See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/321183062
Probabilitas Statistik Untuk Insinyur
Presentation · November 2017
DOI: 10.13140/RG.2.2.14304.58885
CITATIONS READS
3 5,712
1 author:
Sigit Haryadi
Bandung Institute of Technology
111 PUBLICATIONS   150 CITATIONS   
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
TV Digital Kominfo Indonesia View project
Harmony in Gradation View project
All content following this page was uploaded by Sigit Haryadi on 21 November 2017.
The user has requested enhancement of the downloaded file.
Dasar Teori Probabilitas dan
Statistik Untuk Insinyur
Bahan Kuliah Semester Pendek th 2016/2017
Prodi Teknik Telekomunikasi ITB
Dosen: Sigit Haryadi

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 1

Ruang Lingkup Teori Probabilitas & Statistik
1. Fungsi Ilmu Statistik “murni”:
1. Untuk menerka “nature” dari suatu populasi yang populasinya sangat besar berdasar
sample dari yang berukuran jauh lebih kecil, berdasar suatu tingkat kepercayaan tertentu.
Tingkat kepercayaan 100% hanya bisa didapat kalau kita punya hasil pengamatan atau
pengukuran dari keseluruhan populasi. Tapi sample yang berukuran x % dari keseluruhan
populasi bukan berarti bahwa tingkat kepercayaan hanya x % central limit theorem &
confidence level theorem
2. Untuk menguji benar atau salahnya suatu pernyataan berdasar suatu tingkat kepercayaan
tertentu hypothesis testing
2. Fungsi Applied Statistic di bidang teknik telekomunikasi antara lain:
a. Untuk network planning: Regresi dan Forecasting
b. Menghitung Entropi
c. Merancang Receiver suatu modulasi
d. dll
3. Fungsi applied statistic di bidang lain-lain.

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 2

Dasar Pembentukan Teori Probabilitas &
Statistik “Murni” (1)
• Berdasar Eksperimen: experts melakukan sangat banyak eksperimen yang
bisa membuktikan bahwa ada “keterkaitan yang sangat erat” antara
sample, yaitu “sebagian kecil” dari populasi vs keseluruhan populasi.
• Ilmu Statistik murni = ilmu tentang menyimpulkan sesuatu tentang
populasi hanya berdasar sample dari populasi tersebut hypothesis
testing
• Populasi: Keseluruhan pengamatan yang ingin dipahami, dengan ukuran yang
terbatas ataupun tak terhingga
• Sample: Suatu himpunan bagian dari populasi. NB. Ada rumus untuk
menentukan ukuran sample, tapi menurt saya pribadi, rumus itu masih
lemah, harus ada orang yang mau menemukan rumus yang lebih baik!

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 3

Dasar Pembentukan Teori Probabilitas &
Statistik “Murni” (2)
• Beberapa kata kunci ilmu probabilitas & statistic “murni”
• Sample Space
• Event
• Probability
• Random Variable
• Distribution

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 4

Dasar Pembentukan Teori Probabilitas &
Statistik for Engineering Planning (1)
• Berdasar eksperimen: experts melakukan sangat banyak eksperimen
yang bisa membuktikan bahwa sesuatu yang akan datang bisa di-
forecast, dengan tingkat kepercayaan tertentu
• Kita TIDAK HARUS SELALU BENAR, kita hanya tahu bahwa SANGAT
MUNGKIN KITA BENAR: kita percaya ada kebenaran dengan tingkat
kepercayaan sekian persen.
• Melihat masa depan sebagai suatu teka-teki yang bisa dipecahkan
• We can ALMOST, not EXACTLY understand many things

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 5

Dasar Pembentukan Teori Probabilitas &
Statistik for Engineering Planning (2)
• Sebagai seorang insinyur, kita harus bisa merencanakan suatu system
yang akan dioperasikan sampai beberapa tahun kedepan, maka kita
harus bisa memperhitungkan segala sesuatu yang akan terjadi di
masa depan, meskipun PASTI kita tidak tahu pasti apa yang terjadi di
masa depan.
• Meskipun di masa depan banyak hal berubah, tetapi sebagian besar
masih ada yang tetap sama atau setidak-tidaknya mirip dengan yang
ada sekarang Masa depan “tertanam” di masa kini

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 6

Beberapa Prinsip Dasar Ilmu Probilitas &
Statistik Murni & Applied Statistic
Beberapa teori dasar yang harus dikuasai
1. Central Limit Theorem
2. Distribusi t
3. Distribusi F
4. Confidence Interval Theorem (Teorema tentang batas atas dan
batas bawah suatu nilai yang dianggap “benar” dengan tingkat
kepercayaan sekian persen)
5. Hyphotesis Testing
6. Regresi
Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 7
Central Limit Theorem
• Jika adalah mean dari sebuah sampel berukuran n
(yang diambil dari suatu populasi pengamatan)
mempunyai mean μ dan varians σ2 , dengan sebarang
distribusi (tidak harus normal), maka

adalah variabel random yang fungsi distribusinya

mendekati distribusi normal yang memiliki ukuran n
mendekati tak terhingga

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 8

 Distribusi t: Bila n kecil (<30), maka
• Jika adalah mean dari sampel acak berukuran n diambil dari populasi normal yang
memiliki mean μ dan variansi σ2, dan

• Adalah variabel random dengan distribusi t dengan degree of freedom (derajat kebebasan)
v=n-1
Gambar distribusi t dan
distribusi normal standar

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 9

Distribusi F
• Jika dan adalah variansi dari sampel acak bebas berukuran n1 dan
n2, masing-masing diambil dari dua populasi normal yang memiliki variansi
yang sama, maka

Adalah random variabel yang memiliki distribusi F dengan parameter v1=n1-

1 dan v2=n2-1

Nilai dari F yang ditabulasikan

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 10

Confidence Interval Theorem (1)
• Apabila (sample mean) digunakan untuk mengestimasi mean dari populasi, maka kita bisa
(1-α)100% percaya(confidence) bahwa error tidak akan melebihi :

• Apabila (sample mean) digunakan untuk mengestimasi mean dari populasi, maka kita bisa (1-
α)100% percaya (confidence) bahwa error tidak akan melebihi jumlah e yang ditentukan ketika
ukuran sampel (n) :

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 11

Confidence Interval Theorem (2)
• (1-α)100% confidence interval (n>30)

σ tidak diketahui

Dengan,

Mean Sample, μ = Mean Populasi, n= Ukuran Sampel, σ=standar deviasi, s=standar deviasi sampel

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 12

Confidence Interval Theorem (3)
• (1-α)100% confidence interval (n<30)

Dengan,

Mean Sample, μ = Mean Populasi, n= Ukuran Sampel, s=standar deviasi sampel

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 13

Confidence Interval Theorem (4)
Maximum Error Of Estimate

Maximum Error Of Estimate , populasi normal – σ tidak diketahui

Dengan,

μ = Mean Populasi, n= Ukuran Sampel, σ=standar deviasi, s=standar deviasi sampel

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 14

Case Study (1): Data pengukuran dan soal

Dilakukan pengukuran kebutuhan daya listrik dengan sampel sebanyak 49

computer dengan suatu merk dan type yang sama.
Hasil pengukuran: Mean sampel untuk kebutuhan daya adalah 100 watt
dengan standar deviasi sebesar 20 watt.
Soal: Berapa peluang bahwa mean kebutuhan daya listrik computer
tersebut berada diantara 93 sampai 107

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 15

Case Study (1): Solusi
• Dik : n=49, , S=20
• Dit : P (93 < µ < 107) = ?
• Jawab :
P (93 < µ < 107) = P

= 0.9858

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 16

Hyphotesis Testing (1)
Suatu anggapan atau pernyataan, yang mungkin benar atau
tidak, mengenai suatu populasi atau lebih

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 17

Hyphotesis Testing (2): Hypothesis Testing Concepts
• Ketika tujuan dari eksperimen adalah untuk
membangun sebuah pernyataan, maka negasi
dari pernyataan harus dijadikan sebagai
hipotesis null dan menjadi hipotesis alternatif.
Prinsip • H1 : Hipotesis Alternatif merupakan
pernyataan yang ingin dibuktikan
• H0 : Hipotesis null merupakan negasi dari
pernyataan

• Tipe 1 error : Penolakan dari H0 padahal H0

kenyataannya benar. α = probability penyebab error
Tipe Error & tipe 1
level of
• Tipe 2 error : Penerimaan dari H0 padahal H1
significance kenyataannya benar. β = probability penyebab error
tipe 2

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 18

 Tentukan hipotesis null dan alternatif hipotesis

1 adalah sesuai, yaitu hipotesis bisa diterima ketika

hipotesis null harus ditolak

Tentukan probability dari error tipe I, jika

Hyphotesis 2 memungkinkan atau dibutuhkan

Atau tentukan probability dari error tipe II sebagai
alternatif tertentu
Testing (3):
Berdasarkan distribusi sampling yang sesuai,
Step by step tentukan kriteria untuk melakukan uji hipotesis null

Testing 3 terhadap alternatif yang diberikan

terhadap
Hipotesis 4 Kalkulasikan dari data yang diketahui bagaimana
keputusan harus dibuat

Keputusan untuk menolak hipotesis adalah dilakukan

5 bila kita gagal untuk menolaknya

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 19

Case Study 1 Hypothesis Testing: Soal
• Hipotesis proporsi yang cacat dari suatu sampel berukuran 100 adalah
menunjukkan bahwa 20 barang yang cacat akan mendukung
penolakan null hipotesis bahwa proporsi yang cacat adalah sama
dengan 10 persen
• Mengapa? Bila memang p=0.10 maka peluang mendapatkan 20 atau lebih
yang cacat sekitar 0.0035. Dengan peluang berbuat salah seperti itu tentunya
lebih aman menolak hipotesis bahwa p=0.10

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 20

Case Study 2 Hypothesis Testing: Data
• Berikut adalah data sampel banyak pelanggan operator seluler X di dua kota.
Bandung Surabaya
Pelanggan operator seluler X 54 47
Banyak pelanggan dari 100 100
semua operator seluler yang
disurvey

• Dengan taraf signifikansi 5 %, ujilah apakah market share operator seluler X di kota Bandung lebih
besar daripada market share operator seluler X di kota Surabaya ?

(market share = jumlah pelanggan salah satu operator dibandingkan total pelanggan seluruh
operator di kota itu)

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 21

Case Study 1 Hypothesis Testing: Cara
menyelesaikan soal
Solusi:
Ini adalah persoalan pada distribusi binomial, karena yang ditanyakan adalah
jumlah pelanggan operator seluler dibandingkan dengan yang bukan
Maka dengan σ = 2 Jika cuplikan saling bebas sejumlah n1 dan n2 diambil
secara acak dari dua populasi, diskrit maupun kontinyu, dengan mean µ1
dan µ2 dan variansi σ12 dan σ22.
Maka sebaran cuplikan dari beda mean X1-X2 akan mendekati normal
dengan mean dan variansi.
µX1-X2 = µ1 - µ2
σ2X1-X2= σ12/n1 + σ22/n2
Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 22
Case Study 1 Hypothesis Testing: Solusi
Diketahui : Misal Bandung =1, Surabaya=2, maka

Soal : Apakah P1>P2 (dengan α=0.05)?

Solusi menggunakan “One –tailed test”
1) Maka, hipotesis dinyatakan sebagai : H0 : P1-P2=0; H1 : P1-P2>0;
α=0.05 dan daerah Kritis z>1.645
2) Rumus
3) Perhitungan: Z= (0.07-0)/0.07054=0.9923
4) Keputusan: Terima H0 dan kita tidak yakin bahwa market share dari
operator seluler X di Bandung lebih besar daripada di Surabaya

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 23

• Dari sampel pengukuran terhadap 100 perusahaan yang
merupakan sebagian pelanggan wholesale dari suatu
operator FTTH , diketahui bahwa mean dari langganan =
Rp 5.550.000,-per bulan per pelanggan wholesale dengan
standar deviasi Rp. 1.550.000,-.
• Soal: dengan menggunakan hypothesis testing dengan
taraf signifikansi 1 %, ujilah apakah mean dari langganan
dari semua pelanggan wholesale dari operator FTTH
tersebut adalah kurang dari Rp 6.000.000 per bulan per
pelanggan wholesale

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 24

 Case Study 2 Hypothesis Testing: Solusi
• Diketahui : n=100, X=5,550,000 ,-, S=1,550,000,-
• Soal : Apakah μ < 6,000,000 (α=0.01)?
• Jawab : One-tailed test
1) Hipotesis: H0: μ=6,000,000; H1: μ<6,000,000; Signifikansi: α=0.01;
Daerah Kritis : Z<-2.33
2) Perhitungan Z= (lihat table distribusi F: masuk
daerah kritis)
3) Kesimpulan: Tolak H0, artinya bahwa benar mean mean dari
langganan dari semua pelanggan wholesale dari operator FTTH
tersebut adalah kurang dari Rp 6.000.000 per bulan per pelanggan
wholesale
Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 25
Resume dari case study 1 dan 2 of Hypothesis
Testing Case 01 Case 02 Case 03

Penerimaan suatu Penolakan suatu

hipotesis hipotesis disebabkan
disebabkan bahwa bahwa sampel
data yang ada tidak membantah
cukup valid untuk kebenarannya.
menolaknya

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 26

Regresi
1. Regresi linier
2. Anova
3. Ancova
4. Haryadi Index
5. Dan lain-lain akan ditambahkan di kelas

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 27

1.
Linear Correlation
• Pengukuran Variabel hubungan linear antara dua variabel x dan y
yang diestimasi dari sampel oleh koefisien korelasi r, dimana

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 28

Linear Regression
Persamaan Model

- Dimana y sering disebut sebagai variabel dependen (diterangkan)

- Sedangkan x sering disebut sebagai variabel independen (menerangkan)

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 29

Liniear Regression Estimation

Sedangkan, jika untuk σ2

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 30

Confidence Interval for β
• A(1-α)*100% confidence interval untuk parameter β dalam garis
model populasi y = α + βx adalah sebagai berikut :

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 31

Notation For the
Sum of Squares & Sum of Cross
Products

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 32

Coefficient of Multiple Determination

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 33

Meaning of R2
R2 menjelaskan seberapa besar persentasi total variasi
variable dependen yang dijelaskan oleh model

R2 semakin besar atau mendekati 1,

maka model makin tepat

Suatu R2 sebesar 1 berarti ada kecocokan sempurna.

sedangkan yang bernilai 0 berarti tidak ada hubungan antara
variabel tak bebas dengan variabel yang menjelaskan.

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 34

Linear Regression Case Study: Data
• Seorang operator ingin mengetahui hubungan antara kecepatan internet dengan
jumlah data yang terkirim, apakah kecepatan pengiriman data mempengaruhi
jumlah data yang terkirim.

Jumlah data
Kecepatan internet (kbps) yang terkirim (GB)
104 113
103 112
98 101
103 100
92 88
108 111
Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 35
Linear Regression Case Study: soal
a) Hitung koefisien korelasi (r) ! Apa makna dari koefisien korelasi ini ?
b) Buatlah persamaan regresinya?
c) Tentukan estimasi interval dari gradient persamaan regresi tersebut
(5% level of significance dan 1 % level of significance)?
d) Gunakan uji hipotesa untuk menentukan apakah kita bisa cukup
meyakini bahwa slope (atau gradien) persamaan regresi ini tidak
sama nol atau tidak? Gunakan ( 5% level of significance dan 1 %
level of significance)?

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 36

Linear Regression Case Study: Solusi (1)
Diketahui: Misal Kecepatan pengiriman data = x dan jumlah data yang terkirim =y
Soal: a. r?
b. Model Y?
c. α=0.01 dan α=0.05?
d. Uji Hipotesa?
Jawab : Tabel Bisa
n dibuatxmenjadi sebagai
y x2 :
berikut y2 xy
1 104 113 10816 12769 11752
2 103 112 10609 12544 11536
3 98 101 9604 10201 9898
4 103 100 10609 10000 10300
5 92 88 8464 7744 8096
6 108 111 11664 12321 11988
608 625 61766 65579 63570
Σ
Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 37
Linear Regression Case Study: Solusi (2)

Sehingga y = - 50.225 + 1.524x

c) Sxx=155.333, Sxy=236.6667, Syy=474.8333, s=5.344314
t0.025=2.776, t0.005=4.604
Untuk α = 0.05, 0.333052<β<2.714158
Untuk α = 0.01, 0.333052<β<2.714158

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 38

Linear Regression Case Study: Solusi (3)
d) - H0: =0,
- H1: β > 0 a
- i. α = 0.05, ii. β = 0.01
- Daerah kritis : - t > t0.05= 2.132, t > t0.01= 3.747
-

- untuk α=0.05, tolak H0, artinya bisa disimpulkan slope > 0

- untuk α=0.01, terima H0, artinya tidak bisa disimpulkan bahwa slope >0

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 39

2. ANOVA:
ANOVA
Model Equation for one-way classification

Untuk i = 1,2,….,k; j=1,2,…,ni

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 40

Observation Model
Observasi Means Sum of Squares

Sample 1:

Sample 2:
…

…
Sample i:
…

…
Sample k:

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 41

Decomposition of the Degree of Freedom(df)
D.f. Total = d.f. Treatment + d.f. Error

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 42

Mean Square & F Ratio Treatment

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 43

Sum of Squares

Dimana C disebut sebagai

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 44

ANOVA Table
Degrees
Source of
of Sum of Squares Mean Square F
Variation
Freedom

MS(Tr) = SS(Tr)/(k-
Treatments k-1 SS(Tr)
1)

Error N-k SSE MSE = SSE/(N-k)

Total N-1 SST

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 45

3. ANCOVA MODEL EQUATION

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 46

Sum of Products-Ancova

SPE=SPT-SPT(Tr)
Dimana Faktor koreksi C, didekati dengan persamaan

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 47

Adjusted Sum of Squares-analysis of
covariance

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 48

ANCOVA TABLE
Source of Sum of Sum of Sum of Sum of Degrees Mean
Variation Squares Squares products Squares of Square
for x for y for y’ Freedom

Treatments SS(Tr)x SS(Tr)y SP(Tr) SS(Tr)y’ k-1 MS(Tr) =

SS(Tr)/(k-
1)
Error SSEx SSEy SPE SSEy’ N-k MSE =
SSE/(N-k)
Total SSTx SSTy SPT SSTy’ N-1

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 49

ANOVA & ANCOVA CASE STUDY:
MENGGUNAKAN SOFTWARE ATAU APLIKASI

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 50

4. Haryadi Index
• = ; >
∑ ∑ ∑

• Persamaan Model : Y = a X

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 51

Haryadi Index case Study 1: Soal dan Pengerjaan
Kerjakan soal di halaman 35 menggunakan Haryadi Index

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 52

 Haryadi Index case Study 1: Solusi
• Persamaan Model: Y = (6.160 /6) X = 1.027 X; Y = jumlah data yang terkirim
dan X = kecepatan internet
• Tingkat Korelasi = Rumus:HI(6) = 1/[6{S12 + S22 + S32 + S42 + S52 + S62 + (S2-S1)2
+ (S3-S1)2 + (S4-S1)2 + (S5-S1)2 + (S6-S1)2 + (S3-S2)2 + (S4-S2)2 + (S5-S2)2 + (S6-S2)2 +
(S4-S3)2 + (S5-S3)2 + (S6-S3)2 + (S5-S4)2 + (S6-S4)2 + (S6-S5)2}]
• Tingkat korelasi = 1/[6{0.1762 + 0.1772 + 0.1672 + 0.1582 + 0.1552 + 0.1672 +
(0.177-0.176)2 + (0.167-0.176)2 + (0.158-0.176)2 + (0.155-0.176)2 + (0.167-
0.176)2 + (0.167-0.177)2 + (0.158-0.177)2 + (0.155-0.177)2 + (0.176-0.177)2 +
(0.158-0.167)2 + (0.155-0.167)2 + (0.167-0.167)2 + (0.155-0.158)2 + (0.167-
0.158)2 + (0.167-0.155)2}]= 0.98 ada korelasi yang sangat kuat antara
jumlah data yang dikirim dengan kecepatan internet
• Kesimpulan: Pada persoalan ini penggunaan Haryadi Index adalah paling
tepat, karena jika kecepatan internet = 0, maka tidak akan mungkin ada
data yang terkirim, sehingga persamaan model Y = aX adalah paling tepat.

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 53

View publication stats

Referensi

Probabilitas & Statistik untuk Insinyur. 2017_ Sigit Haryadi 54