STATISTIKA
Semua kejadian di alam = TIDAK PASTI
Statistika berasal dari Kata “status” atau “statista” yang berarti negara, dari bahasa Latin : Statisticum
(Urusan negara).
1. DEFINISI
Statistik adalah kumpulan data dalam bentuk angka maupun bukan angka yang disusun dalam
bentuk tabel (daftar) dan atau diagram yang menggambarkan atau berkaitan dengan suatu masalah
tertentu.
Contoh :
Statistika adalah pengetahuan yang berkaitan dengan metode, teknik atau cara mengumpulkan,
mengolah, menganalisis dan menginterprestasikan data untuk disajikan secara lengkap dalam bentuk
yang mudah dipahami penggunanya.
Statistika inferensia
adalah statistika yang berkaitan dengan cara penarikan kesimpulan berdasarkan data
yang diperoleh dari sampel untuk menggambarkan karakteristik dari suatu populasi.
Dengan demikian dalam statistika inferensia data yang diperoleh dilakukan generalisasi
dari hal yang bersifat kecil (khusus) menjadi hal yang bersifat luas (umum).
3. METODE STATISTIKA
Statistika Deskriptif (Descriptive Statistics) Metode pengumpulan, peringkasan dan penyajian data
Descriptive : bersifat memberi gambaran Penyajian data meliputi : pengumpulan, pengorganisasian,
peringkasan dan penyajian data (data collection, organization, summarization, presentation).
1. Tabulasi Data
2. Diagram Balok
3. Diagram Kue Pie
4. Box Plot
1
Statistika Inferensia = Statistika Induktif (Inferential Statistics) Metode analisis,
peramalan, pendugaan dan penarikan kesimpulan Inferential : bersifat melakukan
generalisasi (penarikan kesimpulan). Penafsiran data meliputi : pendugaan, pengujian
dugaan dan penarikan kesimpulan (generalisasi).
1. Pendugaan Parameter
2. Pengujian Hipotesis
3. Regresi Linier
Populasi orang atau individu adalah keseluruhan orang atau individu (dapat pula berupa
benda-benda) yang menjadi obyek perhatian.
Populasi data adalah populasi yang terdiri atas keseluruhan karakteristik yang menjadi
obyek perhatian.
Sampel orang atau individu adalah sampel yang terdiri atas orang-orang (dapat pula
berupa benda-benda) yang merupakan bagian dari populasinya yang menjadi obyek
perhatian.
Sampel data adalah sebagaian karakteristik dari suatu populasi yang menjadi obyek
perhatian.
Meskipun populasi merupakan gambaran yang ideal, tetapi sangat jarang penelitian dilakukan
memakai populasi. Pada umumnya yang dipakai adalah sample. Ada beberapa alasan mengapa
penelitian dilakukan menggunakan sample :
5. PENYAJIAN DATA
Secara garis besar ada dua cara penyajian data yaitu dengan tabel dan grafik. Dua cara penyajian
data ini saling berkaitan karena pada dasarnya sebelum dibuat grafik data tersebut berupa tabel.
Penyajian data berupa grafik lebih komunikatif.
Cross section data adalah data yang dikumpulkan pada suatu waktu tertentu.
• Data berkala adalah data yang dikumpulkan dari waktu ke waktu. Dengan data berkala dapat
dibuat garis kecenderungan atau trend.
Tabel atau daftar merupakan kumpulan angka yang disusun menurut kategori atau karakteristik data
sehingga memudahkan untuk analisis data.
2
Ada tiga jenis tabel yaitu :
Tabel satu arah atau satu komponen adalah tabel yang hanya terdiri atas satu kategori
atau karakteristik data. Contoh tabel satu arah.
II 1.917.920
III 309.337
IV 17.574
Jumlah 2.948.658
Sumber : BAKN, dlm Statistik Indonesia, 1986
Tabel dua arah atau dua komponen adalah tabel yang menunjukkan dua kategori atau
dua karakteristik. Tabel berikut ini adalah contoh tabel dua arah.
Tabel tiga arah atau tiga komponen adalah tabel yang menunjukkan tiga kategori atau
tiga karakteristik. Contoh tabel berikut ini.
3
IV 0 250 0 250
Penyajian data dengan grafik dianggap lebih komunikatif karena dalam waktu singkat dapat diketahui
karakteristik dari data yang disajikan.
4
v Grafik Gambar (pictogram)
Grafik ini berupa gambar atau lambang untuk menunjukkan jumlah benda yang dilambangkan.
5
Bagaimana Cara Menentukan Ukuran Minimal Sampel?
Dalam penelitian dengan ukuran populasi yang sangat besar, sebaiknya menggunakan sampel
untuk diteliti. Hal ini karena adanya keterbatasan waktu, biaya dan tenaga dalam penelitian
tersebut. Berikut beberapa pedoman sederhana dalam menentukan ukuran minimal sampel
dalam penelitian, yaitu :
Jika jumlah populasi sulit diprediksi, maka perhitungan ukuran minimal sampel dengan
pendekatan sebagai berikut :
Jika proporsi populasi dan sampel yang akan diriset diketahui, maka digunakan rumus :
dimana
n = jumlah sampel
q =1-p
Pendekatan rumus tanpa diketahui proporsi populasi yang tidak berhingga, pendekatan yang
digunakan p = q = 0.5, sebagai berikut :
6
Menurut pendapat Slovin, jika ukuran populasi diketahui, yaitu :
dimana
n = ukuran sampel
N = ukuran populasi
Dan masih banyak lagi pendekatan rumus untuk mengestimasi sampel dan populasi sesuai
karakteristik dan nilai uji statistiknya.
1. Simple Random Sampling : unit populasi diambil secara acak menjadi sampel, pengambilan
acak dapat dilakukan dengan pengundian, tabel acak atau pun komputer.
2. Systematic Random Sampling : sama dengan Simple Random Sampling, namun dari populasi
yang homogen menggunakan metode sistematik (pengurutan acak).
3. Stratified Random Sampling : untuk populasi yang heterogen menjadi beberapa kelompok,
caranya :
Tentukan jumlah sampel yang akan diambil
Mengelompokkan populasi dikelompokkan dari stratum yang homogen
Mengukur proporsi dari data stratum tersebut.
Ambil sampel secara acak dari stratum sesuai dengan proporsi dan jumlah sampel yang
ditentukan.
4. Cluster Random Sampling : pengambilan sampel untuk populasi heterogen yang terbagi dalam
banyak cluster, caranya :
Menentukan cluster dari populasi
Cluster populasi diambil secara simple random sampling
Ambil sampel secara acak dari cluster tersebut
5. Two Stage Cluster Random Sampling : diambil dua tahap cluster.
7
Jenis-Jenis Sampel
Menurut Rath & Strong's, ada dua jenis sampel, yaitu
Sampel judgemental yaitu sampel dipilih berdasarkan pendapat analis dan hasul penelitian
digunakan untuk menarik kesimpulan tentang item-item di dalam sampel yaitu pada observasi
sesungguhnya.
Sampel statistical yaitu sampel dipilih secara acak/random dari seluruh populasi dan hasil
penelitiannya dapat digunakan untuk menarik kesimpulan tentang seluruh populasi.
Dalam penelitian, populasi merupakan pusat perhatian bagi peneliti yang memiliki jumlah
sangat besar, sehingga memerlukan biaya yang besar untuk melakukannya. Karena
keterbatasan biaya dan waktu sehingga menjadi tidak praktis melakukan penelitian terhadap
seluruh populasi.
Sampel sebagai bagian dari populasi, sehingga memungkinkan sampel dapat mewakilkan dan
memberikan informasi mengenai populasi dan dengan menggunakan sampel dapat mengatasi
keterbatasan biaya dan waktu tersebut, yang mempengaruhi ukuran sampel adalah
Ketepatan sampel yaitu seberapa dekat nilai yang diperkirakan dari nilai populasi sebenarnya.
Nilai perbandingan populasi yang digunakan dalam perhitungan besar sampel (nilai p).
Varian populasi (saat menggunakan data variabel).
Dengan ketepatan sampel yang sama, untuk varian data yang tinggi memerlukan ukuran sampel
yang besar dibandingkan untuk varian data yang rendah.
Dilain hal, untuk data atribut dan variabel, semakin tinggi nilai ketepatan sampel yang
diharapkan maka semakin besar ukuran sampel yang dibutuhkan.
Note : Data populasi ada dua bagian yaitu data atribut dan data variabel. Data atribut fokus
pada satu atau lebih ciri-ciri nonnumerik dari populasi yang menjadi sampel dan data variabel
adalah fokus pada satu atau lebih ciri-ciri numerik dari populasi yang menjadi sampel.
8
Ukuran Pemusatan Data
Ukuran pemusatan data merupakan salah satu pengukuran data dalam statistika. Statistika adalah
pengetahuan yang berhubungan dengan cara mpenyusunan data, penyajian data, dan penarikan
kesimpulan mengenai suatu keseluruhan berdasarkan data yang ada pada bagian dari keseluruhan
tadi. Yang termasuk dalam ukuran pemusatan data adalah rataan (Mean), Median, Modus . Untuk
memudahkan anda dalam memahami materi ini, dibawah ini akan kita uraikan penjelasan dibawah
ini.
Rataan (Mean)
Mean atau rata-rata hitung adalah nilai yang diperoleh dari jumlah sekelompok data dibagi dengan
banyaknya data. Rata-rata disimbolkan dengan x.
Keterangan:
ẋ = mean
n = banyaknya data
xi= nilai data ke-i
Nilai ulangan matematika 15 siswa kelas XIIPAadalah 7,8,6,4,10, 5,9,7, 3,8, 6, 5, 8, 9, dan 7.
Tentukan nilai rata-ratanya.
Jawab:
1. Metode BIASA
Keterangan:
xi = nilai tengah data ke-i
fi = frekuesni data ke -i
xs = rataan sementara (dipilih pada interval dengan frekuensi terbesar)
di = simpangan ke-i (selisih nilai xi dengan nilai xs)toh Rataan Data berkelompok
9
Tentukan rata-rata dari data berikut.
NILAI FREKUENSI
11 – 15 4
16 – 20 5
21 – 25 8
26 – 30 8
31 – 35 4
36 – 40 2
Jawab:
Metode Biasa
NILAI XI FI FIXI
11 – 15 13 4 52
16 – 20 18 5 90
21 – 25 23 8 161
26 – 30 28 8 224
31 – 35 33 4 132
36 – 40 38 2 76
Jumlah 30 735
Penyelesaian:
10
Metode Simpangan Rata-rata
Nilai f1 X1 d1 f1d1
11-15 4 13 5 -60
21-25 8 23 -5 -40
26-30 8 28
31-35 4 33 5 20
36-40 2 38 10 20
Jumlah 31 -110
Keterangan :
Angka 28 = Rata-rata hitung sementara, biasanya diambil dari titik-titik tengah kelas dengan frekwensi
terbesarnya (Titik tengah dengan Modus).
Huruf d = Angka -110 = Titik tengah kelas interval – Rata-rata hitung sementara
3.Metode CODING
Metode Coding sering digunakan apabila dijumpai nilai nilai dalam data yang berupa bilangan-bilangan
besar. Pada dasarnya, metode itu merupakan penjabaran dari Metode Simpangan Rata-rata.
Mungkin anda akan berpikir bagaimana mungkin sebuah kalkulator yang jika ditekan tombol angka 6
kemudian dia menampilkan angka 6 tersebut pada bagian display. Apakah angka 6 tersebut masuk
ke dalam kalkulator kemudian berjalan sampai ke display? Atau pernahkan kita berfikir ketika kita asik
mengetik dengan laptop, smartphone bahwa tombol-tombol yang kita tekan tersebut masuk ke dalam
komputer kita kemudian ditampilkan di layar? Jawabannya tentu tidak. Kenapa? Karena Kalkulator,
Komputer dan sejenisnya tidak mengenal dengan angka-angka, huruf-huruf dan berbagai macam
karakter yang ada di peralatan kita tersebut.
Peralatan digital yang kita pakai sehari-hari, hanya bekerja berdasarkan prinsip bilangan biner yang
angkanya hanya terdiri dari 0 dan 1. Tapi bukan berarti komputer kita juga mengenal angka 0 dan 1.
Komputer, kalkulator hanya kenal dengan ada pulsa listrik (1) atau tak ada pulsa listrik (0). Karena
peralatan digital hanya kenal dengan pulsa listrik yang perhitungannya diwakilkan dengan angka 0
11
dan 1, maka setiap angka, huruf dan karakter khusus tersebut harus bisa diubah dulu ke dalam
bentuk biner agar bisa diproses dalam setiap peralatan digital. Proses pengkodean angka-angka,
huruf-huruf dan karakter khusus tersebut ke dalam bentuk biner dinamakan dengan istilah coding
atau pengkodean.
Dalam teknik digital telah dikenal banyak cara pengkodean. Pengkodean ini tentunya semakin
berkembang sesuai dengan perkembangan teknologi digital. Sampai saat ini sudah dikenal istilah
unicode yaitu suatu pengkodean yang sudah bisa mewakili puluhan ribu karakter yang ada di dunia
ini. Untuk mengenal teknik-teknik pengkodean yang ada bisa dibaca penjelasan berikut.
merupakan teknik pengkodean bilangan biner untuk bilangan desimal (0 sampai 9). Pada sistem ini
setiap empat bit bilangan biner digunakan untuk mengkodekan satu bilangan desimal (tetrade).
Berikut ini adalah contoh penulisan bilangan desimal dengan bilangan biner pada kode BCD.
Kode BCD ini memiliki lima jenis. Dari kelima jenis ini dapat lagi kita bedakan menjadi dua golongan.
Pertama adalah BCD yang menggunakan faktor pembobot, Kedua adalah BCD yang tidak
menggunakan faktor pembobot.
Berikut ini adalah contoh penggunaan kode BCD denga faktor pembobot.
12
Dari ketiga jenis kode BCD yang menggunakan kode pembobot yang paling banyak digunakan
adalah kode BCD 8421.
Untuk kode Excess 3 pengkodean dilakukan dengan menambahkan bilangan digit asal dengan digit
tiga.
Sedangkan pada kode 2 of 5 memiliki dua nilai bit 1 dari 5 bit yang tersedia. Penempata bit 1 nya
dimulai dari MSB (most segnificant bit) sedangkan bit 1 untuk digit berikutnya mengikuti posisi di
sebelahnya.
Berikut ini adalah tabel ringkasan dari kelima kode BCD yang sudah dijelaskan di atas.
13
GRAY CODE
Kode ini digunakan untuk mengkodekan posisi sudut dari peralatan yang bergerak secara berputar
seperti mesin bubut otomatis, gerinda dan motor stepper. Kode ini terdiri dari 4 bit biner dengan 16
kombinasi (di dapat dari 2^4) untuk mewakili total putaran 360 derajat. Masing-masing kode
digunakan untuk mewakili sudut 22,5 derajat yang didapat dari hasil pembagian 360 derajat dibagi 16
kombinasi. Berikut ini adalah contoh pembagian kode Gray Code.
Sedangkan dalam bentuk tabel kode gray code dapat dilihat pada tabel berikut ini.
HAMMING CODE
Kode ini diperkenalkan pada tahun 1950 oleh Richard Hamming sebagai kode tunggal pengoreksi
kesalahan (single error corecting code). Pada kode ini bit pengecek kesalahan ditambahkan ke dalam
bit-bit informasi yang akan ditransimisikan. Jika suatu saat terjadi perubahan data yang
14
ditransmisikan, maka bit-bit informasi asli masih bisa diselamatkan. Kode ini dikenal pula dengan
istilah parity code.
Prinsipnya adalah bit informasi yang akan dikirimkan harus ditambahkan dulu dengang bit pengecek,
setelah ditambahkan baru dikirimkan. Kemudian di sisi penerima harus ada (dilakukan) pengecekan
informasi dengan algoritma yang sama dengan pembangkitan bit pengecekan tambahan. Berikut ini
adalah cara penambahan bit tambahan pada bit informasi.
Untuk bit data 4 bit, bit-bit data atau informasi terletak pada posisi 3,5,6 dan 7. Sedangkan bit pengisi
terletak pada posis 1, 2 dan 4.
Untuk menghitung jumlah bit pengecek bit informasi digunakan aturan rumus : (2^n) - n - 1 dimana n
adalah jumlah bit cek yang digunakan. Berdasarkan rumus tadi kita dapat menentukan berapa jumlah
bit informasi yang digunakan untuk setiap jumlah bit pengecek yang dipakai.
Nilai bit cek (pengisi) dari data informasi 4 bit dapat ditentukan sebagai berikut:
15
Dengan catatatan bahwa bit-bit masing-masing posisi yang disertakan di Ex-Or kan. Berikut ini
adalah tabel Hamming Code untuk informasi 4 bit.
Untuk memudahkan pemahaman, dapat dilihat contoh berikut: Kita ingin mengirimkan data 4 bit
dengan nilai 1010. Bagaimanakah bentuk data yang harus kita kirimkan jika kita ingin menggunakan
kode Hamming? Jawabannya adalah..
Dari perhitungan di atas kita dapatkan bahwa bit pengisi (cec) a1, a2 dan a4 adalah 101. Jadi data
yang harus kita transmisikan untuk mengirim data 1010 adalah 1011010. Data yang dimerahkan
adalah bit pengisi (cek) yang di dapat dari hasil perhitungan di atas.
Untuk mencek kebenaran data tersebut (yang sudah ditransmisikan) di sisi penerima (setelah
diterima) dilakukan dengan rumus sebagai berikut (untuk data 4 bit).
16
Jika nilai masing-masing e = 0 maka seluruh data yang diterima adalah benar. Tapi jika tidak berarti
ada kesalahan pada data yang diterima.
ASCII
Merupakan salah satu teknik dalam menkodekan sebuah data. Teknik pengkodean ini sangat banyak
digunakan dalam proses pengkodean karakter dalam komunikasi data. Kode ASCII ada yang 7 bit
dan ada juga yang 8 bit. Jika menggunakan kode ASCII 7 bit berarti karakter yang sudah bisa diwakili
adalah 2^7 = 128 karakter. Artinya dengan ASCII 7 bit kita bisa membuat kombinasi angka biner
sebanyak 128 kombinasi. Masing-masing kombinasi bisa digunakan untuk mewakili karakter tertentu
yang diinginkan seperti huruf, angka, dan karakter khusus. Berarti kombinasi biner yang kita dapatkan
adalah mulai dari 0000000 (dalam hexa 00) sampai 1111111 (dalam hexa berarti 7F). Untuk mewakili
karakter tertentu dari kombinasi biner yang ada, haruslah menyesuaikan dengan ketentuan standart
internasional seperti:
1. IEEE
2. ANSI-X3.4
3. ISO 646
4. CCITT Alphabet #5
5. IEC
6. EIA
7. TIA
Berikut ini adalah tabel kode ASCII 7 bit yang digunakan untuk mewakili berbagai karakter dalam
komunikasi data digital.
17
Contoh : Nilai tingkat kecerdesan emosional dari 50 siswa.
Penyelesaian :
Metode
Metode Metode
Simpangan Rata-
biasa Coding
rata
Titik
Kecerdesan Frekuensi
No Fk tengah fx d=x-m fd u=d/C fu
Emosional (f)
(x)
Median
Median adalah nilai data yang terletak di tengah setelah data diurutkan. Dengan demikian, median
membagi data menjadi dua bagian yang sama besar. Median (nilai tengah) disimbolkan dengan Me.
18
Tentukan median dari data berikut (MEDIAN DATA TUNGGAL)
8,6,4,3,7,5,8,10,8,9,8,5
Nilai 3,4,5,6,7,8,9
Frekuensi 2,5,7,8,10,5,4
Jawab:
1. Data diurutkan : 3 4 5 5 6 7 8 8 8 8 9 10
N= 12 (genap)
Jadi, mediannya adlah 7,5
n = 4 (ganjil)
Keterangan:
Me = median
Tb = tepi bawah kelas median
p = panjang kelas
n = banyak data
F = frekuensi kumulatif sebelum kelas median
f = frekuensi kelas median
19
DATA F FK
11-20 5 5
21-30 3 8
31-40 8 16
41-50 7 23
51-60 4 27
61-70 9 36
JUMLAH 36
Penyelesaian: Karena banyaknya data (Total frekwensi) adalah 36 maka median terletak diantara
data ke-18 dan data ke-19 sehingga diperoleh kelas yang mengandung median adalah 4-40. Dengan
demikian , Tb = 41-0,5 = 40,5; p=10 yaitu (11-20); f =7; F= 16.
Modus
adalah data yang paling sering muncul atau memiliki frekuensi tertinggi. Modus dilambangkan dengan
Mo.
7,6,5,8,3,7,9,4,6,4,8,4,10,7,5,7,dan 8.
Jawab:
20
Data diurutkan: 3,4,4,4,5,5,6,6,7,7,7,7,8,8,8,9,10.
Nilai 7 muncul paling banyak, yaitu 4 kali.
Jadi, modusnya adalah 7.
Keterangan :
Mo : modus
Tb : tepi bawah kelas modus
p : panjang kelas
d1 : selisih frekuensi kelas modus dengan kelas sebelumnya
d2 : selisih frekuensi kelas modus dengan kelas sesudahnya
DATA FREKUENSI
11-20 5
21-30 3
31-40 8
41-50 7
51-60 4
61-70 9
Jumlah 36
Jawab:
Karena kelas dengan frekuensi terbanyak 9 maka modus terletak diantara kelas 51-60;
Penyelesaian:
21
22
Kuartil
Kuartil adalah nilai-nilai yang membagi data yang telah diurutkan ke dalam 4 bagian yang sama besar. Kuartil
dinotasikan dengan notasi Q. Kuartil terdiri dari 3, yaitu kuartil pertama (Q1), kuartil kedua (Q2), dan kuartil
ketiga (Q3).
23
Kuartil data berkelompok
Keterangan
Qi = kuartil ke-i
Bi = tepi bawah kelas kuartil ke-i,
N = banyaknya data
F = frekuensi kumulatif kelas sebelum kelas kuartil
l = lebar kelas
f =frekuensi kelas kuartil
Contoh 2:
Nilai tingkat kecerdesan emosional dari 50 siswa. Tentukan dari data tingkat kecerdasan emosional dari 50 mhs
No Kelas Frekuensi Fk
1 58-64 7 7
2 65-71 9 16
3 72-78 11 27
4 79-85 6 33
5 86-92 4 37 Penyelesain :
6 93-99 9 46 Titik (terletak pada interval 65 – 71) diketahui : =
7 100-106 4 50 64,5 f=9 F=7 i=7
Total 50
Titik (terletek pada interval 72 – 78) diketahui :
f = 11 F = 16 i=7
Desil
Desil adalah nilai yang membagi sekumpulan data terurut menjadi sepuluh bagian yang sama. Menurut
Wirawan desil adalah nilai nilai yang membagi serangkaian data atau suatu distribusi frekuensi menjadi sepuluh
bagian yang sama(Wiriawan,2001). Lambang dari desil adalah D. Terdapat sembilan jenis desil yaitu desil
pertama (D1), desil kedua (D2), desil ketiga (D3)...........desil kesembilan(D9). Desil kelima sama dengan median.
Cara menentukan desil yaitu :
1. Untuk data tunggal
(i) Data diurutkan atau dikelompokkan
(ii) Letak : data ke = (n+1) dimana c = 1,2,3,4,5,6,7,8,9
(iii) Jika desil ke c(Dc) terletak pada urutan antara k dan (k+1) dan δ adalah bagian desimalnya, maka Dc
dirumuskan
Dc = xk +δ (xk+1 – xk )
24
(iii) Rumus : Dc = Ltb + i
Keterangan :
c = 1, 2, 3, 4, ..., 9
Dc = Desil ke c
n = banyak data (= Σ f )
i = panjang interval kelas
xk = data ke k
xk+1 = data ke k + 1
Ltb = tepi bawah kelas Desil ke c
fk = frekuensi komulatif sebelum kelas Desil ke c
fDc = frekuensi kelas Desil ke c
Persentil
Persentil adalah nilai yang membagi sekumpulan data urut menjadi 100 bagian yang sama. Ada 99
Persentil yaitu P1 , P2 ,P3 , P4 , P5 , ..., P99. Cara menentukan Persentil hampir sama seperti cara menentukan
Kuartil dan Desil yaitu :
Cara menentukan Persentil yaitu :
25
Contoh 1:
Tabel 1
Nilai F F kum data ke
5 6 6 1-6
6 18 24 7-24
7 20 44 25-44
8 16 60 45-60
9 12 72 61-72
10 8 80 73-80
Jumlah 80
Tentukan D3 dan P90 dari data tersebut !
Desil ke 3 ( D3)
Letak data ke= =
D3 = data ke24 + (data ke 25 – data ke 24 )
D3= 6 + (7-6)
D3=6,3
Persentil ke 90 (P90)
Letak data ke= =
P90 = data ke 72 + (data ke 73 – data ke 72 )
P90= 9 + (10-9)
P90=9,9
Contoh 2:
Nilai tingkat kecerdesan emosional dari 50 siswa.
No Kelas Frekuensi Fk
1 58-64 7 7
2 65-71 9 16
3 72-78 11 27
4 79-85 6 33
5 86-92 4 37
6 93-99 9 46
7 100-106 4 50
Total 50
Jawab:
Letak data ke 3 (D3).
Data ke=
Data ke=15
Maka D3
D3 = 65 + 7
D3=65+7
D3= 68,5
Letak data ke 90 (P90)
Data ke=
Data ke = 45
Maka P90.
26
P90 = 93 + 7
P90=93+7
P90= 93+6,2
P90=99,2
2. Median
Kelebihan
Tidak dipengaruhi oleh data ekstrim. Dapat digunakan untuk data kualitatif maupun kuantitatif. Cocok untuk
data heterogen.
Kelemahan
Tidak mempertimbangkan semua nilai data. Kurang menggambarkan rata-rata populasi.Peka terhadap
penambahan jumlah data.
3. Modus
Kelebihan
Tidak dipengaruhi oleh data ekstrim. Cocok digunakan untuk data kuantitatif maupun kualitatif.
Kelemahan
Modus tidak selalu ada dalam satu set data. Kadang dalam satu set data terdapat dua atau lebih modus. Jika hal
itu terjadi modus menjadi sulit digunakan. Kurang mempertimbangkan semua nilai. Peka terhadap penambahan
jumlah data.
adalah rata-rata yang dihitung dengan cara mengubah semua data menjadi pecahan, dimana nilai
data dijadikan sebagai penyebut dan pembilangnya adalah satu, kemudian semua pecahan tersebut
27
dijumlahkan dan selanjutnya dijadikan sebagai pembagi jumlah data. Rata-rata harmonik sering
disebut juga dengan kebalikan dari Rata-rata Hitung (Aritmatik).
HH=i=1∑nxi1n
Dimana: HH adalah rata-rata harmonik, nn adalah banyaknya data, x_ixi adalah nilai data ke-i.i.
Contoh Soal #1
Suatu pertandingan bridge terdiri dari 10 meja. Pada pertandingan tersebut ingin diketahui rata-rata
lama bermain dalam 1 set kartu bridge. Pada pertandingan pertamanya dihitung lama bermain
untuk setiap set kartu di setiap meja. Hasilnya adalah sebagai berikut (dalam menit).
7, 6, 8, 10, 8, 8, 9, 12, 9, 11
Berapakah rata-rata harmonik lama pertandingan tersebut?
Jawab:
Diketahui n=10,n=10, dengan menggunakan rumus rata-rata harmonik maka
H=i=1∑nxi1n=71+61+⋯+11110=8,467
Hasil tersebut bisa dibuktikan dengan menggunakan fungsi HARMEAN pada Microsoft Excel. Simak
caranya di artikel : Menghitung Rata-rata Harmonik dengan Microsoft Excel.
Contoh Soal #2
Hitunglah rata-rata harmonik untuk data
4, 5, 4, 40, 3, 5, 6, 5.
Jawab:
Diketahui n=8,n=8, maka
H=i=1∑nxi1n=41+51+⋯+518=4,92
Berikut ini adalah rumus-rumus untuk menghitung rata-rata geometrik untuk data tunggal dan data
berkelompok.
28
Ada dua cara untuk menghitung rata-rata ukur yaitu dengan Cara Biasa dan dDengan Logaritma.
Pada prinsipnya penghitungan kedua metode tersebut adalah sama. Perbedaannya adalah pada
tingkat kesulitan pada proses penghitungannya.
7-9 8
10-12 5
13-15 6
16-18 7
19-21 4
Jawab:
Pergunakan tabel di bawah ini untuk mempermudah penyelesaianya.
8 8 0,9031 7,2247
11 5 1,0414 5,2070
14 6 1,1461 6,8768
17 7 1,2304 8,6131
20 4 1,3010 5,2041
29
Dari tabel diperoleh \sum_{i=1}^kf_i=30∑i=1kfi=30 dan \sum_{i=1}^kf_i.\log(x_i)=33\text{,}1257.∑i=1k
fi.log(xi)=33,1257. Dengan menggunakan rumus rata-rata ukur data berkelompok
maka\begin{aligned} \log(G)&=\frac{33\text{,}1257}{30}\\ &=1\text{,}1043 \end{aligned}log(G)
=3033,1257=1,1043sehingga\begin{aligned} G&=10^{1\text{,}1042}\\ &=12\text{,}7113 \end{aligned}G
=101,1042=12,7113dengan demikian rata-rata ukurnya adalah 12,7116.
RUMUS STUTGESS
Statistik deskriptif adalah statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan atau
menggambarkan data yang telah terkumpul sebagaimana adanya tanpa membuat kesimpulan yang berlaku untuk
umum atau generalisasi. Termasuk dalam statistik deskriptif antara lain perhitungan mean, median dan modus,
perhitungan penyebaran data melalui perhitungan rata-rata dan standar deviasi serta penyajian data melalui tabel
frekuensi dan grafik histogram. Contoh analisis statistik deskriptif menggunakan Rumus Sturges untuk
Distribusi Frekuensi adalah sebagai berikut :
k = 1 + 3,322 log n
Jarak
i = -----------------------
1 + 3,322 log n
Keterangan :
i = interval kelas, adalah jarak nilai terendah dan tertinggi dalam suatu kelas.
j = jarak/selisih antara nilai maksimal dengan nilai minimum
1 + 3,322 log n = jumlah kelas
Contoh Soal !
Data hujan 20 tahun pengamatan ditampilkan dalam tabel I dibawah ini. Buatlah tabel distribusi frekuensinya !
30
No Curah Hujan (Xi)
(mm)
1 45
2 55
3 64
4 76
5 48
6 68
7 43
8 57
9 86
10 57
11 67
12 78
13 87
14 86
15 49
16 57
17 68
18 83
19 78
20 85
Penyelesaian :
31
17 85
18 86
19 86
20 87
2. Hitung rentang yaitu data tertinggi dikurangi data terendah dengan rumus :
R = data tertinggi – data terendah
= 87 – 43 = 44
5. Tentukan ujung bawah kelas interval pertama. Biasanya diambil dari data terkecil, data terkecilnya = 43.
6. Selanjutnya kelas interval pertama dst, dhitung dengan cara menjumlahkan ujung bawah kelas dengan p tadi
2 52 – 60 4 20
3 61 – 69 4 20
4 70 – 78 3 15
32
5 79 – 87 5 25
∑ 20 100%
Contoh lain :
Hasil kuesioner yang telah diterima dari responden ditabulasikan kemudian dibuat distribusi frekuensi.
Distribusi data terlebih dahulu dikelompokkan ke dalam interval kelas. Pengelompokkan ini diambil menurut
nilai terendah sampai nilai tertinggi. Dengan demikian diperoleh rentang skor empiris antara 46 sampai 73
dengan rentang (range) 27. Kemudian dari hasil pengolahan data diperoleh skor rata-rata (mean) sebesar 59,59,
median 62,00, modus 63, standar deviasi 7,237 dan varians 52,372.
Penyusunan distribusi frekuensi menurut aturan Sturges untuk data disiplin diperoleh 7 kelas interval dan
panjang kelasnya 4, untuk lebih jelas dapat dilihat pada tabel berikut:
Berdasarkan tabel tersebut dapat diketahui bahwa skor rata-rata sebanyak 8 responden atau 8,42%, skor di
bawah rata-rata sebanyak 38 responden atau 40% dan skor di atas rata-rata sebanyak 49 responden atau 51,58%.
Distribusi frekuensi juga disajikan dalam bentuk histogram seperti pada grafik berikut:
Grafik histogram tersebut menunjukkan adanya garis melengkung simetris membentuk sebuah lonceng. serta
median dan modus mendekati rata-ratanya. Hal ini menunjukkan bahwa data berdistribusi normal.
33
Ukuran Penyebaran Data (Dispersi)
Ukuran Penyebaran Data adalah ukuran yang menunjukkan seberapa jauh data suatu menyebar
dari rata-ratanya. Pada ukuran penyebaran data, dipelajari :
Jangkauan (Range), Simpangan, Ragam (Variance), ukuran penyebaran pada nilai Kuartil, dan
Pencilan (Outlier).
Range (Jangkauan):
R = xmaks - xmin
Jangkauan Data Tunggal
Contoh : 6, 7, 3, 4, 8, 3, 7, 5, 10, 15, 20
Maka : R = 20=3 = 17.
Ragam (Varians)
Varian dan standar deviasi (simpangan baku) adalah ukuran-ukuran keragaman (variasi) data
statistik yang paling sering digunakan. Standar deviasi (simpangan baku) merupakan akar
kuadrat dari varian. Oleh karena itu, jika salah satu nilai dari kedua ukuran tersebut diketahui maka
akan diketahui juga nilai ukuran yang lain. Dasar penghitungan varian dan standar deviasi adalah
keinginan untuk mengetahui keragaman suatu kelompok data.
Salah satu cara untuk mengetahui keragaman dari suatu kelompok data adalah dengan mengurangi
setiap nilai data dengan rata-rata kelompok data tersebut, selanjutnya semua hasilnya dijumlahkan.
Namun cara seperti itu tidak bisa digunakan karena hasilnya akan selalu menjadi 0.
Oleh karena itu, solusi agar nilainya tidak menjadi 0 adalah dengan mengkuadratkan setiap
pengurangan nilai data dan rata-rata kelompok data tersebut, selanjutnya dilakukan penjumlahan.
Hasil penjumlahan kuadrat (sum of squares) tersebut akan selalu bernilai positif.
34
Nilai varian diperoleh dari pembagian hasil penjumlahan kuadrat (sum of squares) dengan ukuran
data (n).
Namun begitu, dalam penerapannya, nilai varian tersebut bias untuk menduga varian populasi.
Dengan menggunakan rumus tersebut, nilai varian populasi lebih besar dari varian sampel.
Oleh karena itu, agar tidak bias dalam menduga varian populasi, maka n sebagai pembagi
penjumlahan kuadrat (sum of squares) diganti dengan n-1 (derajat bebas) agar nilai varian sampel
mendekati varian populasi. Oleh karena itu rumus varian sampel menjadi:
Nilai varian yang dihasilkan merupakan nilai yang berbentuk kuadrat. Misalkan satuan nilai rata-
rata adalah gram, maka nilai varian adalah gram kuadrat. Untuk menyeragamkan nilai satuannya
maka varian diakarkuadratkan sehingga hasilnya adalah standar deviasi (simpangan baku).
Untuk mempermudah penghitungan, rumus varian dan standar deviasi (simpangan baku) tersebut
bisa diturunkan :
Rumus varian :
Keterangan:
s2 = varian
xi = nilai x ke-i
= rata-rata
35
n = ukuran sampel
Contoh Penghitungan
Misalkan dalam suatu kelas, tinggi badan beberapa orang siswa yang dijadikan sampel adalah
sebagai berikut.
172, 167, 180, 170, 169, 160, 175, 165, 173, 170
Dari data tersebut diketahui bahwa jumlah data (n) = 10, dan (n - 1) = 9. Selanjutnya dapat dihitung
komponen untuk rumus varian.
Dengan demikian, jika dimasukkan ke dalam rumus varian, maka hasilnya adalah sebagai berikut.
Dari nilai tersebut bisa langsung diperoleh nilai standar deviasi (simpangan baku) dengan cara
36
mengakarkuadratkan nilai varian.
Dalam distribusi normal, kedua ukuran ini sangat dibutuhkan. Nilai rata-rata (mean) untuk ukuran
pemusatan, hal ini berguna untuk mengetahui nilai tengah dari kurva normal dan nilai simpangan
baku untuk ukuran penyebaran, hal ini berguna untuk mengetahui lebar dari kurva normal tersebut.
37
Setiap perlakuan data awal : (+) ; (-) ; (x) ; (:) dengan suatu bilangan k maka akan mengubah ukuran
pemusatan awal dengan memberikan perlakuan : (+) ; (-) ; (x) ; (:) sebesar bilangan k tersebut
kepada ukuran pemusatan awal.
Perlakuan pada ukuran penyebaran dapat mengakibatkan, sebagai berikut :
Setiap perlakuan data awal : (+) atau (-) dengan suatu bilangan k maka ukuran penyebaran data
awal tidak akan berubah.
Setiap perlakuan data awal : (x) atau (:) dengan suatu bilangan k maka akan mengubah ukuran
penyebaran data awal dengan memberikan perlakuan : (x) atau (:) sebesar bilangan k tersebut
kepada ukuran penyebaran awal.
Contoh :
Suatu sekolah memiliki nilai hasil UN dengan rata-rata 40, median 45 dan simpangan kuartil 10.
Karena rata-rata terlalu rendah maka semua nilai dikalikan dengan 2 kemudian dikurangi 15.
Akibatnya adalah :
Penelitian adalah kegiatan yang dilakukan secara sitematis, terencana dan mengikuti konsep
ilmiah untuk mendapatkan sesuatu yang objektif dan rasional tentang sutu hal.
Data adalah sesuatu yang dibutuhkan dalam penelitian dengan menggunakan parameter
tertentu yang telah ditentukan.
Jenis data berdasarkan bentuk/isi data, yaitu
Data Kualitatif adalah data yang dinyatakan dalam bentuk bukan angka, data bentuk kalimat,
kata. gambar atau bagan.
Data Kuantitatif adalah data yang dinyatakan dalam bentuk angka.
Jenis data Kuantitatif, yaitu :
3. Data Interval : data yang memiliki jarak yang sama dan bukan hasil pengelompokkan
sehingga dapat dilakukan penghitungan aritmatika namun tidak memiliki nilai nol mutlak.
contoh : pengukuran suhu udara, dsb
4. Data Rasio : data yang memiliki jarak yang sama dan dapat dilakukan penghitungan
aritmatika serta memiliki nilai nol mutlak.
contoh : pengukuran berat, tinggi, data keuangan, dsb
38
Variabel : suatu atribut yang akan diteliti dan bervariasi antar satu subjek/objek lainnya.
variabel merupakan suatu konsep yang beragam atau bervariasi. Variabel dapat dikelompokkan
atas dua kelompok, yaitu :
1. Variabel dependen : variabel yang dipengaruhi oleh variabel lainnya dan tidak dapat
berdiri sendiri.
2. Variabel independen : variabel yang mempengaruhi variabel lainnya dan dapat berdiri
sendiri.
Populasi adalah suatu kelompok subjek/objek yang menjadi pusat perhatian dalam penelitian.
1. Analisis deskriptif : analisis data yang menekankan pada pembahasan data dan menyajikannya
secara sistematik, namun tidak dapat menyimpulkan penelitian.
2. Analisis subjektif : analisis data yang menekankan pada hubungan antar variabel dengan
melakukan pengujian hipotesis dan menyimpulkan hasil penelitian.
Hipotesis, dinyatakan dalam kalimat pernyataan (bukan pertanyaan) dan merupakan jawaban
sementara dari rumusan masalah penelitian yang belum dibuktikan kebenarannya.
Hipotesis nol (Ho) : menyatakan tidak terdapat hubungan antara variabel yang diteliti.
Hipotesis alternatif (Ha) : menyatakan terdapat hubungan antara variabel yang diteliti.
Uji Hipotesis : pengujian yang bertujuan untuk mengetahui apakah kesimpulan pada sampel
dapat berlaku untuk populasi (dapat digeneralisasikan ke populasi).
39
Signifikan : meyakinkan atau berarti, dalam pengujian hipotesis, signifikan berarti hipotesis
yang terbukti pada sampel dapat digeneralisasikan dan berlaku pada populasi, jika tidak
signifikan berarti hanya berlaku pada sampel saja.
Tingkat signifikansi 5% berarti resiko kesalahan dalam mengambil keputusan atau menolak
hipotesis yang benar sebanyak-banyaknya adalah 5%, dan mengambil keputusan sekurang-
kurangnya adalah 95%.
Biasanya nilai 5% disimbolkan dengan "alpha" dan pemilihan nilai alpha biasanya 5% atau 1%.
Hal ini tidak diharuskan, karena bisa saja memilih nilai "alpha" yang lain.
PROBABILITAS
1. DEFINISI
Probabilitas dapat diartikan sebagai derajat / tingkat kepastian atau keyakinan dari munculnya hasil
pecobaan statistik. Selain itu juga diartikan sebagai suatu ukuran seberapa besar suatu kejadian
akan terjadi terhadap semua kejadian yang ada.
Peluang adalah suatu nilai antara 0 sampai 1 yang menunjukkan kemungkinan suatu peristiwa akan
terjadi. Sebuah Eksperimen adalah pengamatan atas beberapa kegiatan atau suatu pengukuran.
Sebuah hasil adalah keluaran tertentu dari sebuah eksperimen.
JENIS-JENIS NON-PROBABILITAS
Sebenarnya apakah benar non probability sampling itu tidak menggambarkan populasi?jawabannya.
Kita bisa saja menggambarkan populasi lewat sample dari non probability ini, tapi kita tidak bisa
menentukan seberapa besar error nya? karena untuk menghitung error perlu konsep peluang.
40
Karena sampling error nya tidak bisa di ukur maka setidaknya non sampling error diperlukan
perbaikan. Sumbernya antara lain, pembuatan kuesioner yang baik ( tidak mengarahkan responden),
cara interview yang baik, kejujuran interviewer dll.
Dalam dunia social research banyak kondisi dimana kita tidak bisa mendapatkan daftar populasinya.
Contohnya ,meneliti tentang pengguna narkoba di jakarta?
Secara garis besar ada dua jenis non prob sampling ini yakni accidental atau purposive.
Purposive Sampling
Teknik-teknik yang digunakan dalam purposive sampling tergantung pada tujuan survey nya.
Modal instance sampling ( dipilih dengan kriteria org kebanyakan) artinya kita memilih berdasarkan
orang-orang itu kebanyakan kerja, umur, pendidikan dan pendapatannya, masalahnya suku dan
agama itu berpengaruh? Hal ini merupakan kelemahannya.
Expert Sampling (berdasarkan pendapat ahli) yang harus diperhatikan adalah ahli yang kita jadikan
dasar pengambilan sampel ini harus ahli dibidangnya.
2. PERUMUSAN PROBABILITAS
Bila kejadian E terjadi dalam m cara dari seluruh cara yang mungkin terjadi dimana masingmasing
cara tersebut mempunyai kesempatan atau kemungkinan yang sama untuk muncul, maka
probabilitas kejadian E adalah : (Contoh)
Hitung probabilitas memperoleh kartu hati bila sebuah kartu diambil secara acak
dari seperangkat kartu bridge yang lengkap! Jumlah seluruh kartu = 52 dan Jumlah kartu hati=13.
Sebuah Eksperimen adalah pengamatan atas beberapa kegiatan atau suatu pengukuran.
Beberapa kejadian dikatakan saling bebas jika kemunculan suatu kejadian tidak memengaruhi kemunculan
kejadian yang lainnya.
(Mutually exclusive)
2. Aturan penjumlahan umum digunakan ketika kejadian-kejadiannya terikat satu sama lain (Mutually Non
exclusive).
3. Aturan komplemen digunakan untuk menentukan peluang suatu kejadian yang muncul dengan mengurangi
peluang ketidakmunculan kejadian tersebut dari nilai 1.
41
Aturan perkalian mengacu pada hasil kali dari beberapa kejadian antara lain :
1. Aturan perkalian khusus mengacu pada kejadian-kejadian yang saling bebas (Kejadian independen)
2. Aturan perkalian umum mengacu pada kejadian-kejadian yang tidak saling bebas (kejadian dependen)
Peluang bersyarat adalah peluang munculnya suatu kejadian, jika diketahui suatu kejadian lain telah
terjadi.
SIFAT - SIFAT :
P (A U B ) = P (A | B) P (B) = P (B | A) P(A)
Contoh soal:
Pengacakan orang dewasa yang telah tamat SMA di suatu kota kecil. Mereka dikelompokkan
menurut jenis kelamin dan status pekerjaan sebagai berikut :
42
TEOREMA BAYES
Teori Bayes atau lebih dikenal dengan kaidah Bayes, memainkan peranan yang sangat penting
dalam penerapan probabilitas bersyarat. Teori ini pertama kali dikembangkan oleh Thomas bayes
(1702-1763). Kaidah Bayes merupakan kaidah yang memperbaiki atau merevisi suatu probabilitas
dengan cara memanfaatkan informasi tambahan. Maksudnya, dari probabilitas awal (prior
probability) yang belum diperbaiki dengan rumuskan berdasarkan informasi yang tersedia saat ini,
kemudian dibentuklah probabilitas berikutnya (posterior probability).
Teori lain mengatakan Teori Bayes adalah kesimpulan statistik yang membuktikan atau pengamatan
yang digunakan untuk memperbarui atau menarik kesimpulan yang baru suatu probabilitas yang
mungkin benar. Teori Bayes berasal dari kebiasaan menggunakan rumus bayes untuk memproses
suatu kesimpulan/dugaan.
Teori Bayes menerangkan hubungan antara probabilitas terjadinya peristiwa X dengan syarat
peristiwa Y telah terjadi dan probabilitas terjadinya peristiwa Y dengan syarat peristiwa X telah terjadi.
Hubungan itu dapat diturunkan melalui teori probabilitas bersyarat seperti berikut :
Teori Bayes biasanya ditulis dalam bentuk yang lebih panjang dengan mengubah penyebutnya
kedalam bentuk yang berisi probabilitas bersyarat, karena permasalahannya juga diberikan dalam
probabilitas.
Probabilitas yang dihitung P(X|Y) disebut probabilitas kemudian (posterior) dari peristiwa X karena
adanya informasi yang dikandung dalam peristiwa Y. probabilitas tak bersyarat P(X) dan P(X’) disebut
probabilitas awal (prior) dari peristiwa-peristiwa X dan X. Artinya hokum Bayes memutakhirkan atau
memperbaki probabilitas awal P(X) dengan memasukkan ke dalam model informasi yang diamati
yang terdapat didalam peristiwa Y
Metode untuk menghitung peluang dengan syarat ada informasi tambahan yang diperoleh. Untuk dua kejadian
tidak terikat satu sama lain dan membentuk kumpulan kejadian lengkap.
Contoh soal
Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita sebuah penyakit langka. 97%
dari hasil tes klinik adalah positif bahwa seseorang menderita penyakit itu. Ketika seseorang yang
tidak menderita penyakit itu dites dengan tes yang sama, 9% dari hasil tes memberikan hasil positif
yang salah.Jika sembarang orang dari negara itu mengambil test dan mendapat hasil positif,
berapakah peluang bahwa dia benar-benar menderita penyakit langka itu?
Jawab
P (A) = 2%
P (Ā) = 98%
P (B | A) = 97%
P (B | Ā) = 9%P (B ∩ A) = P (A) × P (B| A) = 2% × 97% = 0,0194P (B ∩ Ā) = P ( Ā) × P (B | Ā) = 98%
× 9% = 0,0882P (Ƀ ∩ A) = P (A) × P (Ƀ | A) = 2% × 3% = 0,0006
P(Ƀ ∩Ā ) = P (Ā) × P (Ƀ | Ā) = 98% × 91% = 0,8918
= 0.0194 / 0.1076
P(A | B) = 0.1803
Diagram Pohon
43
Diagram pohon merupakan cara yang mudah untuk menggambarkan hasil-hasil yang mungkin dari
sederetan percobaan jika dari setiap percobaan hasil yang mungkin berhingga (dalam teori peluang
disebut proses stokastik). Diagram pohon sangat berguna untuk menggambarkan peluang bersyarat
dan peluang bersama. Probabilitas diagram pohon melukiskan event atau serangkaian event
sebagai cabvang dari suatu pohon. Diagram ini digunakan untuk menyatakan mengenai kondisi
probabilitas.
Contoh :
Suatu mata kuliah teori probabilitas diikuti oleh 50 mahasiswa tahun ke 2, 15 mahasiswa tahuun ke 3
dan 10 mahasiswa tahun ke 4. Diketauhi mahasiswa yang mendapatkan nilai A adalah 10 orang dari
mahsiswa tahun ke 2, 8 orang dari mahasiswa tahun ke 3 dan 5 orang mahasiswa tahun ke 4. Bila
seorang mahasiswa dipilih secara acak ,berapakah peluang dia:
a. Mendapatkan nilai A
b. Mahasiswa tahun ke 2 bila diketauhi dia mendapatkan A
Jawab :
a. P (A) = Σ4 i=2 P(Mi) (A | Mi)
= (50/75 10/50) + (15/75 8/15) + (10/75 5/10)
= 50/375 + 120/1125 + 10/150
= 23/75
b. P(M2|A) = P(M2) P(A|M2)
= 50/75 10/50
23/75
= 10/23
1. Aturan perkalian menyatakan bahwa jika terdapat m cara suatu kejadian dapat terjadi dan n
cara suatu kejadian lain dapat terjadi maka terdapat mn cara untuk dua kejadian tersebut.
2. Permutasi adalah susunan objek-objek yang dipilih dari sekelompok objek tertentu yang urutannya
penting.
3. Kombinasi adalah susunan objek-objek yang dipilih dari sekelompok objek tertentu yang urutannya
tidak penting.
Note :
Dalam matematika , FAKTORIAL dari bilangan asli n adalah hasil perkalian antara bilangan
bulat positif yang kurang dari atau sama dengan n.
. n Faktorial = n!
DISTRIBUSI TEORITIS
A. DISTRIBUSI DISKRIT
44
Distribusi diskrit yaitu distribusi dimana peubahnya secara teoritis tidak dapat
menerima sebarang nilai diantara dua nilai yang diberikan
Macam-macam Distribusi Peluang Diskrit
Distribusi teoritis merupakan alat untuk menentukan apa yg dapat diharapkan, dengan asumsi-
asumsi yang dibuat benar. Distribusi teoritis sering digunakan sbg dasar pembanding dr suatu hasil
observasi, dan sering digunakan sbg pengganti distribusi sebenarnya. Hal ini penting, karena untuk
menyusun distribusi sebenarnya yg harus diperoleh melalui eksperimen membutuhkan biaya yg
mahal dan sulit dilakukan. Distribusi teoritis memungkinkan pengambil keputusan untuk memperoleh
dasar logika yg kuat, dan sangat berguna sbg dasar pembuatan ramalan (forecasting / prediction),
berdasarkan informasi terbatas atau pertimbangan teoritis, dan berguna pula untuk menghitung
probabilitas terjadinya suatu kejadian.
Contoh aplikasi :
Pada dasarnya semua fungsi diskrit p(.)p(.) yang memenuhi syarat p(x)≥0p(x)≥0 untuk
semua xx dan ∑p(x)=1,∑p(x)=1, memenuhi syarat sebagai fungsi peluang diskrit. Demikian juga
semua fungsi kontinu f(.)f(.) pada XX, yang menuhi syarat nonnegatif dan membentuk luas satu unit
dapat dijadikan fungsi kepadatan peluang suatu peubah acak. Namun, ada beberapa distribusi diskrit
dan kontinu yang penting yang akan dibahas, diantaranya untuk distribusi diskrit adalah distribusi
yang berasal dari percobaan Bernoulli (Binomial, Negatif Binomial, Geometrik ), distribusi Poisson.
Untuk distribusi kontinu disampaikan distribusi uniform, distribusi eksponensia, Normal dan Gamma.
Peubah acak diskrit adalah peubah acak yang ruang rentangnya merupakan himpunan yang berhingga
( finite) atau tak berhingga tapi terhitung ( denumerable/countably infinite) dengan sifat-sifat berikut
p(x)≥0,∀x∈RX(1)(1)p(x)≥0,∀x∈RX
45
dan
∑x∈RXp(x)=1.(2)(2)∑x∈RXp(x)=1.
Distribusi Binomial
Misalkan pada percobaan Bernouli pengamatan difokuskan pada banyaknya sukses yang terjadi ketika
percobaan Bernoulli itu diulang sebanyak nn kali. Dicari fungsi kepadatan peluang dari peubah acak
yang menggambarkan banyaknya sukses yang terjadi. Dari sebanyak nn ulangan percobaan Bernoulli,
jelaslah bahwa banyaknya sukses berkisar dari 0 (tidak ada sama sekali), sampai
maksimum nn (semuanya sukses).
Distribusi Probabilitas Binomial Digunakan untuk probabilitas yang bersifat diskrit, dengan
asumsi:
4. Probabilitas setiap hasil konstant dari satu pengambilan sampel terhadap pengambilan
sampel berikutnya • Probabilitas keberhasilan suatu peristiwa terjadi = p • Probabilitas tidak
berhasil/kegagalan = q=1-p • Probabilitas keberhasilan suatu peristiwa terjadi tepat x kali dalam
setiap perlakuan (x berhasil dan n-x gagal) = b
Distribusi Probabilitas Binomial • 'N' uji identik – Misalnya: 15 kali pelemparan koin; sepuluh bola
lampu yang diambil dari gudang • Dua hasil saling eksklusif pada setiap persidangan – Misalnya:
Kepala atau ekor di setiap lemparan koin; bola lampu cacat atau tidak cacat • Uji independen –
Hasil dari satu percobaan tidak mempengaruhi hasil yang lain • Probabilitas konstan untuk setiap
percobaan.
Misalnya: Probabilitas mendapatkan ekor adalah sama setiap kali kita melemparkan koin •
Dua metode pengambilan sampel – Populasi tak terbatas tanpa penggantian – Populasi
terbatas dengan penggantian.
46
Sebagai generalisasi dari distribusi Geometrik, ada kalanya yang ingin diamati adalah banyaknya
ulangan sampai munculnya r≥1r≥1 sukses. Misalkan untuk menghasilkan rr sukses
diperlukan xx ulangan,
Contoh;
Seorang penjual mengatakan bahwa diantara seluruh barang dagangan, ada yg rusak sebanyak
20%. Seorang pelanggan membeli barang tersebut sebanyak 8 buah dan dipilih scr acak.
Jika X = banyaknya barang yg tidak rusak (bagus), maka hitung semua probabilitas untuk
memperoleh X, dan probabilitas kumulatifnya.
Jawab :
x n- x p,(x) F(x) = P(X ≤ x) 0 8 1(0,8)0 (0,2)8 = 0,0000 0,0000 1 7 8(0,8)1 (0,2)7 = 0,0001 0,0001
2 6 28(0,8)2 (0,2)6 = 0,0011 0,0012 3 5 56(0,8)3 (0,2)5 = 0,0092 0,0104 4 4 70(0,8)4 (0,2)4 =
0,0459 0,0563 5 3 56(0,8)5 (0,2)3 = 0,2031
Contoh;
Satu uang logam dilempar 4 kali, dimana probabilitas muncul angka sama dengan ½ .
Hitunglah rata-rata dan simpangan bakunya.
Jawab :
Rata-rata μ = n.p = 4. (1/2) = 2
Simpangan baku σ2 = n.p.q = 4.(1/2).(1/2) = 1
Simpangan baku = 1 n n
Distribusi Poisson
Penurunan definisi distribusi Poisson melalui proses Poisson dapat dilihat pada Meyer.
Distribusi Probabilitas Poisson adalah suatu Observasi yang dapat dilakukan pada kejadian
diskret dalam suatu area kesempatan.
47
Contoh:
Jumlah telepon panggilan perjam pada kantor polisi; jumlah laporan kehilangan kopor perhari
pada suatu airport, dll
Merupakan pendekatan terhadap distribusi binomial jika n>> dan p<< n.p ≤10
Proses Poisson: – Peristiwa diskrit dalam "interval" • Probabilitas One Sukses dalam interval
stabil • Probabilitas Lebih dari satu Sukses di interval ini adalah 0 Probabilitas keberhasilan
adalah independen dari interval silang
misalnya:
.1. Jumlah pelanggan tiba di 15 menit
2. jumlah cacat per kasus lampu.
P (X)= e¯ 𝜆ˣ X! P(X) :
probabilitas X "sukses" diberikan 𝜆 X : jumlah "keberhasilan" per unit 𝜆 : diharapkan (rata-rata)
jumlah "keberhasilan“ 𝑒 : 2,71828 (basis log alamiah)
• Misalnya: Cari probabilitas untuk 4 pelanggan yang sampai di 3 menit saat jumlah
keberhasilannya adalah 3,6. 3.6 4 3.6 .1912 4! e P X Poisson Distribusi di PHStat •
PHStat | probabilitas & prob. distribusi | Poisson • Misalnya di excel spreadsheet
Dalam kondisi tertentu, distribusi binomial dapat didekati dengan distribusi Poisson. Distribusi
binomial akan bisa didekati dengan distribusi Poisson jika: nn pada distribusi binomial relatif besar,
yaitu n→∞n→∞ dan pp relatif kecil (berarti 1−p≈11−p≈1), sehingga npnp relatif konstan
dan np≈np(1−p)np≈np(1−p). Jadi mean relatif sama dengan varians
dan λ=npλ=np atau p=λ/np=λ/n. Selanjutnya secara matematika dapat ditunjukkan bahwa peluang
pertama pada distribusi binomial (untuk x=0x=0) dapat dituliskan sebagai
P(X=0)=(1−p)n=(1−λn)n=e−λ.P(X=0)=(1−p)n=(1−λn)n=e−λ.
P(X=x)=B(x)≈λxx!e−λ≈P(x)P(X=x)=B(x)≈λxx!e−λ≈P(x)
Secara emperik pendekatan ini dapat diilustrasikan dengan menggunakan simulasi, untuk kedua jenis
distribusi.
Distribusi Poison Pada distribusi probabilitas binomial dimana probilitas sukses (p) kurang dari
0,5 dan jumlah eksperimen (n) sangat besar, maka perhitungan dengan menggunakan distribusi
binomial hasil perhitungannya akan semakin melenceng. Maka dikembangkan distribusi poisson.
48
Distribusi poisson melibatkan jumlah n yg besar dengan p kecil, biasanya digunakan untuk
menghitung nilai probabilitas suatu kejadian dalam suatu selang waktu dan daerah tertentu,
misal :
banyaknya bakteri dalam air bersih,
banyaknya presiden yg meninggal akibat kecelakaan,
banyaknya kesalahan ketik pada laporan penelitian, dsb.
Distribusi poisson digunakan untuk menghitung probabilitas suatu kejadian yg jarang terjadi.
Misal;
Contoh :
Pemilik pabrik rokok melakukan promosi produk A. Diantara 1.000 batang rokok terdapat 5
batang yang diberi tulisan berhadiah, dan dicampur secara acak . Apabila X menyatakan
banyaknya batang rokok yang terdapat tulisan berhadiah dalam satu bungkus rokok merek A,
dimana setiap bungkusnya berisi 20 batang.
Tentukan berapa P(X=0), P(X=1), P(X=2), P(X=3), P(X=4)
Jawab :
n = 20, p = 5/1.000 = 0,005, dan λ = n.p = 20.(0,005) = 0,1 X 0 1 2 3 4
Contoh;
Kepala bagian kredit beranggapan bahwa 4% dr nasabahnya tidak puas dengan pelayanan bank
tersebut, kemudian dipililh secara acak 50 orang nasabah. Hitung p(x) untuk x = 0, 1, 2, ……, 9,
dan distribusi kumulatif F(x) = P(X ≤ x).
Jawab :
n = 50, dan λ = n.p = 50(0,04) = 2 x p,(x)
F(x) = P(X ≤ x) 0 0,1353 0,1353 1 0,2707 0,4060 2 0,2707 0,6767 3 0,1804 0,8571 4 0,0902
0,9473 5 0,0361 0,9834 6 0,0120 0,9954 7 0,0034 0,9988 8 0,0009 0,9997 9 0,0002 0,9999
Lampiran Distribusi Poisson Rata-rata dan Varians Distribusi Poisson μ = E(X) = Σ x. [(λx
e-λ)]/x! = λ σ2 = E(X - λ)2 = λ
simpangan baku adalah σ = √λ ∞ n=0
Distribusi Geometrik
Adakalanya dalam percobaan Bernoulli, yang diamati adalah benyaknya percobaan yang terjadi sampai muncul
satu (1) ss. Tentu saja percobaan yang dilakukan menggunakan asumsi bahwa dia diulang secara saling bebas.
Misalkan untuk munculnya 1 ss diperlukan sebanyak xx percobaan.
Bila usaha yang saling bebas dan dilakukan berulang kali menghasilkan sukses dengan peluang p, gagal dengan
peluang q = 1 – p, maka distribusi peluang peubah acak X, yaitu banyaknya usaha sampai saat terjadi sukses
yang pertama, diberikan oleh
Contoh:,
1. Dalam suatu proses produksi diketahui bahwa rata-rata di antara 100 butir hasil produksi 1 yang cacat.
Berapakah peluang bahwa setelah 5 butir yang diperiksa baru menemukan cacat pertama ?
Jawab :
49
2. Pada waktu sibuk suatu sentral telepon hampir mencapai batas daya sambungnya, sehingga orang tidak
mendapat sambungan. Ingin diketahui banyaknya usaha yang diperlukan agar mendapat sambungan. Misalkan p
= 0,05 peluang mendapat sambungan selama waktu sibuk. Kita ingin mencari peluang bahwa diperlukan 5
usaha agar sambungan berhasil
Jawab :
Dengan menggunakan distribusi geometrik dengan x = 5 dan p = 0,05 diperoleh P(X = x) = g(5; 0,05)
= (0,05)(0,95)4 = 0,041
Distribusi Hipergeomertrik
Distribusi Hipergeometrik • "N" uji coba dalam sampel yang diambil dari populasi terbatas
ukuran N • Sampel diambil tanpa adanya penggantian • Percobaan yang bergantung • Berkaitan
dengan menemukan probabilitas keberhasilan "X" dalam sampel itu di mana terdapat "A"
keberhasilan di dalam populasi.
Misalnya. 3 Lampu yang dipilih dari 10. Dari 10 ada 4 rusak. Berapa probabilitas bahwa 2 dari 3
operator yang rusak? A X N – A N – X N n 4 6 2 1 2 .30 10 3 P
Jika samping dilakukan tanpa pengambilan dari kejadian sampling yang diambil dari populasi
dengan kejadian-kejadian terbatas, proses Bernoulli tidak dapat digunakan, karena ada perubahan
secara sistematis dalam probabilitas sukses seperti kejadian-kejadian yang diambil dari populasi. Jika
pengambilan sampling tanpa pengambilan digunakan dalam situasi sebaliknya dengan memenuhi
syarat Bernoulli, distribusi hipergeometrik adalah distribusi probabilitas diskrit yang tepat.
Jika X melambangkan jumlah sukses dalam sample, N melambangkan jumlah kejadian dalam
populasi, XT melambangkan jumlah sukses dalam populasi, dan n jumlah sample, formula untuk
menentukan probabilitas hipergeometrik adalah.
apabila populasi besar dan sampel relatif kecil, pengambilan secara sampling dilakukan tanpa
pengambilan menimbulkan efek terhadap probabilitas suksed dalam setiap percobaan kecil, untuk
mendekati nilai probabilitas hipergeometrik dapat digunakan konsep distribusi binomial, dengan
syarat n lebih kecil sama dengan 0,005 N.
Tipe distribusi hipergeometrik ini sering sekali disebut juga dengan sampling dengan penggantian
sifat dari distribusi hipergeometrik ini :
1) Tanpa pengembalian, percobaan bersifat tidak independen.
2) Nilai probabilitas setiap percobaan berbeda.
50
Distribusi peluang peubah acak hipergeometrik adalah banyaknya sukses xx dalam sampel acak
ukuran nn yang diambil dari populasi sebanyak NN yang mengandung jumlah sukses sebanyak kk.
Contoh :
Misalkan suatu kotak berisi dua jenis bola (AA dan BB). Seluruhnya berjumlah NN bola, mm buah
merupakan bola jenis AA. Diambil (sekaligus, atau satu- satu tanpa pengembalian) nn buah bola.
Dicari peluang bahwa yang terambil adalah xx bola jenis AA. Untuk menyelesaikan persoalan ini
perlu diperhatikan hal-hal berikut:
1. secara keseluruhan dari NN bola diambil nn, maka akan terdapat sebanyak (Nn)(Nn) macam
jenis kumpulan nn unsur;
2. dari mm bola jenis AA diambil xx buah, berarti ada sebanyak (mx)(mx) cara pengambilan
bola A.A.
3. sementara itu selebihnya (n−x)(n−x) diambil dari N−mN−m bola jenis BB, sehigga untuk
pengambilan bola BB ada sebanyak (N−mn−x)(N−mn−x) cara;
4. gabungan pengambilan
seluruh nn bola AA atau BB menghasilkan (mx)(mx) (N−mn−x)(N−mn−x) cara.
Jawab:
Dari soal tersebut diketahui N=7,N=7, k=3k=3 dan n=3,n=3, dengan demikian maka
51
Jawab:
Dari soal tersebut diketahui N=7,N=7, k=3k=3 dan n=2,n=2, dengan demikian maka
a. satu bola berwarna merah
P(X=1)=(nN)(xk)(n−xN−k)=(37)(12)(2−17−3)=352×10=3520
Jawab:
Dari soal di tersebut dapat kita diketahui N=6,N=6, k=3k=3 dan n=2,n=2, sehingga
a. peluang satu komputer cacat
P(X=1)=(nN)(xk)(n−xN−k)=(36)(12)(3−16−2)=202×56=0,6
52
e. tidak ada yang cacat?
Jawab:
Dari soal di tersebut dapat kita diketahui N=25,N=25, k=5k=5 dan n=4,n=4, sehingga:
a. peluang satu bola lampu cacat
P(X=1)=(nN)(xk)(n−xN−k)=(425)(15)(4−125−5)=531304×5985=0,4506
TUGAS
Penyelesaian:
Dengan menggunakan sebaran hipergeometri dengan n = 5, N = 4, k = 3 dan x = 1 kita dapatkan
probabilitas perolehan satu cacat menjadi.
Sebagai contoh, sebuah dadu dilempar sepuluh kali dan dihitung berapa jumlah muncul angka
empat. Distribusi jumlah acak ini adalah distribusi binomial dengan n = 10 dan p = 1/6.
Contoh lain,
1. sebuah uang logam dilambungkan tiga kali dan dihitung berapa jumlah muncul sisi depan.
Distribusi jumlah acak ini merupakan distribusi binomial dengan n = 3 dan p = 1/2.
2. Keperluan dari kegunaan distribusi hipergeometrik :
- Mengetahui jumlah barang yang rusak dalam sampel acak dari sejumlah kiriman
jumlah permen yang di ambil dari dalam kotak dengan rasa tertentu.
- Aplikasi dalam pendidikan seperti dalam penyelidikan pendapat umum/survey,
- dan dalam hipergeometrik juga dapat mengitung perputaran benda yang dilempar
dari titik awal pelemparan apakah pelemparan tersebut dapat melihat hasil mutlak
dari perputaran tersebut.
A. DISTRIBUSI KONTINU
a.
Distribusi kontinyu merupakan salah satu macam distribusi probabilitas, yaitu model matematik yang
menghubungkan nilai variabel dengan probabilitas terjadinya nilai itu. Dengan perkataan lain, kita
dapat membayangkan diameter cincin piston sebagaivariabel random, karena diameter itu menjalani
53
nilai-nilai yang berbeda dalam populasi itu menurut mekanisme random. Maka distribusi probabilitas
diameter cincin menggambarkan probabilitas terjadinya setiap nilai diameter cincin di dalam populasi
itu. Dimana untuk distribusi kontinyu variabel yang diukur dinyatakan dalam skala kontinyu. Oleh
karena itu distribusi probabilitasnya dinamakan distribusi kontinyu.
Distribusi NORMAL
Karakterisik Distribusi Probabilitas Normal
1. Bentuk kurva normal seperti bel dan simetris.
2. Parameter s, menunjukkan lebar dari kurva normal (semakin besar nilainya, semakin lebar) q Titik
tertinggi dari kurva nomal terletak pada nilai rata-rata=median=modus
3. Luas total area di bawah kurva normal adalah 1. (luas bagian di sebelah kiri µ = sebelah kanan µ).
4. Probabilita suaru random variabel normal sama dengan luas di bawah kurva normal.
Distribusi normal merupakan distribusi yg banyak digunakan dalam berbagai penerapan. Distribusi ini
merupakan distribusi kontinu yg mensyaratkan variabel yg diukur harus kontinu, misal:
tinggi badan
berat badan,
jml curah hujan, hasil ujian, dsb.
Contoh penggunaannya :
Suatu sekolah melakukan tes IQ terhadap seluruh siswa kelas dua untuk menentukan jurusan
yang tepat bagi siswanya. Hasil tes menunjukkan bahwa IQ dari 200 siswa berdistribusi normal
dengan rata-rata 116 dan simpangan baku 10. Bila jurusan IPA ditentukan dengan nilai IQ
minimal 110. Berapa banyaknya siswa yang akan ditolak untuk masuk ke jurusan IPA
berdasarkan IQ yang ditentukan sekolah?
Jawab :
Jadi jumlah siswanya adalah 0,07743 x 200 siswa = 15,486 siswa = 15 siswa.
54
Apakah itu Distribusi Normal?
Distribusi normal merupakan suatu alat statistik yang sangat penting untuk menaksir dan
meramalkan peristiwa-peristiwa yang lebih luas. Distribusi normal disebut juga dengan distribusi
Gauss untuk menghormati Gauss sebagai penemu persamaannya (1777-1855). Menurut
pandangan ahli statistik, distribusi variabel pada populasi mengikuti distribusi normal.
Distribusi normal pertama kali diperkenalkan oleh Abraham DeMoivre (1733) sebagai
pendekatan distribusi binomial untuk n besar. Selanjutnya dikembangkan oleh Pierre Simon de
Laplace dan dikenal dengan Teorema Moivre - Laplace. Laplace menggunakan distribusi normal
untuk analisis galat suatu eksperimen.
Suatu data membentuk distribusi normal jika jumlah data di atas dan di bawah mean adalah
sama.
Distribusi normal berupa kurva berbentuk lonceng setangkup yang melebar tak berhingga pada
kedua arah positif dan negatifnya.
Distribusi normal dipengaruhi oleh dua parameter, yaitu mean dan standar deviasi.
Mean menentukan lokasi pusat statistik dan standar deviasi menentukan lebar dari kurva normal.
55
dengan
Uji satu arah biasanya untuk uji F dan uji t satu arah.
Kurva normal Suatu variabel acak kontinu X, memiliki distribusi berbentuk lonceng disebut
variabel acak normal.
Persamaan matematika distribusi probabilitas acak normal tergantung pada dua parameter, yaitu
μ dan σ atau nilai tengah dan simpangan bakunya.
56
Apabila nilai-nilai dan diketahui, maka dapat digambarkan kurva normal dgn pasti, bagaimana
bentuk dan ketinggian kurva normal. σ√2π 1 2 Kurva normal dgn μ1 ≠ μ2 tetapi σ1 = σ2 Kurva
normal dgn μ1 = μ2 tetapi σ1 ≠ σ2 Kurva normal dgn μ1 ≠ μ2 tetapi σ1 ≠ σ2 μ1 = μ2 μ1 μ2 μ1 μ2
Contoh :
Dengan menggunakan tabel normal, hitunglah:
a) P(0 ≤ Z ≤ 1,20)
b) P(Z ≥ 1,54)
c) P(Z ≥ -0,86)
d) P(-0,5 ≤ Z ≤ 0,75)
Jawab :
a) 1,200
b) 1,540 P(0 ≤ Z ≤ 1,20) = 0,3849 P(Z ≥ 1,54) = P(Z ≥ 0 – P(Z ≤ 1,54) = 0,5000 – 0,4382 =
0,0618
d) 0,750-0,5
P(-0,5 ≤ Z ≤ 0,75) = P(0 ≤ Z ≤ 0,5) + P(0 ≤ Z ≤ 0,75) = 0,1915 + 0,2734 = 0,4649
Contoh :
Apabila diketahui bahwa X – N(μ, σ2) = N(12, 4), dan σ = √σ2,
maka hitung P(11 ≤ X ≤ 14) c) 1211 14 σ = √σ2 = √4 = 2 Z = (X - μ)/σ
Untuk X = 11 Z = (11 -12)/2 = -0,50
Untuk X = 14 Z = (14 – 12)/2 = 1 P(11 ≤ X ≤ 14) = P(-0,50 ≤ Z ≤ 1) = P(0 ≤ Z ≤ -0,50 ) + P(0 ≤ Z ≤
1) = 0,1915 + 0,3413 = 0,5328 -0,5 10 X Z
Contoh :
Satu uang logam dilempar sebanyak 4 kali. X menyatakan banyaknya gambar yg muncul.
Dengan menggunakan pendekatan :
57
Fungsi Normal hitunglah p(x), maka hitunglah probabilitas bahwa X > 2. X = 0 p(0) = 0,0625 μ =
E(X) = n.p = 4. ½ = 2 X = 1 p(1) = 0,2500 σ = √n.p.q = √ 4. ½. ½ = 1 X = 2 p(2) = 0,3750 X = 3
p(3) = 0,2500
Z = (X - μ)/σ = (2,5 – 2)/ 1 = 0,5 X = 4 p(4) = 0,0625 P(X > 2) = P( Z > 0,1)
Dengan Binomial P(X > 2) = P(X = 3) + P(X = 4) = P(Z ≥ 0) - P(0 ≤ Z ≤ 0,5) = 0,2500 + 0,0625
Contoh :
Perusahaan ban melakukan tes dari produk terbarunya, dengan melakukan pengukuran rata-
rata ban tsb rusak. Hasil uji dapat disajikan pada tabel berikut. Apabila yg ditempuh sampai ban
rusak 25.300 km dengan simpangan baku 6.100 km. Dengan menggunakan pendekatan
distribusi normal :
Buat distribusi normal kumulatif sbg pendekatan distribusi frekuensi kumulatif Batas Kelas (ribu
km) Nilai Tengah (X) Banyak Ban (f) fr F(X) Z
Jawab :
Distribusi Normal Kumulatif F(X) 13 – 15 14 20 0,050 0.050 -1,85 0,0322 16 – 18 17 40 0,100
0.150 -1,36 0,0869 19 – 21 20 50 0,125 0.275 -0,87 0,1922 22 – 24 23 70 0,175 0.450 -0,38
0,3520 25 – 27 26 80 0,200 0.650 0,11 0,5438 28 – 30 29 60 0,150 0.800 0,61 0,7291 31 – 33
32 40 0,100 0.900 1,10 0,8665 34 – 36 35 30 0,075 0.975 1,59 0,9441 37 - 39 38 10 0,025 1.000
2,08 0,9812 Jumlah 400 1,000
Z = (X – μ,)/σ = (X – 25,3)/6,1 Z1 = (14 – 25,3)/6,1 = -1,85 P(Z ≤ -1,85) Z1 = (29 – 25,3)/6,1 =
0,61 P(Z ≤ 0,61) Z2 = (17 – 25,3)/6,1 = -1,36 P(Z ≤ -1,36) Z7 = (32 – 25,3)/6,1 = 1,10 P(Z ≤ 1,10)
Z3 = (20 – 25,3)/6,1 = -0,87 P(Z ≤ -0,87) Z8 = (35 – 25,3)/6,1 = 1,59 P(Z ≤ 1,59)
F(X) F(k) 15, 5 18, 5 21, 5 24, 5 27, 5 30,5 33, 5 36, 5 39, 5 0, 2 0, 4 0, 6 0, 8 1, 0 F(X) =
--------------------------------------------------------------------------------------------------------------------------------
58