BAB I DST METSTAT

METODE STATISTIKA
BAB I
PENDAHULUAN
1.1. Latar Belakang
Satistika yaitu ilmu yang mempelajari tentang sampel. Dalam ilmu statistik,
sampel diambil dari sebuah populasi yang kemudian dianalisis untuk menaksir
keadaarn sebenarnya dalam populasi tersebut atau yang disebut dengan parameter
populasi. Sesuai teori, bahwa makin banyak sampel yang diambil dalam sebuah
populasi, maka semakin akurat estimasi parameter populasinya.
Namun demikian, dapat bidayangkan jika populasi yang dimaksud adalah
populasi yang isinya mungkin sangat banyak hingga tak dapat dihitung. Maka untuk
menaksirnya juga dibutuhkan jumlah sampel yang banyak pula untuk mencapai suatu
keakuratan. Yang terjaidi adalah untuk mengnalisis itu semua dibutuhkan waktu
yang lama jika dilakukan analisis secara manual atau bahkan dengan kalkulator
sekalipun. Akan terjadi banyak errors pada hasil analisis yang dilakukan jika
dilakukan dengan tidak teliti. Namun adakan solusi untuk itu?
Di era yang modern ini, telah dikembangkan aplikasi pengolah data yang
dapat sangat membantu dalam anasisi yang dilakukan terhadap suatu statistika atau
sampel. Beberapa diantaranya ialah program R, SPSS, SAS, Minitab, dll. Prgoram
aplikasi yang demikian itu memberikan hasil anasisis data yang telah diinputkan.
Dengan bantuan program aplikasi tersebut, maka tugas kita hanyalah menginput data
sampel yang telah diambil dari sebuah populasi.
Sebagai mahasiswa yang diharapkan dapat menjadi manusia yang modern
maka mahasiswa dibekali dengan kemampuan untuk mengoperasikan aplikasi seperti
yang disebutkan di atas sekurang kurangnya satu. Diantara beberapa contoh program
aplikasi yang disebutkan diatas, Program R memiliki kelebihan yang paling
menonjol yakni penggunaanya yang gratis. Sehingga untuk melakukan praktikum
dengan aplikasi tersebut sangat membantu karena dapat diinstal oleh setiap
praktikan. Dengan demikian, mahasiswa di Jurusan Matematika, Fakultas MIPA,
Universitas Halu Oleo, pada matakluliah metode statistika, melaksanakan praktikum
tetang penggunaan aplikasi Program R.
Jurusan Matematika F-MIPA 1

Universitas Halu Oleo
2019
METODE STATISTIKA
1.2. Tujuan
Tujuan dilaksanakannya praktikum Metode Statistika adalah untuk:
1. Mengenali beberapa program aplikasi yang berhubungan dengan pengolahan
sampel, baik kelebihan maupun kekurangnnya serta mengenali sejarah
perkembangan aplikasi Program R.
2. Mengetahui jenis – jenis operator, syntax, serta tipe data dalam program R.
3. Mengetahui cara membuat, mengakses, dan memodifikasi vektor, serta
menggunakannya untuk membuat data frame, juga mengenal mengenal dan
mengetahui cara membuat matriks dalam program R.
4. Mengenal matriks dalam Program R, serta mengetahui cara mengakses dan
memodifikasi matriks. Juga bertujuan untuk mengetahui cara membuat data
frame dengan menggunakan matriks dan dengan mengkonversi file
berekstensi .csv.
5. Mengenal lebih lanjut mengenai data frame, mengetahui cara membuat data
frame dengan menu data editor, serta dapat membuat plot sederhana.
6. Mengetahui plot tidak sederhana serta mengetahui cara membuat berbagai
jenis plot tidak sederhana. Juga mengenal sebaran data.
7. Mengenal sebaran data kuantitatif dan kualitatif, serta mengetahui cara
membuat plot yang berkenaan dengan kedua sebaran data tersebut.
8. Mengenal distribusi peluang diskrit serta jenis – jenisnya juga membuat plot
sehubungan dengan sebaran peluang diskrit.
9. Megetahi cara membuat plot sebaran distribusi normal.
10. Mengenal uji rata – rata sampel serta mengetahui cara membuat plot yang
berhubungan dengan materi uji rata -rata.
1.3. Manfaat
Manfaat dilakukannnya praktikum metode statistika adalah:
1. Mengenali beberapa program aplikasi yang berhubungan dengan pengolahan
sampel, baik kelebihan maupun kekurangnnya serta mengenali sejarah
perkembangan aplikasi Program R.
2. Mengetahui jenis – jenis operator, Syntax, serta tipe data pada program R.

2019
METODE STATISTIKA
3. Dapat mebuat, mengakses, dan memodifikasi vektor, serta menggunakannya

untuk membuat data frame, juga mengenal matriks dan dapat membuat
matriks menggunakan syntax dalam program R.
4. Mengenali matriks dalam Program R, serta dapat mengakses dan
memodifikasi matriks. Juga dapat membuat data frame dengan menggunakan
matriks dan dengan mengkonversi file berekstensi .csv.
5. Mengenali lebih lanjut mengenai data frame, mengetahui cara membuat data
frame dengan menu data editor, serta dapat membuat plot sederhana.
6. Mengetahui plot tidak sederhana serta dapat membuat berbagai jenis plot tidak
sederhana.
7. Mengenali sebaran data kuantitatif dan kualitatif, serta dapat membuat plot
yang berkenaan dengan kedua sebaran data tersebut.
8. Dapat menentukan peluang dari sebaran binom dan bernouli menggunakan
syntax program R serta mengetahui cara membuat plot distribusi normal dari
sebaran peluang binom.
9. Megetahi cara membuat plot sebaran distribussi normal.
10. Mengenal uji rata – rata sampel serta dapat membuat plot yang berhubungan
dengan materi uji rata -rata.
1.4. Waktu dan Tempat
Praktikum metode statistika dilaksanakan setiap hari jumat pukul 07.00 s/d
08.30 WITA sejak 15 Maret sampai 17 Mei 2019 di laboratorium Aljabar Jurusan
Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Halu
Oleo, Kendari.
1.5. Alat dan Bahan

2019
METODE STATISTIKA
Alat dan bahan dalam praktikum metode statistika disajikan dalam tabel
berikut:
Tabel 1.1. Alat dan Bahan
No. Alat dan Bahan Fungsi
1 Program R Sebagai software dalam praktikum
Sebagai media untuk membuka software

2 Komputer
Program R
Untuk mencatat poin – poin penting

3 Alat Tulis
selama praktikum.

2019
METODE STATISTIKA
BAB II
PEMBAHASAN
2.1. Praktikum 1
Pada praktikum pertama dibahas mengenai beberapa jenis program aplikasi
pengolah data sampel.
2.1.1. Program Aplikasi Analisis Sampel
1. EViews
EViews yaitu programvkomputer berbasis windows yang banyak dipakai
untuka analisis statistika dan ekonometri jenis runtun-waktu yang mana perangkat ini
dikembangkan oleh perusahaan Quantitive Macro Software pada tahun 1994.
Kelebihan Eviews adalah sebangai berikut:
a. Memliki user interface yang bagus dan mudah dimengerti
b. Perhitungan menggunakan tingkat presisi yang tinggi hingga jenis double atau
10 kali perangkat 16 di belakang koma.
c. Dapat digunakan untuk perhitungan dengan sampel yang sangat besar.
d. Memiliki fitur yang termasuk lengkap untuk berbagai jenis model peramalan
terutama model runtun waktu dan model data panel.
e. Dilengkapi dengan berbagai pilihan koefisien estimasi yang robust pada
berbagai jenis model regresi.
f. Output baik table ataupun gambar mudah dicopy paste ke word.
Kekurangan Eviews adalah sebagai berikut:
a. Lebih condong atau lebih special untuk analisis ekonometrik sedangakn untuk
non ekonometrik fiturnya sangat berbatas.
b. Untuk software ekonometrika, tingkat kemampuannya masih tidak seluas
pesaingnya yaitu STATA dan SAS.
c. Untuk non ekonometrika masih tidak selengkap SPSS, dan dari sisi data base
masih tidak bias disejajarkan dengan system data base SPSS.
2. SPSS
SPSS merupakan singaktan dari Statistical Package For Social Science. SPSS
adalah sebuah program komputer yang digunakan untuk membuat analisis statistika

2019
METODE STATISTIKA
sosial. SPSS dipublikasikan oleh SPSS Inc. SPSS digunakan oleh peneliti pasar,
peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi
pemasaran, dan sebagainya. Selain analisis statistika, manajemen data (seleksi kasus,
penajaman file, pembuatan data turunan) dan dokumentasi data (kamus metadata ikut
dimasukkan bersama data) juga merupakan fitur-fitur dari software dasar SPSS.
Kelebihan yang dimiliki oleh SPSS ini adalah:
a. SPSS mampu mengakses data dari berbagai macam format data yang tersedia
seperti Base, Lotus, Access, text file, spreadsheet, bahkan mengakses database
melalui ODBC (Open Data Base Connectivity) sehingga data yang sudah ada,
dalam berbagai macam format, bisa langsung dibaca SPSS untuk dianalisis.
b. SPSS memberi tampilan data yang lebih informatif, yaitu menampilkan data
sesuai nilainya (menampilkan label data dalam kata-kata) meskipun
sebetulnya kita sedang bekerja menggunakan angka-angka (kode data).
c. SPSS memberikan informasi lebih akurat dengan memperlakukan missing
data secara tepat, yaitu dengan memberi kode alasan mengapa terjadi missing
data.
d. SPSS melakukan analisis yang sama untuk kelompok-kelompok pengamatan
yang berbeda secara sekaligus hanya dalam beberapa mouse click saja.
e. SPSS mampu merangkum data dalam format tabel multidimensi (crosstabs),
yaitu beberapa field ditabulasikan secara bersamaan.
Kekurangan yang dimiliki oleh SPSS ini adalah:
a. Walaupun friendly user namun program ini tetap tergolong rumit, pengguna
program ini minimal harus mengetahui dasar dari ilmu statistik untuk bisa
menjalani program ini.
b. SPSS tergolong memiliki perkembangan yang cepat. Sehingga kadang
tampilan secara fisik berbeda dengan SPSS yang lama dan user harus
beradaptasi kembali dengan sistem yang baru. Dan efek lainnya adalah user
harus pintar-pintar memilih seri SPSS yang tepat untuk komputernya.
c. Terdapat banyak versi spss yang beredar, sehingga pemilihan spss harus
sesuai dengan komputer yang kita gunakan (KN).

2019
METODE STATISTIKA
3. Minitab
Minitab adalah program komputer yang dirancang untuk melakukan
pengolahan statistik. Minitab mengkombinasikan kemudahan penggunaan layaknya
Microsoft Excel dengan kemampuannya melakukan analisis statistik yang kompleks.
Minitab dikembangkan di Pennsylvania State University oleh periset Barbara F.
Ryan, Thomas A. Kelebihan Minitab ini adalah sebagai berikut:
a. Minitab menyediakan StatGuide yang menjelaskan cara melakukan
interpretasi table dan grafik statistika yang dihasilkan oleh Minitab dengan
cara yang mudah dipahami.
b. Minitab memiliki ukuran worksheet dinamis dan memuat kolom sampai
4.000.
c. Minitab memiliki dua layar primer yaitu Worksheet (lembar kerja) dan sesi
command (layar untuk menampilkan hasil).
d. Tampilan menu di Minitab, lebih lengkap dan disertai toolbar-toolbar
sehingga akan memudahkan anda dalam menjalankan perintah.
e. Mempunyai file Minitab Worksheet (MTW) dan Minitab Project (MPJ) yang
digunakan untuk membedakan file worksheet dan file project.
f. Minitab menyediakan ReportPad agar mudah membuat laporan project yang
telah dibuat.
g. Minitab memberikan kebebasan pada anda dalam membuat nama yang
panjang pada file tanpa harus menyingkat nama file.
h. Minitab menyediakan fasilitas makro untuk membuat program yang
berulangkali dipakai, memperluas fungsi Minitab, atau mendesain perintah
sendiri. Selain itu Minitab memiliki Bahasa pemrograman makro lebih mudah.
Kekurangan dari minitab adalah sebagai berikut:
a. Rentang analysis statistic yang dapat dilakukan minitab langsung setelah
instalasi tidak selebabar paket lain seperti SPSS ataupun SAS.

2019
METODE STATISTIKA
b. Walaupun minitab pada umumnya dianggap mudah digunakan, dan beroperasi

antarmuka namun secara intuitif siapapun yang sudah familiar dengan paket
statistic yang lain, akan kesulitan dengan minitab apalagi pemula.
c. Menurut Christine Currie dan Vesna Perisic, minitab tidak secara meluas
digunakan dalam bidang industry. Dalam kata lain tidak pupoler di dunia
industry.
d. Kemampuan kurang untuk performasi secara matematik dan analisis secara
numeral.
4. Program R
Prgram R adalah suatu kesatuan software yang terintegrasi dengan beberapa
fasilitas untuk manipulasi, perhitungan dan penampilan grafik yang handal. R
berbasis pada bahasa pemrograman S, yang dikembangkan oleh AT&T Bell
Laboratories (sekarang Lucent Technologies) pada akhir tahun '70 an. Kelebihan
program R adalah sebagai berikut:
a. Bebas untuk mempelajari dan menggunakannya sampai waktu kapan pun.
b. bersifat multiplatforms operating systems, lebih kompatibel dibanding
software statistika manapun yang pernah ada.
c. Berbagai metode analisis statistika telah diprogramkan ke dalam bahasa R.
Dengan demikian software ini dapat digunakan untuk berbagai macam analisis
statistika. Baik pendekatan klasik maupun pendekatan statistika modern.
d. User dapat memprogramkan metode baru atau mengembangkan modifikasi
dari fungsi-fungsi analisis statistika yang telah ada dalam sistem R.
e. Bahasa R sangat baik untuk melakukan programming dengan basis matriks.
f. Fasilitas grafik yang relatif baik. Bahasa grafis dapat di program sehingga bisa
melampaui kemampuan sebagian besar paket statistika lainnya.
g. R bisa mengimpor data dari file CSV, SAS, SPSS, Excel, Access, Oracle,
MySQL, dan SQLite. R juga dapat menghasilkan output grafik dalam format
PDF, JPG, PNG dan SVG serta output tabel untuk LATEX dan HTML.
Kelemahan program R adalah sebagai berikut:

2019
METODE STATISTIKA
a. Butuh waktu untuk terbiasa dalam pemakaian R, sehingga tidak mudah

digunakan bagi pemula.
b. Interaksi utama dengan R adalah bersifat CLI (Command Line Interface).
Walaupun saat ini telah tersedia menu Point and Click GUI (Graphical User
Interface) sederhana untuk keperluan analisis statistika tertentu. Misalnya R-
Commander yang dapat digunakan untuk keperluan pengajaran statistika
dasar.
c. Walaupun analisis statistika dalam R sudah cukup lengkap, namun tidak
semua metode statistika telah diimplementasikan ke dalam bahasa R. Pada
kenyataannya, tidak pernah terdapat software statistika yang
mengimplementasikan semua teknik analisis statistika yang ada di dalam
literatur.
5. STATA
Stata adalah program komputer yang dipakai untuk analisis statistika dan
dibuat oleh perusahaan StataCorp pada tahun 1985. Perangkat lunak ini dirancang
untuk keperluan bidang ekonomi, sosiologi, dan epidemiologi dengan fitur
memanagemen data analysis statistika gafik simulasi pemrograman. Keuntungan dari
STATA ini adalah:
a. Hampir semua proses analysis statistik dapat dilakukan oleh stata, sebab tidak
terbatas pada pilihan menu yang ada.
b. Dapat juga digunakan untuk menganalisis data survey, yang biasanya
pengambilan sampelnya tidak dilakukan secara acak sederhana (simple
ramdom sampling/srs), misalnya adanya pembagian strata dan pemilihan
cluster atau blok sensus atau wilayah cacah.
Kelemahan dari STATA adalah perintah stata harus diketik. Mengetik perintah pada
stata merupakan hal yang sangat sulit bagi pemula, apalagi perintah tersebut hanya
bisa dijalankan satu per satu.
6. SAS
Statistical Analysis System atau popular disebut SAS adalah suatu sistem
terpadu dari produk perangkat lunak yang disediakan oleh SAS Institute Inc. SAS

2019
METODE STATISTIKA
memungkinkan programmer untuk melakukan entri data, analisis statistik, peramalan

untuk mendukung keputusan riset operasi, peningkatan kualitas pengembangan
aplikasi data dan lain sebagainya. Selain itu, SAS telah banyak memberikan solusi
terhadap berbagai bisnis seperti Manajemen TI, manajemen sumber daya manusia,
manajemen keuangan, intelijen bisnis, dan lain sebagainya.
Kelebihan yang dimiliki SAS yaitu:
a. Hasilnya lebih akurat karena menghasilkan angka dibelakang koma lebih
banyak.
b. Apabila menggunakan syntax menginputkan data lebih mudah karena bisa di
copy dari file mana saja, namun harus hafal atau tahu syntax untuk
analisisnya.
c. Tidak membutuhkan sertifikasi komputer yang tinggi.
Kekurangan SAS antara lain:
a. Terbatas untuk konsep statistika sosial.
b. Belum terintegrasi dengan program data base.
2.1.2. Sejarah R
R project pertama kali dikembangkan oleh Robert Gentleman dan Ross Ihaka
(nama R untuk sofware ini berasal dari huruf pertama nama kedua orang tersebut)
yang bekerja di departemen statistik Universitas Auckland tahun 1995. Sejak saat itu
software ini mendapat sambutan yang luar biasa dari kalangan statistikawan,
industrial engineering, peneliti, programmer dan sebagainya.
Paket statistik R bersifat multiplatforms, dengan file instalasi binary/file tar
tersedia untuk sistem operasi Windows, Mac OS, Mac OS X, Linux, Free BSD,
NetBSD, irix, Solaris, AIX, dan HPUX. Fungsi dan kemampuan dari R sebagian
besar dapat diperoleh melalui Add‐on packages/library. Suatu library adalah
kumpulan perintah atau fungsi yang dapat digunakan untuk melakukan analisis
tertentu. Sebagai contoh library yang sangat powerful adalah R-
commander dan Rattle. Versi terbaru dari program R per 2 Juli 2018 adalah versi
3.5.1.
2.1.3. Pentingnya Paket Program pada Matakuliah Metode Statistik

2019
METODE STATISTIKA
Paket program dibutuhkan dalam mata kuliah metode statistic yaitu mengingat
perkembangan zaman telah maju. Dimana proses perhitungan dapat dilakukan
dengan lebih cepat dan akurat dengan menggunakan komputer. Penting bagi
mahasiswa dibekali kemapuan untuk menjalankan program untuk statistic sebab
tidak menunutuk kemungkinan mahasiwa suatu saat bekerja di sebuah perusahaan
dimana dibutuhkan kemampuan untuk membuat menganalisis dan suatu data
statistic. Dengan ini pekerjaan itu dapat dilakukan dengan mudah, cepat, dan akurat.
2.1.4. Pengertian Metode Statistika
Metode didefinisikan dengan cara kita melakukan sesuatu. Sdangkan statistika
yaitu ilmu yang mempelajari tentang statistik dimana dalam kuliah pertama kami
diperkenalkan bahwa satistik adalah tentang sampel baik. Dengan demikian saya
menyimpulakn bahwa metode statistic yaitu cara yang dilakukan untuk mengolah,
mengumpulkan, mengintepretasikan, dan mempresentasikan data atau dalam hal ini
adalah sampel.
Statistika merupakan disiplin ilmu yang mempelajari mengenai metode atau
Teknik mengumpulkan, mengola, meneganalisa, dan menyajikan data secara ilmiah.
Sedangkan statistic adalah hasil data atau kumpulan data baik berupa bilangan
ataupun non bilangan yang didapatkan dari pengumpulan data yang sudah diproses
melalui statistika.

2019
METODE STATISTIKA
2.2. Praktikum 2
Pada praktikum kedua dibahas mengenai operator – operator, syntax, serta
tipe data yang ada dalam program R.
2.2.1. Operator Dalam R
1. Operator Aritmatika
Operator Aritmatika adalah operator yang digunakan untuk menghitung
secara matematika. Operator aritmatika dalam program R disajikan dalam tabel
berikut:
Tabel 2.1. Operator Aritmatika
Contoh
No. Operator Fungsi
> gue=1
Digunakan untuk menjumlahkan > elo=2
1. +
> gue+elo
angka – angka.
[1] 3
> gue=1
Digunakan untuk melakukan > elo=2
2. -
> gue-elo
pengurangan.
[1] -1
> gue=3
3. *
> gue*elo
operasi perkalian.
[1] 6
> gue=3
4. /
> gue/elo
operasi pembagian
[1] 1.5
Digunakan untuk operasi
perpangkatan dimana angka > gue=3
5. ^ setelah operator tersebut > gue^2
[1] 9
merupakan pangkat dari angka
sebelum operator tersebut.

2019
METODE STATISTIKA
Digunakan untuk menghitung > gue=3

> elo=2
6. %/% hasil bagi sebuah operasi > gue%/%elo
pembagian. [1] 1
Digunakan untuk menghitung sisa > gue=7
> elo=2
7. %% pembagian atau disebut juga > gue%%elo
dengan modulo. [1] 1
2. Operator Logika
Operator logika adalah operator yang hanya untuk menentukan apakah dua
atau lebih pernyataan bernilai benar atau salah. Berikut tabel operator logika:
Tabel 2.2. Tabel operator logika
No. Operator Fungsi Contoh
Berfungsi untuk mengecek apakah >I<-c(2,4,9,70)
>N<-c(2,5,11,100)
setiap elemen vector pertama yang
1. == > I==N
bersesuaian sama dengan elemen [1] TRUE FALSE
pada vector kedua. FALSE FALSE
Berfungsi untuk mengecek apakah >I<-c(2,4,9,70)
>N<-c(2,5,11,100)
setiap elemen pafa vector pertama
2. < > I<N
lebih kecil dari setiap vector [1] FALSE TRUE
pemabading yang bersesuaian. TRUE TRUE
Berfungsi untuk mengecek apakah > I<-c(2,4,9,70)
> N<-c(2,5,3,100)
setiap elemen pafa vector pertama
3. > > I>N
lebih besar dari setiap vector [1] FALSE FALSE
pemabading yang bersesuaian. TRUE FALSE
Berfungsi untuk mengecek apakah
> I<-c(2,4,9,70)
setiap elemen pafa vector pertama > N<-c(2,5,3,100)
4. >= lebih besar atau sama dengan setiap > I>=N
[1] TRUE FALSE
elemen vector pemabading yang TRUE FALSE
bersesuaian.
Berfungsi untuk mengecek apakah
> I<-c(2,4,9,70)
setiap elemen pafa vector pertama > N<-c(2,5,3,100)
5. <= lebih kecil atau sama dengan setiap > I<=N
[1] TRUE TRUE
elemen vector pemabading yang FALSE TRUE
bersesuaian.
6. != Berfungsi untuk mengecek apakah > I<-c(2,4,9,70)
> N<-c(2,5,3,100)
setiap elemen vector pertama yang > I!=N

2019
METODE STATISTIKA
bersesuaian tidak sama dengan [1] FALSE TRUE

elemen pada vector kedua. TRUE TRUE
3. Operator Aneka
Operator aneka adalah operator yang memiliki fungsi yang khusus tentang
matrikx. Operator aneka disajikan dalam program R disajikan dalam table berikut:
Tabel 2.3. Operator Aneka
No
Operator Fungsi Contoh
.
Berfungsi untuk menciptakan > indra <- 0:10
> print(indra)
1. : rangkaian angka secara berurutan [1] 0 1 2 3 4 5 6
untuk sebuah vector. 7 8 9 10
> I<-9
> N<-7.5
Berfungsi untuk memeriksa > D<-5:11
2. %in% apakah suatu elemen termasuk > print(I%in%N)
[1] FALSE
fungsi. > print(I%in%D)
[1] TRUE
>I=matrix(c(3,7,3,2,8,5),
nrow=3, ncol=2)
>N=matrix(c(1,2,3,4),
nrow=2, ncol=2)
Berfungsi untuk mengalikan > Alamsyah=I%*%N
3. %*% > print(Alamsyah)
matrix. [,1] [,2]
[1,] 7 17
[2,] 23 53
[3,] 13 29
1.2. Syntax dalam Program R

Syntax merupakan kumpulan aturan yang mendefinisika bentuk Bahasa
program R. Syntax dalam program R disajikan dalam tabel berikut:
Tabel 2.4. Syntax dalam Program R
No
Syntax Fungsi Contoh
.
1. mean Berfungsi untuk menghitung nilai > Indra<-
c(4,6,2,7,8,3,9,2)

2019
METODE STATISTIKA
> mean(Indra)
rata – rata. [1] 5.125
> Indra<-
Berfungsi untuk menghitung nilai c(4,6,2,7,8,3,9,2)
2. median
> median(Indra)
tengah data terurut
[1] 5
Berfungsi untuk mengurutkan data > Indra<-

c(4,6,2,7,8,3,9,2)
3. sort dari data yang terkecil hingga yang > sort(Indra)
paling besar. [1] 2 2 3 4 6 7 8 9
> Indra<-
c(4,6,2,7,8,3,9,2)
4. rev Berfungsi untuk membalik data > rev(Indra)
[1] 2 9 3 8 7 2 6 4
> Indra<-
Digunakan untuk menjumlahkan c(4,6,2,7,8,3,9,2)
5. sum
> sum(Indra)
data.
[1] 41
> Indra<-
Berfungsi untuk menetukan data c(4,6,2,7,8,3,9,2)
6. max
> max(Indra)
terbesar dari gugus data.
[1] 9
> Indra<-
Berfungsi untuk menetukan data c(4,6,2,7,8,3,9,2)
7 min
> min(Indra)
terkecil dari gugus data.
[1] 2
1.3. Tipe Data dalam Program R
Tipe data adalah jenis atau mode yang dipahami oleh program tentang
masukan yang diberikan sehingga program dapat berjalan sesuai dengan yang
diinginkan. Untuk mengecek tipe data suatu input digunakan format “>mode
(b)”lalu tekan enter. Berikut adalah tipe data dalam R-Programming:
1. Numeric
Numeric adalah tipe data yang hanya berisikan angka – angka saja.
Contoh:

2019
METODE STATISTIKA
Gambar 2.1. Contoh Tipe Data Numeric
2. Function
Function adalah tipe data yang berisikan fungsi – fungsi matematika.
Contoh:
Gambar 2.2. Contoh Tipe Data Function

3. Logical
Logical adalah tipe daya yang hanya berisikan TRUE/FALSE (benar/salah).
Contoh:
Gambar 2.3. Contoh Tipe Data Logical

2019
METODE STATISTIKA
4. Tabel
Untuk membuat tabel pada program R, statement yang digunakan yaitu
edit(data.frame()). Berikut langkah – langkah membuat tabel:
(I) Membuat statement
Contoh:
Gambar 2.4. Membuat Statement

(II) Varibel “x” berisikan tabel yang akan kita buat setelah mengetikkan statement
ketik enter maka akan muncul menu editor.
Contoh:
Gambar 2.5. Menu Editor Tabel

(III) Masukkan data pada baris dan kolom sesuai yang diinginkan.

2019
METODE STATISTIKA
(IV) Setelah selesai memasukkan data, tutup jendela data editor kemudia ketik “x”
pada jendela R console (x variabel yang digunakan untuk menampung tabel
tadi).
Contoh:
Gambar 2.6. Contoh Tipe Data Tabel

2019
METODE STATISTIKA
2.3. Praktikum 3
Dalam praktikum ketiga, dibahas mengenai vektor dan matriks. Dimana
vektor dibuat dalam program R yang kemudian dapat digunakan untuk membuat data
frame. Matriks diperkenalkan dan kemudian dibuat dalam program R.
2.3.1. Vektor
Vektor adalah objek paling dasar yang dikenal dalam program R, yang
merupakan himpunan dari suatu data dengan tipe yang sama (numeric, logica, atau
charatcer).
1. Membuat Vektor
Vektor dalam program R dapat dibuat dengan cara seperti dalam tabel berikut:
Tabel 2.5. Cara Membuat Vektor
No. Format Fungsi Contoh
Membuat vektor
dengan elemen terurut > 3:8
1. >a:b
[1] 3 4 5 6 7 8
dari a sampai b
dengan beda satu.
Membuat vektor
dengan elemen sesuai > c(1,5,3,8,2,9)
2. >c(a,b,c,d,e)
[1] 1 5 3 8 2 9
dengan yang
diinginkan.
3. >seq Membuat vektor
dengan elemen terurut > seq(3,8)
>seq(a,b)
dari a sampai b [1] 3 4 5 6 7 8
dengan beda satu.
>seq(a,b, Membuat vektor > seq(3,8,by=2)
by=c) [1] 3 5 7
dengan elemen
didaftarkan terurut
dari a sampai b

2019
METODE STATISTIKA
dengan beda c.
Membuat vektor
>seq(from
dengan elemen terurut >seq(from=7,to=15,by=2)
=a, to=b,
dari a sampai b [1] 7 9 11 13 15
by c)
dengan beda c.
Membuat vektor
dengan elemennya
> seq(3,11,length=6)
>seq(a,b, sebanyak c yang
[1] 3.0 4.6 6.2 7.8
length=c bedanya sama, dan 9.4 11.0
nilainya terurut dari a
sampai b.
2. Mengakses Vektor
Mengakses vector dalam program R dapat dilakukan dengan cara - cara
tertentu. Misalnya x adalah sebuah vector dinotasikan “>x=a:b” di dalam program,
maka untuk mengakses vector tersebut dapat dilakukan dengan cara – cara seperti
berikut:
Tabel 2.6. Cara Mengakses Vektor
No
Format Fungsi Contoh
.
> x=2:11
Menampilkan elemen ke-m dalam
1. >[m] > x[6]
vector x. [1] 7
> x=2:11
Menampilkan elemen ke-m dan ke n
2. >x[c(m,n)] > x[c(4,8)]
dari vector x [1] 5 9
> x=2:11
Menampilkan semua elemen vector > x[-5]
3. >x[-n]
[1] 2 3 4 5
yang bukan elemen ke-n
7 8 9 10 11
> x=2:11
Menampilakan semua elemen vector > x[-c(2,6)]
4. >x[-c(m,n)]
[1] 2 4 5 6
yang buka ke-m dan juga buka ke-n
8 9 10 11
> x=2:11
Menampilkan semua elemen vector > x[x>5]
5. >x[x>n]
[1] 6 7 8 9
dari ke-n sampai akhir.
10 11
> x=2:11
Menampilkan elemen vektor mulai
6. >x[m:n] > x[4:7]
dari ke-m sampai ke-n. [1] 5 6 7 8
3. Memodifikasi Vektor

2019
METODE STATISTIKA
Memodifikasi vektor dapat diartikan sebagai memanipulasi elemen - elemen

dalam vector. Misalkan ‘v’ adalah sebuah vektor dalam program R, maka untuk
memodifikasinya dapat dilakukan dengan cara seperti pada tabel berikut:
Tabel 2.7. Cara Modifikasi Vektor

No
Format Fungsi Contoh
.
> v=c(3,5,1,9,4,7)
> v
[1] 3 5 1 9 4 7
Menganti elemen ke-n
1. >v[n]=a > v[3]=15
dari vector v dengan a > v
[1] 3 5 15 9 4
7
> v=c(3,5,1,9,4,7)
Mengganti elemen > v
2. >v[m:n]=c(a,b,c) vector dari yang ke-m [1] 3 5 1 9 4 7
> v[2:4]
sampai ke n [1] 5 1 9
>rep(a:b,c) > rep(3:7,2)

[1] 3 4 5 6 7 3 4 5
6 7
Mengulangi elemen
vector v yang elemenya > rep(4:8,rep(3:3))
3.
>rep(a:b,rep(b:b) dari a sampai b sebanyak [1] 4 5 6 7 8 4 5 6
c kali. 7 8 4 5 6 7 8
>rep(a:b,each=c)
> rep(1:3,each=4)
[1] 1 1 1 1 2 2 2 2
3 3 3 3
2.3.2. Matriks dalam Program R

Matriks adalah sekumpulan dari angka – angka yang membentuk barisan
dalam bentuk persegi atau persegi panjang dan dibatasi dengan kurung siku atau
kurung biasa.
Tabel 2.8. Matriks dalam Program R
No
Matriks Contoh
.
1. Membuat matriks berordo 3×3 dan 2 >

2019
METODE STATISTIKA
r=matrix(2:10,nrow=3,ncol=3)
> r
[,1] [,2] [,3]
×2 [1,] 2 5 8
[2,] 3 6 9
[3,] 4 7 10
> rbind(2,5,3,8,4)
[,1]
[1,] 2
[2,] 5
Membuat matriks dengan rbind dan [3,] 3
2. [4,] 8
cbind.
[5,] 4
> cbind(2,5,3,8,4)
[,1] [,2] [,3] [,4] [,5]
[1,] 2 5 3 8 4
> i=array(1:9,dim=c(3,3))
> i
[,1] [,2] [,3]
3. Membuat matriks menggnakan array [1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
2.3.3. Data Frame Program R
Data Frames di R adalah fungsi yang dapat digunakan untuk membuat
kerangka data, koleksi dari variabel-variabel yang mana memiliki karakteristik
seperti matriks. Ibaratnya data frame membuat data yang anda susun mirip seperti
tabel yang terdiri dari baris dan kolom pada Excel atau Calc. Contoh penggunaannya
adalah sebagai berikut:
> nama = c("Indra","Master","Alona","Marisa")
> berat = c(70,65,40,30)
Lalu ketikkan:
> df = data.frame(nama,berat)
Maka untuk melihat hasilnya cukup dengan mengetikkan:

> nama = c("Indra","Master","Alona","Marisa")
> berat = c(70,65,40,30)
Sehingga diperoleh kerangka data berikut:

nama berat
1 Indra 70
2 Master 65
3 Alona 40
4 Marisa 30

2019
METODE STATISTIKA
Bisa dilihat bahwa pada df vektor-vektor nama dan berat disusun menjadi tabel
dalam bentuk kolom dan baris layaknya matriks. Dengan menyusun data menjadi
> summary(df)
nama berat
data frame,
Alona :1 kita dapat :30.00
Min. memperoleh kesimpulan-kesimpulan seperti keterangan
Indra :1 1st Qu.:37.50
ataupun sebaran Median
Marisa:1 dan pusat:52.50
data dengan fungsi summary seperti pada contoh verikut
Master:1 Mean :51.25
ini: 3rd Qu.:66.25
Max. :70.00
Selain itu kita juga dapat memanggil elemen-elemen yang terdapat pada data frame
berdasarkan kolom dan baris seperti berikut:
> df[1,]
nama berat
1 Indra 70
Pada fungsi diatas kita memanggil elemen pada baris 1 pada data frame.
> df[,"nama"]
[1] Indra Master Alona Marisa
4 Levels: Alona ... Master
Pada fungsi diatas kita memanggil elemen pada kolom “nama” pada data frame.
> df[1,"nama"]
[1] Indra
Pada fungsi diatas kita memanggil elemen pada baris 1 pada kolom “nama” pada
data.frame. Selain itu kita dapat juga melakukan manipulasi data dengan
menggunakan data frame yang telah dibuat.
> df[1,"berat"]=80
Pada fungsi diatas kita mencoba melakukan manipulasi data pada kerangka data df di
baris 1 kolom “berat” menjadi 80 sehingga jika kita panggil kembali df maka akan
terlihat perubahan datanya.
> df
nama berat
1 Indra 80
2 Master 65 F-MIPA
Jurusan Matematika 23
Universitas Halu40
3 Alona Oleo
4 Marisa
2019 30
METODE STATISTIKA
2.4. Praktikum 4
Para praktikum keempat dibahas mengenai pengenalan matriks dalam
Program R, cara mengakses dan memodifikasi matriks. Juga cara membuat data
frame dengan menggunakan matriks dan dengan mengkonversi file berekstensi .csv.
2.4.1. Matriks pada Program R
Matriks adalah sekumpulan bilangan yang disusun secara baris dan kolom
yang dibatasi oleh tanda kurung baik kurung biasa maupun kurung siku. Matriks
meiliki ukurang yang disebut juga ordo matriks. Misalnya suatu matriks memiliki m
baris dan n kolom, maka ordo dari matriks tersebut adalah m x n.
1. Mengakses matriks pada program R
Dalam program R kita dapat mengakses sebuah matrix dengan beberapa cara
tertentu. Misalkan m adalah jumlah baris dan n adalah jumlah kolom pada matriks a
atau matriks p, maka untuk mengakses matriks tersebut dapat dilakukan dengan cara
atau format – format seperti berikut:
Tabel 2.9. Mengakses Matrix pada Program R
No. Format Fungsi Contoh
> x=12:20
>
a=matrix(x,ncol=3,nrow=3
)
Menampilkan entri – entri > a
>a[,n] [,1] [,2] [,3]
dalam matriks pada
1. Dan [1,] 12 15 18
>a[m,] kolom ke-n dan pada baris [2,] 13 16 19
ke-m [3,] 14 17 20
> a[,2]
[1] 15 16 17
> a[2,]
[1] 13 16 19
2. >p[m,n]=a Berturut – turut berfungsi > x=12:20
>p[,n]=c(x, >a=matrix(x,ncol=3,nrow=
y,z) untuk mengganti entri 3)
>p[m,]=c(x, pada baris m kolom n > a

2019
METODE STATISTIKA
[,1] [,2] [,3]

[1,] 12 15 18
[2,] 13 16 19
dengan a, mengganti [3,] 14 17 20
seluruh entri pada kolom > a[2,2]=5
> a[,1]=c(1,2,3)
y,z) ke-n dengan x,y,z, dan > a[1,]=c(1,2,3)
mengganti seluruh entri > a
baris ke-m dengan x,y,z. [,1] [,2] [,3]
[1,] 1 2 3
[2,] 2 5 19
[3,] 3 17 20
>
x=matrix(seq(6:14),ncol=
Untuk membuat matriks 3,nrow=3)
>p=matrix(s
yang entrinya tersusun > x
3. eq(a:b),nco
[,1] [,2] [,3]
l=n,nrow=m) dari a sampai b
[1,] 1 4 7
berdasarkan kolom [2,] 2 5 8
[3,] 3 6 9
2. Modifikasi Matriks
Dalam program R, matriks dapat dimodifikasi yakni seperti menjumlahkan
matriks, mengalikan matriks, sampai mencari sisa bagi dari dua buah matriks.
Misalkan a dan b adalah keduanya matriks, maka memodifikasi matriks dapat
dilakukan dengan cara seperti berikut.
Tabel 2.10. Cara Memodifikasi Matrix pada Program R
No. operator Fungsi Contoh
> b=matrix(seq(6:14),ncol=3,nrow=3)
>
a=matrix(c(4,9,16,36,49,64,81,100,121
Untuk ),nrow =3,ncol=3)
1. + menjumlakan > a+b
matriks [,1] [,2] [,3]
[1,] 5 40 88
[2,] 11 54 108
[3,] 19 70 130
> b=matrix(seq(6:14),ncol=3,nrow=3)
>
a=matrix(c(4,9,16,36,49,64,81,100,121
2. - mengurangkan > a-b
dua matriks [,1] [,2] [,3]
[1,] 3 32 74
[2,] 7 44 92
[3,] 13 58 112
3. %*% Untuk > b=matrix(seq(6:14),ncol=3,nrow=3)
>
mengalikan
a=matrix(c(4,9,16,36,49,64,81,100,121
dua buah
2019
METODE STATISTIKA
),nrow =3,ncol=3)
> a%*%b
[,1] [,2] [,3]
matriks [1,] 319 682 1045
[2,] 407 881 1355
[3,] 507 1110 1713
>
a=matrix(c(4,9,16,36,49,64,81,100,121
> t(a)
4. t(a) mentranspose [,1] [,2] [,3]
matriks a [1,] 4 9 16
[2,] 36 49 64
[3,] 81 100 121
>
Untuk mebalik a=matrix(c(4,9,16,36,49,64,81,100,121
matriks ),nrow =3,ncol=3)
> solve(a)
5. solve(a) (mencari [,1] [,2] [,3]
invers [1,] 1.4017857 -2.464286 1.0982143
matriks) [2,] -1.5208333 2.416667 -0.9791667
[3,] 0.6190476 -0.952381 0.3809524
>
a=matrix(c(4,9,16,36,49,64,81,100,121
memangkatka > a^2
6. a^n
[,1] [,2] [,3]
n n setiap entri
[1,] 16 1296 6561
pada matriks a [2,] 81 2401 10000
[3,] 256 4096 14641
Untuk >
a=matrix(c(4,9,16,36,49,64,81,100,121
menghitung
7. det(a) ),nrow =3,ncol=3)
determinan > det(a)
matriks a [1] -336
>
Untuk
a=matrix(c(4,9,16,36,49,64,81,100,121
membagi ),nrow =3,ncol=3)
setriap entri > a/b
8. a/b pada matriks a [,1] [,2] [,3]
[1,] 4.000000 9.00000 11.57143
dan matriks b [2,] 4.500000 9.80000 12.50000
yang [3,] 5.333333 10.66667 13.44444
bersesuaian
>
Untuk a=matrix(c(4,9,16,36,49,64,81,100,121
menujukan ),nrow =3,ncol=3)
entri entri > a
[,1] [,2] [,3]
9. Diag(a) yang letaknya [1,] 4 36 81
sebagai [2,] 9 49 100
diagonal [3,] 16 64 121
> diag(a)
matriks a
[1] 4 49 121

2019
METODE STATISTIKA
>
Untuk a=matrix(c(4,9,16,36,49,64,81,100,121
),nrow =3,ncol=3)
menghitung > sqrt(a)
10. sqrt(a) akar setiap [,1] [,2] [,3]
entri pada [1,] 2 6 9
[2,] 3 7 10
matriks a
[3,] 4 8 11
2.4.2. Data frame

Berikut merupakan contoh data frame, data nilai dan stambuk 20 mahasiswa
suatu angkatan.
>c=c("F1A118001","F1A118002","F1A118003","F1A118006","F1A118009","
F1A118010","F1A118012","F1A118013","F1A118014","F1A118015","F1A118
016","F1A118017","F1A118018","F1A118019","F1A118020","F1A118021","
F1A118022","F1A118025","F1A118027","F1A118039")
>a=rep((87),each=20)
>b=c("DALIANA","RIKI MATRIN","KOKO MARTONO","ELYSABHET","NURUL
NAHDAH","KUNCORO","ANASTASIA","SYAHRANI","KINGKONG","RYU","KANTEGE
","FATIMAH","NURZIANA","KIMBERLY","SULAIMAN","PRAMUDIA","WA
LABE","SUYATNO","PINGKI","MUHAMAD INDRA ALAMSYAH")
>indra=data.frame(Nama=b,NIM=c,Nilai=a)
>indra
Hasil run :

2019
METODE STATISTIKA
Gambar 2.7. Hasil Run Contoh Data Frame pada Program R

2.4.3. Cara Input Data dari Excel ke Data frame Program R
Membuat data frame di profram R dengan mengambil data dari excel tidak
begitu sulit. Cara ini bias disebut sebagai mengkonversi data excel ke data frame
program R. Mengkonversi data dari excel ke program R dapat dilakukan dalam
langkah – langkah sebagai berikut:
1. Membuat data di excel yang ingin dijadikan data frame pada program R
yangdisebut dengat data base lalu dismimpan dalam bentuk .csv.
Gambar 2.8. Data Base

2. Membuka aplikasi program R lalu memanggil data yang telah dibuat dengan
mengetikkan syntax seperti berikut.
2019
METODE STATISTIKA
>Dataku <- read.csv(file.choose(), header=TRUE)

Setelah itu tekan enter selanjutnya komputer akan membuka jendela file
browser untuk mencari file .csv yang telah disimpan sebelumnya. Setelah
memilih file tersebut, ketikkan pada R console “View(Dataku)” sehingga
hasil run akan tampak seperti berikut:
Gambar 2.9. Hasil Run Data Conversion
2.5. Praktkum 5
Praktikum kelima membahas lebih lanjut mengenai data frame, cara membuat
data frame dengan menu data editor, serta dapat membuat plot sederhana.

2019
METODE STATISTIKA
2.5.1. Data Frame

Data frame adalah data yang ditampilkan dalam bentuk seperti matriks yaitu
dalam kolom dan baris. Selain mengkonversi file dari excel, data frame juga dapat
dibuat menggunakan matriks dan menggunakan Data Editor sehingga menjadi sesuai
dengan yang kita ingikan dengan syntax dan langkah – langkah sebagai berikut:
1. Menggunakan Matriks
Langkah – langkah mebuat data frame dengan menggunakan matriks yaitu:
(i) Buatlah matriks dengan isian data yang kita inginkan.
Contoh:
>indra=matrix(c('Muhamad Indra Alamsyah','Anggita
Septiawati','F1A118039','F1A118011',100,0),ncol=3,nrow=2)
(ii) Masukkan matriks ke dalam variabel yang didefinisikan sebagai data frame.
Contoh:
> alamshah=data.frame(indra)
(iii) Berikan nama untuk setiap kolom yang syntax-nya dengan “attr” dan baris
dengan “row.names”.
Contoh:
> attr(alamshah,"names")=c("Nama","NIM","Nilai")
> row.names(alamshah)=c('1.','2.')
(iv) Run dengan mengetikkan variabel data frame kemudian tekan enter. Hasil run
contoh di atas akan tampak seperti berikut:
> alamshah
Nama NIM Nilai
1. Muhamad Indra Alamsyah F1A118039 100
2. Anggita Septiawati F1A118011 0
2. Menggunkan Data Editor
Berikut langkah – langkah mebuat data frame dengan meggunakan Data
Editor:
(i) Masukkan syntax “>u=edit(data.frame())” pada R console dimana u
merupakan variabel yang dapat diganti dengan apa saja, kemudian tekan enter
dan akan tampil menu data editor.
Berikut tampilan menu data editor:

2019
METODE STATISTIKA
Gambar 2.10. Menu Data Editor

(ii) Setelah itu, gantilah nama variabel sesuai kebutuhan dengan mengklik kepala
masing - masing kolom dan pilihlah data type yang akan di-input-kan dalam
kolom tersebut baik numeric atapun character.
Gambar 2.11. Variable Editor

(iii) Selanjutnya kita dapat mengisi kolom – kolom sesuai dengan yang kita
inginkan dan keluar dari data editor untuk menampilkan hasil run dengan
mengetikkan variabel yang mewakili data frame tersebut. Berikut contoh
hasil run data frame yang di buat dengan menu Data Editor.
> u=edit(data.frame())
> u
Nama NIM Nilai
1 Muhamad Indra Alamsyha F1A118039 100
2 Anggita Septiawati F1A118011 99

2019
METODE STATISTIKA
2.5.2. Plot pada Program R

Plot pada program R adalah syntax yang digunakan untuk membuat grafik.
Plot artinya memasangkan data – data yang ada sehingga membentuk graifk. Syntax
yang digunakan untuk membuat plot yaitu “ plot(cbind(c(variabel–
variabel),c(varaibel–variabel)),type=“l”)”. Berikut contoh - contoh plot
dari sederhana hingga sedikit kompleks pada program R.
1. Plot Bentuk Segitiga
Syntax:
> plot(cbind(c(2,4,6,2),c(3,6,3,3)),type="l")
Hasil run:
Gambar 2.12. Hasil Run Plot Bentuk Segitiga

2. Plot Bentuk Jajar Genjang
Syntax:
> plot(cbind(c(2,5,14,11,2),c(2,8,8,2,2)),type="l")
Hasil run:
Gambar 2.13. Hasil Run Bentuk Jajar Genjang

2019
METODE STATISTIKA
3. Plot Bentuk Huruf M

Syntax:
>
plot(cbind(c(2,2,3,5,7,8,8,7,7,5,3,3,2),c(1,8,8,5,8,8,1,1,6,3,6,1,
1)),type="l")
Hasil run:
Gambar 2.14. Hasil Run Plot Bentuk Huruf M

4. Plot Bentuk Love
Syntax:
>
plot(cbind(c(10,8,6.6,5.5,4.75,4.5,4.6,5,6.5,8,9.1,10,10.9,12,13.5
,15,15.4,15.5,15.25,14.5,13.4,12.3,10),c(1,3.3,5,7,9,11,12,13,13.5
,13.25,12,10,12,13.25,13.5,13,12,11,9,7,5,3.5,1)),type="l")
Hasil run:
Gambar 2.15. Hasil Run Plot Bentuk Love

5. Plot Bentuk Bintang
2019
METODE STATISTIKA
Syntax:
> plot(cbind(c(2,5,8,1,9,2),c(1,10,1,7,7,1)),type="l")
Hasil run:
Gambar 2.16. Hasil Run Plot Bentuk Bintang
2.6. Praktikum 6

2019
METODE STATISTIKA
Praktikum keenam membahas tentang plot tidak sederhana serta pembuatan

berbagai jenis plot tidak sederana. Juga pengenalan awal tentang sebaran data.
2.6.1. Plot Tidak Sederhana
Plot tidak sederhana adalah lanjutan dari plot sederhana yang memasangkan
data dalam grafik parameter x,y dengan syntax yang sedikit lebih panjang. Dalam
plot tidak sederhana, warna grafik dapat disesuaikan dengan yang diinginkan dengan
jenis – jenis grafik tertentu. Namun pada dasarnya, membuat plot tidak sederhana
tidak sesulit judulnya. Membuat plot tidak sederhana mudah dengan mengikuti
langkah – langkah sebagai berikut:
(i) Buat data frame baik dengan menggunakan vector, matriks, maupu berupa
hasil convert dari file tipe .csv.
Contoh:
> indra
nama tinggi badan
1 indra 155
2 hamka 165
3 yerlin 178
4 mustafa 154
5 syawal 166
6 derik 177
7 irhan 186
8 oheo 168
9 nazar 156
10 amin 177
11 tampo 190
(ii) Ketikkan syntax berikut untuk mendefinisikan kolom apa yang akan menjadi
parameter y dalam plot yang dibuat:
> y=u$"tinggi badan"
(iii) Ketikkan pada R console masing - masing syntax sesuai dengan jenis plot
yang ingin dibuat. Syntax yang digunakan pada dasarnya sama untuk semua
jenis plot tidak sederhana, yang membedakan hanyalah kode jenis plot-nya.
Contoh:
> plot(y,main="tinggi badan",ylab="Tinggi
badan",type="o",col="pink")
> legend("topright",c("type overplotted"),fill=c("pink"))
Kata pink di atas menunjukan warna grafik yang digunakan. Warna grafik
dapat diubah sehingga sesuai dengan apa yang diinginkan.

2019
METODE STATISTIKA
(iii) Run dengan menekan tombol enter pada program R.

1. Plot Tipe Over Plotted
Tipe plot ini merupakan tipe plot tidak sederhana yang plot dari grafiknya
dihubungkan dengan garis – garis. Berdasarkan contoh pada langkah – langkah
membuat plot di atas, untuk membuat plot jenis ini dimasukkan syntax seperti
berikut:
badan",type="o",col="pink")
> legend("topright",c("type overplotted"),fill=c("pink"))
Hasil run:
Gambar 2.17. Plot Tipe Over Plotted

2. Plot Tipe Point
Plot tipe jenis ini memberikan grafik dengan hanya menampilkan titik yang
menghubungkan antara element – element. Titik – titik tersebut tidak duhubungan
dengan apapun. Berdasarkan langakah- langkah diatas, mambuat plot point dapat
dilakukan dengan memasukkan syntax berikut:
badan",type="p",col="red")
> legend("topright",c("tipe point"),fill=c("red"))
Hasil run:

2019
METODE STATISTIKA
Gambar 2.18. Plot Tipe Point

3. Plot Tipe Lines
Plot tipe lines adalah tipe yang menyerupai plot jenis overplotted akan tetapi
pada tipe overplotted titik- titik plot ditamplikan. Sedangkan pada tipe lines, tidak
terdapat titik, malainkan garis. plot jenis ini biasanya digunakan untuk sekedar
melihat bagaimana perkembangan sesuatu berdasarkan data yang diperoleh.
Sedangkan tipe overplotted selain melihat perkembangan, lebih spesifik melihat apa
sebenarnya yang membuat grafik menjadi menaik atau turun. Membuat plot jenis ini,
dilakukan seperti langkah – langkah di atas dengan memasukkan syntax seperti
berikut:
badan",type="l",col="orange")
> legend("topright",c("tipe lines"),fill=c("orange"))
Hasil run:
Gambar 2.19. Plot Tipe Lines

2019
METODE STATISTIKA
4. Plot Tipe Histogram

Plot tipe histogram merupakan plot yang digunakan untuk membuat grafik
histogram. Berdasarkan langkah – langkah membuat plot tidak sederhana, plot tipe
histogram dapat dibuat dengan memasukkan syntax plot seperti berikut:
badan",type="h",col="purple")
> legend("topright",c("tipe histogram"),fill=c("purple"))
Hasil run:
Gambar 2.20. Plot Tipe Histogram

5. Plot Tipe Points Joined By Lines
Plot tipe jenis ini merupakan plot yang menampilkan grafik dengan plot yang
diwakili dengan titik – titik dan untuk menghubungkan titik terdapat garis. Namun,
garis tidak memontong titik. Tampilannya akan tampak bahwa titik dan garis berada
selang seling dimana didahului oleh titik dan diakhiri pula oleh titik. Berdasarkah
contoh dalam langkah – langkah membuat plot tidak sederhana, membuat plot points
joines by lines berdasarkan data frame tersebut digunakan syntax seperti berikut:
badan",type="b",col="yellow")
> legend("topright",c("tipe points joined by
lines"),fill=c("yellow"))

2019
METODE STATISTIKA
Hasil run:
Gambar 2.21. Plot Tipe Points Joines By Lines

6. Plot Tipe Stair
Plot tipe stair adalah plot yang menampilkan grafik dengan tanpa tanda titik
atau points pada setiap plot-nya yang satu sama lain dihubungkan dengan garis hanya
secara vertikal atau horizontal. Terdapat dua macam plot tipe stair yaitu yang
menggunakan syntax dengan huruf kecil dan dengan huruf besar. Plot tipe stair
dengan huruf kecil memulai grafik secara horizontal sedangkan yang menggunakan
huruf kapital memulai grafik secara vertikal. Berdasarkan contoh dalam langkah –
langkah membuat plot tidak sederhana, syntax plot tipe stair dengan huruf s akan
seperti berikut:
badan",type="s",col="black")
> legend("topright",c("tipe stair s"),fill=c("black"))
Sedangkan syntax dengan huruf S akan tampak seperti berikut:
badan",type="S",col="green")
> legend("topright",c("tipe stair S"),fill=c("green"))

2019
METODE STATISTIKA
Hasil run:
Gambar 2.22. Plot Stair s dan S

2.6.2. Sebaran Data
Sebaran data terbagi atas sebaran data kuantitatif dan sebaran data
kualitatif.sebaran data kuantitatif yaitu sebaran data yang menyatakan data dalam
bentuk numeric. Sebaran data kualitatif yaitu sebaran data yang menyatakan data
dalam bentuk character. Berikut contoh data kuantitatif:
Tabel 2.11. Contoh Tabel Data Kuantitatif
No. Nama Nilai Predikat
1. Ihzan 20 Tidak Baik
2. Parto 62.75 Baik
3. Asikin 71.35 Baik
4. Retno 48.75 Tidak Baik
5. Indra 100 Baik
6. Azimsyah 76 Baik
7. Abyan 81.5 Sangat Baik
8. Farhan Badilla 48 Tidak Baik
9. Zakariah 73.25 Baik
10. Farhan Adima 73.5 Baik

2019
METODE STATISTIKA
2.7. Praktikum 7
Pada praktikum ketujuh dibahas tentang sebaran data kuantitatif dan kualitatif
seta pembuatan plot yang berkenaan dengan kedua jenis sebaran data tersebut.
2.7.1. Sebaran Data Kuantitatif.
Sebaran data kantitatif yaitu data – data bertipe numeric yang disajikan dalam
bentuk – bentuk tertentu. Dalam program R, data kuantitatif dapat disebar dalam
beberapa cara dibawah ini dengan merujuk pada data frame berikut:
> indra<- read.csv(file.choose(), header=TRUE)
> indra
Nama Nilai Predikat
1 Ihzan 20.00 Tidak Baik
2 Parto 62.75 Baik
3 Asikin 71.35 Baik
4 Retno 48.75 Tidak Baik
5 Indra 100.00 Baik
6 Azimsyah 76.00 Baik
7 Abyan 81.50 Baik
8 Farhan Badilla 48.00 Tidak Baik
9 Zakariah 73.25 Baik
10 Farhan Adima 73.50 Baik
1. Scatter Plot
Scatter Plot adalah sebaran data yang disajikan dalam bentuk titik. Plot ini
dapat dibuat dengan syntax seperti pada contoh berikut berikut:
> plot(indra$nilai,main="Nilai Mahasiswa",col="blue",ylab="Nilai")
Hasil run:
Gambar 2.23. Hasil Run Scatter Plot

Keterangan:

2019
METODE STATISTIKA
 plot merupakan kode dari scatter plot

 main=, berfungs untuk memberikan nama plot
 col=, berfungsi untuk meberikan warna pada plot
 ylab, berfungsi untuk memberikan nama bagi indeks pada sumbu Y dalam
plot
2. Histogram
Histogram adalah sebaran data kuantitatif yang dapat dibuat di program R.
dalam statistika, diagram histogram adalah diagram yang mirip dengan diagram
batang yakni dibuat berdasarkan batas bawah dan batas atas. Sehingga akan tampak
seperti diagram batang yang batagnya saling menempel satu sama lain. Berikut
contoh syntax yang dapat digunakan untuk membuat histogram.
>hist(indra$Nilai,main="Nilai
Mahasiswa",col="red",ylab="Frekuensi",xlab="Nilai",labels=TRUE,yli
m=c(0,10))
Hasil run:
Gambar 2.24. Hasil Run Histogram

Keterangan:
 hist, merupakan kode syntax untuk plot histogram
 xlab=, befungsi untuk memberikan nama bagi sumbu X

2019
METODE STATISTIKA
 labels=TRUE, merupakan kode untuk menampilkan nilai dari masing -

masing batang pada histogram seperti yang terlihat pada hasil run.
 ylab, berfungsi untuk memberikan nama bagi indeks pada sumbu Y dalam
plot
 ylim=c(a,b), berfungsi untuk meberikan batas selang bagi sumbu Y dari a
sampai b
3. Box Plot
Box Plot merupakan sebaran data yang tampilannya berupa kotak yang
didalamnya akan tampak sebuah garis yang merepresentasikan median data.
Membuat Box Plot digunakan syntax berikut:
> boxplot(indra$Nilai,main="Nilai Mahasiswa",col="orange")
Hasil run:
Gambar 2.25. Hasil Run Box Plot

Keterangan:
 boxplot, merupakan kode syntax bagi plot box plot
 indra$Nilai,befungsi untuk mengabil kolom Nilai dalam data frame
bernama indra dimana kolom tersebut akan terdefinisi sebagai vektor
 main=, berfungs untuk memberikan nama plot
2019
METODE STATISTIKA
4. Stem and Leaf

Plot jenis ini merupakan sebaran data kuantitatif dalam bentuk grafik tekstual
yang mengklasifikasikan item – item data berdasarkan digit numeric-nya yang paling
signifikan. Kelebihannya dibanding histogram adalah bahwa plot ini memberikan
informasi lebih banyak tentang nilai yang sebenarnya. Dimana, histogram hanya
menampilkan frekuansi data sedang nilainya tidak ditmpilkan. Membuat plot Stem
and Leaf dapat digunakan syntax berikut:
> stem(indra$Nilai,scale=1,width=80,atom=1e-08)
The decimal point is 1 digit(s) to the right of the |
2 | 0
4 | 89
6 | 31346
8 | 2
10 | 0
2.7.2. Sebaran Data Kualitatif
Sebaran data kualitatif yaitu sebaran data yang menggunakan tipe data
character. Sebaran data Kuantitatif dapat dibuat seperti di bawah ini dengan
menggunakan data frame berikut:
> indra<- read.csv(file.choose(), header=TRUE)
> indra
Nama Nilai Predikat
1 Ihzan 20.00 Tidak Baik
2 Parto 62.75 Baik
3 Asikin 71.35 Baik
4 Retno 48.75 Tidak Baik
5 Indra 100.00 Baik
6 Azimsyah 76.00 Baik
7 Abyan 81.50 Baik
8 Farhan Badilla 48.00 Tidak Baik
9 Zakariah 73.25 Baik
10 Farhan Adima 73.50 Baik
1. Tabel Frekuensi
Tabel frekuesni adalah sebaran data kualitatif yang berfungsi untuk
menampilkan frekuansi dari karakter – karakter dalam data frame di atas. Berikut
contoh syntax tabel frekuensi:
> alamshah=table(indra$Predikat)
2019
METODE STATISTIKA
> alamshah
Baik Tidak Baik

7 3
Keterangan:
 indra$Predikat, berfungsi mengabil kolom Predikat dalam data frame
bernama indra
 table, merupakan kode syntax untuk membuat tabel frekuansi
2. Pie Chart
Plot jenis ini meruakan plot yang berfungsi untuk membuat diagram
lingkaran. Berikut contoh Pie Chart Plot.
> i=indra$Predikat
> s=round(indra$Nilai/sum(indra$Nilai)*100)
> i=paste(i,s)
> i=paste(i,"%",sep=" ")
> pie(indra$Nilai,main="Nilai
Mahasiswa",labels=i,col=rainbow(length(i)))
Hasil run:
Gambar 2.26. Hasil Run Plot Pie Chart
Keterangan:
2019
METODE STATISTIKA
 round, befungsi untuk mendefinisikan apa dan bagaimana isian pada bagian -
bagian dalam plot Pie Chart
 pie, merupakan kode untuk membuat plot Pie Chart
 col=, merupakan kode untuk meberikan warna pada plot
3. Bar Plot
Plot jenis ini merupakan plot yang berfungsi membuat kode batang
bedasarkan sebaran data kualitatif. Berikut contoh bar plot:
> alamshah=table(indra$Predikat)
> barplot(alamshah,main="Data Mahasiswa",col="pink")
Hasil run:
Gambar 2.27. Hasil Run Bar Plot

Keterangan:
 main=, berfungsi untuk meberikan nama plot
 barplot, merupakan kode dalam syntax untuk membuat plot Pie Chart
 col=, befungsi untuk meberikan warna pada plot
4. Dot Chart
Dot Chart merupakan plot yang menghubungkan antara frekuensi data – data
bertipe character dengan hanya menggunakan titik. Berikut contoh dot chart:
> alamshah
> dotchart((alamshah),main="Nilai Mahasiswa",col="green")

2019
METODE STATISTIKA
Hasil run:
Gambar 2.28. Hasil Run Dot Chart

Keterangan:
 dotchart, merupakan kode dalam syntax untuk membuat plot dot chart
 col=, berfungsi untuk membuat warna dalam plot
 main=, berfungsi untuk membuat nama plot
2.7.3. Menggabungkan Beberapa Plot
Menggabungkan plot – plot dalam program R digunakan syntax seperti pada
contoh berikut:
> par(mfrow=c(2,2))
> hist(indra$Nilai,main="Nilai
Mahasiswa",col="red",ylab="Frekuensi",xlab="Nilai",labels=TRUE,yli
m=c(0,10))
> boxplot(indra$Nilai,main="Nilai Mahasiswa",col="orange")
> pie(indra$Nilai,main="Nilai
Mahasiswa",labels=i,col=rainbow(length(i)))
> barplot(indra$Predikat,main="Data Mahasiswa",col="pink")
> barplot(alamshah,main="Data Mahasiswa",col="pink")
Hasil run:

2019
METODE STATISTIKA
Gambar 2.29. Hasil Run Contoh Pengabungan Plot

Keterangan:
 par, merupakan kode syntax untuk menggabungkan beberapa grafik
 mfrow=c(a,b),berfungsi untuk menentukan banyaknya plot yang dapat
digabung dimana penyusunannya dalam bentuk baris dan kolom seperti
matriks dengan ukuran a x b
2.8. Praktikum 8

2019
METODE STATISTIKA
Praktikum kedelapan membahas mengenai sebaran peluang deskrit sera jenis

jenisnya, juga pembuatan plot sehubungan dengan sebaran peluang diskrit.
2.8.1. Pengertian Distribusi Peluang Diskrit
Distribusi peluang diskrit adalah distribusi peluang dimana semesta peubah
acaknya dapat dihitung atau berhingga, misalnya peubah acak sebuah lemparan dadu
bernilai 1 hingga 6. Apabila himpunan pasangan terurut (x,f(x)) merupakan suatu
fungsi peluang, fungsi masa peluang, atau distribusi peluang peubah acak diskrit x
maka untuk setiap kemungkinan hasil x berlaku:
1. f ( x ) ≥0 ; ∀ x ∈ R
2. ∑ semua x f ( x )=1
3. P(X=x) = 0
2.8.2. Jenis-Jenis Peluang Diskrit
1. Distribusi Bernoulli
Karakteristik Distribusi Bernoulli yaitu:
a. Percobaan dilakukan 1 kali.
b. Percobaan hanya mampu menghasilkan 2 hasil yang mungkin yaitu sukses
atau gagal.
Distribusi Bernoulli dengan peluang sukses 0 ≤ p ≤ 1 dan peluang gagal q = 1 - p,
maka distribusi peluang peubah/variabel acak Bernoulli X adalah:
Fungsi kepadatan peluang (pdf)
x 1− x
f ( x ; 1, p )= p (1− p) ; x=0,1
{ 0 ; x yang lain
Selanjutnya dinotasikan sebagai X BIN (1 , p), yaitu distribusi binomial dengan
parameter p. Jika X berdistribusi Bernoulli maka:
a. E ( X ) =p
b. Var ( X )= p ( 1− p )
Peluang terambilnya kartu As di setiap pengambilan satu kotak kartu
merupakan salah satu contoh percobaan Bernoulli
2. Distribusi Binomial

2019
METODE STATISTIKA
Distribusi Binomial merupakan distribusi peluang yang dihasilkan dari proses

Bernoulli yang memiliki empat karakteristik utama, yaitu:
a. Percobaan dilakukan sebanyak n kali, n>1.
b. Tiap percobaan memiliki dua hasil saja: sukses atau gagal.
c. Peluang sukses (p) pada setiap percobaan adalah konstan.
d. Pengulangan percobaan harus bebas (independent) satu sama lain, artinya
hasil eksperimen yang satu tidak mempengaruhi hasil eksperimen yang
lainnya.
Sebuah percobaan Bernoulli dengan peluang sukses p dan peluang gagal q= 1-
p, maka distribusi peluang peubah/variabel acak binomial X adalah:
f ( x ; n ,1 )= n p x (1− p)n−x ; x=0,1,2 ,… , n

() x
Selanjutnya dinotasikan sebagai X BIN (n , p), yaitu distribusi binomial dengan
parameter n dan p. Jika X berdistribusi Binomial maka:
a. E ( X ) =np
b. Var ( X )= p ( 1− p )
Fungsi distribusi kumulatifnya yaitu:
x
F ( x )=B ( x ; n , p )=∑ b(k ; n , p); x=0,1,2,3, … , n
k =0
3. Distribusi Hipergeometrik
Karakteristik distribusi Hipergeometrik yaitu:
a. Populasi/percobaan sebanyak N terbagi dalam 2 kategori. Kategori I sebanyak
M dan kategori 2 sebanya N-M.
b. Diambil sampel sebanyak n.
Jika X menyatakan banyaknya elemen kategori I yang terambil, distribusi
peluang peubah/variabel acak Hipergeometrik X adalah:

2019
METODE STATISTIKA
M N−M
h ( x ; n , M , N )=¿
( x )( n−x )
;x=0,1,2,…,min(n,M)
N
(n)
Selanjutnya dinotasikan sebagai X HYP( n , M , N) dengan parameter n,M, dan N.
Jika X HYP( n , M , N) maka:
nM
a. E ( X )=
N
M M
)(1− )( N −n)
(
b. N N
Var ( X )=
N −1
Penggunaan distribusi Hipergeometril terdapat banyak bidang, antara lain
pada penerimaan sampel, pengujian elektronik dan pengendalian mutu.
4. Distribusi Geometrik
Karakteristik distribusi Geometrik yaitu:
a. Percobaan Bernoulli
b. X menyatakan banyaknya percobaan yang dibutuhkan untuk memperoleh
sukses.
Distribusi peluang peubah/variabel acak Geometri X adalah:
1−x
g ( x ; p )= p (1− p)
{ 0 ; x yanglain
x = 1,2,3,…
Selanjutnya dinotasikan sebagai X GEO( p) dengan parameter p. Jika X GEO( p)

maka :
1
a. E ( X )=
p
q
b. Var ( X )=
p4
Fungsi distribusi kumulatifnya yaitu:
x
F ( x )=G ( x ; p ) =∑ p (1− p)f −1
f =1
5. Distribusi Poisson

2019
METODE STATISTIKA
Eksperimen Poisson adalah eksperimen yang menghasilkan nilai dari suatu

peubah acak X, yaitu jumlah keluaran yang terjadi selama satu selang waktu atau di
antara suatu daerah. Percobaan Poisson memiliki sifat sebagai berikut:
a. Jumlah keluaran yang muncul dalam suatu rentang waktu atau suatu daerah
tidak dipengaruhi (independent) terhadap jumlah keluaran yang terjadi di
rentang waktu atau daerah yang lain terpisah.
b. Peluang bahwa yang satu keluaran akan muncul dalam selang waktu yang
sangat pendek atau daerah yang kecil adalah proporsional dengan panjang
selang waktu atau luas dari daerah.
c. Peluang muncul lebih dari satu keluaran dalam selang waktu yang amat
pendek atau daerah yang kecil dapat diabaikan.
Distribusi peluang acak poisson X yang menyatakan banyaknya sukses yang
terjadi dalam selang waktu tertentu dinyatakan dengan t diberikan oleh, dimana
menyatakan banyaknya sukses yang terjadi persatuan waktu atau daerah, sedangkan
e = 2,71828…
Suatu variabel acak diskrit X dikatakan berdistribusi Poisson jika:
e−μ μ x
f ( x ; μ )= x ; 0 , 1, 2 , …
x!
Selanjutnya dinotasikan sebagai X POI ( μ) dengan parameter μ>0. Jika
X POI ( μ) maka:
1
a. E ( X )=
p
q
b. Var ( X )=
p4
4. Distribusi Seragam Diskrit
Pada distribusi ini setiap peubah acak memiliki nilai peluang yang sama.
Suatu variabel acak diskrit X dikatakan berdistribusi seragam (uniform) pada
bilangan-bilangan 1, 2,…, N jika:

2019
METODE STATISTIKA
1
f ( x )= ; N =1 ,2 , … , N
N
Selanjutnya dinotasikan sebagai.
Jika X DU ( N ) maka:
N +1
a. E ( X )=
2
N 2−1
b. Var ( X )=
12
2.8.3. Syntax Distribusi Binomial
Berikut adalah contoh syntax pada materi distribusi binomial:
> qbinom(c(0.25),size=30,prob=0.5,lower.tail=TRUE)
[1] 13
> qbinom(c(0.25),size=30,prob=0.5,lower.tail=FALSE)
[1] 17
> qbinom(c(0.75),size=30,prob=0.5,lower.tail=FALSE)
[1] 13
> dbinom(6,size=20,prob=0.5)
[1] 0.03696442
> pbinom(c(6),size=20,prob=0.5,lower.tail=TRUE)
[1] 0.05765915
> pbinom(c(6),size=20,prob=0.5,lower.tail=FALSE)
[1] 0.9423409
> dbinom(0:20,size=20,prob=0.5)
[1] 9.536743e-07 1.907349e-05 1.811981e-04 1.087189e-03
4.620552e-03
[6] 1.478577e-02 3.696442e-02 7.392883e-02 1.201344e-01
1.601791e-01
[11] 1.761971e-01 1.601791e-01 1.201344e-01 7.392883e-02
3.696442e-02
[16] 1.478577e-02 4.620552e-03 1.087189e-03 1.811981e-04
1.907349e-05
[21] 9.536743e-07
> dbinom(0:20,size=20,prob=0.5)
[1] 9.536743e-07 1.907349e-05 1.811981e-04 1.087189e-03
4.620552e-03
[6] 1.478577e-02 3.696442e-02 7.392883e-02 1.201344e-01
1.601791e-01
[11] 1.761971e-01 1.601791e-01 1.201344e-01 7.392883e-02
3.696442e-02
[16] 1.478577e-02 4.620552e-03 1.087189e-03 1.811981e-04
1.907349e-05
[21] 9.536743e-07
> Table.CDF.Binomial=data.frame(Pr=dbinom(0:20,size=20,prob=0.5))
> rownames(Table.CDF.Binomial)=0:20
> Table.CDF.Binomial
Pr
0 9.536743e-07
1 1.907349e-05

2019
METODE STATISTIKA
2 1.811981e-04
3 1.087189e-03
4 4.620552e-03
5 1.478577e-02
6 3.696442e-02
7 7.392883e-02
8 1.201344e-01
9 1.601791e-01
10 1.761971e-01
11 1.601791e-01
12 1.201344e-01
13 7.392883e-02
14 3.696442e-02
15 1.478577e-02
16 4.620552e-03
17 1.087189e-03
18 1.811981e-04
19 1.907349e-05
20 9.536743e-07
> z=Table.CDF.Binomial
> x=z$Pr
> plot(x,xlab="Nomor Sukses",ylab="Kepadatan
Peluang",main="Distribusi Binomial: n=20,p=0.5",type="h")
> points(x,pch=8)
> abline(h=0,col="green")
> abline(h=0,col=green")
Hasil run:
Gambar 2.30. Plot Sebaran Binom

2019
METODE STATISTIKA
2.9. Praktikum 9
Praktikum kesembilan membahas tentang sebaran peluang kontinu, serta
pembuatan plot yang berhubnga dengan distribusi normal.
2.9.1. Pengertian Distribusi Peluang Kontinu
Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua
nilai pada skala kontinu. Ruang sampel kontinu adalah bila ruang sampel
mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi
kontinu adalah apabila fungsi f(x) adalah fungsi padat peluang peubah acak
kontinu X yang didefinisikan di atas himpunan semua bilangan riil R bila:
a. F(x) ≥ 0 untuk semua x є R
b. ∫∞∞ 𝑓(𝑥)𝑑𝑥 = 1
c. 𝑃(a < 𝑋 < 𝑏) = ∫∞∞ 𝑓(𝑥)𝑑x
2.9.2. Jenis-jenis Distribusi Peluang Kontinu
Distribusi peluang kontinu dibagi menjadi 4, yaitu distribusi normal, distribusi
student’s t, distribusi chi-kuadrat, dan distribusi f.
1. Distribusi Normal
Distribusi Normal (Gaussian) mungkin merupakan distribusi probabilitas
yang paling penting baik dalam teori maupun aplikasi statistik. Distribusi ini paling
banyak digunakan sebagai model bagi data riil di berbagai bidang yang meliputi
antara lain karakteristik fisik makhluk hidup (berat, tinggi badan manusia, hewan,
dll).
Distribusi Normal disebut juga Gausian distribution adalah salah satu fungsi
distribusi peluang berbentuk lonceng seperti gambar berikut.

2019
METODE STATISTIKA
Gambar 2.31. Grafik Fungsi Distribusi Normal

Berdasarkan gambar di atas, distribusi Normal akan memiliki beberapa ciri
diantaranya:
a. Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti genta.
b. Simetris terhadap rataan (mean).
c. Kedua ekor/ ujungnya semakin mendekati sumbu absisnya tetapi tidak pernah
maemotong.
d. Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ
e. Luas daerah di bawah lengkungan kurva tersebut dari – ~ sampai + ~ sama
dengan 1 atau 100 %.
Sebuah variabel acak kontinu X dikatakan memiliki distribusi normal dengan
parameter 𝜇𝑥 dan 𝜎𝑥 dimana −∞ < 𝜇𝑥 < ∞ dan 𝜎𝑥 > 0 jika fungsi kepadatan
probabilitas dari X adalah :
Dimana :
𝜇𝑥 = mean
𝜎𝑥 = standar deviasi
𝜋 = nilai konstan yaitu 3, 1416
𝑒 = nilai konstan yaitu 2,7183
Untuk setiap nilai 𝜇𝑥 dan 𝜎𝑥, kurva fungsi akan simetris terhadap 𝜇𝑥 dan
memiliki total luas dibawah kurva tepat 1. Nilai dari 𝜎𝑥 menentukan bentangan dari
kurva sedangkan 𝜇𝑥 menentukan pusat simetrisnya.

2019
METODE STATISTIKA
Distribusi normal kumulatif didefinisikan sebagai probabilitas variabel acak

normal X bernilai kurang dari atau sama dengan suatu nilai x tertentu. Maka fungsi
distribusi kumulatif dari distribusi normal ini dinyatakan sebagai :
Untuk menghitung probabilitas (𝑎 ≤ 𝑥 ≤ 𝑏) dari suatu variabel acak kontinu X

yang terdistribusi secara normal dengan parameter 𝜇𝑥 dan 𝜎𝑥 maka persamaan (1)
harus diintegralkan mulai dari 𝑥 = 𝑎 sampai 𝑥 = 𝑏. Namun, tidak ada satupun dari
teknik-teknik pengintegralan biasa yang bisa digunakan untuk menentukan integral
tersebut. Untuk itu para ahli statistik/matematik telah membuat sebuah
penyederhanaan dengan memperkenalkan sebuah fungsi kepadatan probabilitas
normal khusus dengan nilai mean 𝜇 = 0 dan deviasi standard 𝜎 = 1. Distribusi ini
dikenal sebagai distribusi normal standar (standard normal distribution). Variabel
acak dari distribusi normal standard ini biasanya dinotasikan dengan Z. Dengan
menerapkan ketentuan diatas pada persamaan (1) maka fungsi kepadatan probabilitas
dari distribusi normal standard variabel acak kontinu Z adalah:
Sedangkan fungsi distribusi kumulatif dari distribusi normal standard ini

dinyatakan sebagai :
Distribusi normal variabel acak kontinu X dengan nilai-nilai parameter 𝜇𝑥

dan 𝜎𝑥 berapapun dapat diubah menjadi distribusi normal kumulatif standard jika
variabel acak standard Zx menurut hubungan :
Nilai 𝑧𝑥 dari variabel acak standard 𝑧𝑥 sering juga disebut sebagai skor z dari variabel
acak X.
2. Distribusi Student’s T

2019
METODE STATISTIKA
. Distribusi student’s t adalah distribusi yang ditemukan oleh seorang

mahasiswa yang tidak mau disebut namanya. Untuk menghargai hasil penemuannya
itu, distribusinya disebut distribusi Student yang lebih dikenal dengan distribusi “t”,
diambil daru huruf terakhir kata “student”. Bentuk persamaan fungsinya :
Berlaku untuk −∞ < 𝑡 < ∞ dan K merupakan tetapan yang besarnya tergantung dari
besar n sedemikian sehingga luas daerah antara kurva fungsi itu dan sumbu t adalah
1.
. Bilangan n – 1 disebut derajat kebebasan (dk). Yang dimaksudkan dengan dk
ialah kemungkinan banyak pilihan dari sejumlah objek yang diberikan. Misalnya kita
mempunyai dua objek yaitu A dan B. Dari dua objek ini kita hanya mungkin
melakukan 1 kali pilihan saja, A dan B. Seandainya terpilih A maka B tidak usah
dipilih lagi. Dan untuk itu dk = 2 – 1 = 1
3. Distribusi Chi-Kuadrat (𝝌𝟐)

Distribusi chi-kuadrat merupakan distribusi yang banyak digunakan dalam
sejumlah prosedur statistik inferensial. Distribusi chi-kuadrat merupakan kasus
khusus dari distribusi gamma dengan faktor bentuk 𝛼 = 𝑣/2, dimana vadalah bilangan
bulat positif dan faktor skala 𝛽 = 2. Jika variabel acak kontinu X memiliki distribusi
chi-kudrat dengan parameter v, maka fungsi kepadatan probabilitas dari X adalah :
Berikut ini diberikan rumusan beberapa ukuran statistik deskriptif untuk distribusi
chi-kuadrat.
 Mean (Nilai Harapan)
𝜇𝑥 = (㄰) = 𝑣 Varians
𝜎2𝑥 = 2𝑣
 Kemencengan (skewness) :

2019
METODE STATISTIKA
8
β 2=α 23=
v
 Keruncingan (kurtosis) :
4. Distribusi F
Menurut Gasperz (1989:251), secara teori sebaran F merupakan rasio dari dua
sebaran chi kuadrat yang bebas. Oleh karena itu peubah acak F diberikan sebagai:
x21 /V 1
F= 2
x2 /V 2
Dimana :
2
x 1 = nilai dari sebaran chi-kuadrat dengan derajat bebas V1 = n1-1
x 21 = nilai dari sebaran chi-kuadrat dengan derajat bebas V1 = n1-1
Oleh karena itu sebaran F mempunyai dua derajat bebas yaitu 𝑉1 𝑑𝑎𝑛 𝑉2.
2.9.3. Syntax Distribusi Peluang Kontinu
Untuk melakukan distribusi peluang kontinu pada program R, dapat
melakukan dengan memasukan syntax berikut ini.
>pnorm(p, mean=0, sd=1)
Keterangan :
 Argument p merupakan peluang suatu kejadian
 Argument mean merupakan rata-rata hitung
 Argument sd merupakan standard deviation.
 Fungsi di atas hanya digunakan untuk mencari peluang distribusi peluang
kontinu yaitu kurang dari kejadian m atau p(x<m). Jika mencari fungsi
disrtibusi lebih dari kejadian m, maka digunakan 1- p(x<m).
Berikut syntax yang terkait dengan distribusi normal:
> qnorm(c(0.25),mean=0,sd=1,lower.tail=TRUE)
[1] -0.6744898
> dnorm(c(0.05),mean=10,sd=2)
[1] 8.420738e-07
> y=seq(-5,5,length=100)
> plot(y,dnorm(y,mean=0,sd=1),xlab="x",ylab="kepadatan peluang
distribusi normal",main=expression(paste("distribusi normal:
",mu,"=0",sigma,"=1")),type="l")
> abline(h=0,col="magenta")
> x=seq(-5,5,length=100)
2019
METODE STATISTIKA
> plot(y,pnorm(y,mean=0,sd=1),xlab="x",ylab="peluang
kumulatif",main=expression(paste("distribusi
normal:",mu,"=0",sigma,"=1")),type="l")
> abline(h=0,col="blue")
Hasil run plot 1:
Gambar 2.32. Plot Fungsi Kepadatan Peluang Distribusi Normal

Hasil run plot 2:

2019
METODE STATISTIKA
Gambar 2.33. Fungsi Peluang Distrubusi Kumulatif dari Distribusi Normal
2.10. Praktikum 10
Praktikum kesepuluh membahas tentang uji rata – rata sampel serta syntax
yang berhubungan dengan uji rata – rata sampel.
2.10.1. Hipotesis Statistik
1. Uji Rata – Rata Satu Sampel
Untuk pengujian hipotesis satu rata-rata dengan sample besar (n > 30), uji
statistiknya menggunakan distribusi Z. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
 Ho : µ = µo
H1 : µ > µo
 Ho : µ = µo
H1 : µ < µo
 Ho : µ = µo
H1 : µ ≠ µo
b. Penentuan nilai α (taraf nyata) dan nilai Z table (Zα)

2019
METODE STATISTIKA
Menentukan nilai α sesuai soal, kemudian nilai Zα atau Zα/2 ditentukan dari

tabel.
c. Kriteria Pengujian
 Untuk Ho : µ = µo dan H1 : µ > µo
Ho di terima jika Zo ≤ Zα
Ho di tolak jika Zo > Zα
 Untuk Ho : µ = µo dan H1 : µ < µo
Ho di terima jika Zo ≥ - Zα
Ho di tolak jika Zo < - Zα
 Untuk Ho : µ = µo dan H1 : µ ≠ µo
Ho di terima jika - Zα/2 ≤ Zo ≤ Zα/2
Ho di tolak jika Zo > Zα/2 atau Zo < - Zα/2
d. Uji Statistik
 Simpangan baku populasi ( σ ) di ketahui :
X́−μ0 X́ −μ0
Z 0= =
σ x́ σ
√n
 Simpangan baku populasi ( σ ) tidak di ketahui :
X́−μ0 X́ −μ0
Z 0= =
s x́ s
√n
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
 Jika H0 diterima maka H1 di tolak
 Jika H0 di tolak maka H1 di terima
Namun untuk pengujian hipotesis satu rata-rata dengan sampel kecil (n ≤ 30),
uji statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah
sebagai berikut.

2019
METODE STATISTIKA
 Ho : µ = µo
H1 : µ > µo
 Ho : µ = µo
H1 : µ < µo
 Ho : µ = µo
H1 : µ ≠ µo
b. Penentuan nilai α (taraf nyata) dan nilai t- tabel
Menentukan nilai α sesuai soal, kemudian menentukan derajat bebas, yaitu db
= n – 1, lalu menentukan nilai tα;n-1 atau tα/2;n-1 ditentukan dari tabel.
 Untuk Ho : µ = µo dan H1 : µ > µo
Ho di terima jika to ≤ tα
Ho di tolak jika to > tα
 Untuk Ho : µ = µo dan H1 : µ < µo
Ho di terima jika to ≥ - tα
Ho di tolak jika to < - tα
 Untuk Ho : µ = µo dan H1 : µ ≠ µo
Ho di terima jika - tα/2 ≤ to ≤ tα/2
Ho di tolak jika to > tα/2 atau to < - tα/2
d. Uji Statistik
X́−μ 0 X́ −μ0
t 0= =
σ x́ σ
√n
 Simpangan baku populasi ( σ ) tidak di ketahui :
X́−μ 0 X́ −μ0
t 0= =
s x́ s
√n
e. Kesimpulan

2019
METODE STATISTIKA
Menyimpulkan tentang penerimaan atau penolakan Ho(sesuai dengan criteria

pengujiannya).
2. Uji Rata – Rata Dua Sampel
Untuk pengujian hipotesis beda dua rata-rata dengan sampel besar (n > 30),
uji statistiknya menggunakan distribusi Z. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
 Ho : µ = µo
H1 : µ > µo
 Ho : µ = µo
H1 : µ < µo
 Ho : µ = µo
H1 : µ ≠ µo
b. Penentuan nilai α (taraf nyata) dan nilai Z tabel (Zα)
Mengambil nilai α sesuai soal, kemudian nilai Zα atau Zα/2 ditentukan dari
tabel.
 Untuk Ho : µ1 = µ2 dan H1 : µ1 > µ2
Ho di terima jika Zo ≤ Zα
Ho di tolak jika Zo > Zα
 Untuk Ho : µ1 = µ2 dan H1 : µ1 < µ2
Ho di terima jika Zo ≥ - Zα
Ho di tolak jika Zo < - Zα
 Untuk Ho : µ1 = µ2 dan H1 : µ1 ≠ µ2
Ho di terima jika - Zα/2 ≤ Zo ≤ Zα/2
Ho di tolak jika Zo > Zα/2 atau Zo < - Zα/2
d. Uji Statistik

2019
METODE STATISTIKA
X́ 1− X́ 2 σ 21 σ 22

Z 0=
σ x́ − x́
1
dengan σ x́ − x́ =
2
1
Simpangan baku populasi ( σ ) tidak di ketahui :

2
√
+
n1 n2
X́ 1− X́ 2 s 21 s 22
e. Kesimpulan
Z 0=
s x́ −x́
1 2
dengan σ x́ − x́ =
1 2
√ +
n1 n 2

pengujiannya).
Untuk pengujian hipotesis beda dua rata-rata dengan sampel kecil (n ≤ 30),
uji statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
 Ho : µ₁ = µ2
H1 : µ₁ > µ2
 Ho : µ₁ = µ2
H1 : µ₁ < µ2
 Ho : µ₁ = µ2
H1 : µ₁ ≠ µ2
b. Penentuan nilai α (taraf nyata) dan nilai t tabel (tα)
Mengambil nilai α sesuai soal, kemudian nilai tα atau tα/2 ditentukan dari tabel.
 Untuk Ho : µ1 = µ2 dan H1 : µ1 > µ2
Ho di terima jika to ≤ tα
Ho di tolak jika to > tα
 Untuk Ho : µ1 = µ2 dan H1 : µ1 < µ2
Ho di terima jika to ≥ tα
Ho di tolak jika Zo < - tα
 Untuk Ho : µ1 = µ2 dan H1 : µ1 ≠ µ2

2019
METODE STATISTIKA
Ho di terima jika - tα/2 ≤ to ≤ tα/2

Ho di tolak jika to > tα/2 atau to < - tα/2
d. Uji Statistik
 Untuk pengamatan tidak berpasangan
X́ 1− X́ 2
t 0=
( n❑1 −1 ) s 21 + ( n❑2 −1 ) s 22
√
db=n1 +n 2−2
n1−n −2 2
❑ (
1 1
+ )
n1 n2
 Untuk pengamatan yang berpasangan

d́
t 0= s
❑d
√n
e. Kesimpulan
pengujiannya).
3. Uji Rata – Rata Dua Sampel Berpasangan
 Ho : µ₁ ≥ µ2
H1 : µ₁ < µ2
 Ho : µ₁ ≤ µ2
H1 : µ₁ >µ2
 Ho : µ₁ = µ2
H1 : µ₁ ≠ µ2
b. Penentuan nilai α (taraf nyata) dan nilai t tabel (tα)
Mengambil nilai α sesuai soal, kemudian nilai tα atau tα/2 ditentukan dari tabel.
 Diterima bila |t hitung|≤tabel

2019
METODE STATISTIKA
 Ditolak bila |t hitung|>tabel

d. Uji Statistik
Dimana
e. Kesimpulan
pengujiannya).
2.10.2. Regresi Linear Sederhana

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk
menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X)
terhadap Variabel Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan
X atau disebut juga dengan Predictor sedangkan Variabel Akibat dilambangkan
dengan Y atau disebut juga dengan Response. Regresi Linear Sederhana atau sering
disingkat dengan SLR (Simple Linear Regression) juga merupakan salah satu Metode
Statistik yang dipergunakan dalam produksi untuk melakukan peramalan ataupun
prediksi tentang karakteristik kualitas maupun Kuantitas. Analisis ini digunakan
untuk mengetahui arah hubungan antara variabel independen dengan variabel
dependen apakah positif atau negatif serta untuk memprediksi nilai dari variabel
dependen apabila nilai variabel independen mengalami kenaikan atau penurunan
nilai. Data yang digunakan biasanya berskala interval atau rasio. Rumus dari dari
analisis regresi linear sederhana adalah sebagai berikut:
Y ' =a+ bX
2019
METODE STATISTIKA
Keterangan:
Y = subyek dalam variabel dependen yang diprediksi
a = harga Y ketika harga X= 0 (harga konstan)
b = angka arah atau koefisien regresi, yang menunjukkan angka peningkatan
ataupun penurunan variabel dependen yang didasarkan pada perubahan
variabel independen. Bila (+) arah garis naik, dan bila (-) maka arah garis
turun.
X = subyek pada variabel independen yang mempunyai nilai tertentu.
Secara matematik harga b merupakan tangen dari perbandingan antara
panjang garis variabel dependen, setelah persamaan regresi ditemukan. Sehingga :
sy
Harga b=r
sx
Harga a=Y −bX
Dimana :
R = koefisien korelasi product moment antara variabel variabel X dengan variabel Y
Sy = simpangan baku variabel Y
Sx = simpangan baku variabel X
Jika harga b merupakan fungsi dari koefisien korelasi. Bila koefisien korelasi
tinggi, maka harga b juga besar, sebaliknya bila koefisien korelasi rendah maka harga
b juga rendah (kecil). Selain itu bila koefisien korelasi negatif maka harga b juga
negatif, dan sebaliknya bila koefisien korelasi positif maka harga b juga positif.
Selain itu harga a dan b dapat dicari dengan rumus berikut:
a=¿ ¿
b=n ∑ XY ❑−¿¿
Untuk menguji regresi sederhana ini digunakan untuk mengetahui apakah
variabel independen (X) berpengaruh secara signifikan terhadap variabel dependen
(Y). Signifikan berarti pengaruh yang terjadi dapat berlaku untuk populasi (dapat
digeneralisasikan). Rumus t hitung pada analisis regresi adalah sebagai berikut:
b 2 n−2
ataut hiung= √ 2
t hitung=
sb √1−r
Langkah-langkah pengujian koefisien regresi sederhana adalah sebagai berikut:

2019
METODE STATISTIKA
a. Menentukan Hipotesis
 Ho = Tidak ada pengaruh yang signifikan
 Ha = ada pengaruh yang signifikan
b. Menentukan tingkat signifikansi
Biasanya menggunakan a = 5% atau 0,05
c. Menentukan t hitung
d. Menentukan t tabel
e. Membandingkan t hitung dan t table dengan kriteria
 Ho diterima jika: t hitung ≥ t tabel
 Ho ditolak jika: t hitung < t tabel
 Ho diterima jika: -t hitung ≤ t tabel
 Ho di tolak jika: -t hitung > t tabel

2019

BAB I DST METSTAT

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

BAB I DST METSTAT

Judul Asli:

Diunggah oleh

Hak Cipta:

Format Tersedia

METODE STATISTIKA

Jurusan Matematika F-MIPA 1

Jurusan Matematika F-MIPA 2

3. Dapat mebuat, mengakses, dan memodifikasi vektor, serta menggunakannya

1.5. Alat dan Bahan

Jurusan Matematika F-MIPA 3

No. Alat dan Bahan Fungsi

1 Program R Sebagai software dalam praktikum

Sebagai media untuk membuka software

Untuk mencatat poin – poin penting

Jurusan Matematika F-MIPA 4

Jurusan Matematika F-MIPA 5

Jurusan Matematika F-MIPA 6

Jurusan Matematika F-MIPA 7

b. Walaupun minitab pada umumnya dianggap mudah digunakan, dan beroperasi

Jurusan Matematika F-MIPA 8

a. Butuh waktu untuk terbiasa dalam pemakaian R, sehingga tidak mudah

Jurusan Matematika F-MIPA 9

memungkinkan programmer untuk melakukan entri data, analisis statistik, peramalan

Jurusan Matematika F-MIPA 10

Jurusan Matematika F-MIPA 11

Jurusan Matematika F-MIPA 12

Digunakan untuk menghitung > gue=3

Jurusan Matematika F-MIPA 13

bersesuaian tidak sama dengan [1] FALSE TRUE

1.2. Syntax dalam Program R

Jurusan Matematika F-MIPA 14

Berfungsi untuk mengurutkan data > Indra<-

Jurusan Matematika F-MIPA 15

Gambar 2.1. Contoh Tipe Data Numeric

Gambar 2.2. Contoh Tipe Data Function

Gambar 2.3. Contoh Tipe Data Logical

Jurusan Matematika F-MIPA 16

Gambar 2.4. Membuat Statement

Gambar 2.5. Menu Editor Tabel

Jurusan Matematika F-MIPA 17

Gambar 2.6. Contoh Tipe Data Tabel

Jurusan Matematika F-MIPA 18

Jurusan Matematika F-MIPA 19

Jurusan Matematika F-MIPA 20

Memodifikasi vektor dapat diartikan sebagai memanipulasi elemen - elemen

Tabel 2.7. Cara Modifikasi Vektor

>rep(a:b,c) > rep(3:7,2)

2.3.2. Matriks dalam Program R

Jurusan Matematika F-MIPA 21

Maka untuk melihat hasilnya cukup dengan mengetikkan:

Sehingga diperoleh kerangka data berikut:

Jurusan Matematika F-MIPA 22

Jurusan Matematika F-MIPA 24

[,1] [,2] [,3]

Jurusan Matematika F-MIPA 26

2.4.2. Data frame

Jurusan Matematika F-MIPA 27

Gambar 2.7. Hasil Run Contoh Data Frame pada Program R

Gambar 2.8. Data Base

>Dataku <- read.csv(file.choose(), header=TRUE)

Gambar 2.9. Hasil Run Data Conversion

Jurusan Matematika F-MIPA 29

2.5.1. Data Frame

Jurusan Matematika F-MIPA 30

Gambar 2.10. Menu Data Editor

Gambar 2.11. Variable Editor