MATERI KE 3

1 2 3 4 5 6 7
Kemampuan Akhir Metode Pengalaman Penilaian
Minggu
tiap tahapan Bahan Kajian/ Pokok Bahasan Pembela- Waktu Belajar Bobot
ke Kriteria & Indikator
pembelajaran jaran Mahasiswa (%)
Mahasiswa mampu (1) Data diskrit dan kontinyu Ceramah, 2x 50 Group  Keaktifan
membedakan jenis Diskusi menit Discussion, dan mahasiswa
(2) Parameter statistic : Deskripsi
data dan Numerik, Nilai rata-rata, kelas. (tatap Studi Kasus dalam diskusi
penaksiran Deviasi Standar, Median, muka)
parameter statistik Dosen:
kuartil
deskriptif. HB, IS
(3) Deskripsi jenis data pada
3. bidang teknik sipil 3.

(4) Penaksiran rata-rata,

Simpangan baku dan proporsi

(5) Penggunaan parameter

statistik untuk pengambilan
keputusan
1. Data diskrit dan kontinyu Metode sampling :
2. Parameter statistik : Deskripsi Numerik, - Pengambilan sampel dari populasi
Nilai rata-rata, Deviasi Standar, Median, - Teknik pengambilan sampel
kuartil - Menentukan jumlah
3. Deskripsi jenis data pada bidang teknik sampling/kecukupan data
sipil
4. Penaksiran rata-rata, Simpangan baku
dan proporsi
5. Penggunaan parameter statistik untuk
pengambilan keputusan
DATA DISKRIT DAN DATA KONTINYU

Data Diskrit : data yang diperoleh dari hasil menghitung; data yang sifatnya terputus-
putus, nilainya bukan merupakan pecahan (angka utuh).

Contoh : data jumlah penduduk; data jumlah kendaraan yang lewat di suatu
persimpangan jalan; data jumlah pelanggaran lalu lintas; data jumlah kecelakaan lalu
lintas; data jumlah kejadian banjir/gempa/longsor, dst.

Data Kontinyu : data yang diperoleh dari hasil mengukur; data yang sifatnya sinambung/
kontinyu, nilainya bisa berupa pecahan.

Contoh : data panjang sungai; data suhu udara setiap hari; data debit di suatu
saluran/sungai; data tinggi muka air saluran/sungai/waduk; data kuat tekan beton;
dst.
Contoh Data Tunggal

Tabel Data Jumlah Mobil Honda CRV yang Masuk Tol Bawen dalam waktu 15 menit

Jam Frekuensi Jam Frekuensi Jam Frekuensi Jam Frekuensi

07.00 10 09.30 4 12.00 17 14.30 22
07.15 13 09.45 6 12.15 15 14.45 7
07.30 9 10.00 5 12.30 11 15.00 12
07.45 5 10.15 7 12.45 9 15.15 14
08.00 9 10.30 9 13.00 9 15.30 19
08.15 8 10.45 15 13.15 3 15.45 13
08.30 14 11.00 12 13.30 16 16.00 15
08.45 5 11.15 9 13.45 19 16.15 10
09.00 4 11.30 13 14.00 21 16.30 11
09.15 6 11.45 15 14.15 19 16.45 17
Contoh Data Diskrit

Tabel Data Jumlah Mobil yang Masuk Tol Bawen dalam waktu 15 menit

Jam Frekuensi Jam Frekuensi Jam Frekuensi Jam Frekuensi

07.00 20 09.30 29 12.00 28 14.30 29
07.15 23 09.45 33 12.15 27 14.45 23
07.30 19 10.00 29 12.30 39 15.00 39
07.45 25 10.15 15 12.45 35 15.15 45
08.00 19 10.30 29 13.00 49 15.30 39
08.15 25 10.45 45 13.15 55 15.45 45
08.30 24 11.00 34 13.30 44 16.00 54
08.45 31 11.15 38 13.45 31 16.15 41
09.00 22 11.30 42 14.00 32 16.30 42
09.15 54 11.45 51 14.15 34 16.45 34
Contoh Data Kontinyu

Tabel Data Waktu Pembayaran Tiket Masuk Tol Bawen dalam satuan detik

Mobil Waktu Mobil Waktu Mobil Waktu Mobil Waktu

1 2,0 11 1,9 21 1,1 31 1,5
2 2,1 12 1,3 22 1,2 32 1,1
3 2,0 13 1,0 23 1,0 33 1,0
4 1,3 14 1,1 24 1,1 34 1,2
5 1,4 15 1,4 25 1,3 35 1,1
6 1,6 16 1,5 26 1,2 36 1,2
7 1,9 17 1,3 27 1,1 37 1,1
8 1,1 18 1,4 28 1,2 38 1,3
9 1,3 19 1,2 29 1,1 39 1,5
10 1,5 20 1,1 30 1,3 40 1,2
PARAMETER STATISTIC
DESKRIPSI NUMERIK, NILAI RATA-RATA, DEVIASI STANDAR, MEDIAN, KUARTIL

Variabel Numerik : diperoleh berdasar hasil pengukuran variabel penelitian

Variabel Kategori : diperoleh berdasar klasifikasi strata dari data
Ukuran Pemusatan (Central Tendency)
• Nilai rata-rata :
• Mean aritmatik
• Mean aritmatik terbobot
• Mean geometrik
• Mean Harmonik
• Median, Kuartil
• Modus
Mean Aritmatik
• Data Tidak Terkelompok

n n

x i x i

x i 1
SAMPEL μ i 1
POPULASI
n N

𝑥ҧ = mean aritmatik sampel

 = mean aritmatik populasi
xi = nilai dari data ( variebel x)
n = banyaknya data x dalam suatu sampel
N = banyaknya data x dalam suatu populasi
• Data Terkelompok
k k

f x i m, i f x i m, i
x i 1
k
 i 1
SAMPEL

f
n 𝑥ҧ = mean aritmatik sampel
i
i 1 x = mean aritmatik populasi
xi = nilai dari data ( variabel x)
k k

f x f x
k = jumlah interval kelas dalam satu sampel
i m, i i m, i K = jumlah interval kelas dalam satu populasi
μx  i 1
k
 i 1
POPULASI n = banyaknya data x dalam suatu sampel

f
N
i
i -1

N = banyaknya data x dalam suatu populasi

fi = frekuensi atau jumlah pengamatan dlm satu klas intreval
xm.i = nilai tengah dari interval kelas.
Mean Aritmatik Terbobot
Nama Luas DPA
No Bobot ( % )
Stasiun ( Km2 )
A 1 A 0,342 3,875
2 B 1,849 20,949
B 3 C 6,635 75,176
Luas Total 8,826 100

C
Ukuran Penyebaran
1.Jangkauan / kisaran (range)
2.Simpangan mutlak rata-rata
3.Deviasi standard/simpangan baku
4.Varians ; kuadrat dari deviasi standard
5.Koefisien Variasi
Momen, Skewness dan kurtosis
1.Momen
2.Skewness
3.Kurtosis (Ck)
Simpangan mutlak rata-rata
n

x i x
Data tidak terkelompok : MD x  i 1

n
k k

f i x m, i  x f i x m, i  x
Data terkelompok : MD x  i 1
k
 i 1

 fi
n
i 1

MDx = simpangan mutlak rata-rata

𝑥ҧ = mean aritmatik sampel
fi = jumlah pengamatan atau frekuensi dalam sebuah interval klas
fmedian = frekuensi kelas median
n = banyaknya data x dalam suatu sampel
k = jumlah interval kelas dalam suatu sampel
Xm,i = nilai tengah dari interval
 2

 x 
n
 n
2  n

n  x i     x i 
2
i x
sx  i 1
  i1   i1   sampel
n -1 n n  1

 f x 
N
 N 2
  xi 
2
i i x
σx  i 1
  i1  μ 2
x  populasi
N N

 f x 
k
 k 2 
k

n   f i x m,i     f i x m,i 
2
i m,i x
sx  i 1
  i 1   i 1   sampel
n -1 n n  1
 K 2
 f x  μx 
K

i m,i
2
  i m,i 
f x
σx  i 1
  i 1  μ 2
x  populasi
N N
Varians ; kuadrat dari deviasi standard
 sx2 : sampel
 x2 : populasi
Koefisien Variasi
Ukuran penyebaran data ditentukan dg standard deviasi atau penyebaran mutlak, tapi
untuk mengukur variasi misalnya 1 m thd 1000 m dan 1 m thd 20 m dibedakan dg
ukuran penyebaran relatif yg didefinisikan sbg,
penyebaran mutlak
Penyebaran relatif 
nilai rata  rata
sx σx
Vx   sampel υx   populasi
x μx
Skewness ketidak simetrisan atau penyimpangan suatu distribusi

30 30 30

25 25 25

20 20 20

15 15 15

10 10 10

5 5 5
0 0
0
40 50 60 70 80 90 100 40 50 60 70 80 90 100
40 50 60 70 80 90 100
Mean Mean Median Modus Modus Median Mean
Median Modus

x  x̂
Cs 
s
3( x  ~
x)
Cs  dg : C s  Faktor/koe fisien kemencenga n
s
x  mean, x̂  median, ~ x  modus
Rumus yg paling banyak di aplikasikan di bidang teknik adalah
dengan menggunakan momen simpangan terhadap mean ke tiga
dalam bentuk tak berdemensi yg dinyatakan sebagai koef
kemencengan

m 3,x m 3,x m 3,x

a 3,x   
s 3
 m 2,x 
3
m 32,x
untuk kurva yg simetris sempurna , misalnya kurva normal
(gaussian) a3,x = b1,x
Kurtosis (Ck)
Kurtosis adalah derajat keruncingan (peakedness) atau
keceperan(flatness) dari suatu distribusi relatif terhadap distribusi
normal. Sebuah distribusi yg memiliki relatif tinggi disebut kurva
leptocurtic, yg normal mesocurtic dan yg tidak runcing/ceper
platycurtic. Salah satu ukuran kurtosis menggunakan momen
simpangan thd mean ke 4 dalam bentuk tidak berdimensi yg
didefinisikan sebagai koefisien momen keruncingan (kurtosis) :

m 4,x m 4,x
a 4,x  4

s m 22,x

Atau dapat juga menggunakan rumus berikut dg menggunakan

kuartil dan persentil :
 Qd
1
Q 3  Q1 
K  2
P90  P10 P90  P10

Mesocurtic Leptocurtic Platycurtic

Persyaratan Metode Distribusi

No. Jenis Distribusi Syarat Hasil Keterangan

Perhitungan

1 Normal Cs = 0 Tidak
Ck = 3 Cs = 2,23 Memenuhi
2 Ck = 6,49
2 Log Normal Cs = 3Cv+Cv = 3 Tidak
Cv = 0,50
Ck = 5,383 Memenuhi

3 Gumbel Cs < 1,1396 Tidak

Ck < 5,4002 Memenuhi

4 Log Pearson Tipe III Cs ≠ 0, Cv ≈ 0,3 Memenuhi

Contoh
Diketahui hasil pengukuran breaking stress dari 100 specimen suatu logam X (kN/m2), seperti tertulis pada
table 1. berikut :
Tabel 1. Data mentah hasil pengukuran breaking stress dari 100 specimen suatu logam X (kN/m2)

1171 1186 1264 1205 1316 1437 1185 1150 1338 1290
1042 1110 1192 1196 1406 1161 1492 1170 1258 1152
1218 1181 1273 1020 1042 1136 1233 1158 1233 1312
1141 1040 1217 1175 1273 1163 1235 931 1270 1246
1298 1185 1051 1218 1303 1055 1081 1162 1333 1285
1083 1197 1146 1231 923 1393 1302 1249 1368 1327
1225 1095 1051 1250 1021 1152 1482 1028 1341 1106
939 1124 1200 1058 1449 1094 1254 1160 1141 1062
1077 1065 1141 1416 1055 1399 924 1361 1216 1289
1275 1464 1133 1208 1314 1209 1146 1274 1156 1090
Dari data pada tabel di atas :
1) Hitung rata-rata dan deviasi standar untuk data terkelompok dan tidak terkelompok.
2) Buatlah distribusi frekuensinya,
3) Gambarkan grafiknya,
4) Hitung koefisien variasi, koefisien skewness dan koefisien kurtosisnya,
Berikan pendapat anda pada hasil perhitungan di atas.

1) Rata-rata dan deviasi standar untuk data tidak terkelompok.

x i
119.907
x i 1
  1199,07
n 100

σ𝑛𝑖=1(𝑥𝑖 − 𝑥)ҧ 2 1.540.499,210

𝑠= = = 124,742
𝑛−1 99
Rata-rata dan deviasi standar untuk data terkelompok.
2) Tabel Distribusi Frekuensi Pengujian tegangan rusak ( Breaking Stress ) logam X
Breaking Stress Jumlah Persentase
No.
(kN/m2) (f) ( f/nx100%)
1 900 - 999 4 4%
2 1000 -1099 19 19%
3 1100 - 1199 29 29%
4 1200 - 1299 28 28%
5 1300 - 1399 13 13%
6 1400 - 1499 7 7%
Total N 100 100%
Rata-rata dan deviasi standar untuk data terkelompok.
k k

f i x m, i  x f i x m, i  x
MD x  i 1
k
 i 1

 fi
n
i 1

σ𝑘 ҧ 2
𝑖=1 𝑓𝑖 (𝑥𝑚,𝑖 −𝑥)
𝑠𝑥 = =……….
𝑛−1 Breaking Stress
35
30
25

Frekuensi
Gambarkan grafiknya, 20
15
10
5
0
900 - 999 1000 -1099 1100 - 1199 1200 - 1299 1300 - 1399 1400 - 1499
Breaking Stress (kN/m2)
 Breaking Stress
35
30
25
Frekuensi

20
15
10
5
0
900 - 999 1000 -1099 1100 - 1199 1200 - 1299 1300 - 1399 1400 - 1499
Breaking Stress (kN/m2)
Breaking Stress
35%
30%
25%
20%

Frekuensi
15%
10%
5%
0%
900 - 999 1000 -1099 1100 - 1199 1200 - 1299 1300 - 1399 1400 - 1499
Breaking Stress (kN/m2)
Momen, Skewness dan kurtosis
Menghitung momen simpangan thd mean yg ke 1,2,3 dan ke 4.
data terdiri dari n =100 data, lebar interval kelas c = 100 dan 𝑥ҧ
= 1197.5.

xm,i fi fi (x m,i - x ) fi (x m,i - x )2 fi (x m,i -x )3 fi (x m,i -x )4

950 4 -992 246,016 -61,011,968 15,130,968,064

1,050 19 -2,812 416,176 -61,594,048 9,115,919,104
1,150 29 -1,392 66,816 -3,207,168 153,944,064
1,250 28 1,456 75,712 3,937,024 204,725,248
1,350 13 1,976 300,352 45,653,504 6,939,332,608
1,450 7 1,764 444,528 112,021,056 28,229,306,112
S 100 0 1,549,600 35,798,400 59,774,195,200
  f x 
k

i m, i x
0
m1,x  i 1
 0
n 100

 f x 
k
2
i m, i x
1549600
m 2,x  i 1
  15496
n 100

 f x 
k
3
i m, i x
35798400
m 3,x  i 1
  357984
n 100

 f x 
k
4
i m, i x
59774195200
m 4,x  i 1
  59774195200
n 100
Dengan metode pengkodean

x m, i  A
xm,i fi ui  fi i fi i 2 fi i 3 fi i 4
c

950 4 -2 -8 16 -32 64
1,050 19 -1 -19 19 -19 19
1,150 29 0 0 0 0 0
1,250 28 1 28 28 28 28
1,350 13 2 26 52 104 208
1,450 7 3 21 63 189 567
S 100 48 178 270 886

A =sembarang nilai, biasanya nilai tengah interval kelas yang di tengah

Xm,i =nilai tengah interval kelas
fi =frekuensi atau jumlah pengamatan dalam sebuah kelas interval
ui =kode untuk suatu interval kelas
 k

f μ
1
i i
48
m' 1,x  c1 i 1
k
 100  0.48
f
100
i
i 1

 fiμ i
2

178
m' 2,x  c 2 i 1
k
 100 2  17800
f
100
i
i 1

 f iμ i
3

270
m' 3,x  c 3 i 1
k
 100 3
 2.7 *10 6
f
100
i
i 1

 fiμ i
4

886
m' 4,x  c 4 i 1
k
 100 4  8.86 *10 8
f
100
i
i 1
Maka,
m1,x =0
m2,x = m’2,x - m’1,x = 17800 – 48 2 = 15496
m3,x = m’3,x - 3m’1,x m’2,x + 2 m’1, x3
= 2.7*106 -3(48)(17800)+2(483) = 357984
m4,x = m’4,x - 4 m’1,x m’3,x + 6 m1,x2 m’2,x - 3 m’1,x4
= 8,86 x 108 – 4 (48 )( 2,7 x 106 ) + 6 (482)(17800)-3(484)
= 5,98 x 108
Deskripsi jenis data pada bidang teknik sipil √

Confidence Intervals
(Rentang Keyakinan)
Confidence Intervals
Estimasi Parameter
Distribusi probabilitas memiliki sejumlah parameter.
Parameter-parameter tsb umumnya tak diketahui.
Nilai parameter tersebut diperkirakan (di-estimasi-kan) berdasarkan nilai yang diperoleh dari pengolahan data.

Estimasi
Estimasi tunggal (point estimates)
Rentang keyakinan (confidence intervals)
Estimasi Tunggal
Estimasi Tunggal
Contoh
• Nilai rata-rata sampel sbg estimasi nilai rata-rata populasi.
X
• Nilai simpangan baku sampel sbg estimasi nilai simpangan baku populasi.
sX → X

Estimasi Parameter 

෠  
estimasi parameter

Dicari suatu interval [ L,U ] yang memiliki probabilitas (1 – α) bahwa interval tsb
mengandung 
prob(L <  < U) = (1 – ) → . . . . . . . . . . . . . . . . . . Pers (1)
L = batas bawah rentang keyakinan.
U = batas atas rentang keyakinan.
(1 – a) = tingkat keyakinan (confidence level, confidence coefficient).
L dan U = variabel random

Contoh
Data debit Sungai A selama tahun 1981 s/d 2000 menunjukkan bahwa debit rata-rata
adalah 77 m3/s.
Kita dapat memperkirakan debit rata-rata Sungai A adalah 77 m3/s.
Kita menyadari bahwa perkiraan tsb dapat salah; bahkan dari sisi pengertian probabilitas,
kita tahu bahwa debit rata-rata sama dengan 77 m3/s adalah hampir tidak mungkin
terjadi:
Prob (𝑄ത = 77 m3/s) = 0
Batas Bawah dan Atas
Metode Ostle: method of pivotal quantities
 Dicari variabel random V yang merupakan fungsi parameter θ (θ = unknown), tetapi
distribusi V ini tidak bergantung pada parameter yang tidak diketahui.
 Ditentukan v1 dan v2 sedemikian hingga:

prob (v1 < V < v2) = 1 – α → Pers (2)

prob (v1 < V < v2) = 1 – α

 Persamaan di atas diubah kedalam bentuk

prob(L < θ < U) = 1-α
 L dan U adalah variabel random dan fungsi V, tetapi bukan fungsi θ.
µ suatu distribusi normal
Mencari interval [L,U] yang mengandung µ,
prob(L < µ < U) = 1 – α
Misal variabel random V :
ത
𝑋−𝜇
𝑉=
𝑆𝑋

 V berdistribusi t dengan (n – 1) degrees of freedom

 n adalah jumlah sampel yang dipakai untuk menghitung nilai rata-rata sampel, 𝑋ത
ത
𝑋−𝜇
𝑉= → berdistribusi t
𝑆𝑋
Penaksiran rata-rata, Simpangan baku dan proporsi

Mulai

Gunakan skor z dalam

n > 30 Selesai
perhitungan

Parameter populasi
Apakah x Gunakan skor z dalam
terdistribusi
diketahui? perhitungan
normal?

Tidak dapat menggunakan skor z Gunakan nilai f dalam

atau nilai t dalam perhitungan (teknik perhitungan
estimasi lanjutan)

Selesai
 Chart Title
20

18

16

14

12

10

0
0 1 2 3 4 5 6 7 8