FAKULTAS TEKNIK

UNIVERSITAS WIJAYAKUSUMA
PURWOKERTO - 2013
 POPULASI
Seluruh kemungkinan pengamatan yang dikumpulkan lengkap dari seluruh
berasan yang mewakili suatu proses acak (random tertentu
 SAMPEL
Sebuah pengamatan yang terbatas, dan merupakan bagian dari pupulasi
 VARIABEL
karakter suatu sistem yang besarnya dapat diukur dan besarnya dapar
berbeda apabila diukur pada waktu yang berbeda (fungsi waktu)
 Continous variable:variabel yang dapat dinerusukur secara terus menerus
(waktu)
 Descrete variable:variable yang dapat diukur secara stationer
 PARAMETER
Besaran yang merupakan sistem, dan tidak berubah terhadap waktu
 VARIAT
Besaran variabel yang diukur setiap saat
 POPULASI DAN SAMPEL
POPULASI SAMPEL
Sebuah kumpulan dari semua Suatu bagian dari populasi
kemungkinan orang-orang, tertentu yang menjadi
benda-benda dan ukuran lain perhatian.
dari objek yang menjadi
perhatian.

3
Istilah dalam statistika
 Obyek = benda hidup atau mati yg diuji unsur-unsur, sifat dan
kelakuannya melalui pengamatan, pengukuran dan penilaian guna
mendpt info atau nilai-nilai yg berguna mengenai benda tsb

 VARIABEL
Suatu sifat dari obyek atau unsur dari obyek yg dpt diamati atau
diukur shg menghasilkan nilai, ukuran atau criteria lain yg dpt
bervariasi

 VARIATE
Angka/nilai ukuran/criteria lain yg dicapai suatu variabel pada suatu
individu atau unit statistic

 VARIASI
Adanya perbedaan antar nilai/variate/ukuran dll dari suatu variabel
pada populasi atau sampel
4
Istilah dalam statistika
 VARIABILITAS
Kemungkinan utk bervariasi dr nilai suatu variable pd suatu populasi
atau sample

 PARAMETER
suatu variabel terukur yg digunakan sbg criteria utk mengevaluasi
suatu populasi atau sistem
 NILAI PARAMETRIK
suatu nilai dari suatu parameter yg diperoleh dari perhitungan atau
data sensus, masih harus di analisis.

 NILAI STATISTIK
suatu nilai dari suatu parameter yg diperoleh dari perhitungan atau
data sensus.

5
 Deskriptor Dalam Analisa Statistik
 Rerata (Mean)
 Deviasi Standard
 Koefisien variasi
 Median
 Modus
 Koefisien kemencengan (Skewnwss)
 Koefisien kepuncakan (Kurtosis)
Rerata (Mean)
X 1  X 2  X 3  ....... X n
X 
n Dengan :
1 n = rerata hitung
X   X i  sampel fi = jumlah reaksi ke i untuk
n i 1
n
setiap interval kelas
f X i i
xi = nilai data ke i
n = jumlah data
X  i 1
n
 populasi
f i 1
i
 Pengukuran Dispersi
Pengertian
 Range (Range) : Beda nilai terkecil - terbesar
 Deviasi Rata-rata (Mean deviation) : Nilai rata-rata
penyimpangan mutlak dari rata-rata hitung untuk semua
nilai variasi

MD = 1/n  Xi - X
Dengan : MD = deviasi rata-rata
Xi = nilai variat ke i
X = rata-rata hitung nilai variat
n = jumlah data
CONTOH RATA-RATA HITUNG
1. Dalam Tabel Distribusi Frekuensi
Interval Kelas Nilai Tengah Frekuensi fX
(X)
9-21 15 3 45
22-34 28 4 112
35-47 41 4 164
48-60 54 8 432
61-73 67 12 804
74-86 80 23 1840
87-99 93 6 558
Σf = 60 ΣfX = 3955

fX 3955
X   65,92
f 60
CONTOH RATA-RATA HITUNG
2. Dengan Memakai Kode (U)
Interval Kelas Nilai Tengah U Frekuensi fU
(X)
9-21 15 -3 3 -9
22-34 28 -2 4 -8
35-47 41 -1 4 -4
48-60 54 0 8 0
61-73 67 1 12 12
74-86 80 2 23 46
87-99 93 3 6 18
Σf = 60 ΣfU = 55

 fU   55 
X  X0  c    54  13    65,92
 f   60 
CONTOH RATA-RATA HITUNG
3. Dengan pembobotan
Masing-masing data diberi bobot.

Misal A memperoleh nilai 65 untuk tugas, 76 untuk

mid dan 70 untuk ujian akhir.
Bila nilai tugas diberi bobot 2, Mid 3 dan Ujian
Akhir 4, maka rata-rata hitungnya adalah :

(2)65  (3)76  (4)70

X  70,89
2 3 4
Pengertian
۩ Standard Deviasi (Standard Deviation)
Deviasi Standar: Untuk menghitung ukuran disversi yang banyak

 X i  X 
n 2

S i1  sample
n 1

 X i  X 
n 2

S i1  populasi
n

dengan : S = deviasi standard

XI = data ke i
= nilai rata-rata
n = jumlah data
C O N T O H

Deviasi Standard
Pengertian
۩ Koefisien Variasi
 Varians (Variance) : nilai kwadrat dari deviasi standar = S2
 Koefisien variasi (Variation coefficient) : nilai perbandingan
antara deviasi standar dengan nilai rata-rata hitung distribusi

S
CV 
X
dengan : S = deviasi standard
CV = Koefisien variasi
= nilai rata-rata hitung
C O N T O H

Koefisien variasi
Pengertian
۩ Nilai Kemencengan
Kemencengan (Skewness) : nilai yang menunjukkan derajat
ketidak simetrisan (assymetry) bentuk distribusi
Untuk sampel n
n  X i  X 
3

Cs  i 1
(n  1)(n  2)S 3
dengan : CS = koefisien kemencengan
= nilai rata-rata hitung
XI = data ke I
n = jumlah data
S = Deviasi standard
Pengertian
۩ Nilai Kemencengan
Kemencengan (Skewness) : nilai yang menunjukkan derajat
ketidak simetrisan (assymetry) bentuk distribusi
Untuk populasi
n

 Xi  X 3

Cs  i 1
n 3
dengan :  = deviasi standard
CS = koefisien kemencengan
= nilai rata-rata hitung
XI = data ke I
n = jumlah data
C O N T O H

Koefisien Skewness
Pengertian
۩ Kesalahan kurtosis

 
n
n X i  X
4

Ck  i1
n  1n  2(n  3)S 4

dengan : S = deviasi standard

Ck = koefisien kurtosis
= nilai rata-rata hitung
XI = data ke I
n = jumlah data
a = parameter kemencengan
C O N T O H

16 * 8243785
Koefisien Kurtosis Ck   0,239
16  116  2(16  3)21,214
Pengertian
۩ Kesalahan Standar
Kesalahan standar dari rata-rata :

S
SE  1 / 2
n
Kesalahan standar dari deviasi standar :

S
SEd  1/ 2
2*n
Aplikasi Distribusi Peluang Diskrit
Aplikasi distribusi Peluang Binomial :
N P RQ N  R
P( R)  CR
P(R) = peluang terjadinya sebesar R dalam kejadian sejumlah N
N = jumlah kejadian
R = jumlah kejadian yang diharapkan
P = peluang terjadinya kejadian (parameter distribusi)
Q = peluang kegagalan (tidak terjadi) 1 – P
N!
N
CR  jumlah kombinasi N dari R pada satu satuan waktu
R!N  R!

N! = 1 x 2 x 3 x . . . x (N – 1) x N dan R! = 1! = 1
Contoh 3.1.
Debit puncak banjir sungai Citarum-Nanjung untuk periode ulang T = 5
tahun adalah 359 M3/det. Tentukan dalam waktu 40 tahun peluang debit
banjir tersebut :
 tidak terjadi
 terjadi satu kali
 terjadi dua kali
 terjadi tiga kali
 rata-rata dan deviasi standarnya.
Jawab
=
:
diketahui : T = 5 tahun, maka P = 1/T =1/5 = 0,20
Q = 1 – P = 1 - 0,20 = 0,80
N = 10
Berdasarkan persamaan P( R)  CRN P R Q N R
1. Peluang debit banjir tidak terjadi, yaitu R = 0, P(R = O)
PR  0  (10
10!
0
0 )(0,20) (0,80)
10
 * (0,2)0 (0,80)10  0,107
0!*(10  0)!

2. Peluang debit banjir terjadi satu kali, yaitu R = 1, P(R = 1)

PR  1  (10
10!
1 )(0,20) (0,80)  * (0,2)1 (0,80)9  0,268
1 9

1!*(10 1)!

3. Peluang debit banjir terjadi dua kali, yaitu R = 2, P(R = 2)

PR  2  (10
10!
)(0, 20) 2
(0,80)8
 * (0,2)2 (0,80)8  0,301
2!*(10  2)!
2

4. Peluang debit banjir terjadi tiga kali, yaitu R = 3 , P(R = 3)

PR  3  (10
10!
3 )(0,20) (0,80)  * (0,2)3 (0,80)7  0,201
3 7

3!*(10  3)!
5. Peluang debit banjir T = 5 tahunan rata-rata terjadi selama 10 tahun,
dengan rumus
 =NP = (10) (0,20) = 2 kali
Dalam waktu 10 tahun, rata-rata akan terjadi debit banjir dengan periode
5 tahunan adalah 2 kali, dengan deviasi standar dapat dihitung dengan
rumus :
  NPQ  (10)(0,20)(0,80)  1,26kali
maka dapat disimpulkan bahwa debit banjir sungai Citarum-Nanjung untuk
periode ulang 5 tahunan sebesar 359 m3/det dalam waktu 10 tahun sama
sekali tidak terjadi : . mempunyai peluang 10,7 terjadi satu kali: 26,8 %;
terjadi dua kali: 30,1 %; terjadi 3 kali: 20,1 %. Rata-rata akan terjadi dua
kali ,selama 10 tahun dengan deviasi standar 1,26 kali.
Aplikasi Distribusi Peluang Diskrit
Aplikasi distribusi Binomial :
 rata-rata hitung (mean)  = NP
 varian 2 = NPQ
 deviasi standar  = NPQ

3
QP
 Kemencengan CS = 
3 NPQ

1  6PQ
 koefisien kurtosis CK = 3
NPQ
Aplikasi Distribusi Peluang Poisson
rata-rata hitung (mean)  = NP
varian 2 = NPQ

deviasi standar  = NPQ

P Q
koefisien kurtosis CK =
NPQ
1  6PQ
Kemencengan CS = 3
NPQ

dimana Q = 1 - P
Contoh 3.2.
Dalam suatu DPS dibangun dam pengendali banjir, dengan umur bangunan
100 tahun. Berapa peluang terjadinya banjir 550 m3/det dengan periode
ulang 200 tahun selama periode umur dam tersebut, apabila ditentukan
dengan distribusi peluang Poisson.

Jawab:
Periode ulang banjir 200 tahun, maka peluang terjadinya 1 kali banjir

adalah : P  1  1  0,005
T 200

N = 100 tahun
Berdasarkan persamaan
 = NP = 100 x 0,005 = 0,50
Sehingga berdasarkan persamaan
 R e 
P( R) 
R!

0,51 * 2,71828  0, 5
  0,308
P(1) 
1!
Dengan demikian di dalam DPS tersebut, pada dam pengendali banjir
dengan umur bangunan 100 tahun, selama periode umur tersebut akan
terjadi banjir periode 200 tahun dengan peluang 30,80%
 APLIKASI DISTRIBUSI GUMBEL
Aplikasi Distribusi Gumbel Type I
Gumbel Tipe I (extreme type I) P(Xx) = e(-e) dengan -<X<+
P(X  x) = fungsi densitas peluang tipe 1 gumbel
X = variabel acak kontinyu
e = 2,71828
Y = faktor reduksi gumbel = a (X – X0)
1,283
a dan X o    0,455

 = deviasi standar
 = nilai rata-rata
S
Atau dicari dengan rumus X  X  (Y  Yn)
Sn
 APLIKASI DISTRIBUSI GUMBEL
Aplikasi Distribusi Gumbel Type II
Gumbel Tipe II (extreme type II) Distribusi Prechet
P(Xx) = e(-e) dengan X>0 dan Y = a (log X – Xo)
a = 1,282 {1/S . log X} dan Xo = log X – 0,445 (S log X)

log X = nilai rata-rata variat log X

S log X = deviasi standar variat log X
Y = nilai variabel reduksi Gumbel (tabel 3.7)
 APLIKASI DISTRIBUSI GUMBEL
Aplikasi Distribusi Gumbel Type II
Gumbel Tipe II (extreme type II) Distribusi Prechet
P(Xx) = e(-e) dengan X>0 dan Y = a (log X – Xo)
a = 1,282 {1/S . log X} dan Xo = log X – 0,445 (S log X)

log X = nilai rata-rata variat log X

S log X = deviasi standar variat log X
Y = nilai variabel reduksi Gumbel (tabel 3.7)
 APLIKASI DISTRIBUSI GUMBEL
Aplikasi Distribusi Gumbel Type II
Tabel 3.7 Nilai Variabel Reduksi Gumbel.

Peluan T(tahu Peluan

T(tahun) Y T(tahun) Peluang Y Y
g n) g
1,001 0,001 - 1,930 1,43 0.30 - 0,185 10,00 0,900 2,250
1,005 0,005 - 1,670 1,67 0,40 0,087 20,00 0,950 2,970
1,010 0,010 - 1,530 2.00 0,50 0,366 50,00 0,980 3,900
1,050 0,050 - 1,097 2,50 0,60 0,671 100,00 0.990 4,600
I,l10 0,100 - 0,834 3,33 0,70 1,030 200,00 0,995 5,290
1,250 0,200 - 0,476 4,00 0,75 1,240 500,00 0,998 6,210
1,330 0.250 - 0,326 5,00 0.80 1,510 1000,00 0.999 6,900
Sumber : Bonuler, 1980.
 APLIKASI DISTRIBUSI GUMBEL
Aplikasi Distribusi Gumbel Type III

Gumbel Tipe III (extreme type III)

Peluang Debit Maksimum
m 1
P( Xm)  1  
n 1 T
P(Xm) = peluang kumulatif dari suatu kejadian yang nilainya  X
m = urutan nilai (m = 1 adalah nilai yang terbesar)
N = jumlah total kejadian
 APLIKASI DISTRIBUSI GUMBEL
Aplikasi Distribusi Gumbel Type III
Peluang Debit Minimum
P(Xm) =m/(n+1) =1/T = e-Y
Y = {(X-)/(-)}
P(Xm) = peluang kumulatif kejadian yang nilainya  X
e = 2,71828
X = variabel acak kontinyu
n = batas bawah nilai X
 = parameter skala
 = parameter lokasi = X + Ao (S)
 =  - Bo (S)
 APLIKASI DISTRIBUSI GUMBEL
Aplikasi Distribusi Gumbel Type III

 X  
 
  
Peluang Kumulatif P( X )  e

 X  
Tranformasinya adalah Y   
  
sehingga P(X) = e-Y
P(Xm) =peluang kumulatif dari suatu kejadian yang nilainya  X
 = parameter skala
 = parameter lokasi = X  Ao(S )
 =  - o (S)
S
log (X - ) = log (  ) +1/ . (log Y) Atau X  X  (Y  Yn)
Sn
Sampai jumpa pada pertemuan Berikutnya