Statistika Dan Probabilitas TI PDF

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
digunakan dalam Perkuliahan
di Universitas Mercu Buana
Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
01
Ilmu Komputer Teknik Informatika 87006 Yulius Eka Agung Seputra,ST,MSi
Abstract Kompetensi
Matakuliah statistik Menjadi Dasar dari Mahasiswa dapat Memahami operasi
Pemikiran penelitian seorang yang akan dasar himpunan, dan penyajian
Mempelajari statistik.Statistik di sangat himpuan
Penting dalam Membangun sebuah
Aplikasi Program Mata Kuliah ini
merupakan prayarat bagi Mata kuliah
Algoritma dan Stuktur Data
KATA PENGANTAR
KATA PENGANTAR
Para mahasiswa/i pada saat ini tidak asing lagi dengan teknologi, karena sudah
merupakan bagian dari kehidupan mereka sehari-hari. Mulai mereka menginjakkan kaki di
sekolah dasar, mereka sudah terbiasa melihat komputer seperti melihat peralatan elektronik
biasa baik dirumah maupun di lingkungan mereka. Modul ini dibuat untuk dapat cocok
dengan apa yang telah mereka ketahui tentang komputer, dan apa yang kami percayai
harus diketahui oleh mereka mengenai komputer dan peralatan lainnya.
Isi dari modul ini sedemikian rupa kami susun sehingga kami harapkan tidak ada
pengetahuan yang terpisah, semua menjadi kesatuan pengetahuan yang menyatu dan
berkesinambungan. Pada modul ini juga dibahas mengenai komunikasi dengan dan tanpa
kabel pada peralatan komputer. Komputasi enterprise atau perusahaan besar juga menjadi
bagian pengetahuan dari modul ini untuk memperluas wawasan para mahasiswa/i untuk
dapat siap menghadapi dunia kerja yang terbentang di masa depan mereka.
Untuk mendukung pengetahuan mereka, mata kuliah juga akan dilengkapi dengan
modul-modul laboratorium, yang akan mengembangkan kemampuan mahasiswa/i dalam
memakai aplikasi komputer khususnya suite software: Microsoft Office XP 2005,
kemampuan dan keahlian ini dikenal juga dengan istilah “soft-skill”.
Kami harapkan modul ini dapat menjadi pegangan untuk memahami dan juga aplikasi
dari teknologi komputer, atau lebih luasnya lebih dikenal dengan istilah baru yaitu:
Telematika. Akhir kata kami tim penyusun dengan rendah hati mohon maaf apabila ada
kekurangan di sana sini, dan dengan hati terbuka kami dengan senang hati akan menerima
semua jenis masukan, terutama kritik-kritik yang membangun untuk menjadikan modul ini
menjadi lebih baik di masa mendatang.
Penulis modul,
Yulius Eka Agung Seputra,ST,MSi
2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

2 Yulius Eka Agung Seputra,ST,MSi http://www.mercubuana.ac.id
DAFTAR ISI
Statistika dan Variabel . .................................................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

STATISTIKA DAN PROBABILITAS
Pendahuluan
Mata kuliah statistika bagi mahasiswa sangat diperlukan terutama ketika seorang mahasiswa
harus mengumpulkan, mengolah, menganalisis dan menginterprestasikan data untuk pembuatan
skripsi, thesis atau disertasi. Dalam hal ini pengetahuan statistik dipakai dalam menyusun
metodologi penelitian.
Sebagai suatu ilmu, kedudukan statistika merupakan salah satu cabang dari ilmu matematika
terapan. Oleh karena itu untuk memahami statistika pada tingkat yang tinggi, terebih dahulu
diperlukan pemahaman ilmu matematika.
Dinegara maju seperti Amerika, Eropa dan Jepang, ilmu statistika berkembang dengan pesat
sejalan dengan berkembangnya ilmu ekonomi dan teknik. Bahkan kemajuan suatu negara sangat
ditentukan oleh sejauh mana negara itu menerapkan ilmu statistika dalam memecahkan masalah-
masalah pembangunan dan perencanaan pemerintahannya. Jepang sebagai salah satu negara maju,
konon telah berhasil memadukan ilmu statistika dengan ilmu ekonomi, desain produk, psikologi dan
sosiologi masyarakat.
Sejauh itu ilmu statistika digunakan pula untuk memprediksi dan menganalisis perilaku
konsumen, sehingga Jepang mampu menguasai perekonomian dunia sampai saat ini.
Statistik dan Statistika
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 :
Statistik penduduk adalah kumpulan angka-angka yang berkaitan dengan masalah

penduduk.
Statistik ekonomi adalah kumpulan angka-angka yang berkaitan dengan masalah
ekonomi.
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.

Pengertian Data
Dalam statistika dikenal beberapa jenis data. Data dapat berupa angka dapat pula bukan
berupa angka. Data berupa angka disebut data kuantitatif dan data yang bukan angka disebut data
kualitatif.
Berdasarkan nilainya dikenal dua jenis data kuantitatif yaitu data diskrit yang diperoleh dari
hasil perhitungan dan data kontinue yang diperoleh dari hasil pengukuran.
Menurut sumbernya data dibedakan menjadi dua jenis yaitu data interen adalah data yang
bersumber dari dalam suatu instansi atau lembaga pemilik data dan data eksteren yaitu data yang
diperoleh dari luar.
Data eksteren dibagi menjadi dua jenis yaitu data primer dan data sekunder. Data primer
adalah data yang langsung dikumpulkan oleh orang yang berkepentingan dengan data tersebut dan
data sekunder adalah data yang tidak secara langsung dikumpulkan oleh orang yang berkepentingan
dengan data tersebut.
Jenis – Jenis Statistika
Statistika dibedakan berdasarkan jenisnya menjadi dua yaitu Statistika Deskriptif dan
Statistika Inferensia.
Statistika deskriptif adalah statistika yang berkaitan dengan metode atau cara
medeskripsikan, menggambarkan, menjabarkan atau menguraikan data. Statistika deskripsi
mengacu pada bagaimana menata, menyajikan dan menganalisis data, yang dapat dilakukan
misalnya dengan menentukan nilai rata-rata hitung, median, modus, standar deviasi atau
menggunakan cara lain yaitu dengan membuat tabel distribusi frekuensi dan diagram atau grafik.
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).
Populasi Dan Sampel

Populasi adalah keseluruhan pengamatan atau obyek yang menjadi perhatian sedangkan
Sample adalah bagian dari populasi yang menjadi perhatian.
Populasi dan sample masing-masing mempunyai karakteristik yang dapat diukur atau
dihitung. Karakteristik untuk populasi disebut parameter dan untuk sample disebut statistik.
S (Populasi)
Sample Contoh parameter adalah mean (  ), standar deviasi (  ),
proporsi (P) dan koefisien korelasi (  ), sedangkan statistik
x, s, p
adalah nilai rata-rata ( x ), standar deviasi (s), proporsi (p)
 , ,  dan koefisien korelasi (r).
Populasi dibedakan menjadi dua jenis yaitu :
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.
Sample juga dibedakan menjadi dua jenis yaitu :
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 :
1. Waktu yang diperlukan untuk mengumpulkan data lebih singkat.

2. Biaya lebih murah.
3. Data yang diperoleh justru lebih akurat.
4. Dengan statistika inferensia dapat dilakukan generalisasi.
Cara Mengumpulkan Data
Untuk memperoleh data yang benar dan dapat dipertanggung jawabkan keabsahannya, data
harus dikumpulkan dengan cara dan proses yang benar. Terdapat beberapa cara atau teknik untuk
mengumpulkan data yaitu :

1. Wawancara (interview) yaitu cara untuk mengumpulkan data dengan mengadakan tatap muka
secara langsung. Wawancara harus dilakukan dengan memakai suatu pedoman wawancara yang
berisi daftar pertanyaan sesuai tujuan yang ingin dicapai.
Ada dua jenis wawancara yaitu wawancara berstruktur (structured interview) dan wawancara
takberstruktur (unstructured interview). Wawancara berstruktur adalah wawancara yang jenis
dan urutan dari sejumlah pertanyaannya sudah disusun sebelumnya, sedangkan wawancara
takberstruktur adalah wawancara yang tidak secara ketat ditentukan sebelumnya. Wawancara
takberstruktur lebih fleksibel karena pertanyaannya dapat dikembangkan meskipun harus tetap
pada pencapaian sasaran yang telah ditentukan.
Ciri-ciri pertanyaan yang baik adalah :
a. Sesuai dengan masalah atau tujuan penelitian.

b. Jelas dan tidak meragukan.
c. Tidak menggiring pada jawaban tertentu.
d. Sesuai dengan pengetahuan dan pengalaman orang yang diwawancarai.
e. Pertanyaan tidak boleh yang bersifat pribadi.
Kelebihan dari wawancara adalah data yang diperlukan langsung diperoleh sehingga lebih akurat
dan dapat dipertanggung jawabkan.
Kekurangannya adalah tidak dapat dilakukan dalam skala besar dan sulit memperoleh
keterangan yang sifatnya pribadi.
2. Kuesioner (angket) adalah cara mengumpulkan data dengan mengirim atau menggunakan
kuesioner yang berisi sejumlah pertanyaan.
Kelebihannya adalah dapat dilakukan dalam skala besar, biayanya lebih murah dan dapat
memperoleh jawaban yang sifatnya pribadi.
Kelemahannya adalah jawaban bisa tidak akurat, bisa jadi tidak semua pertanyaan terjawab
bahkan tidak semua lembar jawaban dikembalikan.
3. Observasi (pengamatan) adalah cara mengumpulkan data dengan mengamati obyek penelitian
atau kejadian baik berupa manusia, benda mati maupun gejala alam. Data yang diperoleh adalah
untuk mengetahui sikap dan perilaku manusia, benda mati atau gejala alam.
Kebaikan dari observasi adalah data yang dieroleh lebih dapat dipercaya.
Kelemahannya adalah bisa terjadi kesalahan interpretasi terhadap kejadian yang diamati.
4. Tes dan Skala Obyektif adalah cara mengumpulkan data dengan memberikan tes kepada obyek
yang diteliti. Cara ini banyak dilakukan pada tes psikologi untuk mengukur karakteristik
kepribadian seseorang. Beberapa contoh tes skala obyektif yaitu :
a. Tes kecerdasan dan bakat.
b. Tes kepribadian.
c. Tes sikap.
d. Tes tentang nilai.

e. Tes prestasi belajar, dsb.
5. Metode proyektif adalah cara mengumpulkan data dengan mengamati atau menganalisis suatu
obyek melalui ekspresi luar dari obyek tersebut dalam bentuk karya lukisan atau tulisan. Metode
ini dipakai dalam psikologi untuk mengetahui sikap, emosi dan kepribadian seseorang.
Kelemahan dari metode ini adalah obyek yang sama dapat disimpulkan berbeda oleh pengamat
yang berbeda.
Skala Pengukuran
Salah satu aspek penting dalam memahami data untuk keperluan analisis terutama statistika
inferensia adalah Skala Pengukuran. Secara umum terdapat 4 tingkat/jenis skala pengukuran yaitu :
1. Skala nominal adalah skala yang hanya mempunyai ciri untuk membedakan skala ukur yang satu
dengan yang lain. Contoh skala nominal seperti tabel dibawah ini :
Jenis dan Jumlah buah-buahan yang
Diproduksi suatu Daerah pada Tahun 1998
Jenis Buah-Buahan Jumlah
Pepaya 2 ton
Mangga 1,5 ton
Apel 1 ton
Duku 1,4 ton
Manggis 1,3 ton
Sumber: Data Buatan
2. Skala Ordinal adalah skala yang selain mempunyai ciri untuk membedakan juga mempunyai ciri
untuk mengurutkan pada rentang tertentu. Contoh skala ordinal seperti tabel dibawah ini :
Penilaian Anggota Kelompok Belajar
“ Bina Pintar “
Kategori Nilai Banyaknya
Istimewa 6 orang

Baik 18 orang
Rata-rata 15 orang
Kurang 7 orang
Kurang sekali 0 orang
Sumber : Data Buatan
3. Skala Interval adalah skala yang mempunyai ciri untuk membedakan, mengurutkan dan
mempunyai ciri jarak yang sama. Contoh, suhu tertinggi pada bulan Desember dikota A, B dan C
berturut-turut adalah 28, 31 dan 20 derajat Fahrenheit. Kita dapat membedakan dan
mengurutkan besarnya suhu, sebab satu derajat Fahrenheit merupakan suatu besaran yang
tetap, namun pada saat suhu menunjukkan nol derajat Fahrenheit tidak berarti tidak adanya
panas pada kondisi tersebut. Hal ini dapat dijelaskan, misalnya kota A bersuhu 30 derajat
Fahrenheit dan kota B bersuhu 60 derajat Fahrenheit, tidak dapat dikatakan bahwa suhu dikota
B dua kali lebih panas dari pada suhu dikota A, karena suhu tidak mempunyai titik nol murni
(tulen).
4. Skala ratio adalah skala yang mempunyai 4 ciri yaitu membedakan, mengurutkan, jarak yang
sama dan mempunyai titik nol yang tulen (berarti). Contoh : Pak Asmuni mempunyai uang nol
rupiah, artinya pak Asmuni tidak mempunyai uang.
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.
Dilihat dari waktu pengumpulannya, dikenal dua jenis data yaitu :
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.
Penyajian data dengan tabel
Tabel atau daftar merupakan kumpulan angka yang disusun menurut kategori atau
karakteristik data sehingga memudahkan untuk analisis data.
Ada tiga jenis tabel yaitu :
Tabel satu arah atau satu komponen adalah tabel yang hanya terdiri atas satu kategori
atau karakteristik data. Tabel berikut ini adalah contoh tabel satu arah.

Banyaknya Pegawai Negeri Sipil
Menurut Golongan Tahun 1990
Golongan Banyaknya (orang)
I 703.827
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.
Jumlah Mahasiswa UPH menurut
Fakultas dan Kewarganegaraan 1995
Fakultas WNI WNA Jumlah
Fak. Ekonomi 1850 40 1890
Fak. Teknologi Industri 1320 10 1330
Fak. Seni Rupa & Design 530 5 535
Fak. Pasca Sarjana 250 10 260
Jumlah 3950 65 4015
Tabel tiga arah atau tiga komponen adalah tabel yang menunjukkan tiga kategori atau
tiga karakteristik. Contoh tabel berikut ini.
Jumlah Pegawai Menurut Golongan,
Umur dan Pendidikan pada Departeman A
Tahun 2000
Golongan Umur (tahun) Pendidikan

Bukan
25 – 35 > 35 Sajana
Sarjana
I 400 500 900 0
II 450 520 970 0
III 1200 2750 1850 2100
IV 0 250 0 250
Jumlah 2.050 4020 3720 2350
Penyajian data dengan grafik/diagram
Penyajian data dengan grafik dianggap lebih komunikatif karena dalam waktu singkat dapat
diketahui karakteristik dari data yang disajikan.
Terdapat beberapa jenis grafik yaitu :
Grafik garis (line chart)

Grafik garis atau diagram garis dipakai untuk menggambarkan data berkala. Grafik garis
dapat berupa grafik garis tunggal maupun grafik garis berganda.
Grafik batang / balok (bar chart)

Grafik batang pada dasarnya sama fugsinya dengan grafik garis yaitu untuk
menggambarkan data berkala. Grafik batang juga terdiri dari grafik batang tunggal dan
grafik batang ganda.
Grafik lingkaran (pie chart)

Grafik lingkaran lebih cocok untuk menyajikan data cross section, dimana data tersebut
dapat dijadikan bentuk prosentase.
Grafik Gambar (pictogram)

Grafik ini berupa gambar atau lambang untuk menunjukkan jumlah benda yang
dilambangkan.
Grafik Berupa Peta (Cartogram).

Cartogram adalah grafik yang banyak digunakan oleh BMG untuk menunjukkan
peramalan cuaca dibeberapa daerah.

Contoh-contoh grafik :
Grafik Garis (pie chart)
30
25
20
Frekuensi
DATA 1
15
DATA 2
10
0
1 2 3 4 5 6 7 8
Data

Grafik Batang (Bar Chart)
30
25
20
Data
15
10
0
1 2 3 4 5 6 7 8
Frekuensi
DATA 1 DATA 2
PIE CHART

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
Fakultas ProgramStudi Tatap Muka Kode MK Disusun Oleh
02
penerbit Modul Studi
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Ukuran Pemusatan Data .. . ..........................................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

A. UKURAN PEMUSATAN DATA

1. Rataan Hitung (mean)
Rataan Hitung (mean) adalah jumlah semua nilai data ynag diamati dibagi banyknya data
yang diamati. Secra rumus ditulis:
x1  x2  x3  ....  xn
X
n
Catatan :
• X = Rataan Hitung (Mean)

• Xn = data ke – n
• n = Banyaknya data
Apabila datanya dalam bentuk tabel, maka rataan hitung dirumuskan:
X 
 f .X
i i
f i
Catatan :
• fi = frekuensi ke – i
• Xi = data ke – i
Contoh 1
Dari data pada tabel dibawah tentukan rataan hitungnya!
Data Frekuensi (f)
2 2
3 1
4 5
5 6

6 7
7 3
8 6 Jawab:
X 
 f .x i i
f i
2.2  1.3  5.4  6.5  7.6  3.7  6.8

X 
2 1 5  6  7  3  6
188
X   6,26
30
Jadi rataan hitung data tersebut adalah 6, 26
2. Median
Median adalah nilai tengah suatu data yang telah diurutkan, untuk jumlah data genap
median adalah rataan hitung dari dua nilai data yang ada di tengah.
Untuk menentukan median dari data tungal dapat dilakkukan dengan cara:
a. Mengurutkan data kemudian dicari nilai tengahnya (untuk data kecil)

b. Untuk data yang jumlahnya besar setelah diurutkan gunakan rumus:
• Untuk data ganjil
Me  X 1
n 1
2
• Untuk data genap

X n  Xn 
 1 
2 
Me 
2
Contoh 2
Dari data dibawah ini tentukan medianya
Data Frekuensi (f)
2 2
3 1
4 5

5 6
Jawab
6 7
X n  Xn 
7 3  1 
2  X 15  X 16 6  6
Me    6
2
8 6 2 2 2
Jadi median dari data tersebut dalah 6
3. Modus
Modus adalah nilai data yan paling sering muncul. Jika data disajkan dengan tabel maka
modus adalah data dengan frekuensi paling besar atau paling banyak.
Contoh 3
Diberikan data sampel tentang nilai 10 siswa untuk bidang studi matematika sebagai
berikut:
6 8 5 7 9 6 7 6 8 5
Tentuakan modus dari data diatas!
Jawab:
Karena nilai 6 paling sering muncul (3 kali) maka modus dari data diatas adalah 6.
B. DISTRIBUSI FREKUENSI BERKELOMPOK

1. Pengenalan istilah – istilah pada distribusi frekuensi berkelompok
Perhatikan daftar distribusi frekuensi data berkelompok di bawah ini
Data Frekuensi
41 – 45 3
46 – 50 6
51 – 55 10

56 – 60 12
61 – 65 5
66 – 70 4
Beberapa istilah yang harus dipahami:
a. Kelas
Kelas adalah interval suatu data, yang didalamnya termuat beberapa data.
Tabel diatas terdiri dari 6 kelas. Kelas pertama 41 – 45, kelas kedua 46 – 50
dan seterusnya.
b. Batas Kelas
Batas Kelas adalah nilai ujung dari setiap kelas, misalnya:
• Batas bawah kelas pertama adalah 41

• Batas atas kelas pertama adalah 45
• Batas atas kelas ketiga adalah 55 dan seterusnya
c. Tepi Kelas
Tepi kelas didapat dari:
• Tepi bawah = batas bawah – 0, 5

• Tepi atas = batas atas + 0, 5
Untuk tabel diatas didapat:
• Tepi bawah kelas pertama adalah 40, 5

• Tepi atas kelas pertama adalah 45, 5 dan seterusnya
d. Panjang Kelas
Panjang kelas adalah selisih antara tepi atas dengan tepi bawah dalam suatu
kelas.
Penjang kelas = tepi atas – tepi bawah
Untuk tabel diatas panjang kelasnya adalah 5
e. Titik Tengah Kelas

Titik tengah adalah suatu nilai yang dianggap mewakli kelas tersebut
Titk tengah = ½ (batas bawah + batas atas)
Dalam tabel diatas:
• Titik tengah kelas pertama adalah 43

• Titik tengah kelas kedua adalah 48
• Titik tengah kelas ketiga adalah 53 dan seterusnya
2. Menyusun daftar distribusi Frekuensi Komulatif
Daftar distribusi komulatif ada dua, yaitu:
a. Daftar distribusi komulatif kurang dari (menggunakan tepi atas)

b. Daftar distribusi komulatif lebih dari (menggunakan tepi bawah)
Data di atas akan kita tentukan bats atas dan batas bawahnya:
Data Frekuensi Tepi bawah Tepi atas
41 – 45 3 40, 5 45, 5
46 – 50 6 45, 5 50, 5
51 – 55 10 50, 5 55, 5
56 – 60 12 55, 5 60, 5
61 – 65 5 60, 5 65, 5
66 – 70 4 65, 5 70, 5
Dari tabel di atas dapat dibuat daftar frekuensi komulatif kurang dari dan lebih dari
seperti berikut ini :
Data Frekuensi Komulatif

kurang dari
≤ 45, 5 3
≤ 50, 5 9
≤ 55, 5 19
≤ 60, 5 31
≤ 65, 5 36
≤ 70, 5 40

Data frekuensi komulatif lebih
dari
≥ 40, 5 40
X ≥ 45, 5 37
≥ 50, 5 31
C. STATISITIK DESKRIPTIF UNTUK DATA ≥ 55, 5 21

BERKELOMPOK
≥ 60, 5 9
1. Rataan hitung
a. Menghitung rataan hitung
≥ 65, 5 4
dengan titik tengah.
X 
 f .x i i
f i
Catatan:
• X = rataan hitung
• xi = titik tengah ke – i
b. Menghitung rataan hitung dengan rata – rata sementara.
X  Xs 
 f .d i i
f i
Catatan :
• X = rataan hitung
• X s = rataan hitung sementara (diambil dari ttik tengah suatu kelas

dengan frekuensi terbesar)
• di = simpangan kleas ke – i dengan di = xi – X s
Contoh 4
tentukan rataan hitung dari tabel berikut ini:
Data Frekuensi
30 – 34 6
35 – 39 10
40 – 44 8
45 – 49 6
Jawab:
• Dengan titik tengah

Data Frekuensi Titik tengah (xi) fi . xi
30 – 34 6 32 192
35 – 39 10 37 370
40 – 44 8 42 336
45 – 49 6 47 282
Jumlah 30 1180
X 
 f .x i i

1180
 39,33
f i 30
• Dengan rata – rata sementara

Data Frekuensi Titik tengah (xi) Simpangan fi . xi
30 – 34 6 32 – 5 – 30
0
35 – 39 10 37 = X s 0
5
40 – 44 8 42 40
10
45 – 49 6 47 60
Jumlah 30 70
X  Xs 
 f .d i i
 37 
70
 39,33
f i 30
2. Median
Median dari data berkelompok adalah:
n 
 F
Me  Lme  c 2 
 f 
 
 
Catatan:
❖ Lme = Batas bawah kelas median

❖ F = Jumlah frekuensi semua interval sabalum kelas median
❖ C = Panjang nterval
❖ F = frekuensi kelas median

Contoh 5
dari data dibawah ini tentukan medianya
Data Frekuensi (f) Jawab
2 2 X n  Xn 
 1 
2  X 15  X 16 6  6
Me    6
2
3 1
2 2 2
4 5
Jadi median dari data tersebut dalah 6
5 6
6 7
7 3
8 6
3. Modus
Data nilai yang berbentuk distribusi frekuensi, modus dapat
dicari dengan rumus:
 a 
Mo  Lmo  c 
ab
Catatan:
❖ Lmo = batas bawah kelas modus

❖ a = frek. Kelas modus dikurangi frekuensi interval sebelumnya
❖ b = frek. Kelas modus dikurangi frekuensi interval berikutnya
❖ c = panjang interval
contoh 6
Tentukan modus dari data berikut:
Data f
41 – 45 3
46 – 50 6
51 – 55 10
56 – 60 12
61 – 65 5
66 – 70 4

 d1   2 
M o  L   .c  55,5   5  56,6
 d1  d 2   25  7 

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
03
Ilmu Komputer Teknik InformatikaStudi 87006 Yulius Eka Agung Seputra,ST,MSi
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Ukuran Penyebaran Data dan Kurva.. ..........................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

3.1 Pengertian Penyebaran (Dispersi)
• Penyebaran adalah perserakan data individual terhadap nilai rata-rata.

• Data homogen memiliki penyebaran (dispersi) yang kecil, sedangkan data
yang heterogen memiliki penyebaran yang besar.
3.2 Macam Ukuran Penyebaran
Terdapat dua ukuran penyebaran absolut yang utama, yaitu:
3.2.1 Range (Rentang)
Range = L – S
L = nilai data terbesar
S = nilai data terkecil
Contoh data:
44 56 60 67 70 80 85 90 99
Range = 99 – 44 = 55.
3.2.2 Deviasi Standar (Simpangan Baku)

• Deviasi standar dari suatu rangkaian data adalah akar pangkat dua dari rata-
rata kudarat selisih nilai data selisih nilai data individual terhadap mean
rangkaian data itu.
• Terdapat dua jenis rumus yang umum digunakan untuk deviasi standar, yaitu:
a. Deviasi Standar untuk Populasi dan
b. Deviasi Standar untuk Sampel.
• Oleh karena itu, kita harus memilih rumus yang sesuai dengan jenis data yang
ada, yaitu data populasi atau data sampel.
• Jika data kita adalah data populasi gunakan rumus deviasi standar untuk
populasi, dan jika data kita adalah data sampel, maka gunakan rumus deviasi
standar untuk sampel.
3.3 Kegunaan Ukuran Penyebaran
• Untuk menentukan apakah suatu nilai rata-rata dapat mewakili suatu

rangkaian data atau tidak. Contoh data upah 5 (lima) karyawan berikut ini:
Rp 15.000,- Rp 25.000,- Rp Rp 30.000,- Rp 30.000,- Rp 100.000,-
Nilai rata-rata atau mean-nya = Rp 50.000,-
Kita dapat mengatakan bahwa nilai rata-ratanya kurang mewakili

karena data tersebut memiliki standar deviasi yang besar, dimana 4 dari 5
karyawan berada di bawah rata-rata.
• Untuk perbandingan terhadap variabilitas data, misalnya data curah hujan,
suhu udara, dsb.
• Membantu penggunaan ukuran statistik, misalnya dalam membandingkan
ukuran penyebaran sampel terhadap ukuran populasi.
Rumus deviasi standar untuk Rumus deviasi standar untuk sampel

populasi
( x  x _ bar) 2
s
( x   ) 2 n 1

N
Keterangan:
Keterangan:

 = standar deviasi populasi s = standar deviasi sampel
x = nilai pengamatan x = nilai pengamatan
 = mean populasi x_bar = mean sampel
N = jumlah pengamatan n = jumlah pengamatan

dalam dalam
populasi sampel
Latihan Soal:
Selesaikan perhitungan deviasi standar untuk sampel berikut ini:
No. Angka Mean (xbar) (x – xbar) (x – xbar)2

Kasus Produksi
(x)
1 18
2 19
3 19
4 19
5 19
6 19
7 20
8 20
9 45
10 45

11 46
12 47
13 48
14 50
( x  xbar) 2 =
(Skewness dan Kurtosis)
Tingkat kemiringan suatu kurva adalah merupakan ukuran kecenderungan mencengnya suatu kurva,
berdasarkan konsep hubungan pemusatan data antara nilai rata-rata hitung, modus dan mediannya
( X, Mo danMe ), jika nilai X  Mo  Me maka kecenderungan kurvanya akan terbentuk simetris (normal), dan
apabila nilai-nilai X  Mo  Me maka ada 2 kemungkinan yang dapat terjadi pada kurvanya, bisa condong kekiri
(positif) atau bisa juga condong kekanan (negatif).
GAMBAR VI – 1
TINGKAT KEMIRINGAN KURVA (SKEWNESS)

Tingkat kemiringan suatu kurva (skewness), ditentukan dengan menggunakan rumus (formulasi) sebagai
berikut:
X  Mo 3(X  Me)
a. Pearson: Sk  3  atau Sk   3  ……. VI - 1
s s
Sk : Skewness
X : Rata-rata
Mo : Modus
Me : Median

s : Simpangan baku
 fi.(X i  X)3
b. Moment Matematis: SK   3  ………………. VI - 2
n.s3
• Suatu kurva dikatakan condong ke kiri (Positif), jika Sk > 0,01
• Suatu kurva dikatakan normal, jika Sk = 0,01
• Suatu kurva dikatakan condong ke kanan (Negatif), jika Sk < 0,01
Q  Q 2   Q 2  Q1   Q 3  2Q 2  Q1 ………. VI – 3
c. Bowley : S k  3
Q 3  Q 2   Q 2  Q1  Q 3  Q1
Jika Sk = 0,1 , maka kurva dikatakan cenderung condong ke kiri, kanan dan atau normal, sedangkan jika
Sk > 0,3, maka tingkat kecondongannya semakin berarti.
d. Andi Supangat : Sk 
Pint  MO  
Sm
………………….... VI – 4
Tk  Tk
Dimana :
Sk : Kemiringan kurva
Pint : Paruh Interval (semi Interval)
Mo : Nilai Modus
Tk : Titik tengan kurva
Sm : Selisih modus
Adapun Kriteria dalam menentukan kemiringan kurvanya dinyatakan sebagai berikut:
Jika : Sk > 0 , maka kurva dikatakan cenderung condong ke kiri (positif)
Jika : Sk = 0, maka kurva dikatakan normal (uniform)
Jika : Sk < 0, maka kurva dikatakan cenderung condong ke kanan/ negatif
TINGKAT KERUNCINGAN KURVA (KURTOSIS)

Tingkat keruncingan dari suatu kurva (kurtosis), adalah merupakan besaran untuk menentukan jenis kurva
(runcing, normal atau datar).
 fi.(X i  X) 4
K  α4  ………………….. VI – 5
n.s4
Dimana:
K : Kurtosis ( α4 )
Xi : Midpoint

X : Rata-rata
n : Jumlah data
fi : Frekuensi
Adapun Kriteria untuk menyatakan tingkat keruncingan kurva, dinyatakan sebagai berikut:
• Suatu kurva dikatakan runcing (lepto kurtik) jika, jika nilai K > 3
• Suatu kurva dikatakan normal (meso kurtik), jika nilai K = 3
• Suatu kurva dikatakan datar (plati kurtik), jika K < 3

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
04
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Indeks .. . .....................................................................
Rangkuman..................................................................
Soal-penyelesaian
Soal-soal latihan

Angka Indeks
1. Pendahuluan
Angka Indeks digunakan untuk mengukur perubahan atau perbandingan variabel ekonomi/sosial.
Misalnya untuk mengukur perubahan tingkat produktivitas, penggangguran, gaji/upah dan harga.
1.1 Komponen Penyusunan Angka Indeks
Variabel ekonomi yang biasa diindeks adalah : 1. Harga (P)
2. Kuantitas (Q)
3. Nilai (P x Q)
 Tahun Dasar (base year) : tahun yang menjadi dasar perbandingan.
T0 Dalam perbandingan variabel tahun dasar berfungsi
sebagai penyebut
Angka Indeks pada tahun ini adalah = 100 %
Pemilihan tahun dasar dapat berdasarkan hal-hal berikut :
a. Tahun dengan kondisi perekonomian yang relatif stabil
b. Tidak terlalu jauh dengan tahun-tahun tertentu
c. Tahun di mana terjadi perubahan penting  1966 : ORBA
 2020 : APEC
 Tahun tertentu (given year) : tahun yang variabelnya ingin kita bandingkan

Tn Dalam perbandingan variabel tahun tertentu menjadi
pembilang
1.2 Metode Penyusunan Angka Indeks :
A. Berdasarkan 1 Komoditas
- Tahun Dasar Tetap
- Tahun Dasar Tidak Tetap = Rantai penghubung
B. Beberapa Komoditas
a. Metode Agregasi
b. Metode Laspreyres
c. Metode Paasche
d. Metode Fisher
e. Metode Drobisch
f. Metode Marshall-Edgeworth
g. Metode Walsh
2. Penetapan Angka Indeks Berdasarkan 1 Komoditas
Agregatif Tunggal  melibatkan hanya 1 komoditas
a. Tahun Dasar Tetap : untuk semua perbandingan digunakan tahun dasar yang sama
Misal : Angka Indeks tahun 1991  tahun dasar 1990
Angka Indeks tahun 1992  tahun dasar 1990

Angka Indeks tahun 1993  tahun dasar 1990, dst
b. Rantai Penghubung : untuk tahun ke- i, maka tahun dasar = tahun i - 1
Misal : Angka Indeks tahun 1990  tahun dasar 1989
Angka Indeks tahun 1991  tahun dasar 1990,
Angka Indeks tahun 1992  tahun dasar 1991, dst
rumus-rumus untuk a dan b sama saja
Indeks Harga (IP) Indeks Kuantitas (IQ) Indeks Nilai(IV)
pn Qn Pn Qn
IP   100% IQ   100% IV   100%
P0 Q0 P0 Q0
Pn : harga komoditas pada tahun tertentu
Qn : banyak (kuantitas) komoditas pada tahun tertentu
P0 : harga komoditas pada tahun dasar
Q0 : banyak (kuantitas) komoditas pada tahun dasar
Contoh 1 :
Data Ekspor Kopra Indonesia tahun 1990 - 1992 (angka fiktif)
Variabel Tahun Tahun Tahun

1990 1991 1992
Harga (P = $/100 ton) 2500 2750 3000

Kuantitas(Q = 100 ton) 1500 1800 1300
Nilai (P x Q ) (1 000 $) 3 750 4 950 3 900
Catatan : Dalam perbandingan perhatikan satuan
Satuan dalam setiap perbandingan harus sama

a. Dengan menggunakan tahun 1990 sebagai tahun dasar susunlah Indeks harga, kuantitas
dan Nilai Ekspor kopra di atas
Variabel Tahun 1990 Tahun 1991 Tahun

(thn dasar) 1992
Harga (P = $/ton) 2500 2750 3000
Kuantitas(Q = ton) 1500 1800 1300
Nilai(P x Q ) (1 000 $) 3750 4950 3900
IP 100 % 110 % 120 %
IQ 100 % 120 % 86.67 %
IV 100 % 132 % 104 %
Contoh Interpretasi Angka Indeks
IP 1991 = 110%  dibanding tahun 1990 (Tahun Dasar) terjadi peningkatan harga
sebesar 10%
IP 1992 = 120%  dibanding tahun 1990 (Tahun Dasar) terjadi peningkatan harga
sebesar 20%
IQ 1991 = 120%  dibanding tahun 1990 (Tahun Dasar) terjadi peningkatan kuantitas
sebesar 20%
IQ 1992 = 86.67%  dibanding tahun 1990 (Tahun Dasar) terjadi penurunan kuantitas
sebesar 13.33%
IV 1991 = 132%  dibanding tahun 1990 (Tahun Dasar) terjadi peningkatan nilai
sebesar 32%
IV1992 = 104%  dibanding tahun 1990 (Tahun Dasar) terjadi peningkatan nilai

sebesar 4%
b. Angka Indeks Rantai
Variabel Tahun 1990 Tahun 1991 Tahun 1992

(thn dasar)
Harga (P = $/ton) 2500 2750 3000
Kuantitas(Q = ton) 1500 1800 1300
Nilai(P x Q ) (1 000 $) 3 750 4 950 3 900
IP rantai - 110 % T0 = 1990 109.09 % T0 = 1991
IQ rantai - 120 % 72.22 %
IV rantai - 132 % 78.79 %
Catatan : Perhitungan tidak dituliskan secara rinci. Gunakan rumus-rumus diatas
untuk memeriksa
Lakukan interpretasi angka-angka indeks tersebut!
3. Penetapan Angka Indeks Berdasarkan Beberapa Komoditas
Pada metode ini IQ Gabungan dianggap tidak valid,
Karena : 1. Unit per komoditas tidak selalu dapat disamakan
Mis : Ukuran Beras = kg, Ukuran tekstil = meter
2. Nilai Unit per komoditas tidak selalu dapat diperbandingkan
dengan setimbang
Mis : Ukuran Emas = Ukuran Beras = kg
1 kg emas = 1 kg beras?

Jadi yang ditetapkan adalah Indeks Nilai (P  Q) dengan Q sebagai beban (weight) terhadap P.
Agregasi : Laspeyres: Paasche
k k k
 Pni Q ni
i 1
 Pni Q 0i P
i 1
ni Q ni
i 1
k  100% k  100% k  100%
P
i 1
0i Q 0i P 0i Q 0i P
i 1
0i Q ni
i 1
Pni : harga komoditas ke-i pada tahun tertentu
Qni : kuantitas komoditas ke-i pada tahun tertentu
Poi : harga komoditas ke-i pada tahun dasar
Qoi : kuantitas komoditas ke-i pada tahun dasar
Catatan : unit pada Qni dan Qoi sama
Contoh 2 : Tabel Harga dan Kuantitas Beberapa Bahan pokok (data fiktif):
Jenis Tahun 1980 Tahun 1985 Tahun 1990

Komoditas
(Tahun Dasar)
harga (P) kuantitas harga (P) kuantitas harga (P) kuantitas

(Q) (Q) (Q)
beras Rp 800/kg 1000 kg Rp 900/kg 1200 kg Rp 1000/kg 1250 kg
m. tanah Rp 1500 tangki Rp 1500 tangki Rp 1500 tangki

500/tangki 750/tangki 1000/tangki
garam Rp 10/blok 500 blok Rp 25/blok 600 blok Rp 40/blok 750 blok
tekstil Rp 1000/m 3000 m Rp 1200/m 4000 m Rp 1400/m 5000 m
Agregasi :
P 0 Q0 P n Qn P n Qn

Jenis komoditas tahun: 1980 tahun 1985 tahun 1990
Nilai (PxQ) Nilai (PxQ) Nilai (PxQ)
beras 800 000 1 080 000 1 250 000
m. tanah 750 000 1 125 000 1 500 000
garam 5 000 15 000 30 000
tekstil 3 000 000 4 800 000 7 000 000
 (PQ) 4 555 000 7 020 000 9 780 000
Indeks Agregasi 100 % 154.12 % 214.71 %
Laspeyres :
P 0 Q0 P n Q0 P n Q0
Jenis komoditas tahun: 1980 tahun 1985 tahun 1990
Nilai (PxQ) Nilai (PxQ) Nilai (PxQ)
beras 800 000 900 000 1 000 000
minyak tanah 750 000 1 125 000 1 500 000
garam 5 000 12 500 20 000
tekstil 3 000 000 3 600 000 4 200 000
 (PxQ) 4 555 000 5 637 500 6 720 000
Indeks Laspeyres 100 % 123.77 % 147.53 %
Paasche :
P0 Qn 1985 P n Qn
Jenis komoditas tahun: 1980 tahun 1985

Nilai (PxQ) Nilai (PxQ)
beras 960 000 1 080 000
minyak tanah 750 000 1 125 000
garam 6 000 15 000
tekstil 4 000 000 4 800 000
 (PxQ) 5 716 000 7 020 000
Indeks Paasche 100 % 122.81 %

P0 Qn 1990 P n Qn
Jenis komoditas tahun: 1980 tahun 1990
Nilai (PxQ) Nilai (PxQ)
beras 1 000 000 1 250 000
minyak tanah 750 000 1 500 000
garam 7 500 30 000
tekstil 5 000 000 7 000 000
 (PxQ) 6 757 500 9 780 000
Indeks Agregasi 100 % 144.73 %
Catatan : Perhitungan tidak dituliskan secara rinci. Gunakan rumus-rumus di atas
untuk memeriksa
-- selesai --

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
05
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Analisis Regresi Linear Sederhana.. . ...........................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA
ANALISIS KORELASI:
Suatu teknik statistika yang digunakan untuk mengukur keeratan hubungan atau koelasi
antara dua variabel.
Hubungan dua variabel ada yang positif dan negatif. Hubungan X dan Y dikatakan positif
apabila kenaikan (penurunan) X pada umumnya diikuti oleh kenaikan (penurunan) Y.
Sebaliknya dikatakan negatif kalau kenaikan (penurunan) X pada umumnya diikuti oleh
penurunan (kenaikan) Y.
Hubungan Inflasi dan Suku Hubungan Produksi dan

Bunga (Korelasi Negatif) Harga Minyak Goreng
(Korelasi Positif)
35 700
30 600
25 500
20 400
15 300
10 200
5 100
0
0
2,01 9,35 12,55 10,33 637 740 722 781 849 881
Inflasi Harga Minyak Goreng
Jadi, kalau variabel X dan Y ada hubungan, maka bentuk diagram pencarnya adalah
mulus/teratur. Apabila bentuk diagram pencar tidak teratur, artinya kenaikan/penurunan X
pada umumnya tidak diikuti oleh naik turunnya Y, maka dikatakan X dan Y tidak berkorelasi.

Kuat dan tidaknya hubungan antara X dan Y apbila dapat dinyatakan dengan fungsi
linear(paling tidak mendekati), diukur dengan suatu nialai yang disebut koefisien korelasi.
Nilai koefisien korelasi ini paling sedikit –1 dan paling besar 1. Jadi jika r = koefiaien
korelasi, maka r dapat dinyatakan sebagai berikut : -1 r  1
Jika r =1, hubungan X dan Y sempurna dan positif, r = -1, hubungan X dan Y sempurna dan
negatif, r mendekati 1, hubungan sangat kuat dan positif, r mendekati –1, hubungan sangat
kuat dan negatif.
Disini X dikatakan mempengaruhi Y, jika berubahnya nilai X akan menyebabkan perubahan

nilai Y.
KOEFISIEN PENENTUAN :
Naik turunnya Y adalah sedemikian rupa sehingga nilai Y bervariasi, tidak semata-mata
disebabkan oleh X, karena masih ada faktor lain yang menyebabkannya. Jadi untuk
mengatahui berapa besar kontribusi dari X terhadap naik turunnya nilai Y maka harus
dihitung dengan koefisien penentuan (koefisien determinasi). Kalau koefisien penentuan
ditulis KP, maka untuk menghitung KP digunakan rumus berikut : KP = r2.
CARA MENGHITUNG r :
x y i i n n n
r i 1 n X iYi   X i  Yi
n n
r i 1 i 1 i 1
x y 2 2
n
 n 
2 n
 n 
2
n X    X i     Yi 
i i
i 1 i 1 atau
i
2
Yi  2
i 1  i 1  i 1  i 1 
Kedua rumus diatas disebut koefisien korelasi Pearson.
KOEFISIEN KORELASI DATA BERKELOMPOK :
Rumus untuk menghitung koefisien korelasi yang sudah dibahas diatas adalah untuk data
yang tidak berkelompok (data yang belum disajikan dalam bentuk tabel frekuensi, dengan
menggunakan kelas-kelas atau katagori-katagori). Untuk data yang berkelompok rumusnya
adalah sebagai berikut :
n uvf    ufu vfv 

r 
  
n  u 2 f u   ufu  n  v 2 f v   vfv  
2012
5 Statistika dan Probabilitas
Yulius Eka Agung Seputra,ST,MSi 2
Pusat Bahan Ajar dan eLearning
2
http://www.mercubuana.ac.id
Rumus untuk menghitung koefisen korelasi bagi data berkelompok penting sekali sebab
dalam praktek, misalnya di dalam suatu penelitian, hasil data yang diperoleh sudah disajikan
dalam bentuk data berkelompok dengan interval kelas yang sama.
TEKNIK RAMALAN DAN ANALISIS REGRESI:
Tujuan utama materi ini adalah bagaimana menghitung suatu perkiraan atau persamaan
regresi yang akan menjelaskan hubungan antara dua variabel.
Setelah ditetapkan bahwa terdapat hubungan logis di antara variabel, maka untuk
mendukung analisis lebih jauh, barangkali tahap selanjutnya adalah menggunakan grafik.
Grafik ini disebut diagram pencar, yang menunjukkan titik-titik tertentu. Setiap titik
memperlihatkan suatu hasil yang kita nilai sebagai varibel tak bebas maupun bebas.
Diagram pencar ini memiliki 2 manfaat, yaitu : membantu menunjukkan apakah terdapat
hubungan yang bermanfaat antara dua variabel, dan membantu menetapkan tipe
persamaan yang menunjukkan hubungan antara kedua variabel tersebut.
PERSAMAAN REGRESI LINEAR :
Regresi merupakan suatu alat ukur yang juga digunakan untuk mengukur ada atau tidaknya
korelasi antarvariabelnya. Istilah regresi itu sendiri berarti ramalan atau taksiran.Persamaan
yang digunakan untuk mendapatkan garis regresi pada data diagram pencar disebut
persamaan regresi.
Untuk menempatkan garis regresi pada data yang diperoleh maka digunakan metode
kuadrat terkecil, sehingga bentuk persamaan regresi adalah sebagai berikut: Y’ = a + b X
Kesamaan di antara garis regresi dan garis trend tidak dapat berakhir dengan persamaan
garis lurus. Garis regresi (seperti garis trend dan nilai tengah aritmatika) memiliki dua sifat
matematis berikut : (Y – Y’) = 0 dan (Y – Y’)2 = nilai terkecil atau terendah. Dengan
perkataan lain, garis regresi akan ditempatkan pada data dalam diagram sedemikian rupa
sehingga penyimpangan (perbedaan) positif titik-titik terhadap titik-titik pencar di atas garis

akan mengimbangi penyimpangan negatif titik-titik pencar yang terletak di bawah garis,
sehingga hasil pinyimpangan keseluruhan titik-titik terhadap garis lurus adalah nol.
Untuk tujuan diatas, perhitungan analisis regresi dan analisis korelasi dapat dipermudah
dengan menggunakan rumus dalam bentuk penyimpangan nilai tengah variabel X dan Y,
yaitu penyimpangan dari . X dan Y
Oleh karena itu, dapat digunakan simbol berikut ini :
 
x X X
y  Y  Y 
dan xy  X  X Y  Y 
Nilai dari a dan b pada persamaan regresi dapat dihitung dengan rumus berikut :
x y
b i i
x 2
i
n X Y   X  Y
atau b i i i i
n X   X  2 2
i i
a  Y bX
PENGGUNAAN PERSAMAAN REGRESI DALAM PERAMALAN :
Tujuan utama penggunaan persamaan regresi adalah untuk memperkirakan nilai dari
variabel tak bebas pada nilai variabel bebas tertentu. Tentu saja, tidak mungkin untuk
mengatakan dengan tepat.

REGRESI LINEAR BERGANDA
DAN REGRESI (TREND) NONLINEAR
HUBUNGAN LIBIH DARI DUA VARIABEL REGRESI LINEAR BERGANDA :
Apabila terdapat lebih dari dua variabel, maka hubungan linear dapat dinyatakan dalam
persamaan regresi linear berganda sebagai berikut :
Y’= b0 + b1X1 + b2X2 + . . . + bkXk
Disini ada satu variabel tidak bebas, yaitu Y’ dan ada k varibel bebas, yaitu X1, . . . , Xk.
Untuk menghitung b0, b1, b2, . . . , bk kita gunakan metode kuadrat terkecil yang
menghasilkan persamaan normal sebagai berikut :
b0 n + b1 X1 + b2 X2 + . . . + bk Xk = Y
b0 X1 + b1 X1 X1 + b2  X1X2 + . . . + bk  X1Xk = X1Y
. . . . .
. . . . .
. . . . .
b0 Xk + b1 X1 Xk + b2  X2Xk + . . . + bk  XkXk = XkY
Kalau persamaan ini dipecahkan, kita akan memperoleh nilai b0, b1, b2, . . . , bk. Kemudian
dapat dibentuk persamaan regresi linear berganda. Apabila persamaan regresi itu telah
diperoleh, barulah kita dapat meramalkan nilai Y dengan syarat kalau nilai X1, X2, . . . ., Xk
sebagai variabel bebas sudah diketahui.
Misalkan: k =2, maka Y’ = b0 + b1X1 + b2X2, satu variabel tak bebas(Y), dan dua variabel
bebas (X1 dan X2), maka b0, b1, dan b2 dihitung dari persamaan normal berikut :
b0 n + b1 X1 + b2 X2 = Y

b0 X1 + b1 X1 X1 + b2  X1X2 = X1Y
b0 X2 + b1 X1 X2 + b2  X2X2 = X2Y
Persamaan diatas dapat dinyatakan dalam persamaan matriks berikut :
 n

 X 1  X 2  b0    Y 
b  
  X 1  X 1
2
 X 1 X 2   1    X 1Y 
 X 2  X 1 X 2 X22 b2   X 2Y 
  
A b H
Variabel b dapat diselesaikan dengan cara sebagai
berikut :
det  A0  det  A1  det  A2 
b0  , b1  , b2 
det  A det  A det  A
Dimana :
 n

X X 1 

2
A   X1 X X X 1
2
1 2
 X 2 X X X 2 
 1 2 2 
det(A) = (n) (X1X1) (X2X2) + (X1) (X1X2) (X2) + (X2) (X1) (X1X2)
– (X2) (X1X1) (X2) – (X1X2) (X1X2) (n) – (X2X2) (X1) (X1)

 Y X X 1  2
 
A0    X 1Y X X X 1
2
1 2
 X 2Y X X X 2 
 1 2 2 
det(A0) = (Y) (X1X1) (X2X2) + (X1) (X1X2) (X2Y) + (X2) (X1Y) (X1X2)
– (X2Y) (X1X1) (X2) – (X1X2) (X1X2) (Y) – (X2X2) (X1Y) (X1)
 n

Y  X 

2
A1    X 1 X Y X X
1 1 2
 X 2 X Y X 2 
 2 2 
det(A1) = (n) (X1Y) (X2X2) + (Y) (X1X2) (X2) + (X2) (X1) (X2Y)
– (X2) (X1Y) (X2) – (X2Y) (X1X2) (n) – (X2X2) (X1) (Y)
 n

X  Y 
1
A2    X 1 X X Y 1
2
1
 X 2  X X  X Y 
 1 2 2

det(A2) = (n) (X1X1) (X2Y) + (X1) (X1Y) (X2) + (Y) (X1) (X1X2)
– (X2) (X1X1) (Y) – (X1X2) (X1Y) (n) – (X2Y) (X1) (X1)
TREND PARABOLA :
Garis trend pada dasarnya adalah garis regresi di mana variabel bebas X merupakan
variabel waktu. Baik garis regresi maupun trend dapat berupa garis lurus maupun tidak
lurus. Persamaan garis trend parabola adalah sebagai berikut : Y’ = a + bX + cX2
Perhatikan bahwa bentuk persamaa seperti persamaan garis regresi linear berganda adalah
Y’ = b0 + b1X1 + b2X2, di mana b0 = a, b1 = b, b2 = c, X1 = X, dan X2 = X2.
Dengan demikian cara menghitung koefisien a, b, dan c sama seperti menghitung b 0, b1,
dan b2, yaitu menggunakan persamaan normal sebagai berikut :
a n + b X + c X2 = Y
a X + b X2 + c X3 = XY
a X2 + b X3 + c X4 = X2Y
TREND EKSPONENSIAL (LOGARITMA) :
Ada beberapa jenis trend yang tidak linear tetapi dapat dibuat linear dengan jalan
melakukan transformasi (perubahan bentuk). Misalnya, trend eksponensial :
Y’ = abx dapat diubah menjadi trend semi log: log Y’ = log a + (log b)X;
log Y’ = Y’0; log a = a0 dan log b = b0. Dengan demikian, Y’0 = a0 + b0X, dimana koefisien a0
dan b0 dapat dicari berdasarkan persamaan normal.
PROBABILITAS

Definisi:
Probabilitas adalah peluang suatu kejadian.
Secara lengkap probabilitas didefinisikan sebagai berikut :
“Probabilitas” ialah suatu nilai yang digunakan untuk mengukur tingkat terjadinya suatu
kejadian acak.
Manfaat:
Manfaat mengetahui probabilitas adalah membantu pengambilan keputusan yang tepat,

karena kehidupan di dunia tidak ada kepastian, dan informasi yang tidak sempurna.
Contoh:
• Pembelian harga saham berdasarkan analisis harga saham

• Peluang produk yang diluncurkan perusahaan (sukses atau tidak), dan lain-lain.
Dalam mempelajari probabilitas, ada tiga kata kunci yang harus diketahui :
1. Percobaan
2. Hasil (outcome)
3. Kejadian atau peristiwa (event)
Percobaan:
Pengamatan terhadap beberapa aktivitas atau proses yang memungkinkan timbulnya paling
sedikit dua peristiwa tanpa memperhatikan peristiwa mana yang akan terjadi.
Hasil (outcome):
Suatu hasil dari sebuah percobaan.
Peristiwa (event):
Kumpulan dari satu atau lebih hasil yang terjadi pada sebuah percobaan atau kegiatan.
Contoh :

Dari percobaan pelemparan sebuah koin. Hasil (outcome) dari pelemparan sebuah koin
tersebut adalah “MUKA” atau “BELAKANG”. Kumpulan dari beberapa hasil tersebut dikenal
sebagai peristiwa (event).
Probabilitas biasanya dinyatakan dengan bilangan desimal (seperti 0,50 ; 0,25 atau 0,70)
atau bilangan pecahan (seperti 5 , 25 , atau 70 ).
10 100 100
Nilai dari probabilitas berkisar antara 0 dan 1. Semakin dekat nilai probabilitas ke nilai 0,
semakin kecil kemungkinan suatu kejadian akan terjadi. Sebaliknya semakin dekat nilai
probabilitas ke nilai 1 semakin besar peluang suatu kejadian akan terjadi.
PENDEKATAN PERHITUNGAN PROBABILITAS
Ada dua pendekatan dalam menghitung probabilitas yaitu pendekatan yang bersifat objektif
dan subjektif.
Probabilitas objektif dibagi menjadi dua, yaitu :
1. Pendekatan Klasik
2. Konsep Frekuensi Relatif
1. Pendekatan Klasik
Probabilitas diartikan sebagai hasil bagi dari banyaknya peristiwa yang dimaksud dengan
seluruh peristiwa yang mungkin menurut pendekatan klasik, probabilitas dirumuskan :
PA  
x
n
keterangan :
P(A) = probabilitas terjadinya kejadian A.
x = peristiwa yang dimaksud.
n = banyaknya peristiwa.
Contoh :

Dua buah dadu dilempar ke atas secara bersamaan. Tentukan probabilitas munculnya
angka berjumlah 5.
Penyelesaian :
Hasil yang dimaksud (x) = 4, yaitu (1,4), (4,1), (2,3). (3,2)
Hasil yang mungkin (n) = 36, yaitu (1,1), (1,2), (1,3). ….., (6,5), (6,6).
4
P(A)  = 0,11
36
2. Konsep Frekuensi Relatif
Menurut pendekatan frekuensi relatif, probabilitas diartikan sebagai proporsi waktu

terjadinya suatu peristiwa dalam jangka panjang, jika kondisi stabil atau frekuensi
relatif dari suatu peristiwa dalam sejumlah besar percobaan.
Nilai probabilitas ditentukan melalui percobaan, sehingga nilai probabilitas itu merupakan
limit dari frekuensi relatif peristiwa tersebut. Menurut pendekatan frekuensi relatif,
probabilitas dirumuskan :
f
P(xi )  l imit i
n  n
keterangan :
P(Xi) = probabilitas peristiwa i.
fi = frekuensi peristiwa i.
n = banyaknya peristiwa yang bersangkutan.
Contoh :
Dari hasil ujian statistik, 65 mahasiswa STMIK MDP, didapat nilai-nilai sebagai berikut.
x 5,0 6,5 7,4 8,3 8,8 9,5
f 11 14 13 15 7 5

x = nilai statistik.
Tentukan probabilitas salah seorang mahasiswa yang nilai statistiknya 8,3.
Penyelesaian :
Frekuensi mahasiswa dengan nilai 8,3 (f) = 15
Jumlah mahasiswa (n) = 65.
15
P(x  8,3)  = 0,23
65
Probabilitas Subjektif
Menurut pendekatan subjektif, probabilitas diartikan sebagai tingkat kepercayaan individu

yang didasarkan pada peristiwa masa lalu yang berupa terkaan saja.
Contoh :
Seorang direktur akan memilih seorang supervisor dari empat orang calon yang telah lulus
ujian saringan. Keempat calon tersebut sama pintar, sama lincah, dan semuanya dapat
dipercaya. Probabilitas tertinggi(kemungkinan diterima) menjadi supervisor ditentukan
secara subjektif oleh sang direktur.
Dari pengertian-pengertian tersebut, dapat disusun suatu pengertian umum mengenai

probabilitas, yaitu sebagai berikut :
Probabilitas adalah suatu indeks atau nilai yang digunakan untuk menentukan tingkat
terjadinya suatu kejadian yang bersifat random (acak).
Oleh karena probabilitas merupakan suatu indeks atau nilai maka probabilitas memiliki
batas-batas yaitu mulai dari 0 sampai dengan 1 ( 0  P  1).
- Jika P = 0, disebut probabilitas kemustahilan, artinya kejadian atau peristiwa tersebut

tidak akan terjadi.
- Jika P = 1, disebut probabilitas kepastian, artinya kejadian atau peristiwa tersebut pasti
terjadi.
- Jika 0 < P < 1, disebut probabilitas kemungkinan, artinya kejadian atau peristiwa tersebut
dapat atau tidak dapat terjadi.

HIMPUNAN :
Pengertian Himpunan.
Himpunan adalah kumpulan objek yang didefinisikan dengan jelas dan dapat dibeda-
bedakan. Setiap objek yang secara kolektif membentuk himpunan tersebut disebut elemen
atau unsur atau anggota dari himpunan tersebut.
Himpunan dilambangkan dengan pasangan kurung kurawal { } dan biasanya dinyatakan

dengan huruf kapital (besar), seperti A, B, C, …. Anggota himpunan ditulis dengan lambang
, bukan anggota himpunan dengan lambing .
Penulisan Himpunan :
Himpunan dapat ditulis dalam dua cara, yaitu cara pendaftaran dan cara pencirian.
Cara Pendaftaran :
Dengan cara pendaftaran, unsur himpunan ditulis satu per satu atau didaftar.
Contoh :
1. A = {a, i, u, e, o}
2. B = {1, 2, 3, 4, 5}
Dalam statistik, cara penulisan seperti contoh 2 menghasilkan data diskrit.
Cara Pencirian :
Dengan cara pencirian, unsur-unsur himpunan ditulis dengan menyebutkan sifar-sifat atau
cirri-ciri unsur himpunan tersebut.
Contoh :
1. A = {X : x huruf hidup}.
2. B = {X : 1  x  2}.
Dalam statistik, cara penulisan seperti contoh 2 menghasilkan data kontinu atau variabel
kontinu. Tanda (:) dibaca sedemikian rupa sehingga atau X di mana ……

Macam-macam Himpunan :
1. Himpunan Semesta :
Himpunan semesta adalah himpunan yang memuat seluruh objek yang dibicarakan atau
himpunan yang menjadi objek pembicaraan. Himpunan semesta dilambangkan S atau U.
Contoh :
a. S = U = {a, b, c, ….}
b. S = U = {X : x bilangan asli}
2. Himpunan Kosong :
Himpunan kosong adalah himpunan yang tidak memiliki anggota. Himpunan kosong
dilambangkan  atau { }.
3. Himpunan Bagian :
Himpunan bagian adalah himpunan yang menjadi bagian dari himpunan lain. Himpunan A
merupakan himpunan bagian dari B jika setiap unsure A merupakan unsure B atau A
termuat di dalam B atau B memuat A. Himpunan bagian dilambangkan , A  B. Banyaknya
himpunan bagian dari sebuh himpunan dengan n unsur adalah 2n.
Contoh :
Jika diketahui : A = {1, 2, 3}, tentukan banyaknya himpunan bagian dari A dan tuliskan
himpunan-himpunan bagian tersebut.
Penyelesaian :
- Banyaknya himpunan bagian A adalah 23 = 8
- Himpunan-himpunan bagian itu adalah : { }, {1}, {2}, {3}, {1,2}, {1,3}, {2,3}, {1,2,3}.
Himpunan kosong merupakan himpunan bagian dari semua himpunan. Dalam statistik,
himpunan bagian merupakan sampel.
4. Himpunan Komplemen :
Himpunan komplemen adalah himpunan semua unsur yang tidak termasuk dalam himpunan
yang diberikan. Jika himpunannya adalah A maka himpunan komplemennya dilambang Ā.

Contoh :
Jika diketahui : S = {1, 2, 3, 4, 5, 6, 7}
A = {2, 4, 6}
Tentukan Ā !
Penyelesaian :
Ā = {1, 3, 5, 7}.
S)
Operasi Himpunan :
1. Operasi Gabungan (union) :
Gabungan dari himpunan A dan himpunan B adalah semua unsur yang termasuk di dalam A
atau di dalam B atau di dalam A dan B sekaligus. Gabungan dari himpunan A dan himpunan
B dilambangkan A  B ataau A + B. Dituliskan : A  B = { X : x  A, x  B, atau x  AB}.
Contoh :
Jika diketahui : S = {X : 0 ≤ x ≤ 10}
P = {2, 3, 5, 7}
G = {2, 4, 6, 8, 10}

Tentukan : P  G !
Penyelesaian :
P  G = {2, 3, 4, 5, 6, 7, 8, 10}
S)
P  G daerah yang diarsir
P G
2. Operasi Irisan (interseksi) :
Irisan dari himpunan A dan B adalah himpunan semua unsur yang termasuk di dalam A dan
di dalam B. Irisan daari himpunan A dan himpunan B dilambangkan A  B atau AB dan
dituliskan : A  B = {X : x  A dan x  B}.
Contoh :
Jika diketahui : S = { x : 2 ≤ x ≤ 8}
P = {2, 3, 5, 7}
A = {2, 3, 4, 6}
Tentukan P  A !
Penyelesaian :
P  A = {2, 3}
S)

P  A daerah yang diarsir
P A
3. Operasi Selisih :
Selisih himpunan A dan B adalah himpunan semua unsur A yang tidak termasuk di dalam B.
Selisih himpunan A dan himpunan B dilambangkan A – B.
Dituliskan : {X : x  A dan x  B }
Contoh :
Jika diketahui : S = {1, 2, 3, 4, 5, 6, 7, 8, 9}
P = {2, 3, 5, 7}
G = {2, 4, 6, 8}
Tentukan P – G !
Penyelesaian :
P – G = {3, 5, 7}
S)
P – G daerah yang diarsir

P G
Beberapa Aturan Dalam Himpunan :
1. Hukum komutatif
AB=BA
AB=BA
2. Hukum Asosiatif
(A  B)  C = A  (B  C)
(A  B)  C = A  (B  C)
3. Hukum Distributif
A  (B  C) = (A  B)  (A  C)
A  (B  C) = (A  B)  (A  C)
4. Hukum Identitas
AS=A
A=
5. Hukum Komplemen
AĀ=
AĀ=S
BEBERAPA ATURAN DASAR PROBABILITAS
Aturan Penjumlahan :
Untuk menerapkan aturan penjumlahan ini, harus dilihat jenis kejadiannya apakah bersifat
saling meniadakan atau tidak saling meniadakan.
1. Kejadian Saling Meniadakan :

Dua peristiwa atau lebih disebut saling meniadakan jika kedua atau lebih peristiwa itu tidak
dapat terjadi pada saat yang bersamaan. Jika peristiwa A dan B saling meniadakan,
probabilitas terjadinya peristiwa tersebut adalah
P(A atau B) = P(A) + P(B) atau
P(A  B) = P(A) + P(B)
Contoh :
Sebuah dadu dilemparkan ke atas, peritiwanya adalah
A = peristiwa mata dadu 4 muncul.
B = peristiwa mata dadu lebih kecil dari 3 muncul.
Tentukan probabilitas dari kejadian berikut !
- Mata dadu 4 atau lebih kecil dari 3 muncul!
Penyelesaian :
P(A) = 1/6
P(B) = 2/6
P(A atau B) = P(A) + P(B)
= 1/6 + 2/6
= 0,5
2. Kejadian Tidak Saling Meniadakan :
Dua peristiwa atau lebih disebut peristiwa tidak saling meniadakan apabila kedua peristiwa
atau lebih tersebut dapat terjadi pada saat yang bersamaan. Jika dua peristiwa A dan B
tidak saling meniadakan, probabilitas terjadinya peristiwa tersebut adalah
P(A atau B) = P(A) + P(B) – P(A dan B)
P(A  B) = P(A) + P(B) – P(A  B)
Jika 3 peristiwa A, B, dan C tidak saling meniadakan, probabilitas terjadinya peristiwa

tersebut adalah
P(A  B  C) = P(A) + P(B) + P(C) – P(A  B) – P(A  C) – P(B  C) + P(A  B  C)

Contoh :
Dua buah dadu dilemparkan bersamaan, apabila :
A = peristiwa mata (4, 4) muncul.
B = peristiwa mata lebih kecil dari (3, 3) muncul.
Tentukan probabilitas P(A atau B) !
Penyelesaian :
P(A) = 1/36
P(B) = 14/36
P(A  B) = 0
P(A atau B) = P(A) + P(B) – P(A  B)
= 1/36 + 14/36 – 0
= 0,42
Aturan Perkalian :
Dalam konsep probabilitas, aturan perkalian diterapkan secara berbeda menurut jenis
kejadiannya. Ada dua jenis kejadian dalam hal ini, yaitu kejadian tak bebas dan kejadian
bebas.
1. Kejadian Tak Bebas :
Dua peristiwa atau lebih disebut kejadian tidak bebas apabila peristiwa yang satu
dipengaruhi atau tergantung pada peritiwa lainnya.
Probabilitas peristiwa tidak saling bebas dapat pula dibedakan atas tiga macam, yaitu yaitu
probabilitas bersyarat, gabungan, dan marjinal.
a. Probabilitas Bersyarat :
Probabilitas bersyarat peristiwa tidak saling bebas adalah probabilitas terjadinya suatu
peristiwa dengan syarat peristiwa lain harus terjadi dan peristiwa-peristiwa tersebut saling

mempengaruhi. Jika peristiwa B bersyarat terhadap A, probabilitas terjadinya periwtiwa
tersebut adalah
PB  A 
PB/A  
PA 
P(B/A) dibaca probabilitas terjadinya B dengan syarat peristiwa A terjadi.
Contoh :
Sebuah kotak berisikan 11 bola dengan rincian :
5 buah bola putih bertanda +
1 buah bola putih bertanda –
3 buah bola kuning bertanda +
2 buah bola kuning bertanda –
Seseorang mengambil sebuah bola kuning dari kotak
- Berapa probabilitas bola itu bertanda +?
Penyelesaian :
Misalkan : A = bola kuning
B+ = bola bertanda positif
B- = bola bertanda negatif.
P(A) = 5/11
P(B+  A) = 3/11
P(B /A) 

P B  A 
PA 
3
 
P B  / A  11 
5 5
3
11
b. Probabilitas Gabungan :

Probabilitas gabungan peritiwa tidak saling bebas adalah probabilitas terjadinya dua atau
lebih peristiwa secara berurutan(bersamaan) dan peristiwa-peristiwa itu saling
mempengaruhi.
Jika dua peristiwa A dan B gubungan, probabilitas terjadinya peristiwa tersebut adalah
P(A dan B) = P(A  B) = P(A) x P(B/A)
Jika tiga buah peristiwa A, B, dan C gabungan, probabilitas terjadinya peristiwa tersebut
adalah
P(A  B  C) = P(A) x P(B/A) x P(C/A  B)
Contoh :
Dari satu set kartu bridge berturut-turut diambil kartu itu sebanyak 2 kali secara acak.
Hitunglah probabilitasnya kartu king (A) pada pengambilan pertama dan as(B) pada
pengambilan kedua, jika kartu pada pengambilan pertama tidak dikembalikan !
Penyelesaian :
(A) = pengambilan pertama keluar kartu king.
P(A) = 4/52
(B/A) = pengambilan kedua keluar kartu as
P(B/A) = 4/51
P(A  B) = P(A) x P(B/A)
= 4/52 x 4/51
= 0,006
c. Probabilitas Marjinal :
Probabilitas marjinal peristiwa tidak saling bebas adalah probabilitas terjadinya suatu
peristiwa yang tidak memiliki hubungan dengan terjadinya peristiwa lain dan peristiwa
tersebut saling mempengaruhi. Jika dua peristiwa A adalah marjinal, probabilitas terjadinya
peristiwa A tersebut adalah
P(A) = P(B  A)
= P(Ai) x P(B/Ai), i = 1, 2, 3, …..
Contoh :

Sebuah kotak berisikan 11 bola dengan rincian :
5 buah bola putih bertanda +
1 buah bola putih bertanda –
3 buah bola kuning bertanda +
2 buah bola kuning bertanda –
Tentukan probabilitas memperoleh sebuah bola putih !
Penyelesaiana :
Misalkan : A = bola putih
B+ = bola bertanda positif
B- = bola bertanda negatif
P(B+  A) = 5/11
P(B-  A) = 1/11
P(A) = P(B+  A) + P(B-  A)
= 5/11 + 1/11
= 6/11
2. Kejadian Bebas :
Dua kejadian atau lebih dikatakan merupakan kejadian bebas apabila terjadinya kejadian
tersebut tidak saling mempengaruhi. Dua kejadian A dan B dikatakan bebas, kalau kejadian
A tidak mempengaruhi B atau sebaliknya. Jika A dan B merupakan kejadian bebas, maka
P(A/B) = P(A) dan P(B/A) = P(B)
P(A  B) = P(A) P(B) = P(B) P(A)
Contoh :
Satu mata uang logam Rp. 50 dilemparkan ke atas sebanyak dua kali. Jika A1 adalah
lemparan pertama yang mendapat gambar burung(B), dan A2 adalah lemparan kedua yang
mendapatkan gambar burung(B), berapakah P(A1  A2)!
Penyelesaian :

Karena pada pelemparan pertama hasilnya tidak mempengaruhi pelemparan kedua dan
P(A1) = P(B) = 0,5 dan P(A2) = P(B) = 0,5, maka P(A1  A2) = P(A1) P(A2) = P(B) P(B) = 0,5
x 0,5 = 0,25.
Rumus Bayes :
Jika dalam suatu ruang sampel (S) terdapat beberapa peristiwa saling lepas, yaitu A1, A2,
A3, …., An yang memiliki probabilitas tidak sama dengan nol dan bila ada peritiwa lain
(misalkan X) yang mungkin dapat terjadi pada peristiwa-peristiwa A1, A2, A3, …., An maka
probabilitas terjadinya peristiwa-peristiwa A1, A2, A3, …., An dengan diketahui peristiwa X
tersebut adalah
P Ai P( X / Ai )
P Ai / X  
P A1  P X / A1   P A2  X / A2   ......  P An P( X / An )
i  1, 2, 3, 4,...
Contoh :
Tiga kotak masing-masing memiliki dua laci. Didalam laci-laci tersebut terdapat sebuah bola.
Didalam kotak I terdapat bola emas, dalam kotak II terdapat bola perak, dan dalam kotak III
terdapat bola emas dan perak. Jika diambil sebuah kotak dan isinya bola emas, berapa
probabilitas bahwa laci lain berisi bola perak?
Penyelesaian :
Misalkan : A1 peristiwa terambil kotak I
A2 peristiwa terambil kotak II
A3 peristiwa terambil kotak III
X peristiwa laci yang dibuka berisi bola emas
Kotak yang memenuhi pertanyaan adalah kotak III (P(A3/X)).
P(A1) = 1/3 P(X/A1) = 1
P(A2) = 1/3 P(X/A2) = 0
P(A3) = 1/3 P(X/A3) = ½
P A3 .P X / A3 
P A3 / X  
P A1 .P X / A1   P A2 .P X / A2   P A3 .P X / A3 

1 1
  
= 3  2 
1
1 1 1 1
  1    0 
3
  
 3  3  3  2
PERMUTASI DAN KOMBINASI
Pembicaraan mengenai permutasi dan kombinasi selalu berkaitan dengan prinsip dasar
membilang dan faktorial.
1. Prinsip Dasar Membilang :
Jika kejadian pertama dapat terjadi dalam n1 cara, kejadian kedua dalam n2 cara, demikian
seterusnnya, sampai kejadian k dalam nk cara, maka keseluruhan kejadian dapat terjadi
dalam :
n1 x n2 x …x nk cara
Contoh :
Seorang pengusaha ingin bepergian dari Jakarta ke Ujungpandang melalui Surabaya. Jika
Jakarta – Surabaya dapat dilalui dengan tiga cara dan Surabaya – Ujungpandang dapat
dilalui dengan dua cara, ada berapa cara pengusaha tersebut dapat tiba di Ujungpandang
melalui Surabaya?
Penyelesaian :
misalkan : dari Jakarta ke Surabaya (n1) = 3 cara.
Dari Surabaya ke Ujungpandang (n2) = 2 cara.
Cara pengusaha tersebut dapat tiba di Ujungpandang melalui Surabaya adalah :
n1 x n2 = 3 x 2 = 6 cara.
2. Faktorial :

Faktorial adalah perkalian semua bilangan bulat positif (bilangan asli) terurut mulai dari
bilangan 1 sampai dengan bilangan bersangkutan atau sebaliknya.
Faktorial dilambangkan: “!”.
Jika : n = 1,2, …., maka :
n! = n(n – 1)(n – 2) ….x 2 x 1
= n(n –1)!
Contoh :
Tentukan nilai factorial dari bilangan berikut
a. 5!
b. 3! X 2!
c. 6!/4!
Penyelesaian :
a. 5! = 5 x 4 x 3 x 2 x 1 = 120
b. 3! X 2! = 3 x 2 x 1 x 2 x 1 = 12
6! 6 x 5 x 4 x 3 x 2 x 1
c.   30
4! 4 x 3 x 2 x1
Permutasi :
1. Pengertian Permutasi :
Permutasi adalah suatu penyusunan atau pengaturan beberapa objek ke dalam suatu
urutan tertentu.
Contoh :
Ada 3 objek, yaitu ABC. Pengaturan objek-objek tersebut ialah ABC, ACB, BCA, BAC, CAB,
CBA yang disebut permutasi. Jadi, permutasi 3 objek menghasilkan enam pengaturan
dengan cara yang berbeda.
2. Rumus-rumus Permutasi :
a. Permutasi dari m objek seluruhnya tanpa pengembalian : mPm = m!

Contoh :
Pada suatu tempat terdapat 4 buku matematika yang berbeda. Buku itu akan disusun pada
sebuah rak buku. Berapa cara susunan yang mungkin dari buku-buku matematika dapat
disusun.
Penyelesaian :
Buku-buku matematika dapat disusun dalam :
4P4 = 4! = 4 x 3 x 2 x 1 = 24 cara.
b. Permutasi sebanyak x dari m objek tanpa pengembalian :
mPx 
m!
m  x 
m  x  !
Contoh :
Dari empat calon pimpinan sebuah perusahaan, misalkan A, B, C, D hendak dipilih seorang
ketua, seorang sekretaris, dan seorang bendahara.
Berapa cara keempat calon tersebut dipilih?
Penyelesaian:
m = 4 dan x = 3
4! 4 x 3 x 2 x1
4P3 =   24
4  3  ! 1
c. Permutasi dari m objek dengan pengembalian :
mPx = mx
x ≤ m dan bilangan bulat positif
Contoh :
Tentukan permutasi dari ABC sebanyak 2 unsur dengan pengembalian unsure yang terpilih!
Penyelesaian :

M = 3 dan x = 2
3P2 = 32 = 9
yaitu : AA, AB, AC, BB, BA, BC, CC, CA, CB
d. Permutasi daaari m objek yang sama :
m!
mPm1, m2, m3, … = -----------------------
m1! . m2! . m3! ….
Dengan m1 + m2 + m3 + ….= m
Contoh :
Tentukan permutasi dari kata “TAMAT”
Penyelesaian :
M = 5, m1 = 2, m2 = 2, m3 = 1
5! 5x4x3x2x1
5P2, 2, 1 = --------------- = -------------------- = 30
2! . 2! . 1! 2x1x2x1x1
Kombinasi :
1. Pengertian Kombinasi :
Kombinasi adalah suatu penyusunan beberapa objek tanpa memperhatikan urutan objek
tersebut.
Contoh :

Ada 4 objek, yaitu : A, B, C, D. Kombinasi 3 dari objek itu adalah ABC, ABD, ACD, BCD.
Setiap kelompok hanya dibedakan berdasarkan objek yang diikutsertakan, bukan urutannya.
Oleh karena itu :
ABC = ACB = BAC = BCA = CAB = CBA
ABD = ADB = BAD = BDA = DAB = DBA
ACD = CAD = ADC = CDA = DAC = DCA
BCD = BDC = CBD = CDB = DBC = DCB
2. Rumus-rumus Kombinasi :
a. Kombinasi x dari m objek yang berbeda :
m!
mCx = -------------- ;mx
(m – x)!.x!
Contoh :
Dari 5 pemain bulu tangkis, yaitu A, B, C, D, dan E hendak dipilih dua orang untuk pemain
ganda. Berapa banyak pemain ganda yang mungkin terbentuk?
Penyelesaian :
M = 5 dan x = 2
5!
5C2 = ---------------- = 10
(5 – 2)! . 2!
VARIABEL ACAK DAN NILAI HARAPAN
VARIABEL ACAK :

Untuk menggambarkan hasil-hasil percobaan sebagai nilai-nilai numerik secara sederhana,
kita menggunakan apa yang disebut sebagai variabel acak. Jadi variabel acak dapat
didefinisikan sebagai deskripsi numerik dari hasil percobaan.
Variabel acak biasanya menghubungkan nilai-nilai numerik dengan setiap kemungkinan

hasil percobaan. Karena nilai-nilai numerik tersebut dapat bersifat diskrit(hasil perhitungan)
dan bersifat kontinu(hasil pengukuran) maka variabel acak dapat dikelompokkan menjadi
variabel acak diskrit dan variabel acak kontinu.
Variabel Acak Diskrit.

Varibel acak diskrit adalah variabel acak yang tidak mengambil seluruh nilai yang ada dalam
sebuah interval atau variabel yang hanya memiliki nilai tertentu. Nilainya merupakan
bilangan bulat dan asli, tidak berbentuk pecahan. Variabel acak diskrit jika digambarkan
pada sebuah garis interval, akan berupa sederetan titik-titik yang terpisah.
Contoh :
1. Banyaknya pemunculan sisi muka atau angka dalam pelemparan sebuah koin (uang
logam).
2. Jumlah anak dalam sebuah keluarga.
Variabel Acak Kontinu.

Varibel acak kontinu adalah variabel acak yang mengambil seluruh nilai yang ada dalam
sebuah interval atau variabel yang dapat memiliki nilai-nilai pada suatu interval tertentu.
Nilainya dapat merupakan bilangan bulat maupun pecahan. Varibel acak kontinu jika
digambarkan pada sebuah garis interval, akan berupa sederetan titik yang bersambung
membantuk suatu garis lurus.
Contoh :
1. Usia penduduk suatu daerah.

2. Panjang beberpa helai kain.
DISTRIBUSI PROBABILITAS VARIABEL

ACAK DISKRIT :

Distribusi probabilitas variabel acak menggambarkan bagaimana suatu probabilitas
didistribusikan terhadap nilai-nilai dari variabel acak tersebut. Untuk variabel diskrit X,
distribusi probabilitas didefinisikan dengan fungsi probabilitas dan dinotasikan sebagai p(x).
Fungsi probabilitas p(x) menyatakan probabilitas untuk setiap nilai variabel acak X.
Contoh :
Jumlah mobil terjual dalam sehari menurut jumlah hari selama 300 hari
Jumlah mobil terjual dalam sehari Jumlah hari
0 54
1 117
2 72
3 42
4 12
5 3
Total 300
Distribusi Probabilitas Jumlah Mobil Terjual dalam Sehari
X p(x)
0 0,18
1 0,39
2 0,24
3 0,14
4 0,04
5 0,01
Total 1,00
Dalam membuat suatu fungsi probabilitas untuk variabel acak diskrit, kondisi berikut harus
dipenuhi.

1. p(x)  0 atau 0  p(x)  1
2.  p(x) = 1
Kita juga bisa menyajika distribusi probabilitas dengan menggunakan grafik.
p(x)
0.5
0.4
0.3
Probabilitas
0.2
0.1
0 x
0 1 2 3 4 5
Fungsi Probabilitas Kumulatif Variabel Acak diskrit

Fungsi probabilitas kumulatif digunakan untuk menyatakan jumlah dari seluruh nilai fungsi
probabilitas yang lebih kecil atau sama dengan suatu nilai yang ditetapkan.
Secara matematis, fungsi probabilitas kumulatif dinyatakan sebagai berikut.
F(x) = P(X  x) = X  p(x)
Dimana :
F(x) = P(X  x) menyatakan fungsi probabilitas kumulatif pada titik X = x yang merupakan
jumlah dari seluruh nilai fungsi probabilitas untuk nilai X sama atau kurang dari x.
Contoh :
Probabilitas Kumulatif dari jumlah mobil terjual dalam sehari
X F(x)
0 0,18
1 0,57 (= 0,18 + 0,39)

2 0,81 (= 0,18 + 0,39 + 0,24)
3 0,95 (= 0,18 + 0,39 + 0,24 + 0,14)
4 0,99 (= 0,18 + 0,39 + 0,24 + 0,14 + 0,04)
5 1,00 (= 0,18 + 0,39 + 0,24 + 0,14 + 0,04 + 0,01)
Kita bisa menyajikan fungsi probabilitas kumulatif dalam bentuk grafik, sbb.
P(X)
1.2
1
0.8
0.6
0.4
0.2
0
X
0 1 2 3 4 5
DISTRIBUSI PROBABILITAS VARIABEL ACAK KONTINU :
Distribusi probabilitas variabel acak kontinu dinyatakan dengan fungsi f(x) dan sring disebut
sebagai fungsi kepadatan atau fungsi kepadatan probabilitas dan bukan fungsi probabilitas.
Nilai f(x) bisa lebih besar dari 1.
Fungsi kepadatan probabilitas harus memenuhi syarat sebagai berikut.
1. f(x) ≥ 0

2.  f x dx  1 (integral seluruh fungsi kepadatan probabilitas f(x) = 1)

b
3. P(a < X < b) =  f x dx
a
Catatan : f(x) dx = P{x ≤ X ≤ (x + dx)}, yaitu probabilitas bahwa nilai X terletak pada interval x
dan x + dx.
Fungsi Probabilitas Kumulatif Variabel Acak Kontinu
Kalau pada variabel acak diskrit, fungsi probabilitas kumulatif dihitung dengan cara
penjumlahan maka pada variabel acak kontinu, probabilitas kumulatif dicari dengan integral.
Rumusnya adalah sebagai berikut.

x
F(x) = P(X ≤ x) =  f xdx

Nilai-nilai dalam rumus ini harus kontinu atau dalam suatu interval.
Contoh :
Suatu variabel acak kontinu X yang memiliki nilai antara X = 1 dan X = 3 memiliki fungsi
densitas yang dinyatakan oleh.
2(1  x)
f x  
21
Tentukan nilai P(X < 2)!
Penyelesaian :
P(X < 2) = P(1 < X < 2)
21  x dx
2
= 
1
21
=
1
21
2 x  x 2 1 
2 5
21
FUNGSI PROBABILITAS BERSAMA
Bila X dan Y adalah dua variabel acak diskrit, distribusi probabilitas bersamanya dapat
dinyatakan sabagai sebuah fungsi f(x,y) bagi sembarang nilai (x,y) yang dapat diambil oleh
peubah acak X dan Y. Sehingga dalam rumus variabel acak diskrit.
f(x,y) = p(X = x, Y = y)
Dimana nilai f(x,y) menyatakan peluang bahwa x dan y terjadi secara bersamaan.
Sedangkan distribusi probabilitas kumulatif bersama X dan Y terdiri dari nilai (x,y) dan f(x,y)
untuk semua (X,Y)
Fungsi Probabilitas Marjinal

Kalau dua variabel X, Y dan P(X  x, Y  y) = p(x,y) merupakan suatu fungsi yang
memenuhi syarat berikut :
1. p(x,y) ≥ o, untuk seluruh nilai X dan Y
2.   px, y   1 (penjumlahan untuk seluruh nilai X dan Y)

x y
maka p(x,y) disebut fungsi probabilitas bersama X dan Y.
Fungsi p(x) dan q(y) yang diperoleh langsung dari p(x,y) disebut fungsi marjinal.
p x    px, y , dan q y    p x, y 
y x
Fungsi marjinal p(x) dan q(y) dapat dilihat dalam tabel, pada beris dan kolom yang paling
akhir (pada tepi tabel, marjin = tepi/pinggir).
Contoh :
Misalkan kotak berisi 4 kartu bernomor 1, 2, 3, dan 4. Suatu permaianan dilakukan dengan
jalan menarik satu kartu dari kotak tersebut secara acak. Apabila kartu yang terambil
mempunyai nomr 1, 2, atau 4, maka kartu yang kedua diambil. Akan tetapi kalau kartu
bernomor 3 yang terpilih, pengambilan kedua tidak dilakukan.
X = nomor kartu pada pengambilan pertama,
Y = nomor kartu pada pengambilan kedua,
Y = 0 kalau tidak mengambil kartu.
Carilah: p(x, y), p(x), dan q(y).
Penyelesaian :
X = 1, 2, 3, 4 dan p(1) = p(2) = p(3) = p(4) = 
p(x) = P(X = x)
p(x, y) = P(X = x, Y = y)
p(x, y) = p(x) p(x/y)

Y = 0, 1, 2, 3, 4.
Distribusi Probabilitas Bersama : p(x,y), p(x), dan q(y)
Y
0 1 2 3 4 p(x)
X
1 p(1,0) p(1,1) p(1,2) p(1,3) p(1,4) p(1)
2 p(2,0) p(2,1) p(2,2) p(2,3) p(2,4) p(2)
3 p(3,0) p(3,1) p(3,2) p(3,3) p(3,4) p(3)
4 p(4,0) p(4,1) p(4,2) p(4,3) p(4,4) p(4)
q(y) q(0) q(1) q(2) q(3) q(4)
p(1,0) = p(1) p(0/1) = p(X=1) p(0/X=1) = ¼ . 0 = 0
p(1,1) = p(1) p(1/1) = p(X=1) p(1/X=1) = ¼ . ¼= 1/16
p(1,2) = p(1) p(2/1) = p(X=1) p(2/X=1) = ¼ . ¼= 1/16
p(1,3) = p(1) p(3/1) = p(X=1) p(3/X=1) = ¼ . ¼= 1/16
p(1,4) = p(1) p(4/1) = p(X=1) p(4/X=1) = ¼ . ¼= 1/16
p(2,0) = p(2) p(0/2) = p(X=2) p(0/X=2) = ¼ . 0 = 0
p(2,1) = p(2) p(1/2) = p(X=2) p(1/X=2) = ¼ . ¼= 1/16
p(2,2) = p(2) p(2/2) = p(X=2) p(2/X=2) = ¼ . ¼= 1/16
p(2,3) = p(2) p(3/2) = p(X=2) p(3/X=2) = ¼ . ¼= 1/16
p(2,4) = p(2) p(4/2) = p(X=2) p(4/X=2) = ¼ . ¼= 1/16
p(3,0) = p(3) = p(X=3) = ¼
p(3,1) = p(3,2) = p(3,3) = p(3,4) = 0,tak mungkin terjadi, sebab tak mengambil kartu kedua.
p(4,0) = p(4) p(0/4) = p(X=4) p(0/X=4) = ¼ . 0 = 0

p(4,1) = p(4) p(1/4) = p(X=4) p(1/X=4) = ¼ . ¼= 1/16
p(4,2) = p(4) p(2/4) = p(X=4) p(2/X=4) = ¼ . ¼= 1/16
p(4,3) = p(4) p(3/4) = p(X=4) p(3/X=4) = ¼ . ¼= 1/16
p(4,4) = p(4) p(4/4) = p(X=4) p(4/X=4) = ¼ . ¼= 1/16
p(1) = p(1,0) + p(1,1) + p(1,2) + p(1,3) + p(1,4)
= 0 + 1/16 + 1/16 + 1/16 + 1/16
= 4/16
p(2) = p(2,0) + p(2,1) + p(2,2) + p(2,3) + p(2,4)
= 0 + 1/16 + 1/16 + 1/16 + 1/16
= 4/16
p(3) = p(3,0) + p(3,1) + p(3,2) + p(3,3) + p(3,4)
= 1/4 + 0 + 0 + 0 + 0
= 1/4
p(4) = p(4,0) + p(4,1) + p(4,2) + p(4,3) + p(4,4)
= 0 + 1/16 + 1/16 + 1/16 + 1/16
= 4/16
q(0) = p(1,0) + p(2,0) + p(3,0) + p(4,0)
= 0 + 0 +1/4 + 0
= 4/16
q(1) = p(1,1) + p(2,1) + p(3,1) + p(4,1)
= 1/16 + 1/16 + 0 + 1/16
= 3/16

q(2) = p(1,2) + p(2,2) + p(3,2) + p(4,2)
= 1/16 + 1/16 + 0 + 1/16
= 3/16
q(3) = p(1,3) + p(2,3) + p(3,3) + p(4,3)
= 1/16 + 1/16 + 0 + 1/16
= 3/16
q(4) = p(1,4) + p(2,4) + p(3,4) + p(4,4)
= 1/16 + 1/16 + 0 + 1/16
= 3/16
Perhitungan Fungsi Probabilitas Marjinal
Y
0 1 2 3 4 p(x)
X
1 0 1/16 1/16 1/16 1/16 4/16
2 0 1/16 1/16 1/16 1/16 4/16
3 ¼ 0 0 0 0 4/16
4 0 1/16 1/16 1/16 1/16 4/16
q(y) 4/16 3/16 3/16 3/16 3/16 16/16
NILAI HARAPAN DAN VARIANS DARI VARIABEL ACAK DISKRIT
Rata-rata () dari distribusi probabilitas adalah nilai harapan dari variabel acaknya.
Nilai harapan variabel acak diskrit adalah rata-rata tertimbang terhadap seluruh
kemungkinan hasil dimana penimbangnya adalah nilai probabilitas yang dihubungkan
dengan setiap hasil.

Nilai harapan diperoleh dengan menyatakan setiap kemungkinan hasil x dengan
probabilitasnya P(X) dan kemudian menjumlahkan hasil perkalian tersebut.
Nilai harapan dari variabel acak diskrit X yang dinotasikan dengan E(X) dirumuskan sebagai
berikut.
N
E ( X )   x   xi p  xi 
i 1
= x1 p(x1) + x2 p(x2) + ….+ xN p(xN)
dimana.
xi = nilai ke-i dari variabel acak X
p(xi) = probabilitas terjadinya xi
Contoh :
X = banyaknya pesanan barang dalam satuan yang masuk selama 1 minggu. P(X) =
probabilitas terjadinya X = x.
X 0 1 2 3
p(x) 0,125 0,375 0,375 0,125
Hitung rata-rata banyaknya pesanan atau pesanan yang diharapkan.
Penyelesaian :
 x  E X    xi pxi 
= (0) p(0) + (1) p(1) + (2) p(2) + (3) p(3)
= (0) (0,125) + (1) (0,375) + (2) (0,375) + (3) (0,125)
= 1,5
Jadi secara rata-rata dapat diharapkan bahwa pesanan yang masuk selama 1 minggu
adalah sebanyak 1,5 satuan.

Selain rata-rata, ukuran statistik yang lain adalah varians dan standar deviasi.
Varians (2) dari variabel acak diskrit didefinisikan sebagai berikut.
Varians dari variabel acak diskrit adalah rata-rata tertimbang dari kuadrat selisih antara
kemungkinan hasil dan rata-ratanya dimana penimbangnya adalah probabilitas dari masing-
masing hasil tersebut.
Varians diperoleh dengan mengalikan setiap kemungkinan kuadrat selisih (xi - )2 dengan
probabilitasnya p(xi) dan kemudian menjumlahkan seluruh hasil perkalian tersebut.
Sehingga varians dinyatakan sebagai berikut.
N
 2  E  X   2    x i    2 p  x i 
i 1
dimana:
xi = nilai ke-I dari variable acak X
p(xi) = probabilitas terjadinya xi
Standar deviasi  diperoleh dengan menarik akar dari 2.
  2   x    p  xi 
2
i
Contoh.1 :
X = banyaknya pesanan barang dalam satuan yang masuk selama 1 minggu. P(X) =
probabilitas terjadinya X = x.
X 0 1 2 3
p(x) 0,125 0,375 0,375 0,125
Hitunglah varians dan standar deviasinya!
Penyelesaian :

Dari hasil perhitungan sebelumnya E(X) = x = 1,5
2 = E(X - x)2
= E(X – 1,5)2
= (xi – 1,5)2 p(xi)
= (0 – 1,5)2 (0,125) + (1 – 1,5)2 (0,375) + (2 – 1,5)2 (0,375) + (3 – 1,5)2 (0,125)
= (2,25) (0,125) + (0,25) (0,375) + (0,25) (0,375) + (2,25) (0,125)
= 0,28 + 0,09 + 0,09 + 0,28
= 0,74
  0,74  0,86
Karena simpangan baku  = 0,86, ini berarti bahwa rata-rata jarak nilai X terhadap  = E(X)
adalah sebesar 0,86.
Contoh.2 :
Seorang penjual mobil sebagai “Agen Tunggal” merek tertentu, berdasarkan

pengalamannya dpat menjual sebanyak X dengan probabilitas sebesar p(x) selama satu
minggu. Data yang dia miliki adalah sebagai berikut.
X 1 2 3 4 5 6
p(x) 0,08 0,27 0,10 0,10 0,33 0,22
Berapa banyak mobil yang dia harapkan dapat terjual selama satu minggu? Hitung juga
simpangan bakunya!
Penyelesaian :
E(X) =  x p(x)
= (1) (0,08) + (2) (0,27) + ….+ (6) (0,22)
= 4,29
Kita membayangkan bahwa apabila penjualan dilakukan berkali-kali dari minggu ke minggu
dalam jumlah yang banyak sekali, maka secara rata-rata dapat dijual sebanyak 4,29 mobil.

Apabila penjualan dilakukan selama 500 minggu (N = 500), maka selama waktu tersebut
diharapkan dapat terjual sebanyak N x E(X) = 500 x 4,29 = 2145 mobil.
2 =  (xi - x)2 p(xi)
= (xi – 4,29)2 p(xi)
= (1 – 4,29)2 (0,08) + (2 – 4,29)2 (0,27) + …… + (6 – 4,29)2 (0,22)
= 3,27
  3,27  1,81
Nilai Harapan dari Fungsi Probabilitas Bersama
Jika fungsi probabilitas bersama dinotasikan dengan p(x, y) untuk variabel acak X dan Y,
maka nilai harapan dari variabel acak h(x, y) yang merupakan fungsi dari X dan Y adalah
sebagai berikut.
E[h(x, y)] = h(x, y) p(x, y)
Dimana.
h(x, y) adalah sembarang fungsi dari X dan Y
p(x, y) adalah probabilitas terjadinya X dan Y secara bersama-sama.
Kalau h(x, y) = xy, maka
E[h(x, y)] = E(XY) = xy p(x, y)
Kalau h(x, y) = x + y, maka
E[h(x, y)] = E(X + Y) = (x + y) p(x, y)
Contoh :
Apabila diketahui p(x,y) sebagai berikut.
Y
0 1 2 3 4 p(x)
X

2 0 O,1 0,1 0,2 0 0,4
3 0,1 0 0,1 0 0,2 0,4
4 0,1 0,1 0 0 0 0,2
q(y) 0,2 0,2 0,2 0,2 0,2 1,0
a). Carilah nilai E(X + Y)
b). Carilah nilai E(X) + E(Y), apakah hasilnya sama dengan hasil a?
c). Carilah nilai E(XY)
Penyelesaian :
a). E(X + Y) =  (x + y) p(x,y)
= (2 + 0)(0) + (2 + 1)(0,1) + (2 + 2)(0,1) + (2 + 3)(0,2) +
(2 + 4)(0) + (3 + 0)(0,1) + (3 + 1)(0) + (3 + 2)(0,1) +
(3 + 3)(0) + (3 + 4)(0,2) + (4 + 0)(0,1) + (4 + 1)(0,1) +
(4 + 2)(0) + (4 + 3)(0) + (4 + 4)(0)
= 2(0) + 3(0,1) + 4(0,1) + 5(0,2) + 6(0) + 3(0,1) + 4(0) + 5(0,1) +
6(0) + 7(0,2) + 4(0,1) + 5(0,1) + 6(0) + 7(0) + 8(0)
= 4,8
b). E(X) =  x p(x)
= 2(0,4) + 3(0,4) + 4(0,2)
= 2,8
E(Y) =  y p(y)
= 0(0,2) + 1(0,2) + 2(0,2) + 3(0,2) + 4(0,2)
=2
E(X) + E(Y) = 2,8 + 2 = 4,8
c). E(XY) =  xy p(x,y)

= (0)(0) + (2)(0,1) + (4)(0,1) + (6)(0,2) + (8)(0) + (0)(0,1) +
(3)(0) + (6)(0,1) + (9)(0) + (12)(0,2) + (0)(0,1) + (4)(0,1) +
(8)(0) + (12)(0) + (16)(0)
= 5,2
Aturan-aturan dalam Menghitung Nilai Harapan.
1. E(k) = k, k = bilangan konstan.

2. Varians (k) = 0 dan varians (X) = 2
3. E(kX) = k E(X)
4. Varians (kX) = k22
5. E(X  Y) = E(X)  E(Y)
E( Xi) = E(Xi) i = 1, 2, …, n
E(ki Xi) =  ki E(Xi) i = 1, 2, …, n
KOVARIANS DAN APLIKASINYA DALAM KEUANGAN
Pada sub bab ini, kita pelajari konsep kovarians antara dua variabel dan kegunaannya
dalam manajemen portfolio dan keuangan.
Kovarians
Kovarians adalah suatu pengukur yang menyatakan variasi bersama dari dua variable acak.
Kovarians antara dua variabel acak diskrit X dan Y dinotasikan dengan xy dan didefinisikan
sebagai berikut.
N
 xy   X i  E  X Yi  E Y  pxi , yi 
i 1
dimana.
Xi = nilai variable acak X ke-i
Yi = nilai variable acak Y ke-i
P(xi, yi) = probabilitas terjadinya xi dan yi
i = 1, 2, …, N
Contoh :

Anggaplah bahwa anda akan memutuskan dua laternatif/pilihan investasi pada tahun
mendatang. Kedua macam investasi tersebut ditanamkan pada 2 jenis perusahaan yang
sudah go public, katakana perusahaan A dan perusahaan B. Misalkan anda memperkirakan
pengembalian investasi (untuk setiap investasi $1000) dan 3 kondisi perekonomian di mana
setiap kondisi perekonomian diberikan nilai probabilitasnya.
Investasi
P(xi,yi) Kondisi Perekonomian
A B
(0,2) Resesi -$100 -$200
(0,5) Perekonomian yg stabil +100 +50
(0,3) Perekonomian maju +250 +350
Hitunglah nilai harapan dari pengembalian investasi (expected return) untuk setiap investasi
dan kovarians dari investasi tersebut.
Penyelesaian :
Jika X = investasi di perusahaan A, Y = investasi di perusahaan B.
E(X) = x = (-100)(0,2) + (100)(0,5) + (250)(0,3) = $105
E(Y) = y = (-200)(0,2) + (50)(0,5) + (350)(0,3) = $90
Var(X) = x2 = (0,2)(-100 – 105)2 + (0,5)(100 – 105)2 + (0,3)(250 – 105)2
= 14.725
x = 121,35
Var(Y) = y2 = (0,2)(-200 – 90)2 + (0,5)(50 – 90)2 + (0,3)(350 – 90)2
= 37.900
y = 194,68
Kov(xy) = xy = (0,2)(-100 – 105) (-200 – 90) + (0,5)(100 – 105) (50 – 90)
(0,3)(250 – 105) (350 – 90)
= 11.890 + 100 + 11.310
xy = 23.300

Jadi perusahaan A memiliki harapan pengembalian investasi yang lebih tinggi dibandingkan
dengan perusahaan B dan juga mempunyai standar deviasi yang lebih rendah. Nilai
kovarians sebesar 23.300 antara kedua jenis investasi menunjukkan adanya hubungan
positif yang kuat, di mana kedua jenis investasi saling berhubungan satu sama lain dalam
arah yang sama. Kalau investasi jenis A meningkat maka B juga meningkat.
Nilai Harapan dari Penjumlahan Dua Variabel
Nilai harapan dari penjumlahan dua variable acak adalah sama dengan penjumlahan dari
nilai harapan masing-masing variabel acak.
E(X + Y) = E(X) + E(Y)
Varians dari Penjumlahan Dua Variabel
Varians dari penjumlahan dua variabel acak adalah sama dengan jumlah varians dari
masing-masing variabel ditambah dua kali kovarians.
Var x  y    x2 y   x2   y2  2 xy
Standar Deviasi dari Penjumlahan dua Variabel.
 x  y   x2 y
Contoh :
Anggaplah bahwa anda akan memutuskan dua laternatif/pilihan investasi pada tahun
mendatang. Kedua macam investasi tersebut ditanamkan pada 2 jenis perusahaan yang
sudah go public, katakana perusahaan A dan perusahaan B. Misalkan anda memperkirakan
pengembalian investasi (untuk setiap investasi $1000) dan 3 kondisi perekonomian di mana
setiap kondisi perekonomian diberikan nilai probabilitasnya.
Investasi
P(xi,yi) Kondisi Perekonomian
A B
(0,2) Resesi -$100 -$200

(0,5) Perekonomian yg stabil +100 +50
(0,3) Perekonomian maju +250 +350
Hitunglah nilai harapan varians dan standar deviasi dari penjumlahan kedua investasi
tersebut!
Penyelesaian :
Jika X = investasi perusahaan A, Y = investasi perusahaan B
E(X + Y) = E(X) + E(Y) = 105 + 90 = $195
2x+y = x2 + y2 + 2y
= 14.725 + 37.900 + (2)(23.300)
= 99.225
x+y = $315
Portfolio Expected Return dan Fortfolio Risk
Setelah kita definisikan kovarians, expected return, dan standar deviasi dari penjumlahan
dua variabel acak, kita dapat menerapkan konsep-konsep tersebut pada studi mengenai
sekelompok asset yang merujuk pada apa yang disebut sebagai portfolio. Dengan
menanamkan investasi yang disebarkan pada tidak hanya satu perusahaan, investor
mengkombinasikan pengembalian dan meminimumkan resiko. Dalam studi portfolio, kita
menggunakan penimbang untuk setiap jenis investasi dengan proporsi asset pada investasi
tersebut. Hal ini memungkinkan kita untuk menghitung portfolio expected return dan portfolio
risk.
Portfolio expected return untuk investasi dua asset sama dengan penimbang bagi asset X
dikalikan dengan expected return dari asset X ditambah dengan penimbang bagi asset Y
dikalikan dengan expected return asset Y.
E(P) = E(X) + (1 - ) E(Y)
Dimana.
E(P) = portfolio expected return
 = proporsi nilai portfolio dari asset X

(1 - ) = proporsi nilai portfolio dari asset Y

E(X) = expected return asset X
E(Y) = expected return asset Y
Portfolio Risk
 p   2 x2  1     y2  21    xy
2
Contoh :
Dari contoh diatas, kita telah menghitung E(X), E(Y), x2, y2. Misalkan kita hendak
membentuk sebuah portfolio dari dua investasi tersebut dengan menanamkan investasi
yang sama dalam setiap asset tersebut. Hitunglah portfolio expected return dan portfolio
risk.
Penyelesaian :
Dengan menggunakan persamaan diatas dimana  = 0,50, E(X) = 105, E(Y) = 90, x2 =
14.725, y2 = 37.900 dan xy = 23.300, maka
E(P) = (0,5)(105) + (1 – 0,5)(90) = $97,50
 p   2 x2  1     y2  21    xy
2
p = $157,50
Jadi portfolio mempunyai expected return sebesar $97,50 untuk setiap investasi sebesar
$1000 (pengembalian sebesar 9,95%), tetapi memiliki portfolio risk sebesar $157,50. Dalam
hal ini portfolio risk lebih tinggi dari pada expected return.
DISTRIBUSI TEORITIS

Distribusi teoritis merupakan alat bagi kita untuk menentukan apa yang dapat kita
harapkan, apabila asumsi-asumsi yang kita buat benar. Distribusi teoritis
memungkinkan para pembuat keputusan untuk memperoleh dasar logika yang kuat
di dalam keputusan, dan sangat berguna sebagai dasar pembuatan ramalan
berdasarkan informasi yang terbatas atau pertimbangan-pertimbangan teoritis, dan
berguna pula untuk menghitung probabilitas terjadinya suatu kejadian.
Setiap kejadian yang dapat dinyatakan sebagai perubahan nilai suatu variabel, umumnya
mengikuti suatu distribusi teoritis tertentu dan apabila sudah ketahuan jenis distribusinya,
kita dengan mudah dapat mengetahui besarnya nilai probabilitas terjadinya kejadian
tersebut.
Beberapa distribusi teoritis yang akan dibahas dalam bab ini, antara lain Distribusi binomial,
Distribusi Poisson, Distribusi Hipergeometrik, Distribusi Multinomial, Distribusi Normal,
Distribusi Kai-Kuadrat(Chi-Square), Distribusi F, dan Distribusi t.
DISTRIBUSI BINOMIAL :
Distribusi binomial atau distribusi Bernoulli adalah suatu distribusi teoritis yang
menggunakan variabel acak diskrit yang terdiri dari dua kejadian yang berkomplemen,
seperti sukses-gagal, baik-cacat.
Pada umumnya suatu eksperimen dapat dikatakan eksperimen Binomial apabila memenuhi
syarat sebagai berikut.
1. Setiap percobaan menghasilkan dua kejadian:

(a) kelahiran anak: laki-laki-perempuan;
(b) transaksi saham: jual- beli,
(c) perkembangan suku bunga: naik–turun dan lain-lain.
2. Setiap eksperimen mempunyai dua hasil yang dikatagorikan menjadi “sukses” dan
“gagal”.
3. Probabilitas suatu kejadian untuk suskes atau gagal adalah tetap untuk setiap kejadian.
P(p), peluang sukses, P(q) peluang gagal, dan P(p) + P(q)= 1.
4. Probabilitas sukses sama pada setiap eksperimen.
5. Eksperimen tersebut harus bebas satu sama lain, artinya hasil eksperimen yang satu
tidak mempengeruhi hasil eksperimen lainnya.
6. Data yang dihasilkan adalah data perhitungan.
Contoh:

Suatu eksperimen Binomial, yang terdiri dari pengambilan satu bola secara acak dari kotak
yang berisi 30 bola merah(= 30M) dan 70 bola putih(= 70P). Y adalah variabel acak dengan
nilai sebagai berikut.
1, kalau bola merah yang terambil

Y  0, kalau bola putih yang terambil

P(M) = p = probabilitas untuk mendapat bola merah (sukses)
30
= = 0,30
100
P(P) = q = probabilitas untuk mendapat bola putih (gagal)
70
= = 0,70
100
E(Y) = 1(p) + 0(q)
= 1(0,3) + 0(0,7)
= 0,3
Bila dilakukan eksperimen empat kali. Pengambilan bola dilakukan dengan pengembalian
bola yang terambil. Hal ini untuk menjaga agar eksperimen yang satu tidak mempengaruhi
hasil eksperimen yang lain. Eksperimen ini akan menghasilkan 24 = 16 hasil sebagai berikut.
1. MMMM 9. PMMM
2. MMMP 10. PMMP
3. MMPM 11. PMPM
4. MMPP 12. PMPP
5. MPMM 13. PPMM
6. MPMP 14. PPMP
7. MPPM 15. PPPM
8. MPPP 16. PPPP
Masing-masing hasil eksperimen terdiri dari empat kejadian yang bebas satu sama
lain, sehingga probabilitas terjadinya setiap hasil eksperimen merupakan hasil kali
probabilitas masing-masing kejadian, misalnya P(MMPM) = ppqp =
(0,3)(0,3)(0,7)(0,3) = 0,0189.
Aturan perkalian untuk kejadian-kejadian bebas dan aturan penjumlahan untuk kejadian-
kejadian yang saling meniadakan, yang sudah dibahas sebelumnya dapat diterapkan di
sini dan perhitungannya adalah.
P(3M dan 1P) = P(MMMP) + P(MMPM) + P(MPMM) + P(PMMM)

= (0,3)(0,3)(0,3)(0,7) + (0,3)((0,3)(0,7)(0,3) + (0,3)(0,7)(0,3)(0,3)
+ (0,7)(0,3)(0,3)(0,3)
= 0,0756
Tanpa memperhatikan urutan dari masing-masing kejadian, setiap suku dalam penjumlahan
tersebut mempunyai probabilitas sebesar pppq = p3q. Dengan cara yang sederhana ini, kita
dapat menghitung probabilitas untuk mendapatkan sejumlah bola merah tertentu sebagai
hasil eksperimen.
Dapat ditunjukkan bahwa apabila eksperimen dilakukan sebanyak 4 kali, maka.
X = 0, 1, 2, 3, 4
Sedangkan untuk n kali.
X = 0, 1, 2, …, n.
Apabila semua nilai probabilitas X sebagai hasil suatu eksperimen kita hitung, akan kita
peroleh distribusi probabilitas X dan disebut distribusi probabilitas Binomial.
P(X = 0) = P(PPPP) = (0,7)(0,7)(0,7)(0,7) = (0,7)4 = 0,2401
P(X = 1) = pq3 + qpq2 + q2pq + q3p
= (0,3)(0,7)3 + (0,7)(0,3)(0,7)2 + (0,7)2(0,3)(0,7) +
(0,7)3(0,3)
= 0,4116
P(X = 2) = p2q2 + pqpq + pq2p + qp2q + qpqp + q2p2
= (0,3)2(0,7)2 + (0,3)(0,7)(0,3)(0,7) + (0,3)(0,7)2(0,3) +
(0,7)(0,3)2(0,7) + (0,7)(0,3)(0,7)(0,3) + (0,7)2(0,3)2
= 0,2646
P(X = 3) = p3q + p2qp + pqp2 + qp3
= (03)3(0,7) + (0,3)2(0,7)(0,3) + (0,3)(0,7)(0,3)2 +
(0,7)(0,3)3
= 0,0756
P(X = 4) = P(MMMM) = p4 = (0,3)4 = 0,0081

Dari contoh soal diatas, dapat disimpulkan bahwa dalam dalam distribusi probabilitas
binomial, dengan n percobaan, berlaku rumus berikut.
Pr(x sukses, dalam n percobaan) = px qn-x
Dimana x = 0, 1, 2, 3, …, n
p = probabilitas sukses.
q = (1-p) = probabilitas gagal
Aturan umum permutasi dapat digunakan untuk memperoleh banyaknya kemungkinan

urutan yang berbeda, dimana masing-masing urutan terdapat x sukses, misalnya x = 3 (= 3
sukses) : MMMP, MMPM, MPMM, PMMM.
Apabila suatu himpunan yang terdiri dari n elemen dibagi dua, yaitu x sukses dan (n – x)
gagal, maka banyaknya permutasi dari n elemen yang diambil x setiap kali dapat dihitung
berdasarkan rumus kombinasi berikut.
n!
n Pn, n x   x!n  x  ! n C x
disebut koefisien Binomial(merupakan kombinasi dari n elemen yang diambil x setiap kali)
Masing-masing probabilitas pada distribusi Binomial dihitung sebagai berikut.
p x q n x
n!
pr  x  
x!n  x  !
x = 0, 1, 2, …, n
pr(x) dari rumus diatas, merupakan fungsi probabilitas, karena.
n!
a). pr(x)  0, untuk semua x, sebab  0 dan px qn-x  0
x!n  x  !
b).  pr x  = 1, untuk semua x.

x
Contoh :

Seorang penjual mengatakan bahwa di antara seluruh barang dagangannya yang dibungkus
rapi, ada yang rusak sebanyak 20%. Seorang membeli barang tersebut sebanyak 8 buah
dan dipilihnya secara acak. Kalau X = banyaknya barang tidak rusak(bagus) maka.
a). Hitung semua probabilitas untuk memperoleh X.
b). Buat probabilitas kumulatif.
c). Berapa probabilitasnya bahwa dari 8 buah barang yang dibeli, ada 5 yang rusak.
d). P(X ≤ 5), P(2 ≤ X  5), P(X ≤ 8), P(X  4).
Penyelesaian :
a). Probabilitas untuk memperoleh X.
pr(X = 0) =
8!
0,80 0,28  0,0000
0!8  0 !
pr(X = 1) =
8!
0,81 0,27  0,0001
1!8  1!
pr(X = 2) =
8!
0,82 0,26  0,0011
2!8  2 !
pr(X = 3) =
8!
0,83 0,25  0,0092
3!8  3!
pr(X = 4) =
8!
0,84 0,24  0,0459
4!8  4 !
pr(X = 5) =
8!
0,85 0,23  0,1468
5!8  5!
pr(X = 6) =
8!
0,86 0,22  0,2936
6!8  6!
pr(X = 7) =
8!
0,87 0,21  0,3355
7!8  7 !
pr(X = 8) =
8!
0,88 0,20  0,1678
8!8  8!
b). Probabilitas Kumulatif.

P(X ≤ 0) = 0,0000
P(X ≤ 1) = 0,0000 + 0,0001 = 0,0001
P(X ≤ 2) = 0,0001 + 0,0011 = 0,0012
P(X ≤ 3) = 0,0011 + 0,0092 = 0,0104
P(X ≤ 4) = 0,0104 + 0,0459 = 0,0563
P(X ≤ 5) = 0,0563 + 0,1468 = 0,2031
P(X ≤ 6) = 0,2031 + 0,2936 = 0,4967
P(X ≤ 7) = 0,4967 + 0,3355 = 0,8322
P(X ≤ 8) = 0,8322 + 0,1678 = 1,0000
c). 5 rusak, berarti x = 3
P(X = 3) = 0,0092 (lihat jawaban a)
d). P(X ≤ 5) = 0,2031 (lihat jawaban b)
P(2 ≤ X  5) = pr(X = 2) + pr(X = 3) + pr(X = 4)
= 0,0011 + 0,0092 + 0,0459
= 0563
P(X ≤ 8) = 1 (lihat jawaban b)
P(X  4) = pr(X = 4) + pr(X = 5) + pr(X = 6) + pr(X = 7) +
pr(X = 8)
= 0,0459 + 0,1468 + 0,2936 + 0,3355 + 0,1678
= 0,9896
Apabila nilai n makin besar, perhitungan probabilitas Binomial dalam prakteknya harus
digunakan tabel Binomial.
Dalam tabel tersebut, n = 16, dan p = (0,05), (0,10), (0,15), …, (0,50). Apabila p > 0,50,
maka persoalannya harus dibalik, yaitu menjadi x gagal dan (n – x) sukses. Dengan
demikian, peranan p bukan lagi menjadi probabilitas sukses melainkan probabilitas gagal.
Untuk n yang cukup besar dapat digunakan tabel normal.

Rata-rata dan Varians Distribusi Binomial
Kita mengetahui bahwa untuk mencari rata-rata () kita menggunakan rumus.
µ = E(X) =  xp x 
x
r
n!
=  x x!n  x ! p q
x
x n x
dimana x = 1, 2, 3, …, n.
Perhatikan bahwa X =  Yi = Y1 + Y2 + …+ Yn
1, kalau " sukses" , sehingga p ( sukses)  p(1)  p

Di mana Yi 
 0, kalau " gagal" , sehingga p ( gagal)  p(0)  1  p  q
E(Yi) = 1(p) + 0(1 – p) = p + 0 = p, untuk semua i
E(X) = E(Yi) = E(Yi) = E(Y1) + E(Y2) + …+ E(Yn)
p  p  ....  p
=  
n kali
= np
Jadi rata-rata dari distribusi binomial adalah np
Sedangkan untuk menentukan varians dari distribusi binomial, kita menggunakan rumus.
Var(X) = E{X – E(X)}2
= E(X – np)2
=  (x – np)2 p(x)
Var(Y) = E{X – E(Y)}2
= E(Y – p)2

=  (x – p)2 p(y)
= (1 – p)2 (p) + (0 – p)2 (1 – p)
= (1 – p)2 p + p2 (1 – p)
= p(1 – p) (1 – p + p)
= p(1 – p)
= pq
Var(X) = Var(Yi)
=  Var(Yi)
= V(Y1) + V(Y2) + …+ V(Yn)
pq  pq  ...  pq
=    = npq
n kali
jadi varians dari distribusi binomial adalah npq.
Dengan demikain, dapat disimpulkan bahwa untuk variabel X yang mengikuti distribusi
binomial berlaku rumus berikut.
 = E(X) = np
2 = E[X – E(X)}2 = E(X – np)2 = npq
 = npq
Contoh :
Suatu mata uang logam Rp. 50 dilemparkan ke atas sebanyak 4 kali, dimana probabilitas

munculnya gambar p(B) sama dengan probabilitas munculnya gambar bukan burung p( B ) =
1
. Jika X = banyaknya gambar burung (B) yang muncul, carilah nilai rata-rata {E(X)} dan
2
simpangan bakunya () dengan menggunakan cara :
a). Perhitungan secara langsung.

b). Dengan menggunakan rumus E(X) = np,  = npq
Penyelesaian :
a). 2 = E{X – E(X)}2
E(X) =  xpr(x)
E(X) = (0)( 161  + (1) 164  + (2) 166  + (3) 164  + (4) 161 
= (0)(0,0625) + (1)(0,25) + (2)(0,3570) + (3)(0,25) +
(4)(0,0625)
= 1,964  2
Di dalam 4 kali lemparan, diharapkan secara rata-rata memperoleh 2B.
Var(X) = 2 = E(X – 2)2
=  (x – 2)2 pr(x)
= (0 - 2)2( 161  + (1 - 2)2 164  + (2 - 2)2 166  + (3 - 2)2 164  +
(4 - 2)2 161 
= (4)(0,0625) + (1)(0,25) + (0)(0,3570) + (1)(0,25) +
(4)(0,0625)
=1
= 1= 1
b). E(X) = np = 4 2 = 2 1 
1 1 
2 = npq = 4 2 2 = 1
= 1= 1

DISTRIBUSI POISSON
Distribusi poisson adalah pengembangan dari distribusi binomial yang mampu

mengkakulasikan distribusi probabilitas dengan kemungkinan sukses (p) sangat kecil dan
jumlah eksperimen (n) sangat besar.
Karena distribusi poisson biasanya melibatkan jumlah n yang besar, dengan p kecil,
distribusi ini biasanya digunakan untuk menghitung nilai probabilitas suatu kejadian dalam
suatu selang waktu dan daerah tertentu.
Distribusi Poisson memiliki ciri-ciri sebagai berikut.
1. Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau suatu daerah
tertentu tidak tergantung pada banyaknya hasil percobaan yang terjadi pada interval
waktu atau daerah lain yang terpisah.
2. Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang singkat atau
dalam suatu daerah yang kecil, sebanding dengan panjang interval waktu atau besarnya
daerah tersebut dan tidak tergantung pada banyaknya hasil percobaan yang terjadi di
luar interval waktu atau daerah tersebut.
3. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval waktu yang
singkat atau dalam daerah yang kecil dapat diabaikan.
Rumus untuk menyelesaikan distribusi Poisson adalah sebagai berikut.
x e 
Pr(x) =
x!
Dimana  = rata-rata distribusi
= 0, 1, 2, 3, …(menuju tak hingga)
e = konstanta 2,71828
Contoh:
Seorang yang akan menjual mobil mewahnya memasang iklan pada suatu surat kabar yang
dapat mencapai 100.000 pembaca. Dengan anggapan nilai probabilitas bahwa seorang
yang membaca iklan tersebut berminat akan membeli mobilnya sebesar p = 1/50.000. Jika
dari 100.000 pembaca ada dua orang yang berminat membeli mobil tersebut (p = 0,00002)
dan X = banyaknya pembaca yang berminat pada mobil tersebut, berapakah P(X = 0), P(X =
1), P(X = 2), P(X = 3), P(X = 4), ,,,,?

Persoalan ini sebetulnya dapat dipecahkan dengan menggunakan fungsi Binomial, karena
persoalannya hanya mencari probabilitas x “sukses” dari n = 100.000 eksperimen dimana
probabilitas sukses p = 1/50.000. Akan tetapi karena n terlalu besar dan p terlalu kecil,
fungsi Poisson dapat digunakan sebagai suatu pendekatan yang lebih sederhana.
100.000
Apabila  = rata-rata distribusi = E(X) = np = = 2, (secara rata-rata dapat
50.000
diharapkan dua orang pembaca yang menanyakan keadaan mobil), maka setelah dilakukan
perhitungan, kita akan memperoleh sebagai berikut.
2 0 e 2
Pr(X = 0) = = 0,1353
0!
21 e 2
Pr(X = 1) = = 0,2707
1!
2 2 e 2
Pr(X = 2) = = 0,2707
2!
2 3 e 2
Pr(X = 3) = = 0,1804
3!
2 4 e 2
Pr(X = 4) = = 0,0902
4!
2 5 e 2
Pr(X = 5) = = 0,0361
5!
2 6 e 2
Pr(X = 6) = = 0,0120
6!
2 7 e 2
Pr(X = 7) = = 0,0034
7!
2 8 e 2
Pr(X = 8) = = 0,0009
8!

2 9 e 2
Pr(X = 9) = = 0,0002
9!
Perhitungan ini dapat juga dilihat pada tabel Poisson, dimana x = 0, 1, 2, …, 9. Misalnya kita
ingin melihat distribusi probabilitas bahwa 5 orang pembaca berminat pada mobil tersebut
(p(5) dengan  atau rata-rata distribusi = 2, perhatikan potongan tabel Poisson berikut.
x 1,0 2,0 3,0 4,0 5,0 6,0
0 0,3679 0,1353 0,0498 0,0183 0,0067 0,0025
1 0,3679 0,2707 0,1494 0,0733 0,0337 0,0149
2 0,1839 0,2707 0,2240 0,1465 0,0842 0,0446
3 0,0613 0,1804 0,2240 0,1954 0,1404 0,0892
4 0,0153 0,0902 0,1680 0,1954 0,1755 0,1339
5 0,0031 0,0361 0,1008 0,1563 0,1755 0,1606
6 0,0005 0,0120 0,0504 0,1042 0,1462 0,1606
7 0,0001 0,0034 0,0216 0,0595 0,1044 0,1377
8 0,0000 0,0009 0,0081 0,0298 0,0653 0,1033
9 0,0000 0,0002 0,0027 0,0132 0,0363 0,0688
Perhatikan kolom 2, dengan  = 2,0, telusuri ke bawah sampai ke baris x = 5. Disana kita
akan menemukan angka 0,0361. Artinya probabilitas 5 orang berminat dari 100.000
pembaca adalah 0,0361, probabilitas 6 orang berminat adalah 0,0120, dan seterusnya.
Distribusi Poisson juga dapat digunakan untuk menghitung probabilitas dari x “sukses”
dalam n eksperimen, yang terjadi dalam satuan luas tertentu, satuan isi tertentu, interval
waktu tertentu, atau satuan panjang tertentu.
Contoh :
Seorang pemilik pabrik rokok akan melakukan promasi penjualan rokok merk A dengan iklan
khusus. Di antara 1.000 batang rokok terdapat 5 batang yang diberi tulisan “berhadia” dan
dicampur secara acak dengan rokok lainnya. Setiap pembeli rokok merk A yang
memperoleh batang rokok dengan tulisan “berhadia” akan mendapatkan hadiah yang
menarik.
Apabila X menyatakan banyaknya batang rokok yang terdapat tulisan “berhadiah” dari satu
bungkus rokok merk A yang setiap bungkusnya berisi 20 batang, berapakah P(X = 0), P(X =
1), P(X = 2), P(X = 3), P(X = 4) ?

Penyelesaian :
N = 20 = banyaknya batang rokok per bungkus sebagai sampel acak.
5
P(batang rokok “berhadiah”) = p(sukses) = p = = 0,005.
1000
 = np = 20(0,005) = 0,1
Dari tabel Poisson kita peroleh.
X 0 1 2 3 4
Pr(x) 0,9048 0,0905 0,0045 0,0002 0,0000
Probabilitas untuk mendapatkan 4 batang “berhadiah” = 0,0000 (tidak mungkin), sedangkan

mendapatkan 1 batang “berhadiah” = 0,0905 (9%)
Contoh :
Seorang Kepala Bagian Kredit dari suatu Bank beranggapan bahwa 4% dari para
nasabahnya merasa tidak puas dengan pelayanan bank tersebut. Kemudian 50 orang
nasabah dipilih secara acak. X = banyaknya nasabah yang tidak puas.
Hitung pr(x), untuk x = 0, 1, 2,…,9 dan hitung distribusi kumulatif F(x) = P(X ≤ x).
Penyelesaian :
n = 50
p = 4% = 0,04
 = np = 50(0,04) = 2
2 0 e 2
Pr(0) = = 0,1353
0!
21 e 2
Pr(1) = = 0,2707
1!

2 2 e 2
Pr(2) = = 0,2707
2!
2 3 e 2
Pr(3) = = 0,1804
3!
2 4 e 2
Pr(4) = = 0,0902
4!
2 5 e 2
Pr(5) = = 0,0361
5!
2 6 e 2
Pr(6) = = 0,0120
6!
2 7 e 2
Pr(7) = = 0,0034
7!
2 8 e 2
Pr(8) = = 0,0009
8!
2 9 e 2
Pr(9) = = 0,0002
9!
Distribusi Kumulatif F(x).
P(X ≤ 0) = 0,1353
P(X ≤ 1) = 0,1353 + 0,2707 = 0,4060
P(X ≤ 2) = 0,4060 + 0,2707 = 0,6767
P(X ≤ 3) = 0,6767 + 0,1804 = 0,8571
P(X ≤ 4) = 0,8571 + 0,0902 = 0,9473
P(X ≤ 5) = 0,9473 + 0,0361 = 0,9834
P(X ≤ 6) = 0,9834 + 0,0120 = 0,9954
P(X ≤ 7) = 0,9954 + 0,0034 = 0,9988

P(X ≤ 8) = 0,9988 + 0,0009 = 0,9997
P(X ≤ 9) = 0,9997 + 0,0002 = 0,9999
x e 
Pr(x) = , x = 0, 1, 2, …
x!
Merupakan fungsi probabilitas, sebab memenuhi syarat berikut:
x e 
a. pr(x)  0, sebab ≥0
x!
b. pr(x) = 1, untuk seluruh x.
Rata-rata dan Varians, Distribusi Poisson
Dapat dibuktikan bahwa untuk distribusi Poisson,

x e 

EX    xpr x    x 
x 0 x 0 x!
x e 

  EX -     x    
2 2 2
x 0 x!
 
dimana :
x = jumlah kejadian sukses
p = probabilitas terjadinya x
 = rata-rata distribusi
e = konstanta Naperian (2,71828)
DISTRIBUSI HIPERGEOMETRIK :
Distribusi hipergeometrik sangat erat kaitannya dengan distribusi binomial. Perbedaan

antara distribusi hipergeometrik dengan binomial adalah bahwa pada distribusi
hipergeometrik, percobaan tidak bersifat independent. Artinya antara percobaan yang satu
dengan yang lainnya saling berkait. Selain itu probabilitas “SUKSES” berubah(tidak sama)
dari percobaan yang satu ke percobaan lainnya.

Untuk mencari probabilitas x sukses dalam ukuran sample n, kita harus memperoleh x
sukses dari r sukses dalam populasi, dan n – x gagal dari N – r gagal. Sehingga fungsi
probabilitas hipergeometrik dapat dituliskan sebagai berikut.
r N r
Cx C n x
px   N
,0  x  r
Cn
dimana :
p(x) = probabilitas x sukses (atau jumlah sukses sebanyak x)
dalam n percobaan.
n = jumlah percobaan
N = Jumlah elemen dalam populasi
r = jumlah elemen dalam populasi berlabel “SUKSES”
x = Jumlah elemen berlabel “SUKSES” diantara n elemen
percobaan.
Terdapat dua persyaratan yang harus dipenuhi oleh sebuah distribusi Hipergeometrik:
1. Percobaan diambil dari suatu populasi yang terbatas, dan percobaan dilakukan tanpa
pengembalian.
2. Ukuran sampel n harus lebih besar dari 5% dari populasi N.
Dari rumus diatas, perhatikan bahwa
r!
r
Cx 
x !r  x  !
N r
C n x 
N  r !
n  x N  r  n  x  !
N!
N
Cn 
n ! N  n  !
Contoh :

Sebuah anggota komite terdiri dari 5 orang, dimana 3 adalah wanita dan 2 laki-laki. Misalkan
2 orang dari 5 orang anggota komite tersebut dipilih untuk mewakili delegasi dalam sebuah
konvensi/pertemuan,
(i) Berapa probabilitas bahwa dari pemilihan secara acak didapat 2 orang wanita?
(ii) Berapa probabilitas dari 2 orang yang terpilih adalah 1 laki-laki dan 1 wanita?
Penyelesaian :
Kita dapat menggunakan distribusi hipergeometrik dalam kasus ini, dengan n = 2, N = 5, r =

3 dan x = 2, x = jumlah wanita terpilih.
 3!  2 ! 
  
3
C 2 2C 0  2 ! 1!  2 ! 0 !  3
   0,3
(i) p(2) = 5
C2  5!  10
 
 2 ! 3! 
Jadi probabilitas 2 orang wanita terpilih adalah 0,3
 3!  2! 
  
3
C1 2C1  1! 2 !  1! 1!  3 .2 6
    0,6
(ii) p(1) = 5
C2  5!  10 10
 
 2 ! 3! 
Jadi probabilitas terpilih 1 orang wanita dan 1 laki-laki = 0,6
DISTRIBUSI MULTINOMIAL :
Kalau pada distribusi binomial hasil sebuah percobaan hanya dikatagorikan 2 macam yaitu
“sukses” dan “gagal”, maka dalam distribusi multinomial, sebuah percobaan akan
menghasilkan beberapa kejadian (lebih dari 2) yang saling meniadakan/saling lepas.
Misalkan ada sebanyak k kejadian dalam sebuah percobaan, katakana kejadian-kejadian
B1, B2, …, Bk. Jika percobaan diulang sebanyak n kali dan peluang terjadinya setiap
kejadian B konstan/tetap dari setiap percobaan dengan P(Bi) = Pi untuk i = 1, 2, 3, …, k, dan
X1, X2, X3, …Xk menyatakan jumlah terjadinya kejadian Bi ( i = 1, 2, …, k dalam n percobaan.
Fungsi Distribusi Multinomial

  x1 x2 x3
px1 , x2 , x3 ,......., xk   
n! xk
 1 2 3
p p p ..... p k
 1 2 3
x ! x ! x !......... x k 
!
untuk nilai-nilai
X1 = 0, 1, 2, ……; Xk = 0, 1, 2, … dan x
i 1
i n
Dimana
X1, X2, ……, Xk menyatakan jumlah dari kejadian B1, B2, ….…Bk
n menyatakan jumlah percobaan.
P1, p2, ..,pk adalah probabilitas terjadinya kejadian B1, B2, ….Bk
Contoh :
Proses pembuatan pensil dalam sebuah pabrik melibatkan banyak buruh dan proses
tersebut terjadi berulang-ulang. Pada suatu pemeriksaan terakhir yang dilakukan telah
memperlihatkan bahwa 85% produksinya adalah “baik”, 10% ternyata “tidak baik tetapi
masih bias diperbaiki” dan 5% produksinya “rusak dan harus dibuang”. Jika sebuah sample
acak dengan 20 unit dipilih, berapa peluang jumlah unit “baik” sebanyak 18, unit “tidak baik
tetapi bisa diperbaiki” sebanyak 2 dan unit “rusak” tidak ada?
Penyelesaian :
Misalkan,
X1 = banyaknya unit “baik”
X2 = banyaknya unit yang “tidak baik tetapi bias diperbaiki”
X3 = banyaknya unit yang “rusak dan harus dibuang”
X1 = 18, X2 = 2, dan X3 = 0 (syarat x1 + x2 + x3 = n = 20)
dan p1 = 0,85, p2 = 0,1 dan p3 = 0,05 maka :
 20! 
p18, 2, 0    0,85 0,1 0,05
18 2 0
18! 2! 0!

= 190 (0,85)18 (0,01)
= 0,102
Jadi peluangnya sebesar 0,102.
DISTRIBUSI NORMAL :
Di antara sekian banyak distribusi, barangkali distribusi normal merupakan distribusi yang
secara luas banyak digunakan dalam berbagai penerapan. Distribusi normal merupakan
distribusi kontinu yang mensyaratkan variabel yang diukur harus kontinu misalnya tinggi
badan, berat badan, dan sebagainya.
Karakteristik Distribusi Kurva Normal :
1. Kurva berbentuk genta (= Md = Mo)

2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis
4. Kurva mencapai puncak pada saat X= 
5. Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai tengah dan ½ di sisi kiri.
Persamaan matematika bagi distribusi probabilitas acak normal tergantung pada dua
parameter, yaitu  dan  atau nilai tengah dan simpangan bakunya. Fungsi kepadatan
probabilitas normal dapat dituliskan sebagai berikut.
1  x 
2
  
f x  
1  
e 2 , untuk -<X<
 2

di mana :
 = 3,14159
e = 2,71828
Bila nilai-nilai  dan  diketahui, maka kita dapat menggambarkan kurva normal itu dengan
pasti. Bagaimanapun bantuk dan ketinggian dari kurva normal sangat tergantung pada dua
variabel ini.
10
9
8
7
6
5
4
3
2
1
0
m
Mesokurtic Platykurtic Leptokurtic
Distribusi kurva normal dengan  sama dan  berbeda

Distribusi kurva normal dengan  dan  berbeda
Distribusi kurva normal dengan  berbeda dan  sama
DISTRIBUSI NORMAL STANDAR :
Keluarga distribusi normal memiliki jumlah yang banyak sekali, akibat pengaruh rata-rata
dan simpangan baku. Akan tetapi, untuk mencari probabilitas suatu interval dari variabel
random kontinu dapat dipermudah dengan menggunakan batuan distribusi normal standar.
Distribusi normal standar adalah distribusi normal yang memiliki rata-rata () = 0 dan
simpangan baku () = 1. Bentuk fungsinya adalah.

1
1 2Z2
f (Z )  e
2
Dalam bentuk diagram atau kurva (disebut kurva normal standar), distribusi normal standar
digambarkan :
f(x)
0,4
0,3
0,2
0,1
-3 -2 -1 0 1 2 3
Kurva distribusi normal standar
Dari bentuk kurva distribusi normal standar tersebut, dapat diketahui sifatpsifat distribusi
terebut, yaitu :
1. kurva simetris terhadap sumbu Y.

1 1
2. mempunyai titik tertinggi (0, ), dengan = 0,4
2 2
3. cekung kebawah untuk interval X = -1 sampai X = +1 dan cekung ke atas untuk nilai X di
luar interval tersebut.
4. meluas atau melebar tanpa batas ke kiri dan ke kanan serta mendekati sumbu X secara
cepat begitu bergerak dari X = 0 ke kiri maupun ke kanan.
5. luas seluruh daerah di bawah kurva dan di atas sumbu X sebesar 1 unit.
Untuk mengubah distribusi normal umum menjadi distribusi normal standar, gunakan nilai Z.
Bentuk rumusnya adalah :
X 
Z

Dimana :

Z = variabel normal standar
X = nilai variabel random
 = rata-rata variabel random
 = simpangan baku variabel random
Nilai Z adalah angka atau indeks yang menyatakan penyimpangan suatu nilai variabel
random (X) dari rata-rata () dihitung dalam satuan simpangan baku ().
Contoh Soal:
Harga saham di BEJ mempunyai nilai tengah (X)=490,7 dan standar deviasinya 144,7.
Berapa nilai Z untuk harga saham 600?
Jawab:
Diketahui: Nilai  = 490,7 dan  = 144,7
Maka nilai Z =( X - ) / 
Z = (600 – 490,7)/144,7
Z = 0,76
LUAS DI BAWAH KURVA NORMAL:
68,26%
95,44%
99,74%
Z
-3 -2 -1 =x +1 +2 +3
-3 -2 -1 0 1 2 3

1. Luas antara nilai Z (-1<Z<1) sebesar 68,26% dari jumlah data.
2. Berapa luas antara Z antara 0 dan sampai Z = 0,76 atau biasa dituis P(0<Z<0,76)?
3. Dapat dicari dari tabel luas di bawah kurva normal. Nilainya dihasilkan = 0,2764
Contoh Soal:
PT GS mengklaim berat buah mangga “B” adalah 350 gram dengan standar deviasi 50
gram. Bila berat mangga mengikuti distribusi normal, berapa probabilitas bahwa berat buah
mangga mencapai kurang dari 250 gram, sehingga akan diprotes oleh konsumen.
Jawab:
• Transformasi ke nilai z
AP(x< 250); P(x=250) = (250-350)/50=-2,00 Jadi P(x<250)=P(z<-2,00)
• Lihat pada tabel luas di bawah kurva normal

P(z<-2,00)=0,4772
• Luas sebelah kiri nilai tengah adalah 0,5. Oleh sebab itu, nilai daerah yang diarsir
menjadi 0,5 – 0,4772=0,0228. Jadi probabilitas di bawah 250 gram adalah 0,0228
(2,28%). Dengan kata lain probabilitas konsumen protes karena berat buah mangga
kurang dari 250 gram adalah 2,28%.
Contoh Soal:
PT Work Electric, memproduksi Bohlam Lampu yang dapat hidup 900 jam dengan standar
deviasi 50 jam. PT Work Electric ingin mengetahui berapa persen produksi pada kisaran
antara 800-1.000 jam, sebagai bahan promosi bohlam lampu. Hitung berapa
probabilitasnya!

Jawab:
P(800<X<1.000)?
• Hitung nilai Z
Z1 = (800-900)/50 = -2,00;
Z2 = (1.000-900)/50 = 2,00
• Jadi: P(800<X<1.000) =P(-2,00<Z<2,00);

P(-2,00<Z) = 0,4772 dan P(Z>2,00) = 0,4772
Sehingga luas daerah yang diarsir adalah = 0,4772+0,4772= 0,9544. Jadi

P(800<X<1.000) = P(-2,00 < Z<2,00) = 0,9544.
Jadi 95,44% produksi berada pada kisaran 800-1.000 jam. Jadi jika PT Work Electric
mengklaim bahwa lampu bohlamnya menyala 800-1.000 jam, mempunyai probabilitas benar
95,44%, sedang sisanya 4,56% harus dipersiapkan untuk garansi.

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
06
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Analisis Regresi Linear berganda.. ...............................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

ANALISIS KORELASI DAN REGRESI LINEAR BERGANDA
Regresi artinya peramalan, penaksiran, atau pendugaan pertama kali di perkenalkan pada
tahun 1877 oleh Sir Francis Galton (1822 – 1911). Sehubungan dengan penelitiannya terhadap tinggi
manusia. Penelitian tersebut membandingkan antara tinggi anak laki-laki dan tinggi badan ayahnya.
A. Rumusan Masalah
Adapun rumusan masalah dalam makalah ini yaitu :
1. Bagaimana hubungan linear lebih dari dua variabel
2. Bagaimana menggunakan persamaan linear berganda
B. Tujuan Penulisan
Adapun tujuan penulisan makalah ini yaitu :
1. Mengetahui penggunaan rumus-rumus yang berlaku pada regresi dan kolinear berganda
2. Pengaplikasikan rumus-rumus regresi dan kolinear berganda pada suatu penelitian

BAB II PEMBAHASAN
REGRESI DAN KORELASI LINEAR BERGANDA
A. Regresi Linear Berganda
1. Hubungan liniear lebih dari dua variabel
Regresi artinya peramalan penaksiran atau pendugaan pertama kali diperkenalkan pada
tahun 1877 oleh Sir Francis Galtoon (1822-1911). Analisis regresi digunakan untuk menentukan
bentuk dari hubungan antar variabel. Tujuan utama dalam penggunaan analisis itu adalah untuk
meramalkan atau memperkirakan nilai dari suatu variabel dalam hubungannya dengan variabel
yang lain. Disamping hubungan linear dua variabel, hubungan linear dari dua variabel bisa juga
terjadi misalnya; hubungan antara hasil penjualan dengan harga dan daya beli.
Hubungan linear lebih dari dua variabel bila dinyatakan dalam bentuk persamaan
matematis adalah :
Y = a + b1x1 + b2x2 +……………bkxk +
Keterangan :
x, x1, x2……..xk = variabel-variabel
a, b1, b2……..bk = bilangan konstan (konstanta) koefisien variabel
2. Persamaan regresi linear berganda
Regresi linear berganda adalah regresi dimana variabel terikatnya (Y) dihubungkan atau
dijelaskan lebih dari satu variabel, mungkin dua, tiga dan seterusnya variabel bebas (x, x1,
x2……..xn ) namun masih menunjukkan diagram hubungan yang linear.

Penambahan variabel bebas ini diharapkan dapat lebih menjelaskan karakteristik
hubungan yang ada walaupun masih saja ada variabel yang terabaikan.
Bentuk umum dari persamaan linear berganda dapat ditulis sebagai berikut:
a. Bentuk stokastik
ŷ = a + b1x1 + b2x2 + b3x3 ……………bkxk + c
b. Bentuk non stokastik
ŷ = a + b1x1 + b2x2 + b3x3……………bkxk
Keterangan
ŷ : Variabel terikat (nilai duga y)
a, b1, b2 b3……..bk : koefisien regresi
x1, x2 x3……..xk : variabel bebas
e : kesalahan pengganggu
B. Pendugaan dan Pengujian Koefisien Regresi
1. Kesalahan baku regresi dan koefisien regresi berganda
Kesalahan baku atau selisih taksir standar regresi adalah nilai menyatakan seberapa jauh
menyimpangnya nilai regresi tersebut terhadap nilai sebenarnya. Nilai ini digunakan untuk
mengukur tingkat ketepatan suatu pendugaan dalam menduga nilai. Jika nilai ini sama dengan
nol maka penduga tersebut memiliki tingkat ketepatan 100%.
Kesalahan baku atau selisih taksir standar regresi berganda dirumuskan
Se =
y 2
 b1  x y  b  x y
1 2 2
nm

Keterangan
Se : Kesalahan baku regresi berganda
n : Jumlah pasangan observasi
m : jumlah konstant dalam persamaan regresi berganda.
Untuk koefisien b1 dan b2 kesalahan bakunya dirumuskan
Se
Sb1 =
 x 2
1 
 nx12 1  r 2 y1 
Se
Sb2 =
 x 2
2 
 nx 22 1  r 2 y1 
2. Pendugaan interval koefisien regresi berganda (parameter B1 dan B2)
Parameter B1 dan B2 sering juga disebut sebagai koefisien regresi parsial. Pendugaan
parameter B1 dan B2 menggunakan distribusi t dengan derajat bebas db = n – m secara umum
pendugaan parameter B1 dan B2 adalah :
b1 – ta/2n-m Sbi  Bi  bi + ta/2n-m Sbi
i = 2,3
3. Pengujian hipotesis koefisien regresi berganda (parameter B1 dan B2)
Pengujian hipotesis bagi koefisien regresi berganda atau regresi parsial parameter B1
dan B2 dapat dibedakan menjadi 2 bentuk, yaitu pengujian hipotesis serentak dan pengujian
hipotesis individual.
Pengujian hipotesis individual yaitu merupakan pengujian hipotesis koefisien regresi
berganda dengan hanya satu B (B1 dan B2) yang mempunyai pengaruh Y. pengujian hipotesis

serentak merupakan pengujian hipotesis koefisien regresi berganda dengan B1 dan B2 serentak
atau bersama-sama mempengaruhi Y.
C. Peramalan dengan Regresi Linear Berganda
Peramalan terhadap nilai Y dengan menggunakan regresi linear berganda, dapat
dilakukan apabila persamaan garis regresinya sudah diestimasi dan nilai variabel bebas x1, x2
sudah diketahui.
Suatu persamaan garis regresi linear berganda dapat dipakai dalam peramalan dengan
terlebih dahulu melakukan pengujian hipotesis terhadap koefisien-koefisien regresi parsialnya.
Tujuan ialah mengetahui variabel-variabel bebas yang digunakan itu memiliki pengaruh yang
nyata atau tidak terhadap y tersebut. Variabel bebas x1 dan x2 disebut memiliki pengaruh yang
nyata apabila dalam pengujian hipotesis koefisien parsialnya H0 : B1 = B2 = 0 ditolak atau H1 : B1 
B2  0 diterima, khususnya pada taraf nyata 1%
Kelebihan peramalan y dengan menggunakan regresi linear berganda adalah dapat
diketahui besarnya pengaruh secara kuantitatif setiap variabel bebas (x1 atau x2) apabila
pengaruh variabelnya dianggap konstan. Misalnya sebuah persamaan regresi berganda
y = a + b1x1 + b2x2
Keterangan :
y : Nilai statistik mahasiswa
x1 : Nilai inteligensi mahasiswa
x2 : Frekuensi membolos mahasiswa
b1 : Pengaruh x1 terhadap y jika x2 konstan
b2 : Pengaruh x2 terhadap y jika x1 konstan

jika a = 17,547; b1 = 0,642; b2 = - 0,284 maka persamaan regresi linear bergandanya menjadi
ŷ = 17,547 + 0,624 (75) – 0,284 (4)
Dengan persamaan regresi linear berganda tersebut, nilai y (nilai statistik maha siswa) dapat
diramalkan dengan mengetahui nilai x1 (nilai inteligensi mahasiswa) dan x2 (frekuensi membolos
mahasiswa) misalkan, nilai x1 = 75 dan x2 = 24 maka ramalan nilai y adalah
ŷ = 17,547 + 0,624 (75) – 0,284 (4)
= 63.211
Penulisan persamaan garis regresi linear berganda biasanya disertai dengan kesalahan baku
masing-masing variabel bebas dan koefisien determinasi berganda r2, sebagai ukuran tepat atau
tidaknya garis tersebut sehingga pendekatan.

D. Korelasi Linear Berganda
Korelasi linear berganda merupakan alat ukur mengenai hubungan yang terjadi antara
variabel yang terikat. (variabel Y) dan dua atau lebih variabel bebas (x1, x2……xk). Analisis korelasinya
menggunakan tiga koefisien korelasi yaitu koefisien determinasi berganda, koefisien korelasi
berganda, dan koefisien korelasi parsial.
1. Korelasi linear berganda dengan dua variabel bebas
a. Koefisien penentu berganda atau koefisien determinasi berganda
Koefisien determinasi berganda, disimbolkan KPB y.12 atau R2 merupakan ukuran
kesusaian garis regresi linear berganda terhadap suatu data. Rumus
b1  x1 y  b 2  x 2 y
KPBy.12 =
y 2
b. Koefisien korelasi berganda
Koefisien korelasi berganda disimbolkan ry12 merupakan ukuran keeratan hubungan antara
variabel terikat dan semua variabel bebas. Secara bersama-sama. Rumus :
b1  x1y  b2  x 2 y
Ry.12 =
y 2
c. Koefisien korelasi parsial
Koefisien korelasi parsial merupakan koefisien korelasi antara dua variabel. Jika variabel
lainnya konstan, pada hubungan yang melibatkan lebih dari dua variabel.
Ada 3 koefisien korelasi parsial untuk hubungan yang melibatkan 3 variabel yaitu sebagai
berikut :
1) Koefisien korelasi parsial antara y dan x1, apabila x2 konstan dirumuskan

ry1  ry2 .r12
ry.12 =
 I  r  I  r 
2
y1
2
I2
2) Koefisien korelasi parsial antara y dan x2, apabila x1 konstan dirumuskan
ry2  ry1.rI2
ry.12 =
 I  r  I  r 
2
y1
2
y2
3) Koefisien korelasi parsial antara x1 dan x2 apabila y konstan dirumuskan
r12  ry1.rI2
R12y =
 I  r  I  r 
2
y1
2
y2
2. Korelasi linear berganda dengan 3 variabel bebas
a. Koefisien penentu berganda
b1  x1 y  b 2  x 2 y  b3  x 3 y
KPB =
y 2
 y
2
y  y
2 2

n
b. Koefisien korelasi berganda
b1  x1y  b 2  x 2 y  b3  x 3 y
ry123 =
y 2

HUBUNGAN LIBIH DARI DUA VARIABEL REGRESI LINEAR BERGANDA :
Apabila terdapat lebih dari dua variabel, maka hubungan linear dapat dinyatakan dalam
persamaan regresi linear berganda sebagai berikut :
Y’= b0 + b1X1 + b2X2 + . . . + bkXk
Disini ada satu variabel tidak bebas, yaitu Y’ dan ada k varibel bebas, yaitu X1, . . . , Xk.
Untuk menghitung b0, b1, b2, . . . , bk kita gunakan metode kuadrat terkecil yang
menghasilkan persamaan normal sebagai berikut :
b0 n + b1 X1 + b2 X2 + . . . + bk Xk = Y
. . . . .
. . . . .
. . . . .
b0 Xk + b1 X1 Xk + b2  X2Xk + . . . + bk  XkXk = XkY
Kalau persamaan ini dipecahkan, kita akan memperoleh nilai b0, b1, b2, . . . , bk. Kemudian
dapat dibentuk persamaan regresi linear berganda. Apabila persamaan regresi itu telah
diperoleh, barulah kita dapat meramalkan nilai Y dengan syarat kalau nilai X1, X2, . . . ., Xk
sebagai variabel bebas sudah diketahui.
Misalkan: k =2, maka Y’ = b0 + b1X1 + b2X2, satu variabel tak bebas(Y), dan dua variabel
bebas (X1 dan X2), maka b0, b1, dan b2 dihitung dari persamaan normal berikut :
b0 n + b1 X1 + b2 X2 = Y
b0 X1 + b1 X1 X1 + b2  X1X2 = X1Y
b0 X2 + b1 X1 X2 + b2  X2X2 = X2Y
Persamaan diatas dapat dinyatakan dalam persamaan matriks berikut :

 n

 X 1  X 2  b0    Y 
b  
  X 1  X 1
2
 X 1 X 2   1    X 1Y 
 X 2  X 1 X 2 X22 b2   X 2Y 
  
A b H
Variabel b dapat diselesaikan dengan cara sebagai
berikut :
det  A0  det  A1  det  A2 
b0  , b1  , b2 
det  A det  A det  A
Dimana :
 n

X X 1 

2
A   X1 X X X 1
2
1 2
 X 2 X X X 2 
 1 2 2 
det(A) = (n) (X1X1) (X2X2) + (X1) (X1X2) (X2) + (X2) (X1) (X1X2)
– (X2) (X1X1) (X2) – (X1X2) (X1X2) (n) – (X2X2) (X1) (X1)
 Y  X1 X 2
 
A0    X 1Y  X 12 X X 1 2
2012
14  X 2Y  X 1 X 2
Statistika dan Probabilitas
X 2 
Pusat Bahan Ajar dan eLearning
 Seputra,ST,MSi 2 
Yulius Eka Agung http://www.mercubuana.ac.id
det(A0) = (Y) (X1X1) (X2X2) + (X1) (X1X2) (X2Y) + (X2) (X1Y) (X1X2)
– (X2Y) (X1X1) (X2) – (X1X2) (X1X2) (Y) – (X2X2) (X1Y) (X1)
 n

Y  X 

2
A1    X 1 X Y X X
1 1 2
 X 2 X Y X 2 
 2 2 
det(A1) = (n) (X1Y) (X2X2) + (Y) (X1X2) (X2) + (X2) (X1) (X2Y)
– (X2) (X1Y) (X2) – (X2Y) (X1X2) (n) – (X2X2) (X1) (Y)
 n

X  Y 
1
A2    X 1 X X Y 1
2
1
 X 2  X X  X Y 
 1 2 2
det(A2) = (n) (X1X1) (X2Y) + (X1) (X1Y) (X2) + (Y) (X1) (X1X2)
– (X2) (X1X1) (Y) – (X1X2) (X1Y) (n) – (X2Y) (X1) (X1)

TREND PARABOLA :
Garis trend pada dasarnya adalah garis regresi di mana variabel bebas X merupakan
variabel waktu. Baik garis regresi maupun trend dapat berupa garis lurus maupun tidak
lurus. Persamaan garis trend parabola adalah sebagai berikut : Y’ = a + bX + cX2
Perhatikan bahwa bentuk persamaa seperti persamaan garis regresi linear berganda adalah
Y’ = b0 + b1X1 + b2X2, di mana b0 = a, b1 = b, b2 = c, X1 = X, dan X2 = X2.
Dengan demikian cara menghitung koefisien a, b, dan c sama seperti menghitung b 0, b1,
dan b2, yaitu menggunakan persamaan normal sebagai berikut :
a n + b X + c X2 = Y
a X + b X2 + c X3 = XY
a X2 + b X3 + c X4 = X2Y
TREND EKSPONENSIAL (LOGARITMA) :
Ada beberapa jenis trend yang tidak linear tetapi dapat dibuat linear dengan jalan
melakukan transformasi (perubahan bentuk). Misalnya, trend eksponensial :
Y’ = abx dapat diubah menjadi trend semi log: log Y’ = log a + (log b)X;
log Y’ = Y’0; log a = a0 dan log b = b0. Dengan demikian, Y’0 = a0 + b0X, dimana koefisien a0
dan b0 dapat dicari berdasarkan persamaan normal.

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
07
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Tren.. . .....................................................................
Rangkuman. ............................................................
Soal-penyelesaian
Soal-soal latihan

ANALISIS TREN
Pengertian : Analisis trend merupakan suatu metode analisis yang ditujukan untuk melakukan
suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan
dengan baik maka dibutuhkan berbagai macam informasi (data) yang cukup banyak dan
diamati dalam periode waktu yang relatif cukup panjang, sehingga dari hasil analisis tersebut
dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang
mempengaruhi terhadap perubahan tersebut. Secara teoristis, dalam analisis time series yang
paling menentukan adalah kualitas atau keakuratan dari informasi atau data-data yang
diperoleh serta waktu atau periode dari data-data tersebut dikumpulkan.
Jika data yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau
peramalan yang diperoleh. Sebaliknya, jika data yang dikumpulkan semakin sedikit maka
hasil estimasi atau peramalannya akan semakin jelek.
Metode Least Square : Metode yang digunakan untuk analisis time series adalah Metode
Garis Linier Secara Bebas (Free Hand Method), Metode Setengah Rata-Rata (Semi Average
Method), Metode Rata-Rata Bergerak (Moving Average Method) dan Metode Kuadrat
Terkecil (Least Square Method). Dalam hal ini akan lebih dikhususkan untuk membahas
analisis time series dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus
data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis time series
adalah : Y = a + b X. Keterangan : Y adalah variabel yang dicari trendnya dan X adalah
variabel waktu (tahun). Sedangkan untuk mencari nilai konstanta (a) dan parameter (b)
adalah : a = ΣY / N dan b =ΣXY / ΣX2
Contoh Kasus Data Ganjil :

Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995 sampai dengan 2003
Tahun Penjualan (Y) X XY X2
1995 200 -4 - 800 16
1996 245 -3 - 735 9
1997 240 -2 - 480 4
1998 275 -1 - 275 1
1999 285 0 0 0
2000 300 1 300 1
2001 290 2 580 4
2002 315 3 945 9
2003 310 4 1.240 16
Jumlah 2.460 775 60
Untuk mencari nilai a dan b adalah sebagai berikut :
a= 2.460 / 9 = 273,33 dan b = 775 / 60 = 12,92
Persamaan garis liniernya adalah : Y = 273,33 + 12,92 X. Dengan menggunakan persamaan
tersebut, dapat diramalkan penjualan pada tahun 2010 adalah : Y = 273,33 + 12,92 (untuk
tahun 2010 nilai X adalah 11), sehingga : Y = 273,33 + 142,12 = 415,45 artinya penjualan
barang “X” pada tahun 2010 diperkirakan sebesar 415.450 unit
Contoh Kasus Data Genap :
1995 200 -7 - 1.400 49
1996 245 -5 - 1.225 25
1997 240 -3 - 720 9
1998 275 -1 - 275 1
1999 285 1 285 1
2000 300 3 900 9
2001 290 5 1.450 25
2002 315 7 2.205 49
Jumlah 2.150 1.220 168

a = 2.150 / 8 = 268,75 dan b = 1.220 / 168 = 7,26

Persamaan garis liniernya adalah : Y = 268,75 + 7,26 X. Berdasarkan persamaan tersebut
untuk meramalkan penjualan pada tahun 2008 adalah : Y = 268,75 + 7,26 (untuk tahun 2008
nilai X adalah 19), sehingga : Y = 268,75 + 137,94 = 406,69 artinya penjualan barang “X”
pada tahun 2008 diperkirakan sebesar 406,69 atau 406.690 unit.
elain dengan menggunakan metode tersebut di atas, juga dapat dipakai dengan metode
sebagai berikut :
1995 200 -3 - 700 12,25
1996 245 -2½ - 612,5 6,25
1997 240 -1½ - 360 2,25
1998 275 -½ - 137,5 0,25
1999 285 ½ 142,5 0,25
2000 300 1½ 450 2,25
2001 290 2½ 725 6,25
2002 315 3½ 1102,5 12,25
Jumlah 2.150 610,0 42,00
a = 2.150 / 8 = 268,75 dan b = 610 / 42 = 14,52

Persamaan garis liniernya adalah : Y = 268,75 + 14,52 X. Berdasarkan persamaan tersebut
untuk meramalkan penjualan pada tahun 2008 adalah : Y= 268,75 + 14,52 (untuk tahun 2008
nilai X adalah 9½), sehingga : Y = 268,75 + 137,94 = 406,69 artinya penjualan barang “X”
pada tahun 2008 diperkirakan sebesar 406.690 unit.

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
09
Ilmu Komputer Teknik Informatika MK10230 Yulius Eka Agung Seputra,ST,MSi
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Probabilitas .......................................................................
Rangkuman. ......................................................................
Soal-penyelesaian
Soal-soal latihan

PROBABILITAS
Pendahuluan
• Percobaan : proses yang menghasilkan data
• Ruang Contoh (S) : himpunan yang memuat semua kemungkinan hasil percobaan
• Kejadian = Event : himpunan bagian dari ruang contoh

Misal : Dari sekumpulan 52 kartu bridge S : { sekop, klaver, hati, wajik },
kita hanya tertarik pada kejadian A munculnya kartu yang berwarna merah.
A : {hati, wajik }
• Titik Contoh: Anggota Ruang Contoh/Kejadian
• Konsep Dasar (Klasik) Peluang
Peluang kejadian A dinotasikan sebagai P(A)
Jika setiap titik contoh mempunyai peluang yang sama maka :
n
P( A) 
N
n : banyak titik contoh penyusun Kejadian
N : banyak titik contoh dalam Ruang Contoh (S)
• Nilai Peluang Kejadian A  0  P(A)  1

dan
P (S) = 1  Peluang Kejadian yang pasti terjadi

P () = 0  Peluang Kejadian yang pasti tidak terjadi
Contoh 1:
Percobaan: Pelemparan sebuah dadu setimbang (balanced) sebanyak 1 kali
S : {sisi-1, sisi-2, sisi-3, sisi-4, sisi-5, sisi-6}
N=6
Kejadian A: Munculnya sisi dadu bernilai GENAP dalam pelemparan sebuah dadu
setimbang (balanced) sebanyak 1 kali
A {sisi-2, sisi-4, sisi-6}
n=3
n 1
Peluang kejadian A: P( A)    0.5
N 2
2. Penghitungan Banyak Titik Contoh
2.1 Kaidah Penggandaan = Kaidah Perkalian
Kaidah Penggandaan:
Jika operasi ke-1 dapat dilakukan dalam n1 cara
operasi ke-2 dapat dilakukan dalam n2 cara
operasi ke-k dapat dilakukan dalam nk cara
maka k operasi dalam urutan tersebut dapat dilakukan dalam n1  n 2  … nk cara

Contoh 2:
Berapa banyak bilangan 4 digit yang dapat dibentuk dari angka 3, 4, 6, 7, dan 8
a. jika semua angka boleh berulang?
5  5  5  5 = 625
b. jika angka tidak boleh berulang?
5  4  3  2 = 120
c jika bilangan tersebut: GANJIL dan angka tidak boleh berulang?
4  3  2  2 = 48
d. Berapa peluang bilangan yang muncul adalah bilangan GANJIL dan angka tidak
berulang (lihat Kejadian c) pada kondisi pembentukan bilangan 4 digit, angka boleh berulang
(lihat Kejadian A)
n = 48 N = 625
n 48
P(C) = 
N 625
2.2. Permutasi
Permutasi sejumlah obyek adalah penyusunan obyek tersebut dalam suatu urutan/posisi tertentu.
Dalam permutasi urutan/posisi diperhatikan!!!
Misal:

Dari huruf A, B, C  permutasi yang mungkin: ABC  ACB  BACBCACAB CBA. Permutasi = 6 = 3
 2  1= 3!
• Dalil-1 Permutasi: Banyaknya Permutasi n benda yang berbeda adalah n!
Konsep Bilangan Faktorial
n! = n  (n-1) (n-2) ....  2  1
0! = 1 1! = 1
100! = 100  99!
100! = 100  99  98!, dst
Contoh 3:
Berapa cara menyusun bola lampu merah, biru, kuning dan hijau ?
Terdapat 4 objek berbeda : merah, kuning, biru dan hijau  4! = 4 3  2  1 = 24
Berapa peluang susunan lampu tersebut adalah Kuning-Biru-Hijau-Merah?
P(KBHM) = 1
24
• Dalil-2 Permutasi :
Banyaknya permutasi r benda dari n benda yang berbeda adalah :
n!
Pr 
n
(n  r )!
Perhatikan dalam contoh ini urutan/posisi obyek sangat diperhatikan!
Contoh 4:
Dari 40 nomor rekening akan diundi untuk memenangkan 3 hadiah yang berbeda. Undian urutan
pertama akan memperoleh rumah, undian urutan kedua memperoleh mobil dan undian urutan

ketiga memperoleh paket wisata ke Eropa. Berapa banyaknya susunan pemenang yang mungkin
terbentuk?
40! 40! 40  39  38  37!

P3    = 59280
40
(40  3)! 37! 37!
Jika anda hanya mempunyai 1 rekening, maka peluang anda menjadi salah satu pemenang adalah:
P(Menang) = 1
59280
• Dalil-3 Permutasi Melingkar: Banyaknya permutasi n benda yang disusun dalam suatu lingkaran
adalah (n-1)!
Contoh 5:
Enam orang bermain bridge dalam susunan melingkar. Berapa susunan yang mungkin dibentuk? n
= 6 maka permutasi melingkar = (6-1)! = 5! = 5  4  3  2 1 = 120
Sampai Dalil ke-3, kita telah membahas permutasi untuk benda-benda yang berbeda. Perhatikan
permutasi ABC, terdapat 3 objek yang jelas berbeda.
Bagaimana jika kita harus berhadapan dengan A1A2B1B2C1C2 dan A1=A2=A dan B1=B2=B dan
C1=C2= C?
Dalil-4 Permutasi Obyek yang Sama:
Banyaknya permutasi untuk sejumlah n benda
di mana jenis/kelompok pertama berjumlah n1
jenis/kelompok kedua berjumlah n2
: :
: :
jenis/kelompok ke-k berjumlah nk
n!
adalah :
n1 ! n2 ! n3 ! nk !

n = n1 + n2 + . . . + nk
Contoh 6:
Berapa permutasi dari kata STATISTIKA? S = 2; T = 3; A = 2; I = 2; K = 1
10!
Permutasi =  75600
2!3!2!2!1!
Contoh 7:
Dari 7 orang mahasiswa akan dilakukan pemisahan kelas. 3 orang masuk ke kelas pertama, 2 orang
masuk ke kelas kedua dan 2 orang masuk ke kelas ketiga.
7!
Ada berapa cara pemisahan?  210
3!2!2!
2.3 Kombinasi
Kombinasi r obyek yang dipilih dari n obyek adalah susunan r obyek tanpa memperhatikan
urutan/posisi
Misalkan: Kombinasi 3 dari 3 obyek A, B dan C adalah:
ABC = ACB = BAC = BCA = CAB = CBA ( Hanya terdapat 1 kombinasi)
• Dalil-1 Kombinasi : Kombinasi r dari n obyek adalah
n!
Crn 
r !(n  r )!
Contoh 8:
Dari 40 nomor rekening akan diundi untuk memenangkan 3 hadiah yang sama. Berapa banyaknya
susunan pemenang yang mungkin terbentuk?

40! 40! 40  39  38  37!
C340    = 9880
3! (40  3)! 3! 37! 3! 37!
Jika anda hanya mempunyai 1 rekening, maka peluang anda menjadi salah satu pemenang adalah:
P(Menang) = 1
9880
2.4 Kaidah Perkalian & Kombinasi
Dalam banyak soal, kaidah penggandaan/perkalian dan kombinasi seringkali digunakan bersama-
sama.
Contoh 9:
Manajer SDM mengajukan 10 calon manajer yang berkualifikasi sama, 5 calon berasal dari Kantor
Pusat, 3 calon dari Kantor cabang dan 2 dari Program Pelatihan manajer.
(a) Berapa cara Manajer SDM dapat memilih 6 manajer baru dengan ketentuan 3 berasal
dari Kantor Pusat. 2 dari Kantor Cabang dan 1 dari Program Pelatihan manajer?
5!
Pemilihan 3 dari 5 calon dari Kantor Pusat = C35   10
3!2!
3!
Pemilihan 2 dari 3 calon dari Kantor Cabang = C23  3
2!1!
2!
Pemilihan 1 dari 2 calon dari Program Pelatihan = C12  2
1!1!
n = Pemilihan Manajer = 10  3  2 = 60 cara
(b) Berapa cara memilih 6 dari 10 kandidat manajer?
10!
  210
10
N = Pemilihan 6 dari 10 kandidat manajer = C 6
6!4!

(c) Berapa peluang 6 manajer baru tersebut terdiri dari 3 dari Kantor Pusat, 2 dari
Kantor Cabang dan 1 dari Program Pelatihan?
n 60
P(manajer) = 
N 210

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
10
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Distribusi Probabilitas . ..................................................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

DISTRIBUSI PROBABILITAS
VARIABEL RANDOM
Definisi 1:
Variabel random adalah suatu fungsi yang memetakan ruang sampel (S) ke himpunan
bilangan Real (R), dan ditulis X : S  R
CONTOH 1:
Pelemparan uang logam setimbang sebanyak tiga kali. Ruang sampelnya S = {GGG, GGA,
GAG, AGG, GAA, AGA, AAG, AAA}. Dari percobaan ini dapat didefinisikan beberapa
variabel random yang mampu memetakan ruang sampelnya ke dalam bilangan real. Salah
satu variabel random yang dapat dibuat adalah X = banyaknya sisi gambar yang muncul.
Maka nilai numerik 0, 1, 2, atau 3 dapat diberikan pada setiap titik sampel.
Definisi 2 :
Ruang Sampel Diskrit adalah apabila ruang sampelnya mengandung titik sampel yang
berhingga atau terhitung banyaknya.
Variabel random yang didefinisikan di atas ruang sampel diskrit disebut variabel random
diskrit.
CONTOH 2 :
- banyaknya barang yang cacat, dalam pengambilan sampel sebesar k barang.
- banyaknya yang meninggal karena terserang suatu infeksi pernafasan setiap tahun di
Surabaya.
Definisi 3 :
Ruang Sampel Kontinu adalah apabila ruang sampelnya mengandung titik sampel
yang tak berhingga banyaknya, dan memuat semua bilangan real dalam suatu interval.
Variabel random yang didefinisikan di atas ruang sampel kontinu disebut variabel random
kontinu.
CONTOH 3 :
- lamanya reaksi kimia tertentu
- jarak yang ditempuh sebuah mobil yang diisi dengan 5 liter bensin.
DISTRIBUSI PROBABILITAS DISKRIT
Himpunan pasangan terurut (x, f(x)) merupakan suatu fungsi probabilitas atau
distribusi proabilitas dari variabel random diskrit, jika
1. f ( x)  0
2.  x
f ( x)  1
3. P ( X  x)  f ( x)

Rata-rata dan varians dari variabel random diskrit X
  E ( X )  x xf ( x)
 2  E[( X   ) 2 ]  x ( x   ) 2 f ( x)
DISTRIBUSI PROBABILITAS KONTINU
Fungsi f(x) adalah fungsi kepadatan (density) probabilitas untuk variabel kontinu X, jika
1. f ( x)  0

2. 
-
f ( x) dx  1
b
3. P ( a  X  b)   f ( x) dx
a
Rata-rata dan varians dari variabel random kontinu X


  E ( X )   xf ( x)dx


 2
 E[( X   ) 2 ]   ( x   ) 2 f ( x)dx

BEBERAPA DISTRIBUSI PROBABILITAS DISKRIT

Distribusi Binomial
Ciri-ciri percobaan binomial :
1. Percobaan terdiri dari n ulangan
2. Setiap hasil ulangan dapat digolongkan sebagai sukses (S) atau gagal (G)
3. Probabilitas sukses (p) untuk setiap ulangan adalah sama
4. Setiap ulangan harus bersifat independen.
Definisi 4 :
Suatu percobaan dengan n ulangan mempunyai probabilitas sukses p dan gagal q = 1-
p. Jika variabel random X menyatakan banyaknya sukses dalam n ulangan yang
bebas, maka X berdistribusi Binomial dengan distribusi probabilitas :
n
b(x; n, p)    p x q n  x , x  0,1,2,....n
 x
Nilai harapan (rata-rata) dan varians dari variabel random yang berdistribusi Binomial
 = np
 2
= npq
SOAL 1 :
Uang logam setimbang dilemparkan sebanyak empat kali. Tentukan distribusi probabilitas
bagi banyaknya sisi gambar yang muncul.
SOAL 2 :
Probabilitas seseorang sembuh dari suatu penyakit darah adalah 0,4. Jika 15 orang diketahui
menderita penyakit ini, tentukan probabilitas :
a. Tepat 5 orang yang sembuh

b. Ada 3 sampai 8 orang yang sembuh
c. Sekurang-kurangnya 3 orang sembuh.
Distribusi Hipergeometrik
Ciri-ciri percobaan Hipergeometrik :
1. Sampel acak berukuran n diambil dari populasi berukuran N
2. Dari populasi berukuran N benda, sebanyak k benda diberi label “sukses”, dan N-k
benda diberi label “gagal”.
Definisi 5 :
Dalam populasi N benda, k benda diantaranya diberi label “sukses” dan N-k benda
lainnya diberi label “gagal”. Jika variabel random X menyatakan banyaknya sukses
dalam sampel acak berukuran n, maka X berdistribusi hipergeometrik dengan
distribusi probabilitas
 k  N  k 

 x
 

  n  x 
h(x; N, n, k)  , x  0,1,2,....k
N

n 
 
Nilai harapan dan varians dari variabel random yang berdistribusi Hipergeometrik adalah
nk

N
N n k  k 
2  .n. 1  
N 1 n  N
SOAL 3 :
Sebuah panitia 5 orang akan dipilih secara acak dari 3 mahasiswa farmasi dan 5 mahasiswa
kedokteran. Tentukan distribusi probabilitas banyaknya maha-siswa farmasi dalam panitia
tersebut.
Bila n relatif kecil dibandingkan dengan N, maka distribusi hipergeometrik dapat dihampiri
dengan distribusi binomial
h (x; N, n, k)  b (x; n, p)
SOAL 4 :
Sebuah perusahaan farmasi melaporkan bahwa diantara 5000 pemakai obat tertentu 4000
diantaranya menggunakan obat generik. Jika 10 orang diantara pemakai obat tersebut dipilih
secara acak, berapa probabilitas tepat ada 3 orang yang memakai obat non generik ?
Distribusi Poisson
Ciri-ciri percobaan Poisson :
1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu tertentu, tidak
tergantung pada banyaknya hasil percobaan yang terjadi pada selang waktu lain yang
terpisah.

2. Probabilitas terjadinya suatu hasil percobaan selama selang waktu yang singkat,
sebanding dengan panjang selang waktu tersebut, dan tidak tergantung pada banyaknya
hasil percobaan yang terjadi di luar selang waktu tersebut.
3. Probabilitas lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat,
dapat diabaikan.
Definisi 6 :
Jika variabel random X menyatakan banyaknya hasil percobaan yang terjadi dalam
selang waktu tertentu, dan  adalah rata-rata banyaknya hasil percobaan dalam selang
waktu tersebut, maka X berdistribusi Poisson dengan distribusi probabilitas
e   x
p(x;  )  , x  0,1,2,...
x!
Nilai harapan dan varians dari ariable random yang berdistribusi Poisson keduanya sama
dengan .
SOAL 5 :
Rata-rata banyaknya partikel radioaktif yang melewati suatu penghitung selama 1 milidetik
dalam suatu percobaan di lab adalah 4. Berapa prob 6 partikel melewati penghitung itu dalam
1 milidetik tertentu ?
Misalkan X  b(x; n,p), bila n  , p  0, maka

b(x; n,p)  p(x; )
dengan  = np.
SOAL 6 :
Probabilitas seseorang meninggal karena suatu infeksi pernafasan adalah 0,002. Carilah
probabilitas jika 2000 orang yang terserang infeksi tersebut, kurang dari 5 orang akan
meninggal ! Tentukan rata-rata dan variansnya.
DISTRIBUSI PROBABILITAS KONTINU

Distribusi Normal
Definisi 7 :
Variabel random X berdistribusi normal dengan rata-rata  dan varians 2 jika
mempunyai fungsi densitas
1  x 
2
1   
f(x) = n(x;  ,  )  e 2  
, -  x  
 2
Sifat-sifat kurva normal :

1. Modus terjadi pada x = 
2. Kurva simetris terhadap x = 
3. Kedua ujung kurva secara asimtotik mendekati sumbu datar x, bila nilai x bergerak
menjauhi .
4. Seluruh luas dibawah kurva dan diatas sumbu datar sama dengan 1.

f(x)
x1 x2
Gambar 1 : Kurva Normal
Misalkan ingin dihitung P (x1 < X < x2) dari variabel random X yang berdistribusi
normal, maka berdasar kurva di atas P (x1 < X < x2) = luas daerah yang diarsir.
x2
Untuk menghitung P(x1 < X < x2)   f ( x) dx

x1
sulit diselesaikan. Namun dapat diatasi
dengan mentransformasi variabel random normal X menjadi variabel random Z

X 
Z .

Distribusi variabel random Z disebut dengan Distribusi Normal Standart, dengan fungsi
densitas
1 z2 2
f ( z)  e , -  z  
2
dengan  = 0 dan 2 =1.
SOAL 7 :
Diketahui suatu distribusi normal standart, carilah luas daerah di bawah kurva yang terletak :
a. di sebelah kiri z = -1,39
b. antara z = -2 dan z = 2
c. disebelah kanan z = 1,84.
SOAL 8 :
Diketahui suatu distribusi normal standart, carilah nilai k sehingga
a. P (Z > k) = 0,3015
b. P (k < Z < -0,18) = 0,4197
c. P (-0,93 < Z < k) = 0,7235.
SOAL 9 :
Variabel random X berdistribusi normal dengan rata-rata 50 dan simpangan baku 10.
Tentukan
a. P (x < 45)
b. P ( 47 < x < 62)
c. P (x > 64)

SOAL 10 :
Rata-rata tinggi anjing pudel jenis tertentu adalah 30 cm, dengan simpangan baku 4,1 cm.
Berapa persentase banyaknya anjing pudel jenis tersebut yang tingginya melebihi 35 cm,
a. bila tingginya menyebar normal dan dapat diukur sampai ketelitian berapapun ?
b. bila kali ini tingginya diukur sampai cm terdekat ?
3.5.2 Hampiran Normal Terhadap Distribusi Binomial
Jika variabel random X berdistribusi Binomial dengan mean  = np dan varians 2 = npq,
maka variabel random Z  X  np untuk n   berdistribusi normal standart.
npq
SOAL 11 :
Probabilitas seorang penderita sembuh dari suatu penyakit darah yang jarang muncul sebesar
0,4. Bila diketahui ada 100 orang yang telah terserang penyakit ini, berapa probabilitas bahwa
kurang dari 30 yang sembuh ?
SOAL-SOAL LATIHAN :
1. Menurut teori Mendel tentang sifat-sifat keturunan, perkawinan silang 2 jenis

tanaman yang serupa, yang satu berbunga merah dan lainnya berbunga putih,
menghasilkan keturunan yang 25% tanamannya berbunga merah. Andaikan seorang
ahli tanaman ingin mengawinsilangkan lima pasang berbunga merah dan berbunga
putih. Berapa probabilitas bahwa dari 5 keturunan yang dihasilkan
a. Tidak terdapat bunga berwarna merah.
b. Paling sedikit 4 tanaman berbunga merah.
c. Paling banyak 4 tanaman berbunga merah.
2. Suatu perusahaan farmasi mengetahui bahwa secara rata-rata, 5% dari sejenis pil
mempunyai campuran dibawah syarat minimum, sehingga tidak memenuhi
persyaratan. Berapa probabilitas bahwa kurang dari 10 pil dalam sampel 200 pil tidak
memenuhi persyaratan ?
3. Panjang ikan sardine yang diterima suatu pabrik pengalengan ikan mempunyai
panjang rata-rata 4,54 inci dan simpangan baku 0,25 inci. Apabila distribusi panjang
ikan sardine tersebut mengikuti distribusi normal, berapa persentase dari ikan-ikan
tersebut yang panjangnya adalah :
a. Lebih dari 5 inci
b. Kurang dari 5 inci
c. 4,4 sampai 4,6 inci ?
4. Probabilitas seorang mahasiswa gagal dalam tes scoliosis (membengkoknya tulang

belakang) adalah 0,004. Diantara 1875 siswa yang dites scoliosis, hitunglah
probabilitas terdapat :
a. kurang dari 5 mahasiswa gagal dalam tes itu

b. lebih dari 2 mahasiswa gagal dalam tes tersebut
c. 8, 9 atau 10 mahasiswa gagal dalam tes tersebut.
5. Dalam suatu dos berisi 50 botol obat dan 5 buah diantaranya tidak memenuhi standart.
Dari dos tersebut diambil 4 botol obat secara acak, berapa probabilitas mendapat 2
botol yang tidak memenuhi standart ?
6. Dalam suatu ujian statistika, diketahui bahwa nilai rata-ratanya adalah 82 dengan
simpangan baku sama dengan 5. Semua mahasiswa dengan nilai dari 88 sampai 94
mendapat nilai B. Bila nilai-nilai statistika tersebut berdistribusi normal, dan 8 siswa
mendapat nilai B, berapa banyak mahasiswa yang menempuh ujian tersebut (bila nilai
ujian dibulatkan ke bilangan bulat terdekat) ?
7. Secara rata-rata, di Indonesia banyaknya kematian yang disebabkan oleh penyakit

tertentu adalah 3 orang perhari . Tentukan probabilitas dalam suatu hari terjadi
kematian
a. kurang dari 2 orang
b. lebih dari 5 orang
c. antara 3 sampai 7 orang.
8. Suatu organisasi ilmiah mempunyai 1000 anggota, dimana 100 orang diantaranya
adalah sarjana farmasi. Jika 10 orang diambil secara acak untuk diangkat jadi
pengurus organisasi itu, maka tentukan probabilitas lebih dari 5 orang sarjana farmasi
duduk dalam pengurus itu.
9. Tentukan mean dan varians untuk semua soal diatas yang variabel randomnya diskrit.
10. Tinggi 1000 mahasiswa menyebar normal dengan rata-rata 174,5 cm dan simpangan
baku 6,9 cm. Bila tinggi dicatat sampai setengah cm terdekat, berapa banyak diantara
mahasiswa tersebut yang memiliki tinggi
a. Kurang dari 160,5 cm
b. Sama dengan 175 cm
c. Antara 171,5 sampai 182 cm.

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
11
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Distribusi Probabilitas II (Chi) . ......................................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

DISTRIBUSI PROBABILITAS
DISTRIBUSI DAN UJI CHI-KUADRAT
Grafik distribusi chi-kuadrat bergantung pada derajat kebebasan ө, yang umumnya

merupakan kurva positif dan miring ke kanan. Kemiringan kurva ini akan semakin berkurang
jika derajat kebebasasan ө makin besar. Untuk ө =1 dan ө =2, bentuk kurvanya berlainan
daripada untuk ө ≥ 3.
Distribusi chi-kuadrat mempunyai rata-rata dan variansi sebagai berikut :
Rata-rata : μ = E(χ2) = ө
Variansi : σ2 = 2 ө
Probablitas suatu sampel acak yang menghasilkan nilai χ2 yang lebih besar dari suatu nilai
tertentu, sama dengan luas daerah di bawah kurva di sebelah kanan nilai tersebut. Nilai
tertentu tersebut biasanya ditulis dengan χ2α. Dengan demikian χ2α menyatakan nilai χ2α
yang luas di sebelah kanannya sama dengan α. Daerah yang luasnya sama dengan α ini
dinyatakan oleh daerah yang diarsir
Nilai-nilai kritis χ2α untuk berbagai nilai α dan derajat kebebasan ө tersedia pada tabel
distribsi chi-kuadrat.
• Untuk α = 0,05, disebelah kanan, dan ө = 10, maka nilai kritis χ20,05 = 18,307. Karena kurva
distribusi chi-kuadrat tidak simetri, maka luas daerah di sebelah kiri harus dicari. Luas
daerah sebelah kiri, yaitu 1 – α = 1- 0,05 = 0,95. Derajat kebebasan ө =10, maka diperoleh
χ20,95 = 3,940
Cari : nilai kritis untuk χ20,01 dan χ20,99 dengan ө = 5 dan χ20,01 dan χ20,99 dengan ө = 11

• Bila x1, x2, x3, …, xn merupakan variable acak yang masing-masing terdistribusi normal
dengan rata-rata μ dan variansi σ2 dan semua variabel acak tersebut bebas satu sama
lain, maka variabel acak berikut ini
n 2
Y=Σ Xi – μ
i=1 σ
mempunyai distribusi chi-kuadrat dengan derajat kebebasan ө =n.
• Bila diambil sampel acak berukuran n dari populasi berdistribusi normal dengan rata-rata μ
dan variansi σ2, dan pada setiap sampel tersebut dihitung variansi S2, maka variabel acak
berikut ini, yaitu :
χ2 = (n – 1) S2
σ2
mempunyai distribsi chi-kuadrat χ2 dengan deraja kebebasan ө = n.-1
INTERVAL KEPERCAYAAN χ2 = (n – 1) S2
σ2
Secara umum, interval kepercayaan untuk χ2 sebesar 1- α dinyatakan sebagai
P χ21- α/2 < χ2 < χ2α/2 = 1- α
Nilai kritis χ21- α/2 membatasi luas daerah di sebeleah kanan sebesar 1 - α/2 pada derajat
kebebasan ө = n.-1. Sedangkan nilai kritis χ2 α/2 membatasi luas daerah di sebelah kanan
sebesar α/2 pada derajat kebebasan ө = n.-1.

Dengan mensubstitusikan nilai (n-i)S2 maka diperoleh
P (n – 1) S2 < χ2 < (n – 1) S2 = 1- α
χ2 α/2 χ2 1-α/2
Contoh :
Suatu pabrik baterai mobil menjamin bahwa baterainya akan tahan rata-rata 3 tahun dengan
simpangan baku 1 tahun. Untuk menyakinkan pendapatnya diambil sampel yang terdiri atas
5 baterai dan daya tahannya adalah 1,9, 2,4, 3,0, 3,5, 4,2 tahun.
a. buat interval kepercayaan 95% dan σ2

b. Apakah simpangan baku σ =1 tersebut masih dapat diterima?
UJI CHI-KUADRAT
Beberapa manfaat dari distribusi chi-kuadrat, yaitu antara lain :
1. Untuk menguji apakah frekuensi yang diamati berbeda secara signifikan dengan
frekuensi teoritis atau frekuensi yang diharapkan.
2. Untuk menguji kebebasan (independensi antar faktor dari data dalam daftar
kontingensi
3. Untuk menguji apakah data sampel mempunyai distribusi yang mendekati distribusi
teoritis tertentu atau distribusi hipotesis tertentu (distribusi populasi), seperti distribusi
binomial, distribusi poisson, dan distribusi normal.
1. Uji beda frekuensi yang diamati dan diharapkan
Misalkan kita mempunyai suatu sampel tertentu berupa kejadian A1, A2, A3, …,Ak yang
terjadi dengan frekuensi 01,02,03,…,0k, yang disebut frekuensi yang diobservasi (diamati)
dan bahwa berdasarkan probabilitas kejadia-kejadian yang diharapkan adalah dengan
frekuensi e1,e2,e3, …,ek, yang disebut frekuensi yang diharapkan atau frekuensi territis.
Dalam hal ini ingin diketahui perbedaan yang signifikan antara frekuensi yang diobservasi
dengan frekuensi yang diharapkan

Kejadian A1, A2, A3, …,Ak
Frekuensi yang diobservasi 01,02,03,…,0k
Frekuensi yang diharapkan e1,e2,e3, …,ek
Perbedaan antara frekuensi yang diobservasi dengan yang diharapkan
ditentukan sebagai χ2 = Σ (oi – ei)2
i=1 ei
Jika χ2 = 0, maka frekuensi yang diobservasi dengan frekuensi yang diharapkan adalah
tepat sama. Jika χ2 >0, maka frek observasi berbeda dengan frek yang diharapkan. Makin
besar nilai χ2 , makin besar beda antara frek obsevasi dengan frek yang diharapkan.
Frek yang diharapkan dapat dihitung atas dasar hipotesis nol (H0). Langkah-langkah untuk
melakukan uji chi-kuadrat, adalah sebagai berikut :
1. Merumuskan hipotesis yang akan diuji meliputi, H0 dan H1

2. Menetapkan taraf signifikansi α dan derajat kebebasan ө untuk memperoleh nilai kritis
χ2α dimana :
a. ө = k-1, jika frek yang diharapkan dapat dihitung tanpa harus menduga parameter
populasi dengan statistik sampel.
b. ө = k-1-m, jika frek yang diharapkan dapat dihitung hanya dengan menduga
parameter populasi sebanyak m dengan taksiran statistik sampel
k
3. Menentukan statistik uji (statistik hitung) : χ2h= Σ (oi – ei)2

i=1 ei
4. Menyimpulakan apakah menolak atau menerima H0. Tolak H0 jika nilai χ2h > χ2α dan
terima H0 jika χ2h ≥ χ2α .
Contoh 1 :

Sebuah uang logam dilempar sebanyak 100 kali, yang menghasilkan sebanyak 58 kali
muncul sisi muka dan 42 kali sisi belakang. Ujilah hipotesis bahwa uang logam itu simetri
dengan taraf signifikan 0,05 dan 0,01
Contoh 2
Sebuah dadu dilembpar sebanyak 120 kali. Frek yangyang dihasilkan untuk muka1,2,3,4,5,
dan 6 yang muncul adalah 23, 21, 17, 18, 20, dan 27. Ujilah bahwa dadu tersebut simetris.
2. Uji kebebasan ( independensi) dua faktor
Uji ini digunakan untuk menguji hipotesis mengenai ada atau tidak adanya hubungan
(asosiasi)atau kaitan antara dua faktor. Misalnya, apakah prestasi belajar mahasiswa ada
hubungan dengan kondisi sosial ekonomi orang tuanya, apakah agama yang dipeluk ada
hubungannya dengan ketaatan beribadah.
Jika tidak ada hubungan antar dua faktor tersebut, maka dikatkan bahwa dua faktor itu
saling bebas atau independen.
Prosedur chi-kuadrat dapat dipakai juga untuk menguji ada tidaknya pengaruh dari satu
faktor terhadap faktor lainnya.
Misalkan dilakukan surveh pada 1.000 orang di Jakarta dan ingin diketahui apakah
penghasilan masyarakat ada hubungannya dengan tingkat pendidikan. Penghasilan sebagai
faktor 1 dan pendidikan sebagai faktor 2. Penghasilan dibedakan menjadi dua katagori, yaitu
penghasilan rendah dan tinggi. Sedangkan pendidikan dibagi menjadi tiga tingkat, yaitu
SMU ke bawah, sarjana muda, dan sarjana (termasuk pasca sarjana). Hasil survey tersebut
disajikan pada tabel kontingensi berikut :
Penghasilan Pendidikan Total Baris
SMU kebawah Sarjana muda Sarjana

Rendah 182 213 203 598
Tinggi 154 138 110 402
Total Kolom 336 351 313 1.000
Tabel di atas adalah tabel kontingensi berukuran 2 x 3, yang terdiri dari 2 baris dan 3 kolom.
Bilangan dalam sel disebut frekuensi yang diobservasi, sedangkan totalnya disebut
frekuensi marjinal.
Untuk menguji kebebasan dua faktor digunakan statistik hitung :
χ2 = Σ (f0 – fe)2
i=1 fe
derajat kebebasan ө = (Jml baris – 1) (kolom – 1). fe frekuensi harapan = jumlah menurut
baris x jumlah menurut kolom/ jumlah total. Jika nilai χ2h > χ2α, maka hipotesis nol (Ho)
ditolak sedangkan jika tidak, maka hipotesis nol (Ho) diterima.
Dengan demikian frekuensi yang diobservasi dan yang diharapkan secara lengkap adalah
sebagai berikut :
Penghasilan Pendidikan Total

Baris
SMU kebawah Sarjana muda Sarjana
Rendah 182 (200,9) 213 (209,9) 203 (187,2) 598
Tinggi 154 (135,1) 138 (141,1) 110 (125,8) 402
Total Kolom 336 351 313 1.000
1. Ho : dua faktor saling bebas, penghasilan saling bebas dengan pendidikan.

2. Taraf signifikansi = 5% dan ө = (2-1) x (3-1) = 2
3. χ2h = 7,8542

4. Nilai χ2h > χ2α, maka disimpulkan Ho ditolak pada taraf signifikansi 5%. Artinya antara
penghasilan dan pendidikan masyarakat tidak saling bebas.
3. Uji Distribusi Populasi dengan Distribusi Sampel
Uji ini digunakan untuk mengetahui sejauh mana kesesuaian atau tingkat kesesuaian antara
distribusi sampel dengan distribusi populasi, disebut juga uji kebaikan suai (test goodness of
test).
Tahapan uji keselerasan apakah suatu distribusi mengikuti kurva normal atau tidak adalah
sebagai berikut :
1. Membuat distribusi frekuensi

2. Menentukan nilai rata-rata hitung X dan standar deviasi σ dengan menggunakan
data berkelompok.
3. Menentukan nilai Z setiap kelas, dimana Z = (X-μ)/ σ
4. Menentukan probabilitas tiap kelas dengan menggunakan nilai Z.
5. Menentukan nilai harapan dengan mengalikan nilai probabilitas dengan jumlah data.
6. Melakukan uji chi-kuadrat untuk menentukan apakah distribusi bersifat normal atau
tidak.
Contoh :
Beberapa analis memprediksi 20 saham terfavorit yang layak dibeli dan dipertahankan untuk
satu-dua minggu. Berikut adalah harga saham dari 20 perusahaan tersebut tanggal 5
Desember2003. Dari data harga saham di bawah ini, ujilah apakah harga saham mengikuti
distribusi normal?
No Perusahaan Harga Saham
1 Aneka tambang 1350
2 Asahimas FG 2225
3 Astra AL 1675
4 Astra OP 1525

5 Danamon 1925
6 Baerlian Laju Tanker 900
7 Berlina 1575
8 Bimantara 3175
9 Dankos 1125
10 Darya Varia 800
11 Dynaplast 1400
12 Enseval Putra 1900
13 Gajah Tunggal 600
14 Indocement 1900
15 Kalbe farma 975
16 Komatsu 1475
17 Matahari 525
18 Mayora 950
19 Medco 1400
20 Mustikasari 435
1. Buat tabel distribusi frekuensi :
No Interval Kelas Frekuensi (fo) Nilai tengah
1 435 -983 7 709

2 984 – 1.532 6 1.258
3 1.533 – 2.080 5 1.806
4 2.081 – 2.628 1 2.354
5 2.629 -3.176 1 2.902
2. Hitung nilai rata-rata hitung dan standar deviasi data berkelompok.
No Interval f X fx x-x (x - x)2 f(x - x)2
1 435 -983 7 709 4.963 -631 397.972 2.785.802
2 984 – 1.532 6 1.258 7.548 -82 6.699 40.197
3 1.533 – 2.080 5 1.806 9.030 466 217.296 1.086.479
4 2.081 – 2.628 1 2.354 2.354 1.014 1.028.500 1.028.500
5 2.629 -3.176 1 2.902 2.902 1.562 2.440.313 2.440.313
Σ fx 26.797 Σ f(x - x)2 7.381.291
X = Σ fx/n=26.797/20 1.340 S=√ Σ f(x - x)2/n-1 623
3. Menentukan nilai Z dari setiap kelas, dimana Z = (X-μ)/σ
4. Menentukan probabilitas tiap kelas dengan menggunakan nilai Z.
Misalnya : Z435 = (435-1.340)/623 = -1,45
Z983 = (963-1.340)/623 = -0,57
dan seterusnya
Interval Kisaran Z Kisaran Prob Harapan

Probabilitas
435 -983 -1,45 – 0,57 0.4265-0.2157 0.2108
984 – 1.532 -057 – 0,31 0.2157-0.1217 0.3374

1.533 – 2.080 0,31 – 1,19 0.3830-0.1217 0.2613
2.081 – 2.628 1,19 – 2,07 0.4808-0.3830 0.0978
2.629 -3.176 2,07 – 2,95 0.4984-0.4808 0.0176
5. Menentukan nilai harapan (fe)= np
Interval f Prob fe
Harapan
435 -983 7 0.2108 4.2
984 – 1.532 6 0.3374 6.7
1.533 – 2.080 5 0.2613 5.2
2.081 – 2.628 1 0.0978 2.0
2.629 -3.176 1 0.0176 0.4
6. Menentukan pengujian chi - kuadrat
a. Ho : tidak ada beda antara frekuensi yang diharapkan dengan yang teramati dari
harga saham.
H1 : ada beda antara frekuensi yang diharapkan dengan yang teramati dari
harga saham.
b. Menentukan nilai kritis dengan derajat bebas = n-1, dimana n = jumlah klas. Nilai
kritis untuk ө = 5-1=4, dan taraf signifikansi = 5% adalah 9,488.
c. Mencari χ2hit dengan rumus (f0 – fe)2 dengan prosedur :

fe
f fe (f0 – fe) (f0 – fe)2 (f0 – fe)2/fe
7 4.2 2,8 7,8 1,8
6 6.7 -0,7 0,6 0,1
5 5.2 -0,2 0,1 0,0
1 2.0 -1,0 0,9 0,5
1 0.4 0,6 0,4 1,2
χ2hit 3,6
d. χ2hit < χ2α dapat disimpulkan bahwa tidak ada perbedaan antara frekuensi
harapan dan yang nyata, sehingga distribusi harga saham dapat dikatakan
sebagai distribusi normal.
LATIHAN SOAL
1. PT Kiwi Sentosa adalah perusahaan transportasi untuk buah-buahan dari Madiun ke Jakarta.
Perusahaan menginginkan kerusakan buah yang diangkut tidak sampai 15%. Berikut ini adalah
data buah yang rusak selama 6 bulan terakhir. Dari data tersebut, apakah masih sesuai harapan
dari perusahaan dengan taraf nyata 5%.
Bulan % Kerusakan Buah

1 9
2 12
3 14
4 15
5 18
6 16
Jawab:
fo fe (fo - fe)2/fe

9 15 2,40
12 15 0,60
14 15 0,07
15 15 0,00
18 15 0,60
16 15 0,07
2=  (fo - fe)2/fe 3,73
1. Hipotesa, Ho: ada kesesuaian antara harapan dan kenyataan, H1 tidak ada
kesesuaian antara harapan dan kenyataan.
2. Menentukan nilai kritis, df= 6 - 1= 5 dengan taraf nyata 5% adalah 12,596
3. Nilai chi-kuadrat hitung = 3,73 < dari chi-kuadrat tabel 12,596, dengan demikian Ho
diterima dan H1 ditolak. Harapan dan kenyataan masih sesuai.
2. Beberapa emiten merencanakan memberikan dividen yang lebih besar untuk tahun
2003, sehingga dapat mendorong perbaikan harga saham di bursa. Berikut adalah
dividen yang diharapkan atau direncanakan dan deviden yang dapat dibayarkan pada
tahun 2003 dalam rupiah per lembarnya.
Perusahaan fe fo
Semen Gresik 231 268
Gudang Garam 500 300
Timan Tbk 119 25
Ramayana 75 100
Sampurna 57 90
Unilever 250 300
Dengan memperhatikan kondisi tersebut, apakah antara harapan dan kenyataan masih
sesuai?

Jawab:
fo fe (fo-fe)2/fe
231 268 5,11
500 300 133,33
119 25 353,44
75 100 6,25
57 90 12,10
250 300 8,33
2=  (fo - fe)2/fe 518,56
2. Menentukan nilai kritis, df= 6 - 1= 5 dengan taraf nyata 1% adalah 16.812
3. Nilai chi-kuadrat hitung = 518.56 > dari chi-kuadrat tabel 16.812, dengan demikian
Ho ditolak dan H1 diterima. Harapan dan kenyataan sudah tidak sesuai.
3. Pemerintah menghendaki bahwa inflasi pada tahun 2003 sebesar 8% pertahun. Data
tahun 2003 inflasi dibeberapa kota besar adalah sebagai berikut:
Kota Inflasi (%)
Medan 9,49
Palembang 12,25
Padang 10,22
Jakarta 9,08
Bandung 11,97

Semarang 13,56
Surabaya 9,15
Denpasar 12,49
Banjarmasin 9,18
Makasar 8,25
Menado 15,22
Dengan data tersebut apakah target atau harapan pemerintah masih sesuai dengan
kondisi sebenarnya dengan taraf nyata 5%?
Jawab:
fo fe (fo-fe)2/fe
9,49 8 0,28
12,25 8 2,26
10,22 8 0,62
9,08 8 0,15
11,97 8 1,97
13,56 8 3,86
9,15 8 0,17

12,49 8 2,52
9,18 8 0,17
8,25 8 0,01
15,22 8 6,52
2=  (fo-fe)2/fe 18,51
5. Menentukan nilai kritis, df= 11 - 1= 10 dengan taraf nyata 5% adalah 18.307
6. Nilai chi-kuadrat hitung = 18.51 > dari chi-kuadrat tabel 18.307, dengan demikian Ho
ditolak dan H1 diterima. Harapan dan kenyataan sudah tidak sesuai.

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
11
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Interval Taksiran .......................................................................

Rangkuman...............................................................................
Soal-penyelesaian
Soal-soal latihan

INTERVAL TAKSIRAN
Taksiran Interval Untuk Selisih Dua Proporsi
Misalkan X1 dan X2 adalah dua peubah acak binomial yang bebas masing-masing dengan
parameter ( n1 , p1 ) dan ( n2 , p2 ). Kemudian kita mengambil sampel acak dari X1 berukuran
n1, yaitu X1, X2, X3, … , Xn1 dan sampel acak dari X2 berukuran n2, yaitu X1, X2, X3, … , Xn2.
Kedua sampel acak itu bebas.
Menentukan penaksir titik
Selisih dua proporsi dilambangkan ( p1 – p2 ), kita akan mencari penaksir titik yang baik
untuk proporsi ( p1 – p2 ). Pada pembahasan sebelumnya telah diketahui bahwa
merupakan penaksir tak bias untuk p. berdasarkan hal tersebut 1= adalah penaksir tak
bias dari p1 atau proporsi yang sebenarmya dari populasi kesatu. Maka 2= merupakan
penaksir yang tak bias dari p2 atau proporsi yang sebenarnya dari populasi kedua.
Maka penaksir tak bias dari ( p1 – p2 ) adalah , karena = .
Distribusi dari penaksir titik
Langkah selanjutnya kita akan menentukan distribusi dari = . Pada

pembahasan sebelumnya telah diketahui bahwa peubah acak X secara pendekatan akan
berdistribusi normal dengan rerata np dan variansi npq. Berdasarkan hal tersebut , peubah
acak X1 akan berdistribusi normal dengan rerata n1p1 dan variansi n1p1q1, dan rerata n2p2 dan
variansi n2p2q2 untuk peubah acak X2. Dengan menggunakan fungsi pembangkit momen,
maka:
a. secara pendekatan akan berdistribusi normal dengan rerata p1 dan variansi . Maka
fungsi pembangkit momen dari adalah:
b. secara pendekatan akan berdistribusi normal dengan rerata p2 dan variansi . Maka
fungsi pembangkit momen dari adalah:

Maka fungsi pembangkit momen dari adalah:
Dapat diketahui bentuk di atas adalah fungsi pembangkit momen untuk distribusi normal,
maka: rerata ( p1 – p2 ) dan variansi .
Menentukan besaran pivot

Besaran pivotnya adalah
Dengan:
Menentukan distribusi dari besaran pivot

Dengan menggunakan fungsi membangkit momen, maka akan diketahui besaran pivot
berdistribusi normal baku.
Grafik dari sebagai berikut:
1-α
-Zα/2 o Zα/2
Dari gambar di atas dapat dilihat bahwa:

karena penaksir tak bias untuk p1 adalah , maka fungsi di atas dapat di
tulis:
Dengan:
a.
b.
Contoh – Contoh
Dalam pemilihan bupati terdapat 2 calon yaitu calon M dan calon N. Dari Kabupaten Tanah
Amblas diambil secara acak 420 orang pemungut suara, ternyata 278 orang di antaranya
memilih N. sedangkan dari Kabupaten Tanah Kuburan diambil secara acak 375 orang, dan
150 orang di antaranya memilih N. Tentukan taksiran interval untuk selisih dua proporsi yang
sebenarnya dari pemungutan suara dalam memilih calon N di kedua kabupaten tersebut
dengan mengambil derajat kepercayaan sebesar 99%!
Jawab:

Karena derajat keyakinan 99% maka α = 1 – 0,99 = 0,01 sehingga α/2 = 0,005. Dengan
demikian:
Dengan:
a.
b.
c.
d.
e. Z0,005, maka 1 – 0,005 = 0,995. Dilihat dengan bantuan tabel maka Z0,005 = 2,55
Jadi:
= 0,26 – 0,4 < p1 – p2 < 0,26 + 0,09
= 0,17 < p1 – p2 < 0,35
Jadi, taksiran interval untuk selisih dua proporsi yang sebenarnya dari pemungutan suara
untuk calon N dari kedua kabupaten tersebut dengan derajat keyakinan sebesar 99% terletak
antara 17% dan 35%.

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
13
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Pengujian Hipotesa . .....................................................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

PENGUJIAN HIPOTESIS
Hipotesis statistik merupakan pernyataan sementara tentang satu populasi atau lebih.
Dalam statistika, pengujian hipotesis merupakan bagian terpenting untuk mengambil
keputusan. Dengan melakukan pengujian hipotesis seorang peneliti akan dapat menjawab
pertanyaan-pertanyaan yang diajukan dengan menyatakan penolakan atau penerimaan
terhadap hipotesis. Kebenaran hipotesis secara pasti tidak pernah diketahui kecuali jika
dilakukan pengamatan terhadap seluruh anggota populasi. Untuk melakukan hal ini sangatlah
tidak efisien apalagi bila ukuran populasinya sangat besar.
Penarikan sejumlah sampel acak dari suatu populasi, diamati karakteristiknya dan
kemudian dibandingkan dengan hipotesis yang diajukan merupakan suatu langkah
melakukan uji hipotesis. Apabila sampel acak ini memberikan indikasi yang mendukung
hipotesis yang diajukan maka hipotesis tersebut diterima, sedangkan bila sampel acak itu
memberikan indikasi yang bertentangan dengan hipotesis yang diajukan, maka hipotesis
tersebut ditolak.
Dalam pengujian hipotesis ada dua jenis tipe kesalahan yaitu kesalahan jenis I dan
kesalahan jenis kedua. Kesalahan jenis I adalah kesalahan yang terjadi akibat menolak H0
padahal H0 benar, sedangkan kesalahan jenis II adalah kesalahan yang terjadi akibat
menerima H0 padahal H1 benar. Secara ringkas tabel dari dua jenis tipe kesalahan tersebut
adalah :
Ho benar Ho salah
Terima Ho Keputusan benar Galat jenis II

Keputusan
Tolak Ho Galat jenis I Keputusan benar
Galat jenis I = P (menolak Ho  Ho benar)
=
= taraf nyata
Galat jenis II = P (menerima Ho  Ho salah)
=
SOAL 1 :
Suatu jenis vaksin influenza yang beredar di pasaran diketahui hanya 25% efektif setelah
periode dua tahun. Untuk menentukan apakah suatu vaksin baru lebih unggul dalam
memberikan perlindungan terhadap virus yang sama untuk periode yang lebih lama,
dilakukan penelitian. 20 orang diambil secara acak dan diinokulasi dengan vaksin baru
tersebut. Bila 9 atau lebih di antara yang menerima vaksin baru terbebas dari virus tersebut
selama periode 2 tahun, maka vaksin baru dinilai lebih unggul.
a. Hitung peluang melakukan galat jenis I.
b. Jika Ho salah, dan yang benar H1 : p = ½, maka hitung peluang melakukan galat jenis II.
c. Jika Ho salah, dan yang benar H1 : p = 0,7, maka hitung peluang melakukan galat jenis
II.

d. Misalkan kriteria pengujiannya diubah menjadi : jika 8 atau lebih berhasil melampaui
periode 2 tahun dengan baik, maka vaksin baru dinilai lebih unggul. Tentukan peluang
melakukan galat jenis I dan II (dengan H1 : p = ½).
e. Misalkan ukuran sampel diperbesar menjadi 100 orang, dan kriteria pengujiannya : jika
37 orang berhasil melampaui periode 2 tahun tersebut, maka vaksin baru dinilai lebih
unggul. Tentukan peluang melakukan galat jenis I dan II (dengan H1: p = ½).
Jawab :
a.  = P (galat jenis I)
= P (x  9 bila p = ¼ )
20 8
= 
b(x; 20, ¼) = 1 - 
b(x; 20, ¼) = 1 – 0,9591
x 9 x 0
= 0,0409
b.  = P (galat jenis II)

= P (x < 9 bila p = ½ )
8
= 
b(x; 20, ½ ) = 0,2517
x 0
8
c.  = P (x < 9 bila p = 0,7 ) = 
b(x; 20, 0,7 ) = 0,0051
x 0
d.  = P (x  8 bila p = ¼ )
20 7
= 
b(x; 20, ¼) = 1 - 
b(x; 20, ¼) = 1 – 0,8982
x 8 x 0
= 0,1018
7
 = P (x < 8 bila p = ½ ) =  b(x; 20, ¼) = 0,1316
x 0
e. Digunakan hampiran normal :

Bila Ho benar
 = n p = 100 ( ¼ ) = 25
 2
= n p q = 100 ( ¼ ) ( ¾ ) = 300/16
 = P (galat jenis I)
= P (x > 36,5 bila p = ¼ ) = P (z > 2,66) = 0,0039
Bila H1 benar
 = n p = 100 ( ½ ) = 50
 2
= n p q = 100 (½) (½) = 25
 = P (galat jenis II)
= P (x < 36,5 bila p = ½ ) = P (z < -2,7) = 0,0035

Sifat-sifat penting dari  dan  adalah :
1.  dan  saling berhubungan. Menurunnya probabilitas yang satu akan meningkatkan
probabilitas yang lain.
2. Ukuran wilayah kritis, yang selalu berarti peluang melakukan galat jenis I, selalu dapat
diperkecil dengan mengubah nilai kritisnya.
3. Peningkatan ukuran sampel (n) akan memperkecil  dan  secara bersamaan.
4. Bila Ho salah, nilai  akan semakin besar bila parameternya dekat dengan nilai yang
dihipotesiskan. Semakin besar jarak antara nilai yang sesungguhnya dengan nilai yang
dihipotesiskan, maka akan semakin kecil nilai .
Suatu uji hipotesis statistik yang alternatifnya bersifat satu-arah dinyatakan sebagai :
Ho :  = o
H1 :  > o
atau
Ho :  = o
H1 :  < o
disebut uji satu arah.
Sedangkan uji hipotesis statistik yang alternatifnya bersifat dua-arah seperti
Ho :  = o
H1 :   o
disebut uji dua arah.
Ho selalu dituliskan dengan tanda kesamaan, sehingga menspesifikasi suatu nilai tunggal.
Dengan cara ini peluang melakukan galat jenis I dapat dikendalikan.
Langkah-langkah pengujian hipotesis :

1. Nyatakan hipotesis nol (Ho), yaitu Ho : θ = θo
2. Pilih hipotesis alternatif H1 yang sesuai.
3. Tentukan taraf nyatanya ().
4. Pilih statistik uji yang sesuai dan tentukan wilayah kritisnya.
5. Hitung nilai statistik uji berdasarkan data sampel.
6. Ambil keputusan :
a. Tolak Ho bila nilai statistik uji terletak dalam wilayah kritis,
b. Terima Ho bila nilai statistik uji jatuh di luar wilyah kritis.
5.1. PENGUJIAN RATA-RATA
Secara ringkas uji mengenai rata-rata disajikan dalam tabel berikut :
No HIPOTESIS NILAI STATISTIK UJI WILAYAH KRITIS

1. Ho :  = o
lawan
H1 :  < o x  0 z < -z
z  ,  diketahui
H1 :  > o  z > z
H1 :   o z < -z/2 dan z > z/2
n
atau n30
2. Ho :  = o
lawan
H1 :  < o x  0 t < -t
t , v=n-1
H1 :  > o s t > t
H1 :   o n t < -t/2 dan t > t/2
 tidak diketahui dan n<30
3. Ho : 1-2 = do
lawan ( x1  x2 )  d 0
z
H1 : 1-2 < do  12 )  ( 22 ) z < -z
H1 : 1-2 > do ( z > z
n 1 n 2
H1 : 1-2  do 1 dan
2
22 diketahui z < -z/2 dan z > z/2
4. Ho : 1-2 = do
lawan ( x1  x2 )  d 0
t ;
H1 : 1-2 < do sp ( 1 )  ( 1 )
t < -t
H1 : 1-2 > do n1 n2 t > t
H1 : 1-2  do v = n1 + n2 - 2 t < -t/2 dan t > t/2
12 = 22 , tapi tidak diketahui
(n1  1) s12  (n2  1) s22
sp 
2
n1  n2  2
5. Ho : 1-2 = do
lawan ( x1  x2 )  d 0
t'
H1 : 1-2 < do 2 2 t’ < -t
( s1 )  ( s2 )
H1 : 1-2 > do n1 n2 t’ > -t
H1 : 1-2  do ( s n1  s n2 ) 2
2 2
t’ < -t/2 dan t’ > t/2
v 1 2
( s12 n1 ) 2 ( s22 n2 ) 2

n1  1 n2  1
12  22 , dan tidak diketahui

6. Ho : D = do
lawan d  d0
H1 : D < do t ; v=n–1 t < -t
sd
H1 : D > do n t > t
H1 : D  do data berpasangan t < -t/2 dan t > t/2
SOAL 2 :
Perusahaan farmasi ‘Pharos’ memproduksi obat jenis tertentu yang masa pakainya
menghampiri distribusi normal dengan rata-rata 800 hari dan simpangan baku 40 hari.

Sampel acak 30 obat jenis tersebut menghasilkan masa pakai rata-rata 788 hari. Ujilah
hipotesis bahwa masa pakai obat tersebut tidak sama dengan 800 hari dengan tingkat
signifikan  = 4%
Jawab :
1. Ho :  = 800 hari
2. H1 :   800 hari
3.  = 0,04
4. Daerah kritis : z : < -2,06 dan z > 2,06
788  800
5. x = 788 hari, n = 30, dan  = 40 hari  z   1,64
40 / 30
6. Keputusan : Terima Ho
Kesimpulan : masa pakai obat jenis tersebut adalah 800 hari
5.2. PENGUJIAN VARIANS

Secara ringkas uji mengenai varians disajikan dalam tabel berikut :

1. Ho : 2 = o2
lawan (n  1) s 2
H1 : 2 < o2 2  ; 2 < 21-
 02
H1 : 2 > o2 2 > 2 
dengan v = n - 1
H1 : 2  o2 2 < 21-/2 dan 2 > 2/2
2. Ho : 12 = 22
lawan s12
f 
H1 : 12 < 22 s22 f < f1-(v1,v2)
H1 : 12 > 22 dengan v1 = n1 – 1 f > f(v1,v2)
H1 : 12  22 v2 = n2 – 1 f < f1-/2(v1,v2) dan f > f/2(v1,v2)
catatan :
f1-(v1,v2)= 1 / f(v2,v1)
SOAL 3 :
Sebuah perusahaan farmasi ‘Zeneca’ menyatakan bahwa daya kerja obat tertentu hasil
produksinya berdistribusi normal dengan simpangan baku 0,9 menit. Jika sampel acak 10

obat jenis tersebut menghasilkan simpangan baku 1,2 menit, apakah menurut anda  > 0,9
menit ? (Gunakan  = 5%)
Jawab :
1. Ho :  = 0,81 menit
2
2. H1 :  > 0,81 menit

2
3.  = 0,05
4. Daerah kritis    ( 0, 05;9) atau  2  16,919
2 2
9(1,44)
5. s2 = 1,44 menit, n = 10   2   16
0,81
6. Keputusan : Terima Ho
Kesimpulan : simpangan baku daya kerja obat tersebut adalah 0,9 menit.
SOAL 4 :
Sebuah penelitian di perusahaan farmasi ‘Roche’ bermaksud membandingkan waktu yang
diperlukan oleh karyawan laki-laki dan wanita untuk membuat obat jenis tertentu dalam
jam. Pengalaman lalu menunjukkan distribusi waktu yang diperlukan karyawan tersebut
berdistribusi normal, tetapi varians bagi wanita lebih kecil daripada varians bagi laki-laki.
Suatu sampel acak 11 karyawan laki-laki dengan simpangan baku 6,1 jam, sedangkan 14
karyawan wanita dengan simpangan baku 5,3 jam. Ujilah hipotesis Ho : 1 =  2 lawan H1
2 2
: 1 >  2 , dengan 1 dan  2 masing-masing variansi populasi bagi laki-laki dan wanita ? (
2 2 2 2
Gunakan  = 1% )
Jawab :
37,21
s1 = 6,1, s 2 = 5,3  F   1,325
28,09
 = 0,01, n1 = 11, n2 = 14  F0,01(10,13)  4,10
karena F < F0, 01(10,13) , maka terima Ho
Kesimpulan :
Variansi sebenarnya waktu pembuatan obat jenis tertentu bagi karyawan laki-laki dan
wanita sama.

5.3. PENGUJIAN PROPORSI
Secara ringkas uji mengenai proporsi untuk sample besar disajikan dalam tabel berikut :
1. Ho : p = po
lawan x  npo
H1 : p < po z
npo qo z < -z
H1 : p > po z > z
pˆ  po x
H1 : p  po atau z , dengan pˆ  z < -z/2 dan z > z/2
po qo n
n
2. Ho : p1 = p2
lawan pˆ 1  pˆ 2
z
H1 : p1 < p2 pˆ qˆ[(1 n1 )  (1 / n2 )] z < -z
H1 : p1 > p2 z > z
dengan pˆ 1  x1 n1 , pˆ 2  x2 n2
H1 : p1  p2 z < -z/2 dan z > z/2
pˆ  ( x1  x2 ) (n1  n2 )
3. Ho:p1- p2= d0
lawan
H1:p1- p2< d0 ˆ1  p
p ˆ2 z < -z
H1:p1- p2> d0 z
ˆ1qˆ1
p ˆ qˆ
p z > z
H1:p1-p2  d0  2 2 z < -z/2 dan z > z/2
n1 n2
SOAL 5 :
Suatu obat penenang ketegangan syaraf diduga hanya 60% efektif. Seorang peneliti
bermaksud melakukan percobaan obat penenang jenis baru dengan memberikan kepada
100 orang dewasa penderita ketegangan syaraf yang dipilih secara acak, hasilnya
menunjukkan bahwa obat baru tersebut 70% efektif. Apakah ini merupakan bukti yang
cukup untuk menyimpulkan bahwa obat baru lebih baik daripada yang beredar sekarang ?
(Gunakan  = 5%)
Jawab :
1. Ho : p = 0,6
2. H1 : p > 0,6
3.  = 0,05
4. Daerah kritis : z > 1,645

5. Untuk x = 70 , n = 100, p0 = 0,6, dan q0 = 0,4, maka
x  n. p0 70  60
z   2,04
n. p0 .q0 (100)(0,6)(0,4)
6. Keputusan : Tolak Ho
Kesimpulan : Obat baru tersebut memang lebih manjur
SOAL-SOAL LATIHAN :
1. Sampel acak 100 kematian di negara A selama tahun lalu menunjukkan rata-rata usia
mereka 71,8 tahun. Andaikan simpangan baku populasinya 8,9 tahun, apakah hal ini
menunjukkan bahwa rata-rata usia dewasa ini lebih besar dari 70 tahun ? Gunakan taraf
nyata 5%.
2. Sampel acak 8 batang rokok merk tertentu mempunyai kadar nikotin rata-rata 4,2 mg
dengan simpangan baku 1,4 mg. Apakah ini sesuai dengan pernyataan pabriknya bahwa
rata-rata kadar nikotin tidak melebihi 3,5 mg ? Gunakan tarf nyata 5%.
3. Untuk menentukan apakah suatu serum baru akan memperlambat leukemia, 9 tikus
dipilih semuanya telah kena penyakit tersebut pada tahap lanjut. 5 tikus mendapat serum
tadi dan 4 tidak. Umur (dalam tahun) sejak permulaan sebagai berikut :
Perlakuan 2,1 5,3 1,4 4,6 0,9
Tanpa 1,9 0,5 2,8 3,1
Pada taraf nyata 0,05 dapatkah disimpulkan bahwa serum tadi menolong ? Anggap kedua
populasi berdistribusi normal dengan varians sama.
4. Seorang peneliti ingin mengetahui pengaruh obat siccinylcholine terhadap kadar

peredaran androgen dalam darah. Sampel darah dari rusa liar yang hidup bebas diambil
melalui urat nadi leher segera setelah suntikan siccinylcholine diberikan pada otot
menggunakan panah dan senapan penangkap. Rusa kemudian diambil lagi darahnya kira-
kira 30 menit setelah suntikan dan kemudian dilepaskan. Kadar androgen pada waktu
ditangkap dan 30 menit kemudian diukur dalam nanogram per ml (ng/ml) untuk 12 rusa
adalah sbb :
Rusa Waktu suntikan 30 mnt stlh suntikan
1 2,76 7,02
2 5,18 3,10
3 2,68 5,44
4 3,05 3,99
5 4,10 5,21
6 7,05 10,26
7 6,60 13,91
8 4,79 18,53
9 7,39 7,91
10 7,30 4,85
11 11,78 11,10
12 3,90 3,74

Anggap bahwa populasi androgen pada waktu suntikan dan 30 menit kemudian
berdistribusi normal. Uji pada taraf nyata 0,05, apakah konsentrasi androgen berubah
setelah ditunggu 30 menit ?
5. Perusahaan AA menyatakan bahwa kekuatan rentangan tali A melebihi rentangan tali B

sebesar sekurang-kurangnya 12 kg. Untuk menguji pernyataan ini, 50 tali dari masing-
masing jenis tersebut diuji dibawah kondisi yang sama. Hasil uji memperlihatkan tali A
mempunyai kekuatan rentangan rata-rata 86,7 kg dengan simpangan baku 6,28 kg,
sedangkan tali B mempunyai rata-rata 77,8 kg dengan simpangan baku 5,61 kg. Ujilah
pernyataan perusahaan tersebut dengan menggunakan taraf nyata 0,05.
6. Sebuah perusahaan aki mobil mengatakan bahwa umur aki mobil yang diproduksinya
mempunyai simpangan baku 0,9 tahun. Bila suatu sampel acak 10 aki mobil simpangan
baku 1,2 tahun, apakah menurut anda pernyataan perusahaan aki tersebut benar ?
Gunakan taraf nyata 0,05.
7. Seorang peneliti yakin bahwa alat pengukurnya mempunyai simpangan baku =2. Dalam
suatu eksperimen dia mencatat bahwa hasil pengukuran 4,1; 5,2 dan 10,2. Apakah data
ini tidak sesuai dengan asumsinya ? Lakukan pengujian hipotesis dengan menggunakan
taraf nyata 0,1.
8. Peneliti bermaksud membandingkan variabilitas dari 2 jenis alat uji yang dapat digunakan
untuk memonitor output dari proses produksi. Dia menduga bahwa peralatan lama
mempunyai varians yang lebih besar dibandingkan dengan alat baru. Dari sampel acak
yang diambil diperoleh :
alat lama alat baru
n1 = 12 n2 = 10
2
s1 = 14,5 s22 = 10,8
Lakukan pengujian hipotesis, dan anggap bahwa populasi hasil pengukuran berdistribusi
normal. Gunakan taraf nyata 0,05.
9. Seorang ahli genetika tertarik pada proporsi laki-laki dan perempuan, dalam suatu
populasi, yang menderita suatu kelainan darah. Dalam sampel acak 100 laki-laki, ternyata
ada 31 yang menderita, sedangkan di antara 100 perempuan hanya 24 yang menderita
kelainan tersebut. Dapatkan kita menyimpulkan pada taraf nyata 0,01 bahwa proporsi
laki-laki yang menderita kelainan darah dalam populasi itu lebih besar daripada proporsi
perempuan yang menderita ?
10. Pemungutan suara diambil dari suatu kota dan kabupaten disekitarnya untuk menentukan
apakah suatu rencana pembangunan pabrik kimia boleh diteruskan. Untuk menentukan
pakah ada perbedaan yang berarti antara proporsi penduduk kota dan kabupaten yang
mendukung rencana tersebut, suatu pol diadakan. Bila 120 dari 200 penduduk kota yang
setuju, dan 240 dari 500 penduduk kabupaten yang setuju, apakah anda sependapat
bahwa proporsi penduduk kota yang setuju lebih besar dari proporsi penduduk kabupaten
yang setuju ? Gunakan taraf nyata 0,025.
11. Dari soal no. 11, ujilah hipotesis bahwa selisih antara proporsi penduduk kota yang setuju
dengan proporsi penduduk kabupaten yang setuju tidak melebihi 3%. Gunakan taraf nyata
0,025.

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
14
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Pengujian Hipotesa . .....................................................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

PENGUJIAN HIPOTESIS
UJI HIPOTESIS
Pengantar
Menurut epistemology (ilmu asal-kata) hipotesis berasal dari kata hipo (hypo) dan tesis
(thesis). Hipo artinya belum dan thesis artinya dalil. Untuk menjadi dalil maka diperlukan
data-data untuk dilakukan uji kebenaran yang dapat mendukung suatu hipotesis menjadi
sebuah dalil.
Hipotesis secara umum mempunyai arti dugaan sementara. Pada prinsipnya uji statistik
menguji hipotesis. Hipotesis secara umum dikenal ada dua tipikal yaitu hipotesis nol dan
hipotesis alternative.
Ho = μ1≠ μ2
Ha = μ1= μ2
Yang masih menjadi pertanyaan adalah apabila setelah diuji kemudian ternyata yang
dihipotesiskan itu tidak benar, artinnya ditolak terus bagaimana?
Memang seperti ini hipotesis, dapat terbukti benar dapat juga tidak benar. Jangan
dipaksakan bahwa hipotesis harus benar. Untuk menguji hipotesis kuantitatif mengunakan
teori probabilitas dalam statistik. Hal ini terkait karena tidak dapat memastikan secara
sempurna tentang keadaan sampel, maka selalu ada peluang salah.
Hipotesis merupakan pernyataan yang positif bukannya negatif artinya statmen yang
dikeluarkan dalam hipotesis berupa hipotesis alternatif bukannya hipotesis nol.
Misal ”ada hubungan” ; ada perbedaan” : bukan statmen yang muncul ”tidak ada
perbedaan”; tidak ada hubungan”.
Tetapi hal yang konsep dalam pengujian hipotesis adalah menguji hipotesis nol bukan
hipotesis alternatif dimana jika hipotesis nol diterima maka secara otomatis hipotesis

alternatif tidak diterima tetapi jika hipotesis nol ditolak maka hipotesis alternatif yang
diterima.
Jenis hipotesis
A. Hipotesis deskriftif
Hipotesis ini mempunyai sifat menyatakan eksistensi, ukuran, atau distribusi dari kasus-
kasus.
Contoh
Rata-rata banyaknya anak dari keluarga-keluarga di provinsi Jawa Tengah adalah 4

orang.
B. Hipotesis Hubungan
Hipotesis ini mempunyai sifat assosiatif (hubungan) antara satu variabel dengan variabel
satunnya, dimana syarat yang diperlukan adalah ada 2 variabel yang terkait.
Contoh
Ada hubungan antara kepuasan kerja dengan produktivitas.
Contoh ini menhubungkan variabel kepuasan kerja dengan variabel produktivitas.

Hipotesis ini dapat dibuat dalam bentuk kalimat: ” jika kepuasan kerja tinggi, maka
produktivitas tinggi.
C. Hipotesis Sebab
Hipotesis ini mempunyai ciri satu variabel sebagai sebab sedangkan satu variabel
sebagai akibat.
Contoh
”Kepuasan kerja adalah penyebab produktivitas” atau ” produktivitas kerja berpengaruh

terhadap produktivitas”.
Pada contoh ini variabel kepuasan kerja sebagai sebab sedangkan produktivitas sebagai
akibat. Hal ini dimungkinkan variabel kepuasan kerja terjadi terlebih dahulu, baru
kemudian disusul oleh variabel produktivitas.
D. Hipotesis Perbandingan

Hipotesisi ini bertujuan melihat perbandingan antara satu variabel dengan variabel yang
lainnya.
Contoh
”Ada perbedaan wanita dan pria dalam memilih pasta gigi”
Pada contoh ini menunjukan ada perbedaan memilih pasta gigi antara wanita dan pria.
Daerah penolakan hipotesis
Daerah penolakan merupakan suatu daerah dalam distribusi sampling. Distribusi sampling
meliputi semua harga yang mungkin dimiliki oleh satatistik tes di bahwa Ho.
Untuk satu sisi
Daerah penerimaan
hipotesis nol
Daerah penerimaan hipotesis (Ho)
0 Penolakan Ha 1
Gambar daerah penolakan hipotesis untuk 1 sisi
Letak daerah penolakan hipotesis dipengaruhi oleh sifat hakikat H alternatif yang
menunjukan arah perbedaan yang diprediksikan, maka akan muncul suatu tes yang disebut
satu sisi (one tailed test). Jika hipotesis alternatif tidak menunjukan arah perbedaan yang
diprediksikan, maka digunakan tes dua sisi (two tailed test). Test satu sisi dan dua sisi
berbeda dalam letak penolakan hipotesis, tetapi tidak berbeda dalam besarnnya. Dalam tes
satu sisi daerah penolakan sepenuhnya ada di suatu ujung (sisi) distribusi sampling. Dalam
tes dua sisi daerah penolakan itu terdapat pada kedua ujung (sisi) distribusi samplingnya.

Penolakan Penolakan
hipotesis hipotesis
nol nol
Daerah penerimaan hipotesis (Ho)
0 1
Gambar daerah penolakan hipotesis untuk 2 sisi
Langkah-langkah dalam penentuan penerimaan dan penolakan hipotesis
1. Melakukan pernyataan mengenai hipotesis

Pada prinsipnya statistik menguji hipotesis nol. Hipotesis sering dinyatakan
Ho = μ1≠ μ2
Ha = μ1= μ2
2. Melakukan pengujian hipotesis

Pengujian hipotesis disesuaikan dengan pemilihan uji statistik yang akan digunakan
untuk pengujian hipotesis. Beberapa hal yang ikut berperan dalam penentuan uji statistik
antara lain:
a. Skala data yang dihasilkan dari pengumpulan data

b. Metode yang digunakan

c. Distribusi dan variansi data
d. Bentuk hipotesis
3. Menentukan tingkat signifikansi

Tingkat signifikansi yang umum digunakan untuk menentukan apakah hipotesis diterima
atau ditolak antara lain tingkat signifikansi 10%, 5%, dan 1%.
4. Menentukan daerah penolakan dan penerimaan hipotesis

Daerah penolakan/penerimaan hipotesis didasarkan pada signifikansi yang diinginkan.
Daerah penolakan dapat melalui satu sisi atau dua sisi tergantung dari arah hipotesis.
5. Membuat keputuhan hipotesis

Keputusan penerimaan dan penolakan hipotesis didasarkan dari perbandingan nilai
hitung uji yang digunakan dengan standart tabel (sesuai dengan uji yang digunakan)
atau dapat dilakukan dengan membandingkan taraf signifikansi yang diinginkan
berdasarkan nilai alfa (α).
Sebuah hipotesis adalah pernyataan tentang populasi yang kemudian akan dibuktikan oleh
data. Kalau dalam bidang hukum kita sering mendengar ada istilah praduga tak bersalah, di
mana seseorang dalam pengaduan sebagai tersangka akan diasumsikan tak bersalah sampai
hakim membuktikan ia bersalah. Dalam statistika kita juga menggunakan suatu penduga
terhadap populasi dan kemudian kita perlu membuktikan kebenarannya. Jadi hipotesis adalah
sebuah pernyataan tentang parameter populasi yang perlu dibuktikan kebenannya.
5.2. Pengujian Hipotesis
Dalam pengujian hipotesis, sebelum mengadakan pengujian hipotesis kita harus

memahami dahulu asumsi yang diperlukan dalam pengujian hipotesis. Asumsi ini penting
sebab dalam pengujian hipotesis, perbedaan asumsi akan membedakan alat uji yang
digunakan.
Contoh dalam hipotesis tentang mean adalah uji Z yang dihitung dengan rumus:
x
Z

n

Penggunaan rumus uji Z untuk menguji hipotesis mean di atas membutuhkan asumsi
bahwa deviasi standar populasi diketahui serta sampel harus berjumlah besar, sehingga jika
asumsi di atas tidak dipenuhi kita harus menggunakan alat uji yang lain berupa uji t.
Tahap-tahap dalam pengujian hipotesis

Dalam pengujian hipotesis tahap–tahap yang harus dilakukan adalah:
Tahap 1. Menentukan hipotesis null dan alternatif.

Dalam menentukan hipotesis null dan alternatif kita harus mengetahui tentang
hipotesis yang akan diuji. Hipotesis null adalah hipotesis yang akan diuji kebenarannya.
Sebagai contoh kita ingin menguji tentang rata-rata laba perusahaan di BEJ adalah sama
dengan 100 juta, maka hipotesis null-nya adalah Ho: μ=100 juta.
Tahap 2. Memilih tingkat signifikansi.
Dalam memilih tingkat signifikansi kita harus memperhatikan hasil penelitian
terdahulu terhadap penelitian sejenis. Masing-masing bidang ilmu mempunyai standar yang
berbeda dalam menentukan tingkat signifikansi. Ilmu sosial biasanya menggunakan tingkat
signifikansi antara 90% ( 10%) sampai 95% ( 5%), sedangkan ilmu-ilmu eksakta biasanya
menggunakan tingkat signifikansi antara 98% ( 2%) sampai 99% ( 1%).
Tahap 3. Mengidentifkasi uji statistik.
Setelah menentukan tingkat signifikansi langkah selanjutnya adalah menentukan uji
statistik yang akan digunakan. Hal ini karena masing-masing uji statistik memerlukan asumsi
yang berbeda dalam penerapannya.
Tahap 4. Membuat aturan keputusan

Aturan keputusan adalah sebuah pernyataan tentang kondisi di mana hipotesis ditolak
atau kondisi hipotesis tidak ditolak. Area penolakan menjelaskan lokasi dari semua nilai yang
sangat besar atau sangat kecil sehingga probabilitas kita di bawah sebuah hipotesis null yang
benar agar jauh. Berikut adalah gambaran daerah penolakan untuk uji signifikansi
Gambar 5.1.
Daerah Penolakan dan Penerimaan H0
Jangan Tolak Ho Tolak Ho
1,65 1,98
0,05 probabilitas

Titik Kritis
Titik kritis adalah titik yang membagi daerah di mana hipotesis null di terima atau
hipotesis null di tolak.
Tahap 5. Pengambilan Keputusan
Tahap terakhir adalah pengambilan keputusan untuk menolak atau tidak menolak
hipotesis null. Berdasarkan Gambar 5.1 apabila Z hitung ditemukan sebesar 1,98 maka
hipotesis null ditolak pada level kepercayaan 95%. Ho ditolak karena Z hitung berada pada
daerah penolakan H0 yaitu disebelah kanan nilai Z sebesar 1,65.
5.3. Uji satu arah atau uji 2 arah
Pada Gambar 5.1 tersebut terlihat bahwa kita menggunakan uji satu arah, karena area
penolakan hanya di sebelah kanan arah dari kurva. Pengujian satu arah atau dua arah akan
sangat ditentukan oleh hipotesis yang akan kita uji. Pada contoh uji tentang mean yang
menyatakan bahwa Ho: µ  3,02, yang dibaca bahwa rata-rata populasi adalah sama dengan
atau kurang dari 3,02, sehingga hipotesis alternatifnya adalah Ha: µ > 3,02. Uji ini adalah uji
satu arah sehingga apabila kita gambarkan dalam bentuk grafik adalah seperti Gambar 5.2.
Gambar 5.2.
Grafik Pengujian Satu Arah
Terima Ho Tolak Ho
1,65
Apabila kita ingin menguji suatu hipotesis yang menyatakan bahwa rata-rata keluarga
memiliki anak kurang dari 4 orang maka bentuk uji hipotesisnya adalah sebagai berikut:
Ho: µ  4
Ho: µ < 4

Pada hipotesis di atas dalam pengujiannya menggunakan uji satu arah di mana aturan
pengambilan keputusannya bisa kita gambarkan sebagai berikut:
Gambar 5.3.
Grafik Pengujian Satu Arah
Tolak Ho
Terima Ho
-1,65
Uji satu arah digunakan jika dalam pernyataan hipotesis ada tanda lebih besar atau
lebih kecil (>/<).
Apabila dalam pernyataan hipotesis tidak ada petunjuk lebih besar atau lebih kecil
maka uji dua arah digunakan. Sebagai contoh adalah apabila kita ingin menguji suatu
hipotesis yang menyatakan bahwa tidak ada perbedaan antara rata-rata pendapatan daerah A
dengan daerah B, maka hipotesis yang kita gunakan rumus sebagai berikut:
Ho: µA = µB
Ho: µA  µB
Untuk menguji hipotesis di atas maka uji yang digunakan adalah uji dua arah, sehingga
kurva uji adalah seperti pada Gambar 5.4.
Gambar 5.4.

Grafik Pengujian Dua Arah
Jangan Tolak Ho Tolak Ho

95%
-1,96 1,96
Dalam uji hipotesis tentang rata-rata populasi dengan sampel besar, deviasi standar
populasi harus diketahui.
Pada uji ini kita ingin mengetahui tentang apakah rata-rata populasi semua dengan
nilai tertentu. Sebagai contoh adalah rata-rata return on equity perusahaan publik di Indonesia
adalah 0,46 dengan jumlah populasi adalah 700 dan deviasi standart adalah 0,05 maka nilai Z
hitung bisa dicari dengan rumus :
x
Z=

n
Dimana:
μ adalah rata-rata populasi; n adalah jumlah sampel
x adalah rata-rata sampel; σ adalah deviasi standar populasi
Apabila diambil sampel sebanyak 30 perusahaan ditemukan bahwa x = 0,47 maka

hipotesisnya adalah:
Ho: µA = 0,46
Ho: µA  0,46.
x
Maka nilai Z=

n
0,47  0,46
=
0,05 / 30

0,01
=
0,00913
= 1,095
Apabila dengan tingkat kepercayaan 95% maka nilai kritis Z dengan uji 2 arah,
setengah dari  0,05 adalah 0,025, sehingga luas kurva adalah 0,475 dengan mencari pada
nilai tabel Z didapatkan nilai Z tabel +1,96 sehingga bentuk kurvanya adalah:
Gambar 5.5.
Titik Kritis Pengujian Dua Arah
x 0,05
  0,025
Z 2
0,475 0,475
-1,96 0 1,96
Nilai Z hitung tersebut akan terletak pada daerah penerimaan Ho. Dari sini kita bisa
menyimpulkan bahwa kita tidak membuktikan bahwa Ho benar tetapi kita telah gagal untuk
menyangkal Ho, yang berarti kesimpulannya rata-rata return on investment perusahaan di
Indonesia adalah 0,46.
Apabila kita ingin menguji satu arah maka nilai Z hitung akan berubah menjadi 0,5 –
0,05 = 0,45 sehingga titik kritisnya adalah 1,65. Dalam bentuk kurva nilai pengujian satu arah
adalah sebagai berikut:
Gambar 5.6

Titik Kritis Pengujian Satu Arah
1,65
Dengan menggunakan uji satu arah bisa dilihat bahwa nilai Z hitung tetap berada pada daerah
penolakan H0 sehingga kita bisa menyimpulkan bahwa rata-rata return on investment
perusahaan di Indonesia adalah 0,46.
5.4. Nilai P dalam Uji Hipotesis
Dalam aplikasi software statistik biasanya akan tercantum nilai P yang merupakan
nilai kekuatan penolakan. Dengan nilai P kita bisa membandingkan dengan tingkat signifikansi
atau alpha di mana jika nilai P lebih kecil dari nilai tingkat signifikansi atau alpha maka
menolak Ho, namun jika nilai P lebih besar dari tingkat signifikansi atau alpha maka menerima
Ho.
Nilai P adalah probabilitas sampel observasi mempunyai perbedaan yang besar dari
nilai observasi di mana hipotesis null benar. Nilai P yang sangat kecil menunjukkan bahwa
kecil kemungkinan Ho benar, sebaliknya jika P-value besar maka kecil kemungkinan bahwa
Ho salah.
Untuk mendapatkan nilai P kita mengurangi luas area ½ kurva dengan luas area z dari
z hitung. Pada contoh rata-rata pendapatan uji hipotesis tentang return on investment dengan
dua arah diatas, diperoleh luas area z hitung = 0,3621. Dengan 0,5 – 0,3621 = 0,1375. Dikali
dua untuk uji dua arah = 0,275. Karena nilai P sebesar 0,275 lebih besar dari pada 0,05 maka
kita tidak menolak Ho.
Dalam aplikasi software yang lain mungkin bukan nilai P sebagai indikator penerimaan
atau penolakan hipotesis,tetapi menggunakan nilai Signifikansi. Contoh yang ada adalah pada
aplikasi software SPSS, keputusan penerimaan atau penolakan hipotesis bisa dengan melihat
nilai Sig(Significant). Jika nilai Sig lebih kecil dari alpha maka kita bisa menyimpulkan untuk
menolak H0, sebaliknya jika nilai Sig lebih besar dari alpha maka kesimpulan yang dibuat
adalah kita menerima H0. Penerimaan dan penolakan H0 terlihat seperti Gambar 5.7

Gambar 5.7
Daerah Penerimaan & Penolakan H0
0,3621
luas area = 0,275
-1,96 -1,095 1,095 1,96
Apabila dalam uji hipotesis di atas  tidak diketahui, maka kita menggunakan deviasi
standar sampel sebagai penggantinya, sehingga z hitung adalah
x
Z=
s
n
di mana:
μ = adalah rata-rata populasi s = adalah deviasi standar sampel
x = adalah rata-rata sampel n =adalah jumlah sampel
5.5. Uji Hipotesis Dua Mean
Pada bagian ini kita akan membahas mengenai uji hipotesis untuk perbandingan dua
mean. Untuk menguji perbedaan dua mean digunakan rumus uji sebagai berikut:
x1  x 2
Z=
2 2
s1 s
 2
n1 n2
di mana:
x1 adalah rata-rata sampel pertama;
x2 adalah rata-rata sampel kedua;

s12 adalah varians sampel pertama;
s 22 adalah varians sampel kedua;
n1 adalah jumlah sampel pertama;
n2 adalah jumlah sampel kedua.
Contoh
Kita ingin membandingkan rata-rata kandungan lemak pada produk susu yang
diharuskan minimum sebesar 5 gram per sachet. Suatu survei untuk membandingkan
kandungan lemak susu antara dua perusahaan dengan memilih sampel sebanyak 100 sachet
produk A dan 100 sachet produk B. Berdasarkan hasil survei ditemukan rata-rata kandungan
lemak produk A adalah 5,12 kg sedangkan produk B adalah 5,13 kg dengan deviasi standar
produk A adalah 0,05 dan produk B adalah 0,06. Ujilah apakah kandungan lemak susu per
sachet kedua produk tersebut sama atau berbeda.
Jawab
Untuk menjawab pertanyaan tersebut kita menggunakan uji Z tentang perbedaan mean
atau rata-rata. Langkah-langkah pengujiannya adalah sebagai berikut:
1. Menyatakan hipotesis null dan hipotesis alternatif. Hipotesis null dan alternatifnya
dinyatakan sebagai berikut:
Ho: µA = µB
Ho: µA  µB
2. Menentukan level signifikansi. Untuk level signifikansi dipilih tingkat kepercayaan 95%.
3. Menentukan uji statistik yang digunakan. Untuk menguji hipotesis tersebut kita menghitung
nilai Z
x1  x 2
Z=
2 2
s1 s
 2
n n
5,12  5,13
=
0,052  0,062
100 100

 0,01
=
0,0025  0,0036
100 100
 0,01
=
0,0078
= 1,28
4. Memformulasi Keputusan.
Dengan memilih level signifikansi 95% uji dua arah kita mendapatkan nilai Z tabel sebesar
1,96. Dengan membandingkan nilai z hitung dengan z tabel di mana z hitung lebih kecil dari pada Z
tabel maka dapat kita simpulkan bahwa z hitung terletak pada daerah penerimaan H0, sehingga
bisa disimpulkan bahwa rata-rata kandungan susu kedua produk adalah sama.
Selengkapnya dapat kita gambarkan dalam Gambar 5.8 sebagai berikut:
Gambar 5.8
Nilai P Dalam Pengujian Hipotesis
nilai p
peneriman Ho
penolakan Ho
-1,96 1,28 1,96
Kita juga bisa menghitung nilai P untuk mengambil keputusan. Pada contoh
tersebut terlihat bahwa luas area 1,28 adalah 0,3849. Jadi luas area di sebelah kanan 1,2
adalah 0,5 – 0,3849 = 0,1003. Dengan uji dua arah maka nilai P adalah 2 x 0,1151 =
0,20026 Karena nilai P lebih besar dari 0,05 maka kita tidak menolak Ho.
5.6. Uji Proporsi satu variabel.
Pada pembahasan sebelumnya kita membahas mengenai pengujian terhadap data

yang berbentuk interval atau rasio. Pada bagian ini kita akan membahas tentang proporsi.
Proporsi adalah suatu pecahan, rasio atau persentase yang menunjukkan suatu bagian
populasi atau sampel yang mempunyai sifat luas. Sebagai contoh adalah suatu survei tentang

tingkat pendidikan konsumen dengan mengambil sampel 70 orang, 30 orang dinyatakan
berpendidikan SMU. Jadi sampel proporsi yang berpendidikan SMU adalah 30/70 = 42,86 %.
Jadi seumpama P merupakan proporsi untuk sampel, proporsi sampel (P)adalah :
Jumlah karakteristik tertentu dalam sampel

P=
jumlah sampel
Dalam menguji proporsi sampel populasi ada beberapa asumsi yang perlu dipenuhi yaitu:
1. Data sampel yang diperoleh dengan perhitungan

2. Hasil dari percobaan diklasifikasikan dalam 2 kategori yang mutually exclusif yaitu
sukses atau gagal;
3. Probabilitas untuk sukses pada tiap perlakuan adalah sama;
4. Tiap-tiap perlakuan adalah independen.
Selain asumsi di atas, uji hipotesis tentang proporsi bisa dilakukan jika n. dan n. (1-µ) kedua-
duanya paling sedikit berjumlah 5. Rumus untuk uji hipotesis proporsi satu variabel adalah
sebagai berikut:
P 
Z
p
dimana:
p : proporsi sampel;
 : proporsi populasi;
n : jumlah sampel;
  1   
p : adalah proporsi populasi yang dicari dengan rumus:  p = ;
n
p 
sehingga rumus di atas menjadi Z 
 1   
n
Contoh
Suatu survei tentang merek kacang garing yang dibeli oleh konsumen menyatakan
bahwa proporsi kacang garing merek A dikonsumsi 60% konsumen yang menjadi responden.
Dengan menggunakan uji hipotesis proporsi, nilailah peluang bahwa kacang merek A dipilih

oleh para konsumen jika dari hasil penelitian selanjutnya yang dilakukan terhadap 1000 orang,
sebanyak 500 orang menyatakan memilih merek A, ujilah apakah perbedaan hasil penelitian
tersebut sesuai dengan survei sebelumnya?
Jawab
Untuk menguji hipotesis di atas kita menggunakan uji proporsi dengan tahap-tahap
sebagai berikut:
1. Menentukan hipotesis null dan hipotesis alternatif.

Ho :   0,6
H1 :  < 0,6
2. Menentukan tingkat kepercayaan. Untuk tingkat kepercayaan dipilih 95%.

3. Menetukan uji statistiknya. Uji statistiknya adalah:
P 
Z
p
4. Menentukan titik kritis penolakan atau penerimaan hipotesis. Dari level kepercayaan
95 % kita dapat melihat bahwa nilai Z adalah 0,5 – 0,05 = 0,45. Nilai Z kita cari pada
tabel Z dengan uji satu arah didapat nilai Z adalah 1,65. Aturan keputusan dapat kita
gambarkan sebagai berikut.
Gambar 5.11.
Grafik pengujian hipotesis dengan taraf kepercayaan 95%

Ho tidak
ditolak
tolak
-1,65
5. Untuk menentukan apakah kita menolak H0 atau tidak menolak H0 kita menghitung
nilai Z hitung
p 
Z
 1   
n
580
 0,6
 1000
0,61  0,6 
1000
0,58  0,6

0,00024
 0,02

0,01549
 1,29
Dari hasil penghitungan tersebut terlihat bahwa nilai z hitung sebesar -1,29 terletak pada
daerah penerimaan H0. Dengan demikian perbedaan sebesar 2 % dari penjualan yang
menyatakan bahwa pangsa pasar kadang merek A adalah 60 % adalah hasil dari variasi
fungsinya, dalam arti pangsa pasar kacang garing merek A adalah 60%. Kita bisa juga
menghitung nilai p dengan cara mencari luas area nilai Z yang sebesar -1,29 yaitu sebesar
0,04015. Sehingga nilai p adalah 0,05 – 0,4015 = 0,09. Karena nilai p lebih besar dari pada
level kepercayaan 95% (α = 5%) maka kita tidak menolak H0.
5.7. Uji hipotesis perbedaan proporsi dua populasi
Dalam dunia bisnis banyak kedudukan dengan dua variasi suatu populasi misalnya
adalah apakah ada perbedaan antara populasi perempuan usia muda yang menyukai parfum
merek A dengan perempuan usia setengah baya yang menyukai parfum merek A. untuk
menguji hal tersebut kita perlu menguji perbedaan antara populasi tersebut. Rumus uji
statistik untuk menguji proporsi dua populasi adalah sebagai berikut:

P1  P2
Z
Pc (1  Pc ) Pc  (1  Pc )

n1 n2
di mana
P1 : proporsi populasi pembaca laki-laki
P2 : proporsi populasi pembaca perempuan
N1 : jumlah sampel laki-laki
N2 : jumlah sampel perempuan
P1 : rata-rata tertimbang dari dua proporsi sampel yang dihitung dengan
jumlah sukses x1  x2
Pi  :
jumlah sampel n1  n2
di mana:
x1 : jumlah poporsi sampel jenis 1
x2 : jumlah poporsi sampel jenis 2
n1 : jumlah sampel jenis 1
n2 : jumlah sampel jenis 2
Contoh
Suatu survei tentang majalah mengungkapkan bahwa majalah “Ekonomia” dibaca oleh
pembaca 45% dari seluruh pembaca laki-laki, dan 46% pembaca perempuan dari seluruh
pembaca perempuan. Manajer pemasaran majalah ingin membuktikan kebenaran survei
tersebut dengan mengadakan penelitian terhadap pembaca di suatu kota. Jumlah responden
laki-laki dipilih 150 orang dan yang membaca majalah sebanyak 69 orang mengaku
membaca majalah “Ekonomia”, sedangkan dari 200 orang responden perempuan yang
membaca majalah “Ekonomia” adalah 95 orang. Dengan menggunakan uji hipotesis proporsi
ujilah apakah proporsi pembaca majalah tersebut sama?
Jawab:

Untuk menjawab hal tersebut kita menggunakan tahap-tahap sebagai berikut:
1. Tahap 1. Menyatakan hipotesis null dan alternatif

H0 : P1 = P2 : 1= 2
H1 : P1  P2 : 1  2
2. Memilih tingkat signifikansi. Level yang dipilih adalah 95%.

3. Menghitung uji statistik. Karena sampel yang digunakan cukup besar maka uji statistik
yang digunakan adalah uji Z di mana distribusi mendekati standar normal.
P1  P2
Z
Pc (1  Pc ) Pc  (1  Pc )

n1 n2
di mana
P1 : proporsi populasi pembaca laki-laki
P2 : proporsi populasi pembaca perempuan
n1 : jumlah sampel laki-laki
n2 : jumlah sampel perempuan
Pc : rata-rata tertimbang dari dua proporsi sampel yang dihitung dengan
jumlah sukses x1  x2
Pc  :
jumlah sampel n1  n2
di mana:
x1 : jumlah sampel laki-laki yang membaca majalah ekonomi
x2 : jumlah sampel perempuan yang membaca majalah ekonomi
4. Membuat aturan keputusan

Karena dari hipotesis tersebut tidak menyatakan suatu petunjuk seperti lebih besar atau lebih
kecil, maka kita menggunakan uji dua arah. Titik kritis dengan level kepercayaan 95%
adalah 1,96, sehingga jika nilai Z hitung berada pada 1,96 kita tidak menolak
hipotesis null.
Gambar 5.12
Daerah Penerimaan & Penolakan H0

Ho tidak
ditolak
luas area = 0,275
-1,96 1,96
95%
5. Pengambilan keputusan
69
X1 : 69 p1 :
150
= 0,46
N1 : 150
95
X2 : 95 P2 :
200
N2 : 200 = 0,475
X1  X 2
Pc=
n1  n2
69  95
=
150  200
= 0,47
Jadi
x1  x2
Z
Pc (1  Pc ) Pc (1  Pc )

n1 n2

0,46  0,475

0,47(1  0,47) 0,47(1  0,47)

150 200
 0,015

0,249 0,249

150 200
 0,015

0,00166  0,001245
 0,015

0,0029
Z  0,278
Berdasar hasil penghitungan nilai z hitung terlihat bahwa nilai z hitung berada pada daerah
penerimaan H0 sehingga kita dapat membuat keputusan untuk menerima hipotesis
null.
5.8. Uji Hipotesis Sampel kecil
Pada Bab sebelumnya kita telah mempelajari tentang uji hipotesis sampel bisa dengan
menggunakan uji Z. Dalam menggunakan uji Z ada syarat yang harus kita penuhi; yaitu
deviasi standar populasi dikatakan atau mempunyai sampel yang besar (730) dalam
kondisi umum. Pengetahuan tentang deviasi standar populasi adalah uji student’s t atau
distibusi t. dalam mengunakan uji t kita tetap menggunakan asumsi bahan populasi
konstruksi secara normal.
Karakteristik uji t

Uji t dibangun oleh William S. Goossett dari Irlandia yang dipublikasikan pada tahun 1982.
Distribusi ini berasal dari kekhawatirannya terhadap penggunaan s sebagai penduga 
akan menimbulkan ketidakcocokan ketika dihitung dengan sampel yang sangat kecil.
Bentuk distribusi t lebih menyebar daripada distribusi Z sebagaimana pada Gambar 5.14
Gambar 5.14
Distribusi T dan Distribusi Z
Distribusi Z
Distribusi t
Sebagaimana distribusi Z yang didasarkan ada asumsi bahwa populasi terdistribusi secara
normal, distribusi t juga didasarkan pada asumsi bahwa populasi terdistribusi secara
normal, dimana distribusi t mempunyai karakteristik sebagai berikut:
1. Merupakan distribusi kontinyu dan berbentuk lonceng simetris

2. Tidak ada satu distribusi t tetapi merupakan keluarga distribusi t, dan semua distribusi
t mempunyai rata-rata null, akan tetapi deviasi standar akan berbeda sesuai dengan
ukuran sampel.
3. Distribusi t lebih menyebar dan lebih mendatar daripada distribusi normal standar.
Semakin besar ukuran sampel, distribusi t akan semakin mendekati distribusi normal.
Karena distribusi t lebih menyebar daripada distribusi Z maka titik kritis distribusi t juga
semakin besar. Sebagai contoh perbandingan adalah distribusi Z dengan level signifikansi
95% dan distribusi t pada jumlah sampel 8 dengan level signifikansi 95% yang
digambarkan pada Gambar 5.15 dan Gambar 5.16. sebagaimana pada Gambar 8.2 titik
kritis distribusi Z adalah 1,65 sedangkan distribusi t adalah 1,95.
Gambar 5.15
Titik Kritis Distribusi Z

-1,65 1,65
Titik Kritis Distribusi t
1,95
Apabila kita lihat pada tabel distribusi Z dengan level signifikansi 95% bila jumlah n tidak
terbatas maka titik kritis distribusi t melewati titik kritis distribusi Z yaitu 1,65.
5.9. Uji rata-rata populasi
Sebagaimana kita ingin menguji hipotesis rata-rata populasi, tetapi apabila jumlah
sampel yang terdiri dari 30 dan deviasi standar populasi tidak diketahui, dengan asumsi
populasi mendekati normal, kita menggunakan uji yang berbeda dari uji Z. Untuk menguji
hipotesis ini kita menggunakan uji t sebagai uji statistik.
Rumus uji rata-rata populasi adalah :

x  0
t
s/ n
di mana:

x adalah rata-rata sampel;
µ0 adalah rata-rata populasi;
s adalah deviasi standar sampel;
n adalah jumlah sampel.
Contoh
Suatu perusahaan armada truk ingin membeli truk baru. Mereka akan membeli truk
tersebut jika konsumsi solar per liter bisa lebih dari 15 km per liter. Dengan menggunakan
n = 15, ditemukan bahwa rata-rata jarak tempuh per liter adalah 16 km dengan deviasi
standar 1,73 km. Dengan uji statistik ujilah apakah truk tersebut mempunyai jarak tempuh
per liter rata-rata lebih kecil sama dengan 15 atau lebih.
Jawab
1. Menyatakan hipotesis H0 :   15
H1 :  > 15
2. Menggunakan uji statistik. Uji statistik yang digunakan adalah uji t


x  0
t
s/ n
16  15

1,73 / 15
1

0,445
 2,24
3. Menentukan signifikansi. Tingkat signifikansi yang digunakan adalah 95%

4. Menentukan keputusan

Berdasar tingkat signifikansi 95 % dengan n = 15 maka nilai t berdasarkan tabel t
adalah 1,76. Dengan demikian kita menolak hipotesis null, karena nilai t hitung
terletak pada daerah tolak H0 sebagaimana Gambar 5.16.
Gambar 5.16
Titik Kritis Uji t
Tolak H0
1,76 2,24
Kita juga bisa menentukan keputusan dengan menggunakan nilai P pada hasil print out
komputer.
Dari tabel t dengan n = 4 (n – 1) terlihat nilai 2,236. Pada tabel tersebut nilai 2,236
terletak pada tingkat signifikansi 0,005 sampai 0,01. karena level signifikansi t hitung
lebih kecil dari 0,05 maka kita menolak hipotesis null.
5.10. Uji hipotesis sampel berpasangan
Sebagai contoh, dalam bidang akuntansi jika kita ingin menguji apakah ada perbedaan
yang signifikan antara laporan keuangan yang disusun dengan metode konvensional dan yang
disusun dengan metode berindeks harga. Untuk itu kita harus menguji distribusi perbedaan
antara kedua populasi tersebut. Kita menggunakan tanda µd yang menunjukkan bahwa rata-
rata populasi dari distribusi perbedaan. Uji yang kita gunakan adalah uji t dengan rumus
sebagai berikut:
d
t
sd
n
dimana

d adalah rata-rata perbedaan pasangan sampel (X1i- X2i)
Sd adalah standar deviasi perbedaan pasangan sampel yang dicari dengan rumus:
Sd =
 d   d / n
2
n 1
n adalah jumlah pasangan sampel
Contoh
Suatu penelitian tentang pengaruh penggunaan indeks harga dalam laporan keuangan
ingin menguji apakah ada perbedaan yang signifikan antara rasio return on asset (ROA)
laporan keuangan konvensional dengan ROA laporan keuangan indeks harga. Data ROA
dihitung dari laporan keuangan. Berdasarkan analisis ROA laporan keuangan konvensional dan
analisis ROA laporan keuangan berindeks harga didapat data sebagai berikut :
Tabel 5.5
ROA Konvensional & ROA Lap. Keu. Berindeks Harga
sampel ROA konvesional ROA laporan keuangan

1 0,46 0,49
berideks harga
2 0,32 0,33
3 0,54 0,57
4 0,34 0,33
5 0,41 0,45
6 0,36 0,38
7 0,27 0,28
8 0,26 0,27
9 0,47 0,46
10 0,65 0,68
Dengan menggunakan level signifikasi 95% ujilah apakah ada perbedaan rata-rata antara ROA
konvensional dengan ROA laporan keuangan berindeks harga.
Jawab

Untuk menguji kita gunakan uji t dengan hipotesis sebagai berikut:
Ho: µd = 0
Ho: µd  0
Menghitung nilai t tabel yang diketahui sebagai berikut:
Tabel 5.6. Rata-rata ROA Laporan Keuangan
Sampel ROA ROA lap. keu berideks harga Perbedaan Kuadrat

konvesional Perbedaan
1 0,46 0,49 -0,03 0,0009
2 0,32 0,33 -0,01 0,0001
3 0,54 0,57 -0,03 0,0009
4 0,34 0,33 0,01 0,0001
5 0,41 0,45 -0,04 0,0016
6 0,36 0,38 -0,02 0,0004
7 0,27 0,28 -0,01 0,0001
8 0,26 0,27 -0,01 0,0001
9 0,47 0,46 0,01 0,0001
10 0,65 0,68 -0,03 0,0009

Jumlah 4,08 4,24 -0,16 0,0052
Rata-rata 0,408 0,424 -0,016
 0,16
d=
10
= -0,016
d   d  / n
2 2
Sd =
n 1
(0,16) 2
0,0052 
= 10
9
0,00264
=
9
= 0,017127
d  0,016  0,016
t= = =
sd 0,017 0,00567
n 9
= -2,82
Berdasarkan hasil perhitungan tersebut terlihat bahwa nilai t hitung terletak pada daerah
penerimaan Ha dengan demikian kita menolak Ho, yang berarti rata-rata ROA laporan
keuangan konvensional dan laporan keuangan berindeks harga adalah berbeda. Kita bisa juga
menggunakan nilai p untuk menguji hipotesis, dengan melihat pada tabel t di df =9 kita bisa
menemukan bahwa nilai t berada pada level signifikansi dibawah 0,05 sehingga kita menolak
Ho.

MODUL PERKULIAHAN
Statistika
dan
Probabilitas
Modul Standar untuk
15
Abstract Kompetensi
KATA PENGANTAR
KATA PENGANTAR
Penulis modul,

DAFTAR ISI
Pengujian Non Parametrik ............................................................

Rangkuman. ..................................................................................
Soal-penyelesaian
Soal-soal latihan

PENGUJIAN NON PARAMETRIK
Kelebihan Uji Non Parametrik:
- Perhitungan sederhana dan cepat
- Data dapat berupa data kualitatif (Nominal atau Ordinal)
- Distribusi data tidak harus Normal
Kelemahan Uji Non Parametrik:
- Tidak memanfaatkan semua informasi dari sampel (Tidak efisien)
Beberapa Uji Non Parametrik yang akan dipelajari :
- Uji tanda berpasangan
- Uji Peringkat 2 Sampel Mann-Whitney
- Uji Peringkat 2 Sampel Wilcoxon
- Uji Korelasi Peringkat Spearman
- Uji Konkordansi Kendal (bacalah di Diktat Statistika2 Univ Gunadarma)
- Uji Run(s) (bacalah di Diktat Statistika2 Univ Gunadarma)
2. UJI TANDA BERPASANGAN
Uji dilakukan pada 2 sampel terpisah (independen)
• tanda (+)  data pada suatu sampel > pasangannya dalam sampel yang lain
• tanda (–)  data pada suatu sampel < pasangannya dalam sampel yang lain
• tanda Nol (0)  data pada suatu sampel = pasangannya dalam sampel yang lain
Tanda Nol tidak digunakan dalam perhitungan
Notasi yang digunakan :

n = banyak tanda (+) dan tanda (–) dalam sampel
p = proporsi SUKSES dalam sampel
q =1–p
p0 = proporsi SUKSES dalam H0
q 0 = 1 – p0
p0  q0
Standar Error = Galat Baku = p 
n
Rata-Rata Sampel = p  p0
p  p
Statistik Uji zhitung 
p
p  p0
zhitung 
p0  q0
n
SUKSES tergantung dari apa yang ditanyakan (ingin diuji) dalam soal.
Jika yang ingin diuji A > B maka SUKSES adalah banyak tanda (+)
Jika yang ingin diuji A < B maka SUKSES adalah banyak tanda (–)
Nilai p 0 disesuaikan dengan nilai pengujian p 0 yang diinginkan dalam soal
atau jika ingin diuji A = B maka p 0 = q 0 = 0.50
Contoh 1a:
Berikut adalah nilai preferensi konsumen terhadap 2 Merk Sabun Mandi. Dengan taraf nyata 1%,
ujilah apakah proporsi preferensi konsumen pada kedua merk bernilai sama?

Tabel 1. Preferensi sabun LUXE Vs GIVE
No. LUXE GIVE Tanda

Responden
1. 4 2 +
2. 2 3 –
3. 3 3 0
4. 2 3 –
5. 3 2 +
6. 1 2 –
7. 2 3 –
8. 3 4 –
9. 3 2 +
10. 2 1 +
11. 4 1 +
12. 1 1 0
13. 4 2 +
14. 3 2 +
15. 4 3 +
Banyak tanda (+) = 8 Banyak tanda (–) = 5
n = 8 + 5 = 13
Jika kita asumsikan LUXE lebih disukai dibanding GIVE maka SUKSES dalam sampel adalah p =
proporsi banyak tanda (+) dalam sampel
banyak positif 8
p=   0.62
n 13
q = 1 – p = 1 - 0.62 = 0.38

Karena ingin diuji proporsi yang suka LUXE = GIVE maka p 0 = q 0 = 0.50

Langkah Pengujian:
1. H0 : p0 = 0.50 H1 : p0  0.50
2. Statistik Uji : z
3. Uji: 2 Arah
4. Taraf Nyata Pengujian =  = 1%  /2 = 0.5% = 0.005
5. Daerah Penolakan H0
z <  z0.005  z < -2.575 dan z > z0.005  z > 2.575
Daerah penolakan H0 Daerah penolakan H0
 
-2.575 0 2.575
6. Nilai statistik Uji :
p  p0 0.62  0.50 012

. 012
. 012
.
zhitung      = 0.8653...
p0  q0 0.50  0.50 0.25 0.0192... 013867
. ...
n 13 13
 0.87
7. Kesimpulan:
z hitung = 0.87 ada di daerah penerimaan H0 H0 diterima
Proporsi konsumen yang menyukai LUXE masih sama dengan yang menyukai

GIVE.
Contoh 1b:
Dengan menggunakan data pada Tabel 1 dan taraf nyata 1% ujilah apakah proporsi preferensi
konsumen pada sabun LUXE dibanding sabun GIVE sudah lebih dari 0.30?
p0 = 0.30
p0 = 1 - 0.30 = 0.70
1. H0 : p0 = 0.30 H1 : p0 > 0.30
3. Uji 1 Arah
4. Taraf Nyata Pengujian =  = 1% = 0.01

z > z0.01  z > 2.33
Daerah penolakan H0

0 2.33
p  p0 0.62  0.30 0.32 0.32 0.32

zhitung       2.5177...
p0  q 0 0.30  0.70 0.21 0.0161... 01270
. ....
n 13 13
 2.52
7. Kesimpulan:
z hitung = 2.52 ada di daerah penolakan H0 ,
H0 ditolak H1 diterima
Proporsi konsumen yang menyukai LUXE sudah lebih dari 0.30
3. UJI PERINGKAT 2 SAMPEL MANN - WHITNEY
Uji ini merupakan alternatif uji beda 2 rata-rata Parametrik dengan menggunakan t (Sampel-sampel
berukuran kecil).

Langkah pertama pengujian ini adalah pengurutan nilai mulai dari yang terkecil hingga terbesar.
Pengurutan dilakukan tanpa pemisahan kedua sampel.
Selanjutnya lakukan penetapan Rank (Peringkat) dengan aturan berikut:
Peringkat ke -1 diberikan pada nilai terkecil di urutan pertama
Peringkat tertinggi diberikan pada nilai terbesar
Jika tidak ada nilai yang sama maka urutan = peringkat
Jika ada nilai yang sama, maka ranking dihitung dengan rumus
Peringkat (R) =
 urutan data yg bernilai sama
banyak data yg bernilai sama

Contoh 2a: Berikan peringkat (ranking) data dalam tabel berikut ini!
Tabel 2. Nilai UAS Statistika 2
Mahasiswa Fak. Ekonomi Mahasiswa Fak. Ilmu Komputer
Nilai Urutan Rangking Nilai Urutan Ranking
30 2 2 25 1 1
55 4 4 50 3 3
65 5 5 70 6 7
70 8 7 70 7 7
75 10 9.5 75 9 9.5
88 16 15.5 78 11 11
90 17 17 80 12 12
95 18 18 85 13 13.5
98 19 19 85 14 13.5
100 20 20 88 15 15.5
R1  117 R2  93
6  7  8 21
Ranking untuk Nilai 70 =7  7
3 3
9  10 19
Ranking untuk Nilai 75 =   9.5
2 2
Notasi yang digunakan
R1  Jumlah peringkat dalam sampel ke 1
R2  Jumlah peringkat dalam sampel ke 2
n1  ukuran sampel ke 1
n2  ukuran sampel ke 2 Ukuran kedua sampel tidak harus sama

n1 (n1  n2  1)
Rata-rata R1   R1 
2
n2 (n1  n2  1)
Rata-rata R2  R 2 
2
n1  n2  (n1  n2  1)
Standar Error (Galat Baku) =  R 
12
R1   R1
z
Statistik Uji
R 1
Dalam perhitungan hanya R1 yang digunakan, karena ia menjadi subyek dalam H0 dan H1 :
Penetapan H0 dan H1 : Terdapat 3 alternatif H0 dan H1 :
(a) H0 : 1  2 dan H1 : 1  2
Uji 1 arah dengan daerah penolakan z <  z
(b) H0 : 1  2 dan H1 : 1  2
Uji 1 arah dengan daerah penolakan z > z
(c) H0 : 1  2 dan H1 : 1  2
Uji 2 arah dengan daerah penolakan yaitu z <  z /2 dan z > z /2
Contoh 2b:
Berdasarkan Tabel 2 (lihat Contoh 2a), ujilah dengan taraf nyata 5%, apakah (peringkat) nilai
mahasiswa Fak, Ekonomi lebih besar dibanding mahasiswa Ilmu Komputer?

1. H0 : 1  2 H1 1  2
3. Uji 1 Arah
z > z0.051  z > 1.645
Daerah penolakan H0

0 1.645
R1  117 R2  93
n1  10 n2  10
n1 (n1  n2  1) 10  (10  10  1) 10  21 210

R      105
1
2 2 2 2
n1  n2  (n1  n2  1) 10  10  21 2100
R     175  13.2287...
12 12 12
R1  R1 117  105 12
z    0.90711...  0.91
R 1
175 13228
. ...

7. Kesimpulan:
z hitung = 0.91 ada di daerah penerimaan H0 , H0 diterima
(Peringkat) nilai UAS Statistika 2 di Fakultas Ekonomi = Fakultas Ilmu Komputer.
4. UJI PERINGKAT 2 SAMPEL WILCOXON
Prinsip pengerjaannnya sama dengan Uji Peringkat 2 Sampel Mann-Whitney, hanya fokus kini
dialihkan sampel dengan ukuran terkecil.
Notasi yang digunakan :
n1  n2 ukuran sampel ke 1 selalu lebih kecil dari sampel ke 2
W = jumlah peringkat pada sampel berukuran terkecil
n1 (n1  n2  1)
Nilai Ekspektasi (W) = E(W) =
2
n1  n2  (n1  n2  1)
Standar Error = SE =
12
W  E (W
Statistik Uji z=
SE
Penetapan urutan, peringkat dan H0 dan H1 sama dengan Uji Mann-Whitney
Contoh 3: Berikut adalah data pendapatan di 2 kelompok pekerja

Tabel 3. Pendapatan Karyawan
Departemen Q Departemen Z
Income Urutan Rangking Income Urutan Ranking
(ribu USD/tahun) (ribu USD/tahun)
6 1 1 12 3 3
10 2 2 13 4 4
15 7 6 15 5 6
32 10 10 15 6 6
W= 19 20 8 8
31 9 9
38 11 11
40 12 12
Dengan taraf nyata 5% ujilah apakah (peringkat) pendapatan di departemen Q lebih kecil
dibandingkan departemen Z?
1. H0 : 1  2 H1 1  2
3. Uji 1 Arah
z < – z0.051  z < –1.645
Daerah penolakan H0


–1.645 0
n1  4 n2  8
W = 19
n1 (n1  n2  1) 4(4  8  1) 4  13
E(W) =    26
2 2 2
n1  n2  (n1  n2  1) 4  8  13 416
SE  
12 12 12
 34.666...  58878
. ...  589
.
W  E (W 19  26
z=   119
.
SE 589
.
7. Kesimpulan:
z hitung = –1.19 ada di daerah penerimaan H0 , H0 diterima
Peringkat Pendapatan di kedua departemen sama
5. UJI KORELASI PERINGKAT SPEARMAN
Dua Uji terakhir (Mann-Whitney dan Wilcoxon) ditujukan untuk 2 sampel yang saling bebas
(independen), sedangkan Uji Peringkat Spearman ditujukan untuk penetapan peringkat data
berpasangan.

Konsep dan interpretasi nilai Korelasi Spearman ( Rs ) sama dengan konsep Koefisien Korelasi pada
Regresi (Linier Sederhana).
Notasi yang digunakan:
n = banyak pasangan data
di = selisih peringkat pasangan data ke i
Rs = Korelasi Spearman
n
6 di 2
i 1
Rs  1 
n( n  1)
2
Statistik Uji z = RS   n1 
Penetapan H0 dan H1 : Terdapat 3 alternatif H0 dan H1 :
(a) H0 : R = 0 (korelasi bernilai 0, tidak ada hubungan /tidak ada kecocokan)
H1 : R < 0 (korelasi negatif)
Uji 1 arah dengan daerah penolakan z <  z
(b) H0 : R = 0 (korelasi bernilai 0, tidak ada hubungan /tidak ada kecocokan)
H1 : R > 0 (korelasi positif)
Uji 1 arah dengan daerah penolakan z > z

(c) H0 : R = 0 (korelasi bernilai 0, tidak ada hubungan /tidak ada kecocokan)
H1 : R  0 (ada korelasi/ada kecocokan, korelasi tidak sama dengan 0)
Uji 2 arah dengan daerah penolakan yaitu z <  z /2 dan z > z /2
Peringkat diberikan tergantung kategori penilaian.
Jika ada item yang dinilai ber-peringkat sama, maka penetapan peringkat seperti dalam Mann-
Whitney dapat dilakukan (ambil rata-rata peringkatnya!)
Contoh 5:
Dua orang pakar (ahli) diminta memberikan peringkat kinerja pada 10 Bank di Indonesia. Peringkat
diberikan mulai dari bank terbaik = peringkat 1 sedang yang terburuk diberi peringkat 10. Hasilnya
disajikan dalam Tabel 4.

Tabel 4. Hasil peringkat 10 Bank oleh 2 Pakar
Bank Ranking Rangking di di 2

Pakar I Pakar II
A 4 3 1 1
B 5 1 4 16
C 3 4.5 -1.5 2.25
D 7 6 1 1
E 10 8 2 4
F 1 2 -1 1
G 6 4.5 1.5 2.25
H 2 7 -5 25
I 8.5 10 -1.5 2.25
J 9.5 9 0.5 0.25
 di =
2 55
Dengan taraf nyata 5% ujilah apakah apa korelasi antara peringkat yang diberikan kedua pakar?
1. H0 : R = 0 H1 : R  0
3. Uji 2 Arah
4. Taraf Nyata Pengujian =  = 5%  /2 = 2.5% = 0.025
z <  z0.025  z < -1.96 dan z > z0.025  z > 1.96

Daerah penolakan H0 Daerah penolakan H0
 
-1.96 0 1.96
n
6 d i 2
i 1 6  55 330
Rs  1   1  1  1  0.33...  0.67
n(n  1)
2
10  (10  1)
2
990
z = RS   
n  1 = 0.67   
10  1  0.67  9  0.67  3  2.01
7. Kesimpulan:
z hitung = 2.01 ada di daerah penolakan H0 H0 ditolak,
H0 ditolak H1 diterima
Ada korelasi/ada kecocokan pemberian peringkat oleh kedua pakar,
Catatan akhir:
Terdapat banyak ragam perhitungan Statistika Non-parametrik lainnya, mahasiswa sangat

dianjurkan mempelajari sendiri berbagai teknik perhitungan Statistika Non Parametrik tersebut.


Statistika Dan Probabilitas TI PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistika Dan Probabilitas TI PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PERKULIAHAN

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

Statistika dan Variabel . .................................................................

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

Statistik dan Statistika

Statistik penduduk adalah kumpulan angka-angka yang berkaitan dengan masalah

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

Jenis – Jenis Statistika

Populasi Dan Sampel

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

Populasi dibedakan menjadi dua jenis yaitu :

1. Waktu yang diperlukan untuk mengumpulkan data lebih singkat.

Cara Mengumpulkan Data

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

Ciri-ciri pertanyaan yang baik adalah :

a. Sesuai dengan masalah atau tujuan penelitian.

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

Jenis dan Jumlah buah-buahan yang

Diproduksi suatu Daerah pada Tahun 1998

Jenis Buah-Buahan Jumlah

Mangga 1,5 ton

Duku 1,4 ton

Manggis 1,3 ton

Sumber: Data Buatan

Penilaian Anggota Kelompok Belajar

Kategori Nilai Banyaknya

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

Kurang sekali 0 orang

Sumber : Data Buatan

Dilihat dari waktu pengumpulannya, dikenal dua jenis data yaitu :

Penyajian data dengan tabel

Ada tiga jenis tabel yaitu :

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

Menurut Golongan Tahun 1990

Golongan Banyaknya (orang)

Sumber : BAKN, dlm Statistik Indonesia, 1986

Jumlah Mahasiswa UPH menurut

Fakultas dan Kewarganegaraan 1995

Fakultas WNI WNA Jumlah

Fak. Ekonomi 1850 40 1890

Fak. Teknologi Industri 1320 10 1330

Fak. Seni Rupa & Design 530 5 535

Fak. Pasca Sarjana 250 10 260

Jumlah 3950 65 4015

Sumber : Data Buatan

Jumlah Pegawai Menurut Golongan,

Umur dan Pendidikan pada Departeman A

Golongan Umur (tahun) Pendidikan

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning

I 400 500 900 0

II 450 520 970 0

III 1200 2750 1850 2100

Jumlah 2.050 4020 3720 2350

Sumber : Data Buatan

Penyajian data dengan grafik/diagram

Terdapat beberapa jenis grafik yaitu :

Grafik garis (line chart)

Grafik batang / balok (bar chart)

Grafik lingkaran (pie chart)

Grafik Gambar (pictogram)

Grafik Berupa Peta (Cartogram).

2012 Statistika dan Probabilitas Pusat Bahan Ajar dan eLearning