All Modul Praktikum Statistika Industri
All Modul Praktikum Statistika Industri
Modul
PRAKTIKUM
STATISTIKA INDUSTRI
KATA PENGANTAR
Agar dapat dijadikan dasar pada saat praktikum, maka disusun buku modul
praktikum. Pelajaran yang bersifat teori dirasakan akan mudah dipahami jika disertai
dengan percobaan-percobaan yang dilakukan pada saat praktikum. Untuk itu materi-materi
yang diberikan dalam modul praktikum ini telah disesuaikan dengan materi dalam
perkuliahan.
Semoga buku modul praktikum satistika industri ini dapat bermanfaat bagi kita,
khususnya bagi mahasiswa Jurusan Teknik Industri Fakultas Teknik Dan Ilmu Komputer
Universitas Potensi Utama.
MODUL I
DISTRIBUSI DAN UKURAN SEBARAN DATA
I. TUJUAN PERCOBAAN
1. Praktikan mampu menampilkan data yang telah dikumpul agar dapat dipahami.
2. Praktikan mampu mengukur nilai pusat/tendensi dari data yang ada
3. Praktikan mengetahui penyebaran data dan mampu menghitung besarnya
penyimpangan yang terjadi
II. TEORI
2.1. Data
Data adalah bentuk jamak dari datum. Data merupakan keterangan atau ilustrasi
mengenai suatu hal, bisa berbentuk kategori (rusak, baik, senang, dll) atau bisa
berbentuk bilangan.
Data dapat dikumpulkan dengan menggunakan prosedur yang sistematis.
Pengumpulan data dimaksudkan sebagai pencatatan peristiwa atau karakteristik dari
sebagian atau seluruh elemen populasi.
Data yang telah dikumpulkan, agar mudah dibaca dan dipahami oleh orang lain atau
pengambil keputusan, maka data perlu disajikan ke dalam bentuk-bentuk tertentu.
Penyajian data dapat dilakukan melalui tabel dan grafik. Penyajian data memiliki
fungsi antara lain:
1. Menunjukkan perkembangan suatu keadaan
2. Mengadakan perbandingan pada suatu waktu.
Dimana:
C = banyaknya kelas (bilangan bulat dan biasanya dibulatkan ke atas)
n = banyaknya data
4. Menentukan panjang interval kelas
Panjang interval kelas dapat dihitung dengan rumus:
( )
()
( )
Dimana:
i = panjang kelas interval
R = jangkauan
C = banyak kelas
5. Menentukan batas bawah kelas pertama.
Batas bawah kelas pertama biasanya dipilih dari data terkecil atau data terkecil
yang berasal dari pelebaran jangkauan (data yang lebih kecil dari data terkecil)
dan selisihnya harus kurang dari panjang interval kelasnya.
6. Menuliskan frekuensi kelas secara melidi dalam kolom turus atau tally (sistem
turus) sesuai banyaknya data.
2. Disfrek Relatif, ialah disfrek yang berisikan nilai-nilai hasil bagi antara
frekuensi kelas dengan jumlah pengamatan yang terkandung dalam kumpulan
data yang berdistribusi tertentu.
Frekuensi realtif dirumuskan:
∑
Dimana:
fi = frekuensi kelas ke-i
∑f = jumlah frekuensi
Keterangan:
X = wakil data
n = jumlah data
2. Jika X1, X2, ..., Xn masing-masing memiliki frekuensi f1, f2, ..., fn, maka
mean data:
∑
̅
∑
Keterangan:
X’ = mean sementara, biasanya diambil dari titik tengah kelas
dengan frekuensi terbesar
d = X – X’
X = titik tengah interval kelas
f = frekuensi kelas
3. Metode coding
Metode coding sering digunakan apabila dijumpai nilai-nilai dalam data
yang berupa bilangan-bilangan besar. Mean dihitung dengan rumus:
∑
̅
∑
Keterangan:
X’ = mean sementara, biasanya diambil dari titik tengah kelas
dengan frekuensi terbesar
p = panjang kelas
d’ = d/p
2.3.2. Median
Median ialah nilai tengah dari data yang ada setelah data diurutkan. Median sering
pula disebut rata-rata posisi.
A. Median data tunggal
Median data tunggal dapat dicari dengan pedoman:
Jika jumlah data ganjil, mediannya adalah data yang berada paling tengah
Jika jumlah data genap, mediannya adalah hasil bagi jumlah dua data yang
berada di tengah
Keterangan:
Me = median
b = tepi bawah kelas median
p = panjang kelas
n = jumlah frekuensi
F = jumlah frekuensi kelas sebelum kelas median
f = frekuensi kelas median
( )
Keterangan:
Mo = modus
b = tepi bawah kelas modus
p = panjang kelas
b1 = frekuensi kelas modus – frekuensi kelas interfal terdekat
sebelumnya
b2 = frekuensi kelas modus – frekuensi kelas interval terdekat
setelahnya
2.3.4. Fraktil
Fraktil adalah nilai-nilai yang membagi seperangkat data yang telah terurut menjadi
beberapa bagian yang sama. Fraktil dapat berupa kuartil, desil, dan persentil.
Keterangan:
Qi = kuartil ke-i
bi = tepi bawah kelas kuartil ke-i
p = panjang kelas
n = jumlah frekuensi
Fi = jumlah frekuensi sebelum kelas kuartil ke-i
fi = frekuensi kelas kuartil ke-i
i = 1, 2, 3
Keterangan:
Di = desil ke-i
bi = tepi bawah kelas desil ke-i
p = panjang kelas
n = jumlah frekuensi
Fi = jumlah frekuensi sebelum kelas desil ke-i
fi = frekuensi kelas desil ke-i
i = 1, 2, ..., 9
Keterangan:
Pi = persentil ke-i
bi = tepi bawah kelas persentil ke-i
p = panjang kelas
n = jumlah frekuensi
Fi = jumlah frekuensi sebelum kelas persentil ke-i
fi = frekuensi persentil kelas ke-i
i = 1, 2, ..., 99
Ukuran sebaran pada dasarnya adalah pelengkap dari ukuran nilai pusat dalam
menggambarkan sekumpulan data. Jadi, dengan adanya ukuran sebaran, maka
penggambaran sekumpulan data akan menjadi lebih jelas dan tepat.
Pada kenyataannya, nilai-nilai observasi dari serangkaian data statistic tidak akan
seragam, akan tetapi bervariasi atau berpencar. Pengukuran tentang variasi atau
disperse dari serangkaian nilai observasi sedemikian dinamakan pengukuran variasi
atau pengukuran disperse. Pengukuran disperse yang paling umum adalah variansi
(variance) dan simpangan baku atau deviasi standar (standard deviation). Disperse
serangkaian nilai observasi akan lebih kecil apabila nilai-nilai tersebut
berkonsentrasi di sekitar nilai rata-ratanya, tetapi sebaliknya disperse menjadi besar
apabila nilai-nilai observasi menyebar jauh dari nilai rata-ratanya.
X i X
MD i 1
Keterangan :
MD = rata-rata simpangan
Xi = data ke-i
X = aritmetik mean dari suatu sampel
n = banyaknya data X dalam suatu sampel
f X X
n
i i
MD i 1
f
Keterangan :
MD = rata-rata simpangan
fi = frekuensi pengamatan dalam sebuah kelas interval
Xi = data ke-i
X = aritmetik mean dari suatu sampel
Σf = jumlah frekuensi
n 1
n 1 nn 1
n 1
3. Metode Coding
2
( f .d ' 2 ) fd '
Sample besar (n > 30) : SD
n n
LEMBAR PENGAMATAN
PRAKTIKUM STATISTIKA INDUSTRI
No Nilai
Pengamatan Pengamatan
1
2
3
.
.
.
Group : Medan,
Nama dan NIM: Disetujui,
1.
2.
3. (Asisten lab.)
MODUL II
MEMBANDINGKAN HASIL SAMPEL
DENGAN PARAMETER POPULASI
I. TUJUAN PRAKTIKUM
1. Memahami hubungan antara populasi dan sampel
2. Memahami bagaimana mengetahui nilai parameter populasi melalui sampel dan
besarnya penyimpangan hasil perhitungan.
3. Mampu menaksir (menduga) nilai parameter populasi melalui sampel dengan
menggunakan tingkat kepercayaan.
II. TEORI
b. Non random sampling (sampling tidak acak) ialah cara pengambilan sampel
yang semua objek atau elemen populasinya tidak memiliki kesempatan yang
sama untuk dipilih sebagai sampel.
Hasil dari sampling ini memiliki sifat subjektif atau kurang objektif. Hal ini
karena pada waktu sampel diambil dari populasinya, probabilitas tidak diikut
sertakan, tetapi berdasarkan aspek pribadi seseorang.
rata atau distribusi rata-rata sampel, distribusi dari proporsi disebut distribusi
sampling proporsi atau distribusi proporsi sampel, demikian seterrusnya.
Jika dari populasi berukuran N diambil sampel berukuran n dengan pengembalian,
maka semuanya ada N n buah sampel.
Banyak sampel berukuran n yang dapat diambil dengan cara tanpa pengembalian
N!
dari sebuah populasi berukuran N adalah CnN
n!N n !
Simpangan baku:
PQ N n
p
n N 1
P1 P N n
p
n N 1
Keterangan :
P = proporsi kejadian sukses
Q = proporsi kejadian gagal (1 – P)
Simpangan baku :
PQ
p
n
P1 P
p
n
Penduga adalah suatu statistik (harga sampel) yang digunakan untuk menduga suatu
parameter. Dengan penduga, dapat diketahui seberapa jauh suatu parameter populasi
yang tidak diketahui berada disekitar sampel (sampel statistik).
Banyak ciri atau syarat untuk menentukan apakah sebuah penduga tergolong baik
atau tidak. Suatu penduga dikatakan baik jika memiliki ciri-ciri:
1. Tidak bias (unbiased)
Suatu penduga dikatakan tidak bias bagi parameternya apabila nilai penduga
sama dengan nilai yang diduganya (parameternya). Jadi penduga tersebut secara
tepat dapat menduga nilai dari parameternya.
Suatu penduga disebut bias bagi parameternya jika nilai penduga tersebut tidak
sama dengan nilai yang diduganya (parameternya).
2. Efisien
Suatu penduga dikatakan efisien bagi parameternya apabila penduga tersebut
memilikivarians yang kecil. Apabila terdapat lebih dari satu penduga, penduga
yang efisien adalah penduga yang memiliki varians terkecil. Dua buah penduga
dapat dibandingkan efisiensinya dengan menggunakan efisiensi relatif (relative
efficiency).
3. Konsisten
Suatu penduga dikatakan konsisten apabila memenuhi syarat sebagai berikut:
a. Jika ukuran sampel semakin bertambah maka penduga akan mendekati
parameternya. Jika besarnya sampel menjadi tak terhingga maka penduga
konsisten harus dapat memberi suatu pendugaan titik yang sempurna
terhadap parameternya. Jadi, penduga merupakan penduga konsisiten.
Suatu penduga konsisten belum tentu merupakan penduga yang baik, karena
konsisten hanya merupakan salah satu syarat.
pˆ (1 pˆ ) pˆ (1 pˆ )
pˆ Z / 2 P pˆ Z / 2
n n
Dimana:
X
pˆ
n
pˆ (1 pˆ ) pˆ (1 pˆ )
pˆ t / 2 P pˆ t / 2
n n
LEMBAR PENGAMATAN
PRAKTIKUM STATISTIKA INDUSTRI
Group : Medan,
Nama dan NIM: Disetujui,
1.
2.
3. (Asisten lab.)
MODUL III
PENGUJIAN PROPORSI
DARI HASIL SAMPEL DUA POPULASI
I. TUJUAN PERCOBAAN
Maksud dan tujuan dari percobaan ini adalah agar praktikan khususnya dapat
menerapkan metode statistik dalam kehidupan sehari-hari seperti:
1. Merancang pengambilan sampel dari populasi.
2. Untuk mendapatkan kesimpulan dari pengujian hipotesa apakah proporsi
kejadian dalam sampel dari dua populasi adalah sama.
II. TEORI
2.1. Sampel
Sampel adalah sebagian dari populasi yang diambil mewakili keseluruhan sifat dari
anggota populasi. Sampel yang diambil adalah sampel yang representatif yang
artinya sampel tersebut dapat mewakili keseluruhan sifat dari populasi dan sampel.
Tujuan pengambilan sampel adalah:
1. Untuk memudahkan dalam melaksanakan pekerjaan artinya dengan hanya
meneliti sampel saja dapat mengetahui sifat dari seluruh anggota populasi.
2. Menghemat waktu pekerjaan
3. Untuk menggeneralisasikan sifat sampel untuk populasinya.
Sampel bebas diperlakukan dengan pertimbangan dan kesalahan yang masih dapat
diterima dan dipercaya untuk mendapatkan hasil yang diharapkan.
2.2. Populasi
Populasi adalah totalitas semua nilai yang mungkin dari perhitungan ataupun
pengukuran serta kuantitatif maupun kualitatif dari pada karakteristik tertentu
mengenai sekumpulan objek yang lengkap dan jelas yang ingin dipelajari sifat-
sifatnya pada percobaan ini yang menjadi populasi adalah bola-bola yang ada
didalam drum.
2.3. Probabilitas/Peluang
Kata probabilitas sering dipertukarkan dengan istilah lain seperti peluang dan
kemungkinan. Secara umum probabilitas merupakan peluang bahwa sesuatu akan
terjadi. Secara lengkap probabilitas didefenisikan sebagai berikut: ”Probability” is a
measure of a likelihood of the occurance of a random event. (Mendenhall, 1995).
Terjemahan bebasnya:
“Probabilitas” ialah suatu nilai yang digunakan untuk mengukur tingkat terjadinya
suatu kejadian yang acak”.
Dalam mempelajari probabilitas, ada 3 (tiga) kata kunci yang harus diketahui:
eksperimen, hasil (outcome), kejadian dan peristiwa (event). Ketiga istilah tersebut
sering kita dengar, tetapi dalam ilmu statistik ketiga istilah itu mempunyai arti yang
spesifik.
Contoh lain dari eksperimen adalah pelemparan sebuah koin. Hasil (outcome) dari
pelemparan koin tersebut adalah ”MUKA” atau ”BELAKANG”. Kumpulan dari
beberapa hasil tersebut dikenal sebagai kejadian (event).
Probabilitas biasanya dinyatakan dengan bilangan desimal (seperti 0.50, 0.25 atau
5 25 70
0.70) atau bilangan pecahan (seperti , atau ). Nilai dari probabilitas
100 100 100
berkisar antara 0 dan 1. Semakin dekat nilai probabilitas ke nilai 0, semakin kecil
kemungkinan suatu kejadian akan terjadi. Sebaliknya semakin dekat nilai
probabilitas ke nilai 1 semakin besar peluang suatu kejadian akan terjadi.
nx
PA
n
n x
n n
x
1
n
b. P ( ̅) = 1 – P(A)
( ̅) = komplemen A
2.5. Proporsi
Teori peluang bagi ruang contoh terhingga memberikan segugus bilangan nyata yang
disebut pembobot atau peluang. Peluang suatu kejadian A adalah jumlah peluang
semua titik contoh dalam A. (Walpole, 89).
Beberapa rumus yang digunakan dalam perhitungan proporsi adalah:
1. Menentukan proporsi munculnya kata x.
x
P
n
Dimana :
P = Proporsi rata-rata
x = Jumlah kata “dan” dalam setiap halaman
n = Jumlah seluruh kata dalam setiap halaman
P =
P
k
Dimana :
P = Proporsi rata-rata
P Jumlahpopulasi
k = Jumlah pengamatan
Q̂ = 1 - P̂
Jika kita mempunyai sampel yang berukuran n dengan data X 1 , X 2 , X 3, ....., X n dan
X X2
2
S
1
n 1
n X 1 X 1
2 2
S 2
nn 1
Dalam rumus diatas terlihat bahwa tidak perlu dihitung X, tetapi cukup
menggunakan data aslinya berupa nilai dan jumlah kuadratnya.
P Pˆ
2
S
k 1
Untuk mencari simpangan baku S diambil harga positif dari rumus diatas. Langkah-
langkahnya sebagai berikut:
1. Hitung rata-rata P
2. Tentukan kuadrat selisih P1 P 2 .P2 P 2 .....Pn P
3. Kuadrat tersebut dijumlahkan
4. Jumlah kuadrat dibagi ( k-1 )
Istilah hipotesis berasal dari bahasa Yunani, yaitu hipo dan thesis. Hipo berarti
lemah, kurang, atau di bawah dan thesis berarti teori, proporsi, atau pernyataan yang
disajikan sebagai bukti. Jadi hipotesis dapat diartikan sebagai suatu pernyataan yang
masih lemah kebenarannya dan perlu dibuktikan atau dugaan yang sifatnya masih
sementara.
Hipotesis statistik adalah pernyataan atau dugaan mengenai keadaan populasi yang
sifatnya masih sementara atau lemah kebenarannya.
Langkah atau prosedur untuk menentukan apakah suatu hipotesa diterima atau
ditolak dinamakan “Pengujian hipotesa”. Jadi dengan kata lain dapat dikatakan
bahwa Pengujian hipotesis adalah prosedur-prosedur yang memungkinkan kita untuk
menentukan apakah menerima atau menolak hipotesis dan dapat juga untuk
menentukan apakah sampel-sampel yang diambil berbeda secara nyata dari hasil-
hasil yang diharapkan. Jika hasil yang didapat dari penelitian jauh berbeda dari hasil
yang diharapkan terjadi berdasarkan hipotesa, maka “Hipotesa Ditolak”. Jika terjadi
sebaliknya, maka “Hipotesa Diterima”.
Nilai α yang dipakai sebagai taraf nyata digunakan untuk menentukan nilai
tabel berdasarkan distribusi yang digunakan. Misalnya distribusi normal (Z),
distribusi student (t), distribusi Chi-Kuadrat (X2). Nilai ini sudah disediakan
dalam bentuk tabel, disebut nilai kritis.
Keterangan gambar:
(b) H0 diterima jika Zhitung ≤ Zα dan H0 ditolak jika Zhitung ˃ Zα
(c) H0 diterima jika Zhitung ≥ -Zα dan H0 ditolak jika Zhitung < Zα
(d) H0 diterima jika -Zα/2 ≤ Zhitung ≤ Zα/2 dan H0 ditolak jika -Zα/2 > Zhitung ˃ Zα/2
E. Membuat kesimpulan
Pembuatan kesimpulan merupakan penetapan keputusan dalam hal penerimaan
atau penolakan hipotesis nol sesuai dengan kriteria pengujiannya.
Pembuatan kesimpulan dilakukan setelah membandingkan nilai uji statistik
dengan nilai α tabel atau nilai kritis.
Penerimaan H0 terjadi jika nilai uji statistik berada di luar nilai kritisnya.
Penolakan H0 terjadi jika nilai uji statistik berada di dalam nilai kritisnya.
2. H0 : P1 = P2
Ha : P1 < P2
3. H0 : P1 = P2
Ha : P1 ≠ P2
C. Kriteria pengujian
1. Untuk H0 : P1 = P2 dan Ha : P1 > P2
H0 diterima jika Zhitung ≤ Zα dan H0 ditolak jika Zhitung ˃ Zα
2. Untuk H0 : P1 = P2 dan Ha : P1 < P2
H0 diterima jika Zhitung ≥ -Zα dan H0 ditolak jika Zhitung < Zα
3. Untuk H0 : P1 = P2 dan Ha : P1 ≠ P2
H0 diterima jika -Zα/2 ≤ Zhitung ≤ Zα/2 dan H0 ditolak jika -Zα/2 > Zhitung ˃ Zα/2
D. Uji statistik
Untuk uji statistik beda dua proporsi digunakan rumus:
P1 P2
Z hitung
1 1
P(1 P)
n1 n2
Dimana:
x1 x
P1 dan P2 2
n1 n2
x1 x2
P
n1 n2
E. Kesimpulan
Kesimpulan pengujian merupakan penerimaan atau penolakan dari H0. Jika H0
diterima maka Ha ditolak. Jika H0 ditolak maka Ha diterima.
LEMBAR PENGAMATAN
PRAKTIKUM STATISTIKA INDUSTRI
Buku I Buku II
No. Halaman Jumlah Jumlah Jumlah Jumlah
Seluruh Kata Kata “Dan” Seluruh Kata Kata “Dan”
1
2
3
.
.
.
30
Group : Medan,
Nama dan NIM: Disetujui,
1.
2.
3. (Asisten lab.)
MODUL IV
MENGUKUR DAN MENGETAHUI ANALISA REGRESI
I. TUJUAN PERCOBAAN
Tujuan dari pelaksanaan percobaan ini adalah agar mahasiswa nantinya setelah
selesai melakukan praktikum:
1. Mengetahui variabel bebas (variabel yang diketahui) dan variabel terikat
(variabel yang diduga)
2. Mampu membuat persamaan regresi
3. Mampu mengukur besarnya kesalahan baku regresi dan kesalahan baku
koefisien regresi.
4. Mampu menguji apakah ada hubungan antara variabel bebas dengan variavel
terikat.
5. Mampu mengukur besarnya koefisien korelasi, mengetahui jenis korelasinya,
dan menyimpulkan arti dari nilai yang didapat.
6. Mampu mengukur besarnya pengaruh variabel bebas terhadap variabel terikat
dan menjelaskan artinya dari pengaruh yang diperoleh
II. TEORI
2.1. Analisa Regresi
Regresi yg berarti peramalan, penaksiran, atau pendugaan, pertama sekali
diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822 – 1911) sehubungan
dengan penelitiannya tentang tinggi manusia. Penelitian tersebut membandingkan
antara tinggi anak laki-laki dan tingi badan ayahnya.
Analisa regresi akan membedakan 2 jenis variable yaitu variable bebas dan variable
tidak bebas (terikat). Apabila fungsi telah diketahui dan salah satu variable (dalam
hal ini x) telah diketahui maka variable lain yaitu y dapat diperkirakan. Dalam hal ini
x disebut variable bebas dan y disebut variable tidak bebas.
Misal: hasil panen dengan volume pupuk maka volume pupuk sebagai variable bebas
(x) dan hasil panen sebagai variable tidak bebas (y). untuk variable berat dan tinggi
badan, salah satu bisa dipilih sebagai variable bebas.
n x x
2 2
i i
n xi yi xi yi
b
n xi xi
2 2
Jika terlebih dahulu dihitung koefisien b, maka koefisien a dapat ditentukan dengan
rumus:
a y bx
Keterangan :
n y y
2 2
i i
n xi yi xi yi
d
n yi yi
2
2
Se y 2
a. y b. xy
n2
Rumus kesalahan baku koefisien regresi a:
Sa x S 2
e
n. x x
2 2
e. Membuat kesimpulan
Menyimpulkan apakah H0 diterima atau ditolak.
r
X 'Y '
X ' Y '
2 2
Keterangan :
X’ = deviasi rata-rata variable X
= X X
Y’ = deviasi rata-rata variable Y
= Y Y
2
n XY X Y
r 100%
2 2 2
n X X n Y Y
2
LEMBAR PENGAMATAN
PRAKTIKUM STATISTIKA INDUSTRI
Nomor Jumlah
Waktu
Pengamatan Pengunjung Pembeli
1
2
3
.
.
.
30
Lokasi Pengamatan :
Group : Medan,
Nama dan NIM: Disetujui,
1.
2.
3. (Asisten lab.)
REFERENSI
Ariani, Dorotea Wahyu. (2005), Pengendalian Kualitas Statistik (Pendekatan Kuantitatif
dalam Manajemen Kualitas), Edisi II, Andi Offset, Yogyakarta.
Jerry Banks. (1989), Principles of Quality Control, John Willey & Sons, Inc, New York
Mendenhall, W., dan Sincich.T. (1995), Statistics for Engineering and The Sciences,
Fourth Edition, Prentice-Hall International, Inc, New Jersey.
Mendenhall dan Reinmuth. (1988), Statistik untuk Manajemen dan Ekonomi, Erlangga,
Jakarta.
M. Iqbal Hasan. (1999), Pokok-Pokok Materi Statistik 2 (Statistik Inferensi), Cetakan
Pertama, Bumi Aksara, Jakarta.
Mitra, A. (1993), Fundamental of Quality Control and Improvement, MacMillan
Publishing Co, Singapore.
Montgomery, D. C., dan Hines, W. WS. (1972), Probability and Statistics in Engineering
and Management Science, John Willey & Sons, Inc, New York.
Sudjana. (1992), Metode Statistika, Tarsito, Bandung.
Walpole, E. Ronald. (1982), Introduction to Statistic, 3nd Edition, Mc. Millan Publishing
co, Inc, New York.