Pengantar Statistika Farmasi

MAKALAH
PENGANTAR STATISTIKA
DISUSUN OLEH :
TIARA STEVANIE LOHONAUMAN
( 20619024 )
PROGRAM STUDI FARMASI

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS PRISMA
2020
KATA PENGANTAR
Pertama-tama saya mengucap puji dan syukur kepada Tuhan yang Maha Esa yang telah
memberkati saya sehingga dapat menyelesaikan tugas makalah ini.
Makalah ini dibuat dalam rangka memenuhi tugas mata kuliah Pengantar Statistika. Diucapkan
banyak terima kasih kepada seluruh pihak yang terlibat dalam penyusunan makalah ini, terutama
kepada Sir Kinzie Pinontoan S.Pd. M.Sc. yang telah memberikan pembelajaran serta arahan
dalam mata kuliah ini.
Saya sadar bahwa saya adalah manusia biasa yang mempunyai keterbatasan dalam berbagai hal.
Oleh karena itu tidak ada hal yang dapat saya selesaikan dengan sangat sempurna, begitu pula
dengan makalah yang saya buat ini. Maka dari itu, saya bersedia untuk menerima kritik dan
saran dari pembaca yang budiman dan saran tersebut tentunya akan saya jadikan batu loncatan
yang dapat memperbaiki makalah saya di masa yang akan datang.
Kalawat, 18 April 2020.
Penyusun
Daftar Isi
KATA PENGANTAR.................................................................................................................................2
Bab I Pendahuluan Statistika.......................................................................................................................4
1.1. Tujuan Pembelajaran...................................................................................................................4
1.2. Uraian Materi...............................................................................................................................4
1.2.1. Latar Belakang.....................................................................................................................4
1.2.2. Pengertian Statistika............................................................................................................5
1.2.3. Penerapan Statistika dalam kehidupan sehari-hari...............................................................5
1.2.4. Sejarah Statistika..................................................................................................................6
1.3. Rangkuman..................................................................................................................................9
1.4. Tugas (Soal Latihan)....................................................................................................................9
1.5. Kuis.............................................................................................................................................9
1.6. Uraian jawban tugas dan Kuis.....................................................................................................9
1.7. Daftar Pustaka............................................................................................................................10
Bab II Konsep Dasar Statistika..................................................................................................................11
1.1. Tujuan Pembelajaran.................................................................................................................11
1.2. Uraian Materi.............................................................................................................................11
1.2.1. Definisi Statistika...............................................................................................................11
1.2.2. Jenis-jenis statistic.............................................................................................................11
1.2.3. Jenis-jenis Data..................................................................................................................12
1.2.4. Istilah-istilah yang sering digunakan..................................................................................13
1.3. Rangkuman................................................................................................................................13
1.4. Tugas (Soal Latihan)..................................................................................................................14
1.5. Kuis...........................................................................................................................................14
1.6. Jawaban Tugas dan Kuis............................................................................................................14
1.7. Daftar Pustaka............................................................................................................................15
Bab III Ukuran Statistik Bagi Data............................................................................................................16
3.1. Tujuan Pembelaran.........................................................................................................................16
3.2. Uraian Materi..................................................................................................................................16
3.2.1. Rata-rata..................................................................................................................................16
3.2.2. Median.....................................................................................................................................17
3.2.3. Modus......................................................................................................................................17
3.2.4. Midrange............................................................................................................................18
3.2.5. Range (jangkauan).............................................................................................................18
3.2.6. Varians dan Standar Deviasi..............................................................................................19
3.2.7. Standar Score.....................................................................................................................22
3.2.8. Persentil.............................................................................................................................22
3.3. Rangkuman................................................................................................................................23
3.4. Soal............................................................................................................................................24
3.5. Kuis...........................................................................................................................................24
3.6. Jawaban Soal dan Kuis..............................................................................................................24
3.7. Daftar Pustaka............................................................................................................................25
Bab IV Distribusi Frekuensi dan Penyajian Data.......................................................................................26
4.1. Tujuan Pembelajaran......................................................................................................................26
4.2. Uraian Materi..................................................................................................................................26
4.2.1. Istilah dalam distribusi frekuensi.............................................................................................26
4.2.2. Tabel Distribusi Frekuensi.......................................................................................................27
4.2.3. Tahap Penyusunan Distribusi Frekuensi..................................................................................29
4.2.4. Penyajian Data.........................................................................................................................31
4.3. Rangkuman.....................................................................................................................................31
4.4. Soal.................................................................................................................................................31
4.5. Kuis................................................................................................................................................32
4.6. Jawaban Soal dan Kuis...................................................................................................................32
4.7. Daftar Pustaka................................................................................................................................34
Bab V Probabilitas dan Distribusi Probabilitas..........................................................................................35
5.2. Uraian Materi..................................................................................................................................35
5.2.1. Probabilitas..............................................................................................................................35
5.2.2. Distribusi Probabilitas..............................................................................................................53
5.3. Rangkuman.....................................................................................................................................56
5.4. Soal.................................................................................................................................................57
5.5. Kuis................................................................................................................................................57
5.6. Jawaban Soal dan Kuis...................................................................................................................57
5.7. Daftar Pustaka................................................................................................................................58
Bab VI Distribusi Normal..........................................................................................................................59
6.2. Uraian Materi..................................................................................................................................59
6.2.1. Distribusi Normal Standar.................................................................................................59
6.2.2. Cara Membaca Distribusi Normal......................................................................................61
6.2.3. Aplikasi Distribusi Normal................................................................................................64
6.2.4. Kelebihan dan Kelemahan Distribusi Normal....................................................................66
6.3. Rangkuman................................................................................................................................69
6.4. Soal............................................................................................................................................69
6.5. Kuis...........................................................................................................................................69
6.6. Jawaban Soal dan Kuis..............................................................................................................69
6.7. Daftar Pustaka............................................................................................................................70
Bab VII Pendugaan Parameter..................................................................................................................71
7.2. Uraian Materi..................................................................................................................................71
Bab VII Pendugaan Parameter...................................................................................................................72
7.1. Tujuan Pembelajaran.................................................................................................................72
7.2. Uraian Materi.............................................................................................................................72
7.2.1. Pendugaan Rata-rata..........................................................................................................73
7.2.2. Pendugaan Proporsi...........................................................................................................74
7.2.3. Pendugaan Varians............................................................................................................75
7.3. Rangkuman................................................................................................................................75
7.4. Soal............................................................................................................................................76
7.5. Kuis...........................................................................................................................................76
7.6. Jawaban soal dan kuis................................................................................................................76
7.7. Daftar Pustaka............................................................................................................................77
Bab VIII Korelasi dan Regresi Linier........................................................................................................78
8.2. Uraian Materi..................................................................................................................................78
8.2.1. Korelasi...................................................................................................................................78
8.2.2. Regresi...............................................................................................................................82
8.3. Rangkuman................................................................................................................................84
8.4. Soal............................................................................................................................................84
8.5. Kuis...........................................................................................................................................84
8.6. Jawaban soal dan Kuis...............................................................................................................84
8.7. Daftar Pustaka............................................................................................................................85
Lampiran...................................................................................................................................................86
1. Tabel t............................................................................................................................................86
2. Chi Square.....................................................................................................................................87
3. Tabel Z..........................................................................................................................................88
Bab I
Pendahuluan Statistika
1.1. Tujuan Pembelajaran
Adapun tujuan pembelajaran dari bab ini ialah :
1. Untuk mengetahui latar belakang dari statistika

2. Sejarah dan tokoh-tokoh statistika
3. Untuk mengetahui penerapan statistika dalam kehidupan sehari-hari
1.2. Uraian Materi
1.2.1. Latar Belakang
Statistika berasal dari bahasa latin yaitu status yang berarti negara dan digunakan untuk
urusan negara. Hal ini dikarenakan pada mulanya, statistik hanya digunakan untuk menggambar
keadaan dan menyelesaikan masalah yang berhubungan dengan kenegaraan saja seperti :
perhitungan banyaknya penduduk, peembayaran pajak, gaji pegawai, dan lain sebagainya.
Statistika adalah ilmu yang merupakan cabang dari matematika terapan yang membahas
metode-metode ilmiah untuk pengumpulan, pengorganisasian, penyimpulan, penyajian, analisis
data, serta penarikan kesimpulan yang sahih sehingga keputusan yang diperoleh dapat diterima.
Statistika deskriptif adalah teknik yang digunakan untuk mensarikan data dan
menampilkannya dalam bentuk yang dapat dimengerti oleh setiap orang. Hal ini melibatkan
proses kuantifikasi dari penemuan suatu fenomena. Berbagai statistik sederhana, seperti rata-rata,
dihitung dan ditampilkan dalam bentuk tabel dan grafik. Statistika deskriptif dapat memberikan
pengetahuan yang signifikan pada kejadian fenomena yang belum dikenal dan mendeteksi
keterkaitan yang ada di dalamnya. Tetapi dapatkah statistika deskriptif memberikan hasil yang
bisa diterima secara ilmiah? Statistik merupakan suatu alat pengukuran yang berhubungan
dengan keragaman pada karakteristik objek-objek yang berbeda .
Statistika inferensial mencakup semua metode yang berhubungan dengan analisis
sebagian data (contoh ) atau juga sering disebut dengan sampel untuk kemudian sampai pada
peramalan atau penarikan kesimpulan mengenai keseluruhan data induknya (populasi). Dalam
statistika inferensial diadakan pendugaan parameter, membuat hipotesis, serta melakukan
pengujian hipotesis tersebut sehingga sampai pada kesimpulan yang berlaku umum. Metode ini
disebut juga statistika induktif, karena kesimpulan yang ditarik didasarkan pada informasi dari
sebagian data saja. Pengambilan kesimpulan dari statistika inferensial yang hanya didasarkan
pada sebagian data saja sebagian data saja menyebabkan sifat tak pasti, memungkinkan terjadi
kesalahan dalam pengambilan keputusan, sehingga pengetahuan mengenai teori peluang mutlak
diperlukan dalam melakukan metode-metode statistika inferensial.
Statistik inferensial digunakan dalam proses mengambil keputusan dalam menghadapi
ketidakpastian dan perubahan. Contoh ketidakpastian adalah kuat tekan beton dalam suatu
pengujian tidak sama, walaupun dibuat dengan material yang sama. Dengan adanya kenyataan
tersebut, maka metode statitsik digunakan untuk menganalisis data dari suatu proses pembuatan
beton tersebut sehingga diperoleh kualitas yang lebih baik. Statistik inferensial telah
menghasilkan banyak metode analitis yang digunakan untuk menganalisis data. Dengan
perkataan lain statistik inferensial tidak hanya mengumpulan data, tetapi juga mengambil
kesimpulan dari suatu sistem saintifik.
Untuk mengetahui lebih jelas mengenai Statistika Inferensial, akan diuraikan mengenai
pengertian Statistika Inferensial dan ruang lingkup Statistika Inferensial.
1.2.2. Pengertian Statistika
Pengertian statistika secara umum adalah ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data. Secara singkat, arti
statistika adalah ilmu yang berkaitan dengan data untuk diolah dan diinterpretasikan.
Ilmu statistika banyak diaplikasikan ke dalam berbagai bidang yaitu, antara lain ilmu sosial,
bidang bisnis, bidang ekonomi, dan bidang industri. Dalam bidang pemerintahan statistika
digunakan untuk sensus penduduk, voting atau polling (contoh pemilihan dan penghitungan
suara dalam pemilihan umum atau quick count), pada bidang komputasi statistika diterapkan
pada pola kecerdasan buatan.
Secara singkat, statistika juga berarti pengetahuan yang berhubungan dengan pengumpulan data,
penyelidikan dan kesimpulannya berdasarkan bukti, berupa catatan bilangan (angka-angka).
1.2.3. Penerapan Statistika dalam kehidupan sehari-hari
Ilmu statistika banyak diaplikasikan ke dalam berbagai bidang yaitu, antara lain ilmu sosial,
bidang bisnis, bidang ekonomi, dan bidang industri. Dalam bidang pemerintahan statistika
digunakan untuk sensus penduduk, voting atau polling (contoh pemilihan dan penghitungan
suara dalam pemilihan umum atau quick count), pada bidang komputasi statistika diterapkan
pada pola kecerdasan buatan.
1.2.4. Sejarah Statistika
1.2.4.1. Sejarah Umum Statiska
Statistika sebagai suatu metode mulai dibahas secara ilmiah walaupun masih dalam bentuk teori
yang kemudian dikenal dalam terminologi statistika sebagai “Central Limit Theorem” yang
diperkenalkan oleh Jacques Bernoulli (1654-1705), yang menyatakan bahwa semakin besar
sampel maka semakin tepat keakuratan suatu prediksi. Walaupun jauh sebelum itu teori tersebut
sudah diulas oleh Gerolamo Cardana (1505-1576), dalam bukunya “Liber de Ludo Aleae (The
Book on Games of Chance).
Kemudian Gottfried Achenwall (1749) menggunakan Statistika dalam bahasa Jerman untuk

pertama kalinya sebagai nama bagi kegiatan analisis data kenegaraan, yaitu dengan
mengartikannya sebagai “ilmu tentang negara (state)”. Kemudian pada awal abad ke-19 terjadi
pergeseran arti menjadi Statistika itu sendiri menjadi “ilmu mengenai pengumpulan dan
klasifikasi data”.
Kemudian Dr. Zimmerman membawa dan memperkenalkan kata tersebut di daratan Inggris dan
mengubahnya menjadi Statistics. Penggunaan kata tersebut semakin populer setelah itu Sir John
Sinclair memperkenalkan nama dan pengertian ini dalam sebuah buku berjudul “Statistical
Account of Scotland” pada tahun 1791-1799 dalam bahasa Inggris. Memang pada abad ke-19 dan
awal abad ke-20 statistika mulai banyak digunakan dalam bidang-bidang matematika,
terutama peluang. Sedangkan cabang statistika yang pada saat ini sangat luas digunakan untuk
mendukung metode ilmiah, yaitu statistika inferensi, dikembangkan pada paruh kedua abad ke-
19 dan awal abad ke-20 oleh Ronald Fisher (peletak dasar statistika inferensi), Karl Pearson
(metode regresi linear), dan William Sealey Gosset (meneliti problem sampel berukuran kecil),
Galton (meneliti korelasi dalam ilmu biologi).
1.2.4.2. Perkembangan Statistika di abad 21

Ilmu peluang ini melandasi berkembangnya statistika induktif yang terjadi pada abad 19 dan 20
dengan Karl Pearson sebagai pelopornya. Statistika induktif berkembang pesat setelah RA Fisher
memperkenalkan metode Maksimum Peluang pada tahun 1922. Dengan adanya perkembangan
teknologi komputer, metode pengembangan data dan bootstrap mulai dikembangkan pada tahun
1970. Metode ini digunakan sebagai awal dari analisis data sehingga model yang populer dengan
data didorong. Seiring dengan perkembangan statistika induktif, statistika mulai diterapkan pada
berbagai bidang seperti ekonomi, industri, pertanian, sosiologi, psikologi, dan lain-lain. Di
bidang ekonomi aplikasi statistika pada ekonometrika, sedangkan di bidang industri aplikasi
yang sangat terkenal adalah metode Kontrol Kualitas dan metode Six-Sigma. Pada abad 21
diperkirakan metode penambangan data akan banyak digunakan dalam bidang
terapan. Perkembangan ini akan menentang model pendidikan dan statistika dewasa dewasa
ini.Di Indonesia menggunakan statistika dipelopori dengan dibukanya program pendidikan
statistika di bawah naungan Jurusan Statistika IPB (S1 sejak tahun 1967 dan S2 sejak tahun
1975). Karl Pearson, Fisher, Neyman dan Wald selama setengah abad telah meletakkan dasar
statistika yang berbasis matematika, sehingga penelitian-penelitian dan kuliah-kuliah statistika di
Perguruan Tinggi umumnya didasarkan pada beberapa pedoman atau dasar yang ditemukan oleh
tokoh tokoh tersebut. Penggunaan statistika secara luas, terkadang timbul kontroversi diantara
para ahli tentang pemilihan model data, penggunaan prior probability dan interpertasi hasil. Hasil
analisis terhadap data yang sama dengan lain konsultan statistika dimungkinkan terjadi
perbedaan kesimpulan.
1.2.4.3 Sejarah statistika di Indonesia
Dilihat dari sejarah pendidikan statistika di Indonesia, Jurusan Statistika Fakultas Matematika
dan Ilmu Pengetahuan Alam Institut Pertanian Bogor dapat berbangga, karena jurusan
yang dirintis dan didirikan oleh Prof. Dr. Andi Hakim Nasoetion (Alm) tahun 1972 adalah
Jurusan Statistika tertua di Indonesia. Awalnya dimulai dari Unit Biometrika di bawah
Fakultas Pertanian IPB yang kemudian berubah menjadi Pusat Pengolahan Data Statistika
dan Komputasi dan akhirnya menjadi Departemen Statistika dan Komputasi di bawah
Fakultas Pertanian. Pada waktu FMIPA disyahkan di IPB pada tahun 1982, namanya
berubah menjadi Jurusan Statistika di Bawah FMIPA. Jadi boleh dikatakan Departemen
Statistika adalah the founding father of FMIPA IPB. Pada dekade 60 dan 70-an statistika
dikenal sebagai “tongkat pembimbing di daerah ketidaktahuan”. Pada dasarnya fungsi
tersebut tidak akan hilang, karena statistika tetap berperan di dalam proses penelitian mulai
dari rancangan dan analisis, sampai ke penarikan kesimpulan.Di wilayah dimana dunia penuh
dengan ketidakpastian, keragaman dan proses acak itulah statistika sangat diperlukan.Selain
itu, statistika juga perlu menerawang ke masa depan. Statistika sebagai tongkat pembantu ke
masa depan itu wajar saja bila saat ini berkembang moto “Statistika adalah alat bantu untuk
memecahkan masalah masa depan”, problem solver of the future.
“Statistics is not just for statistician”,

memang demikian adanya. Model-model statistika sangat membantu pemahaman proses
pembelajaran dalam dunia pendidikan dan psikologi, regresi dan analisis deret waktu sudah
sering membuka tabir kesulitan riset dalam keteknikan, kimia, ekonomi, biologi dan ilmu-
ilmu kesehatan.Dewasa ini statistika sering diminta bantuan oleh ahli-ahli hukum
kriminalitas,khususnya dengan berkembangnya “statistics for forensic and DNA
fingerprinting”.Semua kisah sukses statistika di dunia itu adalah titik cerah bagi masa
depan Jurusan Statistika FMIPA-IPB. Saat ini Jurusan Statistika FMIPA IPB sudah
mengasuh tidak saja program S1 (sarjana), tetapi juga Program Pascasarjana S2 (magister
sains), dan bahkan doktor (S3). Pendidikan tersebut diramu dengan kegiatan riset yang
bekerja sama dengan disiplin ilmu lainnya.Dengan demikian, statistika secara keilmuan
menjadi satu kesatuan yang tidak terpisahkan mulai dari jenjang S1 ampai S2 dan masuk
ke ranah-ranah keilmuan lainnya yang sudah barang tentu sangat memerlukan
statistika.Jurusan Statistika IPB yang merupakan pelopor pendidikan statistika di Indonesia,
selain menjalankan program pendidikan statistika pada jenjang S1, S2 bahkan S3 juga
mengembangkan program pelayanan mata kuliah metode statistika pada program studi lain
di lingkungan IPB.Dampak dari ini,semua alumni IPB dibekali pola berfikir statistika
sehingga mereka sudah terbiasa dengan keteraturan berfikir sehingga menjadi “pioner”
penggunaan berfikir secara statistika di lingkungan kerjanya di berbagai instansi
(khususnya DEPTAN).Penyelenggaraan Program pendidikan S1 (Sarjana) di IPB dimulai

sejak tahun 1967, sedangkan program pendidikan pascasarjana (S2) dimulai sejak tahun
1975 dengan jumlah lulusan kurang lebih 150 (Magister Sains). Dibukanya Program
Doktor (S3) sejak empat tahun yang lalu dimaksudkan selain untuk pengembangan
statistika di Indonesia juga untuk memperkokoh peran Jurusan Statistka IPB dalam
pembangunan bangsa menyongsong Indonesia baru. Dapat dibayangkan selama lebih kurang
35 tahun jurusan statistika berkiprah, tentu alumninya (S1 dan S2) sudah tersebar di
berbagai instansi, baik sebagai peneliti, pengambil kebijakan, statistisi profesional, maupun
tenaga pengajar di PTN maupun PTS. Program-program untuk meningkatkan
profesionalisme dan akademik lainnya dikembangkan dengan membuka kerjasama akademik

dengan program studi sejenis di berbagai Universitas di Indonesia.Setiap tahun jurusan
Statistika IPB melakukan program pelatihan untuk dosen PTN di Indonesia. Kerjasama dengan
instansi lain, khususnya DEPTAN dalam pelatihan statistika. Sampai saat ini di Indonesia
selain IPB telah ada PTN dan PTS lain yang telah membuka
jurusan Statistika secara mandiri tanpa dibawah naungan jurusan Matematika. PTN yang
telah membuka jurusan statistika secara mandiri adalah UNPAD, ITS dan UGM. Sedang
PTS nya adalah UNISBA, UII Yogyakarta dan salah satu PTS di kota Malang. Selain itu
untuk BPS telah membuka pendidikan jurusan statistika untuk keperluan di
instansinya yang dulu bernama AIS dengan pendidikan jenjang D3, sedang sekarang
bernama STIS dengan jenjang pendidikan setara S1.
1.3. Rangkuman
Statistika telah banyak digunakan dalam kehidupan sehari-hari, seperti kita
membandingkan suatu harga barang. Statistika berkaitan erat dengan data. Statistika
sebagai suatu metode mulai dibahas secara ilmiah walaupun masih dalam bentuk teori
yang kemudian dikenal dalam terminologi statistika sebagai “Central Limit Theorem”
yang diperkenalkan oleh Jacques Bernoulli (1654-1705), yang menyatakan bahwa
semakin besar sampel maka semakin tepat keakuratan suatu prediksi. Walaupun jauh
sebelum itu teori tersebut sudah diulas oleh Gerolamo Cardana (1505-1576), dalam
bukunya “Liber de Ludo Aleae (The Book on Games of Chance). Sejarah perkembangan
statistika dimulai pada tahun 1700-an pada saat iu statistika adalah suatu ilmu yang
membahas cara-cara mengumpulkan angka sebagai hasil pengamatan menjadi bentuk
yang lebih mudah dipahami. Dan pada abad ke 21 Karl Pearson, Fisher, Neyman dan
Wald selama setengah abad telah meletakkan dasar statistika yang berbasis matematika,
sehingga penelitian-penelitian dan kuliah-kuliah statistika di Perguruan Tinggi umumnya
didasarkan pada beberapa pedoman atau dasar yang ditemukan oleh tokohtokoh tersebut.
Trend perkembangan statistika di Indonesia dimulaii saat dibukanya jurusan tersebut di
kampus IPB (institute pertanian bogor) pada tahun 1972.
1.4. Tugas (Soal Latihan)
1. Jelaskan salah satu penerapan statistika dalam kehidupan sehari-hari?

2. Apa pengertian statistika menurut KBBI?
1.5. Kuis
1.Pada tahun berapakah muncul jurusan statistika di Indonesia?
2.Siapakah tokoh-tokoh yang terlibat dalam perkembangan statistika pada abad 21 ?
1.6. Uraian jawban tugas dan Kuis

Tugas:
1. Ilmu statistika banyak diaplikasikan ke dalam berbagai bidang yaitu, antara lain ilmu
sosial, bidang bisnis, bidang ekonomi, dan bidang industri. Dalam bidang pemerintahan
statistika digunakan untuk sensus penduduk, voting atau polling (contoh pemilihan dan
penghitungan suara dalam pemilihan umum atau quick count), pada bidang komputasi
statistika diterapkan pada pola kecerdasan buatan.
2. Ilmu statistika banyak diaplikasikan ke dalam berbagai bidang yaitu, antara lain ilmu
sosial, bidang bisnis, bidang ekonomi, dan bidang industri. Dalam bidang pemerintahan
statistika digunakan untuk sensus penduduk, voting atau polling (contoh pemilihan dan
penghitungan suara dalam pemilihan umum atau quick count), pada bidang komputasi
statistika diterapkan pada pola kecerdasan buatan.
Kuis:
1. Tahun 1970
2. Karl Pearson, Fisher, Neyman dan Wald
1.7. Daftar Pustaka

https://www.academia.edu/40659897/Makalah_Pengantar_Statistika_Universitas_Gunadarma.
https://berandakami-wordpress-
com.cdn.ampproject.org/v/s/berandakami.wordpress.com/2008/09/08/sejarah-statistik/amp/?
amp_js_v=a2&amp_gsa=1&usqp=mq331AQIKAGwASDAAQE%3D#aoh=15879860064138&referrer=https
%3A%2F%2Fwww.google.com&amp_tf=Dari%20%251%24s&ampshare=https%3A%2F
%2Fberandakami.wordpress.com%2F2008%2F09%2F08%2Fsejarah-statistik%2F.
https://journal.ipb.ac.id/index.php/statistika/article/view/5506.
Bab II
Konsep Dasar Statistika
Adapun tujuan dari pembelajaran ini ialah :
1. Mahasiswa dapat mengetahui definisi dari statistika

2. Untuk mengetahui jenis-jenis statistika
3. Untuk mengetahui jenis-jenis data
1.2. Uraian Materi
1.2.1. Definisi Statistika

Statistik adalah sebagai alat pengolah data angka. Stasistik dapat juga
diartikan sebagai metode/asas-asas guna mengerjakan/memanipulasi data
kuantitatif agar angka berbicara. Pendekatan dengan statistik sering digunakan
metode statistik yaitu metode guna mengumpulkan, mengolah, menyajikan,
menganalisis & menginterpretasikan data statistik. Statistika dapat pula diartikan
pengetahuan yang berhubungan dengan pengumpulan data, pengolahan data,
penganalisisan dan penarikan kesimpulan berdasarkan data dan analisis. Jadi
statistik adalah produk dari kerja statistika.
1.2.2. Jenis-jenis statistic

Statistika dibagi atas 2, yaitu statistika deskriptif, dan statistika inferensial :
1) Statistika Deskriptif
Statistik deskriptif terdiri dari pengumpulan, pengorganisasian, peringkasan,
dan penyajian data. [CITATION All10 \l 1033 ]
Statistik deskriptif mengacu pada bagaimana menataatau mengorganisasi
data, menyajikan, dan menganalisis data. Menata,menyajikan, dan menganalisis
data dapat dilakukan misalnya dengan menentukannilai rata-rata hitung dan
persen / proposisi. Cara lain untuk menggambarkandata adalah dengan membuat
tabel, distribusi frekuensi, dan diagram atau grafik. [ CITATION And16 \l 1033
]
2) Statistika Inferensial
Statistik inferensial terdiri dari generalisasi dari sampel ke populasi,
melakukan estimasi dan tes hipotesis, menentukan hubungan antar variabel, dan
membuat prediksi.[CITATION All10 \l 1033 ]
Statistik inferensial adalah statistik yang berkenaandengan cara penarikan
kesimpulan berdasarkan data yang diperoleh dari sampeluntuk menggambarkan
karakterisktik atau ciri dari suatu populasi. Dengandemikian dalam statistik
inferensial dilakukan suatu generalisasi (perampatanatau memperumum) dan hal
yang bersifat khusus (kecil) ke hal yang lebih luas(umum). Oleh karena itu,
statistik inferensial disebut juga statistik induktifatau statistik penarikan
kesimpulan. Pada statistik inferensial biasanyadilakukan pengujian hipotesis dan
pendugaan mengenai karakteristik (ciri) darisuatu populasi, seperti mean dan Uji-
t. [ CITATION And16 \l 1033 ]
1.2.3. Jenis-jenis Data

Data adalah nilai (pengukuran atau pengamatan) yang dapat diasumsikan oleh
variabel. Variabel yang nilainya ditentukan secara kebetulan disebut variabel
acak. [CITATION All10 \l 1033 ]
Data yang diperoleh dari suatu sampel dan populasidapat dibedakan menjadi dua
jenis, yaitu :
a. Data kualitatif
yakni data yang bukan berupa angka (non – numerik) biasa disebut dengan
istilahatribut. Data kualitatif dibagi menjadi dua:
- Nominal adalah Data yang paling rendah dalam level pengukuran data.
Contoh :Jenis kelamin, tgl dan tempat lahir seseorang
- Ordinal à ada tingkatan data. Contoh : Sangat setuju, Setuju, kurang
setuju,tidak setuju
b. Data kuantitatif
Datayang berupa angka (numerik). Data jenis ini dibedakan menjadi dua
bagian, yaitudata diskrit dan kontinyu. Selain itu Ddata kuantitatif dibagi
menjadi dua:
- Data Interval, Contoh : Interval temperatur ruang adalah sbb :
Cukup panas jika antara 50°C-80 °C
Panas jika antara 80 °C-110 °C
Sangat panas jika antara 110 °C-140 °C
- Data Rasio à tingkat pengukuran paling ‘tinggi’ ; bersifat angka dalam
artisesungguhnya. Beda dengan interval mempunyai titik nol dalam arti
sesungguhnya.[ CITATION And16 \l 1033 ]
1.2.4. Istilah-istilah yang sering digunakan.

- Populasi : populasi terdiri dari semua subjek (manusia atau bukan) yang
sedang dipelajari.
- Sample : sampel adalah sekelompok subjek yang dipilih dari suatu
populasi.
- Skala Nominal : tingkat nominal pengukuran mengklasifikasikan data ke
dalam kategori yang saling eksklusif (tidak tumpang tindih) di mana tidak
ada urutan atau peringkat yang dapat dikenakan pada data.
- Ordinal : tingkat ordinal pengukuran mengklasifikasikan data ke dalam
kategori yang dapat diurutkan; Namun, perbedaan yang tepat antara
peringkat tidak ada.
- Skala Interval : tingkat interval pengukuran memeringkat data, dan
perbedaan yang tepat antara satuan ukuran memang ada; Namun, tidak ada
nol yang berarti.
- Rasio : tingkat rasio pengukuran memiliki semua karakteristik pengukuran
interval, dan ada nol benar. Selain itu, rasio sejati ada ketika variabel yang
sama diukur pada dua anggota populasi yang berbeda.[CITATION All10 \l
1033 ]
1.3. Rangkuman
Statistik adalah sebagai alat pengolah data angka. Stasistik dapat juga
diartikan sebagai metode/asas-asas guna mengerjakan/memanipulasi data kuantitatif agar
angka berbicara. Pendekatan dengan statistik sering digunakan metode statistik yaitu
metode guna mengumpulkan, mengolah, menyajikan, menganalisis &
menginterpretasikan data statistik. Statistika dapat pula diartikan pengetahuan yang
berhubungan dengan pengumpulan data, pengolahan data, penganalisisan dan penarikan
kesimpulan berdasarkan data dan analisis.
Jenis statistika ada dua yaitu : Statistik deskriptif terdiri dari pengumpulan,
pengorganisasian, peringkasan, dan penyajian data. Dan Statistik inferensial
terdiri dari generalisasi dari sampel ke populasi, melakukan estimasi dan tes
hipotesis, menentukan hubungan antar variabel, dan membuat prediksi.
Data adalah nilai (pengukuran atau pengamatan) yang dapat diasumsikan oleh
variabel. Variabel yang nilainya ditentukan secara kebetulan disebut variabel
acak. Terdapat beberapa jenis data yaitu ; data kuantitatif, dan data kualitatif.
1.4. Tugas (Soal Latihan)

1. Pengertian dari statistika inferensial?
2. Jelaskan yang dimaksud Skala Interval?
3. Sample adalah?
1.5. Kuis
1. Apa perbedaan dari statistik dan statistika?
2. Apa yang dimaksud dengan data?
3. Jelaskan pengertian dari statistika deskriptif?
1.6. Jawaban Tugas dan Kuis

Tugas:
1. Statistik inferensial adalah statistik yang berkenaan dengan cara penarikan

kesimpulan berdasarkan data yang diperoleh dari sampel untuk
menggambarkan karakteristik atau ciri dari suatu populasi.
2. tingkat interval pengukuran memeringkat data, dan perbedaan yang tepat
antara satuan ukuran memang ada; Namun, tidak ada nol yang berarti.
3. sekelompok subjek yang dipilih dari suatu populasi.
Kuis:
1. Statistik adalah ilmu yang melakukan studi untuk mengumpulkan, mengatur,

meringkas, menganalisis, dan menarik kesimpulan dari data. Statistika adalah
ilmu pengetahuan yang berhubungan dengan cara-cara pengumpulan dan
penyusunandata, pengolahan data, dan penganalisisan data, serta penyajian
databerdasarkan kumpulan dan analisis data yang dilakukan.
2. Data adalah nilai (pengukuran atau pengamatan) yang dapat diasumsikan oleh
variabel.
3. Statistik deskriptif terdiri dari pengumpulan, pengorganisasian, peringkasan,

dan penyajian data.Statistik deskriptif mengacu pada bagaimana menataatau
mengorganisasi data, menyajikan, dan menganalisis data.
1.7. Daftar Pustaka

http://andiyuyunwajuanna76.blogspot.com/2016/03/makalah-statistika.html?m=1.
Bluman, A. (2012). Elementary Statistics A step By Step Approach. New York:
McGraw-Hill.
Bab III
Ukuran Statistik Bagi Data
3.1. Tujuan Pembelaran
Adapun Tujuan pembelajaran dari bab ini ialah :
1. untuk mengetahui jenis-jenis ukuran statistik bagi data.
2. untuk mempelajari tentang berbagai perhitungan yang ada dalam ukuran statistik.
3.2. Uraian Materi

Statistik adalah karakteristik atau ukuran yang diperoleh dengan menggunakan nilai
data dari sampel. Parameter adalah karakteristik atau ukuran yang diperoleh dengan
menggunakan semua nilai data dari populasi tertentu. [CITATION All10 \l 1033 ]
3.2.1. Rata-rata
Rata-rata hitung atau arithmetic mean atau sering disebut dengan istilah mean saja
merupakan metode yang paling banyak digunakan untuk menggambarkan ukuran tendensi
sentral. Mean dihitung dengan menjumlahkan semua nilai data pengamatan kemudian dibagi
dengan banyaknya data.
Persamaan yang digunakan untuk menghitung rata-rata ialah :
Untuk Sampel :
X 1+ X 2+ X 3+ .. . .+ Xn ∑ X
X́ = =
n n
Untuk Frekuensi :
X́ =
∑ Fi . xi
∑ Fi
Contoh Soal :
Hitunglah nilai rata-rata dari nilai ujian matematika kelas 3 SMU berikut ini: 2, 4, 5, 6, 6, 7, 7, 7,
8, 9.
Jawab:
2+ 4+5+ 6+7+7+ 7+8+ 9 61
X́ = = = 6.10
10 10
3.2.2. Median
Median adalah nilai data yang terletak di tengah setelah data diurutkan. Dengan demikian,
median membagi data menjadi dua bagian yang sama besar. Median (nilai tengah) disimbolkan
dengan Me.
Median adalah titik setengah dalam satu set data. Sebelum Anda dapat menemukan titik ini, data
harus diatur secara berurutan. Ketika set data dipesan, itu disebut array data. Median akan
menjadi nilai spesifik dalam kumpulan data atau akan jatuh di antara dua nilai. Simbol untuk
median adalah MD. [ CITATION All10 \l 1033 ]
Contoh Soal :
Berikut ini adalah jumlah tornado yang terjadi di Amerika Serikat selama periode 8 tahun.
Temukan median. 684, 764, 656, 702, 856, 1133, 1132, 1303
Penyelesaian :
Langkah 1 atur data secara berurutan
656, 684, 702, 764, 856, 1132, 1133, 1303
Langkah 2 Karena titik tengah berada di tengah antara 764 dan 856, temukan
median MD dengan menambahkan dua nilai dan membaginya dengan 2.
764 +856
MD= =810
2
Jadia titik tengahnya adalah 810.
3.2.3. Modus
Modus adalah data yang paling sering muncul atau memiliki frekuensi tertinggi. Modus
dilambangkan dengan Mo. Beberapa kemungkinan tentang modus suatu gugus data:
 Apabila pada sekumpulan data terdapat dua modus, maka gugus data tersebut
dikatakan bimodal.
 Apabila pada sekumpulan data terdapat lebih dari dua modus, maka gugus data tersebut
dikatakan multimodal.
 Apabila pada sekumpulan data tidak terdapat modus, maka gugus data tersebut
dikatakan tidak mempunyai modus.
Rumus data berkelompok :

b1
Rumus : Mo=b+ p ( )
b 1+b 2
Keterangan :
b = tepi bawah interval modus
p = Panjang Kelas
b1 = Selisih frekuensi modus dan kelas sebelumnya
b2 = selisih frekuensi modus dan kelas sesudahnya[ CITATION Agu16 \l 1033 ]
Contoh :
Tentukan modus dari data berikut !
4, 8, 7, 4, 6, 3, 6, 8, 6, 3
Jawab :
Data yang paling sering muncul adalah 6, maka Mo = 6
3.2.4. Midrange
Garis tengah adalah perkiraan kasar dari bagian tengah. Ini ditemukan dengan menambahkan
nilai terendah dan tertinggi dalam kumpulan data dan membaginya dengan 2. Ini adalah
perkiraan yang sangat kasar dari rata-rata dan dapat dipengaruhi oleh satu nilai yang sangat
tinggi atau rendah.
Midrange didefinisikan sebagai jumlah dari nilai-nilai terendah dan tertinggi dalam kumpulan
data, dibagi dengan 2. Simbol MR digunakan untuk midrange.
nilai bawah+nilai atas

MR=
2
3.2.5. Range (jangkauan)
Digunakan untuk melihat atau menentukan perbedaan antara data yang paling besar dengan data
yang paling kecil. Jika data merupakan upah para pekerja, maka jangkauan dapat digunakan
melihat perbedaan upah antara upah tertinggi dengan upah terendah. [ CITATION Agu16 \l 1033 ]
Kisarannya adalah nilai tertinggi dikurangi nilai terendah. Simbol R digunakan untuk rentang.
R = nilai tertinggi - nilai terendah [ CITATION All10 \l 1033 ]
Contoh Soal :
1. Gaji untuk staf XYZ Manufacturing Co. ditampilkan di sini. Temukan

kisarannya.
Staff Salary
Owner $ 100.000
Manager 40.000
Sales Representative 30.000
Workers 25.000
15.000
18.000
Range = $ 100.000 – 15.000 = $85.000
3.2.6. Varians dan Standar Deviasi

Rumus untuk mencari varians dari sampel ialah :
S2=n¿ ¿
Rumus untuk mencari standar deviasi ialah :
s= √ s2 =¿ √ n¿ ¿ ¿ ¿
Contoh Soal :
1. Temukan varians sampel dan standar deviasi untuk jumlah penjualan mobil
Eropa untuk sampel 6 tahun yang ditunjukkan. Data dalam jutaan dolar. 11.2,
11.9, 12.0, 12.8, 13.4, 14.3.
Penyelesaian :
Langkah 1 Jumlahkan semua data
∑ X=11.2+11.9 +12.0+12.8+13.4+ 14.3=75.6

Langkah 2 kuadratkan setiap data dan jumlahkan
∑ X 2=11.222 +11.922 +12.022 +12.822+ 13.422+14.322=958.94

Langkah 3 Masukkan ke dalam rumus varians
S2=n¿ ¿
6 ( 958,94 )−75.62
S2=
6 (6−1)
5753,64−5715,36
=
6(5)
38,28
¿
30
= 1,276
Langkah 4 masukkan ke dalam rumus standar deviasi
s= √ s2
s=√ 1,276=1.13
3.2.6.1. Varians dan standar deviasi data berkelompok

Prosedur untuk menemukan varians dan standar deviasi untuk data yang
dikelompokkan mirip dengan yang untuk menemukan rata-rata untuk data yang
dikelompokkan, dan menggunakan titik tengah dari setiap kelas.
Contoh Soal :
1. Temukan varians dan standar deviasi untuk distribusi frekuensi data. Data
menunjukkan jumlah mil yang dijalankan oleh 20 pelari selama satu minggu.
A B C
Class Frequency Titik Tengah Xn
5,5 – 10,5 1 8
10,5 – 15,5 2 13
15,5 – 20,5 3 18
20,5 – 25,5 5 23
25,5 – 30,5 4 28
30,5 – 35,5 3 33
35,5 – 40,5 2 38
n = 20
A B C D E
Class Frequency Titik Tengah Xn F . Xn F . Xn2
5,5 – 10,5 1 8 8 64
10,5 – 15,5 2 13 26 338
15,5 – 20,5 3 18 54 972
20,5 – 25,5 5 23 115 2645
25,5 – 30,5 4 28 112 3136
30,5 – 35,5 3 33 99 3267
35,5 – 40,5 2 38 76 2888
n = 20 ∑ F . Xn=490 ∑ F . Xn2=13310
Setelah itu masukkan ke dalam rumus :
s2=n ( ∑ f . X 2n ) −¿ ¿
20 ( 13310 )−4902
2
s=
20(20−1)
266200−240100
s2=
20 (19)
26100
¿ =68,7
380
s= √68,7=8,3
3.2.7. Standar Score

Skor standar atau skor z memberi tahu berapa standar deviasi yang nilai datanya di atas atau di
bawah rata-rata untuk distribusi nilai tertentu. Jika skor standar nol, maka nilai data sama dengan
rata-rata. Skor z atau skor standar untuk suatu nilai diperoleh dengan mengurangi rata-rata dari
nilai tersebut dan membagi hasilnya dengan standar deviasi. Simbol untuk skor standar adalah z.
Rumusnya adalah :
nilai−ratarata
Z=
standar deviasi
Contoh Soal :
1. Seorang siswa mendapat nilai 65 pada tes kalkulus yang memiliki rata-rata 50
dan standar deviasi 10; dia mendapat nilai 30 pada tes sejarah dengan rata-rata
25 dan standar deviasi 5. Bandingkan posisi relatifnya pada dua tes.
Penyelesaian :
65−50
Tes kalkulus : Z= =1,5
10
Tes sejarah :
30−25
Z= =1,0
5
Karena skor z untuk kalkulus lebih besar, posisi relatifnya di kelas kalkulus lebih tinggi daripada
posisi relatifnya di kelas sejarah. [ CITATION All10 \l 1033 ].
3.2.8. Persentil
Persentil adalah ukuran posisi yang digunakan dalam bidang pendidikan dan yang berhubungan
dengan kesehatan untuk menunjukkan posisi seseorang dalam suatu kelompok. Persentil
membagi kumpulan data menjadi 100 kelompok yang sama. Rumus Persentil ialah :
( jumlah nilai di bawah X ) +0,5

Persentil= x 100
Jumlah Data
Contoh Soal :
1. Seorang guru memberikan tes 20 poin kepada 10 siswa. Skor ditunjukkan di

sini. Temukan peringkat persentil dari skor 12.
18, 15, 12, 6, 8, 2, 3, 5, 20, 10
Penyelesaian :
1) Urutkan Data
2, 3, 5, 6, 8, 10, 12, 15, 18, 20
2) Masukkan dalam rumus
( 6 ) +0,5
Persentil= x 100 = 65persentil
10
2. Temukan nilai yang sesuai dengan persentil ke-25.
2, 3, 5, 6, 8, 10, 12, 15, 18, 20
Rumus :
n. p
C=
100
Masukkan data ke dalam rumus
10.25
C= =2,5
100
3.3. Rangkuman
Statistik adalah karakteristik atau ukuran yang diperoleh dengan menggunakan nilai data dari
sampel. Parameter adalah karakteristik atau ukuran yang diperoleh dengan menggunakan semua
nilai data dari populasi tertentu.
Rata-rata hitung atau arithmetic mean atau sering disebut dengan istilah mean saja
merupakan metode yang paling banyak digunakan untuk menggambarkan ukuran tendensi
sentral. Mean dihitung dengan menjumlahkan semua nilai data pengamatan kemudian dibagi
dengan banyaknya data.
Median adalah nilai data yang terletak di tengah setelah data diurutkan. Dengan demikian,
median membagi data menjadi dua bagian yang sama besar. Median (nilai tengah) disimbolkan
dengan Me.
Modus adalah data yang paling sering muncul atau memiliki frekuensi tertinggi. Modus
dilambangkan dengan Mo.
Garis tengah adalah perkiraan kasar dari bagian tengah. Ini ditemukan dengan menambahkan
nilai terendah dan tertinggi dalam kumpulan data dan membaginya dengan 2. Ini adalah
perkiraan yang sangat kasar dari rata-rata dan dapat dipengaruhi oleh satu nilai yang sangat
tinggi atau rendah.
Digunakan untuk melihat atau menentukan perbedaan antara data yang paling besar dengan data
yang paling kecil. Jika data merupakan upah para pekerja, maka jangkauan dapat digunakan
melihat perbedaan upah antara upah tertinggi dengan upah terendah.
Skor standar atau skor z memberi tahu berapa standar deviasi yang nilai datanya di atas atau di
bawah rata-rata untuk distribusi nilai tertentu.
Persentil adalah ukuran posisi yang digunakan dalam bidang pendidikan dan yang berhubungan
dengan kesehatan untuk menunjukkan posisi seseorang dalam suatu kelompok. Persentil
membagi kumpulan data menjadi 100 kelompok yang sama.
3.4. Soal
1. Sebutkan pengertian dari rata-rata
2. Data tersebut mewakili jumlah hari libur per tahun untuk sampel individu yang dipilih
dari sembilan negara yang berbeda. Temukan rata-ratanya.
20, 26, 40, 36, 23, 42, 35, 24, 30.
3. Enam pelanggan membeli sejumlah majalah ini: 1, 7, 3, 2, 3, 4. Temukan mediannya.
3.5. Kuis
1. Merupakan suatu harga yang merupakan titik tengah dari keseluruhan harga pada suatu
satuan data. Oleh karena itu terdapat 50% data yang berada di bawah atau sama. dengan
nilai tersebut dan terdapat 50% lagi data yang berada di atas atau sama dengan data
tersebut. Adalah pengertian dari modus (B/S)
2. Jika rata-rata dari lima nilai adalah 64, temukan jumlah nilai-nilai tersebut.
a. 200
b. 300
c. 350
d. 320
3.6. Jawaban Soal dan Kuis
Soal
1. Rata-rata hitung atau arithmetic mean atau sering disebut dengan istilah mean saja
merupakan metode yang paling banyak digunakan untuk menggambarkan ukuran
tendensi sentral. Mean dihitung dengan menjumlahkan semua nilai data pengamatan
kemudian dibagi dengan banyaknya data.
2. Penyelesaian :
20+ 26+40+ 36+23+ 42+ 35+24+30 276
X́ = = =30,7
9 9
3. Data : 1, 2, 3, 3, 4, 7
Mediannya adalah 3, 3
Jadi :
3+ 3
MD= =3
2
Kuis
1. Salah
2. D. 320
3.7. Daftar Pustaka

Bluman, A. (2012). Elementary Statistics A step by step approach Eight Edition. New
York: McGrawHill.
Maulana, A. (2016, October 13). Soft Skill Statistika. Retrieved April 18, 2020, from
Blogspot: http://softskillstatistika.blogspot.com/2016/10/bab-iii-ukuran-statistik.html
UDHAMA, A. U. (2014). Macam-macam Ukuran Statistika. Makalah.

Bab IV
Distribusi Frekuensi dan Penyajian Data
1. Untuk mengetahui tentang distribbusi frekuensi

2. Untuk mengetahui berbagai macam model penyajian data
4.2. Uraian Materi

Distribusi Frekuensi adalah penyusunan data dalam bentuk kelompok mulai dari yang
terkecil sampai yang terbesar berdasarkan kelas-kelas interval dan kategori tertentu
(Hasibuan,dkk.2009). Manfaat penyajian data dalam bentuk Distribusi Frekuensi adalah untuk
menyederhanakan penyajian data sehingga menjadi lebih mudah untuk dibaca dan
dipahami sebagai bahan informasi. Tabel Distribusi Frekuensi disusun bila jumlah data yang
akan disajikan cukup banyak, sehingga apabila disajikan dengan menggunakan tabel biasa
menjadi tidak efektif dan efisien serta kurang komunikatif.
4.2.1. Istilah dalam distribusi frekuensi

1. Kelas ( Class )
adalah penggolongan data yang dibatasi dengan nilai terendah dan nilai tertinggi
yang masing-masing dinamakan batas kelas.
2. Batas Kelas (Class Limit) adalah nilai batas dari pada tiap kelas dalam sebuah
distribusi, terbagi menjadi States class limit (Ujung kelas) dan Class Bounderies
(Tepi kelas).
a) Stated Class Limit adalah batas-batas kelas yang tertulis dalam distribusi
frekuensi, terdiri dari Lower Class Limit (Batas bawah kelas) dan Upper Class
Limit (Batas atas kelas.
b) Class Bounderies (Tepi kelas) adalah batas kelas yang sebenarnya, terdiri dari
Lower class boundary (batas bawah kelas yang sebenarnya) dan upper class
boundary (batas atas kelas yang sebenarnya).
3. Panjang Kelas/Lebar Kelas/Ukuran Kelas (Class Interval/Class Size)
Bilangan – bilangan yang menunjukkan panjang / lebar / ukuran dari tiap – tiap kelas
yang merupakan lebar dari sebuah kelas dan dihitung dari perbedaan antara kedua
tepi
kelasnya.
4. Frekuensi (Frequency)
Angka yang menunjukkan banyaknya data individual yang terdapat dalam satu kelas.
5. Nilai Tengah (Mid Point)
Bilangan – bilangan yang dapat mewakili kelas-kelas tertentu yang diperoleh
dengan jalan atau cara merata-ratakan batas kelas yang bersangkutan, dalam arti yaitu
rata-rata hitung dari kedua batas kelasnya atau tepi kelasnya.
4.2.2. Tabel Distribusi Frekuensi

Dalam dunia statistik kita mengenal berbagai macam Tabel Distribusi Frekuensi;
dalam makalah ini akan dikemukakan mengenai 4 macam Tabel Distribusi Frekuensi,yaitu:
Tabel Distribusi Frekuensi Data Tunggal,Tabel Distribusi Frekuensi Data
Kelompokan,Tabel Distribusi Frekuensi Kumulatif, dan Tabel Distribusi Frekuensi Relatif
(Tabel Persentase). (Sudijono Anas.2009: 39).
1. Tabel Distribusi Frekuensi Data Tunggal

Yaitu jenis tabel distribusi frekuensi yang menyajikan frekuensi dari data tunggal
yang berdiri sendiri/Tidak Dikelompokkan.
Contoh:
2. Tabel Distribusi Frekuensi Data Kelompok
Merupakan tabel distribusi frekuensi yang menyajikan frekuensi dari data yang
dikelompokkan.
Contoh:
3. Tabel Distribusi Frekuensi Kumulatif

Merupakan tabel statistik yang menyajikan frekuensi dari data yang dihitung
dengan ditambah-tambahkan baik dari atas ke bawah maupun dari bawah ke atas.
Dibedakan menjadi 2, yaitu:
a) Frekuensi Kumulatif Atas atau fk (a) yaitu: Frekuensi yang angka-angkanya

ditambahkan dari Bawah ke Atas.
b) Frekuensi Kumulatif Bawah atau fk (b) yaitu: Frekuensi yang angkaangkanya
ditambahkan dari Atas ke Bawah
Contoh :
4. Tabel Distribusi Frekuensi Relatif (Tabel Persentase)
Tabel Distribusi Frekuensi Relatif adalah jenis tabel statistik yang di
dalamnya menyajikan frekuensi dalam bentuk angka persentasi. Nilai Persentase dihitung
dengan menggunakan rumus :
f
%= . 100 %
n
Contoh:
Tabel Distribusi Frekuensi Kumulatif Umur Mahasiswa
4.2.3. Tahap Penyusunan Distribusi Frekuensi

Secara umum langkah – langkah yang diperlukan untuk membuat tabel
distribusi frekuensi adalah sebagai berikut :
1. Menyusun urutan dari data yang di observasi dari yang terkecil hingga terbesar.
2. Tentukan nilai maksimum ( terbesar ) dan nilai minimum ( terkecil ) dari data mentah,
kemudian hitunglah rentang/ jangkauan/ Range dengan menggunakan Rumus :
R= Xmax – X min
3. Menentukan banyaknya kelas ( k ) dengan rumus Sturges
k= 1 + 3,322 Log N
K= banyaknya kelas, N = banyaknya sampel yanmg diobservasi

4. Menentukan panjang/lebar/ukuran (class Interval) dari tiap – tiap kelas dengan rumus :
R
Ci=
K
5. Menentukan batas-batas kelas serta memasukkan setiap individu/item dari data yang
diobservasi kedalam kelas yang bersangkutan dengan cara :
tbk = bbk - 0,5(skala terkecil)

tak = bak + 0,5(skala terkecil)
Panjang interval kelas = tak – tbk
Keterangan:
tbk = tepi bawah kelas tak = tepi atas kelas
bak = batas atas kelas bbk = batas bawah kelas
6. Membuat tabel distribusi frekuensi yang terdiri atas kolom Interval Kelas, Tally,
dan Frekuensi.
7. Menghitung jumlah Frekuensi dengan Tally dalam Kolom Tally sesuai dengan
banyaknya data lalu isi kolom Frekuensi sesuai dengan Tally.
4.2.4. Penyajian Data
4.3. Rangkuman
Distribusi frekuensi mengandung pengertian suatu keadaan yang mengambarkan
bagaimana frekuensi dari gejala atu variabel yang dilambangkan dengan angka itu, telah
tersalur, terbagi atau terpencar atau dapat disebut sebagai pengelompokkan data ke dalam
beberapa kategori yang menunjukkan banyaknya data dalam setiap kategori . Adapun alat
penyajian data statistik bisa berupa tabel, yang disebut sebagai tabel distribusi
frekuensi. Data yang sudah dikelompokkan dalam bentuk tabel distribusi frekuensi dapat
disajikan dalam bentuk grafik supaya menjadi lebih menarik dan informatif. Grafik pun
memiliki berbagai macan jenis dalam penyajiannya.
4.4. Soal
1. jelaskan pengertian dari distribusi frekuensi
2. Nilai ujian statistika 65 orang mahasiswa adalah sebagai berikut:

30, 25, 90, 42, 50, 45, 26, 80, 70, 70, 60, 45, 46, 50, 40, 78, 55, 43, 56, 58, 42, 52, 53, 68, 50, 40,
78, 36, 42, 35, 60, 85, 30, 68, 82, 27, 25, 75, 76, 74, 71, 72, 63, 63, 62, 65, 61, 50, 50, 51, 56, 58,
57, 64, 60, 65, 74, 70, 72, 90, 88, 88, 90, 75, 75.
Buatlah distribusi frekuensi dari data di atas.
4.5. Kuis
1. Histogram dapat digambar dengan menggunakan bilah vertikal atau horizontal. (B/S)
2. Distribusi frekuensi dapat membantu peneliti dalam menggambar grafik dan grafik (B/S)

Soal
1. Distribusi Frekuensi adalah untuk menyederhanakan penyajian data sehingga menjadi

lebih mudah untuk dibaca dan dipahami sebagai bahan informasi.
2. Jawab: Langkah-langkah pembuatan distribusi frekuensi adalah sebagai berikut:
Urutkan data dari yang terkecil sampai yang terbesar
25, 25, 26, 27, 30, 30, 35, 36, 40, 40, 42, 42, 42, 43, 45, 45, 46, 50, 50, 50, 50, 50, 51, 52,
53, 55, 56, 56, 57, 58, 58, 60, 60, 60, 61, 62, 63, 63, 64, 65, 65, 68, 68, 70, 70, 70, 71, 72,
72, 74, 74, 75, 75, 75, 76, 78, 8, 80, 82, 85, 88, 88, 90, 90, 94.
Menghitung jarak atau rentangan (R).
Rumus: R = data tertinggi – data terkecil.
R = 94 – 25 = 69
Menghiting jumlah kelas.
K = 1 + 3,3 log n
= 1 = 3,3 log (65)
= 1 + 3,3 (1,8192)
= 6,98
=7
Hitung panjang kelas (P).
P=R/K
= 69 / 7
= 9,8
= 10
Hitung batas panjang interval kelas (P)
25 + ( 10 -1 ) = 34
35 + ( 10 -1 ) = 44
45 + ( 10 -1 ) = 54
55 + ( 10 -1 ) = 64
65 + ( 10 -1 ) = 74
75 + ( 10 -1 ) = 84
85 + ( 10 -1 ) = 94
Membuat tabel distribusi frekuensi dengan cara memindahkan hasil langkah ke-5 ke dalam
kolom interval kelas dan isi kolom frekuensi dengan jumlah frekuensi setiap interval kelas
diambil dari langkah ke-1.
Tabel Distribusi Frekuensi Nilai Statistik :
Kelas Interval Kelas frekuensi

1 25 – 34 6
2 35 – 44 8
3 45 – 54 11
4 55 – 64 14
5 65 – 74 12
6 75 – 84 8
7 85 – 94 6
Jumlah 65
Kuis
1. Salah
2. Benar
4.7. Daftar Pustaka

Raharja, H. S. (2017, Februari 19). Distribusi Frekuensi : Pengertian, Aplikasi, Contoh Tabel, dan Tutorial.
Dipetik Desember 14, 2017, dari www.statmat.id: https://statmat.id/distribusi-frekuensi/
Riadi, Muhlisin. (2014, Maret 04). Pengertian, Jenis dan Penyususnan Distribusi Frekuensi. Dipetik
Desember 14, 2017, dari www.kajianpustaka.com: www.kajianpustaka.com/2014/03/distribusi-
frekuensi.html?m=1
Setiawan, Parta. (2015, Januari 21). Pengertian Distribusi Frekuensi. Retrieved Desember 13, 2017, from
www.gurupendidikan.co.id: www.gurupendidikan.co.id/pengertian-distribusi-frekuensi-terlengkap/
Bab V
Probabilitas dan Distribusi Probabilitas
Adapun tujuan pembelajaran dari bab ini adalah :
1. Untuk mengetahui pengertian probabilitas

2. Untuk mengetahui perhitungan probabilitas
3. Untuk mengetahui jenis-jenis distribusi probabilitas
5.2. Uraian Materi
5.2.1. Probabilitas
Probabilitas adalah dasar statistik inferensial. Contohnya, prediksi didasarkan pada
kemungkinan, dan hipotesis diuji dengan menggunakan probabilitas. Konsep dasar probabilitas
dijelaskan dalam bab ini. Konsep-konsep ini termasuk percobaan probabilitas, ruang sampel,
aturan penambahan dan perkalian, dan kemampuan dari berbagai pelengkap yang komplementer.
Juga di bab ini, Anda akan mempelajari peraturan lain untuk menghitung, perbedaan antara
permutasi dan kombinasi, dan bagaimana mencari tahu berapa banyak kombinasi berbeda untuk
situasi tertentu yang ada. Akhirnya, Bagian bab ini akan menjelaskan bagaimana aturan
penghitungan dan aturan probabilitas dapat digunakan bersama untuk menyelesaikan berbagai
masalah.[ CITATION All10 \l 1033 ].
Probabilitas didifinisikan sebagai peluang atau kemungkinan suatu kejadian, suatu ukuran
tentang kemungkinan atau derajat ketidakpastian suatu peristiwa (event) yang akan terjadi di
masa mendatang. Rentangan probabilitas antara 0 sampai dengan 1. Jika kita mengatakan
probabilitas sebuah peristiwa adalah 0, maka peristiwa tersebut tidak mungkin terjadi. Dan jika
kita mengatakan bahwa probabilitas sebuah peristiwa adalah 1 maka peristiwa tersebut pasti
terjadi. Serta jumlah antara peluang suatu kejadian yang mungkin terjadi dan peluang suatu
kejadian yang mungkin tidak terjadi adalah satu, jika kejadian tersebut hanya memiliki 2
kemungkinan kejadian yang mungkin akan terjadi.
Ada tiga interpretasi dasar probabilitas:
1. Probabilitas klasik
2. Probabilitas frekuensi empiris atau relatif
3. Probabilitas subyektif
5.2.1.1. Probabilitas Klasik

Probabilitas klasik menggunakan ruang sampel untuk menentukan probabilitas
numerik bahwa suatu peristiwa akan terjadi. Anda sebenarnya tidak harus melakukan
percobaan untuk menentukan probabilitas itu. Probabilitas klasik dinamai demikian
karena itu adalah jenis probabilitas pertama yang dipelajari secara formal oleh
matematikawan pada abad ke-17 dan ke-18. Probabilitas klasik mengasumsikan bahwa
semua hasil dalam ruang sampel sama-sama kemungkinan terjadi.
Rumus untuk probabilitas klasik ialah :
n(E)
P ( E )=
n(s)
Contoh : Temukan kemungkinan mendapatkan 10 hitam ketika menggambar kartu

dari setumpuk.
Penyelesaian :
Ada 52 kartu di dek, dan ada dua kartu hitam — 10 kartu sekop dan 10 kartu klub.
Oleh karena itu probabilitas mendapat 10 hitam adalah :
2 1
P ( 10 )= =
52 26
Ada empat aturan probabilitas dasar. Aturan-aturan ini sangat membantu

dalam memecahkan masalah probabilitas, dalam memahami sifat probabilitas, dan
dalam memutuskan apakah jawaban Anda untuk masalah sudah benar.
1. Probabilitas setiap peristiwa E adalah angka (baik pecahan atau desimal)

antara dan termasuk 0 dan 1. Ini dilambangkan dengan 0 ≤ P( e ) ≤ 1
2. Jika suatu peristiwa E tidak dapat terjadi (yaitu, acara tersebut tidak
mengandung anggota dalam ruang sampel), probabilitasnya adalah 0.
3. Jika suatu peristiwa E pasti, maka probabilitas E adalah 1.
4. Jumlah probabilitas semua hasil dalam ruang sampel adalah 1
5.2.1.3. Probabilitas Empiris.
Perbedaan antara probabilitas klasik dan empiris adalah bahwa probabilitas klasik
mengasumsikan bahwa hasil tertentu sama-sama berpeluang (seperti hasil ketika dadu
digulung), sementara probabilitas empiris bergantung pada pengalaman aktual untuk
menentukan kemungkinan hasil yang serupa. Dalam probabilitas empiris, seseorang
mungkin benar-benar melempar dadu yang diberikan 6000 kali, mengamati frekuensi
yang bervariasi, dan ini adalah frekuensi yang paling tinggi yang dapat ditentukan
oleh kemampuan suatu hasil. Misalkan, misalnya, seorang peneliti untuk American
Automobile Association (AAA) bertanya kepada 50 orang yang berencana untuk
melakukan perjalanan selama liburan Thanksgiving bagaimana mereka akan sampai
ke tujuan. Hasilnya dapat dikategorikan dalam distribusi frekuensi seperti yang
ditunjukkan. [ CITATION All10 \l 1033 ]
Metode Frekuensi
Berkendara 41
Terbang 6
Kereta/bus 3
Total = 50
Sekarang probabilitas dapat dihitung untuk berbagai kategori. Misalnya,
kemungkinan memilih orang yang mengemudi adalah 41/50, karena 41 dari 50 orang
mengatakan bahwa mereka sedang mengemudi.
Rumus :
Frekuensi Kelas f
P ( E )= =
total Frekuensi distribusi n
Contoh : Dalam sampel 50 orang, 21 memiliki darah tipe O, 22 memiliki tipe

Darah, 5 memiliki darah tipe B, dan 2 memiliki darah tipe AB. Atur distribusi
frekuensi dan temukan probabilitas berikut
a. memiliki darah tipe O.

b. memiliki tipe A atau darah tipe B.
c. tidak memiliki tipe A atau tipe O darah.
d. tidak memiliki golongan darah AB.
Penyelesaian :
Tipe Darah Frekuensi

A 22
B 5
AB 2
O 21
Total = 50
21
a. P(O) =
50
22 5 27
b. P(A atau B) = + =
50 50 50
5 2 7
c. P (bukan A atau O) = + =
50 50 50
2 48 24
d. P (bukan AB) = 1 - = =
50 50 50
5.2.1.4. Probabilitas Subyektif

Jenis ketiga probabilitas ini disebut probabilitas subyektif. Probabilitas subyektif
menggunakan nilai probabilitas berdasarkan dugaan atau perkiraan yang
berpendidikan, menggunakan pendapat dan informasi yang tidak tepat. Dalam
probabilitas subyektif, seseorang atau kelompok membuat perkiraan berpendidikan
pada kesempatan bahwa suatu peristiwa akan terjadi. Tebakan ini didasarkan pada
pengalaman orang tersebut dan evaluasi suatu solusi. Sebagai contoh, seorang
olahragawan dapat mengatakan bahwa ada kemungkinan 70% bahwa Bajak Laut
akan memenangkan panji tahun depan. Seorang dokter mungkin mengatakan bahwa,
berdasarkan diagnosisnya, ada kemungkinan 30% pasien akan membutuhkan operasi.
Seismologis mungkin mengatakan ada kemungkinan 80% bahwa gempa bumi akan
terjadi di daerah tertentu. Ini hanya beberapa contoh tentang bagaimana probabilitas
subjektif digunakan dalam kehidupan sehari-hari. Ketiga jenis probabilitas (klasik,
empiris, dan subyektif) digunakan untuk memecahkan berbagai masalah dalam bisnis,
teknik, dan bidang lainnya. [ CITATION All10 \l 1033 ]
5.2.1.5. Permutasi dan Kombinasi
A. Permutasi
Permutasi adalah susunan objek-objek dengan memperlihatkan urutan tertentu.
a. Permutasi n objek berbeda yang setiap kali diambil seluruhnya (nPn)
P = n! atau Pnn = n!
n n
Contoh1:
Diketahui 3 abjad pertama yaitu A, B dan C. Berapa banyak susunan yang mungkin dari 3 huruf
yang berbeda itu ?
Jawab:
P = 3! = 3.2.1 = 6 cara
3 3
b. Permutasi n objek berbeda yang setiap kali diambil sebagian (nPr)
Banyak permutasi n objek yang diambil r objek (0 < r < n) dinotasikan nPr atau P(n, r) atau
Pnr
(dibacaPermutasi r dari n) adalah :
P = n(n – 1)(n – 2) … (n – r + 1) atau

n r
n!
P =
n r
(n−r)!
Contoh:
Berapa banyak permutasi yang terdiri atas 2 huruf yang berbeda dari 4 huruf: A, I, U, E.
Jawab:
4! 4! 4.3.2.1
= =
4P2 =
(4−2)! 2! 2.1 = 4.3 = 12 cara
Ke-12 permutasi itu adalah:
c. Permutasi n objek yang tidak semua berbeda

Banyaknya cara menyusun unsur dalam suatu baris, jika ada p unsur yang sama dari satu
jenis, q unsur dari jenis lain, dan seterusnya adalah :
n!
P(n; n1,n2,....) = n ! Χ n ! Χ .. . ..
1 2
Contoh:
Berapa carakah 5 huruf dari kata
Jawab:
Unsur-unsur yang sama : huruf C ada 2, huruf A ada 2.
5 ! 5.4.3 .2.1
=
P= 2 !.2! 2.1.2.1 = 30
Jadi susunan yang mungkin ada 30 buah.
d. Permutasi Siklis
Banyaknya cara menyusun n objek berlainan dalam suatu lingkaran, dengan memandang
susunan yang searah putaran jarum jam dan berlawanan arah putaran jarum jam adalah :
Ps(n) =
n!
=(n−1)!
n
Contoh:
Terdapat berapa carakah empat anak A, B, C, D yang duduk melingkar dapat disusun dalam
lingkaran ?
Jawab:
Cara I
Ambil seorang anak untuk diletakkan pada posisi yang tetap, kemudian menyusun tiga
anak yang lain dalam tempat yang berbeda, maka cara ini dapat dilakukan dalam 3! = 3.2.1 = 6
cara.
Cara II
Perhatikan gambar !
Jika keempat anak itu diletakkan pada posisi 1,2,3 dan 4 bergantian searah putaran jarum
jam dalam sebuah lingkaran, maka mereka tetap membentuk susunan yang sama. Karena itu,
penyusunannya harus menempatkan seorang anak kepada posisi yang tetap dan menggerak-
gerakkan posisi tiga orang anak lain.
Menyusunnya seperti berikut:
Jadi banyaknya susunan melingkar = (4 – 1)! = 3! = 6

cara.
B. Kombinasi
Kombinasi adalah susunan dari unsur-unsur yang berbeda tanpa memperhatikan urutan
unsur-unsur itu. Kombinasi dari n objek yang diambil r objek dinotasikan nCr atau C(n, r) atau
n
n
Cr atau
[]
r adalah :
C =
n r
n!
r!(n−r )!
Melalui contoh berikut ini, dapat dibedakan antara permutasi dan kombinasi.
 Pengambilan 3 huruf dari 4 huruf yang ada (A, B, C, D).
Kombinasi (4C3) : ABC, ABD, ACD, BCD
Permutasi (4P3) : ABC, ACB, BAC, BCA, CAB, CBA
ABD, ADB, BAD, BDA, DAB, DBA
ACD, ADC, CAD, CDA, DAC, DCA
BCD, BDC, CBD, CDB, DBC, DCB
4 P3
Jadi, 4C3 . 3! = 4P3 atau 4C3 = 3!
Pr n!
n
Sehingga kita peroleh: nCr = r! = r!(n−r )!

Contoh:
Ada berapa cara dapat dilakukan jika 5 pemain bola basket diambil dari tim yang terdiri 12
pemain untuk berpartisipasi dalam pertandingan persahabatan ?
Jawab:
12! 12! 12.11.10.9.8.7!
= =
12C5 =
5!(12−5)! 5!.7! 5. 4.3.2.1.7! = 792
Jadi, banyaknya cara memilih 5 pemain dari 12 pemain ada 792 cara.
.3 Peluang Suatu Kejadian

a. Pengertian Peluang Suatu Kejadian
Setiap proses yang menghasilkan suatu kejadian disebut percobaan. Misalnya kita
melemparkan sebuah dadu sebanyak satu kali, maka hasil yang keluar adalah angka 1, 2, 3, 4, 5
atau 6. Semua hasil yang mungkin dari suatu percobaan disebut ruang sampel, biasanya
dinyatakan dengan S, dan setiap hasil dalam ruang sampel disebut titik sampel. Banyaknya
anggota dalam S dinyatakan dengan n(S).
Misalnya, dari percobaan pelemparan sebuah dadu, maka S = {1, 2, 3, 4, 5, 6} dan n(S) =
6. Jika dalam pelemparan dadu tersebut muncul angka {2}, maka bilangan itu disebut kejadian.
Jadi, kejadian adalah himpunan bagian dari ruang sampel.
Jika ruang sampel S mempunyai anggota yang berhingga banyaknya dan setiap titik
sampel mempunyai kesempatan untuk muncul yang sama, dan A suatu kejadian munculnya
percobaan tersebut, maka peluang kejadian A dinyatakan dengan :
P(A) =
n( A)
n( S)
P(A) = Peluang muncul A
n(A) = banyaknya kejadian A
n(S) = banyaknya kemungkinan kejadian S
Contoh:
Sebuah mata uang logam dilempar satu kali. Berapa peluang munculnya “Angka” ?
Jawab:
Ruang sampel S = {A, G} maka n(S) = 2.
Kejadian A = {A}, maka n(A) = 1
n( A) 1
Jadi, P(A) = n( S) = 2
Contoh:
Sebuah dadu mata enam dilempar satu kali. Berapa peluang munculnya mata dadu ganjil?
Jawab:
S = {1, 2, 3, 4, 5, 6}  n(S) = 6
A = {1, 3, 5}  n(A) = 3
n( A) 3 1
Jadi, P(A) = n( S) = 6 = 2
Contoh:
Dalam setumpuk kartu bridge (remi) diambil satu kartu secara random (acak). Tentukan peluang
yang terambil adalah kartu As !
Jawab:
Banyaknya kartu bridge adalah 52, berarti n(S) = 52
n(As) = 4
n( As ) 4 1
Jadi, P(As) = n( S) = 52 = 13
b. Tafsiran Peluang Kejadian
Jika kejadian K dalam ruang sampul 5 selalu terjadi, maka n (K) = n (5). Sehingga besar
peluang kejadian K adalah:
n( K )
=1
P (K) = n(5)
Kejadian K yang selalu terjadi dalam ruang sampul 5 disebut kepastian.
Kemustahilan Kepastian
 
0 0  P (K)  1 1
Sedangkan kejadian K dalam ruang sampul 5 tidak pernah terjadi maka n (K) = 0, yang
dinamakan kemustahilan, sehingga :
n( K )
=0
P (K) = n(5 )
Oleh karena itu nilai peluang itu terbatas yaitu 0  P (K)  1
Contoh :
1. Berapa peluang seekor kuda jantan melahirkan anak?
Karena tidak mungkin, maka dinamakan kemustahilan dan peluangnya 0.
2. Berapa peluang setiap orang akan meninggal?

Karena setiap orang pasti meninggal, maka dinamakan kepastian dan peluangnya 1.
3. Berapa peluang muncul gambar jika sebuah uang logam dilempar sekali?
n (S) = 2
n(G) 1
=
n (G) = 1 maka P (G) = n( S) 2
1
Jadi peluang muncul gambar adalah 2
c. Frekuensi Harapan
Frekuensi harapan adalah harapan yang nilai kemungkinan terjadinya paling besar. Jika
suatu percobaan dilakukan sebanyak n kali dan nilai kemungkinan terjadinya kejadian K setiap
percobaan adalah P(K), maka frekuensi harapan dari kejadian K adalah:
F(K) = n  P (K)
Contoh :
Bila kita melemparkan sebuah dadu sebanyak 480 kali, berapakah kita harapkan muncul angka
4?
Penyelesaian :
1
P(K) = 6 dan n = 480
F(K) = n P(K)
1
480× =80
= 6 Jadi harapannya 80 kali.
5.2.1.6. Kejadian Majemuk

Apabila dua kejadian atau lebih dioperasikan sehingga menghasilkan kejadian baru, maka
kejadian baru itu disebut kejadian majemuk.
1) Dua kejadian A dan B sembarang
Jenis Operasi Notasi

Tidak A atau komplemen A A1 = Ac
A dan B AB
A atau B AB
Untuk sembarang kejadian A dan B berlaku:
n (A  B) = n (A) + n (B) – n (A  B)
kedua ruas dibagi dengan n (S) maka:
n( A∪B ) n( A ) n (B ) n ( A∩B)
= + −
n( S ) n( S) n( S ) n( S )
P (A  B) = P(A) + P(B) – P (A B)

2) Tiga kejadian A, B dan C sembarang:
Contoh 1: P (A  B  C) = P (A) + P (B) + P (c) – P (A  B) – P (A  C)
Sebuah dadu dilambungkan sekali, tentukan peluang

– P (B  C) + P (Amuncul
 B  C)mata dadu genap atau
prima.
Penyelesaian :
Ruang sampul S = {1, 2, 3, 4, 5, 6}
n (S) = 6
muncul mata genap A = {2, 4, 6}  n (A) = 3
muncul mata prima B = {2, 3, 5}  n (B) = 3
muncul mata genap dan prima = {2}  n (A  B ) = 1
muncul mata genap atau prima:
P (A  B) = P (A) + P (B) – P (A A  B)
3 3 1
+ −
= 6 6 6
5
= 6
Contoh :
Dari 45 siswa pada suatu kelas, diketahui 28 siswa senang matematika, 22 siswa bahasa
inggris, dan 10 siswa suka kedua-duanya. Jika seorang siswa dipilih secara acak, tentukan
peluang yang terpilih siswa yang menyukai matematika atau bahasa Inggris!
Penyelesaian :
Peluang terpilih yang suka matematika atau bahasa Inggris ialah :
P (M  B) = P (M) + ( P (B) – P (M  B)
28 22 10
+ −
= 45 45 45
30
= 45
6
= 7
3
Jadi peluang yang terpilih siswa yang menyukai matematika atau bahasa Inggris adalah 4 .
Kejadian majemuk dapat dikelompokkan sebagai berikut:
a. Komplemen suatu kejadian
n−a
c
P (A ) = n
n a
−
= n n
a
=1– n
P (Ac) = 1 – P (A)
Contoh 1 :
Sebuah dadu dilempar sekaliu, tentukan peluang munculnya mata dadu lebih dari dua.
Penyelesaian :
Cara I
Sebuah dadu dilempar sekali, maka U (S) = 6
Jika A = {mata dadu kurang dari sama dengan 2}
Maka Ac = {mata dadu lebih dari 2}
Sehingga :
Ac = {3, 4, 5, 6}
n (Ac) = 4
n( A c ) 4 2
= =
P(Ac) = n(S ) 6 3
2
Jadi peluang munculnya mata dadu lebih dari 2 adalah 3
Cara II
Sebuah dadu dilempar sekali, maka n (S) = 6
Jika A = {mata dadu kurang dari sama dengan 2}
= {1, 2}
n(A) = 2
n( A ) 2 1
= =
P(A) = n( S ) 6 3
Sehingga :
P (Ac) = 1 – P (A)
1
=1– 3
2
= 3
2
Jadi peluang munculnya mata dadu lebih dari 2 adalah 3
Contoh 2:
Dua buah dadu dilambungkan bersama-sama, tentukan peluang bahwa jumlah mata kedua dadu
lebih dari 3!
Penyelesaian :
Dua buah dadu dilambungkan bersama, maka n (S) = 6  6 = 36
Jika A = {jumlah mata kedua dadu  3}
= {(1,1), (1,2), (2,1)}
n(A) = 3
n( A ) 3 1
= =
P (A) = n( S ) 36 12
1
P (Ac) = 1 – 12
11
= 12
11
Jadi peluang bahwa jumlah mata kedua dadu > 3 adalah 12
Contoh 3:
Jika peluang hari esok akan hujan adalah 0,35, berapa peluang bahwa cuaca akan cerah esok
hari?
Penyelesaiannya :
A = {esok hari akan turun hujan)
P (A) = 0,35
P (Ac) = 1 – P(A
= 1 – 0,35
= 0,65
Jadi peluang bawah cuaca akan cerah hari esok adalah 0,65.
 Dua kejadian saling lepas
Kejadian A dan B dikatakan saling lepas
Jika A  B =  atau P (A  B) = 0
Jika P (A  B) = 0 maka P (A  B) = P(A) + P (B)
Kesimpulan :
Jika A dan B kejadian saling lepas, maka:
P (A  B) = P(A) + P (B)
Contoh 1 :
Dari satu set kartu bridge diambil 1 kartu secara acak.
Berapa peluang untuk mendapatkan kartu As atau king?
Penyelesaian :
Jika A = kejadian mendapatkan kartu A  n (A) = 4
B = kejadian mendapatkan kartu king  n (B) = 4
n(A  B) = 
Maka : P (A  B) = P(A) + P (B)
4 4
+
= 52 52
2
= 13
2
Jadi peluang untuk mendapatkan kartu As atau king adalah 13
Contoh 2:
Dua buah dadu dilambungkan bersama-sama. Berapa peluang jumlah angka kedua dadu sama
dengan 5 atau 10.
Penyelesaian :
n (S) = 6  6 = 36
jika A = {jumlah angka sama dengan 5}
= {(1, 4), (4, 1), (2, 3) (3, 2)}
n (A) = 4
jika B = {jumlah angka sama dengan 10}
= {(4, 6), (6, 4), (5, 5)}
n (B) = 3
AB=
n (A  B) = 0
Maka : P (A B) = P (a) + P(B)
4 3
+
= 36 36
7
= 36
7
Jadi nilai kemungkinan jumlah angka kedua mata dadu 5 atau 10 adalah 36
Contoh 3:
Di dalam sebuah kotak terdapat 5 bola merah dan 4 bola putih. Dari dalam kotak tersebut
diambil dua bola sekaligus. Berapa peluang kedua boila itu berwarna sama?
Penyelesaian :
n (S) = 9C2 = 36
Dua bola berwarna sama, berarti dua merah atau dua putih
A = {dua merah}, n (a) = nC2 = 10
n( A ) 10
=
P(A) = n( S ) 36
B = {dua putih}, n (B) = 4C2 = 6
n(B ) 6
=
P(B) = n (S) 36
Karena A dan B saling lepas maka:
P (A  B) = P (A) + (P (B)
10 6
+
= 36 36
16
= 36
4
= 9
4
9
Jadi peluang kedua bola itu berwarna sama adalah
 Dua kejadian yang saling bebas

Kejadian A dan B dikatakan saling bebas jika kejadian A tidak mempengaruhi kejadian
B. Jika dua buah dadu ditos, maka angka yang muncul pada dadu pertama jika mempengaruhi
angka yang muncul pada dadu kedua. Dalam hal ini dikatakan kedua dadu saling bebas.
Contoh 1 :
Dadu merah dan dadu putih ditos. Tentukan peluang :
a. Pada dadu merah muncul angka satu.
b. Pada dadu putih muncul angka enam.
c. Pada dadu merah muncul angka satu dan pada dadu putih muncul angka enam.
Penyelesaian :
Dua dadu ditos, maka n(S) = 6 x 6 = 36
A = {dadu merah muncul angka satu}
= {(1,1), (1,2),(1,3),(1,4),(1,5),(1,6)}, n(A) = 6
n( A) 6 1
P(A) = = =
n (S) 36 6
1
Jadi, peluang pada dadu merah muncul angka satu adalah
6
B = {dadu putih muncul angka enam}
= {(1,6), (2,6), (3,6), (4,6), (5,6), (6,6)}, n(B) = 6
n(B) 6 1
P(B) = = =
n( S) 36 6
1
Jadi, peluang pada dadu putih muncul angka enam adalah
6
a. A ∩ B= { (1,6 ) } ,n ( A ∩ B )=1
n( A ∩ B) 1
P ( A ∩ B )= =
n( S) 6
1
P ( A ∩ B )= dapat ditulis menjadi :
6
1 1
P ( A ∩ B )= x
6 6
P ( A ∩ B )=P ( A ) x P (B)
Jadi, peluang pada dadu merah muncul angka satu dan pada dadu putih muncul angka
1
enam adalah . Dari pembahasan contoh 1 diperoleh rumus sebagai berikut :
36
P ( A ∩ B )=P ( A ) x P (B)
 Dua kejadian Bersyarat

Dua kejadian atau lebih yang terjadi secara berurut dikatakan kejadian tak bebas
(kejadian bersyarat) apabila kejadian yang satu mempengaruhi peluang terjadinya kejadian yang
lain.
Rumus :
Jika kejadian A dan B bersyarat, maka :
P ( A ∩ B )=P ( A ) x P (B / A)
P(B/A) artinya peluang B dimana kejadian A sudah terjadi.
Contoh :
Didalam sebuah kotak terdapat 3 bola merah dan 4 bola putih. Dari dalam kotak tersebut
diambil dua bola secara berturut-turut tanpa pengembalian. Tentukan peluang bahwa kedua bola
tersebut berwarna merah.
Pembahasan :
Supaya kedua bola tersebut berwarna merah maka pada pengembalian pertama dan kedua
harus berwarna merah. Peluang terambilnya bola merah pada pengambilan pertama adalah
3
P ( A )= . Kejadian A sudah terjadi sehingga di dalam kotak tinggal 2 bola merah dan 4 bola
7
2 1
putih. Peluang terambilnya bola merah pada pengambilan kedua adalah P(B/A) = = .
6 3
3 1 3 1
P ( A ∩ B )=P ( A ) x P (B / A)= × = =
7 3 21 7
1
Jadi, peluang bahwa kedua bola yang terambil berwarna merah adalah .
7
5.2.2. Distribusi Probabilitas

Distribusi peluang diskrit adalah suatu tabel atau rumus yang mencantumkan
semuakemungkinan nilai suatu pengubah acak diskrit (ruang contoh diskrit mangandung jumlah
titik yang terhingga) dan juga peluangnya.
Macam-macam distribusi probabilitas adalah :
1. Distribus Binomial
Karakteristik distribusi binomial :
a. Hasil dari eksperimen hanya diklasifikasikan menjadi dua, yaitu :

Sukses atau Gagal.
b. Variabel acaknya diperoleh dengan cara menghitung jumlah sukses
dari suatu percobaan.
c. Probabilitas sukses akan selalu tetap selama percobaan.
d. Setiap percobaan independen, artinya hasil percobaan satu tidak
mempengaruhi hasil percobaan berikutnya.
Untuk membentuk distribusi binomial, kita harus mengetahui :
a. Jumlah percobaan ( trial ).

b. Probabilitas sukses untuk setiap percobaan. Distribusi Probabilitas
Binomial : P(x)= n!/x!(n-x)! π^x.〖(1-π)〗^(n-x) n = jumlah trial /
percobaan x = Jumlah sukses π = probabilitas sukses untuk setiap
percobaan
Beberapa catatan penting mengenai distribusiBinomial :
a. Bila n tetap, tetapi π meningkat dari 0,05 ke 0,95, bentuk distribusi
akan berubah. Pada π 5,0 < , grafik miring ke kiri (positive skew),
pada π 5,0 = grafik simetris, pada 5,0 > π grafik miring ke kanan
(negative skew).
b. Bila π tetap, namun n meningkat, maka bentuk distribusi binomial
semakin simetris.
c. Mean (μ) untuk distribusi binomial: μ = n . π Variansi 〖(σ〗^2)
untuk distribusi binomial :σ^(2 )=n .π (1-π)
2. Distribusi Hipergeometri
Syarat digunakannya distribusi hipergeometris :
a. Sampel diambil dari suatu populasi terbatas tanpa pengembalian

b. Jumlah sampel n lebih besar dari 5% dari jumlah seluruh populasi
N Populasi terbatas (finite population) : suatu populasi yang terdiri
dari sejumlah kecil individu, objek, atau pengukuran. Distribusi
Hipergeometri :P(x)= ((sCx)(n-sCn-x))/ΝCn
Keterangan :
N = jumlah seluruh populasi
S = jumlah sukses dalam populasi
x = jumlah sukses yang diinginkan ( 0,1,2,3,……)
n = jumlah sampel atau jumlah percobaan / trial
C = Simbol untuk kombinasi
3. Distribusi Poisson
Distribusi ini sering disebut “Hukum kejadian yang tidak mungkin”, maksudnya
distribusi ini dipakai pada kejadian dengan probabilitas π yang sangat kecil ( ≤ 0,05 ).
Distribusi ini memiliki banyak aplikasi diantaranya :
- menentukan distribusi kesalahan pada input data, cacat yang terjadi

pada proses pengecatan sparepart mobil, jumlah kecelakaan yang
terjadi pada Boeing 737 selama 3 bulan terakhir.
DistrbusiPoisson: P(x)=(u^x.e^(-n))/x!
Keterangan :
μ = rata-rata aritmatik dari sukses pada suatu interval waktu
e = konstanta (2,71828)
x = jumlah sukses
P(x) = probabilitas dari suatu x
4. Distribusi Uniform
Distribusi probabilitas yg paling sederhana adalah jikalau tiap nilai variabel

random memiliki probabilitas yg sama untuk terpilih. Distribusi probabilitas spt ini
diberi nama Distribusi Probabilitas Uniform Diskrit Jika variabel random X bisa
memiliki nilai x1,x2, …, xk dan masing masing bisa muncul dengan probabilitas yg
sama maka distribusi probabilitasnya. Rumus :
F(X;K) = 1/K untuk X = X1, X2, ….Xk
5. Distribusi Multinomial
Distribusi probabilitas multinomial digunakan untuk penentuan probabilitas

hasil yangdikategorikan ke dalam lebih dari dua kelompok.
5.3. Rangkuman
Pada bab peluang, materinya meliputi permutasi,kombinasi, ekspansi binominal, ruang
sampel, peluang, frekuensi harapan, komplemen dan kejadian majemuk.
Permutasi adalah susunan yang berbeda yang dapat dibentuk dari n unsur yang diambil
dari n unsur atau sabagai unsur. Kombinasi adalah susunan beberapa unsur yang diambil dari
sebagian atau semua unsur suatu himpunan tanpa memperhatikan urutannya.
Ruang sampel adalah himpunan yang memuat semua hasil yang mungkin dari suatu
percobaan. Peluang kejadiaan adalah himpunan bagian dari ruang sampel. Frekuensi harapan
adalah hasil kali peluang kejadian dengan gabungkan dua atau lebuh kejadian sederhana. Sifat-
sifat peluang, misalnya S suatu ruang sampel dan A suatu kejadian pada ruang sampel S.
a. Jika A = Ø maka P (A) = O
b. Nilai peluang kejadian A, yaitu P (A) berkisar dari O sampai 1 (O ≤ P (A) ≤ 1).
c. Jika S ruang sampel maka P (S) = 1.
Distribusi probabilitas merupakan nilai-nilai probabilitas yang dinyatakan untuk mewakili
semua nilai yang dapat terjadi dari suatu variabel random X, baik dengan suatu daftar
(tabel)maupun dengan fungsi matematis.
Distribusi peluang diskrit adalah suatu tabel atau rumus yang mencantumkan
semuakemungkinan nilai suatu pengubah acak diskrit (ruang contoh diskrit mangandung jumlah
titik yang terhingga) dan juga peluangnya.
5.4. Soal
1. Sebutkan pengertian dari probabilitas
2. apa yang dimaksud dengan distribusi diskrit ?
3. Ada berapa cara 2 bola merah, 3 bola biru, dan 4 bola putih dapat dipilih dari suatu kotak yang
berisi 4 bola merah, 6 bola biru, dan 5 bola putih ?
5.5. Kuis
1. Dalam probabilitas klasik, semua hasil dalam ruang sampel memiliki kemungkinan yang
sama (B/S)
2. Ketika seorang ahli meteorologi mengatakan bahwa ada peluang 30% untuk mandi, jenis
probabilitas apa yang digunakan orang itu? (Pilih 2 pilihan)
a. Klasik c. Relatif
b. Empiris d. Subjektif

Soal
1. Probabilitas didifinisikan sebagai peluang atau kemungkinan suatu kejadian, suatu ukuran
tentang kemungkinan atau derajat ketidakpastian suatu peristiwa (event) yang akan
terjadi di masa mendatang.
2. Distribusi peluang diskrit adalah suatu tabel atau rumus yang mencantumkan
semuakemungkinan nilai suatu pengubah acak diskrit (ruang contoh diskrit mangandung
jumlah titik yang terhingga) dan juga peluangnya.
3. Penyelesaian :
2 bola merah dapat dipilih dari 4 bola dalam 4C2 cara.
3 bola biru dapat dipilih dari 6 bola dalam 6C3 cara.
4 bola putih dapat dipilih dari 5 bola dalam 5C4 cara.
Dengan prinsip perkalian, banyaknya cara memilih bola yang diminta :

4! 6! 5!
x x
4C2 x 6C3 x 5C4 =
2!.2! 3!.3! 4!.1!
4. 3.2 ! 6 .5 .4 . 3! 5 . 4 !
x x
= 2.1 .2 ! 3 .2 .1.3 ! 4 !.1
= 6 x 20 x 5
= 600 cara
Kuis
1. Salah
2. B dan D
5.7. Daftar Pustaka

http://20matematika/peluang/Mawar%20Berduri%20di%20Tepi%20Jurang
%20%20MAKALAH%20PELUANG.htm
http://genius.smpn1-mgl.sch.id/file.php/1/ANIMASI/matematika/Teori
%20Peluang/materi01.html
http://mtksmampsw.wordpress.com/kelas-xi/kelas-xi-ipa-semester-i/peluang/
http://matematikanet.blogspot.com/2009/01/teori-peluang.html
http://Cara%20Menentukan%20Peluang%20Kejadian%20Majemuk%20dan%20Kejadian
%20Bersyarat%20-%20Rumus%20Matematika.htm
York: McGrawHill.
Bab VI
Distribusi Normal
Adapun tujuan pembelajaran dari bab ini adalah :
1. Untuk mengetahui apa itu distribusi normal

2. Untuk mengetahui perhitungan, dan pengaplikasian distribusi normal
6.2. Uraian Materi

Distribusi normal adalah distribusi variabel yang kontinu, simetris, dan berbentuk
lonceng. [ CITATION All10 \l 1033 ]
Persamaan matematika untuk distribusi normal adalah :
Y = e−¿¿ ¿
Keterangan :
e = 2,178
π=3,14
μ=rata−rata Populasi
σ =Populasi Standar Deviasi
Distribusi normal sering pula disebut distribusi Gauss untuk menghormati Karl
Friedrich Gauss (1777-1855) yang juga menemukan persamaannya waktu meneliti galat
dalam pengukuran yang berulang- ulang mengenai bahan yang sama.
6.2.1. Distribusi Normal Standar

Distribusi normal standar adalah distribusi normal dengan rata-rata 0 dan standar deviasi
1. [ CITATION All10 \l 1033 ]
Rumus :
2
e−Z /2
Y=
√2 π
Semua variabel yang terdistribusi normal dapat ditransformasikan menjadi variabel
standar yang terdistribusi normal dengan menggunakan rumus untuk skor standar:
Nilai−ratarata X−μ
Z= =z=
standar deviasi σ
Contoh :
1. Temukan area di sebelah kiri z = 2.06.

Penyelesaian : mencari area di bawah distribusi normal standar di sebelah kiri
z = 2.06. , lihat area di tabel.nilai dari Z Ini adalah 0,9803. Atau 98,03%,
6.2.2. Cara Membaca Distribusi Normal
Berikut adalah tabel distribusi normal standar, untuk P (X < x), atau dapat
diilustrasikan dengan luas kurva normal standar dari X = minus takhingga sampai dengan X =
x.
Contoh penggunaan tabel:
Hitung P (X<1,25)
Penyelesaian:
Pada tabel, carilah angka 1,2 pada kolom paling kiri. Selanjutnya, carilah angka 0,05
pada baris paling atas. Sel para pertemuan kolom dan baris tersebut adalah 0,8944.
Dengan demikian, P (X<1,25) adalah 0,8944.
6.2.3. Aplikasi Distribusi Normal

Kurva distribusi normal standar dapat digunakan untuk memecahkan berbagai masalah
praktis. Satu-satunya persyaratan adalah bahwa variabel akan terdistribusi normal atau normal.
Ada beberapa tes matematika untuk menentukan apakah suatu variabel terdistribusi secara
normal. Untuk semua masalah yang disajikan dalam bab ini, Anda dapat mengasumsikan bahwa
variabel terdistribusi normal atau sekitar normal. Untuk memecahkan masalah dengan
menggunakan distribusi normal standar, ubah variabel asli menjadi variabel distribusi normal
standar dengan menggunakan rumus :
Nilai−ratarata X−μ
Z= =z=
standar deviasi σ
Contoh : Sebuah survei menemukan bahwa wanita menghabiskan rata-rata $ 146,21

untuk produk kecantikan selama bulan-bulan musim panas. Asumsikan deviasi standar adalah $
29,44. Temukan persentase wanita yang menghabiskan kurang dari $ 160,00. Asumsikan
variabel terdistribusi normal.
Penyelesaian :
- Gambarlah dan gambarkan daerah tersebut
- Temukan nilai z yang sesuai dengan $ 160,00

X −μ 160.00−146.21
z= = = 0.47
σ 29.44
- Karenanya $ 160,00 adalah 0,47 dari standar deviasi di atas rata-rata $
146,21, seperti yang ditunjukkan dalam distribusi z.
- Temukan area, menggunakan Tabel . Area di bawah kurva di sebelah kiri

z = 0,47 adalah 0,6808. Oleh karena itu 0,6808, atau 68,08%, dari para
wanita menghabiskan kurang dari $ 160,00 untuk produk kecantikan
selama bulan-bulan musim panas.
6.2.4. Kelebihan dan Kelemahan Distribusi Normal
Metode yang juga dikenal dengan sebutan forceddistribution ini mendapatkan namanya
dari kenyataan bahwa para penilai yang terlibat memang “dipaksa” untuk mendistribusikan nilai
karyawan ke dalam sejumlah kategori kinerja yang sudah ditetapkan persentase proporsinya.
Biasanya, bentuk distribusi yang diterapkan adalah distribusi normal, dimana persentase yang
setara kecilnya ditempatkan di kutub kanan (terbaik) dan kutub kiri (terburuk) sedangkan
persentase yang lebih besar ditempatkan di bagian tengah — di antara kedua kutub tersebut.
Sebagai contoh, proporsi yang mungkin digunakan adalah: Istimewa 10%, Memuaskan 20%,
Berkinerja Bagus 40%, Perlu Peningkatan 20%, dan Tidak Memuaskan 10%.
Adapun asumsi yang mendasari metode ini adalah bahwa, secara statistik, tingkat
kinerja karyawan terdistribusi mengikuti pola kurva normal.Jika berhasil diimplementasikan
secara efektif, metode distribusi normal bisa mendatangkan kelebihan berikut ini:
1. Mengurangi kemungkinan terjadinya bias penilaian.
Dengan memaksa penilai untuk mendistribusikan hasil penilaiannya, bias yang terjadi
akibat penilai terlalu murah hati (dimana semua karyawan dinilai bagus) atau terlalu pelit
(dimana semua karyawan dinilai buruk) bisa diminimalkan. Melalui penerapan metode ini, Ford
—misalnya— berhasil menurunkan bias kemurahan hati yang terjadi di metode penilaian kinerja
sebelumnya dimana 98% stafnya dinilai “memenuhi harapan” (Olson & Davis, 2003).
2. Meningkatkan objektivitas penilaian.
Karena harus memastikan penempatan setiap karyawan dalam suatu kategori, pada
metode distribusi normal, para penilai perlu mengevaluasi semua karyawan berdasarkan kriteria
yang sama. Dengan demikian, hasil penilaian mereka akan cenderung lebih objektif
dibandingkan jika setiap manajer menilai anak buah mereka berdasarkan kriteria mereka masing-
masing.
3. Memfasilitasi terjadinya komunikasi yang spontan dan terbuka antara atasan dan bawahan.
Metode ini menuntut para atasan untuk secara berkala memberikan umpan balik kepada
anak buah mereka. Tanpa kesediaan untuk sering menyampaikan umpan balik secara spontan
dan terbuka, sang atasan akan menghadapi kesulitan pada saat harus menjelaskan kepada anak
buahnya mengapa dia menempatkan si karyawan di kategori “tidak memuaskan”.
4. Membantu menetapkan konsekuensi kinerja yang tepat.
Dengan memaksa para atasan untuk mendistribusikan karyawan ke dalam kategori
tertentu, perusahaan bisa mengenali siapa saja yang berkinerja unggul, menengah, dan yang
berkinerja terendah. Jadi, secara terarah, perusahaan bisa memutuskan karyawan mana yang
harus diganjar dengan kompensasi dan promosi, karyawan mana yang patut dipertahankan dan
dikembangkan, serta karyawan mana yang perlu diputuskan hubungan kerjanya.
Di sisi lain, metode distribusi normal juga tidak lepas dari sejumlah kelemahan pokok
yang mengundang kritik:
1. Metode ini menggunakan sistem distribusi normal yang salah penerapannya.
Menurut Abelson (2001), model kurva lonceng mengasumsikan bahwa distribusi normal
akan terjadi pada sekelompokbesar subjek yang terbentuk secara acak, dan tidak mengasumsikan
hal yang sama untuk kelompok-kelompok kecil. Adapun yang dimaksud dengan kelompok besar
adalah kelompok yang setidaknya terdiri dari 1.000 – 1.500 anggota.
Pada kenyataannya, sejumlah perusahaan menerapkan model kurva lonceng ini pada
sekelompok kecil karyawan, yang jumlah anggotanya bahkan tidak lebih dari 50 orang.
Akibatnya, sebagian karyawan yang berkinerja bagus tetapi berada di kelompok unggul mau
tidak mau akan menderita karena terpaksa mendapatkan nilai buruk. Sebaliknya, beberapa
karyawan yang sebenarnya berkinerja biasa-biasa saja tetapi berada di kelompok yang berkinerja
lemah, akan menikmati inflasi nilai dan dianugerahi posisi sebagai 10%-20% karyawan yang
berkinerja terbaik — hanya karena memang harus ada yang dinilai paling tinggi.
Sementara itu, asumsi acak yang digunakan juga dianggap tidak tepat. Kalau secara
statistik dinyatakan bahwa acak adalah situasi dimana setiap anggota populasi memiliki peluang
yang sama untuk terpilih menjadi anggota sampel, maka dengan jelas dapat disimpulkan bahwa
kelompok karyawan Anda bukanlah kelompok yang acak. Anda tidak merekrut mereka secara
acak, Anda tidak menempatkan mereka secara acak, Anda juga tidak melatih dan
memperlakukan mereka secara acak.
2. Ketika diterapkan secara konsisten, metode distribusi normal justru membangkitkan
tantangan baru yang menyulitkan.
Karena mengharuskan perusahaan untuk memecat karyawan yang dinilai berkinerja
paling rendah, setelah diimplementasikan selama beberapa tahun, metode ini justru semakin
mempersulit upaya membedakan karyawan yang berkinerja memuaskan dengan karyawan yang
berkinerja istimewa. Perbedaan di antara keduanya semakin menipis dan semakin tidak kasat
mata. Di sisi lain, karena standar kinerja karyawan yang semakin lama semakin meningkat,
perusahaan juga semakin sulit mendapatkan calon karyawan yang memenuhi standar tersebut,
yaitu karyawan yang kualifikasinya harus melebihi karyawan yang sebelumnya dipecat.
3. Kategori yang digunakan tidak menunjukkan kinerja yang sebenarnya.
Pemaksaan nilai dan pengkategorian yang dipersyaratkan dalam metode distribusi normal
membuat karyawan diberi nilai dan ditempatkan di kategori yang belum tentu sesuai dengan
tingkat kinerja aktual mereka. Perusahaan yang berhasil mencapai target bisnisnya, misalnya,
dimana semua karyawannya memang berprestasi bagus dan berhasil mencapai target perorangan
mereka, dengan terpaksa harus tetap menempatkan 10% karyawannya di kategori “tidak
memuaskan”. Situasi semacam ini tentu tidak bisa dianggap objektif. Akibatnya, seperti yang
dikemukakan oleh Olson dan Davis, karyawan lebih sering merasa bahwa nilai yang mereka
terima sesungguhnya hanyalah nilai yang dibuat untuk memuaskan distribusi yang telah
ditetapkan perusahaan. Bukan merupakan refleksi dari kinerja aktual mereka.
4. Dipersepsi lebih sulit dan kurang fair dibandingkan metode penilaian konvensional.
Persepsi yang timbul di kalangan mereka yang terlibat dalam implementasi metode
distribusi normal ini ditemukan dalam penelitian Schleicher, Bull dan Green (2008). Dengan
adanya persepsi semacam itu, tidak mengherankan jika kemudian teridentifikasi bahwa para
manajer umumnya kurang bereaksi positif terhadap metode tersebut (Lawler, 2002). Mereka
sering mengungkapkan komentar miring tentang metode itu, sehingga akhirnya para karyawan
pun berpandangan bahwa metode tersebut kurang fair dan dengan demikian tidak mereka terima.
5. Terlalu memaksakan perbandingan kinerja antar-jabatan dalam upaya mendapatkan

peringkat kinerja seluruh karyawan.
Pertanyaannya adalah: Bagaimana Anda akan secara fair dan objektif membandingkan
kinerja seorang kepala departemen dengan kinerja seorang petugas administrasi? Atau kinerja
Kepala Departemen Pemasaran dengan Kepala Departemen SDM? Kriteria apa yang akan Anda
gunakan? Selain tidak mudah untuk dijawab dan diimplementasikan, pertanyaan itu jelas
mengusik rasa keadilan para pengemban jabatan yang diperbandingkan.
6. Merangsang tumbuhnya lingkungan kerja yang kompetitif sekaligus destruktif.
Upaya membandingkan tingkat kinerja, dan memasukkan karyawan ke dalam kategori
yang proporsinya sudah dibatasi dengan persentase tertentu, jelas membuat karyawan
terperangkap dalam situasi persaingan. Selalu mencoba menampilkan kinerja yang tidak hanya
sebaik mungkin, tetapi juga harus lebih baik dibandingkan kinerja rekan-rekan yang lain, agar
bisa masuk dalam kategori penilaian yang lebih tinggi dan terhindar dari kemungkinan menjadi
penghuni kategori terbawah.
Situasi semacam ini jelas menghambat terjadinya kerja sama di kalangan anggota
kelompok kerja. Apalagi jika karyawan mengetahui bahwa perusahaan memberikan perlakuan
dan kompensasi yang berbeda untuk setiap kategori penilaian.
6.3. Rangkuman
Berdasarkan pembahasan yang telah penyusun uraikan diatas, maka dapat disimpulkan
bahwa distribusi peluang kontinu yang terpenting dalam seluruh bidang statistika adalah
distribusi normal. Distribusi normal merupakan suatu alat statistik yang sangat penting untuk
menaksir dan meramalkan peristiwa-peristiwa yang lebih luas. Grafiknya disebut kurva normal
terbentuk lonceng yang menggambarkan dengan cukup baik banyak gejala yang muncul di alam,
industri, dan penelitian. Abraham de Moivre adalah yang pertama kali memperkenalkan
distribusi normal ini dan kemudian dipopulerkan oleh Carl Fredreich Gauss. Sehingga nama lain
distribusi ini adalah distribusi Gauss.
6.4. Soal
1. Jelaskan pengertian dari distribusi normal
2. Temukan area antara z = + 1.68 dan z = - 1.37.
6.5. Kuis
1. Distribusi normal standar adalah distribusi kontinu. (B/S)
2. Semua variabel yang kira-kira terdistribusi normal dapat ditransformasikan ke variabel
normal standar. (B/S)

Soal
1. Distribusi normal adalah distribusi variabel yang kontinu, simetris, dan berbentuk
lonceng.
2.
Karena area yang diinginkan adalah di antara dua nilai z yang diberikan, cari
area yang sesuai dengan dua nilai z dan kurangi area yang lebih kecil dari area
yang lebih besar. (Jangan kurangi nilai z.) Area untuk z = 1.68 adalah 0.9535,
dan area untuk z = - 1.37 adalah 0.0853. Area antara dua nilai z adalah 0,9535
- 0,0853 = 0,8682 atau 86,82%.
Kuis
1. Benar
2. Benar
6.7. Daftar Pustaka

York: McGrawHill
Ronald E. Walpole. Pegantar Statistik edisi ke-3. Jakarta: PT Gramedia Pustaka Utama.
Harum, Anita Sugiarti. 2013. Distribusi Normal (Kurva Normal). Diunduh dari:
https://anitaharum.wordpress.com/2013/11/12/distribusi-normal-kurva-normal/. Pada hari
Minggu pukul 20:00 WIB.
Labels, Rory.2016. MGF Distribusi Normal. Diunduh dari:
http://www.rumusstatistik.com/2016/04/mgf-distribusi-normal.html, diakses pada
tanggal 9 Mei 2016 pukul 10.50 WIB.
Subari, Hendrianto. 2014. Distribusi Normal Baku. Diunduh dari:
http://hendritakengon.blogspot.co.id/2014/03/distribusi-normal-baku.html. Pada Hari Rabu
pukul 19:50 WIB.
https://hatta2stat.wordpress.com/category/distribusi-normal-2/. 23 November 2011.
Archive for the ‘Distribusi normal’ Category. Pada hari Rabu pukul 19:40 WIB
Bab VII
Pendugaan Parameter
Adapun tujuan pemmbelajaran dari bab ini adalah :
1. Mengetahui hasil penaksiran parameter titik untuk nilai rata-rata, varians,
dan proporsi pada populasi
2. Mengetahui hasil penaksiran parameter interval untuk nilai rata-rata, varians, dan
proporsi pada populasi.
7.2. Uraian Materi

Seperti yang kita tahu, semua aspek kehidupan memerlukan data, sehingga tidak
menutup kemungkinan akan adanya big data (jumlah data yang sangat banyak), hal
tersebut tentu memerlukan suatu metode yang tepat agar dapat mengolah data dengan
akurat dan efisien. Dalam melakukan penelitian apabila data memiliki jumlah yang
terlalu besar untuk di teliti seluruhnya maka hal itu sangat tidak mungkin untuk
dilakukan dengan demikian adakalanya percobaan atau penelitian tersebut dilakukan
dengan hanya melibatkan beberapa data dari populasi yaitu sampel. Disinilah peran
statistika inferensia diperlukan untuk menyelesaikan masalah tersebut dengan cara
menduga parameter populasi. Salah satu hal yang terdapat dalam statistika inferensia
adalah pendugaan parameter.
Pendugaan adalah proses menggunakan sampel statistik untuk menduga hubungan

parameter populasi yang tidak diketahui. Pendugaan parameter adalah pendugaan
yang berfungsi untuk menduga tentang parameter populasi yang belum diketahui
dengan contoh acak atau bisa disebut sampel. Pendugaan digolongkan menjadi dua
yaitu pendugaan titik dan pendugaan interval.
Sebuah nilai tunggal yang digunakan untuk menduga sebuah parameter disebut
titik estimator, sedangkan proses menduga titik tersebut disebut pendugaan titik.
Pendugaan Interval adalah suatu sebaran nilai-nilai yang digunakan θ dari sebuah
parameter. Proses menduga dengan suatu sebaran θ untuk menduga nilai-nilai ini
disebut pendugaan interval.
7.2.1. Pendugaan Rata-rata

Dalam melakukan pendugaan terhadap mean populasi dengan
menggunakan data yang diperoleh dari sampel terdapat beberapa hal yang terlebih
dahulu harus diperhatikan yaitu :
1. Ukuran sampel (apakah besar (n>30) atau kecil (n<30))
2. Informasi tentang distribusi populasinya (apakah distribusi normal atau tidak)
3. Standar deviasi populasinya (diketahui atau tidak) 4. Pemilihan jenis distribusi

yang menjadi dasar penaksiran.
7.2.1.1. Tafsiran Titik

Taksiran titik adalah pendugaan yang hanya menyebutkan satu titik untuk
menduga suatu rata-rata.
Rumus :
n
∑ Xi
X́ = i =1
n
Keterangan:
X́ = Nilai Taksiran Titik
n = Jumlah sampel (percobaan)
7.2.1.2. Taksiran Selang/Interval

Taksiran selang/interval adalah pendugaan yang menyatakan nilai dugaan dalam
suatu daerah yang dibatasi oleh dua nilai.
Untuk satu populasi dimana nilai n ≥ 30 danσ 2 dari populasi maka:
σ σ
X́ −Z α ( ) < μ< X́ + Z α ( )
2 √n 2 √n
Keterangan:
α = 1- tingkat kepercayaan (sering disebut change of error)
X́ = Rata-rata sampel
μ = Rata-rata Populasi
σ = Simpangan Baku
n = Banyak percobaan
Untuk satu populasi dimana nilai n < 30 simpangan baku tidak diketahu. Maka
rumusnya adalah :
S S
X́ −t α ( ) < μ< X́ + t α ( )
2 √n 2 √n
7.2.2. Pendugaan Proporsi

Pendugaan proporsi adalah pendugaan dari proporsi populasi yang tidak
diketahui. Untuk satu populasi sebagai berikut.
7.2.2.1 Taksiran titik

menduga proporsi. Rumusnya adalah :
X n−X
^p= dan q^ = atau q^ =1− ^p
n n
^p= proporsi
X = banyak data yang diinginkan
n = banyak data sampel
7.2.2.2. Selang/Interval
Taksiran selang/interval adalah pendugaan yang menyatakan nilai dugaan dalam
suatu daerah yang dibatasi oleh dua nilai. Rumusnya adalah :
^p q^ ^p q^
^p−Z a
2 √ n √
< p < ^p +Z a
2 n
7.2.3. Pendugaan Varians
Pendugaan varians adalah pendugaan nilai varians dalam suatu populasi dimana
S2 adalah ragam contoh acak berukuran n yang ditarik dari suatu populasi normal
dengan ragam σ 2 , dan dihitung nilai S2 maka kita akan mendapatkan sebuah nilai
penduga bagi populasi tersebut.
7.2.3.1. Taksiran titik

menduga ragam dari suatu populasi. Rumusnya adalah :
n
S2 = ∑ ¿¿ ¿
i=1
Keterangan:
S2 = Ragam
n = Banyak data
X́ = Rata-rata
7.2.3.2. Taksiran selang/interval

2
(n−1) S ( n−1)S 2
<σ <
2 2
a a
Xkiri( ) Xkanan(1− )
2 2
Derajat bebas = n-1
Untukmencari standar deviasi, maka hasil dari varians diakarkan. [ CITATION

Ais16 \l 1033 ]
7.3. Rangkuman
Pendugaan adalah proses menggunakan sampel statistik untuk menduga hubungan
parameter populasi yang tidak diketahui. Pendugaan parameter adalah pendugaan yang
berfungsi untuk menduga tentang parameter populasi yang belum diketahui dengan
contoh acak atau bisa disebut sampel. Pendugaan digolongkan menjadi dua yaitu
pendugaan titik dan pendugaan interval.
Sebuah nilai tunggal yang digunakan untuk menduga sebuah parameter disebut titik
estimator, sedangkan proses menduga titik tersebut disebut pendugaan titik.
Pendugaan Interval adalah suatu sebaran nilai-nilai yang digunakan θ dari sebuah
Terdapat pendugaan titik dan selang interval, bagi rata-rata, proporsi dan varians.
7.4. Soal
1. Apa yang dimaksud dengan pendugaan
2. Tuliskan persamaan titik varians
3. Jelaskan pengertian dari pendugaan interval
7.5. Kuis
1. Untuk interval kepercayaan tertentu, semakin besar ukuran sampel, semakin kecil margin
kesalahannya. (B/S)
2. Penaksir konsisten jika jika ukuran sampel menurun, nilai penaksir mendekati nilai
estimasi parameter. (B/S)
7.6. Jawaban soal dan kuis

Soal
1. Pendugaan adalah proses menggunakan sampel statistik untuk menduga hubungan

parameter populasi yang tidak diketahui. Pendugaan parameter adalah pendugaan
yang berfungsi untuk menduga tentang parameter populasi yang belum diketahui
dengan contoh acak atau bisa disebut sampel
n
2
2. S = ∑ ¿¿ ¿
i=1
3. Pendugaan Interval adalah suatu sebaran nilai-nilai yang digunakan θ dari sebuah
Kuis
1. Benar
2. Salah
7.7. Daftar Pustaka

Bintang, A. (2016). Laporan Praktikkum Pengantar Metode Statistika. Laporan.
York: McGrawHill.
Bab VIII
Korelasi dan Regresi Linier
1. Untuk mengetahui apa itu korelasi dan regresi

2. Untuk mengetahui penerapan korelasi dan regresi
8.2. Uraian Materi
8.2.1. Korelasi
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua
variabel mempunyai hubungan linear yang sempurna. Artinya variabel X mempengaruhi
variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat
hubungan antara kedua variabel tersebut. Dalam korelasi sebenarnya tidak dikenal istilah
variabel bebas dan variabel tergantung. Biasanya dalam penghitungan digunakan simbol
X untuk variabel pertama dan Y untuk variabel kedua. Dalam contoh hubungan antara
variabel remunerasi dengan kepuasan kerja, maka variabel remunerasi merupakan
variabel X dan kepuasan kerja merupakan variabel Y.
Terdapat tiga macam bentuk hubungan antar variabel, yaitu hubungan simetris,
hubungan sebab akibat (kausal) dan hubungan Interaktif (saling mempengaruhi). Untuk
mencari hubungan antara dua variabel atau lebih dilakukan dengan menghitung korelasi
antar variabel yang akan dicari hubungannya. Korelasi merupakan angka yang
menunjukkan arah dan kuatnya hubungan antar variabel atau lebih. Artinya dinyatakan
dalam bentuk hubungan positif atau negatif, sedangkan kuatnya hubungan dinyatakan
dalam besarnya koefisien korelasi.
Ahli statistik menggunakan ukuran yang disebut koefisien korelasi untuk

menentukan kekuatan hubungan linear antara dua variabel. Ada beberapa jenis koefisien
korelasi. Yang dijelaskan dalam bagian ini disebut koefisien korelasi momen produk
Pearson (PPMC), dinamai menurut ahli statistik Karl Pearson, yang memelopori
penelitian di bidang ini.
Koefisien korelasi yang dihitung dari data sampel mengukur kekuatan dan arah
hubungan linear antara dua variabel kuantitatif. Simbol untuk koefisien korelasi sampel
adalah r. Simbol untuk koefisien korelasi populasi adalah r (huruf Yunani rho). [ CITATION
All10 \l 1033 ].
Rumus untuk kofisien korelasi :
r = n ( ∑ xy ) −¿ ¿
Asumsi untuk Koefisien Korelasi
1. Sampel adalah sampel acak.
2. Pasangan data jatuh kira-kira pada garis lurus dan diukur pada tingkat interval
atau rasio.
3. Variabel memiliki distribusi normal bersama. (Ini berarti bahwa diberikan nilai
spesifik x, nilai y terdistribusi normal; dan diberi nilai spesifik y, nilai x
terdistribusi secara normal.)
8.2.1.1. Uji Hipotesisi Korelasi

Koefisien korelasi populasi dihitung dari pengambilan semua pasangan (x, y) yang
memungkinkan; itu ditunjuk oleh huruf Yunani r (rho).
Koefisien korelasi sampel kemudian dapat digunakan sebagai estimator r jika asumsi
berikut ini valid.
1. Variabel x dan y terkait linier.
2. Variabel adalah variabel acak.
3. Kedua variabel memiliki distribusi normal bivariat.
Distribusi normal Abiviarate berarti bahwa untuk pasangan nilai data (x, y), nilai
y yang sesuai memiliki distribusi berbentuk lonceng untuk setiap nilai x yang diberikan,
dan nilai x untuk setiap nilai y tertentu memiliki distribusi berbentuk lonceng.
Didefinisikan secara formal, koefisien korelasi populasi r adalah korelasi yang
dihitung dengan menggunakan semua pasangan nilai data yang mungkin (x, y) yang
diambil dari suatu populasi.
Dalam pengujian hipotesis, salah satunya adalah benar:
H0: ρ = 0 Hipotesis nol ini berarti bahwa tidak ada korelasi antara variabel x dan y dalam
populasi.
H1: ρ ≠ 0 Hipotesis alternatif ini berarti ada korelasi yang signifikan antara variabel-
variabel dalam populasi. Ketika hipotesis nol ditolak pada tingkat tertentu, itu berarti
bahwa ada perbedaan yang signifikan antara nilai r dan 0. Ketika hipotesis nol tidak
ditolak, itu berarti bahwa nilai r tidak berbeda secara signifikan dari 0 (nol). ) dan
mungkin karena kebetulan. Beberapa metode dapat digunakan untuk menguji signifikansi
koefisien korelasi. Tiga metode akan ditampilkan di bagian ini. Pertama menggunakan uji
t.
t = r √((n-2)/(1- r^2 ))
derajat bebas = n – 2
Meskipun tes hipotesis dapat satu sisi, sebagian besar hipotesis yang melibatkan koefisien
korelasi dua sisi. Ingat bahwa r mewakili koefisien korelasi populasi. Juga, jika tidak ada
hubungan linier, nilai koefisien korelasi akan menjadi 0. Oleh karena itu, hipotesis akan
menjadi :
H0: ρ = 0 dan H1: ρ ≠ 0
Anda tidak perlu mengidentifikasi klaim di sini, karena pertanyaannya akan selalu apakah
ada hubungan linier yang signifikan antara variabel. Nilai kritis dua sisi digunakan. Nilai-
nilai ini ditemukan pada Tabel uji t. Juga, ketika Anda menguji signifikansi koefisien
korelasi, kedua variabel x dan y harus berasal dari populasi yang berdistribusi normal.
Contoh : Uji signifikansi koefisien korelasi soalnya seperti contoh sebelumnya padda uji
rho dan Gunakan a = 0,05 dan r = 0,982.
Penyelesaian : nyatakan Hipotesis :
H0: ρ = 0 dan H1: ρ ≠ 0
Selanjutnya carilah daerah kritis pada a = 0.05. derajat bebasnya 6 – 2 = 4
Uji ini merupakan two tailed maka a/2 . pada table t didapat nilai t ± 2.776, Setelah itu
carilah nilai t hitung menggunakan rumus
t = r √((n-2)/(1- r^2 )) = 0.982√((6-2)/(1- 〖(0.982)〗^2 )=10.4)
Buat keputusan. Tolak hipotesis nol, karena nilai tes jatuh di wilayah kritis.
Ringkas hasilnya. Ada hubungan yang signifikan antara jumlah mobil yang dimiliki oleh
agen penyewaan dan pendapatan tahunannya.[ CITATION All10 \l 1033 ].
Contoh : Carilah korelasi dari data dibawah ini :
Company Cars X Revenue xy X2 Y2

(in ten Y
thousands) (in
billions)
A 63.0 7.0 441.00
B 29.0 3.9 113.10
C 20.8 2.1 43.68
D 19.1 2.8 53.48
E 13.4 1.4 18.76
F 8.5 1.5 12.75
∑ x =153.8 ∑ y=18.7 ∑ xy =682.77
∑ x 2=5859.26
∑ y 2=80.67
Temukan nilai xy, x2, dan y2 dan tempatkan nilai-nilai ini di kolom tabel yang
sesuai :
r = n ( ∑ xy ) −¿ ¿
6 ( 682.77 )−(153.8)(18.7)
r=
√¿¿¿
Koefisien korelasi menunjukkan hubungan yang kuat antara jumlah mobil yang
dimiliki oleh agen penyewaan dan pendapatan tahunannya.
8.2.2. Regresi
Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan satu
variabel dependen (terikat) dengan satu atau lebih variabel independent (variabel
penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau memprediksi rata-rata populasi
atau niiai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui.
Pusat perhatian adalah pada upaya menjelaskan dan mengevalusi hubungan antara suatu variabel
dengan satu atau lebih variabel independen.
Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing variable independent.
Koefisien ini diperoleh dengan cara memprediksi nilai variable dependen dengan suatu
persamaan.
Tujuan garis regresi adalah untuk memungkinkan peneliti untuk melihat tren dan membuat
prediksi berdasarkan data.
8.2.2.1. Regresi Linier

Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal antara satu
variabel independen dengan satu variabel dependen. Persamaan umum regresi linier
sederhana adalah :
y’ = a + bx
a = ( ∑ y )( ∑ x 2 ¿−∑ x) ¿ ¿
b = n ( ∑ xy ) −(∑ x)¿ ¿ [ CITATION All10 \l 1033 ]
Contoh : gunakan soal pada korelasi tadi, namun cari regresinya.

n = 6 , ∑ x =153.8 , , ∑ y=18.7, ∑ xy =682.77, ∑ x 2=5859.26
( 18.7 ) (5859.26 )−(153.8)(682.77)
a= = 0.396
6 (5859.26 )−¿ ¿
6 ( 682.77 )−(153.8)(18.7)
b=
6 ( 5859.26 )−¿ ¿
y’ = a + bx
y’ = 0.396 + 0.106x
Untuk membuat grafik garis, pilih dua titik untuk x dan temukan nilai
yang sesuai untuk y. Gunakan sembarang nilai x antara 10 dan 60. Sebagai
contoh, misalkan x =15. Ganti dalam persamaan dan temukan nilai y yang sesuai.
Y’ = 0.396
= 0.396 + 0.106(15)
= 1.986
Untuk x = 40
Y’ = 0.396 + 0.106(40)
= 4.636
Kemudian plot kedua titik (15, 1.986) dan (40, 4.636) dan buat garis yang
menghubungkan kedua titik. Lihat Gambar
Catatan: Saat Anda menggambar garis regresi, kadang-kadang perlu untuk

memotong grafik . Ini dilakukan ketika jarak antara titik asal dan koordinat
pertama yang dilabeli pada sumbu x tidak sama dengan jarak antara bagian lain
dari berlabel x koordinat atau jarak antara titik asal dan koordinat y pertama berlabel
tidak sama dengan jarak antara koordinat y berlabel lainnya. Ketika sumbu x atau sumbu
y telah terpotong, jangan gunakan nilai intersepsi y untuk membuat grafik garis. Saat
Anda membuat grafik garis regresi, selalu pilih nilai x antara nilai x data terkecil dan nilai
x data terbesar.
8.3. Rangkuman
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi
merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat
yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Analisis
korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui keeratan
hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun
1886. Dampak dari penggunaan analisis regresi dapat digunakan untuk memutuskan
apakah naik dan menurunnya variabel dependen dapat dilakukan melalui menaikan dan
menurunkan keadaan variabel independen, atau meningkatkan keadaan variabel
dependen dapat dilakukan dengan meningkatkan variabel independen/dan sebaliknya.
8.4. Soal
1. Siapa yang memperkenalkan istiilah regresi ?
2. Sebutkan pengertian dari korelasi
3. Tuliskan persamaan regresi linier
8.5. Kuis
1. Ketika koefisien korelasi signifikan, Anda dapat mengasumsikan x menyebabkan y.
(B/S)
2. Tidak mungkin untuk memiliki korelasi yang signifikan secara kebetulan saja. (B/S)
8.6. Jawaban soal dan Kuis

Soal
1. Sir Francis Galton

2. Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran
asosiasi / hubungan (measures of association). Pengukuran asosiasi merupakan istilah
umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan
untuk mengukur kekuatan hubungan antara dua variabel.
3. y’ = a + bx
a = ( ∑ y )( ∑ x 2 ¿−∑ x) ¿ ¿
b = n ( ∑ xy ) −(∑ x)¿ ¿
kuis
1. salah
2. salah
8.7. Daftar Pustaka

York: McGrawHill.
Tangkuman, V. (2016). Analisis Regresi dan Korelasi. Manajemen Statistika.
Lampiran
1. Tabel t
2. Chi Square
3. Tabel Z

Pengantar Statistika Farmasi

Diunggah oleh

Informasi Dokumen

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

Pengantar Statistika Farmasi

Diunggah oleh

Hak Cipta:

Format Tersedia

MAKALAH

PROGRAM STUDI FARMASI

Kalawat, 18 April 2020.

1. Untuk mengetahui latar belakang dari statistika

1.2. Uraian Materi

1.2.1. Latar Belakang

1.2.2. Pengertian Statistika

1.2.4. Sejarah Statistika

1.2.4.1. Sejarah Umum Statiska

Kemudian Gottfried Achenwall (1749) menggunakan Statistika dalam bahasa Jerman untuk

1.2.4.2. Perkembangan Statistika di abad 21

1.2.4.3 Sejarah statistika di Indonesia

“Statistics is not just for statistician”,

(khususnya DEPTAN).Penyelenggaraan Program pendidikan S1 (Sarjana) di IPB dimulai

profesionalisme dan akademik lainnya dikembangkan dengan membuka kerjasama akademik

1.4. Tugas (Soal Latihan)

1. Jelaskan salah satu penerapan statistika dalam kehidupan sehari-hari?

2.Siapakah tokoh-tokoh yang terlibat dalam perkembangan statistika pada abad 21 ?

1.6. Uraian jawban tugas dan Kuis

1.7. Daftar Pustaka

1. Mahasiswa dapat mengetahui definisi dari statistika

1.2. Uraian Materi

1.2.1. Definisi Statistika

1.2.2. Jenis-jenis statistic

1.2.3. Jenis-jenis Data

1.2.4. Istilah-istilah yang sering digunakan.

1.4. Tugas (Soal Latihan)

1.6. Jawaban Tugas dan Kuis

1. Statistik inferensial adalah statistik yang berkenaan dengan cara penarikan

1. Statistik adalah ilmu yang melakukan studi untuk mengumpulkan, mengatur,

3. Statistik deskriptif terdiri dari pengumpulan, pengorganisasian, peringkasan,

1.7. Daftar Pustaka

1. untuk mengetahui jenis-jenis ukuran statistik bagi data.

3.2. Uraian Materi

Rumus data berkelompok :

Tentukan modus dari data berikut !

Data yang paling sering muncul adalah 6, maka Mo = 6

nilai bawah+nilai atas

R = nilai tertinggi - nilai terendah [ CITATION All10 \l 1033 ]

1. Gaji untuk staf XYZ Manufacturing Co. ditampilkan di sini. Temukan

Range = $ 100.000 – 15.000 = $85.000

3.2.6. Varians dan Standar Deviasi

Rumus untuk mencari standar deviasi ialah :

Langkah 1 Jumlahkan semua data

∑ X=11.2+11.9 +12.0+12.8+13.4+ 14.3=75.6

∑ X 2=11.222 +11.922 +12.022 +12.822+ 13.422+14.322=958.94

Langkah 4 masukkan ke dalam rumus standar deviasi

3.2.6.1. Varians dan standar deviasi data berkelompok

Setelah itu masukkan ke dalam rumus :

3.2.7. Standar Score

( jumlah nilai di bawah X ) +0,5

1. Seorang guru memberikan tes 20 poin kepada 10 siswa. Skor ditunjukkan di

3.7. Daftar Pustaka

UDHAMA, A. U. (2014). Macam-macam Ukuran Statistika. Makalah.

1. Untuk mengetahui tentang distribbusi frekuensi

4.2. Uraian Materi

4.2.1. Istilah dalam distribusi frekuensi

4.2.2. Tabel Distribusi Frekuensi

1. Tabel Distribusi Frekuensi Data Tunggal

3. Tabel Distribusi Frekuensi Kumulatif

a) Frekuensi Kumulatif Atas atau fk (a) yaitu: Frekuensi yang angka-angkanya

dengan menggunakan rumus :

4.2.3. Tahap Penyusunan Distribusi Frekuensi

K= banyaknya kelas, N = banyaknya sampel yanmg diobservasi