Modul Materi Sipo 2022 New
Modul Materi Sipo 2022 New
PERATURAN UMUM
I . Praktikan wajib mengetahui semua informasi terkait pelaksanaan praktikum.
2. Praktikan wajib mengetahui seluruh kelengkapan dan persyaratan praktikum
dan menyiapkan hal-hal yang dibutuhkan untuk pelaksanaan praktikum (data,
peralatan, dll.) sesuai dengan modul yang diikuti.
3. Segala bentuk plagiarism, kecurangan, pemalsuan dalam kegiatan praktikum
akan dibawa ke Komisi Etik Fakultas dan akan dikenakan sanksi sesuai dengan
aturan di Institusi Universitas Telkom.
4. Praktikan wajib menjaga ketenangan dan ketertiban selama kegiatan praktikum
ataupun setelah kegiatan praktikum.
5. Praktikan wajib menjaga sikap sopan santun dan etika kepada sesama rekan,
asisten, dosen, dan laboran serta teknisi laboratorium.
KELENGKAPAN PRAKTIKUM
l . Praktikan wajib memenuhi persyaratan administrasi dan akademis yang telah
diumumkan oleh Laboratorium SIPO.
2. Praktikan wajib memenuhi kelengkapan persyaratan setiap modul (persyaratan
tambahan akan diumumkan pada laman facebook atau website Laboratorium
SIPO sebelum praktikum modul bersangkutan dimulai).
PELAKSANAAN PRAKTIKUM
1. Praktikum SIPO terdiri atas 9 modul dengan rincian 6 modul Statistika Industri
dan 3 modul Penelitian Operasional.
2. Praktikum dilaksanakan dengan jadwal yang akan ditentukan kemudian. Jika
terjadi pemindahan jadwal akan diberitahukan selanjutnya.
3. Praktikan wajib hadir tepat waktu saat pelaksanaan praktikum. Tidak ada
toleransi keterlambatan (Toleransi Keterlambatan: () menit).
4. Apabila praktikan tidak mengikuti praktikum salah satu modul atau lebih tanpa
alasan yang dapat dipertanggungjawabkan dan diterima oleh seluruh asisten
Laboratorium SIPO 2022, maka praktikan tersebut diwajibkan mengulang
praktikum di tahun selanjutnya.
5. Jika praktikan berhalangan hadir karena sakit, maka diwajibkan untuk
menyerahkan surat keterangan dokter maksimal 3 hari setelah pelaksanaan
SIPO LABORATOR
MODUL MATERI SIPO 2022
praktikum. Jika tidak, maka dianggap tidak mengikuti praktikum modul yang
bersangkutan.
6. Praktikum Susulan
a. Praktikum susulan hanya diberikan kepada praktikan yang tidak dapat
mengikuti praktikum dengan alasan yang benar, resmi, jelas, dan dapat
diterima oleh seluruh asisten Laboratorium SIPO 2021.
b. Apabila praktikan yang mendapatkan kesempatan praktikum susulan
tidak mengikuti praktikum pada jadwal yang telah ditentukan dengan
alasan yang tidak dapat dipertanggungiawabkan, maka wajib mengulang
modul tersebut di tahun berikutnya.
c. Jadwal susulan dilaksanakan sebanyak satu kali sebelum UTS dan satu
kali sebelum UAS.
7. Tukar Jadwal
a. Praktikan dapat melakukan tukar jadwal praktikum dengan alasan yang
dapat dipertanggungjawabkan dan dapat diterima oleh seluruh asisten
Laboratorium SIPO 2021 paling lambat 1x24 jam sebelum praktikum
dilaksanakan dnegan mengisiform tukar jadwal.
8. Pakaian
a. Praktikan wajib mengenakan pakaian sesuai dengan ketetapan Universitas
Telkom, yaitu hari Senin-Rabu mengenakan kemeja putih, Kamis dan
Sabtu menggunakan kemeja, serta pada hari Jumat mengenakan batik.
b. Rambut mahasiswa pria harus rapi, tidak melebihi kerah kemeja yang
dikenakan dan tidak boleh diikat.
SIPO LABORATOR
MODUL MATERI SIPO 2022
iii
SIPO LABORATOR
MODUL MATERI SIPO 2022
KOMPONEN PENILAIAN
Ko nen Penilaian
MODUL Tes Awal Praktikum Tes Akhir T as ran
La
60% 40%
SIP O
MODUL MATERI SIPO 2022
iv
MODUL O
TUJUAN PRAKTIKUM
l. Praktikan memahami definisi dari sampel dan istilah-istilah yang terkait.
2. Praktikan mengetahui cara pengambilan sampel yang tepat dengan berbagai
metode yang ada.
3. Praktikan mampu melakukan pengolahan data menggunakan software Microsoft
Excel berdasarkan studi kasus.
4. Praktikan mampu mengetahui urgensi serta tugas utama dari Data
SIP O
MODUL MATERI SIPO 2022
Preprocessing.
REFERENSI
Han, K. P. (2012). Data Mining: Concepts and Techniques in Data Mining.
Retrieved from Concepts and Techniques: https://doi.org/10.1016/C2009-
O61819-5
Hamdani, S. S. (2013). Statistik Terapan. Surabaya: IAIN Sunan Ampel.
Nugroho, S. (2007). Dasar-dasar Metode Statistika. Jakarta: Grasindo.
Santoso, S. (2018). Menguasai Statistik Dengan SPSS 25. Jakarta: Gramedia.
Scheaffer, R. L. (2012). Elementary Survey Sampling. USA.
Sugiyono. (2016). Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung:
PT Alfabet.
MIND MAP
Simple Random
Systematic
Random
Sampling
Stratified
Random
Sampling
Cluster
Sampling
Convenience
Sampling
Non-
Purposive
Probability
Sampling
Sampling
SIP O
MODUL MATERI SIPO 2022
Sampling
Judgement
Sampling
Quota Sampling
Snowball
Sampling
DASAR TEORI
SIP O
MODUL MATERI SIPO 2022
MAT ERİ
Teknik Sampling
Teknik Sampling merupakan teknik pengambilan sampel. Untuk menentukan
sampel yang akan digunakan dalam penelitian, terdapat berbagai teknik sampling
yang digunakan (Sugiyono, 2016). Teknik sampling yang digunakan diantaranya:
I. Probability Sampling
Probability Sampling adalah teknik pengambilan sampel yang membagikan
peluang yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi
anggota sampel. Terdapat beberapa teknik sampling yang termasukprobabi/ity
sampling akan tetapi pada modül ini hanya membahas Simple Random
Sampling, Systematic Randam Sampling, Stratified Randam Sampling dan
sampling area (cluster).
a. Simple Randam Sampling
Simple Random Sampling adalah metode pengambilan anggota sampel
secara acak dari populasi dan tidak memperhatikan strata yang ada dalam
populasi tersebut.
Syarat Simple Randam Sampling:
l. Adanya kerangka sampling
2. Sifat populasi homogen agar tidak bias
3. Keadaan populasi secara geografis tidak terlalu tersebar
Prosedur Simple Random Sampling:
l. Menyusun kerangka sampel
2. Tetapkan ukuran sampel
3. Generate angka random
4. Ambil sampel secara acak
Contoh penerapan metode Probability Sampling adalah setiap orang
memiliki kesempatan untuk memenangkan undian (dengan asumsi mereka
semua memiliki satu tiket undian).
b. Systematic Random Sanıpling
Systematic Random Sampling adalah teknik sampling yang dilakukan
secara sistematis dengan proses awal yang random, dimana hanya unit
pengamatan pertama saja dari sampel yang diambil secara random.
Sedangkan, setiap unit selanjutnya dipilih secara sistematis menurut
SİPO
MODUL SİPO 2022
interval (1=n/N). Pada mulanya, peneliti memberi nomor
seluruh populasi yang diurutkan, lalu urutan nomor dalam
daftar diacak. Setelah itu pada setiap perhitungan tertentu, satu sampel
diambil, dihitung lagi, satu sampel diambil lagi untuk diteliti. Begitu
seterusnya sampai jumlah sampel sesuai dengan rencana awal.
Prosedur Systematic Random Sampling:
. Menyusun kerangka sampel dan samplingnya harus tersusun secara random.
2. Tetapkan ukuran sampel yang ingin diambil (n) dari populasi (N) sehingga
diketahui Intervalnya (1=n/N).
3. Pilih sampel pertama (rl) secara random menggunakan angka random
4. Pilih sampel berikutnya (r2) dengan cara menambahkan interval sampling (I).
Contoh penerapan metode ini adalah seorang peneliti ingin meneliti pola
tidur mahasiswa Fakultas Rekayasa Industri. Jumlah total populasinya 800
mahasiswa. Peneliti ingin melakukan survei pada 80 mahasiswa saja.
Teknik sampling yang dilakukan, pertama-tama peneliti merencanakan,
misal sampel yang diambil adalah daftar nomor urut ke 8 dan kelipatannya
(16, 24, 32, 800). Lalu, peneliti mengacak daftar 800 nomor yang semula
berurutan. Setelah diacak, dilihat kembali, mahasiswa yang namanya
berada di urutan nomor 8 dan kelipatannya diambil sebagai sampel.
c. Stratified Random Sampling
Stratified Random Sampling adalah teknik pengambilan sampel dengan
membagi anggota populasi kedalam beberapa strata. Sampel dipilih dari
masing-masing populasi dengan jumlah yang proporsional.
Prosedur Stratified Random Sampling:
SİPO
MODUL MATERI SIPO 2022
MAT ERİ
Contoh penerapan metode ini adalah suatu tim berjumlah 30 orang terdiri
18 pria dan 12 wanita. Jika akan dipecah menjadi sebuah tim berjumlah 15
orang yang dipilih secara acak, maka anggota tim yang terbentuk harus
berasal dari grup wanita berjumlah 6 orang (40% x 15) dan grup laki-laki
9 orang (60% x 15).
d. Cluster Sampling
Cluster Sampling adalah teknik pengambilan sampel berdasarkan
kelompok atau klaster dimana pengambilan sebuah sampel tidak langsung
ke unit pengamatan, akan tetapi dilakukan melalui pengambilan sebuah
sampel dari kelompok - kelompok pengambilan sampel tersebut. Dapat
dilakukan bertahap bisa satu tahap (single stage cluster sampling) atau dua
tahap (two stage cluster sanıpling). Tahap pertama, menentukan sampel
daerah dan tahap berikutnya, menentukan unit sampel secara random.
Prosedur Cluster Sampling:
2. Non-ProbabiIity Sampling
Non-Probability Sampling adalah teknik yang tidak memberi
peluang/kesempatan yang sama bagi setiap unsur atau anggota populasi untuk dipilih
menjadi sampel (Sugiyono, 2016). Teknik sampel ini meliputi, convenience
SİPO
MODUL SİPO 2022
sampling, purposive sampling, quota sampling, judgement
sampling, dan snowball sampling.
a. Convenience sampling
Convenience sampling adalah metode pengambilan sampel didasarkan
pada ketersediaan elemen dan kemudahan untuk mendapatkannya. Sampel
diambil/terpilih karena sampel tersebut ada pada tempat dan waktu yang
tepat. Contoh penerapan metode ini adalah penelitian untuk mengetahui
jenis social media yang digunakan oleh dosen, maka sampel yang diambil
adalah para dosen yang ada di ruang dosen supaya lebih mudah, lebih cepat
atau lebih dekat. Oleh karena itu, beberapa kasus penelitian yang
menggunakan jenis sampel ini, hasilnya ternyata kurang objektif sehingga
memberikan kesimpulan umum yang kurang baik.
b. Purposive sampling
Purposive sampling adalah metode pengambilan sampel didasarkan pada
teknik penentuan sampel dengan pertimbangan tertentu (Sugiyono, 2016).
Terdapat dua jenis pengambilan sampel pada purposive sampling yaitu
quota sampling, judgement sampling.
l. Judgement sampling
Judgement sampling adalah metode pengambilan sampel
berdasarkan penilaian peneliti bahwa sesuatu atau orang yang akan
dijadikan sampel tersebut adalah pihak yang paling baik untuk
dijadikan sampel penelitiannya. Contoh penerapan metode ini adalah
untuk memperoleh data tentang bagaimana satu proses produksi
direncanakan oleh suatu perusahaan, maka manajer produksi
merupakan orang yang terbaik untuk bisa memberikan informasi.
Jadi,judgement sampling umumnya memilih sesuatu atau seseorang
menjadi sampel karena mereka memiliki informasi yang mendalam.
2. Quota sampling
Quota sampling adalah metode pengambilan sampel
distratifikasikan secara proposional, namun tidak dipilih secara acak
melainkan secara kebetulan saja. Contoh penerapan metode ini
SİPO
MODUL MATERI SIPO 2022
V
SİPO
MODUL MATERI SIPO 2022
SİPO
MODUL MATERI SIPO 2022
10
SİPO
MODUL MATERI SIPO 2022
SIPO
MODUL MATERI SIPO 2022
1. Penentuan ukuran sampel dalam mencari rata-rata (g) dengan parameter error
menggunakan simple random sampling, dengan menggunakan rumus
sebagai berikut:
(N 1)D+o-2
Dimana:
n = Ukuran sampel N =
Populasi a 2 = Variansi
Populasi
B — Jumlah atau taraf kesalahan.
SLOVING
Dengan menghitung jumlah sampel minimal jika perilaku dari sebuah populasi
tidak diketahui secara pasti dapat menggunakan rumus slovin. Formula yang paling
populer dan sederhana yang dikemukakan dalam Altares, et al. (2003, p. 13) dikenal
sebagai SLOVIN'S FORMULAS. Menurut Tejada (2012, p. 130), rumus
SLOVING digunakan untuk membuat estimasi proporsi populasi dengan simple
random sampling tanpa pengembalian (SRSWOR) dengan asumsi tingkat
keyakinan 95% sebagai berikut:
12
SİPO
MODUL MATERI SIPO 2022
(1 +
Ne2)
SIPO
MODUL MATERI SIPO 2022
Dimana:
n = Ukuran Sampel
N = Ukuran Populasi e = Tarafnyata
atau batas kesalahan
DATA PREPROCESSING
Data Cleaning
Gambar l. I Data Cleaning
14
IPO LABORATORY
MODUL MATERI SIPO 2022
S
hilang atau tidak lengkap maka berikut merupakan beberapa cara
untuk menanganinya:
a. Abaikan tupel (abaikan informasi yang hilang).
b. Isi nilai yang hilang secara manual.
c. Gunakan konstanta global untuk mengisi nilai yang hilang.
d. Gunakan ukuran kecenderungan sentral untuk atribut (mis., mean
atau median) untuk mengisi nilai yang hilang. e. Gunakan mean
atribut atau median untuk semua sampel milik kelas yang sama
dengan tupel yang diberikan.
f. Gunakan nilai yang paling mungkin untuk mengisi nilai yang
hilang.
2. Noisy Data adalah kesalahan acak atau varians dalam variabel yang
diukur. Adapun cara untuk mengatasinya yaitu:
a. Binning Method
Binning Method berguna untuk meratakan nilai data yang
diurutkan. Adapun beberapa metode pada binning untuk data
smoothing (meratakan data) yaitu partition into (equalfrequency)
bins, smoothing by bin means, smoothing by bin boundaries.
Sorted data for price (in dollars): 4, 8, 15, 21, 21, 24, 25, 28, 34
15
SIP O LABORATORY
MODUL MATERI SIPO 2022
O
b. Regression
Untuk meratakan data juga dapat dilakukan dengan regresi yaitu
dengan menyesuaikan nilai data dengan suatu fungsi. Seperti
halnya regresi linier yang digunakan untuk menyesuaikan dua
varlabel sehingga satu variabel dapat digunakan untuk
memprediksi yang lain.
c. Outlier analysis
Outlier atau pencilan dapat diprediksi dengan pengelompokan,
misalnya dengan mengorganisasikan nilai nilai yang sama ke
dalam cluster, maka nilai-nilai yang berada diluar cluster
dianggap outlier.
b. Data Integration
Data
Integration
16
IPO LABORATORY
MODUL MATERI SIPO 2022
dari sumber yang berbeda. Selain itu data integration juga dapat
menghapus data yang berlebihan dan sama.
17
SIP O LABORATORY
MODUL MATERI SIPO 2022
c. Data Reduction
16
Data Reduction
Ketika akan dilakukan pengolahan data dari data yang berukuran besar,
analisis data yang kompleks akan memakan waktu yang lama sehingga
tidak efisien. Maka dari itu perlu dilakukan reduksi data atau pengurangan
data. Pengurangan data disini bertujuan untuk memperoleh representasi
dengan volume yang lebih kecil, namun tetap mempertahankan tingkat
integrasi data asli. Data yang dikurangi harus lebih efisien namun
menghasilkan hasil analitis yang sama. Adapun beberapa strategi untuk
mereduksi data yaitu:
1) Dimensionality reduction (menghapus atribut yang tidak penting)
2) Aggregation and clustering
3) Sampling
18
IPO LABORATORY
MODUL MATERI SIPO 2022
l . Binning
2. Analisis histogram
3. Analisis klaster
4. Analisis pohon keputusan
5. Analisis korelasi
6. Untuk data nominal, hierarki konsep dapat dihasilkan berdasarkan
definisi skema serta jumlah nilai yang berbeda per atribut.
MODUL 1
PENGOLAHAN DAN PENYAJIAN DATA STATISTIKA
DESKRIPTIF
TUJUAN PRAKTIKUM
19
SIP O LABORATORY
MODUL MATERI SIPO 2022
Priyatno, Duwi. 2009.5 Jam Belajar Olall Data Dengan SPSS 17. Yogyakarta: CV.
ANDI OFFSET.
MIND MAP
Penyajian Data Pengolahan Data
Statistika Desk-riptif Statistika
Statistika ripe Data Deskriptif
DASAR TEORI
Statistika
20
SIP O LABORATORY
MODUL MATERI SIPO 2022
21
SIP O LABORATORY
MODUL MATERI SIPO 2022
Tipe Data
1. Data Nominal
Data nominal adalah data yang disusun untuk menggantikan data nonnumerik
menjadi data numerik atau sebagai simbol, cara penyusunan angkanya
berdasarkan beberapa kategori tertentu tanpa memperhatikan urutan.
Kategori hanya bertujuan untuk membedakan kategori satu dengan kategori
yang lain dan tidak memiliki suatu makna yang matematis. Misalkan I
menyimbolkan jenis kelamin laki-laki dan 2 menyimbolkan jenis kelamin
perempuan.
2. Data Ordinal
Data ordinal adalah kategorisasi variabel pada data dimana penyusunan
angkanya memperhatikan urutan tertentu. Dengan kata lain, dalam data ini
memiliki kedudukan kategori yang tidak setara, tetapi sesuai dengan simbol.
Simbol yang diberikan pada masing-masing merupakan suatu peringkat atau
22
SIP O LABORATORY
MODUL MATERI SIPO 2022
urutan dalam penilaian. Contoh data ordinal adalah kategori pelayanan yang
terdiri atas sangat baik, baik, cukup baik, kurang baik, dan tidak baik.
23
SIP O LABORATORY
MODUL MATERI SIPO 2022
3. Data Interval
Data interval adalah data yang nilai-nilainya berlaku sebagai pembeda, ada
tingkatan dimana jarak antar tingkatan diketahui dalam suatu ukuran/satuan
yang pasti, berlaku beberapa operasi matematika dan tidak memiliki nilai nol
mutlak. Contoh data interval adalah suhu nol derajat Celcius.
4. Data Rasio
Data rasio adalah data yang nilai-nilainya diperoleh dari suatu pengukuran
dalam sekumpulan bilangan real, jarak antar tingkatan diketahui dalam suatu
ukuran/satuan yang pasti, berlaku beberapa operasi matematika dan memiliki
nilai nol mutlak. Contoh data rasio adalah tinggi badan dan berat badan.
24
SİPO LABORATORY
MODUL MATERI SIPO 2022
25
SIP O LABORATORY
MODUL MATERI SIPO 2022
S
3. Control Chart
1. Pengukuran Terpusat
a. Mean
Mean adalah nilai tengah pada suatu kelompok data yang diperoleh dari
penjumlahan keseluruhan data pada suatu kelompok dibagi dengan
banyaknya data.
b. Median
Median adalah suatu nilai yang terletak di tengah kelompok data yang telah
diurutkan dari nilai terkecil sampai terbesar atau sebaliknya
c. Modus
Modus adalah salah satu ukuran pemusatan yang paling sering
digunakan dengan menggunakan karakter data yang paling sering
muncul dalam suatu kelompok data adalah modus dari kelompok
tersebut.
2. Pengukuran Penyebaran
a. Jangkauan (range)
Jangkauan atau range (R) merupakan selisih dari nilai terbesar dan nilai
terkecil suatu kelompok data. Jangkauan juga dapat menunjukkan
kualitas suatu data. Semakin kecil nilai R, maka kualitas data semakin
26
IPO LABORATORY
MODUL MATERI SIPO 2022
baik, dan semakin besar nilai R suatu data maka kualitas data tersebut
semakin baik.
b. Jangkauan kuartil
Jangkauan kuartil merupakan setengah nilai dari selisih kuartil atas dan kuartil
bawah.
27
SIP O LABORATORY
MODUL MATERI SIPO 2022
c. Variansi
Variansi adalah nilai rata-rata kuadrat selisih atau kuadrat simpangan
dari semua nilai data terhadap rata rata hitung.
d. Standar Deviasi
Standar deviasi merupakan besarnya perbedaan nilai sampel terhadap
rata-rata atau akar pangkat dua dari variansi.
e. Kemiringan
Kemiringan atau skewness adalah derajat atau ukuran dari
ketidaksamaan (asimetri) suatu distribusi data. Biasanya digunakan
untuk mengetahui apakah data memiliki jenis distribusi normal atau
bukan pada standard error of skewness dari output SPSS dengan
kriteriajika rasio skewness antara -2 sampai 2 maka data memiliki jenis
distribusi normal (Routledge, 1997).
Normal skewness
Jika suatu populasi berdistribusi normal/simetris, maka akan
menghasilkan bentuk kurva dengan kemiringan normal (normal
skewness). Normal skewness memiliki nilai mean, median, dan
modus yang sama besar (mean = median = modus).
Mean
Median
Mode
Symmetrical
Distribution
Positive skewness
Jika suatu populasi memiliki nilai-nilai besar yang lebih banyak
daripada nilai-nilai kecilnya, maka akan menghasilkan
kemiringan yang asimetris, dimana ekor Sisi kanan akan lebih
28
SIP O
MODUL MATERI SIPO 2022
panjang. Distribusi ini disebutpositive skewness atau
skewed to the right ("menceng ke kanan"). Banyaknya
jumlah nilai yang lebih besar akan mempengaruhi nilai mean,
sehingga posisi mean seolah-olah 'tertarik' ke kanan, sedangkan
posisi median hanya 'tertarik' sedikit (nilai median sedikit
terpengaruh), sedangkan posisi modus tidak berubah. Distribusi
ini juga memiliki nilai mean lebih besar dari median, dan nilai
median lebih besar dari modus (mean > median > modus).
Median
Mode t - Mean
Positive
Skew
Negative skewness
Kebalikan dari kondisi positive skewness ditemukan pada
negative skewness. Kondisi ini memiliki penambahan nilai-nilai
ekstrim kecil yang mengakibatkan posisi rerata paling banyak
'tertarik' ke kiri, posisi median sedikit 'tertarik' dan posisi modus
tetap. Sehingga distribusi ini disebut skewed to the left
("menceng ke kiri"). Distribusi ini juga memiliki nilai modus
lebih besar dari median, dan nilai median lebih besar dari mean
(modus > medan > mean).
MAT ERİ
Median
29
SIP O
MODUL SİPO 2022
Mean—ı Mode
Negative
Skew
f. Kurtosis
Kurtosis merupakan derajat ketinggian puncak atau keruncingan suatu
distribusi. Untuk menentukan apakah data memiliki distribusi normal
atau tidak, pada kurtosis dilakukan dengan menghitung rasio kurtosis
dengan standard error kurtosis, dimana kriteria yang digunakan yaitu
apabila rasio kurtosis antara -I hingga 2, maka data berdistribusi normal
(Routıedge, 1997).
Mesokurtic
Distribusi yang bentuk ekornya kira-kira sama dengan
distribusi normal lainnya, bukan hanya distribusi normal
standar, disebut mesokurtic. Kurtosis distribusi mesokurtic
tidak tinggi atau rendah, melainkan dianggap sebagai dasar
untuk dua klasifikasi lainnya.
Leptokurtic
Distribusi leptokurtic adalah distribusi yang memiliki
kurtosis lebih beşar daripada distribusi mesokurtic.
Distribusi leptokurtic terkadang dikenali dari puncak yang
tipis dan tinggi. Distribusi leptokurtic dinamai dengan
awalan "lepto” yang berarti "kuruş”.
30
SİPO
MODUL MATERI SIPO 2022
Platykurtic
Distribusi platykurtic adalah yang memiliki ekor ramping.
Seringkali mereka memiliki puncak yang lebih rendah
daripada distribusi mesokurtic. Nama jenis distribusi ini
berasal dari arti awalan "platy" yang berarti "luas".
31
SİPO LABORATORY
MODUL MATERI SIPO 2022
Mean
Keterangan:
Keterangan:
n = Jumlah Observasi
k = Jumlah kelas
Data ke — i
Kelas interval
Nilai tengah — i
2 ika
eterangan:
I = Lebar kelas
N = Jumlah data
32
IPO LABORATORY
MODUL MATERI SIPO 2022
Keterangan:
Keterangan: Keterangan:
Jangkauan
- (21)
Kuartil
Vari ansi
s - s (XL — X)2
33
SİPO LABORATORY
MODUL MATERI SIPO 2022
Standar
Deviasi 1
n=l
s = Simpangan baku
34
IPO LABORATORY
MODUL MATERI SIPO 2022
Keterangan: Keterangan:
Mt Banyaknya kelas x =
x = Rata-rata hitung (mean) s
4
= Simpangan Baku Rata- rata hitung (mean)
s — Simpangan Baku
O
MODUL 2
TUJUAN PRAKTIKUM
REFERENSI
Walpole, R. E., Myers, R. H., Myers, S. L. & Ye, K., 2012. Probability and
Statistics for Engineers and Scientists 9th Edition. New Jersey: Pearson Prentice
Hall.
MIND MAP
35
SİPO
MODUL MATERI SIPO 2022
DASAR TEORI
A. Distribusi Peluang
36
SİPO
MODUL MATERI SIPO 2022
37
SİPO
MODUL MATERI SIPO 2022
dari variabel acak kontinu terdiri dari satu atau lebih interval
bilangan real (Ingram, 1994). Variabel acak kontinu adalah variabel
acak dengan interval (baik terbatas atau tidak terbatas) yang
memiliki bilangan real untuk setiap rentangnya (Montgomery &
Runger, 2011). Dari pernyataan tersebut, dapat diketahui bahwa
kedekatan dari dua angka dalam suatu interval akan selalu ada
bilangan Iain. Contohnya adalah antara bilangan I dan 2, terdapat
bilangan Iain yaitu (l. l, 1.2, 1.3,.. ..). Variabel acak kontinu dibatasi
Oleh titik -T < x < -Foo. Variabel acak kontinu jika digambarkan
pada sebuah garis interval akan berupa sederetan titik yang
bersambung membentuk suatu garis Iurus. Contoh dari variabel acak
kontinu adalah sebagai berikut:
a. Diameter tabung logam sebesar 49.5, dimana nilai x berada
dalam rentang 49 < diameter < 50.
Maka
Peubah acak memiliki peluang dari suatu kejadian yang
dapat dibentuk menjadi suatu fungsi peluang, kemudian
fungsi kumulatif dari peluang tersebut direpresentasikan
menjadi fungsi distribusi.
b. Panjang sebuah tali
c. Berat badan seseorang
B. Distribusi Peluang Diskrit
Menurut (Montgomery & Runger, 2011), distribusi peluang diskrit adalah
sebuah distribusi yang dapat dijelaskan oleh fungsi yang menentukan
probabilitas pada masing-masing kemungkinan nilai diskrit untuk X.
Sedangkan, menurut (Walpole, Myers, Myers, & Ye, 2012), distribusi
peluang diskrit adalah suatu ruang contoh yang mengandung jumlah titik
sama banyaknya dengan bilangan cacah. Dengan kata lain, distribusi
peluang diskrit merupakan suatu distribusi peluang dimana semesta peubah
acaknya dapat dihitung atau berhingga.
Untuk memudahkan, seringkali probabilitas dari variabel acak X diwakili
oleh rumus. Rumus tersebut menjadi sebuah fungsi dari nilai-nilai numerik
x yang ditunjukkan dengan f(x), g(x), r(x), dan seterusnya.
38
SİPO
MODUL MATERI SIPO 2022
(x)
= f(x)
Terdapat beberapa jenis distribusi peluang diskrit yang sering digunakan
yaitu distribusi hipergeometrik, distribusi poisson, distribusi geometrik,
distribusi binomial-negatif dan distribusi binomial. Namun dalam modul ini,
distribusi peluang diskrit yang akan dibahas yaitu distribusi binomial dan
distribusi poisson.
I. Distribusi Binomial
Distribusi binomial berasal dari proses bernoulli, dimana percobaan
dilakukan secara berulang-ulang dan setiap usaha dari percobaan
tersebut memiliki dua kemungkinan yaitu "sukses" dan "gagal"
Jumlah "X" keberhasilan dalam uji coba "n" Bernoulli disebut
variabel acak binomial. Distribusi probabilitas dari variabel acak
diskrit ini disebut distribusi binomial, dan nilainya akan
dilambangkan dengan B (x, n, p) menurut (Walpole, Myers, Myers,
& Ye, 2012). Adapun ciri-ciri dari distribusi binomial adalah sebagai
berikut:
39
SİPO
MODUL MATERI SIPO 2022
Dimana:
Maka:
Menurut (Walpole, Myers, Myers, & Ye, 2012), rumus untuk
menghitung rata-rata, variansi, dan standar deviasi dari nilai tengah
dan ragam bagi Distribusi Binomial adalah sebagai berikut:
Parameter Rata-rata (Mean) Variansi Standar Deviasi
(1 - p) n - x
40
SİPO
MODUL MATERI SIPO 2022
2. Distribusi Poisson
Percobaan poisson adalah eksperimen yang menghasilkan nilai
numerik dari peubah acak X pada selang waktu tertentu atau daerah
tertentu. Jumlah keluaran yang terjadi selama suatu selang waktu
yang diketahui atau di dalam suatu daerah (ruang) yang ditentukan
disebut sebagai percobaan Poisson, sehingga sebuah percobaan
Poisson dapat memunculkan pengamatan untuk peubah acak x.
Secara singkat, jumlah X dari hasil yang terjadi selama percobaan
poisson disebut sebagai variabel acak poisson, dan distribusi
probabilitasnya disebut distribusi poisson. Sehingga distribusi
poisson adalah sebuah distribusi dimana peubah acak poisson X
mewakili jumlah sukses yang terjadi dalam selang waktu atau
daerah tertentu yang dinotasikan dengan "t" (Walpole, Myers,
Myers, & Ye, 2012). Berikut merupakan contoh kejadian dari
distribusi poisson:
a. Banyaknya kesalahan penulisan kata dalam satu halaman
essay.
b. Banyaknya ular yang ditemukan dalam satu hektar hutan.
c. Banyaknya gol dalam satu musim premier league.
d. Banyaknya mesin yang rusak dari suatu pabrik selama satu
tahun operasi.
41
SİPO
MODUL MATERI SIPO 2022
P(x, Xt) = e
Keterangan
e =2.71828..
42
SİPO
MODUL MATERI SIPO 2022
43
SİPO
MODUL MATERI SIPO 2022
peluang kontinu yang akan dibahas yaitu distribusi normal dan distribusi
eksponensial.
I. Distribusi Normal
Distribusi normal atau gaussian distribution merupakan distribusi
paling penting dalam ilmu statistika. Dikatakan penting karena
distribusi normal dapat menggambarkan banyak fenomena yang
terjadi di alam, industri dan penelitian. Distribusi normal juga dapat
digunakan untuk mengaproksimasi Distribusi Probabilitas Diskrit
seperti Binomial dan Poisson (Walpole, Myers, Myers, & Ye, 2012).
Distribusi normal juga merupakan fungsi probabilitas yang
menggambarkan bagaimana nilai suatu variabel didistribusikan.
Distribusi normal merupakan distribusi simetris di mana sebagian
besar pengamatan mengelompok di sekitar puncak pusat dan
probabilitas kedua arah. Berikut merupakan gambar kurva distribusi
normal.
44
SIPO
MODUL MATERI SIPO 2022
LABOR AT ORV
e. Luas daerah di bawah lengkungan kurva tersebut dari —oo sampai
= f(x) =
2
Jika X adalah variabel acak normal dengan E(X) maka
variabel acak normal adalah :
x- 11
Dimana
Rata-rata
= Simpangan baku
Tt = 3.14159...
e =2.71828...
2. Distribusi Eksponensial
Distribusi eksponensial merupakan pengujian yang digunakan untuk
melakukan perkiraan atau prediksi dengan hanya membutuhkan
perkiraan rata-rata populasi karena distribusi eksponensial memiliki
standar deviasi sama dengan rata-rata. Ciri-ciri dari distribusi ini
adalah kurvanya memiliki ekor di sebelah kanan dan nilai 'x' dimulai
dari O sampai 00. Distribusi eksponensial memiliki pertalian erat
dengan distribusi poisson. Namun, jika pada poisson peubah acak
45
SİPO
MODUL MATERI SIPO 2022
46
SİPO
MODUL MATERI SIPO 2022
;x >
0,
Menurut (Walpole, Myers, Myers, & Ye, 2012), adapun rumus
untuk menghitung rata-rata dan variansi dari distribusi eksponensial
adalah sebagai berikut:
47
SIP O LABORATORY
MODUL MATERI SIPO 2022
MODUL 3
TUJUAN PRAKTIKUM
Karian, Zaven A., Dudewicz, Edward J., 2011. Handbook of Fitting Statistical
Distributions with R. Florida: Taylor and Francis Group, LLC.
Walpole, R. E., Myers, R. H., Myers, S. L. & Ye, K., 2012. Probability and
Statistics for Engineers and Scientists 9th Edition. New Jersey: Pearson
Prentice Hall.
MIND MAP
DASAR TEORI
48
SIP O
MODUL MATERI SIPO 2022
Pada zaman modern ini, sebagian besar dalam bidang ilmu pengetahuan dan
pengembangan manusia melibatkan pembangunan model statistik untuk
menggambarkan variabel yang mendasar pada bidang pengetahuan terkait. Model
yang paling mendasar dan banyak digunakan adalah distribusi probabilitas
(probability distribution)
Distribution Fitting adalah penentuan distribusi yang paling sesuai dengan data
sampel dengan menentukan fungsi matematika yang paling baik mewakili variabel
49
SIP O LABORATORY
MODUL SİPO 2022
MAT ERİ
I. Memilih model atau fungsi sebagai kandidat untuk menjadi goodfits data sampel.
2. Mengestimasikan parameter tiap distribusi yang harus dihitung.
3. Menguji distribusi menggunakan goodness offit.
Pemilihan Model Distribusi
Dengan standarisasi data, tipe kurva yang hanya bergantung pada pengukuran skewness dan
kurtosis diformulasikan dalam fungsi berikut :
y12 (Y12 + 6Y
4(4Y2 — 3y12 + - 3Y12 )
Dimana :
4
— 3 , adalah koefisien kurtosis Pearson's
7104
Berdasarkan nilai K yang diperoleh dari data sampel yang digunakan,
didapatkan suatu fungsi jenis tertentu. Pada modul ini hanya beberapa distribusi
probabilitas kontinu yang akan dibahas, antara lain:
50
SİPO
MODUL MATERI SIPO 2022
Distribusi ini merupakan distribusi yang paling penting di
antara distribusi yang lain. Kurva pada distribusi normal
berbentuk seperti setangkup Ionceng yang simetri terhadap sumbu absis
dengan luas di bawah kurva adalah I dan kedua ujung kurva distribusi
normal mendekati sumbu absis secara asimptotik seperti yang ditunjukan
pada gambar berikut
Distribusi Normat
Y
Distribusi Gamma
Distribusi normal tidak selamanya dapat digunakan untuk memecahkan
masalah teknik dan sains. Distribusi gamma biasanya diterapkan dalam
51
SİPO
MODUL MATERI SIPO 2022
menganalisis lamanya waktu untuk menyelesaikan
pekerjaan seperti pada teori antrean dan keandalan.
Distribusi gamma diterapkan untuk nilai variabel yang berupa bilangan
positif. Kurva pada distribusi gamma memiliki kemiringan (skewness) yang
cukup signifikan seperti yang ditunjukan pada gambar berikut :
Distribusi Gamma
10
1 a, Èo
F>
xŒ-1e-x/P
Dengan nilai mean = ŒF dan nilai variansi (T — aF 2 . Bentuk khusus dari
distribusi ini adalah jika F = 1 , disebut dengan Distribusi Gamma
Baku.
Distribusi Eksponensial
Distribusi eksponensial digunakan untuk memodelkan jumlah waktu hingga
kemunculan sebuah peristiwa tertentu, atau memodelkan waktu di antara
peristiwa-peristiwa yang saling independen. Jika suatu peristiwa terjadi
dalam konteks proses poisson, maka panjangnya waktu atau ruang antar dua
peristiwa yang berurutan mengikuti distribusi probabilitas kontinu karena
waktu bersifat kontinu.
52
SİPO
MODUL MATERI SIPO 2022
f(x,ß) 1 20
— e-x/ß ; ø > o; x
Distribusi Chi-Square
Distribusi chi-square merupakan permasalahan dari tipe distribusi gamma.
Variabel acak X dikatakan berdistribusi chi-square jika parameter dan
sehingga memiliki fungsi distribusi probabilitas kontinu seperti berikut :
1 f (x, r/ 2,2) =
xr/2—1 —x/2 . r > 0
r (L) 202
Dengan nilai mean g = r = 2a dan nilai variansi 0 2 = 2r = 2a.
Distribusi Weibull
Distrlbusi ini banyak digunakan untuk memodelkan waktu hidup dalam teknik
ketahanan. Distribusi weibull merupakan permasalahan dari tipe
distribusi gamma sehingga memiliki bentuk kurva yang mirip dengan distribusi
gamma, seperti yang ditunjukan pada gambar berikut :
Distribusi weibull
53
SİPO
MODUL MATERI SIPO 2022
Fungsi pada distribusi weibull adalah sebagai berikut :
Distribusi Lognormal
Jika variabel acak berdistribusi normal dengan g sebagai mean dan sebagai variansi,
maka pada variabel acak berdistribusi lognormal.
1 (In(y) —
gx) 2
Dengan nilai mean = exp (gx 4- 0.50}) dan nilai variansi 0 2 = exp exp —
I) dimana mean distribusi normal dan ok variansi distribusi normal.
Distribusi Uniform
Distribusi Uniform kontinu disebut juga sebagai Distribusi Seragam
kontinu, distribusi ini memiliki sebaran peluang yang sama pada seluruh
interval [u,ß], dengan fungsi kepadatan peluang sebagai berikut:
untuk a < x
< ß untuk
yang Iain
Distribusi Uniform mempunyai rata — rata dan varians sebagai berikut :
Varians (0 2 ) =
12
Distribusi Logistik
Distribusi logistik adalah distribusi yang memiliki fungsi kepekatan peluang
kontinu. Distribusi logistik memiliki kurva dengan bentuk simetris dan uni
modal. Fungsi kepekatan peluang distribusi logistik memiliki bentuk umum
sebagai berikut:
54
SİPO
MODUL MATERI SIPO 2022
Suatu variabel acak X dikatakan memiliki distribusi
logistik dengan parameter (g, o ), jika fungsi kepekatan
peluangnya didefinisikan sebagai berikut:
1
; — 00 < X < 00,
Estimasi Parameter
Metode Analogi
Metode analogi terdapat dalam estimasi model parameter yang
mengaplikasikan fungsi yang sama untuk data empiris, yaitu mengestimasi
mean yang tidak diketahui dari populasi normal menggunakan mean
sample.
Metode Momen
Metode momen adalah metode tertua dan paling lama digunakan. Metode
ini memiliki prosedur paling mudah dalam memperoleh estimator dari satu
atau lebih parameter populasi. Metode momen membandingkan momen
sampel secara empiris terhadap populasi secara teoritis.
55
SİPO
MODUL MATERI SIPO 2022
Momen sampel ke-t sekitar 0 (nol).
XiYi , t = O, I, 2, ...
(Xi — U) t Yi , t = O, 1,2,
x tf(x, 9) dx , t = 0, 1, 2,
(x — f (x, O)dx , t = O, I, 2, ..
56
SİPO
MODUL MATERI SIPO 2022
1. Membuat fungsi Iikelihood berdasarkan kandidat distribusi
yang telah dipilih. Fungsi likelihood adalah sebagai berikut :
1
L (U, 0 2 ) = fla e 202
L (g, 0 2 )
Goodness of Fit
I. Menentukan hipotesis.
57
SİPO
MODUL MATERI SIPO 2022
Hipotesis ini merupakan suatu pernyataan yang diterima jika data
sampel memberikan cukup bukti bahwa hipotesis nol (Ho) adalah
salah.
Hl dinyatakan dalam bentuk pertidaksamaan (<; >; dan șk).
Y
2. Melakukan uji statistik.
3. Mengambil keputusan.
Dasar pengambilan keputusan dapat dilakukan dengan dua cara, antara lain sebagai
berikut :
Membandingkan nilai x 2 dengan nilai Xtabel dengan ketentuan:
Jika X 2 dengan nilai xtabel, Ho tidak ditolak.
4. Menarik kesimpulan.
58
SİPO
MODUL MATERI SIPO 2022
4th MODULE
LINEAR PROGRAMMING, TRANSPORTATION, AND
ASSIGNMENT
LABWORK OBJECTIVES
l . Students are able to understand and determine decision variables, objective
functions, and constraints in the case of linear programming.
2. Students are able to understand the methods that exist in the case of
transportation, namely the Northwest Corner Method, the Least Cost Method,
and the Vogel's Approximation Method.
3. Students are able to understand the assignment method (Hungarian Method).
4. Students are able to understand transportation and assignment cases.
5. Students are able to know and understand the Python programming language
that is applied to solve linear programming cases, POM-QM software to solve
transportation cases, and Excel Solver to solve assignment cases.
REFERENCE
Herjanto, E. (1999). Manajemen Produksi dan Operasi Edisi Kedua. Jakarta:
Grasindo.
Lieberman, F. S. (2015). Introduction to Operations Research (10th ed.). New
York: McGraw-Hill Education. Retrieved September 25, 2019
Mulyono, S. (2017). Riset Operasi (2nd ed.). Jakarta: Mitra Wacana Media.
Retrieved September 25, 2019
Ristono, P. &. (2012). Penelitian Operasional (1st ed.). (F. W. Nurwiyati, Ed.)
Yogyakarta: Graha 11mu. Retrieved September 25, 2019
Siswanto. (2007). Operations Research (Vol. I). Jakarta: Erlangga.
Taha, H. A. (2011). Operations Research An Introduction (9th ed.). United States
of America. Retrieved September 26, 2019
MIND MAP
59
SIP O
MODUL MATERI SIPO 2022
60
SIP O
MODUL MATERI SIPO 2022
1. Decision Variable
Decision variables are variables that affect the value ofthe goals to be achieved.
In the process of forming a model, determining the decision variables is the
first step before determining the objective function and the constraint function.
For example, the decision variable will determine how much interior and
exterior paint must be produced every day to get optimal profit. The two
products come from the two raw materials that are available every day, 24 tons
Ml, and 6 tons M2. Interior paint requires 6 MI and I M2 in production, while
exterior paint requires 4 Ml and 2 M2. The profit for one ton is $5 thousand for
exterior paint and $4 thousand for interior paint(Taha, 2011).
The decision variables in this case:
Xl = the number of interior paints that are made every day
X2 = the amount of exterior paint that is made every day
2. Objective Function
The objective function in a linear programming model must be linear.
Furthermore, the objective function is maximized or minimized against the
existing constraint functions. In the case of interior and exterior paint, the
following objective function is:
61
SIP O
MODUL MATERI SIPO 2022
Xl, X2, . . ., x
A special type of linear programming problem is known
as a transportation problem. A part from
transportation, there are assignment problems that
are closely related to transportation problems.
Transportation
The transportation method is a special network technique
developed so that it can solve a problem more effectively
and efficiently than using the simplex method. The
intended network is the lines or channels connecting a
source point to a destination point. This network model
also considers constraints in finding optimal solutions,
such as products with a certain demand or supply, minimum
transportation costs, etc (Mulyono, 2017).
62
SIP O
MODUL MATERI SIPO 2022
• Minimization
• Constraints
Transportation Methods
In solving the transportation problem, it is possible to determine a solution that
meets all the constraints or the required transportation system. From these solutions,
it can be sought optimal solutions, namely solutions that minimize transportation
costs. Transportation methods can be done in several ways including:
a. Northwest Corner Method
Introduced by Charnes and Cooper, then developed by Danzig. This method is
an initial solution that is feasible but not optimal, so it must be continued to the
next stage using advanced methods.
Procedure:
l) The filling of cells or boxes starts from the upper left.
2) Allocation of the maximum (largest) amount according to the requirements
so that it is feasible to meet the demand.
63
SIP O
MODUL MATERI SIPO 2022
3) Move to the right box if there is still sufficient supply. If not, move to the
box below according to demand. The movement continues until supply runs
out and demand is met.
l) The filling of cells or boxes starts from the box that has the smallest price.
2) Allocation of the maximum (largest) amount according to the
requirements so that it is feasible to meet the demand.
3) Move to the next available box at the lowest price if there is sufficient
supply. If not, move to the box below as demanded. Keep moving until
supply runs out and demand is met.
c. Vogel's Approximation Method (VAM)
This method is the best method compared to the two methods above because
in general, the minimum cost allocation is obtained compared to other methods.
Procedure:
1) Calculate the difference between the two smallest costs for each row and
column. The difference or difference value is written in a new column next
to the existing column (called the penalty row or column).
2) Select the row or column with the largest penalty value, then enclose it In
parentheses. If the values in the row or column are the same, choose the one
that moves the most items.
3) From the row or column selected in (2), determine the number of goods that
can be transported by taking into account the restrictions that apply to the
row or column and the cells with the smallest cost.
4) Delete rows or columns that have met the previous requirements (meaning
that the supply has been fulfilled).
5) Repeat steps (I) through (4) until all allocations are met.
Assignment
64
SIP O
MODUL MATERI SIPO 2022
1 Cl l C12 CIN
2 C21 C22 C2N
Source
CM2 CMN 1
Demand 1 1 1
The mathematical model for the assignment case is as follows.
Variable
Xij — {
If source i is assigned to another job j
Objective Function
Minimization Z = ij ij
65
SIP O
MODUL MATERI SIPO 2022
Constraints
XLJ = l; for j =
Hungarian Method
The Hungarian Method is one of several solving techniques available for
assignment problems. This method was originally developed by a Hungarian
mathematician named D. Konig in 1916. The following are the steps in the
Hungarian method:
1. A row reduction, which reduces each value in the row by the smallest value on
that row. Enter the results in a new table.
2. A column reduction, which reduces each value in the column from the smallest
value in that column. Enter the results in a new table.
3. Test whether the assignment model is optimal or not by determining the
minimum number of rows needed to cover up (write off) all O numbers. If the
minimum number of rows is equal to the number of rows, then the assignment
model is optimal. Next, go to step 6. If it is not optimal, then continue to the 4
steps.
4. If the number of lines is less than the number of rows, modify the table by:
a. Subtract any value that is not exposed to the line with the smallest value
that is not affected by the line in the table.
b. Add any value that is intersected by the line with the smallest value that is
not affected by the lines in the table.
c. Values were exposed but did not intersect the line value is fixed or
unchanging.
5. Repeat steps 3 and 4 so that you get the optimal assignment model.
66
SIP O
MODUL MATERI SIPO 2022
MODUL 5A
TUJUAN PRAKTIKUM
Hoffman, K. L., Padberg, M., & Rinaldi, G. (2013). Traveling Salesman Problem.
Encyclopedia of Operations Research and Management Science, 15731578.
Matai, R., Singh, S. P., & Mittal, M. L. (2010). Traveling Salesman Problem: An
Overview of Application, Formulation and Solution Approaches.
67
SIP O
MODUL MATERI SIPO 2022
MIND MAP
DASAR TEORI
Pada program dinamis deterministik dijelaskan dimana keadaan (state) pada tahap
(stage) berikutnya ditentukan sepenuhnya oleh keadaan dan keputusan pada tahap
ini. Salah satu cara untuk mengkategorikan program dinamik deterministik adalah
melalui bentuk fungsi tujuannya. Sebagai contoh, fungsi tujuan tersebut mungkin
merupakan minimum dari penjumlahan kontribusi dari setiap tahapan.
68
SIP O
MODUL MATERI SIPO 2022
I. Perjalanan dimulai dan diakhiri di kota yang sama sebagai kota asal sales.
2. Seluruh kota harus dikunjungi tanpa satupun kota yang terlewatkan.
3. Sales tidak boleh kembali ke kota asal sebelum seluruh kota terkunjungi.
Min Z =
Dengan batasan kendala:
69
SIP O
MODUL MATERI SIPO 2022
MAT ERİ
Keterangan:
70
SİPO
MODUL SİPO 2022
diminimalkan serta waktu yang dibutuhkan bus untuk
melintasi trayek tidak melebihi maksimum kebijakan yang diizinkan.
Masalah pengambilan pesanan di gudang terkait penanganan gudang
(Ratliff & Rosenthal, 1983). Menentukan rute terpendek untuk kendaraan
dengan waktu penjemputan pesanan minimum.
Algoritma Brute-Force
MATE-RI
71
SİPO
MODUL MATERI SIPO 2022
3. Menghasilkan algoritma baku untuk kasus komputasi
seperti penjumlahan/perkalian N buah bilangan dan
mencari nilai minimum atau maksimum.
72
SİPO
MODUL SİPO 2022
O
73
SİPO
MODUL MATERI SIPO 2022
MODUL 5B
OPTIMASI STOKASTIK: KASUS RANTAI
MARKOV
TUJUAN PRAKTIKUM
74
S I P LABORATORY
MODUL SİPO 2022
O
MAT ERİ
DASAR TEORİ
Dalam kehidupan sehari-hari, tentunya kita akan dihadapi bagaimana memilih suatu
keputusan yang sudah kita tentukan dalam jangka panjang. Contoh masalah praktis
dalam kehidupan, yaitu adanya sebuah riset pemasaran yang menunjukkan bahwa
dalam sebuah kota hanya terdapat dua supermarket, yaitu Wellcome dan Park'n.
Kemudian riset tersebut menunjukkan bahwa konsumen Wellcome dapat beralih ke
Park'n untuk belanja berikutnya dengan probabilitas (u 0) dan konsumen dari Park
'n dapat beralih ke Wellcome untuk belanja berikutnya dengan kemungkinan (P O).
Hal ini yang akan menjadi penarik keputusan dari dua pertanyaan yang akan
menjadi pembuat keputusan. Oleh şebab itu, kita akan lihat bahwa masalah
pemasaran ini dapat dirumuskan dengan menggunakan model rantai markov (Ching
& Ng, 2006).
Rantai Markov
Rantai markov adalah teknik matematika yang biasa digunakan untuk melakukan
pemodelan (modelling) berbagai macam sistem dan proses bisnis. Analisis markov
adalah bentuk khusus dari model probabilistik yang lebih dikenal sebagai proses
stokastik. Teknik ini dapat digunakan untuk memperkirakan perubahan variabel
dinamis di masa mendatang ataş dasar perubahan dari variabel-variabel dinamis di
masa lalu. Teknik ini juga dapat digunakan untuk menganalisis peristiwa di masa
75
S I P LABORATORY
MODUL MATERI SIPO 2022
mendatang secara matematis. Rantai markov merupakan kumpulan variabel acak XI,
X2, ., Xn. Berikut merupakan penulisannya:
Penjelasan tentang rantai markov ini kemudian diuraikan pada gambar 7.I dimana
pergerakan sejumlah variabel di masa depan dapat diprediksi berdasarkan
pergerakan variabel tersebut di masa lalu. Kt4 dipengaruhi Oleh terjadinya Kt3, Kt3
dipengaruhi Oleh terjadinya Kt2, dan begitu seterusnya dimana perubahan ini
terjadi karena peran peluang transisi. Peristiwa Kt2 tidak akan memengaruhi
terjadinya
Kt4.
76
SIPO
MODUL SİPO 2022
LABORA
77
S I P LABORATORY
MODUL MATERI SIPO 2022
Keterangan:
— Probabilitas transisi
- Waktu ke-j
Matriks Probabilitas Transisi dan n-Step Probabilitas Transisi
Matriks probabilitas transisi merupakan suatu matriks yang berisi
probabilitasprobabilitas perpindahan (transisi) dari suatu perlakuan dalam suatu
sistem. Matriks probabilitas transisi dapat dituliskan sebagai berikut:
Probabilitas awal a(0) = {aj(0) } dimulai dari state j dan matriks transisi P dari rantai
markov. Markov dengan probabilitas mutlak a(n) = {aj(n)} berada pada state j
setelah n transisi (n > 0) dapat dihitung sebagai berikut:
78
IPO LABORATORY
MODUL MATERI SIPO 2022
Y
Matriks diketahui sebagai matriks transisi langkah ke-n. Dari perhitungan tersebut kita
mendapatkan bahwa:
l . Jumlah probabilitas transisi untuk keadaan awal sistem sama dengan satu.
2. Probabilitas ini berlaku untuk semua peserta dalam sistem.
3. Probabilitas transisi konstan sepanjang waktu.
4. Kondisi independen sepanjang waktu.
State Vector
State vector merupakan state yang terdapat dalam suatu rantai markov yang ditulis
dalam bentuk vektor. State vector untuk suatu pengamatan dalam rantai markov
dengan X(t) state adalah vektor baris x. Dapat ditulis dengan:
x = XI, x2, ., xi
Jika P adalah matrłks transisi rantai markov dan xn adalah state vector pada pengamatan ke-
n, maka:
x — pnx 0
Steady State
Mulyono (2007) mengemukakan bahwa proses markov akan mengarah pada kondisi steady
state. Steady state berarti setelah melalui suatu periode proses maka
79
SIP O LABORATORY
MODUL MATERI SIPO 2022
Y
peluang status akan selalu ada. Dalam rantai markov, probabilitas steady state didefinisikan
sebagai:
Apa yang dikatakan dalam persamaan TT = TIP adalah bahwa probabilitas 7T tetap
tidak berubah setelah transisi tambahan sehingga persamaan tersebut mewakili
distribusi steady state. Hasil dari probabilitas steady state adalah penentuan jumlah
transisi yang diharapkan sebelum sistem kembali ke state j untuk pertama kalinya.
Hal ini dikenal dengan the mean first return time atau the mean recurrence time dan
dihitung dalam rantai n-state dengan:
1
, j — 1,2,...,n
80
IPO LABORATORY
MODUL MATERI SIPO 2022
81
SIP O LABORATORY
MODUL MATERI SIPO 2022
82
SIP O LABORATORY
MODUL MATERI SIPO 2022
MODUL 6A
PENGUJIAN HIPOTESIS
TUJUAN PRAKTIKUM
Kusuma, L. T., & Puspitas, D. (2016). Aplikasi Komputer dan Pengolahan Data:
Pengantar Statistika Industri. Malang: UB Press.
MIND MAP
DASAR TEORI
83
SIP O LABORATORY
MODUL MATERI SIPO 2022
Statistika Industri merupakan salah satu applied statistics yang dikembangkan dari
teori probabilitas. 11mu ini mencakup aplikasi metode statistik untuk
menyelesaikan permasalahan di bidang industri. Proses pengolahan data dalam
Statistika berdasarkan parameternya dapat dibedakan menjadi dua jenis tipe
pengujian, yaitu statistik parametrik atau non-parametrik.
Statistik Parametrik
Statistik parametrik merupakan teknik statistik dengan cara pengumpulan,
pengolahan, dan penganalisisan terhadap data yang diperoleh untuk diambil suatu
kesimpulan dengan mempertimbangkanjenis sebaran atau distribusi data. Sampel
data pengujian statistik parametrik berasal dari populasi yang dapat dimodelkan
oleh distribusi probabilitas dengan parameter tetap. Ciri-ciri statistik parametrik,
yaitu:
I. Data berdistribusi normal.
2. Tipe data yang digunakan adalah data interval atau rasio.
3. Rata-rata (mean) digunakan sebagai parameter.
• Kelebihan
1. Syarat-syarat parameter dari suatu populasi yang menjadi sampel biasanya
tidak diuji dan dianggap memenuhi syarat.
2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi
normal serta memiliki varian yang homogen.
• Kekurangan
Populasi harus memiliki varian yang sama.
2. Variabel yang diteliti harus dapat diukur, setidaknya dalam skala interval.
3. Dalam analisis varian, ditambahkan persyaratan rata-rata dari populasi
normal dan bervarian sama serta harus merupakan kombinasi linier dari
efek-efek yang ditimbulkan.
84
SIP O LABORATORY
MODUL MATERI SIPO 2022
Statistik Non-Parametrik
Statistik non-parametrik berhubungan dengan statistika inferensia, yaitu teknik
pengambilan keputusan atas masalah tertentu yang tidak membahas
parameterparameter populasi. Teknik ini tidak mengasumsikan mengenai sebaran
populasi yang mendasarinya. Ciri-ciri statistik non-parameterik antara lain:
l . Tipe data yang digunakan adalah skala nominal atau ordinal.
2. Data populasi berdistribusi tidak normal.
• Kelebihan
1. Tidak membutuhkan asumsi normalitas.
2. Walaupun tidak terikat pada distribusi normal, namun dapat digunakan pada
populasi berdistribusi normal.
• Kekurangan
1. Statistik non-parametrik terkadang mengabaikan beberapa informasi tertentu.
2. Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi studi
seperti pada statistik parametrik. Hal ini dikarenakan statistik nonparametrik
mendekati eksperimen dengan sampel kecil.
85
SİPO LABORATORY
MODUL MATERI SIPO 2022
Uji Tanda
Uji Kruskal
Wallis
Korelasi
Spearman Rank
Pengujian Hipotesis
Hipotesis merupakan asumsi atau dugaan yang dirumuskan untuk menjelaskan
mengenai sesuatu hal atau kondisi sehingga diperlukan adanya pengujian. Oleh
karena itu, pengujian hipotesis adalah suatu prosedur yang didasarkan pada bukti
sampel yang digunakan untuk menentukan apakah hipotesis merupakan suatu
pernyataan atau dugaan yang wajar dan oleh karenanya tidak ditolak, atau hipotesis
86
IPO LABORATORY
MODUL MATERI SIPO 2022
tersebut tidak wajar dan oleh karena itu harus ditolak. Pada pengujian hipotesis terdapat dua
rumusan hipotesis, yaitu:
Hipotesis nol (Ho)
Hipotesis ini sebagai hipotesis awal yang diharapkan akan ditolak dan
sering menyatakan kondisi yang menjadi dasar perbandingan, serta
menyatakan satu pernyataan mengenai nilai parameter populasi. Ho dalam
persamaan matematis dinyatakan dengan bentuk persamaan ('=').
2. Hipotesis alternatif (Hl)
Penolakan Ho mengakibatkan terjadinya penerimaan hipotesis alternatif,
yaitu suatu pernyataan yang diterima jika data sampel memberikan cukup
bukti bahwa hipotesis nol adalah salah. Hl dalam persamaan matematis
dinyatakan dengan bentuk pertidaksamaan ('<' , '>' , atau
Untuk melakukan pengujian hipotesis, dilakukan penelitian dari sampel acak yang
diambil, lalu nilai-nilai statistik dihitung dan dibandingkan melalui kriteria tertentu.
Adapun prosedur yang digunakan dalam melakukan uji hipotesis adalah sebagai
berikut:
1. Merumuskan hipotesis
Hipotesis nol (Ho) dan hipotesis alternatif (Hl).
2. Menentukan taraf nyata/signifikansi penelitian (u)
Probabilitas penolakan hipotesis.
3. Menentukan uji statistik
UJi yang digunakan berupa uji Z, uji T, uji F, dsb.
4. Menentukan daerah keputusan
Daerah yang menjadi penentuan Ho akan ditolak atau tidak ditolak.
5. Mengambil keputusan
Keputusan yang menentukan Ho ditolak atau tidak ditolak.
Uji Kenormalan
Uji kenormalan digunakan untuk menguji apakah sampel suatu variabel mengikuti
distribusi normal atau tidak. Salah satu uji yang dapat digunakan adalah Uji
Kolmogorov-Smirnov.
87
SİPO LABORATORY
MODUL MATERI SIPO 2022
Ho: Sampel berasal dari distribusi normal.
Perumusan Hipotesis
Hl: Sampel tidak berasal dari distribusi normal.
Kriteria Uji
Jika signifikansi penelitian a, maka tolak Ho.
Jika signifikansi penelitian > a, maka tidak tolak Ho.
A. Analisis Univariat
Analisis univariat merupakan pengukuran satu variabel terhadap sejumlah n
sampel atau pengukuran beberapa variabel dengan analisis masing-masing.
Contoh analisis univariat, yaitu uji T, uji F (ANOVA), koefisien korelasi, dan
uji Z. Uji yang akan dibahas pada modul ini adalah uji T, yaitu untuk mengetahui
apakah terdapat perbedaan yang signifikan antara rata-rata hitung beberapa
kelompok data.
Lebih lanjutnya, uji T merupakan jenis pengujian statistik untuk mengetahui
apakah terdapat perbedaan dari nilai yang diperkirakan dengan nilai hasil
perhitungan statistik. Ciri utama dari uji ini adalah jumlah sampel relatifkecil (n
< 30). Asumsi yang harus terpenuhi untuk melakukan uji T, yaitu:
l. Varian populasi yang diuji adalah sama.
2. Sampel yang diambil berdistribusi normal.
88
SİPO
MODUL MATERI SIPO 2022
Y
Kriteria Uji
Jika signifikansi penelitian a, maka tolak Ho.
Jika signifikansi penelitian > a, maka tidak tolak Ho.
c. Paired Sample T-
Test
Paired sample t-test digunakan untuk menguji sampel yang berpasangan
(subjek yang sama), namun mengalami dua perlakuan atau pengukuran yang
berbeda. Ciri dari sampel berpasangan, yaitu subjeknya sama dan diberikan
dua perlakuan. Perumusan Hipotesis
89
SİPO
MODUL SİPO 2022
MAT ERİ
B. Analisis Bivariat
Analisis bivariat merupakan teknik statistik yang digunakan untuk menganalisis
perbedaan atau hubungan dari dua variabel. Dua variabel tersebut terdiri dari
satu variabel independen dan satu variabel dependen. Variabel independen
(variabel bebas) adalah variabel yang memengaruhi atau memberikan pengaruh
pada variabel dependen (variabel terikat). Analisis bivariat ini biasanya
dilakukan untuk mengetahui apakah satu variabel berkaitan dengan variabel
lainnya. Maka, kegunaan dari analisis bivariat adalah untuk mengukur kekuatan
hubungan antara dua variabel atau lebih. Berikut merupakan contoh dari
pengukuran dua variabel, yaitu:
l. Kecepatan membaca dengan ketepatan bacaan.
2. Kecepatan menulis dengan ketepatan ejaan.
90
SİPO
MODUL MATERI SIPO 2022
>0.75 - 0.99 Korelasi sangat kuat
Korelasi Sempurna
2. Korelasi Linier (Pearson Product Moment)
Uji ini untuk mengetahui apakah bentuk hubungan antara dua variabel linier
atau tidak, untuk melihat hal tersebut bisa menggunakan scatter diagram
dengan memplotkan data ke dalam grafik. Pada scatter diagram, terdapat tiga
kriteria untuk menyatakan korelasi linier, yaitu:
a. Bila titik-titik menggerombol mengikuti sebuah garis lurus dengan
kemiringan positif, maka kedua peubah dinyatakan memiliki korelasi
positif.
b. Bila titik-titik menggerombol mengikuti sebuah garis lurus dengan
kemiringan negatif, maka peubah dinyatakan memiliki korelasi negatif.
c. Bila titik-titik memencar atau menjauh dari suatu garis lurus mengikuti
sebuah pola acak atau bahkan tidak ada pola, maka kedua peubah
dinyatakan memiliki korelasi nol atau tidak ada hubungan linier.
Koefisien korelasi pada korelasi pearson product moment dapat dihitung dengan
menggunakan rumus:
Keterangan:
n = Jumlah data
Xi = Data variabel bebas ke-i
Yi = Data variabel terikat ke-i
3. Korelasi Parsial
Korelasi parsial (partial correlation) merupakan perluasan dari korelasi
sederhana atau korelasi pearson. Jika korelasi sederhana melibatkan satu
variabel terikat (dependen) dan satu variabel bebas (independen), maka
91
SİPO
MODUL SİPO 2022
O
92
SİPO
MODUL MATERI SIPO 2022
korelasi parsial melibatkan lebih dari satu variabel bebas dan satu variabel
terikat. Variabel bebas dari korelasi parsial terbagi atas dua penggunaan,
yaitu satu variabel bebas sebagai yang memiliki hubungan dengan variabel
terikat dan variabel bebas lainnya sebagai variabel kontrol dimana variabel
ini diduga mempengaruhi hubungan antara satu variabel bebas dan terikat.
Oleh karena itu, analisis korelasi parsial merupakan metode yang digunakan
untuk mengidentifikasi kuat atau lemahnya hubungan antar variabel bebas
dan terikat, dimana variabel lainnya dikontrol atau dianggap berpengaruh
(Irianto, 2006).
Keterangan:
n = Jumlah data
X = Data variabel bebas
Y Data variabel terikat
Keterangan:
ryx, = korelasi antara variabel terikat Y dengan variabel bebas XI
= korelasi antara variabel terikat Y dengan variabel bebas X2
rXIX2 = korelasi antara variabel bebas XI dengan variabel bebas X2
Analisis Regresi
Analisis regresi merupakan suatu teknik untuk membangun suatu persamaan yang
menghubungkan antara variabel terikat/dependen (Y) dengan variabel
SIPO
MODUL MATERI SIPO 2022
bebas/independen (X) dan digunakan juga untuk menentukan nilai ramalan atau
dugaannya. Persamaan regresi adalah persamaan yang menyatakan bentuk hubungan
antara variabel terikat (Y) dengan variabel bebas (X). Selain itu, persamaan regresi juga
merupakan suatu persamaan matematis yang mendefinisikan hubungan antara dua
variabel. Adapun persamaan regresi yang digunakan pada umumnya adalah:
y = a + bx
Keterangan:
y = Nilai dugaan atau ramalan dari variabel Y berdasarkan nilai variabel X yang diketahui,
bisa disebut Y topi (P).
a Intercept, yaitu titik potong garis dengan sumbu Y atau nilai perkiraan bagi Y
pada saat nilai X sama dengan nol.
b — Slope (kemiringan garis), yaitu perubahan rata-rata untuk setiap unit
perubahan pada variabel X.
Pada analisis regresi, dipelajari hubungan yang ada di antara variabel sehingga
dari hubungan yang diperoleh dapat menaksir variabel yang satu apabila harga
variabel lainnya diketahui. Berikut merupakan persamaan untuk mencari nilai a
dan b, yaitu.
Keterangan:
Yl Nilai variabel terikat Y ke-i a
= Intercept b = Slope
Xi = Nilai variabel bebas X ke-i
n = Jumlah sampel
Dalam regresi linier, terdapat beberapa asumsi yang harus dipenuhi, yaitu:
. Uji cek outlier
94
SİPO
MODUL MATERI SIPO 2022
Adapun uji yang perlu dilakukan untuk membuktikan bahwa model regresi yang ada
sudah baik, yaitu:
1. Uji T
Untuk menguji signifikansi koefisien regresi dan untuk mengetahui pengaruh
koefisien regresi terhadap variabel independen.
95
SİPO
MODUL MATERI SIPO 2022
Perumusan Hipotesis
Ho: Koefisien regresi tidak signifikan terhadap variabel
independen.
Hl: Koefisien regresi signifikan terhadap variabel independen.
Kriteria Uji
Jika t penelitian > t tabel, maka tolak Ho.
Jika t penelitian < t tabel, maka tidak tolak Ho.
Keterangan:
b = Koefisien regresi
Sb = Simpangan baku koefisien regresi b
Bo = Mewakili nilai B tertentu sesuai hipotesisnya
2. Uji F (ANOVA)
Uji kelayakan model, apakah model regresi linier yang diajukan adalah
model yang layak untuk menguji pengaruh variabel independen terhadap
variabel dependen secara bersama-sama (simultan).
Perumusan Hipotesis Ho: Model regresi yang ada tidak tepat bila digunakan.
Hl: Model regresi yang ada tepat bila digunakan.
96
SİPO
MODUL MATERI SIPO 2022
Kriteria Uji
Jika F penelitian > F tabel, maka Ho ditolak.
Jika F penelitian < F tabel, maka Ho tidak ditolak.
Keterangan:
b = Slope x = Rata-rata variabel
independen x Variabel
independen
SC Simpangan baku
97
SİPO
MODUL MATERI SIPO 2022
MODUL 6B
UJI ANOVA
TUJUAN PRAKTIKUM
l . Praktikan memahami konsep uji statistik dengan menggunakan ANOVA.
2. Praktikan mengetahui dan memahami perbedaan One Way ANOVA dan Two
way ANOVA.
REFRENSI
Ghozali, Imam. 2009. Aplikasi Analisis Multivariate dengan Program SPSS.
Semarang: Badan Penerbit UNDIP.
Mann, Prem S. 2010. Introductory Statistics Seventh Edition. USA: John Wiley &
Sons, Inc.
Walpole, Ronald E. 1995. Pengantar Statistika Edisi ke-3. Penerbit: PT. Gramedia
Pustaka Utama. Jakarta.
MIND MAP
98
S I P LABORATORY
MODUL MATERI SIPO 2022
S
DASAR TEORI
Pengertian ANOVA (Analysis of Variance)
Analisis varian (analysis of variance) atau ANOVA merupakan suatu prosedur yang
digunakan untuk menguji hipotesis nol tentang tiga atau lebih rata-rata populasi
yang sama (Mann, 2010). ANOVA adalah metode analisis statistika yang termasuk
ke dalam cabang statistika inferensia. Metode ini dikenal pula dengan sebutan
analisis ragam, sidik ragam, dan analisis variansi.
ANOVA digunakan untuk membandingkan rata-rata populasi bukan ragam
populasi dengan cara membandingkan variansi dari rata-rata lebih dari dua
kelompok data. Jenis data yang digunakan untuk variabel bebasnya (independen)
adalah nominal dan ordinal. Sedangkan untuk variabel terikatnya (dependen)
adalah data interval atau rasio. ANOVA lebih akurat digunakan untuk sejumlah
sampel yang sama pada setiap kelompoknya.
Asumsi Dasar Pengujian ANOVA
Adapun asumsi dasar yang harus terpenuhi dalam ANOVA (Ghozali, 2009) adalah:
b. Kenormalan (normality)
Pengujian variabel pada uji varian harus mengikuti distribusi normal. Dalam
hal ini, variabel dependen terdistribusi normal dalam setiap kategori variabel
independen. Data berdistribusi normal dapat dipenuhi dengan cara
memperbanyak jumlah sampel dalam kelompok.
SİPO LABORATORY
MODUL MATERI SIPO 2022
a. Variabilitas
Terdapat tiga bagian pengukuran variabilitas pada data yang akan dianalisis
menggunakan ANOVA, yaitu:
JKA n [ye-
atau
JKA
Keterangan:
k = banyaknya kelompok
T = total X masing-masing kelompok
G = total X keseluruhan n = jumlah sampel
masing-masing kelompok
N = jumlah sampel keseluruhan
JKD = JKSMK
Keterangan:
JKSMK merupakan Jarak kuadrat simpangan masing-masing kelompok.
100
SİPO LABORATORY
MODUL MATERI SIPO 2022
62
JKT=EX2
atau:
101
SİPO LABORATORY
MODUL MATERI SIPO 2022
5. Analisis Kesimpulan
102
SİPO LABORATORY
MODUL MATERI SIPO 2022
Tabel 5. 2 Rumus Hitung One Way ANOVA
Sumber Jumlah Derajat Kuadrat hitung
Keragaman Kuadrat Bebas Tengah
103
SIPO
MODUL SİPO 2022
LABORA TORY
Tabel 5. 3 Langkah Pengujian Two way ANOVA
No Langkah Pengujian Rumus
I. Menentukan formulasi
hipotesis
2. Menentukan taraf signifikansi (1 % —-5 Fa (VI, 122). Dimana:
VI = (n — l)(k — 1)
5. Analisis Kesimpulan
Adapun dalam pengujian Two Way ANOVA, dipergunakan rumus hitung sebagai
berikut:
Tabel 5. 4 Rumus Hitung Two Way ANOVA
Sumber Jumlah Derajat Kuadrat Tengah hitung
Keragaman Kuadrat Bebas
—l
104
SİPO
MODUL MATERI SIPO 2022
Galat (Error) SSE MSE = s 2
MAT ERİ
SSE MSE
SSB SSK
Namun dalam modül ini, kriteria pengujian ANOVA yang akan dibahas yaitu
ANOVA klasifikasi ı aralı (One way ANOVA).
Analisis Post Hoc
Analisis setelah ANOVA atau pasca ANOVA (Post Hoc) dilakukan apabila
hipotesis nol ditolak. Post Hoc dilakukan untuk mengetahui kelompok mana yang
berbeda dan yang tidak berbeda. Hal ini ditunjukkan oleh F hitung yang
menunjukkan adanya perbedaan. Apabila F hitung menunjukkan tidak ada
perbedaan, tentü analisis sesudah ANOVA tidak perlu dilakukan. Ada beberapa
teknik analisis yang dapat digunakan untuk melakukan analisis sesudah ANOVA,
yaitu:
a. LSD (Least Significant Difference) dilakukan untuk melakukan uji T diantara
seluruh pasangan kelompok mean. Uji ini sangat baik apabila pengujian mean yang
akan dibandingkan sebelumnya telah direncanakan.
105
SİPO
MODUL SİPO 2022
b. Tukey atau HSD (Honestly Significant Difference) uji ini
disebut uji beda nyata yang merupakan perbaikan dari LSD
karena uji ini untuk membandingkan mean tanpa perencanaan terlebih dahulu.
c. Tukey 's-b, merupakan alternatif dari uji Tukey.
d. Duncan digunakan untuk menguji perbedaan diantara semua pasangan perlakuan
yang ada dari percobaan tersebut serta masih dapat mempertahankan tingkat
signifikansi yang ditetapkan.
e. SNK (Student Newman Keuls) merupakan pengembangan dari LSD dan
Duncan.
f. Dunnet digunakan untuk membandingkan mean dari semua perlakuan dengan mean
perlakuan kontrol.
g. Scheffe digunakan untuk pembanding yang tidak perlu orthogonal.
106
SİPO
MODUL MATERI SIPO 2022
O
107
SİPO