II VI

LAPORAN LENGKAP
PRAKTIKUM METODE STATISTIKA
OLEH:
NAMA : ATIKA NAZRIA SENINA
NIM : F1A120021
KELOMPOK : I (SATU)
ASISTEN PRAKTIKUM : 1. DIAN HASANAH
2. M. SYADAM PURWANTO
3. AMIN
PROGRAM STUDI MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2021
HALAMAN PENGESAHAN
LAPORAN LENGKAP
PRAKTIKUM METODE STATISTIKA
OLEH:
NAMA : ATIKA NAZRIA SENINA
NIM : F1A120021
KELOMPOK : I (SATU)
Menerangkan bahwa apa yang ditulis dalam laporan ini adalah benar dan
dinyatakan telah memenuhi syarat.
Menyetujui,
ASISTEN PRAKTIKUM:
Asisten 1 Asisten 2 Asisten 3
DIAN HASANAH M. SYADAM PURWANTO AMIN

NIM: F1A118040 NIM: F1A119026 NIM: F1A118008
Kendari, Juni 2021

Praktikan,
ATIKA NAZRIA SENINA

NIM: F1A120021
ii
KATA PENGANTAR
Assalamu’alaikum warahmatulahi wabarakatuh

Puji syukur kami panjatkan kehadirat Tuhan YME, karena atas rahmat dan
hidayah-Nya lah sehingga penulis dapat menyelesaikan Laporan Lengkap
Praktikum Metode Statistika ini tepat pada waktunya.
Saya sendiri menyadari bahwa dalam laporan ini masih terdapat banyak
kekurangan serta masih jauh dari kata sempurna. Oleh karena itu saya
mengharapkan adanya kritik dan saran demi perbaikan dan penyempurnaan ini.
Laporan ini tidak lepas dari bimbingan kakak asisten dan disesuaikan
dengan berdasarkan materi-materi yang ada. Laporan ini bertujuan agar dapat
menambah pengetahuan dan kreativitas dalam belajar metode statistika, serta
dapat memahami nilai-nilai dasar yang direfleksikan dalam berpikir dan
bertindak.
Akhir kata, semoga laporan ini dapat bermanfaat bagi kita semua dan bagi
pihak yang membutuhkan.
Wassalamu’alaikum warahmatulahi wabarakatuh
Kendari, Juni 2021
Penyusun
iii
DAFTAR ISI
HALAMAN JUDUL………………………………………………………….. i
HALAMAN PENGESAHAN ……………………………………………….. ii
KATA PENGANTAR ……………………………...………………………… iii
DAFTAR ISI ………………………………………………………………… iv
DAFTAR GAMBAR ………………………...…….………………………… v
DAFTAR TABEL …………………………..………………………………... vi
BAB I PENDAHULUAN
1.1. Latar Belakang ……….……….......…..…………………..…...... 1
1.2. Tujuan …………………..…………………...…………..…….... 2
1.3. Manfaat ...…………..…………………………...……………..... 2
1.4. Waktu dan Tempat ……………………...………..………........... 3
1.5. Alat dan Bahan ……….…………...……...…………..….....…... 3
BAB II PEMBAHASAN
2.1. Praktikum 1 …………..……………....…………………..……... 4
2.2. Praktikum 2 …………………………...……….………..………. 10
2.3. Praktikum 3 …………………………...……….……………....... 13
2.4. Praktikum 4 …………………………...……….……………..…. 18
2.5. Praktikum 5 …………………………...……….……………..…. 20
2.6. Praktikum 6 …………………………...………..…………..….... 25
2.7. Praktikum 7 ……….………………...……….…………..…….... 29
2.8. Praktikum 8 …………………………...……….….…..……….... 36
2.9. Praktikum 9 …………………………...……….……..…………. 43
2.10. Praktikum 10 ……….………………...……….……..………….. 49
BAB III PENUTUP
3.1. Kesimpulan ...…….………..……………..………..……………. 58
3.2. Saran …….....…………..…..………………………..…...……... 60
DAFTAR GAMBAR
Halaman
Gambar 1. Hasil Run Data Frame dengan Data Editor……………………………... 19
Gambar 2. Hasil Run Plot Tipe overplotted………………………………………………. 20
Gambar 3. Hasil Run Plot Tipe Point……………………………………………….. 21
Gambar 4. Hasil Run Plot Tipe Lines……………………………………………………… 21
Gambar 5. Hasil Run Plot Tipe Histogram………………………………………….. 22
Gambar 6. Hasil Run Plot Tipe Point Joined by Lines………………………………….. 23
Gambar 7. Hasil Run Plot Tipe stair………………………………………………………. 23
iv
Gambar 8. Hasil Run Plot Tipe Stair(S)…………………………………………………... 24
Gambar 9. Histogram Nilai Teknologi Informasi…………………………………… 26
Gambar 10. Boxplot Nilai Teknologi Informasi…………………………………….. 28
Gambar 11. Scatter Plot Nilai Teknologi Informasi………………………………... 30
Gambar 12. Histogram Nilai Teknologi Informasi………………………………….. 31
Gambar 13. Density plot Nilai Teknologi Informasi………………………………… 32
Gambar 14. Boxplot Nilai Teknologi Informasi…………………………………….. 33
Gambar 15. Pie Chart Nilai Teknologi Informasi………………………………….. 33
Gambar 16. Bar Plot Nilai Teknologi Informas ……………………………………. 34
Gambar 17. Dot Chart Teknologi Informasi………………………………………... 35
Gambar 18. Hasil Run Plot Fungsi Kepadatan Peluang…………………………….. 41
Gambar 19. Grafik Fungsi Distribusi Normal………………………………………. 43
Gambar 20. Hasil Run Plot Fungsi Kepadatan Peluang Distribusi Normal………… 48
Gambar 21. Hasil Run Fungsi Peluang Distrubusi Kumulatif dari Distribusi Normal. 48
DAFTAR TABEL
Halaman
Tabel 1. Alat dan Bahan ……………………………………………………………… 3
Tabel 2. Operator Aritmatika…………………………………………………………. 10
Tabel 3. Operator Perbandingan………………………………………………………. 10
Tabel 4. Operator Logika……………………………………………………………... 11
Tabel 5. Syntax dalam operasi R……………………………………………………… 11
Tabel 6. Cara Menggunakan Vektor………………………………………………….. 13
Tabel 7. Cara Mengakses Vektor……………………………………………………… 14
v
Tabel 8. Cara Modifikasi Vektor……………………………………………………… 14
Tabel 9. Matriks Dalam Program R…………………………………………………... 15
Tabel 10. Cara Mengakses Matriks…………………………………………………… 16
Tabel 11. Cara Modifikasi Matriks…………………………………………………… 17
Tabel 12. Syntax Peluang & Fungsi…………………………………………………… 42
vi
METODE STATISTIKA
BAB I
PENDAHULUAN
1.1. Latar Belakang

Matematika adalah ilmu tentang kuantitas, struktur, ruang, dan perubahan.
Matematikawan menemukan pola, merumuskan Dugaan baru, dan membangun
kebenaran melalui metode deduksi ketat yang berasal dari aksioma dan definisi
bertepatan. Secara etimologis perkataan matematika berarti “ilmu pengetahuan
yang diperoleh dengan bernalar”, yang lebih menekankan pada aktifitas penalaran
ratio. Matematika terbentuk sebagai hasil pemikiran manusia yang berhubungan
dengan ide, proses, dan penalaran. Matematika juga sangat mengambil peran
dalam penerapan metode statistika.
Metode statistika adalah bagaimana cara-cara mengumpulkan data atau
fakta, mengolah, menyajikan, dan menganalisa, penarikan kesimpulan serta
pembuatan keputusan yang cukup beralasan berdasarkan fakta dan penganalisaan
yang dilakukan.
Metode statistik juga diartikan sebagai cabang matematika yang
berhubungan dengan pengumpulan, interpretasi, pengorganisasian, dan
interpretasi data yang awalnya ketika mendapatkan data, alih-alih menerapkan
algoritma terbaik dan membuat beberapa prediksi, pertama-tama kita mencoba
membaca dan memahami data dengan menerapkan teknik statistik. Dengan
melakukan ini, kita dapat memahami jenis data distribusi apa yang dimiliki. Pada
praktikum metode statistika ini digunakan aplikasi R atau software R.
R adalah suatu kesatuan software yang terintegrasi dengan beberapa
fasilitas untuk manipulasi, perhitungan dan penampilan grafik yang handal. R
berbasis pada bahasa pemrograman S, yang dikembangkan oleh AT&T Bell
Laboratories (sekarang Lucent Technologies) pada akhir tahun ’70 an. R
mempunyai karakteristik tersendiri, dimana selalu dimulai dengan prompt “>“
pada console-nya. R mempunyai beberapa kelebihan dan fitur-fitur yang canggih
dan berguna seperti lengkap dan terdiri dari koleksi tools statistik yang
terintegrasi untuk analisis data, diantaranya, mulai statistik deskriptif fungsi
Jurusan Matematika F-MIPA

Universitas Halu Oleo
2021
1
METODE STATISTIKA
probabilitas, berbagai macam uji statistik. Oleh karena itu, pada laporan lengkap
ini akan ditampilkan beberapa teknik metode statistika melalui software atau
aplikasi R.
1.2. Tujuan
1. Untuk mengetahui macam – macam aplikasi statistik, sejarah
perkembangan bahasa pemograman R, pengertian metode statistika, serta
perbedaan statistik dan statistika.
2. Untuk mengetahui macam - macam operator, syntax, dan tipe data yang
terdapat dalam program R.
3. Untuk mengetahui pengertian, cara menggunakan, cara mengakses dan
cara modifikasi vektor dan matriks dalam program R.
4. Untuk mengetahui pengertian dan cara membuat data frame.
5. Untuk mengetahui pengertian dan macam - macam plot dalam program R.
6. Untuk mengetahui histogram dan boxplot dalam program R.
7. Untuk mengetahui macam - macam syntax grafik.
8. Untuk mengetahui distribusi peluang diskrit, syntax peluang dan fungsi.
9. Untuk mengetahui pengertian, jenis-jenis, dan syntax peluang kontinu.
10. Untuk mengetahui hipotesis statistik dan regresi linear sederhana
1.3. Manfaat
1. Dapat mengetahui macam - macam aplikasi statistik, sejarah
perkembangan bahasa pemograman R, pengertian metode statistika, serta
perbedaan statistik dan statistika.
2. Dapat mengetahui macam - macam operator, syntax, dan tipe data yang
terdapat dalam program R.
3. Dapat mengetahui pengertian, cara menggunakan, cara mengakses dan
cara modifikasi vector dan matriks dalam program R.
4. Dapat mengetahui pengertian dan cara membuat data frame.
5. Dapat mengetahui pengertian dan macam - macam plot dalam program R.
6. Dapat mengetahui histogram dan boxplot dalam program R.
7. Dapat mengetahui macam - macam syntax grafik.

2021
2
METODE STATISTIKA
8. Dapat mengetahui distribusi peluang, syntax peluang dan fungsi.

9. Dapat mengetahui pengertian, jenis - jenis, dan syntax peluang kontinu.
10. Dapat mengetahui hipotesis statistik dan regresi linear sederhana.
1.4. Waktu dan Tempat

Praktikum Metode Statistika ini dilaksanakan setiap hari kamis pada pukul
13.00-15.00 WITA, sejak tanggal 6 Mei 2021 sampai dengan tanggal 24 Mei
2021 bertempat di laboratorium Aljabar, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Haluoleo.
1.5. Alat dan Bahan

Alat dan bahan yang digunakan dalam praktikum Metode Statistika adalah
sebagai berikut:
No Nama Alat dan Bahan Kegunaan
.
Sarana/alat untuk menjalankan
1. Komputer dan Perlengkapannya
program praktikum.
Sebagai sarana praktikum
2. Software R
pemrograman komputer.
Sebagai alat untuk menulis respon,
3. Alat Tulis tugas pendahuluan, dan materi
praktikum.
Tabel 1. Alat dan Bahan

2021
3
METODE STATISTIKA
BAB II
PEMBAHASAN
2.1 Praktikum 1
2.1.1 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.
Kelebihan :
1) Efektif dalam pengelolaan data dan fasilitas penyimpanan. Ukuran file
yang disimpan jauh lebih kecil dibanding software lainnya.
2) Lengkap dalam operator perhitungan array.
3) 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.
4) Tampilan grafik yang menarik dan fleksibel ataupun costumized.
5) Dapat dikembangkan sesuai keperluan dan kebutuhan dan sifatnya yang
terbuka, setiap orang dapat menambahkan fitur-fitur tambahan dalam
bentuk paket ke dalam software R.
Kekurangan :
1) Terlalu banyak command
2) Output yang tidak standard
3) Fungsi yang "menyesatkan" atau nama-nama parameter (data =, sort, if)
4) Pengendalian variabel yang tidak rapih

2021
4
METODE STATISTIKA
5) Kemungkinan besar terjadi loop

6) Fungsi-fungsinya berjalan berdasarkan prosedur
7) Cara untuk penamaan dan menggantikan nama variabel sangat rumit
8) Tidak memiliki kemampuan untuk menganalisa multivariabel
9) Memiliki kemampuan yang rendah untuk memilih himpunan variabel
10) 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:
1) Kemampuannya mengidentifikasi hubungan antara variabel yang
kompleks. Kekurangan:
2) 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, arc
hgarch atau bahkan model-model VECM. Berbagai macam uji asumsi statistiknya
pun telah tersedia.
Kekurangan :

2021
5
METODE STATISTIKA
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.
c. 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 den,gan 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.
d. 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 :
1) Mempermudah perhitungan statistik dari suatu instansi.

2021
6
METODE STATISTIKA
2) Mempersingkat waktu dalam melakukan perhitungan.

3) Tidak membutuhkan spesifikasi komputer yang tinggi.
4) Memberikan solusi bagi kepentingan bisnis.
5) Hasil lebih akurat dan reliabel.
6) Cocok untuk membantu riset pasar dari suatu bisnis.
Kekurangan :
1) Terbatas untuk konsep statistika sosial.
2) Belum terintegrasi dengan program database.
e. STATA (Statistical Software For Data Science)
STATA adalah salah satu perangkat lunak komputer untuk mengolah dan
menganalisis data
Kelebihan :
Hampir semua proses analisis 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.
2.1.2 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

2021
7
METODE STATISTIKA
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).
2.1.3 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.

2021
8
METODE STATISTIKA
2.1.4 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.
2.1.5 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.

2021
9
METODE STATISTIKA
2.2 Praktikum 2
2.2.1 Operator Aritmatika
Operator aritmatika adalah operator yang digunakan untuk melakukan
operasi aritmatika seperti penjumlahan, pengurangan, pembagian, perkalian, dsb.
Proses perhitungan akan ditangani oleh fungsi khusus. R akan memahami
urutannya secara benar.
Simbol Keterangan Contoh
+ Addition, untuk operasi penjumalahan > 4+5
[1] 9
- Substraction, untuk operasi pengurangan > 5-4
[1] 1
* Multiplication, untuk operasi perkalian > 5*4
[1] 20
/ Division, untuk operasi pembagian > 20/4
[1] 5
^ Eksponentiation, untuk operasi pemangkatan > 4^5
[1] 1024
%% Modulus, untuk mencari sisa pembagian > 5%%4
[1] 1
%/% Integer, untuk mencari bilangan bulat hasil > 5%/4%
[1] 1
pembagian
Tabel 2. Operator Aritmatika
2.2.2 Operator Perbandingan
Operator relasi atau operator perbandingan adalah operator yang
digunakan untuk membandingkan satu objek dengan objek lainnya.

== Sama dengan > 5==5
[1] TRUE
!= Tidak sama dengan > 5!=4
[1] TRUE
> Lebih besar dari > 5>4
[1] TRUE
< Lebih kecil dari > 5<4
[1] FALSE
>= Lebih besar sama dengan > 5>=4
[1] TRUE
<= Lebih kecil sama dengan > 5<=4
[1] FALSE
Tabel 3. Operator Perbandingan
2.2.3 Operator Logika

2021
10
METODE STATISTIKA
Operator Logika adalah operator yang digunakan untuk membandingkan 2

kondisi logika, yaitu logika benar (TRUE) dan logika salah (FALSE). Operator
logika hanya berlaku pada vektor dengan tipe logical, numeric, atau complex.
Semua angka bernilai 1akan dianggap bernilai logika TRUE.
&& And > (4>3)&&(3>2)
[1] TRUE
|| Or >(2>3)||(3>4)
[1] TRUE
! Not > (4>5)!(3<4)
[1] TRUE
Tabel 4. Operator Logika
2.2.4 Syntax
Syntax adalah aturan menulis 'kalimat' agar mampu dimengerti dengan
benar oleh bahasa pemrograman. Secara etimologis istilah syntax adalah
menempatkan bersama kata-kata menjadi kelompok kata atau kalimat dan
kelompok-kelompok kata menjadi kalimat.
Macam-macam syntax dalam operasi R adalah sebagai berikut.
Syntax Fungsi Contoh
Sum Untuk menjumlahkan data > k<-
+ c(5,7,2,2,9,4,9,2)
> sum(k)
[1] 40
Max Untuk memperoleh nilai > k<-
+ c(5,7,2,2,9,4,9,2)
maksimun > max(k)
[1] 9
Min Untuk memperoleh nilai > k<-
+ c(5,7,2,2,9,4,9,2)
minimum > min(k)
[1] 2
Sort Untuk mengurutkan nilai dari > k<-
+ c(5,7,2,2,9,4,9,2)
yang terkecil ke yang tersebsar > sort(k)
[1] 2 2 4 4 5 7 9 9
Rev Untuk mengurutkan nilai dari > k<-
+ c(5,7,2,2,9,4,9,2)
yang terbesar ke yang terkecil > rev(k)
[1] 9 9 7 5 4 4 2 2
Median Untuk memperoleh nilai tengah > k<-
+ c(5,7,2,2,9,4,9,2)
> median(k)
[1] 4
Mean Untuk memperoleh nilai rata- > k<-
+ c(5,7,2,2,9,4,9,2)
rata

2021
11
METODE STATISTIKA
> mean(k)
[1] 5
Tabel 5. Syntax dalam operasi R
2.2.5 Tipe Data
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. Character
Character adalah tipe data yang beranggotakan karakter. Contoh :
> x = ”belajar statistik”
> x
[1] “belajar statistik”
> mode(x)
[1] “character”
2. Numeric
Numeric adalah tipe data yang beranggotakan segala jenis angka. Contoh:
> x <- 2.9
> class(x)
[1] numeric
3. Complex
Complex adalah tipe data yang beranggotakan bilangan kompleks. Contoh:
> z <- 5+9i
> class(z)
[1] complex
4. Logical
Logical adalah tipe data yang beranggotakan nilai boolean.
Boolean merupakan tipe yang memiliki dua nilai yaitu benar (TRUE) atau salah
(FALSE). Contoh :
> apel <- TRUE
> class(apel)
[1] logical

2021
12
METODE STATISTIKA
2.3 Praktikum 3
2.3.1 Vektor dalam Program R
Vektor merupakan kombinasi berbagai nilai (numerik, karakter, logical,
dan sebagainya berdasarkan jenis input data) pada objek yang sama. Pada contoh
kasus berikut, pembaca akan memiliki sesuai jenis data input yaitu vektor
numerik, vektor karakter, vektor logical, dll. Dengan kata lain, vektor
adalah tool sederhana untuk menyimpan data.
1. Cara Menggunakan Vektor
No. Nama Fungsi Fungsi Contoh
Menciptakan
> 25:20
1. Tanda: rangkaian angka
[1] 25 24 23 22 21 20
secara berurutan
Menciptakan > c(8,9,8,4,3,0)
2. Fungsi C [1] 8 9 8 4 3 0
rangkaian angka
Menciptakan
> seq(20,25)
seq(a,b) rangkaian angka [1] 20 21 22 23 24 25
secara berurutan
Menciptakan > seq(200,225,by=5)
seq(a,b,
rangkaian angka [1] 200 205 210 215
by=c) 220 225
secara berurutan
seq > seq(from=200,to=225,
Menciptakan barisan
3. (from= a, by=5)
angka berpola secara [1] 200 205 210 215
to=b,
berurutan 220 225
by=c)
Seq
Menciptakan
rangkaian angka
seq (a,b > seq(20,25,length=2)
dengan panjang deret [1] 20 25
length=c)
yang dapat
ditentukan sendiri
Tabel 6. Cara Menggunakant Vektor
2. Cara Mengakses Vektor
No. Fungsi Contoh
> x=seq (from=12,to=120,by=2)
Menampilkan elemen ke-n
1. > x[1]
dari vektor x [1] 12
2. > x[c(1,4)]
dan ke-m [1] 12 18
Memunculkan semua elemen
3. > x[-5]
kecuali elemen ke-n [1] 17 19 21 23 27

2021
13
METODE STATISTIKA

Menampilkan semua elemen > x[-c(2,6)]
4.
kecuali elemen ke-n dan ke-m [1] 17 21 23 25
Menampilkan semua elemen >> x=seq (from=17,to=27,by=2)
5. x[x>7]
yang lebih dari n [1] 17 19 21 23 25 27
6. > x[2:4]
sampai ke-m [1] 19 21 23
Tabel 7. Cara Mengakses Vektor
3. Cara Modifikasi Vektor
No. Fungsi Contoh
> p=c(2,4,9,14,24)
> p
Mengganti elemen pertama
[1] 2 4 9 14 24
1. dengan angka yang > p[1]=1
diinginkan > p
[1] 1 4 9 14 24
> p=c(1,5,7,13)
> p
[1] 1 5 7 13
2. Mengganti seluruh elemen > p[1:4]=c(2,4,8,12)
> p
[1] 2 4 8 12
> rep(20:25,2)
[1] 20 21 22 23 24 25 20 21 22
23 24 25
> rep(20:25,rep(2:2))
3. Mengulang vektor sebanyak 3 [1] 20 21 22 23 24 25 20 21 22
kali 23 24 25
> rep(20:25,each=2)
[1] 20 20 21 21 22 22 23 23 24
24 25 25
Tabel 8. Cara Modifikasi Vektor
2.3.2 Matriks dalam Program R
Matriks adalah sekumpulan dari objek (angka) yang disusun secara teratur
menurut baris dan kolom sehingga membentuk suatu empat persegi panjang yang
dibatasi oleh kurung biasa atau siku. Selain secara manual dengan ilmu
matematika atau perhitungan, matriks dapat juga diselesaikan dengan program R.
Dengan memanfaatkan program R, seseorang dapat menyelesaikan suatu kasus
matemetika khususnya matriks, dengan lebih mudah dan cepat.
1. Cara Menggunakan Matriks
No. Matriks Contoh
1. Membuat matriks ordo 3x3 > u=matrix(21:29,nrow=3,ncol=3)
> u
dan 2x2 [,1] [,2] [,3]

2021
14
METODE STATISTIKA
[1,] 21 24 27
[2,] 22 25 28
[3,] 23 26 29
>m=matrix(c(3,5,8,9),nrow=2,ncol=2)
> m
[,1] [,2]
[1,] 3 8
[2,] 5 9
> rbind(25,27,28,30,35)
[,1]
[1,] 25
[2,] 27
Membuat matriks [3,] 28
2. menggunakan rbind dan [4,] 30
cbind [5,] 35
> cbind(25,27,28,30,35)
[,1] [,2] [,3] [,4] [,5]
[1,] 25 27 28 30 35
> a=array(21:29,dim=c(3,3))
> a
Membuat matriks [,1] [,2] [,3]
3. [1,] 21 24 27
menggunakan array
[2,] 22 25 28
[3,] 23 26 29
Tabel 9. Matriks Dalam Program R
2. Cara Mengakses Matriks
No. Fungsi Contoh
Menampilkan entri kolom pertama matriks

Menampilkan entri kolom > k=3:14
1.
ke-n matriks > p=matrix(k,ncol=4,nrow=4)
> p[,1]
[1] 3 4 5 6
Menampilkan entri baris pertama matriks

2. Menampilkan entri baris > k=3:14
ke-n matriks > p=matrix(k,ncol=4,nrow=4)
> p[1,]
[1] 3 7 11 3
Mengubah baris ke-x, kolom ke-y matriks

> k=3:14
> p=matrix(k,ncol=4,nrow=4)
> p[1,1]=20
Mengubah baris ke-n,
3. > p
kolom ke-m matriks [,1] [,2] [,3] [,4]
[1,] 20 7 11 3
[2,] 4 8 12 4
[3,] 5 9 13 5
[4,] 6 10 14 6

2021
15
METODE STATISTIKA
Mengubah kolom pertama matriks

> k=3:14
> p=matrix(k,ncol=4,nrow=4)
> p[,1]=c(0,4,9,5)
Mengubah kolom ke-n
4. > p
matriks [,1] [,2] [,3] [,4]
[1,] 0 7 11 3
[2,] 4 8 12 4
[3,] 9 9 13 5
[4,] 5 10 14 6
Membuat matriks menggunakan seq

> k=matrix(seq(3:14),nrow=4,ncol=4)
Membuat matriks > k

5.
menggunakan seq [,1] [,2] [,3] [,4]
[1,] 1 5 9 1
[2,] 2 6 10 2
[3,] 3 7 11 3
[4,] 4 8 12 4
Tabel 10. Cara Mengakses Matriks

3. Cara Modifikasi Matriks
No Syntax Fungsi Contoh
.
>x=matrix(c(2,6,8,12,16,18,22,
26,28),nrow=3,ncol=3)
>y=matrix(c(2,6,8,2,6,8,2,6,8),
nrow=3,ncol=3)
Menjumlahkan
1. Penjumlahan > x+y
Matriks [,1] [,2] [,3]
[1,] 4 14 24
[2,] 12 22 32
[3,] 16 26 36
>x=matrix(c(2,6,8,12,16,18,22,
26,28),nrow=3,ncol=3)
>y=matrix(c(2,6,8,2,6,8,2,6,8),
nrow=3,ncol=3)
Mengurangkan
2. Pengurangan > x-y
Matriks [,1] [,2] [,3]
[1,] 0 10 20
[2,] 0 10 20
[3,] 0 10 20
3. Perkalian Mengalikan >x=matrix(c(2,6,8,12,16,18,22,

26,28),nrow=3,ncol=3)
Matriks
>y=matrix(c(2,6,8,2,6,8,2,6,8),
nrow=3,ncol=3)
> x%*%y
[,1] [,2] [,3]

2021
16
METODE STATISTIKA
[1,] 252 252 252

[2,] 316 316 316
[3,] 348 348 348
Mengubah >x=matrix(c(2,6,8,12,16,18,22,
26,28),nrow=3,ncol=3)
baris menjadi
> t(x)
kolom dan [,1] [,2] [,3]
4. Transpose
kolom menjadi [1,] 2 6 8
baris suatu [2,] 12 16 18
matriks [3,] 22 26 28
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Mencari Mencari Invers > solve(x)
5. [,1] [,2] [,3]
Invers Matriks [1,] -0.7714286 1.685714 -0.9428571
[2,] 1.0000000 -3.000000 2.0000000
[3,] -0.4571429 1.628571 -1.1142857
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Menentukan
6. Perpangkata > (x)^3
Perpangkatan [,1] [,2] [,3]
n
Matriks [1,] 27 1728 6859
[2,] 343 3375 9261
[3,] 729 4913 10648
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Mencari >y=matrix(c(4,7,10,12,14,18,21,
Determinan
7. Determinan 22,24),nrow=3,ncol=3)
Matriks > det(x)
Matriks
[1] 35
> det(y)
[1] 90
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
>y=matrix(c(4,7,10,12,14,18,21,
Membagi 22,24),nrow=3,ncol=3)
8. Pembagian > x/y
Matriks
[,1] [,2] [,3]
[1,] 0.75 1.0000000 0.9047619
[2,] 1.00 1.0714286 0.9545455
[3,] 0.90 0.9444444 0.9166667
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Mencari >y=matrix(c(4,7,10,12,14,18,21,
Mencari
9. Diagonal 22,24),nrow=3,ncol=3)
Diagonal > diag(x)
Matriks
[1] 3 15 22
> diag(y)
[1] 4 14 24
10. Mencari Mencari Akar >x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Akar dari suatu >y=matrix(c(4,7,10,12,14,18,21,
Matriks 22,24),nrow=3,ncol=3)

2021
17
METODE STATISTIKA
> sqrt(x)
[,1] [,2] [,3]
[1,] 1.732051 3.464102 4.358899
[2,] 2.645751 3.872983 4.582576
[3,] 3.000000 4.123106 4.690416
> sqrt(y)
[,1] [,2] [,3]
[1,] 2.000000 3.464102 4.582576
[2,] 2.645751 3.741657 4.690416
[3,] 3.162278 4.242641 4.898979
Tabel 11. Cara Modifikasi Matriks
2.4 Praktikum 4
2.4.1 Data Frame
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. 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","F1A120039
")
> 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

2021
18
METODE STATISTIKA
10 Sitti Hapsah F1A120039 90 Muna
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
Hapsah")
> z[,2]=c("F1A120023","F1A120047","F1A120025","F1A120029",
"F1A120027","F1A120043","F1A120033","F1A120017","F1A120021","F1A1
20039")
> 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
3. Membuat Data Frame Dengan Data Editor

> z=edit(data.frame())
> z
Hasil Run :

2021
19
METODE STATISTIKA
Gambar 1. Hasil Run Data Frame dengan Data Editor
2.5 Praktikum 5
2.5.1 Plot dalam program R
Plot pada data frame adalah perintah/syntax yang digunakan untuk
menggambarkan grafik yang dapat menghubungkan dua variabel.
1. Plot Tipe Overplotted(o)
Plot tipe overplotted adalah perintah yang digunakan untuk
menggambarkan grafik dengan menghubungkan titik menggunakan garis. Berikut
contoh plot tipe overplotted.
> 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 overplotted",ylab="Ip",type="o",col="red")
> legend("topleft",c("type overplotted"),fill=c("pink"))
Hasil run:

2021
20
METODE STATISTIKA
Gambar 2. Hasil Run Plot Tipe overplotted

2. Plot Tipe Point (p)
Plot tipe point adalah perintah yang digunakan untuk menggambarkan
grafik dengan menggunakan titik. Berikut contoh plot tipe point.
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> y=u$Ip
> plot(y,main="type points",ylab="Ip",type="p",col="blue")
> legend("topleft",c("type points"),fill=c("pink"))
Hasil run:
Gambar 3. Hasil Run Plot Tipe Point

3. Plot Tipe Lines (l)
Plot tipe lines adalah perintah yang digunakan untuk menggambarkan
grafik dengan menggunakan garis. Berikut contoh plot tipe lines.
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)

2021
21
METODE STATISTIKA
> 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 4. Hasil Run Plot Tipe Lines
4. Plot Tipe Histogram (h)

Plot tipe histogram adalah perintah yang digunakan untuk membuat plot
berbentuk histogram. Berikut contoh plot tipe histogram.
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> y=u$Ip
> plot(y,main="type histogram",ylab="ip",type="h",col="green")
> legend("topleft",c("type histogram"),fill=c("pink"))
Hasil run:

2021
22
METODE STATISTIKA
Gambar 5. Hasil Run Plot Tipe Histogram

5. Plot Tipe Points Joined by Lines (b)
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.
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> 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:
Gambar 6. Hasil Run Plot Tipe Point Joined by Lines

6. Plot Tipe Stair (s)
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.
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> y=u$Ip
> plot(y,main="type stair",ylab="ip",type="s",col="orange")

2021
23
METODE STATISTIKA
> legend("topleft",c("type stair"),fill=c("pink"))

Hasil run:
Gambar 7. Hasil Run Plot Tipe stair

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.
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> 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:
Gambar 8. Hasil Run Plot Tipe Stair(S)

2021
24
METODE STATISTIKA
2.6 Praktikum 6
2.6.1 Histogram di R
Histogram adalah sebuah representasi grafik yang menampilkan impresi
visual dari distribusi data.Histogram digunakan untuk mem-plot densitas dari data
dan sering digunakan untuk melakukan estimasi densitas.Secara sederhana,
Histogram adalah tampilan grafis dari tabulasi frekuensi yang digambarkan
dengan grafis batangan sebagai manifestasi data binning. Tiap tampilan batang
menunjukan proporsi frekuensi pada masing-masing deret kategori yang
berdampingan dengan intervalyang tidak tumpang tindih. Histogram berfungsi
untuk membuat diagram yang berkaitan dengan range atau untuk melihat
distribusi, penyebaran, varian suatu produk, proses atau layanan.Langkah-langkah
dalam membuat histogram secara manual sebagai berikut :
a. Mengumpulkan data pengukuran.
b. Menentukan besarnya range.
c. Menentukan banyaknya kelas interval.
d. Menentukan lebar kelas interval, batas kelas dan nilai tengah kelas.
e. Menentukan frekuensi dari setiap kelas interval.
f. Membuat grafik histogram.
Histogram nilai teknologi informasi kelompok satu Metode Statistika:
> nama<-c("Harnawati","Arsy Ariantri","La Ode Sanluis","Muhammad
Hapsah")
> nama
[1] "Harnawati" "Arsy Ariantri"
[3] "La Ode Sanluis" "Muhammad Taqwa Al Kautsar"
[5] "Marisa" "Ais Khalillah"
[7] "Nurul Fitriah Muzuni" "Alvian Ronaldus Marthin"
[9] "Atika Nazria Senina" "Sitti Hapsah"
> nilai<-c(91,85,90,91,79,85,73,91,91,90)
> nilai
[1] 91 85 90 91 79 85 73 91 91 90
> kelompok_1_metstat=data.frame(nama,nilai)
> kelompok_1_metstat
nama nilai
1 Harnawati 91
2 Arsy Ariantri 85
3 La Ode Sanluis 90
4 Muhammad Taqwa Al Kautsar 91
5 Marisa 79

2021
25
METODE STATISTIKA
6 Ais Khalillah 85
7 Nurul Fitriah Muzuni 73
8 Alvian Ronaldus Marthin 91
9 Atika Nazria Senina 91
10 Sitti Hapsah 90
> hist(nilai)
> z=hist(nilai)
> z$breaks
[1] 70 75 80 85 90 95
> z$counts
[1] 1 1 2 2 4
> z$density
[1] 0.02 0.02 0.04 0.04 0.08
> z$mids
[1] 72.5 77.5 82.5 87.5 92.5
> z$xname
[1] "nilai"
> z$equidist
[1] TRUE
> hist(nilai,main="nilai teknologi
informasi",xlab="nilai",ylab="nilai
frekuensi",xlim=c(70,95),ylim=c(0.0,4.0),col="brown")
> xfit=seq(min(nilai),max(nilai),length(40))
> yfit=dnorm(xfit,mean=mean(nilai),,sd=sd(nilai))
> yfit=yfit*diff(z$mids[1:2])*length(nilai)
> lines(xfit,yfit,col=2,lwd=4)
> summary(nilai)
Min. 1st Qu. Median Mean 3rd Qu. Max.
73.0 85.0 90.0 86.6 91.0 91.0
Hasil run:
Gambar 9. Histogram Nilai Teknologi Informasi

2.6.2 Boxplot di R
Boxplot merupakan ringkasan distribusi sampel yang disajikan secara
grafis yang bisa menggambarkan bentuk distribusi data (skewness), ukuran

2021
26
METODE STATISTIKA
tendensi sentral dan ukuran penyebaran (keragaman) data pengamatan. Boxplot

adalah salah satu cara dalam statistic deskriptif untuk menggambarkan secara
grafik dari data numeris melalui lima ukuran sebagai berikut:
a. Nilai minimum: nilai observasi terkecil.
b. Q1: kuartil terendah atau kuartil pertama.
c. Q2: median atau nilai pertengahan.
d. Q3: kuartil tertinggi atau kuartil ketiga.
e. Nilai maksimum: nilai observasi terbesar.
f. Selain itu, boxplot juga dapat menunjukkan ada tidaknya nilai outlier dan
nilai ekstrim dari data pengamatan.
>nama<-c("Harnawati","Arsy Ariantri","La Ode Sanluis","Muhammad
Hapsah")
> nama
> nilai<-c(91,85,90,91,79,85,73,91,91,90)
> nilai
[1] 91 85 90 91 79 85 73 91 91 90
nama nilai
1 Harnawati 91
2 Arsy Ariantri 85
3 La Ode Sanluis 90
5 Marisa 79
6 Ais Khalillah 85
10 Sitti Hapsah 90
> boxplot(nilai,main="nilai teknologi informasi", col="light
blue")
> summary(kelompok_1_metstat)
nama nilai
Length:10 Min. :73.0
Class :character 1st Qu.:85.0
Mode :character Median :90.0
Mean :86.6
3rd Qu.:91.0
Max. :91.0

2021
27
METODE STATISTIKA
Hasil run:
Gambar 10. Boxplot Nilai Teknologi Informasi

2021
28
METODE STATISTIKA
2.7 Praktikum 7
2.7.1 Sintaks Grafik di R
Membuat sintaks grafik di program R dengan menggunakan data nilai
Aljabar Linier Elementer kelompok enam Metode Statistika, dimana datanya
adalah sebagai berikut
> nama<-c("Harnawati","Arsy Ariantri","La Ode Sanluis","Muhammad
Hapsah")
> nama
> nilai<-c(91,85,90,91,79,85,73,91,91,90)
> nilai
[1] 91 85 90 91 79 85 73 91 91 90
nama nilai
1 Harnawati 91
2 Arsy Ariantri 85
3 La Ode Sanluis 90
5 Marisa 79
6 Ais Khalillah 85
10 Sitti Hapsah 90
1. Scatter Plot
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"))

2021
29
METODE STATISTIKA
Rgraphics:
Gambar 11. Scatter Plot Nilai Teknologi Informasi

Tipe plot dibagi menjadi beberapa jenis antara lain:
a. Type overplotted (o) digunakan untuk membuat grafik yang titiknya di
tembus oleh garis penghubung. Contoh:
> plot(nilai,type="o",main="Grafik Nilai Teknologi Informasi",
col="purple")
> legend("topright",c("Tipe Overplotted (o)"),fill=c("purple"))
b. Type Points (p) digunakan untuk membuat grafik yang didalamnya hanya
muncul titik. Contoh:
> plot(nilai,type="p",main="Nilai Teknologi Informasi",
col="brown")
> legend("topright",c("Tipe Points (p)"),fill=c("brown"))
c. Type Lines (l)digunakan untuk memberi garis hubung antar titik. Contoh:
> plot(nilai,type="l",main="Nilai Teknologi Informasi",
col="red")
> legend("topright",c("Tipe Lines (l)"),fill=c("red"))
d. Type Histogram (h) diguanakan untuk membuat grafik histogram. Contoh:
> plot(nilai,type="h",main="Histogram Nilai Teknologi
Informasi",col="blue")
> legend("topright",c("Tipe Histogram (h)"),fill=c("blue"))
e. Type Empty Joined by Lines (c) digunakan untuk memberi garis
penghubung tanda titik. Contoh:

2021
30
METODE STATISTIKA
> plot(nilai,type="c",main="Nilai Teknologi Informasi",

col="yellow")
> legend("topright",c("Tipe Empty Joined
by Lines (c)"),fill=c("yellow"))
f. Type Empty Points by Lines (b) digunakan untuk memberi garis
penghubung dengan penebal titik. Contoh:
> plot(nilai,type="b",main="Nilai Teknologi Informasi",
col="green")
> legend("topright",c("Tipe Empty Points by
Lines(b)"),fill=c("green"))
g. Type stair (s) digunakan untuk membuat grafik fungsi tangga. Contoh:
> plot(Nilai,type="s",main="Nilai Teknologi Informasi",
col="orange")
> legend("topright",c("Tipe stair (s)"),fill=c("orange"))
2. Histogram dan Density Plot
Histogram adalah tampilan grafis dari tabulasi frekuensi yang
digambarkan dengan grafis batangan sebagai manifestasi data binning. Density
plot memvisualisasikan distribusi data selama interval atau periode waktu
kontinu. Histogram dan Density Plot nilai Teknologi Informasi kelompok satu
Metode Statistika:
a. Histogram
> hist(nilai,main="nilai teknologi
informasi",xlab="nilai",ylab="nilai
frekuensi",xlim=c(70,95),ylim=c(0.0,4.0),col="brown")
> xfit=seq(min(nilai),max(nilai),length(40))
> yfit=dnorm(xfit,mean=mean(nilai),,sd=sd(nilai))
> yfit=yfit*diff(z$mids[1:2])*length(nilai)
> lines(xfit,yfit,col=2,lwd=4)
> summary(nilai)
Hasil run:
Gambar 12. Histogram Nilai Teknologi Informasi

2021
31
METODE STATISTIKA
b. Density Plot
> d=density(nilai)
> plot(d)
> plot(d, main="Teknologi Informasi", col="lightblue")
> polygon(d, col="lightblue", border="red")
Hasil run:
Gambar 13. Density plot Nilai Teknologi Informasi

3. Boxplot
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")

2021
32
METODE STATISTIKA
Hasil run:
Gambar 14. Boxplot Nilai Teknologi Informasi

4. Pie Chart
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 15. Pie Chart Nilai Teknologi Informasi

2021
33
METODE STATISTIKA
5. Bar Plot
Bar plot atau diagram batang adalah diagram yang berguna untuk
menyajikan perbandingan data pada satu atau beberapa variabel data. Data pada
grafik batang disajikan dalam bentuk persegi panjang horizontal, yang panjangnya
sesuai dengan nilai masing-masing. Bar plot nilai Teknologi Informasi kelompok
satu Metode Statistika:
> barplot(nilai, main="Teknologi Informasi", col="brown")
Hasil run:
Gambar 16. Bar Plot Nilai Teknologi Informasi

6. Dot Chart
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")

2021
34
METODE STATISTIKA
Hasil run:
Gambar 17. Dot Chart Teknologi Informasi

2021
35
METODE STATISTIKA
2.8 Praktikum 8
2.8.1 Pengertian Distribusi Peluang Diskrit
Distribusi peluang diskrit adalah distribusi peluang dimana semesta
peubah acaknya dapat dihitung atau berhingga, misalnya peubah acak sebuah
lemparan dadu bernilai 1 hingga 6. Apabila himpunan pasangan terurut (x,f(x))
merupakan suatu fungsi peluang, fungsi masa peluang, atau distribusi peluang
peubah acak diskrit x maka untuk setiap kemungkinan hasil x berlaku:
1. (𝑥) ≥ 0; ∀ 𝑥 ∈ 𝑅
2. ∑ 𝑠𝑒𝑚𝑢𝑎 𝑥 (𝑥) = 1
3. P(X=x) = 0
2.8.2 Jenis-Jenis Peluang Diskrit
1. Distribusi Bernoulli
Karakteristik Distribusi Bernoulli yaitu:
a. Percobaan dilakukan 1 kali.
b. Percobaan hanya mampu menghasilkan 2 hasil yang mungkin yaitu sukses
atau gagal.
Distribusi Bernoulli dengan peluang sukses 0 ≤ 𝑝 ≤ 1 dan peluang gagal q
= 1 - p, maka distribusi peluang peubah/variabel acak Bernoulli X adalah: Fungsi
kepadatan peluang (pdf)
x 1−x
f (x ; 1 , p)= p (1− p) ; x=0,1
{ 0 ; x yang lai n
Selanjutnya dinotasikan sebagai 𝑋~𝐵𝐼(1, 𝑝) , yaitu distribusi binomial
dengan parameter p. Jika X berdistribusi Bernoulli maka:
a. (𝑋) = 𝑝
b. 𝑉𝑎(𝑋) = 𝑝(1 − 𝑝)
Peluang terambilnya kartu As di setiap pengambilan satu kotak kartu
merupakan salah satu contoh percobaan Bernoulli.
2. Distribusi Binomial
Distribusi Binomial merupakan distribusi peluang yang dihasilkan dari
proses Bernoulli yang memiliki empat karakteristik utama, yaitu:
a. Percobaan dilakukan sebanyak n kali, n>1.

2021
36
METODE STATISTIKA
b. Tiap percobaan memiliki dua hasil saja: sukses atau gagal.

c. Peluang sukses (p) pada setiap percobaan adalah konstan.
d. Pengulangan percobaan harus bebas (independent) satu sama lain, artinya
hasil eksperimen yang satu tidak mempengaruhi hasil eksperimen yang lainnya.
Sebuah percobaan Bernoulli dengan peluang sukses p dan peluang gagal
q= 1-p, maka distribusi peluang peubah/variabel acak binomial X adalah:
Fungsi kepadatan peluang (pdf)
f (x ; n , 1)= n p x (1− p)n−x ; x=0,1,2 , … ,n

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

2021
37
METODE STATISTIKA
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.
4. Distribusi Geometrik
Karakteristik distribusi Geometrik yaitu:
a. Percobaan Bernoulli
b. X menyatakan banyaknya percobaan yang dibutuhkan untuk memperoleh
sukses.
Distribusi peluang peubah/variabel acak Geometri X adalah:
1−X
g( x ; p)= p (1− p)
{0 ; x yang lain
x=1,2,3 , …
Selanjutnya dinotasikan sebagai 𝑋~𝐺𝐸(𝑝) dengan parameter p. Jika

𝑋~𝐺𝐸𝑂(𝑝)maka :
1
a. E( X)=
p
q
b. Var ( X )=
p4
Fungsi distribusi kumulatifnya yaitu:
x
F (x)=G(x ; p)=∑ p(1− p)f −1
f =1
5. Distribusi Poisson
Eksperimen Poisson adalah eksperimen yang menghasilkan nilai dari suatu
peubah acak X, yaitu jumlah keluaran yang terjadi selama satu selang waktu atau
di antara suatu daerah. Percobaan Poisson memiliki sifat sebagai berikut:
a. Jumlah keluaran yang muncul dalam suatu rentang waktu atau suatu
daerah tidak dipengaruhi (independent) terhadap jumlah keluaran yang terjadi di
rentang waktu atau daerah yang lain terpisah.
b. Peluang bahwa yang satu keluaran akan muncul dalam selang waktu yang

2021
38
METODE STATISTIKA
sangat pendek atau daerah yang kecil adalah proporsional dengan panjang selang
waktu atau luas dari daerah.
c. Peluang muncul lebih dari satu keluaran dalam selang waktu yang amat
pendek atau daerah yang kecil dapat diabaikan.
Distribusi peluang acak poisson X yang menyatakan banyaknya sukses
yang terjadi dalam selang waktu tertentu dinyatakan dengan t diberikan oleh,
dimana menyatakan banyaknya sukses yang terjadi persatuan waktu atau daerah,
sedangkan e=2,71828…Suatu variabel acak diskrit X dikatakan berdistribusi
Poisson jika:
−μ x
μ e
f (x ; μ)= x ; 0 , 1 ,2 , …
x!
Selanjutnya dinotasikan sebagai 𝑋~𝑃𝑂(𝜇) dengan parameter 𝜇 > 0. Jika
𝑋~𝑃𝑂(𝜇) maka:
1
a. E( X)=
p
q
b. Var ( X )=
p4
6. Distribusi Seragam Diskrit
Pada distribusi ini setiap peubah acak memiliki nilai peluang yang sama.
Suatu variabel acak diskrit X dikatakan berdistribusi seragam (uniform) pada
bilangan-bilangan 1, 2,…, N jika:
1
f ( x )= ; N =1 ,2 , … , N
N
Selanjutnya dinotasikan sebagai.
Jika 𝑋~𝐷(𝑁) maka:
N +1
a. E( X)=
2
N 2−1
b. Var ( X )=
12
2.8.3 Membuat Plot dari Distribusi Binomial

2021
39
METODE STATISTIKA
Plot Fungsi Kepadatan Peluang:

>qbinom(c(0.25),size=30,prob=0.5,lower.tail=TRUE)
[1] 13
>qbinom(c(0.25),size=30,prob=0.5,lower.tail=FALSE)
[1] 17
>qbinom(c(0.75),size=30,prob=0.5,lower.tail=FALSE)
[1] 13
>dbinom(6,size=20,prob=0.5)
[1] 0.03696442
>pbinom(c(6),size=20,prob=0.5,lower.tail=TRUE)
[1] 0.05765915
>pbinom(c(6),size=20,prob=0.5,lower.tail=FALSE)
[1] 0.9423409
>dbinom(0:20,size=20,prob=0.5)
[1] 9.536743e-07 1.907349e-05 1.811981e-04 1.087189e-03
4.620552e-03
[6] 1.478577e-02 3.696442e-02 7.392883e-02 1.201344e-01
1.601791e01
[11] 1.761971e-01 1.601791e-01 1.201344e-01 7.392883e-02
3.696442e02
[16] 1.478577e-02 4.620552e-03 1.087189e-03 1.811981e-04
1.907349e05
[21] 9.536743e-07
>dbinom(0:20,size=20,prob=0.5)
[1] 9.536743e-07 1.907349e-05 1.811981e-04 1.087189e-03
4.620552e03
[6] 1.478577e-02 3.696442e-02 7.392883e-02 1.201344e-01
1.601791e01
[11] 1.761971e-01 1.601791e-01 1.201344e-01 7.392883e-02
3.696442e02
[16] 1.478577e-02 4.620552e-03 1.087189e-03 1.811981e-04
1.907349e05
[21] 9.536743e-07
>Table.CDF.Binomial=data.frame(Pr=dbinom(0:20,size=20,prob=0.5))
>rownames(Table.CDF.Binomial)=0:20
> Table.CDF.Binomial
Pr0 9.536743e-07
1 1.907349e-05
2 1.811981e-04
3 1.087189e-03
4 4.620552e-03
5 1.478577e-02
6 3.696442e-02
7 7.392883e-02
8 1.201344e-01
9 1.601791e-01
10 1.761971e-01
11 1.601791e-01
12 1.201344e-01
13 7.392883e-02
14 3.696442e-02
15 1.478577e-02
16 4.620552e-03
17 1.087189e-03
18 1.811981e-04

2021
40
METODE STATISTIKA
19 1.907349e-05
20 9.536743e-07
> z=Table.CDF.Binomial
> x=z$Pr
> plot(x,xlab="Nomor Sukses",ylab="Kepadatan
+ Peluang",main="Distribusi Binomial: n=20,p=0.5",type="h")
> points(x,pch=8)
> abline(h=0,col="green")
Hasil run :
Gambar 18. Hasil Run Plot Fungsi Kepadatan Peluang
2.8.4 Syntax Peluang dan Fungsi

No. Nama Distribusi Nama Fungsi di R Argument Tambahan
1. Beta Beta shape1, shape2, ncp
2. Binomial Binom size, prob
3. Cauchy Cauchy location, scale
4. Chi-squared Chisq df, ncp
5. Exponential Exp Rate
6. F F df1, df1, ncp
7. Gamma Gamma shape, scale
8. Geometric Geom Prob
9. Hypergeometric Hyper m, n, k
10. Log-normal Lnorm meanlog, sdlog
11. Logistic Logis location, scale
12. Binomial negative Nbinom size, prob

2021
41
METODE STATISTIKA
13. Normal Norm mean, sd

14. Poisson Pois Lambda
15. t - Student’s T df, ncp
16. Uniform Unif min, max
17. Weibull Weibull shape, scale
18. Wilcoxon Wilcox m, n
Tabel 12. Syntax Peluang & Fungsi

2021
42
METODE STATISTIKA
2.9 Praktikum 9
2.9.1 Pengertian Distribusi Peluang Kontinu
Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh
semua nilai pada skala kontinu.Ruang sampel kontinu adalah bila ruang sampel
mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi
kontinu adalah apabila fungsi f(x) adalah fungsi padat peluang peubah acak
kontinu X yang didefinisikan di atas himpunan semua bilangan riil R bila:
1. F (x) ≥0 untuk semua x є R
∞
2. ∫ f (x )dx ¿ 1
∞
3. P(a< X <b)=∫ f ( x ) dx
∞
2.9.2 Jenis-jenis Distribusi Peluang Kontinu

Distribusi peluang kontinu dibagi menjadi 4, yaitu distribusi normal,
distribusi student’s t, distribusi chi-kuadrat, dan distribusi f.
1. Distribusi Normal
Distribusi Normal (Gaussian) mungkin merupakan distribusi probabilitas
yang paling penting baik dalam teori maupun aplikasi statistik. Distribusi ini
paling banyak digunakan sebagai model bagi data riil di berbagai bidang yang
meliputi antara lain karakteristik fisik makhluk hidup (berat, tinggi badan
manusia, hewan, dll).
Distribusi Normal disebut juga Gausian distribution adalah salah satu fungsi
distribusi peluang berbentuk lonceng seperti gambar berikut.
Gambar 19. Grafik Fungsi Distribusi Normal

2021
43
METODE STATISTIKA
Berdasarkan gambar di atas, distribusi Normal akan memiliki beberapa ciri

diantaranya:
a. Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti
genta.
b. Simetris terhadap rataan (mean).
c. Kedua ekor/ ujungnya semakin mendekati sumbu absisnya tetapi tidak
pernah maemotong.
d. Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ.
e. Luas daerah di bawah lengkungan kurva tersebut dari – sampai + sama
dengan 1atau 100 %.
Sebuah variabel acak kontinu X dikatakan memiliki distribusi normal
dengan parameter μx dan σx dimana −∞ ¿ μx< ∞ dan σx >0 jika fungsi kepadatan
probabilitas dari X adalah :
1 ( x−μx )2
𝑓𝑁(𝑥; 𝜇𝑥, 𝜎𝑥 ) = e (2 σx 2) , −∞ < 𝑥 < ∞
σx √ 2 π
Dimana :
μx ¿ mean
σx=¿ standar deviasi
π ¿nilai konstan yaitu 3 , 1416
e=¿ nilai konstan yaitu 2,7183
Untuk setiap nilai 𝜇𝑥 dan 𝜎𝑥, kurva fungsi akan simetris terhadap μx dan
memiliki total luas dibawah kurva tepat 1. Nilai dari σxmenentukan bentangan
dari kurva sedangkan μx menentukan pusat simetrisnya.Distribusi normal
kumulatif didefinisikan sebagai probabilitas variabel acak normal X bernilai
kurang dari atau sama dengan suatu nilai x tertentu. Maka fungsi distribusi
kumulatif dari distribusi normal ini dinyatakan sebagai :
x x
1 (t −μ )2
x
fN ( x ; μx , σx)=P( X ≤ x )=¿ ∫ fN ( t ; μx , σx ) dt=¿ ∫ ¿ (2 ❑ ) 𝑑t

σx √ 2 μ e
❑
2
−∞ −∞
Untuk menghitung probabilitas (a ≤ x ≤ b) dari suatu variabel acak kontinu

X yang terdistribusi secara normal dengan parameter μx dan σxmaka persamaan

2021
44
METODE STATISTIKA
(1) harus diintegralkan mulai dari x=a sampai x=b. Namun, tidak ada satupun
dari teknik-teknik pengintegralan biasa yang bisa digunakan untuk menentukan
integral tersebut. Untuk itu para ahli statistik/matematik telah membuat sebuah
penyederhanaan dengan memperkenalkan sebuah fungsi kepadatan probabilitas
normal khusus dengan nilai mean𝜇 ¿ 0 dan deviasi standard σ =1. Distribusi ini
dikenal sebagai distribusi normal standar (standard normal distribution). Variabel
acak dari distribusi normal standard ini biasanya dinotasikan dengan Z.Dengan
menerapkan ketentuan diatas pada persamaan (1) maka fungsi kepadatan
probabilitas dari distribusi normal standard variabel acak kontinu Z adalah:
1 x
2
𝑓(𝑧; 0,1) = 2 , −∞ < 𝑧 < ∞

√2 μ e
Sedangkan fungsi distribusi kumulatif dari distribusi normal standard ini
dinyatakan sebagai :
2
z −t
1 2
𝑓(𝑧; 0,1) = 𝑃(𝑍 ≤ 𝑧) = 𝜑(𝑧) = ∫ e dt
−∞ √2 π
Distribusi normal variabel acak kontinu X dengan nilai-nilai parameter μx
dan σx berapapun dapat diubah menjadi distribusi normal kumulatif standard jika
variabel acak standard Zx menurut hubungan :
x−μx
zx =
σx
2. Distribusi Student’s T
Distribusi student’s t adalah distribusi yang ditemukan oleh seorang
mahasiswa yang tidak mau disebut namanya. Untuk menghargai hasil
penemuannya itu, distribusinya disebut distribusi Student yang lebih dikenal
dengan distribusi “t”, diambil daru huruf terakhir kata “student”. Bentuk
persamaan fungsinya :
1
𝑓(𝑡) = t 2 n2
1+( )
n−1
Berlaku untul −∞<t <∞ dan K merupakan tetapan yang besarnya
tergantung dari besar n sedemikian sehingga luas daerah antara kurva fungsi itu
dan sumbu t adalah 1.

2021
45
METODE STATISTIKA
Bilangan n – 1 disebut derajat kebebasan (dk).Yang dimaksudkan dengan

dk ialah kemungkinan banyak pilihan dari sejumlah objek yang diberikan.
Misalnya kita mempunyai dua objek yaitu A dan B. Dari dua objek ini kita hanya
mungkin melakukan1 kali pilihan saja, A dan B. Seandainya terpilih A maka B
tidak usah dipilih lagi. Dan untuk itu dk ¿ 2 – 1=1.
3. Distribusi Chi-Kuadrat ( χ 2)
Distribusi chi-kuadrat merupakan distribusi yang banyak digunakan dalam
sejumlah prosedur statistik inferensial. Distribusi chi-kuadrat merupakan kasus
khusus dari distribusi gamma dengan faktor bentuk α =v /2, dimana vadalah
bilangan bulat positif dan faktor skala β=2. Jika variabel acak kontinu X
memiliki distribusi chi-kudrat dengan parameter v, maka fungsi kepadatan
probabilitas dari X adalah :
1 ( v2)−1 x
{
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)
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

2021
46
METODE STATISTIKA
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.
2.9.3 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:

2021
47
METODE STATISTIKA
Gambar 20. Hasil Run Plot Fungsi Kepadatan Peluang Distribusi Normal
Hasil run plot 2:
Gambar 21. Hasil Run Fungsi Peluang Distrubusi Kumulatif dari Distribusi Normal

2021
48
METODE STATISTIKA
2.10 Praktikum 10
2.10.1 Hipotesis Statistik
Hipotesis statistik adalah pernyataan atau dugaan mengenai satu atau lebih
populasi. Benar atau salahnya suatu hipotesis tidak akan pernah diketahui dengan
pasti, kecuali dengan memeriksa seluruh populas. Tentunya ini akan sangat sulit
dilakukan dan bahkan mustahil dilakukan, mengingat keterbatasan yang ada
(tenaga, biaya, waktu dan lainnya). Dengan demikian, kita hanya bisa mengambil
sampel atau contoh acak saja dan menggunakan informasi yang ada untuk
menerima atau menolak hipotesis. Perlu ditegaskan bahwa penerimaan suatu
hipotesis statistik adalah merupakan akibat tidak cukupnya bukti untuk
menolaknya dan tidak berimplikasi bahwa hipotesis itu benar.Penolakan suatu
hipotesis berarti menyimpulkan bahwa hipotesis itu salah sedangkan penerimaan
suatu hipotesis semata – mata mengimplikasikan bahwa kita tidak mempunyai
bukti untuk mempercayai sebaliknya.
Hipotesis yang dirumuskan dengan harapan akan ditolak membawa
penggunaan istilah hipotesis nol. Sekarang ini istilah itu telah digunakan pada
sembarang hipotesis yang ingin diuji dan dilambangkan dengan Ho. Penolakan
Ho mengakibatkan penerimaan suatu hipotesis alternatif yang dilambangkan
dengan H1. Hipotesis nol mengenai suatu parameter populasi harus dinyatakan
pasti sebagai suatu nilai bagi parameter itu, dan alternatifnya membolehkan
beberapa nilai kemungkinan. Jadi bila Ho menyatakan hipotesis nol bahwa p=0,5
bagi suatu binom maka hipotesis alternatifnya H1 dapat berupa p>0,5atau p<0,5
dan bisa juga p ≠ 0,5.
1. Uji Rata – Rata Satu Sampel
Untuk pengujian hipotesis satu rata-rata dengan sample besar (n > 30), uji
statistiknya menggunakan distribusi Z. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
▪ Ho: µ=µo
H 1: µ>µo

2021
49
METODE STATISTIKA
▪ 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.

2021
50
METODE STATISTIKA
 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.
▪ 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
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

2021
51
METODE STATISTIKA
Menyimpulkan tentang penerimaan atau penolakan Ho(sesuai dengan kriteria

pengujiannya).
2. Uji Rata – Rata Dua Sampel
Untuk pengujian hipotesis beda dua rata-rata dengan sampel besar (n> 30)
uji statistiknya menggunakan distribusi Z. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
▪ Ho: µ=µo
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.
▪ 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
X 1−X 2 σ 21 σ 22
Z 0=
σ X −X
1 2
σ
dengan x =1−x 2+
n1 n2 √
2021
52
METODE STATISTIKA
 Simpangan baku populasi ( σ ) tidak di ketahui :
x 1−x 2 S21 S22

Z 0=
SX
dengan σ x =
1−X 2
+
√
n1 n2
1−x 2
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
Untuk pengujian hipotesis beda dua rata-rata dengan sampel kecil (n ≤ 30), uji
statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
▪ Ho: 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.
▪ 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

2021
53
METODE STATISTIKA
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
)
▪ Untuk pengamatan yang berpasangan

d
t 0= s
❑d
√n
e. Kesimpulan
pengujiannya).
3. Uji Rata – Rata Dua Sampel Berpasangan
▪ Ho: µ ₁≥ µ2
H 1: µ ₁< µ 2
▪ Ho: µ ₁≤ µ 2
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.
▪ Diterima bila |𝑡 ℎ𝑖𝑡𝑢𝑛𝑔| ≤ 𝑡𝑎𝑏𝑒𝑙
▪ Ditolak bila |𝑡 ℎ𝑖𝑡𝑢𝑛𝑔| > 𝑡𝑎𝑏𝑒𝑙

2021
54
METODE STATISTIKA
d. Uji Statistik
X D−μ0
t=
S D / √n
Dimana
X d=
∑D
n
1
Sd =
√ n−1
{∑ D 2−¿ ¿ ¿ ¿ ¿
e. Kesimpulan
pengujiannya).
2.10.2 Regresi Linear Sederhana
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk

menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X)
terhadap variabel. Akibatnya faktor Penyebab pada umumnya dilambangkan
dengan X atau disebut juga dengan Predictor sedangkan Variabel Akibat
dilambangkan dengan Y atau disebut juga dengan Response. Regresi Linear
Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga
merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk
melakukan peramalan ataupun prediksi tentang karakteristik kualitas maupun
Kuantitas. Analisis ini digunakan untuk mengetahui arah hubungan antara
variabel independen dengan variabel dependen apakah positif atau negatif serta
untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen
mengalami kenaikan atau penurunan nilai.Data yang digunakan biasanya berskala
interval atau rasio. Rumus dari dari analisis regresi linear sederhana adalah
sebagai berikut:
Y , =a+ bX
Keterangan:

2021
55
METODE STATISTIKA
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
Langkah-langkah pengujian koefisien regresi sederhana adalah sebagai berikut:
a. Menentukan Hipotesis

2021
56
METODE STATISTIKA
▪ Ho = Tidak ada pengaruh yang signifikan

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

2021
57
METODE STATISTIKA
BAB III
PENUTUP
3.1 Kesimpulan
Berdasarkan semua praktikum Metode Statistika mulai dari Praktikum 1
hingga Praktikum 10 dapat ditarik kesimpulan bahwa:
1. Aplikasi atau software statistik bermacam – macam diantaranya yaitu,
software R, LISREL, SPSS(Statistical Package For Social Science),
SAS(Statistical Analysis System), STATA(Statistical Software For Data
Science). 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. 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). 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. Perbedaan
statistic dan statistika yaitu statistik merupakan hasil data yang
penyajiannya dalam bentuk grafik, tabel, dan sebagainya. Sedangkan
statistika adalah ilmu yang mempelajari bagaimana cara merencanakan,
mengumpulkan, menganalisis, hingga mempresentasikan data.
2. Operator dalam program R diantaranya, operator aritmatika, operator
perbandingan, dan operator logika. Syntax dalam program R yaitu, sum,
min, max, sort, rev, median, dan mean. Kemudian, tipe data dalam
program R yaitu terdapat character, numerik, complex, dan logical.
3. Vektor merupakan kombinasi berbagai nilai (numerik, karakter, logical,
dan sebagainya berdasarkan jenis input data) pada objek yang sama.

2021
58
METODE STATISTIKA
Matriks adalah sekumpulan dari objek (angka) yang disusun secara teratur
menurut baris dan kolom sehingga membentuk suatu empat persegi
panjang yang dibatasi oleh kurung biasa atau siku.
4. Data frame adalah struktur data tabular yang disusun pada kolom dan baris
berurut. Data frame dapat dibuat secara manual, menggunakan matriks,
dan dengan data editor.
5. Plot adalah perintah/syntax yang digunakan untuk menggambarkan grafik
yang dapat menghubungkan dua variabel. Macam - macam plot yaitu plot
tipe overplotted(o), plot tipe point (p), plot tipe lines (l), plot tipe
histogram (h), plot tipe points joined by lines (b), plot tipe stair (s), plot
tipe stair (S).
6. Histogram adalah sebuah representasi grafik yang menampilkan impresi
visual dari distribusi data. Boxplot merupakan ringkasan distribusi sampel
yang disajikan secara grafis yang bisa menggambarkan bentuk distribusi
data (skewness), ukuran tendensi sentral dan ukuran penyebaran
(keragaman) data pengamatan.
7. Macam-macam syntax grafik dalam program R yaitu, scatter plot,
histogram dan density plot, boxplot, pie chart, bar plot, dan dot chart.
8. Distribusi peluang diskrit adalah distribusi peluang dimana semesta
peubah acaknya dapat dihitung atau berhingga, syntax peluang dan fungsi
salah satunya yaitu binomial (Binom).
9. Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh
semua nilai pada skala kontinu. Jenis - jenis peluang kontinu yaitu,
distribusi normal, distribusi Student’s T, distribusi Chi-Kuadrat ( χ 2), dan
distribusi F. Untuk melakukan distribusi peluang kontinu pada program R,
dapat dilakukan dengan memasukan syntax berikut ini.
>pnorm(p, mean=0, sd=1)

10. Hipotesis statistik adalah pernyataan atau dugaan mengenai satu atau lebih
populasi. Regresi linear sederhana adalah metode statistik yang berfungsi
untuk menguji sejauh mana hubungan sebab akibat antara variabel faktor
penyebab (X) terhadap variabel.

2021
59
METODE STATISTIKA
3.2 Saran
3.2.1 Untuk Asisten
Kepada kakak asisten agar materi praktikum dijelaskan terlebih dahulu
sebelum praktikan mengerjakannya di komputer.
3.2.2 Untuk Praktikan Lain
Kepada praktikan lain agar dating tepat waktu dan mengumpulkan tugas
pendahuluan tepat waktu pula.

2021
60

II VI

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

II VI

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN LENGKAP

PRAKTIKUM METODE STATISTIKA

PROGRAM STUDI MATEMATIKA

DIAN HASANAH M. SYADAM PURWANTO AMIN

Kendari, Juni 2021

ATIKA NAZRIA SENINA

Assalamu’alaikum warahmatulahi wabarakatuh

Kendari, Juni 2021

1.1. Latar Belakang

Jurusan Matematika F-MIPA

Jurusan Matematika F-MIPA

8. Dapat mengetahui distribusi peluang, syntax peluang dan fungsi.

1.4. Waktu dan Tempat

1.5. Alat dan Bahan

Jurusan Matematika F-MIPA

Jurusan Matematika F-MIPA

5) Kemungkinan besar terjadi loop

Jurusan Matematika F-MIPA

Karena fokusnya adalah melakukan olah data ekonometrik, maka software

Jurusan Matematika F-MIPA

2) Mempersingkat waktu dalam melakukan perhitungan.

Jurusan Matematika F-MIPA

Jurusan Matematika F-MIPA

Jurusan Matematika F-MIPA

Simbol Keterangan Contoh

Jurusan Matematika F-MIPA

Operator Logika adalah operator yang digunakan untuk membandingkan 2

Jurusan Matematika F-MIPA

Jurusan Matematika F-MIPA

Jurusan Matematika F-MIPA

> x=seq (from=17,to=27,by=2)

Jurusan Matematika F-MIPA

Menampilkan entri kolom pertama matriks

Menampilkan entri baris pertama matriks

Mengubah baris ke-x, kolom ke-y matriks

Jurusan Matematika F-MIPA

Mengubah kolom pertama matriks

Membuat matriks menggunakan seq

Membuat matriks > k

Tabel 10. Cara Mengakses Matriks

3. Perkalian Mengalikan >x=matrix(c(2,6,8,12,16,18,22,

Jurusan Matematika F-MIPA

[1,] 252 252 252

Jurusan Matematika F-MIPA

Jurusan Matematika F-MIPA

10 Sitti Hapsah F1A120039 90 Muna

2. Membuat Data Frame Dengan Matriks

3. Membuat Data Frame Dengan Data Editor

Jurusan Matematika F-MIPA

Gambar 1. Hasil Run Data Frame dengan Data Editor

Jurusan Matematika F-MIPA

Gambar 2. Hasil Run Plot Tipe overplotted

Gambar 3. Hasil Run Plot Tipe Point

Jurusan Matematika F-MIPA

Gambar 4. Hasil Run Plot Tipe Lines

4. Plot Tipe Histogram (h)

Jurusan Matematika F-MIPA

Gambar 5. Hasil Run Plot Tipe Histogram

Gambar 6. Hasil Run Plot Tipe Point Joined by Lines

Jurusan Matematika F-MIPA

> legend("topleft",c("type stair"),fill=c("pink"))

Gambar 7. Hasil Run Plot Tipe stair

Gambar 8. Hasil Run Plot Tipe Stair(S)