Stat Prob

Statistik dan
Perancangan Percobaan
TMS 214
Dr.-Ing. Agus Sutanto
Jurusan Teknik Mesin

Universitas Andalas 1
Aturan Kuliah
• UTS 30%
• UAS 35%
• Tugas dan Presentasi 15%
• PR, Quiz 10%
• Kehadiran min. 75% bobot 10%

2
Silabus
• Dasar-dasar Statistik (Definisi, Data, Populasi, Sampel, Parameter)
• Tabulasi & representasi grafik
• Ukuran pemusatan data (mean, modus, median)
• Ukuran keragaman/variabilitas /dispersi data (jangkauan, varian, standar deviasi)
• Frekuensi relatif & frekuensi kumulatif dan Presentil (Px)
• Distribusi kontinu: distribusi normal, distribusi Z
• Dasar-dasar Teori Probabilitas
• Permutasi & Kombinasi
• Kejadian bebas & kejadian lepas
• Distribusi diskrit : Distribusi binomial & Distribusi hipergeometrik
• Distribusi Student (t- Test)
• Analisa Varian (ANOVA)
• Korelasi data Regresi
• Analisa Regresi Linier
• Teknik Sampling & Perancangan Percobaan

3
Minggu 1
Dasar-dasar Statistik

Definisi Statistika
Statistika adalah cabang dari ilmu matematika terapan (applied
mathematics) yang mempelajari cara pengumpulan, penyajian,
analisa dan interpertasi serta penarikan kesimpulan dari data
Statistics is the science of the collection, organization, and

interpretation of data. It deals with all aspects of this, including
the planning of data collection in terms of the design of surveys
and experiments. Statistics is closely related to probability
theory, with which it is often grouped (source: Wikipedia)

Statistika: Deskriptif vs Inferensi
Statistika dikelompokan atas 2 bagian:
1. Statistik deskriptif: metode-metode yang berkaitan dengan
pengumpulan dan penyajian suatu gugus data sehingga memberikan
informasi yang berguna. Contoh statistika deskriptif yang sering muncul
adalah, tabel, diagram dan grafik.
2. Statistik inferensi: semua metode yang berhubungan dengan analisis
sebagian data atau juga sering disebut dengan sampel untuk kemudian
sampai pada peramalan atau penarikan kesimpulan mengenai
keseluruhan data induknya (populasi). Dalam statistika inferensi
diadakan pendugaan (hipotesis) dari parameter, dan melakukan
pengujian hipotesis tersebut sehingga sampai pada kesimpulan yang
berlaku umum. Distribusi normal sering dipakai dalam pengujian
hipotesis tersebut.

Contoh Statistika Deskriptif
Grafik pengunjung harian suatu Grafik Pengunjung suatu
Website. Website menurut umur
dengan Statistika Deskriptif ini, kumpulan data yang

diperoleh akan tersaji dengan ringkas dan rapi serta dapat
memberikan informasi dari kumpulan data yang ada

Contoh Statistika Inferensi
Contoh Statistik inferensi:
Seorang pengusaha ingin mengetahui berapa
lama umur baterai ABC dengan cara mengambil
beberapa baterai sebagai sampel yang digunakan
untuk menaksir berapa lama umur baterai ABC
secara keseluruhan (populasi baterai).
Pengambilan kesimpulan dari statistika inferensi

yang hanya didasarkan pada sampel (sebagian
data saja) menyebabkan sifat tak pasti dan
memungkinkan terjadi kesalahan dalam
pengambilan keputusan, Sehingga pengetahuan
mengenai teori peluang (probabilitas) mutlak
diperlukan dalam melakukan metode-metode
Distribusi normal sering statistika inferensi.
dipakai dalam pengujian
hipotesis dalam statistik
inferensi.

Data
Data adalah :
• bagian dari informasi
• Nilai dari suatu informasi
• Data secara umum belum memiliki makna konkrit, sedangkan
informasi sudah memberikan makna konkrit
Contoh :
50 cm  data (bagian atau nilai informasi, belum
konkrit)
panjang spesimen ujik tarik adalah 50 cm  informasi (sudah
konkrit)

Data
Data statistik berhubungan dengan:
– Obyek yang diukur/diamati.
Contoh: orang, mesin, produk
– Attribut yang diukur/diamati
Contoh: tinggi (orang), umur (mesin), berat (produk)
Attribut memiliki satuan (unit), Contoh:
tinggi orang  meter
umur mesin  jam
berat produk  kilogram

Bagaimana memperoleh data?
- Survey
mengambil data dengan cara membuat daftar pertanyaan
dengan pilihan jawaban yang sudah ditentukan dan diberikan
kepada responden. Survey dapat dilakukan dalam bentuk
tertulis (kuestioner) atau lisan (wawancara).
- Review
mengambil data dari sumber atau literatur lain yang sudah
ada
- Observasi
mengambil data dari pengamatan atau eksperimen

Jenis Data
• Data Kuantitatif
data yang bisa diukur atau dinilai dengan angka
Contoh: data uji tarik material baja
data nilai ujian Statitik
• Data Kualitatif
data yang tidak bisa diukur atau dinilai dengan angka
secara langsung. Data kualitatif menunjukkan keadaan
atau karakteristik dari obyek yang diteliti.
Contoh:
data pendapat masyarakat tentang sistem pelayanan
suatu bengkel (sangat baik, baik, cukup, kurang, sangat
kurang)

Data kuantitatif & kualitatif
data yang bisa diukur atau Data tersebar dalam kategori:

dinilai dengan angka sangat setuju, setuju, netral,
tidak setuju dan sangat tidak
setuju
Populasi dan sampel
Populasi adalah kumpulan dari seluruh obyek (orang atau benda)
yang akan diamati.
Sampelwakil dari populasi atau sebagian kecil populasi yang benar-

benar diamati datanya yang diambil secara acak (random)
Random <> sistematik
Dengan mempelajari sampel maka akan diketahui karakteristik dari

populasi. Akan tetapi karena karaktersitik dari populasi hanya
didasarkan pada sampel (sebagian data saja) menyebabkan sifat tak
pasti dan memungkinkan terjadi kesalahan dalam pengambilan
keputusan, Sehingga pengetahuan mengenai teori peluang
(probabilitas) sangat diperlukan.
QC = Quality Control
Contoh: dengan mengambil 10 sampel baut dari produksi baut per hari
(200.000 baut) untuk diuji/ diukur maka akan diketahui karakteristik
proses pembuatan baut secara keseluruhan.
Parameter
• Parameter adalah nilai yang digunakan untuk
merepresentasikan karakteristik dari suatu populasi.
Contoh parameter dalam statistik adalah mean, varian,
modus, dll.
Contoh:
• mean (nilai yang menunjukkan harga rata-rata ) dari
hasil pengujian tarik baja dengan sampel 10 buah adalah
43 kgf/cm2
• Varian (nilai yang menunjukkan variasi/ragam/perbedaan
harga) dari pengujian tarik tersebut dengan sampel 10
buah adalah1,54 kgf/cm2

Parameter
Parameter statistik yang penting & rumusnya:
x1  x 2  ...  x n 1 n
1.Mean (harga rata-rata x   xi
sampel) n n i 1
2. Varian (ragam) n

n
  xi n n
 xi2   i 1   (x  x)
i
2
x 2
i  nx 2
n
s 2  i 1  i 1
 i 1
n 1 n 1 n 1

16
Tugas yang dapat diberikan untuk
pemahaman teori
• Rancanglah suatu survey untuk mendapatkan

data kuantitatif dan kualitatif.

17
Minggu ke-2
Tabulasi Data dan

Penyajian Grafik

Tabulasi Data dan Penyajian Grafik
• Tabulasi (berasal dari kata “tabel”) yang artinya
mengolah data (dengan cara mengklasifikasikannya)
ke dalam bentuk tabel
• Penyajian Grafik: mengolah data yang ada sehingga

bisa disajikan dalam bentuk grafik atau diagram.
Beberapa diagram yang umum adalah:
– Diagram Batang
– Digaram titik (dot)
– Diagram Poligon atau Garis
– Diagram Lingkaran (Pie)
Klasifikasi data untuk tabulasi
1. Data tunggal (tidak berkelompok).
Contoh: data nilai ujian Statistik 65 mahasiswa di bawah
ini
2. Data berkelompok (dalam grup)

dengan interval tertentu
Contoh: data tinggi 62 mahaiswa yang

dikelompokan dalam 7 grup dengan
interval tiap grup 10 cm

Tabulasi data
Berikut hasil pengujian kekuatan tarik 20 buah sampel Baja dengan

mesin uji tarik (dalam MPa)
520 530 500 510 550 530 560 540

510 540 530 520 520 530 550 520
500 530 540 520
Klasifikasikan data tersebut dalam bentuk tabel? Buat frekuensi

dari masing-masing nilai uji tarik dan buat diagram batang untuk
data pengujian tersebut.

Tabulasi data
No kekuatan Tally Frek. Frek. Frek. Frek.
tarik Kum. Relatif Relatif
(MPa) (%) Kum. (%)
1 500 2 2 10 10
2 510 2 4 10 20
3 520 5 9 25 45
4 530 5 14 25 70
5 540 3 17 15 85
6 550 2 19 10 95
7 560 1 20 5 100

22
Tabulasi & Grafik
Diagram Batang hasil pengujian
Tarik baja (n=20)
120
30
100
Frek. Relatif (%)
25
Frek. Relatif Kumulatif (%)

80
20
60
15
10 40
5 20
0 0
500 510 520 530 540 550 560
500 510 520 530 540 550 560
Kekuatan Tarik (MPa)
Kekuatan Tarik (MPa)
Diagraqm Frekuensi Relatif (Diagram, Batang) Diagraqm Frekuensi Relatif Kumulatif

(Diagram, Batang)

23
Contoh soal
Pengukuran dari 200 buah
sampel paku keling (rivet)
dalam suatu proses produksi.
Yang dikerjakan:
1. Buatlah tabulasi dari data
200 buah paku keling tersebut
dengan:
grup dengan interval 0.05
mm
2. Buatlah diagram frekuensi

relatif dari kedua tabulasi
tersebut
3. Buatlah diagram frekuensi
kumulatif dari kedua diagram
histrogram pada nomor
4. Hitung nilai rata-rata dan
varian

Diagram Batang

Diagram Garis (Poligon)

Diagram Lingkaran (Pie)

Buatlah diagram batang, lingkaran dan
garis untuk data di bawah ini.
Wilayah Penduduk
Sumatra 43.000.000
Jawa 121.000.000
Bali dan nusa 11.000.000
tenggara
Kalimantan 12.000.000
Sulawesi 14.000.000
Maluku 4.000.000
Penduduk Indonesia Tahun 2000

Minggu ke-3 & 4
Ukuran Statistik dari Data
- Ukuran Pemusatan Data
- Ukuran Keragaman Data (Dispersi/Variabilitas Data)

Ukuran Pemusatan Data
Harga rata-rata (mean)

modus dan median
dari Populasi dan Sampel

Harga rata-rata (mean)
• Misalkan x1, x2, ..., xn, merupakan sekumpulan data yang menyusun
suatu populasi berukuran N, maka harga rata-rata atau mean
N
populasinya adalah:
x i
 i 1
N
• Selanjutnya jika dari populasi berukuran N tersebut, diambil sampel
berukuran n, misalkan x1, x2, ..., xn, maka harga rata-rata atau mean
sampelnya adalah :
n
x
i 1
i
x
n
31
Harga rata-rata (mean) dengan
jumlah frekuensi data
Misalkan x1, x2, ..., xk, merupakan sekumpulan data,
dengan jumlah frekuensi masing-masing f1, f2, ..., fk maka
harga rata-rata atau mean adalah : n
f x i i
XB  i 1
k
f
i 1
i

32
Median & Modus dari pengamatan
Median dari sekumpulan pengamatan adalah
pengamatan yang berada di tengah atau fraktil
50%
Modus dari sekumpulan pengamatan adalah

pengamatan yang paling sering terjadi atau
pengamatan yang mempunyai frekuensi
terbanyak

33
Ukuran Keragaman / Variabilitas
Data atau Dispersi
Jangkauan (range),
Varian (ragam) dan Standar Deviasi
dari Populasi dan Sampel

Jangkauan (range)
Jangkauan (range) dari sekumpulan data adalah
selisih dengan data terbesar dengan data
terkecil

35
Varian (ragam)
dari Populasi & Sampel
• Misalkan x1, x2, ..., xN merupakan kumpulan data yang
menyusun populasi berhingga berukuran N, maka varian
dari populasi atau disebut standar deviasi tersebut
N
adalah :
 ( x i   ) 2
 2  i 1
N
• Sedangkan jika x1, x2, ..., xn adalah sampel acak
berukuran n yang diambil dari populasiN tersebut, maka
varian dari sampel itu adalah :  ( x i  x ) 2
S2  i 1
n -1
Hati-hati perbedaanya 36
Varian dengan
jumlah frekuensi data
Misalkan x1, x2, ..., xk, merupakan sekumpulan data,
dengan jumlah frekuensi masing-masing f1, f2, ..., fk maka
varian atau ragam data tersebut adalah :
N
 fi(x i  x ) 2
S2  i 1
n -1

37
Contoh:
Harga rata-rata meupakan titik

keseimbangan (balance point)

38
Menentukan varian sampel
Rumus-1

39
Cara lain mencari sampel varian
Rumus-2

40
Contoh: 100 sampel data pengujian kekuatan tarik
komposit. Hitung harga rata-rata dan varian. Coba
validasi dengan Program Excel
frek. frek. frek. frek. relatif
Absolut Kumulatif Relatif kumulatif
Data (fi) (Sfi) [f(x)] [F(x)] x rata . fi (xi - xrata) (xi - xrata)2
300 2
310 0
320 4
330 6
340 11
350 14
360 16
370 15
380 8
390 10
400 8
410 2
420 3
430 0
440 1
Jumlah (S) 100

41
Solusi pada Program Excel
frek.
frek. frek. frek. relatif
Absolut Kumulatif Relatif kumulatif
Data (fi) (Sfi) [f(x)] [F(x)] x rata . fi (xi - xrata) (xi - xrata)2
300 2 2 0,02 0,02 600 64,7 4186,09
310 0 2 - 0,02 0 54,7 2992,09
320 4 6 0,04 0,06 1280 44,7 1998,09
330 6 12 0,06 0,12 1980 34,7 1204,09
340 11 23 0,11 0,23 3740 24,7 610,09
350 14 37 0,14 0,37 4900 14,7 216,09
360 16 53 0,16 0,53 5760 4,7 22,09
370 15 68 0,15 0,68 5550 -5,3 28,09
380 8 76 0,08 0,76 3040 -15,3 234,09
390 10 86 0,10 0,86 3900 -25,3 640,09
400 8 94 0,08 0,94 3200 -35,3 1246,09
410 2 96 0,02 0,96 820 -45,3 2052,09
420 3 99 0,03 0,99 1260 -55,3 3058,09
430 0 99 - 0,99 0 -65,3 4264,09
440 1 100 0,01 1,00 440 -75,3 5670,09
Jumlah (S) 100 1 36470 28421,35
x rata = 364,7 s^2 720,11

varian (s) 26,83
x+s 391,53
x-s 337,87

42
Tugas -1
Data berikut merupakan kekuatan tarik baja hasil uji tarik di Lab. Metalurgi
Teknik Mesin. Sampel yang diuji berjumlah 12 buah.
530 500 510 550 530 560

540 510 540 530 520 520
Maka hitunglah:
a.harga rata-rata
b.Modus
c.Jangkuan
d.Varian
Dari12 sampel uji tarik tersebut

43
Tugas-2
Data berikut menyatakan berat badan dari 60 orang sampel mahasiswa yang
diambil secara acak dari populasi mahasiswa FT:
41 42 44 45 46 47 48 49 50 50 Dengan cara membuat interval

data yaitu : 41-45, 46-50, 51-55
51 52 52 53 53 54 54 54 55 55 dst dengan nilai tengah 43, 48, 53,
dst, maka Tentukanlah:
55 55 56 56 56 56 56 56 57 57
a. harga rata-rata
57 58 58 59 59 60 60 60 61 61 b. Modus
c. Jangkuan
61 62 62 63 63 64 64 65 66 66 d. Varian
Dari 60 sampel mahasiswa tsb.
67 67 68 68 69 70 71 73 74 75
Catt: perbedaan tugas-1 & tugas-2 adalah data pada Tugas -1 tidak dikeompokan (dalam interbval)
sedangkan tugas-2 sebaliknya

44
Minggu ke-6
Diagram Frekuensi relatif dan

Frekuensi Kumulatif dan
Pembacaan Persentil

Persentil
Untuk sampel dengan ukuran data yang sangat besar seperti
contoh kasus:
- Pengukuran paku keling dengan 200 sampel
- Pengukuran berat badan mahasiswa dengan 60 sampel
Maka dapat dibuat grafik Frekuensi Relatif dan Frekuensi

Kumulatif.
Diagram Frekuensi Kumulatif menjadi dasar dalam penentuan
harga persentil dari sekelompok data dan tingkat
kepercayaan.

46
Persentil (Px)
• Px atau Persentil X adalah suatu nilai pada distribusi frekuensi
kumulatif dimana sebanyak X% berada di bawahnya
• P75 artinya suatu nilai dalam distribusi dimana 75% data
berada di bawah nilai tersebut
• Contoh P75 pengujian tarik = 375 Mpa artinya 75% dari data
uji tarik berada di bawah 375 MPa
• P50 merupakan harga tengah atau median dimana 50% data
berada dibawah nilai tersebut

47
1.00
Persentil 90%
0.90
0.80
Persentil 75%
0.70
0.60
X rata +2s
Persentil 50% =median
0.50
Series1
X rata +s
0.40
X rata
0.30
Persentil 25%
0.20
Persentil 10%
X rata-s
0.10
-
300 310 320 330 340 350 360 370 380 390 400 410 420 430 440
tensile
strength Diagram Frekuensi Kumulatif
Tugas-1
Lihat gambar Frekuensi Kumulatif <sebelumnya> dari suatu pengujian tarik
logam dengan jangkauan data 300 hingga 440 Mpa. Pengujian melibatkan
100 sampel. Tentukan secara grafis harga:
a. Persentil 25% dari pengujian uji tarik
b.Persentill 50% dari pengujian uji tarik
c. Persentil 75% dari pengujian uji tarik
d.Persentil 90% dari pengujian uji tarik
e.Harga rata-rata (x) = 366 MPa setara dengan Persentil?
f.Harga rata-rata – varian (s) yaitu 340 Mpa setara dengan Persentil?
g.Harga rata-rata + varian (s) yaitu 392 Mpa setara dengan Persentil?
h.Harga antara 340 dan 392 di atas setara dengan Px?

Tabel 1: Distribusi dari 650 kondensor menurut harga kapasitasnya (mF)
( kelas interval 0.03 mF)
Nilai kapasitas Nilai tengah Jlh.
No (mF) (mF) Kondensor
11,85 - 1,87 1,86 2 Seorang mahasiswa Teknik melakukan penelitian
21,88 - 1,90 1,89 3 tentang harga kapasitas suatu kondensor
31,91 - 1,93 1,92 13 yang dijual dipasar. Untuk itu diambil jumlah sampel
41,94 - 1,96 1,95 16 sebanyak 650 kondensor dan diukur kapasitasnya.
51,97 - 1,99 1,98 45 Distribusi hasil percobaan tersebut terlihat
62,00 - 2,02 2,01 68 pada Tabel 1. (distribusi dibuat dengan kelas
72,03 - 2,05 2,04 77 interval 0,03 mF)
82,06 - 2,08 2,07 103
92,09 - 2,11 2,10 99 Olahlah data distribusi dari 650 kondensor tsb.
102,12 - 2,14 2,13 81 Pengolahan data dilakukan dengan metoda
112,15 - 2,17 2,16 61 computing origin dengan harga :
122,18 - 1,20 2,19 35
132,21 - 2,23 2,22 24 xi = 2,07 + 0,03 wi
142,24 - 2,26 2,25 14 maka buatlah perhitungan yang sistematis untuk
152,27 - 2,29 2,28 8 mendapatkan harga:
162,30 - 2,32 2,31 1

a. harga rata-rata 650 kondensor yang dijual dipasaran tersebut.
b. varian dari 650 kondesnor yang dijual dipasaran tersebut
c. Buatlah pada kertas grafik diagram frekuensi relatif kumulatif dari 650 kondensor tsb.
d. Tentukan harga kapasitas (mF) kondensor untuk x -s dan x + s
e. Tentukan fraktil dari 650 kondensor tsb pada harga kapasitas kondensor x - s dan x+s
f. Tentukan harga tingkat kepercayaan bila harga kapasitas kondensor dalam range x ± s
g. Tentukan harga kapasitas (mF) kondensor untuk x -2s dan x + 2s
h. Tentukan fraktil dari 650 kondensor tsb pada harga kapasitas kondensor x - 2s dan x+2s
i. Tentukan harga tingkat kepercayaan bila harga kapasitas kondensor dalam range x ± 2s
j. Tentukan harga kapasitas (mF) kondensor untuk x -3s dan x + 3s
k. Tentukan fraktil dari 650 kondensor tsb pada harga kapasitas kondensor x - 3s dan x+3s
l. Tentukan harga fraktil 50% (median)
m. Tentukan harga fraktil 20% dan 80 %
n. Pada range harga berapakah (mF) 650 kondensor tersebut memiliki tingkat kepercayaan 60%
o. Bila spesifikasi kondensor yang diukur tersebut adalah 2,09 mF ± 10% (tertera pada komponen)
Dr.-Ing.Apakah batas atas dan batas bawah spesifikasi kondensor tersebut berada dalam range harga
Agus Sutanto
50
yang diukur?
Minggu ke-7 & 8
Distribusi Kontinu:
Distribusi Normal dan
Distibusi Normal Standar
(Distribusi Z)

51
DISTRIBUSI NORMAL
KARAKTERISTIK DISTRIBUSI KURVA NORMAL
1. Kurva berbentuk genta

2. Kurva berbentuk simetris
3. Kurva normal berbentuk
asimptotis
4. Kurva mencapai puncak
pada saat X=  (harga
rata-rata teoritis)
5. Luas daerah di bawah
kurva adalah 1; ½ di sisi
kanan nilai tengah dan
m ½ di sisi kiri.

DEFINISI KURVA NORMAL
Bila X suatu variabel N(X; ,) = 1 e –1/2[(x-)/]2

,
random normal 22

dengan nilai tengah Untuk -<X<
, dan standar
deviasi , maka Dimana:  = 3,14159
persamaan kurva e = 2,71828
normalnya adalah:
x


Distribusi Normal
Karakterisik Distribusi Normal

– Bentuk kurva normal seperti bel dan simetris.
– Parameter , menunjukkan lebar dari kurva normal
(semakin besar nilainya, semakin lebar).
– Titik tertinggi dari kurva nomal terletak pada nilai rata-
rata=median=modus.
– Luas total area di bawah kurva normal adalah 1. (luas
bagian di sebelah kiri µ = sebelah kanan µ).
– Probabilitas suatu random variabel normal sama
dengan luas di bawah kurva normal.
Statistik Industri (Dr. Slamet Wahyudi)

Distribusi Normal
Lanjutan)
Persentase nilai pada interval yang sering digunakan
– 68,26% nilai dari suatu variabel acak normal
berada pada interval µ±
berada pada interval µ±2
berada pada interval µ±3

JENIS-JENIS DISTRIBUSI NORMAL
10
9
8
7
6
5
4
3
2
1
0
m
Mesokurtic Platykurtic Leptokurtic
Distribusi kurva normal dengan  sama dan  berbeda

Mangga “C” Mangga “A”
Mangga “B”
Distribusi kurva normal dengan  berbeda dan  sama

85 850
Distribusi kurva normal dengan  dan  berbeda

Grafik kurva normal :
0,5 0,5
P(x≤) = 0,5
P(x) = 0,5
Luas kurva normal :

Luas kurva normal antara x=a & x=b
= probabilitas x terletak antara a dan b
a  b x

TRANSFORMASI DARI NILAI X KE Z
Transformasi dari
X ke Z
x z
X-
Di mana nilai Z=


Distribusi Normal Standar
(Distribusi Z)
– Variabel acak yang berdistribusi Normal Standar
adalah suatu variabel acak yang berdistribusi
Normal dengan rata-rata 0 dan varian 1, dan
dinotasikan dengan z.
– Variabel acak Normal dapat diubah menjadi variabel
acak Normal Baku dengan transformasi:
x 
z


Z > 0 jika x > 
Z < 0 jika x < 
Simetri : P(0 ≤ Z ≤ b) = P(-b ≤ Z ≤ 0)

DISTRIBUSI NORMAL STANDAR
Menggunakan Tabel Distribusi Normal Standar
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549
.7 .2580 .2612 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133

Tabel: Distribusi Normal Standar (Z)

Tabel:
Distribusi Normal
Standar (Z)

Contoh
Berdasarkan hasil survey diketahui bahwa
pendapatan masyarakat di suatu kota mendekati
sebaran normal dengan rata-rata Rp. 850 ribu per
bulan dan simpangan baku Rp. 300 ribu. Suatu
perusahaan elektronik akan memasarkan produk
barunya berupa VCD-player dengan harga Rp. 600
ribu. Dengan demikian, sasaran pasar yang
diharapkan adalah mereka yang penghasilannya
diatas Rp. 1 juta perbulan. Bila di kota tersebut
terdapat 1000 keluarga, berupa keluarga yang
menjadi konsumen potensial produk tersebut.

CONTOH: TOKO OLI

Penjualan oli di sebuah toko diketahui mengiktui
distribusi normal dengan rata-rata 15 kaleng dan
simpangan baku/ standar deviasi 6 kaleng. Suatu
hari pemilik toko ingin mengetahui berapa probabilita
terjualnya lebih dari 20 kaleng. Berapa P(X > 20)?

CONTOH: TOKO OLI (Lanjutan)

x   20  16
z   0,83
 6
– Tabel normal baku menunjukkan luas sebesar
0,2967 untuk daerah antara z = 0 dan z = 0,83.
– P(X > 20) = P(Z > 0,83) = daerah yang diarsir =
0,5 – 0,2967 = 0,2033.

DISTRIBUSI NORMAL
STANDAR
Area = .2967
Area = .5 - .2967
= .2033
Area = .5
z
0 .83
Jawab
Misalkan, X menyatakan pendapatan keluarga
(dalam ribuan rupiah) per bulan. Dengan
demikian  = 850 dan  = 300. Yang dijadikan
konsumen potensial adalah mereka yang
penghasilannya di atas 1 juta (Rp. 1.000 ribu)
maka keluarga yang termasuk kelompok ini
adalah P(X>1.000)x 1.000 keluarga
 1.000  850 
PX  1.000  P Z    PZ  0,5  1  0,6915  0,3085
 300 
Dengan demikian yang menjadi konsumen

potensial ada 308 keluarga
SOAL LATIHAN :
1. Suatu alat pengisi botol rata-rata mengisi botol 1.000
ml per botol. Bila isi botol tersebut menyebar normal
dengan simpangan baku 15 ml, maka :
a. Berapa % botol yang isinya diatas 1.025 ml ?
b. Berapa peluang sebuah botol akan berisi 990 ml
hingga 1.010 ml ?
c. Berapa isi botol yang akan kita dapatkan dari 25 %
botol yang berisi paling sedikit ?

2. Suatu perusahaan bola lampu akan meluncurkan
produk baru yang lebih hemat dari produk yang
lama. Masa pakai bola lampu yang baru tersebut
menyebar normal dengan rata-rata 24 bulan dan
simpangan baku 8 bulan. Perusahaan akan
mengganti bola lampu nyang rusak dalam jangka
waktu tertentu. Jika dari 1.000 bola lampu yang
terjual ternyata 25 diantaranya rusak dalam waktu
yang ditentukan, berapa lama waktu yang
ditentukan oleh perusahaan tersebut ?

• Seorang pengawas produk mengemukakan bahwa
tingkat kecacatan produk hasil perusahaannya
adalah 10 %. Apabila duambil sampel sebanyak 15
produk, berapakah probabilitasnya :
• Paling banyak 6 produk diketahui cacat
• Antara 3 sampai 12 produk diketahui cacat
• Tepat 8 produk diketahui cacat
• Tidak boleh ada barang yang cacat

Contoh :
1. Diketahui data berdistribusi normal dengan
mean  = 55 dan deviasi standar = 15
a) Hitung peluang data terletak antara 55 dan 75
P(55≤x≤75) = =
= P(0≤ Z ≤1,33) = 0,4082 (dari Tabel)

atau
Table  A = 0,4082
Jadi peluang = 40,82%

b) P(60≤x≤80) =
= P(0,33≤Z≤1,67)
= P(0≤Z≤1,67) – P(0≤Z≤0,33)
= 0,4525 – 0,1293 = 0,3232
Z1 = = 0,33  B=0,1293
Z2 = = 1,67  A=0,4525
C = A – B = 0,3232
Peluang data terletak antara 60 s/d 80 adalah 32,32%

c) P(40≤x≤60)= A + B
= P(-1,00≤Z≤0,33)
= P(-1,00≤Z≤0) + P(0≤Z≤0,33)
= 0,3412 + 0,1293
= 0,4705
Atau : Z1 = = -1,00
 A = 0,3412
Z2 = = 0,33
 B = 0,1293
Jadi peluang data terleetak antara 40 s/d 60 adalah 47,05%

d) P(x ≤ 40) = 0,5 – A
= 0,5 – 0,3412
= 0,1588

e. P(x ≥ 85)
= 2,88%
f. P(x ≤ 85) = 0,5 + A

= 0,5 + 0,4772
= 0,9772 = 97,72%

2) Diketahui rata-rata hasil ujian adalah 74 dengan deviasi
standar (simpangan baku) 7. Jika nilai-nilai peserta ujian
bersidtribusi normal dan 12% peserta nilai tertinggi
mendapat nilai A, berapa batas nilai A yang terendah ?
Jawab:
Batas Nilai A terendah adalah 82,25

Jika 5% peserta terendah mendapat nilai E,
berapa batas atas nilai E ?

P( ≤ x ≤ 0) = 0,45
P( ≤ Z ≤ 0) = = -1,645  (x<)
= .+
= (-1,645).7 + 74
= 62,485
Batas nilai E adalah 62,48

Minggu ke-10

83
PENDEKATAN NORMAL UNTUK BINOMIAL
Distribusi Binomial :
Exp : Pendekatan normal untuk binomial dengan n =

15, p = 0,4

Menurut Teorema Limit Pusat :
Jika x suatu variable random binomial dengan
mean & variansi .
Jika n cukup besar (n>30) dan p tidak terlalu
dekat dengan 0 atau 1, maka :

Contoh :
1) Suatu pabrik/ perusahaan pembuat CD menghasilkan 10% CD
yang cacat/ rusak. Jika 100 CD dipilih secara random, berapa
probabilitas terdapat :
a) 8 CD yang rusak
b) Paling sedikit 12 CD yang rusak
c) Paling banyak 5 CD yang rusak
Jawab :
x = banyak CD yang rusak
x  Bin(100; 0,1) n = 100, p = 0,1
 = n.p = 100.(0,1) = 10
= n.p.(1-p)=100.(0,1).(0,9)=9   = =3

a) P(x=8) = Luas kurva normal antara x1 = 7,5
dan x2 = 8,5
Z1 = = -0,83  A = 0,2967
Z2 = = -0,50  B = 0,1915
P(x=8) = A – B
= 0,2967 – 0,1915 = 0,1052 = 10,52% (8 CD rusak)

b) P(x≥12) = Luas kurva normal dari
x = 11,5 ke kanan
 A = 0,1915 (Tabel)
P(x≥12) = 0,5 – 0,1915 = 0,3085 =30,85% (paling
sedikit 12 CD rusak)

c) P(x  5)=Luas kurva normal
dari x = 5,5 ke kiri
= -1,50
 A = 0,4332 (tabel)
P(x5) = 0,5 – 0,4332 = 0,0668 =6,68% (paling
sedikit 5 CD rusak)

2) Dalam ujian pilihan ganda, tersedia 200
pertanyaan dengan 4 alternatif jawaban dan
hanya 1 jawaban yang benar. Jika seseorang
memilih jawaban secara random, berapa peluang dia
lulus ujian (syarat lulus : benar paling sedikit 60)
Jawab :
x = banyak jawaban yang benar
P = 0,25 = ¼  1 – p = 0,75
x  Bin(200; 0,25)
 = n.p = 50
= n.p(1-p) = 200(0,25).(0,75) = 37,5
  = 6,13
P(x≥60) = Luas kurva normal dari x = 59,5 ke kanan
Z1 = = 1,55
 A = 0,4394
P(x≥60) = 0,5 – 0,4394
= 0,0606
= 6,06 %

SAMPEL RANDOM & DISTRIBUSI
SAMPLING
Sampel Random adalah sampel yang diambil dari

suatu populasi dan tiap elemennya mempunyai
peluang yang sama untuk terambil.

Distribusi Sampling :

Sifat Distribusi Sampling :
1. Jika sampel random dengan n elemen diambil
dari suatu populasi dengan mean  dan
variansi , maka distribusi sampling harga mean
mempunyai mean = dan variansi =
2. Jika populasinya berdistribusi normal, maka distribusi
sampling harga mean berdistribusi normal juga
3. Jika sampel-sampel random diambil dari suatu populasi
yang berdistribusi sembarang dengan mean  dan
variansi , maka untuk n > 30 :
 Teorema Limit Pusat

Sampel Random :
1. Dengan Pengembalian :
dan atau
2. Tanpa Pengembalian :
dan
Jika N sangat besar relative terhadap n, (N tidak

disebutkan), maka :
atau
Dalam Distribusi Sampling :

Contoh :
1) Suatu sampel random dengan 60 mahasiswa diambil
dari suatu populasi dengan N orang mahasiswa yang
mempunyai IQ rata-rata (mean = 120) dan variansi =
280. (sampel diambil tanpa pengembalian)
c) Jika N = 400, hitung :
(i) (P(110   125 )
(ii) P( ≥130)
d) Jika N sangat besar, hitung : P(110 125)

Jawab :
Diketahui :  = 120 = 280
a) Jika N = 400 :
=  = 120
P(110   125 )

P( ≥130)
P(120 130)
= P(0  Z  )
= P(0  Z  5,00)
A = 0,5
P( ≥130) = 0,5 – 0,5 = 0
b) Jika N sangat besar (relatif terhadap n=60)

= P(-4,63 Z  2,31 )
= 0,5 + 0,4896
= 0,9896

2) Suatu sampel dengan 40 elemen diambil dari suatu
populasi dengan mean = 4,14 dan variansi = 84,64.
Hitung probabilitas bahwa mean sampel terletak
antara 40 dan 45.
Jawab :
Diketahui :  = 41,4, = 86,64, n = 40
N tidak disebutkan (anggap bahwa N besar sekali)
Distribusi sampling harga mean :
=  = 41,4

DISTRIBUSI NORMAL :
 : nilai rata-rata populasi

xi : nilai variabel random
 : standard deviasi populasi
SOAL 23 :
Seorang siswa memperoleh nilai ujian matakuliah A=60, sedangkan
nilai rata-rata kelas=65 dan standard deviasi=10.
Pada matakuliah B ia memperoleh nilai ujian=62, sedangkan nilai
rata-rata kelas=66 dan standard deviasi=5
Pertanyaan : Pada matakuliah manakah siswa tersebut berada pada
posisi yang lebih baik ?

SOAL
Sebuah pabrik bola lampu setiap bulannya rata-rata
memproduksi sebanyak 25.000 unit bola lampu dengan standard
deviasi=4000 unit. Bila produksi lampu selama satu periode
tertentu dianggap berdistribusi normal, maka hitunglah
probabilitas akan diperoleh :
a) Tingkat produksi perbulan antara 26.000 – 27.500
b) Tingkat produksi kurang dari 27.000 unit
c) Tingkat produksi lebih dari 30.000 unit

SOAL 25 :
Ujian negara statistik pada akhir tahun 1990 diikuti
sebanyak 2.000 peserta dengan rata-rata nilai ujian=58
dari variansi=100. Bila distribusi nilai ujian dianggap
berdistribusi normal, maka hitunglah probabilitas :
a) Peserta yang memperoleh nilai (Xi  70)
b) Bila nilai ujian untuk lulus=53,5 maka berapa
persen yang tidak lulus
c) Bila terdapat 5 peserta yang memperoleh nilai A,
maka berapa nilai minimal (terendah) untuk
memperoleh nilai A

PENDEKATAN DISTRIBUSI NORMAL MENJADI DISTRIBUSI
BINOMIAL
SOAL 26 :
Bila diketahui bahwa 64% anggota MPR yang dipilih
memiliki umur 50 tahun. Jika dari anggota MPR tersebut
dipilih 100 orang anggota secara random maka
berapakah probabilitasnya :
a) Bahwa proporsi dari anggota MPR tersebut  60%
nya berumur 50 tahun
b) Bahwa proporsi dari anggota MPR tersebut berkisar
antara 70% - 75% nya berumur 50 tahun

SOAL 27 :
Pengawas produksi ban Bridgestone menemukan bahwa
rata-rata produksi ban yang cacat mencapai 2% dari total
produksi yang ada. Bila dari seluruh produksi tersebut
diambil sebanyak 400 ban secara random (acak), maka
berapakah probabilitasnya :
a) Ban yang cacat  3% (Xi  3%)
b) Ban yang cacat antara 1,5% - 2,5 %

DISTRIBUSI SAMPLING MEAN :
SOAL 28 :
Pabrik alat elektronik SONY memproduksi sejenis
adaptor yang memiliki rata-rata umur pemakaian = 800
jam() dengan standar deviasi = 40 jam (S).
Hitunglah probabilitasnya bila dipilih 16 sampel secara
random akan memiliki umur rata-rata :
a) Kurang dari 775 jam
b) Antara 780 jam – 820 jam
c) Lebih dari 810 jam

SOAL 29 :
Bila rata-rata IQ dari seluruh mahasiswa baru di UPN = 110
dengan standar deviasi = 10 (IQ dianggap berdistribusi
normal)
a) Hitunglah probabilitas mahasiswa tersebut
memiliki IQ  112
b) Hitunglah probabilitas dari 36 mahasiswa,
rata-rata memiliki IQ  112
c) Hitunglah probabilitas dari 100 mahasiswa,
rata-rata memiliki IQ  112

Minggu ke-11 &12
Teori Probabilitas

Random Experiment, Event and
Outcome

Random Experiment
Cara melakukan pengamatan dengan mengambil sampel dengan
cara acak (tidak sistematik) sehingga hasilnya (outcome) tidak
tertentu
a random experiment is a process whose outcome is uncertain
Contoh:
•Tossing a coin once or several times
•Picking a card or cards from a deck
•Measuring temperature of patients

Event, Outcome, Space
• Event = kejadian dalam suatu eksperimen
• Outcome= hasil dari kejadian
• Space = sekumpulan dari outcome yang mungkin dari
suatu eksperimen
Event  pelemparan dadu bernilai ganjil

Outcome  {1,3,5}
Space  {1,2,3,4,5,6}

Outcome, Space
• Outcome: hasil dari suatu eksperimen
–Outcome dari pelemparan 2 dadu dengan jumlah
sembilan adalah = { (3,6),(4,5), (5,4),(6,3)}
• Space (Semesta): kumpulan dari seluruh

outcome yang mungkin dalam suatu
eksperimen
Semesta dari Pelemparan 2 dadu = { (1,1),(1,2), (1,3),(1,4)….
(5,6), (6,6)}

Probabilitas dari suatu event
P ( A) = n( Outcome)/ n (Space)
P  peluang atau probability

A = event yang terjadi
N (Outcome) = jumlah Outcome
N (Space) = jumlah seluruh outcome yang
mungkin

Tentukan outcome dari 2 pelemparan dadu dengan jumlah mata
dadu 7. Hitunglah peluangnya.

dadu 10 atau lebih. Hitunglah peluangnya.

dadu 3 atau kecil dari tiga dan 11 atau lebih besar. Hitunglah
peluangnya

Frequency distribution for
students’ ages
What is the likelihood of randomly selecting a student who is

older than 20 but less than 22?
What is the likelihood of selecting a student who’s age is an
odd number?
What is the likelihood of selecting a student who is either 21
or 23?

Outcome yang mungkin terjadi
pada pelemparan 1 mata dadu
N (Outcome) = 6

Outcome yang mungkin terjadi pada pelemparan 2
mata dadu
N (Outcome) = 36
Simulasi komputer dari pelemparan mata
uangsebanyak 100x. Terlihat peluang yang terjadi
mendekati peluang teoritis
0.5 0.5
Peluang teroritis keluar gambar pada pelemparan koin = ½ =0,5

Peluang teoritis keluar angka pada pelemparan koin = ½ =0,5

Hubungan antar event
• (A & B): The event that “both A and B occur.”
• (A or B): The event that “either A or B or both
occur.”

event dan complement-nya

The Complementation Rule
For any event E,

P(E) = 1 – P (~ E).
In words, the probability that an event occurs equals 1
minus the probability that it does not occur.

Kombinasi dari Kejadian
(Combinations of Events)
The Addition Rule – “Or”
• The special addition rule (mutually exclusive events)
• The general addition rule (non-mutually exclusive events)
The Multiplication Rule – “And”

• The special multiplication rule (for independent events)
• The general multiplication rule (for non-independent events)

Venn diagrams for
(a) event (not E )
(b) event (A & B)
(c) event (A or B)

Mutually Exclusive Events
(kejadian saling lepas)
Dua atau lebih event
dikatakan mutually
exclusive dalam suatu
eksperimen bila outcome
dari event tersebut saling
lepas (tidak dimiliki
bersama). Outcome event
A dan outcome event B
saling lepas
Two mutually exclusive events

The Special Addition Rule
If event A and event B are mutually exclusive, then
P A or B   P  A  P B 
More generally, if events A, B, C, … are mutually exclusive, then
P A or B or C ...  P A  P B   P C  ...

That is, for mutually exclusive events, the probability that at least one of
the events occurs is equal to the sum of the individual probabilities.

(a) Two mutually exclusive events
(b) Two non-mutually exclusive events

Non-mutually exclusive events

The General Addition Rule
If A and B are any two events, then
P (A or B) = P(A) + P(B) – P(A & B).

In words, for any two events, the
probability that one or the other occurs
equals the sum of the individual
probabilities less the probability that both
occur.

P(A or B): Spade or Face Card
P (spade) + P (face card) – P (spade & face card)
Hitunglah nilai peluang total gambar hati yang keluar atau gambar
wajah (face) yang keluar pada pengambilan kartu?
Hitunglah nilai peluang jumlah mata dadu tujuh atau dadu dengan
nilai 4 ke atas pada pelemparan 2 mata dadu.

132
Independen and Dependent Event
(Kejadian Bebas dan tidak bebas)

The Special Multiplication Rule
(independent events)
Jika event A, B, C, . . . adalah independent, maka
P(A & B & C & ¼) = P(A) · P(B) · P(C)¼.
Hitunglah peluang dari semua kejadian di bawah ini:

1. Lempar koin dan mendapatkan gambar
2. Menarik kartu dalam memperoleh As 3 event bebas
3. Lempar dadu dan memperoleh 1
Maka:
P(A & B & C ) = P(A) · P(B) · P(C) = 1/2 X 1/13 X 1/6

Kejadian bebas
(Independent Event)
• Bila dua atau lebih kejadian (event ) yang
berurutan/berikutnya tidak saling mempengaruhi
• Rumus:
P(A & B & C & … = P(A) · P(B) · P(C)….
& = irisan
Contoh: kejadian pengambilan sampel dengan cara

dikembalikan

Kejadian tidak bebas
(dependent Event)
• Bila dua atau lebih kejadian (event ) yang berurutan/
berikutnya saling mempengaruhi
• Rumus:
P(A & B) = P(A) · P(B | A).
& = irisan
Contoh: kejadian pengambilan sampel dengan cara

tidak dikembalikan

Kejadian bebas dan tidak bebas
Dalam kontainer ada 5 baut cacat dari 25 baut maka:
1. Nilai kemungkinan terambil baut cacat dan baut tidak cacat
untuk sekali pengambilan
2. Nilai kemungkinan terambil 2 baut cacat untuk dua kali
pengambilan dengan cara tidak dikembalikan
3. Nilai kemungkinan terambil 1 baut cacat dan satu baut tidak
cacat untuk dua kali pengambilan dengan cara tidak
dikembalikan.
4. Nilai kemungkinan terambil 3 baut cacat untuk tiga kali
pengambilan dengan dikembalikan
5. Nilai kemungkinan terambil 2 baut tidak cacat untuk tiga kali
pengambilan dengan tidak dikembalikan

Kejadian bebas & tidak bebas
Contoh:
Pada pembuatan Monitor merk Samsung dilakukan QC sebelum

produk dilepas ke pasar. Bila total produksi per hari adalah 100 unit
dan dari history produksi ada sekitar 10% tidak lulus QC.
1. Hitunglah nilai kemungkinan terambil tidak ada produk tidak lulus
QC untuk 3 pengambilan sampel berturut-turut dengan cara
pengembalian
2. Hitunglah nilai kemungkinan terambil 1 produk tdk lulus QC dari 3
pengambilan sampel berturut-turut dengan cara pengembalian
3. Sama dengan No. 2 tetapi terambil seluruh produk tidak lulus QC
4. Cari nilai kemungkinan terbesar
5. Seperti No. 1 s/d 4 tetapi dengan cara pengujian merusak (tidak
dikembalikan)

Segitiga Pascal
Blaise Pascal
Dipakai untuk menentukan nilai peluang suatu kejadian bebas atau tidak bebas.
Misalnya peluang untuk pengambilan 3 sampel adalah: 1 3 3 1, atau
1 peluang sampel 0 cacat, 3 peluang sampel 1 cacat, 3 peluang sampel 2 cacat
dan 1 peluang terambil 3 cacat.
Jawab:
• Nilai kemungkinan tidak lolos QC: 10/100
• Nilai kemungkinan lolos QC= 90/100
With Replacement (dengan pengembalian):  kejadian bebas

• 3 produk lolos QC = 90/100. 90/100. 90/100 = 0,729 = 72,9%
• 1 tidak lolos/ 2 lolos QC =[10/100. 90/100. 90/100] x3 =0,243 = 24,3%
• 2 tidak lolos/ 1lolos QC =[10/100. 10/100. 90/100] x3=0.027 =2,7%
• 3 tidak lolos QC = 10/100. 10/100. 10/100 = 0,001 =0,1 %
Without Replacement (tanpa pengembalian):  kejadian tidak bebas

• 3 produk lolos QC = 90/100. 89/99. 88/98 = 0,7265 = 72,65%
• 1 tidak lolos/ 2 lolos QC =[10/100. 90/99. 89/98] x3 =0,2477 = 24,77%
• 2 tidak lolos/ 1lolos QC =[10/100. 9/99. 90/98] x3=0.02505 =2,51%
• 3 tidak lolos QC = 10/100. 9/99. 8/98 = 0,00074 =0,07 %

Permutasi & Kombinasi
• Cara untuk menghitung kemungkinan (the
ways the possibilities
• Permutasi : urutan (order) berpengaruh
• Kombinasi: urutan(order) tidak berpengaruh

Rumus Permutasi & Kombinasi

Tugas

Minggu ke- 13
Distribusi Diskrit:
Distribusi Binomial dan

Distribusi Hipergeometrik

Distribusi Binomial
• Digunakan untuk menghitung probabilitas dari hanya 2
kemungkinan
Mis: baut cacat – baut tidak cacat
HP lolos QC – HP tidak lolos QC, dll
• Cara pengambilan sampel memenuhi kejadian bebas
(independent event) atau dengan pengembalian (with
replacement)
(rumus disesuaikan)
Contoh: Distr. Binomial
Pada pembuatan Monitor merk Samsung dilakukan QC sebelum produk dilepas ke
pasar. Bila total produksi per hari adalah 150 unit dan dari history produksi ada sekitar
10% tidak lulus QC, maka : Hitunglah nilai kemungkinan terambil :
a. tidak ada produk tidak lulus QC untuk 3 pengambilan sampel berurutan dengan cara
pengembalian
b. 1 produk tdk lulus QC dari 3 pengambilan sampel berurutan dengan cara
pengembalian <cocokan hasilnya dengan contoh sebelum>
Peluang terambil tidak lulus QC = 10% = 0,1

Peluang terambil lulus QC = 100%-10% = 90%= 0,9
P (0)= peluang tidak ada produk tidak lulus QC= 3 (0,1) 0 (0,9) 3 = 0,729 = 72,9%
0
P (1) = peluang 1 produk tidak lulus QC = 3 (0,1) 1 (0,9) 2 = 0,243 = 24,3%
1

Distribusi Hipergeometrik
• Mirip dengan distribusi binomial, akan tetapi pengambilan
sampel dilakukan dengan memenuhi kejadian tidak bebas
(dependen event) atau dilakukan tanpa pengembalian
(without replacement)
• Biasanya dilakukan pada pengambilan sampel merusak,
terutama pada produk elektronik dan pengendalian mutu.
(rumus disesuaikan)

Contoh Soal: Distr. Hipergeometrik
Pada pembuatan Monitor merk Samsung dilakukan QC sebelum produk dilepas ke
pasar. Bila total produksi per hari adalah 150 unit dan dari history produksi ada sekitar
10% tidak lulus QC, maka : Hitunglah nilai kemungkinan terambil :
a. tidak ada produk tidak lulus QC untuk 3 pengambilan sampel berurutan dengan cara
tidak pengembalian (merusak)
b. 1 produk tdk lulus QC dari 3 pengambilan sampel berurutan dengan cara tidak
pengembalian (merusak)
Populasi produk (N) = 150 produk

Yang cacat dari populasi (r) = 10%x150 = 15 produk
Sampel pengambilan (n) = 3 produk
15 150-15
Peluang tidak ada produk tidak lulus QC = f(0) = 0 3-0
150
3

Korelasi dan regresi

Pengertian analisa korelasi
Analisa korelasi adalah suatu teknik statistika
yang digunakan untuk mengukur keeratan
hubungan atau korelasi antara dua variabel
atau lebih. Dalam analisis korelasi dikenal ada
dua jenis hubungan yaitu positif dan negatif

Hubungan positif dan negatif pada
analisa korelasi

Rumus untuk menentukan koefisien
korelasi

Hubungan kuat lemahnya suatu
korelasi

Contoh soal kumpulan data dengan
korelasi tinggi

Analisa Regeresi
Linier

161
Analisa regresi
Kumpulan titik-tik diatas adalah data hasil banyak pengamatan. Sedangkan

garis (persamaan y = mx + c) tersebut adalah suatu hasil pengolahan secara
statistik yang dapat mewakili seluruh data hasil pengamatan tersebut. Untuk
mendapatkan garis tersebut maka dilakukan analisa regeresi (linier).

1. Pendahuluan
• Analisa regresi digunakan untuk mempelajari dan mengukur hubungan
statistik yang terjadi antara dua atau lebih varibel. Dalam regresi
sederhana dikaji dua variabel, sedangkan dalam regresi majemuk dikaji
lebih dari dua variabel.
• Dalam analisa regresi suatu persamaan regresi hendak ditentukan dan
digunakan untuk menggambarkan pola atau fungsi hubungan yang
terdapat antar variabel.
• Variabel yang akan diestimasi nilainya disebut variabel terikat (dependent
variable atau response variable) dan biasanya diplot pada sumbu tegak
(sumbu-y). Sedangkan variabel bebas (independent variable atau
explanatory variable) adalah variabel yang diasumsikan memberikan
pengaruh terhadap variasi variabel terikat dan biasanya diplot pada
sumbu datar (sumbu-x).

Regresi Linear
1. Pendahuluan
• Analisa korelasi bertujuan untuk mengukur
"seberapa kuat" atau "derajat kedekatan" suatu relasi
yang terjadi antar variabel.
• Analisa regresi ingin mengetahui pola relasi dalam
bentuk persamaan regresi,
• Analisa korelasi ingin mengetahui kekuatan
hubungan tersebut dalam koefisien korelasinya.
Dengan demikian biasanya analisa regresi dan
korelasi sering dilakukan bersama-sama.

Regresi Linear
1. Pendahuluan
• Dalam menentukan apakah terdapat suatu hubungan yang
logis antar variabel, terutama bila penilaian dilakukan
terhadap angka-angka statistik saja, perlu diperhatikan
beberapa hal yang berkaitan dengan masuk akal atau tidaknya
hubungan tersebut jika ditinjau dari sifat dasar hubungan
tersebut.
• Terdapat beberapa kemungkinan bentuk relasi meliputi
hubungan sebab akibat (cause-and-effect relationship),
hubungan akibat penyebab yang sama (common-cause factor
relationship) hubungan semu (spurious relationship).

Regresi Linear
1. Pendahuluan
• Langkah pertama dalam menganalisa relasi antar
variabel adalah dengan membuat diagram pencar
(scatter diagram) yang menggambarkan titik-titik plot
dari data yang diperoleh. Diagram pencar ini berguna
untuk
– membantu dalam melihat apakah ada relasi yang berguna
antar variabel,
– membantu dalam menentukan jenis persamaan yang akan
digunakan untuk menentukan hubungan tersebut.

Regresi Linear
1. Pendahuluan
Linier positif Linier negatif

Regresi Linear
1. Pendahuluan
Curvelinier positif Curvelinier negatif

Regresi Linear
1. Pendahuluan
Curvelinier Tak tentu

Regresi Linear
2. Analisis Regresi Linear
Fungsi regresi linear dapat dinyatakan dalam hubungan matematis oleh: Y  A  BX .
Sebagai misal Y = 2 + 1,4X, secara teoritis bila X = 10, maka Y = 16. Pada kenyataannya
tidak demikian, sebab yang mempengaruhi Y bukan hanya X tetapi ada faktor lain yang tidak
dimasukkan dalam persamaan, faktor tersebut secara keseluruhan disebut sebagai
“kesalahan” (disturbance’s error). Adanya kesalahan ini menjadikan perkiraan menjadi tidak
akurat, selalu ada resiko yang disebabkan oleh adanya kesalahan. Kesalahan ini tidak dapat
dihilangkan sama sekali, maka resiko ini harus diperkecil sekecil mungkin dengan
memperkecil kesalahan. Dengan memperhitungkan kesalahan, regresi linear dinyatakan
sebagai Y  A  BX   .

Regresi Linear
Asumsi yang digunakan dalam regresi linear adalah sebagai berikut:
a. E i   0
 
b. E i2   2
c. E i  j   cov(i , j )  0
d. X i konstan
Untuk memperkirakan A dan B dipergunakan metode kuadrat kesalahan terkecil, dimana
Model sebenarnya : Y  A  BX  
Model perkiraan : Y  a  bX  e
a, b, dan e adalah penduga untuk A, B, dan 
 e i2   Yi  (a  bX i ) .
2
Yi  a  bX i  ei atau ei  Yi  (a  bX i ) dan
i

Regresi Linear
penurunan parsial terhadap a dan b yang sederhana diperoleh
 i  i   X i  X iYi
i
Y X 2
i i i
a  Y  bX  2
da n
 
n X    X i 
i
2
i  i 
n X i Yi   X i  Yi
i i i
b 2
 
n X    X i 
i
2
i  i 

Regresi Linear
y
ŷ  a  bx
y
y (0)
(+)
y
y
(-)
(+)
y
(0) y
(-)
y
(+)
y
y (-)
(+) y
(-)
Gambar 2 Garis regresi linier pada diagram pencar

Regresi Linear
Nilai variabel A dan B untuk populasi diberikan oleh
A  Y  B X dan
E  XY   E  X E Y  cov X , Y   xy
B  
E X   E  X  var X  x
2 2
1 
Bila s xy    X i Yi   X i  Yi / n  adalah penduga untuk  xy dan
n i i i 
1   
2

2
sx   X i    X i  / n  adalah penduga untuk  x2 , m a ka
2
n  i  i  

s xy x y i
i i
b 
s x2 x i
2
i

Regresi Linear
    
2

dim a n a  xi y i    X i Yi   X i  Yi / n  dan
 i 
i xi   i X i   i X i  / n 
2  2
i i i  
 2 
 2
 1 X 
varb    b2  e
da n var a    2
  2
e   2 
i i 
2 a
x  n x i 
 i 
2
X
cova, b    a ,b   2
 xi2
e

Regresi Linear
Contoh 1
Dari suatu praktikum fisika dasar diperoleh data yang menghubungkan variabel
bebas x dan variabel terikat y seperti ditunjukkan dalam tabel berikut.
Uji ke- x y
1 6 30
2 9 49
3 3 18
4 8 42
5 7 39
6 5 25
7 8 41
8 10 52
 56 296

Regresi Linear
Jika berdasarkan kajian teoritis dan sifat dari fenomena yang menghubungkan x
dan y dapat diasumsikan mempunyai bentuk hubungan linier, maka persamaan
garis regresinya dapat ditentukan sebagai berikut.
Tabel perhitungan:
Uji ke- x y xy x2 y2
1 6 30 180 36 900
2 9 49 441 81 2401
3 3 18 54 9 324
4 8 42 336 64 1764
5 7 39 273 49 1521
6 5 25 125 25 625
7 8 41 328 64 1681
8 10 52 520 100 2704
 56 296 2257 428 12920
x
 x  56  7 y
 y  296  37
n 8 n 8

Regresi Linear
Kolom y2 ditambahkan pada tabel meskipun belum digunakan untuk perhitungan
persamaan garis regresi. Nilai tersebut akan digunakan kemudian. Jadi dengan
menggunakan hasil pada tabel, nilai dari konstanta a dan b dapat ditentukan:
n   xy     x   y  8(2257)  (56)(296) 1480
b    5,1389
n  x    x 
2 2
2 8(428)  (56) 288
a  y  bx  37  (5,1389)(7)  1,0277
Jadi persamaan garis regresi linier yang menggambarkan hubungan antara
variabel x dan y dari data sampel pada percobaan/praktikum di atas adalah:
yˆ  a  bx  1,0277  5,1389 x
Dengan menggunakan persamaan garis regresi yang diperoleh, maka dapat
diperkirakan hasil yang akan diperoleh (nilai y) untuk suatu nilai x tertentu.
Misalnya untuk x = 4 maka dapat diperkirakan bahwa y akan bernilai:
yˆ  a  bx  1,0277  5,1389x =1,0277 + 5,1389(4) = 21,583

Regresi Linear
60
50 y = 5.1389x + 1.0278
40
30
y
20
10
0
0 2 4 6 8 10 12
Gambar. Garis regresi untuk contoh soal 1

Regresi Linear
Karena variansi dari A dan B tidak diketahui maka digunakan variansi
dari a dan b yang dapat dinyatakan sebagai
e 2  i  i
y  b 2
x 2
y i  b  xi y i
S 
2
e  i i i
 i i
n2 n2 n2
 2 
2 S 2
e 2

2 1 X 
S  da n S a  S e   
 i 
b 2 2
x  n x i 
i  i 

Regresi Linear
y y
x x
(a)x (b)x
Derajat variasi sebaran data

Regresi Linear
Dengan menggunakan data dan tabel perhitungan pada contoh 1, maka standard
error estimasi dari garis regresi yang diperoleh adalah:
s y ,x 
  y 2   a   y   b  xy 
n2
(11,920)  1,0277(296)  5,1389(2,257)
  1,698
82

Regresi Linear
3. Uji Koefisien dan Korelasi
Untuk melihat pengaruh X terhadap Y, maka dilakukan pengujian pada koefisien regresi
B. Bila X tidak mempengaruhi Y maka B = 0, bila ada pengaruh negatif B < 0, ada pengaruh
positif B > 0, dan bila ada pengaruh X terhadap Y maka B  0. Perumusan untuk pengujian
koefisien regresi B, adalah:
a. Ho : B = 0
b. H1 : B > 0 (ada pengaruh X terhadap Y positif)
H1 : B < 0 (ada pengaruh X terhadap Y negatif)
H1 : B  0 (ada pengaruh X terhadap Y)
c. Dengan  diketahui, dari tabel distribusi-t maka dapat dihitung t untuk pengujian satu
arah dan t  untuk pengujian dua arah.
2
d. Tentukan statistik uji (tb) yang diberikan oleh
b  Bo s y,x
tb  sb 
sb ;  x  2
 2
(x ) 
n
e. Simpulkan, tolak Ho atau terima Ho.

Regresi Linear
Pendugaan Parameter Regresi

Dari nilai  atau derajat kepercayaan (1 -  ) yang telah ditentukan, interval
pendugaan parameter A dan B dapat ditentukan, yang diberikan masing-masing oleh:
b  t  sb  B  b  t  sb dan
2 2
a  t  sa  A  a  t  sa
2 2

Regresi Linear
Dengan menggunakan data dan tabel perhitungan pada contoh 1 dan hasil
perhitungan standard error estimasi dari garis regresi yang diperoleh pada contoh 12,
maka uji kemiringan (slope) garis regresi dapat dilakukan sebagai berikut:
1. Hipotesis:
Ho : B = 0
H1 : B  0
2. α = 0.05
3. Digunakan distribusi t0,025 dengan df = n - 2 = 8 - 2 = 6
4. Batas-batas daerah penolakan uji dua ujung (two-tailed)
Dari tabel distribusi t batas kritis adalah = tcr = 2,447
5. Aturan keputusan:
Tolak H0 dan terima H1 jika perbedaan yang terstandard antara kemiringan
sample (b) dan kemiringan populasi yang dihipotesiskan (B Ho) kurang dari -
2,447 atau lebih dari 2,447. Jika sebaliknya terima H0

Regresi Linear
6. Rasio Uji
s y ,x 1,698 1,698
sb     0,283
6
 x   56 
2 2
 x 2  
n
428 
8
b  BHo 5,1389  0
RUt  ttest    18,159
sb 0,283
7. Pengambilan keputusan
Karena RUt = 18,159 bernilai jauh lebih besar daripada nilai batas tcr = 2,447,
maka H0: B = 0 ditolak. Hal ini bahwa hipotesis alternatif yang menyatakan
bahwa terdapat kemiringan pada garis regresi untuk populasi serta suatu
hubungan regresi yang berarti benar-benar ada antara variabel X dan Y.
Kesimpulan diatas dapat juga diperkuat dengan menentukan perkiraan interval

nilai B dengan tingkat kepercayaan 95 persen sebagai:
b - t(sb) < B < b - t(sb)
5,1389 - 2,447(0,283) < B < 5,1389 + 2,447(0,283)
4,4464 < B < 5,8314 Regresi Linear
Dengan menganggap nilai variable terikat, y yang sesungguhnya terdistribusi
normal di sekitar garis regresi maka suatu estimasi interval dapat diperoleh sebagai:
yˆ  z  sy ,x 
Dalam relasi ( z adalah skor z yang akan menentukan tingkat kepercayaan dari
penerimaan estimasi interval yang dilakukan. Gambar 7 mengilustrasikan estimasi
interval untuk z = 2.
3sy ,x
y ŷ
3sy ,x
yˆ1  2sy ,x ŷ 1
x
x1
Gambar 7 Interpretasi dan aplikasi estimasi interval untuk sampel besar

Regresi Linear
Untuk Sampel Kecil (n < 30)
a. Prediksi Kisaran Nilai Rata-rata y Jika Diketahui x
Estimasi interval untuk sampel kecil dengan situasi ini dapat diperoleh dengan
rumus berikut:
 
 
g 
2
1 x  x
yˆ  t / 2 sy ,x  

 
2
n x

  
 x2 
n


dimana:
ŷ = estimasi titik yang dihitung dengan persamaan regresi untuk nilai x tertentu
tα/2 = nilai t untuk α/2 ( =tingkat kepercayaan) dengan derajat kebebasan n-2
xg = nilai x yang ditentukan
n = jumlah observasi pasangan pada sampel

Regresi Linear
b. Prediksi Kisaran Nilai Spesifik y Jika Diketahui x
Estimasi interval untuk sampel kecil dengan situasi ini dapat diperoleh dengan
rumus berikut:
 
 
 
2
1 x  x
yˆ  t / 2 sy ,x 1   
g

 
2
n  x

   
x2 
n



Regresi Linear
 Dengan menggunakan data dan tabel perhitungan pada contoh 1 dan persamaan
garis regresi yang dihasilkan serta nilai sy,x pada contoh 2 , dapat diprediksi
dengan tingkat kepercayaan 95 persen dan derajat kebebasan = n - 2 = 8 -2 = 6,
untuk x = 4,
 
 
g 
2
1 x  x
yˆ  t / 2 s y ,x  

 
2
n  x

  
 x2 
n


 
1
 21,583  2,447 1,698 
 4  7 2

 8 428   56  8 
2
 
Jadi dengan derajat kepercayaan 95 persen diperoleh: 19,038 < ŷ < 24,128

Regresi Linear
4. Analisis Korelasi
Sebelum dilakukan analisa regresi, langkah yang biasa ditempuh adalah melakukan
analisa korelasi yang ditujukan untuk mengetahui erat tidaknya hubungan antar variabel.
Pada analisa regresi, untuk observasi Y diasumsikan bahwa X adalah tetap konstan dari
sampel ke sampel. Interpretasi koefisien korelasi untuk mengukur kuatnya hubungan antar
variabel tergantung pada asumsi yang digunakan untuk X dan Y. Bila X dan Y bervariasi
maka koefisien korelasi akan mengukur “covariability (kesamaan variasi)” antara X dan Y. Di
dalam analisa regresi, koefisien korelasi digunakan untuk mengukur “cocok/tepat (fitness)”
garis regresi sebagai pendekatan data observasi. Besarnya koefisien korelasi dinyatakan
sebagai
cov( X , Y )  xy
 
 x y  x y
Dalam prakteknya,  tidak diketahui tetapi nilainya dapat diestimasi berdasar data sampel.
Bila r adalah penduga  , dengan r dinyatakan sebagai
x y
i
i i n X i Yi   X i  Yi
i i i
r 
x y
i
i
i
i  
n X    X i 
2
2
 
n Yi    Yi 
2
2
i
i  i  i  i 

Regresi Linear
Pengujian hipotesis tentang  dilakukan dengan langkah-langkah sebagai berikut
a. Ho :  = 0 (tidak ada hubungan antara X dan Y)
H1 :  > 0 (ada hubungan positif)
H1 :  < 0 (ada hubungan negatif)
H1 :   0 (ada hubungan)
Apabila  = 0, maka variansi r diberikan oleh
1 r2
2
var(r )    r
n2
Dimana r2 disebut sebagai koefisien determinasi untuk mengukur besarnya kontribusi X
terhadap variasi Y
b. Dengan  diketahui, dari tabel distribusi-t maka dapat dihitung t ( n  2) untuk pengujian
satu arah dan t  untuk pengujian dua arah.

( n2)
2
c. Tentukan statistik uji (t b) yang diberikan oleh
r n2
tr  dengan derajat kebebasan n
2
1 r
d. Simpulkan, tolak Ho atau terima Ho.

Regresi Linear
 Dengan menggunakan data dan tabel perhitungan pada contoh 1 dan persamaan
garis regresi yang dihasilkan dapat diperoleh koefisien determinasi dan koefisien
korelasi sebagai berikut. Dari persamaan regresi a = 1,0277 dan b = 5,1389.
Jumlah pasangan pengamatan n = 8. Maka:
a   y   b   xy   n  y 
2
r2  2 2
  y   n  y 
2
1,0277  296   5,1389 2257   8 37 
  0,982
11920  8  37 
2
r   0,982  0,991

Regresi Linear
Hubungan antara koefisien regresi b dengan koefisien korelasi r dinyatakan oleh
sy
br
sx
dimana s y 
1

 Yi  Y
n i

2
dan s x 
1

 Xi  X
n i

2
.

Regresi Linear
Dalam statistika seringkali menduga nilai rata-rata Y pada nilai X tertentu. Telah
ditunjukkan bahwa Yˆ  a  bX adalah penduga E(Y|X). Misalkan Ŷo adalah nilai Ŷ pada X =
Xo, maka
 
E Yˆo  E a  bX o   E a   E b X o  A  BX o  E Yo | X o 
Interval penduga E(Yo|Xo) dengan tingkat keyakinan 1    diberikan oleh
1 X o  X  1 X o  X 
2 2
a  bX o   t / 2 s e   E Y | X   a  bX   t s 
 i  X i2
2 o o o  /2 e
n X n
Interval penduga untuk individu Y o pada X = Xo diberikan oleh
1 X o  X  1 X o  X 
2 2
a  bX o   t / 2 se   Y  a  bX   t s 
 i  X i2
2 o o  /2 e
n X n

Regresi Linear
5. Regresi Linear Non Linear
Tidak selamanya hubungan antara X dan Y dapat bersifat linear, akan tetapi bisa juga
non linear. Metode kesalahan kuadrat terkecil dapat pula digunakan untuk menentukan
parameter sebagai koefisien pada hubungan yang non linear. Bentuk-bentuk hubungan non
linear dapat didekati/ditransformasi sebagai hubungan linear, Tabel 11.1. adalah beberapa
bentuk transformasi dari non linear menjadi linear Yo  Ao  Bo X o .
Tabel 11.1. Hubungan Koefisien Non Linear Dengan Hasil Transformasi Linear
Persamaan Hasil Transformasi Yo  Ao  Bo X o
Persamaan Asal
Yo Ao Bo Xo
Y  AX B log Y log A log X
B Y A B 1
Y  A
X X
Y  Ae BX ln Y ln A B X
Y  AB X log Y log A log B X

Regresi Linear

Stat Prob

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

Stat Prob

Diunggah oleh

Hak Cipta:

Format Tersedia

Statistik dan

Dr.-Ing. Agus Sutanto

Jurusan Teknik Mesin

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Statistics is the science of the collection, organization, and

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

dengan Statistika Deskriptif ini, kumpulan data yang

Dr.-Ing. Agus Sutanto

Pengambilan kesimpulan dari statistika inferensi

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

data yang bisa diukur atau Data tersebar dalam kategori:

Sampelwakil dari populasi atau sebagian kecil populasi yang benar-

Random <> sistematik

Dengan mempelajari sampel maka akan diketahui karakteristik dari

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

• Rancanglah suatu survey untuk mendapatkan

Dr.-Ing. Agus Sutanto

Tabulasi Data dan

Dr.-Ing. Agus Sutanto

• Penyajian Grafik: mengolah data yang ada sehingga

2. Data berkelompok (dalam grup)

Contoh: data tinggi 62 mahaiswa yang

Dr.-Ing. Agus Sutanto

Berikut hasil pengujian kekuatan tarik 20 buah sampel Baja dengan

520 530 500 510 550 530 560 540

Klasifikasikan data tersebut dalam bentuk tabel? Buat frekuensi

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Frek. Relatif Kumulatif (%)

Diagraqm Frekuensi Relatif (Diagram, Batang) Diagraqm Frekuensi Relatif Kumulatif

Dr.-Ing. Agus Sutanto

2. Buatlah diagram frekuensi

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Penduduk Indonesia Tahun 2000

Dr.-Ing. Agus Sutanto

- Ukuran Pemusatan Data

- Ukuran Keragaman Data (Dispersi/Variabilitas Data)

Dr.-Ing. Agus Sutanto

Harga rata-rata (mean)

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Modus dari sekumpulan pengamatan adalah

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Harga rata-rata meupakan titik

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

Dr.-Ing. Agus Sutanto

x rata = 364,7 s^2 720,11