Format Lapleng PPS

BAB I
PENDAHULUAN
1.1 Latar Belakang

Statistika adalah ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Definisi statistika
dalam kamus besar Bahasa Indonesia (KBBI) adalah ilmu tentang cara
mengumpulkan, menabulasi, menggolong-golongkan, menganalisis, mencari
keterangan yang berarti dari data yang berupa angka. Sedangkan pengertian
statistik adalah hasil data yang di sajikan dalam bentuk tabel, grafik dan
sebagainya. Adapun definisi statistik menurut kamus besar Bahasa Indonesia
(KBBI) adalah catatan atau angka-angka (bilangan) yang dikumpulkan,
ditabulasi, digolongkan sehingga dapat memberi informasi yang berarti mengenai
suatu masalah atau gejala.
Paket Program Statistika merupakan mata kuliah yang mengajarkan
bagaimana mengolah data dengan menggunakan aplikasi statistik.
Berkembangnya ilmu pengetahuan dan teknologi yang semakin maju, aplikasi
dalam sebuah komputer juga semakin bervariasi, dengan tujuan untuk
mempermudah pengguna dalam mengolah data yang dibutuhkan. Diantarannya
adalah Minitab dan R.
Minitab adalah program komputer yang dirancang untuk melakukan
pengolahan statistik. Software Minitab ini biasa digunakkan untuk mengolah data
dan file, spreadsheet untuk analisis data yang lebih baik, analisis regresi,
power dan ukuran sampel, tabel dan grafik, analisis multivariat, analisis varians,
untuk menentukan perbedaan antar data serta untuk perancangan percobaan.
Bahasa R adalah sistem perangkat lunak yang direncanakan secara khusus
untuk mengerjakan semua hal yang berkaitan dengan statistik. R merupakan satu
kesatuan software yang terintegrasi dengan beberapa fasilitas untuk manipulasi,
perhitungan, dan penampilan grafik yang handal. R juga digunakan oleh
PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM 1
UNIVERSITAS HALU OLEO
2023
perusahaan-perusahhan yang membutuhkan data scientist untuk mengolah dan
menganlisis data di perusahaan tersebut sebagai dasar pengambilan kebijakan
proses bisnis.
1.1 Waktu dan Tempat
Praktikum Paket Program Statistik dilakukan setiap hari Kamis pada pukul
16.00 WITA sampai pukul 17.30 WITA yang dimulai tanggal 2 Oktober 2023
sampai tanggal 15 Desember 2023. Bertempat di Laboratorium Statistika,
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo Kendari.
1.2 Alat dan Bahan
Alat dan Bahan yang di perlukan dalam praktikum Paket Program Statistik
ini adalah sebagai berikut:
Tabel 1.3.1 Alat dan Bahan
No Nama Alat dan Bahan Kegunaan
Sebagai media untuk menuliskan respon dan
mencatat materi selama praktikum. Selain itu
1 Alat tulis juga dipakai untuk menyajikan hasil dari tugas
pendahuluan yang telah diberikan dalam bentuk
fisik.
Sebagai media untuk memuat software,
2 Laptop membuat hasil praktikum dan tugas
pendahuluan yang disajikan dalam bentuk file.
Digunakan untuk membuat hasil dari
3 Microsoft Word praktikum, dan tugas pendahuluan dalam
tulisan.
Sebagai media untuk mengolah dan
4 Software Minitab menganalisis data yang disajikan dalam bentuk
pemrograman Minitab.
Sebagai media untuk mengolah dan
5 Software R menganalisis data yang disajikan dalam bentuk
pemrograman R.

2 FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
2023
BAB II
PEMBAHASAN
2.1 Praktikum 1
Hari/Tanggal : Senin, 02 Oktober 2023
Waktu : 16.00 – 17.30 WITA
Tempat : Laboratorium Statistika
Praktikum pertama membahas tentang pengenalan Minitab dan pembuatan

grafik pada Minitab. Pengenalan Minitab dimulai dari cara menginput data pada
Minitab, cara menyimpan data/project pada Minitab dan cara membuka file pada
Minitab. Software Minitab menyediakan beragam pilihan jenis grafik seperti
diagram batang (bar chart), diagram lingkaran (pie chart), scatterplot, histogram,
boxplot, time series, diagram dahan daun (steam and leaf plot), dan dotplot.
Secara umum, pembuatan grafik pada Minitab bertujuan untuk memvisualisasikan
data dan hasil olah statistik agar lebih informatif dan mudah dipahami. Grafik
yang baik dapat menyampaikan informasi kompleks dengan cara yang efisien dan
efektif.
2.1.1 Pengenalan Minitab
Software Minitab merupakan salah satu software yang digunakan
sebagai media untuk mengolah data statistik dengan berbagai analisis yang
dapat dilakukan. Software ini menyediakan berbagai perintah dari
memasukkan data, membuat grafik, dan analisis data. Untuk melakukan
berbagai perintah yang tersedia dan menampilkan hasil analisis, perlu
diketahui bagian-bagian dari Software Minitab. Secara umum, bagian-
bagian pada Software Minitab dibagi menjadi tiga, yaitu toolbar, window
session, dan worksheet.
a. Toolbar

2023
Toolbar atau baris menu merupakan menu-menu yang tersedia pada
Software Minitab yang ditempatkan dalam satu baris. Toolbar digunakan
untuk mempermudah dan mempercepat dalam menjalankan perintah
yang diinginkan. Toolbar menyediakan menu yang akan dipilih dengan
cara di tekan sesuai menu yang mengandung perintah yang akan
dijalankan. Menu-menu yang tersedia pada Software Minitab beserta
fungsinya antara lain:
1) Menu File, memiliki beberapa perintah-perintah yang seperti
membuka dan menutup file, menyimpan, mencetak dan lainnya.
Perintah-perintah dalam Menu File, antara lain:
a) New Project berfungsi untuk membuka projek baru.
b) New Worksheet berfungsi untuk membuka worksheet baru.
c) Open Project berfungsi untuk membuka file projek.
d) Open Worksheet berfungsi untuk membuka file worksheet.
e) Save Project berfungsi untuk menyimpan projek.
f) Save Worksheet berfungsi untuk menyimpan worksheet.
2) Menu Edit, memiliki beberapa perintah seperti menyunting dan
mengedit operasi. Perintah-perintah dalam Menu Edit antara lain:
a) Undo berfungsi untuk membatalkan proses/perintah sebelumnya.
b) Clear Cells berfungsi untuk menghapus isi cell tanpa merubah
baris/kolom.
c) Delete Cells berfungsi untuk menghapus isi cell.
d) Copy Cells berfungsi untuk menggandakan isi cell.
e) Cut Cells berfungsi untuk menghapus/memindah isi cell.
f) Paste Cells berfungsi untuk menyisipkan isi cell.
3) Menu Data, memiliki beberapa perintah yang berkaitan dengan data
baik mengubah urutan data, mengggabungkan kolom dan lainnya.
Perintah-perintah dalam Menu Data antara lain:
a) Sort berfungsi untuk mengurutkan data dalam satu kolom atau
lebih.

2023
b) Rank berfungsi untuk menyimpan skor rangking dalam suatu
kolom.
c) Delete Rows berfungsi untuk menghapus baris-baris tertentu dari
setiap kolom.
d) Erase Variables berfungsi untuk menghapus variabel.
e) Copy Columns berfungsi untuk menggandakan kolom.
f) Stack berfungsi untuk menggabungkan beberapa kolom menjadi
satu kolom.
g) Unstack berfungsi untuk memecah satu kolom menjadi beberapa
kolom.
h) Concatenate berfungsi untuk menggabungkan beberapa kolom teks
dalam satu kolom.
i) Code berfungsi untuk memberikan koding nilai pada suatu kolom.
j) Change D. Type berfungsi untuk merubah tipe kolom.
k) Display Data berfungsi untuk menampilkan data dari worksheet ke
window session.
4) Menu Calc, memiliki beberapa perintah yang berkaitan dengan
kalkulasi data statistic. Perintah-perintah yang tersedia dalam Menu
Calc antara lain:
a) Calculator berfungsi untuk melakukan operasi aritmatika.
b) Column Statistic berfungsi untuk melakukan perhitungan statistik
berdasarkan kolom.
c) Row Statistics berfungsi untuk melakukan perhitungan statistik
berdasarkan baris.
d) Standardize berfungsi untuk melakukan pemusatan dan penskalaan
data dalam suatu kolom.
e) Extract from Date/Time to Numeric/Text berfungsi untuk
melakukan mengekstrak kolom yang bertipe date/time dan
menyimpan dalam kolom dengan tipe numeric/text.

2023
f) Random Data berfungsi untuk melakukan pembangkitan bilangan
random untuk distribusi tertentu.
g) Prob. Distri berfungsi untuk menghitung peluang, peluang
kumulatif dan invers peluang kumulatif dari data continue.
h) Matrices berfungsi untuk melakukan operasi matriks.
5) Menu Stat, memiliki beberapa perintah yang berkaitan dengan analisis
data statistik. Perintah-perintah yang tersedia dalam Menu Stat antara
lain:
a) Basic Statistics berfungsi untuk melakukan perhitungan statistika
dasar yang meliputi deskripsi data, uji hipotesis, korelasi dan uji
normalitas.
b) Regression berfungsi untuk melakukan perhitungan/uji untuk
analisis regresi.
c) ANOVA berfungsi untuk melakukan perhitungan/uji untuk analisis
variansi.
d) DOE berfungsi untuk melakukan perhitungan/uji untuk rancangan
percobaan.
e) Multivariate berfungsi untuk melakukan perhitungan/uji untuk
analisis multivariabel.
6) Menu Graph, memiliki beberapa perintah yang digunakan untuk
membuat grafik statistik. Perintah-perintah dalam Menu Graph antara
lain:
a) Histogram berfungsi untuk menampilkan diagram batang dari suatu
kolom data.
b) Boxplot berfungsi untuk membuat boxplot dari suatu data.
c) Scatter Plot berfungsi untuk menampilkan suatu plot antara dua
kolom data yang akan diamati.
b. Window Session
Window Session atau Sesi Command adalah bagian yang berfungsi
untuk menampilkan serangkaian perintah yang dijalankan terhadap data

2023
serta menampilkan output hasil analisis data statistik yang telah
dilakukan. Perintah dapat dilakukan dengan manual yaitu dengan
mengetik perintah pada window session dengan menggunakan bahasa
perintah tertentu. Selain itu, serangkaian perintah pada window session
dapat di simpan dan dicetak.
c. Worksheet
Worksheet atau window data merupakan bagian berupa baris dan
kolom yang sangat banyak yang berfungsi untuk menyimpan data.
Dengan kolom yang diberi nama angka berurutan (1, 2, 3, dan
seterusnya). Sedangkan kolom diberi nama C dengan angka, sehingga
untuk kolom 1 mempunyai nama C1, kolom 2 bernama C2, dan
seterusnya. Kolom pada window session dapat di ubah Namanya sesuai
yang diinginkan. Data-data yang disimpan pada window session dapat
dimasukkan dengan dua cara, yaitu menggunakan perintah “Set” pada
window session dan juga dapat dengan cara manual, yaitu memilih cell
kemudian memasukkan data.
2.1.2 Cara Menyimpan Project Dan Membuka File Pada Minitab
a. Cara Menyimpan Project Pada Minitab
1) Pilih menu file
Gambar 2.1.1 Menu File

2023
2) Pilih save atau save project as
b. Cara Membuka File Pada Minitab

1) Klik menu file dan pilih Open worksheet

2023
2) Masukkan nama file yang ingin dicari dan klik OK.
Gambar 2.1.4 Menu Open Worksheet
2.1.3 Pembuatan Grafik Pada Minitab

Grafik merupakan salah satu cara efektif untuk menyajikan data dan
informasi sehingga mudah dipahami. Sebelum membuat grafik, penting
untuk memahami jenis data yang akan divisualisasikan serta tujuan
pembuatan grafik. Pemilihan jenis grafik yang sesuai dengan data dan
kebutuhan analisis merupakan langkah penting agar informasi yang ingin
disampaikan dapat tersaji dengan baik.
a. Diagram Batang (Bar Chart)
Kasus: Dalam suatu sekolah terdapat 5 kelas IX, yaitu IX.A-IX.E.
Berikut rata-rata nilai ujian matematika 5 kelas tersebut.
Tabel 2.1.1 Tabel Nilai Rata-Rata Ujian Matematika
Rata-Rata Nilai 77,5 79,2 85,8 76,7 84,3

2023
Kelas IX.A IX.B IX.C IX.D IX.E
Langkah-langkah membuat diagram batang, sebagai berikut:

1) Buka menu graph, kemudian klik bar chart
2) Muncul kotak dialog pada bar represent, pilih A function of a
variable
3) Kemudian klik simple
4) Pada bagian function pilih mean, lalu pada bagian graph pilih rata-rata
5) Kemudian klik OK dan akan muncul gambar seperti di bawah ini
Output:
Nilai Rata-Rata Ujian Matematika Pada 5 Kelas Disuatu Sekolah
90
80
70
Mean of Rata-rata nilai
60
50
40
30
20
10
0
IXA IXB IXC IXD IXE
Kelas
Output 2.1.1 Output Diagram Batang Nilai Rata-Rata Ujian Matematika
Interpretasi:
Diagram batang di atas memvisualisasikan rata-rata nilai ujian
matematika 5 kelas IX, yaitu IX.A-IX.E. Berdasarkan diagram batang di
atas dapat diketahui bahwa kelas IX.C memiliki rata-rata nilai ujian
matematika tertinggi sebesar 85,8 dan disusul kelas IX.E memiliki rata-
rata nilai ujian matematika tertinggi sebesar 84,3. kelas IX.D memiliki
rata-rata nilai ujian matematika terendah dengan nilai sebesar 76,7.
b. Diagram Lingkaran (Pie Chart)
Kasus: Suatu sekolah memiliki 1200 siswa. Sekolah tersebut
mengharuskan siswanya untuk ikut serta dalam ekskul olahraga
berdasarkan hobinya masing-masing. Berikut tabel data hobi siswa:

0 UNIVERSITAS HALU OLEO
2023
Tabel 2.1.2 Tabel Data Hobi Siswa
Hobi Jumlah Siswa
Sepak bola 300
Bola voli 200
Bola basket 150
Bulu tangkis 250
Karate 100
Lain-lain 200
Langkah-langkah membuat diagram lingkaran, sebagai berikut:

1) Klik menu graph
2) Kemudian pilih pie chart
3) Pilih value from a table
4) Pada kategori variabel masukkan hobi
5) Pada Summary isi jumlah siswa
6) Pada labels masukkan judul pada title
7) Lalu klik OK dan akan muncul grafik seperti dibawah ini
Output:
Hobi Siswa Di Sekolah A
Category
Sepak bola
Lain-lain
Bola voli
200; 16.7%
Sepak bola Bola basket
300; 25.0% Bulu tangkis
Karate
Lain-lain
Karate
100; 8.3%
Bola voli
Bulu tangkis 200; 16.7%
250; 20.8%
Bola basket
150; 12.5%
Output 2.1.2 Output Diagram Lingkaran Hobi Siswa Di Sekolah A
Interpretasi:
Diagram lingkaran di atas memvisualisasikan hobi yang diikuti
oleh 1200 siswa suatu sekolah. Berdasarkan diagram lingkaran di atas

UNIVERSITAS HALU OLEO 1
2023
dapat diketahui bahwa sepak bola adalah hobi yanga paling banyak
diminati oleh siswa dengan jumlah sebanyak 300 dengan frekuensi
sebesar 25,0%. Selanjutya hobi bola basket dan lain-lain memiliki jumlah
peminat yang sama dengan jumlah sebanyak 200 siswa dengan frekuensi
sebesar 16,7%. Hobi karate merupakan hobi yang paling sedikit diminati
oleh siswa dengan jumlah sebanyak 100 siswa dengan frekuensi sebesar
8,3%.
c. Scatterplot
Kasus: Suatu percobaan dilakukan oleh sebuah pabrik yang ingin
mengetahui berapa banyak produk yang cacat. Ketika diletakkan pada
suhu X selama 30 hari. Berikut adalah data hasil yang diperoleh:
Tabel 2.1.3 Tabel Pengaruh Suhu Terhadap jumlah Cacat
Suhu Ruangan (X) Jumlah Cacat (Y)
24 10
22 5
21 6
20 3
22 6
19 4
20 5
23 9
24 11
25 13
21 7
20 4
20 6
19 3
25 12
27 13

2023
28 16
25 11
26 14
24 12
27 16
23 8
24 13
23 11
22 7
21 5
26 12
25 10
26 13
27 14
Langkah-langkah membuat diagram scatterplot, sebagai berikut:

1) Klik menu graph
2) Pilih scatterplot, lalu simple
3) Masukkan variabelnya
4) Kemudian klik OK dan akan muncul gambar seperti yang dibawah ini.
Output:
pengaruh suhu ruang terhadap jumlah cacat
16
14
12
y (jumlah cacat)
10
2
20 22 24 26 28
x (suhu ruangan)
Output 2.1.3 Output Scatterplot Pengaruh Suhu Terhadap Jumlah Cacat
Interpretasi:

2023
Scatterplot di atas memvisualisasikan pengaruh suhu ruangan
terhadap jumlah cacat produk yang diproduksi selama 30 hari.
Berdasarkan scatterplot di atas menunjukkan bahwa semakin tinggi suhu
ruang yang digunakan, maka semakin banyak jumlah produk cacat yang
diproduksi. Sebaliknya, semakin rendah suhu ruang yang digunakan,
maka semakin sedikit jumlah produk cacat yang diproduksi. Informasi ini
berguna bagi pabrik sebagai pertimbangan dalam menentukan masa
kedaluwarsa produk agar kualitasnya tetap terjaga.
d. Histogram
Kasus: Diberikan data nilai matematika dari suatu kelas dengan jumlah
siswa dalam kelas tersebut sebanyak 40 siswa. Daftar nilai yang
diperoleh ke-40 siswa tersebut tersaji dalam data acak dibawah ini:
Tabel 2.1.4 Tabel Nilai Matematika 40 Siswa
Nilai Matematika
82 83 85 89 83 89 86 87 72 77 90 86 82 83 87 88 83 84 88 84 84 92 83
73 96 91 90 82 99 92 87 78 78 93 90 100 92 95 88 79
Langkah-langkah membuat histogram, sebagai berikut:

1) Klik graph, kemudian pilih histogram
2) Pilih simple
3) Pada graph variabel, masukkan nilai matematika
4) Pada data view centang menu line
5) Kemudian klik OK, maka akan muncul gambar seperti dibawah ini
Output:

2023
Histogram of nilai matematika
12
10
8
Frequency
0
72 76 80 84 88 92 96 100
nilai matematika
Output 2.1.4 Output Histogram Nilai Matematika
Interpretasi:
Histogram di atas memvisualisasikan nilai matematika sebanyak 40
siswa. Pada histogram sumbu horizontal (X) menunjukkan interval nilai
matematika, yaitu rentang nilai 0-70, 70-74, 74-78, 78-82, dan
seterusnya. Sedangkan sumbu vertikal (Y) menunjukkan frekuensi atau
jumlah siswa pada setiap interval nilai tersebut. Berdasarkan histogram di
atas dapat dilihat bahwa rentang nilai 82-86 memiliki jumlah siswa yang
paling banyak mendapatkan nilai tersebut dengan frekuensi sebanyak 12.
e. Boxplot
Kasus: SMA Nusa Bangsa memiliki sejumlah yang berminat di bidang
olahraga jika diambil sampel 30 orang untuk diukur tinggi badannya agar
memenuhi syarat selektif tahunan maka diperolah data dibawah ini:
Tabel 2.1.5 Tabel Tinggi Badan 30 Siswa SMA Nusa Bangsa
Tinggi Badan
120 135 155 150 110 162 145 148 171 155 147 172 160 151 156 162
133 139 169 158 142 172 162 158 142 172 162 158 166 174 149 154
147 177

2023
Langkah-langkah membuat Boxplot, sebagai berikut:
1) Pada menu graph pilih Boxplot
2) Kemudain pilih simple
3) Pada graph variabel masukkan tinggi badan
4) Setelah itu klik OK dan akan muncul gambar seperti dibawah ini
Output:
Boxplot of Tinggi badan
180
170
160
dn
a
150
gg a
ib
140
Tin
130
120
110
Output 2.1.5 Output Boxplot Tinggi Badan

Interpretasi:
Boxplot di atas memvisualisasikan tinggi badan 30 siswa SMA
Nusa Bangsa. Berdasarkan nilai statistik di badan boxplot dapat diketahui
bahwa tinggi badan minimum SMA Nusa Bangsa sebesar 133 cm dan
tinggi badan maksimum SMA Nusa Bangsa sebesar 177 cm. Dari badab
boxplot tersebut juga memilik Q1 tinggi badan 30 siswa SMA Nusa
Bangsa sebesar 146,5 cm, median (nilai tengah) tinggi badan 30 siswa
SMA Nusa Bangsa sebesar 155 cm dan Q3 tinggi badan 30 siswa SMA
Nusa Bangsa sebesar 163 cm. Terdapat juga nilai-nilai diluar badan
boxplot yang merupakan outlier sekitar 110 cm dan 120 cm.
f. Time Series
Kasus: Suatu perusahaan pakaian sepak bola periode Januari 2013
sampai dengan April 2014 menghasilkan data penjualan sebagi berikut:
Tabel 2.1.6 Tabel Data Penjualan Pakaian Sepak Bola
Data Penjualan Periode Januari 2013-April 2014
19 15 39 102 90 29 90 46 30 66 80 89 82 17 26 29
Langkah-langkah membuat Time series, sebagai berikut:

2023
1) Pada menu graph pilih time series
3) Pada graph variabel masukkan data penjualan
4) Setelah itu klik OK dan akan muncul gambar seperti dibawah ini.
Output:
Time Series Plot of Data Penjualan
100
90
80
ataPenjualan
70
60
50
D
40
30
20
10
2 4 6 8 10 12 14 16
Index
Output 2.1.6 Output Time Series Data Penjualan

Interpretasi:
Time series di atas memvisualisasikan penjualan pakaian sepak
bola periode Januari 2013 sampai dengan April 2014. Pada grafik time
series, sumbu horizontal (X) menunjukkan skala waktu bulanan
sedangkan sumbu vertikal (Y) menunjukkan nilai total penjualan pakaian
sepak bola. Garis pada grafik menghubungkan titik-titik data penjualan
dari satu bulan ke bulan berikutnya. Berdasarkan time series di atas
menjukkan bahwa penjualan bulan Maret 2013 merupakan penjualan
tertinggi dengan jumlah penjualan pakaian sepak bola sebanyak 102
pakaian. Sedangkan penjualan terendah terjadi pada bulan Februari 2013
dengan jumlah penjualan pakaian sepak bola sebanyak 15 pakaian.
Informasi tersebut bermanfaat sebagai evaluasi kinerja pemasaran dan
bahan pertimbangan strategi penjualan pakaian sepak bola periode
mendatang agar lebih optimal.
g. Diagram Dahan Daun (Steam and Leaf Plot)
Kasus: Berikut adalah data nilai uts metode statistika Mahasiswa
Statistika Angkatan 2020:
Tabel 2.1.7 Tabel Nilai UTS Metode Statistika Mahasiswa Statistika

2023
Nilai UTS Metode Statistika
23 80 52 41 60 34 60 77 65 71 78 67 79 81 64 83 89 74 52 95 75 54 76
82 60 61 78 64 84 69 74 65 25 72 48 74 52 92 80 88 84 63 70 85 98 62
90 80 82 55 81 74 51 85 36 76 67 43 79 61 92 81 55 83 65 44
Langkah-langkah membuat digram dahan daun, sebagai berikut:

1) Pada menu graph pilih Steam and leaf
3) Pada graph variabel masukkan nilai UTS
Output:
Stem-and-Leaf Display: Nilai UTS METSTAT
Stem-and-leaf of Nilai UTS METSTAT N = 66

Leaf Unit = 1,0
1 2 3
2 2 5
3 3 4
4 3 6
7 4 134
8 4 8
13 5 12224
15 5 55
24 6 000112344
30 6 555779
(7) 7 0124444
29 7 56678899
21 8 000111223344
9 8 5589
5 9 022
2 9 58
Output 2.1.7 Output Diagram Dahan Daun Nilai UTS Metstat
Interpretasi:
Diagram dahan daun di atas memvisualisasikan nilai uts metode
statistika Mahasiswa Statistika Angkatan 2020. Pada diagram dahan
daun, nilai puluhan dan satuan digit dari nilai UTS dipisahkan masing-
masing ke sisi kiri (dahan) dan kanan (daun). Puluhan digit menunjukkan
interval kelas sedangkan satuan digit adalah nilai khusus dalam interval
tertentu. Dengan demikian, diagram ini dapat memperlihatkan

2023
kecenderungan pengelompokan nilai UTS mahasiswa serta
mengidentifikasi adanya outlier. Berdasarkan diagram dahan daun di atas
diketahui jumlah data sebanyak 66. Dari 66 data di atas angka puluha 8
dengan angka satuan < 5 memiliki jumlah kemunculan terbanyak. Dari
data tersebut juga dapat ditemukan adanya outlier, yaitu 23 dan 25.
h. Dotplot
Kasus: Diberikan nilai matematika dalam suatu kelas dengan jumlah
siswa dalam kelas tersebut sebanyak 40 siswa. Daftar nilai yang
diperoleh ke-40 siswa tersebut tersaji dalam data acak dibawah ini:
Tabel 2.1.8 Tabel Nilai Matematika 40 Siswa

Nilai Matematika
82 83 85 89 83 89 86 87 72 77 90 86 82 83 87 88 83 84 88 84 84 92 83
73 96 91 90 82 99 92 87 78 78 93 90 100 92 95 88 79
Langkah-langkah membuat Dot Plot, sebagai berikut:

1) Pada menu graph pilih Dot Plot
3) Pada graph variabel masukkan nilai matematika
Output:

2023
Dotplot of Nilai Matematika
72 76 80 84 88 92 96 100
Nilai Matematika
Output 2.1.8 Dotplot Nilai Matematika 40 Siswa
Interpretasi:
Dotplot di atas memvisualisasikan nilai matematika sebanyak 40
siswa. Dotplot tersebut memperlihatkan penyebaran data nilai
matematika dari nilai terendah hingga tertinggi pada kelas ini dan juga
bisa mengidentifikasi adanya pengelompokan (clustering) nilai pada
interval tertentu. Berdasarkan output di atas bahawa nilai tidak
ditemukan adanya outlier karena rentang antara nilai minimum dan
maksimum data tidak terlalu lebar.

2023
2.2 Praktikum 2
Hari/Tanggal : Senin, 09 Oktober 2023
Waktu : 16.00 – 17.30 WITA
Praktikum kedua membahas tentang statistika deskriptif. Statistika

deskriptif merupakan bagian penting dalam analisis data untuk menyajikan
ringkasan informasi penting dari suatu kumpulan data. Pada dasarnya statistika
deskriptif meliputi ukuran pemusatan data seperti rata-rata (mean), median,

2023
modus dan persentil. Sedangkan ukuran penyebaran data mencakup rentang data,
variansi, standar deviasi dan lainnya.
2.2.1 Statistika Deskriptif
Dalam membuat statistik deskriptif dengan Minitab, ada beberapa cara
yang dapat digunakan. Pertama, dapat menggunakan toolbar menu Minitab
agar analisis yang dilakukan lebih cepat. Kedua, dapat mengetikkan
perintah-perintah statistik deskriptif secara manual di windows session pada
Minitab. Ketiga, dapat menjalankan analisis statistik deskriptif dengan
mengetikkan perintah-perintah yang sesuai pada windows session Minitab.
2.2.2 Penyimpanan Data Pada Minitab
Dalam Minitab dapat menyimpan data pada tiga macam tempat, yaitu:
a. Konstanta (K1, K2, K3, …) → fungsi LET
b. Kolom (C1, C2, C3, …) → fungsi SET
c. Matriks (M1, M2, M3, …) → fungsi READ
2.2.3 Membuat Matriks Menggunakan Toolbar dan Pembangkitan Data Normal
a. Membuat Matriks Dengan Menu Calc
Langkah-langkah membuat matriks dengan menu calc, sebagai berikut:
1. Klik calc → matrices → read
2. Isi banyak rows pada kotak number of rows
3. Isi banyak kolom pada kotak number of columns
4. Isi tempat penyimpanan data pada kotak read into matrix (misal M2)
5. Klik OK.
Langkah-langkah mendeskripsikan data menggunakan menu toolbar software
Minitab, sebagai berikut:
1) Masukkan data yang akan digunakan ke menu worksheet

2023
Gambar 2.2.1 Data pada Worksheet
2) Kemudian, pilih menu stat pada toolbar
Gambar 2.2.2 Menu Stat
3) Pilih basic statistic, setelah itu pilih display descriptive statistics
Gambar 2.2.3 Menu Stat

4) Masukkan data yang akan dideskripsikan pada variables. Lalu, pilih statistics

2023
Gambar 2.2.4 Menu Display Descriptive Statistics
5) Pilih informasi yang ingin ditampilkan dari data tersebut. Lalu, klik OK
Gambar 2.2.5 Menu Display Descriptive Statistics
6) Data yang telah dideskripsikan akan muncul di windows session

Output:
Descriptive Statistics: Nilai Matematika
Total
Variable Count N N* Mean StDev Variance
Nilai Matematika 36 36 0 86,17 6,56 43,06
Variable Sum Minimum Q1 Median Q3

Nilai Matematika 3102,00 72,00 82,25 86,00 90,75
Variable Maximum Range

Nilai Matematika 100,00 28,00
Output 2.2.1 Output Menggunakan Toolbar Menu Minitab
Interpretasi:

2023
Berdasarkan output di atas dapat dilihat bahwa data dari nilai matematika
memiliki mean (rata-rata) sekitar 86,17 dengan standar deviasi sekitar 6,56. Dari
data tersebut juga dapat dilihat nilai minimum nilai matematika sebesar 72,00
sementara nilai maksimum nilai matematika sebesar 100,00 sehingga nilai
matematika ini mencakup range (rentang) yang lebar sekitar 28,00. Sementara itu,
kuartil pertama (Q1) nilai matematika sebesar 82,85, median (nilai tengah) nilai
matematika sebesar 86,00 dan kuartil ketiga (Q3) nilai matematika sebesar 90,75.
Program 2.2.1 Program Menggunakan Windows Session
MTB > set c1
DATA> 82 83 72 82 83 84 96 99 78 92 83 89 77 83 84
DATA> 92 91 92 93 95 85 86 90 87 90 88 89 87 86 88
DATA> 84 73 82 78 100 79
DATA> end.
MTB > name c1 'Nilai Matematika'
MTB > describe 'Nilai Matematika';
SUBC> mean;
SUBC> stdev;
SUBC> variance;
SUBC> QOne;
SUBC> median;
SUBC> Qthree;
SUBC> mode;
SUBC> minimum;
SUBC> maximum;
SUBC> skewness;
SUBC> kurtosis;
SUBC> N;
SUBC> Nmissing
Output:
Descriptive Statistics: Nilai Matematika
Variable N N* Mean StDev Variance Minimum

Nilai Matematika 36 0 86,17 6,56 43,06 72,00
N for
Variable Q1 Median Q Maximum Mode Mode
Nilai Matematika 82,25 86,00 90,75 100,00 83 4
Variable Skewness Kurtosis

Nilai Matematika -0,01 -0,05
Output 2.2.2 Output Menggunakan Windows Session
Interpretasi:

2023
Program di atas merupakan program membuat statistika deskriptif dengan
menggunakan windows session. Program dimulai dengan memasukan nilai
matematika ke dalam kolom dengan perintah ‘set’ dan memberi nama kolom
dengan perintah ‘name’. Selanjutnya, menggunakan perintah ‘describe’ untuk
menampilkan statistik deskriptif dari data pada kolom yang sudah diberi nama dan
perintah ‘subc’ digunakan untuk menentukan ukuran-ukuran statistik deskriptif
yang akan ditampilkan. Terakhir, output statistik deskriptif ditampilkan dengan
menunjukkan berbagai ukuran yang diminta pada perintah ‘subc’ sebelumnya.
Berdasarkan output di atas dapat dilihat bahwa jumlah nilai matematika sebanyak
36 dan tidak ada data yang hilang (N missing). Dari data tersebut juga memiliki
rata-rata (mean) nilai matematika sebesar 86,17, sebaran data nilai matematika
sekitar rata-rata sebesar 6,56 dan varian (variance) nilai matematika sebesar
43,06. Selanjutnya, nilai minimum nilai matematika sebesar 72,00, sedangkan
nilai maksimum sebesar 100,00. Pada data nilai matematika tersebut memiliki
nilai Q1 sebesar 82,25, nilai median sebesar 86,00 dan nilai Q3 sebesar 90,75.
Program 2.2.2 Program Penginputan Data Melalui Windows Session
MTB > set c1
DATA> 82 83 72 82 83 84 96 99 78 92 83 89 77 83 84
DATA> 92 91 92 93 95 85 86 90 87 90 88 89 87 86 88
DATA> 84 73 82 78 100 79
DATA> end.
MTB > name c1 'Nilai Matematika'
MTB > mean 'Nilai Matematika'
MTB > median 'Nilai Matematika'
MTB > sum 'Nilai Matematika'
MTB > stdev 'Nilai Matematika'
MTB > min 'Nilai Matematika'
MTB > max 'Nilai Matematika'
MTB > range 'Nilai Matematika'
Output:
Mean of Nilai Matematika
Mean of Nilai Matematika = 86,1667
Median of Nilai Matematika
Median of Nilai Matematika = 86
Sum of Nilai Matematika

2023
Sum of Nilai Matematika = 3102
Standard Deviation of Nilai Matematika
Standard deviation of Nilai Matematika = 6,56179
Minimum of Nilai Matematika
Minimum of Nilai Matematika = 72
Maximum of Nilai Matematika
Maximum of Nilai Matematika = 100
Range of Nilai Matematika
Range of Nilai Matematika = 28

Output 2.2.3 Output Penginputan Data Melalui Windows Session
Interpretasi:
Program di atas merupakan program membuat statistika deskriptif dengan
penginputan data melalui windows session. Program dimulai dengan memasukan
nilai matematika ke dalam kolom dengan perintah ‘set’ dan memberi nama kolom
dengan perintah ‘name’. Selanjutnya, melalui windows session, dipanggil satu per
satu perintah statistik deskriptif yang ingin ditampilkan hasilnya. Terakhir,
Minitab kemudian menampilkan output berupa nilai statistik deskriptif yang
diminta untuk data Nilai Matematika. Berdasarkan output di atas dapat dilihat
bahwa nilai rata-rata (mean) nilai matematika sebesar 86,1667 dan nilai tengah
(median) nilai matematika sebesar 86. Output tersebut juga menampilkan jumlah
seluruh nilai matematika sebesar 3102 dan standar deviasi nilai matematika
sebesar 6,56179. Terakhir, nilai minimum nilai matematika sebesar 72 dan nilai
maksimum nilai matematika sebesar 100 dengan rentang sebesar 28.
Program 2.2.3 Program Data Konstanta
MTB > let k1 = 10
MTB > print k1
MTB > let k2 = 100
MTB > let k3 = sqrt(k2)
MTB > print k2 k3
MTB > let k4 = 7
MTB > let k5 = 5
MTB > let k6 = k4*k5
MTB > print k6

2023
Output:
Data Display
K1 10,0000
Data Display
K2 100,000
K3 10,0000
Data Display
K6 35,0000
Output 2.2.4 Output Data Konstanta
Interpretasi:
Program di atas merupakan program data konstanta. Program dimulai
dengan perintah ‘let k1 = 10’ untuk mendefinisikan konstanta K1 bernilai 10 dan
menampilkan nilai K1 dengan menggunakan peritah ‘print’. Selanjutnya, perintah
‘let k2 = 100’ untuk mendefinisikan konstanta K2 bernilai 100 dan perintah ‘let k3
= sqrt(k2)’ mendefinisikan K3 sebagai hasil dari akar kuadrat K2 dengan nilai 10.
Terakhir, menggunakan perintah ‘let k4 = 7’ dan ‘let k5 = 5’ untuk mendefinisikan
konstanta K4 bernilai 7 dan mendefinisikan konstanta K5 bernilai 5. Kemudian,
K6 didefinisikan sebagai hasil kali K4 dan K5 dengan nilai 35.
Program 2.2.4 Program Data Berpola
MTB > set c5
DATA> 1:5
DATA> set c6
DATA> 5:1
DATA> set c7
DATA> 2(4)
DATA> set c8
DATA> (1:5)4
DATA> set c9
DATA> 2(1:3)
DATA> set c10
DATA> 2(1:3)4
DATA> set c11
DATA> (1:3)2
DATA> end.
Output:

2023
Output 2.2.5 Output Data Berpola
Interpretasi:
Program di atas merupakan program yang dijalankan untuk memasukkan
data dengan menggunakan perintah set. Pada kolom C5 perintah yang digunakan
adalah ‘1:5’, artinya data dimasukkan dengan batas minimal 1 dan batas maksimal
5 yang secara otomatis akan bertambah 1 setiap baris, sebaliknya pada kolom C6
perintah yang digunakan adalah ‘5:1’ artinya data dimasukkan dengan batas
minimal 5 dan batas maksimal 1 yang secara otomatis akan berkurang 1 setiap
baris. Pada kolom C7 perintah yang digunakan adalah ‘2(4)’, yang artinya angka 4
akan diulang sebanyak 2 kali. Lalu, pada kolom C8 perintah yang digunakan,
yaitu ‘(1:5)4’, yang artinya menampilkan angka dari 1 sampai 5 yang dimana
setiap angka tersebut muncul sebanyak 4. Pada kolom C9 perintah yang
digunakan adalah ‘2(1:3)’, yang artinya menampilkan angka dari 1 sampe 3 dan
angka tersebut diulang sebanyak 2 kali. Kemudian pada kolom C10 perintah yang
digunakan adalah ‘2(1:3)4’, artinya menampilkan angka 1 sampai 3 yang dimana
setiap angka tersebut dimunculkan sebanyak 4 dan akan berulang sebanyak 2 kali.
Pada kolom C1 perintah yang digunakan adalah ‘(1:3)2’, artinya menampilkan
angka 1 sampai 3 dan setiap angka tersebut dimunculkan sebanyak 2.
Program 2.2.5 Program Matriks 3×3

2023
MTB > read 3 3 M1
DATA> 2 3 5
DATA> 1 7 6
DATA> 2 3 8
3 rows read.
MTB > print M1
Output:
Data Display
Matrix M1
2 3 5
1 7 6
2 3 8
Output 2.2.6 Output Matriks 3×3
Interpretasi:
Program di atas merupakan program membuat matriks dengan
menggunakan perintah read. Program di atas memunculkan matriks 3×3 dan
disimpan pada matriks M1. Kemudian, program meminta untuk memasukkan
angka yang diinginkan dengan masing-masing jumlah baris dan kolomnya adalah
3. Setelah itu, mencetak M1 dengan menggunakan perintah print. Dari program
tersebut dapat dilihat bahwa matriks M1 memiliki ordo 3×3, yang artinya matriks
tersebut memiliki 3 baris dan 3 kolom.
Program 2.2.6 Program Membuat Matriks
MTB > Read 3 3 m2.
DATA> 0 0 1
DATA> 0 1 0
DATA> 1 0 0
3 rows read.
MTB > print m2
Output:
Data Display
Matrix M2
0 0 1
0 1 0
1 0 0
Output 2.2.7 Output Membuat Matriks
Interpretasi:

2023
Program di atas merupakan program membuat matriks. Program dimulai
dengan perintah ‘read 3 3 m2’ untuk membaca input data dan membentuk mariks,
parameter 3 3 mendefinisikan matriks yang akan dibentuk memiliki 3 baris dan 3
kolom dan parameter M2 menetapkan nama matriks yang akan dibentuk.
Selanjutnya, data dimasukkan per baris dengan pemisah spasi di antara angkanya.
Terakhir, perintah ‘M2’ untuk menampilkan isi matriks M2 berdasarkan data
inputan tadi ke layar output untuk konfirmasi.
Program 2.2.7 Program Membangkitkan Data Normal
MTB > Random 50 C4;
SUBC> Normal 80 1,0.
MTB > NormTest C4.
Output:
Probability Plot of C4
Normal
99
Mean 80,18
StDev 1,077
95 N 50
AD 0,345
90
P-Value 0.472
80
70
Percent
60
50
40
30
20
10
5
1
77 78 79 80 81 82 83
C4
Output 2.2.8 Output Membangkitkan Data Normal
Interpretasi:
Program di atas merupakan program membangkitkan data normal. Program
dimulai dengan perintah ‘Random 50 C4’ untuk membangkitkan data acak
berdasarkan distribusi tertentu, parameter 50 menentukan banyaknya data acak
yang akan dibangkitkan, dan parameter C4 menentukan kolom tempat data acak
akan disimpan. Selanjutnya, perintah ‘Normal 80 1,0’ untuk menentukan data
acak akan dibangkitkan berdasarkan distribusi normal, serta parameter 80 dan 1,0
masing-masing adalah mean (rata-rata) dan standar deviasi dari distribusi normal

2023
yang digunakan. Terakhir, perintah ‘NormTest C4’ untuk melakukan uji normalitas
pada data yang telah dibangkitkan tadi.

2023
2023
2.3 Praktikum 3
Hari/Tanggal : Kamis, 12 Oktober 2023
Waktu : 16.00 – 17.30 WITA
Praktikum ketiga membahas tentang operasi-operasi aritmatika dan operasi

matriks pada Minitab. Minitab adalah salah satu software statistik yang banyak
digunakan dalam analisis data. Minitab menyediakan berbagai tools dan fungsi
untuk berbagai keperluan analisis statistik termasuk melakukan perhitungan dan
operasi aritmatika dan operasi matriks. Pemahaman dasar mengenai operasi
aritmatika dan operasi matriks, seperti penjumlahan, pengurangan, perkalian dan
lainnya, tentu menjadi hal mendasar sebelum mempraktikkannya pada Minitab.
Operasi ini dapat dilakukan baik pada data individual maupun grup data dalam
bentuk variabel.
2.3.1 Operasi Aritmatika
Operasi aritmatika adalah operasi dasar yang digunakan dalam
perhitungan matematika melibatkan bilangan/skalar. Beberapa contoh
operasi aritmatika meliputi penjumlahan, pengurangan, perkalian,
pembagian, perpangkatan, akar, dan sebagainya. Operasi ini biasanya
melibatkan dua buah bilangan skalar atau lebih yang hasilnya adalah
bilangan skalar juga.
2.3.2 Operasi Matriks
Operasi matriks melibatkan matriks/array dua dimensi sebagai
objeknya. Beberapa contoh operasi matriks antara lain penjumlahan matriks,
pengurangan matriks, perkalian matriks, transpose matriks, determinan
matriks, invers matriks, dan lain-lain. Perbedaan mendasar operasi matriks
dengan aritmatika adalah jenis objeknya array bukan skalar. Hasil operasi
matriks juga berupa matriks, bukan scalar.

2023
Berikut disajikan program operasi aritmatika dan operasi matriks
Program 2.3.1 Program Aritmatika 1
MTB > name c1 ‘Nilai Matematika’
MTB > set c1
DATA> 72 75 82 79 81 62 90 75 75 82
DATA> 80 90 70 60 70
DATA> end.
MTB > #program aritmatika
MTB > name c2 ‘Remedial’
MTB > let c2 = c1+3
MTB > print c1 c2
Output:
Data Display
Row C1 C2
1 72 75
2 75 78
3 82 85
4 79 82
5 81 84
6 62 65
7 90 93
8 75 78
9 75 78
10 82 85
11 80 83
12 90 93
13 70 73
14 60 63
15 70 73
Output 2.3.1 Output Aritmatika 1
Interpretasi:
Program di atas merupakan program aritmatika. Program dimulai dengan
memasukkan data pada kolom C1 dan diberi judul nilai matematika. Pada kolom
C2 diberi judul remedial, kemudian menggunakan perintah ‘let C2 = C1+3’.
Artinya hasil jumlah dari C1+3 akan disimpan pada kolom C2. Setelah itu print
C1 C2 yang hasilnya dapat dilihat pada output di atas.
MTB > sort c2 c3;
SUBC> by c2;
SUBC> descending c2.
MTB > set c4
DATA> -2 3 4 -1 5 -7 3 2

2023
DATA> end.
MTB > let c5 = absolute(c4)
MTB > set c6
DATA> 2,5 7,2 8 8,2 7,5 6,3 7,3 8,7
DATA> end.
MTB > let c7 = round(c6)
MTB > let c8 = log(c1)
MTB > let c9 = 100
MTB > let c10 = sqrt(c9)
MTB > let c11 = count (c1)
Output:
Interpretasi:
Program di atas merupakan program aritmatika. Program dimulai dengan
menggunakan perintah ‘sort C2 C3’, yang artinya mengurutkan data yang ada
pada C2 dan hasil urutannya disimpan di kolom C3, lalu menggunakan perintah
descending untuk mengurutkan data dari yang terbesar ke terkecil. Pada kolom
C4 menggunakan perintah set, artinya memasukkan data yang diinginkan. Lalu
pada kolom C5 menggunakan perintah ‘absolute(C4)’, artinya menjadikan nilai
mutlak yang ada pada data kolom C4. Pada kolom C6 menggunakan perintah set,
artinya memasukkan data yang diinginkan, pada program di atas data yang
dimasukkan adalah bilangan desimal. Selanjutnya, pada kolom C7 memasukkan
perintah ‘round(C6)’, untuk membulatkan nilai yang ada pada kolom C6. Pada
kolom C8 menggunakan perintah ’log(C1)’, artinya membuatkan logaritma yang
ada pada data C1. Pada kolom C9 memasukkan angka 100 dengan menggunakan
perintah set, kemudian pada kolom C10 menggunakan perintah sqrt, untuk

2023
mencari akar kuadrat dari nilai pada C9. Pada kolom C11 menggunakan perintah
‘count(C1)’’, artinya menghitung data yang ada pada kolom C1.
MTB > desc c1 c2
Output:
Descriptive Statistics: C1; Remedial
Variable N N* Mean SE Mean StDev Minimum Q1

Nilai Matematika 15 0 76,20 2,24 8,69 60,00 70,00
Remedial 15 0 79,20 2,24 8,69 63,00 73,00
Variable Median Q3 Maximum

Nilai Matematika 75,00 82,00 90,00
Remedial 78,00 85,00 93,00
Interpretasi:
Program di atas merupakan progam menampilkan informasi dari suatu data
dengan menggunakan perintah desc. Berdasarkan output di atas dapat dilihat
bahwa data dari nilai matematika memiliki mean (rata-rata) sekitar 76,20 dengan
standar deviasi sekitar 8,69. Dari data tersebut juga dapat dilihat nilai minimum
nilai matematika sebesar 60,00 sementara nilai maksimum nilai matematika
sebesar 90,00. Nilai kuartil pertama (Q1) nilai matematika sebesar 70,00, median
(nilai tengah) nilai matematika sebesar 75,00 dan kuartil ketiga (Q3) nilai
matematika sebesar 82,00. Sedangkan pada nilai remedial memiliki mean (rata-
rata) sekitar 79,20 dengan standar deviasi sekitar 8,69. Dari data tersebut juga
dapat dilihat nilai minimum nilai remedial sebesar 63,00 sementara nilai
maksimum nilai remedial sebesar 93,00. Nilai kuartil pertama (Q1) nilai remedial
sebesar 73,00, median (nilai tengah) nilai remedial sebesar 78,00 dan kuartil
ketiga (Q3) nilai remedial sebesar 85,00.
Program 2.3.4 Program Matriks 3×3
MTB > #Program matriks 3x3
MTB > read 3 3 m1
DATA> 1 2 4
DATA> 4 5 1
DATA> 1 1 2
3 rows read.
MTB > read 3 3 m2
DATA> 1 4 7

2023
DATA> 3 4 5
DATA> 1 10 9
3 rows read.
MTB > print m1 m2
Output:
Data Display
Matrix M1
1 2 4
4 5 1
1 1 2
Matrix M2
1 4 7
3 4 5
1 10 9
Output 2.3.4 Output Matriks 3×3
Interpretasi:
Program di atas merupakan program membuat matriks 3 ×3. Program
dimulai dengan perintah ‘read 3 3 M1’, artinya membuat matriks yang terdiri dari
3 baris dan 3 kolom lalu menyimpannya di M1. Kemudian masukkan nilai yang
diinginkan. Pada program selanjutnya juga menggunakan perintah yang sama tapi
matriks tersebut disimpan pada matriks M2. Setelah itu, mencetak M1 dan M2
yang hasilnya dapat dilihat pada output di atas.
Program 2.3.5 Program Penjumlahan Matriks
MTB > #penjumlahan matriks
MTB > add m1 m2 m3
MTB > print m3
Output:
Data Display
Matrix M3
2 6 11
7 9 6
2 11 11
Output 2.3.5 Output Penjumlahan Matriks

2023
Interpretasi:
Program di atas merupakan program penjumlahan matriks. Program dimulai
dengan perintah ‘add M1 M2 M3’, artinya menjumlahkan matriks pada M1
dengan matriks M2 dan hasil penjumlahan tersebut disimpan pada matriks M3.
Dalam penjumlah matriks, kedua buah matriks harus memiiliki baris dan kolom
yang sama. Setelah itu mencetak matriks M3 maka didapatkan hasil matriks 3×3.
Program 2.3.6 Program Pengurangan Matriks
MTB > #pengurangan matriks
MTB > subtract m1 m2 m4
MTB > print m4
Output:
Data Display
Matrix M4
0 2 3
-1 -1 4
0 9 7
Output 2.3.6 Output Pengurangan Matriks
Interpretasi:
Program di atas merupakan program pengurangan matriks. Program dimulai
dengan perintah ‘subtract M1 M2 M4’, artinya mengurangkan matriks pada M1
dengan matriks M2 dan hasil penjumlahan tersebut disimpan pada matriks M4.
Dalam pengurangan matriks, kedua buah matriks harus memiiliki baris dan kolom
yang sama. Setelah itu mencetak matriks M4 maka didapatkan hasil matriks 3×3.
Program 2.3.7 Progam Perkalian Matriks
MTB > #perkalian matriks
MTB > read 2 2 m5
DATA> 10 7
DATA> 2 11
2 rows read.
MTB > read 2 3 m6
DATA> 11 2 3
DATA> 1 1 6
2 rows read.
MTB > multiply m5 m6 m7
MTB > print m7

2023
Output:
Data Display
Matrix M7
117 27 72
33 15 72
Output 2.3.7 Output Perkalian Matriks
Interpretasi:
Program di atas merupakan program perkalian matriks. Program dimulai
dengan perintah ‘read 2 2 M5’, artinya membuat matriks yang terdiri dari 2 baris
2 kolom dan menyimpan matriks tersebut dalam matriks M5. Kemudian
menggunakan perintah ‘read 2 3 M6’, artinya membuat matriks yang terdiri dari 2
baris 3 kolom dan menyimpan matriks tersebut ke dalam matriks M6. Setelah itu,
mengalikan matriks M5 dengan M6 dengan menggunakan perintha multiply dan
disimpan pada matriks M7. Syarat dalam perkalian matriks, jumlah kolom pada
matriks pertama sama dengan jumlah baris pada matriks kedua. Terakhir, cetak
M7 maka didapatkan matriks 2×3.
Program 2.3.8 Program Transpose Matriks
MTB > #transpose matriks
MTB > transpose m7 m8
MTB > print m8
Output:
Data Display
Matrix M8
117 33
27 15
72 72
Output 2.3.8 Output Transpose Matriks
Interpretasi:
Program di atas merupakan program mentransposisi (menukar baris dan
kolom) sebuah matriks. Program dimulai dengan menggunakan perintah
’transpose M7 M8’, yang artinya semua baris dari matriks M7 akan menjadi
kolom di dalam matriks M8 dan semua kolom dari matriks M7 akan menjadi baris

2023
di dalam matriks M8. Setelah itu mencetak matriks M8 maka didapatkan matriks 3
×2.
Program 2.3.9 Program Matriks Diagonal
MTB > #matriks diagonal
MTB > set c12
DATA> 2 4 7 1
DATA> end.
MTB > diag c1 m9
MTB > print m9
Output:
Data Display
Matrix M9
72 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 75 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 82 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 79 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 81 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 62 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 90 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 75 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 75 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 82 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 80 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 90 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 70 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 60 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 70
Output 2.3.9 Output Matriks Diagonal
Interpretasi:
Program di atas merupakan program membuat matriks diagonal. Matriks
diagonal adalah matriks persegi di mana semua elemen di luar diagonal utama
adalah nol. Perintah dimulai dengan memasukkan data pada kolom C12.
Kemudian membuat matriks diagonal dengan menggunakan data kolom C1 dan
menyimpan matriks diagonal ke dalam matriks M9 dengan menggunakan perintah
‘diag C1 M9’. Setelah itu mencetak matriks M9 pada layar.
Program 2.3.10 Program Invers Matriks
MTB > invert m1 m10
MTB > invert m5 m11
MTB > print m10 m11

2023
Output:
Data Display
Matrix M10
-1,00000 0,000000 2,00000

0,77778 0,222222 -1,66667
0,11111 -0,111111 0,33333
Data Display
Matrix M11
0,114583 -0,072917
-0,020833 0,104167
Output 2.3.10 Output Invers Matriks
Interpretasi:
Program di atas merupakan program invers matriks. Invers matriks adalah
matriks yang jika dikalikan dengan matriks asal akan menghasilkan matriks
identitas. Program dimulai dengan menggunakan perintah ‘invert M1 M10’,
perintah tersebut menghitung invers dari matriks M1 dan hasilnya akan disimpan
ke matriks M10. Kemudian, hal yang sama dilakukan perintah ‘invert M5 M11’,
perintah tersebut menghitung invers dari matriks M5 dan hasilnya akan disimpan
ke matriks M11. Terakhir mencetak hasil invers dari kedua matriks tersebut (M10
dan M11) ke layar.
Program 2.3.11 Program Eigen Matriks
MTB > #eigen matriks
MTB > read 3 3 m12
DATA> 174 142 184
DATA> 142 119 152
DATA> 184 152 198
3 rows read.
MTB > eigen m12 c13
MTB > copy m12 c14-c16
MTB > define 1 4 5 m13
MTB > print m12 m13
Output:
Data Display
Matrix M12

2023
174 142 184
142 119 152
184 152 198
Data Display
Matrix M13
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
Output 2.3.11 Output Eigen Matriks
Interpretasi:
Program di atas merupakan perhitungan nilai eigen (nilai dan vektor eigen)
dari sebuah matriks. Program dimulai dengan menggunakan perintah ‘read 3 3
M12’, artinya memasukkan data kedalam matriks M12 yang terdiri dari 3 baris
dan 3 kolom. Kemudian digunakan perintah eigen untuk menghitung nilai dan
vector eigen dari matriks M12, hasil tersebut akan disimpan pada kolom C13.
Selanjutnya menggunakan perintah ‘copy M1 C14-C16’ untuk menyalin matriks
M1 ke dalam kolom C14, C15 dan C16. Setelah itu, ‘define 1 4 5 M13’ untuk
membuat matriks baru (M13) yang terdiri dari kolom pertama pada matriks M12
dan tiga kolom yang telah disalin dari kolom C14, C15 dan C16. Terakhir
mencetak mtariks M12 dan M13 ke layar.

2023
2.4 Praktikum 4
Hari/Tanggal : Kamis, 19 Oktober 2023
Waktu : 16.00 – 17.30 WITA
Praktikum keempat membahas tentang uji ANOVA dan analisis regresi.

Analysis of Variance (ANOVA) merupakan analisis yang digunakan untuk
menguji perbedaan rata-rata antar grup data dan variabel penelitian dan
mengidentifikasi apakah perbedaan tersebut disebabkan oleh faktor perlakuan atau
hanya faktor acak. Sedangkan analisis regresi merupakan analisi yang bertujuan
untuk memodelkan hubungan antara variabel independen dan variabel dependen
serta melakukan prediksi.
2.4.1 Uji ANOVA
Uji ANOVA merupakan salah satu metode analisis statistik yang
digunakan untuk menguji perbedaan rata-rata antara dua populasi atau lebih.
ANOVA digunakan untuk mengevaluasi hipotesis bahwa rata-rata diantara
dua atau lebih kelompok populasi data adalah sama atau berbeda. Terdapat
berbagai jenis uji ANOVA yang dibedakan menurut jumlah variabel dan
faktor penelitian yang dilibatkan, yaitu one-way ANOVA, two-way ANOVA
dan seterusnya.
a. One-way ANOVA
One-way ANOVA digunakan pada saat penelitian hanya melibatkan satu
variabel bebas (independen) dan satu variabel terikat (dependen).
b. Two-way ANOVA
Two-way ANOVA digunakan saat terdapat dua variabel bebas
(independen) yang diduga mempengaruhi variabel terikat (dependen).
2.4.2 Analisis Regresi
Analisis regresi adalah teknik analisis statistik yang digunakan untuk
mengetahui pengaruh satu variabel independen atau lebih terhadap variabel

2023
dependen serta untuk membuat model prediksi. Analisis regresi bertujuan
untuk mencari hubungan matematis dalam bentuk persamaan antara satu
atau beberapa variabel independen (X) terhadap variabel dependen (Y) dan
memperkirakan nilai rata-rata variabel dependen berdasarkan nilai variabel
independen yang diketahui. Regresi juga terbagi menjadi dua yaitu, analisis
regresi sederhana dan analisis regresi berganda.
a. Regresi Sederhana
Regresi sederhana digunakan untuk mengetahui pengaruh satu variabel
bebas (X) terhadap variabel terikat (Y). Model umum regresi sederhana:
Y = β 0 + β 1 X1 ε
Keterangan:
Y = Variabel terikat
X1 = Variabel bebas
β0, β1 = Koefisien regresi
ε = error
b. Regresi Berganda
Regresi berganda digunakan saat terdapat lebih dari satu variabel bebas
(X) yang mempengaruhi variabel terikat (Y). Model umum regresi
berganda:
Y = β0 +β1X1 +β2X2 +…βkXk +ε
Keterangan:
Y = Variabel terikat
X1, X2, …, Xk = Variabel bebas
β0, β1, β2, …, βk = Koefisien regresi
ε = error
Berikut disajikan contoh data serta program mengenai ANOVA dan analisis
regresi.
Tabel 2.4.1 Tabel One-way ANOVA

2023
No Amerika Eropa Jepang Korea
1 90 90 80 80
2 80 80 90 70
3 80 70 100 70
4 100 70 70 60
5 80 80 85 70
6 80 80 95 70
7 90 70 90 70
8 90 70 80 80
9 90 80 100 60
10 80 60 90 50
11 80 70 100 60
12 90 70 90 60
13 80 70 90 70
14 80 70 90 60
15 80 70 80 70
16 90 70 80 80
17 80 60 80 70
18 70 60 80 70
19 80 60 80 60
20 70 95 80 75
21 90 100 80 65
22 100 80 100 85
23 90 75 70 95
24 80 85 80 70
25 90 70 90 80
26 90 70 100 70
27 90 80 90 80
28 80 80 80 80
29 80 90 85 75

2023
30 80 75 85 70
Program 2.4.1 Program One-way ANOVA
MTB > Name C5 "FITS1" C6 "FITS2" C7 "FITS3" C8 "FITS4" C9
"RESI1" C10 "RESI2" &
CONT> C11 "RESI3" C12 "RESI4".
MTB > OneWay;
SUBC> Response 'Amerika' 'Eropa' 'Jepang' 'Korea';
SUBC> IType 0;
SUBC> Tukey 5;
SUBC> GMCI;
SUBC> TGrouping;
SUBC> GIntPlot;
SUBC> TMethod;
SUBC> TFactor;
SUBC> TANOVA;
SUBC> TSummary;
SUBC> TMeans;
SUBC> Fits 'FITS1' - 'FITS4';
SUBC> Residuals 'RESI1' - 'RESI4';
SUBC> Nodefault.
Output:
One-way ANOVA: Amerika; Eropa; Jepang; Korea
Method
Null hypothesis All means are equal

Alternative hypothesis At least one mean is different
Significance level α = 0,05
Equal variances were assumed for the analysis.
Factor Information
Factor Levels Values

Factor 4 Amerika; Eropa; Jepang; Korea
Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value

Factor 3 4946 1648,54 21,04 0,000
Error 116 9087 78,34
Total 119 14033
Model Summary
S R-sq R-sq(adj) R-sq(pred)

8,85102 35,24% 33,57% 30,70%

2023
Means
Factor N Mean StDev 95% CI
Amerika 30 84,33 7,28 (81,13; 87,53)
Eropa 30 75,00 10,09 (71,80; 78,20)
Jepang 30 86,33 8,50 (83,13; 89,53)
Korea 30 70,83 9,29 (67,63; 74,03)
Pooled StDev = 8,85102
Tukey Pairwise Comparisons
Grouping Information Using the Tukey Method and 95% Confidence

Factor N Mean Grouping
Jepang 30 86,33 A
Amerika 30 84,33 A
Eropa 30 75,00 B
Korea 30 70,83 B
Output 2.4.1 Output One-way ANOVA
Interpretasi:
Berdasarkan program diatas dapat dilihat tabel ANOVA dari data tabel 2.4.1
dapat diketahui bahwa, faktor yang diuji adalah jenis negara (Amerika, Eropa,
Jepang, Korea), dengan 4 tingkatan. F-Value sebesar 21,04, menunjukkan
perbedaan yang signifikan antar kelompok negara dalam mempengaruhi variabel
dependen (tidak disebutkan dalam tabel). P-Value sebesar 0,000, sangat kecil,
mengindikasikan perbedaan ini sangat tidak mungkin terjadi karena kebetulan.
Adj SS Factor sebesar 4946, mewakili varians yang dijelaskan oleh perbedaan
antar kelompok negara. Adj MS Factor sebesar 1648,54, merupakan varians rata-
rata antar kelompok negara. Adj SS Error sebesar 9087, mewakili varians yang
tidak dijelaskan oleh perbedaan antar kelompok negara, melainkan oleh variasi
dalam kelompok. Adj MS Error sebesar 78,34, merupakan varians rata-rata dalam
kelompok. Berdasarkan tabel ANOVA dapat ditarik kesimpulan bahwa, ada
perbedaan yang signifikan dalam rata-rata variabel dependen antar empat
kelompok jenis negara. Namun, tabel ANOVA tidak menunjukkan arah dan
besarnya perbedaan tersebut. Untuk mengetahui arah dan besarnya perbedaan, kita
perlu melihat hasil analisis post-hoc, misalnya Tukey HSD. Tabel Tukey HSD
yang diberikan menunjukkan pengelompokan rata-rata berdasarkan signifikansi
perbedaan. Jepang dan Amerika dikelompokkan dalam A, artinya rata-rata mereka

2023
tidak berbeda secara signifikan. Eropa dan Korea dikelompokkan dalam B, artinya
rata-rata mereka tidak berbeda secara signifikan. Namun, kelompok A (Jepang &
Amerika) berbeda secara signifikan dengan kelompok B (Eropa & Korea).
Berdasarkan tabel Turkey HSD dapat ditarik kesimpulan bahwa rata-rata variabel
dependen tertinggi terdapat pada kelompok Jepang dan Amerika, sedangkan
terendah pada Korea. Rata-rata variabel dependen pada kelompok Eropa berada di
antara keduanya
Tabel 2.4.2 Tabel Two-way ANOVA
MOTIVASI MOTIVASI MOTIVASI
KELAS
TINGGI SEDANG RENDAH
80 93 87
93 80 80
A 73 80 80
73 87 73
73 73 80
87 73 60
80 60 73
B 80 67 60
73 67 53
73 60 53
Program 2.4.2 Program Two-way ANOVA

MTB > Name C17 "FITS5" C18 "RESI5".
MTB > GLM;
SUBC> Response 'NILAI';
SUBC> Nodefault;
SUBC> Categorical 'KELAS' 'MOTIVASI';
SUBC> Terms KELAS MOTIVASI;
SUBC> TMethod;
SUBC> TAnova;
SUBC> TSummary;
SUBC> TCoefficients;
SUBC> TEquation;
SUBC> TFactor;
SUBC> TDiagnostics 0;
SUBC> GFOURPACK;
SUBC> Fits 'FITS5';
SUBC> Residuals 'RESI5'.

2023
Output:
General Linear Model: NILAI versus KELAS; MOTIVASI
Method
Factor coding (-1; 0; +1)
Factor Information
Factor Type Levels Values

KELAS Fixed 2 1; 2
MOTIVASI Fixed 3 1; 2; 3
Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value

KELAS 1 1153,2 1153,20 16,98 0,000
MOTIVASI 2 370,1 185,03 2,72 0,084
Error 26 1766,2 67,93
Lack-of-Fit 2 606,6 303,30 6,28 0,006
Pure Error 24 1159,6 48,32
Total 29 3289,5
Model Summary
S R-sq R-sq(adj) R-sq(pred)

8,24201 46,31% 40,11% 28,52%
Coefficients
Term Coef SE Coef T-Value P-Value VIF

Constant 74,13 1,50 49,27 0,000
KELAS
1 6,20 1,50 4,12 0,000 1,00
MOTIVASI
1 4,37 2,13 2,05 0,050 1,33
2 -0,13 2,13 -0,06 0,951 1,33
Regression Equation
NILAI = 74.13 + 6.20 KELAS_1 - 6.20 KELAS_2 + 4.37 MOTIVASI_1

- 0.13 MOTIVASI_2- 4.23 MOTIVASI_3
Output 2.4.2 Output Two-way ANOVA
Interpretasi:
Berdasarkan program diatas dapat diketahui tabel ANOVA dua arah dari
data pada tabel 2.4.2 dimana, pada kelas,DF (Degrees of freedom): 1,

2023
menunjukkan adanya 1 grup kelas sebagai faktor perbandingan.Adj SS (Adjusted
Sum of Squares): 1153,20, mewakili varians yang dijelaskan oleh perbedaan grup
kelas. Adj MS (Adjusted Mean Square): 1153,20, merupakan varians rata-rata
antar grup kelas. F-Value: 16,98, mengindikasikan perbedaan yang signifikan
antara grup kelas dalam mempengaruhi variabel dependen (tidak disebutkan
dalam tabel). P-Value: 0,000, menunjukkan probabilitas kebetulan perbedaan
terjadi sangat kecil (<5%), mendukung signifikansi perbedaan grup kelas. Pada
motivasi, DF: 2, menunjukkan adanya 2 kelompok motivasi sebagai faktor
perbandingan. Adj SS: 370,10, mewakili varians yang dijelaskan oleh perbedaan
kelompok motivasi. Adj MS: 185,03, merupakan varians rata-rata antar kelompok
motivasi. F-Value: 2,72, menunjukkan perbedaan yang tidak signifikan antara
kelompok motivasi dalam mempengaruhi variabel dependen. P-Value: 0,084,
menunjukkan probabilitas kebetulan perbedaan terjadi sebesar 8,4%, sehingga
secara statistik tidak cukup bukti untuk menyimpulkan perbedaan signifikan grup
motivasi. Untuk error, Error: 1766,20, mewakili varians total yang tidak
dijelaskan oleh perbedaan grup maupun faktor lain. Lack-of-Fit: 606,60,
menunjukkan varians yang tidak dijelaskan oleh model ANOVA, berpotensi
akibat ketidaksesuaian model dengan data. Pure Error: 1159,60, mewakili varians
acak atau variasi dalam grup. Berdasarkan penjelasan diatas dapat ditarik
kesimpulan bahwa, ada perbedaan signifikan antara grup kelas dalam
mempengaruhi variabel dependen. tidak ada perbedaan signifikan antara
kelompok motivasi dalam mempengaruhi variabel dependen. Model ANOVA
secara keseluruhan menjelaskan sebagian dari varians dalam data, namun terdapat
varians yang tidak dijelaskan oleh model.
Tabel 2.4.3 Tabel Regresi Sederhana
No. Harga Produk (X) Loyalitas Pelanggan (Y)
1 42 29
2 33 26
3 40 31
4 40 23

2023
5 43 23
6 36 24
7 40 23
8 37 27
9 42 30
10 42 33
11 32 29
12 42 32
13 40 24
14 38 27
15 42 26
16 31 24
17 33 21
18 42 26
19 39 28
20 40 26
21 32 25
22 33 20
23 40 27
24 36 28
25 40 24
26 27 22
27 37 29
28 39 16
29 32 23
30 37 19
Program 2.4.3 Program Regresi Sederhana

MTB > Regress;
SUBC> Response 'Loyalitas Pelanggan (Y)';
SUBC> Nodefault;
SUBC> Continuous 'Harga Produk (X)';

2023
SUBC> Terms C7;
SUBC> Constant;
SUBC> Unstandardized;
SUBC> GFOURPACK;
SUBC> Tmethod;
SUBC> Tanova;
SUBC> Tsummary;
SUBC> Tcoefficients;
SUBC> Tequation;
SUBC> Fits 'FITS2';
Output:
Regression Analysis: Loyalitas Pelanggan (Y) versus Harga Produk
(X)
Regression Equation
Loyalitas Pelanggan (Y) = 13.37 + 0.323 Harga Produk (X)

Output 2.4.3 Output Regresi Sederhana
Interpretasi:
Berdasarkan program diatas ditemukan persamaan regresi. Berdasarkan
persamaan tersebut, loyalitas pelanggan (Y) memiliki hubungan positif dengan
harga produk (X). Artinya, semakin tinggi harga produk, maka loyalitas pelanggan
juga cenderung meningkat. Koefisien regresi (b) dalam persamaan tersebut adalah
0,323, yang berarti bahwa setiap kenaikan harga produk sebesar 1 unit, maka
loyalitas pelanggan akan meningkat sebesar 0,323 unit.
Tabel 2.4.4 Tabel Regresi Berganda
No. Harga Ayam (X1) Harga Sapi (X2) Permintaan Daging (Y)
1 42,2 78,3 27,8
2 38,1 79,2 29,9
3 40,3 79,2 29,8
4 39,5 79,2 30,8
5 37,3 77,4 31,2
6 38,1 80,2 33,3
7 39,3 80,4 35,6
8 37,8 83,9 36,4
9 38,4 85,5 36,7

2023
10 40,1 93,7 38,4
11 38,6 106,1 40,4
12 39,8 104,8 40,3
13 39,9 114 41,8
14 51,2 124,1 40,4
15 48,9 127,6 40,7
16 58,3 142,9 40,1
17 57,9 143,6 42,7
18 56,5 139,2 44,1
19 63,7 165,5 46,7
20 61,6 203,3 50,6
21 58,9 219,6 50,1
22 66,4 221,6 51,7
23 70,4 232,6 52,9
24 24,1 58,7 38,4
25 24,7 57,9 39,7
26 25,3 79,7 40,7
27 28,1 76,9 45,5
28 28,9 84,1 56,9
29 22,3 99,5 45,7
30 25,2 50,9 55,4
Program 2.4.4 Program Regresi Berganda

MTB > Regress;
SUBC> Response 'Permintaan Daging (Y)';
SUBC> Nodefault;
SUBC> Continuous 'Harga Ayam (X1)' 'Harga Sapi (X2)';
SUBC> Terms C12 C13;
SUBC> Constant;
SUBC> Unstandardized;
SUBC> GFOURPACK;
SUBC> Tmethod;
SUBC> Tanova;
SUBC> Tsummary;

2023
SUBC> Tcoefficients;
SUBC> Tequation;
SUBC> Fits 'FITS3';
Output:
Regression Analysis: Permintaan Daging (Y) versus Harga Ayam
(X1); Harga Sapi (X2)
Regression Equation
Permintaan Daging (Y) = 41.32 - 0.596 Harga Ayam (X1)

+ 0.2253 Harga Sapi (X2)
Output 2.4.4 Output Regresi Berganda
Interpretasi:
Berdasarkan program diatas ditemukan persamaan regresi berganda.
Berdasarkan persamaan tersebut, permintaan daging (Y) memiliki hubungan
negatif dengan harga ayam (X1) dan hubungan positif dengan harga sapi (X2).
Artinya, semakin tinggi harga ayam, maka permintaan daging akan semakin
rendah. Sebaliknya, semakin tinggi harga sapi, maka permintaan daging akan
semakin tinggi. Koefisien regresi dalam persamaan tersebut adalah sebagai
berikut, -0,596 setiap kenaikan harga ayam sebesar 1 unit, maka permintaan
daging akan menurun sebesar 0,596 unit. 0,2253 setiap kenaikan harga sapi
sebesar 1 unit, maka permintaan daging akan meningkat sebesar 0,2253 unit.

2023
2.5 Praktikum 5
Hari/Tanggal : Kamis, 09 November 2023
Waktu : 16.00 – 17.30 WITA
Praktikum kelima membahas tentang pembangkitan data acak, penarikan

sampel dan fungsi kepadatan peluang. Pembangkitan data acak sangat penting
digunakan untuk mensimulasikan fenomena acak. Penarikan sampel diperlukan
agar dapat menggeneralisasi populasi berdasarkan sampel yang diambil. Fungsi
distribusi dan kepadatan peluang merupakan konsep probabilitas yang
merepresentasi kerapatan nilai acak pada interval tertentu.
2.5.1 Pembangkitan Data Acak
Pembangkitan data acak (random number generation) adalah proses
menghasilkan rangkaian angka, karakter, atau simbol yang terdistribusi
secara acak dan tidak berpola. Data acak yang baik seharusnya tidak dapat
diprediksi atau ditentukan rumus matematis tertentu untuk
menghasilkannya.
a. Distribusi Binomial
Distribusi Binomial hanya memiliki 1 percobaan dan memiliki nilai 0
atau 1.
b. Distribusi Bernoulli
Distribusi Binomial memiliki lebih dari 1 percobaan (n percobaan) dan
memiliki nilai bisa 0 hingga n.
2.5.2 Penarikan Sampel
Penarikan sampel (sampling) adalah proses mengambil sebagian anggota
dari suatu populasi untuk mewakili seluruh populasi. Tujuan penarikan
sampel adalah untuk mengestimasi karakteristik populasi berdasarkan
karakteristik sampel. Ada dua jenis penarikan sampel, yaitu penarikan
sampel dengan pengembalian dan penarikan sampel tanpa pengembalian.

2023
a. Penarikan Sampel Dengan Pengembalian
Metode ini, setiap anggota populasi hanya memiliki satu kesempatan
untuk terpilih menjadi bagian dari sampel. Jadi setelah satu anggota
populasi terpilih dan diambil sebagai sampel, anggota tersebut tidak
dimasukkan lagi ke dalam populasi.
b. Penarikan Sampel Tanpa Pengembalian
Metode ini, setiap anggota populasi memiliki peluang yang sama untuk
terpilih di setiap kali penarikan sampel, meskipun anggota tersebut
sebelumnya telah terpilih. Jadi sampel yang telah diambil akan
dimasukkan kembali ke dalam populasi sebelum penarikan sampel
berikutnya.
2.5.3 Fungsi Kepadatan Peluang
Fungsi kepadatan peluang (probability density function) adalah fungsi
matematika yang menggambarkan kemungkinan relatif (likelihood) sebuah
variabel acak kontinu bernilai pada interval nilai tertentu. Pdf digunakan
terutama pada variabel acak kontinu untuk menentukan sebaran atau pola
nilai acaknya.
Berikut disajikan program mengenai pembangkitan data acak, penarikan sampel
dan fungsi kepadatan peluang.
Program 2.5.1 Program Distribusi Binomial
MTB > #MASUKKAN DATA BERDISTRIBUSI BINOMIAL
MTB > name c1 "DATA BINOMIAL"
MTB > random 35 c1;
SUBC> binomial 4 0,5.

2023
Output:
Output 2.5.1 Output Distribusi Binomial
Interpretasi:
Program diatas merupakan program melakukan pembangkitan data acak
yang berdistribusi Binomial. Program dumulai dengan member nama kolom C1
dengan nama “DATA BINOMIAL”. Selanjutnya, menggunakan perintah ‘random
35 C1’ untuk membangkitkan 35 data acak pada kolom C1. Terakhir,
menggunakan perintah ‘binomial 4 0,5’ untuk menentukan distribusi dan
parameter untuk data acak Binomial. 4 adalah jumlah percobaan (n) dan 0,5
adalah peluang sukses dalam setiap percobaan (p). Jadi setiap nilai acak pada
kolom C1 mengikuti distribusi Binomial dengan n = 4 dan p = 0,5.
Program 2.5.2 Program Distrbusi Bernoulli
MTB > #MASUKKAN DATA BERDISTRIBUSI BERNOULLI
MTB > name c2 "DATA BERNOULLI"
MTB > random 40 c2;
SUBC> bernoulli 0,5.

2023
Output:
Output 2.5.2 Output Distribusi Bernoulli
Interpretasi:
Program diatas merupakan program melakukan pembangkitan data acak
yang berdistribusi Bernoulli. Program dumulai dengan member nama kolom C2
dengan nama “DATA BERNOULLI”. Selanjutnya, menggunakan perintah
‘random 40 C2’ untuk membangkitkan 40 data acak pada kolom C2. Terakhir,
menggunakan perintah ‘bernoulli 0,5’ untuk Menentukan distribusi Bernoulli
dengan parameter peluang sukses 0,5 untuk data acak pada kolom C2.
Program 2.5.3 Program Penarikan Sampel Dengan Pengembalian
MTB > random 1000 c4
MTB > name c4 "BAGKIT DATA ACAK 1"
MTB > sample 30 c4 c5
MTB > name c5 "TANPA PENGEMBALIAN"

2023
Output:
Output 2.5.3 Output Penarikan Sampel Dengan Pengembalian
Interpretasi:
Program diatas merupakan program melakukan penarikan sampel acak
tanpa pengembalian dari data acak yang sudah dihasilkan sebelumnya. Program
dimulai dengan membangkitkan 1000 data acak dan disimpan pada kolom dengan
menggunakan fungsi ‘random 1000 C4’ dan memberi nama pada kolom C4
dengan fungsi ‘name’. Terakhir, menggunakan perintah ‘sample 30 C4 C5’ untuk
melakukan pengambilan sampel secara acak sebanyak 30 data dari kolom C4 dan
hasilnya disimpan di kolom C5 serta memberi nama pada kolom C5.
Program 2.5.4 Program Penarikan Sampel Tanpa Pengembalian
MTB > name c7 "BAGKIT DATA ACAK 2"
MTB > sample 30 c7 c8;
SUBC> replace.
MTB > name c8 "DENGAN PENGEMBALIAN"
Output:

2023
Output 2.5.4 Output Penarikan Sampel Tanpa Pengembalian
Interpretasi:
Program diatas merupakan program melakukan penarikan sampel acak
dengan pengembalian dari data acak yang sudah dihasilkan sebelumnya. Program
dimulai dengan membangkitkan 1000 data acak dan disimpan pada kolom dengan
menggunakan fungsi ‘random 1000 C7’ dan memberi nama pada kolom C7
dengan fungsi ‘name’. Selanjutnya, menggunakan perintah ‘sample 30 C7 C8’
untuk melakukan pengambilan sampel secara acak sebanyak 30 data dari kolom
C7 dan hasilnya disimpan di kolom C8 serta memberi nama pada kolom C8.
Terakhir, menggunakan perintah ‘replace’ untuk mengaktifkan pengambilan
sampel dengan pengembalian. Jadi setiap kali mengambil satu sampel, sampel
tersebut dikembalikan lagi ke data bangkitan asal sebelum mengambil sampel
berikutnya.
Program 2.5.5 Program Fungsi Kepadatan Peluang 1
MTB > #binomial 5 0,45
MTB > name c10 "DATA PDF"
MTB > set c10
DATA> 4 6 8
DATA> end.
MTB > pdf c10;

2023
Output:
Probability Density Function
Normal with mean = 0 and standard deviation = 1
x f( x )
4 0,0001338
6 0,0000000
8 0,0000000
Output 2.5.5 Output Fungsi Kepadatan Peluang 1
Interpretasi:
Program diatas merupakan program menghitung nilai fungsi probabilitas
(probability density function) dari data diskrit tertentu berdasarkan distribusi
Binomial. Program dimulai dengan menggunakan memberi nama pada kolom
C10 dengan perintah ‘name’ dan memasukkan data yang akan dianalisis pada
kolom C10 dengan perintah ‘set’. Selanjutnya, menghitung nilai fungsi
probabilitas (pdf) dari data pada kolom C10 dengan menggunakan perintah ‘pdf
C10’. Terakhir, menggunakan perintah ‘binomial 5 0,45’ untuk menentukan
bahwa perhitungan pdf menggunakan distribusi binomial dengan n = 5 dan p =
0,45. Berdasarkan output diatas menunjukan bahwa program tersebut akan
menampilkan hasil nilai fungsi probabilitas di window session.
Program 2.5.6 Program Fungsi Kepadatan Peluang 2
MTB > pdf c10 c11;
Output:
Output 2.5.6 Output Fungsi Kepadatan Peluang 2

2023
Interpretasi:
Program diatas merupakan program menghitung nilai fungsi probabilitas
(probability density function) dari data diskrit tertentu berdasarkan distribusi
Binomial. Program dimulai dengan menggunakan perintah ‘pdf C10 C11’ untuk
menghitung nilai fungsi probabilitas (pdf) dari data pada kolom C10 dan hasilnya
akan disimpan pada kolom C11. Terakhir, menggunakan perintah ‘binomial 5
0,45’ untuk menentukan bahwa perhitungan pdf menggunakan distribusi binomial
dengan n = 5 dan p = 0,45. Berdasarkan output diatas menunjukan bahwa program
tersebut akan menampilkan hasil nilai fungsi probabilitas di worksheet.

2023

Format Lapleng PPS

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Format Lapleng PPS

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB I

1.1 Latar Belakang

PROGRAM STUDI STATISTIKA

PROGRAM STUDI STATISTIKA

Praktikum pertama membahas tentang pengenalan Minitab dan pembuatan

PROGRAM STUDI STATISTIKA

PROGRAM STUDI STATISTIKA

PROGRAM STUDI STATISTIKA

PROGRAM STUDI STATISTIKA

Gambar 2.1.1 Menu File

PROGRAM STUDI STATISTIKA

Gambar 2.1.2 Menu File

b. Cara Membuka File Pada Minitab

Gambar 2.1.3 Menu File

PROGRAM STUDI STATISTIKA

Gambar 2.1.4 Menu Open Worksheet

2.1.3 Pembuatan Grafik Pada Minitab

PROGRAM STUDI STATISTIKA

Langkah-langkah membuat diagram batang, sebagai berikut:

Output 2.1.1 Output Diagram Batang Nilai Rata-Rata Ujian Matematika

PROGRAM STUDI STATISTIKA

Langkah-langkah membuat diagram lingkaran, sebagai berikut:

Output 2.1.2 Output Diagram Lingkaran Hobi Siswa Di Sekolah A

PROGRAM STUDI STATISTIKA

PROGRAM STUDI STATISTIKA

Langkah-langkah membuat diagram scatterplot, sebagai berikut:

Output 2.1.3 Output Scatterplot Pengaruh Suhu Terhadap Jumlah Cacat

PROGRAM STUDI STATISTIKA

Langkah-langkah membuat histogram, sebagai berikut:

PROGRAM STUDI STATISTIKA

Output 2.1.4 Output Histogram Nilai Matematika

PROGRAM STUDI STATISTIKA

Output 2.1.5 Output Boxplot Tinggi Badan

Langkah-langkah membuat Time series, sebagai berikut:

PROGRAM STUDI STATISTIKA

Output 2.1.6 Output Time Series Data Penjualan

PROGRAM STUDI STATISTIKA

Langkah-langkah membuat digram dahan daun, sebagai berikut:

Stem-and-leaf of Nilai UTS METSTAT N = 66

PROGRAM STUDI STATISTIKA

Tabel 2.1.8 Tabel Nilai Matematika 40 Siswa

Langkah-langkah membuat Dot Plot, sebagai berikut:

PROGRAM STUDI STATISTIKA

Output 2.1.8 Dotplot Nilai Matematika 40 Siswa

PROGRAM STUDI STATISTIKA

Praktikum kedua membahas tentang statistika deskriptif. Statistika

PROGRAM STUDI STATISTIKA

PROGRAM STUDI STATISTIKA

2) Kemudian, pilih menu stat pada toolbar

Gambar 2.2.2 Menu Stat

3) Pilih basic statistic, setelah itu pilih display descriptive statistics

Gambar 2.2.3 Menu Stat

PROGRAM STUDI STATISTIKA

Gambar 2.2.5 Menu Display Descriptive Statistics

6) Data yang telah dideskripsikan akan muncul di windows session

Variable Sum Minimum Q1 Median Q3

Variable Maximum Range

PROGRAM STUDI STATISTIKA

Variable N N* Mean StDev Variance Minimum

Variable Skewness Kurtosis

PROGRAM STUDI STATISTIKA

Mean of Nilai Matematika = 86,1667

Median of Nilai Matematika