejadian Bersyarat
Probabilitas bersyarat dituliskan dengan P(A|B) yang menyatakan probabilitas A

bila diketahui B, dimana A dan B menyatakan kejadian acak. Probabilitas bersyarat
dapat dihitung menggunakan.
𝑃(𝐴∩𝐵)
P(A|B) = 𝑃(𝐵)
Dimana:
1. P(A|B) adalah probabilitas A dan B,
2. P(B) adalah probabilitas B dan P(B) > 0. Dengan kata lain kejadian B
merupakan syarat terjadinya kejadian A. Jika yang menjadi syarat adalah
kejadian A makadapat ditulis sebagai berikut:
𝑃(𝐴∩𝐵)
P(B|A) = 𝑃(𝐴)
18
UNIVERSITAS
WIDYATAMA
2.2.9 Permutasi
Permutasi adalah suatu susunan yang dibentuk dari suatu kumpulan benda yang
diambil sebagian atau seluruhnya dengan memperhatikan urutan. Hal yang perlu
diperhatikan dalam permutasi adalah bahwa objek-objek yang ada harus dapat
“dibedakan” antara yang satu dengan yang lain. Contoh : {1,2,3} tidak sama dengan
{2,3,1} dan {3,1,2}.
2.2.9.1 Permutasi Menyeluruh

Penyusunan semua objek ke dalam suatu urutan tertentu. Komposisi yang mungkin
dapat dicari dengan menggunakan rumus: nPn = n!.
2.2.9.2 Permutasi Sebagian

Penyusunan sebagian objek ke dalam suatu urutan tertentu. Jumlah permutasi suatu
kelompok yang terdiri atas n objek yang berbeda yang kemudian diambil sekaligus
𝑛!
sebanyak tanpa pengulangan akan sebanyak: nPr = (𝑛−𝑟)!
2.2.9.3 Permutasi Keliling

Sejumlah n objek yang berbeda dapat disusun secara teratur dalam sebuah siklus
dengan rumus: (n-1)!
2.2.10 Kombinasi
Kombinasi adalah penyusunan suatu data secara teratur tanpa memperhatikan

urutan, jadi apabila komponennya sama meskipun urutannya berbeda kombinasi ini
dianggap sama, misalnya AD = DA.
2.2.10.1 Kombinasi Menyeluruh

Kombinasi menyeluruh adalah penyusunan semua objek ke dalam suatu tempat
denganurutan yang tidak diperhatikan. Komposisi yang mungkin dapat dicari
dengan: nCn = 1
2.2.10.2 Kombinasi Sebagian

Kombinasi adalah penyusunan sebagian objek ke dalam suatu tempat dan urutan
tideak diperhatikan. Jumlah kombinasi dari suatu kelompok yang terdiri dari n
19
UNIVERSITAS
WIDYATAMA
objek yang berbedayang kemudian diambil sekaligus sebanyak r tanpa

𝑛!
pengulangan, maka akan diperoleh cara sebanyak: nCr =(𝑛−𝑟)!𝑟!
2.3 DISTRIBUSI PROBABILITAS

2.3.1 Binomial dan Hipergeometrik
2.3.1.1 Definisi Distribusi Probabilitas
Distribusi peluang adalah tabel, grafik atau rumus yang memberikan nilai peluang
dari sebuah peubah acak. Berdasarkan karakteristik peubah acaknya, distribusi
peluang dapat dibedakan menjadi dua yaitu distribusi peluang diskrit dan distribusi
peluang kontinu. Distribusi peluang diskrit adalah distribusi peluang dimana
semesta peubah acaknya dapat dihitung atau berhingga. Macam-macam distribusi
peluang diskrit ada 6 yaitu distribusi Binomial, distribusi Binomial Negatif,
distribusi Multinomial, distribusi Geometrik, distribusi Hipergeometrik, dan
distribusi Poisson. Distribusi peluang kontinu adalah distribusi peluang dimana
semesta peubah acaknya tak tehingga jumlahnya. Macam-macam distribusi
peluang kontinu ada 4 yaitu distribusi Normal, distribusi Gamma, distribusi
Eksponensial dan distribusi Chi-Square.
2.3.1.2 Variabel Acak
Variabel acak atau peubah acak adalah suatu fungsi yang nilainya berupa bilangan
nyata yang ditentukan oleh setiap unsur dalam ruang contoh. Peubah acak
dinyatakan dengan huruf kapital, misalnya X sedangkan nilainya dinyatakan dengan
huruf kecil padanannya misalnya x. Variabel acak dapat dibedakan menjadi:
a) Variabel acak diskrit
adalah variabel yang dapat memiliki sejumlah nilai yang bisa dihitung.
b) Variabel acak kontinu.
adalah variabel acak yang dapat memiliki nilai tak terhingga, berkaitan
dengan titik-titik dalam suatu interval.
20
UNIVERSITAS
WIDYATAMA
2.3.1.3 Distribusi Probabilitas Kontinu
Distribusi peluang kontinu adalah suatu ruang contoh mengandung tak terhingga
banyaknya titik contoh yang sama dengan banyaknya titik pada sebuah garis.
Macam-macam Distribusi Probabilitas Kontinu antara lain:

1. Distribusi Probabilitas Normal,
2. Distribusi Probabilitas Gamma,
3. Distribusi Probabilitas Eksponensial,
4. Distribusi Probabilitas Chi-Square.
2.3.1.4 Distribusi Probabilitas Diskrit
Distribusi peluang diskrit adalah suatu ruang contoh yang mengandung jumlah titik
contoh yang terhingga atau suatu barisan unsur yang tidak pernah berakhir tetapi
yang sama banyaknya dengan bilangan cacah.
Macam-macam Distribusi Probabilitas Diskrit antara lain:

1. Distribusi Probabilitas Binomial,
2. Distribusi Probabilitas Hipergeometrik,
3. Distribusi Probabilitas Poisson,
4. Distribusi Probabilitas Geometrik,
5. Distribusi Probabilitas Biomial Negatif.
2.3.1.5 Distribusi Probabilitas Binomial
Suatu percobaan dimana pada setiap perlakuan hasilnya hanya ada dua
kemungkinan yaitu proses dan gagal dalam n ulangan yang bebas.
Ciri-ciri distribusi peluang binomial adalah sebagai berikut:
1. Percobaan terdiri dari atas n ulangan
2. Setiap ulangan hasilnya digolongkan dalam sukses dan gagal
3. Peluang sukses dilambangkan dengan p, sedangkan gagal (1- p) atau q
4. Ulangan-ulangan tersebut bersifat saling bebas satu sama lain.
21
UNIVERSITAS
WIDYATAMA
Distribusi peluang binomial dilambangkan dengan:
𝑛
𝑏(𝑥; 𝑛; 𝑝) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 untuk x = 0, 1, 2, 3 . . . , n
𝑥
Keterangan:
n = Banyaknya data
x = Banyak keberhasilan dalam peubah acak X
p = Peluang berhasil pada setiap data
q = Peluang gagal (1 – p) pada setiap data
Rata-rata dan variansi distribusi probabilitas binomial
𝜇 = 𝑛. 𝑝
𝜎 2 = 𝑛. 𝑝. 𝑞
Keterangan:
𝜇 = rata-rata
𝜎 2 = variansi
n = banyak data
p = peluang keberhasilan pada setiap data
q = peluang gagal (atau 1 – p) pada setiap data
2.3.1.6 Distribusi Probabilitas Hipergeometrik
Bila dalam N populasi benda, k benda diberi label berhasil dan (N-k) benda lainnya
diberi label gagal, maka distribusi probabilitas bagi peubah acak hipergeometrik X
yang menyatakan banyaknya keberhasilan dalam contoh acak berukuran n.
𝑘 𝑁−𝑘
( )( )
𝑥 𝑛−𝑥
ℎ(𝑥; 𝑁, 𝑛, 𝑘) = 𝑁 untuk x = 0, 1, 2, . . ., k
( )
𝑛
22
UNIVERSITAS
WIDYATAMA
Rata-rata dan variansi distribusi peluang hipergeometrik:
𝑛𝑘
𝜇=
𝑁
𝑁−𝑛 𝑘 𝑘
𝜎2 = 𝑛 (1 − )
𝑁−1 𝑁 𝑁
Keterangan:
𝜇 = Rata-rata
𝜎2 = Variansi
N = Ukuran populasi
x = Jumlah terambil dari kelompok sukses
n = Jumlah sampel
k = Jumlah sukses
2.3.2 Poisson dan Eksponensial
2.3.2.1 Pengertian Distribusi Poisson

Distribusi probabilitas Poisson merupakan distribusi probabilitas diskret yang
menyatakan peluang jumlah peristiwa yang terjadi pada periode waktu tertentu
apabila rata-rata kejadian tersebut diketahui dan dalam waktu yang saling bebas
sejak kejadian terakhir. Distribusi Poisson juga dapat digunakan untuk jumlah
kejadian pada interval tertentu seperti jarak, luas, atau volume.
Apabila nilai harapan kejadian pada suatu interval adalah 𝜆, maka probabilitas
terjadi peristiwa sebanyak k kali (k adalah bilangan bulat non negatif, k = 0, 1, 2,
...) maka sama dengan:
𝜆𝑘 𝑒 −𝜆
𝑓(𝑘; 𝜆) =
𝑘!
Dimana:
a. e adalah basis logaritma natural (e = 2.71828...).

b. k adalah jumlah kejadian suatu peristiwa atau peluang yang diberikan oleh
fungsi ini.
c. k! adalah faktorial dari k.
23
UNIVERSITAS
WIDYATAMA
d. λ adalah bilangan riil positif, sama dengan nilai harapan peristiwa yang
terjadi dalam interval tertentu. Misalnya, peristiwa yang terjadi rata-rata 4
kali per menit, dan akan dicari probabilitas terjadi peristiwa k kali dalam
interval 10 menit, digunakan distribusi Poisson sebagai model dengan
λ = 10×4 = 40.
Sebagai fungsi k, ini disebut fungsi massa probabilitas. Distribusi Poisson dapat
diturunkan sebagai kasus terbatas distribusi binomial. Distribusi Poisson dapat
diterapkan pada sistem dengan kejadian berjumlah besar yang yang mungkin
terjadi, yang mana kenyataannya cukup jarang. Distribusi Poisson ini hampir sama
dengan distribusi binomial, hanya saja jumlah percobaan yang diulang (sampel)
sangat besar dan probabilitasnya terjadi peristiwa sukses sangat kecil.
Distribusi Poisson sebagai suatu bentuk pembatasan distribusi binomial pada saat
n besar, sedangkan p mendekati 0 , dan np konstan. Sehingga bila n besar dan p
mendekati 0, distribusi Poisson dapat digunakan untuk memperkirakan probabilitas
binomial, dengan  = n.p
2.3.2.2 Karakeristik Distribusi Poisson
Karakteristik distribusi Poisson diantaranya:

1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau
suatu daerah tertentu, tidak tergantung pada banyaknya hasil percobaan
yang terjadi pada selang waktu atau daerah lain yang terpisah.
2. Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat atau dalam suatu daerah yang kecil, sebanding dengan panjang
selang waktu tersebut atau besarnya derah tersebut. Dan tidak tergantung
pada banyaknya hasil percobaan yang terjadi diluar selang waktu atau
daerah tersebut.
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang
waktu yang singkat tersebut atau dalam daerah yang terkecil tersebut, dapat
diabaikan.
24
UNIVERSITAS
WIDYATAMA
2.3.2.3 Kegunaan Distribusi Poisson
Kegunaan distribusi Poisson untuk mengukur probabilitas dari variabel random

yang mencakup rentang yang cukup panjang. Distribusi Poisson juga berguna untuk
mengukur peluang yang mungkin terjadi dalam waktu atau daerah tertentu.
Distribusi Poisson juga digunakan untuk menghitung distribusi binominal dengan
mean dari distribusi Poisson ditetapkan sesuai dengan nilai mean n.p dari distribusi
binominal yang telah diketahui. Distribusi Poisson memiliki aplikasi, terutama
dalam menghitung atau mengolah suatu data, diantaranya aplikasi distribusi
Poisson ini adalah digunakan dalam menghitung data antrean yang terjadi selama
selang waktu atau daerah tertentu.
2.3.2.4 Karakteristik Distribusi Eksponensial
Distribusi Eksponensial adalah salah satu distribusi dalam statistika yang digunakan
untuk perhitungan dalam kasus antrean, dimana Distribusi Eksponensial ini
digunakan untuk dua selang waktu antrean. Distribusi Eksponensial biasanya
berguna untuk mendeskripsikan waktu antar kedatangan dan waktu pelayanan
dalam teori antrean. Distribusi Eksponensial memiliki ciri-ciri sebagai berikut:
1. Waktu antar kejadian bersifat acak.
2. Waktu antar kejadian berikutnya independen terhadap waktu antar kejadian
sebelumnya.
3. Waktu pelayanan dalam antrean tergantung dari unit yang dilayani.
Berikut ini merupakan fungsi probabilitas dari distribusi eksponensial:
𝑃(𝑥) = 𝜆𝑒 −𝜆𝑥 , 𝜆 > 0
Dimana:
λ = Rata-rata pelayanan
e = Nilai Logaritma ( e = 2,71828 )
x = Waktu lamanya pelayanan tiap unit
Adapun karakeristik Distribusi Eksponensial sebagai berikut:
1. Mempunyai nilai variansi.
2. Mempunyai nilai mean.
3. Pencarian pada Distribusi Eksponensial menggunakan variabel I.
25
UNIVERSITAS
WIDYATAMA
4. Peluang yang terjadi pada suatu percobaan mempengaruhi selisih waktu yang
terjadi pada percobaan tersebut.
5. Mempunyai nilai b > 0.
Distribusi Eksponensial berguna dalam mencari selisih waktu yang terjadi dalam
suatu peluang pada daerah tertentu, dalam aplikasinya Distribusi Eksponensial ini
sangat berperan sekali seperti:
a) Mengukur selisih waktu antara orang ke-1 dan ke-2 dalam suatu antrean.
b) Distribusi ini juga berguna untuk mengukur tingkat kegagalan yang
mungkin terjadi dalam suatu peluang.
c) Distribusi Eksponensial juga berguna dalam mencari peubah acak kontinu
x, dengan menggunakan variabel random (bilangan acak).
2.3.2.5 Teori Antrean
Teori antrean adalah cabang dari terapan teori probabilitas yang awalnya digunakan
untuk mempelajari kemacetan lalu lintas telepon, pertama kali diperkenalkan oleh
seorang ahli matematika dari Denmark. Proses antrean adalah suatu proses yang
berhubungan dengan kedatangan seorang pelangan pada suatu fasilitas pelayanan
kemudian menunggu dalam suatu baris atau antrean karena pelayannya sedang
sibuk dan akhirnya meninggalkan sistem setelah selesai dilayani, sedangkan yang
dimaksud dengan sistem antrean adalah himpunan pelanggan, pelayan dan suatu
aturan yang mengatur kedatangan para pelanggan dan pemrosesan masalahnya.
A. Elemen Sistem Antrean

Elemen sistem antrean merupakan komponen yang merupakan bagian atau anggota
dari sistem antrean yaitu:
1. Pelanggan
Pelanggan adalah orang atau barang yang menunggu untuk dilayani. Arti
dari pelanggan tidak harus berupa orang, misalnya saja antrean pada loket
pembayaran di supermarket.
2. Pelayan
Pelayan adalah orang atau sesuatu yang memberikan pelayanan. Seperti
halnya pelanggan, pelayan juga tidak harus berupa orang. Misalnya pada
26
UNIVERSITAS
WIDYATAMA
pengambilan uang melalui ATM, mesin ATM dalam hal ini merupakan
pelayan.
3. Antrean
Antrean merupakan kumpulan pelanggan yang menunggu untuk dilayani.
B. Karakteristik Antrean
Karakteristik yang dapat dilihat dari suatu sistem antrean antara lain:
1. Distribusi kedatangan (kedatangan tunggal atau kelompok)

Distribusi kedatangan dari pelanggan dapat dilihat dari waktu antar
kedatangan 2 pelanggan yang berurutan (interarrival time). Pola
kedatangan ini dapat bersifat deterministik (pasti) maupun stokastik (acak).
2. Distribusi waktu pelayanan (pelayanan tunggal atau kelompok)
Distribusi pelayanan dapat bersifat deterministik maupun stokastik. Waktu
pelayanan yang sifatnya tetap disebut deterministik.
3. Sarana pelayanan (stasiun serial, paralel atau jaringan)
Rancangan sarana pelayanan ini, didalamnya termasuk juga jumlah server
(pelanggan) yang dimiliki oleh sistem pelayanan.
4. Peraturan pelayanan FCFS (First Come First Served), LCFS (Last Come
First Served), SIRO (Served in Random Order) dan prioritas pelayanan.
Peraturan yang dimaksud adalah prosedur yang dapat digunakan oleh para
pelayan untuk memutuskan urutan pelanggan yang dilayani dari antrean.
5. Ukuran antrean (terhingga atau tidak terhingga)
Ukuran antrean artinya jumlah maksimum pelanggan yang diizinkan berada
dalam sistem pelayanan (dalam antrean dan dalam pelayanan).
6. Sumber pemanggilan (terhingga atau tidak terhingga)
Ukuran sumber pemanggilan merupakan ukuran populasi yang potensial
untuk menjadi pelanggan (calling population).
7. Perilaku manusia (perpindahan, penolakan, atau pembatalan)
Sistem antrean di dalamnya terkadang terjadi perilaku pelanggan yang
keluar dari prosedur. Reneging (pembatalan) yaitu meninggalkan antrean
sebelum dilayani, balking (penolakan) yaitu menolak untuk memasuki
antrean.
27
UNIVERSITAS
WIDYATAMA
2.4 STATISTIK PARAMETIK DAN NON-PARAMETRIK

2.4.1 Definisi Statistik Parametrik
Ilmu statistika yang mempertimbangkan jenis sebaran atau distribusi data, yaitu
apakah data menyebar normal atau tidak. Umumnya, jika data tidak menyebar
normal, maka data harus dikerjakan dengan metode Statistika Non-Parametrik, atau
setidak-tidaknya dilakukan transformasi agar data mengikuti sebaran normal,
sehingga bisa dikerjakan dengan statistika Parametrik. Asumsi yang digunakan
dalam statistika Parametrik adalah data harus berdistribusi normal, homogen, dan
linear serta data harus dalam skala interval dan rasio.
2.4.2 Pengujian Hipotesis
Hipotesis berasal dari bahasa Yunani, yaitu hupo dan thesis. Hupo berarti lemah,
kurang, atau di bawah dan thesis berarti teori, proposisi, atau pernyataan yang
disajikan sebagai bukti. Hipotesis dapat diartikan sebagai suatu pernyataan yang
masih lemah kebenarannya dan perlu dibuktikan atau dugaan yang sifatnya masih
sementara.
Hipotesis statistik adalah pernyataan atau dugaan mengenai keadaan populasi yang
sifatnya masih sementara atau lemah kebenarannya. Hipotesis statistik akan
diterima jika hasil pengujian membenarkan pernyataannya dan akan ditolak jika
terjadi penyangkalan dari pernyataannya. Pengujian hipotesis, keputusan yang
dibuat mengandung ketidakpastian, artinya keputusan bisa benar atau salah,
sehingga menimbulkan resiko. Besar kecilnya resiko dinyatakan dalam bentuk
probabilitas.
2.4.3 Prosedur Pengujian Hipotesis
Langkah-langkah pengujian hipotesis statistik adalah sebagai berikut:
1. Menentukan Formulasi Hipotesis

Formulasi atau perumusan hipotesis statistik dapat dibedakan atas dua jenis,
yaitu sebagai berikut :
28
UNIVERSITAS
WIDYATAMA
a. Hipotesis nol atau hipotesis nihil.

Hipotesis nol, disimbolkan H0 adalah hipotesis yang dirumuskan
sebagai suatu pernyataan yang akan diuji.
b. Hipotesis alternatif atau hipotesis tandingan.
Hipotesis alternatif disimbolkan H1 atau Ha adalah hipotesis yang
dirumuskan sebagai lawan atau tandingan dari hipotesis nol.
Tabel 2. 1 Hipotesis
Pengujian Sisi Kanan Pengujian Sisi Kiri Pengujian Dua Sisi
H0 : 𝜃 = 𝜃 0 H0 : 𝜃 = 𝜃 0 H0 : 𝜃 = 𝜃 0
H1 : 𝜃 > 𝜃 0 H1 : 𝜃 < 𝜃 0 H1 : 𝜃 ≠ 𝜃 0
(Sumber: Win, 2009:2)

2. Menentukan Taraf Nyata (Significant Level)
Taraf nyata adalah besarnya batas toleransi dalam menerima kesalahan hasil
hipotesis terhadap nilai parameter populasinya. Taraf nyata dilambangkan
dengan 𝛼 (alpha) semakin tinggi taraf nyata yang digunakan, semakin tinggi
pula penolakan hipotesis nol atau hipotesis yang diuji, padahal hipotesis nol
benar. Besarnya nilai a bergantung pada keberanian pembuat keputusan
yang dalam hal ini berapa besarnya kesalahan yang akan ditolerir. Besarnya
kesalahan tersebut disebut sebagai daerah kritis pengujian (critical region
of test) atau daerah penolakan (region of rejection).
3. Menentukan Kriteria Pengujian
Kriteria pengujian adalah bentuk pembuatan keputusan dalam menerima
atau menolak hipotesis nol (H0) dengan cara membandingkan nilai Ztabel
distribusinya (nilai kritis) dengan nilai uji statistiknya, sesuai dengan bentuk
pengujiannya.
a. Penerimaan H0 terjadi jika nilai uji statistiknya lebih kecil atau lebih
besar daripada nilai positif atau negatif dari Ztabel. Atau nilai uji
statistik berada di luar nilai kritis.
b. Penolakan H0 terjadi jika nilai uji statistiknya lebih besar atau lebih
kecil daripada nilai positif atau negatif dari Ztabel. Atau nilai uji
statistik berada di dalam nilai kritis.
29
UNIVERSITAS
WIDYATAMA
Uji Dua Pihak Uji Satu Pihak Kanan Uji Satu Pihak Kiri
Gambar 2. 1 Kurva Distribusi Normal

(Sumber: Win, 2009:3)
4. Menentukan Nilai Uji Statistik

Uji statistik merupakan rumus-rumus yang berhubungan dengan distribusi
tertentu dalam pengujian hipotesis. Uji statistik merupakan perhitungan
untuk menduga parameter data sampel yang diambil secara random dari
sebuah populasi.
5. Membuat Kesimpulan
Pembuatan kesimpulan merupakan penetapan keputusan dalam hal
penerimaan atau penolakan hipotesis nol (H0), sesuai dengan kriteria
pengujiannya. Pembuatan kesimpulan dilakukan setelah membandingkan
nilai uji staistik dengan nilai Ztabel atau nilai kritis.
2.4.4 Jenis-jenis Pengujian Hipotesis
Jenis-jenis pengujian hipotesis terdiri dari empat yaitu berdasarkan jenis-jenis

parameter, berdasarkan jumlah sampel, berdasarkan jenis distribusi, dan
berdasarkan arah formulasi hipotesis. Berikut akan dijelaskan jenis-jenis pengujian
hipotesis yang telah disebutkan.
A. Berdasarkan Jenis-jenis Parameter

Didasarkan atas jenis parameter yang digunakan, pengujian hipotesis dapat
dibedakan atas tiga jenis, yaitu sebagai berikut:
1. Pengujian Hipotesis tentang Rata Rata
Pengujian hipotesis mengenai rata rata populasi yang didasarkan atas
informasi sampelnya. Pengujian hipotesis tentang rata-rata dapat dibagi
menjadi 3 yaitu pengujian hipotesis satu rata rata, beda dua rata rata, dan
beda tiga rata rata.
30
UNIVERSITAS
WIDYATAMA
2. Pengujian Hipotesis tentang Proporsi

Pengujian hipotesis mengenai proporsi populasi yang didasarkan atas
informasi (data) sampelnya. Pengujian hipotesis tentang proporsi dapat
dibagi menjadi 3 yaitu pengujian hipotesis satu proporsi, beda dua
proporsi, dan beda tiga proporsi.
3. Pengujian Hipotesis tentang Varians

Pengujian hipotesis mengenai varians populasi yang didasarkan atas
informasi sampelnya. Pengujian hipotesis tentang varians dapat dibagi
menjadi 2 yaitu pengujian hipotesis tentang satu varians dan tentang
kesamaan dua varians.
B. Berdasarkan Jumlah Sampel

Didasarkan atas ukuran sampelnya, pengujian hipotesis dapat dibedakan
atas dua jenis, yaitu sebagai berikut:
1. Pengujian hipotesis sampel besar yang menggunakan sampel lebih
besar dari 30.
2. Pengujian hipotesis sampel kecil yang menggunakan sampel lebih kecil
atau sama dengan 30.
C. Berdasarkan Jenis Distribusi

Berdasarkan atas jenis distribusi yang digunakan, pengujian hipotesis
dibedakan atas empat jenis, yaitu sebagai berikut:
1. Pengujian Hipotesis dengan Distribusi Z
Pengujian hipotesis yang menggunakan distribusi Z sebagai uji statistik.
Tabel pengujiannya disebut tabel normal standar. Hasil uji statistik ini
kemudian dibandingkan dengan nilai dalam tabel untuk menerima atau
menolak hipotesis nol (H0) yang dikemukakan. Pengujian hipotesis
dengan distribusi Z dapat dibagi menjadi 2 yaitu pengujian hipotesis satu
dan beda dua rata rata sampel besar serta pengujian hipotesis beda dua
proporsi.
2. Pengujian Hipotesis dengan Distribusi t (t-student)

Pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik.
Tabelnya disebut tabel t-student. Hasil uji statistiknya kemudian
31
UNIVERSITAS
WIDYATAMA
dibandingkan dengan nilai yang ada pada tabelnya untuk menerima atau
menolak hipotesis nol yang dikemukan, yang termasuk pengujian
hipotesis dengan distribusi t adalah pengujian hipotesis rata rata (satu
dan beda dua rata rata) sampel kecil.
3. Pengujian Hipotesis dengan Distribusi Chi Kuadrat

Pengujian hipotesis yang menggunakan distribusi sebagai uji statistik.
Tabelnya disebut tabel chi square. Hasil uji statistik kemudian
dibandingkan dengan nilai yang ada pada tabelnya untuk menerima atau
menolak hipotesis nol yang dikemukakan. Pengujian hipotesis dengan
distribusi chi kuadrat dapat dibagi menjadi 3 yaitu pengujian hipotesis
beda tiga proporsi, independensi, dan kompabilitas.
4. Pengujian Hipotesis dengan Distribusi F (F-ratio)

Pengujian hipotesis yang menggunakan distribusi F (F-ratio). Tabel
pengujiannya disebut tabel F. Hasil uji statistiknya kemudian
dibandingkan dengan nilai yang ada pada tabel untuk menerima atau
menolak hipotesis nol yang dikemukakan. Pengujian hipotesis dengan
distribusi F dapat dibagi menjadi 2 yaitu pengujian hipotesis beda tiga
rata rata dan kesamaan dua varians.
D. Berdasarkan Arah Formulasi Hipotesis

Didasarkan atas arah atau bentuk formulasi hipotesisnya, pengujian
hipotesis dibedakan atas tiga jenis, yaitu sebagai berikut:
1. Pengujian hipotesis dua pihak (two tail test)
Pengujian hipotesis dimana hipotesis nol (H0) berbunyi “sama dengan”
dan hipotesis alternatifnya (H1) berbunyi “tidak sama dengan” (H0 =
dan H1 ≠).
2. Pengujian hipotesis pihak kiri atau sisi kiri

atau “lebih besar atau sama dengan” dan alternatifnya (H1) berbunyi
“lebih kecil” atau “lebih kecil atau sama dengan” (H0 = atau H0 dan H1
atau H1 ). Kalimat “lebih kecil” atau “sama dengan” siNonim dengan
kata “paling sedikit” atau “paling kecil”.
32
UNIVERSITAS
WIDYATAMA
3. Pengujian hipotesis pihak kanan atau arah kanan

atau “lebih kecil atau sama dengan” dan alternatifnya (H1) berbunyi
“lebih besar” atau “lebih besar atau sama dengan” (H0 = atau H0 dan H1
atau H1 ). Kalimat “lebih besar” atau “sama dengan” sinonim dengan
kata “paling banyak” atau “paling besar”.
2.4.5 Pengujian Hipotesis Rata-rata
Pada pengujian hipotesis rata-rata, terdapat dua jenis pengujian, yaitu pengujian
hipotesis beda satu rata-rata dan pengujian hipotesis dua rata-rata.
A. Beda Satu Rata-rata

Pengujian hipotesis beda satu rata-rata terdiri dari 2 macam yaitu sampel
besar dan sampel kecil. Berikut ini adalah penjelasan dari masing-masing
macam pengujian hipotesis beda satu rata-rata.
1. Untuk pengujian hipotesis satu rata-rata dengan sampel besar (n > 30),
uji statistiknya menggunakan distribusi Z.
a. Formulasi hipotesis
Tabel 2. 2 Formulasi Hipotesis
Formulasi Hipotesis 1 Formulasi Hipotesis 2 Formulasi Hipotesis 3
H0 : µ = µ 0 H0 : µ = µ 0 H0 : µ = µ 0
H1 : µ > µ 0 H1 : µ < µ 0 H1 : µ ≠ µ 0
(Sumber: Iqbal, 2010:146)
b. Penentuan nilai α (taraf nyata) dan nilai Z tabel (Zα)
Menentukan nilai α sesuai soal, kemudian nilai Zα atau Zα/2
ditentukan dari tabel.
c. Kriteria pengujian
Tabel 2. 3 Kriteria Hipotesis
Untuk H0 : µ = µ0 dan Untuk H0 : µ = µ0 dan Untuk H0 : µ = µ0 dan
H1 : µ > µ 0 H1 : µ < µ 0 H1 : µ ≠ µ 0
H0 diterima jika
H0 diterima jika Z0 ≤ Zα H0 diterima jika Z0 ≥ -Zα -Zα/2 ≤ Z0 ≤ Zα/2
H0 ditolak jika Z0 > Zα/2
H0 ditolak jika Z0 > Zα H0 ditolak jika Z0 < -Zα atau Z0 < -Zα/2
(Sumber: Iqbal, 2010:146)
33
UNIVERSITAS
WIDYATAMA
d. Uji statistik
1) Simpangan baku populasi (σ) diketahui:
𝑥̅ − µ0 𝑥̅ − µ0
𝑍0 = σx̅
= σ
√𝑛
2) Simpangan baku populasi (σ) tidak diketahui:

𝑥̅ − µ0 𝑥̅ − µ0
𝑍0 = sx̅
= s
√𝑛
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan H0 (sesuai
dengan kriteria pengujiannya).
2.4.6 Definisi Statistik Non-Parametrik
Uji statistik Non Parametrik merupakan suatu uji statistik yang tidak memerlukan
adanya asumsi-asumsi mengenai sebaran data populasinya, maka dari itu statistik
ini juga dikemukakan sebagai statistik bebas sebaran. Statistika Non Parametrik
dapat digunakan untuk menganalisis data yang berskala nominal atau ordinal. Data
yang berskala ordinal atau nominal tidak menyebar secara normal. Statistik ini juga
digunakan pada data yang berjumlah kecil, atau kurang dari 30.
Asumsi yang berhubungan dengan uji statistik Non Parametrik yaitu:
a) Observasi haruslah independen
b) Data tidak berdistribusi normal
c) Pengukuran variabel dengan skala ordinal dan skala nominal
d) Jumlah sampel kecil
2.4.7 Keunggulan Uji Statistika Non-Parametrik
a. Jumlah sampel kecil atau terlalu kecil, maka tidak ada alternatif lain
menggunakan uji Non Parametrik kecuali distribusi populasi diketahui dengan
pasti.
b. Uji Non Parametrik memiliki asumsi yang lebih sedikit berkaitan dengan data
dan mungkin lebih relevan pada situasi tertentu. Hipotesis yang diuji dengan
Non Parametrik mungkin lebih sesuai dengan tujuan penelitian.
34
UNIVERSITAS
WIDYATAMA
c. Uji Non Parametrik dapat digunakan untuk menganalisis data secara inheren
yaitu data yang berbentuk rangking.
d. Uji Non Parametrik cocok untuk menguji data yang bersifat klasifikasi atau
kategorikal atau skala nominal.
e. Uji statistik Non Parametrik yang cocok untuk menguji sampel yang berasal
dari observasi yang diambil dari populasi yang berbeda.
f. Uji Non Parametrik umumnya mudah digunakan dan dipelajari dari pada uji
Parametrik.
Alternatif uji statistik Non Parametrik dapat dikelompokkan kedalam beberapa hal.
Sebenarnya ada banyak uji-uji tersebut, namun berdasarkan prosedurnya dapat
dikelompokan menjadi:
a. Prosedur untuk data dari sampel tunggal

b. Prosedur untuk data dari dua kelompok atau lebih sampel bebas.
c. Prosedur untuk data dari dua kelompok atau lebih sampel berpasangan.
d. Korelasi peringkat dan ukuran-ukuran asosiasi lainya.
A. Prosedur untuk Data dari Sampel Tunggal

Prosedur sampel tunggal biasanya bertipe Goodness of fit, kita menarik
sampel random dan kemudian menguji hipotesis apakah sampel tersebut
berasal dari suatu populasi dengan distribusi tertentu. Prosedur ini sebagai
berikut:
1) Perbedaan kecenderungan antara sampel dengan populasi.
2) Perbedaan antara frekuensi yang diamati dengan frekuensi yang
diharapkan dan sejenisnya.
Menggunakan statistik Parametrik pertanyaan tersebut di uji dengan uji-T,
pada statistik Non Parametrik diuji dengan binomial, uji chi kuadrat satu
sampel, dan uji Kolmogorov-Smirnov.
B. Prosedur untuk Sampel Dua Kelompok atau Lebih Sampel Bebas
Prosedur ini digunakan untuk membandingkan suatu variabel yang diukur
dari sampel yang tidak sama, dalam statistik Parametrik untuk
membandingkan nilai rata-rata dua kelompok independen digunakan uji-T,
Jika yang dibandingkan lebih dari 2 dua kelompok maka digunakan uji F
35
UNIVERSITAS
WIDYATAMA
(ANOVA). Statistik Non Parametrik alternatif dapat digunakan untuk

membandingkan suatu variabel dari dua kelompok sampel independen
antara lain: Uji Kemungkinan Eksak dari fisher, uji media, uji chi kuadrat
dua sampel, uji-U Mann-Whitney, Uji Kolmogorof-Smirnov dua sampel,
jika kelompok yang dibandingkan lebih dari dua, maka yang digunakan
adalah Uji Chi-Kuadrat k sampel, Uji Median, Analisis Varians Rangking
satu arah dan Uji Kruskal-Wallis.
C. Prosedur untuk Sampel Data dari Dua Kelompok atau Lebih Sampel
Berpasangan
Prosedur ini digunakan ketika ingin membandingkan suatu variabel yang
diukur dari sampel sama, dalam statistik Parametrik Jika ingin
membandingkan dua variabel yang diukur dari sampel yang sama dapat
menggunakan uji-T data berpasangan, jika ingin membandingkan lebih dari
2 kelompok maka digunakan uji-F (ANOVA). dalam Statistik Non
Parametrik jika kelompok yang dibandingkan ada dua maka digunakan Uji
Tanda. Uji Wilcoxon, Uji McNemar. Jika kelompok yang dibandingkan
lebih dari 2 maka digunakan uji kruskal-wallis, friedman’s two-way analysis
of variance dan cochran Q test.
D. Korelasi Peringkat dan Ukuran Asosiasi
Statistika Parametrik ukuran korelasi yang digunakan umumnya adalah
korelasi Product Moment Pearson. Diantara korelasi Non Parametrik yang
ekuivalen dengan koefisien korelasi standar ini dan umumnya digunakan
adalah Koefisien Kontingensi C, Speareman R, Kendal Tau dan Coefficien
Gamma, selain ketiga pengukuran tersebut, Chi Square yang berbasis tabel
silang juga relatif populer digunakan dalam mengukur korelasi antar
variabel.
2.5 REGRESI DAN KORELASI

2.5.1 Teori Regresi
Analisis statistika bertujuan untuk mengetahui apakah ada hubungan antara dua
atau lebih peubah. Bila hubungan demikian ini dapat dinyatakan dalam bentuk
rumus matematik, maka kita akan dapat menggunakannya untuk keperluan
36
UNIVERSITAS
WIDYATAMA
peramalan. Masalah peramalan dapat dilakukan dengan menerapkan persamaan

regresi. Istilah regresi berasal dari pengukuran yang dilakukan oleh Sir Francis
Galton yang membandingkan tinggi badan anak laki-laki dengan tinggi badan
ayahnya. Galton menunjukkan bahwa tinggi badan anak laki-laki dari ayah yang
tinggi beberapa generasi cenderung mundur (regressed) mendekati nilai tengah
populasi. Sekarang ini, istilah regresi ditetapkan pada semua jenis peramalan, dan
tidak harus berimplikasi suatu regresi mendekati nilai tengah populasi.
2.5.2 Definisi Regresi
Bila terdapat suatu data yang terdiri atas dua atau lebih variabel, adalah sewajarnya
untuk mempelajari cara bagaimana variabel-variabel itu saling berhubungan dan
saling mempengaruhi satu sama lain. Hubungan yang didapat pada umumnya
dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan
fungsional antara variabel-variabel. Studi yang menyangkut masalah ini dikenal
dengan analisis regresi.
Analisis regresi bertujuan untuk, pertama, mengestimasi atau menduga suatu

hubungan antara variabel-variabel ekonomi, misalnya Y = f(x). Kedua, melakukan
peramalan atau prediksi nilai variabel terikat (tidak bebas) atau dependent variable
berdasarkan nilai variabel terkait (variabel independen atau bebas). Penetuan
variabel mana yang bebas dan mana yang terkait dalam beberapa hal tidak mudah
dilaksanakan. Studi yang cermat, diskusi yang seksama (dengan para pakar),
berbagai pertimbangan, kewajaran masalah yang dihadapi dan pengalaman akan
membantu memudahkan penetuan kedua variabel tersebut.
Menentukan persamaan hubungan antarvariabel, langkah-langkahnya sebagai

berikut:
1. Mengumpulkan data dari variabel yang dibutuhkan misalnya X sebagai

variabel bebas dan Y sebagai variabel tidak bebas.
2. Menggambarkan titik-titik pasangan (x,y) dalam sebuah sistem koordinat
bidang. Hasil dari gambar itu disebut Scatter Diagram (Diagram Pencar
atau Tebaran) dimana dapat dibayangkan bentuk kurva halus yang sesuai
dengan data. Kegunaan dari diagram pencar adalah membantu
37
UNIVERSITAS
WIDYATAMA
menunjukkan apakah terdapat hubungan yang bermanfaat antara dua

variabel dan membantu menetapkan tipe persamaan yang menunjukkan
hubungan antara kedua variabel tersebut.
3. Menentukan persamaan garis regresi dengan mencari nilai-nilai koefisien
regresi dan koefisien korelasi.
2.5.3 Jenis-jenis Regresi
A. Regrasi Linier
Regresi linier dibedakan menjadi dua bagian berdasarkan banyaknya variabel bebas
yang terlibat dalam persamaan yang ikut mempengaruhi nilai variabel terikat.
1. Regresi Linier Sederhana
Apabila dalam diagram pencar terlihat bahwa titik-titiknya mengikuti suatu
garis lurus, menunjukkan bahwa kedua peubah tersebut saling berhubungan
sacara linier. Bila hubungan linier demikian ini ada, maka kita berusaha
menyatakan secara matematik dengan sebuah persamaan garis lurus yang
disebut garis regresi linier. Untuk regresi linier sederhana, perlu ditaksir
parameter, jika ditaksir oleh a dan b, maka regresi linier berdasarkan sampel
dirumuskan sebagai berikut:
Y = a + bx
Keterangan:
Y = nilai yang diukur atau dihitung pada variabel tidak bebas
x = nilai tertentu dari variabel bebas
a = intersep atau perpotongan garis regresi dengan sumbu y
b = koefisien regresi atau kemiringan dari garis regresi untuk
mengukur kenaikan atau penurunan y untuk setiap perubahan satu-satuan x
atau untuk mengukur besarnya pengaruh x terhadap y kalau x naik satu unit.
2. Berganda
2.5.4 Definisi Korelasi
Teknik korelasi merupakan teknik analisis yang melihat kecenderungan pola dalam
satu variabel berdasarkan kecenderungan pola dalam variabel yang lain.
38
UNIVERSITAS
WIDYATAMA
Maksudnya, ketika satu variabel memiliki kecenderungan untuk naik maka kita
melihat kecenderungan dalam variabel yang lain apakah juga naik atau turun atau
tidak menentu, jika kecenderungan dalam satu variabel selalu diikuti oleh
kecenderungan dalam variabel lain, kita dapat mengatakan bahwa kedua variabel
ini memiliki hubungan atau korelasi, berbeda jika data hasil pengamatan terdiri dari
banyak variabel, korelasi menyatakan beberapa kuat hubungan antara-antara
variabel itu terjadi, dalam kata lain perlu ditentukan derajat hubungan antara
variabel-variabel. Studi yang membahas tentang derajat hubungan antara variabel-
variabel dikenal dengan nama korelasi. Ukuran yang dipakai untuk mengetahui
derajat hubungan, terutama untuk data kuantitatif dinamakan koefisien korelasi.
2.5.5 Jenis-jenis Korelasi
Korelasi yang menyatakan tingkat hubungan variabel bebas dan variabel terikat
dapat dibedakan berdasarkan banyaknya variabel bebas yang mempengaruhi nilai
dari variabel terikat.
A. Korelasi Linier
Angka yang digunakan untuk menggambarkan derajat hubungan ini disebut

koefisien korelasi dengan lambang rxy. Teknik yang paling sering digunakan untuk
menghitung koefisien korelasi selama ini adalah teknik Korelasi Product Momen
Pearson. Teknik ini sebenarnya tidak terbatas untuk menghitung koefisien korelasi
dari variabel dengan skala pengukuran interval saja, hanya saja interpretasi dari
hasil hitungnya harus dilakukan dengan hati-hati.
Pemikiran utama korelasi product momen adalah seperti ini:
1. Apabila kenaikan kuantitas dari suatu variabel diikuti dengan kenaikan

kuantitas dari variabel lain, maka dapat kita katakan kedua variabel ini
memiliki korelasi yang positif.
2. Apabila kenaikan kuantitas dari suatu variabel sama besar atau mendekati
besarnya kenaikan kuantitas dari suatu variabel lain dalam satuan SD,
maka korelasi kedua variabel akan mendekati 1.
39
UNIVERSITAS
WIDYATAMA
3. Apabila kenaikan kuantitas dari suatu variabel diikuti dengan penurunan

kuantitas dari variabel lain, maka dapat kita katakan kedua variabel ini
memiliki korelasi yang negatif.
4. Apabila kenaikan kuantitas dari suatu variabel sama besar atau mendekati
besarnya penurunan kuantitas dari variabel lain dalam satuan SD, maka
korelasi kedua variabel akan mendekati -1.
5. Apabila kenaikan kuantitas dari suatu variabel diikuti oleh kenaikan dan
penurunan kuantitas secara random dari variabel lain atau jika kenaikan
suatu variabel tidak diikuti oleh kenaikan atau penurunan kuantitas
variabel lain (nilai dari variabel lain stabil), maka dapat dikatakan kedua
variabel itu tidak berkorelasi atau memiliki korelasi yang mendekati nol.
Tabel 2. 4 Kategori Nilai Korelasi
Nilai Koefisien
Keterangan
Korelasi
0 - 0,19 Sangat Kuat
0,2 - 0,39 Rendah
0,4 - 0,59 Sedang
0,6 - 0,79 Kuat
0,8 - 1 Sangat Kuat
(Sumber: Sudjana, 1982)
40
UNIVERSITAS
WIDYATAMA
BAB III
FLOWCHART KEGIATAN PRAKTIKUM
3.1 FLOWCHART KEGIATAN PRAKTIKUM
Berikut ini merupakan Flowchart kegiatan selama praktikum Statistika Industri

berlangsung, dapat dilihat pada Gambar 3.1 di bawah:
Studi Literatur
Pengumpulan Data
Statistik Parametrik
Statistika Deskriptif Teori Probabilias Distribusi Probabilitas Regresi dan Korelasi
dan Non-Parametrik
1. Data berat badan 1. Studi kasus 1 1. Binomial dan 1. Pengukuran panjang 1. 30 data nilai
(data diskrit) dan percobaan Hipergeometrik: dan lebar balok. praktikum (regresi
tinggi badan pasien pemutaran bingo. Percobaan pengambilan 2. Pengukuran berat sederhana).
(data kontinu) 2. Studi kasus 2 bola pingpong.
detergen. 2. 34 data X1, X2,
2. Poisson dan
puskesmas XYZ kombinasi dan 3. Pengukuran diameter X3 dan Y (regresi
Eksponensial:
sebanyak 50 data. permutasi. Pengamatan banyaknya bola sampel 1, 2 dan 3. berganda).
pengunjung dan
banyaknya pengantre.
Pengolahan Data
Distribusi Statistik Parametrik

Statistika Deskriptif Teori Probabilitas Regresi dan Korelasi
Probabilitas dan Non-Parametrik
1. Perhitungan 1. Menghitung 1. Melakukan 1. Pengujian hipotesis 1. Penyelesaian studi
mean, median dan probabilitas irisan, pengolahan data pada data panjang dan kasus regresi
modus. Perhitungan union dan kejadian menggunakan lebar balok serta berat sederhana.
kuartil, desil dan bersyarat studi distribusi detergen. 2. Penyelesaian studi
persentil. Menguji kasus1. probabilitas 2. Pengujian hipotesis kaus regresi
normalitas data 2. Menghitung binomial dan menggunakan beberapa berganda.
menggunakan permutasi dan hipergeometrik serta metode terhadap data 3. Menarik
skewness, variansi, kombinasi studi poisson dan pengukuran diameter kesimpulan regresi
standar deviasi dan kasus 2. eksponensial. bola sampel 1, 2 dan 3. sederhana dan
simpangan kuartil 2. Teori antrian pada regresi berganda
dari data diskrit dan distribusi poisson
kontinu. dan eksponensial.
Analisis
Kesimpulan dan
Saran
Gambar 3. 1 Flowchart Kegiatan Praktikum
41
UNIVERSITAS
WIDYATAMA
3.2 URAIAN FLOWCHART KEGIATAN PRAKTIKUM

3.2.1 Studi Literatur
Studi Literatur merupakan suatu cara menyelesaikan persoalan dengan menelusuri

sumber-sumber tulisan yang pernah dibuat sebelumnya. Sumber-sumber tulisan
yang praktikan dapatkan pada praktikum Statistika Industri ini adalah berupa buku,
modul praktikum Statistika Industri, artikel, laporan yang sudah pernah dibuat dan
situs-situs internet. Persoalan yang ada tentunya tidak jauh dari materi yang ada
pada praktikum Statistika Industri ini yaitu Statistika Deskripitif, Teori
Probabilitas, Distribusi Probabilitas (Binomial, Hipergeometrik, Poisson dan
Eksponensial), Statistik Parametrik dan Non-Paramterik serta Regresi dan Korelasi.
3.2.2 Pengumpulan Data

3.2.2.1 Statistika Deskriptif
Pengumpulan data pada modul Statistika Deskriptif yaitu 50 data tinggi badan dan
50 data berat badan pasien puskesmas XYZ. Data tinggi badan merupakan data
diskrit, sedangkan data berat badan merupakan data kontinu. Pengumpulan data
diberikan oleh instruktur saat praktikum sedang berlangsung di laboratorium Sistem
Informasi dan Keputusan.
3.2.2.2 Teori Probabilitas
Pengumpulan data pada modul Teori Probabilitas yaitu studi kasus mengenai
peluang suatu kejadian (irisan, union dan kejadian bersyarat) serta studi kasus
mengenai permutasi dan kombinasi. Studi kasus mengenai peluang suatu kejadian
merupakan hasil percobaan pemutaran bingo yang dilakukan sebanyak 40 kali,
sedangkan studi kasus mengenai permutasi dan kombinasi merupakan
permasalahan-permasalahaan yang perlu dipecahkan.
3.2.2.3 Distribusi Probabilitas

A. Binomial dan Hipergeometrik
Pengumpulan data pada modul Binomial dan Hipergeometrik yaitu hasil dari
percobaan pengambilan bola pingpong untuk mendapatkan bola berwarna kuning.
42
UNIVERSITAS
WIDYATAMA
Data yang diambil masing-masing sebanyak 30 buah dengan pengembalian dan

tanpa pengembalian. Percobaan dengan distribusi binomial dilakukan sebanyak 6
kali pengambilan bola pingpong, sedangkan percobaan dengan distribusi
hipergeometrik dilakukan sebanyak 8 kali pengambilan bola pingpong.
Pengumpulan data dilakukan saat praktikum sedang berlangsung di laboratorium
Sistem Informasi dan Keputusan.
B. Poisson dan Eksponensial
Pengumpulan data pada modul Poisson dan Eksponensial yaitu melalui pengamatan
terhadap banyaknya pengunjung dan banyaknya orang yang mengantre pada
selang waktu tertentu serta lamanya waktu pelayanan yang dilakukan. Pengamatan
dengan menggunakan distribusi poisson terbagi kedalam 2 bagian, yaitu pada
selang waktu 3 menit dan 5 menit. Pengamatan menggunakan distribusi
eksponensial dilakukan untuk mendapatkan lamanya waktu pelayanan yang
diberikan. Pengumpulan data dilakukan di gerai minuman Chat Time.
3.2.2.4 Statistik Parametrik dan Non-Parametrik
Pengumpulan data pada modul Statistika Parametrik dan Non-Parametrik yaitu

dengan melakukan pengukuran terhadap panjang balok, lebar balok, berat detergen
dan pengukuran diameter bola yang terbagi kedalam 3 kelompok sampel.
Pengukuran terhadap masing-masing objek dilakukan saat praktikum sedang
berlangsung.
3.2.2.5 Regresi dan Korelasi
Pengumpulan data pada modul Regresi dan Korelasi terbagi kedalam 2 bagian,
yakni regresi sederhana dan regresi berganda. Data regresi sederhana merupakan
data nilai praktikum (variabel bebas) dan mortum (variabel terikat) sebanyak 30
data. Data regresi berganda terbagi kedalam 3 variabel bebas, yaitu 𝑋1, 𝑋2 dan 𝑋3
dan variabel terikat 𝑌. Pengumpulan data pada modul Regresi dan Korelasi ini
diberikan oleh instruktur.
43
UNIVERSITAS
WIDYATAMA
3.2.3 Pengolahan Data

3.2.3.1 Statistika Deskriptif
Pengolahan data pada modul Statistika Deskriptif ini yaitu dengan menambahkan
NPM pada masing-masing data yang telah tersedia. Pengolahan data selanjutnya
yaitu dengan menghitung ukuran rata-rata, ukuran letak dan ukuran penyebaran
data terhadap masing-masing data, yaitu data diskrit dan data kontinu.
3.2.3.2 Teori Probabilitas
Pengolahan data pada modul Teori Probabilitas ini yaitu dengan menambahkan
NPM pada masing-masing data yang telah terkumpul sebelumnya. Pengolahan data
yang selanjutnya yaitu menyelesaikan studi kasus ke-1 yaitu mengenai peluang
terhadap kejadian pemutaran bingo. Peluang kejadian terbagi kedalam 3 jenis, yaitu
peluang irisian, peluang gabungan (union) dan peluang kejadian bersyarat.
Penyelesaian studi kasus ke-2 yaitu dengan melakukan perhitungan menggunakan
rumus permutasi dan kombinasi.
3.2.3.3 Distribusi Probabilitas

A. Binomial dan Hipergeometrik
Pengolahan data pada modul Binomial dan Hipergeometrik ini yaitu dengan
melakukan penambahan angka (+2) pada data binomial dan data hipergeometrik.
Pengolahan data selanjutnya yaitu dengan menghitung proporsi masing-masing
perocobaan pengambilan bola pingpong dan jumlah kejadian sukses. Hasil akhir
dari pengolahan data distribusi binomial yaitu mendapatkan probabilitas dari
masing-masing kejadian sukses (n = 6). Begitu juga dengan pengolahan data pada
distribusi hipergeometrik, hasil akhir yang didapatkan yaitu probabilitas masing-
masing kejadian sukses (n = 8).
B. Poisson dan Eksponensial
Pengolahan data pada modul Poisson dan Eksponensial ini yaitu dengan melakukan
penambahan angka (+4) terhadap masing-masing data poisson (3 menit dan 5
menit). Pengolahan data selanjutnya yaitu dengan menghitung distribusi frekuensi
44
UNIVERSITAS
WIDYATAMA
dari distribusi poisson. Pengolahan data untuk distribusi eksponensial yaitu dengan
menghitung distribusi frekuensi dari distribusi eksponensial. Hasil yang didapat
dari perhitungan distribusi poisson dan eksponensial kemudian diolah kembali
dengan menggunakan teori antrean. Hasil akhir dari teori antrian tersebut yaitu
banyaknya orang yang mengantre dan lamanya waktu mengantre.
3.2.3.4 Statistik Parametrik dan Non-Parametrik
Pengolahan data pada modul Statistik Parametrik dan Non-Parametrik ini yaitu
dengan menambahkan angka (+0,31) terhadap masing-masing objek yang diukur,
seperti panjang balok, lebar balok dan berat detergen. Pengolahan data selanjutnya
yaitu dengan melakukan uji hipotesis dan melakukan penarikan kesimpulan.
Pengolahan data untuk diameter bola sebanyak 3 kelompok sampel yaitu dengan
melakukan uji hipotesis menggunakan beberapa metode seperti Kolmogorov-
Smirnov, Uji Tanda, Uji Dwi Wilcoxon dan Uji Kruskal Wallis. Penarikan
kesimpulan menjadi hal yang penting pada masing-masing pengujian yang
dilakukan.
3.2.3.5 Regresi dan Korelasi
Pengolahan data pada modul Regresi dan Korelasi ini yaitu dengan menambahkan
NPM (+31) pada masing-masing data, yaitu data regresi sederhana dan data regresi
berganda. Pengolahan data untuk regresi sederhana yaitu dengan melakukan
perhitungan koefisien korelasi dan koefisien determinasi yang bertujuan untuk
mengetahui apakah variabel bebas dan variabel terikat terdapat hubungan atau
tidak. Pengolahan data pada regresi berganda yaitu dengan dengan menentukan
persamaan linier regresi berganda melalui metode eliminasi dan substitusi terhadap
beberapa persamaan. Hasil akhir yang akan didapatkan yaitu koefisien korelasi dan
koefisien determinasi. Koefisien korelasi akan menunjukkan seberapa kuat
hubungan antara variabel bebas dan variabel terikat, sedangkan koefisien
determinasi akan menunjukkan proporsi persentase kontribusi dari variabel bebas
terhadap variabel terikat.
45
UNIVERSITAS
WIDYATAMA
3.2.4 Analisis
Analisis diperoleh dari pengerjaan setiap modul tersebut. Analisis berisikan hasil
dari pengolahan data. Hasil pengolahan data tersebut pada tahapan analisis ini dikaji
lebih lanjut. Artinya pada analisis, hasil pengolahan data diuraikan berdasarkan
penyebabnya melalui komponen penyusunnya. Berdasarkan analisis yang telah
dibuat dapat dilihat pemahaman materi dari setiap praktikan dalam mengejakan
setiap modul yang diberikan.
3.2.5 Kesimpulan dan Saran
Kesimpulan pada laporan akhir ini dibuat guna memenuhi harapan dari tujuan yang
ada. Kesimpulan yang dibuat berdasar pada pembuktian yang diperoleh dari hasil
kegiatan praktikum yang telah dijalani. Saran yang dibuat mejadi pendapat dari
praktikan untuk dilaksanakan. Saran dari praktikan dapat menjadi cara untuk
mengatasi permasalahan atau kelemahan yang ada.
46
UNIVERSITAS
WIDYATAMA
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 PENGUMPULAN DATA

Puskesmas XYZ mengambil data untuk berat badan dan tinggi badan kepada 50
pasiennya. Data tersebut adalah sebagai berikut:
Tabel 4. 1 Data Berat Badan dan Tinggi Badan Pasien

Jenis Tinggi Berat Jenis Tinggi Berat
No. No.
Kelamin Badan Badan Kelamin Badan Badan
1 Perempuan 176 56,34 26 Perempuan 166 62,63
4 Perempuan 151 70,18 29 Laki-laki 166 56,03
5 Laki-laki 161 37,58 30 Laki-laki 152 82,99
11 Laki-laki 165 59,68 36 Perempuan 155 58,11

(Sumber: Pengumpulan Data)
47
UNIVERSITAS
WIDYATAMA
Tabel 4. 1 Data Berat Badan dan Tinggi Badan Pasien (Lanjutan)

No. No.

4.1.2.1 Studi Kasus 1
Mahasiswa Teknik Industri melakukan percobaan pemutaran bingo yang dilakukan

sebanyak 40 kali, dari hasil pengamatan terhadap pengambilan bola pada permainan
bingo dapat diketahui data sebagai berikut:
Tabel 4. 2 Hasil Pengamatan

Daerah Peluang Banyak Bola
Kanan 20
Kiri 20
Hasil yang telah diperoleh dari penelitian data peluang didapatkan hasil sebagai
berikut:
Tabel 4. 3 Hasil Penelitian

Ganjil Genap Total
Kiri 13 7 20
Kanan 9 11 20
Jumlah 22 18 40
Berdasarkan data di atas tersebut, hitunglah:
1. Nilai peluang
2. Operasi himpunan irisan
3. Operasi himpunan union atau gabungan
4. Kejadian bersyarat
48
UNIVERSITAS
WIDYATAMA
4.1.2.2 Studi Kasus 2
PT AM Trans merupakan sebuah perusahaan yang bergerak di bidang jasa

transportasi. Saat ini PT AM Trans sedang membutuhkan karyawan, sudah ada
sebanyak 2 orang untuk melamar pekerjaan menjadi karyawan. 20 pelamar tersebut
terdiri dari 5 jurusan yang berbeda, yaitu Tekik Industri sebanyak 5 pelamar,
Akuntansi sebanyak 6 pelamar, Manajemen sebanyak 2 pelamar, Teknik
Informatika sebanyak 3 pelamar dan Sistem Informasi sebanyak 4 pelamar. Ada
beberapa tahap seleksi yang harus dilakukan mulai dari tes tulis sampai dengan
wawancara. Berdasarkan data di atas tersebut, maka:
a. Tentukan ada berapa banyak cara pemilihan karyawan untuk dijadikan

supervisor dan manajer.
b. Tentukan ada berapa banyak cara menyusun karyawan menjadi sebuah
kelompok secara beraturan untuk proses tahap seleksi apabila setiap
kelompok terdiri dari 4 orang.
c. Tentukan ada berapa banyak cara 20 karyawan tersebut dapat duduk di
sekeliling meja bundar untuk focus group discusion jika urutan duduk
menunjukkan prioritas mereka dalam memberikan pendapat.
d. Tentukan ada berapa banyak cara menyusun posisi tempat duduk pada saat
proses seleksi berdasarkan jurusan masing-masing.
e. Tentukan ada berapa banyak cara untuk ke 20 karyawan tersebut menduduki
meja dan kursi jika dalam satu ruangan ada 8 buah meja dan kursi yang
disusun berjajar akan tetapi urutan tidak diperhatikan.

Berdasarkan percobaan yang telah dilakukan terhadap pengambilan bola pingpong

untuk mendapatkan bola warna kuning (berhasil), dapat dilihat pada Tabel 4.4
sebagai berikut:
49
UNIVERSITAS
WIDYATAMA
Tabel 4. 4 Data Asli Hasil Percobaan Binomial dan Hipergeometrik

BINOMIAL HIPERGEOMETRIK
Percobaan Ke-
n =6 Proporsi n =8 Proporsi
1 3 0,50 2 0,25
2 1 0,17 2 0,25
3 2 0,33 2 0,25
4 1 0,17 0 0,00
5 2 0,33 3 0,38
6 0 0,00 0 0,00
7 2 0,33 2 0,25
8 1 0,17 1 0,13
9 2 0,33 1 0,13
10 2 0,33 3 0,38
11 2 0,33 0 0,00
12 1 0,17 2 0,25
13 1 0,17 0 0,00
14 0 0,00 1 0,13
15 0 0,00 1 0,13
16 1 0,17 1 0,13
17 2 0,33 0 0,00
18 2 0,33 3 0,38
19 4 0,67 2 0,25
20 3 0,50 3 0,38
21 1 0,17 1 0,13
22 2 0,33 0 0,00
23 3 0,50 2 0,25
24 2 0,33 3 0,38
25 3 0,50 3 0,38
26 3 0,50 2 0,25
27 1 0,17 4 0,50
28 1 0,17 2 0,25
29 2 0,33 2 0,25
30 0 0,00 3 0,38
∑ Proporsi 8,33 6,38
Rata-rata Proporsi 0,28 0,21

A. Distribusi Probabilitas Poisson (3 Menit)
Berdasarkan hasil pengamatan praktikan terhadap kasir gerai minuman Chat Time,
telah didapat data banyaknya pelanggan yang datang, berikut praktikan sajikan
kedalam Tabel 4.5.
50
UNIVERSITAS
WIDYATAMA
Tabel 4. 5 Hasil Pengamatan Distribusi Probabilitas Poisson

Interval Waktu Pengamatan
No. Jumlah Kedatangan
Awal Akhir
1 16:00:00 16:03:00 3
2 16:04:00 16:07:00 1
3 16:08:00 16:11:00 3
4 16:12:00 16:15:00 0
5 16:16:00 16:19:00 0
6 16:20:00 16:23:00 2
7 16:24:00 16:27:00 4
8 16:28:00 16:31:00 0
9 16:32:00 16:35:00 1
10 16:36:00 16:39:00 5
11 16:40:00 16:43:00 4
12 16:44:00 16:47:00 2
13 16:48:00 16:51:00 1
14 16:52:00 16:55:00 3
15 16:56:00 16:59:00 1
16 17:00:00 17:03:00 4
17 17:04:00 17:07:00 4
18 17:08:00 17:11:00 2
19 17:12:00 17:15:00 3
20 17:16:00 17:19:00 0
21 17:20:00 17:23:00 2
22 17:24:00 17:27:00 2
23 17:28:00 17:31:00 4
24 17:32:00 17:35:00 4
25 17:36:00 17:39:00 0
26 17:40:00 17:43:00 1
27 17:44:00 17:47:00 2
28 17:48:00 17:51:00 1
29 17:52:00 17:55:00 1
30 17:56:00 17:59:00 0
JUMLAH 60
RATA-RATA 2
B. Distribusi Probabilitas Poisson (5 Menit)
Berdasarkan hasil pengamatan praktikan terhadap kasir gerai minuman Chat Time,
telah didapat data banyaknya pelanggan yang datang, berikut praktikan lampirkan
kedalam Tabel 4.6.
51
UNIVERSITAS
WIDYATAMA
Tabel 4. 6 Hasil Pengamatan Distribusi Probabilitas Poisson

Interval Waktu Pengamatan Jumlah
No.
Awal Akhir Kedatangan
1 16:00:00 16:05:00 4
2 16:06:00 16:11:00 3
3 16:12:00 16:17:00 0
4 16:18:00 16:23:00 2
5 16:24:00 16:29:00 4
6 16:30:00 16:35:00 1
7 16:36:00 16:41:00 6
8 16:42:00 16:47:00 5
9 16:48:00 16:53:00 2
10 16:54:00 16:59:00 2
11 17:00:00 17:05:00 5
12 17:06:00 17:11:00 5
13 17:12:00 17:17:00 3
14 17:18:00 17:23:00 2
15 17:24:00 17:29:00 4
16 17:30:00 17:35:00 6
17 17:36:00 17:41:00 0
18 17:42:00 17:47:00 3
19 17:48:00 17:53:00 1
20 17:54:00 17:59:00 1
21 18:00:00 18:05:00 2
22 18:06:00 18:11:00 2
23 18:12:00 18:17:00 1
24 18:18:00 18:23:00 1
25 18:24:00 18:29:00 0
26 18:30:00 18:35:00 0
27 18:36:00 18:41:00 1
28 18:42:00 18:47:00 2
29 18:48:00 18:53:00 1
30 18:54:00 18:59:00 2
JUMLAH 71
RATA-RATA 2,37
C. Distribusi Probabilitas Eksponensial
Berdasarkan hasil pengamatan praktikan terhadap waktu pelayanan pada kasir

perusahaan minuman “Chat Time”, telah didapat data dari pelayanan terhadap 30
pelanggan yang memesan (order) minuman pada Tabel 4.7 berikut ini:
52
UNIVERSITAS
WIDYATAMA
Tabel 4. 7 Distribusi Probabilitas Eksponensial

No. Interval Waktu Pelayanan Selang Waktu
Pelanggan Datang Pergi (Detik)
1 16:00:00 16:01:02 62
2 16:03:00 16:04:18 78
3 16:06:00 16:07:12 72
4 16:08:00 16:09:00 60
5 16:12:00 16:13:26 86
6 16:16:00 16:16:52 52
7 16:20:00 16:21:10 70
8 16:24:00 16:25:26 86
9 16:30:00 16:31:29 89
10 16:35:00 16:36:08 68
11 16:40:00 16:41:26 86
12 16:45:00 16:46:22 82
13 16:48:00 16:49:10 70
14 16:51:00 16:52:31 91
15 16:54:00 16:55:09 69
16 16:58:00 16:59:01 61
17 17:02:00 17:03:21 81
18 17:10:00 17:11:27 87
19 17:14:00 17:15:04 64
20 17:20:00 17:21:16 76
21 17:23:00 17:24:30 90
22 17:28:00 17:28:56 56
23 17:35:00 17:36:18 78
24 17:41:00 17:42:24 84
25 17:44:00 17:45:07 67
26 17:55:00 17:56:20 80
27 18:01:00 18:02:08 68
28 18:05:00 18:06:30 90
29 18:08:00 18:09:05 65
30 18:15:00 18:16:21 81
RATA-RATA 74,97

4.1.4.1 Statistik Parametrik
A. Panjang Balok dan Lebar Balok
Berdasarkan hasil pengukuran terhadap balok sebanyak 40 buah, berikut data

panjang balok dan lebar balok pada Tabel 4.8 berikut ini:
53
UNIVERSITAS
WIDYATAMA
Tabel 4. 8 Data Panjang Balok dan Lebar Balok

No. Panjang Balok (mm) Lebar Balok (mm) No. Panjang Balok (mm) Lebar Balok (mm)
1 49,73 28,85 21 49,11 28,96
2 49,50 39,50 22 49,57 29,35
3 50,00 30,00 23 49,35 29,12
4 48,88 29,03 24 49,44 29,29
5 50,00 29,20 25 49,47 29,64
6 49,00 20,26 26 50,8 28,32
7 49,52 28,50 27 49,89 29,01
8 49,95 20,53 28 50,35 29,53
9 49,84 29,03 29 48,65 29,91
10 49,00 28,84 30 49,46 28,14
11 48,93 28,50 31 49,28 28,98
12 48,93 29,36 32 49,41 28,75
13 49,50 28,50 33 49,51 28,59
14 48,87 29,56 34 49,74 28,2
15 50,00 29,00 35 50,56 28,73
16 48,68 29,90 36 48,39 29,33
17 50,00 29,50 37 49,54 28,88
18 49,74 29,84 38 49,21 28,91
19 49,52 29,68 39 49,51 29,89
20 50,00 29,60 40 49,28 28,35
B. Berat Detergen
Berdasarkan pengukuran terhadap berat detergen yang telah dilakukan, berikut data
yang telah dibuat ke dalam Tabel 4.9 di bawah ini:
Tabel 4. 9 Data Berat Detergen

Berat Berat
No. No.
Detergen (gr) Detergen (gr)
1 53,42 21 56,8
2 54,52 22 55,15
3 48,72 23 49,61
4 54,69 24 53,65
5 58,88 25 54,87
6 52,46 26 55,3
7 50,27 27 51,38
8 54,98 28 56,89
9 52,44 29 53,01
10 46,3 30 55,19
11 56,21 31 51,13
12 56,2 32 58,8
13 58,98 33 50,14
14 57,7 34 55,78
15 58,33 35 59,18
16 52,9 36 55,52
17 55,35 37 57,41
18 57,53 38 57,08
19 52,65 39 55,72
20 56,17 40 54,83
54
UNIVERSITAS
WIDYATAMA
4.1.4.2 Statistik Non-Parametrik
Berdasarkan hasil pengukuran terhadap diameter bola, telah didapat sampel 1

sampai sampel 3 pada Tabel 4.10, Tabel 4.11 dan Tabel 4.12 di bawah ini:
A. Data Pengukuran Diameter Bola Sampel 1
Tabel 4. 10 Data Pengukuran Diameter Bola Sampel 1

Data Pengukuran Diameter Bola Sampel 1
24,48 34,60 26,80 29,95 27,73
33,01 36,26 29,18 28,43 24,93
20,49 29,65 24,10 31,18 27,59
22,84 31,69 26,28 34,77 30,60
24,16 29,65 26,33 33,25 16,32
34,47 14,99 25,42 27,95 27,11
37,03 35,30 22,65 37,04 24,84
30,51 18,61 23,53 21,37 22,00
21,17 29,70 25,63 38,76 24,12
25,29 26,87 20,76 35,16 26,37
B. Data Pengukuran Diameter Bola Sampel 2
28,70 38,82 31,03 34,17 31,96
37,24 40,49 33,41 32,66 29,15
24,72 35,91 28,32 35,41 31,82
27,07 33,87 30,51 39,00 34,83
28,39 19,22 30,55 37,48 20,55
38,70 33,25 29,64 32,18 31,33
41,26 39,45 26,87 41,26 29,07
34,74 22,83 27,76 25,59 26,23
25,40 33,93 29,86 42,98 28,35
29,32 31,10 24,99 39,39 30,59
C. Data Pengukuran Diameter Bola Sampel 3
11,44 12,76 14,49 14,75 15,05
18,37 18,44 18,45 19,04 19,09
20,57 20,61 20,86 20,91 21,13
22,08 22,09 22,34 22,50 22,72
23,27 23,31 23,31 23,39 23,47
24,04 24,17 24,23 24,40 24,87
26,09 26,10 26,15 26,39 26,79
27,63 27,71 29,07 28,13 28,20
29,75 29,93 30,00 30,43 30,92
31,73 31,81 32,62 32,70 33,48
55
UNIVERSITAS
WIDYATAMA
A. Regresi Sederhana
Berdasarkan pengumpulan data yang telah dilakukan, berikut ini 30 data nilai
praktikum yang telah disajikan kedalam Tabel 4.13 sebagai berikut:
Tabel 4. 13 Data Regresi Sederhana

Nilai
Mortum
No Praktikum
(Y)
(X)
1 80 60
2 80 60
3 80 61
4 70 54
5 70 53
6 80 60
7 80 62
8 60 60
9 70 48
10 70 51
11 70 50
12 80 61
13 70 61
14 60 50
15 80 62
16 70 53
17 70 55
18 70 58
19 70 58
20 70 60
21 80 50
22 60 49
23 60 45
24 60 60
25 60 60
26 70 60
27 70 60
28 70 53
29 70 60
30 70 61
56
UNIVERSITAS
WIDYATAMA
B. Regresi Berganda
Berdasarkan pengumpulan data yang telah dilakukan, berikut ini 34 data yang telah
disajikan kedalam Tabel 4.14 sebagai berikut:
Tabel 4. 14 Data Regresi Berganda
No X1 X2 X3 Y
1 65 71 75 40
2 73 47 78 42
3 62 58 90 48
4 64 55 30 38
5 62 65 45 30
6 73 65 75 52
7 68 51 41 48
8 57 41 45 26
9 65 61 81 44
10 63 45 75 46
11 67 53 55 40
12 51 41 61 40
13 65 65 50 38
14 64 63 51 46
15 70 55 50 40
16 67 61 99 62
17 65 63 91 44
18 69 70 75 66
19 62 61 75 46
20 70 43 61 42
21 67 55 82 50
22 61 42 75 42
23 70 55 45 36
24 67 70 92 48
25 71 43 81 36
26 71 42 55 38
27 65 63 94 40
28 63 50 82 44
29 65 51 75 40
30 69 45 55 30
31 71 62 45 64
32 67 71 71 38
33 65 65 95 36
34 63 66 91 48
Jumlah 2237 1914 2341 1468
57
UNIVERSITAS
WIDYATAMA
4.2 PENGOLAHAN DATA

Tabel 4. 15 Data Berat Badan dan Tinggi Badan Setelah Ditambah NPM
No. No.

(Sumber: Pengolahan Data)
58
UNIVERSITAS
WIDYATAMA
4.2.1.1 Distribusi Frekuensi Data Diskrit

A. Rentang
R = Nilai data terbesar – Nilai data terkecil
= 218 – 159
= 59
B. Banyak Kelas C. Interval
𝑅
∑ 𝐾 = 1 + 3,32 × 𝐿𝑜𝑔(𝑁) 𝑖=
∑𝐾
= 1 + 3,32 × 𝐿𝑜𝑔(50) 59
=
= 1 + 3,32 × 1,70 6,64
= 1 + 5,64 = 6,64 ≈ 7 = 8,89 ≈ 9
Tabel 4. 16 Distribusi Frekuensi Data Diskrit
Kelas Interval Fi FK M TB TA Fi x M Lb La
1 158-166 2 2 162 158 167 324 158 166 31,5 992,25

2 167-175 0 2 171 167 176 0 167 175 22,5 506,25
3 176-184 8 10 180 176 185 1440 176 184 13,5 182,25
4 185-193 15 25 189 185 194 2835 185 193 4,5 20,25
5 194-202 14 39 198 194 203 2772 194 202 4,5 20,25
6 203-211 8 47 207 203 212 1656 203 211 13,5 182,25
7 212-220 3 50 216 212 221 648 212 220 22,5 506,25
Jumlah 50 1323 9675 2409,75
A. Titik Tengah (Median)
𝐿𝑏 + 𝐿𝑎
𝑀1 =
2
158 + 166
=
2
324
= = 162
2
B. Titik Bawah
𝑇𝐵1 = 𝐿𝑏 − 0,5
= 158 − 0,5
= 157,5
59
UNIVERSITAS
WIDYATAMA
C. Titik Atas
𝑇𝐴1 = 𝐿𝑎 + 0,5
= 166 + 0,5
= 166,5
1. Menghitung Ukuran Rata-rata
A. Mean
∑ 𝐹𝑖 × 𝑀
𝑋̅ =
𝑁
(2 × 162) + (0 × 171) + (8 × 180) + ⋯ + (3 × 216)
=
50
(324) + (0) + (1440) + ⋯ + (648)
=
50
9675
= = 193,50
50
B. Median
Karena jumlah data adalah 50, maka median data terletak pada data ke-25
dan data ke-26. Dapat diketahui bahwa median terletak pada kelas interval
ke empat, yaitu kelas interval 185-193.
1
(2 𝑛 − ∑ 𝐹3 )
𝑀𝑒 = 𝑇𝑏 + 9
𝐹𝑚𝑒𝑑
1
(2 50 − 10)
= 184,5 + 9
15
(25 − 10)
= 184,5 + 9
15
(15)
= 184,5 + 9
15
= 184,5 + 9(1)
= 184,5 + 9
= 193,5
C. Modus
Modus terletak pada kelas interval ke empat (185-193) karena kelas tersebut
memiliki frekuensi terbanyak yaitu 15.
60
UNIVERSITAS
WIDYATAMA
𝑑1
𝑀𝑜 = 𝑇𝑏 + 𝑖
𝑑1 + 𝑑2
(15 − 8)
= 184,5 + 9
(15 − 8) + (15 − 14)
7
= 184,5 + 9
7+1
7
= 184,5 + 9
8
= 184,5 + 9(0,88)
= 184,5 + 7,92
= 192,42
2. Menghitung Ukuran Letak
A. Kuartil
1
𝐿𝑒𝑡𝑎𝑘 𝑄1 = 4 𝑛
1
= 4 50 = 12,5
Letak 𝑄1 pada interval ke 4 yaitu 185-193, maka:

𝑛 2,5
𝑁−𝐹
𝑄1 = 𝑇𝑏 + 𝑖 [ 4
] = 184,5 + 9 [ 15 ]
𝑓
= 184,5 + 9 (0,17)
1
50−10
= 184,5 + 9 [ 4
] = 184,5 + 1,53
15
= 184,5 + 9 [
12,5−10
] = 186,03
15
2
𝐿𝑒𝑡𝑎𝑘 𝑄2 = 𝑛
4
2
= 50 = 25
4
𝑛
𝑁−𝐹 15
𝑄2 = 𝑇𝑏 + 𝑖 [ 4
] = 184,5 + 9 [ ]
𝑓 15
2
50−10 = 184,5 + 9 (1)
= 184,5 + 9 [ 4
]
15
= 184,5 + 9
25 − 10 = 193,5
= 184,5 + 9 [ ]
15
61
UNIVERSITAS
WIDYATAMA
3
𝐿𝑒𝑡𝑎𝑘 𝑄3 = 𝑛
4
3
= 50 = 37,5
4
𝑛
𝑁−𝐹 12,5
𝑄3 = 𝑇𝑏 + 𝑖 [ 4
] = 193,5 + 9 [ ]
𝑓 14
3
50−25 = 193,5 + 9 (0,89)
= 193,5 + 9 [ 4
]
14
= 193,5 + 8,01
37,5−25
= 193,5 + 9 [ ] = 201,51
14
Tabel 4. 17 Hasil Perhitungan Kuartil Data Diskrit

Kuartil Data ke- Data Nilai
12,5 186 186,03
25 194 193,5
37,5 201,25 201,51
B. Desil
Tabel 4. 18 Letak Desil Data Diskrit
D1 D2 D3 D4 D5 D6 D7 D8 D9 D10
Letak 5 10 15 20 25 30 35 40 45 50
Kelas 3 3 4 4 4 5 5 6 6 7
1
𝐿𝑒𝑡𝑎𝑘 𝐷1 = 𝑛
10
1
= 50 = 5
10
Letak 𝐷1 pada interval ke 3 yaitu 176-184, maka:
𝑛
𝑁−𝐹 3
𝐷1 = 𝑇𝑏 + 𝑖 [10 ] = 175,5 + 9 [ ]
𝑓 8
1
50−2 = 175,5 + 9 (0,38)
= 175,5 + 9 [10 ]
8
= 175,5 + 3,42
5−2
= 175,5 + 9 [ ] = 178,92
8
62
UNIVERSITAS
WIDYATAMA
𝑛 3
𝑁−𝐹 𝑁−𝐹
𝐷2 = 𝑇𝑏 + 𝑖 [ 10 ] 10
𝐷3 = 𝑇𝑏 + 𝑖 [ ]
𝑓 𝑓
2 3
50 − 2 50 − 10
= 175,5 + 9 [10 ] = 184,5 + 9 [ 10 ]
8 15
10 − 2 15 − 10
= 175,5 + 9 [ ] = 184,5 + 9 [ ]
8 15
8 5
= 175,5 + 9 [ ] = 184,5 + 9 [ ]
16 15
= 175,5 + 9 (0,5) = 184,5 + 9 (0,33)
= 175,5 + 4,5 = 184,5 + 2,97
= 180 = 187,47
4 5
𝐷4 = 𝑇𝑏 + 𝑖 [ 10 ] 𝐷5 = 𝑇𝑏 + 𝑖 [ 10 ]
𝑓 𝑓
4 5
50 − 10 50 − 10
= 184,5 + 9 [10 ] = 184,5 + [10 ]
15 15
20 − 10 25 − 10
= 184,5 + 9 [ ] = 184,5 + [ ]
15 15
10 15
= 184,5 + 9 [ ] = 184,5 + [ ]
15 15
= 184,5 + 9 (0,67) = 184,5 + (1)
= 184,5 + 6,03 = 184,5 + 9
= 190,53 = 193,5
6 7
𝐷6 = 𝑇𝑏 + 𝑖 [ 10 ] 𝐷7 = 𝑇𝑏 + 𝑖 [ 10 ]
𝑓 𝑓
6 7
50 − 25 50 − 25
= 193,5 + 9 [ 10 ] = 193,5 + 9 [ 10 ]
14 14
30 − 25 35 − 25
= 193,5 + 9 [ ] = 193,5 + 9 [ ]
14 14
5 10
= 193,5 + 9 [ ] = 193,5 + 9 [ ]
14 14
= 193,5 + 9 (0,36) = 193,5 + 9 (0,71)
= 193,5 + 3,24 = 193,5 + 6,39
= 196,74 = 199,89
63
UNIVERSITAS
WIDYATAMA
8 9
𝐷8 = 𝑇𝑏 + 𝑖 [ 10 ] 𝐷9 = 𝑇𝑏 + 𝑖 [ 10 ]
𝑓 𝑓
8 9
50 − 39 50 − 39
= 202,5 + 9 [ 10 ] = 202,5 + 9 [ 10 ]
8 9
40 − 39 45 − 40
= 202,5 + 9 [ ] = 202,5 + 9 [ ]
8 8
1 5
= 202,5 + 9 [ ] = 202,5 + 9 [ ]
8 8
= 202,5 + 9 (0,13) = 202,5 + 9 (0,63)
= 202,5 + 1,17 = 202,5 + 5,67
= 203,67 = 208,17
10
𝑁−𝐹
𝐷10 = 𝑇𝑏 + 𝑖 [10 ]
𝑓
10
50 − 47
= 211,5 + 9 [10 ]
3
50 − 47
= 211,5 + 9 [ ]
3
3
= 211,5 + 9 [ ]
3
= 211,5 + 9 (1)
= 211,5 + 9
= 220,5
Tabel 4. 19 Hasil Perhitungan Desil Data Diskrit
Desil Data ke- Data Nilai
D1 5 177,5 178,92
D2 10 183,6 180
D3 15 187,6 187,47
D4 20 191 190,53
D5 25 194 193,5
D6 30 197 196,74
D7 35 201 199,89
D8 40 203 203,67
D9 45 209,7 208,17
D10 50 218 220,5
64
UNIVERSITAS
WIDYATAMA
C. Persentil
10 25
𝐿𝑒𝑡𝑎𝑘 𝑃10 = 𝑛 𝐿𝑒𝑡𝑎𝑘 𝑃25 = 𝑛
100 100
10 25
= 50 = 5 = 50 = 12,5
100 100
Letak 𝑃10 pada interval ke 3 yaitu Letak 𝑃25 pada interval ke 4 yaitu
176-184, maka: 185-193, maka:
10 25
𝑃10 = 𝑇𝑏 + 𝑖 [ 100 ] 100
𝑃25 = 𝑇𝑏 + 𝑖 [ ]
𝑓 𝑓
10 25
50 − 2 50 − 10
= 175,5 + 9 [ 100 ] 100
= 184,5 + 9 [ ]
8 15
5−2 12,5 − 10
= 175,5 + 9 [ ] = 184,5 + 9 [ ]
8 15
3 2,5
= 175,5 + 9 [ ] = 184,5 + 9 [ ]
8 15
= 175,5 + 9 (0,36) = 184,5 + 9 (0,17)
= 175,5 + 3,24 = 178,74 = 184,5 + 1,53 = 186,03
50 75
100 100
50 75
= 50 = 25 = 50 = 37,5
100 100
185-193, maka: 194-202, maka:
50 75
𝑃50 = 𝑇𝑏 + 𝑖 [ 100 ] 100
𝑃75 = 𝑇𝑏 + 𝑖 [ ]
𝑓 𝑓
50 75
50 − 10 50 − 25
= 184,5 + 9 [ 100 ] 100
15 = 193,5 + 9 [ ]
14
25 − 10 37,5 − 25
= 184,5 + 9 [ ] = 193,5 + 9 [ ]
15 14
15 12,5
= 184,5 + 9 [ ] = 193,5 + 9 [ ]
15 14
= 184,5 + 9 (1) = 193,5 + 9 (0,89)
= 184,5 + 9 = 193,5 + 8,01
= 193,5 = 201,51
65
UNIVERSITAS
WIDYATAMA
90
𝐿𝑒𝑡𝑎𝑘 𝑃90 = 𝑛
100
90
= 50 = 45
100
Letak 𝑃90 pada interval ke 6 yaitu 203-211, maka:
90
𝑁−𝐹
𝑃90 = 𝑇𝑏 + 𝑖 [ 100
]
𝑓
90
50 − 39
= 202,5 + 9 [100 ]
8
45 − 39
= 202,5 + 9 [ ]
8
6
= 202,5 + 9 [ ]
8
= 202,5 + 9 (0,75)
= 202,5 + 6,75 = 209,25
Tabel 4. 20 Hasil Perhitungan Persentil
Persentil Data ke- Data Nilai
P10 5 177,5 178,74
P25 12,5 186 186,03
P50 25 194 193,5
P75 37,5 201,25 201,51
P90 45 209,70 209,25
3. Menghitung Ukuran Penyebaran
A. Variansi
2
∑(𝑋 − 𝑋̅)
𝑆=
𝑁−1
(162−193,50)2 +(171−193,50)2 +(180−193,50)2 +⋯+(216−193,50)2
= 50−1
(−31,50)2 +(−22,50)2 +(−13,50)2 +⋯+(22,50)2
= 49
(992,25)+(506,25)+(182,25)+⋯+(506,25)
= 49
2409,75
=
49
= 49,18
66
UNIVERSITAS
WIDYATAMA
B. Standar Deviasi
𝜎 = √𝑆
= √49,18 = 7,01
C. Skewness
3
𝑛 𝑋𝑖 − 𝑋̅
𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 = ∑( )
(𝑛 − 1)(𝑛 − 2) 𝑆
50 −31,50 3 −22,50 3 −13,50 3 22,50 3
= (50−1)(50−2)
(( ) +( ) +( ) + ⋯ + ( 7,01 ) )
7,01 7,01 7,01
50
= ((−4,49)3 + (−3,21)3 + (−1,93)3 + ⋯ + (3,21)3 )
(49)(48)
50
= ((−90,74) + (−33,07) + (−7,14) + ⋯ + (33,07))
2352
50
= (−90,74)
2352
= 0,02(−90,74)
= −1,81 (Distribusi data miring ke kiri)
D. Simpangan Kuartil
1
𝑑2 = × (𝑄3 − 𝑄1 )
2
1
= × (201,51 − 186,03)
2
1
= × (15,48) = 7,74
2
4. Grafik Histogram
GRAFIK HISTOGRAM
16 15
14
14
12
Frekuensi
10 8 8
8
6 Tinggi Badan
4 3
2
2 0
0
158-166 167-175 176-184 185-193 194-202 203-211 212-220
Interval
Gambar 4. 1 Grafik Histogram Data Diskrit

67
UNIVERSITAS
WIDYATAMA
5. Frekuensi Kumulatif Kurang Dari dan Lebih Dari
Tabel 4. 21 Frekuensi Kumulatif Kurang Dari dan Lebih Dari

Tinggi Badan Tinggi Badan
Interval FK< FK>
Pasien Pasien
158-166 Kurang dari 166,5 2 Lebih dari 166,5 48
6. Grafik Ogive
GRAFIK OGIVE
60 50
48 48 47
Frekuensi Kumulatif
50 40 39
40
30 25
FK<
20 10 11
FK>
10 2 2 3 0
0
158-166 167-175 176-184 185-193194-202 203-211212-220
Interval
Gambar 4. 2 Grafik Ogive Data Diskrit

4.2.1.1 Distribusi Frekuensi Data Kontinu

A. Rentang
R = Nilai data terbesar – Nilai data terkecil
= 95,04 – 26,37
= 68,67
68
UNIVERSITAS
WIDYATAMA
B. Banyak Kelas
∑ 𝐾 = 1 + 3,32 × 𝐿𝑜𝑔(𝑁)
= 1 + 3,32 × 𝐿𝑜𝑔(50)
= 1 + 3,32 × 1,70
= 1 + 5,64
= 6,64 ≈ 7
C. Interval
𝑅
𝑖=
∑𝐾
68,67
=
6,64
= 10,34
Tabel 4. 22 Distribusi Frekuensi Data Kontinu

Kelas Interval Fi FK M TB TA Fi x M Lb La
1 26,37-36,7 1 1 31,535 26,37 36,8 31,535 26,4 36,7 35,12 1233,55
2 36,71-47,04 2 3 41,875 36,71 47,1 83,75 36,7 47 24,78 614,15
3 47,05-57,38 12 15 52,215 47,05 57,4 626,58 47,1 57,4 14,44 208,57
4 57,39-67,72 13 28 62,555 57,39 67,8 813,22 57,4 67,7 4,1 16,83
5 67,73-78,06 11 39 72,895 67,73 78,1 801,85 67,7 78,1 6,24 38,91
6 78,07-88,40 10 49 83,235 78,07 88,5 832,35 78,1 88,4 16,58 274,83
7 88,41-98,74 1 50 93,575 88,41 98,8 93,575 88,4 98,7 26,92 724,58
TOTAL 50 437,89 3282,9 3111,42

A. Titik Tengah (Median) B. Titik Bawah

𝐿𝑏 + 𝐿𝑎 𝑇𝐵1 = 𝐿𝑏 − 0,005
𝑀1 =
2 = 26,37 − 0,005
26,37 + 36,7
= = 26,365
2
63,07
= = 31,535
2
69
UNIVERSITAS
WIDYATAMA
C. Titik Atas
𝑇𝐴1 = 𝐿𝑎 + 0,05
= 36,61 + 0,05 = 36,615
1. Menghitung Ukuran Rata-rata
A. Mean
∑ 𝐹𝑖 × 𝑀
𝑋̅ =
𝑁
(1×31,535)+(2×41,875)+(12×52,215)+⋯+(1×93,575)
= 50
(31,535) + (83,75) + (626,58) + ⋯ + (93,575)
=
50
3282,85
= = 65,657
50
B. Median
Karena jumlah data adalah 50, maka median data terletak pada data ke-25
dan data ke-26. Dapat diketahui bahwa median terletak pada kelas interval
ke empat, yaitu kelas interval 57,39-67,72.
1
(2 𝑛 − ∑ 𝐹3 )
𝑀𝑒 = 𝑇𝑏 + 𝑖
𝐹𝑚𝑒𝑑
1
( 50−15)
2
= 57,385 + 10,34 13
(10)
= 57,385 + 10,34
13
= 57,385 + 10,34 (0,77)
= 57,385 + 7,96 = 65,345
C. Modus
Modus terletak pada kelas interval ke empat (57,39-67,72) karena kelas
tersebut memiliki frekuensi terbanyak yaitu 13.
𝑑1
𝑀𝑜 = 𝑇𝑏 + 𝑖
𝑑1 + 𝑑2
(13 − 12)
= 57,385 + 10,34
(16 − 12) + (13 − 11)
1
= 57,385 + 10,34
1+2
1
= 57,385 + 10,34
3
= 57,385 + 10,34 (0,33)
= 57,385 + 3,41 = 60,795
70
UNIVERSITAS
WIDYATAMA
2. Menghitung Ukuran Letak
A. Kuartil
Letak 𝑄1 pada interval ke 3 yaitu Letak 𝑄2 pada interval ke 4 yaitu
57,39-67,72, maka:
47,05-57,38, maka: 𝑛
𝑁−𝐹
𝑛 𝑄2 = 𝑇𝑏 + 𝑖 [4 ]
𝑁−𝐹 𝑓
𝑄1 = 𝑇𝑏 + 𝑖 [4 ]
𝑓 2
50 − 15
1 = 57,385 + 10,34 [4 ]
50 − 3 13
= 47,045 + 10,34 [4 ]
12 25 − 15
= 57,385 + 10,34 [ ]
12,5 − 3 13
= 47,045 + 10,34 [ ] 10
12 = 57,385 + 10,34 [ ]
9,5 13
= 47,045 + 10,34 [ ] = 57,385 + 10,34 (0,77)
12
= 47,045 + 10,34 (0,16) = 57,385 + 7,96
= 47,045 + 0,79 = 65,345
= 47,83
Letak 𝑄3 pada interval ke 5 yaitu 37,5 − 28

= 67,725 + 10,34 [ ]
67,73-78,06, maka: 11
𝑛 9,5
𝑁−𝐹 = 67,725 + 10,34 [ ]
11
𝑄3 = 𝑇𝑏 + 𝑖 [4 ]
𝑓
= 67,725 + 10,34 (0,86)
3
50−28
= 67,725 + 10,34 [ 4
] = 67,725 + 8,89
11
= 76,615
Tabel 4. 23 Hasil Perhitungan Kuartil Data Kontinu

Kuartil Data ke- Data Nilai
𝑄1 0,25 56,57 47,835
𝑄2 0,5 65,50 65,345
𝑄3 0,75 77,18 76,615
71
UNIVERSITAS
WIDYATAMA
B. Desil
Tabel 4. 24 Letak Desil Data Kontinu

D1 D2 D3 D4 D5 D6 D7 D8 D9 D10
Letak 5 10 15 20 25 30 35 40 45 50
Kelas 3 3 3 4 4 5 5 6 6 7
𝑛 𝑛
𝐷1 = 𝑇𝑏 + 𝑖 [ 10 ] 𝐷2 = 𝑇𝑏 + 𝑖 [ 10 ]
𝑓 𝑓
1 2
50−3 50−3
= 47,045 + 10,34 [ 10
] = 47,045 + 10,34 [ 10
]
7 12
5−3 10 − 3
= 47,045 + 10,34 [ ] = 47,045 + 10,34 [ ]
12 12
3 7
= 47,045 + 10,34 [ ] = 47,045 + 10,34 [ ]
12 12
= 47,045 + 10,34 (0,25) = 47,045 + 10,34 (0,58)
= 47,045 + 2,585 = 47,045 + 5,70
= 49,63 = 52,745
3 4
𝐷3 = 𝑇𝑏 + 𝑖 [ 10 ] 𝐷4 = 𝑇𝑏 + 𝑖 [10 ]
𝑓 𝑓
3 4
50−3 50−15
= 47,045 + 10,34 [ 10
] = 57,385 + 10,34 [ 10
]
12 13
15 − 3 = 57,385 + 10,34 [
20−15
]
= 47,045 + 10,34 [ ] 13
12
5
12 = 57,385 + 10,34 [ ]
= 47,045 + 10,34 [ ] 13
12
= 57,385 + 10,34 (0,38)
= 47,045 + 10,34 (1)
= 57,385 + 3,93
= 47,045 + 10,34
= 61,315
= 57,385
72
UNIVERSITAS
WIDYATAMA
5 6
𝐷5 = 𝑇𝑏 + 𝑖 [ 10 ] 𝐷6 = 𝑇𝑏 + 𝑖 [10 ]
𝑓 𝑓
5 6
50−15 50−28
= 57,385 + 10,34 [ 10
] = 67,725 + 10,34 [ 10
]
13 11
30−28
= 57,385 + 10,34 [
25−15
] = 67,725 + 10,34 [ ]
11
13
2
= 57,385 + 10,34 [13]
10 = 67,725 + 10,34 [ ]
11
= 57,385 + 10,34 (0,77) = 67,725 + 10,34 (0,18)
= 57,385 + 7,96 = 67,725 + 1,86
= 65,345
= 69,585
7 8
𝐷7 = 𝑇𝑏 + 𝑖 [ 10 ] 𝐷8 = 𝑇𝑏 + 𝑖 [ 10 ]
𝑓 𝑓
7 8
50−28 50−39
= 67,725 + 10,34 [10 ] = 78,065 + 10,34 [10 ]
11 10
35 − 28 40 − 39
= 67,725 + 10,34 [ ] = 78,065 + 10,34 [ ]
11 10
7 = 78,065 + 10,34 [10]
1
= 67,725 + 10,34 [ ]
11
= 78,065 + 10,34 (0,1)
= 67,725 + 10,34 (0,64)
= 78,065 + 1,03
= 67,725 + 6,62
= 79,095
= 74,345
9 10
𝐷9 = 𝑇𝑏 + 𝑖 [ 10 ] 𝐷10 = 𝑇𝑏 + 𝑖 [10 ]
𝑓 𝑓
10
9 50−49
= 78,065 + 10,34 [ 10
50−39
] = 88,405 + 10,34 [ 10
]
1
10
45 − 39 50 − 49
= 78,065 + 10,34 [ ] = 88,405 + 10,34 [ ]
10 1
6 1
= 78,065 + 10,34 [ ] = 88,405 + 10,34 [ ]
10 1
= 88,405 + 10,34 (1)
= 78,065 + 10,34 (0,6)
= 78,065 + 6,20 = 88,405 + 10,34
= 84,265 = 98,745
73
UNIVERSITAS
WIDYATAMA
Tabel 4. 25 Hasil Perhitungan Desin Data Kontinu

Desil Data ke- Data Nilai
D1 5 48,53 48,63
D2 10 56 55,745
D3 15 57,26 59,385
D4 20 63,25 62,315
D5 25 65,5 65,345
D6 30 68,94 69,585
D7 35 74,45 74,345
D8 40 79,53 80,095
D9 45 86,12 85,265
D10 50 95,04 95,745
C. Persentil
10 25
100 100
10 25
= 50 = 5 = 50 = 12,5
100 100
47,05-57,38, maka: 47,05-57,38, maka:
10 25
𝑃10 = 𝑇𝑏 + 𝑖 [ 100 ] 100
𝑃25 = 𝑇𝑏 + 𝑖 [ ]
𝑓 𝑓
10 25
50−3 50−3
= 47,045 + 10,34 [ 100
] = 47,045 + 10,34 [10012 ]
12
5−3 12,5−3
= 47,045 + 10,34 [ 12 ] = 47,045 + 10,34 [ ]
12
2 9,5
= 47,045 + 10,34 [ ] = 47,045 + 10,34 [ ]
12 12
= 47,045 + 10,34 (0,17) = 47,045 + 10,34 (0,79)
= 47,045 + 1,76 = 47,045 + 8,17
= 48,805 = 55,215
74
UNIVERSITAS
WIDYATAMA
50 75
100 100
50 75
= 50 = 25 = 50 = 37,5
100 100
57,39-67,72, maka: 67,73-78,06, maka:
50 75
𝑃50 = 𝑇𝑏 + 𝑖 [ 100 ] 𝑃75 = 𝑇𝑏 + 𝑖 [ 100 ]
𝑓 𝑓
50 75
50−15 50−28
= 57,385 + 10,34 [ 100
] = 67,725 + 10,34 [ 100
]
13 11
25−15 37,5−28
= 57,385 + 10,34 [ ] = 67,725 + 10,34 [ ]
13 11
10 9,5
= 57,385 + 10,34 [ ] = 67,725 + 10,34 [ ]
13 11
= 57,385 + 10,34 (0,77) = 67,725 + 10,34 (0,86)
= 57,385 + 7,96 = 67,725 + 8,89
= 65,345 = 76,615
90
𝐿𝑒𝑡𝑎𝑘 𝑃90 = 𝑛
100
90
= 50 = 45
100
Letak 𝑃90 pada interval ke 6 yaitu
78,07-88,40, maka:
90
𝑁−𝐹
𝑃90 = 𝑇𝑏 + 𝑖 [ 100
]
𝑓
90
50−39
= 78,065 + 10,34 [ 100
]
10
45−39
= 78,065 + 10,34 [ ]
10
6
= 78,065 + 10,34 [ ]
10
= 78,065 + 10,34 (0,6)
= 78,065 + 6,20 = 84,265
75
UNIVERSITAS
WIDYATAMA
Tabel 4. 26 Hasil Perhitungan Persentil Data Kontinu

Persentil Data ke- Data Nilai
P10 5 48,5 48,81
P25 12,5 56,6 55,22
P50 25 65,5 65,35
P75 37,5 77,2 76,62
P90 45 86,1 84,27
3. Menghitung Ukuran Penyebaran

A. Variansi
2
∑(𝑋 − 𝑋̅)
𝑆=
𝑁−1
(31,535−66,657)2 +(41,875−66,657)2 +(52,215−66,657)2 +⋯+(93,575−66,657)2
= 50−1
(−35,122)2 + (−24,782)2 + (−14,442)2 + ⋯ + (26,918)2

=
49
(1233,55) + (614,15) + (208,57) + ⋯ + (724,58)
=
49
3111,42
=
49
= 63,50
B. Standar Deviasi
𝜎 = √𝑆
= √63,50
= 7,79
C. Skewness
3
𝑛 𝑋𝑖 − 𝑋̅
𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 = ∑( )
(𝑛 − 1)(𝑛 − 2) 𝑆
50 −35,12 3 −24,78 3 −14,44 3 26,92 3

= (50−1)(50−2)
(( ) +( ) +( ) + ⋯ + ( 7,79 ) )
7,79 7,79 7,79
50
= (49)(48)
((−4,51)3 + (−3,18)3 + (−1,85)3 + ⋯ + (3,46)3 )
76
UNIVERSITAS
WIDYATAMA
50
= ((−91,65) + (−32,20) + (−6,37) + ⋯ + (41,26))
2352
50
= (−78,95)
2352
= 0,02(−78,95)
= −1,58 (Distribusi data miring ke kiri)
4. Grafik Poligon Data Kontinu
GRAFIK POLIGON
18 16
16
14
12 10
Frekuensi
9
10 7
8 5
6
4 2
1 Berat Badan
2
0
Interval
Gambar 4. 3 Grafik Poligon Data Kontinu

5. Frekuensi Kumulatif Kurang Dari dan Lebih Dari

Tabel 4. 27 Frekuensi Kumulatif Kurang Dari dan Lebih Dari
Interval Tinggi Badan Pasien FK< Tinggi Badan Pasien FK>
26,37-36,7 Kurang dari 26,37 1 Lebih dari 26,37 49
77
UNIVERSITAS
WIDYATAMA
6. Grafik Ogive
GRAFIK OGIVE
49 50
60 39
49 47 15 28
KUMULATIF
40
FREKUENSI
1 3 35
20 22
11
0 1 0
INTERVAL
FK< FK>
Gambar 4. 4 Grafik Ogive Data Kontinu


4.2.2.1 Penyelesaian Studi Kasus 1
Berdasarkan pengumpulan data yang telah dilakukan, berikut hasil pengolahan data
dengan menambahkan NPM sebagai berikut:
Tabel 4. 28 Hasil Pengamatan Setelah Ditambah NPM (+31)
Daerah Peluang Banyak Bola
Kanan 82
Kiri 82
Tabel 4. 29 Hasil Penelitian Setelah Ditambah NPM (+31)

Ganjil (C) Genap (D) Total
Kiri (A) 44 38 82
Kanan (B) 40 42 82
Jumlah 84 80 164
2. Operasi Himpunan Irisan
a) Kiri Ganjil
Diketahui:
82
𝑃(𝐴) =
164
44
𝑃(𝐶|𝐴) =
82
𝑃(𝐴 ∩ 𝐶) = 𝑃(𝐴) × 𝑃(𝐶|𝐴)
78
UNIVERSITAS
WIDYATAMA
82 44
= ×
164 82
3608 44
= =
13448 164
b) Kanan Ganjil
Diketahui:
82
𝑃(𝐵) =
164
40
𝑃(𝐶|𝐵) =
82
𝑃(𝐵 ∩ 𝐶 ) = 𝑃(𝐵 ) × 𝑃(𝐶 |𝐵)
82 40
= ×
164 82
3280 40
= =
13448 164
c) Kiri Genap
Diketahui:
82
𝑃(𝐴) =
164
38
𝑃(𝐷|𝐴) =
82
𝑃(𝐴 ∩ 𝐷) = 𝑃(𝐴) × 𝑃(𝐷|𝐴)
82 38
= ×
164 82
3116 38
= =
13448 164
d) Kanan Genap
Diketahui:
82
𝑃(𝐵) =
164
42
𝑃(𝐷|𝐵) =
82
𝑃(𝐵 ∩ 𝐷) = 𝑃(𝐵) × 𝑃(𝐷|𝐵)
82 42
= ×
164 82
3444 42
= =
13448 164
79
UNIVERSITAS
WIDYATAMA
3. Operasi Himpunan Union atau Gabungan
a) Kiri Ganjil
Diketahui:
82 𝑃(𝐴 ∪ 𝐶) = 𝑃(𝐴) + 𝑃(𝐶) − 𝑃(𝐴 ∩ 𝐶)
𝑃(𝐴) =
164 82 84 44
84 = + −
𝑃(𝐶) = 164 164 164
164 122
44 =
𝑃(𝐴 ∩ 𝐶) = 164
164
b) Kanan Ganjil
Diketahui:
82 40
𝑃(𝐵) = 𝑃(𝐵 ∩ 𝐶) =
164 164
84
𝑃(𝐶) = 𝑃(𝐵 ∪ 𝐶) = 𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐵 ∩ 𝐶)
164
82 84 40 126
= + − =
164 164 164 164
c) Kiri Genap
Diketahui:
82 38
𝑃(𝐴) = 𝑃(𝐴 ∩ 𝐷) =
164 164
80 𝑃(𝐴 ∪ 𝐷) = 𝑃(𝐴) + 𝑃(𝐷) − 𝑃(𝐴 ∩ 𝐷)
𝑃(𝐷) =
164 82 80 38 124
= + − =
164 164 164 164
a) Kanan Genap
Diketahui:
82 𝑃(𝐵 ∪ 𝐷) = 𝑃(𝐵) + 𝑃(𝐷) − 𝑃(𝐵 ∩ 𝐷)
𝑃(𝐵) =
164 82 80 42
80 = + −
𝑃(𝐷) = 164 164 164
164 120
42 =
𝑃(𝐵 ∩ 𝐷) = 164
164
80
UNIVERSITAS
WIDYATAMA
4. Kejadian Bersyarat
a) Kiri Ganjil c) Kiri Genap

Diketahui: Diketahui:
44 38
𝑃(𝐴 ∩ 𝐶) = 𝑃(𝐴 ∩ 𝐷) =
164 164
84 80
𝑃(𝐶) = 164 𝑃(𝐷) = 164
𝑃(𝐴∩𝐶) 𝑃(𝐴∩𝐷)
(𝐴|𝐶) = (𝐴|𝐷) =
𝑃(𝐶) 𝑃(𝐷)
44 38
44 164 38 164
= 164 = × = 164 = ×
84 164 84 80 164 80
164 164
7216 44 6232 38
= = = =
13776 84 13120 80
b) Kanan Ganjil d) Kanan Genap
Diketahui: Diketahui:
40 42
𝑃(𝐵 ∩ 𝐶) = 𝑃(𝐵 ∩ 𝐷) =
164 164
84 80
𝑃(𝐶) = 164 𝑃(𝐷) = 164
𝑃(𝐵∩𝐶) 𝑃(𝐵∩𝐷)
(𝐵|𝐶) = (𝐵|𝐷) =
𝑃(𝐶) 𝑃(𝐷)
40 42
164 40 164 164 42 164
= = × = = ×
84 164 84 80 164 80
164 164
6560 40 6888 42
= = = =
13776 84 13120 80
Tabel 4. 30 Hasil Perhitungan Studi Kasus 1

Pengelompokkan Irisan Union Bersyarat
44
𝑃(𝐴 ∩ 𝐶) = 122 44
Kiri Ganjil 164 𝑃(𝐴 ∪ 𝐶) = (𝐴|𝐶) =
164 84
40
𝑃(𝐵 ∩ 𝐶) = 126 40
Kanan Ganjil 164 𝑃(𝐵 ∪ 𝐶) = (𝐵|𝐶) =
164 84
38
𝑃(𝐴 ∩ 𝐷) = 164 124 38
Kiri Genap 𝑃(𝐴 ∪ 𝐷) = 164 (𝐴|𝐷) =
80
42
𝑃(𝐵 ∩ 𝐷) = 164 120 42
Kanan Genap 𝑃(𝐵 ∪ 𝐷) = 164 (𝐵|𝐷) =
80
81
UNIVERSITAS
WIDYATAMA
4.2.1.2 Penyelesaian Studi Kasus 2
Berdasarkan studi kasus 2 di atas, telah diperoleh data yang telah ditambahkan
NPM (0515101031) sebagai berikut:
Tabel 4. 31 Data Pelamar Setelah Ditambah NPM

Jurusan Pelamar
Teknik Industri 11
Akuntansi 10
Manajemen 10
Teknik Informatika 10
Sistem Informasi 10
JUMLAH 51
a) Permutasi Sebagian d) Permutasi Data Berkelompok

Diketahui: 51!
51𝑃(11,10,10,10,10) = 11!10!10!10!10!
𝑛 = 51 1,551119×1066
=
𝑟=2 6,9216×1033
𝑛! = 2,240976 × 1032 cara

𝑛𝑃𝑟 =
(𝑛 − 𝑟)! e) Kombinasi Sebagian
51! 𝑛!
51𝑃𝑟 = (51−2)! 𝑛𝐶𝑟 =
(𝑛 − 𝑟)! 𝑟!
51! 51!
= = 51 × 50 51𝐶8 = (51−8)!8!
49!
= 2.550 cara = 636.763.050 cara
b) Permutasi Menyeluruh
𝑛𝑃𝑟 = 𝑛!
51𝑃 = 51!
= 1,551119 × 1066
c) Permutasi Keliling
𝑃 = (𝑛 − 1)!
= (51 − 1)!
= 50! = 3,04141 × 1062 cara
82
UNIVERSITAS
WIDYATAMA

Berdasarkan percobaan yang telah dilakukan terhadap pengambilan bola pingpong

untuk mendapatkan bola warna kuning (kejadian sukses), berikut hasil percobaan
distribusi binomial dan hipergeometrik yang telah ditambahkan 2 terhadap masing-
masing kejadian sukses pada Tabel 4.32 di bawah:
Tabel 4. 32 Hasil Percobaan Setelah Ditambahkan 2
BINOMIAL HIPERGEOMETRIK
Percobaan Ke-
n=6 Proporsi n=8 Proporsi
1 5 0,83 4 0,50
2 3 0,50 4 0,50
3 4 0,67 4 0,50
4 3 0,50 2 0,25
5 4 0,67 5 0,63
6 2 0,33 2 0,25
7 4 0,67 4 0,50
8 3 0,50 3 0,38
9 4 0,67 3 0,38
10 4 0,67 5 0,63
11 4 0,67 2 0,25
12 3 0,50 4 0,50
13 3 0,50 2 0,25
14 2 0,33 3 0,38
15 2 0,33 3 0,38
16 3 0,50 3 0,38
17 4 0,67 2 0,25
18 4 0,67 5 0,63
19 6 1 4 0,5
20 5 0,83 5 0,63
21 3 0,5 3 0,38
22 4 0,67 2 0,25
23 5 0,83 4 0,5
24 4 0,67 5 0,63
25 5 0,83 5 0,63
26 5 0,83 4 0,5
27 3 0,5 6 0,75
28 3 0,5 4 0,5
29 4 0,67 4 0,5
30 2 0,33 5 0,63
∑ Proporsi 18,33 13,88
83
UNIVERSITAS
WIDYATAMA
Distribusi Probabilitas Binomial

A. Proporsi B. Kejadian Sukses
Contoh perhitungan: ∑𝑃
𝑝̅ =
𝑥 𝑁
𝑃=
𝑛 18,33
= = 0,61
5 30
= = 0,83
6
C. Kejadian Gagal D. Rata-rata
𝑞 = 1 − 𝑝̅ 𝜇 = 𝐸(𝑥) = 𝑛 × 𝑝̅
= 1 − 0,61 = 6 × 0,39
= 0,39 = 2,34
E. Variansi
𝜎 2 = 𝑛 × 𝑝̅ × 𝑞
= 6 × 0,61 × 0,39 = 1,4274
Tabel 4. 33 Hasil Perhitungan Probabilitas dan Probabilitas Kumulatif Distribusi

Binomial
x
Kumulatif
0 1 28987537150 186087894300 0,155773 0,155773
1 20 3176716400 186087894300 0,341421 0,497194
2 190 300500200 186087894300 0,306818 0,804012
3 1140 24040016 186087894300 0,147272 0,951284
4 4845 1581580 186087894300 0,041178 0,992463
5 15504 82160 186087894300 0,006845 0,999308
6 38760 3160 186087894300 0,000658 0,999966
7 77520 80 186087894300 0,000033 0,999999
8 125970 1 186087894300 0,000001 1
F. Probabilitas
1. 𝑃(𝑋 = 0)
𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 × 𝑝̅ 𝑥 × 𝑞 𝑛−𝑥
Contoh perhitungan:
6!
𝐶06 =
(6 − 0)! 0!
84
UNIVERSITAS
WIDYATAMA
6!
=
(6 − 0)! 0!
6!
=
6! 0!
1
= =1
1
𝑝̅ 0 = 0,610
=1
𝑞 6−0 = 0,396
= 0,004
𝑃(𝑋 = 0) = 𝐶0𝑛 × 𝑝̅ 0 × 𝑞 6
= 1 × 1 × 0,004
= 0,004
2. 𝑃(𝑋 = 1) 3. 𝑃(𝑋 = 2)
𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 × 𝑝̅ 𝑥 × 𝑞 𝑛−𝑥 𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 × 𝑝̅ 𝑥 × 𝑞 𝑛−𝑥

𝑃(𝑋 = 1) = 𝐶16 × 𝑝̅1 × 𝑞 5 𝑃(𝑋 = 2) = 𝐶26 × 𝑝̅ 2 × 𝑞 4
= 6 × 0,610 × 0,009 = 15 × 0,372 × 0,023
= 0,033 = 0,129
4. 𝑃(𝑋 = 3) 5. 𝑃(𝑋 = 4)

𝑃(𝑋 = 3) = 𝐶36 × 𝑝̅ 3 × 𝑞 3 𝑃(𝑋 = 4) = 𝐶46 × 𝑝̅ 4 × 𝑞 2
= 20 × 0,227 × 0,059 = 15 × 0,138 × 0,152
= 0,269 = 0,316
6. 𝑃(𝑋 = 5) 7. 𝑃(𝑋 = 6)

𝑃(𝑋 = 5) = 𝐶56 × 𝑝̅ 5 × 𝑞1 𝑃(𝑋 = 6) = 𝐶66 × 𝑝̅ 6 × 𝑞 0
= 6 × 0,084 × 0,390 = 1 × 0,052 × 1
= 0,198 = 0,052
85
UNIVERSITAS
WIDYATAMA
G. Probabilitas Kumulatif
1. 𝑃(𝑋 = 0)
∑ 𝑃(𝑋 = 0) = 𝑃(𝑋 = 0)
𝑥=0
= 0,004
2. 𝑃(𝑋 = 1)
∑6𝑥=1 𝑃(𝑋 = 1) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1)

= 0,004 + 0,033
= 0,037
3. 𝑃(𝑋 = 2)
∑ 𝑃(𝑋 = 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)

𝑥=2
= 0,004 + 0,033 + 0,129

= 0,166
4. 𝑃(𝑋 = 3)
∑ 𝑃(𝑋 = 3) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)

𝑥=3
= 0,004 + 0,033 + 0,129 + 0,269

= 0,435
5. 𝑃(𝑋 = 4)
∑ 𝑃(𝑋 = 4) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑥=4
= 0,004 + 0,033 + 0,129 + 0,269 + 0,316

= 0,751
86
UNIVERSITAS
WIDYATAMA
6. 𝑃(𝑋 = 5)
∑ 𝑃(𝑋 = 5) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑥=5
+ 𝑃(𝑋 = 5)
= 0,004 + 0,033 + 0,129 + 0,269 + 0,316 + 0,198
= 0,949
7. 𝑃(𝑋 = 6)
∑ 𝑃(𝑋 = 6) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑥=6
+ 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6)
= 0,004 + 0,033 + 0,129 + 0,269 + 0,316 + 0,198 + 0,052
= 1,000
H. Probabilitas Berdasarkan Software Minitab
Gambar 4. 5 Probabilitas Berdasarkan Software Minitab (Binomial)

87
UNIVERSITAS
WIDYATAMA
I. Grafik Histogram Probabilitas
Gambar 4. 6 Grafik Histogram Probabilitas (Binomial)

J. Grafik Histogram Probabilitas Kumulatif
Gambar 4. 7 Grafik Histogram Probabilitas Kumulatif (Binomial)

88
UNIVERSITAS
WIDYATAMA
Distribusi Probabilitas Hipergeometrik

A. Rata-rata
Diketahui:
𝑛=8
𝑘 = 20
𝑁 = 100
𝜇 = 𝐸(𝑋) = 𝑛 × 𝑘⁄𝑁
= 8 × 20⁄100
= 1,6
B. Variansi
𝑘 𝑁−𝑘 𝑁−𝑛
𝜎 2 = 𝑉(𝑋) = 𝑛 ( ) ( )( )
𝑁 𝑁 𝑁−1
20 100 − 20 100 − 8
= 8( )( )( )
100 100 99
= 8(0,2)(0,8)(0,93)
= 1,1904
Tabel 4. 34 Hasil Perhitungan Probabilitas dan Probabilitas Kumulatif Distribusi

Hipergeometrik
x
Kumulatif
0 1 28987537150 186087894300 0,155773 0,155773
1 20 3176716400 186087894300 0,341421 0,497194
2 190 300500200 186087894300 0,306818 0,804012
3 1140 24040016 186087894300 0,147272 0,951284
4 4845 1581580 186087894300 0,041178 0,992463
5 15504 82160 186087894300 0,006845 0,999308
6 38760 3160 186087894300 0,000658 0,999966
7 77520 80 186087894300 0,000033 0,999999
8 125970 1 186087894300 0,000001 1
89
UNIVERSITAS
WIDYATAMA
C. Probabilitas
1. 𝑃(𝑋 = 0)
𝑘 𝑁−𝑘
[ ][ ]
𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥
𝑁
[ ]
𝑛
Contoh perhitungan:
20 20!
[ ]=
0 (20 − 0)! 0!
20!
=
20! 0!
1
= =1
1
100 − 20 80 80!
[ ]=[ ]=
8−0 8 (80 − 8)! 8!
80!
=
72! 8!
80 × 79 × 78 × 77 × 76 × 75 × 74 × 73 × 72!
=
72! 8 × 7 × 6 × 5 × 4 × 3 × 2 × 1
= 28987537150
100 100!
[ ]=
8 (100 − 8)! 8!
100!
=
92! 8!
100 × 99 × 98 × 97 × 96 × 95 × 94 × 93 × 92!
=
92! 8!
= 186087894300
20 100 − 20
[
][ ]
𝑃(𝑋 = 0) = 0 8−0
100
[ ]
8
(1)(28987537150)
=
(186087894300)
= 0,155773
90
UNIVERSITAS
WIDYATAMA
2. 𝑃(𝑋 = 1) 3. 𝑃(𝑋 = 2)
𝑘 𝑁−𝑘 𝑘 𝑁−𝑘
[ ][ ] [ ][ ]
𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥 𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥
𝑁 𝑁
[ ] [ ]
𝑛 𝑛
20 100 − 20 20 100 − 20
[
][ ] [
][ ]
𝑃(𝑋 = 1) = 1 8−1 𝑃(𝑋 = 2) = 2 8−2
100 100
[ ] [ ]
8 8
(20)(3176716400) (190)(300500200)
= =
(186087894300) (186087894300)
= 0,341421 = 0,306818
4. 𝑃(𝑋 = 3) 5. 𝑃(𝑋 = 4)
[ ][ ] [ ][ ]
𝑥 𝑛 − 𝑥
𝑃(𝑋 = 𝑥) =
𝑁 𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥
[ ] 𝑁
𝑛 [ ]
𝑛
20 100 − 20 20 100 − 20
[][ ] [
][ ]
3 8 − 3
𝑃(𝑋 = 3) =
100 𝑃(𝑋 = 4) = 4 8−4
[ ] 100
8 [ ]
8
(1140)(24040016) (4845)(1581580)
= =
(186087894300) (186087894300)
= 0,147272 = 0,041178
6. 𝑃(𝑋 = 5) 7. 𝑃(𝑋 = 6)
[ ][ ] [ ][ ]
𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥 𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥
𝑁 𝑁
[ ] [ ]
𝑛 𝑛
20 100 − 20 20 100 − 20
[
][ ] [
][ ]
𝑃(𝑋 = 5) = 5 8−5
𝑃(𝑋 = 6) = 6 8−6
100 100
[ ] [ ]
8 8
(15504)(82160) (38760)(3160)
= =
(186087894300) (186087894300)
= 0,006845 = 0,000658
91
UNIVERSITAS
WIDYATAMA
8. 𝑃(𝑋 = 7) 9. 𝑃(𝑋 = 8)
[𝑘 𝑁−𝑘
𝑥 ][ 𝑛−𝑥 ] [𝑘 𝑁−𝑘
𝑥 ][ 𝑛−𝑥 ]
𝑃(𝑋 = 𝑥) = 𝑃(𝑋 = 𝑥) =
[𝑁𝑛] [𝑁𝑛]
[20][100−20] [20][100−20]
7 8−7 8 8−8
𝑃(𝑋 = 7) = 𝑃(𝑋 = 8) =
[100] [100]
8 8
(77520)(80) (125970)(1)
= =
(186087894300) (186087894300)
= 0,000033 = 0,000001
D. Probabilitas Kumulatif
1. 𝑃(𝑋 = 0)
8
∑ 𝑃(𝑋 = 0) = 𝑃(𝑋 = 0)
𝑥=0
= 0,1557734
2. 𝑃(𝑋 = 1)
8
∑ 𝑃(𝑋 = 1) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1)

𝑥=1
= 0,155773 + 0,341421
= 0,497194
3. 𝑃(𝑋 = 1)
8
∑ 𝑃(𝑋 = 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)

𝑥=2
= 0,155773 + 0,341421 + 0,306818

= 0,804012
4. 𝑃(𝑋 = 3)
8
∑ 𝑃(𝑋 = 3) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)

𝑥=3
= 0,155773 + 0,341421 + 0,306818 + 0,147272

= 0,951284
92
UNIVERSITAS
WIDYATAMA
5. 𝑃(𝑋 = 4)
∑ 𝑃(𝑋 = 4) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑥=4
= 0,155773 + 0,341421 + 0,306818 + 0,147272 + 0,041178

= 0,992463
6. 𝑃(𝑋 = 5)
∑ 𝑃(𝑋 = 5) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑥=5
+ 𝑃(𝑋 = 5)
= 0,155773 + 0,341421 + 0,306818 + 0,147272 +
0,041178 + 0,006845
= 0,999308
7. 𝑃(𝑋 = 6)
∑ 𝑃(𝑋 = 6) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑥=6
+ 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6)
= 0,155773 + 0,341421 + 0,306818 + 0,147272 +
0,041178 + 0,006845 + 0,000658
= 0,999966
8. 𝑃(𝑋 = 7)
∑ 𝑃(𝑋 = 7) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑥=7
+ 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6) + 𝑃(𝑋 = 7)

= 0,155773 + 0,341421 + 0,306818 + 0,147272 +
0,041178 + 0,006845 + 0,000658 + 0,000033
= 0,999999
93
UNIVERSITAS
WIDYATAMA
9. 𝑃(𝑋 = 8)
∑ 𝑃(𝑋 = 8) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑥=8
+ 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6) + 𝑃(𝑋 = 7) + 𝑃(𝑋 = 8)

= 0,155773 + 0,341421 + 0,306818 + 0,147272 +
0,041178 + 0,006845 + 0,000658 + 0,000033 + 0,000001
= 1,000000
E. Probabilitas Berdasarkan Software Minitab
Gambar 4. 8 Probabilitas Berdasarkan Software Minitab (Hipergeometrik)

F. Grafik Histogram Probabilitas
DIAGRAM
0,341421
PROBABILITAS
0,350000 0,306818
0,300000
PROBABILTAS
0,250000
0,200000 0,155773 Probabilitas
0,147272
0,150000
0,100000
0,041178
0,050000 0,0068450,0006580,0000330,000001
0,000000
0 1 2 3 4 5 6 7 8
X
Gambar 4. 9 Grafik Histogram Probabilitas (Hipergeometrik)
94
UNIVERSITAS
WIDYATAMA
G. Grafik Histogram Probabilitas Kumulatif
DIAGRAM PROBABILITAS
KUMULATIF
0,9512840,9924630,9993080,9999660,9999991,000000
PROBABILITAS 1,000000 0,804012
KUMULATIF 0,800000
0,600000 0,497194
0,400000
0,155773
0,200000
0,000000
1 2 3 4 5 6 7 8 9
X
Gambar 4. 10 Grafik Histogram Probabilitas Kumulatif (Hipergeometrik)


A. Distribusi Probabilitas Poisson (3 Menit)
Berdasarkan hasil pengolahan data dengan menambahkan NPM (+4) pada masing-
masing jumlah kedatangan, berikut praktikan lampirkan pada Tabel 4.35 sebagai
berikut:
Tabel 4. 35 Hasil Pengamatan Setelah Ditambahkan NPM (+4)

Interval Waktu
Jumlah
No. Pengamatan
Kedatangan
Awal Akhir
1 16:00 16:03 7
2 16:04 16:07 5
3 16:08 16:11 7
4 16:12 16:15 4
5 16:16 16:19 4
6 16:20 16:23 6
7 16:24 16:27 8
8 16:28 16:31 4
9 16:32 16:35 5
10 16:36 16:39 9
11 16:40 16:43 8
12 16:44 16:47 6
13 16:48 16:51 5
14 16:52 16:55 7
15 16:56 16:59 5
16 17:00 17:03 8
17 17:04 17:07 8
18 17:08 17:11 6
19 17:12 17:15 7
20 17:16 17:19 4
95
UNIVERSITAS
WIDYATAMA
Tabel 4. 36 Hasil Pengamatan Setelah Ditambahkan NPM (+4) (Lanjutan)

Interval Waktu
Jumlah
No. Pengamatan
Kedatangan
Awal Akhir
21 17:20 17:23 6
22 17:24 17:27 6
23 17:28 17:31 8
24 17:32 17:35 8
25 17:36 17:39 4
26 17:40 17:43 5
27 17:44 17:47 6
28 17:48 17:51 5
29 17:52 17:55 5
30 17:56 17:59 4
JUMLAH 180
RATA-RATA 6
Tabel 4. 37 Distribusi Frekuensi dari Distribusi Poisson 3 Menit

𝑋𝑖 𝐹𝑖 𝐹𝑖𝑋𝑖 (𝑋𝑖 − 𝑋̅) (𝑋𝑖 − 𝑋̅)2 𝐹𝑖(𝑋𝑖 − 𝑋̅)2
4 6 24 -2 4 24
5 7 35 -1 1 7
6 6 36 0 0 0
7 4 28 1 1 4
8 6 48 2 4 24
9 1 9 3 9 9
Jumlah 30 180 3 19 68
Contoh Perhitungan:
A. 𝐹𝑖 × 𝑋𝑖 C. (𝑋𝑖 − 𝑋̅)
𝐹𝑖𝑋𝑖 = 6 × 4 (𝑋𝑖 − 𝑋̅) = 4 − 6
= 24 = −2
B. 𝑋̅ 68
= √30 = √2,27 = 1,51
∑ 𝐹𝑖 × 𝑋𝑖
𝑋̅ =
∑ 𝐹𝑖 D. (𝑋𝑖 − 𝑋̅)2
=
24+35+36+28+48+9 (𝑋𝑖 − 𝑋̅)2 = (4 − 6)2
6+7+6+4+6+1
180 = (−2)2 = 4
= =6
30
96
UNIVERSITAS
WIDYATAMA
E. 𝐹𝑖 × (𝑋𝑖 − 𝑋̅)2
𝐹 × (𝑋𝑖 − 𝑋̅)2 = 6 × (4 − 6)2
= 6 × (−2)2
= 6 × 4 = 24
F. Standar Deviasi
∑ 𝐹𝑖(𝑋𝑖 − 𝑋̅)2
𝑆=√
∑ 𝐹𝑖
24+7+0+4+24+9
=√
6+7+6+4+6+1
G. Rata-rata Kedatangan
𝜆 = 𝑋̅
=6
Tabel 4. 38 Ringkasan Distribusi Poisson 3 Menit

Xi Fi Fkum P(x) E(i) E(i)k
4 6 6 0,134 4,016 4,016
5 7 13 0,161 4,819 8,834
6 6 19 0,161 4,819 13,653
7 4 23 0,138 4,130 17,783
8 6 29 0,103 3,098 20,881
9 1 30 0,069 2,065 22,946
Jumlah 30 0,765 22,946
Contoh Perhitungan:
A. F Kumulatif
𝐹(𝑋 = 9) = 𝐹(𝑋 = 4) + 𝐹(𝑋 = 5) + 𝐹(𝑋 = 6) + 𝐹(𝑋 = 7) + 𝐹(𝑋 = 8)
+ 𝐹(𝑋 = 9)
= 6+7+6+4+6+1
= 30
B. P(X)
𝜆𝑥 −𝜆
𝑃(𝑋) = 𝑒
𝑥!
64
𝑃(4) = 2,71828−6
4!
97
UNIVERSITAS
WIDYATAMA
1296
= 0,00248
4×3×2×1
1296
= 0,00248
24
= 0,134
C. E(i)
𝐸(𝑖) = 𝑃(𝑋) × 𝑁
𝐸(4) = 𝑃(4) × 30
= 0,134 × 30
= 4,016
D. E(i)k
𝐸(𝑖 = 9) = 𝐸(𝑖 = 4) + 𝐸(𝑖 = 5) + 𝐸(𝑖 = 6) + 𝐸(𝑖 = 7) + 𝐸(𝑖 = 8)

+ 𝐸(𝑖 = 9)
= 4,016 + 4,819 + 4,819 + 4,130 + 3,098 + 2,065
= 22,946
Diagram Batang Xi Terhadap Fk

35
29 30
30
Frekuensi Kumulatif
25 23
19
20
15 13
10
6
5
0
4 5 6 7 8 9
Xi
Gambar 4. 11 Diagram Batang Poisson 3 Menit

98
UNIVERSITAS
WIDYATAMA
Diagram Poligon Xi Terhadap E(i)k

25,000 22,946
20,881
E(i) Kumulatif 20,000 17,783
15,000 13,653
8,834
10,000
4,016
5,000
0,000
4 5 6 7 8 9
Xi
Gambar 4. 12 Diagram Poligon Poisson 3 Menit

B. Distribusi Probabilitas Poisson (5 Menit)
Berdasarkan hasil pengolahan data dengan menambahkan NPM (+4) pada masing-
masing jumlah kedatangan, berikut praktikan lampirkan pada Tabel 4.39 di bawah
ini:

Interval Waktu
Jumlah
No. Pengamatan
Kedatangan
Awal Akhir
1 16:00 16:05 8
2 16:06 16:11 7
3 16:12 16:17 4
4 16:18 16:23 6
5 16:24 16:29 8
6 16:30 16:35 5
7 16:36 16:41 10
8 16:42 16:47 9
9 16:48 16:53 6
10 16:54 16:59 6
11 17:00 17:05 9
12 17:06 17:11 9
13 17:12 17:17 7
14 17:18 17:23 6
15 17:24 17:29 8
16 17:30 17:35 10
99
UNIVERSITAS
WIDYATAMA
Tabel 4. 40 Hasil Pengamatan Setelah Ditambahkan NPM (+4) (Lanjutan)

Interval Waktu
Jumlah
No Pengamatan
Kedatangan
Awal Akhir
17 17:36 17:41 4
18 17:42 17:47 7
19 17:48 17:53 5
20 17:54 17:59 5
21 18:00 18:05 6
22 18:06 18:11 6
23 18:12 18:17 5
24 18:18 18:23 5
25 18:24 18:29 4
26 18:30 18:35 4
27 18:36 18:41 5
28 18:42 18:47 6
29 18:48 18:53 5
30 18:54 18:59 6
JUMLAH 191
RATA-RATA 6,37
Tabel 4. 41 Distribusi Frekuensi dari Distribusi Poisson 5 Menit

𝑋𝑖 𝐹𝑖 𝐹𝑖𝑋𝑖 (𝑋𝑖 − 𝑋̅) (𝑋𝑖 − 𝑋̅)2 𝐹𝑖(𝑋𝑖 − 𝑋̅)2
4 4 16 -2,37 5,60 22,40
5 7 35 -1,37 1,87 13,07
6 8 48 -0,37 0,13 1,08
7 3 21 0,63 0,40 1,20
8 3 24 1,63 2,67 8,00
9 3 27 2,63 6,93 20,80
10 2 20 3,63 13,20 26,40
Jumlah 30 191 4,43 30,81 92,97
Contoh Perhitungan:
A. 𝐹𝑖 × 𝑋𝑖
𝐹𝑖𝑋𝑖 = 4 × 4
= 16
B. 𝑋̅
∑ 𝐹𝑖 × 𝑋𝑖
𝑋̅ =
∑ 𝐹𝑖
16 + 35 + 48 + 21 + 24 + 27 + 20 191
= = = 6,37
4+7+8+3+3+3+2 30
100
UNIVERSITAS
WIDYATAMA
C. (𝑋𝑖 − 𝑋̅)
(𝑋𝑖 − 𝑋̅) = 4 − 6,37
= −2,37
D. (𝑋𝑖 − 𝑋̅)2
(𝑋𝑖 − 𝑋̅)2 = (4 − 6,37)2
= (−2,37)2 = 5,60
E. 𝐹𝑖 × (𝑋𝑖 − 𝑋̅)2
𝐹 × (𝑋𝑖 − 𝑋̅)2 = 4 × (4 − 6,37)2
= 4 × (−2,37)2
= 4 × 5,60 = 22,40
F. Standar Deviasi
∑ 𝐹𝑖(𝑋𝑖 − 𝑋̅)2
𝑆=√
∑ 𝐹𝑖
22,40+13,07+1,08+1,20+8,00+20,80+26,40 92,97
=√ =√
4+7+8+3+3+3+2 30
= √3,10 = 1,761
G. Rata-rata Kedatangan
𝜆 = 𝑋̅
= 6,37
Tabel 4. 42 Ringkasan Distribusi Poisson 5 Menit

Xi Fi Fkum P(x) E(i) E(i)k
4 4 4 0,117 3,524 3,524
5 7 11 0,150 4,489 8,013
6 8 19 0,159 4,766 12,779
7 3 22 0,145 4,337 17,117
8 3 25 0,115 3,454 20,570
9 3 28 0,081 2,444 23,014
10 2 30 0,052 1,557 24,571
Jumlah 30 0,819 24,571
101
UNIVERSITAS
WIDYATAMA
Contoh Perhitungan:
A. F Kumulatif
𝐹(𝑋 = 9) = 𝐹(𝑋 = 4) + 𝐹(𝑋 = 5) + 𝐹(𝑋 = 6) + 𝐹(𝑋 = 7) + 𝐹(𝑋 = 8)
+ 𝐹(𝑋 = 9) + 𝐹(𝑋 = 10)
= 4+7+8+3+3+3+2
= 30
B. 𝑃(𝑋)
𝜆𝑥 −𝜆
𝑃(𝑋) = 𝑒
𝑥!
6,374
𝑃(4) = 2,71828−6,37
4!
1646,485
= 0,00171
4×3×2×1
1646,485
= 0,00171 = 0,117
24
C. 𝐸(𝑖)
𝐸(𝑖) = 𝑃(𝑋) × 𝑁
𝐸(4) = 𝑃(4) × 30
= 0,117 × 30
= 3,524
D. E(i)k
𝐸(𝑖 = 9) = 𝐸(𝑖 = 4) + 𝐸(𝑖 = 5) + 𝐸(𝑖 = 6) + 𝐸(𝑖 = 7) + 𝐸(𝑖 = 8)

+ 𝐸(𝑖 = 9) + 𝐸(𝑖 = 10)
= 3,524 + 4,489 + 4,766 + 4,337 + 3,454 + 2,444 + 1,557
= 24,571
102
UNIVERSITAS
WIDYATAMA
DIAGRAM BATANG Xi TERHADAP FK

35
30
30 28
25
Frekuensi Kumulatif
25
22
19
20
15
11
10
4
5
0
4 5 6 7 8 9 10
Frekuensi Kumulatif


30,000
24,571
25,000 23,014
20,570
20,000
E(i) Kumulatif
17,117
15,000 12,779
10,000 8,013
5,000 3,524
0,000
4 5 6 7 8 9 10
Xi

C. Distribusi Probabilitas Eksponensial

Berdasarkan hasil pengolahan data dengan menambahkan NPM (+31) pada
masing-masing lamanya waktu pelayanan, berikut praktikan lampirkan pada Tabel
4.43 sebagai berikut:
103
UNIVERSITAS
WIDYATAMA

Interval Waktu Pengamatan
No. Pelanggan Selang Waktu (Detik)
Datang Pergi
1 16:00:00 16:01:33 93
2 16:03:31 16:05:30 109
3 16:06:31 16:08:14 103
4 16:08:31 16:10:02 91
5 16:12:31 16:14:28 117
6 16:16:31 16:17:54 83
7 16:20:31 16:22:12 101
8 16:24:31 16:26:28 117
9 16:30:31 16:32:31 120
10 16:35:31 16:37:10 99
11 16:40:31 16:42:28 117
12 16:45:31 16:47:24 113
13 16:48:31 16:50:12 101
14 16:51:31 16:53:33 122
15 16:54:31 16:56:11 100
16 16:58:31 17:00:03 92
17 17:02:31 17:04:23 112
18 17:10:31 17:12:29 118
19 17:14:31 17:16:06 95
20 17:20:31 17:22:18 107
21 17:23:31 17:25:32 121
22 17:28:31 17:29:58 87
23 17:35:31 17:37:20 109
24 17:41:31 17:43:26 115
25 17:44:31 17:46:09 98
26 17:55:31 17:57:22 111
27 18:01:31 18:03:10 99
28 18:05:31 18:07:32 121
29 18:08:31 18:10:07 96
30 18:15:31 18:17:23 112
RATA-RATA 105,97
Tabel 4. 44 Distribusi Frekuensi dari Distribusi Eksponensial

Batas
Kelas Interval Kelas Xi fi fi kum fi × Xi 𝒊 −𝒙 ( 𝒊 − 𝒙) fi( 𝒊 − 𝒙)
Bawah Atas
1 83,00 - 89,63 82,995 89,635 86,315 1 1 86,315 -19,920 396,806 396,806
2 89,64 - 96,27 89,635 96,275 92,955 6 7 557,730 -13,280 176,358 1058,150
3 96,28 - 102,91 96,275 102,915 99,595 6 13 597,570 -6,640 44,090 264,538
4 102,92 - 109,55 102,915 109,555 106,235 4 17 424,940 0,000 0,000 0,000
5 109,56 - 116,19 109,555 116,195 112,875 5 22 564,375 6,640 44,090 220,448
6 116,20 - 122,83 116,195 122,835 119,515 8 30 956,120 13,280 176,358 1410,867
∑ 30 3187,050 -19,920 837,702 3350,810
A. Rentang
𝑅 = Nilai data terbesar – Nilai data terkecil

= 122 – 83 = 39
104
UNIVERSITAS
WIDYATAMA
B. Banyak Kelas
∑ 𝐾 = 1 + 3,33 × 𝐿𝑜𝑔(𝑁)
= 1 + 3,33 × 𝐿𝑜𝑔(30)
= 1 + 3,33 × 1,477
= 5,87 ≈ 6
C. Interval
𝑅
𝑖=
∑𝐾
39
=
5,87
= 6,64
D. 𝑋̅
∑ 𝑋𝑖 × 𝑓𝑖
𝑋̅ =
∑ 𝑓𝑖
86,315 + 557,730 + 597,570 + 424,940 + 564,375 + 956,120
=
1+6+6+4+5+8
3187,050
= = 106,235
30
E. Standar Deviasi
∑ 𝐹𝑖(𝑋𝑖 − 𝑋̅)2
𝑆=√
∑ 𝐹𝑖
396,806 + 1058,150 + 264,538 + ⋯ + 1410,867

=√
4+7+8+3+3+3+2
3350,810
=√
30
= √111,694 = 10,569
F. Rata-Rata Kedatangan
1 1
𝜆= = = 0,009
𝑥̅ 106,235
105
UNIVERSITAS
WIDYATAMA
Tabel 4. 45 Ringkasan Distribusi Eksponensial

Batas
Kelas Interval Kelas Xi fi fi kum P(x)b P(x)a P(x) E(i) E(i)kum
Bawah Atas
1 83,00 - 89,63 82,995 89,635 86,315 1 1 0,474 0,446 0,027 0,825 0,825
2 89,64 - 96,27 89,635 96,275 92,955 6 7 0,446 0,420 0,026 0,777 1,601
3 96,28 - 102,91 96,275 102,915 99,595 6 13 0,420 0,396 0,024 0,732 2,333
4 102,92 - 109,55 102,915 109,555 106,235 4 17 0,396 0,373 0,023 0,689 3,022
5 109,56 - 116,19 109,555 116,195 112,875 5 22 0,373 0,351 0,022 0,649 3,671
6 116,20 - 122,83 116,195 122,835 119,515 8 30 0,351 0,331 0,020 0,612 4,283
∑ 30 2,461 2,318 0,143 4,283
Contoh Perhitungan:
a. 𝐵𝑎𝑡𝑎𝑠 𝐵𝑎𝑤𝑎ℎ = 83,00 − 0,005 d. 𝑃(𝑥)𝑏 = 𝑒 − 𝜆𝑏

= 82,995 = 2,71828−0,009 𝑥 82,995
b. 𝐵𝑎𝑡𝑎𝑠 𝐴𝑡𝑎𝑠 = 89,63 − 0,005 = 0,476
= 89,635 e. 𝑃(𝑥) = 𝑃(𝑥)𝑏 − 𝑃(𝑥)𝑎
c. 𝑃(𝑥)𝑎 = 𝑒 − 𝜆𝑎 = 0,476 − 0,446
= 2,71828−0,009 𝑥 89,635 = 0,027
= 0,446 f. 𝐸(𝑖) = 𝑃(𝑥) × 𝑁
= 0,027 × 30
= 0,825
Diagram Batang Xi Terhadap Fk

35
30
30
Frekuensi Kumulatif
25 22
20 17
15 13
10 7
5
1
0
86,315 92,955 99,595 106,235 112,875 119,515
Xi
Gambar 4. 15 Diagram Batang Eksponensial

106
UNIVERSITAS
WIDYATAMA

4,600 4,283
4,100 3,671
3,600
3,022
E(i) Kumulatif
3,100
2,600 2,333
2,100
1,601
1,600
1,100 0,825
0,600
86,315 92,955 99,595 106,235 112,875 119,515
Xi
Gambar 4. 16 Diagram Poligon Eksponensial

D. Teori Antrean
𝒕 = 𝟑 𝒎𝒆𝒏𝒊𝒕
A. Rata-rata Kedatangan D. Rata-rata Banyaknya Pengantre

𝑋̅ × 𝑛 6×3 dalam Sistem
𝜆= =
𝑛 × 60 𝑑𝑒𝑡𝑖𝑘 3 × 60 𝜆
𝐿=
= 0,1 𝜇−𝜆
B. Waktu Pelayanan 0,1
=
λ 106,235 − 0,1
ρ= 0,1
𝜇
=
0,1 106,135
=
106,235 = 0,00094 orang
detik E. Rata-rata Banyaknya Pengantre
= 0,0009413
orang 𝜆2
𝐿𝑞 =
C. 𝑃o = 1 − ρ 𝜇(𝜇 − 𝜆)
= 1 − 0,0009413 (0,1)2
=
= 0,9990587 106,235(106,235 − 0,1)
0,01 0,01
= =
106,235(106,135) 11275,252
= 0,000000887 𝑜𝑟𝑎𝑛𝑔
107
UNIVERSITAS
WIDYATAMA
F. Rata-rata Waktu Menunggu dalam G. Rata-rata Waktu Antre

Sistem 𝜆
𝑊𝑞 =
1 𝜇(𝜇 − 𝜆)
𝑊=
𝜇−λ 0,1
=
1 106,235(106,235 − 0,1)
=
106,235 − 0,1 0,1
=
1 106,235(106,135)
= 106,135 = 0,00942 detik
0,1
=
11.275,25
= 0,00000887 detik
𝒕 = 𝟓 𝒎𝒆𝒏𝒊𝒕
A. Rata-rata Kedatangan E. Rata-rata Banyaknya Pengantre
𝑋̅ × 𝑛 6,37 × 3 𝜆2
𝜆= = 𝐿𝑞 =
𝑛 × 60 𝑑𝑒𝑡𝑖𝑘 3 × 60 𝜇(𝜇 − 𝜆)
= 0,11 (0,11)2
=
B. Waktu Pelayanan 106,235(106,235 − 0,11)
λ 0,0121
ρ= =
𝜇 106,235(106,125)
0,11 0,0121
= = = 0,000001073 𝑜𝑟𝑎𝑛𝑔
106,235 11274,19
= 0,001035 detik/orang F. Rata-rata Waktu Menunggu dalam Sistem
C. 𝑃o = 1 − ρ 1
𝑊=
𝜇−λ
= 1 − 0,001035
1
= 0,998965 =
106,235 − 0,11
D. Rata-rata Banyaknya 1
= 106,125 = 0,00942 detik
Pengantre dalam Sistem
G. Rata-rata Waktu Antre
𝜆
𝐿= 𝜆
𝜇−𝜆 𝑊𝑞 =
0,11 𝜇(𝜇 − 𝜆)
= 0,11
106,235 − 0,11 =
0,11 106,235(106,235 − 0,11)
= 0,11
106,125 = 11274,19 = 0,00000887 detik
= 0,001037 orang
108
UNIVERSITAS
WIDYATAMA

4.2.4.1 Statistik Parametrik
A. Panjang Balok
Berdasarkan hasil pengolahan data yang dilakukan dengan menambahkan NPM
(+0,31) pada masing-masing data yang tersedia, berikut 40 data panjang balok yang
telah ditambah NPM pada Tabel 4.46 di bawah ini:
Tabel 4. 46 Panjang Balok Setelah Ditambah NPM (+0,31)

No. Panjang Balok (mm) No. Panjang Balok (mm)
1 50,04 21 49,42
2 49,81 22 49,88
3 50,31 23 49,66
4 49,19 24 49,75
5 50,31 25 49,78
6 49,31 26 51,11
7 49,83 27 50,2
8 50,26 28 50,66
9 50,15 29 48,96
10 49,31 30 49,77
11 49,24 31 49,59
12 49,24 32 49,72
13 49,81 33 49,82
14 49,18 34 50,05
15 50,31 35 50,87
16 48,99 36 48,7
17 50,31 37 49,85
18 50,05 38 49,52
19 49,83 39 49,82
20 50,31 40 49,59
Tabel 4. 47 Perhitungan Frekuesi Data Panjang Balok

KELAS INTERVAL Fi Fk LCL UCL CM LCB UCB Fi x CM
1 48,70 - 49,07 2 2 48,70 49,07 48,89 48,695 49,075 97,77
2 49,08 - 49,45 8 10 49,08 49,45 49,27 49,075 49,455 394,12
3 49,46 - 49,83 14 24 49,46 49,83 49,65 49,455 49,835 695,03
4 49,84 - 50,21 7 31 49,84 50,21 50,03 49,835 50,215 350,18
5 50,22 - 50,59 6 37 50,22 50,59 50,41 50,215 50,595 302,43
6 50,60 - 50,97 2 39 50,60 50,97 50,79 50,595 50,975 101,57
7 50,98 - 51,35 1 40 50,98 51,35 51,17 50,975 51,355 51,17
JUMLAH 40 143 1992,26
RATA-RATA 49,81
109
UNIVERSITAS
WIDYATAMA
GRAFIK HISTOGRAM CM
TERHADAP Fi
15
10
Fi
14
5
8 7 6
0 2 2 1
48,89 49,27 49,65 50,03 50,41 50,79 51,17
CM
Gambar 4. 17 Grafik Histogram CM Terhadap Fi

Contoh Perhitungan:
1. 𝑅𝑎𝑛𝑔𝑒 (𝑅) = 𝑋𝑚𝑎𝑘𝑠 − 𝑋𝑚𝑖𝑛

= 51,11 − 48,70
= 2,41
2. 𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑒𝑙𝑎𝑠 (𝐾) = 1 + 3,3 𝐿𝑜𝑔 𝑁
= 1 + 3,3 𝐿𝑜𝑔 (40)
= 1 + 3,3 (1,60)
= 1 + 5,28
= 6,28 ≈ 7
𝑅
3. 𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙 = 𝐾
2,41
= = 0,38
6,28
4. 𝐿𝐶𝐵 = 𝐿𝐶𝐿 − 0,005
= 48,70 − 0,005
= 48,695
5. 𝑈𝐶𝐵 = 𝑈𝐶𝐿 + 0,005
= 49,07 + 0,005
= 49,075
𝐿𝐶𝐿+𝑈𝐶𝐿
6. 𝐶𝑀 = 2
48,70 + 49,07
= = 48,89
2
110
UNIVERSITAS
WIDYATAMA
Uji Hipotesis:
1. Rumusan Masalah
𝐻 0 ∶ 𝜇 0 ≤ 49 𝑚𝑚
𝐻 1 ∶ 𝜇 0 > 49 𝑚𝑚
2. Wilayah Kritis
𝐻 0 ditolak jika 𝑍ℎ𝑖𝑡 > 𝑍α
𝛂 = 𝟏%
1 − α = 1 − 0,01
= 0,9900
𝑍0,9900 = 2,33
𝛂 = 𝟓%
1 − α = 1 − 0,05
= 0,9500
𝑍0,9500 = 1,64
𝛂 = 𝟏𝟎%
1 − α = 1 − 0,1
= 0,9000
𝑍0,9000 = 1,28
3. Uji Hipotesis
a. 𝜇 0 = 49 𝑚𝑚
b. 𝐹𝑖 × 𝐶𝑀 = 2 × 48,8 = 97,77
∑ 𝐹𝑖×𝐶𝑀
c. 𝑋̅ = 𝑁
1992,26
= = 49,81
40
𝑋̅ −𝜇0
d. 𝑍ℎ𝑖𝑡 = 2⁄
√𝑛
49,81 − 49
=
2⁄
√40
0,81
=
2⁄
6,32
0,81
= = 2,53
0,32
111
UNIVERSITAS
WIDYATAMA
Gambar 4. 18 Kurva Distribusi Normal 1% Panjang Balok

Gambar 4. 19 Kurva Distribusi Normal 5 % Panjang Balok

Gambar 4. 20 Kurva Distribusi Normal 10 % Panjang Balok

4. Kesimpulan
Berdasarkan kurva pada Gambar 4.18 sampai dengan Gambar 4.21
dengan menggunakan taraf nyata sebesar 1% (Ztabel = 2,33), 5% (Ztabel
= 1,64), 10% (Ztabel = 1,28) menunjukkan bahwa Zhit = 2,53 jatuh pada
daerah penolakan H0. Berdasarkan hal tersebut dapat disimpulkan
bahwa H0 ditolak dan H1 diterima yang berarti 𝜇 0 > 49mm.
112
UNIVERSITAS
WIDYATAMA
B. Lebar Balok
(+0,31) pada masing-masing data yang tersedia, berikut 40 data lebar balok yang
Tabel 4. 48 Lebar Balok Setelah Ditambah NPM (+0,31)

No. Lebar Balok (mm) No. Lebar Balok (mm)
1 29,16 21 29,27
2 39,81 22 29,66
3 30,31 23 29,43
4 29,34 24 29,60
5 29,51 25 29,95
6 20,57 26 28,63
7 28,81 27 29,32
8 20,84 28 29,84
9 29,34 29 30,22
10 29,15 30 28,45
11 28,81 31 29,29
12 29,67 32 29,06
13 28,81 33 28,90
14 29,87 34 28,51
15 29,31 35 29,04
16 30,21 36 29,64
17 29,81 37 29,19
18 30,15 38 29,22
19 29,99 39 30,20
20 29,91 40 28,66
Tabel 4. 49 Perhitungan Frekuensi Data Lebar Balok

1 20,57 - 23,62 2 2 20,57 23,62 22,10 20,565 23,625 44,19
2 23,63 - 26,68 0 2 23,63 26,68 25,16 23,625 26,685 0,00
3 26,69 - 29,74 25 27 26,69 29,74 28,22 26,685 29,745 705,38
4 29,75 - 32,80 12 39 29,75 32,80 31,28 29,745 32,805 375,30
5 32,81 - 35,86 0 39 32,81 35,86 34,34 32,805 35,865 0,00
6 35,87 - 38,92 0 39 35,87 38,92 37,40 35,865 38,925 0,00
7 38,93 - 41,98 1 40 38,93 41,98 40,46 38,925 41,985 40,46
JUMLAH 40 148 1165,32
RATA-RATA 29,13
GRAFIK HISTOGRAM CM
TERHADAP Fi
30
20
Fi
10 25
12
0 2 0 0 0 1
1 2 3 4 5 6 7
CM

113
UNIVERSITAS
WIDYATAMA
Contoh Perhitungan:

= 39,81 − 20,57
= 19,24
= 1 + 3,3 𝐿𝑜𝑔 (40)
= 1 + 3,3 (1,60)
= 1 + 5,28
= 6,28 ≈ 7
𝑅
19,24
= = 3,06
6,28
4. 𝐿𝐶𝐵 = 𝐿𝐶𝐿 − 0,005
= 20,57 − 0,005
= 40,565
5. 𝑈𝐶𝐵 = 𝑈𝐶𝐿 + 0,005
= 23,62 + 0,005
= 23,625
6. 𝐶𝑀 = 2
20,57+23,62
= = 22,10
2
Uji Hipotesis
1. Rumusan Masalah
𝐻 0 ∶ 𝜇 0 ≥ 29 𝑚𝑚
𝐻 1 ∶ 𝜇 0 < 29 𝑚𝑚
2. Wilayah Kritis
𝐻 0 ditolak jika 𝑍ℎ𝑖𝑡 < −𝑍α
𝛂 = 𝟏% 𝛂 = 𝟓%
𝑍0,01 = −2,33 𝑍0,05 = −1,64
𝛂 = 𝟏𝟎%
𝑍0,1 = −1,28
114
UNIVERSITAS
WIDYATAMA
3. Uji Hipotesis
a. 𝜇 0 = 29 𝑚𝑚 𝑋̅ −𝜇0
d. 𝑍ℎ𝑖𝑡 = 𝜎
⁄ 𝑛
√
b. 𝐹𝑖 × 𝐶𝑀 = 2 × 22,10
29,13 − 29
= 44,19 =
2⁄
c. 𝑋̅ = 𝑁 √40
0,13
1165,32 =
= = 29,13 2⁄
40 6,32
0,13
= = 0,41
0,32
Gambar 4. 22 Kurva Distribusi Normal 1% Lebar Balok



4. Kesimpulan
Berdasarkan Gambar 4.22 sampai 4.24 di atas menunjukkan bahwa dengan
menggunakan taraf nyata () 1%, 5% dan 10% yang menghasilkan nilai
115
UNIVERSITAS
WIDYATAMA
Ztabel berturut-turut sebesar -2,33, -1,64 dan -1,28. Berdasarkan

perhitungan yang telah dilakukan menghasilkan Zhit = 0,41, nilai tersebut
berdasarkan kurva jatuh pada daerah penerimaan H0 yang artinya bahwa H0
diterima atau 𝜇 0 ≥ 29 𝑚𝑚.
C. Berat Detergen
(+0,31) pada masing-masing data yang tersedia, berikut 40 data berat detergen yang
Tabel 4. 50 Berat Detergen Setelah Ditambah NPM (+0,31)

No. Berat Detergen (gr) No. Berat Detergen (gr)
1 53,73 21 57,11
2 54,83 22 55,46
3 49,03 23 49,92
4 55,00 24 53,96
5 59,19 25 55,18
6 52,77 26 55,61
7 50,58 27 51,69
8 55,29 28 57,20
9 52,75 29 53,32
10 46,61 30 55,50
11 56,52 31 51,44
12 56,51 32 59,11
13 59,29 33 50,45
14 58,01 34 56,09
15 58,64 35 59,49
16 53,21 36 55,83
17 55,66 37 57,72
18 57,84 38 57,39
19 52,96 39 56,03
20 56,48 40 55,14
Tabel 4. 51 Perhitungan Frekuensi Data Detergen

1 46,61 - 48,65 1 1 46,61 48,65 47,63 46,605 48,655 47,63
2 48,66 - 50,70 4 5 48,66 50,70 49,68 48,655 50,705 198,72
3 50,71 - 52,75 3 8 50,71 52,75 51,73 50,705 52,755 155,19
4 52,76 - 54,80 6 14 52,76 54,80 53,78 52,755 54,805 322,68
5 54,81 - 56,85 15 29 54,81 56,85 55,83 54,805 56,855 837,45
6 56,86 - 58,90 7 36 56,86 58,90 57,88 56,855 58,905 405,16
7 58,91 - 60,95 4 40 58,91 60,95 59,93 58,905 60,955 239,72
JUMLAH 40 133 2206,55
RATA-RATA 55,16
116
UNIVERSITAS
WIDYATAMA
GRAFI K H I S TO GRAM C M
T E RH ADAP FI
FI
15
6 7
4 3 4
1
47,63 49,68 51,73 53,78 55,83 57,88 59,93
CM

A. Contoh Perhitungan:
= 59,49 − 46,61
= 12,88
= 1 + 3,3 𝐿𝑜𝑔 (40)
= 1 + 3,3 (1,60)
= 1 + 5,28
= 6,28 ≈ 7
𝑅
12,88
= = 2,05
6,28
4. 𝐿𝐶𝐵 = 𝐿𝐶𝐿 − 0,005
= 46,61 − 0,005
= 46,605
5. 𝑈𝐶𝐵 = 𝑈𝐶𝐿 + 0,005
= 48,65
= 48,655
6. 𝐶𝑀 = 2
46,61 + 48,65
= = 47,63
2
117
UNIVERSITAS
WIDYATAMA
B. Uji Hipotesis
1. Rumusan Masalah
𝐻 0 ∶ 𝜇0 = 48 𝑔𝑟𝑎𝑚
𝐻 1 ∶ 𝜇0 ≠ 48 𝑔𝑟𝑎𝑚
2. Wilayah Kritis
𝐻 0 ditolak jika 𝑍ℎ𝑖𝑡 < −𝑍α/2 dan 𝑍ℎ𝑖𝑡 > 𝑍α/2
𝛂 = 𝟏%
α ⁄ = 0,5% = 0,005
2
1 − α = 1 − 0,005
= 0,9950
𝑍0,9950 = 2,575
𝛂 = 𝟓%
α ⁄ = 2,5% = 0,025
2
1 − α = 1 − 0,025
= 0,9750
𝑍0,9970 = 1,96
𝛂 = 𝟏𝟎%
α⁄ = 5% = 0,05
2
1 − α = 1 − 0,05
= 0,9500
𝑍0,9500 = 1,645
C. Uji Hipotesis
1. 𝜇 0 = 48 𝑔𝑟𝑎𝑚 𝑋̅ −𝜇0
4. 𝑍ℎ𝑖𝑡 = 𝜎
⁄
√𝑁
2. 𝐹𝑖 × 𝐶𝑀 = 1 × 47,63
55,16 − 48
= 47,63 =
1⁄
3. 𝑋̅ = 𝑁 √40
7,16
2206,55 =
= = 55,16 1⁄
40 6,32
7,16
=
0,16
= 44,8
118
UNIVERSITAS
WIDYATAMA
Gambar 4. 26 Kurva Distribusi Normal 1% Berat Detergen



D. Kesimpulan
Berdasarkan hasil perhitungan 𝑍 yang menghasilkan nilai 𝑍ℎ𝑖𝑡 = 6,68,
maka untuk α = 1% (𝑍𝑡𝑎𝑏𝑒𝑙 = 2,575) 𝐻𝑜 ditolak karena 𝑍ℎ𝑖𝑡 >
𝑍 α⁄2 atau 44,8 > 2,575, hal tersebut memiliki arti bahwa rata-rata
berat detergen ≠ 48 gram. Begitupun dengan α = 5% dan α = 10%
yang menunjukkan masing-masing 𝑍𝑡𝑎𝑏𝑒𝑙 yaitu 1,96 dan 1,645.
Berdasarkan hasil tersebut maka 𝐻𝑜 ditolak karena 𝑍ℎ𝑖𝑡 > 𝑍 α⁄2 atau
44,8 > 1,96 dan 44,8 > 1,645, hal tersebut menunjukkan bahwa rata-
rata berat detergen ≠ 48 gram.
119
UNIVERSITAS
WIDYATAMA
4.2.4.2 Statistik Non-Parametrik

A. Uji Kolmogorov Smirnov Sampel 1
Tabel 4. 52 Uji Kolmogorov Smirnov Sampel 1
No Xi Z Ft Fs D No Xi Z Ft Fs D
1 15,30 -2,370,00901 0,02 0,01099 26 27,42 -0,10 0,46196 0,52 0,05804
2 16,63 -2,120,01717 0,04 0,02283 27 27,90 -0,01 0,49776 0,54 0,04224
3 18,92 -1,690,04578 0,06 0,01422 28 28,04 0,02 0,50822 0,56 0,05178
4 20,80 -1,340,09090 0,08 0,0109 29 28,26 0,06 0,52464 0,58 0,05536
5 21,07 -1,280,09946 0,10 0,00054 30 28,74 0,15 0,56028 0,60 0,03972
6 21,48 -1,210,11355 0,12 0,00645 31 29,49 0,29 0,61491 0,62 0,00509
7 21,68 -1,170,12092 0,14 0,01908 32 29,96 0,38 0,64808 0,64 0,00808
8 22,31 -1,050,14630 0,16 0,0137 33 29,96 0,38 0,64808 0,66 0,01192
9 22,96 -0,930,17600 0,18 0,004 34 30,01 0,39 0,65155 0,68 0,02845
10 23,15 -0,900,18536 0,20 0,01464 35 30,26 0,44 0,66870 0,70 0,0313
11 23,84 -0,770,22186 0,22 0,00186 36 30,82 0,54 0,70581 0,72 0,01419
12 24,41 -0,660,25489 0,24 0,01489 37 30,91 0,56 0,71160 0,74 0,0284
13 24,43 -0,660,25610 0,26 0,0039 38 31,49 0,67 0,74751 0,76 0,01249
14 24,47 -0,650,25851 0,28 0,02149 39 32,00 0,76 0,77702 0,78 0,00298
15 24,79 -0,590,27826 0,30 0,02174 40 33,32 1,01 0,84360 0,80 0,0436
16 25,15 -0,520,30132 0,32 0,01868 41 33,56 1,05 0,85413 0,82 0,03413
17 25,24 -0,500,30722 0,34 0,03278 42 34,78 1,28 0,90021 0,84 0,06021
18 25,60 -0,440,33130 0,36 0,0287 43 34,91 1,31 0,90441 0,86 0,04441
19 25,73 -0,410,34018 0,38 0,03982 44 35,08 1,34 0,90971 0,88 0,02971
20 25,94 -0,370,35470 0,40 0,0453 45 35,47 1,41 0,92102 0,90 0,02102
21 26,59 -0,250,40093 0,42 0,01907 46 35,61 1,44 0,92481 0,92 0,00481
22 26,64 -0,240,40456 0,44 0,03544 47 36,57 1,62 0,94717 0,94 0,00717
23 26,68 -0,230,40746 0,46 0,05254 48 37,34 1,76 0,96098 0,96 0,00098
24 27,11 -0,150,43898 0,48 0,04102 49 37,35 1,76 0,96114 0,98 0,01886
25 27,18 -0,140,44415 0,50 0,05585 50 39,07 2,09 0,98152 1,00 0,01848
Jumlah 1396,42
Rata-Rata 27,93
Uji Hipotesis
1. Rumusan Hipotesis
H0: Data berdistribusi normal
H1: Data tidak berdistribusi normal
2. Daerah Kritis
H0 diterima jika Dmax < Ktabel
H0 ditolak jika Dmax > Ktabel
 = 5%
Ktabel = 0,188
120
UNIVERSITAS
WIDYATAMA
3. Perhitungan Z, Ft, Fs dan Dmax

∑ 𝑋𝑖
a. 𝑋̅ = 𝑛
1396,42
=
50
= 27,93
∑ 𝑋𝑖
b. 𝜎 = √𝑛−1
1396,42
=√
49
= √28,50 = 5,34
𝑋𝑖−𝑋̅
c. 𝑍 = 𝜎
15,30 − 27,93
=
5,34
−12,63
= = −2,37
5,34
𝑁𝑜. 𝑈𝑟𝑢𝑡
d. 𝐹𝑠1 = 𝑁
1
= = 0,02
50
e. 𝐷𝑚𝑎𝑥 = |𝐹𝑡 − 𝐹𝑠|
= |0,90021 − 0,84|
= 0,06021
4. Kesimpulan
Berdasarkan hasil perhitungan Dmax yaitu sebesar 0,06021 dengan tingkat
kepercayaan 5%, maka H0 dinyatakan diterima karena memenuhi syarat
yaitu Dmax < Ktabel atau 0,06021 < 0,188. Hal tersebut menunjukkan bahwa
data berdistribusi normal.
121
UNIVERSITAS
WIDYATAMA
B. Uji Kolmogorov Smirnov Sampel 2

1 19,53 -2,20 0,01388 0,02 0,00612 26 31,64 -0,09 0,46523 0,52 0,05477
2 20,86 -1,97 0,02450 0,04 0,0155 27 32,13 0,00 0,49930 0,54 0,0407
3 23,14 -1,57 0,05813 0,06 0,00187 28 32,27 0,02 0,50905 0,56 0,05095
4 25,03 -1,24 0,10733 0,08 0,02733 29 32,49 0,06 0,52435 0,58 0,05565
5 25,30 -1,19 0,11629 0,10 0,01629 30 32,97 0,14 0,55759 0,60 0,04241
6 25,71 -1,12 0,13090 0,12 0,0109 31 33,56 0,25 0,59786 0,62 0,02214
7 25,90 -1,09 0,13808 0,14 0,00192 32 33,72 0,28 0,60863 0,64 0,03137
8 26,54 -0,98 0,16421 0,16 0,00421 33 34,18 0,36 0,63909 0,66 0,02091
9 27,18 -0,87 0,19335 0,18 0,01335 34 34,24 0,37 0,64300 0,68 0,037
10 27,38 -0,83 0,20307 0,20 0,00307 35 34,48 0,41 0,65850 0,70 0,0415
11 28,07 -0,71 0,23876 0,22 0,01876 36 35,05 0,51 0,69422 0,72 0,02578
12 28,63 -0,61 0,27008 0,24 0,03008 37 35,14 0,52 0,69971 0,74 0,04029
13 28,66 -0,61 0,27182 0,26 0,01182 38 35,72 0,62 0,73394 0,76 0,02606
14 28,70 -0,60 0,27414 0,28 0,00586 39 36,22 0,71 0,76178 0,78 0,01822
15 29,01 -0,55 0,29245 0,30 0,00755 40 37,55 0,94 0,82745 0,80 0,02745
16 29,38 -0,48 0,31502 0,32 0,00498 41 37,79 0,99 0,83794 0,82 0,01794
17 29,46 -0,47 0,31999 0,34 0,02001 42 39,01 1,20 0,88473 0,84 0,04473
18 29,63 -0,44 0,33068 0,36 0,02932 43 39,13 1,22 0,88875 0,86 0,02875
19 29,95 -0,38 0,35116 0,38 0,02884 44 39,31 1,25 0,89459 0,88 0,01459
20 30,17 -0,34 0,36550 0,40 0,0345 45 39,70 1,32 0,90648 0,90 0,00648
21 30,82 -0,23 0,40890 0,42 0,0111 46 39,76 1,33 0,90821 0,92 0,01179
22 30,86 -0,22 0,41162 0,44 0,02838 47 40,80 1,51 0,93465 0,94 0,00535
23 30,90 -0,22 0,41434 0,46 0,04566 48 41,57 1,65 0,95009 0,96 0,00991
24 31,34 -0,14 0,44448 0,48 0,03552 49 41,57 1,65 0,95009 0,98 0,02991
25 31,41 -0,13 0,44931 0,50 0,05069 50 43,29 1,95 0,97417 1,00 0,02583
Jumlah 1606,85
Rata-Rata 32,14
Uji Hipotesis

2. Daerah Kritis

 = 5%
Ktabel = 0,188
122
UNIVERSITAS
WIDYATAMA
∑ 𝑋𝑖
a. 𝑋̅ = 𝑛
1606,85
=
50
= 32,14
∑ 𝑋𝑖
b. 𝜎 = √𝑛−1
1606,85
=√
49
= √32,80 = 5,73
𝑋𝑖−𝑋̅
c. 𝑍 = 𝜎
19,53 − 32,14
=
5,73
−12,61
= = −2,20
5,73
d. 𝐹𝑠1 = 𝑁
1
= = 0,02
50
= |0,52435 − 0,58|
= 0,05565
4. Kesimpulan
123
UNIVERSITAS
WIDYATAMA
C. Uji Kolmogorov Smirnov Sampel 3

1 11,75 -2,53 0,00570 0,02 0,0143 26 24,35 0,00 0,50000 0,52 0,02
2 13,07 -2,27 0,01175 0,04 0,02825 27 24,48 0,03 0,51041 0,54 0,02959
3 14,80 -1,92 0,02758 0,06 0,03242 28 24,54 0,04 0,51522 0,56 0,04478
4 15,06 -1,87 0,03106 0,08 0,04894 29 24,71 0,07 0,52881 0,58 0,05119
5 15,36 -1,81 0,03552 0,10 0,06448 30 25,18 0,17 0,56618 0,60 0,03382
6 18,68 -1,14 0,12744 0,12 0,00744 31 26,40 0,41 0,65970 0,62 0,0397
7 18,75 -1,12 0,13040 0,14 0,0096 32 26,41 0,41 0,66044 0,64 0,02044
8 18,76 -1,12 0,13083 0,16 0,02917 33 26,46 0,42 0,66411 0,66 0,00411
9 19,35 -1,00 0,15769 0,18 0,02231 34 26,70 0,47 0,68150 0,68 0,0015
10 19,40 -0,99 0,16012 0,20 0,03988 35 27,10 0,55 0,70960 0,70 0,0096
11 20,88 -0,70 0,24297 0,22 0,02297 36 27,94 0,72 0,76451 0,72 0,04451
12 20,92 -0,69 0,24549 0,24 0,00549 37 28,02 0,74 0,76942 0,74 0,02942
13 21,17 -0,64 0,26156 0,26 0,00156 38 28,44 0,82 0,79426 0,76 0,03426
14 21,22 -0,63 0,26483 0,28 0,01517 39 28,51 0,84 0,79824 0,78 0,01824
15 21,44 -0,58 0,27950 0,30 0,0205 40 29,38 1,01 0,84376 0,80 0,04376
16 22,39 -0,39 0,34695 0,32 0,02695 41 30,06 1,15 0,87422 0,82 0,05422
17 22,40 -0,39 0,34769 0,34 0,00769 42 30,24 1,18 0,88154 0,84 0,04154
18 22,65 -0,34 0,36641 0,36 0,00641 43 30,31 1,20 0,88431 0,86 0,02431
19 22,81 -0,31 0,37857 0,38 0,00143 44 30,74 1,28 0,90028 0,88 0,02028
20 23,03 -0,27 0,39548 0,40 0,00452 45 31,23 1,38 0,91644 0,90 0,01644
21 23,58 -0,15 0,43856 0,42 0,01856 46 32,04 1,54 0,93873 0,92 0,01873
22 23,62 -0,15 0,44173 0,44 0,00173 47 32,12 1,56 0,94065 0,94 0,00065
23 23,62 -0,15 0,44173 0,46 0,01827 48 32,93 1,72 0,95755 0,96 0,00245
24 23,70 -0,13 0,44808 0,48 0,03192 49 33,01 1,74 0,95898 0,98 0,02102
25 23,78 -0,11 0,45444 0,50 0,04556 50 33,79 1,90 0,97099 1,00 0,02901
Jumlah 1217,28
Rata-Rata 24,35
Uji Hipotesis

2. Daerah Kritis

 = 5%
Ktabel = 0,188
124
UNIVERSITAS
WIDYATAMA
∑ 𝑋𝑖
a. 𝑋̅ = 𝑛
1217,28
=
50
= 24,35
∑ 𝑋𝑖
b. 𝜎 = √𝑛−1
1217,28
=√
49
= √24,84 = 4,98
𝑋𝑖−𝑋̅
c. 𝑍 =
𝜎
11,75 − 24,35
=
4,98
−12,60
= = −2,53
4,98
d. 𝐹𝑠1 = 𝑁
1
= = 0,02
50
= |0,03552 − 0,10|
= 0,06448
4. Kesimpulan
125
UNIVERSITAS
WIDYATAMA
D. Uji Tanda Sampel 1

Tabel 4. 55 Uji Tanda Sampel 1
i Xi Tanda i Xi Tanda
1 15,30 - 26 27,42 -
2 16,63 - 27 27,90 -
3 18,92 - 28 28,04 +
4 20,80 - 29 28,26 +
5 21,07 - 30 28,74 +
6 21,48 - 31 29,49 +
7 21,68 - 32 29,96 +
8 22,31 - 33 29,96 +
9 22,96 - 34 30,01 +
10 23,15 - 35 30,26 +
11 23,84 - 36 30,82 +
12 24,41 - 37 30,91 +
13 24,43 - 38 31,49 +
14 24,47 - 39 32,00 +
15 24,79 - 40 33,32 +
16 25,15 - 41 33,56 +
17 25,24 - 42 34,78 +
18 25,60 - 43 34,91 +
19 25,73 - 44 35,08 +
20 25,94 - 45 35,47 +
21 26,59 - 46 35,61 +
22 26,64 - 47 36,57 +
23 26,68 - 48 37,34 +
24 27,11 - 49 37,35 +
25 27,18 - 50 39,07 +
JUMLAH + 23
JUMLAH - 27
Uji Hipotesis
H0: Rata-rata = 27,93
H1: Rata-rata ≠ 27,93
2. Derah Kritis
H0 ditolak jika Zhit < -Ztabel, H0 ditolak jika Zhit > Ztabel
𝛂 = 𝟏%
α ⁄ = 0,5% = 0,005
2
126
UNIVERSITAS
WIDYATAMA
1 − α = 1 − 0,005
= 0,9950
𝑍0,9950 = ±2,575
𝛂 = 𝟓%
𝛂 ⁄ = 𝟐, 𝟓% = 0,025
𝟐
1 − α = 1 − 0,025
= 0,9750
𝑍0,9970 = ±1,96
𝛂 = 𝟏𝟎%
α⁄ = 5% = 0,05
2
1 − α = 1 − 0,05
= 0,9500
𝑍0,9500 = ±1,645
3. Uji Statistik
∑ 𝑋𝑖
a. 𝑋̅ = 𝑛
1394,42
= = 27,93
50
1
b. 𝜇 = × 𝑛
2
1
= × 50 = 25
2
1
c. 𝜎 = 2 × √𝑛
1
= × √50
2
1
= × 7,07
2
= 3,54
𝑋̅ −𝜇
27,93 − 25
=
3,54
2,93
= = 0,83
3,54
127
UNIVERSITAS
WIDYATAMA
Gambar 4. 29 Kurva Distribusi Normal 1% Uji Tanda Sampel 1



4. Kesimpulan
Berdasarkan kurva pada Gambar 4.29 sampai 4.31 di atas dengan
menggunakan taraf nyata () 1%, 5% dan 10% menghasilkan nilai Ztabel
berturut-turut sebesar ±2,575, ±1,96 dan ±1,645. Berdasarkan perhitungan
Zhit yang telah dilakukan menghasilkan nilai 0,83. Menurut ketentuan yaitu
H0 ditolak jika Zhit < -Ztabel atau Zhit > Ztabel, maka dilihat dari kurva di
atas H0 diterima karena Zhit > -Ztabel dan Zhit < Ztabel, dengan demikian
rata-rata pada sampel 1 yaitu sebesar 27,93.
128
UNIVERSITAS
WIDYATAMA
E. Uji Tanda Sampel 1 dan 2

Tabel 4. 56 Uji Tanda Sampel 1 dan 2
i X1 Tanda i X1 Tanda i X2 Tanda i X2 Tanda
1 15,30 - 26 27,42 - 1 19,53 - 26 31,64 +
2 16,63 - 27 27,90 - 2 20,86 - 27 32,13 +
3 18,92 - 28 28,04 - 3 23,14 - 28 32,27 +
4 20,80 - 29 28,26 - 4 25,03 - 29 32,49 +
5 21,07 - 30 28,74 - 5 25,30 - 30 32,97 +
6 21,48 - 31 29,49 - 6 25,71 - 31 33,56 +
7 21,68 - 32 29,96 - 7 25,90 - 32 33,72 +
8 22,31 - 33 29,96 - 8 26,54 - 33 34,18 +
9 22,96 - 34 30,01 - 9 27,18 - 34 34,24 +
10 23,15 - 35 30,26 + 10 27,38 - 35 34,48 +
11 23,84 - 36 30,82 + 11 28,07 - 36 35,05 +
12 24,41 - 37 30,91 + 12 28,63 - 37 35,14 +
13 24,43 - 38 31,49 + 13 28,66 - 38 35,72 +
14 24,47 - 39 32,00 + 14 28,70 - 39 36,22 +
15 24,79 - 40 33,32 + 15 29,01 - 40 37,55 +
16 25,15 - 41 33,56 + 16 29,38 - 41 37,79 +
17 25,24 - 42 34,78 + 17 29,46 - 42 39,01 +
18 25,60 - 43 34,91 + 18 29,63 - 43 39,13 +
19 25,73 - 44 35,08 + 19 29,95 - 44 39,31 +
20 25,94 - 45 35,47 + 20 30,17 + 45 39,70 +
21 26,59 - 46 35,61 + 21 30,82 + 46 39,76 +
22 26,64 - 47 36,57 + 22 30,86 + 47 40,80 +
23 26,68 - 48 37,34 + 23 30,90 + 48 41,57 +
24 27,11 - 49 37,35 + 24 31,34 + 49 41,57 +
25 27,18 - 50 39,07 + 25 31,41 + 50 43,29 +
JUMLAH + 47
JUMLAH - 53
Uji Hipotesis
H0: Rata-rata ≥ 30,04
H1: Rata-rata < 30,04
2. Daerah Kritis
H0 diterima jika Zhit < Ztabel
H0 ditolak jika Zhit > Ztabel
𝛂 = 𝟏%
1 − α = 1 − 0,01
= 0,9900
𝑍0,9900 = 2,33
𝛂 = 𝟓%
1 − α = 1 − 0,05
= 0,9500
𝑍0,9500 = 1,64
129
UNIVERSITAS
WIDYATAMA
𝛂 = 𝟏𝟎%
1 − α = 1 − 0,1
= 0,9000
𝑍0,9000 = 1,28
3. Uji Statistik
̅
𝑋 +𝑋 ̅
a. 𝑋̅ = 1 2 2
27,93 + 32,14
= = 30,04
2
1
b. 𝜇 = 2 × 𝑛
1
= × 100 = 50
2
1
c. 𝜎 = 2 × √100
1
= × 10 = 5
2
𝑋̅ −𝜇
30,04 − 50
=
5
−19,96
= = −4,00
5
Gambar 4. 32 Kurva Distribusi Normal 1% Uji Tanda Sampel 1 dan 2


130
UNIVERSITAS
WIDYATAMA

4. Kesimpulan
Berdasarkan kurva pada Gambar 4.32 sampai 4.34 di atas dengan
menggunakan taraf nyata () menghasilkan nilai Ztabel berutut-turut
sebesar 2,33, 1,64 dan 1,28. Perhitungan Zhit yang telah dilakukan yaitu
menghasilkan nilai -4,00. Berdasarkan ketentuan yaitu H0 diterima jika Zhit
< Ztabel, maka pada kasus ini H0 diterima karena -4,00 < 2,33 atau 1,64 dan
atau 1,28, dengan demikian rata-rata pada sampel 1 dan 2 yaitu ≥ 30,04.
F. Uji Dwi Wilcoxon Sampel 2 dan 3
Tabel 4. 57 Uji Dwi Wilcoxon Sampel 2 dan 3
Beda Tanda Jenjang Beda Tanda Jenjang
i X2 X3 i X2 X3
X2 X3 Rank + - X2 X3 Rank + -
1 29,01 11,75 + 17,26 46 46 26 29,95 24,54 + 5,41 19 19
2 37,55 18,68 + 18,87 47 47 27 27,18 26,46 + 0,72 3 3
3 25,03 20,88 + 4,15 14 14 28 28,07 29,38 - 1,31 4 4
4 27,38 22,39 + 4,99 17 17 29 30,17 30,31 - 0,14 1 1
5 28,70 23,58 + 5,12 18 18 30 25,30 32,93 - 7,63 25 25
6 39,01 24,35 + 14,66 38 38 31 34,48 15,06 + 19,42 48 48
7 41,57 26,40 + 15,17 41 41 32 32,97 19,35 + 13,62 35 35
8 35,05 27,94 + 7,11 22 22 33 35,72 21,22 + 14,50 37 37
9 25,71 30,06 - 4,35 15 15 34 39,31 22,81 + 16,50 44 44
10 29,63 32,04 - 2,41 6 6 35 37,79 23,70 + 14,09 36 36
11 39,13 13,07 + 26,06 50 50 36 32,49 24,71 + 7,78 26 26
12 40,80 18,75 + 22,05 49 49 37 41,57 26,70 + 14,87 39 39
13 36,22 20,92 + 15,30 42 42 38 25,90 28,44 - 2,54 7 7
14 34,18 22,40 + 11,78 32 32 39 43,29 30,74 + 12,55 33 33
15 19,53 23,62 - 4,09 13 13 40 39,70 33,01 + 6,69 21 21
16 33,56 24,48 + 9,08 28 28 41 32,27 15,36 + 16,29 43 43
17 39,76 26,41 + 13,35 34 34 42 29,46 19,40 + 9,44 29 29
18 23,14 28,02 - 4,88 16 16 43 32,13 21,44 + 10,07 30 30
19 34,24 30,24 + 4,00 12 12 44 35,14 23,03 + 11,49 31 31
20 31,41 32,12 - 0,71 2 2 45 20,86 23,78 - 3,54 11 11
21 31,34 14,80 + 16,54 45 45 46 31,64 25,18 + 5,84 20 20
22 33,72 18,76 + 14,96 40 40 47 29,38 27,10 + 1,66 5 5
23 28,63 21,17 + 7,46 24 24 48 26,54 28,51 - 2,59 8 8
24 30,82 22,65 + 8,17 27 27 49 28,66 31,23 - 3,19 9 9
25 30,86 23,62 + 7,24 23 23 50 30,90 33,79 - 3,51 10 10
JUMLAH 1148 127
131
UNIVERSITAS
WIDYATAMA
Uji Hipotesis
H0: 𝑋̅2 ≤ 𝑋̅3
H1: 𝑋̅2 > 𝑋̅3
2. Daerah Kritis
H0 ditolak jika Zhit > Z
𝛂 = 𝟏%
1 − α = 1 − 0,01
= 0,9900
𝑍0,9900 = 2,33
𝛂 = 𝟓%
1 − α = 1 − 0,05
= 0,9500
𝑍0,9500 = 1,64
𝛂 = 𝟏𝟎%
1 − α = 1 − 0,1
= 0,9000
𝑍0,9000 = 1,28
3. Uji Statistik
a. 𝑋̅2 = 32,14
b. 𝑋̅3 = 24,35
𝑛(𝑛+1)
c. µt = 4
100(100 + 1)
= = 2525
4
𝑛(𝑛+1)(2𝑛+1)
d. 𝜎t = √ 24
100(100 + 1)(2(100) + 1)
=√
24
100(101)(201)
=√ = √84587,52
24
= 290,84
132
UNIVERSITAS
WIDYATAMA
𝑡−µt
e. 𝑍ℎ𝑖𝑡 = 𝜎t
127 − 2525
=
290,84
−2398
= = −8,25
290,84
Gambar 4. 35 Kurva Distribusi Normal 1% Uji Dwi Wilcoxon



4. Kesimpulan
Berdasarkan hasil Uji Dwi Wilcoxson dengan menggunakan taraf nyata 1%,
5% dan 10% menghasilkan Zmasing-masing sebesar 2,33, 1,64 dan 1,28
serta menghasilkan nilai Zhit = -8,25. Berdasarkan hasil tersebut, maka
sesuai dengan daerah kritis yaitu H0 ditolak jika Zhit > Z, H0 diterima yang
berarti bahwa kenyataannya rata-rata sampel 2 ≤ rata-rata sampel 3.
133
UNIVERSITAS
WIDYATAMA
E. Uji Kruskal Wallis Sampel 1, 2 dan 3

Tabel 4. 58 Uji Kruskal Wallis Sampel 1, 2 dan 3
i X1 Rank i X2 Rank i X3 Rank
1 24,79 47 1 29,01 86 1 11,75 1
2 33,32 119 2 37,55 139 8 18,68 2
3 20,80 16 3 25,03 48 17 20,88 3
4 23,15 33 4 27,38 70 26 22,39 4
5 24,47 43 5 28,70 82 34 23,58 5
6 34,78 128 6 39,01 141 40 24,35 6
7 37,34 137 7 41,57 148 59 26,40 7
8 30,82 101 8 35,05 130 73 27,94 8
9 21,48 23 9 25,71 54 94 30,06 9
10 25,60 53 10 29,63 89 113 32,04 10
11 34,91 129 11 39,13 143 2 13,07 11
12 36,57 136 12 40,80 147 9 18,75 12
13 29,96 91 13 36,22 135 18 20,92 13
14 32,00 112 14 34,18 124 27 22,40 14
15 29,96 91 15 19,53 14 35 23,62 15
16 15,30 5 16 33,56 120 44 24,48 16
17 35,61 133 17 39,76 146 60 26,41 17
18 18,92 11 18 23,14 32 74 28,02 18
19 30,01 93 19 34,24 125 96 30,24 19
20 27,18 68 20 31,41 108 114 32,12 20
21 27,11 67 21 31,34 107 3 14,80 21
22 29,49 88 22 33,72 122 10 18,76 22
23 24,41 41 23 28,63 81 20 21,17 23
24 26,59 62 24 30,82 101 28 22,65 24
25 26,64 63 25 30,86 103 35 23,62 25
26 25,73 55 26 29,95 90 45 24,54 26
27 22,96 30 27 27,18 68 61 26,46 27
28 23,84 39 28 28,07 77 87 29,38 28
29 25,94 58 29 30,17 95 99 30,31 29
30 21,07 19 30 25,30 52 116 32,93 30
31 30,26 97 31 34,48 126 4 15,06 31
32 28,74 83 32 32,97 117 12 19,35 32
33 31,49 109 33 35,72 134 21 21,22 33
34 35,08 131 34 39,31 144 29 22,81 34
35 33,56 120 35 37,79 140 37 23,70 35
36 28,26 78 36 32,49 115 46 24,71 36
37 37,35 138 37 41,57 148 65 26,70 37
38 21,68 24 38 25,90 56 79 28,44 38
39 39,07 142 39 43,29 150 100 30,74 39
40 35,47 132 40 39,70 145 118 33,01 40
41 28,04 75 41 31,65 111 6 15,36 41
42 25,24 51 42 28,84 85 13 19,40 42
43 27,90 72 43 31,51 110 22 21,44 43
44 30,91 104 44 34,52 127 31 23,03 44
45 16,63 7 45 20,24 15 38 23,78 45
46 27,42 71 46 31,02 105 50 25,18 46
47 25,15 49 47 28,76 84 66 27,10 47
48 22,31 25 48 25,92 57 80 28,51 48
49 24,43 42 49 28,04 76 106 31,23 49
50 26,68 64 50 30,20 98 123 33,79 50
Jumlah X1 3705 Jumlah X2 5120 Jumlah X3 1275
134
UNIVERSITAS
WIDYATAMA
Uji Hipotesis
H0: 𝑋̅1 = 𝑋̅2 = 𝑋̅3

H1: 𝑋̅1 ≠ 𝑋̅2 ≠ 𝑋̅3
2. Daerah Kritis
 = 1% = 0,01
Pendekatan Chi-Square Tabel = 9,21 (derajat kebebasan = 2)
 = 5% = 0,05
Pendekatan Chi-Square Tabel = 5,99 (derajat kebebasan = 2)
12 𝑅𝑖 2
3. 𝐻 = 𝑁(𝑁+1) (∑ ) − 3(𝑁 + 1)
𝑛𝑖
12 37052 51202 12752

= ( + + ) − 3(150 + 1)
150(150 + 1) 50 50 50
12
= (274540,5 + 524288 + 32512,5) − 3(151)
150(151)
12
= (831341) − 453
22650
= 0,00053(831341) − 453
= 440,61 − 453 = −12,39
4. Kesimpulan
Pengujian dengan menggunakan metode Kruskal Wallis dengan taraf nyata

1% dan 5%, menghasilkan nilai Htabel melalui pendekatan tabel khi-
kuadrat yaitu masing-masing sebesar 9,21 dan 5,99. Hasil perhitungan H
yang telah dilakukan yaitu sebesar -12,39, oleh karena Htabel ≠ Hhitung,
maka H0 ditolak yang berarti bahwa rata-rata sampel 1 ≠ rata-rata sampel 2
≠ rata-rata sampel 3.
135
UNIVERSITAS
WIDYATAMA

A. Regresi Sederhana
Berikut data pengolahan data yang telah ditambahkan NPM (+31) pada Tabel 4.59
sebagai berikut:
Tabel 4. 59 Data Regresi Sederhana Setelah Ditambah NPM (+31)

Mortum
No Nilai Praktikum (X)
(Y)
1 111 91
2 111 91
3 111 92
4 101 85
5 101 84
6 111 91
7 111 93
8 91 91
9 101 79
10 101 82
11 101 81
12 111 92
13 101 92
14 91 81
15 111 93
16 101 84
17 101 86
18 101 89
19 101 89
20 101 91
21 111 81
22 91 80
23 91 76
24 91 91
25 91 91
26 101 91
27 101 91
28 101 84
29 101 91
30 101 92
136
UNIVERSITAS
WIDYATAMA
Tabel 4. 60 Hasil Pengolahan Data Regresi Sederhana

No. Mortum (Y ) Nilai Praktikum (X ) X² Y² XY
1 111 91 8281 12321 10101
2 111 91 8281 12321 10101
3 111 92 8464 12321 10212
4 101 85 7225 10201 8585
5 101 84 7056 10201 8484
6 111 91 8281 12321 10101
7 111 93 8649 12321 10323
8 91 91 8281 8281 8281
9 101 79 6241 10201 7979
10 101 82 6724 10201 8282
11 101 81 6561 10201 8181
12 111 92 8464 12321 10212
13 101 92 8464 10201 9292
14 91 81 6561 8281 7371
15 111 93 8649 12321 10323
16 101 84 7056 10201 8484
17 101 86 7396 10201 8686
18 101 89 7921 10201 8989
19 101 89 7921 10201 8989
20 101 91 8281 10201 9191
21 111 81 6561 12321 8991
22 91 80 6400 8281 7280
23 91 76 5776 8281 6916
24 91 91 8281 8281 8281
25 91 91 8281 8281 8281
26 101 91 8281 10201 9191
27 101 91 8281 10201 9191
28 101 84 7056 10201 8484
29 101 91 8281 10201 9191
30 101 92 8464 10201 9292
∑ 3050 2625 230419 311470 267265
1. Persamaan Regresi Sederhana

(𝑛(𝛴𝑋𝑖 𝑌𝑖 )) − (𝛴𝑋𝑖 × 𝛴𝑌𝑖 ) Σ𝑌 Σ𝑋
𝑏= 2 𝑎= −𝑏
𝑛𝛴𝑋𝑖 − (𝛴𝑋𝑖 )2 𝑛 𝑛
(30(267265)) − (2625 × 3050) 3050 2625
𝑏= 𝑎= − 0,53
30(230419) − (2625)2 30 30
(8017950) − (8006250)
𝑏= 𝑎 = 101,67 − 46,38 = 55,29
6912570 − 6890625
11700
𝑏=
21945
𝑏 = 0,53
𝑌 = 𝑎 + 𝑏𝑋1
= 55,29 + 0,53𝑋1
137
UNIVERSITAS
WIDYATAMA
2. Koefisien Korelasi
𝑛(∑ 𝑋𝑌) − (∑ 𝑋) × (∑𝑌)
𝑟=
√(𝑛∑𝑋 2 − (∑𝑋)2 ) × (𝑛∑𝑌 2 − (∑𝑌)2 )
30(267265) − (2625)(3050)
𝑟=
√(30(230419) − (2625)2 × (30(311470) − (3050)2 )
8017950 − 8006250
𝑟=
√(6912570 − 6890625) × (9344100 − 9302500)
11700
=
30214,43
𝑟 = 0,39
Kesmpulan:
Hubungan X (Nilai Praktikum) terhadap Y (Mortum) adalah rendah berdasarkan
perhitungan koefisien korelasi, karena nilainya berada diantara 0,20 – 0,39.
3. Koefisien Determinasi
𝐾𝐷 = 𝑟 2 × 100%
𝐾𝐷 = 0,392 × 100%
𝐾𝐷 = 0,1521 × 100%
𝐾𝐷 = 15,21%
Artinya adalah variabel Y (Mortum) dipengaruhi variabel X (Nilai Praktikum)

sebesar 15,21% dan dipengaruhi faktor lain sebesar 84,79%.
4. Uji Model Regresi

𝐻0 ditolak jika 𝑡ℎ𝑖𝑡 < − 𝑡𝛼 /2 atau 𝑡ℎ𝑖𝑡 > 𝑡𝛼 /2
𝐻0 : Tidak ada hubungan antara 𝑋 dan 𝑌
𝐻1 : Ada hubungan antara 𝑋 dan 𝑌
𝑟√𝑛 − 2
𝑇ℎ𝑖𝑡 = 𝐷𝐾 = 𝑛 – 2 = 30 – 2 = 28
√1 − 𝑟 2
0,39√30 − 2
𝑇ℎ𝑖𝑡 = α = 5%
√1 − 0,392
𝑇ℎ𝑖𝑡 = 2,24
α 5%
𝑡= × 𝐷𝐾 = × 28 = 0,7
2 2
138
UNIVERSITAS
WIDYATAMA
Gambar 4. 38 Kurva Regresi Sederhana

Karena 𝑡ℎ𝑖𝑡 = 2,24 > 𝑡𝑡𝑎𝑏 = 2,048, artinya 𝐻0 ditolak dan 𝐻1 diterima yang
artinya terdapat hubungan antara nilai praktikum (𝑋) dan Mortum (𝑌).
5. Plot Data Regresi
Tabel 4. 61 Plot Data Regresi Sederhana

No Xi Yi Ypred
1 91 111 89,18
2 91 111 89,18
3 92 111 89,18
4 85 101 83,85
5 84 101 83,85
6 91 111 89,18
7 93 111 89,18
8 91 91 78,52
9 79 101 83,85
10 82 101 83,85
11 81 101 83,85
12 92 111 89,18
13 92 101 83,85
14 81 91 78,52
15 93 111 89,18
16 84 101 83,85
17 86 101 83,85
18 89 101 83,85
19 89 101 83,85
20 91 101 83,85
21 81 111 89,18
22 80 91 78,52
23 76 91 78,52
24 91 91 78,52
25 91 91 78,52
26 91 101 83,85
27 91 101 83,85
28 84 101 83,85
29 91 101 83,85
30 92 101 83,85
139
UNIVERSITAS
WIDYATAMA
PLOT DATA REGRESI

140
90
Yi
x
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 y
Xi
Gambar 4. 39 Diagram Yi Terhadap Xi

Diagram Scatter Y Terhadap Ypred

120
110
100
Y
90
80
70
75 80 85 90 95
Ypred
Gambar 4. 40 Diagram Scatter Y Terhadap Ypred

B. Regresi Berganda
Tabel 4. 62 Data Regresi Berganda Setelah Ditambah NPM (+31)
No X1 X2 X3 Y No X1 X2 X3 Y
1 96 102 106 71 18 100 101 106 97

2 104 78 109 73 19 93 92 106 77
3 93 89 121 79 20 101 74 92 73
4 95 86 61 69 21 98 86 113 81
5 93 96 76 61 22 92 73 106 73
6 104 96 106 83 23 101 86 76 67
7 99 82 72 79 24 98 101 123 79
8 88 72 76 57 25 102 74 112 67
9 96 92 112 75 26 102 73 86 69
10 94 76 106 77 27 96 94 125 71
11 98 84 86 71 28 94 81 113 75
12 82 72 92 71 29 96 82 106 71
13 96 96 81 69 30 100 76 86 61
14 95 94 82 77 31 102 93 76 95
15 101 86 81 71 32 98 102 102 69
16 98 92 130 93 33 96 96 126 67
17 96 94 122 75 34 94 97 122 79
Jumlah 3291 2968 3395 2522
140
UNIVERSITAS
WIDYATAMA
Berdasarkan hasil pengolahan yang dilakukan terhadap beberapa perhitungan,

berikut hasil pengolahan data terhadap regresi berganda dapat dilihat pada Tabel
4.63 di bawah ini:
Tabel 4. 63 Hasil Pengolahan Data Regresi Berganda

No X1 X2 X3 Y X 1² X 2² X 3² Y² X 1X 2 X 1X 3 X 2X 3 X 1Y
1 96 102 106 71 9216 10404 11236 5041 9792 10176 10812 6816
2 104 78 109 73 10816 6084 11881 5329 8112 11336 8502 7592
3 93 89 121 79 8649 7921 14641 6241 8277 11253 10769 7347
4 95 86 61 69 9025 7396 3721 4761 8170 5795 5246 6555
5 93 96 76 61 8649 9216 5776 3721 8928 7068 7296 5673
6 104 96 106 83 10816 9216 11236 6889 9984 11024 10176 8632
7 99 82 72 79 9801 6724 5184 6241 8118 7128 5904 7821
8 88 72 76 57 7744 5184 5776 3249 6336 6688 5472 5016
9 96 92 112 75 9216 8464 12544 5625 8832 10752 10304 7200
10 94 76 106 77 8836 5776 11236 5929 7144 9964 8056 7238
11 98 84 86 71 9604 7056 7396 5041 8232 8428 7224 6958
12 82 72 92 71 6724 5184 8464 5041 5904 7544 6624 5822
13 96 96 81 69 9216 9216 6561 4761 9216 7776 7776 6624
14 95 94 82 77 9025 8836 6724 5929 8930 7790 7708 7315
15 101 86 81 71 10201 7396 6561 5041 8686 8181 6966 7171
16 98 92 130 93 9604 8464 16900 8649 9016 12740 11960 9114
17 96 94 122 75 9216 8836 14884 5625 9024 11712 11468 7200
18 100 101 106 97 10000 10201 11236 9409 10100 10600 10706 9700
19 93 92 106 77 8649 8464 11236 5929 8556 9858 9752 7161
20 101 74 92 73 10201 5476 8464 5329 7474 9292 6808 7373
21 98 86 113 81 9604 7396 12769 6561 8428 11074 9718 7938
22 92 73 106 73 8464 5329 11236 5329 6716 9752 7738 6716
23 101 86 76 67 10201 7396 5776 4489 8686 7676 6536 6767
24 98 101 123 79 9604 10201 15129 6241 9898 12054 12423 7742
25 102 74 112 67 10404 5476 12544 4489 7548 11424 8288 6834
26 102 73 86 69 10404 5329 7396 4761 7446 8772 6278 7038
27 96 94 125 71 9216 8836 15625 5041 9024 12000 11750 6816
28 94 81 113 75 8836 6561 12769 5625 7614 10622 9153 7050
29 96 82 106 71 9216 6724 11236 5041 7872 10176 8692 6816
30 100 76 86 61 10000 5776 7396 3721 7600 8600 6536 6100
31 102 93 76 95 10404 8649 5776 9025 9486 7752 7068 9690
32 98 102 102 69 9604 10404 10404 4761 9996 9996 10404 6762
33 96 96 126 67 9216 9216 15876 4489 9216 12096 12096 6432
34 94 97 122 79 8836 9409 14884 6241 9118 11468 11834 7426
∑ 3291 2968 3395 2522 319217 262216 350473 189594 287479 328567 298043 244455
141
UNIVERSITAS
WIDYATAMA
Tabel 4. 64 Hasil Pengolahan Data Regresi Berganda (Lanjutan)

2
No X 2 Y X 3Y = − 𝒙𝟏 = 𝟏 − 𝟏 𝒙𝟐 = 𝟐 − 𝟐 𝒙𝟑 = 𝟑 − 𝟑 yx 1 yx 2 yx 3 𝑌 (𝑌 − 𝑌 )
1 7242 7526 -3,18 -0,79 14,71 6,15 2,52 -46,71 -19,53 77,67 44,49
2 5694 7957 -1,18 7,21 -9,29 9,15 -8,48 10,93 -10,76 80,75 60,06
3 7031 9559 4,82 -3,79 1,71 21,15 -18,30 8,23 102,00 73,17 33,99
4 5934 4209 -5,18 -1,79 -1,29 -38,85 9,29 6,70 201,12 67,37 2,66
5 5856 4636 -13,18 -3,79 8,71 -23,85 49,99 -114,71 314,30 69,45 71,40
6 7968 8798 8,82 7,21 8,71 6,15 63,58 76,82 54,24 84,71 2,92
7 6478 5688 4,82 2,21 -5,29 -27,85 10,64 -25,54 -134,35 71,97 49,42
8 4104 4332 -17,18 -8,79 -15,29 -23,85 151,05 262,70 409,71 58,39 1,93
9 6900 8400 0,82 -0,79 4,71 12,15 -0,65 3,88 10,00 75,99 0,98
10 5852 8162 2,82 -2,79 -11,29 6,15 -7,89 -31,89 17,36 69,31 59,14
11 5964 6106 -3,18 1,21 -3,29 -13,85 -3,83 10,46 44,00 73,07 4,28
12 5112 6532 -3,18 -14,79 -15,29 -7,85 46,99 48,58 24,94 53,95 290,70
13 6624 5589 -5,18 -0,79 8,71 -18,85 4,11 -45,07 97,59 73,23 17,89
14 7238 6314 2,82 -1,79 6,71 -17,85 -5,07 18,93 -50,41 71,81 26,94
15 6106 5751 -3,18 4,21 -1,29 -18,85 -13,36 4,11 59,89 76,13 26,32
16 8556 12090 18,82 1,21 4,71 30,15 22,70 88,58 567,47 80,27 162,05
17 7050 9150 0,82 -0,79 6,71 22,15 -0,65 5,52 18,24 77,67 7,13
18 9797 10282 22,82 3,21 13,71 6,15 73,17 312,82 140,30 81,67 235,01
19 7084 8162 2,82 -3,79 4,71 6,15 -10,71 13,29 17,36 72,09 24,11
20 5402 6716 -1,18 4,21 -13,29 -7,85 -4,95 15,64 9,24 74,57 2,46
21 6966 9153 6,82 1,21 -1,29 13,15 8,23 -8,83 89,71 76,79 17,72
22 5329 7738 -1,18 -4,79 -14,29 6,15 5,64 16,82 -7,23 66,47 42,64
23 5762 5092 -7,18 4,21 -1,29 -23,85 -30,18 9,29 171,18 75,53 72,76
24 7979 9717 4,82 1,21 13,71 23,15 5,82 66,11 111,65 81,59 6,71
25 4958 7504 -7,18 5,21 -13,29 12,15 -37,36 95,40 -87,17 78,03 121,66
26 5037 5934 -5,18 5,21 -14,29 -13,85 -26,95 73,99 71,71 74,67 32,15
27 6674 8875 -3,18 -0,79 6,71 25,15 2,52 -21,30 -79,88 78,03 49,42
28 6075 8475 0,82 -2,79 -6,29 13,15 -2,30 -5,18 10,83 71,35 13,32
29 5822 7526 -3,18 -0,79 -5,29 6,15 2,52 16,82 -19,53 72,87 3,50
30 4636 5246 -13,18 3,21 -11,29 -13,85 -42,24 148,82 182,53 73,27 150,55
31 8835 7220 20,82 5,21 5,71 -23,85 108,40 118,82 -496,70 78,27 279,89
32 7038 7038 -5,18 1,21 14,71 2,15 -6,24 -76,12 -11,11 79,31 106,30
33 6432 8442 -7,18 -0,79 8,71 26,15 5,70 -62,48 -187,64 78,63 135,26
34 7663 9638 4,82 -2,79 9,71 22,15 -13,48 46,82 106,83 76,27 7,45
∑ 221198 253557 0 0 0 0 340,24 1042,235 1727,88 2524 2163,23
1. Membentuk Persamaan Regresi Linier Berganda
∑ 𝑌 = 𝑎𝑛 + 𝑏1 ∑ 𝑋1 + 𝑏2 ∑ 𝑋2 + 𝑏3 ∑ 𝑋3
34𝑎 + 3291𝑏1 + 2968𝑏2 + 3395𝑏3 = 2522 … 𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 1
∑ 𝑋1 𝑌 = 𝑎 ∑ 𝑋1 + 𝑏1 ∑ 𝑋1 2 + 𝑏2 ∑ 𝑋1 𝑋2 + 𝑏3 ∑ 𝑋1 𝑋3
3291𝑎 + 319217𝑏1 + 287479𝑏2 + 328567𝑏3 = 244455 … 𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 2
∑ 𝑋2 𝑌 = 𝑎 ∑ 𝑋2 + 𝑏1 ∑ 𝑋1 𝑋2 + 𝑏2 ∑ 𝑋2 2 + 𝑏3 ∑ 𝑋2 𝑋3
2968𝑎 + 287479𝑏1 + 262216𝑏2 + 298043𝑏3 = 221198 … 𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 3
142
UNIVERSITAS
WIDYATAMA
∑ 𝑋3 𝑌 = 𝑎 ∑ 𝑋3 + 𝑏1 ∑ 𝑋1 𝑋3 + 𝑏2 ∑ 𝑋2 𝑋3 + 𝑏3 ∑ 𝑋3 2
3395𝑎 + 328567𝑏1 + 298043𝑏2 + 350473𝑏3 = 253557 … 𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 4
a. Eliminasi Persamaan 1 dan Persamaan 2

34𝑎 + 3291𝑏1 + 2968𝑏2 + 3395𝑏3 = 2522 | × 3291
3291𝑎 + 319217𝑏1 + 287479𝑏2 + 328567𝑏3 = 244455 | × 34
111894𝑎 + 10830681𝑏1 + 9767688𝑏2 + 11172945𝑏3 = 8299902
111894𝑎 + 10853378𝑏1 + 9774286𝑏2 + 11171278𝑏3 = 8311470
−
−22697𝑏1 − 6598𝑏2 + 1667𝑏3 = −11568 … 𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 5
b. Eliminasi Persamaan 1 dan Persamaan 3
34𝑎 + 3291𝑏1 + 2968𝑏2 + 3395𝑏3 = 2522 | × 2968
2968𝑎 + 287479𝑏1 + 262216𝑏2 + 298043𝑏3 = 221198 = 244455 | × 34
100912𝑎 + 9767688𝑏1 + 8809024𝑏2 + 10076360𝑏3 = 7485296
100912𝑎 + 9774286𝑏1 + 8915344𝑏2 + 10133462𝑏3 = 7520732
−
−6598𝑏1 − 106320𝑏2 − 57102𝑏3 = −35436 … 𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 6
c. Eliminasi Persamaan 1 dan Persamaan 4
34𝑎 + 3291𝑏1 + 2968𝑏2 + 3395𝑏3 = 2522 | × 3395

3395𝑎 + 328567𝑏1 + 298043𝑏2 + 350473𝑏3 = 253557 | × 34
115430𝑎 + 11172945𝑏1 + 10076360𝑏2 + 11526025𝑏3 = 8652190

115430𝑎 + 11171278𝑏1 + 10133462𝑏2 + 11916082𝑏3 = 8620938
−
1667𝑏1 − 57102𝑏2 − 390057𝑏3 = −58748 … 𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 7
d. Eliminasi Persamaan 5 dan Persamaan 6

−22697𝑏1 − 6598𝑏2 + 1667𝑏3 = −11568 | × 6598
−6598𝑏1 − 106320𝑏2 − 57102𝑏3 = −35436| × 22697
−149754806𝑏1 −43533604𝑏2 +10998866𝑏3 = −76325664
−149754806𝑏1 − 2413145040𝑏2 −1296044094𝑏3 = −804290892
−
2369611436𝑏2 +1307042960𝑏3 =727965228…𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 8
e. Eliminasi Persamaan 5 dan Persamaan 7

−22697𝑏1 − 6598𝑏2 + 1667𝑏3 = −11568 | × 1667
1667𝑏1 − 57102𝑏2 − 390057𝑏3 = −58748| × −22697
−37835899𝑏1 − 10998866𝑏2 + 2778889𝑏3 = −19283856

−37835899𝑏1 +1296044094𝑏2 +8853123729𝑏3 = −1333403356
−
−1307042960𝑏2 − 8850344840𝑏3 = −1352687212…𝑃𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 9
f. Eliminasi Persamaan 8 dan Persamaan 9

2369611436𝑏2 + 1307042960𝑏3 = 727965228 | × −1307042960
−1307042960𝑏2 − 8850344840𝑏3 = −1352687212| × 2369611436
143
UNIVERSITAS
WIDYATAMA
−30971834535929×104 𝑏2 −170836129928556×104 𝑏3 = −951481826382195×103

−30971834535929×104 𝑏2 − 209718783454076×105 𝑏3 = −320534308688616×104
−
19263517046122×106 𝑏3 = 225386126050396×103
225386126050396 × 103
𝑏3 = = 0,12
19263517046122 × 106
g. Substitusi 𝑏3 ke Persamaan 8
2369611436𝑏2 + 1307042960(0,12) = 727965228
2369611436𝑏2 + 156845155,2 = 727965228
2369611436𝑏2 = 727965228 − 156845155,2
2369611436𝑏2 = 571120072,8
571120072,8
𝑏2 = = 0,24
2369611436
h. Substitusi 𝑏2 dan 𝑏3 ke Persamaan 7
1667𝑏1 − 57102(0,24) − 390057(0,12) = −58748
1667𝑏1 − 13704,5 − 46806,8 = −58748
1667𝑏1 − 13704,5 − 46806,8 = −58748
1667𝑏1 = −58748 + 13704,5 + 46806,8
1667𝑏1 = 1763,3
1763,3
𝑏1 = = 1,06
1667
i. Substitusi 𝑏1 , 𝑏2 dan 𝑏3 ke persamaan 1
34𝑎 + 3291(1,06) + 2968(0,24) + 3395(0,12) = 2522
34𝑎 + 3488,46 + 720,25 + 397,22 = 2522
34𝑎 = 2522 − 3488,46 − 720,25 − 397,22
34𝑎 = −2083,93
−2083,93
𝑎= = −61,29
34
2. Persamaan Regresi Linier Berganda
𝑌 = 𝑎 + (𝑏1 𝑋1 ) + (𝑏2 𝑋2 ) + (𝑏2 𝑋3 )

𝑌 = −61,29 + 1,06𝑋1 + 0,24𝑋2 + 0,12𝑋3
144
UNIVERSITAS
WIDYATAMA
3. Koefisien Korelasi Parsial
Koefisien korelasi parsial dimaksudkan untuk mencari tahu seberapa kuatkah

hubungan salah satu atau beberapa variabel bebas terhadap variabel terikat secara
parsial, tidak simultan atau bersama-sama.
𝑛 ∑ 𝑋1 𝑌 − ∑(𝑋1 ) ∑(𝑌)
𝑟𝑦1 =
√[𝑛 ∑ 𝑋1 2 − (∑ 𝑋1 )2 ][𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 ]
34(244455) − (3291)(2522)
=
√[34(319217) − 10830681][34(189594) − (6360484)
11568
=
√1945405264
11568
= = 0,26
44106,7
𝑛 ∑ 𝑋2 𝑌 − ∑(𝑋2 ) ∑(𝑌)
𝑟𝑦2 =
√[𝑛 ∑ 𝑋2 2 − (∑ 𝑋2 )2 ][𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 ]
34(221198) − (2968)(2522)
=
√[34(262216) − 8809024][34(189594) − (6360484)
35436 35436
= = = 0,37
√9112899840 95461,5
𝑛 ∑ 𝑋3 𝑌 − ∑(𝑋3 ) ∑(𝑌)
𝑟𝑦3 =
√[𝑛 ∑ 𝑋3 2 − (∑ 𝑋3 )2 ][𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 ]
34(253557) − (3395)(2522)
=
√[34(350473) − 11526025][34(189594) − (6360484)
58748
=
√33432565584
58748
= = 0,32
182845,74
∴ Berdasarkan perhitungan di atas, nilai 𝑟𝑦1 sebesar 0,26 yang menunjukkan bahwa
hubungan 𝑋1 terhadap 𝑌 adalah rendah, nilai 𝑟𝑦2 sebesar 0,37 yang menunjukkan
bahwa hubungan 𝑋2 terhadap 𝑌 adalah rendah dan nilai 𝑟𝑦3 sebesar 0,32 yang
menunjukkan bahwa hubungan 𝑋3 terhadap 𝑌 adalah rendah.
145
UNIVERSITAS
WIDYATAMA
4. Koefisien Korelasi Berganda
𝑛 ∑ 𝑋1 𝑋2 − ∑(𝑋1 ) ∑(𝑋2 )
𝑟1.2 =
√[𝑛 ∑ 𝑋1 2 − (∑ 𝑋1 )2 ][𝑛 ∑ 𝑋2 2 − (∑ 𝑋2 )2 ]
34(287479) − (3291)(2968)
=
√[34(319217) − 10830681][34(262216) − 8809024]
6598
=
√2413145040
6598
= = 0,13
49123,77
𝑛 ∑ 𝑋1 𝑋3 − ∑(𝑋1 ) ∑(𝑋3 )
𝑟1.3 =
√[𝑛 ∑ 𝑋1 2 − (∑ 𝑋1 )2 ][𝑛 ∑ 𝑋3 2 − (∑ 𝑋3 )2 ]
34(328567) − (3291)(3395)
=
√[34(319217) − 10830681][34(350473) − 11526025]
−1667
=
√8853123729
−1667
= = −0,02
94091,04
𝑛 ∑ 𝑋2 𝑋3 − ∑(𝑋2 ) ∑(𝑋3 )
𝑟2.3 =
√[𝑛 ∑ 𝑋2 2 − (∑ 𝑋2 )2 ][𝑛 ∑ 𝑋3 2 − (∑ 𝑋3 )2 ]
34(298043) − (2968)(3395)
=
√[34(262216) − 8809024][34(350473) − 11526025]
57102
=
√41470860240
57102
= = 0,28
203643,955
5. Menghitung Nilai 𝑏1 , 𝑏2 dan 𝑏3

𝑟𝑦1 − 𝑟𝑦3 𝑟1.3
𝑏1 =
1 − (𝑟1.3 )2
0,26−(0,32)(−0,02)
= 1−(−0,02)2
0,26 + 0,0064
=
1 − (−0,02)2
146
UNIVERSITAS
WIDYATAMA
0,52 + 0,0064
=
1 + 0,0004
0,5264
= = 0,53
1,0004
𝑟𝑦2 − 𝑟𝑦1 𝑟1.2
𝑏2 =
1 − (𝑟1.2 )2
0,37−(0,26)(0,13)
= 1−(0,13)2
0,74 − 0,0338
=
1 − (0,13)2
0,52 − 0,0338
=
1 − 0,0169
0,4862
= = 0,49
0,9831
𝑟𝑦3 − 𝑟𝑦2 𝑟2.3
𝑏3 =
1 − (𝑟2.3 )2
0,32−(0,37)(0,28)
= 1−(0,28)2
0,32 − 0,1036
=
1 − 0,0784
0,2164
= = 0,23
0,9216
6. Korelasi
𝑅𝑦.123 = √𝑏1 𝑟𝑦1 + 𝑏2 𝑟𝑦2 + 𝑏3 𝑟𝑦3
= √(0,53)(0,26) + (0,49)(0,37) + (0,23)(0,32)

= √0,1378 + 0,1813 + 0,0736
= √0,3927 = 0,63 (Hubungan 𝑋1 , 𝑋2 dan 𝑋3 terhadap 𝑌 adalah kuat.)
7. Koefisien Determinasi
2
𝐾𝐷 = (𝑅𝑦.123 ) × 100%
= (0,63)2 × 100%
= 0,3969 × 100%
= 39,69%
147
UNIVERSITAS
WIDYATAMA
Nilai ini menunjukkan kontribusi semua variabel bebas terhadap variabel terikat
secara simultan adalah sebesar 39,69%. Sementara itu 63,31% sisanya merupakan
kontribusi dari faktor-faktor lain selain faktor yang diwakili oleh variabel bebas.
8. Uji F
a. Hipotesis Uji
H0: Tidak ada pengaruh antara variabel bebas terhadap variabel terikat.
H1: Terdapat pengaruh antara variabel bebas terhadap variabel terikat.
b. Tingkat Signifikansi
𝛼 = 5% = 0,05
𝐷𝐾 𝑃𝑒𝑚𝑏𝑖𝑙𝑎𝑛𝑔 = 𝑘 = 4
𝐷𝐾 𝑃𝑒𝑛𝑦𝑒𝑏𝑢𝑡 = 𝑛 − 𝑘 − 1
= 34 − 4 − 1 = 29
𝑭𝒕𝒂𝒃𝒆𝒍 = 𝑓𝛼 (𝑃𝑒𝑚𝑏𝑖𝑙𝑎𝑛𝑔; 𝑃𝑒𝑛𝑦𝑒𝑏𝑢𝑡) = 𝑓0,05 (4; 29)
= 2,70
c. Daerah Kritis
H0 diterima jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐹𝑡𝑎𝑏𝑒𝑙
H0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 (H1 diterima)
d. 𝐹ℎ𝑖𝑡𝑢𝑛𝑔
𝐽𝐾𝑅𝑒𝑔 = 𝑏1 ∑ 𝑋1 𝑌 + 𝑏2 ∑ 𝑋2 𝑌 + 𝑏3 ∑ 𝑋3 𝑌
= 0,53(244455) + 0,49(221198) + 0,23(253557)

= 129561,15 + 108387,02 + 58318,11
= 296266,28
2
(∑ 𝑌)
2
𝐽𝐾𝑌 = ∑ 𝑌 −
𝑛
6360484
= 189594 −
34
= 189594 − 187073,06
= 2520,94
𝐽𝐾𝑅𝑒𝑔
𝐹ℎ𝑖𝑡 = 𝑘
𝐽𝐾𝑅𝑒𝑔
𝑛−𝑘−1
148
UNIVERSITAS
WIDYATAMA
296266,28
= 4
296266,28
34 − 4 − 1
74066,57
= = 7,25
10216,09
e. Kesimpulan
Berdasarkan proses perhitungan 𝐹ℎ𝑖𝑡 sebesar 7,25 dan 𝐹𝑡𝑎𝑏𝑒𝑙 sebesar 2,70
dengan menggunakan tingkat signifikansi sebesar 5% atau 0,05, maka
sesuai dengan daerah kritis yaitu H0 diterima jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐹𝑡𝑎𝑏𝑒𝑙 dan
H0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙, H0 ditolak karena 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙.
Hal tersebut berarti bahwa hipotesis tandingan (H1) diterima yang artinya
terdapat pengaruh antara variabel bebas terhadap variabel terikat.
149
BAB V
ANALISIS
5.1 STATISTIKA DESKRIPTIF
Pengolahan data pada modul Statistik Deskriptif yaitu dengan menggunakan data
yang telah disediakan. Data yang tersedia terbagi menjadi dua, yaitu data diskrit
dan data kontinu. Data diskrit pada tabel yaitu tinggi badan, sedangkan untuk data
kontinu pada tabel yaitu berat badan. Masing-masing dari data tersebut dihitung
rentang, banyak kelas serta interval yang bertujuan untuk membuat tabel distribusi
frekuensi. Data yang berjumlah 50 selanjutnya dikelompokkan berdasarkan kelas
dan interval yang memenuhi kedalam tabel distribusi frekuensi diskrit dan kontinu.
Data diskrit dan kontinu selanjutnya diolah untuk memperoleh ukuran rata-rata
(mean, median dan modus), ukuran letak (kuartil, desil, dan persentil) dan ukuran
penyebaran (variansi, standar deviasi, skewness dan simpangan kuartil) serta
dituangkan kedalam grafik histogram, poligon dan ogive.
Tabel 5. 1 Hasi Perhitungan Skewness Diskrit dan Kontinu

Jenis
Skewness
Data
Diskrit -1,81
Kontinu -1,58
Skewness merupakan derajat ketidaksimetrisan suatu distribusi. Jika kurva

distribusi frekuensi memiliki ekor yang lebih memanjang ke kanan (dilihat dari
meannya) maka dikatakan menceng ke kanan (positif) dan jika sebaliknya maka
menceng ke kiri (negatif). Berdasarkan Tabel 5.1 di atas, skewness untuk distribusi
frekuensi data diskrit memiliki hasil -1,81 (negatif), itu berarti bahwa pada kurva
distribusi frekuensi memiliki ekor yang lebih memanjang ke kiri. Hasil perhitungan
skewness untuk distribusi frekuensi data kontinu memiliki hasil yang serupa seperti
data diskrit yaitu -1,58 (negatif) yang berarti ekor pada kurva lebih memanjang ke
arah kiri. Kedua data memiliki hasil skewness negatif menunjukkan bahwa nilai
modus lebih dari nilai mean (modus > mean) dan juga distribusi kedua data
dikatakan tidak simetris atau tidak berdistribusi normal.
UNIVERSITAS
WIDYATAMA
5.2 TEORI PROBABILITAS
Pengolahan data pada modul Teori Probabilitas yaitu dengan menggunakan data
yang telah tersedia. Data yang tersedia yaitu berupa dua studi kasus yang harus
dipecahkan permasalahannya. Studi kasus 1 yaitu mengenai peluang suatu kejadian
percobaan pemutaran bingo yang dilakukan sebanyak 164 kali (setelah ditambah
NPM). Pengolahan data pada studi kasus ini yaitu mencari nilai peluang, irisan,
gabungan dan kejadian bersyarat.
Tabel 5. 2 Hasil Perhitungan Gabungan (Union)

Pengelompokkan Union
122
Kiri Ganjil 𝑃(𝐴 ∪ 𝐶) =
164
126
Kanan Ganjil 𝑃(𝐵 ∪ 𝐶) =
164
124
Kiri Genap 𝑃(𝐴 ∪ 𝐷) =
164
120
Kanan Genap 𝑃(𝐵 ∪ 𝐷) =
164
Berdasarkan Tabel 5.2 di atas menunjukkan bahwa operasi yang terjadi antara dua
himpunan menghasilkan himpunan baru yang berisi anggota-anggota kedua
himpunan awal. Studi kasus 2 yaitu mengenai permutasi dan kombinasi.
Kombinasi adalah menggabungkan beberapa objek dari suatu grup tanpa
memperhatikan urutan, dalam kombinasi urutan tidak diperhatikan. Sedangkan
permutasi adalah menggabungkan beberapa objek dari suatu grup dengan
memperhatikan urutan, dalam permutasi urutan diperhatikan. Berdasarkan
permasalahan pada kasus kedua yaitu menentukan banyak cara pemilihan karyawan
untuk dijadikan supervisor dan manajer dengan menggunakan rumus permutasi
sebagian. Permutasi sebagian menyusun sebagian objek ke dalam suatu urutan
tertentu. Jumlah permutasi suatu kelompok yang terdiri atas 51 objek yang berbeda
yang kemudian diambil sekaligus sebanyak tanpa pengulangan yaitu menghasilkan
2.550 cara. Menentukan ada berapa banyak cara menyusun karyawan menjadi
sebuah kelompok secara beraturan untuk proses tahap seleksi apabila setiap
kelompok terdiri dari 4 orang yaitu dengan menggunakan rumus permutasi
menyeluruh. Permutasi menyeluruh menyusun semua objek ke dalam suatu urutan
tertentu yang menghasilkan 1,551119 × 1066 cara.
151
UNIVERSITAS
WIDYATAMA
Menentukan ada berapa banyak cara 20 karyawan tersebut dapat duduk di sekeliling
meja bundar untuk focus group discusion jika urutan duduk menunjukkan prioritas
mereka dalam memberikan pendapat dengan menggunakan rumus permutasi
keliling. Permutasi keliling menyusun sejumlah 51 objek yang berbeda kemudian
disusun secara teratur dalam sebuah siklus yang menghasilkan 3,04141 × 1062
cara. Mentukan ada berapa banyak cara menyusun posisi tempat duduk pada saat
proses seleksi berdasarkan jurusan masing-masing dengan menggunakan rumus
permutasi data berkelompok. Permutasi data berkelompok menyusun kelompok
yang terdiri dari 51 objek dimana 𝑛1 merupakan kumpulan objek yang sama,
𝑛2 adalah kumpulan objek lain yang sama dan seterusnya menghasilkan
2,240976 × 1032 cara. Menentukan ada berapa banyak cara untuk ke 20 karyawan
tersebut menduduki meja dan kursi jika dalam satu ruangan ada 8 buah meja dan
kursi yang disusun berjajar akan tetapi urutan tidak diperhatikan dengan
menggunakan rumus kombinasi sebagian yang menghasilkan 636.763.050 cara.
5.3 DISTRIBUSI PROBABILITAS

5.3.1 Binomial dan Hipergeometrik
Distribusi probabilitas dapat digunakan sebagai metode dalam menentukan

kebijakan atau langkah-langkah yang dapat diambil oleh suatu perusahaan untuk
mencapai tujuannya. Distribusi probabilitas binomial seringkali digunakan untuk
memodelkan jumlah keberhasilan pada jumlah sampel (n) dari suatu populasi (N).
Implementasi distribusi probabilitas binomial dapat digunakan sebagai cara untuk
mendapatkan suatu kepastian terhadap jumlah produk yang cacat dalam suatu
proses produksi barang.
GRAFIK PROBABILITAS
0,400 0,316
0,269
PROBABILITAS
0,300 0,198
0,200 0,129
0,100 0,0040,033 0,052
0,000
0 1 2 3 4 5 6
X
Gambar 5. 1 Grafik Histogram Probabilitas (Binomial)

152
UNIVERSITAS
WIDYATAMA
Grafik pada Gambar 5.1 merupakan hasil perhitungan terhadap probabilitas

terambilnya bola pingpong berwarna kuning. Probabilitas terbesar dihasilkan oleh
terambilnya 4 bola pingpong berwarna kuning (kejadian sukses) yaitu sebesar
0,316. Probabilitas terkecil dalam 6 kali pengambilan dengan pengembalian bola
pingpong yaitu sebesar 0,004 yang artinya tidak satupun bola pingpong berwarna
kuning terambil. Probabilitas setiap kejadian sukses pada metode binomial
dipengaruhi oleh perbandingan antara bola kuning dan bola putih yang tidak sama.
Bola pingpong berwarna kuning pada percobaan binomial berjumlah 20 buah,
sedangkan bola pingpong berwarna putih sebanyak 80 buah.
Distribusi probabilitas hipergeometrik dapat digunakan sebagai metode untuk

melakukan pengujian kualitas suatu produksi. Objek yang diuji tidak dapat
diikutkan kembali dalam pengujian selanjutnya, dapat diartikan bahwa objek
tersebut tidak dikembalikan. Proses tidak dikembalikannya objek yang telah diuji
tersebut merupakan salah satu ciri dari distribusi probabilitas hipergeometrik.
DIAGRAM PROBABILITAS
0,341421
0,350000 0,306818
0,300000
PROBABILTAS
0,250000
0,200000 0,155773 0,006845
0,147272
0,150000 0,000658
Probabilitas
0,100000 0,000033
0,041178
0,050000 0,000001
0,000000
0 1 2 3 4 5 6 7 8
X
Gambar 5. 2 Grafik Histogram Probabilitas (Hipergeometrik)

Grafik pada Gambar 5.2 di atas merupakan hasil perhitungan probabilitas pada
proses pengambilan 8 bola pingpong tanpa pengembalian. Probabilitas terbesar
dihasilkan oleh terambilnya 1 bola pingpong berwarna kuning (kejadian sukses)
yaitu sebesar 0,341421. Probabilitas terambilnya 8 bola pingpong berwarna kuning
menunjukkan hasil terkecil yaitu sebesar 0,000001 yang artinya nyaris tidak
mungkin. Probabilitas setiap kejadian sukses pada metode hipergeometrik yang
153
UNIVERSITAS
WIDYATAMA
digunakan dipengaruhi oleh ketetapan nilai 𝑘 (jumlah kejadian sukses) yang telah
ditentukan yaitu sebesar 20 buah bola pingpong berwarna kuning dan nilai 𝑛
(jumlah sampel) yaitu sebesar 8. Adanya distribusi probabilitas binomial dan
hipergeometrik diharapkan dapat membantu suatu perusahaan untuk menentukan
kebijakan-kebijakan yang tepat agar tercapainya suatu tujuan dari perusahaan
tersebut seperti meminimalisir suatu produk yang cacat untuk mendapatkan
keuntungan yang sebesar-besarnya.
5.3.2 Poisson dan Eksponensial
Distribusi probabilitas dapat digunakan sebagai metode dalam menentukan

kebijakan atau langkah-langkah yang dapat diambil oleh suatu perusahaan untuk
mencapai tujuannya. Distribusi probabilitas poisson dan eksponensial menjadi
salah satu cara yang dapat digunakan untuk mengambil kebijakan bagi suatu
perusahaan. Implementasi distribusi probabilitas poisson dan eksponensial pada
modul kali ini yaitu mengamati konsumen yang mengunjungi salah satu gerai
minuman yaitu Chat Time. Tidak hanya mengamati seberapa banyak konsumen
yang datang, waktu pelayanan pun menjadi cara untuk menentukan kebijakan bagi
suatu perusahaan. Distribusi probabilitas poisson dan eskponensial pun menjadi
metode yang digunakan untuk menganalisis suatu antrean pada perusahaan
tersebut.
Tabel 5. 3 Ringkasan Teori Antrean

3 MENIT 5 MENIT
𝜆 0,1 0,11
𝜌 0,0009413 detik/orang 0,001035 detik/orang
Po 0,9990587 0,998965
𝐿 0,00094 orang 0,001037 orang
𝐿𝑞 0,000000887 orang 0,000001073 orang
𝑊 0,00942 detik 0,00942 detik
𝑊𝑞 0,00000887 detik 0,00000887 detik

154
UNIVERSITAS
WIDYATAMA
Berdasarkan Tabel 5.3 di atas menunjukkan bahwa rata-rata banyaknya pengantre

pada selang waktu 3 menit yaitu sebanyak 0,000000887 orang atau hampir tidak
satupun orang yang mengantre saat melakukan order minuman di perusahaan
tersebut, sedangkan untuk selang waktu 5 menit yaitu sebanyak 0,000001073 orang
atau tidak satupun orang yang mengantre. Hal tersebut menunjukkan bahwa pada
gerai minuman Chat Time sudah melakukan pelayanan dengan cepat sehingga tidak
menimbulkan antrean atau pengujung tidak datang secara bersamaan.
Lamanya rata-rata waktu mengantre pada selang waktu 3 menit yaitu selama
0,00000887 detik atau tidak adanya konsumen yang mengantre saat melakukan
order minuman di perusahaan tersebut. Lama waktu mengantre pada selang waktu
5 menit pun menghasilkan rata-rata waktu mengantre yang sama yaitu selama
0,00000887 detik atau tidak ada konsumen yang mengantre. Hal tersebut
menunjukkan bahwa waktu pelayanan yang dilakukan sudah cukup baik sehingga
tidak menimbulkan antrean yang berlebihan. Berbanding lurus dengan kejadian saat
praktikan mengamati kondisi perusahaan tersebut secara langsung, tidak didapati
konsumen yang mengantre untuk melakukan order. Tidak terjadinya antrean pada
gerai minuman Chat Time dapat diakibatkan karena pada saat praktikan melakukan
pengamatan merupakan hari kerja dan lokasi yang menjadi tempat pengamatan
praktikan merupakan salah satu dari sekian banyak cabang dari gerai minuman
tersebut.
Adanya implementasi teori antrean melalui pendekatan distribusi probabilitas

poisson dan eksponensial diharapkan dapat membantu suatu perusahaan untuk
dapat merancang fasilitas pelayanan, mengatasi permintaan pelayanan yang
mengalami fluktuasi serta menjaga keseimbangan antara waktu menganggur
pelayanan dan waktu yang diperlukan selama antre. Teori antrean pun dapat
menjadi cara agar suatu perusahaan dapat memaksimalkan pelayanan kepada
konsumen sehingga konsumen akan mendapatkan kepuasan dari pelayanan
tersebut.
155
UNIVERSITAS
WIDYATAMA
5.4 STATISTIKA PARAMETRIK DAN NON-PARAMETRIK

5.4.1 Statistik Parametrik
Praktikum modul Statistik Parametrik kali ini membahas mengenai uji hipotesis
terhadap beberapa pengukuran terhadap 3 objek yaitu panjang balok, lebar balok
dan berat detergen. Hasil dari uji hipotesis dapat dilihat pada Tabel 5.1 di bawah
ini:
Tabel 5. 4 Hasil Pengujian Hipotesis Statistik Parametrik

Taraf Nyata (Ztabel)
Objek Diuji Zhitung Wilayah Kritis Kesimpulan
α = 1% α = 5% α = 10%
Panjang Balok 2,33 1,64 1,28 2,53 H0 ditolak jika Zhit > Zα Semua ditolak
Lebar Balok -2,33 -1,64 -1,28 0,41 H0 ditolak jika Zhit < -Zα Semua diterima
Berat Detergen ±2,575 ±1,96 ±1,645 44,8 H0 ditolak jika Zhit < -Zα/2 dan Zhit > Zα/2 Semua ditolak
Berdasarkan Tabel 5.4 di atas menunjukkan bahwa hasil pengujian panjang balok
dengan menggunakan taraf nyata (𝛼) 1%, 5% dan 10% menghasilkan Ztabel
berturut-turut sebesar 2,33, 1,64 dan 1,28 dan Zhitung yang diperoleh dari hasil
perhitungan yaitu sebesar 2,53. Berdasarkan hasil tersebut dengan memperhatikan
wilayah kritis yaitu H0 ditolak jika Zhit > Z𝛼, maka kesimpulan yang dapat ditarik
yaitu H0 ditolak karena 2,53 > 2,33 atau 1,64 dan atau 1,28. Hal tersebut berarti
hipotesis tandingan (H1) dapat diterima atau dengan kata lain 𝜇 0 > 49mm untuk
panjang balok. Pengujian lebar balok dengan menggunakan taraf nyata (𝛼) 1%, 5%
dan 10% menghasilkan Ztabel berturut-turut sebesar -2,33, -1,64 dan -1,28 dan
Zhitung yang diperoleh dari hasil perhitungan yaitu sebesar 0,41. Berdasarkan hasil
tersebut dengan memperhatikan wilayah kritis yaitu H0 ditolak jika Zhit < -Zα,
maka kesimpulan yang dapat ditarik yaitu H0 diterima karena 0,41 > -2,33 atau -
1,64 dan atau -1,28 atau dengan kata lain benar bahwa 𝜇 0 ≥ 29mm untuk lebar
balok.
Pengujian hipotesis berat detergen menggunakan kurva dua arah yang berarti α/2.
Pengujian hipotesis ini menggunakan taraf nyata (𝛼) 1%, 5% dan 10%
menghasilkan Ztabel berturut-turut sebesar ±2,575, ±1,96 dan ±1,645 dan
menghasilkan nilai Zhitung sebesar 44,8. Berdasarkan hasil tersebut dengan
memperhatikan wilayah kritis yaitu H0 ditolak jika 𝑍ℎ𝑖𝑡 < −𝑍α/2 dan 𝑍ℎ𝑖𝑡 > 𝑍α/2,
156
UNIVERSITAS
WIDYATAMA
maka dapat disimpulkan H0 ditolak untuk semua taraf nyata yang digunakan karena
𝑍ℎ𝑖𝑡 > 𝑍α/2 atau 44,8 > 2,575 atau 1,96 dan atau 1,645, dengan kata lain hipotesis
tandingan (H1) dapat diterima yang berarti bahwa rata-rata berat detergen ≠ 48
gram.
5.4.2 Statistik Non-Parametrik

5.4.1.1 Analisis Uji Kolmogorov-Smirnov Sampel 1
Tabel 5. 5 Hasil Uji Kolmogorv-Smirnov Sampel 1
Sampel Diuji Daerah Kritis Hasil Perhitungan Kesimpulan
Sampel 1 H0 diterima jika Dmax < Ktabel Dmax = 0,06021 < Ktabel = 0,188 H0 diterima
Pengujian dengan menggunakan metode Kolmogorov-Smirnov ini bertujuan untuk

mengetahui apakah sampel yang diuji berdistribusi normal atau tidak. Berdasarkan
Tabel 5.5 di atas menunjukkan bahwa dengan menggunakan taraf nyata 5%
menghasilkan Ktabel yaitu sebesar 0,188 dan hasil dari perhitungan Dmax yaitu
sebesar 0,06021. Berdasarkan daerah kritis yaitu H0 diterima jika Dmax < Ktabel,
maka dapat disimpulkan bahwa pada pengujian ini H0 diterima atau dengan kata
lain sampel 1 yang diuji berdistribusi normal.
Pengujian sampel 2 dengan metode yang sama serta menggunakan taraf nyata 5%
menghasilkan Ktabel yaitu sebesar 0,188. Berdasarkan hasil perhitungan Dmax
yang telah dilakukan yaitu sebesar 0,05565 dengan memperhatikan daerah kritis
yaitu H0 diterima jika Dmax < Ktabel, maka dapat disimpulkan bahwa pada
pengujian ini H0 diterima atau dengan kata lain sampel 2 yang diuji berdistribusi
normal. Pengujian sampel 3 pada metode Kolmogorov-Smirnov dengan
menggunakan taraf nyata yang sama yaitu 5% menghasilkan Ktabel sebesar 0,188.
Hasil perhitungan Dmax pada pengujian sampel 3 ini yaitu sebesar 0,06448.
Berdasarkan hasil perhitungan tersebut dengan memperhatikan daerah kritis yaitu
H0 diterima jika Dmax < Ktabel, maka dapat disimpulkan bahwa pada pengujian ini
H0 diterima atau dengan kata lain sampel 3 yang diuji berdistribusi normal.
157
UNIVERSITAS
WIDYATAMA
5.4.4.2 Analisis Uji Tanda

Tabel 5. 6 Hasil Uji Tanda
Taraf Nyata (Ztabel)
Sampel Diuji Zhitung Daerah Kritis Kesimpulan
α = 1% α = 5% α = 10%
H0 ditolak jika Zhit < -Ztabel
Sampel 1 ±2,575 ±1,96 ±1,645 0,83 Semua diterima
Sampel 1 dan 2 2,33 1,64 1,28 -4,00 Semua diterima
H0 diterima jika Zhit < Ztabel
Berdasarkan Tabel 5.6 di atas hasil uji tanda sampel 1 dengan menggunakan taraf
nyata 1%, 5% dan 10% menghasilkan nilai Ztabel masing-masing sebesar ±2,575,
±1,96 dan ±1,645 serta menghasilkan nilai Zhitung sebesar 0,83. Berdasarkan
daerah kritis yang menyatakan bahwa H0 ditolak jika Zhit < -Ztabel dan H0 ditolak
jika Zhit > Ztabel, maka pada uji sampel 1 ini H0 diterima yang berarti bahwa rata-
rata sampel 1 sama dengan (=) 27,93.
Pengujian uji tanda pada sampel 1 dan 2 dengan menggunakan taraf nyata 1%, 5%
dan 10% menghasilkan nilai Ztabel masing-masing sebesar 2,33, 1,64 dan 1,28 serta
menghasilkan nilai Zhitung sebesar -4,00. Berdasarkan daerah kritis yang
menyatakan bahwa H0 ditolak jika Zhit > Ztabel dan H0 diterima jika Zhit < Ztabel,
maka pada pengujian sampel 1 dan sampel 2 H0 diterima yang berarti bahwa rata-
rata pada sampel 1 dan 2 yaitu ≥ 30,04.
5.5 REGRESI DAN KORELASI

5.5.1 Analisis Regresi Sederhana
Praktikum modul Regresi dan Korelasi kali ini membahas mengenai analisis
terhadap hubungan variabel bebas dan variabel terikat, apakah terdapat hubungan
yang saling terikat atau tidak. Data yang digunakan pada regresi sederhana ini yaitu
mortum (variabel terikat) dan nilai praktikum (variabel bebas) sebanyak 30 data.
Tabel 5. 7 Analisis Regresi Sederhana

Model Perhitungan Nilai
Koefisien Korelasi 0,39
Koefisien Determinasi 15,21%
158
UNIVERSITAS
WIDYATAMA
Berdasarkan Tabel 5.7 menunjukkan bahwa koefisen korelasi yang dihasilkan yaitu
sebesar 0,39. Hal tersebut berdasarkan Tabel 2.4 menunjukkan bahwa hubungan
antara variabel bebas (nilai praktikum 𝑋) terhadap variabel terikat (mortum 𝑌)
adalah rendah. Nilai koefisien determinasi yang dihasilkan berdasarkan
perhitungan yaitu sebesar 15,21%, nilai ini menunjukkan kontribusi semua variabel
bebas terhadap variabel terikat adalah sebesar 15,21%, sementara itu 84,79%
sisanya merupakan kontribusi dari faktor-faktor lain selain faktor yang diwakili
oleh variabel bebas.
5.5.2 Analisis Regresi Berganda
Data yang digunakan dalam regresi berganda kali ini yaitu variabel terikat (𝑌) dan
variabel bebas (𝑋1 , 𝑋2 dan 𝑋3) sebanyak 34 data. Misalkan variabel terikat (Y)
merupakan tingkat pengangguran dan variabel bebas 𝑋1 , 𝑋2 dan 𝑋3 merupakan
faktor yang mempengaruhi tingkat pengangguran. Faktor yang mempengaruhi
pengangguran berturut-turut yaitu tidak adanya lapangan pekerjaan (𝑋1 ), tingkat
perekonomian rendah (𝑋2 ) dan maraknya PHK oleh perusahaan (𝑋3 ).
Tabel 5. 8 Analisis Regresi Berganda

Nilai
Model Perhitungan
X1 Terhadap Y X2 Terhadap Y X3 Terhadap Y
Koefisien Korelasi Parsial 0,26 0,37 0,32
Koefisien Korelasi 0,63
Koefisien Determinasi 39,69%
Koefisien korelasi parsial dimaksudkan untuk mencari tahu seberapa kuatkah

hubungan salah satu atau beberapa variabel bebas terhadap variabel terikat secara
parsial, tidak simultan atau bersama-sama. Berdasarkan Tabel 5.8 di atas
menunjukkan bahwa hasil perhitungan korelasi parsial faktor tidak adanya lapangan
pekerjaan terhadap tingkat pengangguran yaitu sebesar 0,26, nilai tersebut
berdasarkan Tabel 2.4 berarti bahwa hubungan faktor tidak adanya lapangan
pekerjaan terhadap tingkat pekerjaan adalah rendah. Korelasi parsial faktor tingkat
perekonomian rendah terhadap tingkat pengangguran yaitu sebesar 0,37 yang
berarti bahwa hubungan tingkat perekonomian rendah terhadap tingkat
pengangguran adalah rendah dan korelasi parsial faktor maraknya PHK oleh
159
UNIVERSITAS
WIDYATAMA
perusahaan terhadap tingkat pengangguran yaitu sebesar 0,32 yang berarti bahwa
hubungan maraknya PHK oleh perusahaan terhadap tingkat pengangguran adalah
rendah.
Berdasarkan hasil perhitungan koefisien korelasi hubungan antara variabel bebas

(faktor yang mempengaruhi tingkat pengangguran) terhadap variabel terikat
(tingkat pengangguran) yaitu sebesar 0,63. Nilai tersebut berdasarkan Tabel 2.4
berarti bahwa hubungan variabel bebas terhadap variabel terikat adalah kuat.
Koefisien determinasi yang dihasilkan yaitu sebesar 39,69%, Nilai ini menunjukkan
kontribusi semua variabel bebas terhadap variabel terikat secara simultan adalah
sebesar 39,69%. Sementara itu 60,31% sisanya merupakan kontribusi dari faktor-
faktor lain selain faktor yang diwakili oleh variabel bebas, seperti faktor tingkat
pendidikan. Adanya metode untuk menganalisis hubungan antara data satu dengan
data yang lainnya apakah terdapat hubungan yang kuat atau bahkan tidak terdapat
ikatan satu sama lainnya, diharapkan dapat membantu suatu perusahaan untuk
mendapatkan analisis yang akurat terhadap data-data yang tersedia.
160
BAB VI
KESIMPULAN DAN SARAN
6.1 KESIMPULAN
Berdasarkan praktikum modul Statistika Deskriptif yang telah dilakukan maka

dapat ditarik kesimpulan bahwa:
1. Data diolah menggunakan tabel distribusi frekuensi dan disajikan dalam
bentuk grafik histogram, poligon dan ogive.
2. Perhitungan mean pada distribusi frekuensi data diskrit yaitu 193,50,
sedangkan untuk data kontinu yaitu 66,75.
3. Perhitungan Skewness pada kedua data (diskrit dan kontinu) menghasilkan
kesimpulan yang sama yaitu menceng ke kiri (negatif), dengan hasil
perhitungan skewness pada data diskrit yaitu -1,81 dan data kontinu yaitu -
1,58.
4. Berdasarkan uji normalitas data (skewness), kedua data (diskrit dan kontinu)
merupakan data yang tidak simetris atau tidak berdistribusi normal.
Berdasarkan praktikum modul Teori Probabilitas yang telah dilakukan maka dapat
ditarik kesimpulan bahwa:
1. Berdasarkan hasil perhitungan union atau gabungan pada kelompok kiri

122
ganjil yaitu menghasilkan probabilitas 𝑃(𝐴 ∪ 𝐶) = 164.
2. Berdasarkan perhitungan untuk mencari cara pemilihan karyawan untuk
dijadikan supervisor dan manajer pada kasus kedua yaitu sebanyak 2.550
cara.
3. Berdasarkan perhitungan untuk menentukan ada berapa banyak cara
menyusun karyawan menjadi sebuah kelompok secara beraturan pada kasus
kedua yaitu sebanyak 1,551119 × 1066 cara.
161
UNIVERSITAS
WIDYATAMA
4. Berdasarkan perhitungan untuk menentukan ada berapa banyak cara 20

karyawan tersebut dapat duduk di sekeliling meja bundar untuk focus group
discusion yaitu sebanyak 3,04141 × 1062 cara.
5. Berdasarkan perhitungan untuk mentukan ada berapa banyak cara
menyusun posisi tempat duduk pada saat proses seleksi berdasarkan jurusan
masing-masing menghasilkan 2,240976 × 1032 cara.
6. Berdasarkan perhitungan untuk menentukan ada berapa banyak cara untuk
ke 20 karyawan tersebut menduduki meja dan kursi jika dalam satu ruangan
ada 8 buah meja dan kursi yang disusun berjajar yaitu 636.763.050 cara.

Berdasarkan praktikum modul Binomial dan Hipergeometrik yang telah dilakukan,

1. Terambilnya 4 bola pingpong berwarna kuning (kejadian sukses) pada suatu

pengambilan 6 bola pingpong dengan pengembalian menggunakan
distribusi binomial menghasilkan probabilitas terbesar yaitu 0,316.
2. Tidak satupun bola berwarna kuning terambil (kejadian sukses) pada suatu
pengambilan 6 bola pingpong dengan pengembalian menggunakan
distribusi binomial menghasilkan probabilitas terkecil yaitu 0,004.
3. Probabilitas terambilnya 1 bola pingpong berwarna kuning (kejadian
sukses) pada suatu pengambilan 8 bola pingpong tanpa pengembalian
menggunakan distribusi hipergeometrik yaitu sebesar 0,341421.
4. Probabilitas terambilnya 8 bola pingpong berwarna kuning (kejadian
sukses) pada suatu pengambilan 8 bola pingpong tanpa pengembalian
menggunakan distribusi hipergeometrik yaitu sebesar 0,000001 yang
memiliki arti bahwa kejadian tersebut nyaris tidak mungkin terjadi.
5. Software Minitab digunakan untuk mendapatkan hasil perhitungan
probabilitas yang akurat dan memastikan pehitungan yang dilakukan secara
manual sudah benar.
162
UNIVERSITAS
WIDYATAMA
6. Grafik histogram dapat digunakan sebagai alat mempermudah pembaca

untuk memperoleh informasi.
Berdasarkan praktikum modul Poisson dan Eksponensial yang telah dilakukan,

1. Salah satu karakteristik dari distribusi poisson yaitu dapat digunakan untuk
mengamati banyaknya pelanggan yang melakukan transaksi disuatu
perusahaan, sedangkan karakteristik dari distribusi eksponensial salah
satunya yaitu dapat digunakan untuk mengamati lamanya waktu pelayanan
dari suatu perusahaan.
2. Banyaknya pengantre (𝐿𝑞) pada selang waktu 3 menit dengan menggunakan
pendekatan distribusi probabilitas poisson dan eksponensial yaitu sebanyak
0,000000887 orang atau hampir tidak ada satupun konsumen yang
mengantre, sedangkan pada selang waktu 5 menit yaitu sebanyak
0,000001073 orang atau hampir tidak ada satupun konsumen yang
mengantre.
3. Lamanya waktu antre (𝑊𝑞) pada selang waktu 3 menit dan 5 menit dengan
menggunakan pendekatan distribusi probabilitas poisson dan eksponensial
yaitu selama 0,00000887 detik atau hampir tidak terjadi antrean saat
melakukan order minuman di perusahaan tersebut.
4. Keadaan dimana tidak ada satupun konsumen yang mengantre berbanding
lurus dengan kondisi praktikan saat melakukan kegiatan pengamatan di
lokasi tersebut. Hal tersebut dapat terjadi dikarenakan pengunjung tidak
datang secara bersamaan sehingga tidak menimbulkan antrean dan juga
waktu saat praktikan melakukan pengamatan yaitu hari kerja.
Berdasarkan kegiatan praktikum yang telah dilakukan pada modul Statistik

Parametrik dan Non-Parametrik, praktikan dapat mengambil beberapa kesimpulan
diantaranya:
163
UNIVERSITAS
WIDYATAMA
1. Pengujian hipotesis untuk panjang balok dengan menggunakan taraf nyata

1%, 5% dan 10% H0 ditolak karena Zhit yang dihasilkan yaitu 2,53 lebih besar
dari Ztabel (2,33, 1,64 dan 1,28) dan sebagai kesimpulannya yaitu hipotesis
tandingan (H1) diterima atau dengan kata lain rata-rata panjang balok lebih
besar dari (>) 49mm.
2. Pengujian hipotesis untuk lebar balok dengan menggunakan taraf nyata 1%,
5% dan 10% H0 diterima karena Zhit yang dihasilkan yaitu 0,41 lebih besar
dari Ztabel (-2,33, -1,64 dan -1,28) yang berarti bahwa rata-rata lebar balok
lebih besar sama dengan (≥) 29mm.
3. Pengujian hipotesis untuk berat detergen dengan menggunakan taraf nyata
1%, 5% dan 10% H0 ditolak karena Zhit yang dihasilkan yaitu 44,8 lebih besar
dari Ztabel (2,575, 1,96 dan 1,645) dan sebagai kesimpulannya yaitu hipotesis
tandingan (H1) diterima atau dengan kata lain rata-rata berat detergen tidak
sama dengan (≠) 48gram.
4. Pengujian hipotesis sampel 1, sampel 2 dan sampel 3 dengan menggunakan
metode Kolmogorov-Smirnov, kesimpulan pada masing-masing pengujian
sampel yaitu H0 diterima yang berarti bahwa ketiga sampel yang diuji
berdistribusi normal.
5. Pengujian hipotesis sampel 1 dengan menggunakan metode uji tanda, H0
diterima yang berarti bahwa rata-rata sampel 1 = 27,93.
6. Pengujian hipotesis sampel 1 dan 2 dengan menggunakan metode uji tanda,
H0 diterima yang berarti bahwa rata-rata sampel 1 dan 2 ≥ 30,04.
Berdasarkan kegiatan praktikum yang telah dilakukan pada modul Regresi dan
Korelasi, praktikan dapat mengambil beberapa kesimpulan diantaranya:
1. Hubungan variabel bebas (nilai praktikum) terhadap variabel terikat

(mortum) pada regresi sederhana adalah rendah.
2. Sebesar 15,21% variabel bebas berkontribusi terhadap variabel terikat,
sementara itu 84,79% sisanya merupakan kontribusi dari faktor-faktor lain
selain faktor yang diwakili oleh variabel bebas.
164
UNIVERSITAS
WIDYATAMA
3. Hubungan korelasi parsial antara variabel 𝑋1 terhadap variabel 𝑌, variabel 𝑋2

terhadap variabel 𝑌 dan variabel 𝑋3 terhadap variabel 𝑌 adalah masing-
masing rendah.
4. Hubungan variabel bebas (𝑋1 , 𝑋2 dan 𝑋3) terhadap variabel terikat (𝑌) pada
regresi berganda adalah kuat.
5. Koefisien determinasi yang dihasilkan pada data regresi berganda yaitu
sebesar 39,69%, Nilai ini menunjukkan kontribusi semua variabel bebas
terhadap variabel terikat secara simultan adalah sebesar 39,69%. Sementara
itu 60,31% sisanya merupakan kontribusi dari faktor-faktor lain selain faktor
yang diwakili oleh variabel bebas.
6.2 SARAN
Penyusunan laporan akhir praktikum modul Statistika Deskriptif memang terdapat

banyak kelebihan dan kekurangan, adapun yang ingin disampaikan oleh praktikan
adalah:
1. Pengolahan data harus dilakukan dengan teliti agar tidak terjadi kesalahan
dalam proses perhitungan.
2. Saat pengolahan data dilakukan, praktikan diharapkan dapat menuangkan
data dengan baik sehingga dapat dimengerti oleh pembaca.
3. Saat praktikum sedang berlangsung, diharapkan praktikan dapat
memperhatikan dengan teliti apa yang dijelaskan oleh instruktur agar tidak
terjadi kesalahan saat pengerjaan laporan.
Penyusunan laporan akhir praktikum modul Teori Probabilitas memang terdapat

adalah:
1. Praktikan diharapkan lebih teliti ketika melakukan perhitungan terhadap

kedua studi kasus yang telah tersedia.
165
UNIVERSITAS
WIDYATAMA
2. Praktikan diharapkan lebih serius ketika instruktur atau asisten praktikum

sedang menjelaskan materi untuk menghindari kesalahan ketika melakukan
pengolahan data.
3. Diharapkan praktikan menyusun laporan dengan baik dan rapi agar
pembaca mengerti dan memahami isi dari laporan yang telah dibuat.

Penyusunan laporan akhir praktikum modul Binomial dan Hipergeometrik memang

terdapat banyak kelebihan dan kekurangan, adapun yang ingin disampaikan oleh
praktikan adalah:
1. Praktikan diharapkan lebih teliti saat percobaan sedang berlangsung.

sedang menjelaskan materi untuk menghindari kesalahan ketika pengolahan
data berlangsung.
3. Saat pengolahan data berlangsung, diharapkan praktikan lebih teliti untuk
mendapatkan hasil yang diinginkan.
4. Penggunaan software seperti Microsoft Excel dan Minitab sangat dianjurkan
untuk mempermudah proses perhitungan dan untuk mendapatkan hasil yang
akurat.
Penyusunan laporan akhir praktikum modul Binomial dan Hipergeometrik memang

terdapat banyak kelebihan dan kekurangan, adapun yang ingin disampaikan oleh
praktikan adalah:
1. Saat melakukan pengamatan, praktikan diharapkan teliti sehingga

didapatkan hasil yang akurat.
sedang menjelaskan materi untuk menghindari kesalahan ketika pengolahan
data berlangsung.
166
UNIVERSITAS
WIDYATAMA
3. Penggunaan software seperti Microsoft Excel sangat dianjurkan untuk

memudahkan praktikan dalam melakukan perhitungan sehingga
mendapatkan hasil yang akurat.
Penyusunan laporan akhir praktikum modul Statistik Parametrik dan Non-

Parametrik memang terdapat banyak kelebihan dan kekurangan, adapun yang ingin
disampaikan oleh praktikan adalah:
1. Saat penyampaian materi oleh instruktur maupun asisten praktikum,

praktikan diharapkan lebih fokus agar tidak terjadi kesalahan dalam proses
penyusunan laporan.
2. Praktikan diharapkan membaca terlebih dahulu materi yang akan
disampaikan untuk menghindari kesalahan saat menyusun laporan.
3. Praktikan diharapkan lebih teliti ketika proses perhitungan berlangsung.
4. Penggunaan alat hitung seperti kalkulator ilmiah sangat dianjurkan dalam
praktikum ini.
5. Penggunaan software statistik dan alat hitung seperti kalkulator ilmiah
sangat dianjurkan untuk mendapatkan hasil yang akurat.
Penyusunan laporan akhir praktikum modul Regresi dan Korelasi memang terdapat
adalah:
1. Praktikan diharapkan menguasai materi terlebih dahulu.

2. Praktikan diharapkan mencari materi selain dari modul Statistika Industri.
3. Penggunaan software microsoft excel sangat dianjurkan dalam
menyelesaikan permasalahan dalam modul ini.
4. Praktikan diharapkan lebih teliti ketika proses perhitungan berlangsung.
167
DAFTAR PUSTAKA
Irani, Yani.dkk. (2017). Modul Praktikum Statistika Industri. Bandung: Universitas

Widyatama.
Laboratorium Statistik dan Rekayasa Kualitas. (2012). Manual Prosedur Statistik

Industri, Program Studi Teknik Industri, Fakultas Teknik, Universitas
Brawijaya.
Ahlan, Munajat. (2011). Teori Probabilitas.

https://www.scribd.com/doc/65013429/Probabilitas-Bab-2-Landasan-
Teori-Modul-2-Laboratorium-Statistika-Industri-Data-Praktikum-
Risalah-Moch-Ahlan-Munajat-Universitas-Kompute (Diakses pada
tanggal 3 Maret 2017 pukul 21:00 WIB)
Garda, (2013). Rumus Matematika. http://garda-

pengetahuan.blogspot.com/2012/04/rumus-matematika-untuk-mean-
median-dan.html (Diakses pada tanggal 15 Februari 2017 pukul 20:00
WIB).
Ismail. (2012). Distribusi Eksponensial.

https://www.academia.edu/12021247/Distribusi_Eksponensial. (Diakses
pada tanggal 14 Maret 2017 pukul 21:00 WIB.)
Nuryakin, Muhamad. (2013). Teori Antrean.

https://www.academia.edu/5425999/Modul3. (Diakses pada tanggal 14
Maret 2017 pukul 21:00 WIB.)
Randy, Faizal. (2013). Statistik Parametrik.

https://www.scribd.com/doc/179103783/Modul-4-Statistik-Parametrik
(Diakses pada tanggal 1 Mei 2017 pukul 20:00).
Ricardo, Rahmat. (2013). Statistika Deskriptif.

http://ricardouciha.blogspot.co.id/2013/05/modul-i-statistika-
deskriptif.html. (Diakses pada tanggal 15 Februari 2017 pukul 20:00
WIB).
168
LAMPIRAN
169
170
171
172
173
174

Laporan Akhir Statin

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Akhir Statin

Diunggah oleh

Hak Cipta:

Format Tersedia

LEMBAR PENGESAHAN

(PRAKTIKUM STATISTIKA INDUSTRI)

Telah Disetujui dan Disahkan di Bandung, Tanggal _____________

Usi Putri Pratiwi Aisah Devi Frida Sagala

Ima Ratnasari, S.T., M.T.

Bandung, Mei 2017

Riski Septian Rachman

1.1 LATAR BELAKANG

1.1.1 Statistika Deskriptif

1.1.2 Teori Probabilitas

Zaman sekarang dimana perusahaan-perusahaan industri sudah sangat maju

statistika sering digunakan sebagai alat untuk memperhitungkan kemungkinan pada

Banyak ditemukannya permasalahan yang tidak dapat diperkirakan sebelumnya

Modul 2 Teori Probabilitas kali ini mempelajari bagaimana probabilitas

1.1.3 Distribusi Probabilitas

Probabilitas menjadi salah satu kajian statistika yang membahas mengenai

1.1.3.2 Poisson dan Eksponensial

Permasalahan yang kerap ditemukan pada suatu perusahaan yang menyediakan

Teori antrean melalui pendekatan distribusi probabilitas poisson dan eksponensial

Modul Poisson dan Eksponensial kali ini membahas mengenai banyaknya

1.1.4 Statistik Parametrik dan Non-Parametrik

Statistik parametrik dan Non-parametrik dapat menjadi metode yang dapat

1.1.5 Regresi dan Korelasi

mengetahui seberapa kuatkah hubungan antara variabel bebas dengan variabel

1.2 TUJUAN PRAKTIKUM

Tujuan melakukan kegiatan praktikum pada Modul Statistik Deskriptif ini,

1.2.2 Teori Probabilitas

Tujuan dari Modul Teori Probabilitas pada praktikum ini adalah:

1.2.3 Distribusi Probabilitas

3. Mengetahui asumsi dan karakteristik percobaan binomial dan

1.2.3.2 Poisson dan Eksponensial

1.2.4 Statistik Parametrik dan Non-Parametrik

1.2.5 Regresi dan Korelasi

2.1 STATISTIKA DESKRIPTIF

Statistika adalah pengetahuan yang berhubungan dengan teknik atau cara

Statistika membahas metode-metode ilmiah untuk pengumpulan,

2.1.2 Istilah dalam Statistika

Istilah-istilah dalam statistika yaitu populasi, sampel, parameter dan statistik

1. Populasi adalah seluruh objek yang dikaji atau yang ditelaah

2.1.3 Definisi Statistika Deskriptif

Pengertian Statistika Deskriptif adalah metode statistika yang digunakan untuk

Statistika Deskriptif merupakan metode statistika yang berkaitan dengan

2.1.4 Jenis Statistika

B. Statistika Berdasarkan Bentuk Parameter

C. Statistika Berdasarkan Pengumpulan Data

2.1.5 Ukuran Pemusatan Data

Merurut Kusumo (2014) Ukuran pemusatan serta penafsirannya suatu rangkaian

Menganalisa data kuantitatif dimulai dengan menjelaskan karakteristik data.

Rumus yang digunakan untuk menghitung mean data adalah:

Keterangan: 𝑋𝑖 = data ke-i

B. Median (Nilai Tengah)

Untuk n ganjil Untuk n genap

2.1.6 Ukuran Penyebaran Data

Xi = Nilai Tengah n = Banyak data

𝛔 = Standar Deviasi 𝑋̅ = Rata-rata

Xi = Nilai Tengah n = Banyak data

D. Jangkauan Antar Kuartil

Q3 = Kurtil kelas ketiga Q1 = Kuartil kelas pertama.

2.2 TEORI PROBABILITAS

3. Menurut pendekatan subjektif, probabilitas diartikan sebagai tingkat

2.2.2 Manfaat Probabilitas dalam Penelitian

Manfaat probabilitas dalam kehidupan sehari-hari adalah membantu kita dalam

1. Membantu peneliti dalam pengambilan keputusan yang lebih tepat.

2.2.3 Percobaan, Ruang Sampel, Titik Sampel dan Peristiwa