BAB I
PENDAHULUAN
1.1. Latar Belakang
Satistika yaitu ilmu yang mempelajari tentang sampel. Dalam ilmu statistik,
sampel diambil dari sebuah populasi yang kemudian dianalisis untuk menaksir
keadaarn sebenarnya dalam populasi tersebut atau yang disebut dengan parameter
populasi. Sesuai teori, bahwa makin banyak sampel yang diambil dalam sebuah
populasi, maka semakin akurat estimasi parameter populasinya.
Namun demikian, dapat bidayangkan jika populasi yang dimaksud adalah
populasi yang isinya mungkin sangat banyak hingga tak dapat dihitung. Maka untuk
menaksirnya juga dibutuhkan jumlah sampel yang banyak pula untuk mencapai suatu
keakuratan. Yang terjaidi adalah untuk mengnalisis itu semua dibutuhkan waktu yang
lama jika dilakukan analisis secara manual atau bahkan dengan kalkulator sekalipun.
Akan terjadi banyak errors pada hasil analisis yang dilakukan jika dilakukan dengan
tidak teliti. Namun adakan solusi untuk itu?
Di era yang modern ini, telah dikembangkan aplikasi pengolah data yang dapat
sangat membantu dalam anasisi yang dilakukan terhadap suatu statistika atau sampel.
Beberapa diantaranya ialah program R, SPSS, SAS, Minitab, dll. Prgoram aplikasi
yang demikian itu memberikan hasil anasisis data yang telah diinputkan. Dengan
bantuan program aplikasi tersebut, maka tugas kita hanyalah menginput data sampel
yang telah diambil dari sebuah populasi.
Sebagai mahasiswa yang diharapkan dapat menjadi manusia yang modern
maka mahasiswa dibekali dengan kemampuan untuk mengoperasikan aplikasi seperti
yang disebutkan di atas sekurang kurangnya satu. Diantara beberapa contoh program
aplikasi yang disebutkan diatas, Program R memiliki kelebihan yang paling menonjol
yakni penggunaanya yang gratis. Sehingga untuk melakukan praktikum dengan
aplikasi tersebut sangat membantu karena dapat diinstal oleh setiap praktikan. Dengan
demikian, mahasiswa di Jurusan Matematika, Fakultas MIPA, Universitas Halu Oleo,
pada matakluliah metode statistika, melaksanakan praktikum tetang penggunaan
aplikasi Program R.
Jurusan Matematika F-MIPA 1
Universitas Halu Oleo
2019
METODE STATISTIKA
1.2. Tujuan
Tujuan dilaksanakannya praktikum Metode Statistika adalah untuk:
1. Mengenali beberapa program aplikasi yang berhubungan dengan pengolahan
sampel, baik kelebihan maupun kekurangnnya serta mengenali sejarah
perkembangan aplikasi Program R.
2. Mengetahui jenis – jenis operator, syntax, serta tipe data dalam program R.
3. Mengetahui cara membuat, mengakses, dan memodifikasi vektor, serta
menggunakannya untuk membuat data frame, juga mengenal mengenal dan
mengetahui cara membuat matriks dalam program R.
4. Mengenal matriks dalam Program R, serta mengetahui cara mengakses dan
memodifikasi matriks. Juga bertujuan untuk mengetahui cara membuat data
frame dengan menggunakan matriks dan dengan mengkonversi file berekstensi
.csv.
5. Mengenal lebih lanjut mengenai data frame, mengetahui cara membuat data
frame dengan menu data editor, serta dapat membuat plot sederhana.
6. Mengetahui plot tidak sederhana serta mengetahui cara membuat berbagai jenis
plot tidak sederhana. Juga mengenal sebaran data.
7. Mengenal sebaran data kuantitatif dan kualitatif, serta mengetahui cara
membuat plot yang berkenaan dengan kedua sebaran data tersebut.
8. Mengenal distribusi peluang diskrit serta jenis – jenisnya juga membuat plot
sehubungan dengan sebaran peluang diskrit.
9. Megetahi cara membuat plot sebaran distribusi normal.
10. Mengenal uji rata – rata sampel serta mengetahui cara membuat plot yang
berhubungan dengan materi uji rata -rata.
1.3. Manfaat
Manfaat dilakukannnya praktikum metode statistika adalah:
1. Mengenali beberapa program aplikasi yang berhubungan dengan pengolahan
sampel, baik kelebihan maupun kekurangnnya serta mengenali sejarah
perkembangan aplikasi Program R.
2. Mengetahui jenis – jenis operator, Syntax, serta tipe data pada program R.
Jurusan Matematika F-MIPA 2
Universitas Halu Oleo
2019
METODE STATISTIKA
Alat dan bahan dalam praktikum metode statistika disajikan dalam tabel
berikut:
Tabel 1.1. Alat dan Bahan
No. Alat dan Bahan Fungsi
BAB II
PEMBAHASAN
2.1. Praktikum 1
Pada praktikum pertama dibahas mengenai beberapa jenis program aplikasi
pengolah data sampel.
2.1.1. Program Aplikasi Analisis Sampel
1. EViews
EViews yaitu programvkomputer berbasis windows yang banyak dipakai
untuka analisis statistika dan ekonometri jenis runtun-waktu yang mana perangkat ini
dikembangkan oleh perusahaan Quantitive Macro Software pada tahun 1994.
Kelebihan Eviews adalah sebangai berikut:
a. Memliki user interface yang bagus dan mudah dimengerti
b. Perhitungan menggunakan tingkat presisi yang tinggi hingga jenis double atau
10 kali perangkat 16 di belakang koma.
c. Dapat digunakan untuk perhitungan dengan sampel yang sangat besar.
d. Memiliki fitur yang termasuk lengkap untuk berbagai jenis model peramalan
terutama model runtun waktu dan model data panel.
e. Dilengkapi dengan berbagai pilihan koefisien estimasi yang robust pada
berbagai jenis model regresi.
f. Output baik table ataupun gambar mudah dicopy paste ke word.
Kekurangan Eviews adalah sebagai berikut:
a. Lebih condong atau lebih special untuk analisis ekonometrik sedangakn untuk
non ekonometrik fiturnya sangat berbatas.
b. Untuk software ekonometrika, tingkat kemampuannya masih tidak seluas
pesaingnya yaitu STATA dan SAS.
c. Untuk non ekonometrika masih tidak selengkap SPSS, dan dari sisi data base
masih tidak bias disejajarkan dengan system data base SPSS.
2. SPSS
SPSS merupakan singaktan dari Statistical Package For Social Science. SPSS
adalah sebuah program komputer yang digunakan untuk membuat analisis statistika
Jurusan Matematika F-MIPA 5
Universitas Halu Oleo
2019
METODE STATISTIKA
sosial. SPSS dipublikasikan oleh SPSS Inc. SPSS digunakan oleh peneliti pasar,
peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi
pemasaran, dan sebagainya. Selain analisis statistika, manajemen data (seleksi kasus,
penajaman file, pembuatan data turunan) dan dokumentasi data (kamus metadata ikut
dimasukkan bersama data) juga merupakan fitur-fitur dari software dasar SPSS.
Kelebihan yang dimiliki oleh SPSS ini adalah:
a. SPSS mampu mengakses data dari berbagai macam format data yang tersedia
seperti Base, Lotus, Access, text file, spreadsheet, bahkan mengakses database
melalui ODBC (Open Data Base Connectivity) sehingga data yang sudah ada,
dalam berbagai macam format, bisa langsung dibaca SPSS untuk dianalisis.
b. SPSS memberi tampilan data yang lebih informatif, yaitu menampilkan data
sesuai nilainya (menampilkan label data dalam kata-kata) meskipun sebetulnya
kita sedang bekerja menggunakan angka-angka (kode data).
c. SPSS memberikan informasi lebih akurat dengan memperlakukan missing data
secara tepat, yaitu dengan memberi kode alasan mengapa terjadi missing data.
d. SPSS melakukan analisis yang sama untuk kelompok-kelompok pengamatan
yang berbeda secara sekaligus hanya dalam beberapa mouse click saja.
e. SPSS mampu merangkum data dalam format tabel multidimensi (crosstabs),
yaitu beberapa field ditabulasikan secara bersamaan.
Kekurangan yang dimiliki oleh SPSS ini adalah:
a. Walaupun friendly user namun program ini tetap tergolong rumit, pengguna
program ini minimal harus mengetahui dasar dari ilmu statistik untuk bisa
menjalani program ini.
b. SPSS tergolong memiliki perkembangan yang cepat. Sehingga kadang tampilan
secara fisik berbeda dengan SPSS yang lama dan user harus beradaptasi
kembali dengan sistem yang baru. Dan efek lainnya adalah user harus pintar-
pintar memilih seri SPSS yang tepat untuk komputernya.
c. Terdapat banyak versi spss yang beredar, sehingga pemilihan spss harus sesuai
dengan komputer yang kita gunakan (KN).
3. Minitab
Minitab adalah program komputer yang dirancang untuk melakukan
pengolahan statistik. Minitab mengkombinasikan kemudahan penggunaan layaknya
Microsoft Excel dengan kemampuannya melakukan analisis statistik yang kompleks.
Minitab dikembangkan di Pennsylvania State University oleh periset Barbara F. Ryan,
Thomas A. Kelebihan Minitab ini adalah sebagai berikut:
a. Minitab menyediakan StatGuide yang menjelaskan cara melakukan interpretasi
table dan grafik statistika yang dihasilkan oleh Minitab dengan cara yang
mudah dipahami.
b. Minitab memiliki ukuran worksheet dinamis dan memuat kolom sampai 4.000.
c. Minitab memiliki dua layar primer yaitu Worksheet (lembar kerja) dan sesi
command (layar untuk menampilkan hasil).
d. Tampilan menu di Minitab, lebih lengkap dan disertai toolbar-toolbar sehingga
akan memudahkan anda dalam menjalankan perintah.
e. Mempunyai file Minitab Worksheet (MTW) dan Minitab Project (MPJ) yang
digunakan untuk membedakan file worksheet dan file project.
f. Minitab menyediakan ReportPad agar mudah membuat laporan project yang
telah dibuat.
g. Minitab memberikan kebebasan pada anda dalam membuat nama yang panjang
pada file tanpa harus menyingkat nama file.
h. Minitab menyediakan fasilitas makro untuk membuat program yang
berulangkali dipakai, memperluas fungsi Minitab, atau mendesain perintah
sendiri. Selain itu Minitab memiliki Bahasa pemrograman makro lebih mudah.
Kekurangan dari minitab adalah sebagai berikut:
a. Rentang analysis statistic yang dapat dilakukan minitab langsung setelah
instalasi tidak selebabar paket lain seperti SPSS ataupun SAS.
b. Walaupun minitab pada umumnya dianggap mudah digunakan, dan beroperasi
antarmuka namun secara intuitif siapapun yang sudah familiar dengan paket
statistic yang lain, akan kesulitan dengan minitab apalagi pemula.
c. Menurut Christine Currie dan Vesna Perisic, minitab tidak secara meluas
digunakan dalam bidang industry. Dalam kata lain tidak pupoler di dunia
industry.
d. Kemampuan kurang untuk performasi secara matematik dan analisis secara
numeral.
4. Program R
Prgram R adalah suatu kesatuan software yang terintegrasi dengan beberapa
fasilitas untuk manipulasi, perhitungan dan penampilan grafik yang handal. R berbasis
pada bahasa pemrograman S, yang dikembangkan oleh AT&T Bell Laboratories
(sekarang Lucent Technologies) pada akhir tahun '70 an. Kelebihan program R adalah
sebagai berikut:
a. Bebas untuk mempelajari dan menggunakannya sampai waktu kapan pun.
b. bersifat multiplatforms operating systems, lebih kompatibel dibanding software
statistika manapun yang pernah ada.
c. Berbagai metode analisis statistika telah diprogramkan ke dalam bahasa R.
Dengan demikian software ini dapat digunakan untuk berbagai macam analisis
statistika. Baik pendekatan klasik maupun pendekatan statistika modern.
d. User dapat memprogramkan metode baru atau mengembangkan modifikasi dari
fungsi-fungsi analisis statistika yang telah ada dalam sistem R.
e. Bahasa R sangat baik untuk melakukan programming dengan basis matriks.
f. Fasilitas grafik yang relatif baik. Bahasa grafis dapat di program sehingga bisa
melampaui kemampuan sebagian besar paket statistika lainnya.
g. R bisa mengimpor data dari file CSV, SAS, SPSS, Excel, Access, Oracle,
MySQL, dan SQLite. R juga dapat menghasilkan output grafik dalam format
PDF, JPG, PNG dan SVG serta output tabel untuk LATEX dan HTML.
Kelemahan program R adalah sebagai berikut:
a. Butuh waktu untuk terbiasa dalam pemakaian R, sehingga tidak mudah
digunakan bagi pemula.
b. Interaksi utama dengan R adalah bersifat CLI (Command Line Interface).
Walaupun saat ini telah tersedia menu Point and Click GUI (Graphical User
terhadap berbagai bisnis seperti Manajemen TI, manajemen sumber daya manusia,
manajemen keuangan, intelijen bisnis, dan lain sebagainya.
Kelebihan yang dimiliki SAS yaitu:
a. Hasilnya lebih akurat karena menghasilkan angka dibelakang koma lebih
banyak.
b. Apabila menggunakan syntax menginputkan data lebih mudah karena bisa di
copy dari file mana saja, namun harus hafal atau tahu syntax untuk analisisnya.
c. Tidak membutuhkan sertifikasi komputer yang tinggi.
Kekurangan SAS antara lain:
a. Terbatas untuk konsep statistika sosial.
b. Belum terintegrasi dengan program data base.
2.1.2. Sejarah R
R project pertama kali dikembangkan oleh Robert Gentleman dan Ross Ihaka
(nama R untuk sofware ini berasal dari huruf pertama nama kedua orang tersebut) yang
bekerja di departemen statistik Universitas Auckland tahun 1995. Sejak saat itu
software ini mendapat sambutan yang luar biasa dari kalangan statistikawan, industrial
engineering, peneliti, programmer dan sebagainya.
Paket statistik R bersifat multiplatforms, dengan file instalasi binary/file tar
tersedia untuk sistem operasi Windows, Mac OS, Mac OS X, Linux, Free BSD,
NetBSD, irix, Solaris, AIX, dan HPUX. Fungsi dan kemampuan dari R sebagian besar
dapat diperoleh melalui Add‐on packages/library. Suatu library adalah kumpulan
perintah atau fungsi yang dapat digunakan untuk melakukan analisis tertentu. Sebagai
contoh library yang sangat powerful adalah R-commander dan Rattle. Versi terbaru
dari program R per 2 Juli 2018 adalah versi 3.5.1.
2.1.3. Pentingnya Paket Program pada Matakuliah Metode Statistik
Paket program dibutuhkan dalam mata kuliah metode statistic yaitu mengingat
perkembangan zaman telah maju. Dimana proses perhitungan dapat dilakukan dengan
lebih cepat dan akurat dengan menggunakan komputer. Penting bagi mahasiswa
dibekali kemapuan untuk menjalankan program untuk statistic sebab tidak menunutuk
kemungkinan mahasiwa suatu saat bekerja di sebuah perusahaan dimana dibutuhkan
Jurusan Matematika F-MIPA 10
Universitas Halu Oleo
2019
METODE STATISTIKA
kemampuan untuk membuat menganalisis dan suatu data statistic. Dengan ini
pekerjaan itu dapat dilakukan dengan mudah, cepat, dan akurat.
2.1.4. Pengertian Metode Statistika
Metode didefinisikan dengan cara kita melakukan sesuatu. Sdangkan statistika
yaitu ilmu yang mempelajari tentang statistik dimana dalam kuliah pertama kami
diperkenalkan bahwa satistik adalah tentang sampel baik. Dengan demikian saya
menyimpulakn bahwa metode statistic yaitu cara yang dilakukan untuk mengolah,
mengumpulkan, mengintepretasikan, dan mempresentasikan data atau dalam hal ini
adalah sampel.
Statistika merupakan disiplin ilmu yang mempelajari mengenai metode atau
Teknik mengumpulkan, mengola, meneganalisa, dan menyajikan data secara ilmiah.
Sedangkan statistic adalah hasil data atau kumpulan data baik berupa bilangan ataupun
non bilangan yang didapatkan dari pengumpulan data yang sudah diproses melalui
statistika.
2.2. Praktikum 2
Pada praktikum kedua dibahas mengenai operator – operator, syntax, serta tipe
data yang ada dalam program R.
2.2.1. Operator Dalam R
1. Operator Aritmatika
Operator Aritmatika adalah operator yang digunakan untuk menghitung secara
matematika. Operator aritmatika dalam program R disajikan dalam tabel berikut:
Tabel 2.1. Operator Aritmatika
Contoh
No. Operator Fungsi
> gue=1
Digunakan untuk menjumlahkan > elo=2
1. +
angka – angka. > gue+elo
[1] 3
> gue=1
Digunakan untuk melakukan > elo=2
2. -
pengurangan. > gue-elo
[1] -1
> gue=3
Digunakan untuk melakukan > elo=2
3. *
operasi perkalian. > gue*elo
[1] 6
> gue=3
Digunakan untuk melakukan > elo=2
4. /
operasi pembagian > gue/elo
[1] 1.5
Digunakan untuk operasi
perpangkatan dimana angka > gue=3
5. ^ setelah operator tersebut > gue^2
merupakan pangkat dari angka [1] 9
2. Operator Logika
Operator logika adalah operator yang hanya untuk menentukan apakah dua
atau lebih pernyataan bernilai benar atau salah. Berikut tabel operator logika:
Tabel 2.2. Tabel operator logika
No. Operator Fungsi Contoh
Berfungsi untuk mengecek apakah >I<-c(2,4,9,70)
setiap elemen vector pertama yang >N<-c(2,5,11,100)
1. == > I==N
bersesuaian sama dengan elemen [1] TRUE FALSE
pada vector kedua. FALSE FALSE
Berfungsi untuk mengecek apakah >I<-c(2,4,9,70)
setiap elemen pafa vector pertama >N<-c(2,5,11,100)
2. < > I<N
lebih kecil dari setiap vector [1] FALSE TRUE
pemabading yang bersesuaian. TRUE TRUE
Berfungsi untuk mengecek apakah > I<-c(2,4,9,70)
setiap elemen pafa vector pertama > N<-c(2,5,3,100)
3. > > I>N
lebih besar dari setiap vector [1] FALSE FALSE
pemabading yang bersesuaian. TRUE FALSE
Berfungsi untuk mengecek apakah
> I<-c(2,4,9,70)
setiap elemen pafa vector pertama > N<-c(2,5,3,100)
4. >= lebih besar atau sama dengan setiap > I>=N
elemen vector pemabading yang [1] TRUE FALSE
TRUE FALSE
bersesuaian.
Berfungsi untuk mengecek apakah
> I<-c(2,4,9,70)
setiap elemen pafa vector pertama > N<-c(2,5,3,100)
5. <= lebih kecil atau sama dengan setiap > I<=N
elemen vector pemabading yang [1] TRUE TRUE
FALSE TRUE
bersesuaian.
Berfungsi untuk mengecek apakah > I<-c(2,4,9,70)
setiap elemen vector pertama yang > N<-c(2,5,3,100)
6. != > I!=N
bersesuaian tidak sama dengan [1] FALSE TRUE
elemen pada vector kedua. TRUE TRUE
3. Operator Aneka
Operator aneka adalah operator yang memiliki fungsi yang khusus tentang
matrikx. Operator aneka disajikan dalam program R disajikan dalam table berikut:
Tabel 2.3. Operator Aneka
No. Operator Fungsi Contoh
Berfungsi untuk menciptakan > indra <- 0:10
> print(indra)
1. : rangkaian angka secara berurutan
[1] 0 1 2 3 4 5 6
untuk sebuah vector. 7 8 9 10
> I<-9
> N<-7.5
Berfungsi untuk memeriksa > D<-5:11
2. %in% apakah suatu elemen termasuk > print(I%in%N)
fungsi. [1] FALSE
> print(I%in%D)
[1] TRUE
>I=matrix(c(3,7,3,2,8,5),
nrow=3, ncol=2)
>N=matrix(c(1,2,3,4),
nrow=2, ncol=2)
Berfungsi untuk mengalikan > Alamsyah=I%*%N
3. %*% > print(Alamsyah)
matrix.
[,1] [,2]
[1,] 7 17
[2,] 23 53
[3,] 13 29
> Indra<-
c(4,6,2,7,8,3,9,2)
4. rev Berfungsi untuk membalik data > rev(Indra)
[1] 2 9 3 8 7 2 6 4
> Indra<-
Digunakan untuk menjumlahkan c(4,6,2,7,8,3,9,2)
5. sum
data. > sum(Indra)
[1] 41
> Indra<-
Berfungsi untuk menetukan data c(4,6,2,7,8,3,9,2)
6. max
terbesar dari gugus data. > max(Indra)
[1] 9
> Indra<-
Berfungsi untuk menetukan data c(4,6,2,7,8,3,9,2)
7 min
terkecil dari gugus data. > min(Indra)
[1] 2
1.3. Tipe Data dalam Program R
Tipe data adalah jenis atau mode yang dipahami oleh program tentang masukan
yang diberikan sehingga program dapat berjalan sesuai dengan yang diinginkan. Untuk
mengecek tipe data suatu input digunakan format “>mode (b)”lalu tekan enter.
Berikut adalah tipe data dalam R-Programming:
1. Numeric
Numeric adalah tipe data yang hanya berisikan angka – angka saja.
Contoh:
2. Function
Function adalah tipe data yang berisikan fungsi – fungsi matematika.
Contoh:
4. Tabel
Untuk membuat tabel pada program R, statement yang digunakan yaitu
edit(data.frame()). Berikut langkah – langkah membuat tabel:
(I) Membuat statement
Contoh:
Contoh:
2.3. Praktikum 3
Dalam praktikum ketiga, dibahas mengenai vektor dan matriks. Dimana vektor
dibuat dalam program R yang kemudian dapat digunakan untuk membuat data frame.
Matriks diperkenalkan dan kemudian dibuat dalam program R.
2.3.1. Vektor
Vektor adalah objek paling dasar yang dikenal dalam program R, yang
merupakan himpunan dari suatu data dengan tipe yang sama (numeric, logica, atau
charatcer).
1. Membuat Vektor
Vektor dalam program R dapat dibuat dengan cara seperti dalam tabel berikut:
Tabel 2.5. Cara Membuat Vektor
No. Format Fungsi Contoh
Membuat vektor
1. dengan elemen terurut > 3:8
>a:b
dari a sampai b [1] 3 4 5 6 7 8
dengan beda satu.
Membuat vektor
2. dengan elemen sesuai > c(1,5,3,8,2,9)
>c(a,b,c,d,e)
dengan yang [1] 1 5 3 8 2 9
diinginkan.
Membuat vektor
dengan elemen terurut > seq(3,8)
>seq(a,b)
dari a sampai b [1] 3 4 5 6 7 8
dengan beda satu.
Membuat vektor
dengan elemen
3. >seq(a,b, > seq(3,8,by=2)
>seq didaftarkan terurut
by=c) [1] 3 5 7
dari a sampai b
dengan beda c.
Membuat vektor
>seq(from dengan elemen terurut >seq(from=7,to=15,by=2)
=a, to=b,
dari a sampai b [1] 7 9 11 13 15
by c)
dengan beda c.
Membuat vektor
dengan elemennya
sebanyak c yang > seq(3,11,length=6)
>seq(a,b,
[1] 3.0 4.6 6.2 7.8
length=c bedanya sama, dan 9.4 11.0
nilainya terurut dari a
sampai b.
2. Mengakses Vektor
Mengakses vector dalam program R dapat dilakukan dengan cara - cara
tertentu. Misalnya x adalah sebuah vector dinotasikan “>x=a:b” di dalam program,
maka untuk mengakses vector tersebut dapat dilakukan dengan cara – cara seperti
berikut:
Tabel 2.6. Cara Mengakses Vektor
No. Format Fungsi Contoh
Menampilkan elemen ke-m dalam > x=2:11
1. >[m] > x[6]
vector x. [1] 7
Menampilkan elemen ke-m dan ke n > x=2:11
2. >x[c(m,n)] > x[c(4,8)]
dari vector x [1] 5 9
> x=2:11
3. >x[-n] Menampilkan semua elemen vector > x[-5]
yang bukan elemen ke-n [1] 2 3 4 5
7 8 9 10 11
> x=2:11
4. >x[-c(m,n)]
Menampilakan semua elemen vector > x[-c(2,6)]
yang buka ke-m dan juga buka ke-n [1] 2 4 5 6
8 9 10 11
> x=2:11
5. >x[x>n]
Menampilkan semua elemen vector > x[x>5]
dari ke-n sampai akhir. [1] 6 7 8 9
10 11
Menampilkan elemen vektor mulai > x=2:11
6. >x[m:n] > x[4:7]
dari ke-m sampai ke-n. [1] 5 6 7 8
3. Memodifikasi Vektor
Memodifikasi vektor dapat diartikan sebagai memanipulasi elemen - elemen
dalam vector. Misalkan ‘v’ adalah sebuah vektor dalam program R, maka untuk
memodifikasinya dapat dilakukan dengan cara seperti pada tabel berikut:
Mengulangi elemen
3. vector v yang elemenya > rep(4:8,rep(3:3))
>rep(a:b,rep(b:b) dari a sampai b sebanyak [1] 4 5 6 7 8 4 5 6 7
c kali. 8 4 5 6 7 8
>rep(a:b,each=c)
> rep(1:3,each=4)
[1] 1 1 1 1 2 2 2 2 3
3 3 3
> rbind(2,5,3,8,4)
[,1]
[1,] 2
[2,] 5
2. Membuat matriks dengan rbind dan [3,] 3
cbind. [4,] 8
[5,] 4
> cbind(2,5,3,8,4)
[,1] [,2] [,3] [,4] [,5]
[1,] 2 5 3 8 4
> i=array(1:9,dim=c(3,3))
> i
3. Membuat matriks menggnakan array [,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
2.3.3. Data Frame Program R
Data Frames di R adalah fungsi yang dapat digunakan untuk membuat
kerangka data, koleksi dari variabel-variabel yang mana memiliki karakteristik seperti
matriks. Ibaratnya data frame membuat data yang anda susun mirip seperti tabel yang
terdiri dari baris dan kolom pada Excel atau Calc. Contoh penggunaannya adalah
sebagai berikut:
Lalu ketikkan:
> df = data.frame(nama,berat)
Bisa dilihat bahwa pada df vektor-vektor nama dan berat disusun menjadi tabel dalam
bentuk kolom dan baris layaknya matriks. Dengan menyusun data menjadi data frame,
kita dapat memperoleh kesimpulan-kesimpulan seperti keterangan ataupun sebaran
Jurusan Matematika F-MIPA 22
Universitas Halu Oleo
2019
METODE STATISTIKA
dan pusat data dengan fungsi summary seperti pada contoh verikut ini:
> summary(df)
nama berat
Alona :1 Min. :30.00
Indra :1 1st Qu.:37.50
Marisa:1 Median :52.50
Master:1 Mean :51.25
3rd Qu.:66.25
Max. :70.00
Selain itu kita juga dapat memanggil elemen-elemen yang terdapat pada data frame
berdasarkan kolom dan baris seperti berikut:
> df[1,]
nama berat
1 Indra 70
Pada fungsi diatas kita memanggil elemen pada baris 1 pada data frame.
> df[,"nama"]
[1] Indra Master Alona Marisa
4 Levels: Alona ... Master
Pada fungsi diatas kita memanggil elemen pada kolom “nama” pada data frame.
> df[1,"nama"]
[1] Indra
Pada fungsi diatas kita memanggil elemen pada baris 1 pada kolom “nama” pada
data.frame. Selain itu kita dapat juga melakukan manipulasi data dengan
menggunakan data frame yang telah dibuat.
> df[1,"berat"]=80
Pada fungsi diatas kita mencoba melakukan manipulasi data pada kerangka data df di
baris 1 kolom “berat” menjadi 80 sehingga jika kita panggil kembali df maka akan
terlihat perubahan datanya.
> df
nama berat
1 Indra 80
2 Master 65
3 Alona 40
4 Marisa 30
2.4. Praktikum 4
Para praktikum keempat dibahas mengenai pengenalan matriks dalam Program
R, cara mengakses dan memodifikasi matriks. Juga cara membuat data frame dengan
menggunakan matriks dan dengan mengkonversi file berekstensi .csv.
2.4.1. Matriks pada Program R
Matriks adalah sekumpulan bilangan yang disusun secara baris dan kolom yang
dibatasi oleh tanda kurung baik kurung biasa maupun kurung siku. Matriks meiliki
ukurang yang disebut juga ordo matriks. Misalnya suatu matriks memiliki m baris dan
n kolom, maka ordo dari matriks tersebut adalah m x n.
1. Mengakses matriks pada program R
Dalam program R kita dapat mengakses sebuah matrix dengan beberapa cara
tertentu. Misalkan m adalah jumlah baris dan n adalah jumlah kolom pada matriks a
atau matriks p, maka untuk mengakses matriks tersebut dapat dilakukan dengan cara
atau format – format seperti berikut:
Tabel 2.9. Mengakses Matrix pada Program R
No. Format Fungsi Contoh
> x=12:20
>
a=matrix(x,ncol=3,nrow=3
)
Menampilkan entri – entri > a
>a[,n] dalam matriks pada [,1] [,2] [,3]
1. Dan [1,] 12 15 18
>a[m,] kolom ke-n dan pada baris [2,] 13 16 19
ke-m [3,] 14 17 20
> a[,2]
[1] 15 16 17
> a[2,]
[1] 13 16 19
> x=12:20
>a=matrix(x,ncol=3,nrow=
3)
Berturut – turut berfungsi > a
untuk mengganti entri [,1] [,2] [,3]
pada baris m kolom n [1,] 12 15 18
>p[m,n]=a
[2,] 13 16 19
>p[,n]=c(x, dengan a, mengganti
2. [3,] 14 17 20
y,z)
seluruh entri pada kolom > a[2,2]=5
>p[m,]=c(x,
> a[,1]=c(1,2,3)
y,z) ke-n dengan x,y,z, dan > a[1,]=c(1,2,3)
mengganti seluruh entri > a
baris ke-m dengan x,y,z. [,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 5 19
[3,] 3 17 20
>
Untuk membuat matriks x=matrix(seq(6:14),ncol=
3,nrow=3)
>p=matrix(s yang entrinya tersusun
3. > x
eq(a:b),nco
dari a sampai b [,1] [,2] [,3]
l=n,nrow=m)
[1,] 1 4 7
berdasarkan kolom [2,] 2 5 8
[3,] 3 6 9
2. Modifikasi Matriks
Dalam program R, matriks dapat dimodifikasi yakni seperti menjumlahkan
matriks, mengalikan matriks, sampai mencari sisa bagi dari dua buah matriks.
Misalkan a dan b adalah keduanya matriks, maka memodifikasi matriks dapat
dilakukan dengan cara seperti berikut.
Tabel 2.10. Cara Memodifikasi Matrix pada Program R
No. operator Fungsi Contoh
> b=matrix(seq(6:14),ncol=3,nrow=3)
>
a=matrix(c(4,9,16,36,49,64,81,100,121
Untuk ),nrow =3,ncol=3)
1. + menjumlakan > a+b
matriks [,1] [,2] [,3]
[1,] 5 40 88
[2,] 11 54 108
[3,] 19 70 130
> b=matrix(seq(6:14),ncol=3,nrow=3)
>
a=matrix(c(4,9,16,36,49,64,81,100,121
Untuk ),nrow =3,ncol=3)
2. - mengurangkan > a-b
dua matriks [,1] [,2] [,3]
[1,] 3 32 74
[2,] 7 44 92
[3,] 13 58 112
> b=matrix(seq(6:14),ncol=3,nrow=3)
>
Untuk a=matrix(c(4,9,16,36,49,64,81,100,121
mengalikan ),nrow =3,ncol=3)
3. %*% > a%*%b
dua buah [,1] [,2] [,3]
matriks [1,] 319 682 1045
[2,] 407 881 1355
[3,] 507 1110 1713
>
a=matrix(c(4,9,16,36,49,64,81,100,121
Untuk ),nrow =3,ncol=3)
4. > t(a)
t(a) mentranspose
[,1] [,2] [,3]
matriks a [1,] 4 9 16
[2,] 36 49 64
[3,] 81 100 121
>
Untuk mebalik a=matrix(c(4,9,16,36,49,64,81,100,121
matriks ),nrow =3,ncol=3)
5. > solve(a)
solve(a) (mencari
[,1] [,2] [,3]
invers [1,] 1.4017857 -2.464286 1.0982143
matriks) [2,] -1.5208333 2.416667 -0.9791667
[3,] 0.6190476 -0.952381 0.3809524
>
a=matrix(c(4,9,16,36,49,64,81,100,121
Untuk ),nrow =3,ncol=3)
6. memangkatka > a^2
a^n
n n setiap entri [,1] [,2] [,3]
pada matriks a [1,] 16 1296 6561
[2,] 81 2401 10000
[3,] 256 4096 14641
Untuk >
menghitung a=matrix(c(4,9,16,36,49,64,81,100,121
7. det(a) ),nrow =3,ncol=3)
determinan > det(a)
matriks a [1] -336
Untuk >
a=matrix(c(4,9,16,36,49,64,81,100,121
membagi ),nrow =3,ncol=3)
setriap entri > a/b
8. a/b pada matriks a [,1] [,2] [,3]
[1,] 4.000000 9.00000 11.57143
dan matriks b [2,] 4.500000 9.80000 12.50000
yang [3,] 5.333333 10.66667 13.44444
bersesuaian
>
Untuk a=matrix(c(4,9,16,36,49,64,81,100,121
menujukan ),nrow =3,ncol=3)
entri entri > a
9. [,1] [,2] [,3]
Diag(a) yang letaknya
[1,] 4 36 81
sebagai [2,] 9 49 100
diagonal [3,] 16 64 121
matriks a > diag(a)
[1] 4 49 121
>
Untuk a=matrix(c(4,9,16,36,49,64,81,100,121
),nrow =3,ncol=3)
menghitung > sqrt(a)
10. sqrt(a) akar setiap [,1] [,2] [,3]
entri pada [1,] 2 6 9
matriks a [2,] 3 7 10
[3,] 4 8 11
Hasil run :
2. Membuka aplikasi program R lalu memanggil data yang telah dibuat dengan
mengetikkan syntax seperti berikut.
>Dataku <- read.csv(file.choose(), header=TRUE)
Setelah itu tekan enter selanjutnya komputer akan membuka jendela file
browser untuk mencari file .csv yang telah disimpan sebelumnya. Setelah
memilih file tersebut, ketikkan pada R console “View(Dataku)” sehingga hasil
run akan tampak seperti berikut:
2.5. Praktkum 5
Praktikum kelima membahas lebih lanjut mengenai data frame, cara membuat
data frame dengan menu data editor, serta dapat membuat plot sederhana.
2.5.1. Data Frame
Data frame adalah data yang ditampilkan dalam bentuk seperti matriks yaitu
dalam kolom dan baris. Selain mengkonversi file dari excel, data frame juga dapat
dibuat menggunakan matriks dan menggunakan Data Editor sehingga menjadi sesuai
dengan yang kita ingikan dengan syntax dan langkah – langkah sebagai berikut:
1. Menggunakan Matriks
Langkah – langkah mebuat data frame dengan menggunakan matriks yaitu:
(i) Buatlah matriks dengan isian data yang kita inginkan.
Contoh:
>indra=matrix(c('Muhamad Indra Alamsyah','Anggita
Septiawati','F1A118039','F1A118011',100,0),ncol=3,nrow=2)
(ii) Masukkan matriks ke dalam variabel yang didefinisikan sebagai data frame.
Contoh:
> alamshah=data.frame(indra)
(iii) Berikan nama untuk setiap kolom yang syntax-nya dengan “attr” dan baris
dengan “row.names”.
Contoh:
> attr(alamshah,"names")=c("Nama","NIM","Nilai")
> row.names(alamshah)=c('1.','2.')
(iv) Run dengan mengetikkan variabel data frame kemudian tekan enter. Hasil run
contoh di atas akan tampak seperti berikut:
> alamshah
Nama NIM Nilai
1. Muhamad Indra Alamsyah F1A118039 100
2. Anggita Septiawati F1A118011 0
2. Menggunkan Data Editor
Berikut langkah – langkah mebuat data frame dengan meggunakan Data Editor:
(i) Masukkan syntax “>u=edit(data.frame())” pada R console dimana u
merupakan variabel yang dapat diganti dengan apa saja, kemudian tekan enter
dan akan tampil menu data editor.
Jurusan Matematika F-MIPA 30
Universitas Halu Oleo
2019
METODE STATISTIKA
Hasil run:
2.6. Praktikum 6
Praktikum keenam membahas tentang plot tidak sederhana serta pembuatan
berbagai jenis plot tidak sederana. Juga pengenalan awal tentang sebaran data.
2.6.1. Plot Tidak Sederhana
Plot tidak sederhana adalah lanjutan dari plot sederhana yang memasangkan
data dalam grafik parameter x,y dengan syntax yang sedikit lebih panjang. Dalam plot
tidak sederhana, warna grafik dapat disesuaikan dengan yang diinginkan dengan jenis
– jenis grafik tertentu. Namun pada dasarnya, membuat plot tidak sederhana tidak
sesulit judulnya. Membuat plot tidak sederhana mudah dengan mengikuti langkah –
langkah sebagai berikut:
(i) Buat data frame baik dengan menggunakan vector, matriks, maupu berupa hasil
convert dari file tipe .csv.
Contoh:
> indra
nama tinggi badan
1 indra 155
2 hamka 165
3 yerlin 178
4 mustafa 154
5 syawal 166
6 derik 177
7 irhan 186
8 oheo 168
9 nazar 156
10 amin 177
11 tampo 190
(ii) Ketikkan syntax berikut untuk mendefinisikan kolom apa yang akan menjadi
parameter y dalam plot yang dibuat:
> y=u$"tinggi badan"
(iii) Ketikkan pada R console masing - masing syntax sesuai dengan jenis plot yang
ingin dibuat. Syntax yang digunakan pada dasarnya sama untuk semua jenis plot
tidak sederhana, yang membedakan hanyalah kode jenis plot-nya.
Contoh:
> plot(y,main="tinggi badan",ylab="Tinggi
badan",type="o",col="pink")
> legend("topright",c("type overplotted"),fill=c("pink"))
Kata pink di atas menunjukan warna grafik yang digunakan. Warna grafik dapat
diubah sehingga sesuai dengan apa yang diinginkan.
(iii) Run dengan menekan tombol enter pada program R.
1. Plot Tipe Over Plotted
Tipe plot ini merupakan tipe plot tidak sederhana yang plot dari grafiknya
dihubungkan dengan garis – garis. Berdasarkan contoh pada langkah – langkah
membuat plot di atas, untuk membuat plot jenis ini dimasukkan syntax seperti berikut:
> plot(y,main="tinggi badan",ylab="Tinggi
badan",type="o",col="pink")
> legend("topright",c("type overplotted"),fill=c("pink"))
Hasil run:
Hasil run:
Hasil run:
Hasil run:
2.7. Praktikum 7
Pada praktikum ketujuh dibahas tentang sebaran data kuantitatif dan kualitatif
seta pembuatan plot yang berkenaan dengan kedua jenis sebaran data tersebut.
2.7.1. Sebaran Data Kuantitatif.
Sebaran data kantitatif yaitu data – data bertipe numeric yang disajikan dalam
bentuk – bentuk tertentu. Dalam program R, data kuantitatif dapat disebar dalam
beberapa cara dibawah ini dengan merujuk pada data frame berikut:
> indra<- read.csv(file.choose(), header=TRUE)
> indra
Nama Nilai Predikat
1 Ihzan 20.00 Tidak Baik
2 Parto 62.75 Baik
3 Asikin 71.35 Baik
4 Retno 48.75 Tidak Baik
5 Indra 100.00 Baik
6 Azimsyah 76.00 Baik
7 Abyan 81.50 Baik
8 Farhan Badilla 48.00 Tidak Baik
9 Zakariah 73.25 Baik
10 Farhan Adima 73.50 Baik
1. Scatter Plot
Scatter Plot adalah sebaran data yang disajikan dalam bentuk titik. Plot ini
dapat dibuat dengan syntax seperti pada contoh berikut berikut:
> plot(indra$nilai,main="Nilai Mahasiswa",col="blue",ylab="Nilai")
Hasil run:
Keterangan:
plot merupakan kode dari scatter plot
main=, berfungs untuk memberikan nama plot
col=, berfungsi untuk meberikan warna pada plot
ylab, berfungsi untuk memberikan nama bagi indeks pada sumbu Y dalam plot
2. Histogram
Histogram adalah sebaran data kuantitatif yang dapat dibuat di program R.
dalam statistika, diagram histogram adalah diagram yang mirip dengan diagram batang
yakni dibuat berdasarkan batas bawah dan batas atas. Sehingga akan tampak seperti
diagram batang yang batagnya saling menempel satu sama lain. Berikut contoh syntax
yang dapat digunakan untuk membuat histogram.
>hist(indra$Nilai,main="Nilai
Mahasiswa",col="red",ylab="Frekuensi",xlab="Nilai",labels=TRUE,yli
m=c(0,10))
Hasil run:
Hasil run:
2 | 0
4 | 89
6 | 31346
8 | 2
10 | 0
2.7.2. Sebaran Data Kualitatif
Sebaran data kualitatif yaitu sebaran data yang menggunakan tipe data
character. Sebaran data Kuantitatif dapat dibuat seperti di bawah ini dengan
menggunakan data frame berikut:
> indra<- read.csv(file.choose(), header=TRUE)
> indra
Nama Nilai Predikat
1 Ihzan 20.00 Tidak Baik
2 Parto 62.75 Baik
3 Asikin 71.35 Baik
4 Retno 48.75 Tidak Baik
5 Indra 100.00 Baik
6 Azimsyah 76.00 Baik
7 Abyan 81.50 Baik
8 Farhan Badilla 48.00 Tidak Baik
9 Zakariah 73.25 Baik
10 Farhan Adima 73.50 Baik
1. Tabel Frekuensi
Tabel frekuesni adalah sebaran data kualitatif yang berfungsi untuk
menampilkan frekuansi dari karakter – karakter dalam data frame di atas. Berikut
contoh syntax tabel frekuensi:
> alamshah=table(indra$Predikat)
> alamshah
Keterangan:
round, befungsi untuk mendefinisikan apa dan bagaimana isian pada bagian -
bagian dalam plot Pie Chart
pie, merupakan kode untuk membuat plot Pie Chart
col=, merupakan kode untuk meberikan warna pada plot
3. Bar Plot
Plot jenis ini merupakan plot yang berfungsi membuat kode batang bedasarkan
sebaran data kualitatif. Berikut contoh bar plot:
> alamshah=table(indra$Predikat)
> barplot(alamshah,main="Data Mahasiswa",col="pink")
Hasil run:
> alamshah
> dotchart((alamshah),main="Nilai Mahasiswa",col="green")
Hasil run:
Hasil run:
2.8. Praktikum 8
Praktikum kedelapan membahas mengenai sebaran peluang deskrit sera jenis
jenisnya, juga pembuatan plot sehubungan dengan sebaran peluang diskrit.
2.8.1. Pengertian Distribusi Peluang Diskrit
Distribusi peluang diskrit adalah distribusi peluang dimana semesta peubah
acaknya dapat dihitung atau berhingga, misalnya peubah acak sebuah lemparan dadu
bernilai 1 hingga 6. Apabila himpunan pasangan terurut (x,f(x)) merupakan suatu
fungsi peluang, fungsi masa peluang, atau distribusi peluang peubah acak diskrit x
maka untuk setiap kemungkinan hasil x berlaku:
1. 𝑓(𝑥) ≥ 0; ∀ 𝑥 ∈ 𝑅
2. ∑ 𝑠𝑒𝑚𝑢𝑎 𝑥 𝑓(𝑥) = 1
3. P(X=x) = 0
2.8.2. Jenis-Jenis Peluang Diskrit
1. Distribusi Bernoulli
Karakteristik Distribusi Bernoulli yaitu:
a. Percobaan dilakukan 1 kali.
b. Percobaan hanya mampu menghasilkan 2 hasil yang mungkin yaitu sukses atau
gagal.
Distribusi Bernoulli dengan peluang sukses 0 ≤ 𝑝 ≤ 1 dan peluang gagal q = 1 - p,
maka distribusi peluang peubah/variabel acak Bernoulli X adalah:
Fungsi kepadatan peluang (pdf)
𝑝 𝑥 (1 − 𝑝)1−𝑥 ; 𝑥 = 0,1
𝑓(𝑥; 1, 𝑝) = {
0; 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
Selanjutnya dinotasikan sebagai 𝑋~𝐵𝐼𝑁(1, 𝑝), yaitu distribusi binomial dengan
parameter p. Jika X berdistribusi Bernoulli maka:
a. 𝐸(𝑋) = 𝑝
b. 𝑉𝑎𝑟(𝑋) = 𝑝(1 − 𝑝)
Peluang terambilnya kartu As di setiap pengambilan satu kotak kartu
merupakan salah satu contoh percobaan Bernoulli
2. Distribusi Binomial
Distribusi Binomial merupakan distribusi peluang yang dihasilkan dari proses
Bernoulli yang memiliki empat karakteristik utama, yaitu:
a. Percobaan dilakukan sebanyak n kali, n>1.
b. Tiap percobaan memiliki dua hasil saja: sukses atau gagal.
c. Peluang sukses (p) pada setiap percobaan adalah konstan.
d. Pengulangan percobaan harus bebas (independent) satu sama lain, artinya hasil
eksperimen yang satu tidak mempengaruhi hasil eksperimen yang lainnya.
Sebuah percobaan Bernoulli dengan peluang sukses p dan peluang gagal q= 1-
p, maka distribusi peluang peubah/variabel acak binomial X adalah:
Fungsi kepadatan peluang (pdf)
𝑛
𝑓(𝑥; 𝑛, 1) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 ; 𝑥 = 0,1,2, … , 𝑛
𝑥
Selanjutnya dinotasikan sebagai 𝑋~𝐵𝐼𝑁(𝑛, 𝑝), yaitu distribusi binomial dengan
parameter n dan p. Jika X berdistribusi Binomial maka:
a. 𝐸(𝑋) = 𝑛𝑝
b. 𝑉𝑎𝑟(𝑋) = 𝑝(1 − 𝑝)
Fungsi distribusi kumulatifnya yaitu:
𝑥
3. Distribusi Hipergeometrik
Karakteristik distribusi Hipergeometrik yaitu:
a. Populasi/percobaan sebanyak N terbagi dalam 2 kategori. Kategori I sebanyak
M dan kategori 2 sebanya N-M.
b. Diambil sampel sebanyak n.
Jika X menyatakan banyaknya elemen kategori I yang terambil, distribusi
peluang peubah/variabel acak Hipergeometrik X adalah:
Fungsi kepadatan peluang (pdf)
(𝑀 𝑁−𝑀
𝑥 )( 𝑛−𝑥 )
ℎ(𝑥; 𝑛, 𝑀, 𝑁) = ;x=0,1,2,…,min(n,M)
(𝑁
𝑛)
5. Distribusi Poisson
Eksperimen Poisson adalah eksperimen yang menghasilkan nilai dari suatu
peubah acak X, yaitu jumlah keluaran yang terjadi selama satu selang waktu atau di
antara suatu daerah. Percobaan Poisson memiliki sifat sebagai berikut:
a. Jumlah keluaran yang muncul dalam suatu rentang waktu atau suatu daerah
tidak dipengaruhi (independent) terhadap jumlah keluaran yang terjadi di
rentang waktu atau daerah yang lain terpisah.
b. Peluang bahwa yang satu keluaran akan muncul dalam selang waktu yang
sangat pendek atau daerah yang kecil adalah proporsional dengan panjang
selang waktu atau luas dari daerah.
c. Peluang muncul lebih dari satu keluaran dalam selang waktu yang amat pendek
atau daerah yang kecil dapat diabaikan.
Distribusi peluang acak poisson X yang menyatakan banyaknya sukses yang
terjadi dalam selang waktu tertentu dinyatakan dengan t diberikan oleh, dimana
menyatakan banyaknya sukses yang terjadi persatuan waktu atau daerah, sedangkan e
= 2,71828…
Suatu variabel acak diskrit X dikatakan berdistribusi Poisson jika:
Fungsi kepadatan peluang (pdf)
𝑒 −𝜇 𝜇 𝑥
𝑓(𝑥; 𝜇) = 𝑥; 0, 1, 2, …
𝑥!
Selanjutnya dinotasikan sebagai 𝑋~𝑃𝑂𝐼(𝜇) dengan parameter 𝜇 > 0. Jika
𝑋~𝑃𝑂𝐼(𝜇) maka:
1
a. 𝐸(𝑋) = 𝑝
𝑞
b. 𝑉𝑎𝑟(𝑋) =
𝑝4
𝑁 2 −1
b. 𝑉𝑎𝑟(𝑋) = 12
12 1.201344e-01
13 7.392883e-02
14 3.696442e-02
15 1.478577e-02
16 4.620552e-03
17 1.087189e-03
18 1.811981e-04
19 1.907349e-05
20 9.536743e-07
> z=Table.CDF.Binomial
> x=z$Pr
> plot(x,xlab="Nomor Sukses",ylab="Kepadatan
Peluang",main="Distribusi Binomial: n=20,p=0.5",type="h")
> points(x,pch=8)
> abline(h=0,col="green")
> abline(h=0,col=green")
Hasil run:
2.9. Praktikum 9
Praktikum kesembilan membahas tentang sebaran peluang kontinu, serta
pembuatan plot yang berhubnga dengan distribusi normal.
2.9.1. Pengertian Distribusi Peluang Kontinu
Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua
nilai pada skala kontinu. Ruang sampel kontinu adalah bila ruang sampel mengandung
titik sampel yang tak terhingga banyaknya. Syarat dari distribusi kontinu adalah
apabila fungsi f(x) adalah fungsi padat peluang peubah acak kontinu X yang
didefinisikan di atas himpunan semua bilangan riil R bila:
a. F(x) ≥ 0 untuk semua x є R
b. ∫∞∞ 𝑓(𝑥)𝑑𝑥 = 1
c. 𝑃(a < 𝑋 < 𝑏) = ∫∞∞ 𝑓(𝑥)𝑑x
2.9.2. Jenis-jenis Distribusi Peluang Kontinu
Distribusi peluang kontinu dibagi menjadi 4, yaitu distribusi normal, distribusi
student’s t, distribusi chi-kuadrat, dan distribusi f.
1. Distribusi Normal
Distribusi Normal (Gaussian) mungkin merupakan distribusi probabilitas yang
paling penting baik dalam teori maupun aplikasi statistik. Distribusi ini paling banyak
digunakan sebagai model bagi data riil di berbagai bidang yang meliputi antara lain
karakteristik fisik makhluk hidup (berat, tinggi badan manusia, hewan, dll).
Distribusi Normal disebut juga Gausian distribution adalah salah satu fungsi
distribusi peluang berbentuk lonceng seperti gambar berikut.
Dimana :
𝜇𝑥 = mean
𝜎𝑥 = standar deviasi
𝜋 = nilai konstan yaitu 3, 1416
𝑒 = nilai konstan yaitu 2,7183
Untuk setiap nilai 𝜇𝑥 dan 𝜎𝑥, kurva fungsi akan simetris terhadap 𝜇𝑥 dan
memiliki total luas dibawah kurva tepat 1. Nilai dari 𝜎𝑥 menentukan bentangan dari
kurva sedangkan 𝜇𝑥 menentukan pusat simetrisnya.
Distribusi normal kumulatif didefinisikan sebagai probabilitas variabel acak
normal X bernilai kurang dari atau sama dengan suatu nilai x tertentu. Maka fungsi
distribusi kumulatif dari distribusi normal ini dinyatakan sebagai :
Nilai 𝑧𝑥 dari variabel acak standard 𝑧𝑥 sering juga disebut sebagai skor z dari variabel
acak X.
2. Distribusi Student’s T
. Distribusi student’s t adalah distribusi yang ditemukan oleh seorang mahasiswa
yang tidak mau disebut namanya. Untuk menghargai hasil penemuannya itu,
distribusinya disebut distribusi Student yang lebih dikenal dengan distribusi “t”,
diambil daru huruf terakhir kata “student”. Bentuk persamaan fungsinya :
Berlaku untuk −∞ < 𝑡 < ∞ dan K merupakan tetapan yang besarnya tergantung dari
besar n sedemikian sehingga luas daerah antara kurva fungsi itu dan sumbu t adalah 1.
Berikut ini diberikan rumusan beberapa ukuran statistik deskriptif untuk distribusi chi-
kuadrat.
Mean (Nilai Harapan)
𝜇𝑥 = () = 𝑣 Varians
𝜎2𝑥 = 2𝑣
Kemencengan (skewness) :
8
𝛽2 = 𝛼32 = 𝑣
Keruncingan (kurtosis) :
4. Distribusi F
Menurut Gasperz (1989:251), secara teori sebaran F merupakan rasio dari dua
sebaran chi kuadrat yang bebas. Oleh karena itu peubah acak F diberikan sebagai:
𝑥12 /𝑉1
𝐹=
𝑥22 /𝑉2
Dimana :
𝑥12 = nilai dari sebaran chi-kuadrat dengan derajat bebas V1 = n1-1
Jurusan Matematika F-MIPA 58
Universitas Halu Oleo
2019
METODE STATISTIKA
2.10. Praktikum 10
Praktikum kesepuluh membahas tentang uji rata – rata sampel serta syntax
yang berhubungan dengan uji rata – rata sampel.
2.10.1. Hipotesis Statistik
1. Uji Rata – Rata Satu Sampel
Untuk pengujian hipotesis satu rata-rata dengan sample besar (n > 30), uji
statistiknya menggunakan distribusi Z. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
Ho : µ = µo
H1 : µ > µo
Ho : µ = µo
H1 : µ < µo
Ho : µ = µo
H1 : µ ≠ µo
b. Penentuan nilai α (taraf nyata) dan nilai Z table (Zα)
Menentukan nilai α sesuai soal, kemudian nilai Zα atau Zα/2 ditentukan dari
tabel.
c. Kriteria Pengujian
Untuk Ho : µ = µo dan H1 : µ > µo
Ho di terima jika Zo ≤ Zα
Ho di tolak jika Zo > Zα
Untuk Ho : µ = µo dan H1 : µ < µo
Ho di terima jika Zo ≥ - Zα
Ho di tolak jika Zo < - Zα
Untuk Ho : µ = µo dan H1 : µ ≠ µo
Ho di terima jika - Zα/2 ≤ Zo ≤ Zα/2
Ho di tolak jika Zo > Zα/2 atau Zo < - Zα/2
d. Uji Statistik
Simpangan baku populasi ( σ ) di ketahui :
𝑋̅ − 𝜇0 𝑋̅ − 𝜇0
𝑍0 = = 𝜎
𝜎𝑥̅
√𝑛
𝑋̅ − 𝜇0 𝑋̅ − 𝜇0
𝑍0 = = 𝑠
𝑠𝑥̅
√𝑛
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
Jika H0 diterima maka H1 di tolak
Jika H0 di tolak maka H1 di terima
Namun untuk pengujian hipotesis satu rata-rata dengan sampel kecil (n ≤ 30),
uji statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
Ho : µ = µo
H1 : µ > µo
Ho : µ = µo
H1 : µ < µo
Ho : µ = µo
H1 : µ ≠ µo
b. Penentuan nilai α (taraf nyata) dan nilai t- tabel
Menentukan nilai α sesuai soal, kemudian menentukan derajat bebas, yaitu db
= n – 1, lalu menentukan nilai tα;n-1 atau tα/2;n-1 ditentukan dari tabel.
c. Kriteria Pengujian
Untuk Ho : µ = µo dan H1 : µ > µo
Ho di terima jika to ≤ tα
Ho di tolak jika to > tα
Untuk Ho : µ = µo dan H1 : µ < µo
Ho di terima jika to ≥ - tα
Ho di tolak jika to < - tα
Untuk Ho : µ = µo dan H1 : µ ≠ µo
Ho di terima jika - tα/2 ≤ to ≤ tα/2
Ho di tolak jika to > tα/2 atau to < - tα/2
d. Uji Statistik
Simpangan baku populasi ( σ ) di ketahui :
𝑋̅ − 𝜇0 𝑋̅ − 𝜇0
𝑡0 = = 𝜎
𝜎𝑥̅
√𝑛
𝑋̅ − 𝜇0 𝑋̅ − 𝜇0
𝑡0 = = 𝑠
𝑠𝑥̅
√𝑛
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho(sesuai dengan criteria
pengujiannya).
Jika H0 diterima maka H1 di tolak
Jika H0 di tolak maka H1 di terima
2. Uji Rata – Rata Dua Sampel
Untuk pengujian hipotesis beda dua rata-rata dengan sampel besar (n > 30), uji
statistiknya menggunakan distribusi Z. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
Ho : µ = µo
H1 : µ > µo
Ho : µ = µo
H1 : µ < µo
Ho : µ = µo
H1 : µ ≠ µo
Jurusan Matematika F-MIPA 63
Universitas Halu Oleo
2019
METODE STATISTIKA
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
Jika H0 diterima maka H1 di tolak
Jika H0 di tolak maka H1 di terima
Untuk pengujian hipotesis beda dua rata-rata dengan sampel kecil (n ≤ 30), uji
statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah sebagai
berikut.
a. Formulasi hipotesis
Ho : µ₁ = µ2
H1 : µ₁ > µ2
Ho : µ₁ = µ2
H1 : µ₁ < µ2
Ho : µ₁ = µ2
H1 : µ₁ ≠ µ2
b. Penentuan nilai α (taraf nyata) dan nilai t tabel (tα)
Mengambil nilai α sesuai soal, kemudian nilai tα atau tα/2 ditentukan dari tabel.
c. Kriteria Pengujian
Untuk Ho : µ1 = µ2 dan H1 : µ1 > µ2
Ho di terima jika to ≤ tα
Ho di tolak jika to > tα
Untuk Ho : µ1 = µ2 dan H1 : µ1 < µ2
Ho di terima jika to ≥ tα
Ho di tolak jika Zo < - tα
Untuk Ho : µ1 = µ2 dan H1 : µ1 ≠ µ2
Ho di terima jika - tα/2 ≤ to ≤ tα/2
Ho di tolak jika to > tα/2 atau to < - tα/2
d. Uji Statistik
Untuk pengamatan tidak berpasangan
𝑋̅1 − 𝑋̅2
𝑡0 =
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22 1 1
√ (𝑛 + 𝑛 )
𝑛1 − 𝑛2 − 2 1 2
𝑑𝑏 = 𝑛1 + 𝑛2 − 2
Untuk pengamatan yang berpasangan
𝑑̅
𝑡0 = 𝑠
𝑑
√𝑛
e. Kesimpulan
𝐷𝑖𝑚𝑎𝑛𝑎
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
Jika H0 diterima maka H1 di tolak
Jurusan Matematika F-MIPA 66
Universitas Halu Oleo
2019
METODE STATISTIKA