2015

Praktikum Statistika Industri

Modul

PRAKTIKUM
STATISTIKA INDUSTRI

JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS POTENSI UTAMA

Laboratorium Statistik Page 0

 Praktikum Statistika Industri

KATA PENGANTAR

Laboratorium pada Perguruan Tinggi mempunyai peranan yang sangat penting

sekali, dimana Laboratorium berfungsi sebagai sarana untuk menunjang teori yang telah
diberikan di bangku kuliah. Laboratorium akan mengantarkan mahasiswa agar dapat
melihat dan mempraktekkan secara langsung peralatan-peralatan yang disebut dalam teori,
cara pengambilan data, melatih mahasiswa untuk bekerja secara tepat dengan
menggunakan peralatan yang tepat dan belajar mengenali dan memecahkan masalah-
masalah yang timbul dalam pelaksanaan praktikum. Melakukan percobaan di laboratorium
mendidik mahasiswa menjadi seorang peneliti yang baik.

Pada hakikatnya percobaan yang dilakukan di Laboratorium adalah kombinasi

antara teori dan praktek. Oleh karena itu melaksanakan praktikum di laboratorium adalah
merupakan suatu hal yang tidak dapat diabaikan.

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.

Laboratorium Statistik Page 1

 Praktikum Statistika Industri

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.

2.2. Distribusi Frekuensi (Disfrek)

Data yang telah diperoleh dari suatu penelitian yang masih berupa data acak atau
data mentah dapat dibuat menjadi data yang berkelompok, yaitu data yang telah
disusun ke dalam kelas-kelas tertentu. Daftar yang memuat data berkelompok
disebut distribusi frekuensi atau tabel frekuensi. Jadi distribusi frekuensi adalah
susunan data menurut kelas-kelas interval tertentu atau menurut kategori tertentu
dalam sebuah daftar.

Laboratorium Statistik Page 2

 Praktikum Statistika Industri

Tujuan pengelompokan data ke dalam disfrek ialah untuk memperoleh gambaran

yang sederhana, jelas dan sistematis mengenai suatu peristiwa yang dinyatakan
dalam angka-angka.
Agar disfrek yang dihasilkan cukup baik dalam penyajian, maka hendaknya
penyusunannya memperhatikan jumlah kelas, panjang interval kelas dan titik tengah
kelas.

2.2.1. Bagian-bagian Disfrek

Bagian-bagian dari disfrek antara lain:
1. Kelas-kelas (class)
Kelas ialah kelompok nilai data atau variabel.
2. Batas kelas (class limits)
Batas kelas ialah nilai-nilai yang membatasi kelas yang satu dengan kelas yang
lain. Terdapat dua batas kelas yaitu :
a. Batas kelas bawah (lower class limits), terdapat dideretan sebelah kiri
setiap kelas.
b. Batas kelas atas (upper class limits), terdapat dideretan sebelah kanan
setiap kelas.
3. Tepi kelas atau batas kelas (class boundary/real limits/true class limits)
Tepi kelas disebut juga batas kelas nyata, yaitu batas kelas yang tidak memiliki
lubang untuk angka tertentu antara kelas yang satu dengan kelas yang lain.
Terdapat dua tepi kelas yaitu:
a. Tepi bawah kelas yaitu batas bawah kelas – 0,5
b. Tepi atas kelas yaitu batas atas kelas + 0,5
4. Titik tengah kelas atau tanda kelas (class mid point, class marks)
Titik tengah kelas ialah angka atau nilai data yang tepat terletak di tengah suatu
kelas. Titik tengah kelas = ½ (batas atas + batas bawah) kelas
5. Interval kelas (class interval)
Interval kelas ialah selang yang memisahkan kelas yang satu dengan kelas
yang lain.
6. Panjang interval kelas atau luas kelas (interval size)
Panjang interval kelas ialah jarak antara tepi atas kelas dan tepi bawah kelas.

Laboratorium Statistik Page 3

 Praktikum Statistika Industri

7. Frekuensi kelas (class frequency)

Frekuensi kelas ialah banyaknya data yang termasuk kedalam kelas tertentu.

Beberapa catatan mengenai disfrek

1. Kadang-kadang suatu distribusi memiliki panjang interval kelas yang tidak
sama, bergantung kepada tujuannya.
2. Kadang-kadang disfrek memiliki batas kelas yang berulang, suatu nilai (batas
kelas) dipakai sebagai dua batas kelas.
3. Kadang kala disfrek memiliki kelas terbuka, artinya batas kelas atas pada kelas
terakhir dan batas kelas bawah pada kelas pertama tidak ada.

2.2.2. Penyusunan Disfrek

Disfrek dapat dibuat dengan mengikuti pedoman sebagai berikut:
1. Mengurutkan data dari yang terkecil ke yang terbesar.
2. Menentukan jangkauan (range) dari data.
Jangkauan (R) = data terbesar – data terkecil
3. Menentukan banyaknya kelas (c).
Banyaknya kelas digunakan rumus sturgess yaitu;

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.

Laboratorium Statistik Page 4

 Praktikum Statistika Industri

6. Menuliskan frekuensi kelas secara melidi dalam kolom turus atau tally (sistem
turus) sesuai banyaknya data.

2.2.3. Jenis-jenis Disfrek

Berdasarkan kriteria-kriteria tertentu, disfrek dapat dibedakan menjadi:
1. Disfrek Biasa, ialah disfrek yang hanya berisikan jumlah frekuensi dari setiap
kelompok data atau kelas. Disfrek kumulatif memiliki grafik atau kurva yang
disebut histogram.
Ada dua jenis disfrek biasa yaitu:
a. Disfrek numeric, ialah disfrek yang pembagian kelasnya dinyatakan
dalam angka.
b. Disfrek kategori atau peristiwa, ialah disfrek yang pembagian kelasnya
dinyatakan berdasarkan data atau golongan data yang ada.

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

3. Disfrek Kumulatif, ialah disfrek yang berisikan frekuensi kumulatif

(frekuensi yang dijumlahkan).
Disfrek kumulatif memiliki grafik atau kurva yang disebut ogif.
Ada dua macam disfrek kumulatif yaitu:
a. Disfrek kumulatif kurang dari, ialah disfrek yang memuat jumlah
frekuensi yang memiliki nilai kurang dari nilai batas kelas suatu interval
tertentu.
b. Disfrek kumulatif lebih dari, ialah disfrek yang memuat jumlah
frekuensi yang memiliki nilai lebih dari nilai batas kelas suatu interval
tertentu.

Laboratorium Statistik Page 5

 Praktikum Statistika Industri

2.3. Ukuran Nilai/Tendensi Pusat

Untuk keperluan penganalisaan data lebih lanjut, disamping pembuatan tabel dan
grafik, diperlukan juga ukuran-ukuran yang dapat mewakili data tersebut sehingga
dapat diucapkan secara singkat dan dapat digunakan untuk membandingkan keadaan
berbagai kelompok data.
Ukuran nilai pusat merupakan ukuran yang dapat mewakili data secara keseluruhan.
Artinya, jika keseluruhan nilai yang ada dalam data tersebut diurutkan besarnya dan
selanjutnya dimasukkan nilai rata-rata ke dalamnya, nilai rata-rata tersebut memiliki
kecenderungan (tendensi) terletak diurutan paling tengah atau pusat.

2.3.1. Mean (Rata-rata Hitung)

Mean ialah nilai rata-rata dari data-data yang ada. Rata-rata hitung dari populasi
diberi simbol µ (miu), dan rata-rata hitung dari sampel diberi symbol (eks bar).
Mean secara umum dapat ditentukan dengan rumus:

A. Mean Untuk Data Tunggal

1. Jika X1, X2, ..., Xn merupakan n buah nilai dari variabel X, maka mean data:
∑
̅

Keterangan:
X = wakil data
n = jumlah data
2. Jika X1, X2, ..., Xn masing-masing memiliki frekuensi f1, f2, ..., fn, maka
mean data:
∑
̅
∑

B. Mean Untuk Data Kelompok

1. Metode biasa
Apabila telah dibentuk disfrek biasa dengan fi = frekuensi pada interval
kelas ke-i, Xi = titik tengan interval kelas ke-i, maka mean dapat dihitung:
∑
̅
∑

Laboratorium Statistik Page 6

 Praktikum Statistika Industri

2. Metode simpangan rata-rata

Apabila X’ adalah mean sementara, maka mean dapat dihitung dengan
rumus:
∑
̅
∑

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

B. Median data kelompok

Median data kelompok dihitung dengan rumus:

Laboratorium Statistik Page 7

 Praktikum Statistika Industri

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

2.3.3. Modus (Mode)

Modus (mode) ialah nilai yang paling sering muncul dalam data. Sejumlah data
bisa tidak mempunyai modus, mempunyai satu modus (disebut unimodal),
mempunyai dua modus (bimodal), atau mempunyai lebih dari dua modus
(multimodal).
A. Modus data tunggal
Modus data tunggal adalah data yang frekuensinya terbanyak.

B. Modus data kelompok

Modus data kelompok dapat dicari dengan rumus:

( )

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.

Laboratorium Statistik Page 8

 Praktikum Statistika Industri

2.3.4.1. Kuartil (Q)

Kuartil ialah fraktil yang membagi seperangkat data yang telah terurut menjadi
empat bagian yang sama. Terdapat tiga kuartil yaitu kuartil bawah atau pertama
(Q1), kuartil tengah atau kedua (Q2), dan kuartil atas atau ketiga (Q3). Kuartil
kedua (Q2) sama dengan median.
A. Kuartil data tunggal
Kuartil data tunggal dapat dicari dengan rumus:
( )

B. Kuartil data kelompok

Kuartil data kelompok dapat dicari dengan rumus:

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

2.3.4.2. Desil (D)

Desil ialah fraktil yang membagi seperangkat data yang telah terurut menjadi
sepuluh bagian yang sama. Terdapat sembilan desil yaitu desil pertama (D1), desil
kedua (D2), ..., dan desil kesembilan (D9). Desil kelima (D5) sama dengan median.
A. Desil data tunggal
Desil data tunggal dapat dicari dengan rumus:
( )

B. Desil data kelompok

Desil data kelompok dapat dicari dengan rumus:

Laboratorium Statistik Page 9

 Praktikum Statistika Industri

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

2.3.4.3. Persentil (P)

Persentil ialah fraktil yang membagi seperangkat data yang telah terurut menjadi
seratus bagian yang sama. Terdapat sembilan puluh sembilan persentil yaitu
persentil pertama (P1), persentil kedua (P2), ..., dan persentil kesembilan puluh
sembilan (P99).
A. Persentil data tunggal
Desil data tunggal dapat dicari dengan rumus:
( )

B. Persentil data kelompok

Desil data kelompok dapat dicari dengan rumus:

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

Laboratorium Statistik Page 10

 Praktikum Statistika Industri

2.4. Ukuran Dispersi

Ukuran sebaran (disperse) atau ukuran variasi atau ukuran penyimpangan adalah
ukuran yang menyatakan seberapa jauh nilai-nilai data numeric menyebar atau
menyimpang dari nilai rata-ratanya (variabilitas data).

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.

Sekurang-kurangnya ada dua alasan pentingnya meninjau ukuran penyebaran suatu

kumpulan nilai data yaitu:
 Untuk membuat suatu penilaian mengenai seberapa baik suatu nilai rata-rata
(ukuran nilai pusat) menggambarkan data.
 Untuk mengetahui seberapa jauh penyebaran (scattering) dari data, sehingga
langkah-langkah untuk mengendalikan veriasa tersebut dapat dilakukan.

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.

2.4.1. Rata-rata Simpangan (Mean Deviation)

Rata-rata simpangan merupakan ukuran penyebaran yang meninjau besarnya
penyimpangan setiap nilai dari data terhadap nilai rata-rata (mean) nya, atau
dengan kata lain rata-rata simpangan adalah nilai rata-rata hitung dari harga mutlak
simpangan-simpangannya.

A. Rata-rata simpangan data tunggal

Untuk data tunggal, rata-rata simpangannya dapat dihitung dengan rumus:
n

X i X
MD  i 1

Laboratorium Statistik Page 11

 Praktikum Statistika Industri

Keterangan :
MD = rata-rata simpangan
Xi = data ke-i
X = aritmetik mean dari suatu sampel
n = banyaknya data X dalam suatu sampel

B. Rata-rata simpangan data kelompok

Untuk data kelompok, rata-rata simpangannya dapat dihitung dengan rumus :

 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

2.4.2. Simpangan Baku (Standard Deviation)

Simpangan Baku (Standard Deviation) merupakan ukuran penyebaran yang paling
sering digunakan. Mayoritas nilai data cenderung berada dalam satu simpangan
baku dari mean, dan hanya sebagian kecil saja yang terletak di luar dari tiga
simpangan baku dari meannya.

A. Simpangan baku data tunggal

Bila ada sekumpulan data tunggal X1, X2, …, Xn, maka simpangan bakunya
dapat dihitung dengan dua metode yaitu metode biasa dan metode angka kasar:
1. Metode Biasa

 Sample besar (n > 30) : SD 

 xx   2

 Sample kecil (n ≤ 30) : SD 

 xx  
2

n 1

Laboratorium Statistik Page 12

 Praktikum Statistika Industri

2. Metode Angka Kasar

2
x 2  x 
 Sample besar (n>30) : SD   
n  n 

 Sample kecil (n ≤ 30) : SD 

x 2

x  2

n  1 nn  1

B. Simpangan baku data kelompok

Untuk data kelompok, simpangan bakunya dapat dihitung dengan tiga metode
yaitu metode biasa, metode angka kasar, dan metode coding.
1. Metode Biasa

 Sample besar (n>30) : SD 

f x  x   2

 Sample kecil (n ≤ 30) : SD 


f x  x 
2

n 1

2. Metode Angka Kasar

2
fx 2  fx 
 Sample besar (n > 30) : SD   
n  n 
2
fx 2  fx 
 Sample kecil (n ≤ 30) : SD   
n 1  n 1

3. Metode Coding
2
( f .d ' 2 )  fd ' 
 Sample besar (n > 30) : SD   
n  n 

( f .d ' 2 ) fd '

2
 Sample kecil (n ≤ 30) : SD  
n 1 nn  1

III. BAHAN DAN ALAT PERCOBAAN

1. Schifmat (jangka sorong), untuk mengukur ukuran produk
2. Produk yang akan diukur, sebagai objek atau bahan percobaan yang diukur.
3. Alat tulis, untuk menulis hasil pengamatan.
4. Lembar pengamatan, tempat mencatat hasil percobaan (pengukuran).

Laboratorium Statistik Page 13

 Praktikum Statistika Industri

LEMBAR PENGAMATAN
PRAKTIKUM STATISTIKA INDUSTRI

Judul: Distribusi dan Ukuran Sebaran Data

No Nilai
Pengamatan Pengamatan
1
2
3
.
.
.

Group : Medan,
Nama dan NIM: Disetujui,
1.
2.
3. (Asisten lab.)

IV. PROSEDUR PERCOBAAN

1. Ambil produk yang telah tersedia dan akan diukur.
2. Ukur dimensi yang ditentukan untuk semua produk dan catat hasilnya pada
lembar pengamatan.

V. TUGAS DAN PERTANYAAN

1. Buatlah distribusi frekuensi dan gambarkan grafiknya
2. Hitung nilai pusatnya.
3. Hitung nilai sebarannya.

Laboratorium Statistik Page 14

 Praktikum Statistika Industri

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

2.1. Populasi dan Sampel

Populasi (universe) ialah keseluruhan nilai yang mungkin dari hasil pengukuran
ataupun perhitungan, baik kualitatif maupun kuantitatif mengenai karakteristik
tertentu dari semua anggota kumpulan yang lengkap dan jelas yang ingin dipelajari
sifat-sifatnya.
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.
Untuk menerangkan karakteristik dari populasi dan sampel, digunakan istilah
parameter dan statistik. Parameter dan statistik adalah besaran yang berupa data
ringkasan atau angka ringkasan yang menunjukkan suatu ciri dari populasi dan
sampel. Parameter dan statistik merupakan hasil hitungan nilai dari semua unit di
dalam populasi dan sampel bersangkutan.
Berikut ini tabel lambang yang digunakan untuk parameter dan statistik
Tabel 1.1. Lambang Parameter dan Statistik
Besaran Lambang Parameter Lambang Statistik
(Populasi) (Sampel)
Rata-rata μ X
Variansi σ2 S2
Simpangan Baku σ S
Jumlah Observasi N n
Proporsi P p

Laboratorium Statistik Page 15

 Praktikum Statistika Industri

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. Memperkecil kemelesetan
4. Untuk menggeneralisasikan sifat sampel untuk populasinya.

Pengambilan sampel pada dasarnya dapat dilakukan dengan 2 cara yaitu:

a. Random sampling (sampling acak), ialah cara pengambilan sampel dengan
tidak memilih-milih sehingga semua objek atau elemen populasi memiliki
kesempatan yang sama untuk dipilih sebagai sampel.
Hasil dari random sampling memiliki sifat yang objektif.

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.

2.2. Distribusi Sampling

Untuk mempelajari populasi kita memerlukan sampel yang diambil dari populasi
yang bersangkutan. Meskipun kita dapat mengambil lebih dari satu sampel
berukuran n dari sebuah populasi berukuran N, pada prakteknya hanya sebuah
sampel yang biasa diambil dan digunakan untuk hal tersebut. Sampel yang diambil
adalah sampel acak dan dari sampel tersebut nilai-nilai statistiknya dihitung untuk
digunakan seperlunya. Bagaimana statistik dari sampel digunakan sehubungan
dengan penganalisaan populasi untuk itu diperlukan sebuah teori yang dikenal
dengan nama distribusi sampling.

Distribusi sampling adalah distribusi dari besaran-besaran statistik, seperti rata-rata,

simpangan baku, proporsi, yang mungkin muncul dari sampel-sampel.
Distribusi sampling biasanya diberi nama bergantung pada nama statistik yang
digunakan, seperti distribusi dari rata-rata sampel disebut distribusi sampling rata-

Laboratorium Statistik Page 16

 Praktikum Statistika Industri

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 !

2.3. Distribusi Sampling Proporsi

X
Proporsi dari populasi dinyatakan dengan: P 
N
x
Proporsi untuk sampel dinyatakan dengan: p 
n
Distribusi sampling proporsi adalah distribusi dari proporsi (persentase) yang
diperoleh dari semua sampel sama besar yang mungkin dari satu populasi.

Distribusi sampling proporsi dapat digunakan untuk mengetahui persentase atau

perbandingan antara dua hal yang berkomplemen (peristiwa binomial), seperti
persentase pemakai dan bukan pemakai produk tertentu, cacat dan tidak cacat dari
produk tertentu.

Pada distribusi sampling proporsi berlaku hal-hal sebagai berikut:

1. Untuk pengambilan sampel tanpa pengembalian atau jika ukuran populasi kecil
n
dibandingkan dengan ukuran sampel, yaitu  5% , memiliki rata-rata dan
N
simpangan baku:
Rata-rata :
p  P

Simpangan baku:
PQ N n
p  
n N 1

P1  P  N  n
p  
n N 1

Laboratorium Statistik Page 17

 Praktikum Statistika Industri

Keterangan :
P = proporsi kejadian sukses
Q = proporsi kejadian gagal (1 – P)

2. Untuk pengambilan sampel dengan pengembalian atau jika ukuran populasi

n
besar dibandingkan dengan ukuran sampel, yaitu  5% , memiliki rata-rata
N
dan simpangan baku:
Rata-rata:
p  P

Simpangan baku :
PQ
p 
n
P1  P 
p 
n

3. Daftar distribusi normal untuk distribusi sampling proporsi dapat ditentukan

sebagai berikut:
Jika n besar, maka:
pP
Z
p
Jika n sangat kecil, maka:
1
p P
Z 2n
p
Keterangan:
1
= faktor koreksi kontinuitas
2n

2.4. Pendugaan Parameter

Pendugaan adalah proses yang menggunakan sampel statistik untuk menduga atau
menaksir hubungan parameter populasi yang tidak diketahui. Pendugaan merupakan
suatu pernyataan mengenai parameter populasi yang diketahui berdasarkan informasi
dari sampel, dalam hal ini sampel random, yang diambil dari populasi yang

Laboratorium Statistik Page 18

 Praktikum Statistika Industri

bersangkutan. Jadi dengan pendugaan ini, keadaan parameter populasi dapat

diketahui.

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.

b. Jika ukuran sampel bertambah tak berhingga maka distribusi sampling

penduga akan mengecil menjadi suatu garis tegak lurus diatas parameter yang
sebenarnya dengan probabilitas = 1.

Suatu penduga konsisten belum tentu merupakan penduga yang baik, karena
konsisten hanya merupakan salah satu syarat.

Laboratorium Statistik Page 19

 Praktikum Statistika Industri

2.5. Pendugaan Interval Untuk Proporsi

Pendugaan interval untuk proporsi ditentukan sebagai berikut:
1. Untuk sampel besar (n > 30)
a. Untuk populasi tidak terbatas
Untuk populasi yang tidak terbatas, pendugaan interval untuk proporsi
dirumuskan:

pˆ (1  pˆ ) pˆ (1  pˆ )
pˆ  Z / 2  P  pˆ  Z / 2
n n
Dimana:
X
pˆ 
n

b. Untuk populasi terbatas dan pengambilan sampel tanpa pengembalian

Untuk populasi terbatas dan pengambilan sampel tanpa pengembalian atau
n
 5% , pendugaan interval untuk proporsi dirumuskan:
N
pˆ (1  pˆ ) N  n pˆ (1  pˆ ) N  n
pˆ  Z / 2 .  P  pˆ  Z / 2 .
n N 1 n N 1

2. Untuk sampel besar (n ≤ 30)

Untuk sampel kecil, pendugaan interval untuk proporsi dirumuskan:

pˆ (1  pˆ ) pˆ (1  pˆ )
pˆ  t / 2  P  pˆ  t / 2
n n

III. BAHAN DAN ALAT PERCOBAAN

1. Bola-bola plastik dengan beberapa warna, sebagai populasi dengan jumlah
masing-masing warna bola sesuai intruksi asisten.
2. Tromol pengaduk, sebagai tempat mencampur bola-bola plastik sehingga
didapat campuran bola plastik sebagai populasi yang homogen/merata.
3. Wadah plastik, sebagai wadah pengambilan sampel
4. Alat tulis, untuk mencatat data dari hasil pengamatan
5. Lembar Pengamatan, sebagai tempat mencatat data hasil pengamatan

Laboratorium Statistik Page 20

 Praktikum Statistika Industri

LEMBAR PENGAMATAN
PRAKTIKUM STATISTIKA INDUSTRI

Judul: Membandingkan Hasil Sampel Dengan Parameter Populasi

Jumlah Bola Warna

No. Jumlah
Putih Kuning Jumlah seluruh bola dalam tromol =
1 Jumlah bola putih dalam tromol =
2 Jumlah bola kuning dalam tromol =
3
.
.
.
30

Group : Medan,
Nama dan NIM: Disetujui,
1.
2.
3. (Asisten lab.)

IV. PROSEDUR PERCOBAAN

1. Masukkan bola-bola warna putih dan kuning ke dalam tromol dengan jumlah
dan persentase bola warna sesuai ketentuan asisten.
2. Putar tromol sehingga diperoleh campuran bola yang homogen atau rata
3. Tromol pengaduk dihentikan lalu bola dalam tromol diambil dengan wadah
plastic.
4. Hitung jumlah masing-masing bola putih dan bola kuning yang diambil,
kemudian menjumlahkan total keseluruhannnya
5. Catat hasilnya pada tabel pengamatan.
6. Masukkan kembali bola yang telah dihitung ke dalam tromol pengaduk
7. Ulangi langkah 2 sampai langkah 6 sebanyak 30 kali.

V. TUGAS DAN PERTANYAAN

1. Hitung proporsi bola putih dan bola kuning dalam tiap sampel
2. Hitung rata-rata proporsi bola putih dan bola kuning dalam sampel.
3. Hitung standard deviasi proporsi bola putih dan bola kuning jika dianggap isi
bola dalam sampel sama banyaknya
4. Taksir (duga) besarnya proporsi salah satu bola warna dengan tingkat keyakinan
97%.

Laboratorium Statistik Page 21

 Praktikum Statistika Industri

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.

Probabilitas sampel (pengambilan sampel) dapat dilakukan dengan:

1. Random Sampel
Setiap anggota sampel mempunyai kesempatan sama untuk diambil.
2. Sistematika Sampel
Sampel yang sistematik, yaitu anggota sampel diambil dari populasi dengan
interval yang sama.

Laboratorium Statistik Page 22

 Praktikum Statistika Industri

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.

Populasi ada dua macam yaitu :

1. Limited Population (populasi terbesar yang dapat diberi nomor identifikasi).
2. Inlimited Population (populasi terbatas).
Adapun sebagian yang diambil dari populasi tersebut disebut sampel. Dengan kata
lain sampel itu harus refresentatif dalam arti segala karakteristik populasi hendaknya
tercerminkan pula dalam sampel yang diambil.

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.

Sebagai contoh, sebuah eksperimen dilakukan dengan menanyakan kepada 500

orang mahasiswa apakah mereka akan membeli komputer Acer jenis baru atau tidak.
Dari eksperimen ini akan terdapat beberapa kemungkinan hasil. Misalnya
kemungkinan hasil pertama adalah sebanyak 250 orang akan membeli dan sisanya
tidak akan membeli. Kemungkinan hasil lain adalah bahwa 310 orang akan membeli
sedangkan sisanya tidak akan membeli.

Laboratorium Statistik Page 23

 Praktikum Statistika Industri

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.

2.4. Pendekatan Perhitungan Probabilitas

Ada dua pendekatan dalam menghitung probabilitas yaitu pendekatan yang bersifat
objektif dan subjekif. Probabilitas objektif dibagi menjadi dua, yaitu pendekatan
klasik dan pendekatan frekuensi relatif.

2.4.1. Pendekatan Klasik

Perhitungan probabilitas secara klasik didasarkan pada asumsi bahwa seluruh hasil
dari suatu eksperimen mempunyai kemungkinan (peluang) yang sama. Pada
pendekatan ini, kita harus mengetahui terlebih dahulu seluruh kejadian yang akan
muncul, yang dalam prakteknya sulit untuk dilaksanakan.

Untuk mempermudah pemahaman, diberikan gambaran sebagai berikut:

Perhatikan suatu kejadian A yang dapat terjadi sebanyak x cara dari seluruh n cara;
misalnya ada n barang, x rusak, (n – x) tidak rusak. Kalau kita mengambil suatu
barang secara acak (random), lalu ditanyakan beberapa probabilitasnya bahwa
barang yang rusak dari seluruh barang sebanyak n, A = barang yang rusak,
merupakan suatu kejadian atau event.
x
a. P(A) = , P(A) ≥ 0, sebab x ≥ 0, n > 0
n

nx
PA  
n
n x
 
n n
x
 1
n

Laboratorium Statistik Page 24

 Praktikum Statistika Industri

b. P ( ̅) = 1 – P(A)

( ̅) = bukan A (bukan barang rusak)

( ̅) = komplemen A

Jika x = 0, maka P(A) = = 0, tidak ada barang rusak.

Jika x = n, maka P(A) = = 1, semua barang rusak.

Jadi, 0 ≤ P(A) ≤ 1, artinya, probabilitas terjadinya A, yaitu P(A), nilainya paling

kecil 0 dan paling besar 1. Dimana A sering disebut Sukses dan ̅ sering disebut
gagal.

2.4.2. Konsep Frekuensi Relatif

Pendekatan yang mutakhir ialah perhitungan yang didasarkan atas limit dari
frekuensi relatif. Perlu disebutkan di sini bahwa yang diambil oleh suatu variabel
juga merupakan kejadian. Misalnya x = nilai ujian statistika mahasiswa TI-UPU,
P(x = 8) adalah probabilitas bahwa seorang mahasiswa mendapat nilai 8. Artinya,
probabilitas suatu kejadian merupakan limit dari frekuensi relatif kejadian tersebut
yang secara teoritis berlaku untuk nilai n yang besar sekali (tidak terhingga),
misalnya merupakan suatu ekspermen/penelitian dengan sempel yang besar.

Didalam prakeknya, frekuensi relatif itu sendiri bisa digunakan untuk

memperkirakan nilai probabilitas. Hal itu dapat ditulis dengan rumus sebagai
berikut:

2.4.3. Probabilitas Subjektif

Probabilitas subjektif didasarkan atas penilaian seseorang dalam menyatakan
tingkat kepercayaan. Jika tidak ada pengalaman/pengamatan masa lalu sebagai
dasar untuk perhitungan probabilitas, maka pernyataan probabilitas tersebut bersifat
subjektif. Hal ini biasanya terjadi dalam bentuk opini atau pendapat yang
dinyatakan dalam suatu nilai probabilitas.

Laboratorium Statistik Page 25

 Praktikum Statistika Industri

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

2. Menghitung proporsi rata-rata.

P =
P
k
Dimana :
P = Proporsi rata-rata

 P  Jumlahpopulasi
k = Jumlah pengamatan

3. Menguji selisih dua proporsi.

X1  X 2
P̂ =
n1  n2

Q̂ = 1 - P̂

Pˆ1 ˆ Pˆ2 Pˆ1  Pˆ2

Z= =
P.Q 1  1  



 X1 X2  P.Q 1  1
 n1 n2 
 
Dimana :
x 1 = Jumlah kejadian sampel dalam populasi I

x 2 = Jumlah kejadian sampel dalam populasi II

n 1 = Jumlah seluruh anggota sampel dalam populasi I

n 2 = Jumlah seluruh anggota sampel dalam populasi II

Laboratorium Statistik Page 26

 Praktikum Statistika Industri

2.6. Standar Deviasi

Ukuran simpangan yang paling banyak digunakan adalah simpangan baku atau
standar deviasi. Pangkat dua dari simpangan baku dinamakan varians. Untuk sampel,
simpangan baku diberi simbol S sedangkan untuk proporsi diberi simbol τ.
Sedangkan varians diberi simbol S 2 untuk variasi sampel dan τ2 . Sedangkan  dan
 2 untuk parameter. (Sudjana, 91)

Jika kita mempunyai sampel yang berukuran n dengan data X 1 , X 2 , X 3, ....., X n dan

rata-rata x, maka statistik S dihitung:

 X  X2
2

S
1

n 1

Bentuk lain dari rumus varians sampel (Sudjana, 92) :

n X 1   X 1 
2 2

S 2

nn  1

Dalam rumus diatas terlihat bahwa tidak perlu dihitung X, tetapi cukup
menggunakan data aslinya berupa nilai dan jumlah kuadratnya.

Untuk menghitung simpangan baku proporsi rumus yang digunakan:

 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 )

2.7. Pengujian Hipotesis

Hipotesis adalah asumsi atau dugaan atau keputusan sementara mengenai suatu hal
yang dibuat, dan untuk menjelaskan hal tersebut sering dituntut untuk melakukan
pengujian.

Laboratorium Statistik Page 27

 Praktikum Statistika Industri

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”.

Dalam melakukan hipotesa ada 2 macam kekeliruan yang dapat terjadi:

1. Kekeliruan tipe 1, yaitu menolak hipotesa yang seharusnya diterima.
2. Kekeliruan tipe 2, yaitu menerima hipotesa yang seharusnya ditolak.

2.7.1. Prosedur Pengujian Hipotesis

Prosedur pengujian hipotesis statistik adalah langkah-langkah yang dipergunakan
dalam menyelesaikan pengujian hipotesis tersebut.

Langkah-langkah pengujian hipotesis statistik adalah:

A. Menentukan formulasi hipotesis
Formulasi hipotesis statistik dapat dibedakan atas dua jenis yaitu:
1. Hipotesis nol atau hipotesis nihil
Hipotesis nol disimbolkan H0 adalah hipotesis yang dirumuskan sebagai
suatu pernyataan yang akan diuji.
2. Hipotesis alternatif atau hipotesis tandingan
Hipotesis alternatif disimbolkan Ha atau H1 adalah hipotesis yang
dirumuskan sebagai lawan atau tandingan dari hipotesis nol. Dalam
menyusun hipotesis alternatif, timbul tiga keadaan berikkut:

Laboratorium Statistik Page 28

 Praktikum Statistika Industri

a) Ha menyatakan bahwa harga parameter lebih besar daripada harga

yang dihipotesiskan. Pengujian ini disebut pengujian satu sisi atau
satu arah, yaitu sisi atau arah kanan.

b) Ha menyatakan bahwa harga parameter lebih kecil daripada harga

yang dihipotesiskan. Pengujian ini disebut pengujian satu sisi atau
satu arah, yaitu sisi atau arah kiri.

c) Ha menyatakan bahwa harga parameter tidak sama dengan harga yang

dihipotesiskan. Pengujian ini disebut pengujian dua sisi atau dua arah,
yaitu sisi atau arah kanan dan kiri sekaligus.

Secara umum, formulasi hipotesis dapat dituliskan:

H0 : Ө = Ө0
Ha : Ө > Ө0
Ha : Ө < Ө0
Ha : Ө ≠ Ө0

Apabila hipotesis nol diterima (benar) maka hipotesis alternatif ditolak.

Demikian pula sebaliknya, jika hipotesis alternatif diterima (benar) maka
hipotesis nol ditolak.

B. Menentukan taraf nyata (level of significant) dan nilai table

Taraf nyata adalah besarnya batas toleransi dalam menerima kesalahan hasil
hipotesis terhadap nilai parameter populasinya. Taraf nyata dilambangkan
dengan alpha (α). Semakin tinggi taraf nyata yang digunakan, semakin tinggi
pula penolakan hipotesis nol atau hipotesis yang diuji, padahal hipotesis nol
benar.

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.

C. Menentukan kriteria pengujian

Kriteria pengujian adalah bentuk pembuatan keputusan dalam menerima atau
menolak hipotesis nol (H0) dengan cara membandingkan nilai α tabel

Laboratorium Statistik Page 29

 Praktikum Statistika Industri

distribusinya (nilai kritis) dengan nilai uji statistiknya, sesuai bentuk

pengujiannya (satu sisi atau dua sisi) yang dapat digambarkan sebagai berikut:

Daerah Daerah Daerah

tolak tolak tolak

Daerah Daerah Daerah

terima terima terima

Zα -Zα -Zα/2 Zα/2

(a) (b) (c)

Gambar 2.1. Daerah Kritis dan Kriteria Pengujian

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

D. Menentukan nilai uji statistik

Uji statistik merupakan rumus-rumus yang berhubungan dengan distribusi
tertentu dalam pengujian hipotesis. Uji statistik merupakan perhitungan untuk
menduga parameter data sampel yang diambil secara random dari sebuah
populasi.

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.

2.7.2. Pengujian Hipotesis Beda Dua Proporsi

Untuk pengujian hipotesis beda dua proporsi, prosedur pengujiannya adalah:
A. Formulasi hipotesis
1. H0 : P1 = P2
Ha : P1 > P2

Laboratorium Statistik Page 30

 Praktikum Statistika Industri

2. H0 : P1 = P2
Ha : P1 < P2
3. H0 : P1 = P2
Ha : P1 ≠ P2

B. Nilai taraf nyata (α) dan nilai tabel

Menentukan nilai α sesuai keinginan, kemudian menentukan nilai Zα atau Zα/2
dari tabel.

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.

III. BAHAN DAN ALAT PERCOBAAN

1. Dua buah buku yang lebih kurang sama tebalnya (± 400 lembar), sebagai
populasi yang akan diambil sampel.

Laboratorium Statistik Page 31

 Praktikum Statistika Industri

2. Ballpoint, untuk mencatat data hasil percobaan

3. Tabel Acak, untuk menentukan halaman buku yang dijadikan sampel.
4. Lembar Pengamatan , untuk mengumpulkan data hasil percobaan

LEMBAR PENGAMATAN
PRAKTIKUM STATISTIKA INDUSTRI

Judul: Pengujian Proporsi Dari Hasil Sampel Dua Populasi

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.)

IV. PROSEDUR PERCOBAAN

1. Ambil 2 buku yang mempunyai ketebalan dan bahasa yang sama.
2. Lakukan sampling untuk menentukan halaman yang akan dijadikan sampel.
3. Catat halaman yang akan dijadikan sampel sebanyak 30 halaman
4. Hitung jumlah seluruh kata dan kata “Dan” dari tiap halaman yang telah
dijadikan sampel
5. Lakukan untuk 30 halaman yang telah dijadikan sampel

V. TUGAS DAN PERTANYAAN

1. Hitung proporsi masing-masing sampel tiap buku.
2. Hitung proporsi rata-rata masing-masing buku.
3. Lakukan pengujian hipotesa apakah proporsi kata “Dan” pada buku I sama
dengan proporsi kata “Dan” pada buku II jika dikunakan taraf nyata 10% atau
  10%.

Laboratorium Statistik Page 32

 Praktikum Statistika Industri

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 adalah analisa yg menyatakan hubungan fungsional antara variable-

variabel (antara 2 variabel atau beberapa variable) yg umumnya dinyatakan dalam
bentuk persamaan matematik.

Tujuan utama penggunaan analisa regresi adalah untuk meramalkan atau

memperkirakan nilai dari satu variable dalam hubungannya dengan variable yg lain
yg diketahui melalui persamaan garis regresinya.

Analisa regresi akan membedakan 2 jenis variable yaitu variable bebas dan variable
tidak bebas (terikat). Apabila fungsi telah diketahui dan salah satu variable (dalam

Laboratorium Statistik Page 33

 Praktikum Statistika Industri

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.

2.1.1. Persamaan Garis Regresi

Untuk populasi, persamaan garis regresi sederhananya dapat dinyatakan dalam
bentuk:
μy-x = A + BX
Keterangan :
μy-x = rata-rata y untuk x tertentu
A, B = konstanta atau parameter atau koefisien regresi populasi

Karena populasi jarang diamati secara langsung, maka digunakan persamaan

regresi linier sederhana sample sebagai penduga persamaan regresi linier sederhana
populasi. Bentuk persamaannya adalah:
Y  a  bX
Keterangan :
y = penduga bagi μy-x, variable terikat (variable yg diduga)
x = variable bebas (variable yg diketahui)
a, b = penduga parameter A dan B, koefisien regresi sample
a = intersep (nilai y bila x = 0)
b = slop (kemiringan garis regresi)

Persamaan y = a + bx memberikan arti, jika variable x mengeluarkan satu satuan

maka variable y akan mengalami peningkatan atau penurunan sebesar 1x b.

Untuk memperoleh garis regresi y = a + bx digunakan metode least square (metode

jumlah kuadrat terkecil), dengan rumus:
 y  x    x  x y 
a   i
2
i i i

n x    x 
2 2
i i

n xi yi    xi  yi 
b
 
n  xi   xi 
2 2

Laboratorium Statistik Page 34

 Praktikum Statistika Industri

Jika terlebih dahulu dihitung koefisien b, maka koefisien a dapat ditentukan dengan
rumus:
a  y  bx
Keterangan :

x dan y = rata-rata variable x dan y

Persamaan Y  a  bX disebut garis regresi y atas x. Garis ini menunjukkan

hubungan antara y dan x dan dapat dipakai untuk menaksir y bila x diketahui.
Persamaan garis regresi x atas y adalah :
X  c  dY
Dimana :
 x  y    y  x y 
c   i i
2
i i i

n y    y 
2 2
i i

n xi yi    xi  yi 
d

n  yi   yi 
2
 2

2.1.2. Kesalahan Baku Regresi Dan Koefisien Regresi Sederhana

Kesalahan baku atau selisih taksir standar merupakan indeks yang digunakan untuk
mengukur tingkat ketepatan regresi (pendugaan) dan koefisien regresi (penduga)
atau mengukur variasi titik-titik observasi disekitar garis regresi. Dengan kesalahan
baku, batasan seberapa jauh melesetnya perkiraan kita dalam meramal data dapat
diketahui. Apabila semua titik observasi berada tepat pada garis regresi maka
kesalahan baku akan bernilai sama dengan nol. Hal ini berarti perkiraan yang kita
lakukan terhadap data sesuai dengan data yang sebenarnya.
Rumus kesalahan baku regresi:

Se  y 2
 a. y  b. xy
n2
Rumus kesalahan baku koefisien regresi a:

Sa  x  S 2
e

n. x   x 
2 2

Laboratorium Statistik Page 35

 Praktikum Statistika Industri

Rumus kesalahan baku koefisien regresi b:

Se
Sb 
 x
 x  n
2
2

2.1.3. Pengujian Hipotesis Koefisien Regresi

Dari kedua koefisien regresi A dan B pada persamaan regresi, koefisien B
merupakan koefisien regresi sebenarnya yang penting untuk diperhatikan karena
dari koefisien ini akan dapat dilihat atau diketahui ada atau tidak adanya pengaruh
variable X terhadap Y. oleh karena itu, pada pengujian hipotesis, parameter yang
diuji hanya parameter B. Langkah-langkah pengujiannya adalah sebagai berikut:
a. Membuat pernyataan hipotesis
H0 : B = B0, B0 mewakili nilai B tertentu sesuai hipotesisnya
Ha : B > B0, jika B0 > 0 (berarti pengaruh X terhadap Y adalah positif)
Ha : B < B0, jika B0 < 0 (berarti pengaruh X terhadap Y adalah negatif)
Ha : B ≠ B0, jika B0 ≠ 0 (berarti ada pengaruh X terhadap Y)

b. Menentukan taraf nyata (α) dan nilai t table

Berdasarkan taraf nyata, maka nilai t table dapat ditentukan dengan derajat
bebas (db) = n – 2.

c. Menentukan criteria pengujian

 H0 diterima jika thitung ≤ tα,
H0 ditolak jika thitung > tα,
 H0 diterima jika thitung ≥ tα,
H0 ditolak jika thitung < tα,
 H0 diterima jika -tα/2 ≤ thitung ≤ tα/2,
H0 ditolak jika thitung < -tα/2 atau thitung > tα/2

d. Menentukan rumus dan nilai uji statistic

Untuk parameter B, maka rumus untuk mendapatkan nilai uji statistiknya
adalah;
b  B0
t hitung 
Sb

e. Membuat kesimpulan
Menyimpulkan apakah H0 diterima atau ditolak.

Laboratorium Statistik Page 36

 Praktikum Statistika Industri

2.2. Analisa Korelasi

Pada regresi linier sederhana, analisis regresinya bertujuan untuk menduga
persamaan regresi linier sederhana antara dua variable. Pada korelasi linier
sederhana, analisis korelasinya bertujuan untuk mengukur keeratan hubungan antar
variable yaitu variable X dan variable Y. Untuk mengetahui besarnya keeratan
hubungan antar variable tersebut digunakan istilah koefisien korelasi, dan diberi
symbol “r”.

2.2.1. Pengertian Koefisien Korelasi

Koefisien korelasi merupakan indeks atau bilangan yang digunakan untuk
mengukur keeratan hubungan antar variable.
Koefisien korelasi memiliki nilai antara -1 sampai dengan +1 atau -1 ≤ r ≤+1.
a. Jika r = +1, artinya terjadi korelasi positif sempurna antara variable X dengan Y.
b. Jika r = -1, artinya terjadi korelasi negatif sempurna antara variable X dengan Y.
c. Jika r = 0, artinya tidak ada korelasi antara variable X dengan Y.
d. Jika 0 < r < +1, artinya terjadi korelasi positif antara variable X dengan Y.
e. Jika -1 < r < 0, artinya terjadi korelasi negatif antara variable X dengan Y.

2.2.2. Koefisien korelasi linier

Koefisien korelasi linier digunakan untuk mengukur keeratan hubungan antara dua
variable yang sifatnya linier. Untuk menghitung koefisien korelasi linier dapat
diggunakan metode least square (kuadrat terkecil) dan metode product moment:
a. Metode least square
Rumus yang digunakan untuk menghitung koefisien korelasi dengan metode
least square adalah:
n XY   X  Y
r
n X 2

  X  n Y 2   Y 
2 2

b. Metode product moment
Rumus yang digunakan untuk menghitung koefisien korelasi dengan metode
product moment adalah:

r
 X 'Y '
 X ' Y '
2 2

Laboratorium Statistik Page 37

 Praktikum Statistika Industri

Keterangan :
X’ = deviasi rata-rata variable X
= X X
Y’ = deviasi rata-rata variable Y
= Y Y

2.2.3. Koefisien korelasi rank

Koefisien korelasi rank digunakan untuk mengukur keeratan hubungan antara dua
variable yang didasarkan atas ranking (tingkatan).

Langkah-langkah yang dilakukan untuk menghitung koefisien korelasi rank adalah:

a. Nilai pengamatan dari dua variable yang akan diukur hubungannya diberi
ranking. Pemberian ranking dimulai dari data terbesar atau data terkecil.
b. Hitung perbedaan (selisih) untuk setiap pasangan ranking.
c. Kuadratkan perbedaan (selisih) setiap pasangan ranking.
d. Jumlahkan kuadrat selisih setiap pasangan ranking
e. Hitung nilai koefisien korelasi rank dengan rumus:
6 d 2
r

n n2 1 
Keterangan :
d = deviasi (selisih ranking)
= (ranking X – rangking Y)
n = banyaknya pasangan rank

2.3. Analisa Determinasi

Sama halnya dengan analisa korelasi, determinasi dianalisa berdasarkan besarnya
koefisien determinasi yang didapat. Dilakukan. Koefisien determinasi disebut juga
sebagai koefisien penentu. Analisa determinasi dilakukan untuk mengetahui
besarnya pengaruh variable bebas (Y) terhadap variable terikat (Y). Koefisien
determinasi dihitung dengan cara mengkuadratkan nilai koefisien korelasi. Biasanya
koefisien determinasi dinyatakan dalan satuan persentase (%). Jika koefisien
determinasi dibuat dalam bentuk rumus, maka rumus koefisien determinasi adalah:
r  r 2 100%

Laboratorium Statistik Page 38

 Praktikum Statistika Industri

2
 
n XY   X  Y
r  100%
 2 2 2

 n X   X  n Y   Y 
 2
 


III. BAHAN DAN ALAT PERCOBAAN

1. Jam, untuk mengukur waktu pengamatan
2. Alat tulis, untuk menulis hasil pengamatan pada lembar pengamatan.
3. Lembar pengamatan, untuk mencatat data yang terjadi selama dalam
pengamatan di Lokasi.

LEMBAR PENGAMATAN
PRAKTIKUM STATISTIKA INDUSTRI

Judul: Mengukur dan Mengetahui Analisa Regresi

Nomor Jumlah
Waktu
Pengamatan Pengunjung Pembeli
1
2
3
.
.
.
30

Lokasi Pengamatan :

Group : Medan,
Nama dan NIM: Disetujui,
1.
2.
3. (Asisten lab.)

IV. PROSEDUR PERCOBAAN

1. Tentukan lokasi objek pengamatan dan persiapkan alat-alat yang dipergunakan
2. Mencatat jumlah pengunjung dan pembeli per lima menit untuk setiap satu sampel
3. Lakukan pengamatan sampel per lima menit sebanyak 30 kali.

V. TUGAS DAN PERTANYAAN

1. Tentukan persamaan regresi.
2. Hitung besarnya kesalahan baku regresi dan kesalahan baku koefisien regresi.

Laboratorium Statistik Page 39

 Praktikum Statistika Industri

3. Lakukan pengujian hipotesis untuk mengetahui apakah ada hubungan antara

jumlah pengunjung dengan jumlah pembeli.
4. Hitung koefisien korelasi dari data yang diperoleh, tentukan jenis korelasinya,
dan apa arti dari nilai yang didapat.
5. Hitung besarnya koefisien determinasi dan jelaskan artinya.

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.

Laboratorium Statistik Page 40