ELearning Probabilitas

Sampling Tunggal ( Single Acceptance Sampling )

 Sampling Tunggal : adalah rencana sampling dimana keputusan untuk menerima atau
menolak lot berdasarkan pada pemeriksaan 1x penarikan sampel.
 Prinsip dalam Sampling Tunggal :
“ Ambil sejumlah sampel (n), diperiksa dan dicacat jumlah produk cacat yang tidak
memenuhi spesifikasi (d), lalu dibuat keputusan, apakah lot : diterima atau ditolak,
dengan syarat apabila : d  c  lot diterima
d > c  lot ditolak
dimana : d : jumlah cacat
c : angka penerimaan
Jadi, keputusan dalam Sampling Tunggal hanya ada 2 yaitu : Terima atau Tolak Lot

 Probabilitas Penerimaan Sampling Tunggal ( Pa ) :

Dasar perhitungan dalam Pa adalah dengan menggunakan distribusi Poisson.
Jadi, Probabilitas Penerimaan Sampling Tunggal ( Pa ) adalah :
Pa = P ( d ≤ c ;  )
dimana :  = n . p
p‟ : proporsi cacat
 Contoh Soal :
Sebuah pabrik melakukan pemeriksaan pada 1 lot bahan baku yang dipasok oleh sebuah
supplier. Dari suatu lot yang berisi 1000 gulung benang, diambil sampel 20 gulung. Batas
maksimum gulungan benang cacat yang diperbolehkan 1 gulung dengan rata-rata cacat
sebesar 5 %. Berapakah probabilitas lot akan diterima dan ditolak ?
Jawab :
Diketahui : N = 1000 c=1
n = 20 p‟ = 5 % = 0,05
 = n . p = 20 * 0,05 = 1
Probabilitas Lot Diterima :
Pa = P ( d ≤ c ;  ) = P ( d ≤ 1 ;  ) = 0,736
Probabilitas Lot Ditolak :
Pa‟ = 1 – Pa = 1 – 0,736 = 0,264
Sampling Ganda ( Double Acceptance Sampling)
 Sampling Ganda : adalah suatu rencana sampling dimana keputusan untuk menerima atau
menolak lot berdasarkan pada pemeriksaan 2x penarikan sampel.
 Prinsip dalam Sampling Ganda :

ELearning BSLC

Mirellie Setiawan
2001590386
 ELearning Probabilitas
“ Ambil sejumlah sampel (n 1), diperiksa dan dicacat jumlah produk cacat yang tidak
memenuhi spesifikasi (d 1), lalu dibuat keputusan, apakah lot : diterima atau ditolak.
Jika tidak diketahui keputusan apa yg akan diambil ( Ragu-ragu ), maka ambil
sampel ke-2 berukuran n 2 dan dicek kembali keputusannya, apakah lot : diterima atau
ditolak, dengan syarat apabila : d1 + d 2  c 2  lot diterima
d 1 + d 2 ≥ r 2  lot ditolak ( atau : d 1 + d 2 > c 2 )
dimana : d : jumlah cacat
c : angka penerimaan
Jadi, keputusan dalam Sampling Ganda ada 3 yaitu : Terima, Tolak, dan Ragu-ragu
Ragu-ragu terjadi pada saat jumlah cacat (d 1) berada diantara : c 1 < d 1 < r 1

 Bagan Keputusan atau Mekanisme dalam Sampling Ganda :

 Probabilitas Penerimaan Sampling Ganda
( Pa ) :
Dasar perhitungan dalam Pa adalah dengan
menggunakan distribusi Poisson.
Ada 2 nilai Probabilitas Penerimaan ( Pa )
dalam Sampling Ganda, yaitu : Pa I dan Pa II
Jadi, Probabilitas Penerimaan Total Sampling
Ganda ( Pa TOTAL ) adalah :
Pa TOTAL = Pa I + Pa II
dimana : Pa I : Probabilitas Penerimaan Sampel I
Pa II : Probabilitas Penerimaan Sampel II
 Contoh Soal :
1. Diketahui pemeriksaan 1 lot produk yang berisi 10.000 unit. Rata-rata cacat dalam
sampel = 2 %. Jika telah ditentukan bhw rencana sampling yg digunakan adalah sbb :
n 1 = 60 c1 = 1 r1 = 4
n 2 = 60 c2 = 4 r2 = 5
Maka, tentukan :
a. Tent. probabilitas penerimaan lot pada sampel pertama !
b. Tent. probabilitas penerimaan lot pada sampel kedua !
c. Tent. total probabilitas penerimaan lot berdasarkan rencana sampling tsb. !
Jawab :

Diketahui : N = 10.000
p‟ = 0,02
c1 = 1 r1 = 4 n 1 = 60  1 = n * p = 60 * 0,02 = 1,2
c2 = 4 r2 = 5 n 2 = 60   2 = n * p = 60 * 0,02 =

ELearning BSLC

Mirellie Setiawan
2001590386
 ELearning Probabilitas

1,2

a. Probabilitas penerimaan lot pada sampel pertama :

Pa I = P ( d 1 ≤ c 1 ;  1 ) = P ( d 1 ≤ 1 ;  ) = 0,662


atau :
Pa I = P ( d 1 ≤ c 1 ) I = P ( d 1 ≤ 1 ) I = 0,662 ( dimana : 1 = 1,2 )

b. Probabilitas penerimaan lot pada sampel kedua :

Ragu-ragu Sampel 1  R I : { 2 dan 3 }

d1 = 2 : Pa II = P ( d 1 = 2 ;  1 ) * P ( d 2 ≤ 2 ;  2 )
 

Pa II = P ( d 1 = 2 ; 1,2 ) * P ( d 2 ≤ 2 ; 1,2 )
Pa II = 0,217 * 0,879 = 0,1907

d1 = 3 : Pa II = P ( d 1 = 3 ;  1 ) * P ( d 2 ≤ 1 ;  2 )
 

Pa II = P ( d 1 = 3 ; 1,2 ) * P ( d 2 ≤ 1 ; 1,2 )
Pa II = 0,087 * 0,662 = 0,0576
+
Pa II = 0,2483
4}
atau :

d1 = 2 : Pa II = P ( d 1 = 2 ) I * P ( d 2 ≤ 2 ) II
Pa II = 0,217 * 0,879 = 0,1907

d1 = 3 : Pa II = P ( d 1 = 3 ) I * P ( d 2 ≤ 1 ) II
Pa II = 0,087 * 0,662 = 0,0576
+
Pa II = 0,2483
atau :
Pa II = P ( d 1 = 2 ) I * P ( d 2 ≤ 2 ) II + P ( d 1 = 3 ) I * P ( d 2 ≤ 1 ) II
= { 0,217 * 0,879 } + { 0,087 * 0,662 }
= 0,1907 + 0,0576 dimana :
= 0,2483 I  1 = 1,2
II  2 = 1,2

c. Probabilitas total penerimaan lot berdasarkan rencana sampling tersebut :

Pa TOTAL = Pa I + Pa II
= 0,662 + 0,2483
ELearning BSLC

Mirellie Setiawan
2001590386
 ELearning Probabilitas
= 0,9103
2. Diketahui pemeriksaan 1 lot produk yang berisi 9.000 unit. Rata-rata cacat dalam
sampel = 3 %. Jika telah ditentukan bhw rencana sampling yg digunakan adalah sbb :
n 1 = 50 c1 = 1 r1 = 5
n 2 = 60 c2 = 6 r2 = 7
Maka, tentukan :
a. Tent. probabilitas penerimaan lot pada sampel pertama !
b. Tent. probabilitas penerimaan lot pada sampel kedua !
c. Tent. total probabilitas penerimaan lot berdasarkan rencana sampling tsb. !
Jawab :
Diketahui : N = 9.000 p‟ = 0,03
c1 = 1 r1 = 5 n 1 = 50  1 = n * p = 50 * 0,03 = 1,5
c2 = 6 r2 = 7 n 2 = 60   2 = n * p = 60 * 0,03 =
1,8

a. Probabilitas penerimaan lot pada sampel pertama :

Pa I = P ( d 1 ≤ c 1 ) I = P ( d 1 ≤ 1 ) I = 0,558 ( dimana : 1 = 1,5 )
b. Probabilitas penerimaan lot pada sampel kedua :

Ragu-ragu Sampel 1  R I : { 2, 3, dan 4

Pa II = P ( d 1 = 2 ) I * P ( d 2 ≤ 4 ) II + P ( d 1 = 3 ) I * P ( d 2 ≤ 3 ) II +
P ( d 1 = 4 ) I * P ( d 2 ≤ 2 ) II
= { 0,251 * 0,964 } + { 0,126 * 0,892 } + { 0,047 * 0,731 }
= 0,2420 + 0,1124 + 0,0344
= 0,3888 dimana : I  1 = 1,5
II  2 = 1,8

c. Probabilitas total penerimaan lot berdasarkan rencana sampling tersebut :

Pa TOTAL = Pa I + Pa II
= 0,558 + 0,3888
= 0,9468

Sampling Jamak ( Multiple Acceptance Sampling )

 Sampling Jamak : adalah suatu rencana sampling dimana keputusan untuk menerima atau
menolak lot berdasarkan pada pemeriksaan beberapa penarikan
sampel.

ELearning BSLC

Mirellie Setiawan
2001590386
 ELearning Probabilitas

 Prinsip dalam Sampling Jamak :

Sama seperti Prinsip dalam Sampling Ganda, tetapi dalam Sampling Jamak dapat
dilakukan beberapa kali penarikan sampel ( n 1, n 2, ..... , n k )  lebih dari 2 sampel
Sehingga, secara Biaya, lebih disukai Sampling Tunggal, tetapi secara Psikologis
lebih disukai Sampling Ganda atau Sampling Jamak.

 Probabilitas Penerimaan Sampling Jamak ( Pa ) :

Dasar perhitungan dalam Pa adalah dengan menggunakan distribusi Poisson.
Ada lebih dari 2 nilai Prob. Penerimaan ( Pa ) dlm Sampling Jamak : Pa I , Pa II , ..... , Pa k
Jadi, Probabilitas Penerimaan Total Sampling Jamak ( Pa TOTAL ) adalah :
Pa TOTAL = Pa I + Pa II + Pa III + ..... + Pa k
dimana : Pa I : Probabilitas Penerimaan Sampel I
Pa II : Probabilitas Penerimaan Sampel II
Pa k : Probabilitas Penerimaan Sampel ke - k






 Bagan Keputusan atau Mekanisme dalam Sampling Jamak :
Ambil sampel ke-1 ( n 1 )

Cek jmlh cacat pada sampel ke-1 ( d1

d 1  c1 c 1 < d 1 < r1 d 1  r1

Ambil sampel ke-2 ( n 2 )

Cek jumlah cacat pada sampel ke-2 ( d 2 )

d 1 + d2  c2 c 2 < d 1 + d 2 < r2 d 1 + d2 ≥ r2

Ambil sampel ke-3 ( n 3 )

ELearning BSLC

Mirellie Setiawan
2001590386
 ELearning Probabilitas

Cek jumlah cacat pada sampel ke-3 ( d 3 )

d 1 + d 2 + d 3  c3 d 1 + d 2 + d 3 ≥ r3
TERIMA LOT c 3 < d 1 + d 2 + d 3 < r3 TOLAK LOT

dst … s/d sampel ke-k

 Contoh Soal :
Diketahui rencana sampling yang digunakan dalam pemeriksaan produk adalah sbb :
n 1 = 50 c1 = 0 r1 = 3 p‟ = 0,05
n 2 = 60 c2 = 1 r2 = 3
n 2 = 80 c3 = 2 r3 = 3
Maka, tentukan total probabilitas penerimaan lot berdasarkan rencana sampling tsb. !
Jawab :
Diketahui : p‟ = 0,05
c1 = 0 r1 = 3 n 1 = 50  1 = n 1 * p‟ = 50 * 0,05 = 2,5
c2 = 1 r2 = 3 n 2 = 60  2 = n 2 * p‟ = 60 * 0,05 = 3,0
c3 = 2 r3 = 3 n 2 = 80  3 = n 3 * p‟ = 80 * 0,05 = 4,0

Probabilitas penerimaan lot pada sampel pertama :

Pa I = P ( d 1 ≤ c 1 ) I = P ( d 1 ≤ 0 ) I = 0,082 ( dimana : 1 = 2,5 )

Probabilitas penerimaan lot pada sampel kedua :

Ragu-ragu Sampel 1  R I : { 1 dan 2 }

Pa II = P ( d 1 = 1 ) I * P ( d 2 ≤ 0 ) II dimana : I  1 = 2,5
= { 0,205 * 0,050 } II  1 = 3,0
= 0,01025

Probabilitas penerimaan lot pada sampel ketiga :

Ragu-ragu Sampel 2  R II : { 2 }

Pa III = P ( d 1 = 1 ) I * P ( d 2 = 1 ) II * P ( d 3 ≤ 0 ) III + P ( d 1 = 2 ) I * P ( d 2 = 0 ) II * P ( d 3 ≤ 0 ) III

= { 0,205 * 0,149 * 0,018 } + { 0,256 * 0,050 * 0,018 }
= 0,00055 + 0,00023

ELearning BSLC

Mirellie Setiawan
2001590386
 ELearning Probabilitas

= 0,00078 dimana : I  1 = 2,5

II  2 = 3,0
III 3 = 4,0
Probabilitas total penerimaan lot berdasarkan rencana sampling tersebut :
Pa TOTAL = Pa I + Pa II + Pa III
= 0,082 + 0,01025 + 0,00078
= 0,09303
Kurva Karakteristik Operasi ( Operating Characteristic Curve = OC )
 Kurva OC : kurva yang digunakan untuk menilai rencana sampling.
 Kegunaan dari Kurva OC :
1. Menunjukkan Probabilitas Penerimaan ( Pa ) dari rencana sampling tertentu.
2. Menunjukkan hubungan antara Probabilitas Penerimaan ( Pa ) dengan persen produk
yang rusak dalam sampel ( p‟ )
3. Menunjukkan besar resiko produsen (  ) dan resiko konsumen (  ), dimana :
Resiko Produsen (  ) : probabilitas menolak produk yang sebenarnya baik
Resiko Konsumen (  ) : probabilitas menerima produk yg seharusnya ditolak
(buruk)
 Dalam Kurva OC, tidak :
1. Memprediksi % defective
2. Menyatakan tingkat kepercayaan pada % tertentu
3. Memprediksi kualitas akhir yang diperoleh setelah pemeriksaan
 Dasar pembuatan dalam Kurva OC : menggunakan Distribusi Poisson atau Hipergeometri
 Langkah-langkah dalam pembentukan Kurva OC :
1. Tentukan nilai po
2. Hitung nilai n.po
3. Cari nilai Pa dari tabel Poisson berdasarkan nilai c dan np
4. Gambar titik-titik dari nilai 100 po dan Pa
5. Hubungkan antar titik, setelah kurva terbentuk dapat dilihat peluang lot diterima.
Contoh :
Diketahui beberapa data mengenai rencana Sampling Penerimaan yg akan digunakan sbb
N = 5000 c=2
n = 100 p‟ = 0,02
Maka, berdasarkan data diatas, dapat ditentukan rumusan mengenai Pa nya sbb :
 = n.p = 100 * 0,02 = 2
Pa = P ( d ≤ c ;  ) = P ( d ≤ 2 ;  ) = 0,6767

po 100 po n n.po Pa

ELearning BSLC

Mirellie Setiawan
2001590386
 0,01 1,0 100 1 0,9197 Dari tabel Kualitas
0,02 2,0 100 2 0,6767 Proses diatas, dapat
0,03 3,0 100 3 0,4232 dibentuk grafik
0,04 4,0 100 4 0,2381 Kurva OC sbb
0,05 5,0 100 5 0,1247
0,06 6,0 100 6 0,0620
0,07 7,0 100 7 0,0296
0,08 8,0 100 8 0,0138
0,09 9,0 100 9 0,0062
0,10 10,0 100 10 0,0028

Jika ada 100 lot, maka kemungkinan lot yang diterima adalah 100 lot * 0,6767 = 67,67
lot
 68 lot.
 Kurva OC untuk Rencana Sampling Penerimaan Ganda :
Dalam pembuatan Kurva OC dalam suatu Rencana Sampling Ganda akan
membentuk 3 buah garis dalam kurva, yaitu :
1. Garis yang menggambarkan probabilitas penerimaan sampel pertama ( Pa I )
2. Garis yang menggambarkan probabilitas penerimaan sampel kedua ( Pa II )
3. Garis yang menggambarkan probabilitas penerimaan sampel gabungan ( Pa TOTAL )
Contoh :
Diketahui data mengenai Rencana Sampling Penerimaan Ganda sbb :
N = 9000 p‟ = 0,03
c1 = 1 r1 = 5 n 1 = 50  1 = n * p = 50 * 0,03 = 1,5
c2 = 6 r2 = 7 n 2 = 60  2 = n * p = 60 * 0,03 = 1,8

Probabilitas penerimaan lot pada sampel pertama :

Pa I = P ( d 1 ≤ c 1 ) I = P ( d 1 ≤ 1 ) I = 0,558 ( dimana : 1 = 1,5 )

Probabilitas penerimaan lot pada sampel kedua :

dimana : I  1 = 1,5
Ragu-ragu Sampel 1  R I : { 2, 3, dan 4 }
II  2 = 1,8

Pa II = P ( d 1 = 2 ) I * P ( d 2 ≤ 4 ) II + P ( d 1 = 3 ) I * P ( d 2 ≤ 3 ) II + P ( d 1 = 4 ) I * P ( d 2 ≤ 2 )
II
= { 0,251 * 0,964 } + { 0,126 * 0,892 } + { 0,047 * 0,731 }
= 0,2420 + 0,1124 + 0,0344
= 0,3888

Probabilitas total penerimaan lot berdasarkan rencana sampling tersebut :

Pa TOTAL = Pa I + Pa II

ELearning BSLC

Mirellie Setiawan
2001590386
 = 0,558 + 0,3888
= 0,9468
Jika disusun dalam suatu tabel Kualitas Proses, diperoleh nilai Pa untuk tiap po sbb :
po 100 po n1 n 1 . po n2 n 2 . po Pa I Pa II Pa TOTAL
0,01 1,0 50 0,5 60 0,6 0,9098 0,0899 0,9997
0,02 2,0 50 1 60 1,2 0,7358 0,2552 0,9910
0,03 3,0 50 1,5 60 1,8 0,5578 0,3881 0,9460
0,04 4,0 50 2 60 2,4 0,4060 0,4366 0,8426
0,05 5,0 50 2,5 60 3 0,2873 0,4040 0,6913
0,06 6,0 50 3 60 3,6 0,1991 0,3246 0,5237
0,07 7,0 50 3,5 60 4,2 0,1359 0,2341 0,3700
0,08 8,0 50 4 60 4,8 0,0916 0,1551 0,2467
0,09 9,0 50 4,5 60 5,4 0,0611 0,0960 0,1571
0,10 10,0 50 5 60 6 0,0404 0,0561 0,0965
INDIFFERENCE QUALITY LEVEL ( IQL )
 IQL : tingkat kualitas di antara AQL dan LQL.
 Biasanya IQL berada pada tingkat kualitas dengan Pa = 0,5

Pa
1


0,5


p‟
AQL IQL LQL

ELearning BSLC

Mirellie Setiawan
2001590386
AVERAGE OUTGOING QUALITY ( AOQ )
 AOQ : merupakan alat untuk mengevaluasi rencana sampling
 AOQ : harga rata-rata kualitas output ( harga rata-rata dari persentase yg tidak memenuhi
syarat sesudah lot ditolak, diperiksa 100 %, dan yang tidak memenuhi syarat
disingkirkan )

 AOQ : kualitas yang keluar dari suatu inspeksi dengan asumsi setiap lot yang ditolak,
diperiksa, dikembalikan dengan 100 % produk baik untuk diterima konsumen.

 AOQ = p‟ * Pa

 Kurva AOQ : berapa besar rata-rata kualitas setelah lot yang ditolak, diperiksa 100%,
dan yang tidak memenuhi syarat dipisahkan.

 Contoh :
Pengiriman 15 lot berukuran N = 5000 dikirim dari produsen ke konsumen. Dalam 15 lot
tsb terdapat 2 % defective. Rencana sampling penerimaan yang digunakan adalah n = 100
dan c = 2. Dari kurva OC diketahui nilai Pa untuk cacat 2 % adalah 0,6767. Jadi lot yang
diterima oleh konsumen adalah 15 * 0,6767 = 10,1505  10 lot. 5 lot akan ditolak dan
dikembalikan ke produsen. 5 lot tersebut akan diperiksa 100 % dan kembali ke konsumen
dengan persen cacat 0 %.
Gambaran dari persoalan diatas adalah sbb :
15 lot 10 lot diterima
p‟ = 0,02 N = 5000 p‟ = 0,02
Produsen n = 100 Konsumen
c =2

5 lot ditolak

5 lot dikirim kembali dengan 0 %

Jadi, berdasarkan ilustrasi diatas, % cacat yang sesungguhnya diterima konsumen adalah :

Total produk yg diterima : Produk defective :

10 lot  2 % defective : 10 * 5000 = 50.000 50.000 * 0,02 = 1000
5 lot  0 % defective : 5 * 5000 * 0,98 = 24.500 25.000 * 0 = 0

74.500 1000

1000
% Cacat ( AOQ ) = * 100 = 1,34 % ; atau :
74.500

% Cacat ( AOQ ) = p‟ * Pa = 0,02 * 0,6767 = 0,0135 = 1,35 %

ELearning BSLC

Mirellie Setiawan
2001590386
 Contoh Pembuatan Kurva AOQ :
Diketahui Rencana Sampling Penerimaan Tunggal yang akan digunakan sbb :
N = 5000 c=2
n = 100 p‟ = 0,02
Jika dalam tabel Kualitas Proses sebelumnya ditambahkan kolom nilai AOQ untuk tiap
po ( dimana : AOQ = p‟ * Pa atau 100po * Pa ), maka akan diperoleh nilai AOQ sbb :
po 100 po n n.po Pa AOQ (%)
0,01 1,0 100 1 0,9197 0,9197
0,02 2,0 100 2 0,6767 1,3534
0,03 3,0 100 3 0,4232 1,2696
0,04 4,0 100 4 0,2381 0,9524
0,05 5,0 100 5 0,1247 0,6233
0,06 6,0 100 6 0,0620 0,3718
0,07 7,0 100 7 0,0296 0,2075
0,08 8,0 100 8 0,0138 0,1100
0,09 9,0 100 9 0,0062 0,0561
0,10 10,0 100 10 0,0028 0,0277

AOQL ( Average Outgoing Quality Limit ) : harga max. dari AOQ sebagai fungsi dari p‟
AOQL = max AOQ = 1,3534 % ( untuk contoh soal diatas )
AVERAGE SAMPLE NUMBER ( ASN ) ( Rata-rata jumlah sampel )
 ASN : perbandingan rata-rata jumlah yg diperiksa per lot oleh konsumen untuk sampling
tunggal, ganda, dan jamak.
 ASN digunakan untuk pemeriksaan sampel TIDAK 100%
 Rumus perhitungan nilai ASN untuk jenis sampling :
a. Sampling Tunggal : ASN = n
b.
b. Sampling Ganda : ASN = n 1 + n 2 ( 1 – P 1 )
Dimana : P1 = probabilitas kesimpulan pada sampel ke-1
 P1 = Prob. Penerimaan sampel 1 + Prob. Penolakan sampel 1
 P1 = P ( d 1  c 1 ; ) + P( d 1  r 1 ; )

c. Sampling Jamak : ASN = n 1 . P1 + ( n 1 + n 2 ) . P 2 + …. + ( n 1 + n 2 + .… + n k ) . P

k
Dimana : Pk = probabilitas kesimpulan pada sampel ke-k

 Contoh Soal :
1. Diketahui Rencana Sampling Penerimaan Tunggal yang akan digunakan sbb :
N = 1000 c=1

ELearning BSLC

Mirellie Setiawan
2001590386
 n = 20 p‟ = 5 % = 0,05
Jika diasumsikan pemeriksaan sampel diatas tidak dilakukan 100%, maka nilai ASN
untuk persoalan diatas adalah :
ASN = n = 20
2. Diketahui Rencana Sampling Penerimaan Ganda yang akan digunakan sbb :
N = 9000 p‟ = 0,03
c1 = 1 r1 = 5 n 1 = 50  1 = n * p = 50 * 0,03 = 1,5
c2 = 6 r2 = 7 n 2 = 60  2 = n * p = 60 * 0,03 = 1,8
Jika diasumsikan pemeriksaan sampel diatas tidak dilakukan 100%, maka nilai ASN
untuk persoalan diatas adalah :
P1 = P ( d 1  c 1 ; ) + P ( d 1  r 1 ; ) = P ( d 1  c 1 ) I + P ( d 1  r 1) I
= P ( d 1  1 ; 1,5) + P ( d 1  5 ; 1,5) = P ( d 1  1 ) I + P ( d 1  5) I
= 0,558 + ( 1 – 0,982 ) = 0,558 + ( 1 – 0,982 )
= 0,576

ASN = n 1 + n 2 ( 1 – P 1 )
= 50 + 60 ( 1 – 0,576 )
= 75,44

AVERAGE TOTAL INSPECTION ( ATI )

 ATI : rata-rata jumlah inspeksi per lot jika pemeriksaan dilakukan 100 % untuk lot yang
ditolak.

 ATI digunakan untuk pemeriksaan sampel 100%

 Rumus perhitungan nilai ATI untuk jenis sampling :

a. Sampling Tunggal : ATI = n + ( 1 – Pa ) ( N – n )
b. Sampling Ganda :
ATI = n 1 . Pa 1 + ( n 1 + n 2 ) ( Pa 2 – Pa 1 ) + N ( 1 – Pa 2 ) ; atau :
= n 1 . Pa 2 + n 2 ( Pa 2 – Pa 1 ) + N ( 1 – Pa 2 )
c. Sampling Jamak :
ATI = n 1 Pa 1 + ( n 1 + n 2 ) Pa 2 + … + ( n 1 + n 2 + ... + n k ) Pa k + N ( 1–Pa TOTAL )

 Contoh Soal :
1. Diketahui Rencana Sampling Penerimaan Tunggal yang akan digunakan sbb :
N = 1000 c=1
n = 20 p‟ = 5 % = 0,05  = n . p = 20 * 0,05 = 1

ELearning BSLC

Mirellie Setiawan
2001590386
 Jika diasumsikan pemeriksaan sampel diatas dilakukan 100%, maka nilai ATI untuk
persoalan diatas adalah :
Pa = P ( d ≤ c ;  ) = P ( d ≤ 1 ;  ) = 0,736
ATI = n + ( 1 – Pa ) ( N – n )
= 20 + ( 1 – 0,736 ) ( 1000 – 20 )
= 278,72
ATI  279

2. Diketahui Rencana Sampling Penerimaan Ganda yang akan digunakan sbb :

N = 9000 p‟ = 0,03
c1 = 1 r1 = 5 n 1 = 50  1 = n * p = 50 * 0,03 = 1,5
c2 = 6 r2 = 7 n 2 = 60  2 = n * p = 60 * 0,03 = 1,8
Dari hasil perhitungan sebelumnya, diperoleh nilai Probabilitas Penerimaan untuk :
Pa I = 0,558 Pa TOTAL = 0,9468
Pa II = 0,3888
Jika diasumsikan pemeriksaan sampel diatas dilakukan 100%, maka nilai ATI untuk
persoalan diatas adalah :
ATI = n 1 . Pa 2 + n 2 ( Pa 2 – Pa 1 ) + N ( 1 – Pa 2 )
= ( 50 * 0,3888 ) + 60 ( 0,3888 – 0,558 ) + 9000 ( 1 – 0,3888 )
= 5510,088
ATI  5510

ELearning BSLC

Mirellie Setiawan
2001590386
SAMPLING PENERIMAAN ATRIBUT ( MIL–STD–105D / ABC–STD–105 )
 Sampling Penerimaan Atribut : suatu rencana sampling untuk inspeksi lot per lot.
 Sistem ini dipilih karena pertimbangan :
1. Sistem AQL tidak mensyaratkan inspeksi 100% untuk lot yang ditolak.
2. Kemudahan dimengerti dan dilaksanakan :
a. Sistem AQL tidak memerlukan perhitungan yang rumit  ada tabel
b. Adanya pengertian : Mutu Lot = Nilai AQL yang digunakan
( adanya jaminan bhw lot yg diterima oleh sampling dianggap mutunya = AQL )
3. Adanya jaminan bahwa lot yang ditolak berkisar 10% – 12% ( asal produsen
membuat barang sesuai dengan standar yang ditetapkan ).

 Prosedur ABC – STD – 105 D :

1. Menetapkan nilai AQL yang akan dipakai ( dalam % )
AQL ditetapkan berdasarkan kriteria cacat max yang dapat diterima oleh konsumen.
2. Menetapkan Tingkat Pemeriksaan :
a. Tingkat Pemeriksaan Umum ( General Inspection Level ), terdiri dari :
 Pemeriksaan I : daya pisah rendah, n 
 Pemeriksaan II : kondisi normal, n sedang
 Pemeriksaan III : daya pisah tinggi, n 
b. Tingkat Pemeriksaan Khusus ( Special Inspection Level ), dipakai untuk :
 Ukuran sampel kecil
 Ada syarat
 Kondisi khusus tentang ukuran sampel
 Resiko sampling dapat ditoleransi
Tingkat Pemeriksaan Khusus ada 4 Level, yaitu : S1, S2, S3, S4.
3. Mencari ukuran lot ( N ) :
Syarat lot : lot memiliki penyebab variasi yg sama dan ukuran lot diusahakan besar.
4. Menentukan kode ukuran sampel dari tabel ABC – STD
5. Menetapkan Jenis Sampling Penerimaan : Tunggal, Ganda, atau Jamak
6. Memutuskan Jenis Pemeriksaan yang akan dipakai :
 3 kondisi pemeriksaan : Ketat, Normal, dan Longgar
 Proses Pemakaian :
 Untuk Tahap Awal : biasanya digunakan Pemeriksaan Normal
 Bila produksi lebih buruk dari AQL yang ditetapkan  Pemeriksaan Ketat
 Bila produksi lebih baik dari AQL yang ditetapkan  Pemeriksaan Longgar
7. Memilih Tabel ABC – STD
8. Mencari nilai Rencana Sampling Penerimaannya :
 n : Ukuran Sampel

ELearning BSLC

Mirellie Setiawan
2001590386
  c : Angka Penerimaan
 r : Angka Penolakan

 Contoh Soal :
1. Diketahui rencana Sampling Tunggal dengan menggunakan tabel ABC – STD untuk
GIL II, N = 1000, AQL = 1 %, dan p = 12,5 % !
a. Tentukan rencana samplingnya ( Normal, Ketat, dan Longgar ) !
b. Hitung probabilitas penerimaan lot untuk kondisi inspeksi Longgar !
c. Hitung probabilitas lot inspeksi Longgar ditolak !
d. Hitung probabilitas bahwa lot inspeksi Longgar diterima tetapi pindah ke Normal
Jawab :
Diketahui : Sampling Tunggal dengan tabel ABC – STD :
General Inspection Level II ( GIL II )
N = 1000 Kode J
AQL = 1 %
p‟ = 12,5 %
a. Rencana Sampling Penerimaan :

n c r 
Normal 80 2 3 10
Ketat 80 1 2 10
Longgar 32 1 3 4

b. Probabilitas penerimaan lot untuk kondisi inspeksi Longgar (

Pa ) : Pa = P ( d ≤ c ;  ) = P ( d ≤ 1 ; 4 ) = 0,091
c. Probabilitas lot inspeksi Longgar ditolak (
Pa‟ ) : Pa‟ = P ( d ≥ r ;  ) = P ( d ≥ 3 ; 4)
= 1 – P(d ≤ 2 ; 4)
=1 – 0,238
= 0,762
d. Probabilitas bahwa lot inspeksi Longgar diterima tetapi pindah ke Normal ( Pa” ) :
Pa” = P ( c < d < r ;  ) = P ( 1 < d < 3 ; 4 )
= P(d = 2 ; 4)
= 0,147
2. Diketahui rencana Sampling Ganda dengan menggunakan tabel ABC – STD untuk
GIL I, N = 20000, AQL = 1,5 %, dan p‟ = 12,5 % !
a. Tentukan rencana samplingnya ( Normal, Ketat, dan Longgar ) !
b. Hitung probabilitas penerimaan lot untuk kondisi inspeksi Longgar !
c. Hitung probabilitas lot inspeksi Longgar ditolak !
d. Hitung probabilitas bahwa lot inspeksi Longgar diterima tetapi pindah ke Normal
Jawab :

ELearning BSLC

Mirellie Setiawan
2001590386
Diketahui : Sampling Ganda dengan tabel ABC – STD :
General Inspection Level I ( GIL I )
N = 20000 Kode K
AQL = 1,5 %
p‟ = 12,5 %
a. Rencana Sampling Penerimaan :

n1 c1 r1 n2 c2 r2
Normal 80 2 5 80 6 7
Ketat 80 1 4 80 4 5
Longgar 32 0 4 32 3 6

b. Probabilitas penerimaan lot untuk kondisi inspeksi Longgar ( Pa TOTAL ) :

Inspeksi Longgar :  1 = n 1 * p‟ = 32 * 0,125 = 4
 2 = n 2 * p‟ = 32 * 0,125 = 4

Ragu-ragu Sampel 1  R I : { 1, 2, dan 3 }

Pa I = P ( d 1 ≤ c 1 ) I = P ( d 1 ≤ 0 ) I = 0,018
Pa II = P ( d 1 = 1 ) I * P ( d 2 ≤ 2 ) II + P ( d 1 = 2 ) I * P ( d 2 ≤ 1 ) II +
P ( d 1 = 3 ) I * P ( d 2 ≤ 0 ) II
= ( 0,073 * 0,238 ) + ( 0,147 * 0,091 ) + ( 0,195 * 0,018 )
= 0,034261
Pa TOTAL = Pa I + Pa II
= 0,018 + 0,034261
= 0,052261
c. Probabilitas lot inspeksi Longgar ditolak ( Pa TOTAL‟ ) :
Pa I‟ = P ( d 1 ≥ r 1 ) I = P ( d 1 ≥ 4 ) I = 1 – 0,433 = 0,567
Pa II‟ = P ( d 1 = 1 ) I * P ( d 2 ≥ 5 ) II + P ( d 1 = 2 ) I * P ( d 2 ≥ 4 ) II +
P ( d 1 = 3 ) I * P ( d 2 ≥ 3 ) II
= (0,073 * (1 – 0,628)) + (0,147 * (1 – 0, 433)) + (0,195 * (1 – 0,238))
= 0,259095
Pa TOTAL‟ = Pa I‟ + Pa II‟
= 0,567 + 0,259095
= 0,826095
d. Probabilitas bahwa lot inspeksi Longgar diterima tetapi pindah ke Normal ( Pa” ) :
Keputusan Ragu-ragu  ada pada sampel ke-2
 syarat : c 2 < d 1 + d 2 < r 2
3 < d1 + d2 < 6  4 ≤ d1 + d2 ≤ 5

ELearning BSLC

Mirellie Setiawan
2001590386
Pa” = P ( d 1 = 1 ) I * P ( 3 ≤ d 2 ≤ 4 ) II + P ( d 1 = 2 ) I * P ( 2 ≤ d 2 ≤ 3 ) II +
P ( d 1 = 3 ) I * P ( 1 ≤ d 2 ≤ 2 ) II
= ( 0,073 * ( 0,628 – 0,238 ) ) + ( 0,147 * ( 0,433 – 0, 091 )
) + ( 0,195 * ( 0,238 – 0,018 ) )
= 0,12164

ELearning BSLC

Mirellie Setiawan
2001590386
LINEAR BERGANDA
Berikut adalah data tentang tingkat kehadiran di kelas dan skor IQ mahasiswa yang diperkirakan
mempengaruhi nilai akhir yang diperoleh!
Kehadiran di kelas (%) Skor IQ Nilai akhir
1. 60 110 65
2. 70 120 70
3. 75 115 75
4. 80 130 75
5. 80 110 80
6. 90 120 80
7. 95 120 85
8. 95 125 95
9. 100 110 90
10. 100 120 98
Lakukan analisis regresi linier berganda dengan menjawab pertanyaan-pertanyaan dibawah ini:
1. Buatlah persamaan regresi linier berganda.
2. Variabel apa yang memberikan pengaruh lebih besar terhadap nilai akhir mahasiswa! Jelaskan
mengapa?
3. Berapa nilai koefisien determinasinya? Apa artinya?
Kehadiran di kelas (%) => X1
Skor IQ => X2
Nilai akhir => Y
X1 X2 Y X12 x22 y2 x1x2 x1y x2y
1 60 110 65 3600 12100 4225 6600 3900 7150
2 70 120 70 4900 14400 4900 8400 4900 8400
3 75 115 75 5625 13225 5625 8625 5625 8625
4 80 130 75 6400 16900 5625 10400 6000 9750
5 80 110 80 6400 12100 6400 8800 6400 8800
6 90 120 80 8100 14400 6400 10800 7200 9600
7 95 120 85 9025 14400 7225 11400 8075 10200
8 95 125 95 9025 15625 9025 11875 9025 11875
9 100 110 90 10000 12100 8100 11000 9000 9900
10 100 120 98 10000 14400 9604 12000 9800 11760
∑ 845 1180 813 73075 139650 67129 99900 69925 96060

n=10
∑X1 = 845 ∑X2 = 1180 ∑Y = 813
∑X12 = 73075 ∑X22 = 139650 ∑Y2 = 67129
ELearning BSLC

Mirellie Setiawan
2001590386
∑X1 X2 = 99900 ∑X1 Y = 69925 ∑X2Y = 96060
(i) 10a + 845b1 + 1180b2 = 813
(ii) 845a + 73075b1 + 99900b2 = 69925
(iii) 1180a + 99900b1 + 139650b2 = 96060
Persamaan (i) dikali 118 dikedua ruas =>

Persamaan (ii) dikali 2 dan persamaan (i) dikali 169 =>

(iv) 190b1 + 410b2 = 126

(v) 3345b1 + 380b2 = 2453
Persamaan (iv) dikali 3345 dan persamaan (v) dikali 190 =>

substitusi nilai b2 ke persamaan (iv) =>

190b1 + 410(-0.00343) = 126
190b1 – 1.4063 = 126
190b1 = 127.4063
b1 = 0.6705
substitusi nilai b1 dan b2 ke persamaan (i) =>
10a + 845(0.6705) + 1180(-0.00343) = 813
10a + 566.5725 – 4.0474 = 813
10a + 562.5251 = 813
10a = 813 – 562.5251
a = 25.047
Y = 25.047 + 0.6705X1 – 0.00343X2 Koefisien korelasi berganda (R)
=>Dilihat dari persamaan regresi diatas, nilai absolute b1 lebih besar dibandingkan dengan nilai absolute b2,
dimana b1 menandakan kemiringan X1 (kehadiran dikelas) dan b2 menandakan kemiringan X2 (skor IQ),
berarti dapat disimpulkan bahwa presentase kehadiran dikelas lebih berpengaruh daripada skor IQ.

Koefisien Determinasi (R2)

R2 = (0.6935)2 = 0.4809 = 48.09%
=> Nilai akhir pada data yang dapat dijelaskan oleh tingkat kehadiran (X 1) dan skor IQ (X2) oleh persamaan
regresi Y = 25.047 + 0.6705X1 – 0.00343X2 adalah sebesar 48.09%. Sisanya, sebesar 51.91% dijelaskan
oleh factor lain diluar variable-variabel pada persamaan regresi Y = 25.047 + 0.6705X1 – 0.00343X2.

ELearning BSLC

Mirellie Setiawan
2001590386
 enurut kajian literatur permintaan suatu produk
ditentukan oleh harga barang dan pendapatan
seseorang. Hasil pengamatan terhadap 12 sampel
atas permintaan suatu barang dalam hal ini gula
diperoleh data harga minyak goreng dan
pendapatan konsumen :
Langkah-langkah penyelesaiannya:
> Variabel bebas dan variabel tak bebas

 Variabel Bebas : X1 = Harga minyak goreng dan

X2 = Pendapatan konsumen
 Variabel Tak Bebas : Y = Permintaan minyak
goreng
> Persamaan regresi linear berganda : Y' = a +
b1X1 + b2X2

> Menentukan nilai konstanta dan koefisien

regresi
sehingga

Khusus untuk parameter b1 data adalah dalam ribuan, sehingga hasil tersebut harus dibagi dengan 1000,
diperoleh b1 = -0,000582 = -0,001.
Jadi persamaan Regresi Linear Berganda dengan dua variabel bebas adalah :

Y' = 12,7753 - 0,001 X1 - 0,488 X2

> Interpretasi koefisien regresi

 Nilai a = 12,7753 artinya jika tidak ada harga minyak goreng dan pendapatan konsumen, namun permintaan
akan minyak goreng sebanyak 12,7753.
 Nilai b1 = -0,001 artinya jika harga minyak goreng meningkat satu rupiah maka akan terjadi penurunan
permintaan sebesar 0,001 satuan dimana pendapatan konsumen dianggap tetap.

ELearning BSLC

Mirellie Setiawan
2001590386
 Nilai b2 = - 0,488 artinya jika pendapatan konsumen mengalami kenaikan sebesar satu rupiah maka akan
terjadi penurunan permintaan gula sebesar 0,488 satuan dimana harga gula dianggap tetap.
> Menghitung Koefisien Determinasi

Artinya sekitar 94,21% variasi variabel bebas harga minyak goreng X1 dan pendapatan konsumen X2 dapat
menjelaskan variasi variabel tak bebas permintaan minyak goreng Y.

Note :
b1 yang digunakan -0,582 dan pengali -32 seharusnya -32000 sehingga perkalian keduanya akan memiliki
hasil yang sama yaitu (-0,00582 x -32000) = (-0,582 x 32).

> Menghitung Koefisien Korelasi Berganda

Artinya terjadi hubungan yang sangat kuat antara variabel bebas harga minyak goreng X1 dan pendapatan
konsumen X2 dengan variabel tak bebas permintaan minyak goreng Y.

> Menghitung Nilai Standart Error Estimate

Jadi standart error persamaan regresi adalah 0,6818, hal ini menunjukkan penyimpangan data-data terhadap
garis persamaan regresi linear berganda yang terbentuk. Nilainya cukup kecil.

> Menghitung Nilai Korelasi Parsial

dimana

ELearning BSLC

Mirellie Setiawan
2001590386
. Diperoleh output sebagai berikut :

Dari output disamping menjelaskan

mengenai output dari method yang kita pilih
yaitu Enter.

Dari output di atas pada tabel Model

Summary diperoleh nilai koefisien determinasi Rsquared = 0,942 yang berarti sekitar 94,2% variasi
sampel harga minyak dan pendapatan dapat menjelaskan variasi variabel permintaan minyak goreng. Nilai
ini merupakan nilai yang tinggi dan
mencerminkan terjadinya hubungan
kuat antara variabel bebas X1 dan
X2 dan variabel tak bebas Y.

Nilai Adjusted Rsquared pun

menunjukkan nilai yang tinggi yaitu
0,929. Nilai ini sama-sama boleh
ELearning BSLC

Mirellie Setiawan
2001590386
digunakan dengan Rsquared. Jika kita ingin menggeneralisasikannya ke populasi dan responden yang
dipilih acak maka kita gunakan Adjusted Rsquare dan jika sampel tidak acak kita gunakan
sebaiknyaRsquared. Nilai keduanya akan mendekati nilai yang sama jika sampel yang diambil berukuran
besar.
Pada kolom Coefficients diperoleh nilai koefisien/parameter regresi linear berganda a = 12,775, b1 = -0,001
dan b2 = -0,488. Sehingga persamaan regresi yang diperoleh adalah :

Y' = 12,775 -0,001X1 - 0,488X2

Dan untuk uji-t diambil dari kolom t dan sig. pada variabel X1 dan X2. Tabel ini berguna untuk pengujian
parameter secara parsial, apakah variabel bebas secara terpisah berpengaruh signifikan terhadap variabel tak
bebas.

a. Uji parameter b1
Hipotesis Uji :
Ho : b1 = 0
Ha : b1 ≠ 0

Taraf Signifikansi :
Pilih nilai = 5%

Daerah Kritis :
Dengan nilai signifikansi 5% dan derajat bebas df = n-2 = 12-2 = 10, maka diperoleh t-tabel = 2,228.

Statistik Uji :
Diperoleh t-hitung = -1,486 dan nilai p-value = 0,172

Keputusan :
Nilai t-hitung = -1,486 > t-tabel = -2,228 atau nilai p-value = 0,172 > 0,05.
Jadi Ho diterima dan Ha ditolak.

Kesimpulan :
Dengan signifikansi 5% ternyata harga minyak goreng tidak berpengaruh terhadap permintaan minyak goreng
tersebut. Hal ini minyak goreng adalah kebutuhan pokok yang sangat dibutuhkan oleh semua orang dalam
memenuhi kebutuhan makanannya. Berapapun harganya permintaan akan minyak gorengpun tetap ada.

b. Uji parameter b2
Hipotesis Uji :
Ho : b2 = 0
Ha : b2 ≠ 0

Taraf Signifikansi :
Pilih nilai = 5%

Daerah Kritis :
Dengan nilai signifikansi 5% dan derajat bebas df = n-2 = 12-2 = 10, maka diperoleh t-tabel = 2,228.

Statistik Uji :
Diperoleh t-hitung = -3,776 dan nilai p-value = 0,172

ELearning BSLC

Mirellie Setiawan
2001590386
Keputusan :
Nilai t-hitung = -3,776 < t-tabel = -2,228 atau nilai p-value = 0,004 < 0,05.
Jadi Ho ditolak dan Ha diterima.

Kesimpulan :
Dengan signifikansi 5% ternyata pendapatan konsumen berpengaruh terhadap permintaan minyak goreng
tersebut.

Tabel ANOVA di atas adalah salah satu untuk menguji ketepatan model. Apakah variabel bebas secara
bersama-sama mempengaruhi variabel tak bebas. Kita menggunakan uji F.

Hipotesis Uji :
Ho : b1 = b2 = 0
Ha : Terdapat bi ≠ 0 dengan i = 1 dan 2

Taraf Signifikansi :
Pilih nilai = 5%

Daerah Kritis :
Dengan nilai signifikansi 5%, derajat bebas pembilang dk = 2 dan derajat bebas penyebut df = n-k-1 = 12-2-
1 = 9, maka diperoleh F-tabel =19,39.

Statistik Uji :
Diperoleh F-hitung = 73,312 dan nilai p-value = 0,000

Keputusan :
Nilai t-hitung = 73,312 > F-tabel = 19,39 atau nilai p-value = 0,000 < 0,05.
Jadi Ho ditolak dan Ha diterima.

Kesimpulan :
Dengan signifikansi 5% harga minyak goreng dan pendapatan konsumen secara bersama-sama berpengaruh
terhadap permintaan minyak goreng.

Internal Revenue Service mencoba mengestimasi pajak aktual yang tak terbayar tiap bulan di divisi
Auditing. Dua faktor yang mempengaruhinya adalah jumlah jam kerja pegawai dan jumlah jam kerja mesin
(komputer). Untuk menganalisis seberapa besar kedua faktor itu mempengaruhi besarnya pajak aktual tak
terbayar tiap bulan, dilakukan pencatatan selama 10 bulan dengan data ditunjukkan pada tabel berikut.
Cari persamaan regresi linier bergandanya!

1.Diketahui suatu penelitian terhadap hubungan antara nilai biaya periklanan dengan tingkat penjualan dari
sebuah koperasi adalah sebagai berikut : (dalam ribuan rupiah)

Biaya periklanan Tingkat Penjualan a. Tentukan persamaan regresinya

50 40 b. Berapa besarnya koefisien korelasi dan koefisien

determinasinya
51 46 c. Berapa besarnya kesalahan standar estimasinya ?
52 44
53 55

ELearning BSLC

Mirellie Setiawan
2001590386
 54 49 d. Dengan tingkat signifikasi 10%, ujilah hipotesis yang
menyatakan bahwa hubungan antara biaya periklanan
dan tingkat penjualan sedikitnya 40%!

Jawab :

a. Menentukan persamaan regresinya

Langkah 1 :
Menentukan variable X dan variable Y. Dalam soal ini variable biaya periklanan merupakan variable X dan
tingkat penjualan merupakan variable Y.
Langkah 2 :
Membuat table regresi sederhana
Periklanan (X) Tkt. Penjualan (Y) (X)2 (Y)2 (XY)
50 40 2500 1600 2000
51 46 2601 2116 2346
52 44 2704 1936 2288
53 55 2809 3025 2915
54 49 2916 2401 2646
260 234 13530 11078 12195

Langkah 3 :
Menentukan koefisien a dan koefisien b
b = n ∑XY – ∑X.∑Y
n ∑X2 – (∑X2)
= 5 (12195) –(260)(234)
5 (13530) – (260)2
= 2,7
a = ∑Y – b ∑X
n
= {(234) – 2,7 (260)} / 5
= -93,6
Langkah 4:
Menentukan persamaan regresi linier sederhana
Y = a + b (X)
Maka persamaan regresi dalam soal ini adalah :
Y = -93,6 + 2,7 (X)
b. Menentukan besarnya koefisien korelasi dan koefisien determinasi
Koefisien korelasi :
r = n (∑XY) – (∑X) (∑Y)
[ n (∑X2) – (∑X2)]1/2 [ n (∑Y2) – (∑Y)2]1/2
= 5(12195) – (260) (234)
[ 5 (13530) – (260)2] 1/2 [ 5 (11078) – (234)2]1/2
= 0,76
c. Menentukan besarnya kesalahan standar estimasi
Se = ∑Y2 – a ∑Y – b ∑XY)
n-2
= √( 11078 - (-93,6) (234) – (2,7) (1915))
5 -2
= 4,24

ELearning BSLC

Mirellie Setiawan
2001590386
 d. Pengujian Hipotesis
1. Tentukan Ho dan Ha
Ho : β ≥ 0,4
Ha : β <>

2. Uji hipoteis 1 arah

3. Tingkat signifikan
alpha = 0,1

4. Wilayah kritis t ()
db = n – 2
= 5-2
=3
t (0,1 ; 3) = 1,638
5. Nilai hitung
Sb = Se / √ ((∑X2) – ((∑X)2 / n)
= 4,24 / √(13530 – (260)2 / 5) = 1,342
t hitung = b – β / Sb
= 2,7 - 0,4 / 1,342 = 1,714

6. Keputusan : terima Ho, tolak Ha

7. Kesimpulan :
Pendapat yang menyatakan bahwa hubungan biaya periklanan dengan tingkat penjualan lebih kecil (<) dari
0,4 adalah benar, dimana biaya mempengaruhi tingkat penjualan sebesar 57.76%

Sebuah penelitian terhadap pohon Mahoni, dimana akan

diteliti apakah ada hubungan antara tinggi pohon dengan
diameter batang pohon, dengan artian apakah ada
pengaruh diameter batang pohon terhadap tinggi pohon
tersebut.
Diambil sampel secara acak sejumlah delapan pohon
mahoni.Dapat dilihat dari Tabel 1 pada kolom X dan Y.

Hal pertama yang akan kita lakukan adalah membentuk

persamaan regresi, yaitu :
Y' = a + bX

Selanjutnya adalah menentukan konstanta a dan

koefisien b, kita ikuti langkah sebagai berikut :
maka diperoleh :

Persamaan regresi diperoleh :

Y' = -1,3147 + 4,5413X

ELearning BSLC

Mirellie Setiawan
2001590386
 dimana :
Y' = Tinggi pohon mahoni yang diprediksi
X = Diameter batang pohon mahoni

Interpretasi dari koefisien regresi :

 Nilai a = -1,3147 artinya tidak ada diameter
batang pohon maka tidak ada tinggi pohon.
(karena tidak ada tinggi yang bernilai negatif
sehingga dianggap nol).
 Nilai b = 4,5413 artinya jika terjadi peningkatan
diameter batang pohon mahoni satu satuan
maka akan terjadi peningkatan tinggi pohon
mahoni sebesar 4,5413 satuan.
Koefisien Determinasi R2 :
r = 0,886 bernilai positif dan kuat
artinya terdapat hubungan atau korelasi yang kuat antara tinggi pohon mahoni dengan diameter batang pohon
mahoni. Semakin besar diameter batang pohon mahoni maka semakin tinggi batang pohon mahoni.

R2 = 0,8862 = 0,785
artinya sekitar 78,5% variasi dari variabel diameter batang pohon mahoni dapat menjelaskan variasi dari
variabel tinggi pohon mahoni.
(cukup tinggi)

Standar Error Estimate Persamaan Regresi:

Jadi besarnya standar error estimate persamaan regresi adalah 6,6364. Hal ini menunjukkan penyimpangan
data-data terhadap garis regresi, atau bagaimana penyimpangan data yang menyebar disekitar garis regresi.
(cukup kecil).

Pengujian Koefisien Regresi :

> Hipotesis Uji

Ho : b = 0
Ha : b ≠ 0

> Taraf Signifikansi

Pilih nilai signifikansi = 5%

> Daerah Kritis

dengan nilai = 5% dan derajat bebas n-2=8-2=6, maka diperoleh nilai t-tabel pada 5%/2 = 2,5% yaitu 2,447.

> Statistik Uji

> Keputusan
nilai t-hitung = 4,6805 > t-tabel = 2,447 sehingga Ho ditolak dan Ha diterima.

ELearning BSLC

Mirellie Setiawan
2001590386
> Kesimpulan
Dengan tingkat signifikansi 5% cukup menjelaskan bahwa ada pengaruh diameter batang pohon mahoni
terhadap tinggi pohon mahoni.

EKSPERIMENTAL 2 3 FAKTOR DAN MULTI

lah dilakukan suatu penelitian tentang penambahan asam askorbat dalam pembuatan dangke untuk
mengidentikasi pengaruhnya terhadap daya simpan berdasarkan nilai TBA. Penelitian dilakukan dengan
menggunakan Rancangan Acak Lengkap (RAL) pola Faktorial: Faktor A adalah level penambahan asam
askorbat (1%; 1,5%; dan 2%); dan Faktor B adalah lama waktu penyimpanan (4 hr; 5 hr; dan 6 hr). Adapun
hasil (nilai TBA) penelitian yang diperoleh disajikan pada Tabel 1 berikut:
Dari hasil penelitian tersebut,
ingin diketahui:

1. Apakah level penambahan

asam askorbat mempengaruhi
nilai TBA
2. Apakah lama penyimpanan
mempengaruhi nilai TBA
3. Apakah terdapat interaksi
antara level asam askorbat
(Faktor A) dengan lama
penyimpanan (Faktor B)
terhadap nilai TBA yang
diperoleh.
Untuk menjawab kebutuhan
penelitian di atas, maka analisis
dilakukan melalui Analisis
Variansi (ANOVA) berdasarkan
Tabel 1 Uji-F.

ANALISIS VARIANSI
Faktor A terdiri atas 3 faktor, demikian pula pada Faktor B, sehingga analisis varians Faktorial dengan
rancangan dasar RAL Pola Faktorial (3 x 3). Persamaan matematis sebagai berikut:

Keterangan:

ELearning BSLC

Mirellie Setiawan
2001590386
Derajat Bebas (db)
Derajat bebas total (dbt) = (a x b x r) – 1 = (3*3*5) – 1 = 45 – 1 = 44
Derajat bebas perlakuan (dbp) = (ab-1) = (3*3-1) = 8
Derajat bebas faktor A (dba) = a – 1 = 3 – 1 = 2
Derajat bebas faktor B (dbb) = b – 1 = 3 – 1 = 2
Derajat bebas interaksi faktor AB (dba*b) = (a-1)(b-1) = (3-1)*(3-1) = 4
Derajat bebas galat (dbg) = dbt – dbp = 44 – 8 = 36
Faktor Koreksi (FK)
Jumlah Kuadrat (JK)
Jumlah Kuadrat Total (JKT)

Jumlah Kuadrat Perlakuan (JKP)

Jumlah Kuadrat Faktor B (JKB)

Jumlah Kuadrat Faktor A (JKA)

ELearning BSLC

Mirellie Setiawan
2001590386
 Jumlah Kuadrat Interaksi A*B (JKA*B)

Jumlah Kuadrat Galat (JKG) Kuadrat Tengah Perlakuan (KTP) Kuadrat Tengah Interaksi
Faktor AB (KTA*B)

Kuadrat Tengah Faktor A (KTA) Kuadrat Tengah Galat

Kuadrat Tengah Faktor B
(KTB) (KTG)

Frekuensi Hitung (F-hit)

Tabel ANOVA

Interpretasi
1. Secara umum, perlakuan (dalam hal ini) penambahan asam askorbat atau lamanya penyimpanan
menunjukkan pengaruh yang nyata dilihat dari nilai F-hit P > dari nilai F-tabel 1% (p<0,01);
2. Faktor A (level penambahan asam askorbat) mempengaruhi nilai TBA (p<0,01)

ELearning BSLC

Mirellie Setiawan
2001590386
3. Faktor B (lama penyimpanan) mempengaruhi nilai TBA (p<0,01)
4. Terdapat interaksi antara level asam askorbat (Faktor A) dengan lama penyimpanan (Faktor B)
terhadap nilai TBA (p<0,01).

ELearning BSLC

Mirellie Setiawan
2001590386