stat & prob_ok
DESCRIPTION
statprobTRANSCRIPT
Student Guide Book
Subject: Statistics and Probability
(ENG200801)
Teaching Team: Ardiansyah Arian Dhini
Arifin Djauhari Deni Ferdian
Fia Fridayanti Adam Harinaldi
Rini Prastyani Setiadi
Tania Surya Utami Titin Siswantining
Faculty of Engineering University of Indonesia
2011
This book is for non-commercial education purpose only. It contains figures, tables, chart, materials taken from various references.
Preface The knowledge of statistics and probability plays some important roles in many fields of engineering either in engineering research works or in the industrial application. In many situations, data processing and analysis heavily rely on the application of statistical methods in which their utilization will provide the basics for logical explanations about the relations that occur between variables of interest. As a subject of basic engineering science course to undergraduate program, Statistics and Probability will provide the basic knowledge and skills to the students to handle data and information appropriately starting from descriptive statistics to inferential statistics stages. This guidebook is intended to provide guidelines for students taking this subject. By reading this guidebook, it is expected that students understand the learning objectives and should be able to prepare themselves prior to each topic. It is also to guide students in working in group so that they may make the most of the group exercises. Any comments, critics, correction to this guidebook is thankfully accepted. Depok, January 17th 2011 Teaching Team: 1. Ardiansyah 2. Arian Dhini 3. Arifin Djauhari 4. Deni Ferdian 5. Fia Fridayanti Adam 6. Harinaldi 7. Rini Prastyani 8. Setiadi 9. Tania Surya Utami 10. Titin Siswantining
Table of Content
Endorsement Page
Preface
Table of Content
Chapter 1. General Information 1
Chapter 2. Learning Objectives 4
Chapter 3. Outlines of Subject 5
Chapter 4: Teaching Methods and Learning Activities 8
Chapter 5: Exercises and Assignments 11
Chapter 6. Assessment 14
References 16
Student Guide Book Statistics and Probability – ENG200801 1
General Information 1. Subject : Statistics and Probability
2. Subject Code : ENG200801
3. Semester : 3
4. Credit : 3 SKS
5. Year : 2010/2011
6. Type of Subject : Basic Engineering Subject (Mata Kuliah Dasar Teknik)
7. Prerequisite : None
8. Position of this subject in the curriculum structure of Bachelor of Engineering program
Fig. 1 Statistics and Probability position in the curriculum of Bachelor of Engineering program
Chapter
1
Student Guide Book Statistics and Probability – ENG200801 2
9. Teaching Team :
1. Ardiansyah 2. Arian Dhini 3. Arifin Djauhari 4. Fia Fridayanti Adam 5. Harinaldi 6. Rini Prastyani 7. Setiadi 8. Tania Surya Utami 9. Titin Siswantining
10. Description of the subject Statistics and probability is a branch of applied mathematics which t is widely used in scientific method in collecting, classifying, summarizing, presenting, interpreting and analyzing data and information to support valid and reliable conclusions. Furthermore, the conclusions will be the basis for decision making process. The course of Statistics and Probability is intended to give a basic ability to a student to handle quantitative data and information starting with descriptive stage which includes collecting, organizing, and presenting the data in a scientific manner and then followed by inductive/inference stage which includes the process of estimating and drawing conclusion based on available data and relations between variables. Hence, the students are expected to be able to apply their knowledge of statistics in conducting experiments for their laboratory works/assignments as well as research works in their final projects. As a whole, the coverage of the Statistics and Probability course subject can be seen in Fig. 2 which describe the position of the topics within the procedures of a scientific method. Learning activities will be conducted through various method, which consists of: interactive lecture, question-based learning, discussion, demonstration and unguided structured assignments, case study, field assignment, etc. Assessment will be made continuously through a set of exercises, group discussion, mid semester exam and final exam. This guide book will help students prepare for learning activities throughout the semester for this subject. Preparation may include reading, preparation of worksheet and practice. Achievement of students will entirely be due to their activities and preparation. Construction of knowledge will be made through exercises, and questions available in this book. Students are expected to do the exercises, and they may move to further stage as they ready for that. Overall, students are expected to be active learners by acquiring knowledge through thinking and exercising. Students may also use this guidebook to self-assess their achievement.
Student Guide Book Statistics and Probability – ENG200801 3
Figure 2. Scope Statistics and Probability within the course of scientific method
- estimation - hypothesis test - regression and
correlation
start
problems Identification
collect available and relevant internal
and external facts
collect new data from population/sample
by using instruments, questionnaire, interview, etc.
interpret the results, draw conclusions
and make decisions.
information from sample
?
finish
Y
N
is available facts
sufficient?
classify, summarize, and process the data and calculate numerical descriptive
measures
present and communicate summarized data in the form of tables, graphs, and
include the numerical values of descriptive measures
use the information from sample to:: 1. Estimate the value of parameter
2. Test the assumption/hypothesis of parameter
use the information from a census to evaluate the alternative steps and to make
decisions
Y
N
Introduction to Statistics and Data Analysis
Sampling
Descriptive Statistics
Inference Techniques
ProbabilityDistribution
Probability concepts
Sampling Distribution
Student Guide Book Statistics and Probability – ENG200801 4
Learning Objectives 2.1. Terminal Learning Objectives Upon completion of this subject students are expected to be able to handle quantitative data and information starting with descriptive stage which includes collecting, organizing, and presenting the data in a scientific manner and then followed by inductive/inference stage which includes the process of estimating and drawing conclusion based on available data and relations between variables. 2.2. Supportive Learning Objectives 1. The students understand and can explain the role of statistics, its application in the engineering field
and basic procedure of problem solving based on scientific methods. 2. The students are able to properly collect raw data, to organize them in a frequency distribution and
eventually to present them in a histogram, polygon of frequency, bar graph, line graph, etc. 3. The students can calculate the descriptive measurement comprehensively including the central
tendency, dispersion, skewness and kurtosis measurements and then summarize and describe the basic characteristics of data distribution.
4. The students are able to use the concepts of probability distribution, probability function/probability density function , cumulative distribution/function for discrete as well as continuous variable.
5. The students can apply some theoretical discrete distributions (Bernoulli, binomial, negative binomial, geometric, hyper geometric and Poisson) to solve some statistical problems related to engineering works
6. The students can apply some theoretical continuous distributions (Gaussian/norml, gamma, chi-square, exponential, Weibull, lognormal) to solve some statistical problems related to engineering works
7. The students can take proper steps to construct sampling distributions of the mean and proportion and can calculate the mean and standard deviations of those sampling distributions.
8. The students are able to conduct mean statistical estimation of the mean, proportion and variance of population based on data/information from sample.
9. The students can properly use hypothesis test procedures to draw conclusions in the problems involving one or two variables and also some advanced hypothesis test procedures (ANOVA, Chi-square test).
10. The students are able to calculate and to interpret the meaning of regression equation and error standard of estimations for simple linear regression analysis and then to use the measures obtained from regression and correlation analysis to make interval estimation of dependent variable for forecasting purposes.
Chapter
2
Student Guide Book Statistics and Probability – ENG200801 5
Outline of Subject Supportive Learning Objective
Topic Sub-topic
Reference
1, 2 1. Introduction to Statistics and Data Analysis
1.1 Overview : Statistical Inference, Samples, Populations
1.2 The role of Statistics and the Application in engineering
1.3 The role of computer in Statistics
[1] Chap.1 [2] Chap.1
1, 3 2. Descriptive Statistics 2.1. Discrete and Continuous Data 2.2. Sampling Procedures, Collection &
Organization of Data 2.3. Graphical Methods and Data
Description 2.4. Measure of Location : The sample
Mean & Median Exercise 2.5. Measure of variability
[1] Chap. 1 [2] Chap. 2
1, 3, 4 3. Probability 3.1 Concept of Probability : sample space, events, counting sample points, probability of an event
3.2 Probability of an Event 3.3 Rules in Probability : additive,
conditional, multiplicative, Bayes’ Rule
[1] Chap. 2 [2] Chap. 3
1, 3, 4 4. Random Variable 4.1 Concept of Random variable 4.2 Discrete Probability Distribution 4.3 Continuous Probability Distribution 4.4 Probability Distribution with
parameter 4.5 Mean of Random Variable 4.6 Variance of Random Variable
[1] Chap. 3 and Chap 4 [2] Chap. 4
1, 4, 5 5. Some of Discrete Probability Distribution
5.1 Discrete Uniform Distribution 5.2 Binomial and Multinomial
Distribution 5.3 Hypergeometric Distribution
[1] Chap.5 [2] Chap.5
Chapter
3
Student Guide Book Statistics and Probability – ENG200801 6
5.4 Negative Binomial & Geometric Distribution
5.5 Poisson Distribution
1, 4, 6 6. Some of Continuous Probability Distribution
6.1 Continuous Uniform Distribution 6.2 Normal Distribution 6.3 Gamma & Exponential Distribution 6.4 Chi Square Distribution 6.5 Weibull Distribution 6.6 Lognormal Distribution
[1] Chap.6 [2] Chap.6
1, 7 7. Sampling Distribution 7.1 Definition and Basic Concept 7.2 Sampling Distribution 7.3 Sampling Distribution of Means 7.4 Sampling distribution of Proporsion 7.5 Sampling Distribution of Variance
[1] Chap.8 [2] Chap.7
1, 7, 8 8. Estimation 8.1 Inferential Statistics 8.2 Classical Method of estimation 8.3 Single Sample : Estimating the Mean 8.4 Two Samples : Estimating the
difference between Two Means 8.5 Single Sample : Estimating the
Proportion 8.6 Two samples : Estimating difference
between proportion 8.7 Single Sample : Estimating the
Variance 8.8 Two Samples : Estimating the Ration
between two variance 8.9 Sample Size Determination
[1] Chap.9 [2] Chap.8
1, 9 9. One and Two-Sample Tests of Hypotheses
9.1. Statistical Hypotheses : A General Concept
9.2. Testing a Statistical Hypotheses 9.3. One or Two-tailed Tests 9.4. P values for decision making in
testing 9.5. One – or Two samples : Test of
Means 9.6. One – or Two samples : Test of
Proportion 9.7. One – or Two samples : Test of
Variance 9.8. Chi square Test : Goodness of Fit,
Independence, Homogenity, Several Proportion
9.9. ANOVA
[1] Chap 9 and 10 [2] Chap.9, 10 and 11
1, 10 10. Simple Linear Regression
10.1. Introduction to Linear Regression 10.2. Simple Linear Regression model
[1] Chap 11 [2] Chap.12
Student Guide Book Statistics and Probability – ENG200801 7
10.3. Inferences concerning regression coefficients
10.4. Simple Linear Correlation Analysis
1, 5, 6, 7, 10 11. Application of Statistics in Engineering
11.1Statistics for Quality Control 11.2 Statistical Uncertainty 11.3 Time series analysis
[2] Chap. 14
Texbooks and Reference Books: References : [1] Harinaldi, ”Prinsip-prinsip Statistik untuk Teknik dan Sains”, Erlangga, 2006. [2] Devore, J.L., Probability and Statistics for Engineering and The Sciences (5th Ed.), Duxbury, 2000 [3] Barnes J.W, Statistical Analysis for Engineers and Scientists, a Computer-Based Approach, McGraw-
Hill, 1994 [4] Donald H.S, Statistics, A First Course (6th Ed), McGraw-Hill, 2001 [5] Walpole, Ronald E, Probability & Statistics For Engineers & Scientist, 8th Ed, Pearson Prentice Hall,
2007
Student Guide Book Statistics and Probability – ENG200801 8
Teaching Methods and Learning Activities Week /Date
Sub-topic
Supportive Learning Objective
Learning Methods Media /
Modul Orientation (O)
Exercise (L)
Feedback (U)
Week 1
1.1 Overview : Statistical Inference, Samples, Populations
1.2 The role of Statistics and the Application in engineering
1.3 The role of computer in Statistics
1, 2 Interactive Lecture
Individual Excercise, Self Study
Modul 1
Week 2 2.1. Discrete and Continuous Data 2.2. Sampling Procedures,
Collection & Organization of Data
2.3. Graphical Methods and Data Description
2.4. Measure of Location : The sample Mean & Median Exercise
2.5. Measure of variability
1, 3 Interactive Lecture
Group excersice, Self Study
Modul 2
Week 3 3.1 Concept of Probability : sample space, events, counting sample points, probability of an event
3.2 Probability of an Event 3.3 Rules in Probability : additive,
conditional, multiplicative, Bayes’ Rule
1, 3, 4 Interactive Lecture
Individual Excercise, Self Study
Modul 3
Week 4 4.1 Concept of Random variable 4.2 Discrete Probability
Distribution 4.3 Continuous Probability
1, 3, 4 Interactive Lecture
Modul 4
Chapter
4
Student Guide Book Statistics and Probability – ENG200801 9
Distribution 4.4 Probability Distribution with
parameter 4.5 Mean of Random Variable 4.6 Variance of Random Variable
Week 5, 6
5.1 Discrete Uniform Distribution 5.2 Binomial and Multinomial
Distribution 5.3 Hypergeometric Distribution 5.4 Negative Binomial &
Geometric Distribution 5.5 Poisson Distribution
1, 4, 5 Interactive Lecture
Individual Excercise, Self Study
Modul 5
Week 6, 7
6.1 Continuous Uniform Distribution
6.2 Normal Distribution 6.3 Gamma & Exponential
Distribution 6.4 Chi Square Distribution 6.5 Weibull Distribution 6.6 Lognormal Distribution
1, 4, 6 Interactive Lecture
Group excersice, Self Study
Modul 6
Week 8 7.1 Definition and Basic Concept 7.2 Sampling Distribution 7.3 Sampling Distribution of Means 7.4 Sampling distribution of
Proporsion 7.5 Sampling Distribution of
Variance
1, 7 Interactive Lecture
Individual Excercise, Self Study
Modul 7
Week 9 8.1 Inferential Statistics 8.2 Classical Method of estimation 8.3 Single Sample : Estimating the
Mean 8.4 Two Samples : Estimating the
difference between Two Means 8.5 Single Sample : Estimating the
Proportion 8.6 Two samples : Estimating
difference between proportion 8.7 Single Sample : Estimating the
Variance 8.8 Two Samples : Estimating the
Ration between two variance 8.9 Sample Size Determination
1, 7, 8 Interactive Lecture
Individual Excercise, Self Study
Modul 8
Week 10, 11,
12
9.1. Statistical Hypotheses : A General Concept
9.2. Testing a Statistical Hypotheses 9.3. One or Two-tailed Tests
1, 9 Interactive Lecture
Group excersice, Self Study
Modul 9 and 10
Student Guide Book Statistics and Probability – ENG200801 10
9.4. P values for decision making in testing
9.5. One – or Two samples : Test of Means
9.6. One – or Two samples : Test of Proportion
9.7. One – or Two samples : Test of Variance
9.8. Chi square Test : Goodness of Fit, Independence, Homogenity, Several Proportion
9.9. ANOVA
Week 13
10.1. Introduction to Linear Regression
10.2. Simple Linear Regression model
10.3. Inferences concerning regression coefficients
10.4. Simple Linear Correlation Analysis
1, 10 Interactive Lecture
Individual Excercise, Self Study
Modul 11
Week 14
11.1 Statistics for Quality Control 11.2 Uncertainty of Statistics 11.3 Time Series Analysis
1, 5, 6, 7, 10 Interactive Lecture
Individual Excercise, Self Study
Modul 13
Student Guide Book Statistics and Probability – ENG200801 11
Exercises and Assignments Week /Date
Sub-topic Assignment
Group Assignment Individual Assignment
Week 1 1.1 Overview : Statistical Inference, Samples, Populations
1.2 The role of Statistics and the Application in engineering
1.3 The role of computer in Statistics
Assignment 1
Week 2 2.1. Discrete and Continuous Data 2.2. Sampling Procedures,
Collection & Organization of Data
2.3. Graphical Methods and Data Description
2.4. Measure of Location : The sample Mean & Median Exercise
2.5. Measure of variability
Data Collection, Data Description (Minitab) dan Measure of Location & variability
Week 3 3.1 Concept of Probability : sample space, events, counting sample points, probability of an event
3.2 Probability of an Event 3.3 Rules in Probability : additive,
conditional, multiplicative, Bayes’ Rule
Assignment 2
Week 4 4.1 Concept of Random variable 4.2 Discrete Probability
Distribution 4.3 Continuous Probability
Distribution 4.4 Probability Distribution with
Assignment 3
Chapter
5
Student Guide Book Statistics and Probability – ENG200801 12
parameter 4.5 Mean of Random Variable 4.6 Variance of Random Variable
Week 5, 6
5.1 Discrete Uniform Distribution 5.2 Binomial and Multinomial
Distribution 5.3 Hypergeometric Distribution 5.4 Negative Binomial &
Geometric Distribution 5.5 Poisson Distribution
Assignment 4
Week 6, 7
6.1 Continuous Uniform Distribution
6.2 Normal Distribution 6.3 Gamma & Exponential
Distribution 6.4 Chi Square Distribution 6.5 Weibull Distribution 6.6 Lognormal Distribution
Data Analysis according to characteristic of distribution
Week 8 7.1 Definition and Basic Concept 7.2 Sampling Distribution 7.3 Sampling Distribution of Means 7.4 Sampling distribution of
Proporsion 7.5 Sampling Distribution of
Variance
Assignment 5
Week 9 8.1 Inferential Statistics 8.2 Classical Method of estimation 8.3 Single Sample : Estimating the
Mean 8.4 Two Samples : Estimating the
difference between Two Means 8.5 Single Sample : Estimating the
Proportion 8.6 Two samples : Estimating
difference between proportion 8.7 Single Sample : Estimating the
Variance 8.8 Two Samples : Estimating the
Ration between two variance 8.9 Sample Size Determination
Assignment 6
Week 10, 11,
12
9.1. Statistical Hypotheses : A General Concept
9.2. Testing a Statistical Hypotheses 9.3. One or Two-tailed Tests 9.4. P values for decision making in
testing
Hypotheses Test on Mean and Variance Data
Student Guide Book Statistics and Probability – ENG200801 13
9.5. One – or Two samples : Test of Means
9.6. One – or Two samples : Test of Proportion
9.7. One – or Two samples : Test of Variance
9.8. Chi square Test : Goodness of Fit, Independence, Homogenity, Several Proportion
9.9. ANOVA
Week 13
10.5. Introduction to Linear Regression
10.6. Simple Linear Regression model
10.7. Inferences concerning regression coefficients
10.8. Simple Linear Correlation Analysis
Assignment 7
Week 14
11.1 Statistics for Quality Control 11.2 Uncertainty of Statistics 11.3 Time Series Analysis
*Individual Assignment from Book Exercises according to chapter discussed
Student Guide Book Statistics and Probability – ENG200801 14
Assessment and Code of Conduct 6.1. Instrument
1. Group assignments 2. Individual assignments 3. Quiz 4. Midsemester exam (written test, restricted response essay, extended response essay) 5. Final exam (written test, restricted response essay, extended response essay)
1.2. Assessment
No Component Weight 1. Group Assignments 15 % 2. Individual Assignments 10 % 3. Quiz 10 % 4. Mid semester exam 30 % 5. Final exam 35 % Total 100 %
5.3. Grading
≥ 85 80-84.9 75-79.9 70-74.9 65-69.9 60-64.9 55-59.9 50-54.9 40 – 49.9 0-40
A A- B+ B B- C+ C C- D E
5.4. Code of Conduct o No cheating. Cheating will be sanctioned with “E” mark. o No sandals o No smoking o Attendance is required min 75 %. Why? Knowledge can be transferred through handout, but
“values” can’t be! So, please come and we may share good values in life.
Chapter
6
Student Guide Book Statistics and Probability – ENG200801 15
Matrix for Mid semester exam
Cognitive Domain 1
Instrument Number of question/problem
Weight
C2 (comprehension)
Restricted response essay 2 20
C3 (application) Restricted response essay 2 40 C4 (analysis) Extended response essay 1 40
Total 100%
6.6. Matrix for Final Exam
Cognitive Domain
Instrument Number of question/prob
lem
Weight
C3 (application) Restricted response essay 2 40 C4 (analysis) Restricted response essay (Analysis of
a case) 2 60
Total 100%
6.7. Examples of questions for mid semester and final exams. Restricted response essay C2 (Comprehension)
Dari daftar di bawah ini, sebutkan mana yang termasuk data diskrit maupun data kontinyu:
(a) banyaknya curah hujan (dalam milimeter) di kota Bogor dalam berbagai bulan selama satu tahun
(b) kecepatan sebuah mobil dalam kilometer perjam (c) Jumlah uang kertas Rp.100.000,- yang beredar di Indonesia dalam setiap saat (d) Jumlah mahasiswa yang mendaftar di Universitas Indonesia pertahunnya selama dua
dekade terakhir (e) Status perkawinan seseorang dalam suatu negara (f) Jangkauan jarak tembak sebuah proyektil
C3 (Application) Data waktu nyala (detik) dari material-material yang mudah terbakar: 2,58 2,51 4,04 6,43 1,58 4,32 2,20 4,19 4,79 6,20 1,52 1,38 3,87 4,54 5,12 5,15 5,50 5,92 4,56 2,46 6,90 1,47 2,11 2,32 6,75 5,84 8,80 7,40 4,72 3,62 2,46 8,75 1 Bloom Taxonomy
Student Guide Book Statistics and Probability – ENG200801 16
2,65 7,86 4,71 6,25 9,45 12,80 1,42 1,92 7,60 8,79 5,92 9,65 5,09 4,11 6,37 5,40 11,25 3,90 5,33 8,64 7,41 7,95 10,60 3,81 3,78 3,75 3,10 6,43 1,70 6,40 3,24 1,79 4,90 3,49 6,77 5,62 9,70 5,11 4,50 2,50 5,21 1,76 9,20 1,20 6,85 2,80 7,35 11,75 Tugas anda:
a. Tentukan jumlah kelas pengelompokan, interval, dan batas kelas. b. Hitung mean, median, modus. c. Hitung pula kemencengan, deviasi standar, kuartil pertama dan ketiga. d. Hitung koefisien variasi serta gambarkan boxplot. e. Analisis informasi yang anda peroleh di atas.
C4 (Analysis)
Manajer humas sebuah perusahaan penerbangan domestik prihatin atas meningkatnya jumah pengaduan atas kerusakan bagasi yang menggunakan jasa penerbangan perusahaan tersebut. Suatu sampel acak yang dicatat di dua bandar udara memberikan data sebagai berikut. Di bandar udara A, dari 760 buah koper yang ditangani 44 diantaranya rusak. Di bandar udara B, dari 830 buah koper yang ditangani 60 diantaranya mengalami kerusakan. Dengan menggunakan tingkat kepentingan 0,05, tentukan apakah terdapat perbedaan yang berarti terhadap klaim kerusakan bagasi di kedua terminal?
Student Guide Book Statistics and Probability – ENG200801 17
References Textbooks and References [1] Harinaldi, ”Prinsip-prinsip Statistik untuk Teknik dan Sains”, Erlangga, 2006. [2] Devore, J.L., Probability and Statistics for Engineering and The Sciences (5th Ed.), Duxbury, 2000 [3] Barnes J.W, Statistical Analysis for Engineers and Scientists, a Computer-Based Approach, McGraw-
Hill, 1994 [4] Donald H.S, Statistics, A First Course (6th Ed), McGraw-Hill, 2001 [5] Walpole, Ronald E, Probability & Statistics For Engineers & Scientist, 8th Ed, Pearson Prentice Hall,
2007
1/27/2011
1
FTUI @2011FTUI @2011
Tujuan PembelajaranTujuan Pembelajaran
Mendefinisikan arti dari terminologi-terminologi penting dalam statistika Memahami dan menjelaskan peranan statistik dan penerapannya di bidang teknik Memahami peranan komputer dan perangkat lunakMemahami peranan komputer dan perangkat lunak analisis data dalam pekerjaan yang berkaitan dengan statistik
Definisi dan Pengertian Peranan Statistik dan Penerapannya di Bidang Teknik
Pokok BahasanPokok Bahasan
gPeranan Komputer dalam Statistik
STATISTIKPengertian umum:
metode ilmiah dalam mengumpulkan, mengklasifikasikan, meringkas, menyajikan, menginterpretasikan dan menganalisis data untuk mendukung kesimpulan kesimpulan yang valid
Definisi dan PengertianDefinisi dan Pengertian
mendukung kesimpulan-kesimpulan yang valid yang berguna untuk mengambil keputusan masuk akal yang diperlukan
Pengertian terbatas: data atau fakta berupa angka yang dihasilkan dari data, yang menggambarkan karakteristik suatu sampel
1/27/2011
2
POPULASIkumpulan dari keseluruhan pengukuran, obyek atau individu yang sedang dikaji suatu pengamatan/survey terhadap seluruh anggota populasi disebut sensus
Definisi dan PengertianDefinisi dan Pengertian
SAMPELsubset (himpunan bagian) dari suatu populasijika pengambilan sampel dilakukan dengan mengikuti kaidah-kaidah ilmiah, maka sangat mungkin diperoleh hasil-hasil dari dari sampel yang cukup akurat untuk menggambarkan populasi
PARAMETER DAN STATISTIKParameter adalah bilangan/angka yang menggambarkan karakteristik suatu populasi
rata-rata (average/arithmetic mean) dari tinggi badan seluruh mahasiswa FTUI adalah sebuah parameter
Definisi dan PengertianDefinisi dan Pengertian
parameter.Statistik adalah bilangan/angka yang menggambarkan karakteristik suatu sampel
berat badan rata-rata dari 70 mahasiswa yang mewakili 7 jurusan di FTUI adalah sebuah statistik
VARIABEL Sebuah simbol, misalnya X, H, r, a, dsb., yang dapat bernilai berapapun dari sekumpulan nilai yang merupakan domainnya
Variabel kontinu Variabel yang bisa bernilai berapapun
Definisi dan PengertianDefinisi dan Pengertian
Variabel diskrit Variabel tidak bisa bernilai sembarang
Populasi Sampel variableSemua siswa yang saat ini terdaftar
Sebagian siswa yang saat ini terdaftar
IPKSKS
DefinisiDefinisi dandan PengertianPengertian
Contoh:
JurusanNamaNPM
Semua circuit boards yang diproduksiselama satu bulan
Beberapa circuit boards
Jenis kerusakanBanyak kerusakanLokasi kerusakan
1/27/2011
3
STATISTIK DESKRIPTIF/DEDUKTIFTahapan statistik yang meliputi kegiatan:
mengumpulkanmengklasifikasikanmeringkasmenginterpretasikan
Definisi dan PengertianDefinisi dan Pengertian
menginterpretasikan menyajikan
data dari suatu kelompok yang terbatas, tanpa menganalisa dan menarik kesimpulan yang bisa berlaku bagi kelompok yang lebih luas merupakan ruang lingkup statistik deskriptif atau statistik deduktif
Definisi dan PengertianDefinisi dan Pengertian
Contoh Lingkup Statistik Deskriptif: Sebuah perusahaan mobil memproduksi 300,000 unit per tahun. Untuk menjaga kualitas produk, maka data produksi tersebut disajikan dalam bentuk diagramData rata-rata IPK mahasiswa Departemen pada semester tertentuData distribusi asal sekolah mahasiswa baru FTUI: Jakarta dan luar Jakarta
STATISTIK INFERENSIAL/INDUKTIFProses pengambilan kesimpulan mengenai parameter dari populasi berdasarkan atas informasi yang diperoleh dari statistik sampel merupakan ruang lingkup statistik inferensial/statistik induktif
DefinisiDefinisi dandan PengertianPengertian
Karena pengambilan kesimpulan seperti itu tidaklah mutlak kepastiannya, maka terminologi “kemungkinan/ probabilitas” sering digunakan dalam menyatakan suatu kesimpulan
Definisi dan PengertianDefinisi dan Pengertian
Contoh Lingkup Statistik Induktif: Jika berat rata-rata dari 25 sampel kontainer yang dikapalkan adalah 7,1 ton, maka berat rata-rata dari seluruh 1000 kontainer yang harus dikapalkan tersebut dapat diperkirakan kemungkinan antara 6,9 sampai 7,3 ton Seorang analis kimia ingin menggunakan statistik inferensial untuk melakukan test/pengujian untuk mengetahui apakah laju korosi dari suatu logam yang diberi pelapisan kemungkinan adalah 10 mg/jam berdasarkan pengukuran terhadap 20 sampel yang menunjukkan laju korosi sebesar 9,5 mg/s
1/27/2011
4
Definisi dan PengertianDefinisi dan Pengertian Definisi dan PengertianDefinisi dan PengertianMulai
Kumpulkan data
Klasifikasikan, ringkas, dan proses data
Sajikan, sampaikan ringkasan informasi
StatistikD
METODE STATISTIK
Uji/Tarik kesimpulan tentang karakteristik
populasi (parameter) yang dikaji
Gunakan informasi dari sampel untuk
menyimpulkan populasi
Gunakan data sensus untuk menganalisis karakteristik
populasi yang dikaji
Informasi dari sampel ?
selesai
Y
T
Deskriptif Statistik
inferensial
MENGAPA STATISTIK DIPERLUKAN ?Menggambarkan hubungan-hubungan antara variabel-variabel
jumlah data yang sangat banyak sering sehingga membingungkansangat penting untuk dapat mengidentifikasikan dan
b k d i d t i i h b h b
PerananPeranan StatistikStatistik dandanPenerapanPenerapan didi BidangBidang TeknikTeknik
menggambarkan dari data ini hubungan-hubungan yang terjadi antara variabel-variabel yang ada
Alat Bantu Pengambilan Keputusan Metode statistik memungkinkan orang untuk membuat keputusan yang lebih baik dalam menghadapi ketidakpastian, misalnya pada proses kendali kualitas produk
Pencegahan Kegagalan Dalam Disain Mekanik/Proses
Kegagalan terjadi jika suatu beban (load) melebihi daya tahan material terhadap beban
Peranan Statistik dan Peranan Statistik dan Penerapan di Bidang TeknikPenerapan di Bidang Teknik
melebihi daya tahan material terhadap beban tersebutDalam praktek yang sebenarnya, baik beban yang bekerja maupun ketahanan material itu bukanlah hal yang dapat diketahui secara tepat Dengan kata lain besaran-besaran itu adalah variabel-variabel statistik
1/27/2011
5
Penentuan Komposisi Senyawa
Analisa komposisi senyawa yang terkandung dalam suatu produkPeralatan analisa produk harus dikalibrasi
Peranan Statistik dan Peranan Statistik dan Penerapan di Bidang TeknikPenerapan di Bidang Teknik
Peralatan analisa produk harus dikalibrasi dengan data yang cukup banyak
Peranan Statistik dan Peranan Statistik dan Penerapan di Bidang TeknikPenerapan di Bidang Teknik
Analisis Eksperimen Teknik
Setiap pengukuran memiliki ketidak-akuratan (inaccuracy):
kesalahan sistematik (systematic error)
Peranan Statistik dan Peranan Statistik dan Penerapan di Bidang TeknikPenerapan di Bidang Teknik
kesalahan acak (random error)Kesalahan sistematik akan terus berulang terjadi. Kesalahan ini biasanya bisa dihilangkan dengan mengkalibrasikan instrumen pengukur dengan sebuah standar yang lebih akuratKesalahan acak lebih menunjukkan nilai yang tersebar, dan dapat diperkirakan secara statistik
Peranan Statistik dan Peranan Statistik dan Penerapan di Bidang TeknikPenerapan di Bidang Teknik
1/27/2011
6
Pengendalian Mutu
Dalam semua proses produksi meskipun direncanakan dan dilaksanakan secara hati-hati, tetap memperlihatkan variasi mutu produk yang
Peranan Statistik dan Peranan Statistik dan Penerapan di Bidang TeknikPenerapan di Bidang Teknik
dihasilkannya perlu dikendalikanMetode statistik adalah jantung dari pengendalian mutu manufakturSebuah contoh yang sederhana tetapi penting di bidang ini adalah diagram kendali mutu (quality control chart)
Peranan Statistik dan Peranan Statistik dan Penerapan di Bidang TeknikPenerapan di Bidang Teknik
METODE PENGUMPULAN SAMPEL Judgment Samples
Pemilihan sampel berdasarkan pada pendapat/opini satu orang atau lebih yang cukup kompetenSampel apapun yang didasarkan atas keahlian seseorang mengenai populasi yang dikaji disebut judgment sampel
Metode Pemecahan Masalah Metode Pemecahan Masalah Secara StatistikSecara Statistik
METODE PENGUMPULAN SAMPEL Probability Samples
Probability samples memberikan hasil-hasil yang dapat dinilai secara obyektifTerdapat beberapa jenis sampel yang termasuk dalam kategori ini, yaitu:
Simple Random Sampels
Metode Pemecahan Masalah Metode Pemecahan Masalah Secara StatistikSecara Statistik
Simple Random Sampels Systematic Samples Stratified Samples Cluster Samples
1/27/2011
7
METODE PENGUMPULAN SAMPEL Simple Random Sampels
Sampel dipilih dengan cara sedemikian hingga seluruh anggota populasi memiliki kesempatan yang sama untuk terambil/terpilih menjadi sampelCara penarikan sampelnya adalah setiap unit dalam suatu populasi diberi nomor, kemudian diambil secara acak nomor
Metode Pemecahan Masalah Metode Pemecahan Masalah Secara StatistikSecara Statistik
p p ,tersebut sebanyak jumlah sampel yang dikehendaki, maka setiap sampel yang nomornya terpilih tersebut adalah sebuah random samplePengambilan nomor tersebut juga bisa dengan menggunakan bantuan random number (bilangan acak)
METODE PENGUMPULAN SAMPEL Systematic Samples
Unit dari populasi diberi normor dan diurutkanKemudian ditentukan satu nomor sebagai titik tolak penarikan sampelNomor berikut dari anggota yang ingin dipilih ditentukan dengan mengikuti suatu sistematika, misalnya tiap-tiap unit
Metode Pemecahan Masalah Metode Pemecahan Masalah Secara StatistikSecara Statistik
g g , y p pnomor ke-n dari titik tolak dipilih sebagai anggota sampel
METODE PENGUMPULAN SAMPEL Stratified Samples
Populasi terlebih dahulu dibagi dalam kelompok-kelompok yang relatif homogen, atau dalam strataAnggota sampe ditarik dari setiap strata untuk menghasilkan sampel secara keseluruhan, yang disebut stratified samplesStratified samples ini biasanya dilakukan apabila ada variasi
Metode Pemecahan Masalah Metode Pemecahan Masalah Secara StatistikSecara Statistik
Lab. Fluida Teknik MesinLab. Fluida Teknik Mesin--FTUI FTUI © © Dr.Ir. Harinaldi, M.EngDr.Ir. Harinaldi, M.Eng
p y pbesar dalam populasi, dan penelitinya terlebih dahulu mengetahui struktur populasi tersebut yang dapat digunakan untuk menetapkan stratanyaHasil sampel dari setiap stratum itu kemudian diberi pembobotan dan dihitung dengan hasil sampel dari strata lainnya untuk mendapatkan estimasi yang menyeluruh
METODE PENGUMPULAN SAMPEL Cluster Samples
Populasi terlebih dahulu dibagi atas kelompok berdasarkan area atau cluster, dan anggota kelompok tersebut tidak perlu homogenKemudian beberapa cluster dipilih sebagai sampelselanjutnya dipilih lagi anggota unit dari cluster (seluruhnya/
Metode Pemecahan Masalah Metode Pemecahan Masalah Secara StatistikSecara Statistik
Lab. Fluida Teknik MesinLab. Fluida Teknik Mesin--FTUI FTUI © © Dr.Ir. Harinaldi, M.EngDr.Ir. Harinaldi, M.Eng
j y p g gg ( ysebagian) tersebut sebagai sampel
1/27/2011
8
PERANAN KOMPUTER DALAM STATISTIK Komputer akan berguna secara efisien jika:
masukan (input) data tidak sedikithal-hal yang serupa dilakukan secara berulang-ulangkompleksitas pemrosesan tidak memberikan alternatif lain
Prosedur-prosedur yang bisa membutuhkan waktu berjam-jam, berhari-hari ataupun berminggu-minggu jika dikerjakan dengan
Peranan Komputer Dalam Peranan Komputer Dalam StatistikStatistik
Lab. Fluida Teknik MesinLab. Fluida Teknik Mesin--FTUI FTUI © © Dr.Ir. Harinaldi, M.EngDr.Ir. Harinaldi, M.Eng
menggunakan kalkulator biasa dapat dituntaskan secara akurat dalam waktu beberapa detik dengan bantuan komputer
SPREAD SHEET ? PAKET PROGRAM STATISTIK ?Spreadsheet pada program komputer: Microsoft ExcelPaket program statistika berfungsi untuk
Menerima data dari sumber llainMengcopy dan menduplikasi isi sel atau sel ke lokasi lain, dll.Melakukan analisis dari himpunan data tunggal atau majemuk dan mencetak nilairingkasan serta hasil analisis
Peranan Komputer Dalam Peranan Komputer Dalam StatistikStatistik
Menggunakan data numerik untuk menghasilkan diagram atau grafikContoh: Statistica, SPSS, Systat, Statgraphics, Minitab, dll
SPREAD SHEET ? PAKET PROGRAM STATISTIK ?
Peranan Komputer Dalam Peranan Komputer Dalam StatistikStatistik
SPREAD SHEET ? PAKET PROGRAM STATISTIK ?
Peranan Komputer Dalam Peranan Komputer Dalam StatistikStatistik
1/27/2011
9
FTUI @2011FTUI @2011
Tujuan PembelajaranTujuan PembelajaranMenjelaskan bagaimana mengumpulkan dan mengorganisasi data mentah ke dalam suatu susunan dan bagaimana membuat dan menginterpretasikan sebuah distribusi frekuensi Menyajikan data secara grafis dalam bentuk histogram, poligon frekuensi, diagram batang, g , p g , g g,diagram garis, pie charts, piktogram, dllMenghitung ukuran-ukuran pemusatan dan penyebaran
Pokok BahasanPokok Bahasan
Pengumpulan, Pengorganisasian, danPenyajian DataDistribusi Frekuensi dan Presentasi Grafik Ukuran PemusatanUkuran Pemusatan Ukuran Penyebaran
PengumpulanPengumpulan, Pengorganisasian, dan , Pengorganisasian, dan Penyajian DataPenyajian Data
Pengumpulan data
1/27/2011
10
PengumpulanPengumpulan, Pengorganisasian, dan , Pengorganisasian, dan Penyajian DataPenyajian Data
Pengorganisasian dataData Mentah (Raw data)
Data terkumpul yang belum diorganisasikan secara numerikTidak memberi banyak arti bagi yang membaca terlebih lagi untuk dapat menyimpulkan informasi apa yang bisa diperolehdiperoleh
Jajaran Data (Data Array) Sebuah jajaran data merupakan susunan dari data mentah
menurut urutan besar nilai numeriknya secara:menaik (ascending) dari nilai yang terkecil
sampai terbesar menurun (descending) dari yang terbesar
sampai terkecil
PengumpulanPengumpulan, Pengorganisasian, dan , Pengorganisasian, dan Penyajian DataPenyajian Data
Contoh :Data mentah jika dibuat disusun menjadi jajaran data dengan urutan menaik
(ascending) adalah sebagai berikut:
923 1051 1090 1141 1162 1196 1225 1264 1302 1368
924 1051 1094 1146 1163 1197 1231 1270 1303 1393
931 1055 1095 1146 1170 1200 1233 1273 1312 1399
939 1055 1106 1150 1171 1205 1233 1273 1314 1406
1020 1058 1110 1152 1175 1208 1235 1274 1316 1416
1021 1062 1124 1152 1181 1209 1246 1275 1327 1437
1028 1065 1133 1156 1185 1216 1249 1285 1333 1449
1040 1077 1136 1158 1185 1217 1250 1289 1338 1464
1042 1081 1141 1160 1186 1218 1254 1290 1341 1482
1042 1083 1141 1161 1192 1218 1258 1298 1361 1492
PengumpulanPengumpulan, Pengorganisasian, dan , Pengorganisasian, dan Penyajian DataPenyajian Data
Penyajian data Tabel-tabel dan diagram statistik digunakan untuk menyajikan data yang sudah teringkas,
i k kmenyingkapkan hubungan-hubungan antar variabel, dan mengkomunikasikan fakta-fakta angka kepada pihak yang membutuhkannya
Distribusi FrekuensiDistribusi FrekuensiDistribusi frekuensi
Susunan data yang terbentuk dengan mengelompokkan jajaran data ke dalam kelas-kelas/kategori-kategori yang jumlahnya relatif tidak banyak, dan kemudian menentukan jumlah data yang termasuk dalam masing-masing kelas (frekuensi kelas)Jika frekuensi kelas dinyatakan dalam prosentase terhadap banyaknya seluruh data, maka disebut distribusi frekuensi relatif.
Breaking Stress (kN/m2)
Jumlah Spesimen
(f)
Prosentase[f/n x 100(%)]
900 - 9991000 - 10991100 - 11991200 - 12991300 - 13991400 - 1499
4192928137
4192928137
Total (n) 100 100 %
Interval Kelas (Class Interval) dan Batas Kelas (Class Limit)Batas Nyata Kelas (Class Boundary)Lebar Interval Kelas (Width of Interval Class) Nilai Tengah Kelas (Class Midpoint/Class Mark)
1/27/2011
11
Distribusi FrekuensiDistribusi FrekuensiPertimbangan penyusunan distribusi frekuensi
Interval kelas :seluruh data (terkecil s/d terbesar ) terikut-sertakansetiap unit data hanya dimasukkan sekali dan hanya pada satu kelas interval
Jumlah interval kelas (k) antara 5 sampai 20Lebar setiap interval kelas (c) samap ( )Rumus empiris:- data sedikit:
- data banyak:Kelas terbuka (open class interval) dihindari Nilai tengah kelasnya (midpoint) bersesuaian dengan nilai dimana data aktual terkonsentrasi
Rck
=
1 3,33logk n= +
R rangen jumlah data
==
Presentasi GrafikPresentasi Grafik
Histogram grafik batang (bar graph) yang menggambarkan distribusi data dari sebuah distribusi frekuensiKarakteristik Histogram:
dasarnya pada sumbu horizontal (sumbu-x) mempunyai panjang sama dengan lebar interval k lkelas luasnya proporsional terhadap frekuensi interval kelas yang bersangkutan:
jika interval kelas memiliki lebar yang sama, maka ketinggian batang proporsional terhadap frekuensi interval kelas jika ada interval kelas yang lebarnya tidak sama maka ketinggiannya harus disesuaikan
Presentasi GrafikPresentasi Grafik
Contoh Histogram Dengan Interval Sama
30Pengujian Tegangan Rusak(Breaking stress) Logam X
Distribusi frekuensi dari tegangan rusak pada contoh sebelumnya memilikiinterval kelas yang sama lebarnya. Maka histogramnya dapat digambarkansebagai berikut:
25
20
15
10
5
Jum
lah
spes
imen
(f)
Breaking Stress (kN/m2)
900 1000 1100 1200 1300 1400 1500
Breaking Stress (kN/m2)
Frekuensi(f)
900 - 9991000 - 10991100 - 11991200 - 12991300 - 13991400 - 1499
4192928137
Total 100
Presentasi GrafikPresentasi Grafik
Contoh Histogram Dengan Interval Tidak SamaSuatu distribusi frekuensi dari waktu diam pabrik perbulan sejumlah 70buah mesin produksi suatu seperti yang ditunjukkan dalam tabel di bawah
25
Pengujian Tegangan Rusak(Breaking stress) Logam X
Waktu diam (jam) (f)
20
15
10
5
Waktu Diam (jam)
50 60 70 80 90 100 120 180
Waktu diam (jam) (f)
50-5960-6970-7980-8990-99
100-119120-179
81016151083
Total 70
1/27/2011
12
Presentasi GrafikPresentasi Grafik
Poligon Frekuensigrafik garis dari frekuensi interval kelas yang diplot pada nilai tengah-nilai tengahnyaPoligon bisa didapat dengan menghubungkan titik tengah dari sisi atas batang-batang histogram
3030
25
20
15
10
5
Jumlahspesimen(f)
Breaking Stress (kN/m2)
900 1000 1100 1200 1300 1400 1500
Poligon frekuensi
Presentasi GrafikPresentasi Grafik
Distribusi Frekuensi KumulatifDFK kurang dari, disusun dengan menjumlahkan seluruhfrekuensi dari semua nilai yang kurang dari batas atas nyatainterval kelas (upper class boundary)DFK lebih dari, disusun dengan menjumlahkan seluruhfrekuensi dari semua nilai yang lebih dari atau sama denganbatas bawah nyata interval kelas (lower class boundary)batas bawah nyata interval kelas (lower class boundary)distribusi frekuensi kumulatif direpresentasikan dalamgrafik yang disebut ogiveJika banyaknya data dalam distribusi tersebut dinyatakandalam prosentase terhadap banyaknya seluruh data disebutdistribusi frekuensi kumulatif relatif
Presentasi GrafikPresentasi Grafik
Contoh Distribusi Frekuensi Kumulatif
100
80
tif(f c)
Pengujian Tegangan Rusak(Breaking stress) Logam X
Breaking Stress (kN/m2)
Jumlah(fc)
60
40
20Jum
lah
kum
ulat
Breaking Stress (kN/m2)
899,5 999,5 1099,5 1199,5 1299,5 1399,5 1499,5
< 899,5< 999,5<1099,5<1199,5< 1299,5< 1399,5< 1499,5
04
23528093
100
Presentasi GrafikPresentasi Grafik
Kurva Frekuensi
1/27/2011
13
Ukuran PemusatanUkuran Pemusatan
Ukuran Pemusatan (Central Tendency)Data sering menunjukkan kecenderungan berkumpul di sekitar suatu nilai pusat
data tak terkelompok (ungrouped data)data terkelompok (grouped data)
Dalam rumusannya juga dibedakan antara ukuran yang menunjukkan karakteristik populasi (parameter) maupun menunjukkan karakteristik populasi (parameter) maupun sampel (statistik)
Ukuran PemusatanUkuran Pemusatan
Rata-rata (Average)1. Mean Aritmatika
1 (untuk suatu sampel)
n
ii
xx
n==∑
a. Data Tak Terkelompok
1 (untuk suatu populasi)
N
ii
X
n
x
Nμ ==
∑
dimana: = mean aritmatika dari suatu sampel= mean aritmatika dari suatu populasi
xi = nilai dari data (variabel x)n = banyaknya data x dalam suatu sampel
N = banyaknya data x dalam suatu populasi
xXμ
Ukuran PemusatanUkuran Pemusatan
Rata-rata (Average)1. Mean Aritmatikab. Data Terkelompok
, ,1 1
1
(untuk suatu sam pel)
k k
i m i i m ii i
k
ii
f x f xx
nf
= == =∑ ∑
∑1
, ,1 1
1
(untuk suatu populasi)
i
K K
i m i i m ii i
X K
ii
f x f x
Nfμ
=
= =
=
= =∑ ∑
∑
dimana: = mean aritmatika dari suatu sampel= mean aritmatika dari suatu populasi= frekuensi atau jumlah pengamatan dalam sebuah interval kelas= nilai tengah dari interval kelas
k = jumlah interval kelas dalam suatu sampelK = jumlah interval kelas dalam suatu populasin = banyaknya data x dalam suatu sampelN = banyaknya data x dalam suatu populasi
x
Xμif
,m ix
Ukuran PemusatanUkuran Pemusatan
Contoh 2.3:Mean aritmatika dari data sampel tegangan rusak yang terdiri dari 100 data yang belum terkelompokkan adalah:
100
1 1 1171 1186 1264 ... 1090 1198,5100 100
n
i ii i
x xx
n= = + + + +
= = = =∑ ∑
Contoh 2.4:Mean aritmatika dari data sampel tegangan rusak yang terdiri dari 100 data yang sudah terkelompokkan adalah:
6
, ,1 1
6
1 1
(4)(949,5) (19)(1049,5) ... (7)(1449,5) 1197,54 19 ... 7
k
i m i i m ii i
k
i ii i
f x f xx
f f
= =
= =
+ + += = = =
+ + +
∑ ∑
∑ ∑
1/27/2011
14
Ukuran PemusatanUkuran Pemusatan
Rata-rata (Average)2. Mean Aritmatika Terbobot
Pemberian suatu pembobotan terhadap suatu nilai untuk menunjukkan signifikansi atau kepentingan/keutamaan relatif dari nilai tersebutMean aritmatika yang diperoleh dari nilai yang diberi Mean aritmatika yang diperoleh dari nilai yang diberi pembobotan itu disebut mean aritmatika terbobot
1
1
n
i ii
w n
ii
w xx
w
=
=
=∑
∑
= mean aritmatika terbobotwi = faktor pembobotan
wx
Ukuran PemusatanUkuran Pemusatan
Contoh 2.5:Jika dalam suatu nilai akhir mata kuliah statistik nilai ujian akhir berbobot 3 kali daripada ujian tengah semester dan tugas, maka seorang mahasiswa yang memperoleh nilai ujian akhir 85 dan ujian tengah semester 70 dan tugas 90 akan memperoleh nilai:
1
1
(3)(85) (1)(70) 1(90) 415 833 1 1 5
n
i ii
w n
ii
w xx
w
=
=
+ += = = =
+ +
∑
∑
Ukuran PemusatanUkuran PemusatanMedian
Posisi tengah dari nilai data terjajar (data array)Nilai dari absis-x yang bertepatan dengan garis vertikal yang membagi sebuah histogram (atau daerah dibawah poligon) menjadi dua daerah yang luasnya sama
a. Data Tak TerkelompokNilai tengah atau mean aritmatika dari dua nilai tengah suatu jajaran data (array)
b. Data Terkelompok (Prinsip Interpolasi)
( )2
l
lmedian
n fMedian x L c
f
⎛ ⎞−⎜ ⎟= = + ⎜ ⎟
⎜ ⎟⎝ ⎠
∑%
Ll = batas nyata kelas bawah dari kelas median (kelas yang memuat median)n = banyaknya data (jumlah seluruh frekuensi)
= jumlah frekuensi seluruh kelas yang lebih rendah dari kelas medianfmedian = frekuensi kelas median
c = lebar interval kelas median
( )lf∑
Ukuran PemusatanUkuran Pemusatan
Contoh 2.5:Median dari jajaran data sampel tegangan rusak yang terdiri dari 100 data yang belum terkelompokkan adalah nilai tengahdata ke-50 dan ke-51:
1192 1196 11942
Median x += = =%
Contoh 2.6:Median dari data sampel tegangan rusak yang terdiri dari 100 data yang sudah terkelompokkan adalah:
100( ) 232 21099,5 100 1192,6
29
l
lmedian
n fMedian x L c
f
⎛ ⎞ ⎛ ⎞− −⎜ ⎟ ⎜ ⎟= = + = + =⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠
∑%
1/27/2011
15
Ukuran PemusatanUkuran PemusatanModus
Nilai yang paling sering muncul atau yang frekuensinya terbesar. Dalam suatu kumpulan nilai dataModus ini mungkin ada mungkin juga tidak, dan kalaupun ada tidak selalu unik (tunggal)
a. Data Tak TerkelompokNilai data yang paling sering muncul (frekuensinya palingNilai data yang paling sering muncul (frekuensinya paling besar)
b. Data Terkelompok (Prinsip Interpolasi)
Ll = batas nyata kelas bawah dari kelas modus (kelas yang frekuensinya terbesar)Δ1 = selisih frekuensi kelas modus dengan kelas sebelumnyaΔ2 = selisih frekuensi kelas modus dengan kelas sesudahnyac = lebar interval kelas median
1
1 2
ˆ lModus x L c⎛ ⎞Δ
= = + ⎜ ⎟Δ + Δ⎝ ⎠
Ukuran PemusatanUkuran Pemusatan
Contoh 2.7:Modus dari jajaran data sampel tegangan rusak yang terdiri dari 100 data yang belum terkelompokkan adalah nilai tengahdata ke-50 dan ke-51:
1141 (frekuensi = 3)Modus =
Contoh 2.8:Median dari data sampel tegangan rusak yang terdiri dari 100 data yang sudah terkelompokkan adalah:
1
1 2
10ˆ 1099,5 100 1190,410 1lModus x L c
⎛ ⎞Δ ⎛ ⎞= = + = + =⎜ ⎟ ⎜ ⎟Δ + Δ +⎝ ⎠⎝ ⎠
Ukuran PemusatanUkuran PemusatanKuantil: kuartil, desil dan persentil
Nilai-nilai yang membagi menjadi bagian-bagian yang sama suatu jajaran data (data array)
Menjadi dua bagian medianMenjadi empat bagian kuartil (Q1 , Q2 , Q3)Menjadi sepuluh bagian desil (D1 , D2 , D3 , … D9)Menjadi seratus bagian persentil (P1 , P2 , P , … P99)
Dengan pengertian di atas, maka: median = Q2 = D5 = P50
a. Data Tak Terkelompok Prinsip menentukan median
b. Data Terkelompok Prinsip Interpolasi
Ll,i = batas nyata kelas bawah dari kelas kuantil ke-i r = konstanta (untuk kuartil r = 4, desil r = 10, persentil r= 100)
= jumlah frekuensi seluruh kelas yang lebih rendah dari kelas kuantil ke-ifkuantil,i = frekuensi kelas kuantil ke-i
c = lebar interval kelas median
( )lf∑,
,,
( )l i
i l ikuantil i
i n frK L c
f
⎛ ⎞⎛ ⎞ −⎜ ⎟⎜ ⎟⎝ ⎠⎜ ⎟= +⎜ ⎟⎜ ⎟⎝ ⎠
∑
Ukuran PemusatanUkuran Pemusatan
Contoh 2.9:Beberapa kuantil dari data pada sampel yang terdiri dari 100 data yang telah terkelompokkan adalah sebagai berikut:
,1
1 ,1,1
1 100( ) 234 21099,5 100 1192,6
29
l
lkuartil
n fQ L c
f
⎛ ⎞ ⎛ ⎞− −⎜ ⎟ ⎜ ⎟= + = + =⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠
∑
,7
7 1,7
7 100( ) 2310 21099,5 100 1192,6
29
l
desil
n fD L c
f
⎛ ⎞ ⎛ ⎞− −⎜ ⎟ ⎜ ⎟= + = + =⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟⎜ ⎟⎝ ⎠⎝ ⎠
∑
1/27/2011
16
Ukuran PenyebaranUkuran Penyebaran
Ukuran Penyebaran (Dispersion)Ukuran penyebaran (dispersion) menunjukkan seberapa jauh data menyebar dari nilai rata-ratanya (variabilitas data) Alasan pentingnya meninjau ukuran penyebaran suatu kumpulan nilai data:
Penilaian mengenai seberapa baik suatu nilai rata-rata (ukuran pemusatan) menggambarkan data (ukuran pemusatan) menggambarkan data Agar langkah-langkah untuk mengendalikan variasi yang ada dapat dilakukan
Ukuran PenyebaranUkuran Penyebaran
Jangkauan/kisaran (range)
max minR x x= −
Jangkauan/kisaran (range) Persentil 10-90
10 90 90 10PR P P−
= −
Simpangan Kuartil
3 1
2dQ QQ −
=
Ukuran PenyebaranUkuran Penyebaran
Simpangan mutlak rata-rata (mean deviation)
1
n
ii
x
x xMean Deviation MD
n=
−= =
∑
a. Data Tak Terkelompok
b. Data Terkelompok
, ,1 1
1
k k
i m i i m ii i
x k
ii
f x x f x xMean Deviation MD
nf
= =
=
− −= = =
∑ ∑
∑
b. Data Terkelompok
MDx = Simpangan mutlak rata-rata = mean aritmatika dari suatu sampel )
fi = frekuensi atau jumlah pengamatan dalam sebuah interval kelas = nilai tengah dari interval kelas
k = jumlah interval kelas dalam suatu sampel n = banyaknya data x dalam suatu sampel
x
,m ix
Ukuran PenyebaranUkuran Penyebaran
Contoh 2.10:Simpangan mutlak rata-rata dari jajaran data pada sampel yang terdiri dari 100 data belum terkelompokkan dengan rata-rata
adalah:
1
n
ii
x
x xMD
n=
−=
∑1198,5x =
923 1198,5 924 1198,5 ... 1482 1198,5 1492 1198,5 98, 4
100− + − + + − + −
= =
1/27/2011
17
Ukuran PenyebaranUkuran Penyebaran
Contoh 2.11:Simpangan mutlak rata-rata dari jajaran data pada sampel yang terdiri dari 100 data telah terkelompokkan dengan rata-rata
adalah:1197,5x =
Breaking Stress (x) (fi) xm,i ,m ix x−,i m if x x−
∑
900 - 9991000 - 10991100 - 11991200 - 12991300 - 13991400 - 1499
4192928137
949,51049,51149,51249,51349,51449,5
2481484852
152252
99228121392145619761764
100 10392
,1
1
10392 103,92100
k
i m ii
x k
ii
f x xMD
f
=
=
−= = =
∑
∑
Ukuran PenyebaranUkuran Penyebaran
Deviasi standard/simpangan baku
a. Data Tak Terkelompok
( )
( )
22 2
1 11
2 2
211
= (sampel)1 ( 1)
= (populasi)
n nn
i iii ii
x
NN
ii xii
x x
n x xx xs
n n n
xx
N N
μσ μ
= ==
==
⎛ ⎞ ⎛ ⎞−− ⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠=
− −
⎛ ⎞− ⎜ ⎟
⎝ ⎠= −
∑ ∑∑
∑∑
b. Data Terkelompok
N N
( )
( )
22 2
, ,,1 11
2 2,,
211
= (sampel)1 ( 1)
= (populasi)
k kk
i m i i m ii m ii ii
x
KK
i m ii m i xii
x x
n f x f xf x xs
n n n
f xf x
N N
μσ μ
= ==
==
⎛ ⎞ ⎛ ⎞−− ⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠=
− −
⎛ ⎞− ⎜ ⎟
⎝ ⎠= −
∑ ∑∑
∑∑
Ukuran PenyebaranUkuran Penyebaran
Contoh 2.12:Deviasi standard dari jajaran data pada sampel yang terdiri dari 100 data belum terkelompokkan dengan rata-rata
adalah:1198,5x =
( )2
1
1
n
ii
x
x xs
n=
−=
−
∑
2 2 2 2(923 1198,5) (924 1198,5) ... (1482 1198,5) (1492 1198,5) 100 1
1540469 124,799
− + − + + − + −=
−
= =
Ukuran PenyebaranUkuran Penyebaran
Contoh 2.13:Standard deviasi dari jajaran data pada sampel yang terdiri dari 100 data telah terkelompokkan dengan rata-rata
adalah:1197,5x =
( )2,m ix x− ( )2
,i m if x x−Breaking Stress
(x) (fi) xm,i
∑
900 - 9991000 - 10991100 - 11991200 - 12991300 - 13991400 – 1499
4192928137
949,51049,51149,51249,51349,51449,5
615402190423042704
2310463504
2460164161766681675712
300352444528
100 1549600
( )2,
1 1549600 125,11 100 1
k
i m ii
x
f x xs
n=
−= = =
− −
∑
1/27/2011
18
Ukuran PenyebaranUkuran Penyebaran
Varians
Varians merupakan kuadrat dari deviasi standard, sehingga untuk sampel dinyatakan sebagai dan untuk populasi sebagai .
2xs
2xσ
Koefisien Variasi
Penyebaran mutlakPenyebaran relatifnilai rata rata
=−
: (sampel)
(populasi)
xx
xx
x
sKoefisien Variasi Vx
συμ
=
=
MomentMoment
Moment
a. Data Tak TerkelompokJika x1, x2, …, xn adalah n buah nilai variabel x, maka dapat didefinisikan kuantitas : - moment ke-r :
1 2 1...n
rr r r i
r n ixx x xx
n n=+ + +
= =∑
- momen ke-r simpangan terhadap mean
- momen ke-r simpangan terhadap sembarang
( )1
,
n ri
ir x
x xm
n=
−=
∑
( )1
,
n ri
ir x
x Am
n=
−′ =
∑
MomentMoment
Moment
b. Data Terkelompok- momen ke-r simpangan terhadap sembarang
, ,1 ,1 2 ,2 , 1 1
1 2
......
k kr r
r r r i m i i m im m k m kr i i
kk
f x f xf x f x f xx
f f f nf
= =+ + += = =
+ + +
∑ ∑
∑
( ) ( )
( ) ( )
1 2
1
, ,1 1
,
1
, ,1 1
,
1
ki
ik kr r
i m i i m ii i
r x k
ii
k kr ri m i i m i
i ir x k
ii
f f f f
f x x f x xm
nf
f x A f x Am
nf
=
= =
=
= =
=
− −= =
− −′ = =
∑
∑ ∑
∑
∑ ∑
∑
MomentMoment
Moment
Hubungan Antar Moment2
2, 2, 1,
33, 3, 1, 2, 1,
2 4
3 2
x x x
x x x x x
m m m
m m m m m
′ ′= −
′ ′ ′ ′= − +
Moment Dalam Bentuk Tidak Berdimensi
2 44, 4, 1, 3, 1, 2, 1,
1,
4 6 3
Perlu dicatat bahwa
x x x x x x x
x
m m m m m m m
m x A
′ ′ ′ ′ ′ ′= − + −
′ = −
( ) ( ), , ,
,
2,2,
r x r x r xr x rr r
xx
m m ma
s mm= = =
1/27/2011
19
Skewness (Kemencengan)Skewness (Kemencengan)
Skewness
Derajat ketidak simetrisan, atau penyimpangan dari kesimetrisan suatu distribusi
menceng ke kanan atau kemencengan positif (positive skewnes) menceng ke ke kiri atau kemencengan negatif (negative g g g gskewness)
Skewness (Kemencengan)Skewness (Kemencengan)
Koefisien Skewness
Terdapat beberapa koefisien yang bisa dijadikan koefisien kemencengan (skewness factor/coefficient)
,ˆ
f xx xS
s−
= 3 2 2 1 3 2 1,
3 1 3 1
( ) ( ) 2f Qd
Q Q Q Q Q Q QSQ Q Q Q
− − − − += =
− −
( ),
3f x
x xS
s−
=%
10 90
90 50 50 10 90 50 10,
90 10 90 10
( ) ( ) 2f p
P P P P P P PSP P P P−
− − − − += =
− −
Dalam kebanyakan aplikasi teknik
( )3, 3, 3,
3, 33 32,2,
x x xx
xx
m m mSkewness factor a
s mm= = = =
Kurtosis (Keruncingan)Kurtosis (Keruncingan)
Kurtosis
Derajat keruncingan (peakedness) atau keceperan (flatness) dari suatu distribusi relatif terhadap distribusi normal
puncak relatif tinggi disebut kurva leptokurtikpuncaknya ceper/rata (flat-topped) disebut platykurtictidak terlalu runcing atau terlalu ceper disebut kurva g pmesokurtic
Skewness (Kemencengan)Skewness (Kemencengan)
Koefisien Kurtosis
Sebuah ukuran kurtosis menggunakan momen simpangan terhadap mean keempat dalam bentuk tidak berdimensi
Untuk suatu distribusi normal, b2,x = a4,x = 3
Ukuran lainnya
( )3 1
90 10 90 10
12d
Q QQP P P P
κ−
= =− −
Dengan alasan ini kurtosis kadang-kadang didefinisikan dengan (b2,x – 3) yang nilainya:
positif untuk distribusi leptokurtic negatif untuk distribusi platykurtic snol untuk distribusi normal (gaussian)
1/27/2011
20
TujuanTujuan PembelajaranPembelajaranTujuan Pembelajaran
Mendefinisikan terminologi-terminologi penting dalamprobabilitas dan menjelaskan bagaimana probabilitaskejadian sederhanaMemahami dan menjelaskan konsep-konsep kejadian-kejadian bersyarat, bebas dan mutually exclusiveMenggunakan analisis kombinatorial untuk kejadian-kejadian kompleks
Pokok BahasanPokok Bahasan
Konsep probabilitasProbabilitas dari kejadianAturan-aturan probabilitas
Konsep dan DefinisiKonsep dan Definisi
Eksperimen Probabilitas, Ruang Sampel dan Peristiwa
Eksperimen probabilitas hasil/keluaran (outcome), tanggapan (response)tanggapan (response) ukuran (measurement)
Seluruhnya ruang sampel (sample space)Sebagian Peristiwa/kejadian (event) Diagram venn
1/27/2011
21
Konsep dan DefinisiKonsep dan DefinisiContoh :Eksperimen probabilitas:- mengambil sehelai kartu dari satu set kartu bridgeRuang sampel:- Seluruh jenis kartu yang berjumlah 52 lembarPeristiwa: - Misal peristiwa A adalah terambilnya sebuah kartu hati (H),maka peristiwa A dapat dinyatakan sebagai A = {2H, 3H, 4H, 5H, 6H, 7H, 8H, 9H, 10H, JH, QH, KH, AsH}
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.EngDiagram Venn
S
A
Konsep dan DefinisiKonsep dan Definisi
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Konsep dan DefinisiKonsep dan DefinisiDefinisi ProbabilitasBilangan antara 0 dan 1 yang berkaitan dengan suatu peristiwa (even) tertentu
Peristiwa pasti terjadi probabilitas =1 Peristiwa mustahil terjadi probabilitas =0
Definisi Klasik :Jika sebuah peristiwa A dapat terjadi dengan fAcara dari sejumlah total N cara yang mungkin
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
j y g gterjadi, maka:- probabilitas P(A) dari terjadinya peristiwa A:
- probabilitas tidak terjadinya peristiwa A
( ) AfP AN
=
( ) ( ) (~ ) 1 1 ( )A AN f fP A P A P A P AN N−
= = = = − = −%
Konsep dan DefinisiKonsep dan Definisi
Contoh :Definisi klasik cocok digunakan misalnya pada permainan tembakan/undian (games of chance). Misalnya dalam satu set kartu ) ybridge yang terdiri dari 52 kartu terdapat 4 buah kartu As, maka probabilitas pengambilan satu kartu mendapatkan kartu As adalah: P(As) = 4/52 = 1/13 = 0,077
1/27/2011
22
Konsep dan DefinisiKonsep dan Definisi
Definisi Frekuesi Relatif :Sebuah eksperimen dilakukan sebanyak N kali dan kejadian A terjadi sebanyak fA kali. Jika N mendekati tak terhingga maka limit dari frekuensi
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
relatif fA/N didefinisikan sebagai probabilitas kejadian A atau P(A)
( ) lim A
N
fP AN→∞
=
Konsep dan DefinisiKonsep dan DefinisiDefinisi Subyektif (Intuitif) :Dalam hal ini, probabilitas P(A) dari terjadinya peristiwa A adalah sebuah ukuran dari “derajat keyakinan” yang dimiliki seseorang terhadap terjadinya peristiwa Aj y p
Probabilitas Peristiwa MajemukProbabilitas Peristiwa MajemukDefinisi
Peristiwa majemuk (compound event) adalah peristiwa yang merupakan gabungan/kombinasi dua atau lebih peristiwa sederhana (simple event) Terdapat tiga jenis peristiwa majemuk antara
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Terdapat tiga jenis peristiwa majemuk antara peristiwa A dan peristiwa B :
Peristiwa A terjadi dengan syarat peristiwa Btelah terjadi Notasi : P(A|B) Keduanya sama-sama terjadi
Notasi : P(A dan B) atau P(A ∩B) Salah satu peristiwa terjadi
Notasi : P(A atau B) atau P(A ∪B)
Probabilitas Peristiwa MajemukProbabilitas Peristiwa MajemukProbabilitas Bersyarat
Peristiwa A terjadi dengan syarat peristiwa B telahterjadiDengan telah terlebih dahulu peristiwa B terjadi, makaterjadi perubahan (pengurangan) pada ruang sampelyang perlu dipertimbangkan untuk menentukanprobabilitas peristiwa Aprobabilitas peristiwa A.
AB
BA B
( )( | ) ( ) 0( )
P A BP A B P BP B
∩= ≠
1/27/2011
23
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk
Peristiwa Saling Bebas (independent events) dan Saling Terikat (dependent)
Dua peristiwa A dan B saling bebas (independent) apabila terjadinya/tidak terjadinya peristiwa Atidak mempengaruhi probabilitas terjadinya peristiwa Bperistiwa BSebaliknya, jika terjadinya peristiwa Amempengaruhi probabilitas terjadinya peristiwa Bdisebut peristiwa saling terikat (dependent)Jika peristiwa A dan B saling bebas, maka berlaku:
( | ) ( ) dan juga ( | ) ( )P A B P A P B A P B= =
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk
Peristiwa Mutually Exclusive (Saling Meniadakan)
Peristiwa A dan B adalah mutually exclusive jika A dan B tidak dapat terjadi secara bersamaanSebaliknya, jika peristiwa A dan B dapat terjadi secara bersamaan dalam sebuah eksperimensecara bersamaan dalam sebuah eksperimen probabilitas, maka A dan B tidak mutually exclusiveJika peristiwa A dan B mutually exclusive , maka berlaku:( dan ) ( ) 0 artinya juga ( | ) 0P A B P A B P A B= ∩ = =
1/27/2011
24
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk
Peristiwa Mutually Exclusive (Saling Meniadakan) Diagram venn dari peristiwa mutually exclusive dan tidak mutually exclusive
AB
AB
Probabilitas Peristiwa MajemukProbabilitas Peristiwa MajemukHukum-hukum Probabilitas Peristiwa MajemukHukum Perkalian-Peristiwa Saling BebasJika A,B,C, ... adalah peristiwa-peristiwa yang saling bebas (independent events), maka probabilitas bahwa seluruh peristiwa itu terjadi (joint probability) P(ABC ...), adalah perkalian dari probabilitas masing-masing peristiwa
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Probabilitas Peristiwa MajemukProbabilitas Peristiwa MajemukHukum-hukum Probabilitas Peristiwa MajemukHukum Perkalian-Peristiwa Saling Terikat Untuk dua peristiwa A dan B yang saling terikat (tidak saling bebas):
( dan ) ( ) ( ) ( | ) ( ) ( | )P A B P A B P A P B A P B P A B= ∩ = × = ×
1/27/2011
25
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk Probabilitas Peristiwa MajemukProbabilitas Peristiwa MajemukHukum-hukum Probabilitas Peristiwa MajemukHukum PenjumlahanProbabilitas peristiwa A atau peristiwa B atau kedua-duanya sama-sama terjadi ditunjukkan oleh hukum penjumlahan menyatakan:
( atau ) ( ) ( ) ( ) ( )P A B P A B P A P B P A B= ∪ = + − ∩
Perluasan (Continued Reapplication) :
( atau atau ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P A B C P A B CP A P B P C
P A B P A C P B CP A B C
= ∪ ∪= + +
− ∩ − ∩ − ∩+ ∩ ∩
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk
Formulasi Bayes Perluasan dari probabilitas bersyarat dan hukum perkalian (multiplication)
terdapat sekelompok peristiwa B1, B2, ..., Bnmutually exclusiveexhaustive secara keseluruhan membentuk ruang
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
exhaustive secara keseluruhan membentuk ruang sampelSebuah peristiwa lain A didefinisikan pada ruang sampel yang sama
Maka probabilitas peristiwa A didapat dengan menjumlah-kan probabilitas P(A ∩ Bi) untuk seluruh harga i
1 1( ) ( ) ( ) ( | )
n n
i i ii i
P A P A B P B P A B= =
= ∩ = ×∑ ∑
1/27/2011
26
Probabilitas Peristiwa MajemukProbabilitas Peristiwa Majemuk Probabilitas Peristiwa MajemukProbabilitas Peristiwa MajemukFormulasi Bayes
Sebaliknya jika peristiwa A telah terjadiProbablitias masing-masing peristiwa Bi juga terjadi dapat ditentukan dengan Formulasi Bayes:
( ) ( ) ( | ) ( ) ( | )( | )( ) ( ) ( | ) ( )
i i i i ii n n
P B A P B P A B P B P A BP B AP A P B P A B P B A
∩= = =
∑ ∑
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1 1
( ) ( ) ( | ) ( )i i ii i
P A P B P A B P B A= =
∩∑ ∑
Contoh:Vendor I, II, III, dan IV menyediakan seluruh keperluan bantalan bush yang dibeli oleh perusahaan Sumber Teknik sebanyak masing-masing 25 %, 35 %, 10 % dan 30 %. Dari pengalaman selama ini diketahui bahwa vendor I, II, III, dan IV masing-masing mengirimkan 80 %, 95 %, 70 % dan 90 % bantalan bush yang baik (tanpa cacat). Maka probabilitas bahwa sebuah bantalan yang dipilih secara acak merupakan bantalan yang cacat dapat dihitung sebagai berikut. Misalkan A d l h i ti ilih b h b t l t
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
A adalah peristiwa pemilihan sebuah bantalan yang cacat, dan B1, B2, B3, dan B4, adalah peristiwa pemilihan bantalan dari vendor I, II, III, dan IV. Maka
4 4
1 1( ) ( ) ( ) ( | )
0, 25(0, 2) 0,35(0,05) 0,1(0,3) 0,3(0,1) 0,1275
i i ii i
P A P A B P B P A B= =
= ∩ = ×
= + + +=
∑ ∑
Kemudian jika terpilih sebuah bantalan cacat, maka probabilitas bantalan cacat itu berasal dari vendor III adalah
33
( ) 0,03( | ) 0, 2353( ) 0,1275
P B AP B AP A
∩= = =
1/27/2011
27
Teknik Enumerasi: Pohon Probabilitas Teknik Enumerasi: Pohon Probabilitas
Pohon Probabilitas Alat bantu grafis yang memudahkan dalam mengevaluasi probabilitas yang berkaitan dengan eksperimen yang terdiri dari beberapa tahap
Teknik Enumerasi: Pohon Probabilitas Teknik Enumerasi: Pohon Probabilitas
Teknik Enumerasi: Pohon Probabilitas Teknik Enumerasi: Pohon Probabilitas
Permutasi Suatu permutasi dari n obyek yang berbeda dan setiap kalinya dipilih sebanyak r obyek adalah suatu cara penyusunan r obyek dari n obyek tersebut dengan memperhatikan urutan susunannya Didefinisikan:
Teknik Enumerasi: Analisis Kombinatorial Teknik Enumerasi: Analisis Kombinatorial
dimana : n! = n(n-1)(n-2) ….(2)(1) dan 0! =1
1/27/2011
28
KombinasiSuatu kombinasi dari n obyek yang berbeda dan setiap kalinya dipilih sebanyak r obyek adalah suatu cara penyusunan r obyek dari n obyek tersebut tanpa memperhatikan urutan susunannyaDidefinisikan:
Teknik Enumerasi: Analisis Kombinatorial Teknik Enumerasi: Analisis Kombinatorial Teknik Enumerasi: Analisis Kombinatorial Teknik Enumerasi: Analisis Kombinatorial
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Teknik Enumerasi: Analisis Kombinatorial Teknik Enumerasi: Analisis Kombinatorial
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1/27/2011
29
Tujuan PembelajaranTujuan Pembelajaran Pokok BahasanPokok Bahasan
Variabel Acak Diskrit:
Variabel Acak (Random Variable)Variabel Acak (Random Variable)
Sebuah variabel acak X :variabel yang memiliki nilai numerik tunggal dari setiap outcome sebuah eksperimen probabilitas
nilai yang dapat dicacah (countable)
Variabel Acak Kontinu:diperoleh dari hasil pengukuran
Distribusi Probabilitas DiskritDistribusi Probabilitas Diskrit
Fungsi Probabilitas
• Seluruh keluaran yang mungkin dari sebuah eksperimen probabilitas dengan variabel diskrit X :X = {x1, x2, x3, …, xn}
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
• Nilai probabilitas yang berkaitan dengan keluaran tersebut adalah P(X=x1), P(X=x2), P(X=x3),…, P(X=xn)
• Sebaran nilai probabilitas ini membentuk sebuah distribusi probabilitas diskrit variabel X
P(X=xn) biasa dinotasikan juga dengan p(xn)P(X=xn) = p(xn) fungsi probabilitas
1/27/2011
30
Distribusi Probabilitas DiskritDistribusi Probabilitas Diskrit
Sifat Fungsi Probabilitas
1. Nilai-nilai sebuah fungsi probabilitas adalah angka-angka yang berada dalam interval antara 0 dan 1.
2. Jumlah seluruh nilai fungsi probabilitas adalah 1.
≤ ≤0 ( ) 1p x
g p
Distribusi Probabilitas DiskritDistribusi Probabilitas Diskrit≤ ≤0 ( ) 1p x
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
≤ ≤0 ( ) 1p x
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Fungsi Distribusi Kumulatif
Distribusi Probabilitas DiskritDistribusi Probabilitas Diskrit
Fungsi distribusi kumulatif (cumulative distribution function/cdf ) yang didefinisikan sebagai:
ξξ
≤
= ≤ = ∑( ) ( ) ( )x
F x P X x p
1/27/2011
31
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Statistik Deskriptif Distribusi Statistik Deskriptif Distribusi Probabilitas DiskritProbabilitas Diskrit
Ukuran-ukuran statistik deskriptif untuk suatu distribusi probabilitas diskrit dapat ditentukan dengan prinsip-prinsip yang sudah dibahas pada bab statistik deskriptif
μ=
= ∑1
( )n
x i ii
x p x
σ μ=
= −∑2 2
1( ) ( )
n
x i x ii
x p x
Mean
Varians
1/27/2011
32
Distribusi Probabilitas KontinuDistribusi Probabilitas Kontinu
Fungsi Kepadatan Probabilitas
• Untuk variable acak kontinu• Kurva distribusi probabilitas diwakili oleh poligon
frekuensi relatif yang dimuluskanK i i d t di t k l h t f i k ti • Kurva ini dapat dinyatakan oleh suatu fungsi kontinu, misalnya f(x), yang disebut sebagai fungsi kepadatan probabilitas (probability density function/pdf)
Distribusi Probabilitas KontinuDistribusi Probabilitas Kontinu
≤ ≤ = ≤ ≤ = ∫( ) ( ) ( )b
aP a X b p a x b f x dx Luas di bawah kurva
Probabilitas bahwa X terletak antara a dan b
Distribusi Probabilitas KontinuDistribusi Probabilitas Kontinu
Sifat Fungsi Kepadatan Probabilitas
1. Fungsi kepadatan probabilitas (pdf) : f(x) ≥ 0 (non-negatif).
2. Luas total daerah dibawah kurva f(x) = 12. Luas total daerah dibawah kurva f(x) 1
Catatan :• Untuk variabel kontinu : P(X=c) = p(c) = 0
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1/27/2011
33
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Fungsi Distribusi Kumulatif
Distribusi Probabilitas KontinuDistribusi Probabilitas Kontinu
−∞= ≤ = ∫( ) ( ) ( )
xF x P X x f t dt
−∞ −∞≤ ≤ = − = −∫ ∫( ) ( ) ( ) ( ) ( )
c bPb X c f t dt f t dt Fc Fb
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1/27/2011
34
Statistik Deskriptif Distribusi Statistik Deskriptif Distribusi Probabilitas KontinuProbabilitas Kontinu
Ukuran-ukuran statistik deskriptif untuk suatu distribusi probabilitas diskritkontinu dapat ditentukan dengan prinsip-prinsip yang sudah dibahas sebelumnya
Mean
Varians
μ = ⋅∫ ( )x x f x dx
σ μ= −∫2 2( ) ( )x xx f x dx
Histogram ProbabilitasHistogram Probabilitas
Ketinggian sebuah batang histogram merupakan nilai fungsi kepadatan probabilitas untuk seluruh nilai variabel acak sepanjang interval yang diwakili batang tersebut Luas dari sebuah batang histogram merupakan nilai fungsi probabilitas dari variabel acak antara batas-batas g pkelasnya.
( ) ( ) lb ublb ub
ub lb
p x x xtinggi histogram h x x xx x
≤ ≤= ≤ ≤ =
−
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1/27/2011
35
Distribusi Probabilitas Dengan Distribusi Probabilitas Dengan ParameterParameter
Distribusi probabilitas dengan fungsi probabilitas p(x) yang tergantung pada sebuah kuantitas yang dapat bernilai sembarang dimana setiap nilai yang berbeda dari kuantitas tersebut akan membentuk distribusi probabilitas yang b b d l k k tit t b t di b t b i berbeda pula, maka kuantitas tersebut disebut sebagai parameter distribusiKumpulan seluruh distribusi probabilitas yang terbentuk dengan berbagai nilai yang berbeda dari parameternya disebut sebuah keluarga distribusi probabilitas.Sebuah fungsi probabilitas p(x) yang memiliki parameter α dinotasikan secara matematik dengan p(x ; α).
Distribusi Probabilitas Dengan Distribusi Probabilitas Dengan ParameterParameter
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Distribusi Probabilitas Dengan Distribusi Probabilitas Dengan ParameterParameter
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1/27/2011
36
Nilai HarapanNilai Harapan(Harapan Matematik)(Harapan Matematik)
Jika X = { x1, x2, x3,…, xn} yang masing-masing mempunyai probabilitas p(x1), p(x2), p(x3),…, p(xn) dimana p(x1) + p(x2) + p(x3) +…,+ p(xn) = 1, maka nilai harapan/harapan matematik dari X yang dinyatakan sebagai E(X) didefinisikan sebagai:
=
= ∑1
( ) ( )n
i ii
E X x p x
= ⋅∫( ) ( )E X x f x dx
Variabel Diskrit
Variabel Kontinu
Mean value
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Tujuan PembelajaranTujuan PembelajaranMenjelaskan pengertian distribusi binomial, mengidentifikasi eksperimen binomial dan menghitung probabilitas binomial, menghitung ukuran pemusatan dan penyebaran distribusi binomial Menjelaskan pengertian distribusi Poisson, mengidentifikasi eksperimen Poisson dan menghitung
b bili P i hi kprobabilitas Poisson, menghitung ukuran pemusatan dan penyebaran distribusi PoissonMengetahui adanya jenis-jenis distribusi probabilitas variabel acak diskrit lainnya Menjelaskan sifat-sifat suatu distribusi normal, menggunakan mean dan deviasi standard dari variabel acak kontinyu yang terdistribusi secara normal untuk mengubah nilai variabel acak menjadi skor standard
1/27/2011
37
Tujuan PembelajaranTujuan PembelajaranMenghitung probabilitas distribusi normal dan menjelaskan hubungannya dengan luas daerah di bahwa kurva probabilitas normal, Menentukan skor z dari persyaratan probabilitas yang ditentukan Mengetahui adanya jenis-jenis distribusi probabilitas variabel acak kontinyu lainnya
Pokok BahasanPokok Bahasan
Distribusi Probabilitas Variabel Acak Diskrit - Distribusi Binomial- Distribusi PoissonDistribusi Probabilitas Variabel Acak Kontinyu - Distribusi Gaussian (Normal)Distribusi Gaussian (Normal)
Eksperimen Binomial
Suatu distribusi binomial dapat digunakan dengan tepat dalam suatu eksperimen binomial Eskperimen Binomial:
Setiap percobaan/trial, hanya dapat menghasilkan satu dari dua hasil yang mungkin sukses atau gagal
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
dari dua hasil yang mungkin, sukses atau gagalProbabilitas sukses p, dan demikian pula probabilitas gagal q = 1 - p selalu tetapdalam setiap percobaan (trial) Setiap percobaan/trial saling bebas secara statistik, yang berarti hasil suatu percobaan tidak berpengaruh pada hasil percobaan lainnya Jumlah percobaan n adalah konstanta yang telah ditentukan sebelumnya (dinyatakan sebelum eksperimen dimulai)
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
Contoh 4.1:Berikut ini adalah beberapa contoh eksperimen binomial:
Suatu kuis terdiri dari 5 soal pilihan ganda dengan empat buah jawaban alternatif, probabilitas banyaknya soal yang benar dijawab oleh seseorang adalah eksperimen binomial dengan p = 1/4, q = 3/4, n = 5 dan variabel acak diskrit adalah jumlah jawaban benar, x = 0, 1, 2, 3, 4, 5Dalam suatu kajian tentang ketangguhan mesin suatu jenis mobil didapati bahwa 67 persennya memiliki jarak tempuh lebih dari 400 ribu kilometer sampai harus turun mesin (overhaul) yang pertama kalinya. Dua belas mobil jenis yang bersangkutan dipilih secara acak dan jarak tempuh rata-rata sampai turun mesin diperiksa. Eksperimen diatas adalah eksperimen binomial dengan p = 0,67, q = 0,33, n = 12 dan variabel acak diskrit adalah jumlah mobil yang dapat menempuh jarak lebih dari 400 ribu kilometer sebelum turun mesin pertama kali, x = 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12
1/27/2011
38
Probabilitas Binomial
Dalam sebuah eksperimen binomial dengan n percobaan (trial), dimana p adalah probabilitas sukses dan q = 1 – p adalah probabilitas gagal dalam sekali percobaan, maka probabilitas variabel acak X yakni banyaknya x sukses yang terjadi pada n percobaan tersebut dapat dihitung dengan :
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
terjadi pada n percobaan tersebut dapat dihitung dengan :
nCx = kombinasi dari n obyek yang setiap kali dipilih x obyek
( ) ( ) (1 )x n x x n xn x n xP X x p x C p q C p p− −= = = = −
Distribusi kumulatif dari probabilitas binomial :
0 0( ) (1 )
x xk n k k n k
n k n kk k
F x C p q C p p− −
= == = −∑ ∑
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
Contoh 4.2: Distribusi probabilitas pada contoh 4.1 mengenai suatu kuis terdiri dari 5 soal pilihan ganda dengan empat buah jawaban alternatif, yang merupakan suatu eksperimen binomial (p = 1/4, q = 3/4, n = 5 dan variabel acak diskrit (X) adalah jumlah jawaban benar), dapat ditentukan sebagai berikut:
( ) ( ) ( ) ( )5 50 0
5 05!3 31 1( 0) (0) 0,23734 4 4 40!5!
P X p C= = = = =
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
4 41 1
5 1
3 32 2
5 2
5!3 31 1( 1) (1) 0,39554 4 4 41!4!
5!3 31 1( 2) (2) 0, 26374 4 4 42!3!
P X p C
P X p C
= = = = =
= = = = =
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 23 3
5 3
1 14 4
5 4
0 05 5
5 5
5!3 31 1( 3) (3) 0,08794 4 4 43!2!
5!3 31 1( 4) (4) 0,01464 4 4 44!1!
5!3 31 1( 5) (5) 0,00104 4 4 45!0!
P X p C
P X p C
P X p C
= = = = =
= = = = =
= = = = =
Ukuran Pemusatan dan Penyebaran
Mean Aritmatika(Nilai Harapan) :
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
( )x E X npμ = =
Varians danSt d d D i i
2 npq npqσ σ→Standard Deviasi :
Kemencengan(skewness) :
Keruncingan(kurtosis) :
x xnpq npqσ σ= → =
1 3 12 q p q p
np nq n npqβ α β −
= + − → = =
2 41 6 3pq
npqβ α −
= = +
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
Contoh 4.3: Pada distribusi probabilitas dalam contoh 4.1 mengenai suatu kajian tentang ketangguhan mesin suatu jenis mobil yang merupakan eksperimen binomial dengan p = 0,67, q = 0,33, n = 12, diperoleh :
( ) (12)(0,67) 8,04x E X npμ = = = =2 (12)(0,67)(0,33) 2,6532x npqσ = = =
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
2,6532 1,6289x npqσ = = =
12 0,33 0,67 2 1
(12)(0,67) (12)(0,33) 12q pnp nq n
β = + − = + − =
21 6 1 6(0,67)(0,33)3 3 2
(12)(0,67)(0,33)pq
npqβ − −
= + = + =
1/27/2011
39
Ilustrasi Distribusi Binomial di Bidang Teknik
Pemeriksaan elemen-elemen benda manufaktur Dalam kebanyakan kasus, pemeriksaan menggunakan dua kategori, rusak atau dapat diterima/dipakaiDiasumsikan elemen-elemen benda kerja berasal dari sebuah populasi yang:
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
sebuah populasi yang:memiliki persentase bagian baik dan buruk yang tetappersentase ini tetap sama pada waktu kita mengambil sampel untuk diuji
populasi yang cukup besar menggantikan setiap sampel yang terambil dengan yang lainnya yang memiliki karakteristik serupa selama kita melakukan pengambilan sampel
Ilustrasi Distribusi Binomial di Bidang Teknik
probabilitas mendapatkan x elemen baik dari batch sampel sejumlah n adalah:
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
( ) ( ) (1 )x n x x n xn x n xP X x p x C p q C p p− −= = = = −
p = probabilitas mendapatkan elemen yang baik = 0,25q = probabilitas mendapatkan elemen yang buruk = 1 – p = 0,75n = jumlah elemen dalam batch yang sedang diuji =10
Dalam praktek:nilai p yang sebenarnya tidak diketahui Perkirakan p berdasarkan data yang diperoleh dari jumlah sampel yang terbatasBatas-batas interval kepercayaan untuk p telah dikaji dan hasilnya telah dibuat dalam bentuk tabel-tabel (n < 30) dan grafik-grafik (n ≥ 30)
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi BinomialDistribusi Binomial
grafik grafik (n ≥ 30)
Eksperimen Poisson
Distribusi Poisson digunakan dalam mengamati jumlah kejadian-kejadian khusus yang terjadi dalam satu satuan waktu atau ruangSuatu distribusi Poisson dapat digunakan dengan tepat dalam suatu eksperimen Poisson :
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi PoissonDistribusi Poisson
dalam suatu eksperimen Poisson :Eksperimen yang meliputi penghitungan/pencacahan banyaknya kali suatu peristiwa terjadi dalam suatu satuan waktu atau ruang yang ditentukan Probabilitas peristiwa tersebut adalah sama untuk setiap satuan waktu atau ruang Banyaknya peristiwa yang terjadi dalam suatu satuan waktu atau ruang saling bebas terhadap banyaknya peristiwa yang terjadi pada suatu satuan waktu atau ruang lainnya
1/27/2011
40
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi PoissonDistribusi Poisson
Contoh 4.4:Berikut ini adalah beberapa contoh eksperimen Poisson:
Banyaknya klaim asuransi kecelakaan mobil terhadap suatu perusahaan asuransi setiap tahunnya Banyaknya cacat pada permukaan sebuah panel lembaran logam yang digunakan dalam produksi suatu satelit ruang angkasa Banyaknya panggilan telepon yang masuk setiap menitnya pada kantor pelayanan darurat jalan tol jumlah yang rusak pada setiap 3000 meter pita pada jalur manufaktur pita magnetik
Probabilitas Poisson
Dalam sebuah eksperimen Poisson, probabilitas memperoleh dengan tepat peristiwa X sebanyak x kejadian setiap satu satuan waktu atau ruang (jam, menit, meter persegi, dll) dapat dihitung dengan rumus:
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi PoissonDistribusi Poisson
xe λλ −
λ = laju kejadian (rata-rata banyaknya kejadian dalam satusatuan waktu)
e = basis logaritma natural = 2,71828….
( ) ( )!
eP X x p xx
λ= = =
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi PoissonDistribusi Poisson
Contoh 4.5: Contoh yang mudah dijelaskan misalnya adalah pada peristiwa emisi dari partikel radioaktif yang dideteksi dengan sebuah Geiger counter. Partikel-partikel ini diemisikan dalam waktu yang acak. Namun, jika kita hitung jumlah emisi tersebut untuk waktu yang “lama”, maka laju rata-rata emisi m partikel-partikel perdetik dapat dihitung. Jika kemudian kita ingin memperkirakan probabilitas P(X=x) atau p(x) dapat menghitung secara tepat x partikel dalam selang satu detik fenomenamenghitung secara tepat x partikel dalam selang satu detik, fenomena ini menunjukkan sangat mendekati model matematika Poisson.
Sebagai contoh, jika m = 3 maka probabilitas dengan tepat 5 partikel perdetik adalah
( ) ( )!
x mm eP X x p xx
−
= = =
5 33 (243)(0,0498)( 5) (5) 0,10085! 120eP X p
−
= = = = =
Ukuran Pemusatan dan Penyebaran
Mean Aritmatika(Nilai Harapan) :
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi PoissonDistribusi Poisson
Varians danSt d d D i i
( )x E Xμ λ= =
2σ λ σ λ→Standard Deviasi :
Kemencengan(skewness) :
Keruncingan(kurtosis) :
x xσ λ σ λ= → =
1 3 11 1 β α βλ λ
= → = =
2 41 3β αλ
= = +
1/27/2011
41
Ilustrasi Distribusi Poisson di Bidang Teknik
Pengendali yang akan menghentikan proses saat terjadi cacat yang tidak normal (laju cacat tinggi), untuk mengurangi jumlah sisa tak terpakai (scrap)Misal cacat terjadi secara acak dan secara rata-rata terjadi 0 6 cacat untuk setiap 1000 meter produk
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi PoissonDistribusi Poisson
terjadi 0,6 cacat untuk setiap 1000 meter produk Kondisi syarat untuk menghentikan proses
Menghentikan proses ketika tidak terjadi kecacatan Tidak menghentikan proses ketika terjadi kecacatan
Keuntungan dan kerugian menggunakan sampel dengan ukuran tertentuUkuran sampel yang terbaik yang harus digunakan
Untuk kasus 1 atau lebih cacat, gunakan kurva berlabel x = 0:untuk proses normal, kita akan menemukan 1 atau lebih cacat adalah sekitar 46 persen dari keseluruhan waktuJika kriteria diubah menjadi 2, 3, dan 4 cacat atau lebih maka proporsinya akan menjadi berturut-turut 13, 3, 0,4 persen dari keseluruhan waktu
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi PoissonDistribusi Poisson
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Diskrit Acak Diskrit –– Distribusi LainDistribusi Lain
1/27/2011
42
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak KontinyuAcak Kontinyu
Sifat-sifat histogram probabilitas variabel acak kontinyu:Luas daerah hc dari setiap batang adalah probabilitas mendapatkan varibel acak dalam kelas interval yang bersangkutan Jumlah seluruh luas daerah batang tersebut harus 1,00
Histogram Probabilitas
g ,(100 persen probabilitas bahwa variable didapatkan antara nilai terendah dan tertinggi)Probabilitas dari setiap batang adalah persentase dari nilai data yang berada di dalam kelas interval tersebut
probabilitas mendapatkan variabel acak dalam kelas intervallebar kelas interval,
hc
=
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak KontinyuAcak Kontinyu
Histogram Probabilitas
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak KontinyuAcak Kontinyu
Fungsi Kepadatan Probabilitas
Eksperimen hipotetis yang mempersyaratkan dua hal yaitu :Variabel acaknya (dalam contoh di atas adalah breaking stress) harus dapat diukur dengan ketelitian (resolusi) yang kecil tak hingga (infinitesimal), artinya nilai yang diukur memiliki jumlah angka penting yang tak terbatas j g p g y gSampel yang diuji jumlahnya juga tidak terbatas
Lebar kelas interval dapat kecil sekali (jumlah kelas interval semakin banyak), sehingga histogram yang berbentuk seperti tangga akan menjadi sebuah kurva yang mulusKurva ini adalah kurva sebuah fungsi f dari variabel x, f(x). Fungsi f(x) ini disebut fungsi kepadatan probabilitas (probability density function/PDF)Luas batang f(x)dx masih memiliki arti yang sama yakni probabilitas mendapatkan x dalam kelas interval dx
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak KontinyuAcak Kontinyu
Fungsi Kepadatan Probabilitas
Jadi probabilitas mendapatkan x bernilai antara a dan badalah:
( | ) ( ) ( )b
a
P X a x b p a x b f x dx< < = < < = ∫
Jik dik t h i PDF d i b h i b l k f( ) kJika diketahui PDF dari sebuah variabel acak f(x), maka banyak perhitungan berguna yang dapat dilakukan:
( | ) ( ) ( )a
P X x a p x a f x dx−∞
< = < = ∫
( | ) ( ) ( )b
P X x b p x b f x dx∞
> = > = ∫
( | ) ( ) ( ) 1.0P X x p x f x dx∞
−∞
−∞ < < ∞ = −∞ < < ∞ = =∫
1/27/2011
43
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak KontinyuAcak Kontinyu
Fungsi Kepadatan Probabilitas
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak KontinyuAcak Kontinyu
Fungsi Kepadatan ProbabilitasUntuk setiap PDF f(x) terdapat sebuah fungsi terkait F(x) yang disebut fungsi distribusi kumulatif, yang didefinisikan sebagai:
Fungsi ini menyatakan probabilitas bahwa x kurang dari sebuah nilai tertentu:
∫∞−
=x
dxxfxF )()(
( ) ( )ax
ap x x f x dx−∞
−∞ < ≤ = ∫
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak KontinyuAcak Kontinyu
Fungsi Kepadatan Probabilitas TeoritisKetika mencari fungsi-fungsi matematik yang bisa dipakai sebagai fungsi kepadatan probabilitas PDF, hanya ada beberapa kriteria dasar yang harus dipenuhi:
Fungsi f(x) yang ingin dijadikan PDF harus tidak negatif (non-negative function) Fungsi f(x) harus berupa kurva yang baik yang sesuai dengan data dalam praktek sebenarnya yang akan dikaji
Setiap fungsi yang memenuhi persyaratan tersebut adalah model matematik yang berguna dan potensial untuk menjadi fungsi kepadatan probabilitas.
0.1)( =∫∞
∞−
dxxf
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Kontinyu Acak Kontinyu –– Distribusi GaussianDistribusi Gaussian
Fungsi Kepadatan Probabilitas GaussianDistribusi yang paling penting dan paling biasa digunakan sebagai model bagi data aktual distribusi normal
2
2( )(2 )1( )
2
x
x
x
f x e xμ
σ−
−
= − ∞ < < ∞2xσ π
Untuk setiap nilai σx dan μx :kurva fungsi simetris terhadap μxmemiliki total luas di bawah kurva tepat 1.0Nilai dari σx menentukan bentangan dari kurva sedangkan μx menentukan pusat (center)nyaKemencengannya (skewness) = α3 = β1 = 0keruncingannya (kurtosis) = α4 = β2 = 3
1/27/2011
44
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Kontinyu Acak Kontinyu –– Distribusi GaussianDistribusi Gaussian
Fungsi Kepadatan Probabilitas Gaussian
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Kontinyu Acak Kontinyu –– Distribusi GaussianDistribusi Gaussian
PDF Gaussian StandardKurva PDF gaussian yang khusus dengan nilai mean, μ = 0 dan deviasi standar, σ = 1Variabel acak dari PDF gaussian standard adalah satuan standard deviasi dan didefinisikan sebagai skor z (z score):
xx μ−
Dengan menggunakan variabel z fungsi PDF gaussian standardnya menjadi
Perhitungan probabilitas untuk distribusi gaussian apapun, dapat dipermudah dengan menggunakan tabel gaussian standard
xx
x
z μσ
=
2 / 21( )2
xzxf z e
π−=
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Kontinyu Acak Kontinyu –– Distribusi GaussianDistribusi Gaussian
PDF Gaussian Standard
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Kontinyu Acak Kontinyu –– Distribusi GaussianDistribusi Gaussian
1/27/2011
45
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Kontinyu Acak Kontinyu –– Distribusi GaussianDistribusi Gaussian
Contoh 4.6: Nilai tahanan yang pada sejenis rangkaian menunjukkan suatu distribusi gaussian dengan mean 100 ohm dan deviasi standard 5 ohm :Probabilitas nilai tahanan dari sebuah rangkaian jenis ini yang dipilih secara random yang lebih besar dari 110 ohm adalah: 110 100100, 5, 110 2
5x
x x xx
xx z μμ σσ− −
= = > → > = =
Probabilitas nilai tahanan dari sebuah rangkaian jenis ini yang dipilih secara random yang bernilai antara 96,72 ohm dan 101,17 ohm adalah:
( 100) ( 2) 1 ( 2) 1 0,97725 0,02275 2, 28%x xP x P z P z> = > = − ≤ = − = =
100, 5, 96,72 100 96,72 101,1796,72 101,17
5 5
0,656 0, 234
(96,72 101,17) ( 0,656 0, 234) 0,5925 0,2559 0,3366 33,66%
x x
x
x
x
x z
z
P x P z
μ σ= =− −
≤ ≤ → ≤ ≤ →
− ≤ ≤
≤ ≤ = − ≤ ≤= − = =
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Kontinyu Acak Kontinyu –– Distribusi GaussianDistribusi Gaussian
Contoh 4.6 (lanjutan): Nilai tahanan dari sebuah rangkaian jenis ini yang dipilih secara random yang probabilitasnya meliputi 99,43 % dari seluruh rangkaian:
( ) 99,43% 0,9943 2,53
100 (2 53)(5) 112 65
x x
xx x x x
x
P z a a z
xz x zμ μ σσ
≤ = = → = =
−= → = +
= + =
Jadi 99,43 % dari rangkaian memiliki nilai tahanan kurang dari 112,65 ohm.
100 (2,53)(5) 112,65= + =
Distribusi Probabilitas Variabel Distribusi Probabilitas Variabel Acak Kontinyu Acak Kontinyu –– Distribusi LainnyaDistribusi Lainnya
1/27/2011
46
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Tujuan PembelajaranTujuan PembelajaranMemahami perlunya suatu sampling (pengambilan sampel) serta keuntungan- keuntungan melakukannya Menjelaskan pengertian sampel acak untuk samplingtanpa pergantian untuk suatu populasi terhingga dan pengambilan sampel untuk populasi tak terhingga Menjelaskan langkah-langkah yang diperlukan untuk membentuk suatu distribusi sampling dari mean-mean p gsampel, menghitung mean dan deviasi standard dari distribusi sampling tersebutMenjelaskan langkah-langkah yang diperlukan untuk membentuk suatu distribusi sampling dari proporsi sampel, menghitung mean dan deviasi standard dari distribusi sampling tersebutMenghitung mean dan deviasi standard dari distribusi sampling yang merupakan perbedaan atau penjumlahan dari sampel-sampel yang berasal dari dua populasi
Pokok BahasanPokok Bahasan
Pengertian dan Konsep Dasar Sampling Distribusi Sampling Dari Mean Distribusi Sampling Dari Proporsi Distribusi Sampling Dari Perbedaan dan PenjumlahanPenjumlahan
1/27/2011
47
Pengertian dan Konsep DasarPengertian dan Konsep DasarKebutuhan dan Keuntungan Sampling
Sampling yang baik:Hemat biaya dan waktuAkurat
Secara khusus teknik sampling berguna dalam :Estimasi parameter populasi yang tidak diketahuiEstimasi parameter populasi yang tidak diketahui berdasarkan informasi dari statistik sampelMenentukan apakah perbedaan pada dua sampel adalah benar-benar signifikan (berarti) atau karena kebetulan sifatnya
Pengertian dan Konsep DasarPengertian dan Konsep DasarSampling Acak (Random Sampling)
Suatu kesimpulan yang diambil berdasarkan sampel harus:
valid dapat dipercaya
Sampel dipilih sedemikian hingga mewakili populasiSampel dipilih sedemikian hingga mewakili populasi sampling acak
Populasi Terhingga dan Tak TerhinggaPopulasi terhingga (finite population): jumlah seluruh anggotanya tetap dan dapat didaftarPopulasi tak terhingga (infinite population) memiliki anggota yang banyaknya tak terhingga
Pengertian dan Konsep DasarPengertian dan Konsep Dasar
Contoh 5.1:
Jika kita memeriksa rata-rata harian banyaknya produk cacat di sebuah pabrik selama 12 bulan terakhir, maka populasi yang diperoleh adalah populasi terhingga yang meliputi produk cacat dari semua jalur produksi di b ik idi pabrik itu Jika kita mengukur kecepatan prosesor komputer yang dibuat oleh sebuah perusahaan tertentu maka populasi yang diperoleh adalah populasi tak terhingga, karena produk tersebut akan terus diproduksi dan dikembangkan di masa-masa mendatang
Pengertian dan Konsep DasarPengertian dan Konsep DasarSampling Dengan dan Tanpa Pergantian
Sampling dengan pergantian setiap anggota sebuah populasi bisa terpilih lebih dari sekali Sampling tanpa pergantian anggota populasi yang telah terpilih tidak bisa dipilih lagi
Contoh 5.2:Dalam memilih sebuah nomor yang mewakili komponen sebagai sampel dari sebuah batch produksi, kita bisa mengembalikan lagi atau tidak mengembalikan kembali nomor yang telah terpilih kedalam batch produksi. Dalam kasus pertama disebut sampling dengan pergantian sedangkan kasus yang kedua adalah sampling tanpa dengan pergantian
1/27/2011
48
Pengertian dan Konsep DasarPengertian dan Konsep DasarDistribusi Sampling
Dari sebuah populasi dibentuk seluruh kemungkinan sampel berukuran nDari masing-masing sampel:
dihitung sebuah statistik (misal mean, deviasi standard, dll.) yang nilainya tentu akan berbeda-beda K l il i t ti tik d i l i i b t kKumpulan nilai statistik dari sampel ini membentuk suatu distribusi
Distribusi ini dinamakan distribusi sampling. distribusi sampling dari mean sampel (sampling distribution of the mean)distribusi sampling dari deviasi standard, varians, median, proporsi, dll
Kemudian terhadap masing-masing jenis distribusi sampling inipun dapat dihitung nilai-nilai statistik deskriptifnya
Pengertian dan Konsep DasarPengertian dan Konsep DasarDistribusi Sampling
Pengertian dan Konsep DasarPengertian dan Konsep Dasar
Contoh 5.3:Suatu populasi terdiri atas lima hasil pengukuran bernilai 2, 3, 6, 8, 11. Jika dari populasi ini hendak digunakan dua hasil pengukuran sebagai sampel, distribusi sampling dari mean sampel yang bisa dibentuk jika:
sampling dengan pergantian dan urutan diperhatikan Kemungkinan sampel yang terbentuk adalah:
(2,2) (2,3) (2,6) (2,8) (2,11)(3 2) (3 3) (3 6) (3 8) (3 11)(3,2) (3,3) (3,6) (3,8) (3,11)(6,2) (6,3) (6,6) (6,8) (6,11)(8,2) (8,3) (8,6) (8,8) (8,11)(11,2) (11,3) (11,6) (11,8) (11,11)
Maka mean sampel yang terbentuk adalah: 2,0 2,5 4,0 5,0 6,52,5 3,0 4,5 5,5 7,04,0 4,5 6,0 7,0 8,55,0 5,5 7,0 8,0 9,56,5 7,0 8,5 9,5 11,0
Pengertian dan Konsep DasarPengertian dan Konsep Dasar
Contoh 5.3 (lanjutan):Sehingga distribusi sampling dari mean sample yang terbentuk adalah :
MeanSampel
2 2,5 3 4 4,5 5 5,5 6 6,5 7 8 8,5 9,5 11
Frekuensi
1 2 1 2 2 2 2 1 2 4 1 2 2 1ensi
Probabilitas
1/25 2/25 1/25 2/25 2/25 2/25 2/25 1/25 2/25 4/25 1/25 2/25 2/25 1/25
1/27/2011
49
Distribusi Distribusi Sampling Sampling dari Mean dari Mean Definisi
Distribusi sampling dari mean-mean sampel adalah distribusi mean-mean aritmetika dari seluruh sampel acak berukuran nyang mungkin yang dipilih dari sebuah populasi
Mean dan Deviasi Standard Distribusi Sampling Mean
Jika sampling dilakukan tanpa pergantian dari suatu populasi terhinga berukuran N, maka:
1
x x
xx
N nNn
μ μ
σσ
=
−=
−
Jika sampling dilakukan dengan pergantian atau populasinya tak terhingga, maka:
x x
xx n
μ μ
σσ
=
=
Distribusi Distribusi Sampling Sampling dari Mean dari Mean
Untuk nilai n yang besar (n > 30), distribusi sampling mean mendekati suatu distribusi normal terlepas dari bentuk asli distribusi populasinyaJika populasinya memiliki distribusi normal,maka distribusi sampling mean juga terdistribusi secara normal untuk nilai nberapapun (tidak tergantung ukuran sampel)
Mean dan Deviasi Standard Distribusi Sampling Mean
p p ( g g p )Deviasi standard dari sebuah distribusi sampling mean disebut juga dengan error standard daripada meanerror standard daripada mean
Contoh 5.4:Dari contoh 5.3 dapat dihitung mean populasi, mean distribusi sampling mean deviasi standard populasi dan deviasi standard distribusi sampling mean sebagai berikut:
2 2 2 2 2
2 3 6 8 11 30 6,05 5
(2 6) (3 6) (6 6) (8 6) (11 6) 3 29
xμ + + + += = =
− + − + − + − + − +
Distribusi Distribusi Sampling Sampling dari Mean dari Mean
Terlihat bahwa dan dapat ditunjukkan bahwa dengan n = 2
14
114
1
142
21
14
1
( ) ( ) ( ) ( ) ( ) 3,295
(1)(2) (2)(2,5) ... (1)(11) 150 6,01 2 ... 1 25
( ) (1)(2 6) (2)(2,5 6) ... (1)(11 6)25
x
i ii
x
ii
i i xi
x
ii
f x
f
f x
f
σ
μ
μσ
=
=
=
=
= =
+ + += = = =
+ + +
−− + − + + −
= = =
∑
∑
∑
∑
135 2,3225
=
x xμ μ= xx n
σσ =
Contoh 5.5:Lima ratus cetakan logam memilki berat rata-rata 5,02 N dan deviasi standard 0,30 N. Probabilitas bahwa suatu sampel acak dengan ukuran sampel 100 cetakan yang dipilih akan mempunyai berat total antara 496 sampai 500 N dapat ditentukan sbb. Distribusi sampling mean persoalah diatas memiliki:
5,02 N
0,30 500 100 0 027
x x
x N n
μ μ
σσ
= =
− −= = =
Distribusi Distribusi Sampling Sampling dari Mean dari Mean
Seratus sampel cetakan memiliki berat total 496 sampai 500 N jika rata-ratanya adalah 4,96 sampai 5,00 N. Jadi dengan menggunakan tabel distribusi normal standard skor z adalah:
0,0271 500 1100x Nn
σ = = =− −
4,96 5,024,96 2,220,027
5,00 5,025,00 0,740,027
x
x
x z
x z
−= → = = −
−= → = = −
(4,96 5,00) ( 2, 22 0,74) (0, 22965 0,01321) 0, 2164 21,64%xP x P z≤ < = − ≤ ≤ − = − = =
1/27/2011
50
Distribusi Distribusi Sampling Sampling dari Proporsi dari Proporsi
Definisi
Distribusi sampling dari proporsi adalah distribusi proporsi-proporsi dari seluruh sampel acak berukuran n yang mungkin yang dipilih dari sebuah populasi
Mean dan Deviasi Standard Distribusi Sampling Mean
Jika probabilitas sukses populasi adalah π sementara probabilitas gagalnya adalah θ=1 - π dan samplingnya tanpa pergantian dari populasi terhinga berukuran N
Jika sampling dilakukan dengan pergantian atau populasinya tak terhingga, maka:
(1 )1 1
P
PN n N n
n N n N
μ π
πθ π πσ
=
− − −= =
− −
(1 )
P
P n n
μ π
πθ π πσ
=
−= =
Distribusi Distribusi Sampling Sampling dari Proporsi dari Proporsi
Untuk nilai n yang besar (n > 30), distribusi samplingproporsi mendekati suatu distribusi normalJika nilai proporsi menyatakan variabel diskrit:
Mean dan Deviasi Standard Distribusi Sampling Proporsi
diperlukan faktor koreksi (±1/2n ) dalam mengubahnya kedalam skor z untuk menentukan probabilitas menggunakan tabel distribusi normal
Contoh 5.6:Divisi pengendalian mutu pabrik perkakas mesin mencatat bahwa 2 % dari mata bor yang diproduksi mengalami cacat. Jika dalam pengiriman satu batch produk terdiri dari 400 mata bor, tentukan probabilitas banyaknya mata bor yang cacat 3 % atau lebih?
Distribusi sampling proporsi (1 ) 0,02(1 0,02)0 02 d 0 007π π− −
Distribusi Distribusi Sampling Sampling dari Proporsi dari Proporsi
Koreksi untuk variabel diskrit =1/2n = 1/(2)(400) ==1/800 = 0,00125 Proporsi (3 %) setelah dikoreksi, P = 0,03 - 0,00125 = 0.02875 Skor z untuk P = 0,02875 adalah:
Maka probabilitas mata bor yang cacat dengan proporsi lebih dari 3 %:
( ) , ( , )0,02 dan 0,007400P P n
μ π σ= = = = =
0,02875 0,02 1, 250,007
PP
P
Pz μσ− −
= = =
( 1,25) 1 ( 1,25) 1 0,8944 0,1056 10,56%P PP z P z> = − ≤ = − = =
Distribusi Distribusi Sampling Sampling dari dari Perbedaan Perbedaan dan Penjumlahandan Penjumlahan
Definisi
Terdapat dua populasiUntuk setiap sampel berukuran n1 dari populasi pertama dihitung sebuah statistik S1 dan menghasilkan sebuah distribusi sampling dari statistik S1 yang memiliki mean μs1 dan deviasi standard σs1Dari populasi kedua, untuk setiap sampel berukuran n2 dihitung statistik S2 yang akan menghasilkan sebuah distribusi sampling dari statistik S yang memiliki mean dan deviasi standardstatistik S2 yang memiliki mean μs2 dan deviasi standard σs2
Distribusi sampling perbedaan S1 – S2 memiliki
Distribusi sampling penjumlahan S1 + S2 memiliki:
Mean dan Deviasi Standard
1 2 1 2S S S Sμ μ μ− = −
1 2 1 2
2 2S S S Sσ σ σ− = +
1 2 1 2S S S Sμ μ μ+ = +
1 2 1 2
2 2S S S Sσ σ σ+ = +
1/27/2011
51
Contoh 5.7:Lampu bohlam A memiliki daya tahan rata-rata 1400 jam dan deviasi standard 200 jam, sementara lampu B memiliki daya tahan rata-rata 1200 jam dengan deviasi standard 100 jam. Jika dari masing-masing produk dipilih 125 bohlam sebagai sampel, maka probabilitas bahwa bohlam A memiliki daya tahan sekurang-kurangnya 160 jam lebih lama dibandingkan bohlam B dapat ditentukan sebagai berikutMean dari distribusi sampling perbedaan daya tahan bohlam A dan B:
1400 1200 200μ μ μ μ μ
Distribusi Distribusi Sampling Sampling dari dari Perbedaan Perbedaan dan Penjumlahandan Penjumlahan
Deviasi standardnya adalah:
Skor z untuk perbedaan mean 160 adalah:
Jadi probabilitas yang akan ditentukan adalah:
1400 1200 200A B A B A Bx x x x x xμ μ μ μ μ− = − = − = − =
2 2 2 22 2 (100) (200) 20
125 125A B
A B A B
x xx x x x
A Bn nσ σ
σ σ σ− = + = + = + =
( ) ( ) ( ) 200 160 200 220 20
A B
A B
A B
A B x x A Bx x
x x
x x x xzμ
σ−
−−
− − − − −= = = = −
(( ) 160) ( 2) 1 ( 2) 1 0,0228 0,9772 97,72%
A B A BA B x x x xP x x P z P z− −− > = > − = − < −= − = =
Tujuan PembelajaranTujuan PembelajaranMenjelaskan konsep-konsep dasar yang mendukung pendugaan rata-rata populasi, persentase dan varians Menghitung dugaan-dugaan (estimates) rata-rata populasi pada tingkat kepercayaan (level of confidence) berbeda-beda jika deviasi standard populasi tidak diketahui ataupun jika diketahui Menghitung dugaan-dugaan persentase populasi pada ti k t k b b d b dtingkat kepercayaan yang berbeda-bedaMenghitung dugaan-dugaan varians populasi pada tingkat kepercayaan yang berbeda-beda Memahami kapan dan bagaimana menggunakan distribusi-distribusi probabilitas yang semestinya, yang diperlukan untuk tujuan-tujuan pendugaan
1/27/2011
52
Pokok BahasanPokok Bahasan
Pengertian dan Konsep Dasar Estimasi Pendugaan Mean Populasi Pendugaan Persentase Populasi Pendugaan Varians Populasi
Pengertian dan Konsep DasarPengertian dan Konsep DasarDugaan (Estimate) & Penduga (Estimator)
Dugaan (Estimate) :nilai spesifik atau kuantitas daripada sebuah statistik misalnya: nilai mean sampel, persentase sampel, atau varians sampel
Penduga (Estimator) :Penduga (Estimator) :setiap statistik sampel yang digunakan untuk menduga sebuah parameter (yang relevan)
Penduga tak-bias (unbiased estimator) : meannya sama dengaan parameter populasi
yang didugaPenduga terbaik (best estimator):
penduga tak-bias dengan varians yang terkecil (minimum)
Pengertian dan Konsep DasarPengertian dan Konsep DasarPenduga Tak Bias dan Penduga Terbaik
Pengertian dan Konsep DasarPengertian dan Konsep DasarDugaan (Estimate), Pendugaan (Estimation) dan Penduga (Estimator)
Pendugaan (Estimation) :Keseluruhan proses yang menggunakan sebuah penduga untuk menghasilkan sebuah dugaan daripada parameter
Pendugaan Tunggal (Point Estimation):Pendugaan Tunggal (Point Estimation):angka tunggal yang digunakan untuk menduga sebuah parameter populasi Pendugaan Interval (Interval Estimation): sebaran nilai-nilai yang digunakan untuk menduga sebuah parameter populasi
1/27/2011
53
Pengertian dan Konsep DasarPengertian dan Konsep Dasar
Contoh 6.1:Pabrik ban “Stonebridge” ingin menduga penjualan rata-rata perhari. Sebuah sampel harian yang dikumpulkan menghasilkan rata-rata senilai $ 800. Dalam hal ini telah dilakukan pendugaan tunggal (point enstimation), dengan menggunakan penduga (estimator) berupa statistik mean sampel ( x ) untuk menduga parameter mean populasi (μ) dan nilai sampel x = $ 800 sebagai dugaan (estimates) dari nilai populasi, μ.
Pengertian dan Konsep DasarPengertian dan Konsep DasarKonsep dasar pendugaan interval mean populasi
Dalam prakteknya hanya satu sampel dari populasi Untuk menduga parameter populasi harus diketahui sesuatu hal mengenai hubungannya dengan mean-mean
lsampel
Pengertian dan Konsep DasarPengertian dan Konsep DasarKonsep dasar pendugaan interval mean populasi 1. Bentuk Distribusi Sampling
Pengertian dan Konsep DasarPengertian dan Konsep Dasar2. Pertimbangan Lebar Interval
x x xx z x zσ μ σ− < < +
1/27/2011
54
Pengertian dan Konsep DasarPengertian dan Konsep Dasar3. Tingkat Kepercayaan (Level of Confidence)
Estimasi MeanEstimasi MeanInformasi Awal
1. Ukuran sampel (apakah besar n > 30 atau kecil n < 30)
2. Informasi tentang distribusi populasinya (apakah distribusi normal atau tidak)
3. Deviasi standard populasinya (diketahui atau tidak)
4. Pemilihan jenis distribusi yang menjadi dasar pendugaan
Estimasi MeanEstimasi MeanEstimasi Mean
1. DEVIASI STANDARD DIKETAHUI DAN JUMLAH DATA/UKURAN SAMPEL LEBIH DARI 30 (n > 30)
2 DEVIASI STANDARD TIDAK DIKETAHUI DAN JUMLAH DATA 2. DEVIASI STANDARD TIDAK DIKETAHUI DAN JUMLAH DATA /UKURAN SAMPEL LEBIH DARI 30 (n > 30)
3. UKURAN SAMPEL KURANG DARI 30 (n < 30)
Pengertian dan Konsep DasarPengertian dan Konsep DasarDiagram Alir Estimasi Mean
1/27/2011
55
Estimasi ProporsiEstimasi ProporsiDiagram Alira Estimasi Proporsi
Estimasi VariansEstimasi VariansDistribusi Chi-Kuadrat
Interval Estimasi
Penentuan Ukuran SampelPenentuan Ukuran SampelUKURAN SAMPEL UNTUK MENDUGA MEAN POPULASI
Penentuan Ukuran SampelPenentuan Ukuran SampelUKURAN SAMPEL UNTUK MENDUGA PROPORSI POPULASI
1/27/2011
56
Menjelaskan langkah-langkah yang diperlukan prosedur umum uji hipotesisMenghitung uji hipotesis mean sampel tunggal dan gandaMenghitung uji hipotesis proporsi sampel tunggal dan ganda Menghitung uji hipotesis varians sampel tunggal dan gandaMenghitung Uji ANOVA dan Uji Chi-Kuadrat
Tujuan PembelajaranTujuan Pembelajaran
Pokok BahasanPokok Bahasan
Prosedur Umum Uji HipotesisUji Hipotesis Means Sampel TunggalUji Hipotesis Persentase Sampel TunggalUji Hipotesis Varians Sampel TunggalNilai P pada uji hipotesisUji Hipotesis Means Sampel GandaUji Hipotesis Persentase Sampel GandaUji Hipotesis GandaUji ANOVAUji Chi-kuadrat
Pengertian dan Konsep DasarPengertian dan Konsep DasarProsedur Umum Uji Hipotesis
1/27/2011
57
Pengertian dan Konsep DasarPengertian dan Konsep DasarProsedur Umum Uji Hipotesis
1. Hipotesis nol (H0) adalah asumsi yang akan diuji. Hipotesis nol dinyatakan dalam hubungan =
2. Hipotesis alternatif (H1) adalah hipotesis yang menolak hipotesis nol. Hipotesis alternatif di k d l h b dinyatakan dalam hubungan : > ; < ;≠
3. Tingkat kepentingan/level of significance (α) menyatakan suatu tingkat resiko kesalahan dengan jika hipotesis nol. (Yang biasa digunakan α = 0,05 atau 0,01)
Uji Sampel TunggalUji Sampel TunggalUji Hipotesis Mean/Proporsi
Uji Dua Ujung
Uji Satu Ujung
Uji Sampel TunggalUji Sampel Tunggal
Uji Hipotesis Mean
1. Jika deviasi standard populasi diketahui gunakan error standard
2. Jika deviasi standard populasi tidak diketahui gunakan error standard estimasi ˆ s nσ =gunakan error standard estimasi
3. Rasio Uji :x s nσ =
μσ−
= = 0Hz test
x
xRU z
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1/27/2011
58
Uji Sampel TunggalUji Sampel Tunggal
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Uji Sampel TunggalUji Sampel Tunggal
Uji Hipotesis Proporsi
1. Rasio Uji :π
σ
−= = 0H
z testP
pRU z
2. Error Standard
0 0(100 )H H
P nπ π
σ−
=
1/27/2011
59
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Uji Sampel TunggalUji Sampel Tunggal
Uji Hipotesis Varians
1. Menggunakan distribusi Chi-Kuadrat2. Rasio Uji:
χ χσ−
= =2
22
2( 1)
testn sRU
χ −= =2
22
2( 1)
testn sRUχ χ
σ2 2test
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1/27/2011
60
Uji Sampel TunggalUji Sampel TunggalNilai P pada Uji Hipotesis
Uji Sampel GandaUji Sampel Ganda
Menggunakan data dari dua sampel yang diperoleh dari dua populasi Menentukan apakah ada perbedaan yang secara statistik cukup berarti (significant) antara parameter-parameter dari kedua populasi tersebutparameter-parameter dari kedua populasi tersebut.
Asumsi :Data di kedua populasi terdistribusi normalIndependent sample
Uji Sampel GandaUji Sampel GandaUji Hipotesis Varians – Distribusi F
Uji Satu Ujung
Uji Dua Ujung
1/27/2011
61
Uji Sampel GandaUji Sampel GandaUji Hipotesis Mean – Klasifikasi
Uji t-pasangan untuk populasi yang saling tergantung (dependent populations)Uji z untuk populasi yang independen dan jika varians-varians populasi diketahui atau jika kedua sampel ukurannya lebih dari 30Uji t sampel ukuran kecil untuk populasi yang independen jika uji F nya menunjukkan σ1
2 ≠ σ22
Uji t sampel ukuran kecil untuk populasi yang independen jika uji F nya menunjukkan σ1
2 = σ22
Uji Sampel GandaUji Sampel GandaUji Hipotesis Mean –Prosedur
Uji Inferensial LainnyaUji Inferensial LainnyaUji ANOVA
mengetahui apakah dari dua atau lebih mean populasi bernilai samalebih efektif digunakan untuk menguji tiga atau lebih populasi
Asumsi:Populasi terdistribusi normalSampling acak dan independenVarians populasi-populasnya sama
Uji Inferensial LainnyaUji Inferensial LainnyaUji ANOVA
1/27/2011
62
Uji Inferensial LainnyaUji Inferensial LainnyaTabel ANOVA satu Faktor
Uji Inferensial LainnyaUji Inferensial LainnyaUji Chi-Kuadrat
Uji Inferensial LainnyaUji Inferensial LainnyaUji Keselarasan
Mengetahui apakah distribusi hasil pengamatan pada sampel sesuai dengan distribusi hipotesis pada populasi
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Uji Inferensial LainnyaUji Inferensial LainnyaUji Tabel Kontingensi
mengetahui apakah data terklasifikasikan silang (cross-classified) secara independen
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
1/27/2011
63
Tujuan PembelajaranTujuan Pembelajaran
Tujuan AnalisisTujuan AnalisisAnalisis regresi: • mempelajari hubungan statistik yang terjadi antara
dua atau lebih varibel• Hubungan dinyatakan dalam sebuah persamaan
regresi• Variabel terikat : yang akan diestimasi nilainya (diplot• Variabel terikat : yang akan diestimasi nilainya (diplot
dalam sumbu – y)• Variabel bebas : yang diasumsikan memberikan
pengaruh terhadap variasi variabel terikat (diplot dalam sumbu – x)
Analisa korelasi:• mengukur "seberapa kuat" atau "derajat kedekatan"
suatu relasi yang terjadi antar variabel.
Sifat RelasiSifat RelasiRelasi yang logis: • Penilaian terhadap angka-angka statistik memerlukan
pertimbangan sifat dasar hubungan
Jenis relasi:h b ngan sebab akibat• hubungan sebab akibat
kenaikan temperatur dengan kecepatan reaksi proses kimia• hubungan akibat penyebab yang sama
peningkatan penjualan rumah dan peningkatan penjualan kendaraan bermotor
• hubungan semukenaikan penjualan furniture di Jakarta dengan data perubahan temperatur
1/27/2011
64
Diagram PencarDiagram PencarAda atau tidaknya relasi yang berguna antar variabelJenis persamaan yang akan digunakan
Teknik Mesin Teknik Mesin –– FTUI FTUI ©© Dr. Ir. Harinaldi, M.EngDr. Ir. Harinaldi, M.Eng
Regresi LinierRegresi Linier
Regresi LinierRegresi Linier
Metode Least Square
Regresi LinierRegresi Linier
1/27/2011
65
Regresi LinierRegresi Linier Regresi LinierRegresi Linier
Standard Error EstimasiStandard Error EstimasiDeviasi standard yang memberikan ukuran penyebaran nilai-nilai yang teramati di sekitar garis regresi
Uji Relasi (Uji Kemiringan/Slope)Uji Relasi (Uji Kemiringan/Slope)
Terlihat jelas bahwa interpretasi dari persamaan garis regresi yang diperoleh dari data sampel dapat memberikan pemahaman yang menyesatkan (misleading) jika akan diterapkan pada populasinya.
UJI- t−
= = oHt test
b
b BRU t
s ( ) ( )=
− ∑∑
,2
2
y xb
ss
xx
n
1/27/2011
66
Uji Relasi (Uji Kemiringan/Slope)Uji Relasi (Uji Kemiringan/Slope)
UJI- t
−= = oH
t testb
b BRU t
s( ) ( )
=
− ∑∑
,2
2
y xb
ss
xx
n
Ho : B = 0H1 : B ≠ 0
UJI ANOVA
σσ
= =2
2ˆˆantara
F testdalam
RU FH0 : Tidak terdapat relasi antara X dan YH1 : Terdapat relasi antara X dan Y
Interval Prediksi Interval Prediksi
Nilai estimasi dari sebuah variabel terikat yang diperoleh dari persamaan regresi dapat diperluas menjadi estimasi interval
Interval Prediksi Interval Prediksi
n > 30
( )± ,ˆ y xy z s
n < 30
( )
( ) ( )α
⎡ ⎤⎢ ⎥−⎢ ⎥± +⎢ ⎥⎢ ⎥−⎢ ⎥⎣ ⎦
∑∑
2
/ 2 , 22
1ˆ gy x
x xy t s
n xx
n
( )
( ) ( )α
⎡ ⎤⎢ ⎥−⎢ ⎥± + +⎢ ⎥⎢ ⎥−⎢ ⎥⎣ ⎦
∑∑
2
/ 2 , 22
1ˆ 1 gy x
x xy t s
n xx
n
Nilai rata-rata y Nilai spesifik y
Korelasi Linier SederhanaKorelasi Linier Sederhana
Koefisien Determinasi
Koefisien Korelasi
1/27/2011
67
Korelasi Linier SederhanaKorelasi Linier Sederhana
Kesalahan dalam analisis korelasi yang harus dihindari:
1. Korelasi tidak bisa digunakan untuk membuktikan adanya hubungan sebab-akibat. Koefisien determinasi hanya menunjukkan adanya dan kekuatan hubungan antara variabel bebas dan terikat tanpa menilai sifatantara variabel bebas dan terikat tanpa menilai sifat relasi tersebut.
2.Koefisien korelasi bukan suatu nilai prosentase. Koefisien korelasi 0,7 tidak berarti 70 persen variasi dari nilai variabel terikat
Statistical Quality ControlArti Penting SQCProduksi barang atau jasa :
outputnya serupa (similar) tetapi tidak sama(identical)Adanya variasi normal dan wajarV i i b h d t d k hVariasi berpengaruh pada mutu produk harusdikendalikan.
Metode Statistik banyak digunakan dalampengendalian mutu
1/27/2011
68
Statistical Quality Control
Variasi yang terkendali terjadi secara alamiahinheren dan terkirakan sebab-sebab acak/kebetulandapat diterima dan diizinkan
Variasi Dalam Produk
dapat diterima dan diizinkan
Variasi tak terkendaliperubahan yang tidak diharapkantidak diperkirakan sebelumnyabukan karena sebab acak/kebetulanTidak dapat diterima dan diizinkan
Statistical Quality ControlPeta Kendali (Control Chart)Diagram yang menjelaskan proses yang terjadi di dalam hasilobservasi data-data suatu produk
Unsur Peta KendaliGaris Pusat (CL)Batas Atas (UCL)Batas Atas (UCL)Batas Bawah (LCL)Grafik Plot DataObservasi
Jenis Peta KendaliJenis yang biasa digunakan :
Peta Nilai Individu Peta Nilai Kontinu X – R chartPeta Nilai Diskrit p – c chart
Statistical Quality ControlLangkah Penggunaan Peta Kendali (Control Chart)
Statistical Quality ControlPeta Kendali Nilai Individual ( I Chart)
Memonitor setiap nilai yang diamati dalam sebuah prosesUnsur peta kendali
1/27/2011
69
Statistical Quality ControlPeta X dan R Untuk Nilai Kontinu
Mengendalikan proses yang menggunakan nilai kontinu,seperti panjang, berat, diameter, dll.X adalah besaran yang dapat diukurPeta X digunakan untuk menganalisa nilai rata-rata subkelompok dataR adalah Range, yaitu untuk melihat perbedaan ukuran tadiPeta R digunakan untuk menganalisa Range atau Kisaran darisub kelornpok data.
Kedua peta tersebut saling melengkapi karena sample harusmenunjukkan rata-rata yang dapat diterima dan variasipengukuran yang dapat dipertanggungjawabkan agar prosesdinyatakan dalam keadaan "under control"
Statistical Quality ControlTujuan Penggunaan Peta X dan R
Melihat sejauh mana suatu proses produksi sudah sesuaidengan standar desain proses ataukah belum,Mengetahui sejauh mana masih perlu diadakan penyesuaian-penyesuaian (adjustments) pada mesin-mesin/alat/metodekerja yang dipakai dalam suatu, proses produksi.Mengetahui penyimpangan kualitas atas hasil (produk) darisuatu proses produksi, yang kemudian disusul dengandilaksanakannya tindakan-tindakan tertentu dengan tujuanagar tidak terjadi penyimpangan-penyimpangan atas kualitaspada proses berikutnya.
Statistical Quality ControlTeknik Pembuatan Peta X dan R
Tentukan "apa" yang hendak "diukur‘ yang menggambarkankualitas produk/jasa atau penunjang produk/jasa tersebut.Tentukan satuan ukurannya dan dengan alat apa akandiukurnya.Tentukan ukuran sampel/sample size (n). Bisa 2 < n < 12,(biasan a 4 sampai 5 sample)(biasanya 4 sampai 5 sample)
Peta X dan R standar diperlukan 5 s/d 20 kali pengambilan(biasanya 10 kali) @ 4 sampai 5 sampleUntuk pengendalian dari waktu ke waktu, pengambilansample dilakukan secara kontinu, misaInya : 5 kalipengambilan per hari, tergantung dari kebutuhan,kegunaan serta kemampuan operator yangbertanggungjawab atas kualitas tersebut.
Pengambilan sampel dan perhitungan
Statistical Quality ControlTabel Pengambilan Data Peta X – R
Formulir …………………Ukuran Sampel
Tanggal X1 X2 X3 X4 X5 X R Cat
1/27/2011
70
Statistical Quality ControlPerhitungan Pada Tabel Data Peta X – R
Menghitung X rata-rata ( )X X1+X2+...+XnX=n
Menghitung R Selisih angka paling besar dan angka paling kecil dalam setiap kelompok sampel
Perhitungan Untuk Pembuatan Peta X – R
Menghitung garis tengah(Central Line)
X RX= R=
k kk = jumlah berapa kali pengambilan sampel
∑ ∑
Menghitung Garis Batasuntuk XMenghitung Garis Batasuntuk R
( )( )
UCL = X + A2 RLCL = X - A2 R
( )( )
UCL = D4 RLCL = D3 R
Statistical Quality ControlFaktor A2, D3 dan D4 untuk Peta X – R
n A2 D3 D42 1.88 0 3.273 1.02 0 2.574 0.73 0 2.285 0.58 0 2.116 0.48 0 27 0.42 0.08 1.928 0 37 0 14 1 86
Catatan :Apabila terdapat angka perhitungan LCL yang negatip maka digambarkan pada garis 0Angka X dan R untuk setiap
bil l k di 8 0.37 0.14 1.869 0.34 0.18 1.8210 0.31 0.22 1.7611 0.29 0.26 1.7412 0.27 0.28 1.7213 0.25 0.31 1.6914 0.24 0.33 1.6715 0.22 0.35 1.6516 0.21 0.36 1.6417 0.2 0.38 1.6218 0.19 0.39 1.6119 0.19 0.4 1.620 0.18 0.41 1.59
pengambilan sample kemudian diplotkan di dalam, grafik tersebut untuk mengetahui apakah standar ini sudah benar ataukah belum
Statistical Quality ControlContoh Kasus-1: Sebuah perusahaan melakukan pengecekan dan pengukuran berat suatu produk. Jumlah data yang diperiksa (sampel) adalah 125 unit. Sampel itu dibagi menjadi 25 sub kelompok yang masing-masing terdiri dari 5 unit. Setelah dilakukan pengukuran, datanya sbb:
Sub Kelompok X1 X2 X3 X4 X5 ΣX X R1 39 32 38 35 37 181 36.2 72 32 37 31 25 34 159 31.8 123 31 32 35 29 37 164 32.8 84 35 37 42 47 38 199 39,8 125 28 31 37 36 25 157 31.4 126 40 35 33 38 33 179 35.8 77 35 30 37 33 26 161 32.2 It8 35 39 32 37 38 181 36.2 79 27 37 36 33 35 168 33.6 1010 32 33 31 37 32 165 33 611 35 39 35 31 33 173 34.6 812 31 25 24 32 22 134 26.8 1013 22 37 31 37 28 155 31 1514 37 32 33 38 30 170 34,0 815 31 37 33 38 31 170 34 716 27 31 23 27 32 140 28 917 38 35 37 26 37 173 34.6 1218 35 31 29 39 35 169 33.8 1019 31 29 35 29 35 159 31.8 620 29 27 32 38 31 157 31.4 1121 40 39 41 33 29 181 36.2 1222 20 31 27 29 28 135 27 1123 30 37 29 32 31 159 31.8 824 28 35 22 32 37 154 30.8 1525 39 34 31 29 29 162 32.4 10
Total 4105 821 244
821X= = 32.8425244R= 9.7625
=
Statistical Quality ControlPeta Kendali X
( )( )
UCL = X + A2 R = 32.84 + (0.557)(9.76) = 38.471LCL = X - A2 R = 32.84 - (0.557)(9.76) = 27.208
1/27/2011
71
Statistical Quality ControlPeta Kendali R
( )( )
UCL = D4 R = (2.115)(9.76) = 20.6424LCL = D3 R = (0)(9.76) = 0 (tidak ada LCL)
Statistical Quality ControlPeta Kendali Untuk Atribut/Nilai Diskrit
Pengertian Atribut adalah persyaratan kualitas yang diberikankepada suatu barang, yang hanya menunjukkan apakahbarang/produk tersebut di terima atau di tolakPeta ini biasanya digunakan untuk menganalisa suatupengukuran yang bersifat diskrit, contohnya : kelingan yang rusakpada sayap pesawat, gelembung-gelembung udara padabotol/gelas, goresan pada lempengan plat dan sebagainyaTujuan Peta Kontrol p dan c Peta Kontrol p:Persentase atau proporsi dari produk yang defective per sample untuk menilai masing-masing produk dapat diterima (acceptable)atau ditolak (defective)Peta Kontrol c:Jumlah defect dalam unit produk yang tetap
Statistical Quality Control
Peta kontrol ini juga disebut sebagai peta kontrol defective.p adalah ratio antara jumlah produk defective yang didapatkandalam inspeksi terhadap jumlah seluruh produk yang di inspeksi.p dapat dinyatakan, dalam fraksi disebut "fraction defective“ ataupersentase disebut "percentage defective“Peta p dapat di s s n dengan j mlah sample tetap ata ber ariasi
Teknik Pembuatan Peta p
Peta p dapat di susun dengan jumlah sample tetap atau bervariasi
jumlah produk defectivep =jumlah produk diobservasi
( )
( )
p 1 - pSp = (p dalam fraksi)
np 100 - p
Sp = (p dalam persen)n
n = ukuran sampel
UCL = p + 3 SpLCL = p - 3 Sp
Perhitungan Untuk Pembuatan Peta p
Garis Tengah (Central Line)
Garis Batas untuk p
Statistical Quality ControlContoh Kasus-2:Dalam memproduksi "Wiring Board" yang digunakan dalamassembling produk-produk tertentu diambil sampel 50 buahper hari. Wiring Board ini ditest dan jika lampu menyalabahan diterima. Hasil tabulasi dari data yang dicatat selamaphase permulaan produksi sebagai berikut:
T anggal Tolak Prosentase8-Sep-00 4 89-Sep-00 3 610-Sep-00 2 411-Sep-00 6 1212-Sep-00 3 615-Sep-00 1 216-Sep-00 3 617-Sep-00 2 418 Sep 00 9 18Jumlah produk yang ditolak seluruhnya = 62 buah (Jumah 18-Sep-00 9 1819-Sep-00 5 1022-Sep-00 3 623-Sep-00 2 424-Sep-00 5 1025-Sep-00 2 426-Sep-00 2 429-Sep-00 1 230-Sep-00 3 61-Oct-00 2 42-Oct-00 1 23-Oct-00 3 6Jumlah 62 124
62p = = 6.2 % atau20 50124%p = 6.2 %
20
×=
Jumlah produk yang ditolak seluruhnya = 62 buah (Jumah persentase defective 124%) maka
( )6.2 100 - 6.2Sp =
50
= 3.4
1/27/2011
72
Statistical Quality Control
UCL = 6.2 % + 3 (3,4 %) = 16.4 %LCL = 6.2 % - 3 (3,4 %) = - 4 % (negatif), diambil = 0
Peta Kendali p
Statistical Quality ControlPeta Kendali p Melihat bahwa pada tanggal 18 September 2000 ada titik diluarbatas pengendalian maka dilakukan penelitian. Ternyata adaburuh baru dan produknya belum sempat diperiksa sudah masukdalam sampel. Agar proses tersebut tetap dalarn pengendalianpeta kontrol perlu direvisi dengan jalan:
Nilai tanggal 18 September 2000 dikeluarkanNilai tanggal 18 September 2000 dikeluarkanDilakukan perhitungan ulang:
jumlah sample jadi 19 X 50jumlah defective (yang ditolak) = 62 - 9 = 5353p = = 5.5 % (revised)
19 50×( )5.5 100 - 5.5
Sp = 3.250
=
UCL = 5.5 % + 3 (3,2 %) = 15.1 %LCL = 5.5 % - 3 (3,2 %) = - 4.1 % (negatif), diambil = 0
Statistical Quality Control
Banyak parameter yang dikendalikan tidak dapat dinyatakansebagai bagian seperti dalam Peta-p. Misalnya dalam pertenunan,jumlah defect per 10 m2 dari bahan yang diproduksi mungkinmerupakan parameter yang harus dikendalikan. Disini satu defectmungkin artinya kecil tetapi kalau defectnya besar per unitm ngkin dapat mer pakan ob ek penting sekali
Teknik Pembuatan Peta c
mungkin dapat merupakan obyek penting sekaliUntuk itu distribusi kemungkinan yang berlaku adalah distribusiPOISSON, dimana terjadi defect secara random
jumlah produk defectivec =jumlah produk diobservasi
UCL = c + 3 ScLCL = c - 3 Sc
Perhitungan Untuk Pembuatan Peta p
Garis Tengah (Central Line)
Garis Batas untuk c Sc = c
Statistical Quality ControlContoh Kasus-3:Peta Kendali c digunakan untuk menilai proses otomatis dalarnmemproduksi bahan yang dipakai pada musim dingin. Inspeksidilakukan secara terus menerus pada setiap panjang 10 yards.Kedua belah bagian diinspeksi lewat sinar berintensitas tinggi.Defect dapat terjadi karena tenunan tidak baik dan tidakt l i d b h t t t b ik D f t i i k ilterlapisnya dengan bahan tertentu secara baik. Defect ini kecildan dideteksi per ± 2 cm2 atau kurang. Data pada waktu yanglampau per 10 yard persegi ada 40 defect.
Dengan demikian sampai saat ini, peta kendali c tersusun sebagaiberikut:
UCL = c + 3 Sc = 40 + 3 40 59LCL = c - 3 Sc = 40 - 3 40 21
==
Dari produksi terbaru, tercatat data menurut sampel no. 81 s/d 100 sebagai berikut:
1/27/2011
73
Statistical Quality ControlNomor Sample
Junilah Defect per 10 Yards
81 3382 1683 1984 2685 3686 3287 3788 4189 3290 3091 3592 2893 2494 3195 3496 4097 3098 3199 22
100 28
Perhatian khusus diadakan karena proses yang baru.Sample-sample yang mempunyai defect dari 33, 16, 19 dan 26defect kemudian meningkat. Ternyata dari penelitianselanjutnya pengawas masih kurang ahli dalam menentukanmacam defect tersebut. Karenanya sample 82 dan 83 tidakdihitung
Statistical Quality Control
RevisiSelanjutnya menilai fakta bahwa banyak data dibawah harga c = 40, makadisarankan untuk merevisi batas-batas pengendalian. Sample 82 dan 83merupakan kesalahan yang dimasukkan dan karena belum berpengalamannyapengawas.Sample 84 pun masih diragukan.Untuk merevisi, sample mulal dipakai dari 85 s/d 100.
jumlah produk defective c85+c86+ +c100
UCL (revisi) = c(revisi) + 3 Sc(revisi) = 32.3 + 3 32.3 49LCL (revisi) = c(revisi) - 3 Sc(revisi) = 32.3 - 3 32.3 15
==
jumlah produk defective c85+c86+...+c100c(revisi) =jumlah produk diobservasi 16
36 32 ... 28 = 32.316
=
+ + +=
Statistical Quality ControlAnalisis Penyimpangan
Proses TerkendaliTerjadi variasi karena penyebab acak yang normal.Tidak diperlukan tindakan apa-apaProses Tak TerkendaliTerjadi variasi karena penyebab yang tidak normal. Di l k ti d k lidikDiperlukan tindakan penyelidikanBeberapa Indikasi Penyimpangan
Beberapa pola grafik memberikan gambaran tentang indikasi terjadinya penyimpangan tak terkendali dalam proses, antara lain
Terdapat titik di luar garis batas (atas UCL atau bawah LCL)Terdapat dua titik didekat garis batas kendaliTerdapat larinya (run) 5 titik di atas atau di bawah garis tengah
(CL)Kecenderungan (trend) 5 titik terus naik atau turunPerubahan tak menentu
Statistical Quality ControlProcess Capability
Menunjukkan kinerja proses yang beroperasi secara terkendaliDinyatakan dalam Process Capability Ratio/PCR (Cp)
LCLUCL
Cp > 1 proses terkendali (makin besar Cp kinerja proses makin baik)Cp ≤ 1 proses tidak terkendali
σ6LCLUCLCp −
=
1/27/2011
74
Statistical Quality ControlProcess Capability
Jika proses off-center, kinerja proses dinyatakan dalam actual process capability ratio
⎥⎦⎤
⎢⎣⎡ −−
=μμ LCLUCLCpk ,min
Cpk > 1 proses terkendali (makin besar Cpk kinerja proses makin baik)Cpk ≤ 1 proses tidak terkendali
⎥⎦⎢⎣ σσ 33pk ,