MODUL PRAKTIKUM STATISTIK

ERNI SUPARTI, ST, MT

 PENGANTAR

Statistik merupakan kumpulan keterangan yang disusun atau disajikan dalam

daftar atau gambar yang melukiskan atau menggambarkan sesuatu. Statistik sebagai ilmu
atau biasadisebut dengan statistika adalah prosedur – prosedur yang berhubungan
dengan cara – cara pengumpulan, pengolahan, analisis, dan penyajian data serta menarik
suatu kesimpulan berdasarkan analisis yang dilakukan.
Secara garis besar terdapat dua macam statistika yaitu statistika
deskriptif dan statistika inferensial. Statistika deskriptif berkenaan dengan deskripsi
data misal menghitung rata-rata dan varians dari data mentah; mendeksripsikan
menggunakan tabel-tabel atau grafik sehingga data mentah lebih mudah “dibaca” dan
lebih bermakna. Sedangkan statistika inferensial lebih dari itu misal melakukan pengujian
hipotesis, melakukan prediksi observasi masa depan atau membuat model regresi.
Metode statistik dapat dikelompokan menjadi dua, yaitu statistik parametrik dan
statistik nonparametrik. Pengujian parametrik merupakan cara menguji hipotesis yang
didasarkan pada beberapa asumsi:
1. Observasi sampel harus dipilih dari populasi yang dianggap memiliki distribusi
normal.
2. Dalam kasus pengujian beda 2 parameter atau lebih, populasi-populasi tersebut
bukan saja dianggap memiliki distribusi normal tetapi juga memiliki varians yang
sama (asumsi homoskedastisitas).
Keabsahan asumsi tersebut menentukan sejauh mana hasil uji parametrik tersebut berarti
atau tidak.
Sedangkan metode nonparametrik tidak pernah merumuskan asumsi mengenai
populasi dan darimana sampelnya dipilih. Metode statistik yang digunakan pada statistik
nonparametrik adalah yang berhubungan dengan data yang berbentuk ranking atau data
kualitatif (skala nominal atau ordinal) atau data kuantitatif yang tidak berdistribusi normal.
Oleh karena itu statistik nonparametrik seringkali disebut dengan statistik bebas distribusi.
Pada statistik nonparametrik, kita akan menguji karakteristik populasi tanpa menggunakan
spesifik parameter.
Dalam kaitan dengan statistik deskriptif, hal lain yang biasa dilakukan adalah
melakukan pengujian data. Uji data statistik pada dasarnya akan menguji :
1. Apakah data berdistribusi normal? (Uji Normalitas)
Jika data jauh dari asumsi distribusi normal, maka dapat digunakan uji non
parametrik untuk pengolahan data tersebut.
2. Apakah data mempunyai kesamaan varians pada subgrupnya? (Uji
Homogenitas)
Jika data tidak mempunyai kesamaan varians, bisa dilakukan uji non
parametrik.
 Dalam paktikum statistik industri Universitas Setia Budi, materi praktikum di
susun dalam beberapa modul antara lain :
Modul 1 : Statistik Deskriptif
Modul 2 : Uji data (Uji Normalitas dan Homogenitas)
Modul 3 sampai 6 merupakan statistik inferensial yang disusun sebagai
berikut :
Modul 3 : Uji Hipotesis
Modul 4 : Uji Anova
Modul 5 : Uji Chi square
Modul 6 : Korelasi dan Regresi
Modul 7 : Statistik Non Parametrik
Modul 8 : Distribusi statistic
Modul 9 : Statistical Process Control
Demikian pengantar ini kami sampaikan, semoga sukses dalam berkarya!
 Modul 1
Statistika Deskriptif

A. TUJUAN PRAKTIKUM
1. Praktikan dapat mengetahui teknik pengumpulan data, dan pengolahan data
mentah sehingga dapat disajikan dalam bentuk yang lebih informatif
2. Praktikan dapat menganalisa dan menginterpretasikan berbagai macam
data.
3. Praktikan dapat memahami fungsi dan penggunaan statistika deskriptif
4. Praktikan dapat memahami dan membaca histogram, stem and leaf, serta
plot data.
5. Praktikan dapat memahami ukuran-ukuran dalam pengambilan keputusan.

B. TEORI PENGANTAR PRAKTIKUM

• Statistika adalah pengetahuan cara–cara mengumpulkan, mengolah, menyajikan,
menganalisis data dan menafsirkannya atau menarik kesimpulan berdasarkan
analisis tersebut.
• Statistika Deskriptif adalah bagian dari statistika yang hanya berkaitan dengan
pengumpulan, pengolahan dan penyajian data sehingga memberikan informasi
yang berguna, tanpa menarik kesimpulan terhadap gugus data (populasi).
• Statistika Inferensia adalah semua metode yang berhubungan dengan analisis
sebagian data untuk kemudian sampai pada peramalan atau penarikan
kesimpulan mengenai gugus data (populasi).
• Data adalah keterangan mengenai suatu hal yang berbentuk bilangan atau
kategori.
Data dapat dibagi atas dasar :
1. Sifatnya :
a. Data Kuantitatif adalah data yang berbentuk bilangan.
• Data Diskrit : Data hasil menghitung (membilang) ; merupakan
bilangan bulat.
• Data Kontinyu : Data hasil mengukur; bisa berbentuk bilangan
pecahan.
b. Data Kualitatif adalah data yang dikategorikan menurut kualitas objek.
2. Sumbernya :
a. Data Internal : Data yang menggambarkan keadaan di dalam suatu
organisasi.
b. Data Eksternal : Data yang menggambarkan keadaan di luar suatu
organisasi.
3. Cara Memperolehnya :
 a. Data Primer : Data yang diperoleh langsung dari sumbernya.
b. Data Sekunder : Data yang diperoleh dari pihak lain.
4. Skala Data :
a. Skala Nominal atau Klasifikasi, misal jenis kelamin, pekerjaan dll..
b. Skala Ordinal atau Berperingkat, misal opini (baik, sedang, jelek).
c. Skala Interval, misal suhu, jarak
d. Skala Rasio, misal pendapatan keluarga, produksi dll.
• Data yang baru dikumpulkan dan belum mengalami pengolahan apapun disebut
Data Mentah.
• Proses pengumpulan data dapat dilakukan melalui Sensus dan Sampling.
• Populasi adalah keseluruhan pengamatan yang menjadi perhatian kita.
Banyaknya pengamatan atau anggota populasi disebut Ukuran Populasi. Ukuran
populasi ada terhingga ada yang tak hingga. Dalam Statistika Inferensia, kita ingin
memperoleh kesimpulan mengenai populasi, meskipun kita tidak mungkin atau
tidak praktis untuk mengamati keseluruhan individu yang menyusun populasi.
Oleh karena itu, kita terpaksa menggantungkan pada sebagian anggota populasi
(contoh) untuk menarik kesimpulan mengenai populasi tersebut.
• Sampel atau Contoh atau Cuplikan adalah himpunan bagian dari populasi.
Apabila kita menginginkan kesimpulan dari contoh terhadap populasi menjadi sah,
maka contoh harus bersifat representatif (mewakili). Sebaliknya apabila contoh
tidak representatif maka kesimpulan akan menjadi bias. Kesimpulan yang tidak
bias adalah kesimpulan yang sesuai dengan keadaan sebenarnya. Untuk
menghilangkan kemungkinan kesimpulan yang bias, kita perlu mengambil Contoh
Acak Sederhana atau disingkat Contoh Acak.
• Contoh Acak n pengamatan adalah suatu contoh yang dipilih sedemikian rupa
sehingga himpunan bagian yang berukuran n dari populasi tersebut mempunyai
peluang yang sama untuk dipilih. Apabila populasinya terhingga, penentuan
contoh acak dapat dilakukan dengan menuliskan semua anggota pada sepotong
kertas kecil (cara undian). Untuk populasi yang berukuran besar, penentuan
contoh acak dilakukan dengan menggunakan Tabel Angka Acak.
• Data yang telah dikumpulkan dilakukan managing data (penyajian data).
Tujuannya adalah menyampaikan hasil pengolahan data (informasi) dalam bentuk
yang lebih mudah dipahami. Bentuk dari penyajian informasi ini adalah dalam
bentuk tabel atau grafik statistik.
✓ Tabel
Cara penyajian data dengan tabel (daftar) dapat dikerjakan dengan
daftar baris, kolom, dan daftar distribusi frekuensi.
✓ Grafik (diagram)
Informasi yang dikandung oleh suatu sebaran frekuensi dalam bentuk
tabel biasanya akan menjadi lebih mudah ditangkap bila disajikan
 secara grafik. Karena pada kebanyakan orang, gambar visual sangat
membantu dalam memahami ciri – ciri penting yang ada pada suatu
sebaran frekuensi.
Untuk mengetahui deskripsi data, diperlukan suatu ukuran yang eksak
disebut summary statistic (ringkasan statistik). Dua ukuran yang sering dipakai
dalam pengambilan keputusan yaitu :
1) Mencari Central Tendency (Kecenderungan Terpusat) antara lain sebagai
berikut :
✓ Mean : rata – rata hitung
✓ Median : nilai yang berada di tengah dari data setelah diurutkan
✓ Modus : nilai yang paling sering muncul dari data yang ada
✓ Kuartil : nilai – nilai yang membagi pengamatan menjadi 4 bagian
sama besar
2) Mencari ukuran Dispersion (ukuran penyebaran data) yang antara lain sebagai
berikut :
✓ Simpangan kuartil (Q)
Makin memencarnya data dalam suatu distribusi, makin besar pula
perbedaan antara harga – harga kuartil distribusi itu
✓ Range (R) adalah selisih antara pengamatan terbesar dan terkecil
✓ Simpangan Baku/ standar deviasi : merupakan ukuran keragaman
terbaik. Semakin besar nilai simpangan baku maka keragaman data
tersebut semakin besar, dalam hal ini pengamatan – pengamatan lebih
menyebar jauh dari nilai tengahnya.
3) Ukuran Kemencengan (skewness)
Ukuran Kemencengan adalah tingkat kemiringan kurva. Suatu distribusi
dikatakan menceng (miring) ke kanan atau menceng positif jika ekor kanannya
lebih panjang daripada ekor kirinya, sebaliknya jika ekor kirinya lebih panjang
daripada ekor kanan maka kurva tersebut miring ke kiri (negatif). Distribusi
yang baik adalah nilai tengah dan mediannya terletak pada posisi yang sama
pada sumbu datar. Untuk mengukur kemencengan suatu distribusi dapat
digunakan ukuran kemencengan :
• Pearson
• Bowley
4) Ukuran keruncingan (kurtosis)
Ukuran keruncingan adalah distorsi dari kurva normal, dimana pengukurannya
dilakukan dengan jalan membandingkan bentuk keruncingan kurvanya
dengan kurva normal. Ada 3 macam bentuk ukuran keruncingan yaitu :
• Leptokurtik
• Platikurtik
• Mesokurtik
 5) Dalil Chebyshev
Sekurang–kurangnya 1 − 1/k2 bagian data terletak dalam k simpangan baku
dari rata–ratanya.

C. PENGOLAHAN DATA MODUL 1 DENGAN SPSS :

1. FREQUENCIES
a. Buka lembar kerja, lakukan penginputan data
b. Pilih Analyze – Descriptive Statistics – Frequencies
Pengisian :
1. Variabel(s) atau variabel yang akan dimasukkan.
2. Option atau pilihan untuk pengerjaan deskripsi data.
3. Centang Median, Mode, Skewness, dan Kurtosis
4. Sum, atau pilihan lain sesuai kebutuhan.
5. Kemudian tekan Continue, untuk proses selanjutnya
6. Abaikan bagian lain. Tekan OK jika semua pengisian sudah selesai.

2. DESCRIPTIVE
a. Buka lembar kerja, lakukan penginputan data
b. Pilih Analyze – Descriptive Statistics – Descriptive
Pengisian :
1. Variabel(s) atau variabel yang akan dimasukkan.
2. Option atau pilihan untuk pengerjaan deskripsi data.
3. Centang Mean, Standart Deviation, Minimum, Maximum
4. Sum, atau pilihan lain sesuai kebutuhan.
5. Kemudian tekan Continue, untuk proses selanjutnya
6. Abaikan bagian lain. Tekan OK jika semua pengisian sudah selesai.

Percobaan

Data nilai UTS Statistik dari 15 anak kelas A yaitu :

Nama Nilai UTS
1. Mimi 90
2. Melisa 60
3. Yolin 65
4. Nina 55
5. Parto 70
6. Jerry 71
7. Tom-Tom 72
8. Yusron 80
9. Ableh 76
10. 10 Stefanus 56
11 Chandra 59
 12 Roy 77
13 Ardian 85
14 Nita 89
15 Mawan 90

Cari : N, Mean, Std. Eror, Median, Standart Deviasi, Skewness, Kurtosis, Data
Minimum, Data Maksimum, Range, Percentile.

D. PROSEDUR PRAKTIKUM
Mahasiswa Teknik Industri ingin mengumpulkan data tinggi mahasiswa
fakultas teknik. Lakukan olah data dengan prosedur sebagai berikut ;
1. Sajikan tabel data distribusi frekuensi
2. Sajikan datanya dalam suatu grafik
3. Olah data ukuran pemusatan dan penyebaran data dengan perhitungan
manual
4. Olah data dengan software SPSS
5. Analisalah data yang ada
6. Laporkan kepada dosen pengampu

E. FORMAT LAPORAN
1. Pendahuluan
2. Tujuan Praktikum
3. Landasan Teori
4. Pengumpulan dan Penyajian Data
5. Pengolahan Data
5.1 Perhitungan manual (mencari ukuran pemusatan dan penyebaran
data)
5.2 Pengolahan data dengan SPSS
6. Pembahasan
7. Kesimpulan
Laporan maksimal 6 halaman
F. REFERENSI
Walpole, Ronald E., dan Raymond H Myers. 1995. Ilmu Peluang dan Statistika untuk
Insinyur dan Ilmuwan. Bandung : ITB.
Santosa, Singgih. 2007. Soal Jawab Statistik dengan SPSS dan Excell. Jakarta: Elex
Media Komputindo.
 MODUL 2
UJI DATA

A. Tujuan Praktikum
1. Praktikan mampu melakukan uji normalitas data
2. Praktikan mampu melakukan uji homogenitas data

B. Teori Pengantar Praktikum

Sebelum data diolah dan dianalisis, maka harus dipenuhi persyaratan analisis terlebih
dahulu.
Dengan asumsi, bahwa:
1.Data yang diperoleh valid dan reliabel.
2.Data yang dibandingkan bersifat homogen/sejenis.
3.Data yang dihubungkan berdistribusi normal.
Untuk menguji apakah data berdistribusi normal, maka dilakukan uji normalitas.
Sedangkan untuk menguji apakah data bersifat homogeny atau sejenis, maka
dilakukan uji homogenitas.
Uji normalitas
Pengujian normalitas adalah pengujian tentang kenormalan distribusi data. Uji ini
merupakan pengujian yang paling banyak dilakukan untuk analisis statistic parametric.
Karena data yang berdistribusi normal merupakan syarat dilakukannya tes parametric.
Sedangkan untuk data yang tidak mempunyai distribusi normal, maka analisisnya
menggunakan tes non parametric.
Data yang mempunyai distribusi yang normal berarti mempunyai sebaran yang
normal pula. Dengan profit data semacam ini maka data tersebut dianggap bisa mewakili
populasi. Normal disini dalam arti mempunyai distribusi data normal. Normal atau tidaknya
berdasarkan patokan distribusi normal dari data dengan mean dan standar deviasi yang
sama. Jadi uji normalitas pada dasarnya melakukan melakukan perbandingan antara
data yang kita miliki dengan data berdistribusi normal yang memiliki mean dan
standar deviasi yang sama dengan data kita.
Untuk mengetahui bentuk distribusi data dapat digunakan grafik distribusi dan
analisis statistic. Penggunaan grafik distribusi merupakan cara yang paling gampang dan
sederhana. Cara ini dilakukan karena bentuk data yang terdistribusi secara normal akan
mengikuti pola distribusi normal di mana bentuk grafiknya mengikuti bentuk lonceng (atau
bentuk gunung). Sedangkan analisis statistic menggunakan analisis keruncingan dan
kemencengan kurva dengan menggunakan indikator keruncingan dan kemencengan.

Terdapat 4 cara untuk menentukan apakah data diatas tersebut berasal dari
populasi yang berdistribusi normal atau tidak. Empat cara pengujian normalitas data
sebagai berikut:
1. Kertas Peluang Normal
2. Uji Chi Kuadrat
3. Uji Lilliefors
4. Uji Kolmogorov Smirnov
Dalam praktikum ini akan menggunakan uji kolmogorov smirnov untuk melakukan uji
normalitas data.

Uji kolmogorov smirnov

Tes satu sampel Kolmogorov-Smirnov adalah suatu tes goodness-of-fit. Artinya,
yang diperhatikan adalah antara distribusi teoritis tertentu. Tes ini menetapkan apakah
skor-skor dalam sampel dapat secara masuk akal dianggap berasal dari suatu populasi
dengan distributive tertentu itu.

Uji Normalitas dengan SPSS

Berikut ini adalah langkah-langkah pengujian normalitas data dengan bantuan SPSS:
Percobaan
1. Dengan Analyze-Descriptive Statitics-Explore
a. Masuk program SPSS
Misal dengan data sebagai berikut :

Nomor Nama Nilai

1 Amir 78
2 Budi 75
3 Cici 76
4 Donny 67
5 Elisa 87
6 Farhan 69
7 Ghulam 65
8 Hilma 64
9 Ilyasa 68
10 Jarot 74
11 Kamila 73
12 Lala 76
13 Munir 78
14 Nisa 85
15 Opik 81
16 Qori 67
17 Rosa 65
18 Tutik 68
19 Umi 64
20 Vonny 63
21 Xerric 67
22 Wolly 69
23 Yonny 74
24 Zidni 75
25 Agung 68
26 Boby 67
27 Catur 62
28 Dadang 71
29 Emy 72
30 Fonny 45
Lakukan uji normalitas pada data di atas!

b. Klik Variable View pada SPSS data editor

c. Pada kolom Name baris pertama ketik nomor dan pada kolom
Name baris kedua ketik beratbadan.
d. Pada kolom Type pilih Numeric untuk nomor dan beratbadan. Pada
kolom Decimals pilih 0 untuk nomor dan beratbadan.
e. Buka Data View pada SPSS data editor maka didapat kolom
variable nomor dan variable berat badan.

f. Ketikkan data sesuai dengan variabelnya.

g. Klik variable Analyze>>Descriptive Statistics>>Explore.

h. Klik variable beratbadan dan masukkan ke kotak Dependent List.

i. Klik Plots.
 j. Klik Normality Plots With Test kemudian klik Continue.

k. Klik OK maka output keluar.

Uji Homogenitas
Uji homogenitas merupakan uji perbedan antara dua atau lebih populasi.
Semua karakteristik populasi dapat bervariasi antara satu populasi dengan yang
lain. Dua di antaranya adalah mean dan varian (selain itu masih ada bentuk
distribusi, median, modus, range, dan sebagainya).
Uji homogenitas bertujuan untuk mengetahui apakah varians skor yang
diukur pada kedua sampel memiliki varians yang sama atau tidak. Populasi-
populasi dengan varians yang sama besar dinamakan populasi dengan varians yang
homogen, sedangkan populasi-populasi dengan varians yang tidak sama besar
dinamakan populasi dengan varians yang heterogen.
Faktor-faktor yang menyebabkan sampel atau populasi tidak homogen
adalah proses sampling yang salah, penyebaran yang kurang baik, bahan yang sulit
untuk homogen, atau alat untuk uji homogenitas rusak. Apabila sampel uji tidak
homogen maka sampel tidak bisa digunakan dan perlu dievaluasi kembali mulai
dari proses sampling sampai penyebaran bahkan bila memungkinkan harus diulangi
sehingga mendapatkan sampel uji yang homogen.
Untuk melakukan uji homogenitas data tersebut dapat dilakukan dengan manual
atau dengan SPSS sebagai berikut :
a. Uji homogenitas secara manual dapat dilakukan dengan Uji Harley Pearson
Uji ini digunakan untuk menguji ukuran dengan cuplikan yang sama (n yang sama
) untuk tiap kelompok misalkan kita mempunyai dua populasi normal dengan
varians dan . Akan diuji mengenai uji dua pihak untuk pasangan hipotesis

nol dan tandingannya :

berdasarkan sampel acak yang masing-masing secara independen diambil dari

populasi tersebut. jika sampel dari populasi kesatu berukuran dengan varians

dan sampel dari populasi kedua berukuran dengan varians maka untuk
menguji hipotesis di atas digunakan statistik

Kriteria pengujian adalah : diterima hipotesis jika

untuk taraf nyata α, dimana didapat dari daftar distribusi F dengan

peluang β, dk pembilang = m dan dk penyebut = n, dalam hal lainnya ditolak.

Statistik lain yang digunakan untuk menguji hipotesis adalah

Prosedur pengujian hipotesis :

1) Menentukan formulasi hipotesis

2) Menentukan taraf nyata (α) dan

ditentukan dengan α , derajat bebas pembilang , dan derajat

penyebut dengan rumus

3) Menentukan kriteria pengujian:

Ho diterima jika
 Ho ditolak jika atau

4) Menentukan uji statistik

5) Menarik kesimpulan
b. Uji homogenitas dengan SPSS

1. buka file data yang akan dianalisis

2. Pilih menu berikut ini
3. Analyze
4. Descriptives Statistics
5. Explore
Percobaan
Lakukan uji homogenitas pada data berikut :
Perhatikan data nilai matematika siswa kelas A dan kelas B berikut ini:

Nilai
No Kelas A Kelas B
(guru putra) (guru putri)
1 5 6
2 6 5
3 8 7
4 8 6
5 9 10
6 9 6
7 8 9
8 7 9
9 9 9
10 10 10
11 8 10
12 8 8
13 10 10
14 5 2
15 7 6
16 9 10
17 9 9
18 8 10
19 9 9
20 9 8
21 9 10
22 10 10
23 9 10
24 7 6
25 8 10
26 9 10
27 10 9
28 5 3
29 8 8
30 9 9
31 10 10
32 7 6
33 6 4
34 8 3
35 8 8
Modul Praktikum Statistika Industri Teknik Industri USB

C. PROSEDUR PRAKTIKUM
Gunakan data yang kalian peroleh pada modul 1 untuk melakukan uji normalitas
Untuk uji homogenitas, gunakan data berikut :
Berikut adalah data konsumsi energi ketika belum menggunakan alat bantu dan setelah
menggunakan alat bantu :
KE tanpa alat KE dengan alat
No Ujilah homogenitas data
bantu bantu
1 6 5 dari data tersebut!
2 6.5 4.4
3 6 4.3
4 7 4.6
5 6.6 4.5
6 7.1 4.4
7 7 4
8 6.8 4.3
9 6.4 4.6
10 6.7 4.7
11 6.5 5
12 6.3 4.4
13 6.6 4
14 6.4 4.2
15 6.4 4.3
16 6.3 4.7
17 6 4.5
18 6.1 4.6
19 6.2 4
20 6 5
21 6.4 4.3
22 6.5 4.2
23 6.8 4.1
24 7 4.6
25 6.6 4
26 6.8 4.5
27 6.3 4.3
28 6.2 4.6
29 6 4.3
30 6.3 4.3

D. FORMAT LAPORAN

17
Modul Praktikum Statistika Industri Teknik Industri USB

1. Pendahuluan
2. Tujuan Praktikum
3. Landasan Teori
4. Pengumpulan dan Pengolahan Data
4.1 Uji Normalitas
4.2 Uji Homogenitas
5. Pembahasan
6. Kesimpulan

18
Modul Praktikum Statistika Industri Teknik Industri USB

STATISTIKA INFERENSIA PARAMETRIK

MODUL III
UJI HIPOTESIS

A. TUJUAN PRAKTIKUM
Dari praktikum ini, praktikan diharapkan :
1. Memahami konsep pengujian hipotesis parametrik
2. Melakukan pengujian hipotesis mengenai rata – rata, proporsi dan ragam
3. Menganalisis dan menginterpretasikan hasil dari pengujian hipotesis

B. TEORI PENGANTAR PRAKTIKUM

Inferensia Statistik adalah semua metode statistic yang berhubungan dengan analisis
sebagian data untuk kemudian sampai pada peramalan atau penarikan kesimpulan mengenai
keseluruhan gugus data induknya. Generalisasi yang berhubungan dengan inferensia statistic selalu
mempunyai sifat tak pasti, karena kita mendasarkan pada informasi parsial yang diperoleh dari
sebagian data.
Pengujian Hipotesis
• Hipotesis Statistik :pernyataan atau dugaan mengenai satu atau lebih populasi.
• Pengujian hipotesis berhubungan dengan penerimaan atau penolakan suatu hipotesis.
• Kebenaran (benar atau salahnya ) suatu hipotesis tidak akan pernah diketahui dengan pasti,
kecuali kita memeriksa seluruh populasi. (Memeriksa seluruh populasi? Apa mungkin?)
• Lalu apa yang kita lakukan, jika kita tidak mungkin memeriksa seluruh populasi untuk
memastikan kebenaran suatu hipotesis? Kita dapat mengambil contoh acak, dan
menggunakan informasi (atau bukti) dari contoh itu untuk menerima atau menolak suatu
hipotesis.

Penerimaan suatu hipotesis terjadi karena TIDAK CUKUP BUKTI untuk MENOLAK hipotesis tersebut
dan BUKAN karena HIPOTESIS ITU BENAR
dan
Penolakan suatu hipotesis terjadi karena TIDAK CUKUP BUKTI untuk MENERIMA hipotesis tersebut
dan BUKAN karena HIPOTESIS ITU SALAH.

Perhatikan contoh-contoh berikut :

Contoh 1.
Sebelum tahun 1993, pendaftaran mahasiswa Universtas GD dilakukan dengan pengisian
formulir secara manual. Pada tahun 1993, PSA Universitas GD memperkenalkan sistem pendaftaran
"ON-LINE".
Seorang Staf PSA ingin membuktikan pendapatnya “bahwa rata-rata waktu pendaftaran
dengan sistem ON-LINE akan lebih cepat dibanding dengan sistem yang lama” Untuk membuktikan
pendapatnya, ia akan membuat hipotesis awal, sebagai berikut :

19
Modul Praktikum Statistika Industri Teknik Industri USB

Hipotesis Awal : rata-rata waktu pendaftaran SISTEM "ON-LINE" sama saja dengan SISTEM
LAMA.
Staf PSA tersebut akan mengambil contoh dan berharap hipotesis awal ini ditolak, sehingga
pendapatnya dapat diterima!

Contoh 2 :
Manajemen PERUMKA mulai tahun 1992, melakukan pemeriksaan karcis KRL lebih intensif
dibanding tahun-tahun sebelumnya, pemeriksaan karcis yang intensif berpengaruh positif terhadap
penerimaan PERUMKA. Untuk membuktikan pendapat ini, hipotesis awal yang diajukan adalah :

Hipotesis Awal : TIDAK ADA PERBEDAAN penerimaan SESUDAH maupun SEBELUM

dilakukan perubahan sistem pemeriksaan karcis.

Manajemen berharap hipotesis ini ditolak, sehingga membuktikan bahwa pendapat mereka benar!

Hipotesis Awal yang diharap akan ditolak disebut : Hipotesis Nol ( H0 )

Penolakan H0 membawa kita pada penerimaan Hipotesis Alternatif ( H1 ) (beberapa buku

menulisnya sebagai H A )

Nilai Hipotesis Nol ( H0 ) harus menyatakan dengan pasti nilai parameter.

H0 → ditulis dalam bentuk persamaan

Sedangkan Nilai Hipotesis Alternatif ( H1 ) dapat memiliki beberapa kemungkinan.

H1→ditulis dalam bentuk pertidaksamaan (< ; > ; )

Contoh 3 (lihat Contoh 1.)

Pada sistem lama, rata-rata waktu pendaftaran adalah 50 menit
Kita akan menguji pendapat Staf PMB tersebut, maka

Hipotesis awal dan Alternatif yang dapat kita buat :

H0 :  = 50 menit (sistem baru dan sistem lama tidak berbeda)
H1 :   50 menit (sistem baru tidak sama dengan sistem lama)
atau
H0 :  = 50 menit (sistem baru sama dengan sistem lama)
H1 :  < 50 menit ( sistem baru lebih cepat)

Contoh 4 (lihat Contoh 2.)

Penerimaan PERUMKA per tahun sebelum intensifikasi pemeriksaan karcis dilakukan = Rp. 3 juta.
Maka Hipotesis Awal dan Hipotesis Alternatif dapat disusun sebagai berikut :

20
Modul Praktikum Statistika Industri Teknik Industri USB

H0 :  = 3 juta (sistem baru dan sistem lama tidak berbeda)

H1 :   3 juta (sistem baru tidak sama dengan sistem lama)
atau
H0 :  = 3 juta (sistem baru dan sistem lama tidak berbeda)
H1 :  > 3 juta (sistem baru menyebabkan penerimaan per tahun lebih besar dibanding sistem lama)

Penolakan atau Penerimaan Hipotesis dapat membawa kita pada 2 jenis kesalahan (kesalahan= error
= galat), yaitu :

1. Galat Jenis 1 : Penolakan Hipotesis Nol ( H0 ) yang benar

Galat Jenis 1 dinotasikan sebagai 
 juga disebut → taraf nyata uji
Catatan : konsep  dalam Pengujian Hipotesis sama dengan konsep konsep  pada
Selang Kepercayaan

2. Galat Jenis 2 : Penerimaan Hipotesis Nol ( H0 ) yang salah

Galat Jenis 2 dinotasikan sebagai 

• Prinsip pengujian hipotesis yang baik adalah meminimalkan nilai  dan 

• Dalam perhitungan, nilai  dapat dihitung sedangkan nilai  hanya bisa dihitung jika nilai
hipotesis alternatif sangat spesifik.
• Pada pengujian hipotesis, kita lebih sering berhubungan dengan nilai . Dengan asumsi, nilai
 yang kecil juga mencerminkan nilai  yang juga kecil.
• Prinsip pengujian hipotesa adalah perbandingan nilai statistik uji (z hitung atau t hitung)
dengan nilai titik kritis (Nilai z tabel atau t Tabel)
• Titik Kritis adalah nilai yang menjadi batas daerah penerimaan dan penolakan hipotesis.
• Nilai  pada z atau t tergantung dari arah pengujian yang dilakukan.
• Arah Pengujian Hipotesis
Pengujian Hipotesis dapat dilakukan secara : 1.Uji Satu Arah
2.Uji Dua Arah
Uji Satu Arah

 Pengajuan H0 dan H1 dalam uji satu arah adalah sebagai berikut:

H0 : ditulis dalam bentuk persamaan (menggunakan tanda =)
H1 : ditulis dalam bentuk lebih besar (>) atau lebih kecil (<)

Contoh Uji Satu Arah

a. H0 :  = 50 menit b. H0 :  = 3 juta
H1 :  < 50 menit H1 :  < 3 juta

21
Modul Praktikum Statistika Industri Teknik Industri USB

 Nilai  tidak dibagi dua, karena seluruh  diletakkan hanya di salah satu sisi selang
misalkan :

H0 :  = 0 *)
H1 :   0
z < − z t < − t( db; )
Wilayah Kritis **) : atau

*)
 0 adalah suatu nilai tengah yang diajukan dalam H0
**) Penggunaan z atau t tergantung ukuran contoh
contoh besar menggunakan z; contoh kecil menggunakan t.

luas daerah terarsir

ini = 

-z  atau - t(db;) 0

H0 :
 = 0 *)
H1 :
  0
z > z t > t( db , )
Wilayah Kritis **) : atau

luas daerah terarsir

ini = 

0 z  atau t (db;)

◼ daerah terarsir → daerah penolakan hipotesis

daerah tak terarsir → daerah penerimaan hipotesis
22
Modul Praktikum Statistika Industri Teknik Industri USB

Uji Dua Arah

 Pengajuan H0 dan H1 dalam uji dua arah adalah sebagai berikut :

H0 : ditulis dalam bentuk persamaan (menggunakan tanda =)
H1 : ditulis dengan menggunakan tanda 
Contoh Uji Dua Arah
H0 : = 50 menit H0 :  = 3 juta
H1 :  50 menit H1 :   3 juta

 Nilai  dibagi dua, karena  diletakkan di kedua sisi selang misalkan :

H0 :
 = 0 *)
H1 :
  0
z < − z z > z
Wilayah Kritis **) : 2 dan 2

atau

t  − t( db , t  t ( db;
2 ) dan 2)

*)
 0 adalah suatu nilai tengah yang diajukan dalam H0
**) Penggunaan z atau t tergantung ukuran contoh
contoh besar menggunakan z; contoh kecil menggunakan t.

luas daerah terarsir luas daerah terarsir ini =

ini = /2 = 0.5% /2 = 0.5%

-z /2 atau 0 z /2 atau

-t(db;/2) t(db;/2)

◼ daerah terarsir → daerah penolakan hipotesis

daerah tak terarsir → daerah penerimaan hipotesis

23
Modul Praktikum Statistika Industri Teknik Industri USB

Pengerjaan Uji Hipotesis

7 Langkah Pengerjaan Uji Hipotesis

1. Tentukan H0 dan H1
2* Tentukan statistik uji [ z atau t]
3* Tentukan arah pengujian [1 atau 2]
4* Taraf Nyata Pengujian [ atau /2]

5. Tentukan nilai titik kritis atau daerah penerimaan-penolakan H0

6. Cari nilai Statistik Hitung

7. Tentukan Kesimpulan [terima atau tolak H0 ]

*) Urutan pengerjaan langkah ke2, 3 dan 4 dapat saling dipertukarkan!

 Beberapa Nilai z yang penting

z5% = z0.05 =1.645 z2.5% = z0.025 =1.96

z1% = z0.01 = 2.33 z0.5% = z0.005 = 2.575

Rumus-rumus Penghitungan Statistik Uji

1. Uji Hipotesis Rata - Rata Untuk Sampel Besar
2. Uji Hipotesis Rata - Rata Untuk Sampel Kecil
3. Uji Hipotesis Selisih Dua Rata - Rata Untuk Sampel Besar
4. Uji Hipotesis Selisih Dua Rata - Rata Untuk Sampel Kecil

H0 Nilai Uji Statistik H1 Wilayah Kritis

1.  = 0 x − 0   0 → z  − z
z=
 / n
sampel besar   0 →
z  z
n  30
 dapat diganti
dengan s   0 z  − z
→ 2 dan
z  z
2

24
Modul Praktikum Statistika Industri Teknik Industri USB

2.  = 0 x − 0   0 → t < − t( db; )
t=
s/ n
  0 → t > t( db , )
sampel kecil
n<30
  0 → t  − t( db ,
2) dan
t  t ( db;
2)

db = n-1

1 − 2  d0 → z  − z
x1 − x2 − d 0
1 − 2 = d0 z=
3. (12 / n1 ) + ( 22 / n2 )
1 − 2  d0 → z  z
Jika  dan  2
2 2
1 tidak
sampel besar
diketahui → gunakan
n1  30 1 − 2  d0 → z  − z
2 2 2 dan
s1 dan s2
n2  30 z  z
2

1 − 2 = d0 x1 − x2 − d 0 1 − 2  d0 → t  − t
4. t=
( s12 / n1 ) + (s22 / n2 )
t  t
sampel kecil 1 − 2  d0 →
n1 < 30
n2 < 30
1 − 2  d0 → t  − t( db ,
2) dan
t  t ( db;
2)

db = n1 + n2 − 2

25
Modul Praktikum Statistika Industri Teknik Industri USB

C. PENGOLAHAN DATA MODUL 2 DENGAN SPSS :

Praktikum I : Pengujian rata – rata satu sampel :
1. Masukkan data diatas pada Data View, namun sebelumnya kita harus menentukan nama
dan tipe datanya pada Variable View.

2. klik Menu Analyze Compare Means One Sample T-Test.

Praktikum II : Pengujian rata – rata dua sampel

Untuk pengujian rata-rata dua sampel terdapat 2 jenis data :

Dua Sampel Berpasangan.

Pada pengujian rata-rata dua sampel berpasangan, banyaknya nilai pengamatan harus
sama (n1=n2), sedangkan pada dua sampel yang bebas banyaknya pengamatan tidak
harus sama.

Langkah penyelesaiannya adalah sebagai berikut :

1. Masukkan data diatas pada Data View, namun sebelumnya kita harus nenentukan
nama dan tipe datanya pada Variable View.

2. Klik Analyze Compare Means Paired Samples T-Test

Sampel Bebas / Independen.

Artinya kedua sampel bersifat mutually exclusive (saling asing) dan banyaknya
pengamatan (ulangan) sama pada masing-masing sampel.

Langkah penyelesaiannya adalah sebagai berikut :

1. Masukkan data diatas pada Data View, namun sebelumnya kita harus nenentukan
nama dan tipe datanya pada Variable View.

2. Klik Analyze Compare Means Independent Samples T-Test

Praktikum :
1. Uji satu sampel
Diduga rata – rata tinggi badan remaja pria di sebuah daerah adalah 165,5cm. Untuk
menguji dugaan tersebut, diukur tinggi badan 18 remaja pria di daerah tersebut
sebagai sampel. Hasil yang diperoleh adalah sebagai berikut :
Nama Tinggi badan
Agus 165.3
Amir 165.9
Budi 166.3
Gunawan 159.4
Cecep 170.2
Dede 175.4
Didik 163.5
Anwar 168.5

26
Modul Praktikum Statistika Industri Teknik Industri USB

Tejo 169.5
Gatot 159.6
Budiono 158.4
Sugiono 162.2
Joni 168.4
Handoko 170.5
Handoyo 172.6
Jimmy 164.5
Gunadi 159.6

Dengan menggunakan tingkat signifikansi 10 %, ujilah apakah tinggi badan rata – rata
remaja pria di daerah tersebut sebesar 165,5 cm? akan digunakan uji satu sisi atau
dua sisi?
2. Uji dua sampel berpasangan (tidak saling bebas)
Harga pembelian susu oleh nestle dari anggota Gabungan Koperasi Susu Indonesia
per 1 Juni 2012 mengalami perubahan :
Kualitas susu Harga (Rp/gram)
Lama Baru
Grade 1 2000 2125
Grade 2 1835 1910
Grade 3 1650 1675
Grade 4 1425 1425
Dari data di atas dengan tingkat kepercayaan 95%, dapatkah dikatakan bahwa harga
susu baru lebih mahal daripada harga susu lama?
3. Uji dua sampel saling bebas (independent)
Pekerja anak (10-17 tahun) menurut lapangan kerja dan gender ditampilkan pada
tabel berikut :
Lapangan kerja Gender
Laki - laki Perempuan
Pertanian 1046133 432697
Industry 149925 189839
Perdagangan 168667 198760
Jasa 52003 149075
Lainnya 149901 23634
Dengan tingkat keyakinan 95%, ujilah apakah ada perbedaan antara jumlah pekerja
anak laki – laki dengan pekerja anak perempuan?

27
Modul Praktikum Statistika Industri Teknik Industri USB

D. PROSEDUR PRAKTIKUM
Lakukan uji hipotesis untuk kasus berikut :
1. Wakil presiden ASTRA DAIHATSU MOTOR menduga bahwa sekitar 20% dari komponen
kendaraan motor yang terjual di Indonesia adalah palsu (sumber : Harian Bisnis), untuk
membuktikan dugaan tersebut, dilakukan susrvei terhadap 12 tempat penjualan komponen
kendaraan bermotor. Hasil yang diperoleh adalah sebagai berikut :
Tempat Persentase komponen
penjualan kendaraan yang palsu (%)
1 27
2 24
3 25
4 26
5 25
6 21
7 22
8 24
9 23
10 22
11 23
12 20

Dari data tersebut di atas, ujilah kebenaran dugaan tersebut!

2. Perhitungan konsumsi energi pekerja sebelum dan sesudah menggunakan alat bantu adalah
sebagai berikut :
Konsumsi energi
Pekerja
sebelum sesudah
Budi 7 5
Hari 8 4.5
Tono 7 4.6
Doni 8 4
Syamil 6.9 5
Ali 7.1 4.8
Eko 7.8 4.4
Kiki 7.6 4.6
Hasto 7.7 4.7
Dari data tersebut, ujilah apakah ada perbedaan yang signifikan antara sebelum dan sesudah
menggunakan alat bantu?

28
Modul Praktikum Statistika Industri Teknik Industri USB

3. Jumlah kredit macet per tahun buku 2004 di Bank Rakyat Indonesia (BRI) :
Segmen kredit Status kredit
Diragukan (milyar) Macet (milyar)
Kredit mikro 120 112
Kredit ritel 133.3 291.4
Kredit program 13.5 41.8
Kredit menengah 290 511.2
Dari data di atas, ujilah apakah ada perbedaan yang signifikan antara jumlah kredit diragukan
dengan kredit macet!
E. FORMAT LAPORAN
1. Pendahuluan
2. Tujuan Praktikum
3. Landasan Teori
4. Pengumpulan dan Pengolahan Data
4.1 Pengumpulan data
4.2 Perhitungan manual
4.3 Pengolahan data dengan SPSS
5. Pembahasan
6. Kesimpulan

29
Modul Praktikum Statistika Industri Teknik Industri USB

MODUL IV
UJI ANOVA

A. TUJUAN PRAKTIKUM
Dari praktikum ini, praktikan diharapkan :
1. Mengetahui dan memahami uji statistik dengan menggunakan ANOVA.
2. Mengetahui persoalan dan masalah-masalah yang berkaitan dengan uji ANOVA dalam kehidupan
sehari-hari.
3. Dapat menyelesaikan persoalan uji ANOVA dan menarik kesimpulan yang sesuai dengan
persoalan yang diujikan.

B. TEORI PENGANTAR PRAKTIKUM

Analisis ragam (Analysis of Variance) atau yang lebih dikenal dengan istilah ANOVA adalah
suatu teknik untuk menguji kesamaan beberapa rata-rata secara sekaligus. Uji yang dipergunakan
dalam ANOVA adalah uji F karena dipakai untuk pengujian lebih dan 2 sampel.
Anova dapat digolongkan kedalam beberapa kriteria, yaitu :
1. Klasifikasi 1 arah
ANOVA klasifikasi 1 arah merupakan ANOVA yang didasarkan pada pengamatan 1 kriteria.
2. Klasifikasi 2 arah
ANOVA kiasifikasi 2 arah merupakan ANOVA yang didasarkan pada pengamatan 2 kritenia.
3. Klasifikasi banyak arah
ANOVA banyak arah merupakan ANOVA yang didasarkan pada pengamatan banyak kriteria.
Pada modul IV akan dilakukan pengujian ANOVA 1 arah dan ANOVA 2 arah.

1. ANOVA 1 ARAH
ANOVA klasifikasi 1 arah merupakan ANOVA yang didasarkan pada pengamatan 1 kriteria
Setiap kriteria dalam pengujian ANOVA mempunyai level.
Contoh :

Sudut Pemotongan Kriteria

300 450

Level Gambar 4.1 Kriteria dan Level

30
Modul Praktikum Statistika Industri Teknik Industri USB

Asumsi pengujian ANOVA :

1. Populasi yang akan diuji berdistribusi normal
2. Varians/ragam dan populasi yang diuji sama
3. Sampel tidak berhubungan satu dengan yang lain
Tujuan dan pengujian ANOVA ini adalah untuk mengetahui apakah ada pengaruh dari
berbagai kriteria yang diuji terhadap hasil yang diinginkan. Misal, seorang manajer produksi menguji
apakah ada pengaruh kebisingan yang ditimbulkan oleh mesin-mesin produksi di pabrik pada hasil
perakitan sebuah komponen yang cukup kecil dan sebuah sirkuit yang memerlukan konsentrasi yang
tinggi dari seorang operator rakit.
Dalam pengujian ANOVA ini, dipergunakan rumus hitung sebagai berikut:

Tabel 4.1 Analisis Ragam Kiasifikasi Satu Arah

Sumber Derajat
Jumlah Kuadrat Kuadrat Tengah F hitung
Keragaman Bebas
Mean JKK
JKK k–1
Kolom s12 = k − 1 s1
2

2
Galat JKG s2
JKG k (n-1)
(Error)
s12 =
k (n − 1)
Total HKT nk – 1
Sumber: Walpole, Ronald E. (199)

Dimana :
2
k n
T 2 ..
JKT =   xij −
i =1 j =1 nk JKG = JKT – JKK
k 2

Ti T ..2
JKK = i =1
−
n nk

Aplikasi Perhitungan Manual pada Uji Anova 1 Arah

1. Ada yang mengatakan bahwa mobil mahal dirakit lebih berhati-hati dibandingkan dengan
mobil murah. Untuk menyelidiki apakah pendapat ini beralasan, diambil tiga tipe mobil: mobil
mewah besar A, sedan berukuran sedang B, dan sedan subkompak hatchback C, untuk
diselidiki berapa banyaknya bagian yang cacat. Semua mobil itu diproduksi oleh pabrik yang
sama. Data banyaknya yang cacat dan beberapa mobil bagi ketiga tipe itu dapat dilihat:

31
Modul Praktikum Statistika Industri Teknik Industri USB

Tabel 4.2 Banyaknya Mobil Yang Cacat

Mobil
A B C
4 5 8
7 1 6
6 3 8
6 5 9
3 5
4
Total 23 21 36 80

Lakukan analisis ragam, dan ujilah hipotesis pada taraf nyata 0.05 bahwa rata-rata banyaknya
bagian yang cacat adalah sama untuk ketiga tipe mobil tersebut!

Penyelesaian :
1. H0 = rata-rata banyaknya bagian yang cacat adalah sama untuk ketiga tipe mobil
2. H1 = sekurang-kurangnya dua rata - rata tidak sama
3.  = 0,05
4. Wilayah kritik = f : 3.89
5. Perhitungan :

802
JKT = 4 2 + 7 2 + ... + 52 −
15
JKT = 65.333
232 212 362 802
JKK = + + −
4 6 5 15
JKK = 38.283
JKG = 65.333 − 38.283 = 27.050

32
Modul Praktikum Statistika Industri Teknik Industri USB

Hasil perhitungan :

Tabel 4.3
Analisis Ragam bagi Data Klasifikasi Satu Arah
Sumber Derajat
Jumlah Kuadrat Kuadrat Tengah F hitung
Keragaman Bebas
rata – rata
38.283 2 19.142
kolom
8.49
Galat
27.050 12 2.254
(Error)
Total 65.333 14

6. F hitung > f tabel, maka Ho ditolak.

Keputusan: Tolak H0, dan simpulkan bahwa rata-rata banyaknya bagian yang cacat untuk
ketiga model itu tidak sama.

Pengolahan Data Uji Anova 1 Arah dengan Software SPSS

Dalam pengujian kasus ANOVA 1 arah dengan menggunakan program SPSS penyelesaian
untuk pemecahan suatu masalah adalah sebagai berikut :
Langkah-langkahnya :
a. Pilih Analyze ------ Compare Means ------ One Way Anova
b. Kemudian lakukan pengisian terhadap :
- Kolom Dependent List
- Kolom Factor
- Kolom Option :
• Statistics
Pilih Descriptive dan Homogeneity of variance
• Missing Values
Pilih Exclude cases analysis by analysis
• Setelah pengisian tekan Continue

2. ANOVA 2 ARAH
Tujuan dan pengujian ANOVA 2 arah ini adalah untuk mengetahui apakah ada pengaruh dan
berbagai kriteria yang diuji terhadap hasil yang diinginkan. Misal, seorang manajer teknik menguji
apakah ada pengaruh antara jenis pelumas yang dipergunakan pada roda pendorong dengan
kecepatan roda pendorong terhadap hasil penganyaman sebuah karung plastik pada mesin circular.
Dalam pengujian ANOVA ini, dipergunakan rumus hitung sebagai berikut:

33
Modul Praktikum Statistika Industri Teknik Industri USB

Tabel 4.4 Analisis Ragam Klasifikasi Dua Arah

Sumber Derajat
Jumlah Kuadrat Kuadrat Tengah F hitung
Keragaman Bebas
Rata – rata JKB 2
s
JKB r–1 f1 = 1 2
Baris s12 = r − 1 s3
Rata - rata JKK
JKK k–1
s22 = c − 1
kolom

2
Galat s32 = s
f2 = 12
(Error) JKG (r – 1) (k – 1) JKG s3
(r − 1) (c − 1)
Total JKT rc – 1

Sumber: Walpole, Ronald E. (1995)

Dimana:
Dimana :
r c
T 2 ..
JKT =   xij −
2

i =1 j =1 rc JKG = JKT – JKB - JKK

r 2

Ti T ..2
JKB = i =1
−
c rc
c

T . j
j =1
2

T ..2
JKK = −
r rc

Aplikasi Perhitungan Manual pada Uji Anova 2 Arah

1. Data berikut ini adalah nilai akhir yang dicapai oleh 4 mahasiswa dalam mata kuliah kalkulus,
manajemen, fisika, dan agama.

Tabel 4.5 Daftar Nilai Akhir Mahasiswa

Mata Kuliah Total
Mhs
Kalkulus Ekonomi Fisika Agama
1 68 94 91 86 339
2 83 81 77 87 328
3 72 73 73 66 284
4 55 68 63 61 247
Total 278 316 304 300 1198

Lakukan analisis ragam, dan gunakan taraf nyata 0.05 untuk menguji hipotesis bahwa :

34
Modul Praktikum Statistika Industri Teknik Industri USB

a. Keempat mata kuliah itu mempunyai tingkat kesulitan yang sama!

b. Keempat mahasiswa itu mempunyai kemampuan yang sama!

Penyelesaian :
1. H0’ = Keempat mata kuliah itu mempunyal tingkat kesulitan yang sama
H0” = Keempat mahasiswa itu mempunyai kemampuan yang sama
2. H1’ = sekurang-kurangnya satu tidak sama
H1” = sekurang-kurangnya satu tidak sama
3.  = 0.05
4. Wilayah kritik = f1 : 3.86, dan f2 : 3.86
5. Perhitungan:

11982
JKT = 682 + 833 + ... + 612 −
16
JKT = 1921.75
3392 + 3282 + 2842 + 247 2 11982
JKB = −
4 16
JKB = 1342.25

2782 + 3162 + 3042 + 3002 11982

JKK = −
4 16
JKK = 188.75
JKG = 1921.75 − 1342.25 − 188.75 = 390.75

Hasilnya dan perhitungan lainnya :

Tabel 4.6 Analisis Ragam bagi Data Klasifikasi Dua Arah

Sumber Derajat
Jumlah Kuadrat Kuadrat Tengah F hitung
Keragaman Bebas
Rata – rata
1342.25 3 447.42 f1 = 10.3
Baris
Rata - rata
kolom 188.75 3 62.92

Galat f2 = 1.45
390.75 9 43.42
(Error)
Total 1921.75 15

6. Keputusan :
a. Tolak H0’, dan simpulkan bahwa keempat mata kuliah mempunyai kesulitan yang
tidak sama.

35
Modul Praktikum Statistika Industri Teknik Industri USB

b. Terima H0”, dan simpulkan bahwa keempat mahasiswa itu mempunyai kemampuan
yang sama.

Pengolahan Data Uji Anova 2 Arah dengan Software SPSS

Langkah-langkahnya :
a. Pilih Analyze ------ General Linear Model ------ Univariate
b. Kemudian lakukan pengisian terhadap :
- Kolom Dependent Variable
- Kolom Factor(s)
• Masukkan yang termasuk Fixed Factor(s)
• Masukkan yang termasuk Random Factor(s)
• Setelah pengisian, tekan Continue
- Setelah pengisian selesai, tekan OK

(Percobaan pengolahan data pada SPSS dengan soal sama dengan soal aplikasi manual)

C. PROSEDUR PRAKTIKUM
Uji anova 1 arah
1. Selama ini suatu perusahaan memiliki 3 jenis mesin untuk melakukan proses produksi yang
sama. Perusahaan ingin menguji apakah ketiga mesin tersebut menghasilkan produktivitas yang
sama. Untuk mengujinya, manajer peroduksi mengambil data produktivitas ke tiga mesin sebagai
berikut :
Mesin A Mesin B Mesin C
Produktivitas
72,2 78,6 78,4
75,6 80,2 79,9
77,5 74,5 80,6
81,5 83,5 75,9

Dengan tingkat signifikansi 5%, ujilah dengan ANOVA apakah ketiga jenis mesin menghasilkan
produktivitas yang sama?

2. Berikut ini adalah hasil perhektar dari 4 jenis padi dengan penggunaan pupuk yang
berbeda.

4 6 7 8 25
9 8 10 7 34

6 7 6 5 24
19 21 23 20 83

36
Modul Praktikum Statistika Industri Teknik Industri USB

Dengan taraf nyata 5%, ujilah apakah rata-rata hasil perhektar sama untuk :
a. Jenis pupuk (pada baris),
b. Jenis tanaman (pada kolom).

D.FORMAT LAPORAN
1. Pendahuluan
2. Tujuan Praktikum
3. Landasan Teori
4. Pengumpulan dan Pengolahan Data
4.4 Pengumpulan data
4.5 Perhitungan manual
4.6 Pengolahan data dengan SPSS
5. Pembahasan
6. Kesimpulan

DAFTAR PUSTAKA

Walpole, Ronald E. 1995. Pengantar Statistika Edisi ke-3. Penerbit: PT. Gramedia Pustaka Utama.
Jakarta
Santoso, Singgih. 2002. SPSS Versi 10 Mengolah Data Statistik Secara Profesional. Penerbit: PT.
Elex Media Komputindo Kelompok Gramedia. Jakarta

37
Modul Praktikum Statistika Industri Teknik Industri USB

MODUL V
UJI CHI SQUARE

A. TUJUAN PRAKTIKUM
Dari praktikum ini praktikan diharapkan :
1. Dapat membandingkan antara frekuensi-frekuensi harapan dengan frekuensi-
frekuensi teramati.
2. Dapat mengetahui data sebuah sampel yang diambil menunjang hipotesis yang
menyatakan bahwa populasi asal sampel tersebut mengikuti suatu distribusi yang
telah ditetapkan.
3. Dapat melatih kemampuan mahasiswa/mahasiswi untuk mengatasi masalah
industri yang berhubungan dengan chi-square.
4. Dapat mengembangkan keterampilan mahasiswa/mahasiswi dalam menggunakan
dan menganalisa dengan program SPSS 16.00

B. TEORI PENGANTAR PRAKTIKUM

Uji chi square meliputi :
Uji Kebaikan Suai (goodness of fit)

Uji kebaikan suai adalah uji yang didasarkan pada seberapa baik kesesuaian antara
frekuensi yang teramati dalam data sampel dengan frekuensi harapan yang didasarkan pada
distribusi yang dihipotesiskan. Untuk menentukan apakah suatu populasi mempunyai
distribusi teoritik tertentu. (Wallpole, 1996). Hipotesis untuk uji kebaikan suai chi kuadrat
selalu berbentuk uji hipotesis dua sisi (two-sided atau two-tailed test) dengan hipotesis:

H0 : πi = πi0
H1 : tidak semua πi = πi0
Dimana :
.i = 1, 2. 3 … k
k = banyaknya kategori
πi0 = probalitas atau proporsi atau frekuensi acuan.

Uji kebaikan suai dirumuskan :

S
k
(Oi - ei)2
x2 =
i =1
ei

OI : frekuensi yang teramati

38
Modul Praktikum Statistika Industri Teknik Industri USB

ei : frekuensi harapan bagi sel ke-i

x2 : merupakan sebuah nilai bagi peubah acak x2 yang sebaran penarikan contohnya sangat
menghampiri sebaran chi-kuadrat.
Bila frekuensi yang teramati sangat dekat dengan frekuensi harapannya nilai x 2 akan
kecil. Hal ini menunjukkan adanya kesesuaian yang baik, bila frekuensi yang teramati berbeda
cukup besar dari frekuensi harapannya nilai x2 akan besar sehingga kesesuaiannya akan buruk.
Kesesuaian yang baik akan membawa pada penerimaan Ho, sedangkan kesesuaian yang buruk
akan membawa pada penolakan Ho.
Untuk taraf nyata  nilai kritiknya x2  dapat diperoleh pada tabel. Dengan demikian
wilayah kritiknya adalah x2 > x2 . Banyaknya derajat bebas dalam uji kebebasan suai yang
didasarkan pada sebaran chi-kuadrat adalah sama dengan banyaknya sel dikurangi dengan
banyaknya besaran yang diperoleh dari data pengamatan (sampel) yang digunakan dalam
perhitungan frekuensi harapannya.
Prosedur goodness of fit secara manual dapat dilakukan dengan 4 langkah, yaitu :
1. Nyatakan Ho
2. Tentukan taraf nyata yang akan digunakan
3. Tentukan statistic uji x2 dan derajat bebasnya
4. Tentukan daerah penolakan
5. Hitung x2 dan tentukan ditolak atau diterimanya Ho

Uji Kebebasan Suai

Prosedur uji chi-kuadrat dapat pula digunakan untuk menguji hipotesis kebebasan
antara 2 peubah, yaitu untuk menguji apakah dua variabel bersifat independen atau dependen.
Uji kebebasan suai dirumuskan :

S
k
(Oi - ei)2
x2 =
i =1
ei
dengan derajat bebas :
V = (r - 1) (c - 1)
Bila x2 = x2  tolak hipotesis o bahwa kedua penggolongan itu bebas pada taraf nyata , bila
selainnya terima Ho (Wallpole, 1996).

39
Modul Praktikum Statistika Industri Teknik Industri USB

C. PENGOLAHAN DATA MODUL 5 DENGAN SPSS

Uji kebaikan suai

Contoh Kasus 1 (frekuensi harapan sama) :

Sebuah perusahaan pasta gigi ingin memasarkan pasta gigi dengan rasa : strawberry,
vanilla, coklat, jeruk, dan nanas. Perusahaan tersebut ingin mengetahui apakah konsumen
memiliki preferensi tertentu terhadap kelima rasa pasta gigi tersebut. Perusahaan melakukan
suatu survey dengan membagikan kemasan kecil dari setiap rasa pasta gigi kepada 200
konsumen. Data preferensi dari 200 konsumen terhadap kelima rasa pasta gigi tersebut adalah
sebagai berikut :

Rasa pasta gigi Frekuensi konsumen yang memilih rasa

tersebut
Strawberry 32
Vanilla 30
Coklat 28
Jeruk 58
Nanas 52
Total 200
Apakah ada preferesi tertentu konsumen terhadap kelima rasa pasta gigi tersebut ?
( gunakan α = 0,01 ).

Penyelesaiannya :
Ada 5 kategori untuk variable kategorik rasa pasta gigi, k= 5.
Frekuensi harapan = = 40.

Bentuk hipotesis :
H0 : preferensi terhadap kelima rasa pasta gigi sama.
H1 : preferensi terhadap kelima rasa pasta gigi tidak sama.
Atau
H0 : πstrawberry = πvanila = πcoklat = πjeruk = πnanas = 40
H1 : tidak semua πstrawberry = πvanila = πcoklat = πjeruk = πnanas sama dengan 40.

(perhitungan manual akan dijelaskan secara langsung di kelas)

40
Modul Praktikum Statistika Industri Teknik Industri USB

Prosedur dengan SPSS

1. pada lembar variable view kita definisikan variabel rasa pasta gigi dengan nama rasa
(dengan data value ‘1= strawberry’ ; ‘2=vanila’; ‘3=coklat’; ‘4=jeruk’; ‘5=nanas’) dan
variabel frekuensi dengan nama frekuensi.

2. pada lembar data view, masukkan data rasa dan frekuensi :

3. klik data lalu pilih weight cases.

4. pilih option weight cases by. Masukkan variabel frekuensi. Lalu klik ok.
5. lalu klik analyze pilih nonparametric Test, Chi-Square. Pindahkan variabel rasa
pasta gigi [rasa] ke dalam box test variable(s). klik option. Pilih descriptive lalu klik
continue.

41
Modul Praktikum Statistika Industri Teknik Industri USB

6. kemudian klik ok maka akan di dapat hasil analisi chi-square goodness-of-fit test
Interpretasi hasil :

Chi-Square Test

Frequencies

rasa pasta gigi

Observed Expected
N N Residual
strawberry 32 40.0 -8.0
vanila 30 40.0 -10.0
coklat 28 40.0 -12.0
jeruk 58 40.0 18.0
nanas 52 40.0 12.0
Total 200
Test Statistics

rasa pasta gigi

Chi-Square(a) 19.400
Df 4
Asymp. Sig. .001

a 0 cells (.0%) have expected frequencies less than 5. The minimum expected cell
frequency is 40.0.

42
Modul Praktikum Statistika Industri Teknik Industri USB

Interpretasi hasil

Untuk chi-square goodness-of-fit test, SPSS memberikan hasil χ2 = 19.4 dengan derajat
kebebasan = k-1 =5-1 =4 dan P-value = 0.001. karena P-value=0.001 lebih kecil dari α=0.01,
maka H0 : πstrawberry = πvanila = πcoklat = πjeruk = πnanas = 40 di tolak.

Kesimpulan preferensi konsumen terhadap kelima rasa pasta gigi tidak sama.

Contoh Kasus 2 (frekuensi harapan tidak sama) :

Pabrik permen coklat kacang M&M menyatakan dalam setiap kantong permen coklat
kacang kemasan 500 gram terdapat 30% permen warna coklat, 20% permen warna hijau, 20%
warna merah, 20% warna kuning, dan 10% warna biru. Seorang naka membeli 1 kemasan
permen tersebut dan di dalamnya terdapat 188 permen dengan rincian warna sebagai berikut ;
67 warna coklat, 24 warna hijau, 51 warna merah, 22 warna kuning, dan 24 warna biru.
Gunakan taraf signifikan α=0.01, untuk menguji apakah distribusi warna permen sesuai
dengan pernyataan pabrik.

Penyelesaianya:

Bentuk hipotesis :

H0 : πcoklat =56,4; πhijau = 37,6; πmerah =37,6; πkuning =37,6; πbiru = 18,8.

H1 :Distribusi warna permen coklat kacang tidak sesuai dengan πcoklat =56,4; πhijau =
37,6; πmerah =37,6; πkuning =37,6; πbiru = 18,8.

Dimana :

πcoklat =30% x 188= 56,4. πkuning =20% x 188= 37,6.

πhijau = 20% x 188= 37,6. πbiru = 10% x 188= 18,8.

πmerah =20% x 188= 37,6.

Prosedur dengan SPSS

1. pada lembar variable view kita definisikan variabel warna permen coklat dengan nama
warna ( dengan data value ‘1=coklat’ ; ‘2=hijau’; ‘3=merah’; ‘4=kuning’; ‘5=biru’) dan
variabel frekuensi dengan nama frekuensi.

43
Modul Praktikum Statistika Industri Teknik Industri USB

2. pada lembar data view, masukkan data rasa dan frekuensi :

3. klik data lalu pilih weight cases.

4. pilih option weight cases by. Masukkan variabel frekuensi. Lalu klik ok.

5. lalu klik analyze pilih nonparametric Test, Chi-Square. Pindahkan variabel warna
permen [warna] ke dalam box test variable(s). pada Expected value. Pilih values
masukkan ke lima frekuensi harapan lalu klik add.

6. klik menu option. Pilih descriptive lalu klik continue. Lalu klik ok
44
Modul Praktikum Statistika Industri Teknik Industri USB

Uji kebebasan suai

Uji khi kuadrat ( χ2) untuk kebebasan ( chi-square ( χ2) test for independence ) atau
disebut juga contingency-table analysis digunakan untuk menguji apakah dua variabel
kategorik bersifat independen atau dependen.
Contoh kasusnya sebagai berikut :
Seorang penegak hukum mengklasifikasi tindakan kriminal menjadi dua tipe: ‘dengan
kekerasan’ atau ‘tanpa kekerasan’. Suatu investigasi dilakukan untuk mempelajari tipe tindak
kriminal tergantung pada usia pelaku tindak kriminal tersebut. Suatu sampel acak dari 100
pelaku tindak kriminal diambil dari data kepolisian. Data ini di tabulasi-silangkan sebagai
berikut :
Kelompok usia ( dalam tahun)
Tipe tindak criminal Dibawah 25 25-49 50 keatas
Dengan kekerasan 15 30 10
Tanpa kekerasan 5 30 10
Apakah data tersebut menunjukkan bahwa tipe tindak kriminal tergantung pada usia
pelaku? gunakan α =0.05.
penyelesaiannya
hipotesis:
H0 : tipe tindak kriminal tidak tegantung pada usia pelaku.
H1 : tipe tindak kriminal tergantung pada usia pelaku.

Prosedure dengan SPSS

1. pada lembar variable view kita definisikan variabel tipe tindak kriminal dengan nama
kriminal ( dengan data value ‘1=dengan kekerasan’ ; ‘2=tanpa kekerasan’), variabel
kelompok usia dengan nama usia ( dengan data value ‘1= dibawah 25’; ‘2=25-49’;
‘3=50 keatas’) dan variabel frekuesi dengan nama frekuensi.

45
Modul Praktikum Statistika Industri Teknik Industri USB

2. kemudian pada lembar data view kita masukkan data sebagai berikut :
a. untuk tipe tindak kriminal ‘1 = dengan kekerasan’ dan usia ‘1 = dibawah 25’
dengan frekuensi data 15.
b. untuk tipe tindak kriminal ‘1 = dengan kekerasan’ dan usia ‘2 = 25-49’ dengan
frekuensi data 30.
dan seterusnya…

3. klik data lalu pilih weight cases.

4. kemudian klik analyze, descriptive statistics, dan pilih crosstabs.

5. pindahkan variabel tipe tindak kriminal [kriminal] ke box row(s) dan variabel
kelompok usia[usia] ke dalam box column(s).

6. klik cells, pada pilihan counts pilih observed dan expected, lalu klik continue.
7. kemudian klik statistics, lalu continue

46
Modul Praktikum Statistika Industri Teknik Industri USB

8. kemudian klik ok, maka akan didapat hasil sebagai berikut :

Case Processing Summary
Cases
Valid Missing Total
Percen Percen
N t N t N Percent
tipe tindak
100.0
kriminal * 100 0 .0% 100 100.0%
%
kelompok usia

tipe tindak kriminal * kelompok usia Crosstabulation

kelompok usia
dibawah 25 25-49 50 keatas Total
tipe dengan Count
tindak kekerasan
15 30 10 55
krimin
al
Expected
11.0 33.0 11.0 55.0
Count

tanpa Count
5 30 10 45
kekerasn
Expected
9.0 27.0 9.0 45.0
Count

Total Count 20 60 20 100

Expected
20.0 60.0 20.0 100.0
Count

47
Modul Praktikum Statistika Industri Teknik Industri USB

Chi-Square Tests

Asymp.
Sig. (2-
Value df sided)
Pearson Chi-
4.040(a) 2 .133
Square
Likelihood Ratio 4.231 2 .121
Linear-by-Linear
Association 2.500 1 114

100
N of Valid Cases
a 0 cells (.0%) have expected count less than 5. The minimum expected count is 9.00.

interpretasi hasil
Untuk chi-square test for independence, SPSS memberikan hasil χ2 = 4,040 dengan derajat
kebebasan
= (r-1)(c-1)=(2-1)(3-1)=2 dan P-value=0,133. Karena P-value=0,133 lebih besar dari
α=0.05, maka
H0 : tipe tindak kriminal tidak tergantung pada kelompok usia pelaku tidak dapat ditolak.
Kesimpulan tipe tindak kriminal tidak tergantung pada kelompok usia pelaku.

D. PROSEDUR PRAKTIKUM
Khusus untuk modul 5, kasus dan data langsung diberikan oleh dosen sehingga
mahasiswa dapat langsung mengerjakan dan melaporkan. Berikut adalah kasus yang harus
diselesaikan :
1. Seorang manajer produksi mempunyai anggapan bahwa jumlah permintaan produk
“motor X” adalah relative sama setiap harinya. Untuk menguji anggapan tersebut, diambil
sampel selama seminggu pengamatan untuk mendata jumlah permintaan “motor X” .
Berikut hasil pengamatan :

48
Modul Praktikum Statistika Industri Teknik Industri USB

Hari Jumlah
permintaan
Senin 150
Selasa 175
Rabu 164
Kamis 158
Jumat 165
Sabtu 209
Minggu 204
Dari data di atas, ujilah apakah jumlah permintaan ke dealer relative sama setiap harinya?
2. Hasil uji emisi (gas buang kendaraan bermotor) yang berupa pengujian kualitas gas CO,
HC, CO2, O2 di sejumlah tempat di Surakarta :
Jumlah dan jenis kendaraan Lolos Tidak lolos
Kendaraan 4 tak 32 18
Kendaraan 2 tak 30 20
Berdasarkan data di atas, ujilah apakah proporsi kendaraan yang lolos/ tidak lolos uji
adalah sama saja, baik untuk kendaraan 4 tak maupun untuk kendaraan 2 tak?

E. FORMAT LAPORAN
1. Pendahuluan
2. Tujuan Praktikum
3. Landasan Teori
4. Tugas
4.7 Studi Kasus 1
4.8 Studi Kasus 2
5. Pembahasan
6. Kesimpulan

49
Modul Praktikum Statistika Industri Teknik Industri USB

MODUL VI
REGRESI DAN KORELASI

A. TUJUAN PRAKTIKUM
Melalui praktikum ini, diharapkan mahasiswa mampu ;
1. Menjelaskan pentingnya analisis hubungan.
2. Memahami dan menerapkan regresi.
3. Menggunakan teknik ramalan dan melakukan analisis regresi.
4. Mengatasi permasalahan industri yang berhubungan dengan regresi.
5. Menghitung koefisien korelasi
6. Mengembangkan keterampilan mahasiswa/mahasiswi dalam menggunakan dan
menganalisa dengan SPPS Ver. 16.0

B. TEORI PENGANTAR PRAKTIKUM

Dalam landasan teori ini yang dibahas mengenai regresi yaitu regresi linier dan regresi
berganda. Kedua regresi ini memiliki perbedaan antara satu dengan yang lainnya.

Regresi Linier
Persamaan regresi adalah persamaan matematik yang memungkinkan untuk
meramalkan nilai-nilai suatu peubah tak bebas dari nilai-nilai satu atau lebih peubah
bebas.Regresi diterapkan pada semua jenis peramalan, dan tidak harus berimplikasi suatu
regresi mendekati nilai tengah populasi (Wallpole, 1996).
y = a + bx

Gambar
Gambar 1.2.1 6.1 Garis
Garis regresi
Regresi

Bila diberikan data contoh [(xi, yi); I = 1,2 … n], maka nilai dugaan kuadrat terkecil
bagi parameter dalam garis regresi, yaitu :
ŷ = a + bx

dapat diperoleh dari rumus :

S (S )(S )
n n n

xi yi - xi yi
i =1 i =1 i =1
b=

S (S )
n n 2

x2 i - yi 50
i =1 i =1
Modul Praktikum Statistika Industri Teknik Industri USB

dan
a =y- b x
Dimana : a = Intersep / perpotongan dengan sumbu tegak
b = Kemiringan
y = Nilai ramalan yang dihasilkan garis regresi

Regresi Berganda
Berbeda dengan regresi linier maka regresi berganda lebih kompleks (sulit) untuk
mencari persamaan regresi. Dengan melambangkan nilai dugaannya dengan b0, b1, ….., br,
maka didapat penulisan persamaan dalam bentuk.
ŷ = b0+b1 x1+b2 x2+…+br xr
dengan dua peubah bebas, persamaannya menjadi :
ŷ = b0+b1 x1I +b2 x2I + ei

Nilai dugaan kuadrat terkecil b0, b1, dan b2 dapat diperoleh dengan memecahkan
persamaan linier stimultan.

S S
S yi
n n n

n b0 + b1 x1 i + b2 x2i = (6)
i =1 i =1 i =1

b0 S x1i + b1 S x1i + b2 S x1i, x2 i = S x1i yi

n n n n
2
(7)
i =1 i =1 i =1 i =1

b0 S x2 i + b1 S x1i x2i +b2 S x 2i = S x2i yi

n n n n
2
(8)
i =1 i =1 i =1 i =1

Sistem persamaan linier tersebut dapat diselesaikan untuk mendapatkan b1 dan b2

dengan berbagai cara yang tersedia, antara lain dengan kaidah Cramer dan kemudian b0
dapat diperolah dari persamaan pertama dengan mengamati bahwa:

b0 = y -b1 x1 - b2 x2

51
Modul Praktikum Statistika Industri Teknik Industri USB

Kolerasi Linier
Koefisien korelasi merupakan bilangan yang menunjukkan kekuatan hubungan
antara dua peubah. Didefinisikan koefisien kolerasi linier sebagai hubungan linier antara
dua peubah acak X dan Y, dan dilambangkan dengan r. Jadi, r mengukur sejauh mana
titik menggerombol sekitar sebuah garis lurus. Oleh karena itu dengan membuat
diagram pencar bagi n pengamatan [(Xi, Yi), I = 1,2........, n] dan contoh acak, dapat
ditarik kesimpulan tertentu mengenai r. Bila titik-titik menggerombol mengikuti sebuah
garis lurus dengan kemiringan positif, maka ada kolerasi positif yang tinggi kedua
peubah. Akan tetapi, bila titik-titik menggerombol mengikuti sebuah garis lurus dengan
kemiringan negatif, maka antara kedua peubah itu terdapat kolerasi negatif yang tinggi.
Kolerasi antara kedua peubah semakin menurun secara numerik dengan semakin
memancarnya atau menjauhnya titik-titik dan suatu garis lurus.
Ukuran korelasi linier antara dua peubah yang paling banyak digunakan adalah
yang disebut koefisien korelasi momen hasil kali pearson atau ringkasnya koefisien
contoh.
Menurut Robert F. Walpole dalam bukunya Pengantar Statistika, 1996, koefisien
korelasi, ukuran hubungan linier antara dua peubah x dan y diduga dengan koefisien
korelasi contoh r, yaitu :
n
 n  n 
n xi y1  xi    yi 
r= i =1  i =1   i =1  =b
Sx
 n 2  n 2   n 2  n 2  Sy
n x i −   xi   n y i −   yi  
 i =1  i =1    i =1  i =1  

Dapat disimpulkan bahwa r nilainya pasti antara 0 dan 1. Alcibatnya r mungkin

mengambil nilai dari -1 sampai +1. Nilai r = 1 semua titik contoh terletak pada satu garis
iurus yang mempunyai kemiringan positif. Jadi, hubungan linier sempurna terdapat
antara nilai-nilai x dari y dalam contoh, bila r = + 1 atau r = - 1. Bila r mendekati + 1
atau -1, hubungan antara kedua peubah itu kuat dan terdapat korelasi yang tinggi aniara
keduanya. Akan tetapi, bila r mendekari nol hubungan linier antara x dan y sangat lemah
atau mungkin tidak ada sama sekali.

52
Modul Praktikum Statistika Industri Teknik Industri USB

C. PENGOLAHAN DATA
Contoh Kasus Regresi
Di bawah ini sebuah contoh kasus untuk menjelaskan pengolahan data model regresi :

Berikut ini data mengenai jumlah kalori/hari yang dikonsumsi oleh mahasiswa dan berat badan
mahasiswa yang bersangkutan.
Tabel 6.1 Data Jumlah kalori/hari dan berat badan mahasiswa
Nama Berat Badan Jumlah Kalori yang dikonsumsi
Ivan 89 530
Mely 48 300
Rosa 56 358
Setia 72 510
Mayone 54 302
Lady 42 300
Anita 60 387
Wanto 85 527
Heri 63 415
Danu 74 512

Tentukan persamaan garis regresinya secara manual dan dengan SPSS!

x = jumlah kalori yang dikonsumsi, y = berat badan

S
10
xi = 4141, yi = 643, xi yi = 279.292
i =1

S
10

x2 i = 180.233 x = 414,1 y = 64,3

i =1

S (S )(S )
n n n

xi yi - xi yi
i =1 i =1 i =1
b=

S xi- (S )
n n 2
2 yi
i =1 i =1

10 (279.292) - (4141) (643)

b=
10 (180.233) - (4141)2

130.257
b=
874.469
b = 0,149
a=y -b.x
a = 64,3 - (0,149) . (414,1)
jadi persamaan regresinya :
y = 2,608 + 0,149 .x
53
Modul Praktikum Statistika Industri Teknik Industri USB

Pengolahan Data dengan SPSS

Langkah-langkahnya :
a. Pilih menu analyze, kemudian pilih submenu regression
b. Kemudian lakukan pengisian terhadap
❖ Kolom dependent atau variabel tergantung
❖ Kolom independent atau variabel bebas
❖ Kolom case labels atau keterangan pada kasus
❖ Kolom method, untuk keseragaman pilih default yang ada yaitu enter
❖ Kolom options
Pilih stepping method criteria dengan uji F
Pilih include constant in equation
Pilih missing value yaitu exclude cases listwise
c. Klik continue untuk melanjutkan
❖ Kolom statistic
d. Pilih regression coefficient dengan klik estimate, desriptive, dan model fit
Pilih residual, klik pada casewise diagnostics dan pilih all casses
e. Klik continue untuk melanjutkan
❖ Tekan O.K.

Contoh Kasus Korelasi

Tabel berikut menunjukkan hubungan antara jumlah jam belajar dengan nilai
yang diperoleh :
Jumlah jam belajar / minggu (x) 10 15 12 20 16 22
Nilai yang diperoleh (y) 98 81 84 74 80 80
Tentukan koefisien korelasinya!
Jawab :
No xi Yi xi . yi x2i y2i
1 10 98 920 100 8464
2 15 81 1215 225 6561
3 12 84 1008 144 7056
4 20 74 1480 400 5476
5 16 80 1280 256 6400
6 22 80 1760 484 6400
95 491 7663 1609 40.357

54
Modul Praktikum Statistika Industri Teknik Industri USB

n
 n  n 
n  xi yi −   xi    yi 
r = i =1  i =1   i =1 
 n 2  n 2   n 2  n 2 
n  x i −   xi   . n  y i −   yi  
 i =1  i =1    i =1  i =1  

(6) . (7663) − (95) . (491)

6.(1609) − (95) .6.(40.357) − (491) 
r =
2 2

r = - 0,82
r2 = 0,67

Jadi koefisien korelasi sebesar - 0,82, hal ini berarti hubungan korelasi lemah karena
nilai koefisien mendekati nhlai - 1.

Pengolahan data dengan SPSS

Langkah-langkahnya:
❖ Pilih menu analyze, lalu pilih submenu correlate
❖ Kemudian lakukan pengisian terhadap:
• Kolom variabel
• Kolom correlation coefisients, pilih pearson
• Kolom test of significance, pilih two- tailed
• Kolom flag significant correlations
• Kolom options
Pilih statistics
Pilih missing values, pilih exclude cases pairwise
❖ Tekan kontinu, lalu O.K

D. PROSEDUR PRAKTIKUM
Untuk modul 6, kasus dan data langsung diberikan oleh dosen sehingga mahasiswa dapat
langsung mengerjakan dan melaporkan. Di bawah ini adalah kasus yang harus diselesaikan :

55
Modul Praktikum Statistika Industri Teknik Industri USB

Berikut ini data mengenai nilai ujian dan frekuensi membolos dari kuliah Statistik Industri 1
oleh mahasiswa USB Surakarta.

1. Data peringkat, nilai ujian dan frekuensi membolos mahasiswa USB Surakarta
Siswa Nilai Ujian Frekuensi Membolos
1 65 1
2 50 7
3 55 5
4 70 2
5 65 6
6 70 3
7 55 2
8 70 5
9 55 4
10 70 3
11 50 1
12 55 4
Tentukan persamaan regresi dan koefisien korelasinya!

2. Berikut data nilai ekspor non migas (F.O.B) :

Periode Nilai ekspor (US$ Juta)
Oktober 2004 5862.9
November 2004 3801.7
Desember 2004 5112.1
Januari 2005 4910.4
Februari 2005 5040.3
Maret 2005 5481.3
April 2005 5221.7
Mei 2005 5806.3
Sumber :LITBANG harian KOMPAS
Arti data :
Eksport non migas periode oktober 2004 adalah US$ 5862,9 Juta ; demikian untuk arti data
yang lain.

56
Modul Praktikum Statistika Industri Teknik Industri USB

Dari data di atas, buat persamaan regresi (trend), dan buat prediksi untuk ekspor non migas
pada bulan Juni 2005 serta September 2005.

E. FORMAT LAPORAN
1. Pendahuluan
2. Tujuan Praktikum
3. Landasan Teori
4. Tugas
4.1 Studi Kasus 1
4.2 Studi Kasus 2
(sertakan perhitungan manual dan pengolahan data dengan SPSS)
5. Pembahasan
6. Kesimpulan

57