PRAKTIKUM

PROBABILITAS DAN STATISTIKA

SARJANA

By: Ike Fitriyaningsih

Institut Teknologi Del

2018
 MODUL PRAKTIKUM 1
STATISTIK DESKRIPTIF

TUJUAN:
1. Summarize, report dan store data dengan Ms. Excel dan software R
2. Membuat statistics descriptive dengan grafik/ numeric maupun keduanya dari data.
3. Membuat Distribusi Empiris Data

Petunjuk :
- Modul ini diberikan bersama file simulasi Ms. Excel
- Modul terdapat 4 bagian: A-D teori dan latihan yang dikerjakan selama praktikum bersama TA
(Teaching Assistant) dengan laptop masing-masing
- Bagian R (A dan B) adalah tugas yang harus dikerjakan kemudian di upload ke ecourse.

A. Jenis-Jenis Grafik dan Kegunaanya

1. Grafik column (Column chart)

Kegunaannya: untuk menunjukkan perubahan data dalam periode waktu tertentu atau
menggambarkan perbandingan antar beberapa item.

2. Grafik Garis (Line Chart)

Diagram garis adalah penyajian data statistik dengan menggunakan diagram berbentuk garis
lurus.
Kegunaannya: Diagram ini biasanya digunakan untuk menyajikan data statistik yang
diperoleh berdasarkan pengamatan dari waktu ke waktu secara berurutan. Grafik
ini juga untuk menggambarkan nilai masing-masing deret data dalam bentuk garis pada
sebuah baris. Fungsinya untuk menunjukkan data pada rentang waktu tertentu. Sumbu X
menunjukkan waktu-waktu pengamatan, sedangkan sumbu Y menunjukkan nilai data
pengamatan untuk suatu waktutertentu. Kumpulan waktu dan pengamatan membentuk
titik-titik pada bidang XY, selanjutnya kolom dari tiap dua titik yang berdekatan tadi
dihubungkan dengan garis lurus sehingga akan diperoleh diagram garis atau grafik garis.

3. Grafik Lingkaran (Pie Chart)

Diagram lingkaran adalah penyajian data statistik denganmenggunakan gambar yang
berbentuk lingkaran.Bagian-bagian daridaerah lingkaran menunjukkan bagian-
bagian atau persen dari keseluruhan. Untuk membuat diagram lingkaran, terlebih dahulu
 ditentukan besarnya persentase tiap objek terhadap keseluruhan data dan besarnya sudut
pusat sektor lingkaran.
Kegunaannya : Grafik ini digunakan apabila ingin mendapatkan grafik dalam bentuk kue
(lingkaran) dari sebuah deret data tunggal. Fungsinya menunjukkan bagaimana point data
berhubungan dengan keseluruhan data.

4. Grafik Batang (Bar Chart)

Kegunaannya: Grafik batang digunakan untuk membandingkan nilai antar deret dalam
bentuk grafik batang dengan beberapa model (silinder, kerucut, dan piramid) dengan posisi
horizontal.

5. Grafik Area (Area Chart)

Kegunaannya: Grafik ini lebih dikenal dengan grafik atau diagram wilayah, grafik ini dipilih
untuk menggambarkan deret data sebagai garis komulatif dengan tampilan gambar
berbentuk garis yang bertumpuk. Fungsinya untuk menunjukkan perubahan nilai relatif pada
suatu periode waktu.
Ada dua pilihan model grafik jenis area, yaitu: model 2 dimensi dengan 3 dimensi yang
masing-masing memiliki 3 pilihan jenis lagi.

6. Grafik XY (Scatter Chart)

Kegunaan : menggambarkan pasangan titik (kordinat) sehingga bentuk grafiknya berupa
titik-titik yang tertebar. Fungsinya untuk menunjukkan hubungan antarpoint data dengan
memplot titik pada grafik, biasanya digunakan dalam analisis data ilmiah. Ada 5 jenis pilihan
model grafik jenis ini.

7. Grafik Donat (doughnut Chart)

Kegunaan : untuk menggambarkan nilai deret data yang masing-masing diwakili oleh sebuah
segmen berbentuk cincin.

8. Grafik Radar
Grafik ini menggambarkan nilai deret data menggunakan sumber nilai yang ditarik dari pusat
diagram dan terpisah untuk setiap kategori. Fungsinya menunjukkan perubahan pada titik
pusat.

9. Grafik Vektor (vector Chart)

Garis tiga istirahat menampilkan serangkaian kotak vertical (garis) yang didasarkan pada
perubahan harga. Sebuah garis naik baru diambil jika harga penutupan lebih tinggi dari yang
sebelumnya.jika unjuk rasa atau aksi jual cukup kuat untuk membentuk garis berurutan
dengan arah yang sama,maka harga harus membalikkan oleh harga ekstrem dari beberapa
baris terakhir dalam rangka menciptakan baris baru.biasanya tiga baris berturut-turut
digunakan untuk criteria pembalikan,maka nama tiga istirahat line.seperti kagi,point,dan
gambar,dan renko grafik,diagram jalur tiga istirahat mengabaikan berlalunya waktu.

10. Grafik Kagi (kagi Chart)

 Grafkan sebagai peningkatanik tampilan serangkaian garis vertical untuk menggambarkan
tingkat umum bahasa dari penawaran lihat semuanya dan permintaan untuk asset
tertentu.ketebalan dan arah garais tergantung pada aksi harga. Garis tebal di ambil saat
harga istirahat diatas harga sebelumnya tinggi dan ditafsirkan sebagai penimgkatan
permintaan. Tipis yang digunakan untuk mewakili pasokan meningkat saat harga turun di
bawah rendah sebelumnya.grafik kagi mengabaikan berlalunya terbalik.

11. Grafik Renko

Renko grafik tampilan serangkaian putih dan kotak hitam (batu bata) untuk menggambarkan
pergekrakan harga umum dan pembalikan tren.sebuah grafik renko dibangun dengan
menempatkan batu bata dikolom berikutnya setelah harga melampaui bagian atas atau
bawah dari bata sebelumnya dengan jumlah yang telah ditetapkan. Batau bata putih
digunakan ketika arah trend sudah habis,batu bata hitam digunakan ketika trend aadalah
bawah.semua batu bata adalh sama dalam ukuran. Jenis grafik membantu trader untuk
mengidentifikasi dukungan utama / tingkat perlawanan.

12. Bubble charts (Grafik gelembung)

Data diatur dalam kolom sehingga nilai-nilai x (horizontal) tercantum pada kolom pertama
(kiri) dan nilai-nilai y (vertical) yang sesuai dan nilai-
nilai ukuran gelembung tercantum dalam kolom yang berdekatan,
dapat diplot dalam grafik gelembung.

13. Surface charts (Grafik permukaan)

Kegunaannya : ketika kita ingin mencari kombinasi yang optimal dari 2 rangkaian data.
Seperti dalam peta topografi, warna danpola menunjukkan daerah yang
berada dalam kisaran nilai yang sama.

14. Stock charts (Grafik stok)

Kegunaannya : untuk menggambarkan fluktuasi harga stok.
Namun grafik ini juga dapat digunakan untuk data ilmiah. Sebagaicontoh,
kita dapat menggunakannya untuk menunjukkan fluktuasi suhu harian.

15. Diagram batang daun

Diagram batang daun dapat diajukan sebagai contoh penyebaran data. Dalam diagram
batang daun, data yang terkumpul diurutkan lebih dulu dari data ukuran terkecil sampai
dengan ukuran yang terbesar. Diagram ini terdiri dari dua bagian, yaitu batang dan daun.
Bagian batang memuat angka puluhan danbagiandaun memuat angka satuan.
B. Praktikum Membuat Grafik Lingkaran (Pie-Chart) dan Diagram Batang

Tabel berikut adalah data Wali Mahasiswa.

No. Nama Gender Pekerjaan Penghasilan Pendidikan
1 Hilman Pria Pegawai Rp 500,000.00 SMA
2 Andri Wanita PNS Rp 843,602.00 S1
3 Agus Pria Swasta Rp 2,661,763.00 D3
4 Febrian Wanita Pedagang Rp 1,826,712.00 SMA
5 Dewi Pria PNS Rp 2,787,795.00 S1
6 Maredi Wanita Swasta Rp 1,694,001.00 D3
7 Rosari Pria Pedagang Rp 1,399,326.00 D3
8 Gorga Wanita Swasta Rp 929,663.00 SMA
9 Putra Wanita Pedagang Rp 1,242,439.00 S1
10 Irwan Pria Pegawai Rp 1,690,047.00 S1
11 Andi Wanita PNS Rp 2,368,566.00 D3
12 Tommy Pria Swasta Rp 2,517,243.00 SMA
13 Riado Wanita Pedagang Rp 2,255,456.00 S1
14 Paian Pria PNS Rp 1,532,711.00 D3
15 Tunggul Wanita Swasta Rp 1,204,290.00 D3
16 Rory Pria Pedagang Rp 925,339.00 SMA
17 Mia Wanita Swasta Rp 2,339,640.00 S1
18 Rikki Pria Pedagang Rp 1,094,165.00 S1
19 Tahan Wanita Pegawai Rp 2,869,379.00 D3
20 Jefri Wanita PNS Rp 2,235,092.00 SMA
21 Jhonni Pria Swasta Rp 2,237,245.00 S1
22 Noel Wanita Pedagang Rp 1,045,876.00 D3
23 Johan Pria PNS Rp 1,831,594.00 D3
24 Tiorida Wanita Swasta Rp 775,594.00 SMA
25 Raja Pria Pedagang Rp 527,323.00 S1
26 Daniel Wanita Swasta Rp 2,047,296.00 S1
27 Parida Pria Pedagang Rp 2,215,579.00 D3
28 Nikolas Wanita Pegawai Rp 1,302,720.00 SMA
29 Jomen Pria PNS Rp 668,881.00 S1
30 Christine Wanita Swasta Rp 1,213,046.00 D3

 Membuat Diagram Lingkaran dari data Gender

1. Persiapkan tabel yang menyatakan jumlah masing-masing kategori

Pada tabel di bawahnya, yaitu tabel Jenis Kelamin, lengkapilah kolom jumlah untuk pria dan
wanita, dengan
 menggunakan rumus COUNTIF, , ketik = COUNTIF(range;criteria), dengan range adalah
rentang pada tabel awal, untuk kolom gender.
Contoh: blok mulai D3 sampai dengan D32, sedangkan untuk criteria isilah dengan teks “Pria”
untuk bagian pria, sehingga formula menjadi COUNTIF(D3:D32; “Pria”), kemudian tekan Enter.
Lakukan hal yang sama untuk bagian wanita (cell K4) dengan mengganti criteria menjadi
“Wanita”.

Ubah type data pada kolom Presentasi dengan mengacu pada hasil perhitungan jumlah
masing-masing kriteria dengan jumlah total seperti berikut.

No Gender Jumlah Persentase

1 Pria 14 47%
2 Wanita 16 53%
Total 30 100%

2. Blok tabel seperti pada gambar berikut dengan blok Gender > Tekan CTRL > blok persentase

3. Klik insert.
4. Kemudian lihat bagian chart (atau klik chart), kemudian klik pie. Pilihlah jenis grafik pie yang
sesuai.
5. Klik Chart yang terbentuk, kemudian pilihlah format chart yang anda inginkan
 Latihan di kelas praktikum :
1. Buatlah diagram lingkaran untuk pekerjaan wali mahasiswa dan interpretasikan
2. Buatlah diagram lingkaran untuk pendidikan wali mahasiswa dan interpretasikan

 Menemukan Nilai Statistik Deskriptif data dengan Excel:

Untuk menampilkan statistik deskriptif terdapat formula-formula dasar pada Ms. Excel. Berikut Formula
untuk menampilkan 5 statistik penting penghasilan wali mahasiswa:

Minimum =MIN(F3:F32)
Maksimum =MAX(F3:F32)
Statistik Deskriptif
Rata-rata =AVERAGE(F3:F32)
Penghasilan Wali Mahasiswa
Standar Deviasi =STDEV(F3:F32)
Banyak data =COUNT(F3:F32)

Latihan di kelas praktikum :

1. Tentukan statistik deskriptif penghasilan wali mahasiswa dan interpretasikan
2. Bandingkan nilai statistik yang didapat jika anda menggunakan rumus manual (dengan
bantuan excel) untuk mendapatkan nilai-nilai tersebut
3.
C. Add Ins Ms. Excel Data Analysis untuk menampilkan Statistika Deskriptif secara Lemgkap

Selain itu Add Ins ini dapat menampilkan statistik deskriptif data, dengan cara:
 Tampilkan statistik deskriptif data penghasilan orang tua dan bandingkan dengan hasil sebelumnya.

D. Add Ins Ms. Excel Data Analysis untuk membuat Histogram dan Pareto

Terdapat Add ins bawaan Ms. Excel yang dapat digunakan untuk analisis data statistik. Namun, perlu
diaktifkan dengan Klik “File” > “Options” > “Add-Ins” > “Go” > centang “Analysis Toolpak”, “Analysis
Toolpak-VBA” dan “Solver Add-In” > klik OK
 Jika berhasil muncul menu data analyst dan Solver pada “Data”

Tools pada Data Analysis Ms. Excel antara lain adalah:

 Membuat histogram penghasilan wali mahasiswa:

1. Buat Batas Interval dahulu pada Excel kolom H48 sampaiH54

Batas Interval (Bin)

1500000
2500000
1000000
2000000
3000000
500000

2. kemudian klik “Data” > “Data Analysis” > “Histogram” > OK

 3. Isi kotak dialog seperti gambar di bawah ini

Hasilnya akan muncul di sheet excel yang baru dengan mendefinisikan kembali Batas interval
sebagai berikut:

Batas Interval (Bin) Frequen Cumulative Batas Interval (Bin) Frequen Cumulative
Penghasilan cy % Penghasilan cy %
0-500000 1 3.33% 1500000 7 23.33%
500001-1000000 6 23.33% 2500000 7 46.67%
1000001-1500000 7 46.67% 1000000 6 66.67%
1500001-2000000 5 63.33% 2000000 5 83.33%
2000001-2500000 7 86.67% 3000000 4 96.67%
2500001-3000000 4 100.00% 500000 1 100.00%
More 0 100.00% More 0 100.00%
Jika kita hanya mencentang histogram, hasilnya adalah sebagai berikut:

Histogram data juga dapat dilihat sebagai distribusi peluang empiris.

Batas interval tidak urut karena kita menambahkan pareto (line gaphic for cumulative)

Histogram
8 120.00%
7 100.00%
6
5 80.00%
4 60.00%
Frequency
3 40.00%
2 Cumulative %
1 20.00%
0 0.00%
1500000 2500000 1000000 2000000 3000000 500000 More
Batas Interval (Bin) Penghasilan
 Latihan di kelas praktikum :
1. Cari referensi tentang pareto dan analisislah grafik penghasilan pareto orang tua mahasiswa di
atas
2. Buatlah histogram data umur baterai berikut sebagai distribusi peluang empiris (berdasarkan
data) kemudian jelaskan

Langkah-langkah copy data dan menjadikannya format kolom di excel:

Copy data batteray pada halaman 42 pdf (21 buku) dari ebook walpole

Merubah data text-to-columb pada Ms.Excel :Copy data dari text file > Data > Text to columb

Finish
Atur data ke bawah kemudian buat histogramnya dengan bin (batas interval) berselang 0.5.
Simpan data
 Pengenalan R
1. Instal software R
2. Ketikkan sourcode berikut pada R command:

x <- c(1,2,3,4,5,6)
Kemudian pangil kembali dengan mengetikkan

x
Apa yang terjadi?

3. Ketikkan sourcode berikut pada R command:

y <- rnorm(12)
Kemudian pangil kembali dengan mengetikkan

y
Apa yang terjadi?

4. Ketikkan sourcode berikut pada R command:

z <- seq(-2, 2)

Kemudian pangil kembali dengan mengetikkan

z
Apa yang terjadi?

5. Ketikkan sourcode berikut pada R command:

w=c(1,2,3,4,5,6)
dim(w) <- c(2,3)
Kemudian pangil kembali dengan mengetikkan

w
Apa yang terjadi?

6. Ketikkan sourcode berikut pada R command:

u <- c(1,2,3)
v <- c(-1,-2,-3)
m <- cbind(u,v)

Kemudian pangil kembali dengan mengetikkan

m
Apa yang terjadi?
 A. Install package Rcmdr (Recomender) di R.

1. Search keberadaan package di cran-R

2. Download versi realease-nya

3. Install package yang telah terdownload

Open > OK > OK

4. Kadang, package membutuhkan package lain untuk dapat bekerja. Misalnya package “Rcmdr”
(Recomender) ini membutuhkan package “Spline”, “car”, dll. Oleh karena itu, kita harus download
 package-package tersebut dari cran R kemudian menginstalnya. (ekstrak file 1, 2,3 atau yang sudah
disatukan dalam library kemudian install ke R anda)
5. Setelah semua terinstal, berikut adalah tampilan R-GUI atau package “Rcmdr” (Recomender) untuk
memudahkan analisis statistika pada software R.

B. Tugas Praktikum:

1. Copy data baterray yang sudah dijadikan satu kolom ke notepad

2. Simpan notepad ke directory internal computer anda
3. Impor data dari rcmdr R, misal beri nama t > OK

pilih direktory data > OK

OK
 4. Analisis Data

Ketikkan summary t pada “R script” di bagian GUI R

summary(t)

Hasilnya seharusnya:

Min. :1.600
1st Qu.:3.100
Median :3.400
Mean :3.413
3rd Qu.:3.825
Max. :4.700

5. Membuat Grafik
Menggunakan GUI Rcmdr Bisa juga pakai Rcommand :

1. Graph > density plot > OK 1. densityPlot( ~ batterai, data=t, bw="SJ",

adjust=1, kernel="gaussian")

2. Graph > histogram > OK 2. with(t, Hist(baterrai, scale="frequency",

breaks="Sturges", col="darkgray"))

3. Graph > boxplot > OK 3. Boxplot( ~ lifetime_baterrai, data=t,

id.method="y")

4. Graph > dotplot > OK 4. with(t, Dotplot(lifetime_baterrai, bin=FALSE))

Referensi:

http://www.rizkyfkm.ml/2014/04/jenis-jenis-grafik-dan-kegunaannya.html?m=1
 MODUL 2 PRAKTIKUM PROBSTAT SRJANA
PENGUJIAN HIPOTESIS

TUJUAN:
2.1 Memahami penggunaan menu-menu “add ins Excel” mengenai pengujian hipotesis (kecuali MR), (TB
tambah Matlab, SI+TI+TE tambah software R).
2.2 Menarik kesimpulan dengan membaca output hasil pengujian hipotesis (Kecuali MR).

Catatan: Modul ini menggunakan Excel 2010, Software R 3.4.1 dan Matlab 2015b

A. MENU DATA ANALYST DI EXCEL: Mengaktifkan Add Ins Ms. Excel untuk Data Analysis dan Solver

Terdapat Add ins bawaan Ms. Excel yang dapat digunakan untuk analisis data statistik. Namun, perlu
diaktifkan dengan Klik “File” > “Options” > “Add-Ins” > “Go” > centang “Analysis Toolpak”, “Analysis
Toolpak-VBA” dan “Solver Add-In” > klik OK

Jika berhasil muncul menu data analyst dan Solver pada “Data”
B. Pengujian Hipotesis (MR tidak usah dijelaskan)
n >= 30 atau ragam populasi
diketahui = uji Z
Satu Populasi
n < 30 dan ragam populasi tidak
diketahui = uji t

pengamatan berpasangan
(paired) = uji t 2 pop

ragam populasi diketahui = uji Z 2 pop

Rata-rata Dua Populasi
ragam dianggap
sama = uji t equal
ragam populasi variance
tidak di ketahui ragam dianggap
beda = uji t unequal
variance

Lebih dari 2 ANOVA (Analisis of Variance untuk

populasi percobaan)

Satu Populasi = uji chisquare ragam 1 pop

uji hipotesis

Ragam Dua Populasi = uji F

Lebih dari 2 populasi = uji bartlet/ levene/

Cohcran

Satu Populasi = uji Z satu proporsi

Proporsi Dua Populasi = uji Z 2 proporsi

Lebih dari 2 populasi = uji chiaquare l>2 proporsi

Menu uji Hipotesis yang disediakan:

Uji rata-rata 2 populasi berpasangan

Uji rata-rata 2 populasi ragam dianggap sama
Uji rata-rata 2 populasi ragam dianggap beda
Uji rata-rata 2 populasi ragam diketahui
 Sumber: Walpole. Probability and Statistics
Data:
1. [Contoh] Seorang manajer perusahaan taksi sedang mencoba memutuskan apakah penggunaan
ban radial bukan biasa. Bandapat meningkatkan keekonomisan bahan bakar. Dua belas mobil
itu dilengkapi ban radial dan biasa dikemudikan tes tanpa mengganti driver dengan mobil yang
sama (paired t test). Konsumsi bensin, dalam kilometer per liter, tercatat sebagai berikut:

Mobil Ban radial Ban biasa a. Lakukan pengujian hipotesis dengan excel
1 4.2 4.1 menggunakan alpha 5%
b. Bagaimana keputusannya jika alpha 1%?
2 4.7 4.9
3 6.6 6.2
4 7 6.9
5 6.7 6.8
6 4.5 4.4
7 5.7 5.7
8 6 5.8
9 7.4 6.9
10 4.9 4.7
11 6.1 6
12 5.2 4.9
 Langkah pengerjaan:
i) Tentukan H0
ii) Tentukan H1
iii) Klik Data > Data analysis > sorot ke uji yang dimaksud

iv) Isi kotak dialog

v) Analisis output
Judul t-Test: Paired Two Sample for Means
Radial Belted
Variabel Tires Tires
Rata-rata Mean 5.75 5.608
Ragam Variance 1.108 0.988
Banyak data Observations 12 12
Korelasi pearson Pearson Correlation 0.983
d0 Hypothesized Mean Difference 0
Derajat bebas (v) df 11
Statistik uji t Stat 2.484
P-value satu sisi kiri P(T<=t) one-tail 0.015
a. Karena p-value < alpha
Titik kritis satu sisi t Critical one-tail 1.796 (0.05) maka tolak Ho
P-value dua sisi P(T<=t) two-tail 0.030 b. Karena p-value > alpha
Titik kritis dua sisi t Critical two-tail 2.201 (0.01) maka tolak Ho
Tambahan TB

a. Buka Matlab
b. Import data
c.
d.

e. Cek data
 f. Uji hipotesis

Sumber : https://www.mathworks.com/help/stats/ttest.html#btrj8o9-1
Tambahan SI TI TE

a. Buka software R
b. Input data dan ketik

Sumber: https://www.statmethods.net/stats/ttest.html

Code uji yang lain:

# independent 2-group t-test

t.test(y~x) # where y is numeric and x is a binary factor

# independent 2-group t-test

t.test(y1,y2) # where y1 and y2 are numeric

# one sample t-test

t.test(y,mu=3) # Ho: mu=3

2. [Latihan] Sebuah penelitian dilakukan oleh Departemen Zoologi di Virginia Tech untuk
menentukan apakah ada perbedaan yang signifikan dalam kepadatan organisme di dua stasiun
berbeda yang terletak di Cedar Run, sebuah aliran sekunder di DAS Roanoke River drainase.
Limbah dari instalasi pengolahan limbah dan overflow dari kolam pengendali Federal Mogul
 Corporation memasuki arus di dekat daerah huniannya. Data berikut hasil pengukuran
kepadatan, jumlah organisme per meter persegi, di dua stasiun pengumpul:

No Station 1 Station 2 a) Lakukan pengujian hipotesis assuming equal

1 5030 2800 variance dengan alpha 5% dengan excel.
2 Urakan hipotesis dan Simpulkan!
13,700 4670
3 b) Lakukan pengujian hipotesis assuming unequal
10,730 6890 variance dengan alpha 5% dengan excel.
4 7720
11,400 Uraikan hipotesis dan Simpulkan!
5 7030 c) Lakukan F test for two variance dengan alpha 5%
860
6
2200 7330 Uraikan hipotesis dan Simpulkan!
7 2810
4250
8 d) Berdasarkan keputusan c, manakah yang
15,040 1330 seharusnya hasil yang kita gunakan dalam
9 4980 3320 menguji kesamaan kepadatan di dua
10 11,910 1230 station tersebut (a atau b)?
11 8130 2130 e) Dengan menganggap keragaman organisme di
12 26,850 2190 stasiun 1 adalah 60.000.000 dan keragaman
17,660 organisme di stasiun 2 adalah 6.000.000,
13
menguji kesamaan kepadatan organisme di dua
14 22,800 station tersebut dengan uji Z. Uraikan hipotesis
15 1130 dan Simpulkan!
16 1690 f) Ketik data station 1 sebagai y1, dan station 2
sbg y2 pada software R. dan lakukan pengujian
hipotesis t.test(y1,y2). Analisis
seluruh output dan cari kesamaan dengan a
atau b
3. TUGAS: lakukan hal yang sama dengan nomor 2 (a sampai f) pada data pemakaian listrik
(KWh) berikut
Balige Laguboti
1162 1071
1380 952
1284 1004
1288 1134
1117 1094
1479 1180
1024 980
1342 914
1064 1094
1487 978

g. Bandingkan hasilnya jika uji menggunakan t paired (excel dan R)

 PRAKTIKUM 3 PROBABILITAS DAN STATISTIKA

Tujuan:
1. Melakukan dan menarik kesimpulan mengenai Uji ANOVA untuk data percobaan
2. Melakukan dan menarik kesimpulan mengenai Uji Perbandingan Berganda
3. Melakukan dan menarik kesimpulan mengenai Uji Kesamaan Varians
4. Melakukan dan menarik kesimpulan mengenai Uji Normalitas

Software :
All: Microsoft Excel

SI, TI, MR menggunakan software R

TB menggunakan Matlab

Teori:
ANOVA (Analisis of Varians) dapat digunakan untuk menganalisis pengaruh perlakuan
dalam suatu percobaan. Percobaan statistika memiliki arti yang lebih luas yang berkaitan
dengan ruang sampel sedangkan percobaan yang dianalisis menggunakan ANOVA berkaitan
dengan bagaimana data respon (variabel yang diamati) bergantung pada beberapa level
perlakuan yang diberikan. Misalnya: pengaruh dosis pupuk terhadap hasil panen, pengaruh
algoritma terhadap kecepatan running program, pengaruh metode penjualan terhadap
pendapatan, dll. Jika tabel ANOVA menghasilkan keputusan tolak H0 maka seharusnya
dilakukan uji perbandingan sebagai uji lanjutan untuk mencari level perlakuan yang paling
optimum. Homogenitas/ kesamaan ragam dan normalitas data adalah asumsi dalam ANOVA
dan regresi,

Berbicara mengenai pengaruh, sebelumnya kita telah membahas regresi dimana bertujuan
untuk memodelkan pengaruh variabel-variabel prediktor terhadap respon. Perbedaan
mendasar data regresi dan rancangan percobaan/Design Experiment (DE) adalah pada DE
seluruh prediktor bersifat kategorik sedangkan prediktor pada regresi lebih bersifat
bebas (kategorik/numerik). Tujuan analisis regresi untuk memodelkan/prediksi sedangkan
ANOVA lebih kepada membandingkan dan mencari perlakuan yang paling optimal.

Konsep ANOVA adalah membandingkan keragaman perlakuan dengan keragaman galat

murni yang nilai keduanya ditampilkan dalam tabel ANOVA. Pada regresi kita juga
mengenal tabel ANOVA, namun penggunaannya adalah untuk uji serentak guna mengetahui
apakah semua variabel berpengaruh atau tidak. Sedangkan tabel ANOVA pada DE
dipergunakan untuk menganalisis apakah keragaman data karena level-level perlakuan
berpengaruh terhadap respon atau tidak. Berikut adalah contoh kasus pasangan hipotesis
ANOVA pada DE:
 Penelitian mengenai pengaruh dosis pupuk terhadap hasil panen,
Cara melakukan penelitian/ DE: dosis pupuk 2 kg, 3 kg dan 4 kg diberikan kepada 9
petak sawah. 3 petak sawah masing-masing diberi pupuk 2 kg, 3 petak sawah yang
lain masing-masing diberi pupuk 3 kg, 3 petak sawah selain 6 sebelumnya masing-
masing diberi pupuk 4 kg. Dosis pupuk 2 kg disebut perlakuan level 1, dosis pupuk 3
kg disebut perlakuan level 2 dan dosis pupuk 4 kg disebut perlakuan level 3. Karena
masing-masing level (dosis pupuk) diterapkan pada 3 petak sawah, artinya percobaan
dilakukan dengan ulangan sebanyak tiga kali. Struktur data yang akan didapatkan
adalah sebagi berikut:
Dosis Pupuk
Ulangan 1 (2 kg) 2 (3 kg) 3 (4 kg)
1 y11 y21 y31
2 y12 y22 y32
3 y13 y23 y33

yij = akan diganti dengan data hasil panen (misalkan padi dalam ton) setiap hektar
sawah dengan i adalah level perlakuan. i=1,2,3 dan j adalah ulangan j=1,2,3.

Hipotesis:
H0: rata-rata hasil panen dengan semua dosis pupuk adalah sama ( )
H1: minimal satu rata-rata hasil panen dengan dosis pupuk tersebut berbeda dengan
yang lain ( )

H0 atau hipotesis nol di atas, dapat juga diartikan bahwa dosis pupuk tidak mempengaruhi
hasil panen.

H1 atau hipotesis alternatif di atas, dapat juga diartikan bahwa dosis pupuk mempengaruhi
hasil panen.

Praktikum:
1. (SI dan TI) Tuliskan cara melakukan penelitian, struktur data dan hipotesis pengaruh
algoritma terhadap kecepatan running program (banyak ulangan dan level perlakuan
bebas)
(MR dan TB) Tuliskan cara melakukan penelitian, struktur data dan hipotesis
pengaruh metode penjualan terhadap pendapatan (banyak ulangan dan level perlakuan
bebas)
 2. (All) Ketikkan data dalam bentuk struktur data di Ms. Excel

Control Treatment 1 Treatment 2

4.17 4.81 6.31
5.58 4.17 5.12
5.18 4.41 5.54
6.11 3.59 5.5
4.5 5.87 5.37
4.61 3.83 5.29
5.17 6.03 4.92
4.53 4.89 6.15
5.33 4.32 5.8
5.14 4.69 5.26
Lakukan ANOVA one way dengan add ins excel

Bandingkan output excel berikut dengan hasil R

3. (SI, TI dan MR) Install package ggplot, car dan package yang diperlukan oleh
keduanya dan ketikkan di r console anda

a. Tuliskan analisis anda mengenai tampilan Boxplot data tersebut

Bagaimana mengubah garis

boxplot menjadi hitam dan x
label = “Level Perlakuan”
serta y label = “Berat Kering
Tanaman”? (Try)
 b. Tuliskan hipotesis dan kesimpulan dari tabel ANOVA dengan mengetikkan di
bawah ini

c. Tuliskan hipotesis dan kesimpulan dari uji perbandingan menggunakan Tukey

dengan mengetikkan di bawah ini

d. Tuliskan hipotesis dan kesimpulan dari uji normalitas menggunakan Anderson

Darling (AD) dengan mengetikkan di bawah ini

e. Tuliskan hipotesis dan kesimpulan dari uji homogenitas ragam menggunakan uji
bartlet dengan mengetikkan di bawah ini

Sumber: http://psych.wisc.edu/moore/Rpdf/610-R3_post-hoc_one-way_betw.pdf
https://www.r-bloggers.com/one-way-analysis-of-variance-anova/
https://cran.r-project.org/web/packages/nortest/index.html
https://cran.r-project.org/web/packages/nortest/nortest.pdf
 3. (TB) Input data nomor 2 pada Matlab

Klik import data (centang hijau) sehingga tampil sebagai berikut

a. Tuliskan hipotesis dan kesimpulan dari tabel ANOVA dengan mengetikkan di bawah ini
b. [p,tbl,stats] = anova1(y,treatment)

c. Tuliskan hipotesis dan kesimpulan dari uji perbandingan berganda dengan

mengetikkan di bawah ini

[c,m,h,gnames] = multcompare(stats)
d. Tuliskan hipotesis dan kesimpulan dari uji normalitas menggunakan Anderson Darling
dengan mengetikkan di bawah ini
[h,p] = adtest(y)

e. Tuliskan hipotesis dan kesimpulan dari uji homogenitas ragam menggunakan uji
bartlet dengan mengetikkan di bawah ini
Sumber:

https://www.mathworks.com/help/stats/anova1.html
https://www.mathworks.com/help/stats/multcompare.html#bur_iuv

https://www.mathworks.com/help/stats/adtest.html

https://www.mathworks.com/help/stats/vartestn.html

TUGAS

Lakukan langkah 1 sampai tiga dengan data tugas_data+2digit nim.

 MODUL 3
REGRESI DAN KORELASI

TUJUAN:
2.1 Melakukan fitting regresi (linier, polynomial, power, logistic, dll)
2.2 Melakukan analisis regresi add ins Excel
2.3 Melakuakn perhitungan manual estimasi parameter regresi dan korelasi
2.4 Membuat kesimpulan mengenai model regresi dengan membaca output regresi berganda

Catatan: Modul ini menggunakan Excel 2010

Mengaktifkan Add Ins Ms. Excel untuk Data Analysis dan Solver

Terdapat Add ins bawaan Ms. Excel yang dapat digunakan untuk analisis data statistik. Namun, perlu
diaktifkan dengan Klik “File” > “Options” > “Add-Ins” > “Go” > centang “Analysis Toolpak”, “Analysis
Toolpak-VBA” dan “Solver Add-In” > klik OK

Jika berhasil muncul menu data analyst dan Solver pada “Data”
A. Regresi
Terdapat beberapa bentuk regresi, diantaranya adalah linier, polynomial dan logistic. Masing-masing
regresi tersebut dapat diduga parameternya menggunakan OLS (ordinary least square) yang
menghasilkan rumus a dan b yang telah kita pelajari di kelas. Selain itu, untuk regresi berganda
(prediktor (X) lebih dari 1), kita dapat menggunakan rumus pendugaan OLS dalam bentuk matriks.
Inferensi regresi meliputi pengujian hipotesis apakah nilai-nilai yang kita dapatkan dari pendugaan OLS
benar-benar signifikan sehingga layak diinterpretasikan dalam model. Berikut analisis regresi yang dapat
kita lakukan dengan bantuan Ms. Excel
1. Fitting regresi
i) Blok data (predictor dan respon) > Insert > Scatter > Pilih chart paling awal

ii) Selanjutnya chart yang terbentuk seperti pada gambar di bagian kiri di bawah ini.

Untuk merubah layout chart: klik diagram yang sudah terbentuk > Design > Pilih Layout yang
diinginkan. Kemudian ubah nama axis title
iii) Selanjutnya anda dapat menambahkan judul dengan klik chart anda sampai aktif > klik
layout > chart title > pilih lokasi > tulis judul chart yang anda inginkan
 Hasil chart adalah sbb:

Scatter Plot Volume dan Tekanan

70
Tekanan (P) dalam Kg/cm 2

60
50
40
30 P
20 Linear (P)
10
0
0 20 40 60 80 100 120
Volume (Km 3 )

iv) Untuk menampilkan persamaan regresi dan nilai koefisien determinasi, klik layout >
trendline > more trendline option
a. Linier

b. Eksponensial
 c. Polinomial orde 3

Manakah yang terbaik?

2. Estimasi dan Inferensi Koefisien regresi dengan Ms. Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.990 Koefisien korelasi
R Square 0.981 Koefisien deretminasi
Adjusted R
Square 0.974 Koefisien deretminasi dikoreksi derajat bebas
Standard Error 3.537 Standar error regresi
Observations 5 Banyak data

ANOVA
MS
SS (sum (mean
square -> square->
df (derajat jumlah kuadrat Significance
bebas) kuadrat) tengah) F (F hitung) F (P-value)

Regression 1 1916.936 1916.936 153.207 0.001

Residual 3 37.536 12.512
Total 4 1954.472

Upper Lower Upper

Coefficients Standard Error t Stat P-value Lower 95% 95% 95.0% 95.0%
a signifikan
Intercept a=116.162 6.507 17.853 0.000 95.454 136.869 95.454 136.869
b signifikan
V b=-1.056 0.085 -12.378 0.001 -1.327 -0.784 -1.327 -0.784

RESIDUAL OUTPUT PROBABILITY OUTPUT

Standard
Observation Predicted P Residuals Residuals Percentile P
1 63.377 1.323 0.432 10 7.8
2 52.820 -1.520 -0.496 30 25.9
3 42.263 -1.763 -0.575 50 40.5
4 21.149 4.751 1.551 70 51.3
5 10.592 -2.792 -0.911 90 64.7

Model yang terbentuk adalah

Interpretasi: jika suatu benda tidak memiliki volum, tekanan yang terjadi adalah 116,162 atm. Jika
volume benda naik 1 meter kubik, maka tekanan berkurang 1,056 atm.
Interpretasi plot dan grafik yang terbentuk

plot volume (variabel prediktor)

V Residual Plot terhadap error (residual) model
regresi tersebar/ berpola acak.
1.5
Residuals

0.5

0
0 20 40 60 80 100 120
V

plot volume terhadap tekanan dan

volume terhadap prediksi hampir
V Line Fit Plot sama kecuali pada pengamatan ke 4
80

60

40
P

P
20
Predicted P
0
0 50 100 150
V

Data tekanan naik linier berdasarkan

Normal Probability Plot sample precentile (persentil sampel)
distribusi normal mengindikasikan
1.2 secara grafik data tekanan menyebar
1 normal
0.8
0.6
P

0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2
Sample Percentile
3. Manual Estimasi Regresi dengan Matriks (Excel )

matriks
vektor y 3 X 1 2
2 1 4
5 1 1
4 1 2
1 1 5

Xt 1 1 1 1 1
2 4 1 2 5

Xt*X 5 14 Xt*X inverse 0.925925926 -0.25926

-
14 50 0.259259259 0.092593

Xt*y 15 b 5.592592593 y = -0.9259x + 5.5926

-
32 0.925925926
Kerjakan estimasi manual dengan bantuan nilai tabel di bawah ini:
Y
X Y X*Y X kuadrat kuadrat
V P V*P V^2 P^2
1 50 64.7 3235 2500 4186.09
2 60 51.3 3078 3600 2631.69
b3 70 40.5 2835 4900 1640.25
4 90 25.9 2331 8100 670.81
5 100 7.8 780 10000 60.84

5 370 190.2 12259 29100 9189.68

average 74 38.04 Bandingkan hasilnya
B. Korelasi
Terdapat beberapa macam korelasi. Korelasi yang banyak digunakan adalah korelasi product moment/
pearson. Berikut contoh perhitungan korelasi dengan excel:

X Y
X Y X*Y kuadrat kuadrat
V P V*P V^2 P^2
1 50 64.7 3235 2500 4186.09
2 60 51.3 3078 3600 2631.69
3 70 40.5 2835 4900 1640.25
4 90 25.9 2331 8100 670.81
5 100 7.8 780 10000 60.84

5 370 190.2 12259 29100 9189.68

average 74 38.04

korelasi -
-9079 9167.459 rumus 1 0.99035
1. Gunakan add ins dg : data analysis> correlation > input data, pastikan hasilnya sama
2. Tentukan korelasi dengan manual excel dan add ins data berikut:
PDRB
Observasi jumlah penduduk (x1),
(x2),
1 6719 2.9
2 6746 3.4
3 7993 2
4 7343 3.5
5 7136 3.9
6 7691 2.2
7 6925 2.5
8 6841 3
9 7969 3.4
10 6982 2.2
11 7005 3.9
12 7157 2.3
13 6942 3.8
14 6517 2.5
15 7633 3
16 7512 4.1
17 7265 2.6
18 7425 3.3
19 7059 2.5
20 7701 3.9
LATIHAN dan TUGAS LAPORAN:
Data:
Dalam file excel praktikum 4 bagian D, terdapat data:
 jumlahpenduduk (x1),
 PDRB (x2),
 jumlah Pelanggan Listrik (x3),
 factor beban (x4),
 losses (x5), dan
 penjualan listrik (x6).
 konsumsi energi listrik (Electricity Consumption)

1. Lakukan fitting regresi bagian (A1) antara x1 dan y

2. Tentukan nilai korelasi antar predictor menggunakan add ins excel. Inter[pretasikan hasilnya
3. Lakukan estimasi dan inferensi dengan addins excel seperti bagian (A2) dengan predictor (x1-x6)
dan respon y
4. Analisis hasil uji serrentak dan parsial
5. Tentukan variabel predictor yang tidak signifikan berdasar uji parsial. Regresikan ulang dengan add
ins excel predictor yang signifikan saja dengan y
6. Tulis model regresi yang terbentuk
7. Guanakan cara matriks untuk menentukan model regresi sesuai hasil 5