Soal :
1. Tuliskan dan jelaskan minimal 6 software atau aplikasi statistic beserta
kelebihan dan kekurangannya!
2. Jelaskan sejarah perkembangan Bahasa pemograman R sampai sekarang!
3. Mengapa paket program dibutuhkan dalam mata kuliah statistik?
4. Jelaskan pengertian metode statistika menurut anda!
5. Apa perbedaan statistik dan statistika?
Jawab :
1. Software atau aplikasi statistik beserta kelebihan dn kekurangannya :
a. Software R
R adalah suatu kesatuan software yang terintegrasi dengan beberapa fasilitas
untuk manipulasi, perhitungan dan penampilan grafik yang handal. R dapat
berinteraksi dengan program statisik, manipulasi, perhitungan dan penampilan
grafik lainnnya, seperti SPSS, yang cukup popular, Microsoft Excell dengan
menyediakan fasilitas import dan eksport data. R hampir dapat digunakan untuk
berbagai bidang, mulai dari kalkulasi biasa (seperti kalkulator), statistik,
ekonometri, geografi, hingga pemrograman komputer.
Adapun kelebihannya yaitu :
Efektif dalam pengelolaan data dan fasilitas penyimpanan. Ukuran file yang
disimpan jauh lebih kecil dibanding software lainnya.
Lengkap dalam operator perhitungan array.
Lengkap dan terdiri dari koleksi tools statistik yang terintegrasi untuk
analisis data, diantaranya, mulai statistik deskriptif, fungsi probabilitas, berbagai
macam uji statistik, hingga time series.
Tampilan grafik yang menarik dan fleksibel ataupun costumized.
Dapat dikembangkan sesuai keperluan dan kebutuhan dan sifatnya yang
terbuka, setiap orang dapat menambahkan fitur-fitur tambahan dalam bentuk
paket ke dalam software R.
Adapun kekurangannya yaitu :
Terlalu banyak command
Output yang tidak standard
Fungsi yang "menyesatkan" atau nama-nama parameter (data =, sort, if)
Pengendalian variabel yang tidak rapih
Kemungkinan besar terjadi loop
Fungsi-fungsinya berjalan berdasarkan prosedur
Cara untuk penamaan dan menggantikan nama variabel sangat rumit
Tidak memiliki kemampuan untuk menganalisa multivariabel
Memiliki kemampuan yang rendah untuk memilih himpunan variabel
Terlalu banyak kompleksitas
b. LISREL
LISREL atau singkatan dari Linear Structural Relaionship merupakan
Software terbaru dari generasi SPSS yang dikeluarkan oleh SSI (Scientiftc
Software International). LISREL dikembangkan oleh Karl Joreskog and Dag
Sorbom. LISREL adalah software statistik yang paling banyak dipakai dikalangan
peneliti maupun praktisi.
Kelebihan :
Kemampuannya mengidentifikasi hubungan antara variabel yang
kompleks. Kekurangan :
Ketidakmampuannya mengolah data sem dengan jumlah sampel yang
sedikit. Ketika kita memiliki sampel kurang dari 200, sementara modelnya
kompleks, maka terkadang hasil estimasi tidak sesuai dengan harapan kita.
c. Software E-Views atau Econometric Views
Software E-Views atau Econometric Views, adalah software statistik yang
dikembangkan oleh Quantitative Micro Software (QMS) pada tahun 1994.
Software yang populer di kalangan ekonom, atau akademisi di bidang ilmu
ekonomi adalah eviews. sebetulnya ada software statistik lain yang serupa yaitu
Stata. Kedua software ini mampu melakukan olah data time series dan panel data.
Kelebihan :
Dalam hal uji-uji statistik terkait data time series, Eviews sangat powerful
membantu penggunanya. kita dapat melakukan analisa forecasting ARIMA, arch-
garch atau bahkan model-model VECM. Berbagai macam uji asumsi statistiknya
pun telah tersedia.
Kekurangan :
Karena fokusnya adalah melakukan olah data ekonometrik, maka software
Eviews kurang cocok untuk mengolah data penelitian sosial, terlebih melakukan
olah data multivariat. Kita tentu akan kesulitan jika ingin mengeluarkan output
seperti distribusi frekuensi, uji non parametrik dan sejenisnya.
d. SPSS (statistical package for social science)
SPSS adalah software statistik yang dikembangkan oleh IBM. Software ini
sebetulnya sudah cukup lama dikenal yaitu sejak 1968. Software ini memang
dikembangkan khusus untuk melakukan olah data pada ilmu-ilmu sosial.
Kelebihan :
Jika kita memiliki data numerik dan ingin melakukan analisis melalui
berbagai macam grafik yang dikenal dalam ilmu statistik seperti boxplot, maka
software SPSS menyediakan banyak jenis grafik statistik. Yang lebih utamanya
adalah, kita akan dengan mudah menemukan dan mengoperasikan berbagai
macam uji statistik pada SPSS. Mulai dari statistik desktiptif, distribusi frekuensi,
uji-uji nonparametrik statistik, parametrik statistik, korelasi, regresi, dan berbagai
uji statistik multivariat, telah tersedia.
Kekurangan :
Kekurangan SPSS adalah, SPSS tidak membedakan tipe data apakah
disusun berdasarkan runtun waktu (time-series) atau disusun berdasarkan subjek
penelitian (cross section). sehingga jika dihadapkan pada data time series maka
spss kurang cocok. terlebih jika kita menggunakan data panel, data gabungan time
series dan cross section, SPSS tidak memiliki kemampuan mengolah data seperti
ini.
e. SAS (Statistical Analysis System)
SAS adalah singkatan dari Statistical Analysis System yang disediakan oleh
SAS Institute Inc. SAS menggunakan bahasa pemrograman, dan memungkinkan
programmer melakukan entri data, analisis statistik, peramalan untuk mendukung
keputusan riset operasi, peningkatan kualitas, pengembangan aplikasi data dan
lain sebagainya.
Kelebihan :
Mempermudah perhitungan statistik dari suatu instansi.
Mempersingkat waktu dalam melakukan perhitungan.
Tidak membutuhkan spesifikasi komputer yang tinggi.
Memberikan solusi bagi kepentingan bisnis.
Hasil lebih akurat dan reliabel.
Cocok untuk membantu riset pasar dari suatu
bisnis. Kekurangan :
Terbatas untuk konsep statistika sosial.
Belum terintegrasi dengan program database.
f. STATA (statistical software for data science)
STATA adalah salah satu perangkat lunak komputer untuk mengolah dan
menganalisis data
Kelebihan :
Hampir semua prose analysis statistik dapat dilakukan oleh STATA.
STATA dapat juga digunakan untuk menganalisis data survei yang biasanya
pengambilan sampelnnya tidak dilakukan secara acak sederhana (simple ramdom
sampling), misalnya adanya pembagian strata dan pemilihan cluster atau blok atau
wilayah cacah.
Kekurangan :
Yakni dalam pengolahan data adalah perintah atau commandnya harus
diketik dan dijalankan satu per satu.
2. Sejarah Perkembangan Bahasa Pemrogaman R
Pada awalnya, versi pertama bahasa pemrograman R dibuat oleh Ross Ihaka
dan Robert Gentleman dari Universitas Auckland. Nama R berasal dari huruf
pertama nama depan kedua orang tersebut. Mereka adalah statistikawan asal
Selandia Baru, sedangkan R kini dikembangkan oleh tim inti.
Tim inti (core team) terdiri dari ahli statistik, ahli komputer &
pemrograman, geografi, dan ekonomi dari institusi yang berbeda dari seluruh
dunia yang membuat
software yang handal dengan biaya yang sangat murah dan dapat diunduh secara
cuma-cuma dan digunakan dengan berlisensi pada GNU General Public License.
Diambil dari kutipan yang dicetuskan dalam sebuah penghargaan yaitu
Association for Computing Machinery Software dari pernyataan John Chamber
1998 yang berbunyi bahwa bahasa pemrograman software S telah “merubah orang
dalam memanipulasi, visualisasi, dan menganalisis data untuk selamanya”.
Bahasa pemrograman R dibuat sejalan dengan ide yang ada pada bahasa
pemrograman S dan program statistik lainnya, sehingga secara fungsi dan
sintaks/tata bahasa sama-sama menggunakan bahasa S, namun tidak identik.
bahasa pemrograman R dapat digabungkan dengan software lainnya diantaranya
adalah program statistik, manipulasi, perhitungan dan penampilan grafik lainnya,
seperti SPSS, Microsoft Excell dengan menyediakan fasilitas import dan eksport
data. Selain itu, R dapat melakukan import file software lainnya seperti SAS,
Minitab, Stat, Systat, dan EpInfo.
Berdasarkan publikasi yang dirilis IEEE Spectrum Ranks Languages pada
tahun 2017, R berhasil masuk ke dalam 10 bahasa pemrograman terpopuler.
bahasa pemrograman R menempati posisi yang cukup tinggi yaitu berada pada
posisi ke-6 di atas bahasa pemrograman Javascript dan PHP yang berturut-turut
berada pada posisi ke-7 dan ke-8. Di masa sekarang, R biasanya lebih banyak
digunakan untuk analisis data yang dikerjakan pada server pribadi. R dapat
difungsikan untuk pekerjaan eksplorasi hampir semua jenis data karena
banyaknya jenis packages, test, dan tools yang dengan mudah bisa
diadaptasi.Penggunaan rumus-rumus rumit dalam R juga mudah diatur. Pada
penggunaan R, langkah pertama yang harus dilakukan adalah mengunduh RStudio
IDE (Integrated Development Environments).
3. Metode statistika membutuhkan paket program karena statistika adalah
ilmu dan atau seni yang berkaitan dengan cara (metode) pengumpulan data,
analisis data, dan interpretasi hasil analisis untuk mendapatkan informasi guna
pengambilan keputusan dan penarikan kesimpulan yang membutuhkan program
dalam penerapannya. Croxton dan Cowden, mengatakan “ Statistika adalah
metode untuk mengumpulkan, mengolah dan menyajikan, serta
menginterpretasikan data yang
berwujud angka-angka”. Karena perkembangan teknologi yang pesat, hal ini
memudahkan dalam mengumpulkan dan menyajikan data statistika
menggunakan program.
4. Menurut saya, metode statistika adalah cara dan langkah-langkah yang
dapat dilakukan untuk mengumpulkan, menyajikan, menganalisis dan
mempresentasikan data yang disediakan. Data- data tersebut nantinya akan
menjadi tersusun agar mudah dianalisis.
5. Statistik merupakan hasil data yang penyajiannya dalam bentuk grafik,
tabel, dan sebagainya. Sedangkan menurut KBBI statistik merupakan catatan
atau angka-angka yang dikumpulkan, lalu ditabulasi, dan digolong-golongkan,
dengan begitu bisa memberi informasi yang berarti tentang suatu gejala atau
masalah. Sedangkan statistika adalah ilmu yang mempelajari bagaimana cara
merencanakan, mengumpulkan, menganalisis, hingga mempresentasikan data.
Tanggal : 06 Mei 2021
1.1. Operator
logika hanya berlaku pada vektor dengan tipe logical, numeric, atau complex.
Semua angka bernilai 1akan dianggap bernilai logika TRUE.
Simbol Keterangan Contoh
&& And > (4>3)&&(3>2)
[1] TRUE
|| Or >(2>3)||(3>4)
[1] TRUE
! Not > (4>5)!(3<4)
[1] TRUE
Tabel 3. Operator Logika
1.2. Syntax
Data types atau tipe data adalah sebuah pengklasifikasian data berdasarkan
jenis data tersebut. Tipe data pada R dapat dikelompokan berdasarkan beberapa
tipe. Tipe data tersebut diantaranya:
1.3.1. Character
Numeric adalah tipe data yang beranggotakan segala jenis angka. Contoh :
> x <- 2.9
> class(x)
[1] numeric
1.3.3. Complex
1.3.4. Logical
Data frame adalah struktur data tabular yang disusun pada kolom dan baris
berurut. Data Frame di R adalah fungsi yang dapat digunakan untuk membuat
kerangka data, koleksi dari variabel-variabel yang mana memiliki karakteristik
seperti matriks. Ibaratnya data frame membuat data yang anda susun mirip seperti
tabel yang terdiri dari baris dan kolom pada Excel atau Calc.
1.1.1. Membuat Data Frame Secara Manual
Untuk membuat vektor digunakan bantuan fungsi c(). Vektor dapat berisi
tipe data skalar seperti number, character atau logical. Berikut adalah contoh
mendeklarasikan variabel sebagai vektor:
> a=c("Harnawati","Arsy Ariantri","La Ode Sanluis","Muhammad
Taqwa Al Kautsar","Marisa","Ais Khalillah","Nurul Fitriah
Muzuni","Alvian Ronaldus Marthin","Atika Nazria Senina","Sitti
Hapsah")
> b=c("F1A120023","F1A120047","F1A120025","F1A120029","F1A1
20027","F1A120043","F1A120033","F1A120017","F1A120021","F1A12003
9")
> f=c(91,85,90,91,79,85,73,91,91,90)
> g=c("Bugis","Muna","Cia-Cia","Buton","Muna-Buton" ,"Moronene",
"Buton","Manado-Buton","Bugis","Muna")
> z=data.frame(Nama=a,NIM=b,Nilai=f,Suku=g)
> z
Nama NIM Nilai Suku
1 Harnawati F1A120023 91 Bugis
2 Arsy Ariantri F1A120047 85 Muna
3 La Ode Sanluis F1A120025 90 Cia-Cia
4 Muhammad Taqwa Al Kautsar F1A120029 91 Buton
5 Marisa F1A120027 79 Muna-Buton
6 Ais Khalillah F1A120043 85 Moronene
7 Nurul Fitriah Muzuni F1A120033 73 Buton
8 Alvian Ronaldus Marthin F1A120017 91 Manado-Buton
9 Atika Nazria Senina F1A120021 91 Bugis
10 Sitti Hapsah F1A120039 90 Muna
1.1.2. Membuat Data Frame Dengan Matriks
> z=matrix(c(1:40),nrow=10,ncol=4)
> z
[,1] [,2] [,3] [,4]
[1,] 1 11 21 31
[2,] 2 12 22 32
[3,] 3 13 23 33
[4,] 4 14 24 34
[5,] 5 15 25 35
[6,] 6 16 26 36
[7,] 7 17 27 37
[8,] 8 18 28 38
[9,] 9 19 29 39
[10,] 10 20 30 40
> z[,1]=c("Harnawati","Arsy Ariantri","La Ode Sanluis","Muhammad
Taqwa Al Kautsar","Marisa","Ais Khalillah","Nurul Fitriah
Muzuni","Alvian Ronaldus Marthin","Atika Nazria Senina","Sitti
Hapsah")
> z[,2]=c("F1A120023","F1A120047","F1A120025","F1A120029",
"F1A120027","F1A120043","F1A120033","F1A120017","F1A120021","F1A
120039")
> z[,3]=c(91,85,90,91,79,85,73,91,91,90)
>z[,4]=c("Bugis","Muna","Cia-Cia","Buton","Muna-Buton",
"Moronene”,"Buton","Manado-Buton","Bugis","Muna")
> z=data.frame(z)
> row.names(z)=c(1:10)
> attr(z,"names")=c("Nama","NIM","Nilai","Suku")
> z
Nama NIM Nilai Suku
1 Harnawati F1A120023 91 Bugis
2 Arsy Ariantri F1A120047 85 Muna
3 La Ode Sanluis F1A120025 90 Cia-Cia
4 Muhammad Taqwa Al Kautsar F1A120029 91 Buton
5 Marisa F1A120027 79 Muna-Buton
6 Ais Khalillah F1A120043 85 Moronene
7 Nurul Fitriah Muzuni F1A120033 73 Buton
8 Alvian Ronaldus Marthin F1A120017 91 Manado-Buton
9 Atika Nazria Senina F1A120021 91 Bugis
10 Sitti Hapsah F1A120039 90 Muna
1.1.3. Membuat Data Frame Dengan Data Editor
> z=edit(data.frame())
> z
Hasil Run :
Plot tipe lines adalah perintah yang digunakan untuk menggambarkan grafik
dengan menggunakan garis. Berikut contoh plot tipe lines.
> nama=c("Atika Nazria Senina","Alvian Ronaldus Marthin","La Ode
Sanluis","Nurul Fitriah Muzuni","Marisa","Siti Hapsah","Ais
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> u=data.frame(nama,Ip)
> y=u$Ip
> plot(y,main="type lines",ylab="ip",type="l",col="blue")
> legend("topleft",c("type lines"),fill=c("pink"))
Hasil run:
Gambar 3. Hasil run plot tipe lines
1.1.4. Plot Tipe Histogram (h)
Plot tipe histogram adalah perintah yang digunakan untuk membuat plot
berbentuk histogram. Berikut contoh plot tipe histogram.
> nama=c("Atika Nazria Senina","Alvian Ronaldus Marthin","La Ode
Sanluis","Nurul Fitriah Muzuni","Marisa","Siti Hapsah","Ais
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> u=data.frame(nama,Ip)
> y=u$Ip
> plot(y,main="type histogram",ylab="ip",type="h",col="green")
> legend("topleft",c("type histogram"),fill=c("pink"))
Hasil run:
Plot tipe points joined by lines adalah perintah yang digunakan untuk
menggambarkan grafik menggunakan titik dan garis. Berikut contoh plot tipe
points joined by lines.
> nama=c("Atika Nazria Senina","Alvian Ronaldus Marthin","La Ode
Sanluis","Nurul Fitriah Muzuni","Marisa","Siti Hapsah","Ais
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> u=data.frame(nama,Ip)
> y=u$Ip
> plot(y,main="type points joined by lines", ylab="ip", type =
"b",col="purple")
> legend("topleft",c("type point joined by lines"), fill=c ("pi
nk"))
Hasil run:
Plot tipe stair adalah perintah yang digunakan untuk membuat grafik
dengan menghubungkan garis yang dimulai dari garis vertikal membentuk
diagram batang. Berikut contoh plot tipe stair.
> nama=c("Atika Nazria Senina","Alvian Ronaldus Marthin","La Ode
Sanluis","Nurul Fitriah Muzuni","Marisa","Siti Hapsah","Ais
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> u=data.frame(nama,Ip)
> y=u$Ip
> plot(y,main="type stair",ylab="ip",type="s",col="orange")
> legend("topleft",c("type stair"),fill=c("pink"))
Hasil run:
Gambar 6. Hasil run plot tipe stair
1.1.7. Plot Tipe Stair (S)
Plot tipe stair adalah perintah yang digunakn untuk membuat grafik dengan
menghubungkan garis yang dimulai dari garis vertikal membentuk diagram
batang. Berikut contoh plot tipe stair.
> nama=c("Atika Nazria Senina","Alvian Ronaldus Marthin","La Ode
Sanluis","Nurul Fitriah Muzuni","Marisa","Siti Hapsah","Ais
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> u=data.frame(nama,Ip)
> y=u$Ip
> plot(y,main="type stair",ylab="ip",type="S",col="dark blue")
> legend("topleft",c("type stair"),fill=c("pink"))
Hasil run:
d. Menentukan lebar kelas interval, batas kelas dan nilai tengah kelas.
Scatter plot atau diagram pencar adalah sebuah grafik yang biasa digunakan
untuk melihat suatu pola hubungan antara dua variabel. Untuk bisa menggunakan
scatter plot, skala data yang digunakan haruslah skala interval dan rasio. Scatter
plot nilai Teknologi Informasi kelompok satu Metode Statistika:
> plot(nilai,main="Nilai Teknologi Informasi", col="darkblue",
ylab="nilai")
> legend("topright",c("Scatter Plot"),fill=c("darkblue"))
Rgraphics:
> d=density(nilai)
> plot(d)
> plot(d, main="Teknologi Informasi", col="lightblue")
> polygon(d, col="lightblue", border="red")
Hasil run:
Boxplot atau Box and Whisker Plots yang berarti kotak plot adalah
ringkasan distribusi sampel yang disajikan secara grafis yang bisa
menggambarkan bentuk distribusi data (skewness), ukuran tendensi sentral dan
ukuran penyebaran (keragaman) data pengamatanmengenai kelompok data
numerik melalui kuartilnya. Boxplot nilai Teknologi Informasi kelompok satu
Metode Statistika:
> boxplot(nilai,main="Nilai Teknologi Informasi", col="light
blue")
Hasil run:
Pie chart adalah sebuah diagram lingkaran yang dibagi menjadi irisan-irisan
untuk menggambarkan proporsi numerik. Dalam sebuah diagram lingkaran,
panjang busur setiap irisan, proporsional dengan kuantitas yang diwakilinya. Pie
chart nilai Teknologi Informasi kelompok satu Metode Statistika:
> pie(nilai, labels=nama, main="Teknologi Informasi")
Hasil run:
Gambar 5. Pie Chart Nilai Teknologi Informasi
Dot chart adalah grafik yang di gambarkan dengan dot atau titik. Dot chart
nilai Aljabar Linier Elementer kelompok enam Metode Statistika:
> dotchart(nilai, main="Teknologi Informasi", col="darkblue")
Hasil run:
2. ∑ 𝑠𝑒𝑚𝑢𝑎 𝑥 (𝑥) = 1
3. P(X=x) = 0
b. 𝑉𝑎(𝑋) = 𝑝(1 − 𝑝)
hasil eksperimen yang satu tidak mempengaruhi hasil eksperimen yang lainnya.
Sebuah percobaan Bernoulli dengan peluang sukses p dan peluang gagal q=
1-p, maka distribusi peluang peubah/variabel acak binomial X adalah:
Fungsi kepadatan peluang (pdf)
nM
a. E( X)=
N
M M
b.
Var ( X )=
( N )(
1− ) ( N −n )
N
N−1
Penggunaan distribusi Hipergeometril terdapat banyak bidang , antara lain
pada penerimaan sampel, pengujian elektronik dan pengendalian mutu.
1.2.4 Distribusi Geometrik
Karakteristik distribusi Geometrik yaitu:
a. Percobaan Bernoulli
b. X menyatakan banyaknya percobaan yang dibutuhkan untuk memperoleh
sukses.
Distribusi peluang peubah/variabel acak Geometri X adalah:
Fungsi kepadatan peluang (pdf)
1−X
g( x ; p)= p (1− p)
{0 ; x yang lain
x=1,2,3 , …
Hasil run :
2. ∫ f (x )dx ¿ 1
∞
∞
3. P(a< X <b)=∫ f ( x ) dx
∞
fN ( x ; μx , σx)=P( X ≤ x )=¿ ∫ fN ( t ; μx , σx ) dt =¿ ∫ σ ¿ (2 ❑ ) 𝑑t
2
−∞ −∞ x√2μ
e ❑
{
2
fx2( x ; v )= v
x e , x≥0
2 r v
2
2()
Berikut ini diberikan rumusan beberapa ukuran statistik deskriptif untuk
distribusi chi-kuadra.
a. Mean (Nilai Harapan) :
μ x = () = 𝑣 Varians
σ 2x = 2 v
b. Kemencengan (skewness) :
8
β 2 = a 23=
v
c. Keruncingan (kurtosis) :
β 2 = a 4=3 ( 4v +1)
1.2.4 Distribusi F
Menurut Gasperz ¿), secara teori sebaran F merupakan rasio dari dua
sebaran chi kuadrat yang bebas. Oleh karena itu peubah acak F diberikan sebagai:
x21 /V 1
𝐹= 2
x2 /V 2
Dimana:
x 21=¿ nilai dari sebaran chi-kuadrat dengan derajat bebas V 1=n 1−1
x 21=¿ nilai dari sebaran chi-kuadrat dengan derajat bebas V 1=n 1−1
Oleh karena itu sebaran F mempunyai dua derajat bebas yaitu 𝑉1 𝑑𝑎𝑛 𝑉2.
1.3 Syntax Distribusi Peluang Kontinu
Berikut merupakan contoh distribusi peluang kontinu pada program R.
Untuk melakukan distribusi peluang kontinu pada program R, dapat dilakukan
dengan memasukan syntax berikut ini.
>pnorm(p, mean=0, sd=1)
Keterangan :
a. Argument p merupakan peluang suatu kejadian
b. Argumentmean merupakan rata-rata hitung
c. Argument sd merupakan standard deviation.
d. Fungsi di atas hanya digunakan untuk mencari peluang distribusi peluang
kontinu yaitu kurang dari kejadian m, maka digunakan 1− p( x < m).
Berikut syntax yang terkait dengan distribusi normal:
>qnorm(c(0.25),mean=0,sd=1,lower.tail=TRUE)
[1] -0.6744898
>dnorm(c(0.05),mean=10,sd=2)
[1] 8.420738e-07
> y=seq(-5,5,length=100)
>plot(y,dnorm(y,mean=0,sd=1),xlab="x",ylab="kepadatan peluang
+ distribusi normal",main=expression(paste("distribusi normal:
+ ",mu,"=0",sigma,"=1")),type="l")
>abline(h=0,col="magenta")
> x=seq(-5,5,length=100)
>plot(y,pnorm(y,mean=0,sd=1),xlab="x",ylab="peluang
+ kumulatif",main=expression(paste("distribusi
+ normal:",mu,"=0",sigma,"=1")),type="l")
>abline(h=0,col="blue")
Hasil run plot 1:
▪ Ho: µ=µo
H 1: µ>µo
▪ Ho: µ=µo
H 1: µ<µo
▪ Ho: µ=µo
H 1: µ ≠ µob. Penentuan nilai α (taraf nyata) dan nilai Z table (Zα)
Menentukan nilai α sesuai soal, kemudian nilai Zαatau Zα / 2 ditentukan dari tabel.
c. Kriteria Pengujian
Untuk Ho: µ=µo dan H 1: µ> µo
Ho di terima jika Zo≤ Zα
Ho di tolak jika Zo>Zα
▪ Untuk Ho: µ=µo dan H 1: µ<µo
Ho di terima jikaZo≥−Zα
Ho di tolak jika Zo<−Zα
▪ Untuk Ho: µ=µo dan H 1: µ ≠ µo
Ho di terima jika −Zα /2 ≤ Zo ≤ Zα /2
Ho di tolak jika Zo>Zα /¿2 atau Zo<−Zα /2d. Uji Statistik
▪ Simpangan baku populasi ( σ ) di ketahui :
X́−μ0 X −μ0
Z 0= =
σX μ
√n
Simpangan baku populasi ( σ ) tidak di ketahui :
X−μ0 X −μ0
Z 0= =
sx s
√n
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan
kriteria pengujiannya).
▪ Jika H0 diterima maka H1 di tolak
▪ Jika H0 di tolak maka H1 di terima
Namun untuk pengujian hipotesis satu rata-rata dengan sampel kecil (n ≤ 30),uji
statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
Ho: µ=µo
H 1: µ>µo
▪ Ho: µ=µo
H 1: µ<µo
▪ Ho: µ=µo
H 1: µ ≠ µo
b. Penentuan nilai α (taraf nyata) dan nilai t- tabel
Menentukan nilai α sesuai soal, kemudian menentukan derajat bebas, yaitu
db=n – 1, lalu menentukan nilai tα;n-1 atau tα/2;n-1 ditentukan dari tabel.
c. Kriteria Pengujian
▪ Untuk Ho: µ=µo dan H 1: µ>µo
Hodi terima jika t 0 ≤ tα
Ho di tolak jika t 0> tα
▪ Untuk Ho: µ=µo dan H 1: µ<µo
Hodi terima jika t 0 ≥−tα
Ho di tolak jika t 0<−tα
▪ Untuk Ho: µ=µo danH 1: µ ≠ µo
Ho di terima jika −tα / 2 ≤t 0 ≤ tα /2
Ho di tolak jika t 0> tα /2atau t 0 <−tα /2
d. Uji Statistik
▪ Simpangan baku populasi ( σ ) di ketahui :
X−μ 0 X −μ0
t 0= =
σX σ
√n
▪ Simpangan baku populasi ( σ ) tidak di ketahui :
X−μ 0 X −μ0
t 0= =
σX σ
√n
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho(sesuai dengan kriteria
pengujiannya).
▪ Jika H0 diterima maka H1 di tolak
▪ Jika H0 di tolak maka H1 di terima
1.1.2 Uji Rata – Rata Dua Sampel
Untuk pengujian hipotesis beda dua rata-rata dengan sampel besar (n> 30) uji
statistiknya menggunakan distribusi Z. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
▪ Ho: µ=µo
H 1: µ>µo
▪ Ho: µ=µo
H1 : µ < µo
▪ Ho: µ=µo
H 1: µ ≠ µo
b. Penentuan nilai α (taraf nyata) dan nilai Z tabel (Zα)
Mengambil nilai α sesuai soal, kemudian nilai Zα atau Zα/2 ditentukan dari tabel.
c. Kriteria Pengujian
▪ Untuk Ho: µ 1=µ2 dan H1 :µ 1>µ 2
Ho di terima jika Zo≤ Zα
Hodi tolak jika Zo>Zα
▪ Untuk Ho: µ 1=µ2 dan H 1: µ 1< µ 2
Ho di terima jika Zo≥−Zα
Ho di tolak jika Zo<−Zα
▪ Untuk Ho: µ 1=µ2 dan H 1: µ 1≠ µ 2
Ho di terima jika −Zα /2 ≤ Zo ≤ Zα /2
Ho di tolak jika Zo>Zα /2 atau Zo<−Zα /2
d. Uji Statistik
▪ Simpangan baku populasi ( σ ) di ketahui :
X 1−X 2 σ 21 σ 22
Z 0=
σ X −X
1 2
σ
dengan x =1−x 2+
n1 n2 √
Simpangan baku populasi ( σ ) tidak di ketahui :
x 1−x 2 S2 S2
Z 0=
SX 1−X 2 √
dengan σ x = 1 + 2
n1 n2
1−x 2
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
▪ Jika H0 diterima maka H1 di tolak
▪ Jika H0 di tolak maka H1 di terima
Untuk pengujian hipotesis beda dua rata-rata dengan sampel kecil (n ≤ 30), uji
statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
▪ Ho: µ ₁=µ2
H 1: µ ₁> µ 2
▪ Ho: µ ₁=µ2
H 1: µ ₁< µ 2
▪ Ho: µ ₁=µ2
H 1: µ ₁≠ µ 2
b. Penentuan nilai α (taraf nyata) dan nilai t tabel (tα)
Mengambil nilai α sesuai soal, kemudian nilai tα atau tα/2 ditentukan dari
tabel.
c. Kriteria Pengujian
▪ Untuk Ho: µ 1=µ2 dan H 1: µ 1> µ 2
Hodi terima jika ¿ ≤ tα
Ho di tolak jika ¿>tα
▪ Untuk Ho: µ 1=µ2 danH 1: µ 1< µ 2
Ho di terima jika ¿ ≥ tα
Ho di tolak jika Zo<−tα
▪ Untuk Ho: µ 1=µ2 dan H 1: µ 1≠ µ 2
Ho di terima jika −tα / 2 ≤¿ ≤ tα / 2
Ho di tolak jika to ¿ tα /2 atau ¿<−tα /2
d. Uji Statistik
▪ Untuk pengamatan tidak berpasangan
X 1− X 2
t 0=
2 2
( n 1−1 ) S 1+(n2−1) S 1 1
√ n1−n 2−2
db=n1 +n 2−2
(
n1
+
1
n2
)
c. Kriteria Pengujian
▪ Diterima bila |𝑡 ℎ𝑖𝑡𝑢𝑛𝑔| ≤ 𝑡𝑎𝑏𝑒𝑙
▪ Ditolak bila |𝑡 ℎ𝑖𝑡𝑢𝑛𝑔| > 𝑡𝑎𝑏𝑒𝑙
d. Uji Statistik
X D−μ0
t=
S D / √n
Dimana
X d=
∑D
n
1
Sd =
√ n−1
{∑ D 2−¿ ¿ ¿ ¿ ¿
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
▪ Jika H0 diterima maka H1 di tolak
▪ Jika H0 di tolak maka H1 di terima
1.2 Regresi Linear Sederhana
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk
menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X)
terhadap variabel. Akibatnya faktor Penyebab pada umumnya dilambangkan
dengan X atau disebut juga dengan Predictor sedangkan Variabel Akibat
dilambangkan dengan Y atau disebut juga dengan Response. Regresi Linear
Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga
merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk
melakukan peramalan ataupun prediksi tentang karakteristik kualitas maupun
Kuantitas. Analisis ini digunakan untuk mengetahui arah hubungan antara
variabel independen dengan variabel dependen apakah positif atau negatif serta
untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen
mengalami kenaikan atau penurunan nilai.Data yang digunakan biasanya berskala
interval atau rasio. Rumus dari dari analisis regresi linear sederhana adalah
sebagai berikut:
Y , =a+ bX
Keterangan:
Y = subyek dalam variabel dependen yang diprediksi
a = harga Y ketika harga X= 0 (harga konstan)
b =angka arah atau koefisien regresi, yang menunjukkan angka peningkatan
ataupun penurunan variabel dependen yang didasarkan pada perubahan variabel
independen. Bila (+) arah garis naik, dan bila (-) maka arah garis turun.
X =subyek pada variabel independen yang mempunyai nilai tertentu. Secara
matematik harga b merupakan tangen dari perbandingan antara panjang garis
variabel dependen, setelah persamaan regresi ditemukan.Sehingga :
Sy
Harga b=r
Sx
Harga a=Y −bY
Dimana :
R = koefisien korelasi product moment antara variabel variabel X dengan variabel
Y
Sy = simpangan baku variabel Y
Sx = simpangan baku variabel X
Jika harga b merupakan fungsi dari koefisien korelasi.Bila koefisien korelasi
tinggi, maka harga b juga besar, sebaliknya bila koefisien korelasi rendah maka
harga b juga rendah (kecil).Selain itu bila koefisien korelasi negatif maka harga b
juga negatif, dan sebaliknya bila koefisien korelasi positif maka harga b juga
positif. Selain itu harga a dan b dapat dicari dengan rumus berikut:
a=¿ ¿
b=n ∑ XY −¿ ¿ ¿
Untuk menguji regresi sederhana ini digunakan untuk mengetahui apakah variabel
independen (X) berpengaruh secara signifikan terhadap variabel dependen
(Y).Signifikan berarti pengaruh yang terjadi dapat berlaku untuk populasi (dapat
digeneralisasikan). Rumus t hitung pada analisis regresi adalah sebagai berikut:
b 2 n−2
t hitung= ataut hitung= √ 2
sb 1−r
a. Menentukan Hipotesis
▪ Ho = Tidak ada pengaruh yang signifikan
▪ Ha = ada pengaruh yang signifikan
b. Menentukan tingkat signifikansi