Anda di halaman 1dari 129

PRAKTIKUM STATISTIKA INDUSTRI

LAPORAN AKHIR
Diajukan Untuk Memenuhi Dan Melengkapi Persyaratan Akademik
Mata Kuliah Praktikum statistika industri
Program Studi Teknik Industri
Fakultas Teknik Universitas Widyatama

Oleh:
Nama :
Arif Dwi Rahmawan (0516104066)
Indra Mulyana (0516104083)

LABORATORIUM SISTEM PERANCANGAN KERJA DAN ERGONOMI


PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS WIDYATAMA

SK. Ketua Badan Akreditasi Nasional Perguran Tinggi (BAN-PT)


Nomor: 112/SK/BAN-PT/Akred/SIII/2015
BANDUNG
2018
LEMBAR PENGESAHAN

(PRAKTIKUM STATISTIKA INDUSTRI)

LAPORAN AKHIR

PROGRAM STUDI TEKNIK INDUSTRI – FAKULTAS TEKNIK


UNIVERSITAS WIDYATAMA

Oleh :
Arif Dwi Rahmawan (0516104066)
Indra Mulyana (0516104083)

Telah disetujui dan disahkan di bandung, tanggal 9 Juni 2018

Menyetujui,
Asisten Praktikum Analisis Dan Pengukuran Kerja

Asisten Asisten

Gilang Maulana Riski Septian Rachman

Mengesahkan,
Instruktur praktikum analisis dan pengukuran kerja

Rendiyatna Ferdian, S.T


KATA PENGANTAR
Puji syukur marilah kita panjatkan kehadirat Tuhan Yang Maha Esa, atas
rahmat dan karunia-Nya, serta kasih sayang yang berlimpah ruah, saya telah
menyelesaikan Laporan Akhir Praktikum Sistem Kerja dan Ergonomi. Walaupun
terdapat banyak kendala yang saya hadapi tetapi akhirnya saya bisa
menyelesaikanya.

Dalam proses penyusunan Laporan ini, saya banyak memperoleh bantuan


dari berbagai pihak, sehingga Laporan ini dapat terselesaikan. Oleh karena itu,
saya banyak berterima kasih terutama kepada Istri, dosen dan teman-teman atas
segala dukungan serta bantuannya.

Saya menyadari bahwa hasil yang dicapai dalam penulisan laporan ini
masih mengandung berbagai kelemahan dan kekurangan. Untuk itu, kritik dan
saran yang sifatnya membangun sangat saya harapkan demi kesempurnaan
laporan ini dan semoga dapat menjadi sumbangan yang berharga bagi semua
pihak.

Akhirnya, dengan segala kerendahan hati saya mengucapkan terima kasih


yang mendalam kepada seluruh pihak yang telah membantu baik secara langsung
maupun tidak langsung dalam penulisan laporan ini.

Bandung, 22 Mei 2018

Penyusun
DAFTAR ISI

HALAMAN JUDUL .......................................................................................


LEMBAR PENGESAHAN .............................................................................
KATA PENGANTAR .....................................................................................
DAFTAR ISI ....................................................................................................
DAFTAR GAMBAR .......................................................................................
DAFTAR TABEL ............................................................................................

BAB I PENDAHULUAN
1.1 Latar Belakang ...........................................................................................

1.2 Tujuan Praktikum.......................................................................................

BAB II LANDASAN TEORI


2.1 LANDASAN TEORI .................................................................................

BAB III FLOWCHART


3.1 Flowchart Kegiatan Praktikum .................................................................

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA


4.1 Pengumpulan Data ....................................................................................

4.2 Pengolahan Data ........................................................................................

BAB V ANALISIS

DAFTAR PUSTAKA
LAMPIRAN
BAB I
PENDAHULUAN

1.1 LATAR BELAKANG

1.1.1 STATISTIKA INDUSTRI


Terdapat bermacam-macam teknik statistik yang digunakan dalam penelitian
khususnya dlam pengujian hipotesis. Dalam mengaplikasikan statistika terhadap
permasalahan sains, industri, atau sosial, pertama-tama dimulai dari mempelajari
populasi. Makna populasi dalam statistika dapat berarti populasi benda hidup,
benda mati, ataupun benda abstrak. Populasi juga dapat berupa pengukuran
sebuah proses dalam waktu yang berbeda-beda, yakni dikenal dengan istilah deret
waktu.

Melakukan pendataan (pengumpulan data) seluruh populasi dinamakan sensus.


Sebuah sensus tentu memerlukan waktu dan biaya yang tinggi. Untuk itu, dalam
statistika seringkali dilakukan pengambilan sampel (sampling), yakni sebagian
kecil dari populasi, yang dapat mewakili seluruh populasi. Analisis data dari
sampel nantinya digunakan untuk menggeneralisasi seluruh populasi.

Jika sampel yang diambil cukup representatif, inferensial (pengambilan


keputusan) dan simpulan yang dibuat dari sampel dapat digunakan untuk
menggambarkan populasi secara keseluruhan. Metode statistika tentang
bagaimana cara mengambil sampel yang tepat dinamakan teknik sampling.

Analisis statistik banyak menggunakan probabilitas sebagai konsep dasarnya hal


terlihat banyak digunakannya uji statistika yang mengambil dasar pada sebaran
peluang. Sedangkan matematika statistika merupakan cabang dari matematika
terapan yang menggunakan teori probabilitas dan analisis matematika untuk
mendapatkan dasar-dasar teori statistika.

Ada dua macam statistika, yaitu statistika deskriptif dan statistika inferensial.
Statistika deskriptif berkenaan dengan deskripsi data, misalnya dari menghitung
rata-rata dan varians dari data mentah; mendeksripsikan menggunakan tabel-tabel
atau grafik sehingga data mentah lebih mudah “dibaca” dan lebih bermakna.
Sedangkan statistika inferensial lebih dari itu, misalnya melakukan pengujian
hipotesis, melakukan prediksi observasi masa depan, atau membuat model regresi.

1.2 TUJUAN PRAKTIKUM

1.2.1 Statistika Deskriptif


1. Untuk mengetahui dan memahami teknik pengambilan data
2. Dapat mengetahui dan memahami tentang pengolahan sampel data dengan cara
manual
3. Dapat mengetahui dan memahami tentang pengolahan data dengan
menggunakan software

1.2.2 Teori Probabilitas


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

1.2.3 Distribusi Probabilitas


1. Mengetahui definisi distribusi binomial dan distribusi hipergeometrik
2 Mampu membedakan karakteristik distribusi binomial dan karakteristik
hipergeometrik.
3 Mengetahui asumsi dan karakteristik percobaan binomial dan hipergeometrik.
4. Mampu memahami karakteristik dari distribusi poisson dan distribusi
eksponensial.
5. Mampu melakukan pendekatan distribusi poisson dan distribusi eksponensial.
6. Mampu mengenali masalah nyata dalam kehidupan sehari-hari yang berkaitan
dengan distribusi eksponensial dan mampu mengenal peranan ilmu statistika
dalam memecahkan masalah tersebut.
1.2.4 Statistik Parametrik
1. Memahami dan mampu menerapkan langkah-langkah pengujian hipotesis
statistik untuk mengambil suatu kesimpulan atau keputusan.
2. Mampu melakukan pengujian hipotesis khususnya uji rata-rata untuk
mengestimasi besaran parameter rata-rata pada populasi.

1.2.5 Statistik Non Parametrik


1. Memahami konsep Statistika Non Parametrik
2. Memahami uji Kolmogorov-Smirnov, Uji Tanda, Uji Dwi Wilcoxon, Uji
Kruskal Wallis.
3. Mampu menarik kesimpulan dari hasil pengujian

1.2.6 Analisa Korelasi Dan Regresi


1. Memahami pengertian Regresi dan Korelasi.
2. Menentukan hubungan antar dua variabel dalam bentuk persamaan.
3. Mangetahui besar kecilnya pengaruh antar dua variabel.
4. Mampu menarik kesimpulan dari hasil perhitungan.
BAB II
LANDASAN TEORI

2.1 STATISTIKA DESKRIPTIF

2.1.1 Definisi Statistika Deskriptif

Statistika adalah ilmu yang mempelajari cara pengumpulan data, pengolahan data,
penafsiran data, analisis data serta penyajian data sehingga menjadi suatu
informasi yang berguna. Penyajian data meliputi: pengumpulan,
pengorganisasian, peringkasan dan penyajian data. Penafsiran data meliputi:
pendugaan, pengujian dugaan dan penarikan kesimpulan. Istilah ‘statistika’
(statistics) berbeda dengan ‘statistik’ (statistic). Statistika merupakan ilmu yang
berkenaan dengan data, sedangkan statistik merupakan data, informasi, atau hasil
penerapan algoritma statistika pada suatu data. Sebagian besar konsep dasar
statistika mengasumsikan teori probabilitas. Beberapa istilah statistika antara lain:
populasi, sampel, dan probabilitas.
Jenis-jenis statistika dibedakan menjadi 2, yaitu:

1. Statistika Diferensial/Deskriptif/Deduktif
Berkenaan dengan bagaimana data dapat digambarkan, dideskripsikan atau
disimpulkan secara numerik (misal : menghitung rata-rata dan standart deviasi)
atau secara grafis (dalam bentuk tabel atau grafik) untuk mendapatkan gambaran
sekilas mengenai data tersebut sehingga lebih mudah dibaca dan dipahami.
Contoh statistika deskriptif yang sering muncul adalah tabel diagram dan grafik.
Kegiatan yang dilakukan:
a) Pengumpulan data
b) Penyajian data
c) Penentuan nilai-nilai statistik
d) Pembuatan gambar, grafik, dan diagram.
2. Statistika Inferensial/Induktif.
Berkenaan dengan permodelan data dan melakukan pengambilan keputusan
berdasarkan analisis data (misal: melakukan pengujian hipotesis estimasi
pengamatan masa mendatang, membuat permodelan hubungan (korelasi regresi
ANOVA deret waktu dll).
Kegiatan yang dilakukan:
a) Penentuan alat uji statistik
b) Analisis data
c) Pengambilan keputusan.
Selain itu, statistika sangat diperlukan bukan saja hanya dalam penelitian atau
riset, tetapi juga perlu dalam bidang pengetahuan lainnya seperti : teknik, industri,
ekonomi, astronomi, biologi, kedokteran, asuransi, pertanian, perniagaan, bisnis,
sosiologi, antropologi, pemerintahan, pendidikan, psikologi, meteorologi, geologi,
farmasi, ekologi, pengetahuan alam, pengetahuan sosial, dan lain sebagainya.
A. Pengertian Ukuran Gejala Pusat

Ukuran gejala pusat dapat juga disebut juga dengan nilai sentral atau nilai
tendensi pusat. Nilai sentral adalah nilai dalam suatu rangkaian data yang dapat
mewakili rangkaian data tersebut.
Ada beberapa syarat agar suatu nilai dapat dikatakan sebagai nilai sentral yaitu:
a. Nilai sentral harus dapat mewakili rangkaian data.
b. Perhitunganya harus didasarkan pada seluruh data.
c. Perhitunganya harus mudah.
d. Dalam suatu rangkaian data hanya ada 1 nilai sentral.

B. Pengertian Data Dikelompokkan

Data yang dikelompokkan adalah data yang sudah disusun ke dalam sebuah
distribusi frekuensi sehingga data tersebut mempunyai interval kelas yang jelas
dan mempunyai titik tengah yang jelas.
C. Macam-macam Ukuran Gejala Pusat

a. Rata-rata Hitung (Mean)

Nilai rata-rata hitung (mean) adalah total dari semua data yang diperoleh dari dari
jumlah seluruh nilai data dibagi dengan jumlah frekuensi yang ada. Untuk
mencari rata-rata hitung berupa data kelompok, maka terlebih dahulu harus
ditemukan titik tengah dari masing-masing program.
Rumus:
∑𝑓𝑖 𝑚𝑖 𝑓1 𝑚1 + 𝑓2 𝑚2 + ⋯ 𝑓𝑘 𝑚𝑘
𝑥= =( )
∑𝑓𝑖 𝑓1 + 𝑓2 + … 𝑓𝑘
Ket:
f = frekuensi
m = titik tengah
b. Median

Median merupakan sebuah nilai data yang berada ditengah-tengah dari rangkaian
data yang telah tersusun secara teratur. Hasil median sama dengan hasil dari
kuartil kedua.
Rumus:
𝑵
− ∑𝒇
𝑴𝒆𝒅 = 𝑻𝒃 + ( 𝟐 ).𝒄
𝒇𝒎

Ket :
Med = Median Data Kelompok
Tb = Tepi Bawah Kelas Median
N = Jumlah frekunsi
∑f = frekunsi komulatif di atas kelas median
𝑓𝑚 = frekunsi kelas median
c = interval kelas median
c. Modus

Modus merupakan nilai data yang memiliki frekuensi terbesar atau nilai data yang
paling sering muncul.
Rumus :
𝒅𝟏
𝑴𝒐𝒅 = 𝑻𝒃 + 𝒊 ( )
𝒅𝟏 + 𝒅𝟐
Ket :
Mod = modus data kelompok
Tb = tepi bawah kelas modus
𝑑1 = selisih antara kelas modus dengan frekuensi kelas sebelum modus
𝑑2 = selisih antara kelas modus dengan frekuensi kelas sesudah modus
𝑖 = interval kelas modus
d. Kuartil

Pada prinsipnya, pengertian kuartil sama dengan median. Perbedaanya hanya


terletak pada banyaknya pembagian kelompok data. Median membagi kelompok
atas dua bagian, sedangkan kuartil membagi kelompok atas 4 bagian yang sama
besar, sehingga akan terdapat 3 kuartil yaitu kuartil ke-1, kuartil ke-2 dan kuartil
ke-3, dimana kuartil ke2 sama dengan median.
Rumus : 𝒊𝑵
−∑𝒇
𝟒
𝑸𝒊 ≈ 𝑻𝒃 + 𝒊 ( )
𝒇𝑸

e. Desil

Desil adalah suatu rangkaian data yang membagi suatu distribusi menjadi sepuluh
bagian yang sama besar.

Rumus :
𝒊𝑵
− ∑𝒇
𝑫𝒊 ≈ 𝑻𝒃 + 𝒊 (𝟏𝟎 )
𝒇𝑫

f. Persentil

Persentil adalah ukuran letak yang membagi suatu distribusi menjadi 100 bagian
yang sama besar.
𝒊𝑵
− ∑𝒇
Rumus : 𝑷𝒊 ≈ 𝑻𝒃 + 𝒊 ( 𝟏𝟎𝟎 )
𝒇𝑷

Ket Kuartil, Desil, Persentel :


𝑄𝑖 = Quartil ke-i
𝐷𝑖 = Desil ke-i
𝑃𝑖 = Persentil ke-i
𝐿 = tepi bawah kelas kuartil, desil, persentil
𝑁 = Jumlah frekuensi
∑𝑓 = frekuensi komulatif dari atas pada kelas sebelum 𝑄𝑖 /𝐷𝑖 /𝑃𝑖
f = frekuensi kelas kuartil, desil, persentil
c = interval elas kuartil, desil, persentil
g. Skewness

Merupakan derajat ketidak simetrian (keasimetrian), atau dapat juga disefinisikan


sebagai penyimpangan dari kesimetrian dari suatu distribusi.

h. Variansi

Variansi adalah rata-rata selisih kuadrat antara nilai-nilai individual dengan nilai
tengahnya.
i. Standar Deviasi/simpangan baku

Simpangan baku adalah ukuran sebaran statistic yang paling lazim, atau
didefinisikan juga sebagai akar kuadrat varians.

2.2 TEORI PROBABILITAS


2.2.1 Definisi Teori Probabilitas

Menurut Sugiyono (2000) dalam arti sempit statistika dapat diartika sebagai data,
tetapi dalam arti luas statistika dapat diartika sebagai alat untuk menganalisis dan
alat untuk membuat keputusan . Statistika dapat dibedakan menjadi dua, yaitu
statistik deskriptif dan statistik inferensial. Selanjutnya statistik inferensal dapat
dibedakan menjadi statistik parametris dan non parametris.

Statistika adalah ilmu yang mempelajari bagaimana merencanakan,


mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Istilah ‘statistika’
(bahasa Inggris: statistics) berbeda dengan ‘statistik’ (statistic).

Statistika merupakan ilmu yang berkenaan dengan data, sedang statistik adalah
data, informasi, atau hasil penerapan algoritma statistika pada suatu data. Dari
kumpulan data, statistika dapat digunakan untuk menyimpulkan atau
mendeskripsikan data; ini dinamakan statistika deskriptif. Sebagian besar konsep
dasar statistika mengasumsikan teori probabilitas.
2.2.2 PROBABILITAS

Probabilitas adalah harga angka yang menunjukkan seberapa besar kemungkinan


suatu peristiwa terjadi, di antara keseluruhan peristiwa yang mungkin terjadi.
Contoh: sebuah dadu untuk keluar mata ‘lima’ saat pelemparan dadu tersebut satu
kali adalah 1/6 (karena banyaknya permukaan dadu adalah 6)

Rumus : P (E) = X/N

P : Probabilitas
E : Event (Kejadian)
X : Jumlah kejadian yang diinginkan (peristiwa)
N : Keseluruhan kejadian yang mungkin terjadi

Walaupun cara penelitian dengan menggunakan sampling akan menimbulkan


kesimpulan dan keputusan yang melibatkan resiko kekeliruan dan ukuran
ketidakpastian, tetapi penelitian melalui sampling akan memberikan banyak
keuntungan.
Probabilitas yang rendah menunjukkan kecilnya kemungkinan suatu peristiwa
akan terjadi. Suatu probabilitas dinyatakan antara 0 sampai 1 atau dalam
presentase. Probabilitas 0 menunjukkan peristiwa yang tidak mungkin terjadi,
sedangkan probabilitas 1 menunjukkan peristiwa yang pasti terjadi.
Ada tiga hal penting dalam probabilitas, yaitu:
1. Percobaan adalah pengamatan terhadap beberapa aktivitas atau proses yang
memungkinkan timbulnya paling sedikit 2 peristiwa tanpa memperhatikan
peristiwa mana yang a kan terjadi.
2. Hasil adalah suatu hasil dari sebuah percobaan.
3. Peristiwa adalah kumpulan dari satu atau lebih hasil yang terjadi pada sebuah
percobaan atau kegiatan.

Peluang Suatu kejadian yang diinginkan adalah perbandingan banyaknya titik


sampel kejadian diinginkan itu dengan banyaknya anggota ruang sampel kejadian
tersebut. Jika A adalah suatu kejadian yang terjadi pada suatu percobaan dengan
ruang sampel S, di mana setiap titik sampelnya mempunyai kemungkinan sama
untuk muncul maka peluang dari suatu kejadian A dirumuskan sebagai berikut.
𝑛𝐴
𝑃𝐴 =
𝑛𝑆

Dengan :
P (A) = peluang kejadian A
n (A) = banyak anggota A
n (S) = banyak anggota ruang sampel S

2.2.3 PERMUTASI

Permutasi adalah susunan unsur-unsur yang berbeda dalam urutan tertentu. Pada
permutasi urutan diperhatikan sehingga AB =BA Permutasi k unsur dari n unsur k
≤ n adalah semua urutan yang berbeda yang mungkin dari k unsur yang diambil
dari n unsur yang berbeda.

Banyaknya permutasi dari n unsur yang tersedia diambil r unsur dirumuskan


sebagai berikut.:

𝑛!
𝑛𝑃𝑟 =
𝑛 − 𝑟!

Dengan:

n=banyak unsur yang tersedia


r = banyak unsur yang diambil

A. Permutasi Menyeluruh

Permutasi menyeluruh adalah penyusunan obyek kedalam suatu urutan tertentu.


Komposisi yang dapat dicari dengan menggunakan rumus:
𝑛𝑃𝑛 = 𝑛!

(Walpole, 2012:47)
Contoh: Huruf A, B, C, D, dan E akan dibuat sebuah kata (tidak harus bermakna).
Banyaknya cara untuk membuat sebuah kata yang terdiri dari 5 huruf dengan
memperhatikan urutan:
nPn=n! = 5! = 5x4x3x2x1 = 120 cara

B. Permutasi Sebagian

Permutasi sebagian adalah penyusunan sebagian obyek ke dalam suatu urutan


tertentu. Jumlah permutasi suatu kelompok yang terdiri atas n obyek yang berbeda
yang kemudian diambil sekaligus sebanyak r tanpa pengulangan akan sebanyak:
𝑛!
𝑛𝑃𝑟 =
𝑛 − 𝑟!
Contoh: Huruf A, B, C, D, dan E akan dibuat sebuah kata (tidak harus bermakna).
Banyaknya cara untuk membuat sebuah kata yang terdiri dari 3 huruf dengan
memperhatikan urutan adalah 5P3 = n! / (n-r)! = 5! / (5-3)! = 60 kata.

C. Permutasi Keliling

Permutasi yang terjadi pada sekelompok objek yang membentuk suatu lingkaran
disebut permutasi keliling. Jumlah permutasi dari n objek yang disusun dalam
suatu lingkaran adalah

𝑛 − 1!

Contoh: Sebuah rumah makan jepang akan menata 7 piring masakan yang
berbeda di sebuah meja yang berbentuk lingkaran. Banyaknya cara menata
masakan tersebut dengan memperhatikan urutannya itu (n-1)! = (7-1)! = 6! = 720
cara.

D. Permutasi Data Berkelompok

Apabila terdapat suatu kelompok yang terdiri dari n obyek dimana n₁ merupakan
kumpulan obyek yang sama (tidak dapat dibedakan), n₂ merupakan kumpulan
obyek lain yang sama dan seterusnya hingga n kumpulan obyek yang sama dan
n₁+ n₂+… +n = n, maka jumlah permutasi dari n obyek yang meliputi seluruh
obyek tersebut adalah:
𝑛 𝑛!
𝑃( )=
𝑛1 , 𝑛2 , 𝑛3 , … , 𝑛𝑘 𝑛1 ! 𝑛2 ! 𝑛3 ! … 𝑛𝑘 !

Contoh: Akan dibuat kata baru dari kata “MATEMATIKA”. Banyaknya cara
untuk menyusun huruf tersebut menjadisebuah kata (tidak harus bermakna) adalah
𝑛 10!
𝑃(𝑛 )= = 907200 𝑐𝑎𝑟𝑎
1 ,𝑛2 ,𝑛3 2!3!2!

2.2.4 KOMBINASI
Kombinasi adalah susunan unsur-unsur dengan tidak memperhatikan urutannya.
Pada kombinasi AB = BA. Dari suatu himpunan dengan n unsur dapat disusun

himpunan bagiannya dengan untuk Setiap himpunan bagian dengan k


unsur dari himpunan dengan unsur n disebut kombinasi k unsur dari n Banyaknya
kombinasi dari n unsur yang berbeda dengan setiap pengambilan dengan r unsur
dirumuskan sebagai berikut.
𝑛!
𝑛𝐶𝑟 =
𝑛 − 𝑟! 𝑟!

Dengan:
n = banyak unsur yang tersedia
r = banyak unsur yang diambil

A. Kombinasi Menyeluruh

Kombinasi menyeluruh adalah penyusunan semua objek ke dalam suatu tempat


dengan urutan yang tidak diperhatikan. Contoh: Dalam suatu kelompok SRK
terdapat 6 orang anggota. Seorang asisten SRK akan memanggil 6 orang di
kelompok tersebut. Jadi, hanya ada satu cara untuk menentukan orang-orang yang
akan menghadap asisten tersebut.
nCn = 1
B. Kombinasi Sebagian

Kombinasi sebagian adalah penyusunan sebagian obyek ke dalam suatu tempat


dengan urutan yang tidak diperhatikan. Jumlah kombinasi dari suatu kelompok
yang terdiri dari n obyek yang berbeda yang kemudain diambil sekaligus
sebanyak r tanpa pengulangan, maka akan diperoleh cara sebanyak:
𝑛!
𝑛𝐶𝑟 =
𝑛 − 𝑟 𝑟!
Contoh: Seorang seniman memiliki 4 macam warna untuk melukis. Dia ingin
mencampur dua warna menjadi satu. Banyaknya cara untuk mencampur warna
tersebut adalah
4!
4C2 = = 6 𝑐𝑎𝑟𝑎
4 − 2! 2!

2.3 DISTRIBUSI PROBABILITAS

2.3.1 Definisi Distribusi Probabilitas

Distribusi probabilitas adalah suatu distribusi yang menggambarkan peluang dari


sekumpulan variabel sebagai pengganti frekuensinya. Distribusi probabilitas
adalah penyusunan distribusi frekuensi yang berdasarkan teori peluang. Oleh
karena itu disebut distribusi frekuensi teoritis atau distribusi peluang atau
distribusi probabilitas.
Distribusi Probilitas merupakan cara yang lebih sederhana untuk menyelesaikan
probilitas dari peristiwa yang bersifat independen dan dependen. Peristiwa
indenpenden merupakan peristiwa yang terjadi yang tidak mempengaruhi
peristiwa yang berikutnya. Peristiwa dependen adalah peristiwa yang
mempengaruhi peristiwa lain. Pada berbagai peristiwa dalam probilitas, jika
frekuensi percobaan banyak, maka untuk peristiwa yang bersifat independen dan
dependen akan mengalami kesulitan dalam percobaan.
Distribusi probabilitas merupakan nilai-nilai probabilitas yang dinyatakan untuk
mewakilisemua nilai yang dapat terjadi dari suatu variabel random X, baik dengan
suatu daftar (tabel)maupun dengan fungsi matematis. Probabilitas kumulatif
adalah probabilitas dari suatu variabel acak yang mempunyai nilai sama atau
kurang dari suatu nilai tertentu. Misalnya nilai variabel tersebut = x, maka
Probabilitas kumulatif adalah P(X x), maka = 1-P (X x).
2.3.2 Variabel Acak
Variabel acak adalah fungsi yang mengaitkan suatu bilangan real pada setiap
unsur dalam ruang sampel. Peubah acak akan dinyatakan dengan huruf besar,
misalnya X, sedangkan nilainya dinyatakan dengan huruf kecil padanannya
misalnya x (Walpole, 1995).
A. Variabel Acak Diskrit

Variabel acak diskret adalah suatu peubah acak yang mengandung titik yang
berhingga banyaknya atau sederetan anggota yang banyaknya sebanyak
bilangan bulat (Walpole, 1995).

B. Variabel Acak Kontinu


Variabel acak kontinu adalah suatu peubah acak yang mengandung titik yang
tak berhingga banyaknya dan banyak anggotanya sebanyak titik pada sepotong
garis (Walpole, 1995)

2.3.3 Distribusi Peluang Diskrit


Definisi distribusi peluang diskrit adalah distribusi yang mencantumkan semua
kemungkinan nilai peubah acak diskrit beserta probabilitasnya (Wibisono,
2009).
A. Distribusi Binomial

Suatu percobaan yang dapat menghasilkan sukses dengan peluang p dan gagal
dengan peluang q=1-p, dengan peubah acak binomial X yaitu banyaknya
sukses dalam n usaha bebas (Walpole, 1995).
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 ragam distribusi binomial adalah
µ = n.p
σ2 = n.p.q

Keterangan :
µ =rata-rata
σ2= ragam
n = banyak data
p = peluang keberhasilan pada setiap data

q = peluang gagal = 1 – p pada setiap data

B. Distribusi Hipergeometrik

Distribusi Hipergeometrik adalah banyaknya sukses dalam sampel acak ukuran n


yang diambil dari N benda yang mengandung k bernama sukses dan N-k bernama
gagal (Walpole, 1995)
𝑘 𝑁−𝑘
( )( )
ℎ(𝑥; 𝑁; 𝑛; 𝑘) = 𝑥 𝑛 − 𝑥
𝑁
( )
𝑛
Keterangan :

N = ukuran populasi

n = ukuran contoh acak

k = banyaknya penyekatan / kelas

x = banyaknya keberhasilan
Rata-rata dan Ragam untuk Distribusi Hipergeometrik h(x; N, n, k) adalah
𝑛𝐾
µ=
𝑁
𝑁−𝑛 𝑘 𝑘
𝜎2 = 𝑛 (1 − )
𝑁−1 𝑁 𝑁
Keterangan :
µ = rata-rata
σ2 = ragam
N = ukuran populasi
n = ukuran contoh acak
k = banyaknya penyekatan/kelas.

C. Distribusi Poisson

Distribusi poisson adalah distribusi peluang acak poisson x,yang menyatakan


banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah tertentu.
Bilangan x yang menyatakan banyaknya hasil percobaan dalam suatu percobaan
poisson disebut peubah acak poisson dan sebaran peluangnya disebut sebaran
poisson.
untuk x = 1,2,3,………….
Dimana:
m = rata-rata banyaknya hasil percobaan yang terjadi selama selang waktu atau
dalam daerah tertentu. e = 2,71828
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 paling tepat untuk menggambarkan struktur probabilitas dari
variabel random yang mencakup rentang yang cukup panjang. Sehingga didapat
bahwasanya:
l = mean dari jumlah kemunculan antara interval o – t. Selanjutnya variabel
random x mengikuti ditribusi poisson bila fungsi probabilitasnya:
dimana: l = angka apa saja yang > 0.

a. Karakteristik 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.
Namun adapula beberapa sifat dari distribusi poisson, diantaranya :
1. Nilai Tengah
2. Variansi
3. Simpangan Baku
4. Koefisien momen Kemencengan
5. Koefisien momen kurtosis

2.3.4 Distribusi Probabilitas Kontinu

Distribusi probabilitas kontinu adalah distribusi peubah acak kontinu yang


dinyatakan dalam persamaan yang merupakan fungsi nilai-nilai peubah acak
kontinu dan digambarkan dalam bentuk kurva (Wibisono, 2009).

A. Distribusi Eksponensial

Salah satu distribusi yang banyak digunakan dalam statistika, khususnya proses
stokastik, adalah distribusi eksponensial. Distribusi eksponensial adalah salah satu
kasus khusus dari distribusi gamma. Peubah acak kontinu berdistribusi
eksponensial dengan para meter l, bila fungsi padatnya:
dimana juga di dapat: dengan b > 0
Sehingga distribusi eksponensial juga disebut dengan distribusi gama dengan a =
1. Distribusi eksponensial juga merupakan suatu distribusi yang berguna untuk
mencari selisih waktu yang terjadi dalam suatu peluang tertentu. Dalam distribusi
eksponensial ini digunakan pencarian atau pengolahan data dengan menggunakan
variabel random. Dimana variabel random itu sendiri adalah variabel yang berupa
nilai atau angka yang merupakan outcome dari eksperimen random. Variabel
random bersifat diskrit bila hanya berupa nilai tertentu yang dapat dihitung.
Namun variabel random bersifat kontinu bila mana berupa suatu nilai manapun
dalam suatu interval.
a. Karakteristik Distribusi Eksponensial
Adapun karakeristik distribusi eksponensial sebagai berikut :
1. Mempunyai nilai variansi:
2. Mempunyai nilai mean:
3. Pencarian pada distribusi eksponensial menggunakan variabel random.
4. Peluang yang terjadi pada suatu percobaan mempengaruhi selisih waktu yang
terjadi pda percobaan tersebut.
5. Mempunyai nilai b > 0.
b. Kegunaan dan Aplikasi Distribusi Eksponensial

Distribusi eksponensial berguna dalam mencari selisih waktu yang terjadi dalam
suatu peluang pada daerah tertentu. Dalam aplikasinya distribusi eksponensial ini
sangat berperan sekali,seperti:untuk mengukur selisih waktu antara orang 1 dan
ke-2 dalam suatu antrean. Selanjutnya distribusi ini juga berguna untuk mengukur
tingkat kegagalan yang mungkin terjadi dalam suatu peluang. Kemudian distribusi
eksponensial juga berguna dalam mencari peubah acak kontinu x, dengan
menggunakan variabel random (bilangan acak).

2.4 STATISTIK PARAMETRIK


1. Statistik Inferensi
Teori statistik inferensi mencakup semua metode untuk menarik kesimpulan
(inferensi) atau generalisasi mengenai suatu populasi. Statistik inferensi dapat
dikelompokkan ke dalam dua bidang utama yaitu : penaksiran (pendugaan) dan
pengujian hipotesis. Dalam hal ini kita membahas pengujian hipotesis.

2. Pengujian Hipotesis
a. Hipotesis statistik

Hipotesis statistik ialah suatu anggapan atau pernyataan, yang mungkin benar atau
tidak, mengenai suatu populasi atau lebih. Benar atau salahnya suatu hipotesis
tidak akan pernah diketahui dengan pasti kecuali bila seluruh populasi diamati.
Hal ini tentunya dalam kebanyakan keadaan tidak praktis. Karena itu, kita
mengambil sampel acak dari populasi yang ingin diselidiki dan menggunakan data
sampel ini untuk mencari kenyataan yang akan mendukung hipotesis tadi.
Struktur pengujian hipotesis dirumuskan dengan istilah hipotesis nol. Ini
menyatakan setiap hipotesis yang ingin diuji dinyatakan dengan H0. Penolakan H0
menjurus pada penerimaan hipotesis tandingan, dinyatakan H1.

b. Pengujian hipotesis statistik

Pengujian hipotesis adalah langkah atau prosedur untuk menentukan apakah


menerima atau menolak hipotesis. Dalam pengujian hipotesis statistik terdapat
empat kemungkinan keadaan yang menentukan apakah keputusan kita benar atau
keliru. Keempat hal ini disarikan pada tabel berikut

Keadaan Sebenarnya
Keputusan
Ho benar Ho salah

Terima Ho Keputusan benar Galat tipe II

Tolak Ho Galat tipe I Keputusan benar

Penolakan hipotesis nol padahal hipotesis itu benar disebut galat jenis I.
Sedangkan penerimaan hipotesis nol padahal hipotesis itu salah disebut galat
jenis II. Peluang melakukan galat jenis I, juga disebut taraf keberartian (level of
significane), yang dinyatakan dengan α (baca: alfa) dan peluang membuat galat
tipe II dinyatakan dengan β (baca: beta). Ketika merencanakan suatu penelitian
dalam rangka pengujian hipotesis, jelas kiranya bahwa kedua tipe galat ini harus
dibuat sekecil mungkin yang dinyatakan dalam peluang (probability).

c. Uji satu-pihak dan dua-pihak

Suatu uji hipotesis statistik dengan tandingan yang bersifat satu-pihak, seperti

H0 : θ = θ0,
H0 : θ > θ0,

atau mungkin

H0 : θ = θ0,

H0 : θ < θ0,

disebut uji satu-pihak. Umumnya, daerah kritis untuk hipotesis tandingan θ > θ0
terletak di sisi kanan distribusi uji statistik (lihat gambar 1.a), sedangkan daerah
kritis hipotesis tandingan θ < θ0 terletak seluruhnya di sisi kiri (lihat gambar 1.b).
Jadi, tanda ketidaksamaan menunjukkan arah letaknya daerah kritis.

Gambar 2.1 Daerah kritis untuk uji satu-pihak

Suatu uji hipotesis statistik dengan tandingan berpihak dua seperti

H0 : θ = θ0,

H0 : θ ≠ θ0,

disebut uji dua-pihak, karena daerah kritis terbagi atas dua bagian, seiring
dengan peluang yang sama yang diberikan pada setiap sisi atau ujung dari
distribusi uji statistik tersebut. Hipotesis tandingan θ ≠ θ0 menyatakan salah satu
dari θ < θ0 ataupun θ > θ0.
Gambar 2.2 Daerah kritis untuk uji dua-pihak

d. Penggunaan nilai-P dalam pengambilan keputusan

Pendekatan nilai peluang (nilai-P) telah luas digunakan dalam statistika terapan.
Pendekatan ini dirancang sebagai pilihan lain (dari segi peluang) dari pada
kesimpulan hanya tolak atau tidak tolak. Pendekatan nilai-P sebagai alat bantu
dalam pengambilan keputusan cukup wajar karena hampir semua paket komputer
dalam perhitungan pengujian hipotesis memberikan nilai-P bersama dengan nilai
yang sesuai dengan uji statistik tersebut. Definisi nilai-P adalah taraf (keberartian)
terkecil sehingga nilai uji statistik yang diamati masih berarti.

Berikut ini adalah rangkuman prosedur pengujian hipotesis dengan menganggap


bahwa bentuk hipotesisnya berbentuk H0 : θ = θ0,

1. Tuliskan hipotesis nol H0 bahwa θ = θ0,


2. Pilih hipotesis tandingan H1 yang sesuai dari salah satu θ < θ0, θ > θ0,
atau θ = θ0
3. Pilih taraf keberartian berukuran α
4. Pilih uji statistik yang sesuai dan tentukan daerah kritisnya. (Bila
keputusan akan di dasarkan pada suatu nilai-P maka tidak perlu
menyatakan daerah kritis).
5. Hitunglah nilai uji statistik dari data sampel
6. Kesimpulan : Tolak H0 bila uji statistik tersebut mempunyai nilai dalam
daerah kritis (atau, bila nilai-P hitungan lebih kecil atau sama dengan taraf
keberartian α yang ditentukan), sebaliknya terima H0.

3. Uji Rata-rata
Umpama kita mempunyai sebuah populasi berdistribusi normal dengan rata-rata
µ dan simpangan baku σ. Akan diuji mengenai parameter rata-rata µ. Maka
diambil sebuah sampel acak berukuran n, lalu kita hitung statistik x dan s. Kita
kelompokkan sebagai berikut :

a. Uji satu rata-rata dengan variansi (σ) diketahui

Untuk uji dua-pihak, maka pasangan hipotesis :


H0 : µ = µ0

H1 : µ ≠ µ0

x  0
Dengan µ0 sebuah harga yang diketahui, digunakan statistik : z 
/ n

Untuk menentukan kriteria pengujian, digunakan daftar distribusi normal baku.


H0 diterima jika – zα/2 < z < zα/2, dan H0 ditolak jika z > zα/2 atau z < -zα/2.
Penolakan H0 berarti penerimaan hipotesis tandingan µ ≠ µ0 . Selain
menggunakan nilai z, daerah kritis juga ditulis dengan menggunakan nilai rata-
rata (x), dimana tolak H0 bila x > b atau x < a, dengan :

 
a  0  z / 2 dan b  0  z / 2
n n

untuk taraf signifikan α, nilai kritis variabel acak z dan x keduanya diperlihatkan
pada gambar 1 berikut.

Gambar 2.3 Daerah kritis untuk hipotesis tandingan µ ≠ µ0

Untuk uji satu-pihak, daerah kritisnya hanya berada di satu sisi dari distribusi
normal baku. Jadi, misalnya, kita ingin menguji

H0 : µ = µ0

H1 : µ > µ0

Kriteria keputusan adalah menolak H0 bila nilai hitungan z > zα dengan zα didapat
dari daftar distribusi normal baku. Dalam hal lainnya H0 diterima.
Gambar 2.4 Daerah kritis untuk hipotesis tandingan µ > µ0

Jika kita ingin menguji

H0 : µ = µ0

H1 : µ < µ0

Kriteria keputusan adalah menolak H0 bila nilai hitungan z < - zα dengan -zα
didapat dari daftar distribusi normal baku. Dalam hal lainnya H0 diterima.

Gambar 2.5 Daerah kritis untuk hipotesis tandingan µ < µ0

b. Uji satu rata-rata dengan variansi (σ) tidak diketahui

Pada kenyataannya, simpangan baku σ sering tidak diketahui. Untuk uji rata-rata
dengan σ tidak diketahui akan menggunakan distribusi t-Student. Untuk populasi
normal, t berdistribusi Student dengan derajat kebebasan (v) = (n-1). Karena itu,
distribusi untuk menentukan kriteria pengujian digunakan distribusi Student
dengan batas-batas kriteria untuk uji dua-pihak maupun satu-pihak didapat dari
Daftar Distribusi Student. Dalam hal ini, maka diambil taksirannya yaitu
simpangan baku s yang dihitung dari sampel dengan menggunakan rumus :
( xi  x ) 2 n  xi  ( xi ) 2
2
s2  atau menggunakan rumus s 2  .
n 1 n(n  1)

Untuk uji dua-pihak, maka pasangan hipotesis :

H0 : µ = µ0

H1 : µ ≠ µ0

penolakan H0 pada taraf keberartian (signifikansi) α bila statistik t hasil


perhitungan

x  0
t
s/ n

Melampaui t α/2,n-1 atau kurang dari -t α/2,n-1. Sedangkan pada uji satu-pihak, untuk
H1 : µ > µ0, penolakan diambil bila t > t α,n-1. Untuk H1: µ < µ0, daerah kritisnya
adalah bila t < -t α,n-1.

c. Uji dua rata-rata dengan variansi (σ) diketahui

Banyak penelitian yang memerlukan perbandingan antara dua keadaan atau


tepatnya dua populasi. Misalnya membandingkan dua cara mengajar, dua cara
produksi, daya sembuh dua macam obat dan lain sebagainya.

Dua sampel acak yang bebas diambil dari dua populasi normal dengan rata-rata µ1
dan µ2 , variansi  12 dan  22 dan dianggap σ1 = σ2 = σ. Hipotesis untuk uji
kesamaan dua rata-rata secara umum dapat ditulis sebagai

H0 : µ1- µ2= do atau H0 : µ1 = µ2

Tentu hipotesis tandingannya (H1) dapat dua-pihak maupun satu-pihak. Nilai x1


dan x2 dihitung dan untuk σ1 dan σ2 diketahui, maka uji statistiknya berbentuk

( x1  x2 )  d 0
z
 12 / n1   22 / n2
Untuk uji dua-pihak, tolak H0 dan mendukung H1 : µ1- µ2 ≠ do bila z > zα/2 atau
z < -zα/2. Sedangkan pada uji satu-pihak, untuk H1 : µ > µ0, penolakan diambil
bila z > z α .Untuk H1 : µ < µ0, daerah kritisnya adalah bila z < -z α.

d. Uji dua rata-rata dengan variansi (σ) tidak diketahui dan σ1 = σ2

Dalam uji dua rata-rata, keadaan yang lebih umum berlaku ialah keadaan dengan
variansi tidak diketahui. Bila sipeneliti bersedia menganggap bahwa kedua
populasi berdistribusi normal dan σ1 = σ2 = σ, maka uji t-gabungan (sering disebut
uji-t dua sampel) digunakan. Uji statistik tersebut berbentuk

( x1  x2 )  d 0 s12 (n  1)  s 22 (n2  1)
t , untuk s 2p 
s 2p  1 / n1  1 / n2 n1  n2  2

Distribusi-t digunakan di sini dan untuk uji dua-pihak maka hipotesis tidak ditolak
bila

 t / 2,n n 2  t  t / 2,n n 2
1 2 1 2

Sedangkan pada uji satu-pihak, untuk H1 : µ1 - µ2> do, tolak H0 : µ1- µ2= do bila t >
t / 2,n n 2 , untuk H1 : µ1 - µ2< do, tolak H0 : µ1- µ2= do bila t <  t / 2,n n 2
1 2 1 2

e. Uji dua rata untuk pengamatan berpasangan

Pengujian dua rata-rata dapat juga dilakukan untuk data yang berpasangan.
Dalam tiap pasangan ini, persyaratan kedua populasi (perlakuan) dikenakan secara
acak dalam satuan yang homogen. Permasalahan dua-sampel pada dasarnya dapat
disederhanakan menjadi permasalahan satu-sampel dengan menggunakan selisih
d1, d2, ..., dn. Jadi hipotesisnya berbentuk

H0 : µD= do

Dan uji statistik perhitungannya adalah

d  d0
t
sd / n
Daerah kritis dibuat dengan menggunakan distribusi-t dengan derajat kebebasan
(v = n-1). Untuk uji dua-pihak, hipotesis tidak ditolak bila -t α/2,n-1 < t < t α/2,n-1.
Pada uji satu-pihak, untuk H1 : µD > do, penolakan diambil bila t > t α,n-1 dan untuk
H1 : µD < do, daerah kritisnya adalah bila t < -t α,n-1.

2.5 STATISTIK NON PARAMETRIK


2.5.1 Pengertian Statistik Non-Parametrik
Dalam statsitik inferensi, dua hal yang menjadi pokok pembicaraan adalah
perkiraan parameter populasi dan pengujian hipotesis. Teknik inferensi yang
pertama dikembangkan adalah mengenai pembuatan sejumlah besar asumsi sifat
populasi dimana sampel telah diambil. Teknik statistik ini kemudian dikenal
dengan Statistik Paramterik, karena harga-harga populasi merupakan “parameter”.
Misalnya, suatu teknik inferensi mungkin didasarkan pada asumsi bahwa skor-
skor telak ditarik dari populasi yang berdistribusi normal dengan
parameter mean dan proporsi yang tidak diketahui. Jadi, pada statitik parametrik,
distribusi populasi atau ditribusi variable randomnya mempunyai model
matematik yang diketahui, akan tetapi memuat beberapa parameter yang belum
diketahui.(Andi,1998).
Pembicaraan lebih lanjut dalam statistik inferensi adalah bilamana kita hendak
menguji atau menaksir nilai karateristik suatu populasi (seperti median, kwartil,
jangkauan, dan lain-lain) yang sama sekali tidak kita ketahui distribusi
populasinya, atau bahakan kita ingin mengetahui distribusi F(x) sendiri dar
populasi, maka kita sedang dihadapkan dengan permasalahan statistik non
parametrik atau biasa disebut juga dengan statistik bebas distribusi. Jadi, dalam
statistik non parametrik tidak memerlukan asumsi-asumsi tertentu menegenai
populasinya, dan juga tidak memerlukan hipotesis-hipotesis yang berhubungan
dengan parameter-parameter tertentu. Pengujian non parametrik banyak sekali
digunakan untuk analisis data dari ilmu-ilmu sosial yang pada umumnya sulit
untuk memenuhi asumsi-asumsi sebagaimana statistik parametrik, seperti
kenormalan distribusi dan kesamaan varainsi sampel dari populasi.(Andi,1998).
Statistik non-parametrik merupakan statistik yang tidak memerlukan pembuatan
asumsi tentang bentuk distribusi atau bebas distribusi, sehingga tidak memerlukan
asumsi terhadap populasi yang akan diuji. Pendekatan ini tidak menekankan
kepada asumsi—asumsi sebagaimana terdapat pada statistik parametrik,seperti
distribusi sampel dari parameter populasi dianggap normal. (Sarwoko,2007).
A. Kolmogorov – Smirnov
Tes K-S (Kolmogorov-Smirnov) termasuk tes kasus atau sampel. Tes ini
membandingkan distribusi satu variable dengan distribusi normal, poisson atau
uniform. Untuk menguji hipotesis nol dimana nilai-nilai teramati disampel dari
suatu distribusi yang disebutkan:
a. Normal : Tes terhadap distribusi normal.Parameter default adalah
mean dan standar deviasi teramati.
b. Poisson : Tes terhadap poisson.Parameter default adalah mean
teramati.
c. Uniform : Tes terahadap distribusi uniform.Parameter default adalah
nilai minimum dan maksmum. (Paryono, 1994)

B. Uji Tanda
Uji tanda ( sign-test ) merupakan uji statistika non parametrik yang sederhana dan
paling awal digunakan. Dinamakan “uji tanda” karena hasil pengamatan
didasarkan atas tanda (positif atau negatif) dan bukan pada besarnya nilai
numerik. Dapat dilakukan pada satu sampel dan sampel berpasangan.
1. Uji Tanda Satu Sampel.

Untuk mengetahui apakah sampel yang kita peroleh berasal dari populasi dengan
median atau patokan nilai tertentu. Untuk menguji hipotesis, data sampel disusun
sedemikian rupa sehingga untuk nilai yang “> median” populasi kita beri tanda
(+), untuk nilai yang “< median” populasi diberi tanda (-) dan untuk yang “=
median” populasi diberi tanda (0). H 0 : jumlah tanda (+) = jumlah tanda (-) Bila
hasil pengamatan menunjukkan adanya perbedaan tanda, maka kita ingin
mengetahui apakah perbedaan tersebut memang berbeda atau hanya karena faktor
kebetulan saja.
2. Uji sampel berpasangan

Uji tanda dipakai untuk data yang berpasangan dengan kategori/perlakuan dua
(P=2) dan terbaik jika digunakan pada data dengan skala pengukuran nominal
(ada/tidak, mati/hidup,sakit/sehat dan sebagainya). Bila digunakan dua buah
sampel, biasanya penelitian dilakukan pada dua kelompok penderita yang
dianggap sama atau sampel yang berpasangan. Pada statistika parametric, untuk
membandingkan dua proporsi pada sampel yang berpasangan digunakan
Mc.Nemar’s test. Untuk membandingkan dua proporsi melalui dua sampel yang
berpasangan atau setiap penderita diperlakukan dua kali pada statistika non-
parametrik digunakan sign test.
C. Dwi Wilcoxon
Pada tahun 1945 Frank Wilcoxon mengusulkan suatu cara nonparametrik yang
amat sederhana untuk membandingkan dua populasi kontinu bila hanya terse
dia sampel bebas yang sedikit dan kedua populasi asalnya tidak normal.
Uji ini digunakan untuk menguji kondisi (variabel) pada sampel yang
berpasangan atau dapat juga untuk penelitian sebelum dan sesudah. Dalam
uji ini ingin diketahui manakah yang lebih besar dari antara pasangan. Cara ini
sekarang dinamakan uji Wilcoxon atau Uji Ranking Bertanda Wilcoxon.
Merupakan penyempurnaan dari uji tanda. Uji Wilcoxon ini hampir sama dengan
Uji Tanda tetapi besarnya selisih nilai angka antara positif dan negatif
diperhitungkan, dan digunakan untuk menguji hipotesis komparatif 2 sampel
berpasangan. Uji wilcoxon lebih peka daripada uji tanda dalam
menentukan perbedaan antara rataan populasi dan karena itu akan dibahas s
ecara mendalam. Jika sampel berpasangan lebih besar dari 25, maka distribusinya
dianggap akan mendekati distribusi normal. Untuk itu digunakan Z sebagai Uji
Statistiknya.
Asumsi-asumsi:
1. Menggunakan data berpasangan dan berasal dari populasi yang sama. ini
sama dengan tujuan dari uji t berpasangan.
2. Setiap pasangan dipilih secara acak dan independent. Maksudnya ini
dalam pengambilan sampel tidak subjektif atau asal ambil. tapi
pengambilan sampelnya secara acak.
3. Skala pengukurannya minimal ordinal. dan tidak butuh asumsi normalitas.
Inilah yang membedakan dengan uji t berpasangan. disini ada dua keadaan
dalam menggunakan wilcoxon. Pertama. ketika data yang digunakan
ordinal maka pakai wilcoxon. kasus kedua ketika datanya tuh interval atau
rasio maka pertama kali lihat dulu apakah normal atau tidak. kalau normal
pakai uji t berpasangan dan jika tidak normal baru pakai wilcoxon.
Beberapa peneliti juga mengatakan ketika data yang digunakan lebih dari
25, ada juga yang mengatakan lebih dari 30. maka pakai uji t berpasangan.
alasannya dengan data yang 30 (dikatakan sampel besar) itu akan
mendekati data normal. Jadi silahkan pilih dengan bijak.
Langkah- Langkah Pengujian :
1. Berikan jenjang (rank) untuk tiap beda dari pasangan pengamatan (yi – xi)
sesuai dengan besarnya, dari yang terkecil sampai terbesar tanpa
memperhatikan tanda dari beda itu (nilai beda absolut).
2. Bila ada dua atau lebih beda yang sama, maka jenjang untuk tiap-tiap beda
itu adalah jenjang rata-rata
3. Bubuhkan tanda positif atau negatif pada jenjang untuk tiap beda sesuai
dengan tanda dari beda itu. Beda 0 tidak diperhatikan
4. Jumlahkan semua jenjang bertanda positif atau negatif, tergantung dari
mana yang memberikan jumlah yang lebih kecil setelah tandanya
dihilangkan. Notasi jumlah jenjang yang lebih kecil ini dengan T
5. Bandingkan nilai T yang diperoleh dengan nilai t uji wilcoxon

HIPOTESIS:
H0 : dua populasi adalah sama
H1 : dua populasi tidak sama
Artinya: Sesuai dengan tujuan yaitu ingin melihat apakah ada perbedaan atau
tidak antar dua populasi sesuai dengan tujuan kita. Jawabannya ada dua yaitu
antara kedua populasi sama atau tidak, jawaban diperoleh dari uji yang akan
digunakan.
Kaidah keputusan
H0 diterima apabila t ≥ tα
H0 ditolak apabila t < tα
Note: nilai t ini diperoleh dari rumus yang digunakan dalam uji wilcoxon
sedangkan tα diperoleh dari t tabel khusus wilcoxon, bagi yang pengen lihat bisa.
D. Kruskal Wallins
Uji kruskal Wallis adalah salah satu uji statistik non parametrik yang dapat
digunakan untuk menguji apakah ada perbedaan yang signifikan antara kelompok
variabel independen dengan variabel dependennya. Karena untuk melihat
perbedaan yang signifikan antar kelompok, uji ini jelas digunakan untuk melihat
perbandingan lebih dari 2 kelompok populasi dengan data berbentuk ranking.
Umumnya Uji ini juga disebut sebagai uji kruskal-wallis H, atau H-test.
Uji kruskal Wallis merupakan perluasan uji 2 sampel wilcoxon untuk k > 2
sampel,umumnya digunakan untuk menguji hipotesis nol (H₀) bahwa sampel
bebas sebesar k tersebut berasal dari populasi yang identik. Uji kruskal wallish
merupakan uji alternatif untuk uji F dan uji one way Anova untuk pengujian
kesamaan beberapa nilai Tengah dan analisis ragam yang dapat kita gunakan jika
asumsi kenormalan tidak terpenuhi.

Gambar 2.6 Uji Kruskal Wallins


Sumber: Google
Kegunaan Uji Kruskal Wallis
1. Uji kruskal-wallis biasa digunakan sebagai alternatif untuk uji one way
Anova, dimana asumsi kenormalan tidak terpenuhi.
2. Digunakan untuk membuat perbandingan antara dua atau lebih variabel
kuantitatif berbentuk ranking dimana sampelnya merupakan sampel
independen, dan asumsi kenormalan tidak terpenuhi.
3. Merupakan uji pengembangan dari mann Whitney test, dimana variabel
yang digunakan pada uji ini berjumlah lebih dari pada dua variabel.
Catatan : apabila jumlah kelompok variabel hanya 2 maka, uji kruskal Wallis
sama dengan uji Mann Whitney. Umumnya jika terdapat dua kelompok variabel
yang saling bebas maka uji yang lebih cenderung digunakan adalah uji mann-
whitney.
Diingatkan kembali bahwa uji non parametrik digunakan untuk melakukan uji
statistik terhadap kelompok data yang tidak memenuhi kriteria untuk dilakukan uji
parametrik. Sehingga tidak perlu dilakukan pengujian normalitas seperti syarat
wajib untuk uji parametrik.

2.6 KORELASI DAN REGRESI


2.6.1 Pengertian Korelasi Dan Regresi
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun
1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki tubuh
tinggi memiliki anak-anak yang tinggi, orang tua yang pendek memiliki anak-
anak yang pendek pula. Kendati demikian. Ia mengamati bahwa ada
kecenderungan tinggi anak cenderung bergerak menuju rata-rata tinggi populasi
secara keseluruhan. Dengan kata lain, ketinggian anak yang amat tinggi atau
orang tua yang amat pendek cenderung bergerak kearah rata-rata tinggi populasi.
Inilah yang disebut hukum Golton mengenai regresi universal. Dalam bahasa
galton, ia menyebutkan sebagai regresi menuju mediokritas.
Secara umum, analisis regresi pada dasarnya adalah studi mengenai
ketergantungan satu variabel dependen (terikat) dengan satu atau lebih variabel
independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/
atau memprediksi rata-rata populasi atau niiai rata-rata variabel dependen
berdasarkan nilai variabe! independen yang diketahui. Pusat perhatian adalah pada
upaya menjelaskan dan mengevalusi hubungan antara suatu variabel dengan satu
atau lebih variabel independen. Hasil analisis regresi adalah berupa koefisien
regresi untuk masing-masing variable independent. Koefisien ini diperoleh
dengan cara memprediksi nilai variable dependen dengan suatu persamaan.
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengukuran
asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam
statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua
variabel.
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua
variabel mempunyai hubungan linear yang sempurna. Artinya variabel X
mempengaruhi variabel Y secara sempurna. Jika korelasi sama dengan nol (0),
maka tidak terdapat hubungan antara kedua variabel tersebut. Dalam korelasi
sebenarnya tidak dikenal istilah variabel bebas dan variabel tergantung. Biasanya
dalam penghitungan digunakan simbol X untuk variabel pertama dan Y untuk
variabel kedua. Dalam contoh hubungan antara variabel remunerasi dengan
kepuasan kerja, maka variabel remunerasi merupakan variabel X dan kepuasan
kerja merupakan variabel Y.
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui
keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang
terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang
terjadi antara dua variabel. Hubungan dua variabel tersebut dapat terjadi karena
adanya hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua
variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu akan
diikuti perubahan pada variabel yang lain secara teratur dengan arah yang sama
(korelasi positif) atau berlawanan (korelasi negatif).

2.6.2 Analisis Regresi dan Korelasi


Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui
pengaruh suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel
yang mempengaruhi disebut Independent Variable (variabel bebas) dan variabel
yang dipengaruhi disebut Dependent Variable (variabel terikat). Jika dalam
persamaan regresi hanya terdapat satu variabel bebas dan satu variabel terikat,
maka disebut sebagai persamaan regresi sederhana, sedangkan jika variabel
bebasnya lebih dari satu, maka disebut sebagai persamaan regresi berganda.
Analisis Korelasi merupakan suatu analisis untuk mengetahui tingkat keeratan
hubungan antara dua variabel. Tingkat hubungan tersebut dapat dibagi menjadi
tiga kriteria, yaitu mempunyai hubungan positif, mempunyai hubungan negatif
dan tidak mempunyai hubungan. Untuk mencari persamaan garis regresi dapat
digunakan berbagai pendekatan (rumus), sehingga nilai konstanta (a) dan nilai
koefisien regresi (b) dapat dicari dengan metode sebagai berikut :
a = [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2] atau a = (ΣY/N) – b (ΣX/N)
b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2]
Contoh :
Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya
belajar (X) terhadap nilai ujian (Y) adalah sebagai berikut :
Y(nilai X (lama belajar) X2 XY
ujian)
40 4 16 160
60 6 36 360
50 7 49 350
70 10 100 700
90 13 169 1.170
ΣY = 310 ΣX = 40 ΣX2 = 370 ΣXY = 2.740
Dengan menggunakan rumus di atas, nilai a dan b akan diperoleh sebagai berikut :
a = [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2]
a = [(310 . 370) – (40 . 2.740)] / [(5 . 370) – 402] = 20,4

b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2]


b = [(5 . 2.740) – (40 . 310] / [(5 . 370) – 402] = 5,4
Sehingga persamaan regresi sederhana adalah Y = 20,4 + 5,2 X
Berdasarkan hasil penghitungan dan persamaan regresi sederhana tersebut di atas,
maka dapat diketahui bahwa : 1) Lamanya belajar mempunyai pengaruh positif
(koefisien regresi (b) = 5,2) terhadap nilai ujian, artinya jika semakin lama dalam
belajar maka akan semakin baik atau tinggi nilai ujiannya; 2) Nilai konstanta
adalah sebesar 20,4, artinya jika tidak belajar atau lama belajar sama dengan nol,
maka nilai ujian adalah sebesar 20,4 dengan asumsi variabel-variabel lain yang
dapat mempengaruhi dianggap tetap.
Analisis Korelasi (r) : digunakan untuk mengukur tinggi redahnya derajat
hubungan antar variabel yang diteliti. Tinggi rendahnya derajat keeratan tersebut
dapat dilihat dari koefisien korelasinya. Koefisien korelasi yang mendekati angka
+ 1 berarti terjadi hubungan positif yang erat, bila mendekati angka – 1 berarti
terjadi hubungan negatif yang erat. Sedangkan koefisien korelasi mendekati
angka 0 (nol) berarti hubungan kedua variabel adalah lemah atau tidak erat.
Dengan demikian nilai koefisien korelasi adalah – 1 ≤ r ≤ + 1. Untuk koefisien
korelasi sama dengan – 1 atau + 1 berarti hubungan kedua variabel adalah sangat
erat atau sangat sempurna dan hal ini sangat jarang terjadi dalam data riil. Untuk
mencari nilai koefisen korelasi (r) dapat digunakan rumus sebagai berikut : r = [(N
. ΣXY) – (ΣX . ΣY)] / √{[(N . ΣX2) – (ΣX)2] . [(N . ΣY2) – (ΣY)2]}

Contoh :
Sampel yang diambil secara acak dari 5 mahasiswa, didapat data nilai Statistik
dan Matematika sebagai berikut :
Sampel X (statistik) Y (matematika) XY X2 Y2
1 2 3 6 4 9
2 5 4 20 25 16
3 3 4 12 9 16
4 7 8 56 49 64
5 8 9 72 64 81
Jumlah 25 28 166 151 186

r = [(N . ΣXY) – (ΣX . ΣY)] / √{[(N . ΣX2) – (ΣX)2] . [(N . ΣY2) – (ΣY)2]}
r = [(5 . 166) – (25 . 28) / √{[(5 . 151) – (25)2] . [(5 . 186) – (28)2]} = 0,94

Nilai koefisien korelasi sebesar 0,94 atau 94 % menggambarkan bahwa antara


nilai statistik dan matematika mempunyai hubungan positif dan hubungannya erat,
yaitu jika mahasiswa mempunyai nilai statistiknya baik maka nilai matematikanya
juga akan baik dan sebaliknya jika nilai statistik jelek maka nilai matematikanya
juga jelek.
BAB III
FLOWCHART

3.1
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA

4.1 PENGUMPULAN DATA

4.1.1 Statistika Distribusi


Praktikum kali ini praktikan mengumpulan data penelitian tentang tinggi badan
dan berat badan terhadap 50 orang. Data hasil penelitian tersebut adalah sebagai
berikut:
Tabel 4.1 Data Tinggi Badan
Tinggi Tinggi
No Jenis Kelamin No Jenis Kelamin
Badan Badan
1 245 Perempuan 26 249 Perempuan

2 259 Perempuan 27 258 Perempuan

3 246 Perempuan 28 257 Perempuan

4 239 Perempuan 29 244 Laki-Laki

5 244 Laki-Laki 30 260 Laki-Laki

6 259 Perempuan 31 247 Perempuan

7 251 Laki-Laki 32 249 Laki-Laki

8 241 Perempuan 33 246 Laki-Laki

9 257 Perempuan 34 247 Laki-Laki

10 238 Perempuan 35 254 Perempuan

11 252 Laki-Laki 36 245 Perempuan

12 262 Laki-Laki 37 262 Laki-Laki

13 254 Laki-Laki 38 262 Perempuan

14 251 Perempuan 39 257 Perempuan

15 241 Perempuan 40 248 Laki-Laki

16 242 Laki-Laki 41 247 Perempuan

17 241 Laki-Laki 42 246 Laki-Laki

18 262 Laki-Laki 43 261 Perempuan

19 250 Laki-Laki 44 247 Laki-Laki

20 247 Perempuan 45 240 Laki-Laki

21 252 Laki-Laki 46 264 Perempuan

22 255 Laki-Laki 47 259 Laki-Laki

23 262 Laki-Laki 48 252 Laki-Laki

24 238 Laki-Laki 49 241 Laki-Laki

25 262 Laki-Laki 50 251 Laki-Laki

(Sumber: Pengumpulan Data)


Tabel 4.1 Data Berat Badan
Berat
No Jenis Kelamin No Berat Badan Jenis Kelamin
Badan
1 53,17 Perempuan 26 59,46 Perempuan
2 45,45 Perempuan 27 83,87 Perempuan

3 67,15 Perempuan 28 62,19 Perempuan


4 67,01 Perempuan 29 52,86 Laki-Laki
5 34,41 Laki-Laki 30 79,82 Laki-Laki
6 82,98 Perempuan 31 37,81 Perempuan
7 65,48 Laki-Laki 32 52,31 Laki-Laki
8 53,28 Perempuan 33 53,18 Laki-Laki
9 84,18 Perempuan 34 59,02 Laki-Laki
10 69,08 Perempuan 35 71,37 Perempuan
11 56,51 Laki-Laki 36 54,11 Perempuan
12 60,23 Laki-Laki 37 52,76 Laki-Laki
13 76,77 Laki-Laki 38 91,56 Perempuan
14 22,89 Perempuan 39 61,33 Perempuan
15 45 Perempuan 40 49,95 Laki-Laki
16 74,29 Laki-Laki 41 52,46 Perempuan
17 62,86 Laki-Laki 42 24,75 Laki-Laki

18 82,8 Laki-Laki 43 65,15 Perempuan


19 80,49 Laki-Laki 44 65,41 Laki-Laki
20 73,5 Perempuan 45 61,84 Laki-Laki
21 76,4 Laki-Laki 46 51,02 Perempuan
22 65,44 Laki-Laki 47 81,22 Laki-Laki
23 60,5 Laki-Laki 48 70,04 Laki-Laki
24 44,22 Laki-Laki 49 61,04 Laki-Laki
25 73,26 Laki-Laki 50 74,63 Laki-Laki
(Sumber: Pengumpulan Data)
4.1.2 Teori Probabilitas
Praktikum Statistika Industri modul 2 mempelajari tentang peluang, permutasi
dan kombinasi. Pengumpulan data dalam praktikum kali ini, Prosedurnya adalah:
a. Data peluang menggunakan jumlah kemungkinan muncul angka ganjil
dan angka genap di antara daerah kiri dan daerah kanan yang diberikan
oleh instruktur praktikum dalam bentuk tabel.
b. Data yang diberikan dari instruktur sebelumnya di tambah dengan 2 digit
angka Nomor Pokok Mahasiswa (NPM) terakhir dengan 2 orang
praktikan dari masing-masing kelompok praktikum.
c. Data permutasi dan kombinasi menggunakan penyusunan huruf dari 1
nama praktikan (untuk data permutasi kelompok digunakan 2 nama
lengkap praktikan) dari masing-masing kelompok praktikum.
d. Penggunaan 2 digit angka terakhir Nomor Pokok Mahasiswa 1 orang
praktikan sebagai data permutasi keliling.

4.1.2.1 Data Peluang


Pengumpulan data dilakukan dengan cara pengambilan angka yang dilakukan 30
kali dari 100 angka random, dan hasil pengamatan terhadap angka random
tersebut adalah sebagai berikut:

Tabel 4. 2 Data Peluang


Daerah Peluang Banyak Angka
Kiri (A) 50
Kanan (B) 50
(Sumber: Pengumpulan Data)

Berdasarkan hasil penelitian data peluang di dapat hasil pengamatan sebagai


berikut:
Tabel 4. 3 Hasil Pengamatan Data Peluang

Teori Probabilitas
Kiri (C) Kanan (D)
Ganjil (A) 69 91 160
Genap (B) 66 92 158
135 183 318
(Sumber: Pengumpulan Data)
A. Data Permutasi dan Kombinasi
Pengumpulan data dilakukan dengan cara pengambilan sampel terhadap nama
mahasiswa untuk dihitung permutasi dan kombinasinya, dan hasil pengambilan
data tersebut adalah sebagai berikut:
1. Permutasi menyeluruh : ARIF (4 Huruf)
2. Permutasi sebagian : ARIF (4 Huruf)
3. Permutasi keliling : 0516104066 (NPM: ARIF, 2 angka terakhir 66)
4. Permutasi data kelompok : 1. INDRA MULYANA
2. RIANTO
5. Kombinasi sebagian : banyaknya ada 4

4.1.3 Distribusi Probabilitas


Praktikum Statistika Industri modul 3 mempelajari tentang distribusi Binomial,
Hipergeometrik, Poisson dan Eksponensial. Pengumpulan data dalam praktikum
kali ini, yaitu:
- Data Binomial menggunakan jumlah kemungkinan muncul bola
pingpong yang berwarna kuning yang berjumlah 20 buah dengan satu kali
pengambilan berjumlah 6 buah sebanyak 30 kali pengambilan secara acak
serta dikembalikan pada tempat pengambilan bola dari total jumlah bola
pingpong putih dan kuning yang berjumlah 90 buah yang diberikan oleh
instruktur praktikum.
- Data Hipergeometrik sama seperti pengambilan data untuk Binomial
hanya cara pengambilan bolanya tidak dikembalikan pada tempatnya saja.
4.1.3.1 Data Distribusi Binomial
Pengumpulan data dilakukan dengan cara pengambilan bola pingpong yang
dilakukan 30 kali dengan 1 kali pengambilan acak berjumlah 6 bola untuk
mencari bola pingpong berwarna kuning dari total 90 buah bola dan
dikembalikan pada tempatnya, dan hasil pengamatan terhadap bola pingpong
tersebut adalah sebagai berikut:
 Jumlah bola pingpong (N) = 90
 Jumlah bola berwarna kuning (M) = 20
 Jumlah pengambilan (k) = 30
 Jumlah bola dalam 1 kali pengambilan (n) = 6
 Terambilnya bola berwarna kuning (x)

Tabel 4.4 Data Distribusi Binomial

n=6 n=6
No No
x x
1 3 16 4
2 2 17 2
3 3 18 3
4 1 19 1
5 1 20 1
6 2 21 1
7 0 22 1
8 2 23 1
9 2 24 4
10 2 25 1
11 4 26 2
12 1 27 1
13 2 28 3
14 0 29 0
15 1 30 2
(Sumber: Pengumpulan Data)

4.1.3.2 Data Distribusi Hipergeometrik


Pengumpulan data dilakukan dengan cara pengambilan bola pingpong yang
dilakukan 30 kali dengan 1 kali pengambilan acak berjumlah 6 bola untuk
mencari bola yang berwarna kuning dari total 90 buah bola dan tidak
dikembalikan pada tempatnya, dan hasil pengamatan terhadap bola pingpong
tersebut adalah sebagai berikut:
 Jumlah bola pingpong (N) = 90
 Jumlah bola berwarna kuning (M) = 20
 Jumlah pengambilan (k) = 30
 Jumlah bola dalam 1 kali pengambilan (n) =6
 Terambilnya bola berwarna kuning (x)

Tabel 4.5 Data Distribusi Hipergeometrik

n=6 n=6
No No
x x
1 1 16 1
2 1 17 1
3 0 18 0
4 2 19 2
5 3 20 0
6 1 21 1
7 0 22 1
8 0 23 0
9 0 24 0
10 1 25 0
11 0 26 0
12 1 27 0
13 1 28 0
14 2 29 0
15 1 30 0
(Sumber: Pengumpulan Data)

4.1.3.3 Data Distribusi Poisson

Data distribusi poisson di dapat dari data yang telah disediakan oleh
instruktur praktikum, dan data yang digunakan adalah data kelompok 7.

Berukut data yang digunakan:


Tabel 4.6 Data Distribusi Poisson
No Interval Poisson No Interval Poisson
1 09.00 - 09.02 5 16 09.30 - 09.32 14
2 09.02 - 09.04 6 17 09.32 - 09.34 7
3 09.04 - 09.06 9 18 09.34 - 09.36 10
4 09.06 - 09.08 11 19 09.36 - 09.38 11
5 09.08 - 09.10 4 20 09.38 - 09.40 9
6 09.10 - 09.12 5 21 09.40 - 09.42 5
7 09.12 - 09.14 8 22 09.42 - 09.44 7
8 09.14 - 09.16 7 23 09.44 - 09.46 8
9 09.16 - 09.18 12 24 09.46 - 09.48 5
10 09.18 - 09.20 7 25 09.48 - 09.50 9
11 09.20 - 09.22 1 26 09.50 - 09.52 9
12 09.22 - 09.24 8 27 09.52 - 09.54 6
13 09.24 - 09.26 10 28 09.54 - 09.56 8
14 09.26 - 09.28 6 29 09.56 - 09.58 8
15 09.28 - 09.30 7 30 09.58 - 10.00 4

(Pengumpulan Data)

4.1.3.4 Data Distribusi Eksponensial

Data distribusi eksponensial didapat dari data yang telah disediakan oleh
instruktur praktikum, adapun data yang digunakan adalah data pada kelompok 7.
Berikut data yang digunakan:
Tabel 4.7 Data Distribusi Eksponensial
Produk ke- Eksponensial (detik) Menit Produk ke- Eksponensial (detik) Menit
1 12 0,20 16 14 0,23
2 46 0,77 17 42 0,70
3 14 0,23 18 12 0,20
4 23 0,38 19 9 0,15
5 12 0,20 20 8 0,13
6 35 0,58 21 9 0,15
7 19 0,32 22 12 0,20
8 13 0,22 23 14 0,23
9 51 0,85 24 22 0,37
10 13 0,22 25 12 0,20
11 9 0,15 26 9 0,15
12 20 0,33 27 9 0,15
13 21 0,35 28 10 0,17
14 14 0,23 29 11 0,18
15 25 0,42 30 40 0,67
(Sumber: Pengumpulan Data)
4.1.4 Statistika Parametrik
Praktikum Statistika Industri modul 4 mempelajari tentang statistik parametrik.
Pengumpulan data dilakukan dengan cara mengukur lebar balok yang berjumlah
40 balok untuk data yang pertama dan mengukur lebar balok yang berjumlah 20
balok untuk data yang kedua. Hasil pengamatan atau pengukuran terhadap lebar
balok tersebut adalah sebagai berikut:
Tabel 4.8 Hasil Pengukuran 40 Sampel Lebar Balok
Sampel Sampel
Lebar (mm) Lebar (mm)
ke- ke-
1 49.46 21 53.09
2 50.87 22 50.44
3 51.45 23 50.37
4 50.53 24 50.98
5 48.57 25 50.18
6 51.25 26 48.68
7 50.17 27 49.29
8 49.78 28 48.17
9 47.81 29 51.61
10 50.10 30 48.93
11 51.67 31 48.64
12 50.88 32 50.42
13 51.84 33 46.80
14 48.35 34 46.86
15 50.05 35 51.20
16 48.04 36 48.24
17 48.04 37 49.59
18 49.94 38 48.88
19 49.44 39 51.26
20 51.83 40 50.51

(Sumber: Pengumpulan Data)


Tabel 4.9 Hasil Pengukuran 20 Sampel Lebar Balok
Sampel Sampel
Lebar (mm) Lebar (mm)
ke- ke-
1 51.45 11 46.86
2 49.78 12 51.84
3 51.45 13 46.80
4 50.88 14 51.61
5 53.09 15 49.78
6 50.87 16 46.86
7 50.05 17 48.64
8 53.09 18 50.51
9 51.61 19 50.44
10 50.18 20 51.83

(Sumber: Pengumpulan Data)

4.1.5 Statistika Non-Parametrik


Praktikum Statistika Industri modul 5 mempelajari tentang statistik non-
Parametrik. Pengumpulan data untuk praktikum statistik non-parametrik kali ini
praktikan mendapatkan 3 data sampel langsung dari instruktur praktikum
statistika industri yang akan diolah dan diuji dengan metode uji kolmogorov-
smirnov, uji tanda sampel 1, uji dwi wilcoxon, dan uji kruskal wallis. Berikut 3
data sampel yang setiap sampelnya memiliki 30 pengambilan data:
Tabel 4.10 Hasil Pengukuran 30 Sampel Data Ke-1
Sampel ke- Sampel 1 Sampel ke- Sampel 1
1 71,23 16 69,07
2 70,89 17 71,26
3 70,42 18 70,76
4 68,22 19 72,68
5 68,71 20 69,04
6 70,50 21 72,47
7 70,28 22 72,61
8 69,30 23 68,92
9 69,12 24 69,21
10 71,09 25 68,52
11 68,66 26 72,32
12 72,69 27 72,22
13 69,70 28 68,74
14 68,05 29 69,20
15 72,04 30 69,54

(Sumber: Pengumpulan Data)

Tabel 4.11 Hasil Pengukuran 30 Sampel Data Ke-2


Sampel ke- Sampel 2 Sampel ke- Sampel 2
1 72,59 16 72,60
2 71,35 17 70,35
3 71,11 18 69,08
4 69,25 19 68,80
5 69,61 20 71,47
6 70,81 21 68,28
7 71,57 22 71,00
8 70,44 23 68,05
9 72,77 24 69,82
10 68,08 25 72,83
11 68,53 26 69,74
12 72,08 27 68,88
13 72,39 28 72,17
14 71,93 29 69,27
15 71,08 30 68,88

(Sumber: Pengumpulan Data)

Tabel 4.13 Hasil Pengukuran 30 Sampel Data Ke-3


Sampel ke- Sampel 3 Sampel ke- Sampel 3
1 73,64 16 68,36
2 70,56 17 68,43
3 71,42 18 69,87
4 69,61 19 72,11
5 72,57 20 71,02
6 71,30 21 71,82
7 72,59 22 70,90
8 69,02 23 68,26
9 69,85 24 68,00
10 72,63 25 68,55
11 72,80 26 70,62
12 70,56 27 71,03
13 71,62 28 69,31
14 70,41 29 72,43
15 69,23 30 71,89

(Sumber: Pengumpulan Data)

4.1.6 Korelasi Dan Regresi


Pengumpulan data untuk praktikum statistik mengenai analisis regresi dan
korelasi praktikan mencari sendiri sumber data dari BPN (Badan Pusat Statistik)
yang diakses secara online. Data yang telah kami peroleh yaitu mengenai jumlah
upah minimum regional/provinsi dengan garis kemiskinan provinsi (per
bulan/kapita) pada semester 1 tahun 2016. Data yang telah kami rangkum yaitu
sebagai berikut:
Tabel 4. 1 Data Upah Minimum Regional/Provinsi dan Garis Kemiskinan
Provinsi Semester 1 Tahun 2016

(Sumber: Badan Pusat Statistik)


4.2 PENGOLAHAN DATA
4.2.1 Statistika Distribusi
A. Data Diskrit (Tinggi Badan)
Tabel 4.15 Data Tinggi Badan Setelah Penambahan NPM (83)
Tinggi Tinggi
No Jenis Kelamin No Jenis Kelamin
Badan Badan
1 245 Perempuan 26 249 Perempuan

2 259 Perempuan 27 258 Perempuan

3 246 Perempuan 28 257 Perempuan

4 239 Perempuan 29 244 Laki-Laki

5 244 Laki-Laki 30 260 Laki-Laki

6 259 Perempuan 31 247 Perempuan

7 251 Laki-Laki 32 249 Laki-Laki

8 241 Perempuan 33 246 Laki-Laki

9 257 Perempuan 34 247 Laki-Laki

10 238 Perempuan 35 254 Perempuan

11 252 Laki-Laki 36 245 Perempuan

12 262 Laki-Laki 37 262 Laki-Laki

13 254 Laki-Laki 38 262 Perempuan

14 251 Perempuan 39 257 Perempuan

15 241 Perempuan 40 248 Laki-Laki

16 242 Laki-Laki 41 247 Perempuan

17 241 Laki-Laki 42 246 Laki-Laki

18 262 Laki-Laki 43 261 Perempuan

19 250 Laki-Laki 44 247 Laki-Laki

20 247 Perempuan 45 240 Laki-Laki

21 252 Laki-Laki 46 264 Perempuan

22 255 Laki-Laki 47 259 Laki-Laki

23 262 Laki-Laki 48 252 Laki-Laki

24 238 Laki-Laki 49 241 Laki-Laki

25 262 Laki-Laki 50 251 Laki-Laki

(Sumber: Pengolahan Data)


4.2.1 Pengolahan Data Tinggi Badan
Berikut ini merupakan pengolahan data tinggi badan :
Rentang : R = 𝑁𝑖𝑙𝑎𝑖 𝑀𝑎𝑘𝑠𝑖𝑚𝑎𝑙 − 𝑁𝑖𝑙𝑎𝑖 𝑀𝑖𝑛𝑖𝑚𝑎𝑙
= 264 – 238
= 26

Banyakkelas : K = 1 + 3,3 𝐿𝑜𝑔 𝑁


= 1 + 3,3 𝐿𝑜𝑔 50
= 7

𝑅
Interval : I = 𝐾 Ʃ
26
= 7

=4
Tabel 4.3Distribusi Frekuensi Data Diskrit

Kelas Interval Fi Fk M TB TA FixM Lb La |M -Xbar| |M - Xbar|²

1 238-241 8 8 239,5 237,5 241,5 1916 238 241 11,45 131,1

2 242-245 5 13 243,5 241,5 245,5 1217,5 242 245 7,45 55,5

3 246-249 11 24 247,5 245,5 249,5 2722,5 246 249 3,45 11,9

4 250-253 7 31 251,5 249,5 253,5 1760,5 250 253 0,55 0,3

5 254-257 6 37 255,5 253,5 257,5 1533 254 257 4,55 20,7

6 258-261 6 43 259,5 257,5 261,5 1557 258 261 8,55 73,1

7 262-264 7 50 263 261,5 264,5 1841 262 264 12,05 145,2

(sumber: pengumpulan data)

Perhitungan:
𝐿𝑏 + 𝐿𝑎 238 + 241
𝑀= 𝑀=
2 2
𝑀 = 239,5 𝑇𝐵 = 238 − 0,5
𝑇𝐵 = 𝐿𝑏 − 0,5 𝑇𝐵 = 237,5

𝑇𝐴 = 𝐿𝑎 + 0,5 Ʃ Fi x M = 1916 + …+ 1841


𝑇𝐴 = 241 + 0,5 Ʃ Fi x M=10706,5 + 1841
𝑇𝐴 = 241,5 Ʃ Fi x M = 12547,5

Mean Median
Ʃ 𝐹𝑖 𝑥 𝑀 1
𝑛 −𝑓2
Xbar = Me = Tb + i 2𝐹 𝑚𝑒𝑑
𝑁
12547,5 1
Xbar = 50−31
50 Me = 249,5 + 42 7
Xbar = 250,95
Me = 246

Modus Kuartil
𝑑1 𝑛
𝑁−𝐹
Mo = Tb + i 𝑑1+𝑑2 Qn = Tb + i 4 𝑓
(11−5)
Mo = Tb + i (11−5)+(11−7) 1
50−8
Q1 = 241,5 + 44 5
Mo = 247,9
Q1 = 245,1

Tabel 4.4 Hasil Perhitungan Kuartil

Kuartil Data ke- Data Nilai


Q1 12,5 2 245,1
Q2 25 4 250
Q3 37,5 5 257,8
(Sumber: Pengumpulan Data)
Desil
𝑛
𝑁−𝐹
Dn = Tb + i 10 𝑓
1
50−0
10
D1 = 237,5 + 4 8

D1 = 240
Tabel 4.5 Hasil Perhitungan Desil

Desil Data ke- Data Nilai


D1 5 1 240
D2 10 2 243,1
D3 15 3 246,2
D4 20 3 248
D5 25 4 250
D6 30 4 252,9
D7 35 5 256,1
D8 40 6 259,5
D9 45 7 262,6
D10 50 7 265,5
(Sumber: Pengumpulan Data)
Persentil
𝑛
𝑁−𝐹
Pn = Tb + i 100𝑓
10
50−𝐹
P10 = Tb + 4100 𝑓
𝑛
𝑁−𝐹
Pn = Tb + i 100𝑓

Tabel 4.6HasilPerhitunganPersentil
Persentil Data ke- Data Nilai
P10 5 1 240
P25 12,5 2 245,1
P50 25 4 250
P75 37,5 6 257,8
P90 45 7 262,6
(Sumber: Pengumpulan Data)
Skewness
𝑛 𝑋𝑖 − 𝑋𝑏𝑎𝑟 3
Skewness = (𝑛−1)(𝑛−2) ∑ ( )
𝑆

50
Skewness =(50−1)(50−2) x494,9392

Skewness = 10,52

Variansi
Ʃ (X − Xbar)2 StandarDeviasi
S= 𝑛 −1
437,82 StandarDeviasi = √𝑉𝑎𝑟𝑖𝑎𝑛𝑠𝑖
S= 50 −1
StandarDeviasi = √8,94
S = 8,94
StandarDeviasi = 2,99

SimpanganKuartil
1
D2 = 2 𝑥(𝑄3 – 𝑄1)
1
D2 = 2 𝑥(257,8 – 245,1)

D2 = 6,35

12

10

6 Kelas
Fi
4

0
1 2 3 4 5 6 7 8

Gambar 4.1 Grafik Ogive


(Sumber: Pengumpulan Data)
12

10

6 Kelas
Fi
4

0
1 2 3 4 5 6 7 8

Gambar 4.2 Grafik Histogram


(Sumber: Pengumpulan Data)

Gambar 4.3 Minitab data diskrit


(Sumber: Pengumpulan Data)

4.2.2 Pengolahan Data Berat Badan


Berikut ini merupakan pengolahan data tinggi badan :
Rentang : R = 𝑁𝑖𝑙𝑎𝑖 𝑀𝑎𝑘𝑠𝑖𝑚𝑎𝑙 − 𝑁𝑖𝑙𝑎𝑖 𝑀𝑖𝑛𝑖𝑚𝑎𝑙
= 91,56 – 22,89
= 68,67

Banyak kelas : K = 1 + 3,3 𝐿𝑜𝑔 𝑁


= 1 + 3,3 𝐿𝑜𝑔 50
= 7
𝑅
Interval : I = 𝐾 Ʃ
68,67
= 7

= 9,81
Tabel 4.3Distribusi Frekuensi Data kontinu

Distribusi Frekuensi Data Continue


Kelas Interval Fi Fk M TB TA Fi x M Lb La |M - Xbar| (M - Xbar)^
1 22,89 - 32,69 2 2 27,79 22,39 33,19 55,58 22,89 32,69 -34,92 1219,65
2 32,7 - 42,50 2 4 37,6 32,2 43,00 75,2 32,70 42,50 -25,11 630,69
3 42,51 - 52,31 6 10 47,41 42,01 52,81 284,46 42,51 52,31 -15,30 234,20
4 52,32 - 62,18 15 25 57,22 51,82 62,62 858,3 52,32 62,12 -5,49 30,17
5 62,13 71,93 11 36 67,03 61,63 72,43 737,33 62,13 71,93 4,31 18,63
6 71,94 - 81,74 9 45 76,84 71,44 82,24 691,56 71,94 81,74 14,12 199,55
7 81,75 - 91,55 5 50 86,65 81,25 92,05 433,25 81,75 91,55 23,93 572,95
(sumber: pengumpulan data)

Perhitungan:
𝐿𝑏 + 𝐿𝑎 𝑇𝐵 = 𝐿𝑏 − 0,5
𝑀=
2 𝑇𝐵 = 22,89 − 0,5
22,89 + 32,69
𝑀= 𝑇𝐵 = 22,39
2
𝑀 = 27,79

𝑇𝐴 = 𝐿𝑎 + 0,5 Ʃ Fi x M = 55,58 + …+ 433,25


𝑇𝐴 = 32,69 + 0,5 Ʃ Fi x M = 2702,43 + 433,25
𝑇𝐴 = 33,19 Ʃ Fi x M = 3135,68

Mean Xbar = 62,7136


Ʃ 𝐹𝑖 𝑥 𝑀
Xbar = 𝑁
3135,68 Median
Xbar = 50
1
𝑛 −𝑓2 Me = 51,82
Me = Tb + i 2𝐹 𝑚𝑒𝑑
1
50−25
Me = 51,82 + 9,812 7

Modus Kuartil
𝑑1 𝑛
𝑁−𝐹
Mo = Tb + i 𝑑1+𝑑2 Qn = Tb + i 4 𝑓
(15−6)
Mo = 51,82 + 9,81 (15−6)+(15−11) 1
50−10
Q1 = 22,39 + 9,81 4 15
Mo = 62,32
Q1 = 53,455

Tabel 4.4 Hasil Perhitungan Kuartil Berat Badan

Kuartil Data ke- Data Nilai


Q1 12,5 4 53,46
Q2 25 4 32,20
Q3 37,5 6 73,08
(Sumber: Pengumpulan Data)
Desil
𝑛
𝑁−𝐹
Dn = Tb + i 10 𝑓
1
50−4
D1 = 42,01 + 9,81 10 6

D1 = 43,65
Tabel 4.5 Hasil Perhitungan Desil Berat Badan

Desil Data ke- Data Nilai


D1 5 3 43,65
D2 10 3 51,82
D3 15 4 55,09
D4 20 4 58,36
D5 25 4 61,63
D6 30 5 66,09
D7 35 5 70,55
D8 40 6 75,80
D9 45 6 81,25
D10 50 7 91,06
(Sumber: Pengumpulan Data)
Persentil
𝑛
𝑁−𝐹
Pn = Tb + i 100𝑓
10
50−𝐹
P10 = Tb + 9,81 100 𝑓

P10 = 43,65
Tabel 4.6 Hasil Perhitungan Persentil Berat Badan
Persentil Data ke- Data Nilai
P10 5 2 43,65
P25 12,5 4 53,46
P50 25 4 61,63
P75 37,5 6 73,08
P90 45 7 91,06
(Sumber: Pengumpulan Data)
Skewness
𝑛 𝑋𝑖 − 𝑋𝑏𝑎𝑟 3
Skewness = (𝑛−1)(𝑛−2) ∑ ( )
𝑆

50
Skewness =(50−1)(50−2) x 1328,79

Skewness = 28,25

Variansi StandarDeviasi = 7,7


Ʃ (X − Xbar)2
S= 𝑛 −1
2905,87
S= 50 −1

S = 59,30

StandarDeviasi
Standar Deviasi = √𝑉𝑎𝑟𝑖𝑎𝑛𝑠𝑖
Standar Deviasi = √59,30
SimpanganKuartil
1
D2 = 2 𝑥 (𝑄3 – 𝑄1)
1
D2 = 2 𝑥 (73,08 – 53,46)

D2 = 9,81

16
15
14

12
11
10
9
8 Kelas
7 Fi
6 6 6
5 5
4 4
3
2 2 2
1
0
1 2 3 4 5 6 7

Gambar 4.3 Grafik Ogive


(Sumber: Pengumpulan Data)
16 15

14

12 11

10 9
Kelas
8 7
Fi
6 6
6 5 5 Linear (Kelas)
4
4 3
2 2 2
2 1

0
1 2 3 4 5 6 7

Gambar 4.4 Grafik Histogram


(Sumber: Pengumpulan Data)

Gambar 4.5 Minitab Data Continu


(Sumber: Pengumpulan Data)

4.2.2 Teori Probabilitas

Setelah data diperoleh, maka selanjutnya akan dilakukan perhitungan dan


pengolahan pada data.

A. Data Peluang
Berdasarkan hasil pengamatan data peluang di pengumpulan data, untuk data
peluang Ganjil (C) dan Genap (D) ditambah 2 digit NPM yaitu 66 dan 66. Berikut
adalah data hasil penambahan NPM:

Tabel 4. 26 Hasil Pengamatan Data Peluang


Teori Probabilitas
Kiri (C) Kanan (D)
Ganjil (A) 69 91 160
Genap (B) 66 92 158
135 183 318

(Sumber: Pengolahan Data)

Adapun pengolahan data sebagai berikut:


a. Peluang

𝑋
Peluang :𝑁
160 135
Peluang A :318 = 0,503145 Peluang C :318 = 0,424528
158 183
Peluang B :318 = 0,496855 Peluang D :318 = 0,575472

Tabel 4.1: Peluang

PELUANG
P ( A ) 0,503145
P ( B ) 0,496855
P ( C ) 0,424528
P ( D ) 0,575472
(Sumber: Pengolahan Data)

b. Peluang Irisan

Kejadian 1 irisan Kejadian 2


Peluang Irisan : 𝑁
69
P( A n C ) : = 0,216981
318
91
P( A n D ) : 318 = 0,286164
66
P( B n C ) : 318 = 0,207547
92
P( B n D ) : 318 = 0,289308
Tabel 4.2: Peluang Irisan

Peluang Irisan
P ( A n C ) 0,216981
P ( A n D ) 0,286164
P ( B n C ) 0,207547
P ( B n D ) 0,289308
(Sumber: Pengolahan Data)

c. Peluang Bersyarat
𝑃𝑒𝑙𝑢𝑎𝑛𝑔 𝐼𝑟𝑖𝑠𝑎𝑛 𝑠𝑢𝑎𝑡𝑢 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛
Peluang Bersyarat : 𝑃𝑒𝑙𝑢𝑎𝑛𝑔 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑘𝑒𝑑𝑢𝑎 𝑝𝑎𝑑𝑎 𝑝𝑒𝑙𝑢𝑎𝑛𝑔 𝑖𝑟𝑖𝑠𝑎𝑛
0,216981
P ( A | C ) : 0,424528 = 0,511111
0,286164
P ( A | D ) : 0,575472 = 0,497268
0,207547
P ( B | C ) : 0,424528 = 0,488889
0,207547
P ( B | D ) : 0,575472 = 0,502732

Tabel 3.4: Peluang Bersyarat

Peluang Bersyarat
P ( A | C ) 0,511111
P ( A | D ) 0,497268
P ( B | C ) 0,488889
P ( B | D ) 0,502732
(Sumber: Pengolahan Data)
d. Peluang Gabungan

Peluang Gabungan = P Kejadian 1 + P Kejadian 2– P Irisan


P( A u C ) : 0,503145 + 0,424528 – 0,216981 = 0,710692
P( A u D ) : 0,503145 + 0,575472 – 0,286164 = 0,710692
P( B u C ) : 0,496855 + 0,424528 – 0,207547 = 0,710692
P( B u D ) : 0,496855 + 0,575472 – 0,289308 = 0,710692
Tabel 4.4: Peluang Gabungan

Peluang Gabungan
P ( A U C ) 0,710692
P ( A U D ) 0,792453
P ( B U C ) 0,713836
P ( B U D ) 0,783019
(Sumber: Pengolahan Data)
Berikut merupakan pengolahan data dengan menggunakan:
a. Permutasi Sebagian
𝑛!
Permutasi Sebagian = (𝑛−𝑟)!

ARIF
n=4
r=2

Jawab:
𝑛!
Permutasi Sebagian = (𝑛−𝑟)!
4!
= (4−2)!
4!
= 2!
4.3.2.1
= 2.1
24
= 2

= 12 cara

Jadi, untuk penyusunan nama ARIF dengan permutasi sebagian menghasilkan 12


cara.
Pohon Faktor Permutasi Sebagian menggunakan penyusun nama ARIF dengan r:2
b. Permutasi Menyeluruh
Permutasi Menyeluruh : 𝑛 = 𝑟 𝑎𝑡𝑎𝑢 𝑛𝑃 𝑎𝑡𝑎𝑢 𝑛𝑃 = 𝑛!
ARIF
n=4
Jawab:
Permutasi Menyeluruh : 𝑛 = 𝑟
: 4 = 𝑟 𝑎𝑡𝑎𝑢 4𝑃 𝑎𝑡𝑎𝑢 4𝑃 = 4!

= 4.3.2.1
= 24 cara
Jadi, untuk penyusunan nama ARIF dengan permutasi menyeluruh menghasilkan
24 cara.

Pohon Faktor Permutasi Menyeluruh menggunakan penyusun nama ARIF


c. Permutasi KelilinPermutasi Keliling = (𝑛 − 1)!
0516104066
n = 66
Jawab:
Permutasi Keliling = (𝑛 − 1) = (66 − 1)!
= 65!
= 8,28 𝑥 1090caraJadi, untuk penyusunan total 66 dengan permutasi keliling
menghasilkan 8,28𝑥 1090cara.

d. Permutasi Data KelompokData yang akan diolah yaitu menggunakan 2 nama


dari kelompok
I N D R A M U L Y A N A terdapat 12 karakter
R I A N T O terdapat 6 karakter, Jadi terdapat:
I =2
N=3
D=1
R=2
A=4
M=1
U=1
L=1
Y=1
T=1
O=1
𝑛!
e. Permutasi Data Kelompok: = 𝑛1! + 𝑛2! + 𝑛3! ………𝑛𝑛!
18!
= 2! + 3! + 1! ………1!

= 6,40 x 1015
48
= 1,33 x 1014
f. Kombinasi Sebagian
𝑛!
Kombinasi sebagian = (𝑛−𝑟)!𝑟!

n=4
r=3

𝑛!
Kombinasi sebagian = (𝑛−𝑟)!𝑟!
4!
Kombinasi sebagian =(4−3)!3!
4!
Kombinasi sebagian =1!3!

Kombinasi sebagian = 4
Jadi, untuk penyusunan n = 4 dari r = 3 dengan kombinasi sebagian menghasilkan
4 cara.
4.2.3 Distribusi Probabilitas

Data yang telah diperoleh selanjutkan akan diolah dalam bentuk perhitungan baik
untuk data distribusi binomial, data distribusi hipergeometrik, data distribusi
poisson, dan data distribusi eksponensial.
A. Data Distribusi Binomial

Data yang telah diperoleh dari praktikum selanjutnya diolah sebagai berikut:
Tabel 4.28 Pengolahan Data Distribusi Binomial
Binomial
n=6 n=6
No Proporsi No Proporsi
X x
1 4 0.667 16 3 0.500
2 1 0.167 17 3 0.500
3 3 0.500 18 1 0.167
4 2 0.333 19 3 0.500
5 3 0.500 20 2 0.333
6 2 0.333 21 2 0.333
7 2 0.333 22 2 0.333
8 3 0.500 23 1 0.167
9 2 0.333 24 0 0.000
10 3 0.500 25 0 0.000
11 2 0.333 26 2 0.333
12 1 0.167 27 0 0.000
13 3 0.500 28 2 0.333
14 2 0.333 29 2 0.333
15 2 0.333 30 0 0.000
Jumlah Proporsi 9.6659
P 0.3222
(Sumber: Pengolahan Data)
Perhitungan :
a. Proporsi
𝑥 𝑥
𝑃̅ = 𝑛 , 𝑥 = 4 𝑃̅ = 𝑛 , 𝑥 = 1
4 1
𝑃̅ = = 0.667 𝑃̅ = = 0.167
6 6
b. P

𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖
𝑃=
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛
0.667 + 0.167 + 0.500+. . . +0.000
𝑃=
30
9.6659
𝑃= = 0.3222
30
Tabel 4.29 Hasil Perhitungan dan Probabilitas Kumulatif Data Binomial

P
X Fi Fr nCx Px q n-x P(X=x)
Kumulatif
0 4 0.133 1 1 0.097 0.097 0.097
1 4 0.133 6 0.3221 0.143 0.277 0.374
2 13 0.433 15 0.1037 0.211 0.329 0.702
3 8 0.267 20 0.033417 0.312 0.208 0.911
4 1 0.033 15 0.0107637 0.460 0.074 0.985
5 0 0.000 6 0.00346700 0.678 0.014 0.999
6 0 0.000 1 0.001116720 1.000 0.001 1.000
Total 30 1 64 2.900 1.000
(sumber: Pengolahan Data)

a. Jumlah Kejadian Sukses (p)


Jumlah Proporsi
𝑝=
N
9,6659
𝑝=
90
𝑝 = 0,1073
b. Jumlah Kejadian Gagal (q)
𝑞 =1−𝑝
𝑞 = 1 − 0,1073
𝑞 = 0,8927
c. Rata-rata Kejadian Sukses (µ)
µ = 𝐸(𝑥) = 𝑛. 𝑝
µ = 6 . 0,1073
µ = 0,6438
d. Variansi (𝜎)
𝜎 = 𝑛 .𝑝 .𝑞
𝜎 = 6 . 0,1073 . 0,8927
𝜎 = 0,5747
e. Probabilitas (P)
Pb (𝑥, 𝑛, 𝑝) = 𝑛𝐶𝑥 . 𝑝˟. 𝑞ⁿ− ˟
𝑛
Pb = ( ) . 𝑝˟. 𝑞ⁿ− ˟
𝑥
6
Pb = ( ) . 0,1073 . 0,8927
2
Pb = 15 . 0,1073 . 0,8927
Pb = 0,329
f. P Kumulatif
Pkum = P(x = 0) + P(x = 1) + P(x = 2)
Pkum = 0,097 + 0,227 + 0,329
Pkum = 0,702

g. Grafik Batang Poligon (x – Fr) dan (x – P)

Grafik Batang Poligon (x – Fr) Distribusi Binomial


0.5 0.5
0.433
0.4 0.4

0.3 0.267 0.3

0.2 0.2
0.133 0.133
0.1 0.1
0.033
0.000 0.000
0 0
0.00000 1.00000 2.00000 3.00000 4.00000 5.00000 6.00000

Series1 Series2
Gambar 4.9 Grafik (x – Fr) Distribusi Binomial
(Sumber: Pengolahan Data)

Grafik Batang Poligon (x – P) Distribusi Binomial


0.35 0.329 0.35
0.329
0.3 0.277 0.3
0.277
0.25 0.208 0.25
0.2 0.208 0.2
0.15 0.15
0.097
0.1 0.097 0.074 0.1
0.074
0.05 0.014 0.05
0.001
0 0.014 0.001 0
0.00000 1.00000 2.00000 3.00000 4.00000 5.00000 6.00000

Series1 Series2

Gambar 4.10 Grafik (x – P) Distribusi Binomial


(Sumber: Pengolahan Data)

B. Data Distribusi Hipergeometrik

Data yang telah diperoleh dari praktikum selanjutnya diolah sebagai berikut:
Tabel 4.30 Pengolahan Data Distribusi Hipergeometrik
Hipergeometrik
n=6 n=6
No Proporsi No Proporsi
x x
1 2 0.333 16 0 0.00
2 1 0.167 17 2 0.33
3 0 0.000 18 1 0.17
4 2 0.333 19 0 0.00
5 1 0.167 20 0 0.00
6 1 0.167 21 0 0.00
7 2 0.333 22 0 0.00
8 1 0.167 23 0 0.00
9 0 0.000 24 0 0.00
10 2 0.333 25 0 0.00
11 1 0.167 26 0 0.00
12 1 0.167 27 0 0.00
13 0 0.000 28 0 0.00
14 1 0.167 29 0 0.00
15 2 0.333 30 0 0.00
Jumlah P 3.3326
P 0.1111
(Sumber: Pengolahan Data)
Perhitungan:
a. Proporsi
𝑥 𝑥
𝑃̅ = , 𝑥 = 2 𝑃̅ = , 𝑥 = 1
𝑛 𝑛
2 1
𝑃̅ = = 0.333 𝑃̅ = = 0.167
6 6
b. P
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖
𝑃=
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛
0.333 + 0.167 + 0.000+. . . +0.000
𝑃=
30
3.3326
𝑃= = 0.1111
30

Tabel 4.31 Hasil Perhitungan dan Probabilitas Kumulatif Data Hipergeometrik

𝑴 𝑵−𝑴 P
X Fi Fr [ ] [ ] P(X=x)
𝒙 𝒏−𝒙 Kumulatif
0 16 0.533 1 131115985 0.211 0.211
1 8 0.267 20 12103014 0.389 0.600
2 6 0.200 190 916895 0.280 0.880
3 0 0.000 1140 54740 0.100 0.980
4 0 0.000 4845 2415 0.019 0.999
5 0 0.000 15504 70 0.002 1.000
6 0 0.000 38760 1 0.000 1.000
Total 30 1 60460 1.000
(Sumber: Pengolahan Data)
a. Jumlah Kejadian Sukses (p)
Jumlah Proporsi
𝑝=
N
3,3326
𝑝=
90
𝑝 = 0,0370
b. Jumlah Kejadian Gagal (q)
𝑞 =1−𝑝
𝑞 = 1 − 0,0370
𝑞 = 0,963
c. Rata-rata Kejadian Sukses (µ)
µ = 𝐸(𝑥) = 𝑛. 𝑝
µ = 6 . 0,0373
µ = 0,2238
d. Variansi (𝜎)
𝜎 = 𝑛 .𝑝 .𝑞
𝜎 = 6 . 0,0373 . 0,963
𝜎 = 0,2155
e. Probabilitas (P)
𝑀 𝑁−𝑀
( )( )
Ph (𝑥; 𝑁; 𝑛; 𝑀) = 𝑛 𝑛−𝑥
𝑁
( )
𝑛
190 . 916895
Ph =
622614630
Ph = 0,280

f. P Kumulatif
Pkum = P(x = 0) + P(x = 1) + P(x = 2)
Pkum = 0,211 + 0,389 + 0,280
Pkum = 0,880

g. Grafik Batang Poligon (x – Fr) dan (x – P)


Grafik Batang Poligon (x – Fr) Distribusi
Hipergeometrik
0.6 0.533 0.6
0.533
0.5 0.5
0.4 0.4
0.3 0.267 0.3
0.267 0.200
0.2 0.200 0.2
0.1 0.1
0.000 0.000 0.000 0.000
0 0.000 0.000 0.000 0.000 0
1 2 3 4 5 6

Series1 Series2

Gambar 4.11 Grafik (x – P) Distribusi Hipergeometrik


(Sumber: Pengolahan Data)

Grafik Batang Poligon (x – P) Distribusi


Hipergeometrik
0.500 0.500
0.389
0.400 0.389 0.400
0.280
0.300 0.300
0.211 0.280
0.200 0.211 0.200
0.100
0.100 0.100 0.100
0.019 0.002 0.000
0.000 0.019 0.002 0.0000.000
1 2 3 4 5 6

Series1 Series2

Gambar 4.12 Grafik (x – P) Distribusi Hipergeometrik


(Sumber: Pengolahan Data)

C. Data Distribusi Poisson

Data yang telah diperoleh selanjutnya diolah sebagai berikut:


Tabel 4.32 Distribusi Frekuensi Dari Distribusi Poisson
Xi Fi Fr Xi.Fi P
0 0 0.000 0 0,0005
1 1 0.033 1 0,0040
2 0 0.000 0 0,0151
3 0 0.000 0 0,0381
4 2 0.067 8 0,0717
5 4 0.133 20 0,1081
6 3 0.100 18 0,1358
7 5 0.167 35 0,1461
8 5 0.167 40 0,1376
9 4 0.133 36 0,0151
10 2 0.067 20 0,0867
11 2 0.067 22 0,0594
12 1 0.033 12 0,0373
13 0 0.000 0 0,0216
14 1 0.033 14 0,0116
 30 1.000 226 0,8887
(Sumber: Pengolahan Data)
Contoh Perhitungan:
Σ𝑥𝑖 . 𝑓𝑖
a) 𝑥̅ = 𝜆 = Σ𝑓𝑖

𝑥̅ = 𝜆
0 + 1 + 0 + 0 + 8 + 20 + 18 + 35 + 40 + 36 + 20 + 22 + 12 + 0 + 14
=
0+1+0+0+2+4+3+5+5+4+2+2+1+0+1
226
𝑥̅ = 𝜆 =
30
𝑥̅ = 𝜆 = 7,53
𝜆𝑥
b) 𝑃 (𝑥, 𝜆) = 𝑒 −𝜆
𝑥!

7,530
𝑃 (0, 7,53) = 2,71828−7,53
0!
𝑃 (𝑥, 𝜆) = 0,0005
1,931
c) 𝑃 (𝑥, 𝜆) = 2,71828−1,93
1!

𝑃 (𝑥, 𝜆) = 0,0040
a. Grafik Distribusi Poisson

1). Grafik Xi - Fr Distribusi Poisson

Grafik Xi - fr Distribusi Poisson


0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Gambar 4.13 Grafik Xi - Fr Distribusi Poisson


(Sumber: Pengolahan Data)

2). Grafik Xi - P Distribusi Poisson

0.16
Grafik Xi - P Distribusi Poisson
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14

Gambar 4.14 Grafik Xi-P Distribusi Poisson


(Sumber: Pengolahan Data)
D. Data Distribusi Eksponensial
Data yang telah diperoleh dari praktikum selanjutnya diolah sebagai berikut:

Tabel 4.33 Distribusi Frekuensi dari Distribusi Eksponensial


Kls Interval Fi FK Lb La M TB TA Fi.M ̅)
(M-𝒙 ̅ )2
(M-𝒙

1 0.130-0.251 19 19 0.13 0.251 0.191 0.1295 0.2515 3.620 0.1705 0.0291


2 0.252-0.373 4 23 0.252 0.373 0.313 0.2515 0.3735 1.250 0.0485 0.0024
3 0.374-0.494 2 25 0.374 0.494 0.434 0.3735 0.4945 0.868 0.0735 0.0054
4 0.495-0.615 2 27 0.495 0.615 0.555 0.4945 0.6155 1.110 0.1945 0.0378
5 0.616-0.738 2 29 0.616 0.738 0.677 0.6155 0.7385 1.354 0.3155 0.0995
6 0.738-0.860 1 30 0.738 0.86 0.799 0.7375 0.8605 0.799 0.4375 0.1914
Ʃ 30 2.968 9.001 1.2400 0.3656
(Sumber: Pengolahan Data)
Contoh Perhitungan:
a. Rentang
𝑅 = 𝑁𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑡𝑒𝑟𝑏𝑒𝑠𝑎𝑟 – 𝑁𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑡𝑒𝑟𝑘𝑒𝑐𝑖𝑙
𝑅 = 0.85 − 0.13
𝑅 = 0.72
b. Banyak Kelas

𝛴𝐾 = 1 + 3,322 𝐿𝑜𝑔(𝑁)
𝛴𝐾 = 1 + 3,322 𝐿𝑜𝑔(30)
𝛴𝐾 = 1 + 3,322 (1,477)
𝛴𝐾 = 1 + 4,91
𝛴𝐾 = 5.91 ≈ 6
c. Interval
𝑅
𝑖=
Σ𝐾
0.72
𝑖=
5.91
𝑖 = 0.122
d. Rata-rata (𝑋̅)
∑(𝑀. 𝑓𝑖)
𝑋̅ =
∑ 𝑓𝑖
9.001
𝑋̅ =
30
𝑋̅ = 0.300
e. Standar Deviasi

∑ 𝑓𝑖(𝑀 − 𝑋̅)2
𝑆=√
∑ 𝑓𝑖

19(0,0291) + 4(0,0024) + 2(0,0054) + ⋯ + 1(0,1914)


𝑆=√
30

1.0389
𝑆=√
30

𝑆 = √0.0346
𝑆 = 0.1861 ≈ 0,19
f. Nilai Tengah (M)
 Kelas Ke-1
𝐿𝑏 + 𝐿𝑎 0.130 + 0.251
𝑀= = = 0.191
2 2
 Kelas Ke-2
𝐿𝑏 + 𝐿𝑎 0.252 + 0.373
𝑀= = = 0.313
2 2
g. Tepi Bawah (TB)
 Kelas Ke-1
𝑇𝐵 = 𝐿𝑏 − (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐵 = 0.130 − (0,5 𝑥 0,001)
𝑇𝐵 = 0,130 − 0,0005
𝑇𝐵 = 0.1295
 Kelas Ke-2
𝑇𝐵 = 𝐿𝑏 − (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐵 = 0.252 − (0,5 𝑥 0,01)
𝑇𝐵 = 0.252 − 0,0005
𝑇𝐵 = 0.2515

h. Tepi Atas (TA)


 Kelas Ke-1
𝑇𝐴 = 𝐿𝑎 + (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐴 = 0.251 + (0,5 𝑥 0,001)
𝑇𝐴 = 0.251 + 0,0005
𝑇𝐴 = 0.2515
 Kelas Ke-2
𝑇𝐴 = 𝐿𝑎 + (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐴 = 0,373 + (0,5 𝑥 0,001)
𝑇𝐴 = 0,373 + 0,0005
𝑇𝐴 = 0,3735

Ringkasan Distribusi Eksponensial


Tabel 4. 34 Ringkasan Distribusi Eksponensial
Kelas P(X)A P(X)B P(X)
1 0.3506 0.5676 0.217
2 0.5676 0.7121 0.1445
3 0.7121 0.8076 0.0955
4 0.8076 0.8715 0.0639
5 0.8715 0.9144 0.0429
6 0.9144 0.9432 0.0288
(Sumber: Pengolahan Data)
Contoh Perhitungan:
a. P(X)A
 Kelas Ke-1  Kelas Ke-2
−𝑇𝐵 −𝑇𝐵
𝑃(𝑋)𝐴 = 1 − 𝑒 𝑥̅ 𝑃(𝑋)𝐴 = 1 − 𝑒 𝑥̅

−0.1295 −0.2515
𝑃(𝑋)𝐴 = 1 − 2,71828 0.30 𝑃(𝑋)𝐴 = 1 − 2,71828 0,30

𝑃(𝑋)𝐴 = 1 − 0.6494 𝑃(𝑋)𝐴 = 1 − 0.4324


𝑃(𝑋)𝐴 = 0,3506 𝑃(𝑋)𝐴 = 0.5676
b. P(X)B
 Kelas Ke-1 −0.2515
𝑃(𝑋)𝐵 = 1 − 2,71828 0,30
−𝑇𝐴
𝑃(𝑋)𝐵 = 1 − 𝑒 𝑥̅ 𝑃(𝑋)𝐵 = 1 − 0.4324
𝑃(𝑋)𝐵 = 0.5676 −0.3735
𝑃(𝑋)𝐵 = 1 − 2,71828 0,30
 Kelas Ke-2
𝑃(𝑋)𝐵 = 1 − 0.2879
−𝑇𝐴
𝑃(𝑋)𝐵 = 1 − 𝑒 𝑥̅ 𝑃(𝑋)𝐵 = 0.7121
c. P(X)
 Kelas Ke-1
𝑃(𝑋) = 𝑃(𝑋)𝐵 − 𝑃(𝑋)𝐴
𝑃(𝑋) = 0.5676 − 0.3506
𝑃(𝑋) = 0.2170
 Kelas Ke-2
𝑃(𝑋) = 𝑃(𝑋)𝐵 − 𝑃(𝑋)𝐴
𝑃(𝑋) = 00.7121 − 0.5676
𝑃(𝑋) = 0.1445

d. Grafik Distribusi Eksponensial


1). Grafik Hubungan TB dengan Frekuensi

Grafik TB-Fi Distribusi


Eksponensial
20 19
15
10
5 4
2 2 2 1
0
1 2 3 4 5 6

Gambar 4.15 Grafik TB-Fi Dstribusi Eksponensial


(Sumber: Pengolahan Data)
2). Grafik Hubungan TB dengan P

Grafik TB-P Distribusi Eksponensial


0.25
0.217
0.2
0.15 0.1445
0.1 0.0955
0.05 0.0639
0.0429
0.0288
0
1 2 3 4 5 6

Gambar 4.16 Grafik TB-Fi Dstribusi Eksponensial


(Sumber: Pengolahan Data)
4.2.4 Statistika Parametrik
Berdasarkan hasil penelitian data statistik parametrik dipengumpulan data,
selanjutnya data diolah sebagai berikut:
A. Pengukuran Lebar 40 Balok
Tabel 4.35 Distribusi Frekuensi Dari Data Pengukuran Lebar 40 Balok

Interval Fi Fk Lb La M TB TA Fi x M
46.80 - 47.79 2 2 46.800 47.790 47.295 46.795 47.795 94.590
47.80 - 48.79 9 11 47.800 48.790 48.295 47.795 48.795 434.655
48.80 - 49.79 7 18 48.800 49.790 49.295 48.795 49.795 345.065
49.80 - 50.79 10 28 49.800 50.790 50.295 49.795 50.795 502.950
50.80 - 51.79 9 37 50.800 51.790 51.295 50.795 51.795 461.655
51.80 - 52.79 2 39 51.800 52.790 52.295 51.795 52.795 104.590
52.80 - 53.79 1 40 52.800 53.790 53.295 52.795 53.795 53.295
Jumlah 40 352.065 1996.800
(Sumber: Pengolahan Data)
Contoh Perhitungan :
i. Rentang
𝑅 = 𝑁𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑡𝑒𝑟𝑏𝑒𝑠𝑎𝑟 – 𝑁𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑡𝑒𝑟𝑘𝑒𝑐𝑖𝑙
𝑅 = 53.09 − 46.80
𝑅 = 6.29
j. Banyak Kelas

𝛴𝐾 = 1 + 3,3 𝐿𝑜𝑔(𝑁)
𝛴𝐾 = 1 + 3,3 𝐿𝑜𝑔(40)
𝛴𝐾 = 1 + 5.29
𝛴𝐾 = 6.29
k. Interval
𝑅
𝑖=
Σ𝐾
6.29
𝑖=
6.29
𝑖=1
l. Rata-rata (𝑋̅)
∑(𝑀. 𝑓𝑖)
𝑋̅ =
𝑛
1996.8
𝑋̅ =
40
𝑋̅ = 49.92
m. Standar Deviasi

∑𝑘𝑖=1(𝑥̅𝑖 − 𝑥̿ )2
𝑆=√
𝑛−1

(49.46 − 49.92)² + (50.87 − 49.92)² + ⋯ + (50.51 − 49.92)²


𝑆=√
40 − 1

82.41
𝑆=√
39

𝑆 = √2.1131
𝑆 = 1.4536 ≈ 1.45
n. Nilai Tengah (M)
 Kelas Ke-1
𝐿𝑏 + 𝐿𝑎 46.80 + 47.79
𝑀= = = 47.295
2 2
 Kelas Ke-2
𝐿𝑏 + 𝐿𝑎 47.80 + 48.79
𝑀= = = 48.295
2 2

o. Tepi Bawah (TB)


 Kelas Ke-1
𝑇𝐵 = 𝐿𝑏 − (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐵 = 46.80 − (0,5 𝑥 0,01)
𝑇𝐵 = 46.80 − 0,005
𝑇𝐵 = 46.795
 Kelas Ke-2
𝑇𝐵 = 𝐿𝑏 − (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐵 = 47.80 − (0,5 𝑥 0,01)
𝑇𝐵 = 47.80 − 0,005
𝑇𝐵 = 47.795
p. Tepi Atas (TA)
 Kelas Ke-1
𝑇𝐴 = 𝐿𝑎 + (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐴 = 47.79 + (0,5 𝑥 0,01)
𝑇𝐴 = 47.79 + 0,005
𝑇𝐴 = 47.795
 Kelas Ke-2
𝑇𝐴 = 𝐿𝑎 + (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐴 = 48.79 + (0,5 𝑥 0,001)
𝑇𝐴 = 48.79 + 0,0005
𝑇𝐴 = 48.795

q. Grafik Perbandingan TB dan Fi

TB Terhadap Fi Data 40 Sampel


12 10
10 9 9

8 7
TB

6
4 2 2
2 1

0
1 2 3 4 5 6 7
Fi

Gambar 4.17 Grafik TB Terhadap Fi Data 40 Sampel


(Sumber: Pengolahan Data)
r. Nilai Z
𝑥̅ − 𝜇0
𝑍ℎ𝑖𝑡 = 𝜎
⁄ 𝑛

49.92 − 50
𝑍ℎ𝑖𝑡 =
1.5⁄
√40
−0.08
𝑍ℎ𝑖𝑡 = = −0.34
0.2371
s. Uji Hipotesis
1. (α = 1%, α = 10%)
𝐻0 : 𝜇0 ≤ 50
𝐻1 : 𝜇0 > 50
1% → 𝑧 (1 − 0.01) = 0.99 ~ 2.33

Gambar 4.18 Kurva Normal Z0.01


(Sumber: Pengolahan Data)

10% → 𝑧 (1 − 0.1) = 0.90 ~ 1.29

Gambar 4.19 Kurva Normal Z0.1


(Sumber: Pengolahan Data)
2. (α = 1%, α = 10%)
𝐻0 : 𝜇0 ≥ 50
𝐻1 : 𝜇0 < 50
1% → 𝑧 (1 − 0.01) = 0.99 ~ − 2.33
Gambar 4.20 Kurva Normal Z0.01
(Sumber: Pengolahan Data)
10% → 𝑧 (1 − 0.1) = 0.90 ~ − 1.65

Gambar 4.21 Kurva Normal Z0.1


(Sumber: Pengolahan Data)
3. (α = 1%, α = 10%)
𝐻0 : 𝜇0 = 50
𝐻1 : 𝜇0 = 50
1% → 𝑧 (1 − 0.01) = 0.99 ~ ± 2.58

Gambar 4.22 Kurva Normal Z0.01


(Sumber: Pengolahan Data)
10% → 𝑧 (1 − 0.1) = 0.90 ~ ± 1.29

Gambar 4.23 Kurva Normal Z0.1


(Sumber: Pengolahan Data)

B. Pengukuran Lebar 20 Balok


Tabel 4.36 Distribusi Frekuensi Dari Data 20 Sampel Lebar Balok

Interval Fi Fk Lb La M TB TA Fi x M
46.80 - 47.98 3 3 46.800 47.980 47.390 46.795 47.985 142.170
47.99 - 49.17 1 4 47.990 49.170 48.580 47.985 49.175 48.580
49.18 - 50.36 4 8 49.180 50.360 49.770 49.175 50.365 199.080
50.37 - 51.55 6 14 50.370 51.550 50.960 50.365 51.555 305.760
51.56 - 52.74 4 18 51.560 52.740 52.150 51.555 52.745 208.600
52.75 - 53.92 2 20 52.750 53.920 53.335 52.745 53.925 106.670
Jumlah 20 302.185 1010.860
(Sumber; Pengolahan Data)
Contoh Perhitungan :
b. Rentang
𝑅 = 𝑁𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑡𝑒𝑟𝑏𝑒𝑠𝑎𝑟 – 𝑁𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑡𝑒𝑟𝑘𝑒𝑐𝑖𝑙
𝑅 = 53.09 − 46.80
𝑅 = 6.29
c. Banyak Kelas

𝛴𝐾 = 1 + 3,3 𝐿𝑜𝑔(𝑁)
𝛴𝐾 = 1 + 3,3 𝐿𝑜𝑔(20)
𝛴𝐾 = 1 + 4.29
𝛴𝐾 = 5.29
d. Interval
𝑅
𝑖=
Σ𝐾
6.29
𝑖=
5.29
𝑖 = 1.19
e. Rata-rata (𝑋̅)
∑(𝑀. 𝑓𝑖)
𝑋̅ =
𝑛
1010.860
𝑋̅ =
20
𝑋̅ = 50.543 ~ 50.54
f. Standar Deviasi

∑𝑘𝑖=1(𝑥̅𝑖 − 𝑥̿ )2
𝑆=√
𝑛−1
(49.46 − 50.54)² + (49.78 − 50.54)² + ⋯ + (50.83 − 50.54)²
𝑆=√
20 − 1

66.75
𝑆=√
19

𝑆 = √3.5132
𝑆 = 1.8743 ≈ 1.88
g. Nilai Tengah (M)
 Kelas Ke-1
𝐿𝑏 + 𝐿𝑎 46.80 + 47.98
𝑀= = = 47.39
2 2
 Kelas Ke-2
𝐿𝑏 + 𝐿𝑎 47.99 + 49.17
𝑀= = = 48.58
2 2

h. Tepi Bawah (TB)


 Kelas Ke-1
𝑇𝐵 = 𝐿𝑏 − (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐵 = 46.80 − (0,5 𝑥 0,01)
𝑇𝐵 = 46.80 − 0,005
𝑇𝐵 = 46.795
 Kelas Ke-2
𝑇𝐵 = 𝐿𝑏 − (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐵 = 47.99 − (0,5 𝑥 0,01)
𝑇𝐵 = 47.99 − 0,005
𝑇𝐵 = 47.985
i. Tepi Atas (TA)
 Kelas Ke-1
𝑇𝐴 = 𝐿𝑎 + (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐴 = 47.98 + (0,5 𝑥 0,01)
𝑇𝐴 = 47.98 + 0,005
𝑇𝐴 = 47.985
 Kelas Ke-2
𝑇𝐴 = 𝐿𝑎 + (0,5 𝑥 𝑆𝑘𝑎𝑙𝑎 𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙)
𝑇𝐴 = 49.17 + (0,5 𝑥 0,01)
𝑇𝐴 = 49.17 + 0,005
𝑇𝐴 = 48.175
j. Grafik Perbandingan TB dan Fi

TB Terhadap Fi Data 20 Sampel


7 6
6
5 4 4
4 3
TB

3 2
2 1
1
0
1 2 3 4 5 6
Fi

Gambar 4.24 Grafik TB Terhadap Fi Data 20 Sampel

(Sumber: Pengolahan Data)


k. Nilai T
𝑥̅ − 𝜇0
𝑇= 𝑠
⁄ 𝑛

50.54 − 50
𝑇ℎ𝑖𝑡 =
1.88⁄
√20
0.54
𝑇ℎ𝑖𝑡 = = 1.28
0.4204

t. Uji Hipotesis

Untuk Tingkat Ketelitian 1% Untuk Tingkat Ketelitian 10%


One tail: 𝑇(20−1 ; 0,01) = 𝑇(19 ; 0,01) = 2,54 One tail: 𝑇(20−1 ; 0,1) = 𝑇(19 ; 0,1) = 1,33
Two tail: 𝑇(20−1 ; 0,01) = 𝑇(19 ; 0,01) = 2,86 Two tail: 𝑇(20−1 ; 0,1) = 𝑇(19 ; 0,1) = 1,73
1. 𝑯𝟎 : 𝝁 𝟎 ≤ 𝑿
𝑯𝟏 ∶ 𝝁 𝟎 > 𝑿
Untuk α = 1% : Tolak H0 apabila T hit > 2,54 karena T hit 1,28 < 2,54 maka H0
diterima yang menyatakan bahwa 𝜇0 ≤ 𝑋.

Gambar 4. 25 Kurva normal α = 1%


(Sumber: Pengolahan Data)

Untuk α = 10% : Tolak H0 apabila T hitung > 1,33 Karena T hitung 1,28 < 1,33
maka H0 diterima yang menyatakan bahwa 𝜇0 ≤ 𝑋.

Gambar 4. 26 Kurva normal α = 10%


(Sumber: Pengolahan Data)

2. 𝑯𝟎 : 𝝁𝟎 ≥ 𝟓𝟎
𝑯𝟏 ∶ 𝝁𝟎 < 𝟓𝟎
Untuk α = 1% : Tolak H0 apabila T hit < -2,54, karena T hitung 1,28 > -2,54
maka H0 diterima yang menyatakan bahwa 𝜇0 ≥ 𝑋.
Gambar 4. 27 Kurva normal α = 1%
(Sumber: Pengolahan Data)

Untuk α = 10% : Tolak H0 apabila T hit < -1,33 Karena T hitung 1,28 > -1,33
maka H0 diterima yang menyatakan bahwa 𝜇0 ≥ 𝑋.

Gambar 4. 28 Kurva normal α = 10%


(Sumber: Pengolahan Data)

3. 𝑯𝟎 : 𝝁𝟎 = 𝟓𝟎
𝑯𝟏 ∶ 𝝁𝟎 ≠ 𝟓𝟎
Untuk α = 1% : Tolak H0 apabila T hitung > 2,86 dan T hitung < -2,86 Karena
T hitung 1,28 < 2,86 dan 1,28 > -2,86 maka H0 diterima yang menyatakan
bahwa 𝜇0 = 𝑋.

Gambar 4. 29 Kurva normal α = 1%


(Sumber: Pengolahan Data)
Untuk α = 10% : Tolak H0 apabila T hitung > 1,73 dan T hitung < -1,73 Karena
T hitung 1,28 < 1,73 dan 1,28 > -1,73 maka H0 diterima yang menyatakan
bahwa 𝜇0 = 𝑋.

Gambar 4. 30 Kurva normal α = 10%


(Sumber: Pengolahan Data)

4.2.5 Statistika Non-Parametrik


Setelah data diperoleh, maka selanjutnya akan dilakukan perhitungan dan
pengolahan pada data statistik non-parametrik.
A. Uji Kolmogorov Smirnov
C. Tabel Uji Kolmogorov Smirnov Data Sampel 1
Tabel 4.37 Uji Kolmogorov Smirnov Sampel 1
No Xi Z Ft Fs D No Xi Z Ft Fs D

1 68,05 -1,39 0,0823 0,03 0,05 16 70,28 0,02 0,5080 0,53 -0,03

2 68,22 -1,28 0,1003 0,07 0,03 17 70,42 0,11 0,5438 0,57 -0,02

3 68,52 -1,09 0,1379 0,10 0,04 18 70,50 0,16 0,5636 0,60 -0,04

4 68,66 -1,01 0,1562 0,13 0,02 19 70,76 0,32 0,6255 0,63 -0,01

5 68,71 -0,97 0,1660 0,17 0,00 20 70,89 0,41 0,6591 0,67 -0,01

6 68,74 -0,96 0,1685 0,20 -0,03 21 71,09 0,53 0,7019 0,70 0,00

7 68,92 -0,84 0,2005 0,23 -0,03 22 71,23 0,62 0,7324 0,73 0,00

8 69,04 -0,77 0,2206 0,27 -0,05 23 71,26 0,64 0,7389 0,77 -0,03

9 69,07 -0,75 0,2266 0,30 -0,07 24 72,04 1,13 0,8708 0,80 0,07

10 69,12 -0,72 0,2358 0,33 -0,10 25 72,22 1,25 0,8944 0,83 0,06

11 69,20 -0,66 0,2546 0,37 -0,11 26 72,32 1,31 0,9049 0,87 0,04

12 69,21 -0,65 0,2578 0,40 -0,14 27 72,47 1,41 0,9207 0,90 0,02

13 69,30 -0,60 0,2743 0,43 -0,16 28 72,61 1,49 0,9319 0,93 0,00

14 69,54 -0,45 0,3264 0,47 -0,14 29 72,68 1,54 0,9382 0,97 -0,03

15 69,70 -0,35 0,3632 0,50 -0,14 30 72,69 1,54 0,9382 1,00 -0,06
(Sumber: Pengolahan Data)

D. Uji Hipotesis

u. Rumusan Hipotesis
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
v. Daerah Kritis

H0 diterima jika Dmax < Ktabel


H0 ditolak jika Dmax > Ktabel
α = 5%, n = 30
Ktabel = 0,242
3. Perhitungan 𝑋̅, 𝜎, 𝑍, 𝐹𝑠, Ft, dan Dmaks
a. Perhitungan 𝑋̅
∑𝑥𝑖
𝑋̅ =
𝑛
2107
𝑋̅ =
30
𝑋̅ = 70,24867
e. Standar Deviasi

∑𝑥𝑖
𝜎=√
𝑛−1

2107
𝜎=√
30 − 1

𝜎 = √72,6710 = 8,52473

f. Contoh Perhitungan Nilai (Z)


𝑥𝑖 − 𝑋̅
𝑍=
𝜎

68,05 − 70,24867
𝑍= = −0.2579
8,52473

g. Contoh Perhitungan Nilai (Fs)


𝑁𝑜. 𝑈𝑟𝑢𝑡
𝐹𝑠 =
𝑛

1
𝐹𝑠 =
30

𝐹𝑠 = 0,0333

h. Contoh Perhitungan Nilai (Ft)

Nilai Ft diperoleh dari nilai (Z) pada tabel Z Distribusi Normal


𝑍 = -0,2579 (Ft = 0,4013)
i. Contoh Perhitungan Dmaks|
Dmaks = |Ft – Fs|
Dmaks = |0,6141 - 1|
Dmaks = 0,3859
4. Kesimpulan
H0 diterima jika Dmax < Ktabel
H0 ditolak jika Dmax > Ktabel
Nilai Dmax = 0,3859 dan Nilai Ktabel = 0,242
Kesimpulannya H0 ditolak karena nilai Dmax > dari nilai Ktabel, maka data
tidak berdistribusi normal.

 Tabel Uji Kolmogorov Smirnov Data Sampel 2


Tabel 4.38 Uji Kolmogorov Smirnov Sampel 2

No Xi Z Ft Fs D No Xi Z Ft Fs D

1 68,05 -1,53 0,0630 0,03 0,03 16 70,81 0,20 0,5793 0,53 0,05

2 68,08 -1,52 0,0643 0,07 0,00 17 71,00 0,32 0,6255 0,57 0,06

3 68,28 -1,39 0,0823 0,10 -0,02 18 71,08 0,37 0,6443 0,60 0,04

4 68,53 -1,23 0,1093 0,13 -0,02 19 71,11 0,39 0,6517 0,63 0,02

5 68,80 -1,06 0,1446 0,17 -0,02 20 71,35 0,54 0,7054 0,67 0,04

6 21 71,47 0,62 0,7324 0,70 0,03


68,88 -1,01 0,1562 0,43 -0,28
7 22 71,57 0,68 0,7517 0,73 0,02

8 69,08 -0,89 0,1867 0,27 -0,08 23 71,93 0,91 0,8186 0,77 0,05

9 69,25 -0,78 0,2177 0,30 -0,08 24 72,08 1,00 0,8413 0,80 0,04

10 69,27 -0,77 0,2206 0,33 -0,11 25 72,17 1,06 0,8554 0,83 0,02

11 69,61 -0,55 0,2912 0,37 -0,08 26 72,39 1,19 0,8830 0,87 0,02

12 69,74 -0,47 0,3192 0,40 -0,08 27 72,59 1,32 0,9066 0,90 0,01

13 69,82 -0,42 0,3372 0,43 -0,10 28 72,60 1,33 0,9082 0,93 -0,03

14 70,35 -0,09 0,5359 0,47 0,07 29 72,77 1,43 0,9236 0,97 -0,04

15 70,44 -0,03 0,5120 0,50 0,01 30 72,83 1,47 0,9292 1,00 -0,07
(Sumber: Pengolahan Data)
 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
α = 5%, n = 30
Ktabel = 0,242
3. Perhitungan 𝑋̅, 𝜎, 𝑍, 𝐹𝑠, Ft, dan Dmaks
a. Perhitungan 𝑋̅
∑𝑥𝑖
𝑋̅ =
𝑛
2114,81
𝑋̅ =
30
𝑋̅ = 70,4936
b. Standar Deviasi

∑𝑥𝑖
𝜎=√
𝑛−1

2114,81
𝜎=√
30 − 1

𝜎 = √72,9244

𝜎 = 8,5395

c. Contoh Perhitungan Nilai (Z)


𝑥𝑖 − 𝑋̅
𝑍=
𝜎

68,05 − 70,4936
𝑍=
8,5395
𝑍 = -0,2861

d. Contoh Perhitungan Nilai (Fs)


𝑁𝑜. 𝑈𝑟𝑢𝑡
𝐹𝑠 =
𝑛

1
𝐹𝑠 = = 0,0333
30
e. Contoh Perhitungan Nilai (Ft)

Nilai Ft diperoleh dari nilai (Z) pada tabel Z Distribusi Normal


𝑍 = -0,2861 (Ft = 0,3821)

f. Contoh Perhitungan D dan Nilai Dmax


D = |Ft – Fs|
D = |0,6064 – 1|

D = 0,3936
Dmaks = 0,3936
4. Kesimpulan
H0 diterima jika Dmax < Ktabel
H0 ditolak jika Dmax > Ktabel
Nilai Dmax = 0,3936 dan Nilai Ktabel = 0,242
Kesimpulannya H0 ditolak karena nilai Dmax > dari nilai Ktabel, maka data tidak
berdistribusi normal.
 Tabel Uji Kolmogorov Smirnov Data Sampel 3
Tabel 4.39 Uji Kolmogorov Smirnov Sampel 3
No Xi Z Ft Fs D No Xi Z Ft Fs D

1 68,00 -1,42 0,0778 0,03 0,04 16 70,90 0,41 0,6591 0,53 0,13

2 68,26 -1,26 0,1038 0,07 0,04 17 71,02 0,48 0,6844 0,57 0,12

3 68,36 -1,20 0,1151 0,10 0,02 18 71,03 0,49 0,6879 0,60 0,09

4 68,43 -1,15 0,1251 0,13 -0,01 19 71,30 0,66 0,7454 0,63 0,11

5 68,55 -1,08 0,1401 0,17 -0,03 20 71,42 0,74 0,7704 0,67 0,10

6 69,02 -0,78 0,2177 0,20 0,02 21 71,62 0,87 0,8078 0,70 0,11

7 69,23 -0,65 0,2578 0,23 0,02 22 71,82 0,99 0,8389 0,73 0,11

8 69,31 -0,59 0,2776 0,27 0,01 23 71,89 1,04 0,8508 0,77 0,08

9 69,61 -0,41 0,3409 0,30 0,04 24 72,11 1,18 0,881 0,80 0,08

10 69,85 -0,25 0,4013 0,33 0,07 25 72,43 1,38 0,9162 0,83 0,08

11 69,87 -0,24 0,4052 0,37 0,04 26 72,57 1,47 0,9292 0,87 0,06

12 70,41 0,10 0,5398 0,40 0,14 27 72,59 1,48 0,9306 0,90 0,03

13 28 72,63 1,51 0,9345 0,93 0,00


70,56 0,20 0,5793 0,90 -0,32
14 29 72,80 1,61 0,9463 0,97 -0,02

15 70,62 0,23 0,5910 0,50 0,09 30 73,64 2,15 0,9842 1,00 -0,02
(Sumber: Pengolahan Data)
 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
α = 5%, n = 30
Ktabel = 0,242
3. Perhitungan 𝑋̅, 𝜎, 𝑍, 𝐹𝑠, Ft, dan Dmaks
a. Perhitungan 𝑋̅
∑𝑥𝑖
𝑋̅ =
𝑛
2120,41
𝑋̅ =
30
𝑋̅ = 70,6803
b. Standar Deviasi

∑𝑥𝑖
𝜎=√
𝑛−1

2120,41
𝜎=√
30 − 1

𝜎 = √73,1175

𝜎 = 8,5508

c. Contoh Perhitungan Nilai (Z)


𝑥𝑖 − 𝑋̅
𝑍=
𝜎

68,00 − 70,6803
𝑍=
8,5508

𝑍 = -0,3134

d. Contoh Perhitungan Nilai (Fs)


𝑁𝑜. 𝑈𝑟𝑢𝑡
𝐹𝑠 =
𝑛

1
𝐹𝑠 = = 0,0333
30
e. Contoh Perhitungan Nilai (Ft)

Nilai Ft diperoleh dari nilai (Z) pada tabel Z Distribusi Normal


𝑍 = -0,3134 (Ft = 0,3783)
f. Contoh Perhitungan D dan Dmaks
D = |Ft – Fs|
D = |0.5948-0.9667|

D = 0,3719
Dmaks = 0,4040
4. Kesimpulan
H0 diterima jika Dmax < Ktabel
H0 ditolak jika Dmax > Ktabel
Nilai Dmax = 0,4040 dan Nilai Ktabel = 0,242
Kesimpulannya H0 ditolak karena nilai Dmax > dari nilai Ktabel, maka data tidak
berdistribusi normal.
B. Uji Tanda Sampel 1

Tabel 4.40 Uji Tanda Sampel 1


Sampel Ke- Sampel Hari Ke 1 Rata-Rata Sign
1 71,23 70,25 +
2 70,89 70,25 +
3 70,42 70,25 +
4 68,22 70,25 -
5 68,71 70,25 -
6 70,50 70,25 +
7 70,28 70,25 +
8 69,30 70,25 -
9 69,12 70,25 -
10 71,09 70,25 +
11 68,66 70,25 -
12 72,69 70,25 +
13 69,70 70,25 -
14 68,05 70,25 -
15 72,04 70,25 +
16 69,07 70,25 -
17 71,26 70,25 +
18 70,76 70,25 +
19 72,68 70,25 +
20 69,04 70,25 -
21 72,47 70,25 +
22 72,61 70,25 +
23 68,92 70,25 -
24 69,21 70,25 -
25 68,52 70,25 -
26 72,32 70,25 +
27 72,22 70,25 +
28 68,74 70,25 -
29 69,20 70,25 -
30 69,54 70,25 -
Jumlah tanda + 15
Jumlah tanda - 15

(Sumber: Pengolahan Data)


 Uji Hipotesis
1. Rumusan Hipotesis
H0 : Rata-rata = 𝑋̅
H1 : Rata-rata ≠ 𝑋̅
2. Daerah Kritis
H0 ditolak jika Zhit < Ztabel, H0 ditolak jika Zhit > Ztabel
𝛼 = 5 % = 0,05
Z 𝛼/2 = ±1,96
3. Uji Statistik
a. Uji 𝑋̅
∑𝑥𝑖
𝑋̅ =
𝑛
2107,46
𝑋̅ =
30
𝑋̅ = 70,24866667

b. Uji Nilai µ
1
µ= 𝑥𝑛
2
1
µ = 𝑥 30
2
µ = 15

c. Uji Standar Deviasi 𝜎


1
𝜎= 𝑥 √𝑛
2
1
𝜎 = 𝑥 √30
2
1
𝜎 = 𝑥 5,4772
2
𝜎 = 2,7386

d. Uji Nilai Z

𝑋− µ
𝑍=
𝜎
15 − 15
𝑍=
2,7386
0
𝑍= =0
2,7386
4. Kesimpulan
Karena nilai Z = 0 berada diantara -1,96 dan 1,96 maka H0 diterima
yang menyatakan H0 : Rata-rata = 𝑋̅
 Kurva Hasil Uji Tanda Sampel 1

Gambar 4.31 Kurva Uji Tanda


(Sumber: Pengolahan Data)
C. Uji Dwi Wilcoxon Sampel 1 dan 2

Tabel 4.41 Hasil Pengolahan Data Uji Dwi Wilcoxon Sampel 1 dan 2
Sampel Tanda Jenjang
n1 n2 n1-n2 |n1-n2|
Ke- Rank + -
1 71.23 72.59 -1.36 1.36 16 16
2 70.89 71.35 -0.46 0.46 4 4
3 70.42 71.11 -0.69 0.69 8 8
4 68.22 69.25 -1.03 1.03 13 13
5 68.71 69.61 -0.90 0.90 10 10
6 70.50 70.81 -0.31 0.31 3 3
7 70.28 71.57 -1.29 1.29 15 15
8 69.30 70.44 -1.14 1.14 14 14
9 69.12 72.77 -3.65 3.65 26 26
10 71.09 68.08 3.01 3.01 22 22
11 68.66 68.53 0.13 0.13 2 2
12 72.69 72.08 0.61 0.61 5.5 5.5
13 69.70 72.39 -2.69 2.69 21 21
14 68.05 71.93 -3.88 3.88 27.5 27.5
15 72.04 71.08 0.96 0.96 12 12
16 69.07 72.60 -3.53 3.53 25 25
17 71.26 70.35 0.91 0.91 11 11
18 70.76 69.08 1.68 1.68 18 18
19 72.68 68.80 3.88 3.88 27.5 27.5
20 69.04 71.47 -2.43 2.43 19 19
21 72.47 68.28 4.19 4.19 29 29
22 72.61 71.00 1.61 1.61 17 17
23 68.92 68.05 0.87 0.87 9 9
24 69.21 69.82 -0.61 0.61 5.5 5.5
25 68.52 72.83 -4.31 4.31 30 30
26 72.32 69.74 2.58 2.58 20 20
27 72.22 68.88 3.34 3.34 23 23
28 68.74 72.17 -3.43 3.43 24 24
29 69.20 69.27 -0.07 0.07 1 1
30 69.54 68.88 0.66 0.66 7 7
Jumlah 13 17
(Sumber: Pengolahan Data)
1. Rumusan Hipotesis

H0 : μ1 = μ2 , H1 : μ1 ≠ μ2
2. Daerah Kritis

H0 Ditolak jika Zhit > Zα


α : 5% ; Ztabel : ±1,96
3. Uji Statistik

𝑋̅1 = 70.25 ; 𝑋̅2 = 70.49


𝑛(𝑛 + 1) 30(30 + 1) 930
𝜇𝑡 = = = = 232.5
4 4 4

𝑛(𝑛 + 1)(2𝑛 + 1)
𝜎=√ 24

30(30 + 1)(2𝑥30 + 1)
𝜎=√ 24

930 𝑥 61
𝜎=√ 24 = 48.6445

𝑡 − 𝜇 262 − 232.5
𝑍= = = 0.6064
𝜎 48.6445
4. Kesimpulan

Untuk α = 5%, Ztabel 1.96 H0 ditolak apabila Zhitung > Ztabel. Zhitung
yang diperoleh yaitu 0.6064 < 1.96. Maka H0 diterima yang menyatakan H0 :
μ1 = μ2.
5. Kurva Hasil Uji Dwi Wilcoxon Sampel 1 dan 2

Gambar 4.32 Kurva Uji Dwi Wilcoxon Sampel 1 dan 2


(Sumber: Pengolahan Data)

D. Uji Kruskal Wallis Sampel 1, 2 dan 3

Tabel 4.42 Hasil Pengolahan Data Uji Kruskal Wellis Sampel 1,2 dan 3

No X1 Rank No X2 Ran N X3 Ran


1 71.23 59 1 72.59 k 80 o1 73.64 k 90
2 70.89 51 2 71.35 62 2 70.56 46.5
3 70.42 43 3 71.11 58 3 71.42 63
4 68.22 5 4 69.25 28 4 69.61 33.5
5 68.71 14 5 69.61 33.5 5 72.57 79
6 70.50 45 6 70.81 50 6 71.30 61
7 70.28 40 7 71.57 65 7 72.59 81
8 69.30 30 8 70.44 44 8 69.02 20
9 69.12 24 9 72.77 87 9 69.85 38
10 71.09 57 10 68.08 4 10 72.63 84
11 68.66 13 11 68.53 11 11 72.80 88
12 72.69 86 12 72.08 71 12 70.56 46.5
13 69.70 35 13 72.39 76 13 71.62 66
14 68.05 2.5 14 71.93 69 14 70.41 42
15 72.04 70 15 71.08 56 15 69.23 27
16 69.07 22 16 72.60 82 16 68.36 8
17 71.26 60 17 70.35 41 17 68.43 9
18 70.76 49 18 69.08 23 18 69.87 39
19 72.68 85 19 68.80 16 19 72.11 72
20 69.04 21 20 71.47 64 20 71.02
71.82 54
67
21
22 72.47
72.61 78
83 21
22 68.28
71.00 7
53 21
22 70.90 52
23 68.92 19 23 68.05 2.5 23 68.26 6
24 69.21 26 24 69.82 37 24 68.00 1
25 68.52 10 25 72.83 89 25 68.55 12
26 72.32 75 26 69.74 36 26 70.62 48
27 72.22 74 27 68.88 17.5 27 71.03 55
28 68.74 15 28 72.17 73 28 69.31 31
29 69.20 25 29 69.27 29 29 72.43 77
30 69.54 32 30 68.88 17.5 30 71.89 68
Jumlah X1 1248.5 Jumlah X2 1382 Jumlah X3 1464.5

(Sumber: Pengolahan Data)


1. Rumusan Hipotesis

H0 : μ1 = μ2 = μ3 , H1 : μ1 ≠ μ2 ≠ μ3
2. Daerah Kritis
Apabila H < Htab maka terima H0
Apabila H > Htab maka terima H1

3. Uji Statistika
k
12 Ri2
H= ∑ − 3(N + 1)
N(N + 1) ni
i=1

12 (1248.52 ) + (13822 ) + (1464.52 )


H= 𝑥 − 3(90 + 1)
90(90 + 1) 3
𝐻 = 0.001465 𝑥 1871145.5 − 273
𝐻 = 2741.23 − 273 = 2468.23

1
Htab = (𝑁 − 1) − 0,98√𝑁 + 1
2
1
Htab = (90 − 1) − 0,98√90 + 1
2
Htab = 44.5 − 9.3486 = 35.1514

4. Kesimpulan
H0 ditolak apabila H < Htabel. H yang diperoleh yaitu 2468.23 dan H yang
diperoleh yaitu 0.6064 . Maka H1 diterima yang menyatakan H1 : μ1 ≠ μ2 ≠
μ3.

4.2.6 Regresi dan Korelasi


Setelah data diperoleh, maka selanjutnya akan dilakukan uji analisis regresi dan
pengolahan pada data regresi.Data independent (X) adalah jumlah perusahaan
mikrodan data dependent (Y) adalah jumlah tenaga kerja mikro.
Tabel 4.43HasilPengolahan Data
No X Y XY X2 Y2
1 64009 112728 7215606552 4097152081 12707601984 120145.67
2 94979 168272 15982306288 9021010441 28315465984 181070.48
3 63409 114601 7266734809 4020701281 13133389201 118965.34
4 16791 33645 564933195 281937681 1131986025 27257.48
5 22415 41790 936722850 502432225 1746404100 38321.13
6 47516 79542 3779517672 2257770256 6326929764 87700.32
7 11663 22138 258195494 136025569 490091044 17169.58
8 76728 157646 12095862288 5887185984 24852261316 145166.75
9 5914 10470 61919580 34975396 109620900 5860.03
10 7231 10146 73365726 52287361 102941316 8450.86
11 28378 64180 1821300040 805310884 4119072400 50051.66
11 11 11
12 421881 833706 3.51725 x 10 1.77984 x 10 6.95066 x 10 824158.63
12 11 12
13 934814 1830429 1.71111 x 10 8.73877 x 10 3.35047 x 10 1833210.69
14 52907 93632 4953788224 2799150649 8766951424 98305.60
15 771185 1518302 1.17089 x 1012 5.94726 x 1011 2.30524 x 1012 1511316.45
16 108235 191324 20707953140 11714815225 36604872976 207147.95
17 95282 162548 15487898536 9078659524 26421852304 181666.55
18 79764 156660 12495828240 6362295696 24542355600 151139.23
19 71768 124561 8939493848 5150645824 15515442721 135409.33
20 53867 99439 5356480613 2901653689 9888114721 100194.13
21 11884 21392 254222528 141229456 457617664 17604.33
22 55564 95252 5292582128 3087358096 9072943504 103532.50
23 11084 19213 212956892 122855056 369139369 16030.56
24 1180 2220 2619600 1392400 4928400 -3452.79
25 39431 71833 2832447023 1554803761 5159979889 71795.34
26 20745 40946 849424770 430355025 1676574916 35035.87
27 112896 201034 22695934464 12745506816 40414669156 216317.16
28 46084 81671 3763726364 2123735056 6670152241 84883.26
29 12458 22726 283120508 155201764 516471076 18733.52
30 11123 20319 226008237 123721129 412861761 16107.28
31 19312 32413 625959856 372953344 1050602569 32216.84
32 6939 10551 73213389 48149721 111323601 7876.43
33 1442 2623 3782366 2079364 6880129 -2937.38
34 6973 16442 114650066 48622729 270339364 7943.32
Jumlah 3385851 6464394 3.38896 x 1012 1.73265 x 1012 6.63175 x 1012 6464394
(Sumber: Pengolahan Data)
A. Regresi dan Korelasi
Tabel 4. 2Data Upah Minimum Regional/Provinsi dan Garis Kemiskinan
Provinsi Semester 1 Tahun 2016
(Sumber: Pengolahan Data)
1. Data Regresi
a. Menghitung konstanta (b) :
b = n (Σxy) – (Σx) (Σy)
. n (Σx²) – (Σx)²
b = 34 (25.924.936.756.935) – (68.668.587) (12.707.782)
. 34 (142.274.894.438.679) – (68.668.587)²
b = 0,0723

b. Menghitung konstanta (a) :


Σy Σx
a= −𝑏
n n
12.707.782 (0,0723 )(68.668.587)
a= −
34 34

a = 373.758,29 - 146.021,73
a = 227.736,56

c. Model Persamaan Regresi


Y = a + bX
Y = (227.736,56) + (0,0723)X
Contoh jumlah garis kemiskinan menurut provinsi di daerah pedesaan
(rupiah/kapita/bulan) terhadap upah minimum regional/provinsi (rupiah)
contohnya : Provinsi Aceh
Y = (227.736,56) + (0,0723) (Rp. 2.118.500)
Y = 380.904,11
Jadi, dengan upah minimal regional (UMR) di Provinsi Aceh yang sebesar
Rp2.118.500, rata-rata garis kemiskinan yang dialami didaerah pedesaan di
Provinsi Aceh (per kapita/bulan) nya hanya mendapatkan sebesar Rp. 380.904,11

2. Data Korelasi
𝑛 ∑ 𝑥𝑦−(∑ 𝑥) (∑ 𝑦)
rxy = √(𝑛 ∑ 𝑥2− (∑ 𝑥)2 ) (𝑛 ∑ 𝑦2− (∑ 𝑦)2 )
34 (25.924.936.756.935) – (68.668.587) (12.707.782)
=
√(34(142.274.894.438.679)− (68.668.587)²) (34(4.909.618.483.052)−(12.707.782)²
881.447.849.735.790 – 872.625.433.844.034
=
√121971570338517 (5,439,305,064,244)
8.822.415.891.756
= 25.757.340.317.588,9

= 0,3425
Dari nilai kolerasi sebesar 0,3425 dapat diinterprestasikan bahwa hubungan antara
garis kemiskinan menurut provinsi di daerah pedesaan (rupiah/kapita/bulan)
terhadap upah minimum regional/provinsi (rupiah) adalah moderat dan positif.
3. Koefisien Determinasi
𝑆𝑆𝑅
KD = 𝑆𝑆𝑇 x 100%

SSE = ∑(𝑦𝑖 − 𝑦̂ ) ²
= ∑(12.707.782 − 13.737.717,36) ²
= 1.060.766.845.778

SSR = ∑(𝑦̂ − 𝑦𝑖
̅ )²
= ∑(13.737.717,36 − 373.758,29 ) ²
= 178.595.402.024..635

SST = SSE + SSR


= 1.060.766.845.778 + 178.595.402.024.635
= 179.656.168.870.413

𝑆𝑆𝑅
KD = 𝑆𝑆𝑇 x 100%
178.595.402.024.635
= 179.656.168.870.413 x 100%

= 0,9940 %

Jumlah Persentase Garis kemiskinan Desa menurut provinsi dipengaruhi oleh


Upah Minimum Regional provinsi. Dan persentase sisanya di pengaruhi oleh
faktor lain.
BAB V
ANALISA

5.1 ANALISA
5.1.1 STATISTIKA DESKRIPTIF

DATA DISKRIT (TINGGI BADAN)

Berikut adalah hasil yang diperoleh dari pengolahan 50 data tinggi badan:
Tabel 5.1 Hasil Pengolahan Data Diskrit
Data Diskrit
Mean Modus Median Skewness SD
203.02 201.9 204.07 0.124 7.645
(Sumber: Pengolahan Data)
Mean merupakan jumlah nilai dibagi jumlah individu, dari 50 data yang telah
diolah maka didapat mean (rata-rata) dengan nilai 203.02 yang berarti bahwa nilai
ini merupakan rata-rata dari 50 data yang diambil. Median merupakan suatu nilai
yang membatasi 50 persen frekuensi distribusi bagian atas, median (nilai tengah)
mempunyai nilai 204.07, berarti bahwa nilai ini merupakan nilai yang terdapat
pada data ke adalah 204.07.
Modus merupakan suatu fenomena untuk menyatakan fenomenayang paling
banyak terjadi. Modus (nilai terbanyak yang sering muncul) adalah 201.9, yang
artinya bahwa nilai ini muncul terbanyak dari 50 data. Simpangan baku
merupakan tingkat persebaran data atau nilai persimpangan dari 50 data.
Simpangan baku nilainya 7.645 yang artinya bahwa persimpangan data yang
terjadi dari 50 data nilainya 7.645.
Skewness merupakan suatu model untuk mengetahui derajat tak simetri. Nilai
koefisien Skewness yang diperoleh dari 100 data mempunyai kemiringan 0.124
ini merupakan kemiringan positif.
DATA KONTINU (BERAT BADAN)

Berikut adalah hasil yang diperoleh dari pengolahan 50 data berat badan:
Tabel 5.2 Hasil Pengolahan Data Kontinu
Data Kontinu
Mean Modus Median Skewness SD
61.3 52.505 61.91 -0.04 15.09
(Sumber: Pengolahan Data)
Mean merupakan jumlah nilai dibagi jumlah individu, dari 50 data yang telah
diolah maka didapat mean (rata-rata) dengan nilai 61.30 yang berarti bahwa nilai
ini merupakan rata-rata dari 50 data yang diambil. Median merupakan suatu nilai
yang membatasi 50 persen frekuensi distribusi bagian atas, median (nilai tengah)
mempunyai nilai 61.91, berarti bahwa nilai ini merupakan nilai yang terdapat
pada data ke adalah 61.91.
Modus merupakan suatu fenomena untuk menyatakan fenomenayang paling
banyak terjadi. Modus (nilai terbanyak yang sering muncul) adalah 52.505, yang
artinya bahwa nilai ini muncul terbanyak dari 50 data. Simpangan baku
merupakan tingkat persebaran data atau nilai persimpangan dari 50 data.
Simpangan baku nilainya 15.09 yang artinya bahwa persimpangan data yang
terjadi dari 50 data nilainya 15.09.
Skewness merupakan suatu model untuk mengetahui derajat tak simetri. Nilai
koefisien Skewness yang diperoleh dari 100 data mempunyai kemiringan -0.04 ini
merupakan kemiringan negatif.
Selain mengolah data secara manual, praktikan juga mengolah data menggunakan
aplikasi Minitab. Pada aplikassi tersebut diperoleh hasil yang hampir semuanya
mendekati dengan pengolahan secara manual tetapi tidak sama persis. Hal tersebut
disebabkan karena komputer mendeteksi dan mengolah semua angka setelah
koma dan lebih detail.
5.1.2 TEORI PROBABILITAS
Praktikan telah mengolah data peluang dan data permutasi dan kombinasi, didapat
hasil sebagai berikut:

Tabel 5.3 Hasil Perhitungan Peluang


Kejadian
Irisan Gabungan
Bersyarat

Kiri Ganjil 23.50% 72.00% 54.00%

Kiri Genap 28.00% 80.00% 50.40%

Kanan Ganjil 20.00% 71.50% 46.00%

Kanan Genap 28.00% 76.50% 49.60%

(Sumber: Pengolahan Data)

Kejadian untuk peluang di atas merupakan kejadian majemuk adalah gabungan


dari beberapa kejadian, operasi pada kejadian majemuk adalah irisan ∩ yang
identik dengan kata “dan” dan gabungan ∪ yang identik dengan kata “atau”.
Kejadian bersyarat dalah kejadian yang satu mempengaruhi kejadian yang lain,
misalnya berdasarkan Tabel 5.1 di atas adalah kejadian Kiri Ganjil dimana
kejadian Kiri dengan syarat Ganjil telah terjadi.

Modul ini selain mengolah data peluang praktikan juga mengolah data permutasi
dan kombinasi. Data-data tersebut didapat dari nama depan dari salah satu
anggota kelompok untuk permutasi menyeluruh, permutasi sebagian yaitu nama
depan dari Dila. Sedangkan untuk peluang kelompok digunakan nama lengkap
dari 2 orang anggota kelompok yaitu Dila Elsida dan Abdi Robbi Ikhsan peluang
keliling digunakan 2 nomor akhir dari salah satu anggota kelompok. Data yang
digunakan untuk pluang kelompok adalah 2 nomor akhir dari Dila Elsida yaitu
48.
5.1.3 DISTRIBUSI PROBABILITAS
Modul 3 ini mengenai praktikum Distribusi Probabilitas, distribusi ini
menggambarkan peluang dari sekumpulan variabel sebagai pengganti
frekuensinya. Akan didapatkan nilai probabilitas komulatif yang merupakan
probabilitas variabel acak yang mempunyai nilai sama atau kurang dari suatu
nilai tertentu.
A.Distribusi Binomial
Dilakukan percobaan pengambilan bola pingpong sebanyak dengan jumlah 6 bola
sebanyak 30 kali, dengan memasukkan kembali ke keranjang semua bolanya
dalam setiap kali pengambilan. Di dalam keranjang bola tersebut terdapat total 90
bola dengan 20 bola cacat diantaranya.

Grafik Batang Poligon (x – P) Distribusi


Binomial
0.4 0.329 0.4
0.277 0.329
0.3 0.277 0.3
0.208
0.2 0.208 0.2
0.097 0.074
0.1 0.097 0.1
0.074 0.014 0.001
0 0.014 0.001 0
0.00000 1.00000 2.00000 3.00000 4.00000 5.00000 6.00000

Series1 Series2

Tabel 5. 4 Grafik Xi terhadap P(X=x)


Sumber: Pengolahan Data
Percobaan ini didapat hasil terbanyak ketika bola cacat yang terambil sebanyak 2
buah. Peluang secara teoritis dari parameter yang sama semakin besar nilai
frekuensinya maka peluangnya semakin besar. Sedangkan untuk parameter
proporsi berbanding lurus dengan x yang didapatkan. Apabila nilai xnya besar
maka nilai proporsinya juga akan besar.

B. Distribusi Hipergeometrik

Dilakukan percobaan pengambilan bola pingpong sebanyak dengan jumlah 6 bola


sebanyak 30 kali, tanpa memasukkan kembali bola cacat ke keranjang yamg
sudah terambil. Di dalam keranjang bola tersebut terdapat total 90 bola dengan 20
bola cacat diantaranya.

Grafik Batang Poligon (x – P)


Distribusi Hipergeometrik
0.500 0.500
0.389
0.400 0.389 0.400
0.280
0.300 0.280 0.300
0.211
0.200 0.211 0.200
0.100
0.100 0.1000.019 0.100
0.002 0.000
0.000 0.019 0.002 0.0000.000
1 2 3 4 5 6

Series1 Series2

Tabel 5. 5 Grafik Xi terhadap P(X=x)


Sumber: Pengolahan Data
Peluang dari parameter ini semakin besar nilai frekuensinya maka peluangnya
semakin besar. Untuk N yang sama, semakin besar kecil nilai n, maka kurva yang
dihasilkan akan semakin tinggi.
C. Distrbusi Poisson
Dari pengolahan data yang telah dilakukan, didapatkan hasil perhitungan sebagai
berikut;

Grafik Xi - P Distribusi Poisson


0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14

Tabel 5. 6 Grafik Xi Terhadap P


Sumber: Pengolahan Data)
Hasil dari distribusi ini menampilkan bahwa titik bawah interval yang paling
rendah memiliki peluang yang tinggi karrena frekuensinya juga yang paling inggi.
Distribusi Poisson ini mengkalkulasi distribusi probabilitas dengan kemungkinan
sukses p sangat kecil dan jumlah eksperimen n sangat besar. Pada distribusi
poisson ini menghitung Probabilitas terjadinya peristiwa menurut satuan waktu.
Banyaknya hasil percobaan yang satu tidak tergantung dari banyaknya hasil
percobaan yang lain.
D. Distribusi Eksponensial
Dari pengolahan data yang telah dilakukan, didapatkan hasil perhitungan sebagai
berikut;
Grafik TB-P Distribusi Eksponensial
0.25

0.217
0.2

0.15 0.1445

0.1 0.0955
0.0639
0.05 0.0429
0.0288
0
1 2 3 4 5 6

Tabel 5. 7 Grafik Tb terhadap P


Sumber: Pengolahan Data
Hasil nilai probabilitas ini atau nilai E(i) bisa bergantung pada nilai
probabilitasnya pada titik bawah intervalnya atau P(x)a. Apabila nilai P(x)a besar
maka peluangnya akan semakin kecil. Distribusi eksponensial berguna dalam
mencari selisih waktu yang terjai dalam suatu peluang pada daerah tertentu.
Dalam aplikasinya distribusi eksponensial ini sangat berperan sekali, seperti:
untuk mengukur selisih waktu antara orang 1 dan ke-2 dalam suatu antrean.
Selanjutnya distribusi ini juga berguna untuk mengukur tingkat kegagalan yang
mungkin terjadi dalam suatu peluang.

5.1.4 Statistik Parametrik

Dalam praktikum yang dilakukan kali ini kita mengambil contoh kasus
pengumpulan yang data dilakukan dengan cara mengukur lebar balok yang
berjumlah 40 balok. Pengukuran dan perhitungan ini untuk menentukan apakah
nilai z dan t pada lebar balok masih layak diterima atau tidak.
Dengan penentuan uji Hipotesis sampel untuk 40 balok.

Untuk α = 1% Untuk α = 10%


One tail: Z(1-0,01) = Z(0,99) One tail: Z(1-0,1) = Z(0,90)
= 1.33 = 1,29
Two tail: Z(1-0,005) = Z(0,95) Two tail: Z(1-0,05) = Z(0,95)
= 2,33 = 1,29

Dan perhitungan nilai z pada sampel 40 balok ialah -0,40


Lalu dalam praktikum yang kedua kita menggunakan contoh kasus mengukur
lebar balok yang berjumlah 20 balok. Dalam praktik kali ini kita menggunakan uji
T karena sampel kurang dari 30.
Dengan Uji Hipotesis untuk sampel 20 balok
Untuk Tingkat Ketelitian 1% Untuk Tingkat Ketelitian 10%

One tail: 𝑇(20−1 ; 0,01) = 𝑇(19 ; 0,01) One tail: 𝑇(20−1 ; 0,1) = 𝑇(19 ; 0,1)

= 2,54 = 1,33

Two tail: 𝑇(20−1 ; 0,01) = 𝑇(19 ; 0,01) Two tail: 𝑇(20−1 ; 0,1) = 𝑇(19 ; 0,1)

= 2,86 = 1,73

Dan perhitungan nilai t pada sampel 20 balok ialah -0,497


5.1 5. STATISTIKA NON-PARAMETRIK
Uji Kolmogorov Smirnov
Uji kolmogorov smirnov digunakan untuk menentukan seberapa baik sebuah
sampel random data menjajangi distribusi teoritis tertentu (Normal, Uniform,
Poisson). Uji ini didasarkan pada perbandingan fungsi distribusi kumulatif sampel
dengan fungsi distribusi kumulatif hipotesis. Data yang digunakan pada uji
kolmogorov smirnov ini adalah 30 data sampel 1, sampel 2, dan sampel 3.
Masing-masing dari sampel tersebut dihitung untuk rata-rata, standar deviasi, Ft,
Fs dan D.
Uji kolmogorv smirnov ini mempunyai rumusan hipotesis yaitu H0 : Data
berdistribusi normal dan H1 : Data tidak berdistribusi normal dimana H0 diterima
jika Dmax < Ktabel dan H0 ditolak jika Dmax > Ktabel dengan alfa : 5%. Data
yang telah diolah didapat hasil sebagai berikut:
1. Sampel 1
Nilai Dmax = 0,3859 dan Nilai Ktabel = 0,242
Nilai Dmax didapat dari nilai D terbesar sedangkan nilai Ktabel didapat dari tabel Z
distribusi normal dengan alfa 5%. Nilai Dmax > dari nilai Ktabel, H0 ditolak maka
data tidak berdistribusi normal.

2. Sampel 2
Nilai Dmax = 0,3486 dan Nilai Ktabel = 0,242
Nilai Dmax didapat dari nilai D terbesar sedangkan nilai Ktabel didapat dari tabel Z
distribusi normal dengan alfa 5%. Nilai Dmax > dari nilai Ktabel, H0 ditolak maka
data tidak berdistribusi normal.

3. Sampel 3
Nilai Dmax = 0,4040 dan Nilai Ktabel = 0,242
Nilai Dmax didapat dari nilai D terbesar sedangkan nilai Ktabel didapat dari tabel Z
distribusi normal dengan alfa 5%. Nilai Dmax > dari nilai Ktabel, H0 ditolak maka
data tidak berdistribusi normal.
Uji Tanda Sampel 1

Uji tanda digunakan untuk menguji hipotesis mengenai median populasi. Uji
tanda juga mempunyai asumsi dimana asumsinya adalah distribusinya bersifat
binomial. Binomial artinya mempunyai dua nilai. Nilai ini dilambangkan dengan
tanda, yaitu positif dan negatif. Ini mengapa ia disebut uji tanda.
Uji tanda banyak digunakan karena uji ini paling mudah untuk dilakukan
pengujiannya dan tidak memakan waktu yang lama. Pengerjaan pengujian ini
terbilang cukup mudah. Apabila setiap nilai xi memiliki nilai lebih besar dari nilai
rataannya maka diganti dengan tanda (+) sedangkan, apabila setiap nilai xi
memiliki nilai kurang dari nilai rataannya maka diganti dengan tanda (-) dan
apabila nilai xi sama dengan nilai rataannya maka nilai pengamatan tersebut harus
dibuang (tidak ditulis).
Pengujian uji tanda yang pertama dilakukan adalah menentukan hipotesis nolnya
beserta dengan hipotesis tandingannya yaitu H0 : Rata-rata = 𝑋̅ dan H1 : Rata-rata
≠ 𝑋̅. Kemudian melakukan penghitungan Z hitung (apabila jumlah sampel lebih
dari 30) dengan nilai n merupakan jumlah data pengamatan setelah dibandingkan
dengan nilai rataannya dan nilai x adalah jumlah data pengamatan dengan jumlah
tanda paling sedikit. Data yang telah diolah didapat hasil bahwa nilai Z = 0, nilai
Z = 0 karena jumlah tanda(–) dan (+) sebanding yaitu 15 dan 15. Maka dapat
disimpulkan bahwa H0 diterima yang menyatakan H0 : Rata-rata = 𝑋̅ karena Zhit <
Ztab.
Uji Dwi Wilcoxon Sampel 1 dan 2
Uji Dwi Wilcoxon digunakan untuk kasus dua sampel yang dependen bila skala
ukur memungkinkan kita menentukan besar selisih yang terjadi, jadi bukan
sekedar hasil pengamatan yang berbeda saja. Uji Dwi Wilcoxon cocok digunakan
bila kita dapat mengetahui besarnya selisih antara pasangan-pasangan harga
pengamatan X1 dan Y1 berikut arah selisih yang bersangkutan. Apabila kita dapat
menentukan besarnya setiap selisih, maka kita dapat menetapkan peringkat untuk
masing-masing selisih itu. Melalui penyusunan peringkat selisih – selisih inilah
Uji Dwi Wilcoxon memanfaatkan informasi tambahan yang tersedia.
Uji Dwi Wilcoxcon mempunyai rumusan hipotesis H0 : μ1 = μ2 , H1 : μ1 ≠ μ2,
dengan daerah kritis H0 Ditolak jika Zhit > Zα. Data yang telah diolah didapat hasil
nilai Zhitung yaitu 0.6064 dan Ztabel yaitu 1.16. Untuk α = 5%, Ztabel 1.96 H0
ditolak apabila Zhitung > Ztabel. Maka H0 diterima yang menyatakan H0 : μ1 =
μ2.
Uji Kruskal Wallis Sampel 1, 2 dan 3
Uji Kruskal Wallis digunakan untuk menguji hipotesis nol bahwa k sampel bebas
berasal dari populasi yang sama. Prosedur pengujian Kruskall-Wallis dilakukan
untuk menganalisa data tiga atau lebih sampel independen. Data yang digunakan
pada uji Kruskal Wallis ini adalah 30 data sampel 1, sampel 2, dan sampel 3.
Masing-masing dari sampel tersebut di ranking dari yang terkecil hingga terbesar
dari 90 data yaitu data sampel 1 sampel 2 dan sampel 3, kemudian dihitung nilai
H dan Htabel. Dalam perhitungan H terdapat jumlah rangking yang dikuadratkan
dari masing masing sampel kemudian dibagi 3.
Uji Kruskal Wallis ini mempunyai rumusan hipotesis yaitu H0 : μ1 = μ2 = μ3 , H1:
μ1 ≠ μ2 ≠ μ3 dengan daerah kritis yaitu apabila H < Htab maka H0 diterima dan
apabila H > Htab maka H1 diterima. Data yang telah diolah didapat hasil yaitu nilai
H yaitu 2468.23 dan Htabel 0.6064. Dari data tersebut maka, H0 ditolak apabila
H<Htabel. H yang diperoleh yaitu 2468.23 dan Htabel yang diperoleh yaitu
0.6064 . Maka H1 diterima yang menyatakan H1 : μ1 ≠ μ2 ≠ μ3.

5.1 Regresi
Jadi, dengan upah minimal regional (UMR) di Provinsi Aceh yang sebesar
Rp2.118.500, rata-rata garis kemiskinan yang dialami didaerah pedesaan di
Provinsi Aceh (rupiah/kapita/bulan) nya hanya mendapatkan sebesar
Rp.380.904,11

5.2 Korelasi
Dari nilai kolerasi sebesar 0,3425 dapat diinterprestasikan bahwa hubungan antara
garis kemiskinan menurut provinsi di daerah pedesaan (rupiah/kapita/bulan)
terhadap upah minimum regional/provinsi (rupiah) adalah moderat dan positif.
Jumlah Persentase Garis kemiskinan Desa menurut provinsi dipengaruhi oleh
Upah Minimum Regional provinsi. Dan persentase sisanya di pengaruhi oleh
faktor lain.

BAB VI
KESIMPULAN DAN SARAN

6.1. Kesimpulan
Statistika Inferensial adalah serangkaian teknik yang digunakan untuk
mengkaji, menaksir dan mengambil kesimpulan berdasarkan data ynag diperoleh
dari sempel untuk menggambarkan karakteristik atau ciri dari suatu populasi.
Statistika Inferensial digunakan untuk melakukan : Generalisasi dari sampel ke
populasi, dan menguji hipotesis (membandingkan atau uji perbedaan/kesamaan
dan menghubungkan, yaitu uji keterkaitan, kontribusi).
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. Dalam pengujian hipotesis,
keputusan yang dibuat mengandung ketidakpastian, artinya keputusan bisa benar
atau salah, sehingga menimbulkan resiko. Besar kecilnya resiko dinyatakan dalam
bentuk probabilitas.
Prosedur pengujian hipotesa secara statistis adalah sebagai berikut :
Rumuskan hipotesa statistisnya H0 : …………. dan H1 : …………..
Tentukan statistik uji yang sesuai apakah Z, t, 2, atau F
Hitung statistik uji dengan menggunakan data dari sampel acak, sehingga
diperoleh statistik uji hitung seperti Zhit, thit, 2hit, atau Fhit
Dengan taraf signifikan tertentu lihat dalam tabel statistik uji yang sesuai
sehingga diperoleh statistik uji tabel seperti Ztab dari tabel normal baku, ttab dari
tabel t, 2tab dari tabel 2, atau F dari tabel F.
Bandingkan statistik uji hitung dengan statistik uji tabel yang sesuai untuk
menetapkan kriteria ujia, apakah menolak H0 atau menerima H0.
Penarikan kesimpulan.