Statistics and Probability-Learning Materials PDF

1/27/2011
Tujuan Pembelajaran
Mendefinisikan arti dari terminologi-terminologi

penting dalam statistika
Memahami dan menjelaskan peranan statistik dan
penerapannya di bidang teknik
Memahami peranan komputer dan perangkat lunak
analisis data dalam pekerjaan yang berkaitan
dengan statistik
FTUI @2011
Pokok Bahasan Definisi dan Pengertian

STATISTIK
Pengertian umum:
Definisi dan Pengertian metode ilmiah dalam mengumpulkan,
Peranan Statistik dan Penerapannya mengklasifikasikan, meringkas, menyajikan,
menginterpretasikan dan menganalisis data untuk
di Bidangg Teknik mendukung kesimpulan-kesimpulan
kesimpulan kesimpulan yang valid
Peranan Komputer dalam Statistik yang berguna untuk mengambil keputusan masuk
akal yang diperlukan
Pengertian terbatas:
data atau fakta berupa angka yang dihasilkan dari
data, yang menggambarkan karakteristik suatu
sampel
1
1/27/2011
Definisi dan Pengertian Definisi dan Pengertian

POPULASI PARAMETER DAN STATISTIK
kumpulan dari keseluruhan pengukuran, obyek atau Parameter adalah bilangan/angka yang
individu yang sedang dikaji menggambarkan karakteristik suatu populasi
suatu pengamatan/survey terhadap seluruh anggota ¾ rata-rata (average/arithmetic mean) dari tinggi
populasi disebut sensus badan seluruh mahasiswa FTUI adalah sebuah
parameter
parameter.
SAMPEL Statistik adalah bilangan/angka yang
subset (himpunan bagian) dari suatu populasi menggambarkan karakteristik suatu sampel
jika pengambilan sampel dilakukan dengan ¾ berat badan rata-rata dari 70 mahasiswa yang
mengikuti kaidah-kaidah ilmiah, maka sangat mewakili 7 jurusan di FTUI adalah sebuah
mungkin diperoleh hasil-hasil dari dari sampel yang statistik
cukup akurat untuk menggambarkan populasi

VARIABEL Contoh:
Sebuah simbol, misalnya X, H, r, a, dsb., yang dapat
bernilai berapapun dari sekumpulan nilai yang
merupakan domainnya
Populasi Sampel variable
Variabel kontinu Æ Variabel yang bisa bernilai Semua siswa yang Sebagian siswa yang IPK
berapapun saat ini terdaftar saat ini terdaftar SKS
Variabel diskrit Æ Variabel tidak bisa bernilai Jurusan
sembarang Nama
NPM
Semua circuit boards Beberapa circuit Jenis kerusakan
yang diproduksi boards Banyak kerusakan
selama satu bulan Lokasi kerusakan
2
1/27/2011

STATISTIK DESKRIPTIF/DEDUKTIF Contoh Lingkup Statistik Deskriptif:
Tahapan statistik yang meliputi kegiatan: ¾ Sebuah perusahaan mobil memproduksi 300,000 unit per
mengumpulkan tahun. Untuk menjaga kualitas produk, maka data
mengklasifikasikan produksi tersebut disajikan dalam bentuk diagram
meringkas ¾ Data rata-rata IPK mahasiswa Departemen pada
menginterpretasikan semester tertentu
menyajikan ¾ Data distribusi asal sekolah mahasiswa baru FTUI:
data dari suatu kelompok yang terbatas, tanpa Jakarta dan luar Jakarta
menganalisa dan menarik kesimpulan yang bisa
berlaku bagi kelompok yang lebih luas merupakan
ruang lingkup statistik deskriptif atau statistik deduktif

STATISTIK INFERENSIAL/INDUKTIF Contoh Lingkup Statistik Induktif:
Proses pengambilan kesimpulan mengenai ¾ Jika berat rata-rata dari 25 sampel kontainer yang
parameter dari populasi berdasarkan atas informasi dikapalkan adalah 7,1 ton, maka berat rata-rata dari
yang diperoleh dari statistik sampel merupakan seluruh 1000 kontainer yang harus dikapalkan tersebut
ruang lingkup statistik inferensial/statistik induktif dapat diperkirakan kemungkinan antara 6,9 sampai 7,3
ton
Karena pengambilan kesimpulan seperti itu tidaklah ¾ Seorang analis kimia ingin menggunakan statistik
mutlak kepastiannya, maka terminologi inferensial untuk melakukan test/pengujian untuk
“kemungkinan/ probabilitas” sering digunakan mengetahui apakah laju korosi dari suatu logam yang
diberi pelapisan kemungkinan adalah 10 mg/jam
dalam menyatakan suatu kesimpulan
berdasarkan pengukuran terhadap 20 sampel yang
menunjukkan laju korosi sebesar 9,5 mg/s
3
1/27/2011

Mulai
METODE STATISTIK
Kumpulkan data
Klasifikasikan, ringkas, dan

proses data
Statistik D
Sajikan, sampaikan
ringkasan informasi
Deskriptif
Gunakan informasi dari
Informasi
sampel untuk
dari sampel ? Y
menyimpulkan populasi
inferensial
Statistik
T Uji/Tarik kesimpulan
Gunakan data sensus untuk tentang karakteristik
menganalisis karakteristik populasi (parameter) yang
populasi yang dikaji dikaji
selesai
Peranan Statistik dan Peranan Statistik dan

Penerapan di Bidang Teknik Penerapan di Bidang Teknik
MENGAPA STATISTIK DIPERLUKAN ? Pencegahan Kegagalan Dalam Disain
Menggambarkan hubungan-hubungan antara variabel- Mekanik/Proses
variabel
jumlah data yang sangat banyak sering sehingga
membingungkan Kegagalan terjadi jika suatu beban (load)
sangat penting untuk dapat mengidentifikasikan dan
menggambarkan
b k d darii data
d t ini
i i hubungan-hubungan
h b h b yang melebihi daya tahan material terhadap beban
terjadi antara variabel-variabel yang ada tersebut
Dalam praktek yang sebenarnya, baik beban
Alat Bantu Pengambilan Keputusan
Metode statistik memungkinkan orang untuk membuat
yang bekerja maupun ketahanan material itu
keputusan yang lebih baik dalam menghadapi bukanlah hal yang dapat diketahui secara tepat
ketidakpastian, misalnya pada proses kendali kualitas Dengan kata lain besaran-besaran itu adalah
produk
variabel-variabel statistik
4
1/27/2011

Penentuan Komposisi Senyawa
Analisa komposisi senyawa yang terkandung

dalam suatu produk
Peralatan analisa produk harus dikalibrasi
dengan data yang cukup banyak

Analisis Eksperimen Teknik
Setiap pengukuran memiliki ketidak-akuratan

(inaccuracy):
¾ kesalahan sistematik (systematic error)
¾ kesalahan acak (random error)
Kesalahan sistematik akan terus berulang terjadi.
Kesalahan ini biasanya bisa dihilangkan dengan
mengkalibrasikan instrumen pengukur dengan
sebuah standar yang lebih akurat
Kesalahan acak lebih menunjukkan nilai yang
tersebar, dan dapat diperkirakan secara statistik
5
1/27/2011

Pengendalian Mutu
Dalam semua proses produksi meskipun

direncanakan dan dilaksanakan secara hati-hati,
tetap memperlihatkan variasi mutu produk yang
dihasilkannya Æ perlu dikendalikan
Metode statistik adalah jantung dari
pengendalian mutu manufaktur
Sebuah contoh yang sederhana tetapi penting
di bidang ini adalah diagram kendali mutu
(quality control chart)
Metode Pemecahan Masalah Metode Pemecahan Masalah

Secara Statistik Secara Statistik
METODE PENGUMPULAN SAMPEL METODE PENGUMPULAN SAMPEL
Judgment Samples Probability Samples
Pemilihan sampel berdasarkan pada pendapat/opini satu orang Probability samples memberikan hasil-hasil yang dapat dinilai
atau lebih yang cukup kompeten secara obyektif
Sampel apapun yang didasarkan atas keahlian seseorang Terdapat beberapa jenis sampel yang termasuk dalam kategori
mengenai populasi yang dikaji disebut judgment sampel ini, yaitu:
¾ Simple Random Sampels
¾ Systematic Samples
¾ Stratified Samples
¾ Cluster Samples
6
1/27/2011

Simple Random Sampels Systematic Samples
Sampel dipilih dengan cara sedemikian hingga seluruh anggota Unit dari populasi diberi normor dan diurutkan
populasi memiliki kesempatan yang sama untuk Kemudian ditentukan satu nomor sebagai titik tolak penarikan
terambil/terpilih menjadi sampel sampel
Cara penarikan sampelnya adalah setiap unit dalam suatu Nomor berikut dari anggota yang ingin dipilih ditentukan
populasi
p p diberi nomor,, kemudian diambil secara acak nomor dengan
g mengikuti
g suatu sistematika,, misalnya
y tiap-tiap
p p unit
tersebut sebanyak jumlah sampel yang dikehendaki, maka nomor ke-n dari titik tolak dipilih sebagai anggota sampel
setiap sampel yang nomornya terpilih tersebut adalah sebuah
random sample
Pengambilan nomor tersebut juga bisa dengan menggunakan
bantuan random number (bilangan acak)

Stratified Samples Cluster Samples
Populasi terlebih dahulu dibagi dalam kelompok-kelompok yang Populasi terlebih dahulu dibagi atas kelompok berdasarkan area
relatif homogen, atau dalam strata atau cluster, dan anggota kelompok tersebut tidak perlu
Anggota sampe ditarik dari setiap strata untuk menghasilkan homogen
sampel secara keseluruhan, yang disebut stratified samples Kemudian beberapa cluster dipilih sebagai sampel
Stratified samples
p ini biasanya
y dilakukan apabila
p ada variasi selanjutnya
j y dipilih
p lagi
g anggota
gg unit dari cluster (seluruhnya/
( y
besar dalam populasi, dan penelitinya terlebih dahulu sebagian) tersebut sebagai sampel
mengetahui struktur populasi tersebut yang dapat digunakan
untuk menetapkan stratanya
Hasil sampel dari setiap stratum itu kemudian diberi
pembobotan dan dihitung dengan hasil sampel dari strata
lainnya untuk mendapatkan estimasi yang menyeluruh
Lab. Fluida Teknik Mesin-

Mesin-FTUI © Dr.Ir. Harinaldi, M.Eng Lab. Fluida Teknik Mesin-
Mesin-FTUI © Dr.Ir. Harinaldi, M.Eng
7
1/27/2011
Peranan Komputer Dalam Peranan Komputer Dalam

Statistik Statistik
PERANAN KOMPUTER DALAM STATISTIK SPREAD SHEET ? PAKET PROGRAM STATISTIK ?
Komputer akan berguna secara efisien jika: Spreadsheet pada program komputer: Microsoft Excel
¾ masukan (input) data tidak sedikit Paket program statistika berfungsi untuk
¾ hal-hal yang serupa dilakukan secara berulang-ulang ¾ Menerima data dari sumber llain
¾ kompleksitas pemrosesan tidak memberikan alternatif lain ¾ Mengcopy dan menduplikasi isi sel atau sel ke lokasi lain, dll.
Prosedur-prosedur yang bisa membutuhkan waktu berjam-jam, ¾ Melakukan analisis dari himpunan data tunggal atau
berhari-hari ataupun berminggu-minggu jika dikerjakan dengan majemuk dan mencetak nilairingkasan serta hasil analisis
menggunakan kalkulator biasa dapat dituntaskan secara akurat ¾ Menggunakan data numerik untuk menghasilkan diagram
dalam waktu beberapa detik dengan bantuan komputer atau grafik
¾ Contoh: Statistica, SPSS, Systat, Statgraphics, Minitab, dll
Lab. Fluida Teknik Mesin-

Mesin-FTUI © Dr.Ir. Harinaldi, M.Eng
Peranan Komputer Dalam Peranan Komputer Dalam

Statistik Statistik
SPREAD SHEET ? PAKET PROGRAM STATISTIK ? SPREAD SHEET ? PAKET PROGRAM STATISTIK ?
8
1/27/2011
Tujuan Pembelajaran
Menjelaskan bagaimana mengumpulkan dan
mengorganisasi data mentah ke dalam suatu
susunan dan bagaimana membuat dan
menginterpretasikan sebuah distribusi frekuensi
Menyajikan data secara grafis dalam bentuk
g , poligon
histogram, p g frekuensi,, diagram
g batang,
g,
diagram garis, pie charts, piktogram, dll
Menghitung ukuran-ukuran pemusatan dan
penyebaran
FTUI @2011
Pengumpulan, Pengorganisasian, dan

Pokok Bahasan Penyajian Data
Pengumpulan data

Penyajian Data
Distribusi Frekuensi dan Presentasi Grafik
Ukuran Pemusatan
Ukuran Penyebaran
9
1/27/2011
Pengumpulan, Pengorganisasian, dan Pengumpulan, Pengorganisasian, dan

Penyajian Data Penyajian Data
Pengorganisasian data Contoh :
Data Mentah (Raw data) Data mentah jika dibuat disusun menjadi jajaran data dengan urutan menaik
Data terkumpul yang belum diorganisasikan secara (ascending) adalah sebagai berikut:
numerik 923 1051 1090 1141 1162 1196 1225 1264 1302 1368
Tidak memberi banyak arti bagi yang membaca terlebih 924 1051 1094 1146 1163 1197 1231 1270 1303 1393
lagi untuk dapat menyimpulkan informasi apa yang bisa
931 1055 1095 1146 1170 1200 1233 1273 1312 1399
diperoleh
939 1055 1106 1150 1171 1205 1233 1273 1314 1406
Jajaran Data (Data Array) 1020 1058 1110 1152 1175 1208 1235 1274 1316 1416
Sebuah jajaran data merupakan susunan dari data mentah 1021 1062 1124 1152 1181 1209 1246 1275 1327 1437
menurut urutan besar nilai numeriknya secara: 1028 1065 1133 1156 1185 1216 1249 1285 1333 1449
menaik (ascending) dari nilai yang terkecil
1040 1077 1136 1158 1185 1217 1250 1289 1338 1464
sampai terbesar
menurun (descending) dari yang terbesar 1042 1081 1141 1160 1186 1218 1254 1290 1341 1482
sampai terkecil 1042 1083 1141 1161 1192 1218 1258 1298 1361 1492

Penyajian Data
Distribusi Frekuensi
Distribusi frekuensi
Penyajian data
Susunan data yang terbentuk dengan mengelompokkan jajaran
Tabel-tabel dan
data ke dalam kelas-kelas/kategori-kategori yang jumlahnya
diagram statistik
relatif tidak banyak, dan kemudian menentukan jumlah data yang
digunakan untuk
termasuk dalam masing-masing kelas (frekuensi kelas)
menyajikan data
Jika frekuensi kelas dinyatakan dalam prosentase terhadap
yang sudah
banyaknya seluruh data, maka disebut distribusi frekuensi relatif.
teringkas,
menyingkapkan
i k k Interval Kelas (Class
Breaking Stress Jumlah Prosentase
hubungan-hubungan (kN/m2) Spesimen [f/n x 100(%)] Interval) dan Batas
antar variabel, dan (f) Kelas (Class Limit)
mengkomunikasikan Batas Nyata Kelas
900 - 999 4 4
fakta-fakta angka 1000 - 1099 19 19
(Class Boundary)
kepada pihak yang 1100 - 1199 29 29 Lebar Interval Kelas
1200 - 1299 28 28 (Width of Interval
membutuhkannya 1300 - 1399 13 13 Class)
1400 - 1499 7 7
Nilai Tengah Kelas
Total (n) 100 100 % (Class Midpoint/Class
Mark)
10
1/27/2011
Distribusi Frekuensi Presentasi Grafik

Pertimbangan penyusunan distribusi frekuensi Histogram
Interval kelas : grafik batang (bar graph) yang menggambarkan
¾ seluruh data (terkecil s/d terbesar ) terikut-sertakan distribusi data dari sebuah distribusi frekuensi
¾ setiap unit data hanya dimasukkan sekali dan hanya Karakteristik Histogram:
pada satu kelas interval
¾ dasarnya pada sumbu horizontal (sumbu-x)
Jumlah interval kelas (k) antara 5 sampai 20
mempunyai panjang sama dengan lebar interval
Lebar setiapp interval kelas (c)
( ) sama
Rumus empiris: k l
kelas
- data sedikit: R
R = range ¾ luasnya proporsional terhadap frekuensi interval
c=
k n = jumlah data kelas yang bersangkutan:
- data banyak: k = 1 + 3,33log n 9 jika interval kelas memiliki lebar yang sama,
Kelas terbuka (open class interval) dihindari maka ketinggian batang proporsional terhadap
Nilai tengah kelasnya (midpoint) bersesuaian dengan nilai frekuensi interval kelas
dimana data aktual terkonsentrasi 9 jika ada interval kelas yang lebarnya tidak sama
maka ketinggiannya harus disesuaikan
Presentasi Grafik Presentasi Grafik

Contoh Histogram Dengan Interval Sama Contoh Histogram Dengan Interval Tidak Sama
Distribusi frekuensi dari tegangan rusak pada contoh sebelumnya memiliki Suatu distribusi frekuensi dari waktu diam pabrik perbulan sejumlah 70
interval kelas yang sama lebarnya. Maka histogramnya dapat digambarkan buah mesin produksi suatu seperti yang ditunjukkan dalam tabel di bawah
sebagai berikut:
Pengujian Tegangan Rusak
Pengujian Tegangan Rusak 30 (Breaking stress) Logam X
(Breaking stress) Logam X
25
Waktu diam (jam) (f)

25
Breaking Stress Frekuensi 20
Jumlah spesimen (f)
(kN/m2) (f)
20
50-59 8 15
60-69 10
900 - 999 4
15
70-79 16
1000 - 1099 19 80-89 15 10
90-99 10
1100 - 1199 29 10
100-119 8
1200 - 1299 28 120-179 3 5
1300 - 1399 13 5
1400 - 1499 7
Total 70
Total 100 50 60 70 80 90 100 120 180
900 1000 1100 1200 1300 1400 1500
Waktu Diam (jam)

Breaking Stress (kN/m2)
11
1/27/2011

Poligon Frekuensi Distribusi Frekuensi Kumulatif
grafik garis dari frekuensi interval kelas yang diplot pada nilai DFK kurang dari, disusun dengan menjumlahkan seluruh
tengah-nilai tengahnya frekuensi dari semua nilai yang kurang dari batas atas nyata
Poligon bisa didapat dengan menghubungkan titik tengah dari interval kelas (upper class boundary)
sisi atas batang-batang histogram DFK lebih dari, disusun dengan menjumlahkan seluruh
frekuensi dari semua nilai yang lebih dari atau sama dengan
batas bawah nyata interval kelas (lower class boundary)
30
Poligon frekuensi
distribusi frekuensi kumulatif direpresentasikan dalam
25
Jumlah spesimen (f)
20
grafik yang disebut ogive
Jika banyaknya data dalam distribusi tersebut dinyatakan
15
10
dalam prosentase terhadap banyaknya seluruh data disebut
5
distribusi frekuensi kumulatif relatif
900 1000 1100 1200 1300 1400 1500

Contoh Distribusi Frekuensi Kumulatif Kurva Frekuensi
Pengujian Tegangan Rusak

(Breaking stress) Logam X 100
Breaking Stress Jumlah

Jumlah kumulattif (fc)
80
(kN/m2) (fc)
60
< 899,5 0
40
< 999,5 4
<1099,5 23
<1199,5 52 20
< 1299,5 80
< 1399,5 93
< 1499,5 100
899,5 999,5 1099,5 1199,5 1299,5 1399,5 1499,5
12
1/27/2011
Ukuran Pemusatan Ukuran Pemusatan

Ukuran Pemusatan (Central Tendency) Rata-rata (Average)
Data sering menunjukkan kecenderungan berkumpul di 1. Mean Aritmatika
sekitar suatu nilai pusat
a. Data Tak Terkelompok
¾ data tak terkelompok (ungrouped data)
¾ data terkelompok (grouped data) n
∑ xi
Dalam rumusannya juga dibedakan antara ukuran yang x= i =1
(untuk suatu sampel)
menunjukkan karakteristik populasi (parameter) maupun n
sampel (statistik) N
∑ xi
μX = i =1
(untuk suatu populasi)
N
dimana: x = mean aritmatika dari suatu sampel
μ X = mean aritmatika dari suatu populasi
xi = nilai dari data (variabel x)
n = banyaknya data x dalam suatu sampel
N = banyaknya data x dalam suatu populasi

Rata-rata (Average) Contoh 2.3:
1. Mean Aritmatika Mean aritmatika dari data sampel tegangan rusak yang terdiri
b. Data Terkelompok dari 100 data yang belum terkelompokkan adalah:
k k n 100
∑ f i x m ,i ∑ f i x m ,i ∑ xi ∑ xi 1171 + 1186 + 1264 + ... + 1090
x = i =1
k
= i =1
(untuk suatu sam pel) x= i =1
= i =1
= = 1198,5
n
∑ fi n 100 100
i =1
∑
K
f i x m ,i ∑
K
f i x m ,i Contoh 2.4:
μX = i =1
K
= i =1
(untuk suatu populasi) Mean aritmatika dari data sampel tegangan rusak yang terdiri
N
∑ fi dari 100 data yang sudah terkelompokkan adalah:
i =1
k 6
dimana:
= mean μ
x
= mean aritmatika
aritmatika
dari suatu sampel
dari suatu populasi
∑ fi xm,i ∑ fi xm,i (4)(949,5) + (19)(1049,5) + ... + (7)(1449,5)
= frekuensi
X
f i atau jumlah pengamatan dalam sebuah interval kelas x= i =1
= i =1
= = 1197,5
k 6
4 + 19 + ... + 7
= nilai tengah
xm ,i dari interval kelas
k = jumlah interval kelas dalam suatu sampel ∑ fi ∑ fi
K = jumlah interval kelas dalam suatu populasi i =1 i =1
N = banyaknya data x dalam suatu populasi
13
1/27/2011

Rata-rata (Average) Contoh 2.5:
2. Mean Aritmatika Terbobot Jika dalam suatu nilai akhir mata kuliah statistik nilai ujian
akhir berbobot 3 kali daripada ujian tengah semester dan tugas,
Pemberian suatu pembobotan terhadap suatu nilai untuk
maka seorang mahasiswa yang memperoleh nilai ujian akhir
menunjukkan signifikansi atau kepentingan/keutamaan
85 dan ujian tengah semester 70 dan tugas 90 akan
relatif dari nilai tersebut
memperoleh nilai:
Mean aritmatika yang diperoleh dari nilai yang diberi
pembobotan itu disebut mean aritmatika terbobot n
n ∑ wi xi (3)(85) + (1)(70) + 1(90) 415
∑ wi xi xw = i =1
n
=
3 +1+1
=
5
= 83
xw = i =1
n ∑ wi
∑ wi
i =1
i =1
xw
= mean aritmatika terbobot

wi = faktor pembobotan

Median Contoh 2.5:
Posisi tengah dari nilai data terjajar (data array) Median dari jajaran data sampel tegangan rusak yang terdiri
Nilai dari absis-x yang bertepatan dengan garis vertikal yang
membagi sebuah histogram (atau daerah dibawah poligon) dari 100 data yang belum terkelompokkan adalah nilai tengah
menjadi dua daerah yang luasnya sama data ke-50 dan ke-51:
1192 + 1196
Median = x% = = 1194
a. Data Tak Terkelompok 2
Nilai tengah atau mean aritmatika dari dua nilai tengah suatu jajaran
data (array)
Contoh 2.6:
b. Data Terkelompok (Prinsip Interpolasi) Median dari data sampel tegangan rusak yang terdiri dari 100
⎛n
⎜ − (∑ f )l
⎞
⎟
data yang sudah terkelompokkan adalah:
Median = x% = Ll + ⎜ 2 ⎟c
⎛n ⎞ ⎛ 100 ⎞
⎜ − ( ∑ f )l
⎜ f median ⎟
⎝ ⎠ ⎟ ⎜ 2 − 23 ⎟
Median = x% = Ll + ⎜ 2 ⎟ c = 1099,5 + ⎜ ⎟100 = 1192, 6
Ll = batas nyata kelas bawah dari kelas median (kelas yang memuat median)
n = banyaknya data (jumlah seluruh frekuensi) ⎜ f median ⎟ ⎜ 29 ⎟
(∑ =
f )jumlah
l frekuensi seluruh kelas yang lebih rendah dari kelas median ⎝ ⎠ ⎝ ⎠
fmedian = frekuensi kelas median
c = lebar interval kelas median
14
1/27/2011

Modus Contoh 2.7:
Nilai yang paling sering muncul atau yang frekuensinya terbesar. Modus dari jajaran data sampel tegangan rusak yang terdiri
Dalam suatu kumpulan nilai data
Modus ini mungkin ada mungkin juga tidak, dan kalaupun ada dari 100 data yang belum terkelompokkan adalah nilai tengah
tidak selalu unik (tunggal) data ke-50 dan ke-51:
Modus = 1141 (frekuensi = 3)
Nilai data yang paling sering muncul (frekuensinya paling
besar) Contoh 2.8:
b. Data Terkelompok (Prinsip Interpolasi) Median dari data sampel tegangan rusak yang terdiri dari 100
⎛ Δ1 ⎞ data yang sudah terkelompokkan adalah:
Modus = xˆ = Ll + ⎜ ⎟c
⎝ Δ1 + Δ 2 ⎠ ⎛ Δ1 ⎞
Modus = xˆ = Ll + ⎜
⎛ 10 ⎞
⎟ c = 1099,5 + ⎜ ⎟100 = 1190, 4
Ll = batas nyata kelas bawah dari kelas modus (kelas yang frekuensinya ⎝ Δ1 + Δ 2 ⎠ ⎝ 10 + 1 ⎠
terbesar)
Δ1 = selisih frekuensi kelas modus dengan kelas sebelumnya
Δ2 = selisih frekuensi kelas modus dengan kelas sesudahnya

Kuantil: kuartil, desil dan persentil Contoh 2.9:
Nilai-nilai yang membagi menjadi bagian-bagian yang sama suatu jajaran data
(data array) Beberapa kuantil dari data pada sampel yang terdiri dari 100
¾ Menjadi dua bagian Æ median data yang telah terkelompokkan adalah sebagai berikut:
¾ Menjadi empat bagian Æ kuartil (Q1 , Q2 , Q3) ⎛1 ⎞ ⎛ 100 ⎞
¾ Menjadi sepuluh bagian Æ desil (D1 , D2 , D3 , … D9) ⎜ n − (∑ f )l ,1 ⎟ ⎜ 2 − 23 ⎟
Q1 = Ll ,1 + ⎜ 4 ⎟ c = 1099,5 + ⎜ ⎟100 = 1192,6
¾ Menjadi seratus bagian Æ persentil (P1 , P2 , P , … P99) ⎜ f kuartil ,1 ⎟ ⎜ 29 ⎟
Dengan pengertian di atas, maka: median = Q2 = D5 = P50 ⎝ ⎠ ⎝ ⎠
a. Data Tak Terkelompok Æ Prinsip menentukan median ⎛ 7 ⎞ ⎛ 100 ⎞

b. Data Terkelompok Æ Prinsip Interpolasi ⎜ n − (∑ f )l ,7 ⎟ ⎜ 2 − 23 ⎟
D7 = L1 + ⎜ 10 ⎟ c = 1099,5 + ⎜ ⎟100 = 1192, 6
f 29
⎜⎜ desil ,7
⎟⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
⎛⎛ i ⎞ ⎞ (∑
L f )= batas nyata kelas bawah dari kelas kuantil ke-i
⎜ ⎜ r ⎟ n − ( ∑ f ) l ,i
l,il
⎟ r = konstanta (untuk kuartil r = 4, desil r = 10, persentil r

K i = Ll ,i + ⎜ ⎝ ⎠ ⎟c = 100)
⎜ f kuantil ,i ⎟ = jumlah frekuensi seluruh kelas yang lebih rendah
⎜ ⎟
⎝ ⎠ dari kelas kuantil ke-i
fkuantil,i = frekuensi kelas kuantil ke-i
15
1/27/2011
Ukuran Penyebaran Ukuran Penyebaran

Ukuran Penyebaran (Dispersion) Jangkauan/kisaran (range)
Ukuran penyebaran (dispersion) menunjukkan seberapa jauh
data menyebar dari nilai rata-ratanya (variabilitas data) R = xmax − xmin
Alasan pentingnya meninjau ukuran penyebaran suatu
kumpulan nilai data:
Jangkauan/kisaran (range) Persentil 10-90
¾ Penilaian mengenai seberapa baik suatu nilai rata-rata
(ukuran pemusatan) menggambarkan data
¾ Agar langkah-langkah untuk mengendalikan variasi yang RP10−90 = P90 − P10
ada dapat dilakukan
Simpangan Kuartil
Q3 − Q1
Qd =
2

Simpangan mutlak rata-rata (mean deviation) Contoh 2.10:
Simpangan mutlak rata-rata dari jajaran data pada sampel yang
n terdiri dari 100 data belum terkelompokkan dengan rata-rata
∑ xi − x x = 1198,5 adalah:
Mean Deviation = MDx = i =1 n
n ∑ xi − x
MDx = i =1
b. Data Terkelompok n
k k 923 − 1198,5 + 924 − 1198,5 + ... + 1482 − 1198,5 + 1492 − 1198,5
∑ fi xm ,i − x ∑ fi xm ,i − x = = 98, 4
100
Mean Deviation = MDx = i =1
k
= i =1
n
∑ fi
i =1
MDx = Simpangan mutlak rata-rata

=xmean aritmatika dari suatu sampel )
fi = frekuensi atau jumlah pengamatan dalam sebuah interval kelas
=xmnilai
,i
tengah dari interval kelas
k = jumlah interval kelas dalam suatu sampel
16
1/27/2011

Contoh 2.11: Deviasi standard/simpangan baku
Simpangan mutlak rata-rata dari jajaran data pada sampel yang
a. Data Tak
2
n
⎛ n ⎞ ⎛ n ⎞
∑ ( xi − x ) n ⎜ ∑ xi2 ⎟ − ⎜ ∑ xi ⎟
2
terdiri dari 100 data telah terkelompokkan dengan rata-rata ⎝ i =1 ⎠ ⎝ i =1 ⎠

x = 1197, 5 adalah:
Terkelompok sx = i =1
n −1
=
n(n − 1)
(sampel)
N
⎛ 2⎞
N
xm ,i − x ∑ ( xi − μ x ) ⎜ ∑ xi ⎟
2
Breaking Stress (x) (fi) xm,i f i xm ,i − x
σx = i =1
= ⎝ i =1 ⎠ − μ 2 (populasi)
x
N N
900 - 999 4 949,5 248 992
1000 - 1099 19 1049,5 148 2812
b. Data
2
⎛ k ⎞ ⎛ k ⎞
∑ fi ( xm,i − x )
k
n ⎜ ∑ f i xm2 ,i ⎟ − ⎜ ∑ f i xm ,i ⎟
2
1100 - 1199 29 1149,5 48 1392
1200 - 1299 28 1249,5 52 1456 Terkelompok sx = i =1
= ⎝ i =1 ⎠ ⎝ i =1 ⎠ (sampel)
1300 - 1399 13 1349,5 152 1976 n −1 n(n − 1)
1400
∑- 1499 7 1449,5 252 1764
100 10392 ⎛K 2 ⎞
∑ fi ( xm,i − μ x )
K
⎜ ∑ f i xm ,i ⎟
2
k σx = i =1
= ⎝ i =1 ⎠ −μ 2 (populasi)
∑ fi
x
xm ,i − x N N
10392
MDx = i =1
k
= = 103,92
100
∑ fi
i =1

Contoh 2.12: Contoh 2.13:
Deviasi standard dari jajaran data pada sampel yang terdiri Standard deviasi dari jajaran data pada sampel yang terdiri
dari 100 data belum terkelompokkan dengan rata-rata dari 100 data telah terkelompokkan dengan rata-rata
x = 1198, 5 x = 1197, 5
adalah: adalah:
n
∑ ( xi − x )
2
Breaking Stress
(fi) xm,i
(x − x) f i ( xm ,i − x )
2 2
sx = i =1
(x)
n −1 m ,i
900 - 999 4 949,5 61540 246016

(923 − 1198,5) 2 + (924 − 1198,5) 2 + ... + (1482 − 1198, 5) 2 + (1492 − 1198,5) 2
= 1000 - 1099 19 1049,5 21904 416176
100 − 1 1100 - 1199 29 1149,5 2304 66816
1200 - 1299 28 1249,5 2704 75712
1540469 1300 - 1399 13 1349,5 23104 300352
= = 124, 7 1400∑– 1499 7 1449,5 63504 444528
99
100 1549600
∑ fi ( xm,i − x )
k 2
1549600
sx = i =1
= = 125,1
n −1 100 − 1
17
1/27/2011
Ukuran Penyebaran Moment

Varians Moment
Varians merupakan kuadrat dari deviasi
2
standard, sehingga a. Data Tak Terkelompok
untuk sampel dinyatakan sebagai sx dan untuk populasi Jika x1, x2, …, xn adalah n buah nilai variabel x, maka dapat
σ x2
sebagai . didefinisikan kuantitas : n
- moment ke-r : x r + x r + ... + x r ∑ i

xr
Koefisien Variasi x =
r 1 2 n
= i =1
n n
Penyebaran mutlak
Penyebaran relatif =
nilai rata − rata - momen ke-r simpangan
∑ ( terhadap
n
xi − x )
r mean
mr , x = i =1
sx n
Koefisien Variasi : Vx = (sampel)
x
σx
υx =
n
∑ ( xi − A)
r
(populasi)
μx - momen ke-r simpangan
mr′, x = i =1 terhadap sembarang
n
Moment Moment
Moment Moment
b. Data Terkelompok Hubungan Antar Moment
- momen ke-r simpangan terhadap sembarang m2, x = m2,′ x − m1,′2x
k k
f1 xmr ,1 + f 2 xmr ,2 + ... + f k xmr ,k ∑fx r

i m ,i ∑fx r
i m ,i m3, x = m3,′ x − 3m1,′ x m2,′ x + 2m1,′3x
xr = = i =1
= i =1
f1 + f 2 + ... + f k k
n
∑ fi m4, x = m4,′ x − 4m1,′ x m3,′ x + 6m1,′2x m2,′ x − 3m1,′4x
i =1
∑ fi ( xm,i − x ) ∑ fi ( xm,i − x )
k r k r
Perlu dicatat bahwa m1,′ x = x − A
mr , x = i =1
k
= i =1
n
∑ fi
i =1
∑ fi ( xm,i − A) ∑ fi ( xm,i − A)
k r k r
mr , x mr , x mr , x
mr′, x = = ar , x = Tidak
Moment Dalam Bentuk = Berdimensi =
)
i =1 i =1
( ) (
r
k
sr
∑ fi n m2, x m2,r x
i =1
18
1/27/2011
Skewness (Kemencengan) Skewness (Kemencengan)

Skewness Koefisien Skewness
Derajat ketidak simetrisan, atau penyimpangan dari Terdapat beberapa koefisien yang bisa dijadikan
kesimetrisan suatu distribusi koefisien kemencengan (skewness factor/coefficient)
¾ menceng ke kanan atau kemencengan positif (positive x − xˆ (Q3 − Q2 ) − (Q2 − Q1 ) Q3 − 2Q2 + Q1
skewnes) S f ,x = S f ,Qd = =
s Q3 − Q1 Q3 − Q1
¾ menceng
g ke ke kiri atau kemencengan
g negatif
g (negative
g
skewness) 3 ( x − x% ) ( P90 − P50 ) − ( P50 − P10 ) P90 − 2 P50 + P10
S f ,x = S f , p10−90 = =
s P90 − P10 P90 − P10
Dalam kebanyakan aplikasi teknik

m3, x m3, x m3, x
Skewness factor = a3, x = = =
( )
3
s3 m2, x m2,3 x
Kurtosis (Keruncingan) Skewness (Kemencengan)

Kurtosis Koefisien Kurtosis
Derajat keruncingan (peakedness) atau keceperan (flatness) Sebuah ukuran kurtosis menggunakan momen
dari suatu distribusi relatif terhadap distribusi normal simpangan terhadap mean keempat dalam bentuk tidak
¾ puncak relatif tinggi disebut kurva leptokurtik berdimensi
¾ puncaknya ceper/rata (flat-topped) disebut platykurtic
¾ tidak terlalu runcing g atau terlalu ceper
p disebut kurva Untuk suatu distribusi normal, b2,x = a4,x = 3
mesokurtic Dengan alasan ini kurtosis kadang-kadang didefinisikan
dengan (b2,x – 3) yang nilainya:
¾ positif untuk distribusi leptokurtic
¾ negatif untuk distribusi platykurtic s
¾ nol untuk distribusi normal (gaussian)
Ukuran lainnya
1 ( Q3 − Q1 )
Qd
κ= = 2
P90 − P10 P90 − P10
19
1/27/2011
Tujuan Pembelajaran
Tujuan Pembelajaran
Mendefinisikan terminologi-terminologi penting dalam

probabilitas dan menjelaskan bagaimana probabilitas
kejadian sederhana
Memahami dan menjelaskan konsep-konsep kejadian-
kejadian bersyarat, bebas dan mutually exclusive
Menggunakan analisis kombinatorial untuk kejadian-
kejadian kompleks
Pokok Bahasan Konsep dan Definisi

Eksperimen Probabilitas, Ruang Sampel
Konsep probabilitas
dan Peristiwa
Probabilitas dari kejadian
Aturan-aturan probabilitas Eksperimen probabilitas
9 hasil/keluaran (outcome),
9 tanggapan (response)
9 ukuran (measurement)
Seluruhnya Æ ruang sampel (sample
space)
Sebagian Æ Peristiwa/kejadian (event)
Diagram venn
20
1/27/2011
Konsep dan Definisi Konsep dan Definisi

Contoh :
Eksperimen probabilitas:
- mengambil sehelai kartu dari satu set kartu bridge
Ruang sampel:
- Seluruh jenis kartu yang berjumlah 52 lembar
Peristiwa:
- Misal peristiwa A adalah terambilnya sebuah kartu hati (H),
maka peristiwa A dapat dinyatakan sebagai
A = {2H, 3H, 4H, 5H, 6H, 7H, 8H, 9H, 10H, JH, QH, KH, AsH}
S
Teknik Mesin – FTUI

Diagram Venn © Dr. Ir. Harinaldi, M.Eng Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
Definisi Probabilitas
Konsep
Bilangan dan
antara 0 dan 1 yangDefinisi
berkaitan dengan Konsep dan Definisi
suatu peristiwa (even) tertentu
¾ Peristiwa pasti terjadi Æ probabilitas =1
¾ Peristiwa mustahil terjadi Æ probabilitas =0
Contoh :
Definisi Klasik : Definisi klasik cocok digunakan misalnya
Jika sebuah peristiwa A dapat terjadi dengan fA pada permainan tembakan/undian (games of
cara dari sejumlah
j total N cara y
yangg mungkin
g chance).
) Misalnyay dalam satu set kartu
terjadi, maka: bridge yang terdiri dari 52 kartu terdapat 4
- probabilitas P(A) dari terjadinya peristiwa A: buah kartu As, maka probabilitas
fA
P ( A) = pengambilan satu kartu mendapatkan kartu
N
As adalah: P(As) = 4/52 = 1/13 = 0,077
- probabilitas tidak terjadinya peristiwa A
N − fA f
P ( A) = P ( A% ) = P (~ A) = = 1 − A = 1 − P ( A)
N N
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
21
1/27/2011
Konsep dan Definisi Konsep dan Definisi

Definisi Subyektif (Intuitif) :
Definisi Frekuesi Relatif : Dalam hal ini, probabilitas P(A) dari terjadinya
Sebuah eksperimen dilakukan sebanyak N kali peristiwa A adalah sebuah ukuran dari “derajat
dan kejadian A terjadi sebanyak fA kali. Jika N keyakinan” yang dimiliki seseorang terhadap
mendekati tak terhingga maka limit dari frekuensi terjadinya
j y peristiwa
p A
relatif fA/N didefinisikan sebagai probabilitas
kejadian A atau P(A)
fA
P ( A) = lim
N →∞ N
Probabilitas Peristiwa Majemuk Probabilitas Peristiwa Majemuk

Definisi Probabilitas Bersyarat
Peristiwa majemuk (compound event) adalah Peristiwa A terjadi dengan syarat peristiwa B telah
terjadi
peristiwa yang merupakan gabungan/kombinasi Dengan telah terlebih dahulu peristiwa B terjadi, maka
dua atau lebih peristiwa sederhana (simple terjadi perubahan (pengurangan) pada ruang sampel
event) yang perlu dipertimbangkan untuk menentukan
Terdapat tiga jenis peristiwa majemuk antara probabilitas peristiwa A.
A
peristiwa A dan peristiwa B : A
B AB
B
¾ Peristiwa A terjadi dengan syarat peristiwa B

telah terjadi Æ Notasi : P(A|B)
¾ Keduanya sama-sama terjadi
Æ Notasi : P(A dan B) atau P(A ∩B) P( A | B) =
P( A ∩ B)
P( B) ≠ 0
¾ Salah satu peristiwa terjadi P( B)
Æ Notasi : P(A atau B) atau P(A ∪B)
22
1/27/2011

Peristiwa Saling Bebas (independent events) Peristiwa Mutually Exclusive (Saling
dan Saling Terikat (dependent) Meniadakan)
Dua peristiwa A dan B saling bebas (independent) Peristiwa A dan B adalah mutually exclusive jika A
apabila terjadinya/tidak terjadinya peristiwa A dan B tidak dapat terjadi secara bersamaan
tidak mempengaruhi probabilitas terjadinya Sebaliknya, jika peristiwa A dan B dapat terjadi
peristiwa B secara bersamaan dalam sebuah eksperimen
Sebaliknya, jika terjadinya peristiwa A probabilitas, maka A dan B tidak mutually
mempengaruhi probabilitas terjadinya peristiwa B exclusive
disebut peristiwa saling terikat (dependent) Jika peristiwa A dan B mutually exclusive , maka
Jika peristiwa A dan B saling bebas, maka berlaku: berlaku:
P ( A dan B ) = P ( A ∩ B ) = 0 artinya juga P ( A | B ) = 0
P ( A | B ) = P ( A) dan juga P ( B | A) = P ( B )
23
1/27/2011

Peristiwa Mutually Exclusive (Saling Meniadakan) Hukum-hukum Probabilitas Peristiwa Majemuk
Diagram venn dari peristiwa mutually exclusive dan Hukum Perkalian-Peristiwa Saling Bebas
tidak mutually exclusive Jika A,B,C, ... adalah peristiwa-peristiwa yang saling
bebas (independent events), maka probabilitas bahwa
seluruh peristiwa itu terjadi (joint probability) P(ABC ...),
A
B
A
B
adalah perkalian dari probabilitas masing-masing
peristiwa

Hukum-hukum Probabilitas Peristiwa Majemuk
Hukum Perkalian-Peristiwa Saling Terikat
Untuk dua peristiwa A dan B yang saling terikat (tidak saling
bebas):
P ( A dan B ) = P ( A ∩ B ) = P ( A) × P ( B | A) = P ( B ) × P ( A | B )
24
1/27/2011

Hukum-hukum Probabilitas Peristiwa Majemuk
Hukum Penjumlahan
Probabilitas peristiwa A atau peristiwa B atau kedua-duanya
sama-sama terjadi ditunjukkan oleh hukum penjumlahan
menyatakan:
P ( A atau B ) = P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B )
Perluasan (Continued Reapplication) :
P( A atau B atau C ) = P ( A ∪ B ∪ C )
= P ( A) + P ( B ) + P(C )
− P( A ∩ B) − P( A ∩ C ) − P( B ∩ C )
+ P( A ∩ B ∩ C )

Formulasi Bayes
Perluasan dari probabilitas bersyarat dan hukum
perkalian (multiplication)
¾ terdapat sekelompok peristiwa B1, B2, ..., Bn
¾ mutually exclusive
¾ exhaustive Æ secara keseluruhan membentuk ruang
sampel
¾ Sebuah peristiwa lain A didefinisikan pada ruang
sampel yang sama
Maka probabilitas peristiwa A didapat dengan menjumlah-
kan probabilitas P(A ∩ Bi) untuk seluruh harga i
n n
P( A) = ∑ P( A ∩ Bi ) = ∑ P( Bi ) × P( A | Bi )
i =1 i =1
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
25
1/27/2011

Formulasi Bayes
Sebaliknya jika peristiwa A telah terjadi
Probablitias masing-masing peristiwa Bi juga terjadi dapat
ditentukan dengan Formulasi Bayes:
P( Bi ∩ A) P ( Bi ) P ( A | Bi ) P( B ) P ( A | Bi )
P ( Bi | A) = = n = n i
P ( A)
∑ iP ( B ) P ( A | B i ) ∑ P( Bi ∩ A)
i =1 i =1
Contoh:
Vendor I, II, III, dan IV menyediakan seluruh keperluan
bantalan bush yang dibeli oleh perusahaan Sumber Teknik
sebanyak masing-masing 25 %, 35 %, 10 % dan 30 %. Dari
pengalaman selama ini diketahui bahwa vendor I, II, III, dan IV
masing-masing mengirimkan 80 %, 95 %, 70 % dan 90 %
bantalan bush yang baik (tanpa cacat). Maka probabilitas
bahwa sebuah bantalan yang dipilih secara acak merupakan Kemudian jika terpilih sebuah bantalan cacat, maka
bantalan yang cacat dapat dihitung sebagai berikut. Misalkan probabilitas bantalan cacat itu berasal dari vendor III adalah
A adalah
d l h peristiwa
i ti pemilihan
ilih sebuah
b h bantalan
b t l yang cacat,t
dan B1, B2, B3, dan B4, adalah peristiwa pemilihan bantalan P( B3 ∩ A) 0, 03
dari vendor I, II, III, dan IV. Maka P( B3 | A) = = = 0, 2353
P ( A) 0,1275
4 4
P( A) = ∑ P( A ∩ Bi ) = ∑ P( Bi ) × P ( A | Bi )
i =1 i =1
= 0, 25(0, 2) + 0,35(0, 05) + 0,1(0,3) + 0,3(0,1)

= 0,1275
26
1/27/2011
Teknik Enumerasi: Pohon Probabilitas Teknik Enumerasi: Pohon Probabilitas

Pohon Probabilitas
Alat bantu grafis yang memudahkan dalam mengevaluasi
probabilitas yang berkaitan dengan eksperimen yang terdiri
dari beberapa tahap
Teknik Enumerasi: Pohon Probabilitas Teknik Enumerasi: Analisis Kombinatorial
Permutasi
Suatu permutasi dari n obyek yang berbeda dan setiap
kalinya dipilih sebanyak r obyek adalah suatu cara
penyusunan r obyek dari n obyek tersebut dengan
memperhatikan urutan susunannya
Didefinisikan:
dimana : n! = n(n-1)(n-2) ….(2)(1) dan 0! =1
27
1/27/2011
Teknik Enumerasi: Analisis Kombinatorial Teknik Enumerasi: Analisis Kombinatorial
Kombinasi
Suatu kombinasi dari n obyek yang berbeda dan setiap
kalinya dipilih sebanyak r obyek adalah suatu cara
penyusunan r obyek dari n obyek tersebut tanpa
memperhatikan urutan susunannya
Didefinisikan:
Teknik Enumerasi: Analisis Kombinatorial
28
1/27/2011
Tujuan Pembelajaran Pokok Bahasan
Variabel Acak (Random Variable) Distribusi Probabilitas Diskrit
Sebuah variabel acak X : Fungsi Probabilitas

variabel yang memiliki nilai numerik tunggal dari • Seluruh keluaran yang mungkin dari sebuah eksperimen
setiap outcome sebuah eksperimen probabilitas probabilitas dengan variabel diskrit X :
Variabel Acak Diskrit: X = {x1, x2, x3, …, xn}
nilai yang dapat dicacah (countable) • Nilai probabilitas yang berkaitan dengan keluaran
tersebut adalah P(X=x1), P(X=x2), P(X=x3),…, P(X=xn)
Variabel Acak Kontinu: • Sebaran nilai probabilitas ini membentuk sebuah
diperoleh dari hasil pengukuran distribusi probabilitas diskrit variabel X
P(X=xn) biasa dinotasikan juga dengan p(xn)
P(X=xn) = p(xn) Æ fungsi probabilitas
29
1/27/2011
0 ≤ p( x ) ≤ 1 0 ≤ p( x ) ≤ 1
Distribusi Probabilitas Diskrit Distribusi Probabilitas Diskrit
Sifat Fungsi Probabilitas

1. Nilai-nilai sebuah fungsi probabilitas adalah angka-
angka yang berada dalam interval antara 0 dan 1.
2. Jumlah seluruh nilai fungsi
g probabilitas
p adalah 1.
0 ≤ p( x ) ≤ 1
Distribusi Probabilitas Diskrit
Fungsi Distribusi Kumulatif

Fungsi distribusi kumulatif (cumulative distribution
function/cdf ) yang didefinisikan sebagai:
F ( x ) = P( X ≤ x ) = ∑ p(ξ )
ξ ≤x
30
1/27/2011
Statistik Deskriptif Distribusi

Probabilitas Diskrit
Ukuran-ukuran statistik deskriptif untuk suatu distribusi
probabilitas diskrit dapat ditentukan dengan prinsip-prinsip
yang sudah dibahas pada bab statistik deskriptif
Mean n
μ x = ∑ x i p( x i )
i =1
Varians n
σ x2 = ∑ ( x i − μ x )2 p ( x i )
i =1
31
1/27/2011
Distribusi Probabilitas Kontinu Distribusi Probabilitas Kontinu
Fungsi Kepadatan Probabilitas

• Untuk variable acak kontinu
• Kurva distribusi probabilitas diwakili oleh poligon
frekuensi relatif yang dimuluskan
• Kurva
K ini
i i dapat
d t di dinyatakan
t k oleh
l h suatu
t fungsi
f i kontinu,
k ti
misalnya f(x), yang disebut sebagai fungsi kepadatan
probabilitas (probability density function/pdf)
Probabilitas bahwa X terletak antara a dan b
b
P (a ≤ X ≤ b ) = p(a ≤ x ≤ b ) = ∫a f ( x )dx Luas di bawah kurva
Distribusi Probabilitas Kontinu
Sifat Fungsi Kepadatan Probabilitas
1. Fungsi kepadatan probabilitas (pdf) : f(x) ≥ 0 (non-

negatif).
2. Luas total daerah dibawah kurva f(x) = 1
Catatan :
• Untuk variabel kontinu : P(X=c) = p(c) = 0
32
1/27/2011
Distribusi Probabilitas Kontinu
Fungsi Distribusi Kumulatif

x c b
F ( x ) = P( X ≤ x ) = ∫ f (t )dt Pb
−∞
( ≤ X ≤c) = ∫−∞f(t)dt −∫−∞f(t)dt =F(c)−F(b)
33
1/27/2011
Statistik Deskriptif Distribusi

Histogram Probabilitas
Probabilitas Kontinu
Ukuran-ukuran statistik deskriptif untuk suatu distribusi Ketinggian sebuah batang histogram merupakan nilai
probabilitas diskritkontinu dapat ditentukan dengan fungsi kepadatan probabilitas untuk seluruh nilai variabel
prinsip-prinsip yang sudah dibahas sebelumnya acak sepanjang interval yang diwakili batang tersebut
Luas dari sebuah batang histogram merupakan nilai
fungsi
g probabilitas
p dari variabel acak antara batas-batas
Mean
μ x = ∫ x ⋅ f ( x )dx kelasnya.
p( xlb ≤ x ≤ xub )
tinggi histogram = h( xlb ≤ x ≤ xub ) =
Varians σ = ∫ ( x − μ x ) f ( x )dx
2
x
2 xub − xlb
34
1/27/2011
Distribusi Probabilitas Dengan Distribusi Probabilitas Dengan

Parameter Parameter
Distribusi probabilitas dengan fungsi probabilitas p(x) yang

tergantung pada sebuah kuantitas yang dapat bernilai
sembarang dimana setiap nilai yang berbeda dari kuantitas
tersebut akan membentuk distribusi probabilitas yang
b b d pula,
berbeda l maka
k kkuantitas
tit ttersebut
b t di
disebut
b t sebagai
b i
parameter distribusi
Kumpulan seluruh distribusi probabilitas yang terbentuk
dengan berbagai nilai yang berbeda dari parameternya
disebut sebuah keluarga distribusi probabilitas.
Sebuah fungsi probabilitas p(x) yang memiliki parameter α
dinotasikan secara matematik dengan p(x ; α).
Distribusi Probabilitas Dengan

Parameter
35
1/27/2011
Nilai Harapan
(Harapan Matematik)
Jika X = { x1, x2, x3,…, xn} yang masing-masing mempunyai

probabilitas p(x1), p(x2), p(x3),…, p(xn) dimana p(x1) + p(x2) +
p(x3) +…,+ p(xn) = 1, maka nilai harapan/harapan matematik
dari X yang dinyatakan sebagai E(X) didefinisikan sebagai:
n
E( X ) = ∑ xi p( xi ) Variabel Diskrit
i =1
Mean value
E ( X ) = ∫ x ⋅ f ( x )dx Variabel Kontinu
Tujuan Pembelajaran
Menjelaskan pengertian distribusi binomial,
mengidentifikasi eksperimen binomial dan menghitung
probabilitas binomial, menghitung ukuran pemusatan
dan penyebaran distribusi binomial
Menjelaskan pengertian distribusi Poisson,
mengidentifikasi eksperimen Poisson dan menghitung
probabilitas
b bili Poisson,
P i menghitung
hi ukuran
k pemusatan
dan penyebaran distribusi Poisson
Mengetahui adanya jenis-jenis distribusi probabilitas
variabel acak diskrit lainnya
Menjelaskan sifat-sifat suatu distribusi normal,
menggunakan mean dan deviasi standard dari variabel
acak kontinyu yang terdistribusi secara normal untuk
mengubah nilai variabel acak menjadi skor standard
36
1/27/2011

Menghitung probabilitas distribusi normal dan
menjelaskan hubungannya dengan luas daerah di Distribusi Probabilitas Variabel Acak Diskrit
bahwa kurva probabilitas normal, Menentukan skor z - Distribusi Binomial
dari persyaratan probabilitas yang ditentukan - Distribusi Poisson
Mengetahui adanya jenis-jenis distribusi probabilitas
Distribusi Probabilitas Variabel Acak Kontinyu
variabel acak kontinyu lainnya
- Distribusi Gaussian (Normal)
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel

Acak Diskrit – Distribusi Binomial Acak Diskrit – Distribusi Binomial
Eksperimen Binomial Contoh 4.1:
Berikut ini adalah beberapa contoh eksperimen binomial:
Suatu distribusi binomial dapat digunakan dengan Suatu kuis terdiri dari 5 soal pilihan ganda dengan empat buah
tepat dalam suatu eksperimen binomial jawaban alternatif, probabilitas banyaknya soal yang benar
dijawab oleh seseorang adalah eksperimen binomial dengan p =
Eskperimen Binomial:
1/4, q = 3/4, n = 5 dan variabel acak diskrit adalah jumlah
Setiap percobaan/trial, hanya dapat menghasilkan satu
jawaban benar, x = 0, 1, 2, 3, 4, 5
dari dua hasil yang mungkin,
mungkin sukses atau gagal Dalam suatu kajian tentang ketangguhan mesin suatu jenis
Probabilitas sukses p, dan demikian pula probabilitas mobil didapati bahwa 67 persennya memiliki jarak tempuh lebih
gagal q = 1 - p selalu tetapdalam setiap percobaan (trial) dari 400 ribu kilometer sampai harus turun mesin (overhaul)
Setiap percobaan/trial saling bebas secara statistik, yang yang pertama kalinya. Dua belas mobil jenis yang bersangkutan
berarti hasil suatu percobaan tidak berpengaruh pada dipilih secara acak dan jarak tempuh rata-rata sampai turun
hasil percobaan lainnya mesin diperiksa. Eksperimen diatas adalah eksperimen binomial
Jumlah percobaan n adalah konstanta yang telah dengan p = 0,67, q = 0,33, n = 12 dan variabel acak diskrit adalah
ditentukan sebelumnya (dinyatakan sebelum eksperimen jumlah mobil yang dapat menempuh jarak lebih dari 400 ribu
dimulai) kilometer sebelum turun mesin pertama kali, x = 0, 1, 2, 3, 4, 5, 6,
7, 8, 9, 10, 11, 12
37
1/27/2011

Probabilitas Binomial Contoh 4.2:
Distribusi probabilitas pada contoh 4.1 mengenai suatu kuis terdiri dari
Dalam sebuah eksperimen binomial dengan n percobaan 5 soal pilihan ganda dengan empat buah jawaban alternatif, yang
(trial), dimana p adalah probabilitas sukses dan q = 1 – p merupakan suatu eksperimen binomial (p = 1/4, q = 3/4, n = 5 dan
variabel acak diskrit (X) adalah jumlah jawaban benar), dapat
adalah probabilitas gagal dalam sekali percobaan, maka
ditentukan sebagai berikut:
probabilitas variabel acak X yakni banyaknya x sukses yang
( 4) ( 34) ( ) ( 34)
5! 1
0 5 0 5
P ( X = 0) = p (0) = 5 C0 1 = = 0, 2373
terjadi pada n percobaan tersebut dapat dihitung dengan : 0!5! 4
( 4) ( 34) 5! 1
( ) ( 34)
1 4 1 4
P ( X = 1) = p(1) = 5 C1 1 = = 0,3955
P ( X = x) = p ( x ) = n C x p x q n − x = n C x p x (1 − p ) n − x 1!4! 4
( 4) ( 4) 5! 1
( ) ( 4)
2 3 2 3
P ( X = 2) = p (2) = 5 C2 1 3 = 3 = 0, 2637
n Cx = kombinasi dari n obyek yang setiap kali dipilih x obyek 2!3! 4
( 4) ( 34) 5! 1
( ) ( 34)
3 2 3 2
P( X = 3) = p(3) = 5 C3 1 = = 0, 0879
Distribusi kumulatif dari probabilitas binomial : 3!2! 4
( 4 ) ( 3 4 ) = 4!1!
5! 1
( 4 ) ( 3 4 ) = 0, 0146
4 1 4 1
x x P( X = 4) = p (4) = 5 C4 1
F ( x) = ∑ n Ck p k q n − k = ∑ n Ck p k (1 − p) n − k
( 4) ( 3 4 ) ( ) ( 34)
5! 1
5 0 5 0
k =0 k =0 P( X = 5) = p (5) = 5 C5 1 = = 0, 0010
5!0! 4

Ukuran Pemusatan dan Penyebaran Contoh 4.3:
Pada distribusi probabilitas dalam contoh 4.1 mengenai suatu kajian
Mean Aritmatika tentang ketangguhan mesin suatu jenis mobil yang merupakan
(Nilai Harapan) : μ x = E ( X ) = np eksperimen binomial dengan p = 0,67, q = 0,33, n = 12, diperoleh :
μ x = E ( X ) = np = (12)(0, 67) = 8, 04
Varians dan σ x2 = npq = (12)(0, 67)(0,33) = 2,6532
St d d Deviasi
Standard D i i: σ = npq
2
x → σ x = npq σ x = npq = 2,6532 = 1,6289
q p 2 0,33 0, 67 2
Kemencengan q p 2 q− p β1 = + − = + − =1
(skewness) : β1 = + − → α 3 = β1 = np nq n (12)(0, 67) (12)(0, 33) 12
np nq n npq
1 − 6 pq 1 − 6(0, 67)(0,33)
Keruncingan 1 − 6 pq β2 = +3= +3= 2
(kurtosis) : β2 = α4 = +3 npq (12)(0, 67)(0,33)
npq
38
1/27/2011

Ilustrasi Distribusi Binomial di Bidang Teknik Ilustrasi Distribusi Binomial di Bidang Teknik
Pemeriksaan elemen-elemen benda manufaktur probabilitas mendapatkan x elemen baik dari batch
Dalam kebanyakan kasus, pemeriksaan menggunakan sampel sejumlah n adalah:
dua kategori, rusak atau dapat diterima/dipakai P ( X = x) = p ( x ) = n C x p x q n − x = n C x p x (1 − p ) n − x
Diasumsikan elemen-elemen benda kerja berasal dari
sebuah populasi yang: p = probabilitas
¾ memiliki persentase bagian baik dan buruk yang mendapatkan elemen
tetap yang baik = 0,25
¾ persentase ini tetap sama pada waktu kita q = probabilitas
mengambil sampel untuk diuji mendapatkan elemen
yang buruk = 1 – p = 0,75
9 populasi yang cukup besar n = jumlah elemen dalam
9 menggantikan setiap sampel yang terambil dengan batch yang sedang diuji
yang lainnya yang memiliki karakteristik serupa =10
selama kita melakukan pengambilan sampel

Acak Diskrit – Distribusi Binomial Acak Diskrit – Distribusi Poisson
Dalam praktek: Eksperimen Poisson
nilai p yang sebenarnya tidak diketahui
Perkirakan p berdasarkan data yang diperoleh dari jumlah Distribusi Poisson digunakan dalam mengamati jumlah
sampel yang terbatas kejadian-kejadian khusus yang terjadi dalam satu
Batas-batas interval kepercayaan untuk p telah dikaji dan satuan waktu atau ruang
hasilnya telah dibuat dalam bentuk tabel-tabel (n < 30) dan Suatu distribusi Poisson dapat digunakan dengan tepat
grafik grafik (n ≥ 30)
grafik-grafik dalam suatu eksperimen Poisson :
Eksperimen yang meliputi penghitungan/pencacahan
banyaknya kali suatu peristiwa terjadi dalam suatu satuan
waktu atau ruang yang ditentukan
Probabilitas peristiwa tersebut adalah sama untuk setiap
satuan waktu atau ruang
Banyaknya peristiwa yang terjadi dalam suatu satuan
waktu atau ruang saling bebas terhadap banyaknya
peristiwa yang terjadi pada suatu satuan waktu atau
ruang lainnya
39
1/27/2011

Acak Diskrit – Distribusi Poisson Acak Diskrit – Distribusi Poisson
Contoh 4.4: Probabilitas Poisson
Berikut ini adalah beberapa contoh eksperimen Poisson:
Banyaknya klaim asuransi kecelakaan mobil terhadap suatu Dalam sebuah eksperimen Poisson, probabilitas
perusahaan asuransi setiap tahunnya memperoleh dengan tepat peristiwa X sebanyak x kejadian
Banyaknya cacat pada permukaan sebuah panel lembaran setiap satu satuan waktu atau ruang (jam, menit, meter
logam yang digunakan dalam produksi suatu satelit ruang persegi, dll) dapat dihitung dengan rumus:
angkasa
λ xe−λ
Banyaknya panggilan telepon yang masuk setiap menitnya pada P ( X = x) = p ( x ) =
kantor pelayanan darurat jalan tol x!
jumlah yang rusak pada setiap 3000 meter pita pada jalur λ = laju kejadian (rata-rata banyaknya kejadian dalam satu
manufaktur pita magnetik satuan waktu)
e = basis logaritma natural = 2,71828….

Contoh 4.5: Ukuran Pemusatan dan Penyebaran
Contoh yang mudah dijelaskan misalnya adalah pada peristiwa emisi
dari partikel radioaktif yang dideteksi dengan sebuah Geiger counter. Mean Aritmatika
Partikel-partikel ini diemisikan dalam waktu yang acak. Namun, jika kita (Nilai Harapan) : μx = E( X ) = λ
hitung jumlah emisi tersebut untuk waktu yang “lama”, maka laju rata-
rata emisi m partikel-partikel perdetik dapat dihitung. Jika kemudian
kita ingin memperkirakan probabilitas P(X=x) atau p(x) dapat Varians dan
menghitung secara tepat x partikel dalam selang satu detik
detik, fenomena
ini menunjukkan sangat mendekati model matematika Poisson.
St d d Deviasi
Standard D i i: σ x2 = λ → σx = λ
x −m
me
P( X = x) = p ( x) = Kemencengan 1 1
x! β1 = → α 3 = β1 =
Sebagai contoh, jika m = 3 maka probabilitas dengan tepat 5 (skewness) : λ λ
partikel perdetik adalah
5 −3
3e (243)(0, 0498) Keruncingan
P( X = 5) = p (5) = = = 0,1008 β2 = α4 =
1
+3
5! 120 (kurtosis) :
λ
40
1/27/2011

Ilustrasi Distribusi Poisson di Bidang Teknik Untuk kasus 1 atau lebih cacat, gunakan kurva berlabel x = 0:
untuk proses normal, kita akan menemukan 1 atau lebih cacat
Pengendali yang akan menghentikan proses saat terjadi adalah sekitar 46 persen dari keseluruhan waktu
cacat yang tidak normal (laju cacat tinggi), untuk Jika kriteria diubah menjadi 2, 3, dan 4 cacat atau lebih maka
mengurangi jumlah sisa tak terpakai (scrap) proporsinya akan menjadi berturut-turut 13, 3, 0,4 persen dari
Misal cacat terjadi secara acak dan secara rata-rata keseluruhan waktu
terjadi 0,6
0 6 cacat untuk setiap 1000 meter produk
¾ Kondisi syarat untuk menghentikan proses
9 Menghentikan proses ketika tidak terjadi kecacatan
9 Tidak menghentikan proses ketika terjadi kecacatan
¾ Keuntungan dan kerugian menggunakan sampel
dengan ukuran tertentu
¾ Ukuran sampel yang terbaik yang harus digunakan
Distribusi Probabilitas Variabel

Acak Diskrit – Distribusi Lain
41
1/27/2011

Acak Kontinyu Acak Kontinyu
Histogram Probabilitas Histogram Probabilitas
Sifat-sifat histogram probabilitas variabel acak kontinyu:
Luas daerah hc dari setiap batang adalah probabilitas
mendapatkan varibel acak dalam kelas interval yang
bersangkutan
Jumlah seluruh luas daerah batang g tersebut harus 1,00
,
(100 persen probabilitas bahwa variable didapatkan
antara nilai terendah dan tertinggi)
Probabilitas dari setiap batang adalah persentase dari
nilai data yang berada di dalam kelas interval tersebut
probabilitas mendapatkan variabel acak dalam kelas interval

h=
lebar kelas interval, c

Fungsi Kepadatan Probabilitas Fungsi Kepadatan Probabilitas
Eksperimen hipotetis yang mempersyaratkan dua hal yaitu : Jadi probabilitas mendapatkan x bernilai antara a dan b
Variabel acaknya (dalam contoh di atas adalah breaking adalah: b
stress) harus dapat diukur dengan ketelitian (resolusi) P ( X | a < x < b) = p (a < x < b) = ∫ f ( x)dx
a
yang kecil tak hingga (infinitesimal), artinya nilai yang
diukur memiliki jjumlah angka
g penting
p g yang
y g tak terbatas
Jik
Jika dik
diketahui
t h i PDF dari
d i sebuah
b h variabel
i b l acak
k f(x),
f( ) maka
k
Sampel yang diuji jumlahnya juga tidak terbatas
banyak perhitungan berguna yang dapat dilakukan:
Lebar kelas interval dapat kecil sekali (jumlah kelas interval
a
semakin banyak), sehingga histogram yang berbentuk
seperti tangga akan menjadi sebuah kurva yang mulus
P( X | x < a ) = p( x < a) = ∫ f ( x)dx
−∞
Kurva ini adalah kurva sebuah fungsi f dari variabel x, f(x). ∞
Fungsi f(x) ini disebut fungsi kepadatan probabilitas P( X | x > b) = p ( x > b) = ∫ f ( x) dx

b
(probability density function/PDF) ∞
Luas batang f(x)dx masih memiliki arti yang sama yakni
probabilitas mendapatkan x dalam kelas interval dx
P( X | −∞ < x < ∞) = p(−∞ < x < ∞) = ∫ f ( x) dx = 1.0
−∞
42
1/27/2011

Fungsi Kepadatan Probabilitas Fungsi Kepadatan Probabilitas
Untuk setiap PDF f(x) terdapat
sebuah fungsi terkait F(x) yang
disebut fungsi distribusi
kumulatif, yang didefinisikan
sebagai:
x
F ( x) = ∫ f (x)dx
−∞
Fungsi ini menyatakan

probabilitas bahwa x kurang dari
sebuah nilai tertentu:
xa
p(−∞ < x ≤ xa ) = ∫ f ( x)dx
−∞

Acak Kontinyu Acak Kontinyu – Distribusi Gaussian
Fungsi Kepadatan Probabilitas Teoritis Fungsi Kepadatan Probabilitas Gaussian
Ketika mencari fungsi-fungsi matematik yang bisa dipakai Distribusi yang paling penting dan paling biasa digunakan
sebagai fungsi kepadatan probabilitas PDF, hanya ada sebagai model bagi data aktual Æ distribusi normal
beberapa kriteria dasar yang harus dipenuhi:
( x − μ x )2
Fungsi f(x) yang ingin dijadikan PDF harus tidak negatif 1 −
(2σ x 2 )
(non-negative function) f ( x) = e −∞ < x < ∞
Fungsi f(x) harus berupa kurva yang baik yang sesuai σ x 2π
dengan data dalam praktek sebenarnya yang akan dikaji
∞ Untuk setiap nilai σx dan μx :
¾ kurva fungsi simetris terhadap μx
∫ f ( x)dx = 1.0 ¾ memiliki total luas di bawah kurva tepat 1.0
−∞
Setiap fungsi yang memenuhi persyaratan tersebut adalah ¾ Nilai dari σx menentukan bentangan dari kurva sedangkan
model matematik yang berguna dan potensial untuk menjadi μx menentukan pusat (center)nya
fungsi kepadatan probabilitas. ¾ Kemencengannya (skewness) = α3 = β1 = 0
¾ keruncingannya (kurtosis) = α4 = β2 = 3
43
1/27/2011

Acak Kontinyu – Distribusi Gaussian Acak Kontinyu – Distribusi Gaussian
Fungsi Kepadatan Probabilitas Gaussian PDF Gaussian Standard
Kurva PDF gaussian yang khusus dengan nilai mean, μ = 0 dan
deviasi standar, σ = 1
Variabel acak dari PDF gaussian standard adalah satuan
standard deviasi dan didefinisikan sebagai skor z (z score):
x − μx
zx =
σx
Dengan menggunakan variabel z fungsi PDF gaussian
standardnya menjadi
1 − zx2 / 2
f ( zx ) = e
2π
Perhitungan probabilitas untuk distribusi gaussian apapun,
dapat dipermudah dengan menggunakan tabel gaussian
standard

PDF Gaussian Standard
44
1/27/2011

Contoh 4.6: Contoh 4.6 (lanjutan):
Nilai tahanan yang pada sejenis rangkaian menunjukkan suatu Nilai tahanan dari sebuah rangkaian jenis ini yang dipilih secara
distribusi gaussian dengan mean 100 ohm dan deviasi standard 5 random yang probabilitasnya meliputi 99,43 % dari seluruh rangkaian:
ohm : P ( z x ≤ a ) = 99, 43% = 0,9943 → a = z x = 2,53
Probabilitas nilai tahanan dari sebuah rangkaian jenis ini yang dipilih
secara random yang lebih besar dari 110x − μohm110adalah:
− 100 x − μx
μ x = 100, σ x = 5, x > 110 → z x >
x
= =2 zx = → x = μ x + z xσ x
σx 5 σx
= 100 + (2,53)(5)
(2 53)(5) = 112,
112 65
P ( x > 100) = P ( z x > 2) = 1 − P( z x ≤ 2) = 1 − 0,97725 = 0, 02275 = 2, 28%
Jadi 99,43 % dari rangkaian memiliki nilai tahanan kurang dari 112,65
ohm.
Probabilitas nilai tahanan dari sebuah rangkaian jenis ini yang dipilih
μ x = 100,
secara random yangσ xbernilai
= 5, antara 96,72 ohm dan 101,17 ohm adalah:
96, 72 − 100 96, 72 − 101,17
96,72 ≤ x ≤ 101,17 → ≤ zx ≤ →
5 5
−0, 656 ≤ z x ≤ 0, 234
P (96,72 ≤ x ≤ 101,17) = P (−0, 656 ≤ z x ≤ 0, 234)

= 0,5925 − 0, 2559 = 0,3366 = 33, 66%
Distribusi Probabilitas Variabel

Acak Kontinyu – Distribusi Lainnya
45
1/27/2011

Memahami perlunya suatu sampling (pengambilan
sampel) serta keuntungan- keuntungan melakukannya Pengertian dan Konsep Dasar Sampling
Menjelaskan pengertian sampel acak untuk sampling Distribusi Sampling Dari Mean
tanpa pergantian untuk suatu populasi terhingga dan
pengambilan sampel untuk populasi tak terhingga Distribusi Sampling Dari Proporsi
Menjelaskan langkah-langkah yang diperlukan untuk Distribusi Sampling Dari Perbedaan dan
membentuk suatu distribusi sampling
p g dari mean-mean Penjumlahan
sampel, menghitung mean dan deviasi standard dari
distribusi sampling tersebut
Menjelaskan langkah-langkah yang diperlukan untuk
membentuk suatu distribusi sampling dari proporsi
sampel, menghitung mean dan deviasi standard dari
distribusi sampling tersebut
Menghitung mean dan deviasi standard dari distribusi
sampling yang merupakan perbedaan atau penjumlahan
dari sampel-sampel yang berasal dari dua populasi
46
1/27/2011
Pengertian dan Konsep Dasar Pengertian dan Konsep Dasar

Kebutuhan dan Keuntungan Sampling Sampling Acak (Random Sampling)
Sampling yang baik: Suatu kesimpulan yang diambil berdasarkan sampel
Hemat biaya dan waktu harus:
Akurat valid
Secara khusus teknik sampling berguna dalam : dapat dipercaya
Estimasi parameter populasi yang tidak diketahui Sampel dipilih sedemikian hingga mewakili populasi
berdasarkan informasi dari statistik sampel Æ sampling acak
Menentukan apakah perbedaan pada dua sampel
adalah benar-benar signifikan (berarti) atau Populasi Terhingga dan Tak Terhingga
karena kebetulan sifatnya
Populasi terhingga (finite population): jumlah seluruh
anggotanya tetap dan dapat didaftar
Populasi tak terhingga (infinite population) memiliki
anggota yang banyaknya tak terhingga
Contoh 5.1:
Sampling Dengan dan Tanpa Pergantian
Sampling dengan pergantian Æ setiap anggota
Jika kita memeriksa rata-rata harian banyaknya produk sebuah populasi bisa terpilih lebih dari sekali
cacat di sebuah pabrik selama 12 bulan terakhir, maka
Sampling tanpa pergantian Æ anggota populasi yang
populasi yang diperoleh adalah populasi terhingga
telah terpilih tidak bisa dipilih lagi
yang meliputi produk cacat dari semua jalur produksi
di pabrik
b ik itu
i Contoh 5.2:
Jika kita mengukur kecepatan prosesor komputer yang Dalam memilih sebuah nomor yang mewakili komponen
dibuat oleh sebuah perusahaan tertentu maka populasi sebagai sampel dari sebuah batch produksi, kita bisa
yang diperoleh adalah populasi tak terhingga, karena mengembalikan lagi atau tidak mengembalikan kembali
produk tersebut akan terus diproduksi dan nomor yang telah terpilih kedalam batch produksi.
dikembangkan di masa-masa mendatang Dalam kasus pertama disebut sampling dengan
pergantian sedangkan kasus yang kedua adalah sampling
tanpa dengan pergantian
47
1/27/2011

Distribusi Sampling Distribusi Sampling
Dari sebuah populasi dibentuk seluruh kemungkinan

sampel berukuran n
Dari masing-masing sampel:
dihitung sebuah statistik (misal mean, deviasi
standard, dll.) yang nilainya tentu akan berbeda-beda
Kumpulan
K l nilai
il i statistik
t ti tik dari
d i sampell ini
i i membentuk
b t k
suatu distribusi
Distribusi ini dinamakan distribusi sampling.
distribusi sampling dari mean sampel (sampling
distribution of the mean)
distribusi sampling dari deviasi standard, varians,
median, proporsi, dll
Kemudian terhadap masing-masing jenis distribusi
sampling inipun dapat dihitung nilai-nilai statistik
deskriptifnya

Contoh 5.3: Contoh 5.3 (lanjutan):
Suatu populasi terdiri atas lima hasil pengukuran bernilai 2, 3, 6, 8, 11. Sehingga distribusi sampling dari mean sample yang terbentuk
Jika dari populasi ini hendak digunakan dua hasil pengukuran sebagai adalah :
sampel, distribusi sampling dari mean sampel yang bisa dibentuk jika:
sampling dengan pergantian dan urutan diperhatikan Mean 2 2,5 3 4 4,5 5 5,5 6 6,5 7 8 8,5 9,5 11
Samp
Kemungkinan sampel yang terbentuk adalah: el
(2,2) (2,3) (2,6) (2,8) (2,11) Freku 1 2 1 2 2 2 2 1 2 4 1 2 2 1
(3 2)
(3,2) (3 3)
(3,3) (3 6)
(3,6) (3 8)
(3,8) (3 11)
(3,11) ensi
(6,2) (6,3) (6,6) (6,8) (6,11)

Proba 1/25 2/25 1/25 2/25 2/25 2/25 2/25 1/25 2/25 4/25 1/25 2/25 2/25 1/25
(8,2) (8,3) (8,6) (8,8) (8,11) bilitas
(11,2) (11,3) (11,6) (11,8) (11,11)
Maka mean sampel yang terbentuk adalah:
2,0 2,5 4,0 5,0 6,5
2,5 3,0 4,5 5,5 7,0
4,0 4,5 6,0 7,0 8,5
5,0 5,5 7,0 8,0 9,5
6,5 7,0 8,5 9,5 11,0
48
1/27/2011
Distribusi Sampling dari Mean Distribusi Sampling dari Mean

Definisi Mean dan Deviasi Standard Distribusi Sampling Mean
Distribusi sampling dari mean-mean sampel adalah distribusi Untuk nilai n yang besar (n > 30), distribusi sampling mean
mean-mean aritmetika dari seluruh sampel acak berukuran n mendekati suatu distribusi normal terlepas dari bentuk asli
yang mungkin yang dipilih dari sebuah populasi distribusi populasinya
Jika populasinya memiliki distribusi normal,maka distribusi
Mean dan Deviasi Standard Distribusi Sampling Mean sampling mean juga terdistribusi secara normal untuk nilai n
berapapun
p p (tidak
( tergantung
g g ukuran sampel)
p )
Jika sampling dilakukan Jika sampling dilakukan Deviasi standard dari sebuah distribusi sampling mean disebut
tanpa pergantian dari suatu dengan pergantian atau juga dengan error standard daripada mean
populasi terhinga berukuran populasinya tak terhingga,
N, maka: maka:
μx = μx μx = μx
σx N −n σx
σx = σx =
n N −1 n
Distribusi Sampling dari Mean Distribusi Sampling dari Mean

Contoh 5.5:
Contoh 5.4: Lima ratus cetakan logam memilki berat rata-rata 5,02 N dan deviasi standard
Dari contoh 5.3 dapat dihitung mean populasi, mean distribusi sampling 0,30 N. Probabilitas bahwa suatu sampel acak dengan ukuran sampel 100
mean deviasi standard populasi dan deviasi standard distribusi sampling cetakan yang dipilih akan mempunyai berat total antara 496 sampai 500 N
mean sebagai berikut: dapat ditentukan sbb. Distribusi sampling mean persoalah diatas memiliki:
μx =
2 + 3 + 6 + 8 + 11 30
= = 6, 0 μ x = μ x = 5, 02 N
5 5
σx N − n 0,30 500 − 100
σx =
((2 − 6)) 2 + ((3 − 6)) 2 + ((6 − 6)) 2 + ((8 − 6)) 2 + ((11 − 6)) 2 +
= 3,
3 29 σx = = = 0,
0 027
5 n N −1 100 500 − 1
14
∑ fi xi Seratus sampel cetakan memiliki berat total 496 sampai 500 N jika rata-
(1)(2) + (2)(2,5) + ... + (1)(11) 150 ratanya adalah 4,96 sampai 5,00 N. Jadi dengan menggunakan tabel
μx = i =1
= = = 6, 0
14
1 + 2 + ... + 1
∑ fi 25
distribusi normal standard skor z adalah:
4,96 − 5, 02
i =1
14 x = 4,96 → z x = = −2, 22
∑ fi ( xi − μ x )2 (1)(2 − 6) 2 + (2)(2,5 − 6) + ... + (1)(11 − 6) 135
0, 027
σx = i =1
= = = 2, 32
14
∑ fi 25 25 5, 00 − 5, 02
i =1
x = 5, 00 → z x = = −0, 74
σx
0, 027
Terlihat bahwa μ x = μ x dan dapat ditunjukkan σ x =
bahwa n P(4,96 ≤ x < 5, 00) = P(−2, 22 ≤ z x ≤ −0, 74) = (0, 22965 − 0, 01321) = 0, 2164 = 21, 64%
dengan n = 2
49
1/27/2011
Distribusi Sampling dari Proporsi Distribusi Sampling dari Proporsi

Definisi Mean dan Deviasi Standard Distribusi
Distribusi sampling dari proporsi adalah distribusi proporsi- Sampling Proporsi
proporsi dari seluruh sampel acak berukuran n yang mungkin
yang dipilih dari sebuah populasi Untuk nilai n yang besar (n > 30), distribusi sampling
proporsi mendekati suatu distribusi normal
Mean dan Deviasi Standard Distribusi Sampling Mean
Jika nilai proporsi menyatakan variabel diskrit:
Jika probabilitas sukses Jika sampling dilakukan diperlukan faktor koreksi (±1/2n ) dalam
populasi adalah π sementara dengan pergantian atau
mengubahnya kedalam skor z untuk menentukan
probabilitas gagalnya adalah θ populasinya tak terhingga,
=1 - π dan samplingnya tanpa maka: probabilitas menggunakan tabel distribusi normal
pergantian dari populasi
terhinga berukuran N
μP = π
μP = π
πθ π (1 − π )
σP = =
πθ N −n π (1 − π ) N − n n n
σP = =
n N −1 n N −1
Distribusi Sampling dari Perbedaan

Distribusi Sampling dari Proporsi dan Penjumlahan
Contoh 5.6: Definisi
Divisi pengendalian mutu pabrik perkakas mesin mencatat bahwa 2 %
dari mata bor yang diproduksi mengalami cacat. Jika dalam pengiriman Terdapat dua populasi
satu batch produk terdiri dari 400 mata bor, tentukan probabilitas Untuk setiap sampel berukuran n1 dari populasi pertama dihitung
banyaknya mata bor yang cacat 3 % atau lebih? sebuah statistik S1 dan menghasilkan sebuah distribusi sampling dari
statistik S1 yang memiliki mean μs1 dan deviasi standard σs1
Distribusi sampling proporsi Dari populasi kedua, untuk setiap sampel berukuran n2 dihitung
statistik S2 yang akan menghasilkan sebuah distribusi sampling dari
π ((1 − π ) ( − 0,, 02))
0,, 02(1
μ P = π = 0,02
0 02 dan
d σP = = = 0,
0 007 statistik S2 yang memiliki mean μs2 dan deviasi standard σs2
n 400
Koreksi untuk variabel diskrit =1/2n = 1/(2)(400) ==1/800 = 0,00125 Mean dan Deviasi Standard
Proporsi (3 %) setelah dikoreksi, P = 0,03 - 0,00125 = 0.02875
Distribusi sampling perbedaan Distribusi sampling
Skor z untuk P = 0,02875 adalah:
S1 – S2 memiliki penjumlahan S1 + S2 memiliki:
P − μP 0, 02875 − 0, 02
zP =
σP
=
0, 007
= 1, 25 μ S −S = μ S − μ S
1 2 1 2
μS +S = μS + μS
1 2 1 2
Maka probabilitas mata bor yang cacat dengan proporsi lebih dari 3 %:
σ S −S = σ + σ 2 2
σ S + S = σ + σ S2
2
P( zP > 1, 25) = 1 − P( zP ≤ 1, 25) = 1 − 0,8944 = 0,1056 = 10,56% 1 2 S1 S2 1 2 S1 2
50
1/27/2011
Distribusi Sampling dari Perbedaan

dan Penjumlahan
Contoh 5.7:
Lampu bohlam A memiliki daya tahan rata-rata 1400 jam dan deviasi
standard 200 jam, sementara lampu B memiliki daya tahan rata-rata
1200 jam dengan deviasi standard 100 jam. Jika dari masing-masing
produk dipilih 125 bohlam sebagai sampel, maka probabilitas bahwa
bohlam A memiliki daya tahan sekurang-kurangnya 160 jam lebih lama
dibandingkan bohlam B dapat ditentukan sebagai berikut
Mean dari distribusi sampling perbedaan daya tahan bohlam A dan B:
μx A − xB
= μ xA − μ xB = μ xA − μ xB = 1400 − 1200 = 200
Deviasi standardnya adalah:
σ x2 σ x2 (100) 2 (200) 2
σx A − xB
= σ x2A + σ x2B = A
+ B
= + = 20
nA nB 125 125
Skor z untuk perbedaan mean 160 adalah:
( x A − xB ) − ( μ xA − xB ) ( x A − xB ) − 200 160 − 200
z x A − xB = = = = −2
σx A − xB
20 20
Jadi probabilitas yang akan ditentukan adalah:
P (( x A − xB ) > 160) = P( z x − x > −2) = 1 − P( z x − x < −2)
A B A B
= 1 − 0, 0228 = 0, 9772 = 97, 72%
Tujuan Pembelajaran
Menjelaskan konsep-konsep dasar yang mendukung
pendugaan rata-rata populasi, persentase dan varians
Menghitung dugaan-dugaan (estimates) rata-rata populasi
pada tingkat kepercayaan (level of confidence) berbeda-beda
jika deviasi standard populasi tidak diketahui ataupun jika
diketahui
Menghitung dugaan-dugaan persentase populasi pada
ti k t kepercayaan
tingkat k yang b
berbeda-beda
b d b d
Menghitung dugaan-dugaan varians populasi pada tingkat
kepercayaan yang berbeda-beda
Memahami kapan dan bagaimana menggunakan distribusi-
distribusi probabilitas yang semestinya, yang diperlukan
untuk tujuan-tujuan pendugaan
51
1/27/2011
Pokok Bahasan Pengertian dan Konsep Dasar

Dugaan (Estimate) & Penduga (Estimator)
Pengertian dan Konsep Dasar Estimasi
Pendugaan Mean Populasi Dugaan (Estimate) :
Pendugaan Persentase Populasi nilai spesifik atau kuantitas daripada sebuah statistik
Pendugaan Varians Populasi misalnya: nilai mean sampel, persentase sampel, atau
varians sampel
Penduga (Estimator) :
setiap statistik sampel yang digunakan untuk menduga
sebuah parameter (yang relevan)
Penduga tak-bias (unbiased estimator) :
Æ meannya sama dengaan parameter populasi
yang diduga
Penduga terbaik (best estimator):
Æ penduga tak-bias dengan varians yang terkecil
(minimum)

Penduga Tak Bias dan Penduga Terbaik Dugaan (Estimate), Pendugaan
(Estimation) dan Penduga (Estimator)
Pendugaan (Estimation) :
Keseluruhan proses yang menggunakan sebuah penduga
untuk menghasilkan sebuah dugaan daripada parameter
Pendugaan Tunggal (Point Estimation):
angka tunggal yang digunakan untuk menduga
sebuah parameter populasi
Pendugaan Interval (Interval Estimation):
sebaran nilai-nilai yang digunakan untuk menduga
sebuah parameter populasi
52
1/27/2011

Contoh 6.1:
Konsep dasar pendugaan interval mean
Pabrik ban “Stonebridge” ingin menduga penjualan rata-rata populasi
perhari. Sebuah sampel harian yang dikumpulkan menghasilkan
rata-rata senilai $ 800. Dalam hal ini telah dilakukan pendugaan
Dalam prakteknya hanya satu sampel dari populasi
tunggal (point enstimation), dengan menggunakan penduga
(estimator) berupa statistik mean sampel ( x ) untuk menduga Untuk menduga parameter populasi harus diketahui
parameter mean populasi (μ) dan nilai sampel x = $ 800 sebagai sesuatu hal mengenai hubungannya dengan mean-mean
dugaan (estimates) dari nilai populasi, μ. sampell

Konsep dasar pendugaan interval mean 2. Pertimbangan Lebar Interval
populasi
1. Bentuk Distribusi Sampling
x − zσ x < μ x < x + zσ x
53
1/27/2011
Pengertian dan Konsep Dasar Estimasi Mean

3. Tingkat Kepercayaan (Level of Confidence) Informasi Awal
1. Ukuran sampel (apakah besar n > 30 atau

kecil n < 30)
2. Informasi tentang distribusi populasinya
(apakah distribusi normal atau tidak)
3. Deviasi standard populasinya (diketahui
atau tidak)
4. Pemilihan jenis distribusi yang menjadi
dasar pendugaan
Estimasi Mean Pengertian dan Konsep Dasar

Estimasi Mean Diagram Alir Estimasi Mean
1. DEVIASI STANDARD DIKETAHUI DAN JUMLAH DATA/UKURAN

SAMPEL LEBIH DARI 30 (n > 30)
2 DEVIASI STANDARD TIDAK DIKETAHUI DAN JUMLAH DATA
2.
/UKURAN SAMPEL LEBIH DARI 30 (n > 30)
3. UKURAN SAMPEL KURANG DARI 30 (n < 30)
54
1/27/2011
Estimasi Proporsi Estimasi Varians

Diagram Alira Estimasi Proporsi Distribusi Chi-Kuadrat
Interval Estimasi
Penentuan Ukuran Sampel Penentuan Ukuran Sampel

UKURAN SAMPEL UNTUK MENDUGA UKURAN SAMPEL UNTUK MENDUGA
MEAN POPULASI PROPORSI POPULASI
55
1/27/2011
Tujuan Pembelajaran
Menjelaskan langkah-langkah yang diperlukan prosedur
umum uji hipotesis
Menghitung uji hipotesis mean sampel tunggal dan ganda
Menghitung uji hipotesis proporsi sampel tunggal dan ganda
Menghitung uji hipotesis varians sampel tunggal dan ganda
Menghitung Uji ANOVA dan Uji Chi-Kuadrat
Pokok Bahasan Pengertian dan Konsep Dasar

Prosedur Umum Uji Hipotesis
Prosedur Umum Uji Hipotesis
Uji Hipotesis Means Sampel Tunggal
Uji Hipotesis Persentase Sampel Tunggal
Uji Hipotesis Varians Sampel Tunggal
Nilai P pada uji hipotesis
Uji Hipotesis Means Sampel Ganda
Uji Hipotesis Persentase Sampel Ganda
Uji Hipotesis Ganda
Uji ANOVA
Uji Chi-kuadrat
56
1/27/2011
Pengertian dan Konsep Dasar Uji Sampel Tunggal

Prosedur Umum Uji Hipotesis Uji Hipotesis Mean/Proporsi
1. Hipotesis nol (H0) adalah asumsi yang akan diuji. Uji Dua Ujung
Hipotesis nol dinyatakan dalam hubungan =
2. Hipotesis alternatif (H1) adalah hipotesis yang
menolak hipotesis nol. Hipotesis alternatif
di
dinyatakan
k dalam
d l hubungan
h b : > ; < ;≠
3. Tingkat kepentingan/level of significance (α)
menyatakan suatu tingkat resiko kesalahan dengan
jika hipotesis nol. (Yang biasa digunakan α = 0,05 atau
0,01)
Uji Satu Ujung
Uji Sampel Tunggal

Uji Hipotesis Mean
1. Jika deviasi standard populasi diketahui

Æ gunakan error standard
2. Jika deviasi standard populasi tidak diketahui
Æ gunakan error standard estimasi σˆ x = s n
3. Rasio Uji :
x − μH0
RU z = ztest =
σx
57
1/27/2011
Uji Sampel Tunggal
Uji Sampel Tunggal

Uji Hipotesis Proporsi
1. Rasio Uji :
p − π H0
RUz = ztest =
σP
2. Error Standard
π H0 (100 − π H0 )
σP =
n
58
1/27/2011
Uji Sampel Tunggal

(n − 1)s 2
RU χ 2 = χ test
2
=
σ2
Uji Hipotesis Varians
1. Menggunakan distribusi Chi-Kuadrat

2. Rasio Uji:
( n − 1)s 2
RU χ 2 = χ test
2
=
σ2
59
1/27/2011
Uji Sampel Tunggal

Nilai P pada Uji Hipotesis
Uji Sampel Ganda Uji Sampel Ganda

Uji Hipotesis Varians – Distribusi F
¾ Menggunakan data dari dua sampel yang diperoleh Uji Satu Ujung
dari dua populasi
¾ Menentukan apakah ada perbedaan yang secara
statistik cukup berarti (significant) antara
parameter-parameter dari kedua populasi tersebut.
tersebut
Asumsi :
¾ Data di kedua populasi terdistribusi normal
¾ Independent sample
Uji Dua Ujung
60
1/27/2011
Uji Sampel Ganda Uji Sampel Ganda

Uji Hipotesis Mean – Klasifikasi Uji Hipotesis Mean –Prosedur
¾ Uji t-pasangan untuk populasi yang saling

tergantung (dependent populations)
¾ Uji z untuk populasi yang independen dan jika
varians-varians populasi diketahui atau jika kedua
sampel ukurannya lebih dari 30
¾ Uji t sampel ukuran kecil untuk populasi yang
independen jika uji F nya menunjukkan σ12 ≠ σ22
¾ Uji t sampel ukuran kecil untuk populasi yang
independen jika uji F nya menunjukkan σ12 = σ22
Uji Inferensial Lainnya Uji Inferensial Lainnya

Uji ANOVA Uji ANOVA
¾ mengetahui apakah dari dua atau lebih mean

populasi bernilai sama
¾ lebih efektif digunakan untuk menguji tiga atau
lebih populasi
Asumsi:
¾ Populasi terdistribusi normal
¾ Sampling acak dan independen
¾ Varians populasi-populasnya sama
61
1/27/2011

Tabel ANOVA satu Faktor Uji Chi-Kuadrat

Uji Keselarasan Uji Tabel Kontingensi
mengetahui apakah data terklasifikasikan silang
Mengetahui apakah distribusi hasil pengamatan pada
(cross-classified) secara independen
sampel sesuai dengan distribusi hipotesis pada populasi
62
1/27/2011
Tujuan Pembelajaran
Tujuan Analisis Sifat Relasi

Analisis regresi: Relasi yang logis:
• mempelajari hubungan statistik yang terjadi antara • Penilaian terhadap angka-angka statistik memerlukan
dua atau lebih varibel pertimbangan sifat dasar hubungan
• Hubungan dinyatakan dalam sebuah persamaan
regresi Jenis relasi:
• Variabel terikat : yang akan diestimasi nilainya (diplot • hubungan
h b ngan sebab akibat
dalam sumbu – y) Æ kenaikan temperatur dengan kecepatan reaksi proses kimia
• Variabel bebas : yang diasumsikan memberikan • hubungan akibat penyebab yang sama
pengaruh terhadap variasi variabel terikat (diplot Æ peningkatan penjualan rumah dan peningkatan penjualan
dalam sumbu – x) kendaraan bermotor
Analisa korelasi: • hubungan semu
• mengukur "seberapa kuat" atau "derajat kedekatan" Æ kenaikan penjualan furniture di Jakarta dengan data
suatu relasi yang terjadi antar variabel. perubahan temperatur
63
1/27/2011
Diagram Pencar Regresi Linier

9 Ada atau tidaknya relasi yang berguna antar variabel
9 Jenis persamaan yang akan digunakan
Regresi Linier Regresi Linier

Metode Least Square
64
1/27/2011
Regresi Linier Regresi Linier
Standard Error Estimasi Uji Relasi (Uji Kemiringan/Slope)

Deviasi standard yang memberikan ukuran penyebaran
nilai-nilai yang teramati di sekitar garis regresi
Terlihat jelas bahwa interpretasi dari persamaan garis regresi yang diperoleh
dari data sampel dapat memberikan pemahaman yang menyesatkan
(misleading) jika akan diterapkan pada populasinya.
s y ,x
b − BHo sb =
RUt = ttest = (∑ x )
2
UJI- t
sb ∑(x2 ) − n
65
1/27/2011
Uji Relasi (Uji Kemiringan/Slope) Interval Prediksi
UJI- t Nilai estimasi dari sebuah variabel terikat yang diperoleh

dari persamaan regresi dapat diperluas menjadi estimasi
Ho : B = 0 b − BHo s y ,x interval
RUt = ttest = sb =
H1 : B ≠ 0 sb (∑ x )
2
∑(x2 ) − n
UJI ANOVA
H0 : Tidak terdapat relasi antara X dan Y σˆ antara

2
H1 : Terdapat relasi antara X dan Y RUF = Ftest =

σˆ dalam
2
Interval Prediksi Korelasi Linier Sederhana

n > 30
Koefisien Determinasi
yˆ ± z ( sy ,x )
n < 30
Nilai rata-rata y Nilai spesifik y Koefisien Korelasi

⎡ ⎤ ⎡ ⎤
⎢ ⎥
( xg − x ) ⎢
( xg − x ) ⎥
2 2
1
yˆ ± tα / 2 ⎢⎢s y ,x ⎥ ˆ ⎢ 1 ⎥
+ ⎥ y ± tα / 2 ⎢ sy ,x 1 + n + ⎥
(∑ x ) (∑ x )
2 2
n
⎢
⎣⎢
( )
∑ x2 −
n
⎥
⎦⎥
⎢
⎣⎢
∑ x2 − ( ) n
⎥
⎦⎥
66
1/27/2011
Korelasi Linier Sederhana
Kesalahan dalam analisis korelasi yang harus dihindari:
1. Korelasi tidak bisa digunakan untuk membuktikan

adanya hubungan sebab-akibat. Koefisien determinasi
hanya menunjukkan adanya dan kekuatan hubungan
antara variabel bebas dan terikat tanpa menilai sifat
relasi tersebut.
2.Koefisien korelasi bukan suatu nilai prosentase.
Koefisien korelasi 0,7 tidak berarti 70 persen variasi dari
nilai variabel terikat
Statistical Quality Control

Arti Penting SQC
Produksi barang atau jasa :
outputnya serupa (similar) tetapi tidak sama
(identical)
Adanya variasi normal dan wajar
Variasi
V i i berpengaruh
b d mutu
h pada t produk
d k Æ harus
h
dikendalikan.
Metode Statistik banyak digunakan dalam

pengendalian mutu
67
1/27/2011
Statistical Quality Control Statistical Quality Control

Variasi Dalam Produk Peta Kendali (Control Chart)
Diagram yang menjelaskan proses yang terjadi di dalam hasil
Variasi yang terkendali
observasi data-data suatu produk
terjadi secara alamiah
inheren dan terkirakan Unsur Peta Kendali
sebab-sebab acak/kebetulan Garis Pusat (CL)
dapat diterima dan diizinkan Batas Atas (UCL)
Batas Bawah (LCL)
Grafik Plot Data
Variasi tak terkendali
Observasi
perubahan yang tidak diharapkan Jenis Peta Kendali
tidak diperkirakan sebelumnya Jenis yang biasa digunakan :
bukan karena sebab acak/kebetulan Peta Nilai Individu
Tidak dapat diterima dan diizinkan Peta Nilai Kontinu X – R chart
Peta Nilai Diskrit p – c chart

Langkah Penggunaan Peta Kendali (Control Chart) Peta Kendali Nilai Individual ( I Chart)
Memonitor setiap nilai yang diamati dalam sebuah proses
Unsur peta kendali
68
1/27/2011

Peta X dan R Untuk Nilai Kontinu Tujuan Penggunaan Peta X dan R
Mengendalikan proses yang menggunakan nilai kontinu, Melihat sejauh mana suatu proses produksi sudah sesuai
seperti panjang, berat, diameter, dll. dengan standar desain proses ataukah belum,
X adalah besaran yang dapat diukur Mengetahui sejauh mana masih perlu diadakan penyesuaian-
Peta X digunakan untuk menganalisa nilai rata-rata sub penyesuaian (adjustments) pada mesin-mesin/alat/metode
kelompok data kerja yang dipakai dalam suatu, proses produksi.
R adalah Range, yaitu untuk melihat perbedaan ukuran tadi Mengetahui penyimpangan kualitas atas hasil (produk) dari
Peta R digunakan untuk menganalisa Range atau Kisaran dari suatu proses produksi, yang kemudian disusul dengan
sub kelornpok data. dilaksanakannya tindakan-tindakan tertentu dengan tujuan
agar tidak terjadi penyimpangan-penyimpangan atas kualitas
pada proses berikutnya.
Kedua peta tersebut saling melengkapi karena sample harus
menunjukkan rata-rata yang dapat diterima dan variasi
pengukuran yang dapat dipertanggungjawabkan agar proses
dinyatakan dalam keadaan "under control"

Teknik Pembuatan Peta X dan R Tabel Pengambilan Data Peta X – R
Tentukan "apa" yang hendak "diukur‘ yang menggambarkan
kualitas produk/jasa atau penunjang produk/jasa tersebut.
Formulir …………………
Tentukan satuan ukurannya dan dengan alat apa akan Ukuran Sampel
diukurnya. Tanggal X1 X2 X3 X4 X5 X R Cat
Tentukan ukuran sampel/sample size (n). Bisa 2 < n < 12,
(biasan a 4 sampai 5 sample)
(biasanya
¾ Peta X dan R standar diperlukan 5 s/d 20 kali pengambilan
(biasanya 10 kali) @ 4 sampai 5 sample
¾ Untuk pengendalian dari waktu ke waktu, pengambilan
sample dilakukan secara kontinu, misaInya : 5 kali
pengambilan per hari, tergantung dari kebutuhan,
kegunaan serta kemampuan operator yang
bertanggungjawab atas kualitas tersebut.
Pengambilan sampel dan perhitungan
69
1/27/2011

Perhitungan Pada Tabel Data Peta X – R Faktor A2, D3 dan D4 untuk Peta X – R
Catatan :
Menghitung X rata-rata ( X )
X1+X2+...+Xn n A2 D3 D4
X= 2 1.88 0 3.27
Apabila terdapat angka
n 3 1.02 0 2.57
Menghitung R 4 0.73 0 2.28 perhitungan LCL yang negatip
5 0.58 0 2.11
Selisih angka paling besar dan angka paling kecil dalam setiap kelompok sampel 6 0.48 0 2
maka digambarkan pada garis 0
7 0.42 0.08 1.92 Angka X dan R untuk setiap
8 0 37
0.37 0 14
0.14 1 86
1.86
Perhitungan Untuk Pembuatan Peta X – R 9 0.34 0.18 1.82 pengambilan
bil sample l kemudian
k di
10 0.31 0.22 1.76 diplotkan di dalam, grafik
Menghitung garis tengah X=
∑X R=
∑R 11 0.29 0.26 1.74
tersebut untuk mengetahui
12 0.27 0.28 1.72
(Central Line) k k
k = jumlah berapa kali pengambilan sampel 13 0.25 0.31 1.69 apakah standar ini sudah benar
14 0.24 0.33 1.67
UCL = X + ( A2 ) R 15 0.22 0.35 1.65 ataukah belum
Menghitung Garis Batas 16 0.21 0.36 1.64
untuk X LCL = X - ( A2 ) R 17 0.2 0.38 1.62
18 0.19 0.39 1.61
Menghitung Garis Batas UCL = ( D4 ) R 19 0.19 0.4 1.6
untuk R LCL = ( D3) R 20 0.18 0.41 1.59

Contoh Kasus-1: Peta Kendali X
Sebuah perusahaan melakukan pengecekan dan pengukuran berat suatu produk. Jumlah data yang
diperiksa (sampel) adalah 125 unit. Sampel itu dibagi menjadi 25 sub kelompok yang masing-masing UCL = X + ( A2 ) R = 32.84 + (0.557)(9.76) = 38.471
terdiri dari 5 unit. Setelah dilakukan pengukuran, datanya sbb: LCL = X - ( A2 ) R = 32.84 - (0.557)(9.76) = 27.208
Sub Kelompok X1 X2 X3 X4 X5 ΣX X R
1 39 32 38 35 37 181 36.2 7
2 32 37 31 25 34 159 31.8 12
3 31 32 35 29 37 164 32.8 8
4 35 37 42 47 38 199 39,8 12
5 28 31 37 36 25 157 31.4 12
6 40 35 33 38 33 179 35.8 7
7 35 30 37 33 26 161 32.2 It
8 35 39 32 37 38 181 36.2 7
9 27 37 36 33 35 168 33.6 10
821
10
11
32
35
33
39
31
35
37
31
32
33
165
173
33
34.6
6
8
X= = 32.84
12 31 25 24 32 22 134 26.8 10
25
244
= 9.76
13 22 37 31 37 28 155 31 15
14 37 32 33 38 30 170 34,0 8 R=
15 31 37 33 38 31 170 34 7 25
16 27 31 23 27 32 140 28 9
17 38 35 37 26 37 173 34.6 12
18 35 31 29 39 35 169 33.8 10
19 31 29 35 29 35 159 31.8 6
20 29 27 32 38 31 157 31.4 11
21 40 39 41 33 29 181 36.2 12
22 20 31 27 29 28 135 27 11
23 30 37 29 32 31 159 31.8 8
24 28 35 22 32 37 154 30.8 15
25 39 34 31 29 29 162 32.4 10
Total 4105 821 244
70
1/27/2011

Peta Kendali R Peta Kendali Untuk Atribut/Nilai Diskrit
UCL = ( D4 ) R = (2.115)(9.76) = 20.6424 Pengertian Atribut adalah persyaratan kualitas yang diberikan
LCL = ( D3) R = (0)(9.76) = 0 (tidak ada LCL) kepada suatu barang, yang hanya menunjukkan apakah
barang/produk tersebut di terima atau di tolak
Peta ini biasanya digunakan untuk menganalisa suatu
pengukuran yang bersifat diskrit, contohnya : kelingan yang rusak
pada sayap pesawat, gelembung-gelembung udara pada
botol/gelas,
Tujuan Petagoresan
Kontrolpada
p lempengan
dan c plat dan sebagainya
Peta Kontrol p:
Persentase atau proporsi dari produk yang defective per
sample untuk menilai masing-masing produk dapat diterima
(acceptable)atau ditolak (defective)
Peta Kontrol c:
Jumlah defect dalam unit produk yang tetap

Teknik Pembuatan Peta p Contoh Kasus-2: T anggal Tolak Prosentase
Peta kontrol ini juga disebut sebagai peta kontrol defective. Dalam memproduksi "Wiring Board" yang digunakan dalam 8-Sep-00 4 8
assembling produk-produk tertentu diambil sampel 50 buah
p adalah ratio antara jumlah produk defective yang didapatkan
9-Sep-00 3 6
per hari. Wiring Board ini ditest dan jika lampu menyala 10-Sep-00 2 4
dalam inspeksi terhadap jumlah seluruh produk yang di inspeksi. bahan diterima. Hasil tabulasi dari data yang dicatat selama
11-Sep-00
12-Sep-00
6
3
12
6
p dapat dinyatakan, dalam fraksi disebut "fraction defective“ atau phase permulaan produksi sebagai berikut: 15-Sep-00 1 2
16-Sep-00 3 6
persentase disebut "percentage defective“ 17-Sep-00 2 4
Peta p dapat diUntuk

Perhitungan s s n dengan
susun j mlah sample
jumlah
Pembuatan Petatetap
p atauata bervariasi
ber ariasi Jumlah produk yang ditolak seluruhnya = 62 buah (Jumah 18 Sep 00
18-Sep-00 9 18
persentase defective 124%) maka 19-Sep-00

22-Sep-00
5
3
10
6
jumlah produk defective
Garis Tengah (Central Line) 62 23-Sep-00 2 4
p= p = = 6.2 % atau 24-Sep-00 5 10
jumlah produk diobservasi 20 × 50 25-Sep-00 2 4
124%
p (1 - p ) p = = 6.2 % 26-Sep-00 2 4
Garis Batas untuk p UCL = p + 3 Sp Sp =

n
(p dalam fraksi) 20 29-Sep-00
30-Sep-00
1
3
2
6
LCL = p - 3 Sp
p (100 - p ) 6.2 (100 - 6.2 ) 1-Oct-00 2 4
Sp = (p dalam persen) Sp = 2-Oct-00 1 2
n 50 3-Oct-00 3 6
Jumlah 62 124
n = ukuran sampel = 3.4
71
1/27/2011

Peta Kendali p Peta Kendali p
UCL = 6.2 % + 3 (3,4 %) = 16.4 % Melihat bahwa pada tanggal 18 September 2000 ada titik diluar
LCL = 6.2 % - 3 (3,4 %) = - 4 % (negatif), diambil = 0
batas pengendalian maka dilakukan penelitian. Ternyata ada
buruh baru dan produknya belum sempat diperiksa sudah masuk
dalam sampel. Agar proses tersebut tetap dalarn pengendalian
peta kontrol perlu direvisi dengan jalan:
Nilai tanggal 18 September 2000 dikeluarkan
Dilakukan perhitungan ulang:
¾ jumlah sample jadi 19 X 50
¾ jumlah
p = = 5.5 % (revised) Sp =
62(100
53defective (yang ditolak) =5.5 ) = 3.2
- 9 -=5.553
19 × 50 50
UCL = 5.5 % + 3 (3,2 %) = 15.1 %

LCL = 5.5 % - 3 (3,2 %) = - 4.1 % (negatif), diambil = 0

Teknik Pembuatan Peta c Contoh Kasus-3:
Banyak parameter yang dikendalikan tidak dapat dinyatakan Peta Kendali c digunakan untuk menilai proses otomatis dalarn
sebagai bagian seperti dalam Peta-p. Misalnya dalam pertenunan, memproduksi bahan yang dipakai pada musim dingin. Inspeksi
jumlah defect per 10 m2 dari bahan yang diproduksi mungkin dilakukan secara terus menerus pada setiap panjang 10 yards.
merupakan parameter yang harus dikendalikan. Disini satu defect Kedua belah bagian diinspeksi lewat sinar berintensitas tinggi.
mungkin artinya kecil tetapi kalau defectnya besar per unit Defect dapat terjadi karena tenunan tidak baik dan tidak
m ngkin dapat merupakan
mungkin mer pakan obyek
ob ek penting sekali t l i
terlapisnya d
dengan b h tertentu
bahan t t t secara baik.
b ik Defect
D f t ini
i i kecil
k il
Untuk itu distribusi kemungkinan yang berlaku adalah distribusi dan dideteksi per ± 2 cm2 atau kurang. Data pada waktu yang
POISSON, dimana
Perhitungan terjadiPembuatan
Untuk defect secara random
Peta p lampau per 10 yard persegi ada 40 defect.
jumlah produk defective
Garis Tengah (Central Line) c=
Dengan demikian sampai
UCL = c +saat
3 Sc =ini,
40 peta = 59
+ 3 40kendali c tersusun sebagai
jumlah produk diobservasi
LCL = c - 3 Sc = 40 - 3 40 = 21
berikut:
Garis Batas untuk c UCL = c + 3 Sc
LCL = c - 3 Sc
Sc = c Dari produksi terbaru, tercatat data menurut sampel no. 81 s/d
100 sebagai berikut:
72
1/27/2011

Nomor
Sample
Junilah
Defect per
Revisi
10 Yards Selanjutnya menilai fakta bahwa banyak data dibawah harga c = 40, maka
81 33 disarankan untuk merevisi batas-batas pengendalian. Sample 82 dan 83
merupakan kesalahan yang dimasukkan dan karena belum berpengalamannya
82 16
83 19
84 26 pengawas.
85 36 Sample 84 pun masih diragukan.
86 32 Untuk merevisi, sample mulal dipakai dari 85 s/d 100.
87 37
jumlah produk defective c85+c86+
c85+c86+...+c100
+c100
88 41
c(revisi) = =
89 32 jumlah produk diobservasi 16
90 30
91 35 36 + 32 + ... + 28
92 28 = = 32.3
93 24 16
94 31
95 34 Perhatian khusus diadakan karena proses yang baru. UCL (revisi) = c(revisi) + 3 Sc(revisi) = 32.3 + 3 32.3 = 49
96 40 Sample-sample yang mempunyai defect dari 33, 16, 19 dan 26 LCL (revisi) = c(revisi) - 3 Sc(revisi) = 32.3 - 3 32.3 = 15
97 30
defect kemudian meningkat. Ternyata dari penelitian
98 31
99 22
selanjutnya pengawas masih kurang ahli dalam menentukan
100 28 macam defect tersebut. Karenanya sample 82 dan 83 tidak
dihitung

Analisis Penyimpangan Process Capability
Proses Terkendali
Terjadi variasi karena penyebab acak yang normal.
Menunjukkan kinerja proses yang beroperasi secara
Tidak diperlukan tindakan apa-apa terkendali
Proses Tak Terkendali Dinyatakan dalam Process Capability Ratio/PCR (Cp)
Terjadi variasi karena penyebab yang tidak normal.
Di l k Indikasi
Diperlukan
Beberapa tindakan
ti d k penyelidikan
lidik
Penyimpangan UCL − LCL
Cp =
Beberapa pola grafik memberikan gambaran tentang indikasi 6σ
terjadinya penyimpangan tak terkendali dalam proses, antara lain Cp > 1 Æ proses terkendali (makin besar Cp kinerja
Terdapat titik di luar garis batas (atas UCL atau bawah LCL) proses makin baik)
Terdapat dua titik didekat garis batas kendali Cp ≤ 1 Æ proses tidak terkendali
Terdapat larinya (run) 5 titik di atas atau di bawah garis tengah
(CL)
Kecenderungan (trend) 5 titik terus naik atau turun
Perubahan tak menentu
73
1/27/2011
Statistical Quality Control

Process Capability
Jika proses off-center, kinerja proses dinyatakan
dalam actual process capability ratio
⎡UCL − μ μ − LCL ⎤
Cppk = min⎢ ,
⎣ 3σ 3σ ⎥⎦
Cpk > 1 Æ proses terkendali (makin besar Cpk kinerja
proses makin baik)
Cpk ≤ 1 Æ proses tidak terkendali
74

Statistics and Probability-Learning Materials 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

Statistics and Probability-Learning Materials PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

1/27/2011

 Mendefinisikan arti dari terminologi-terminologi

Pokok Bahasan Definisi dan Pengertian

Definisi dan Pengertian Definisi dan Pengertian

Definisi dan Pengertian Definisi dan Pengertian

Definisi dan Pengertian Definisi dan Pengertian

Definisi dan Pengertian Definisi dan Pengertian

Definisi dan Pengertian Definisi dan Pengertian

Klasifikasikan, ringkas, dan

Peranan Statistik dan Peranan Statistik dan

Peranan Statistik dan Peranan Statistik dan

 Analisa komposisi senyawa yang terkandung

Peranan Statistik dan Peranan Statistik dan

Setiap pengukuran memiliki ketidak-akuratan

Peranan Statistik dan Peranan Statistik dan

 Dalam semua proses produksi meskipun

Metode Pemecahan Masalah Metode Pemecahan Masalah

Metode Pemecahan Masalah Metode Pemecahan Masalah

Metode Pemecahan Masalah Metode Pemecahan Masalah

Lab. Fluida Teknik Mesin-

Peranan Komputer Dalam Peranan Komputer Dalam

Lab. Fluida Teknik Mesin-

Peranan Komputer Dalam Peranan Komputer Dalam

Pengumpulan, Pengorganisasian, dan

 Pengumpulan, Pengorganisasian, dan

Pengumpulan, Pengorganisasian, dan Pengumpulan, Pengorganisasian, dan

Pengumpulan, Pengorganisasian, dan

Distribusi Frekuensi Presentasi Grafik

Presentasi Grafik Presentasi Grafik

Waktu diam (jam) (f)

Waktu Diam (jam)

Presentasi Grafik Presentasi Grafik

Breaking Stress (kN/m2)

Presentasi Grafik Presentasi Grafik

Pengujian Tegangan Rusak

Breaking Stress Jumlah

Breaking Stress (kN/m2)

Ukuran Pemusatan Ukuran Pemusatan

Ukuran Pemusatan Ukuran Pemusatan

Ukuran Pemusatan Ukuran Pemusatan

= mean aritmatika terbobot

Ukuran Pemusatan Ukuran Pemusatan

Ukuran Pemusatan Ukuran Pemusatan

Ukuran Pemusatan Ukuran Pemusatan

a. Data Tak Terkelompok Æ Prinsip menentukan median ⎛ 7 ⎞ ⎛ 100 ⎞

⎟ r = konstanta (untuk kuartil r = 4, desil r = 10, persentil r

Ukuran Penyebaran Ukuran Penyebaran

Ukuran Penyebaran Ukuran Penyebaran

MDx = Simpangan mutlak rata-rata

Ukuran Penyebaran Ukuran Penyebaran

terdiri dari 100 data telah terkelompokkan dengan rata-rata ⎝ i =1 ⎠ ⎝ i =1 ⎠

Ukuran Penyebaran Ukuran Penyebaran

900 - 999 4 949,5 61540 246016

Ukuran Penyebaran Moment

- moment ke-r : x r + x r + ... + x r ∑ i

f1 xmr ,1 + f 2 xmr ,2 + ... + f k xmr ,k ∑fx r

Skewness (Kemencengan) Skewness (Kemencengan)

Dalam kebanyakan aplikasi teknik

Kurtosis (Keruncingan) Skewness (Kemencengan)

 Mendefinisikan terminologi-terminologi penting dalam

Pokok Bahasan Konsep dan Definisi

Konsep dan Definisi Konsep dan Definisi

Teknik Mesin – FTUI

Mendefinisikan arti dari terminologi-terminologi

Analisa komposisi senyawa yang terkandung

Setiap pengukuran memiliki ketidak-akuratan

Dalam semua proses produksi meskipun

Pengumpulan, Pengorganisasian, dan

Dalam kebanyakan aplikasi teknik

Mendefinisikan terminologi-terminologi penting dalam

Distribusi probabilitas dengan fungsi probabilitas p(x) yang

Jika X = { x1, x2, x3,…, xn} yang masing-masing mempunyai

Fungsi ini menyatakan