01a TIN319 01 2021 K1 K2 Statin Pengantar

STATISTIKA INDUSTRI
Kode: TIN 319, 3(2-3)
Pengajar:
Prof. Dr.Ir. Suprihatin
Dr. Ir. Muslich, Msi.
M Arif Darmawan, STP., MT.
Niken Ayu Permatasari, STP., MSi.
AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 1

IDENTITAS MATA KULIAH
Judul Mata Kuliah : STATISTIKA INDUSTRI
Kode Mata Kuliah/SKS : TIN319 / 3(2-3)
Semester : 5 / Ganjil
Departemen : TIN Fateta IPB
Sifat Mata Kuliah : Wajib
Prasyarat :-
Pengajar:
Prof. Dr. Suprihatin
Dr. Ir. Muslich, Msi.
Jam dan Tempat Pertemuan : 2 jam per minggu (Online)

Jam dan Tempat Praktikum/Responsi : 2-3 jam per minggu (Online) atau tugas individu atau kelompok.

Jam Senin Selasa Rabu Kamis Jum’at Sabtu Minggu
07 – 08 TIN319/K1 TIN319/K3
08 – 09 TIN319/K1 TIN319/K3
09 – 10 TIN319/R3
10 – 11 TIN319/R3
11 – 12 TIN319/R3
12 – 13
13 – 14 TIN319/K2 TIN319/R1
14 – 15 TIN319/K2 TIN319/R1
15 – 16 TIN319/R2 TIN319/R1
16 – 17 TIN319/R2
17 – 18 TIN319/R2

DESKRIPSI MATAKULIAH
▪ Pada mata kuliah ini dijelaskan prinsip-prinsip statistika dan metode analisis
statistika untuk pengumpulan, pengolahan, dan analisis data yang dapat
diterapkan di bidang industri pertanian, mencakup desain percobaan,
statistika non-parametrik, desain penelitian lapangan (survei), dan statistika
pengendalian mutu produk dan proses.
▪ Mahasiswa diharapkan dapat menerapkan prinsip-prinsip statistika di bidang
agroindustri, dan merancangan penelitian untuk pengumpulan, menganalisis,
menyajikan data, serta menggunakan data untuk menarik kesimpulan, baik
data dari penelitian laboratorium mapun data lapang.

CAPAIAN PEMBELAJARAN MATA KULIAH
(COURSE OUTCOME – CPMK)
Capaian pembelajaran mata kuliah (Course outcome - CPMK):
A. Mampu mengembangkan rancangan percobaan, mengolah dan menganalisis data, dan
mengambil kesimpulan dengan menggunakan prinsip statistika untuk pengembangan proses,
porduk, dan sistem
B. Mampu mendesain observasi lapangan (survei), mengolah, menganalisis data, dan
mengambil kesimpulan dengan menggunakan prinsip statistika
C. Mampu mengumpulkan dan menganalisis data kategorik (non-parametrik) dan mengambil
kesimpulan dengan menggunakan prinsip-statistika statistika
D. Mampu merancang pengukuran mutu, menerapkan statistika pengendalian mutu, dan
menginterpretasikan hasilnya

Hubungan antara course outcome (CPMK) dengan CPL Prodi
CPL*)
CPMK** 1 2 3 4 5 6 7 8
A √ √ √
B √ √ √
C √ √
D √ √

*)Capaian Pembelajaran (CPL)/Learning Outcomes (LO) Prodi
1 Mengidentifikasi, menganalisis, dan menyelesaikan permasalahan keteknikan agroindustri, yang mencakup

sistem, proses, manajemen, dan lingkungan, melalui penerapan pengetahuan matematika, IPA, keteknikan dan
teknologi informasi menggunakan teknik, ketrampilan dan perangkat-perangkat modern.
2 Merancang sistem/komponen sistem, proses dan produk untuk memenuhi kebutuhan yang diinginkan dalam
kendala yang realistis.
3 Merancang dan melaksanakan eksperimen ilmiah dan keteknikan dan menganalisis serta menginterpretasikan
data yang dihasilkan.
4 Menyadari pentingnya dan memiliki kemampuan untuk terlibat dalam pembelajaran sepanjang hayat
5 Berkomunikasi secara tertulis dan lisan dengan efektif
6 Berperan secara efektif dalam tim multidisiplin dan multikultur
7 Memahami penerapan etika, profesionalisme, dan isu-isu kontemporer dalam menyelesaikan permasalahan
keteknikan agroindustri dalam konteks ekonomi, lingkungan dan masyarakat
8 Mentransformasi ide-ide berbasis iptek kedalam konsep bisnis agroindustri (teknoprener)

TIN319 Statistika Industri:
K1, Senin, 7.00-8.40; K2: Senin, 13.00-14.40; K3: Selasa, 7.00-8.40
R1, Kamis, 13.00-15.30, R2: Senin, 15.00-17.30; R3, Selasa, 9.00-11.30
Minggu ke Kelas Paralel 1 Kelas Paralel 2 Kelas Paralel 3

1 Pengantar dan Review SUP SUP SUP
2 Rancangan Percobaan Faktor Tunggal Acak NAP NAP NAP
Lengkap dan Acak Kelompok
3 Sda NAP NAP NAP

4 Analisis data setelah Anova (uji beda nyata, NAP NAP NAP
Duncan, etc)
5 Rancangan Percobaan Faktorial Acak Lengkap dan MUS MUS MUS
Acak Kelompok)
6 sda MUS MUS MUS
7 Analisis data setelah Anova (Regresi berganda) MUS MUS MUS
8 UTS NAP, MUS NAP, MUS NAP, MUS

9 Desain penelitian survei SUP SUP SUP
10 Analisis data kategorik MAN MAN MAN

11 sda MAN MAN MAN
12 SEM (structured Equation Model) MAN MAN MAN
13 SPC SUP SUP SUP

14 sda SUP SUP SUP
15 Six Sigma SUP SUP SUP
16 UAS MAN, SUP MAN, SUP MAN, SUP

BAHAN BACAAN
Cox, D.R., Reid, N. 2000. The Theory of the Design of Experiments. CHAPMAN & HALL/CRC. Canada
Boca Raton London New York Washington, D.C.
Hubbard, M.R. 2003. Statistical Quality Control for the Food Industry. 3rd ed. Kluwer
Academic/Plenum Publisher, New York
Koopmans, L.H. 1987. Introduction to Contemporary Statistical Methods. 2nd ed. Duxbury, Press.
Boston
Paul H. Kvam, P.H. Vidakovic, B. 2007. Nonparametric Statistics with Applications to Science and
Engineering. John Wiley & Sons, Inc.
Saris, W.E., Gallhofer, I.N. 2017. Design, Evaluation, and Analysis of Questionnaires for Survey
Research. John Wiley & Sons
Walpole, R.E. 1989. Probability and Statistic for Engineer and Scientist. 4th edition. MacMillan
Publishing Company, New York.

METODE ASESMEN
No CPMK Asesmen Waktu Bobot Staf
1 A Tugas 1 Pekan 3 10
2 A, B Tugas 2 Pekan 6 10
Ujian 1 (UTS) Pekan 8 30
3 B, C Tugas 3 Pekan 10 5
4 B, C Tugas 4 Pekan 12 5
4 D Tugas 5 Pekan 14 10
8 Ujian 2 (UAS) Pekan 16 30

PENENTUAN HURUF MUTU
NM ≥ 80 :A
75 ≤ NM < 80 : AB
70 ≤ NM < 75 :B
65 ≤ NM < 70 : BC
55 ≤ NM < 65 :C
45 ≤ NM < 55 :D
NM < 45 :E

Review Statistika Industri
Pertemuan ke-1

Review Statistika Industri
Statistika:
▪ Statistika berasal dari kata statistik ➔ penduga parameter
▪ Statistik adalah penduga parameter (misalnya penduga nilai rata-rata, varian
atau standard deviasi suatu populasi)
▪ Ilmu yang mempelajari tentang pendugaan parameter ini disebut sebagai
statistika.
▪ Statistika: Ilmu yang mempelajari dan mengusahakan agar data menjadi
informasi yang bermakna

▪ Parameter adalah karakteristik apa saja yang dapat membantu dalam
mendefinisikan atau mengklasifikasikan sistem tertentu (suatu peristiwa,
proyek, objek, situasi, dll.).
▪ Parameter merupakan elemen sistem yang berguna, ketika mengidentifikasi
sistem, atau ketika mengevaluasi kinerjanya, status, kondisi, dll.
▪ Statistika adalah ilmu data. Statistika melibatkan pengumpulan,
pengklasifikasian, peringkasan, pengorganisasian, analisis, dan interpretasi
data numerik untuk menghasilkan informasi yang bermakna.

Populasi vs Sample
▪ Dalam statistik, istilah populasi memiliki makna yang sedikit berbeda dari
pengertian umum.
▪ Populasi dalam statistik mencakup semua anggota kelompok tertentu yang
dipelajari untuk pengambilan keputusan berdasarkan data.
▪ Bagian dari populasi disebut sampel.

Hubungan antara Populasi, Sampel, Statistik, dan Parameter

Population vs Sample
P S
a t
r a
a t
m i
e s
t t
e i
r k

Parameters Statistics

Parameter vs Statistik
Sampel 1.600 orang yang diambil di ▪ Rata-rata populasi dilambangkan dengan μ
seluruh Amerika Serikat ditanyai adalah parameter.
▪ Rata-rata sampel dilambangkan dengan "x-
apakah mereka rutin menonton
bar", ini adalah statistik. “x-bar" digunakan
program televisi tertentu, dan 24% untuk memperkirakan μ.
menjawab ya. Parameter yang dikaji di ▪ Proporsi sebenarnya dari populasi dengan
sini adalah proporsi sebenarnya dari sifat tertentu dilambangkan dengan p, ini
semua orang di AS yang menonton adalah parameter.
program, sedangkan statistiknya ▪ Proporsi sampel dengan sifat tertentu
dilambangkan dengan ("p-bar") - ini adalah
adalah nilai 24% yang diperoleh dari statistik. “p-bar" digunakan untuk
sampel 1.600 orang. memperkirakan p.
https://www.math.utah.edu/~hughes/Chapter_11.pdf

Variables…
▪ Variabel didefinisikan sebagai segala sesuatu yang memiliki kuantitas atau kualitas
yang bervariasi.
▪ Jenis variabel: Variabel dependen, dan Variabel independen
▪ Variabel independen adalah variabel yang diyakini mempengaruhi variabel
dependen. An independent variable, sometimes called
an experimental or predictor variable, is a variable that is being manipulated in an
experiment in order to observe the effect on a dependent variable, sometimes
called an outcome variable.
▪ Variabel dependen adalah variabel yang diamati peneliti. This variable is predicted.
Synonyms of dependent variables: Effect, outcome, consequence, result,…

The main groups of variables:
◦ Categorical variables: Data nominal, dan data ordinal
◦ Continuous variables: Data interval, dan data ratio

Statistika Populasi
Sampling Pendugaan
Contoh
Deskriptif Tingkat Keyakinan
Statistika Deskriptif
vs Ilmu Peluang
Statistika Inferensia
23
AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021

Statistics
Descriptive Inferential
Statistics Statistics
Types of Statistical Applications…
▪ Descriptive statistics utilizes numerical and graphical methods to look for patterns in a
data set, to summarize the information revealed in a data set and to present that
information in a convenient form.
▪ Inferential statistics utilizes sample data to make estimates, decisions, predictions or
other generalizations about a larger set of data.
▪ Salah satu permasalahan pokok dalam statistika modern adalah inferensi statistik,
yaitu bagaimana menarik kesimpulan tentang sejumlah kejadian berdasarkan pada
pengamatan sebagian saja dari kejadian tersebut (dengan cara sampling).
▪ Statistika menyediakan alat bantu untuk menformalkan dan membakukan prosedur-
prosedur untuk menarik kesimpulan, yaitu dengan memperkenalkan langkah-langkah
untuk mengambil kesimpulan dari fakta yang diperoleh dari sample.

Metode Pengumpulan Data
Dalam studi eksperiment (experimental study), variabel yang menjadi
perhatian diidentifikasi. Satu atau lebih faktor dalam studi dikendalikan sehingga
data yang didapat tentang bagaimana faktor-faktor tersebut mempengaruhi
variable-variable.
Dalam studi observasional (observational studies)

◦ Tidak ada pengendalian untuk mempengaruhi variabel yang menjadi
perhatian.
◦ Survei merupakan tipe studi observasional yang paling umum

Skala Pengukuran
Skala pengukuran peubah: Nominal, ordinal, interval, dan rasio
Jenis data kuantitatif:
◦ Nominal: Mengklasifikasikan
◦ Ordinal: Mengklasifikasikan dan mengurutkan
◦ Interval: Mengklasifikasikan, mengurutkan dan membedakan
◦ Rasio: Mengklasifikasikan, mengurutkan, membedakan dan
membandingkan

Type of measurement

Contoh skala pengukuran nominal, ordinal, interval dan rasio
No Nama Kelas Nilai Total Juara ke- Hadiah
Siapa nama siswa
itu? 1. Adit 3 233 1 Rp 25 jt
2. Irma 3 229 2 Rp 15 jt Rangking berapa?
3. Ika 4 228 3 Rp 10 jt
4. Desi 3 214 4 Rp 7,5 jt
Klas berapa? 5. Eko 4 212 50 buku
Rangking berapa?
6. Uun 4 206 50 buku
7. Ani 5 200 50 buku
8. Lia 5 196 50 buku
Berapa nilai total 9. Iin 6 182 50 buku
masing2? 10. Ana 6 176 50 buku
Skala
Skala ordinal
Skala Skala Skala rasio
Nominal ordinal interval
Data dalam Penelitian Ilmiah
▪ Ilmuwan (Scientists) melakukan penelitian menggunakan metode

ilmiah
▪ Metode ilmiah adalah proses ilmiah untuk mendapatkan
pengetahuan secara sistematis melalui bukti
▪ Metode ilmiah adalah cara untuk menyelidiki fenomena, untuk
mendapatkan pengetahuan baru, atau memperbaiki pengetahuan
sebelumnya.
▪ Metode ilmiah adalah cara bertanya dan menjawab
pertanyaan sains dengan melakukan eksperimen dan observasi→
Menghasilkan data
http://www.sciencebuddies.org/

Langkah-Langkah dalam Metode Ilmiah
1. Menyatakan permasalahan atau pertanyaan
2. Mengumpulkan informasi; Melakukan riset awal
3. Menformulasikan hipotesis, mengidentifikasi variabel-variable (X → Y)
4. Merancang percobaan, membangun prosedur penelitian
5. Menguji hipotesis dengan melakukan eksperimen
6. Menganalisis hasil eksperimen (mengolah, menganalisis, dan menyajikan) dan

menarik kesimpulan
7. Mengkomunikasikan (mempublikasikan) hasil

Tahapan Metode Penelitian
Tahap Penjelasan
1. Menyatakan permasalahan Bagaimana (How), Apa (What), Kapan (When), Siapa (Who), Mengapa
penelitian (tema) (Why), atau Dimana (Where)?
2. Melakukan riset Penelitian tidak mulai dari nol, menggunakan hasil penelitian
latarbelakang sebelumnya (studi/review literatur)
3. Membangun hipotesis • Hipotesis = Jawaban sementara tentang bagaimana sesuatu bekerja:
“Jika [saya melakukan ini], maka _____ [ini] akan terjadi"
• Hipotesis harus dapat diuji kebenarannya (dapat diukur), dan
disusun untuk membantu dalam menjawab pertanyaan awal dari
suatu penelitian.
4. Melakukan eksperimen • Eksperimen untuk menguji apakah hipotesis didukung dengan hasil
untuk menguji hipotesis penelitian atau tidak.
(mengumpulkan data) • Harus dipastikan bahwa hanya faktor yang diteliti (variable bebas)
yang divariasi, sedangkan semua kondisi lain dipertahankan sama.
• Percobaan perlu diulang beberapa kali untuk memastikan bahwa
hasil pertama tidak hanya kejadian kebetulan.

Tahapan Metode Penelitian…
Tahap
5. Mengolah dan • Setelah dikumpulkan, data diolah dan dianalisis untuk melihat
menganalisis data hasil apakah data tersebut mendukung hipotesis atau tidak.
eksperimen/penelitian • Jika hipotesis tidak didukung (ditolak), perlu dibanguan hipotesis
baru berdasarkan informasi yang mereka pelajari selama
percobaan, dan mulai lagi seluruh proses metode ilmiah.
• Bahkan jika pun jika mereka hipotesis diterima, mungkin hipotesis
tersebut untuk diuji cara lain.
6. Mempublikasikan hasil • Untuk menyebarkan ilmu pengetahuan dan memberi input bagi
penelitian selanjutnya, atau bahkan untuk meningkatkan
memperbaki kondisi
• Publikasi dapat melalui berbagai media, seperti jurnal, prosiding,
buku, atau laporan penelitian

https://www.sciencebuddies.org/science-fair-projects/engineering-design-process/engineering-design-compare-scientific-method

Pengertian Data
▪ Sesuatu yang diketahui dengan pasti
▪ Menggambarkan situasi atau masalah
▪ Fakta yang direkam dan secara umum diterima oleh komunitas ilmiah untuk
memvalidasi temuan ilmiah/penelitian.
▪ Data biasanya merupakan hasil dari pengukuran variabel
▪ Data dapat bersifat kuantitatif atau kualitatif

Kegunaan Data
Sebagai dasar untuk
▪ Menarik kesimpulan
▪ Informasi yang bermakna
▪ Pembenaran ide
▪ Membuat keputusan
▪ Perencanaan
▪ Pengendalian, dan
▪ Evaluasi / perbaikan
▪ Dll

Tipe Data
◦ Data kuantitatif (Quantitative data): Selalu berupa angka dan menunjukkan
ukuran berapa banyak
◦ Data kualitatif (Qualitative data): label atau nama yang digunakan untuk
mengidentifikasi atribut suatu unsur / elemen

Presisi dan Akurasi Data
▪ Mengukur = Membandingkan dengan suatu unit dan pembandingan ini tidak pernah
bersifat pasti → selalu mengandung kesalahan (error) → menerapkan secara hati-hati
suatu teknik yang realiable
▪ Presisi (precision/reproducibility) adalah suatu ukuran keberulangan suatu hasil
pengukuran
▪ Akurasi (Acure, nearness to the “truth”) didefinisikan sebagai kedekatan terhadap
nilai “sebenarnya” (true value)
▪ Hasil suatu eksperimen mungkin saja sangat reproducible, tetapi salah
▪ Prosedur ideal adalah prosedur yang memiliki baik presisi maupun akurasi tinggi

37
Precise vs Accurate
Neither precise Accurate but Accurate and Precise but not

nor accurate not precise precise accurate

38
Kesalahan acak dan sistematik
Kesalahan sistematik adalah nilai rata-rata dari sejumlah
pengukuran berulang suatu besaran ukur, dikurangi dengan nilai
sebenarnya (berhubungan akurasi)
Kesalahan acak adalah suatu hasil pengukuran dikurangi dengan
nilai rata-rata dari sejumlah hasil pengukuran berulang suatu
besaran ukur (berhubungan presisi)
Kesalahan acak
Kesalahan sistematik
Rentang nilai Nilai sebenarnya
X m
Sumber Data
Data primer:
Data Primer vs Data Sekunder
▪ Eksperimen
▪ Observasi / Survei Data Primer Data Sekonder
Tujuan Untuk masalah yang Untuk masalah lain
dihadapi
Dara Sukender:
Proses Sangat terilibat Cepat dan mudah
▪ Buku (eksperomen,
▪ Jurnal observasi/survei)
▪ Laporan Biaya Tinggi Relatif rendah

▪ Internet Waktu Panjang Pendek
▪ Artikel
https://www.quora.com/What-is-secondary-data-collection
▪ Dll

Syarat Data Yang Baik
▪ Data harus objektif/sesuai dengan

keadaannya (as it is)
▪ Data harus representatif
▪ Kesalahan baku (standard error) harus
kecil, ketelitian tinggi
▪ Data harus up to date
▪ Data harus relevan dengan persoalan
6 Dimensions of Data Quality
https://smartbridge.com/data-done-right-6-dimensions-of-data-quality/

41
Six (6) Dimensions of Data Quality
No Quality Dimension Description
1 Completeness Kelengkapan didefinisikan sebagai kelengkapan yang diharapkan. (Completeness
is defined as expected comprehensiveness.)
2 Consistency Konsistensi berarti data di semua sistem mencerminkan informasi yang sama
dan selaras satu sama lain (Consistency means data across all systems reflects the same
information and are in synch with each other)
3 Conformity Kesesuaian berarti data mengikuti kumpulan definisi data standar seperti
tipe data, ukuran dan format. (Conformity means the data is following the set of standard
data definitions like data type, size and format.)
4 Accuracy Akurasi adalah sejauh mana data dengan benar mencerminkan objek dunia
nyata ATAU peristiwa yang sedang dijelaskan (Accuracy is the degree to which data
correctly reflects the real world object OR an event being described)
5 Integrity Integritas berarti validitas data di seluruh hubungan dan memastikan bahwa
semua data dalam database dapat dilacak dan dihubungkan ke data lain
(Integrity means validity of data across the relationships and ensures that all data in a database
can be traced and connected to other data.)
6 Timeliness Ketepatan waktu merujuk apakah informasi tersedia saat diharapkan dan
dibutuhkan. Ketepatan waktu data sangat penting. (Timeliness references whether
information is available when it is expected and needed. Timeliness of data is very important.)
https://smartbridge.com/data-done-right-6-dimensions-of-data-quality/
Analisis Data
▪ De-sintesis/mengurai data, informasi, dan/atau elemen faktual untuk
menjawab pertanyaan penelitian
▪ Tujuan analisis:
▪ Untuk menjelaskan hubungan sebab-akibat
▪ Untuk menghubungkan penelitian dengan kejadian di dunia nyata
▪ Untuk memperkirakan peristiwa masa depan
▪ Untuk menjawab masalah tertentu
▪ Untuk membuat kesimpulan berdasarkan hasil penelitian
▪ Untuk pembelajaran dari masalah

Elemen analisis data
Menjelasakan hal atau enjawab pertanyaan berikut:
▪ Data / informasi (apa?)
▪ Penalaran / argumen ilmiah (apa? Siapa? Di mana? Bagaimana?
Apa yang terjadi?)
▪ Penemuan (hasilnya apa?)
▪ Pelajaran / kesimpulan (so what? so how? therefore,…)

Tips dalam Analisis Data
▪ Analisis BUKAN hanya narasi
▪ Kembali mengacu ke bagan alur penelitian
▪ Diurai sesuai dengan tujuan penelitian dan pertanyaan
penelitian
▪ Identifikasi fenomena yang diselidiki
▪ Visualisasikan jawaban "yang diharapkan"
▪ Validasikan jawaban dengan data
▪ Jangan katakan sesuatu yang tidak didukung oleh data

Contoh Analisis Data
1) Menguraikan menjadi bagian-bagian yang lebih kecil, sesuai dengan tujuan
analisis untuk:
a) Mengetahui bagian/komponen yang bersifat menonjol atau mempunyai
nilai ekstrem, kemudian menyimpulkan
b) Melakukan pembandingan antar komponen dengan menggunakan nilai
selisih atau rasio, kemudian menyimpulkan
c) Melakukan pembandingan antara komponen dengan keseluruhan,
dengan menggunakan nilai proporsi (persentase), kemudian
menyimpulkan

2) Membandingkan dua hal atau dua nilai untuk menge-
tahui selisihnya (X-Y) atau perbandingannya (X/Y)
3) Memperkirakan atau memperhitungkan besarnya

pengaruh secara kuantitatif dari suatu perubahan
terhadap suatu kejadian lainnya, misalnya:
a) Pengaruh kenaikan temperatur terhadap kecepatan
proses pengeringan
b) Pengaruh peningkatan pupuk terhadap produksi padi
c) etc

Penyajian Data
▪ Data pelu disajikan dan diringkas sehingga menjadi informasi yang mudah dipahami.
▪ Penyajian data dapat dilakukan melalui:
▪ Tabel
▪ Gambar/Kurva/Grafik (histogram, plot, stem-leaf, box-plot)
▪ Peringkasan data dinyatakan dalam dua ukuran yaitu:
▪ Pemusatan (Rata-rata, Median, Modus, Kuartil, dll)
▪ Penyebaran (Varian, Standar deviasi, Interquartile Range, dll)

▪ Data tidak cukup hanya dikumpulkan, diolah atau dianalisis tetapi perlu
disajikan dalam bentuk yang mudah dibaca dan dimengerti oleh
pengguna
▪ Penyajian data umumnya dalam bentuk gambar atau tabel → “satu
gambar  seribu kata”
▪ Misal: Penyajian data (misalnya hasil reaksi) terhadap waktu :
▪ Menunjukkan trend hasil reaksi (menaik/menurun)
▪ Meramalkan (forchasting)
▪ Merencanakan
▪ Bentuk penyajian data bersifat seni (art)
https://www.slideshare.net/jsi/making-data-
meaningful-47885958

Publication
Format
https://koreatesol.org/sites/d
efault/files/pdf/QuickGuide-
to-Journal-Article-Writing.pdf

Daftar Pustaka
Rahman, A. 2004. Pengantar Pengukuran Ketidakpastian.
Harris, D. C. 1995. Quantitative Chemical analysis. 4th ed. W.H. Freeman and Company, New York
Supranto, J. 1992. Statistik: Teori dan Aplikasi. Penerbit Erlangga

TERIMA KASIH

01a TIN319 01 2021 K1 K2 Statin Pengantar

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

01a TIN319 01 2021 K1 K2 Statin Pengantar

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA INDUSTRI

Kode: TIN 319, 3(2-3)

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 1

Jam dan Tempat Pertemuan : 2 jam per minggu (Online)

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 2

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 3

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 4

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 5

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 6

1 Mengidentifikasi, menganalisis, dan menyelesaikan permasalahan keteknikan agroindustri, yang mencakup

8 Mentransformasi ide-ide berbasis iptek kedalam konsep bisnis agroindustri (teknoprener)

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 7

Minggu ke Kelas Paralel 1 Kelas Paralel 2 Kelas Paralel 3

3 Sda NAP NAP NAP

8 UTS NAP, MUS NAP, MUS NAP, MUS

10 Analisis data kategorik MAN MAN MAN

13 SPC SUP SUP SUP

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 8

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 9

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 10

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 11

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 13

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 14

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 15

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 16

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 17

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 18

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 19

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 20

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 21

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 22

Deskriptif Tingkat Keyakinan

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 24

Dalam studi observasional (observational studies)

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 25

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 26

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 27

▪ Ilmuwan (Scientists) melakukan penelitian menggunakan metode

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 29

1. Menyatakan permasalahan atau pertanyaan

2. Mengumpulkan informasi; Melakukan riset awal

3. Menformulasikan hipotesis, mengidentifikasi variabel-variable (X → Y)

4. Merancang percobaan, membangun prosedur penelitian

5. Menguji hipotesis dengan melakukan eksperimen

6. Menganalisis hasil eksperimen (mengolah, menganalisis, dan menyajikan) dan

7. Mengkomunikasikan (mempublikasikan) hasil

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 30

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 31

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 32

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 33

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 34

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 35

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 36

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021

Neither precise Accurate but Accurate and Precise but not

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021

Rentang nilai Nilai sebenarnya

▪ Laporan Biaya Tinggi Relatif rendah

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021 40

▪ Data harus objektif/sesuai dengan

AGROINDUSTRIAL ENGINEERING STUDY PROGRAM - 2021