Puji syukur kepada Allah SWT atas berkat, rahmah, hidayah-Nya sehingga tim
penyusun dapat menyelesaikan modul Praktikum Statistik Industri ini sesuai dengan
jadwal yang direncanakan. Shalawat dan salam kepada Nabi Muhammad SAW, yang
telah membawa umat manusia ke jalan kebenaran yang diridhai Allah SWT.
Modul praktikum ini merupakan salah satu bahan ajar pada mata kuliah Praktikum
Statistik Industri di Program Studi Teknik Industri Fakultas Teknik Universitas Syiah
Kuala, yang diselenggarakan pada semester ganjil 2021/2022. Dalam pengerjaannya,
modul ini mengambil referensi dari berbagai sumber dan mendapat bantuan dari tim
dosen di Program Studi Teknik Industri. Oleh karena itu, pada kesempatan ini tim
penyusun mengucapkan terima kasih kepada semua pihak atas kontribusi yang telah
diberikan sehingga modul praktikum ini dapat dikerjakan dengan baik. Semoga modul
ini dapat digunakan sebaik mungkin oleh para praktikan dan semua kalangan yang
membutuhkan.
[1]
TIM PENYUSUN MODUL
PRAKTIKUM STATISTIK INDUSTRI
2021
A. TATA TERTIB
a. Sanksi Kelompok
1 kali tidak mengikuti asistensi = Dikurangi 25 poin Laporan
Modul
2 kali tidak mengikuti asistensi = Dianggap GUGUR
b. Sanksi Pribadi
1 kali tidak mengikuti asistensi = Dikurangi 25 poin dari Tugas
Pendahuluan (Tergantung
Modul)
2 kali tidak mengikuti asistensi = Dikurangi 50 poin dari Tugas
Pendahuluan (Tergantung
Modul)
MODUL I
PERANCANGAN KUESIONER & PENARIKAN SAMPEL
A. TUJUAN PRAKTIKUM
Dari praktikum modul ini diharapkan praktikan mampu:
1. Memahami definisi dari istilah-istilah yang terkait dengan penarikan sampel.
2. Memahami cara penentuan karakteristik responden kuesioner.
3. Mengetahui cara perancangan kuesioner.
4. Mengetahui cara pengambilan sampel yang tepat dengan berbagai metode yang
ada.
5. Membandingkan antara metode yang satu dengan metode yang lain dalam
pengambilan sampel.
B. KUESIONER
Kualitas data penelitian tergantung pada kualitas instrumen serta kualitas teknik
pengambilan datanya, Sekaran (2000). Lebih lanjut dinyatakan bahwa kualitas
instrumen penelitian tergantung pada validitas dan realiabilitas instrumen penelitian.
Teknik pengumpulan data berhubungan dengan penyusunan studi penelitian, jenis
sumber data serta cara pengumpulan data. Cara pengumpulan data dapat dilakukan
melalui tiga cara yaitu: wawancara, observasi dan penyebaran kuesioner kepada
responden penelitian. Jenis data meliputi data primer dan data sekunder, lebih mudah
mempertanggungjawabkan data sekunder dibandingkan dengan data primer. Cara
pengumpulan data dapat dilakukan melalui tiga cara yaitu: wawancara, observasi
dan penyebaran kuesioner kepada responden penelitian. Jenis data meliputi data
primer dan data sekunder, lebih mudah mempertanggung jawabkan data sekunder
dibandingkan dengan data primer.
Survei merupakan alternatif metode komunikasi dengan mengajukan
pertanyaan pada responden dan merekam jawabannya untuk dianalisis lebih lanjut
(Cooper dan Emory,1995). Permasalahan dalam teknik survei lebih terkait dengan
pembuatan kuesionernya karena berhubungan langsung dengan daya tanggap
responden. Di sisi lain perlu upaya tertentu dalam rangka memberikan pemahaman
kepada responden sehingga responden mau menjawab dan menyelesaikan kuesioner.
[1]
1.1 Pengertian Kuesioner
Kuesioner merupakan alat pengumpulan data primer dengan metode survei
untuk memperoleh opini responden. Kuesioner dapat digunakan untuk memperoleh
informasi pribadi misalnya sikap, opini, harapan dan keinginan responden. Idealnya
semua responden mau mengisi atau lebih tepatnya memiliki motivasi untuk
menyelesaiakan pertanyaan ataupun pernyataan yang ada pada kuesioner penelitian.
Apabila tingkat respon (repon rate) diharapkan 100%.
Peneliti harus merancang bentuk kuesionernya, yaitu pertanyaan yang sifatnya
terbuka atau tertutup. Pertanyaan terbuka memungkinkan responden menjawab bebas
dan seluas-luasnya terhadap pertanyaan namun dalam pertanyaan tertutup, responden
hanya diberi kesempatan memilih jawaban yang tersedia. Pertanyaan tertutup akan
mengurangi variabilitas tanggapan responden sehingga memudahkan analisisnya.
Pilihan jawaban yang diberikan dapat berupa pilihan dikotomis sampai
dengan pertanyaan pilihan ganda yang memungkinkan gradasi preferensi responden.
C. PENARIKAN SAMPEL
Penarikan sampel adalah suatu cara pengumpulan data jika hanya sebagian dari
elemen populasi yang diselidiki. Dalam setiap penelitian statistik, yang selalu dituju
adalah sekelompok populasi yang ingin diketahui ciri-cirinya seperti rata-rata hitung
(µ), standard deviasi (σ), proporsi (P), dan sabagainya, namun karena keterbatasan
waktu, dana, dan teknologi, maka hanya sampel yang diperiksa, seperti rata-rata hitung
penduga (𝑥), standar deviasi penduga (s), proporsi penduga (p), dsb.
Salah satu penelitian yang menggunakan penarikan sampel sebagai
penyelesaian masalah yaitu penelitian survei, dimana pengambilan sampel dari suatu
populasi dilakukan dengan menggunakan kuisioner sebagai alat pengumpul data yang
pokok (Singarimbun, 1998). Penelitian survei dapat digunakan untuk maksud
penjajakan (eksploratif), menguraikan (deskriptif), penjelasan (eksplanatori) yaitu
untuk menjelaskan hubungan kausal dan pengujian hipotesa, evaluasi, prediksi atau
meramalkan kejadian tertentu di masa yang akan datang, penelitian operational dan
pengembangan indikator-indikator sosial.
b. Purposive Sampling
Sesuai dengan namanya, sampel diambil dengan maksud atau tujuan tertentu.
Seseorang atau sesuatu diambil sebagai sampel karena peneliti menganggap
bahwa seseorang atau sesuatu tersebut memiliki informasi yang diperlukan bagi
penelitiannya. Dua jenis sampel ini dikenal dengan nama judgement dan quota
sampling.
1) Judgment Sampling
Sampel dipilih berdasarkan penilaian peneliti bahwa dia adalah pihak yang
paling baik untuk dijadikan sampel penelitiannya. Misalnya untuk memperoleh
data tentang bagaimana satu proses produksi direncanakan oleh suatu
perusahaan, maka manajer produksi merupakan orang yang terbaik untuk bisa
memberikan informasi. Jadi, judment sampling umumnya memilih sesuatu atau
seseorang menjadi sampel karena mereka mempunyai “information rich”.
2) Quota Sampling
Teknik sampel ini adalah bentuk dari sampel distratifikasikan secara
proposional, namun tidak dipilih secara acak melainkan secara kebetulan saja.
Misalnya, di sebuah kantor terdapat pegawai laki-laki 60% dan perempuan
40%. Jika seorang peneliti ingin mewawancari 30 orang pegawai dari kedua
jenis kelamin tadi maka dia harus mengambil sampel pegawai laki-laki
sebanyak 18 orang sedangkan pegawai perempuan 12 orang. Sekali lagi, teknik
pengambilan ketiga puluh sampel tadi tidak dilakukan secara acak, melainkan
secara kebetulan saja.
Keterangan:
n = ukuran sampel
N = ukuran populasi
e = kelonggaran/ketidaktelitian karena kesalahan pengambilan sampel yang
ditololerir, misalnya 5%.
Contoh:
Sebuah perusahaan memiliki 1000 karyawan dan akan dilakukan survei dengan
mengambil sampel. Berapa sampel yang dibutuhkan apabila batas toleransi kesalahan
sebesar 5%?
Penyelesaian:
Dengan menggunakan rumus Slovin:
1000
n= = 285,71 ≈ 286
1 + 1000×(0,05)2
Jadi, banyaknya sampel karyawan untuk disurvei sebesar 286 karyawan.
1.4.2 Rumus Yamane
Jika ukuran populasinya besar yang didapat dari pendugaan proporsi populasi
yang harus digunakan.
N
n=
Nd2 +1
Keterangan:
d = batas toleransi kesalahan pengambilan sampel yang digunakan.
n = ukuran sampel
N = ukuran populasi
Contoh:
Misalnya, kita ingin menduga proporsi pembaca koran dari populasi 4.000 orang.
Presisi ditetapkan di antara 5% dengan tingkat kepercayaan 95%. Berapa sampel dari
pembaca koran?
Penyelesaian:
Dengan menggunakan rumus Yamane:
4000
n= = 364
4000 (0,05) 2 + 1
Jadi, banyaknya sampel dari pembaca koran sebesar 364 orang.
C. DAFTAR PUSTAKA
Harinaldi, 2005, Prinsip-Prinsip Statistik untuk Teknik dan Sains, Erlangga
Riduan dan Akdon, 2006, Rumus dan Data dalam Aplikasi Statistika untuk
Penelitian, Alfabeta Bandung
Sugiyono, 1997, Statistika untuk Penelitian, Alfabeta Bandung
D. PROSEDUR PRAKTIKUM
Praktikan diberikan data populasi dari suatu amatan. Praktikan diminta untuk
menghitung jumlah sampel yang diperlukan dengan menggunakan metode penarikan
sampel yang tepat.
MODUL II
STATISTIK DESKRIPTIF DAN DISTRIBUSI PROBABILITAS
A. TUJUAN PRAKTIKUM
Dari praktikum modul II ini diharapkan praktikan mampu:
1. Memahami pengertian statistik deskriptif sebagai salah satu alat dalam
menyajikan data secara lebih informatif.
2. Menyelesaikan studi kasus dalam statistik deksriptif dengan perhitungan
manual maupun menggunakan SPSS.
3. Menganalisis hasil pengolahan data dan mengambil keputusan untuk studi kasus
yang berlaku.
B. TEORI PENDUKUNG
1. Statistik Deskriptif
Statistika adalah pengetahuan mengenai cara-cara pengumpulan, pengolahan,
analisis dan interpretasi data kuantitatif tentang bidang kegiatan tertentu yang berkaitan
erat dengan pengambilan dengan tujuan memperoleh keterangan yang jelas tentang
peristiwa yang dipelajari.
Statistik deskriptif adalah ilmu yang mempelajari tentang cara pengumpulan
dan analisa data kuantitatif secara deskriptif. Statistika deskriptif hanya berhungan
dengan hal yang menguraikan atau memberikan keterangan-keterangan mengenai suatu
data atau keadaan. Dengan kata lain statistika deskriptif berfungsi sebagai menerangkan
keadaan, gejala, atau persoalan. Statistika deskriptif sering disebut sebagai statistika
dedukatif yang membahas tentang bagaimana merangkum sekumpulan data dalam
bentuk yang mudah dibaca dan cepat memberikan informasi, yang di buat dalam bentuk
tabel, grafik, nilai pemusatan dan nilai penyebaran.
Menurut Syofian Siregar (2010), statistik deskriptif adalah statistik yang
berkenaan dengan bagaimana cara mendeskripsikan, menggambarkan, menjabarkan,
atau menguraikan data sehingga mudah dipahami. Ada beberapa cara yang dapat
digunakan dalam mendeskripsikan, menggambarkan, menjabarkan, atau menguraikan
data antara lain:
a. Menentukan ukuran dari data seperti nilai modus, rata-rata dan nilai tengah
(median).
b. Menentukan ukuran variabilitas data seperti: variasi (varian), tingkat penyimpanan
(deviasi standar), jarak (range).
c. Menentukan ukuran bentuk data: skewness, kurtosis, plot boks.
1.2 Data
Data adalah sekumpulan angka atau keterangan yang tersusun, dan didapatkan
melalui pengukuran, hasil perhitungan ataupun hasil kerja tertentu. Hasil pengolahan
data ini ada yang disajikan dalam bentuk daftar/tabel dan ada dalam bentuk diagram
atau grafik. Data terbagi atas dua yaitu data kuantitatif dan data kualitatif.
Data kuantitatif adalah data yang berupa angka dalam arti sebenarnya, jadi
dengan data ini berbagai operasi matematika bisa dilakukan. Data kuantitatif terbagi
atas:
a. Data Diskrit
Data Diskrit (Data Rasio) adalah data hasil pengukuran yang bersifat angka
dalam arti sesungguhnya dan bisa dioperasikan secara matematis. Misalnya data
berat badan, produk yang terjual, produk cacat, dll.
b. Kontinyu
Data Kontinyu (Data Interval) adalah data yang dapat mempunyai nilai yang
terletak dalam satu interval. Misalnya panjang, luas, isi, berat dan waktu.
Data kualitatif adalah data yang dikategorikan sebagai data yang bukan berupa
angka. Data kualitatif mempunyai ciri tidak bisa dilakukan operasi matematika. Data
kualitatif terbagi atas:
a. Data Nominal adalah jika suatu pengukuran data yang hanya menghasilkan satu
dan hanya satu-satunya kategori. Misalnya data jenis kelamin, tanggal lahir, asal
daerah,dll.
b. Data Ordinal adalah data yang jika suatu pengukuran memiliki tingkatan data
dimana yang satu berstatus lebih tinggi atau lebih rendah dari yang lain.
Misalnya : data tentang sikap seseorang terhadap produk tertentu “sangat
baik”,”baik”, atau “tidak baik”.
Sedangkan berdasarkan sumbernya, data terbagi atas data primer dan data
sekunder. Data Primer adalah data yang dikumpulkan dan dikeluarkan oleh badan yang
sama. Data Sekunder adalah data yang dikumpulkan dan dikeluarkan tidak oleh badan
yang sama.
1.3.1 Limit Kelas, Batas Kelas, Nilai Tengah, dan Lebar Kelas
Nilai terkecil dan terbesar pada tiap kelas disebut limit kelas atau tepi kelas.
Limit kelas ini terbagi menjadi limit kelas atas dan limit kelas bawah. Batas kelas
terbagi dua yaitu batas atas kelas dan batas bawah kelas. Nilai tengah antara batas
bawah kelas dan batas atas kelas disebut nilai tengah kelas.
Jumlah
1.5 Kurva
Menurut Kamus Besar Bahasa Indonesia (KBBI), kurva merupakan grafik yang
menggambarkan variabel (misal yang memperlihatkan perkembangan) yang
dipengaruhi oleh keadaan. Kurva yang diplotkan dari data yang digunakan ini mampu
menjelaskan sifat atau karakter populasi atau sample yang digunakan. Kurva poligon
mempunyai bentuk yang tak terhingga banyaknya, tergantung dari bentuk
distribusinya. Pada umumnya kurva poligon digolongkan dalam dua golongan besar
yaitu:
1. Kurva Simetri
2. Kurva Asimetri, terbagi adas dua model yaitu:
a. Model positif (kemiringan ke kiri atau dinyatakan juga kemiringan yang
besar).
b. Model negatif (kemiringan ke kanan atau kemiringan yang kecil).
1.5.1 Kurva Frekuensi
Jika ukuran sampel mendekati ukuran populasi dan pembagian kelas-kelas
interval mendekati nol, maka kita dapat mengharapkan bentuk poligon frekuensi
menjadi sebuah lengkungan halus. Lengkungan ini dikenal juga sebagai lengkungan
frekuensi atau kurva frekuensi, yang diharapkan dapat mendekati bentuk lengkungan
halus yang sebenarnya, karena lengkungan halus untuk populasi itu secara tepat sukar
atau jarang sekali ditentukan.
Dimana:
i = 1,2,3,4,...,n
xi = nilai dari data
n = jumlah data atau banyak data didalam
Untuk data yang sudah dikelompokkan (data yang susdah disusun dalam daftar
distribusi frekuensi):
x=
fiXi
fi
Dimana :
fi = frekuensi untuk kelas interval ke-i
Xi = nilai dari titik tengah
x=
wx
f
Dimana :
x = nilai
w = bobot atau timbangan
2. Median adalah nilai tengah data setalah tersebut diurutkan dari kecil ke besar.
Jika banyak data ganjil, maka median setelah data disusun menurut nilainya
merupakan data paling tengah. Sedangkan untuk sample berukuran gelap,
setelah data disusun menurut ukuran nilainya, median sama dengan rata-rata
hitung data tengah. Median untuk distribusi frekuensi atau data sudah
dikelompakkan dapat dihitung dengan rumus:
n
−F
Med = Lο + c 2
fmedian
Dimana :
L0 = batas bawah dari kelas median dimana median berada
n = jumlah data
c = lebar kelas interval
fmedian = frekuensi kelas median
F = jumlah frekuensi semua kelas sebelum kelas yang mengandung
pimedian
3. Modus adalah nilai yang sering muncul dari suatu data. Untuk data kuantitatif,
modus ditentukan dengan jalan menentukan frekuensi terbanyak. Modus untuk
distribusi frekuensi atau data yang sudah dikelompokkan dihitung dengan
rumus :
b1
Mod = Lο + c
b1 + b2
Dimana :
L0 = batas bawah dari kelas median dimana median berada
b1 = selisih antara frekuensi kelas modus dengan frekuensi tepat satu
bikelas sebelum kelas modus
b2 = selisih antara frekuensi kelas modus dengan frekuensi tepat satu
bikelas sesudah kelas modus
c = lebar kelas interval
Desil adalah sekelompok data yang dibagi menjadi 10 bagian yang sama
banyak, maka akan terdapat 9 pembagi.
Rumus untuk data tidak berkelompok:
i(n + 1)
Di = nilai ke -
10
i = 1,2,3.....
Persentil adalah sekumpulan data yang dibagi menjadi 100 bagian yang sama.
Rumus untuk data tidak berkelompok:
in
−F
Pi = data ke 100
f
i = 1,2,....99
SR =
f x−x
n
Dimana n = ∑f
Varian
Varian adalah rata-rata kuadrat selisih atau kuadrat simpangan dari semua nilai data
terhadap rata-rata hitung. Varian untuk sample dilambangkan dengan S2.
Rumus untuk data berkelompok :
− ( xi )2
2
n x
s2 = i
n(n − 1)
fi ( xi − x )2
atau : s2 =
n −1
2
n fic − ( fici )2
atau : s2 = p2 i
n(n − 1)
Dimana:
p = panjang kelas interval
ci = variabel coding untuk kelas interval ke-i
n = jumlah seluruh data yang diamati
Standar Deviasi
Standar Deviasi adalah akar pangkat dua dari varian atau disebut juga simpangan baku.
Salah satu ukuran kurtoris adalah koefisien kurtosis yang diberi simbol α4 atau
Kt dan ditentukan dengan rumus :
( x − x ) f (x− x)
4 4
= =
4 4
atau
4 4
ns ns
Dengan syarat :
a. α4 =3 → Distribusi normal/mezokurtik
b. α4 >3 →Distribusi leptokurtik
c. α4 <3 →Distribusi platikurik
atau :
a. Kt = 0.263 → Distribusi normal/mezokurtik
b. Kt > 0.263 → Distribusi leptoturik
c. Kt < 0.263 → Distribusi platikurtik
1.9 Pengolahan Data Statistik Deskriptif dengan IBM SPSS Statistics Base 20
SPSS mengkategorikan analisis deskriptif dalam 5 kategori yaitu analisis
Frequencies, Descriptive, Explore, Crosstab, dan Ratio. Masing-masing analisis
memiliki tujuan dan keunggulan sendiri. Pada praktikum ini akan dibahas penggunaan
analisis Frequencies dan Descriptive.
1.9.1 Analisis Frequencies
Analisis Frequencies sangat berguna untuk memperoleh ringkasan suatu
variable individual. Ringkasan tersebut dapat dilakukan baik untuk variabel dengan
data kategori maupun skala.
A. Melakukan Analisis Frequencies untuk Data Kategori
Analisis frequencies untuk data kategori memaparkan jumlah/frekuensi dan
proporsi dalam persen suatu variabel data ketegorikal. Berikut ini adalah data nilai APK
dan PPC, lakukan analisis frekuensi untuk data kategorikal pada variable nilai mata
kuliah APK dan PPC.
Statistics
N Valid 30 30
Missing 0 0
Frequency Table
Nilai APK
Cumulative
Frequency Percent Valid Percent Percent
Cumulative
Frequency Percent Valid Percent Percent
Pie Chart
B. Melakukan Analisis Frekuensi Untuk Data Skala
Analisis Frequencies untuk data skala memaparkan ringkasan tendensi sentral,
dispersi, distribusi suatu variabel data skala. Contoh: analisis frequencies untuk data
skala pada variabel nilai APK. Berikut adalah langkah-langkahnya:
1. Buka file data.
2. Klik Analyze → Descriptive Statistic → Frequencies pada menu sehingga kotak
dialog frequencies muncul.
3. Masukkan variabel APK pada kotak Variable (s).
4. Klik tombol Statistic sehingga muncul kotak dialog frequencies statistic.
5. Pilih nilai-nilai pada Percentile Values, Central Tendency, Dispersion, dan
Distribution sesuai keperluan.
6. Klik tombol Continue.
7. Klik tombol Chart sehingga muncul kontak dialog Frequencies: Chart. Pilih
Histogram with normal curve pada kotak chart type.
8. Klik Continue.
9. Klik OK, sehingga output SPSS viewer akan menampilkan hasil seperti berikut.
Statistics
Nilai APK
N Valid 30
Missing 0
Mean 72,00
Median 70,00
Mode 70
Std. Deviation 9,965
Variance 99,310
Skewness ,326
Std. Error of Skewness ,427
Kurtosis -,808
Std. Error of Kurtosis ,833
Sum 2160
Percentiles 25 65,00
50 70,00
75 80,00
Nilai APK
Cumulative
Frequency Percent Valid Percent Percent
Descriptive Statistics
2. Distribusi Binomial
Distribusi binomial merupakan distribusi peluang yang dihasilkan dari proses
Bernoulli yang memiliki 4 karakteristik utama, yaitu :
a. Percobaan dilakukan sebanyak n kali.
b. Setiap percobaan hanya memiliki 2 hasil saja, yakni 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 sama dengan hasil eksperimen yang lainnya.
Sebuah percobaan Bernoulli dengan peluang sukses p dan peluang gagal q = 1-
p, maka distribusi peluang peubah acak Binomial X (jumlah kejadian sukses
dalam n kali percobaan) dapat dituliskan:
4. Distribusi Hipergeometrik
Cara sederhana untuk membedakan distribusi hipergeometrik dengan distribusi
binomial adalah dengan melihat proses penarikan sampelnya. Pada distribusi
binomial, antar percobaan bersifat bebas sedangkan pada distribusi
hipergeometrik peluang sukses percobaan saat ini bergantung pada hail
percobaan sebelumnya.
Percobaan hipergeometrik memiliki sifat sebagai berikut:
a. Sampel acak ukuran n diambil tanpa pengembalian dari N benda
b. Sebanyak k benda dapat diberi nama sukses sedangkan sisanya, Nk, diberi
nama gagal, sehingga distribusi peluang peubah acak hipergeometrik X
ialah :
c. P(a<X<b) =
f(x)dx
Jika X merupakan peubah acak, maka fungsi padat X dengan distribusi normal
dinyatakan dengan :
Dalam hal ini peubah acak X pada distribusi Poisson berkisar antara 0 sampai
tak terhingga (0 ≤ x < ) dan bersifat kontinyu.
Peubah acak kontinyu X berdistribusi Eksponensial dengan parameter ,
fungsi densitasnya diberikan oleh :
1 -xβ
e
f(x)= {β }
0
x > 0, untuk x lainnya, dimana β > 0
3. Distribusi Gamma
Distribusi Gamma memiliki hubungan yang erat dengan distribusi
Eksponensial, karena distribusi Eksponensial merupakan salah satu bentuk
khusus dari distribusi Gamma. Jika peubah acak kontinyu X berdistribusi
Gamma dengan parameter α dan maka fungsi densitasnya dapat dirumuskan
sebagai berikut:
x > 0, untuk x lainnya, dimana α > 0 dan β > 0, sedangkan ( ) merupakan
fungsi Gamma yang dirumuskan sebagai berikut:
( ) =
0
xα-1 e-x dx
5. Distribusi Weibull
Seperti distribusi Eksponensial dan distribusi Gamma, distribusi Weibull
banyak diterapkan pada persoalan keandalan dan pengujian panjang umur (life
testing) suatu komponen.
Peubah acak kontinyu X berdistribusi Weibull dengan parameter α dan β, jika
fungsi densitasnya diberikan oleh :
Penyelesaian dengan SPSS dapat dilakukan secara cepat dan mudah dengan langkah –
langkah berikut:
1. Klik Transform Compute Variable sehingga kotak dialog akan muncul.
2. Pada Function group, pilih PDF & Noncentral PDF dan pada Function and
Special Variables, pilih Pdf.Binom.
3. Pindahkan fungsi tersebut dengan menekan tombol panah atas ke kotak
Numeric Expression. Kotak tersebut akan tertulis PDF.BINOM (?,?,?).
4. Masukkan nilai q, n, dan p pada tanda tanya pertama, kedua dan ketiga. Variable
q adalah banyaknya usaha yang dikategorikan sukses (tepat 5 ban tidak layak).
Variable n adalah banyaknya usaha dalam suatu percobaan (10). Variable p
adalah probabilitas sukses (15% produk tidak layak). PDF.BINOM(5, 10,
0.15). PDF merupakan singkatan dari Probability Density Function yang
artinya adalah fungsi probabilitas pada suatu titik tertentu.
5. Tulis Hasil pada kotak Target Variable.
6. Klik OK.
Penyelesaian dengan SPSS : kita dapat menggunakan fungsi PDF.NORMAL (q, mean,
stddev) bila mencari peluang pada suatu titik tertentu dimana variabel q identik dengan
variabel x. Variabel mean identik dengan variabel µ. Variabel stddev identik dengan
variabel σ.
C. DAFTAR PUSTAKA
Trihendradi, 2010, SPSS 18 Step by Step, Penerbit ANDI, Yogyakarta.
Siregar Syofian, 2010, Statistika Deskriptif untuk Penelitian: Dilengkapi
Perhitungan Manual dan Aplikasi SPSS Versi 17, PT Rajagrafindo Persada,
Jakarta.
Tim Asisten Laboratorium Manajemen Kualitas, 2003, Modul Praktikum
Statistik Industri-1, Program Studi Teknik Industri Universitas Islam Bandung.
Tim Praktikum, 2011, Modul Praktikum Statistika Industri, Laboratorium
Teknik Industri Universitas Muhammadyah Surakarta.
D. PROSEDUR PRAKTIKUM
Praktikan akan diberikan data statistik dan diminta untuk melakukan
perhitungan secara manual (menggunakan rumus-rumus) dan menyelesaikan dengan
SPSS.
MODUL III
A. TUJUAN PRAKTIKUM
Dari praktikum modul III ini diharapakan praktikan dapat:
1. Melakukan uji validitas dan reliabilitas menggunakan SPSS dan Minitab.
2. Menganalisis dan menginterpretasikan hasil dari analisis validitas dan
reliabilitas.
B. TEORI PENDUKUNG
1. Uji Validitas dan Uji Reliabilitas
Kesahihan (validitas) adalah tingkat kemampuan untuk mengungkapkan
sesuatu yang menjadi sasaran pokok pengukuran yang dilakukan dengan instrument
tersebut. Uji validitas digunakan untuk mengukur sah atau valid tidaknya suatu
kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada suatu kuesioner
mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Indikator pengukuran yang dimaksud merupakan pernyataan pada kueisioner
yang berasal dari variabel teramati dimana variabel tersebut berasal dari variabel laten.
Suatu instrumen pengukuran dikatakan valid apabila nilai pearson correlation berada
pada nilai -1 < r < 1, dan juga memiliki nilai Sig.(2-tailed)<0.025, artinya nilai dari
probabilitasnya adalah 0,05, namun karena pengujian dilakukan dalam dua sisi (2
tailed) sehingga nilai probabilitasnya 0,025 (Santoso, 2014).
Sedangkan pengujian reliabilitas yang dilakukan, bertujuan untuk mengukur
sejauh mana setiap indikator pengukuran pada kueisioner yang digunakan
menunjukkan suatu konsistensi didalam mengukur. Artinya setiap jawaban responden
yang satu dengan yang lainnya terhadap pertanyaan pada kueisioner adalah konsisten
atau stabil dari waktu ke waktu (Sugiyono, 2004). Suatu indikator pengukuran
dikatakan reliabel apabila indikator tersebut memiliki nilai Cronbach’s Alpha>0,6.
(Hair et al., 2006). Menurut Sekaran (2006) secara umum reliabel yang kurang dari 0.6
dianggap buruk, sedangkan reliabel dalam kisaran 0.7 bisa diterima dan jika lebih dari
0.8 dianggap baik.
Adapun prosedur untuk menghitung korelasi antar skor masing-masing butir
pertanyaan dengan total skor menggunakan software SPSS versi 18.0 dengan langkah
analisis sebagai berikut:
1.1 Aplikasi Uji Validitas dan Uji Reliabilitas dengan SPSS
Pada tabel berikut ini dapat dilihat rekapitulasi kuisioner (pre test) mengenai
“Kualitas Pelayanan Rumah Sakit Di Daerah XYZ”. Hasil rekapitulasi kuisioner yang
dikumpulkan sebanyak 30 sampel sebagai pre test. Selanjutnya akan dilakukan uji
validitas dan reabilitas untuk mengetahui bahwa kuisioner tersebut valid dan reliabel
untuk disebarkan kepada responden.
Ket :
T = Tangible, EMP = Empathy, ASS= Assurance
Pengujian validitas dan reliabilitas dapat dilakukan menggunakan bantuan
software SPSS. Pengujian validitas dapat dilakukan sebagai berikut :
1. Dari menu utama SPSS pilih menu Analyze → Correlate → Bivariate.
2. Tampak di layar tampilan “windows Bivariate Correlation”
3. Isikan dalam “box” variabel semua butir skor pertanyaan dan skor total.
4. Pada Coeficient Correlation, pilih Pearson.
5. Tekan OK dan hasil output SPSS akan ditunjukkan sebagai berikut ini :
C. DAFTAR PUSTAKA
_______, 2013, Modul Praktikum Statistik Industri, Universitas Islam
Indonesia, Yogyakarta.
Modul Praktikum Statistik Industri Program Studi Teknik Industri Universitas
Syiah Kuala 2016
Nuur Wachid Abdul Majid, S.Pd., Chi Square untuk Uji Dua Sampel
Independen, Jakarta
Singgih, Santoso, 2014, Panduan Lengkap SPSS versi 20, Jakarta, Gramedia.
D. PROSEDUR PRAKTIKUM
Praktikan akan diberikan data statistik dan diminta untuk melakukan
pengolahan data dengan SPSS dan Minitab.
MODUL IV
ANALISIS HUBUNGAN ANTAR VARIABEL
(KORELASI DAN REGRESI)
_____________________________________________________________________
A. TUJUAN PRAKTIKUM
Dari praktikum modul IV ini diharapakan praktikan dapat:
3. Mampu melakukan pengolahan data korelasi dan regresi dengan bantuan
software SPSS dan Minitab.
4. Menganalisis dan menginterpretasikan hasil pengolahan data korelasi dan
regresi yang dilakukan.
B. TEORI PENDUKUNG
1. Korelasi
Korelasi adalah teknik statistik yang digunakan untuk meguji hubungan serta
arah hubungan dari dua variabel atau lebih. Korelasi merupakan teknik analisis
yang termasuk dalam salah satu teknik pengukuran asosiasi/hubungan (measures of
association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada
sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan
hubungan antara dua variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi,
terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson
Product Moment dan Korelasi Rank Spearman. Pengukuran asosiasi mengenakan nilai
numerik untuk mengetahui tingkatan asosiasi atau kekuatan hubungan antara variabel.
Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu mempengaruhi
variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel tersebut disebut
independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (atau
lebih) dengan skala-skala tertentu, misalnya Pearson data harus berskala interval atau
rasio; Spearman dan Kendal menggunakan skala ordinal. Kuat lemah hubungan diukur
menggunakan jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan
pengujian hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien korelasi
diketemukan positif; sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut
tidak searah. Koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi
antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka
terdapat hubungan antara dua variabel tersebut. Jika koefesien korelasi diketemukan +1
maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear
sempurna dengan kemiringan (slope) positif. Sebaliknya. jika koefesien korelasi
diketemukan -1, maka hubungan tersebut disebut sebagai korelasi sempurna atau
hubungan linear sempurna dengan kemiringan (slope) negatif. Dalam korelasi sempurna
tidak diperlukan lagi pengujian hipotesis mengenai signifikansi antar variabel yang
dikorelasikan, karena kedua variabel mempunyai hubungan linear yang sempurna.
Artinya variabel X mempunyai hubungan sangat kuat dengan variabel Y. Jika korelasi
sama dengan nol (0), maka tidak terdapat hubungan antara kedua variabel tersebut.
1.1 Kegunaan Korelasi
Korelasi berguna untuk mengukur kekuatan (strength) dan arah hubungan antar
dua variabel atau lebih. Pengukuran antara variabel untuk masing-masing kasus akan
menghasilkan keputusan, diantaranya; a) Hubungan kedua variabel tidak ada; b)
Hubungan kedua variabel lemah; c) Hubungan kedua variabel cukup kuat; d) Hubungan
kedua variabel kuat; e) Hubungan kedua variabel sangat kuat. Penentuan tersebut
didasarkan pada criteria yang menyebutkan hubungan mendekati 1, maka hubungan
semakin kuat; dan sebaliknya jika hubungan mendekati 0, maka hubungan semakin
lemah.
Berdasarkan tabel berikut ini, hitunglah nilai korelasi antara tiap variabel bebas
dengan variabel terikat. Data dari 20 rumah yang dijadikan sampel adalah sebagai
berikut:
Tabel 1.1 Data Statistik Biaya Ekpektasi Rumah
Berdasarkan kasus diatas, dapat diketahui bahwa terdapat lebih dari dua variabel
independen dan satu variabel dependen sehingga pada kasus ini dapat diselesaikan
dengan menggunakan analisis korelasi berganda.
Berikut adalah langkah-langkahnya :
Masukkan data dalam worksheet spss
Klik Analyze → Regression → Linear, selanjutnya akan muncul kotak dialog
“regression linear”
Pindahkan masing- masing variabel kedalam kolom dependen dan independen
Klik statistics → model fit → Continue, selanjutnya akan muncul jendela seperti
pada gambar berikut:
Berdasarkan tabel summary, nilai koefisien R = 0.893 (semakin mendekati 1)
sehingga dapat dikatakan hubungan antara variabel independen (usia, isolasi, suhu) dan
variabel dependen (cost) memiliki hubungan yang kuat.
Perlu diingat bahwa pada uji korelasi ganda yang digunakan hanya output model
summary saja (Lihat nilai nilai koefisien R output pada tabel model summary).
Interpretasi model pada korelasi ganda dapat dilihat pada nilai R, apabila nilai R
semakin mendekati 1 maka dapat dikatakan korelasi model semakin kuat.
Selain itu, guna memperkaya analisis dapat juga ditambahkan analisis korelasi
pada masing-masing variabel independen dengan variabel dependen (caranya sama
dengan analisis uji korelasi pearson dan spearman) dapat dilihat sebagai berikut:
1. Masukkan data dalam worksheet spss
2. Klik Analyze → Correlate → Bivariate → masukkan variabel → pearson
3. Klik two tailed → biarkan “flag significant correlation” dicentang, selanjutnya
akan muncul jendela seperti pada gambar berikut :
Korelasi antara variabel independen (variabel suhu, isolasi, dan usia) dan
dependen (cost) diberikan pada tabel diatas. Berdasarkan tabel dapat dilihat korelasi
antara suhu dengan cost sebesar -0,811 dan antara isolasi dengan cost sebesar -0,196
sedangkan korelasi usia dengan cost sebesar 0,541. Dari hasil korelasi terlihat bahwa
korelasi tinggi berada variabel suhu dan cost yaitu -0,811. Hal ini berarti temperatur
akan mempunyai peluang yang cukup tinggi atau paling signifikan mempengaruhi
biaya pembelian panas didalam model regresi ini.
2. Analisis Regresi
Analisis regresi adalah analisis lanjutan dari korelasi yaitu menguji sejauh mana
pengaruh variabel independen terhadap variabel dependen setelah diketahui ada
hubungan antara variabel tersebut. Regresi dalam pengertian modern menurut Gujarati
(2009) adalah kajian terhadap ketergantungan satu variabel, yaitu variabel tergantung
terhadap satu atau lebih variabel lainnya atau disebut sebagai variabel-variabel
eksplanatori dengan tujuan untuk membuat estimasi dan memprediksi rata-rata
populasi atau nilai rata-rata variable tergantung dalam kaitannya dengan nilai-nilai yang
sudah diketahui dari variable eksplanatorinya. Selanjutnya menurut Gujarati meski
analisis regresi berkaitan dengan ketergantungan atau dependensi satu variabel
terhadap variable-variabel lainnya hal tersebut tidak harus menyiratkan sebab-akibat
(causation).
Dalam regresi dikembangkan persamaan estimasi (estimating equation), yaitu
rumus matematika yang menghubungkan variabel-variabel yang diketahui dengan yang
tidak diketahui. Setelah dipelajari pola hubungannya, kemudian baru dapat
mengaplikasikan analisis korelasi (correlation analysis) untuk menentukan tingkatan
dimana variabel-variabel tersebut saling berhubungan.
2.1 Tujuan Analisis Regresi
a. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan
pada nilai variabel bebas.
b. Menguji hipotesi karakteristik dependensi
c. Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai
variabel bebas diluar jangkauan sampel.
ANOVAa
Total 211002.950 19
Berdasarkan tabel diatas dapat dilihat nilai sig. pada tabel ANOVA
diatas merupakan nilai sig. dari uji t untuk setiap variabel. Sehingga dapat
dilihat nilai sig. untuk variabel suhu = 0,000 sedangkan pada variabel isolasi
mempunyai nilai sig. = 0,009. Kedua variabel tersebut kurang dari 10%
sehingga Ho ditolak, dan dapat disimpulkan bahwa variabel suhu dan isolasi
mempengaruhi variabel biaya pembelian pemanas secara parsial.
Nilai sig. untuk variabel adalah 0,172, karena nilai sig. pada kedua
variabel usia lebih dari 10% maka Ho diterima dan dapat disimpilkan bahwa
variabel usia tidak signifikan mempengaruhi variabel biaya pembelian pemanas
secara parsial.
Dari nilai standardized coefficient terlihat bahwa variabel suhu
mempunyai nilai absolut yang paling besar, ini mengindikasikan bahwa
temperature mempunyai pengaruh yang paling besar dibanding dua variabel
yang lain (isolasi dan usia)
Model Summaryb
Uji normalitas dapat dilakukan dengan melihat diagram normal probability plot
dan Histogram. Residual berdistribusi normal apabila histogram menyerupai bel keatas.
Berdasarkan histogram, dapat disimpulkan bahwa data berdistribusi normal. Selain itu,
uji normalitas dapat juga dilakukan dengan menggunakan diagram normal probability
plot. Berdasarkan normal probability plot dapat dilihat bahwa data berdistribusi
normal, hal ini dapat dilihat plot mengikuti garis lurus. Sehingga dapat disimpulkan
residual berdistribusi normal.
C. DAFTAR PUSTAKA
Modul Praktikum Statistik Industri Program Studi Teknik Industri Universitas
Syiah Kuala 2019
D. PROSEDUR PRAKTIKUM
Pada praktikum ini praktikan akan diberikan data statistik dan diminta untuk
melakukan uji validitas dan reliabilitas menggunakan SPSS dan Minitab.