Statistik & Probabilitas

Ranti Hidayawanti., ST., MM

1.1 Definisi dan Pengertian

 Statistik : suatu metode ilmiah dalam mengumpulkan, mengklasifikasikan,

meringkas, menyajikan, menginterpretasikan, dan menganalisis data guna
mendukung pengambilan kesimpulan yg valid & berguna sehingga dapat
menjadi dasar pengambilan yg masuk akal.
Contoh : statistik kecelakaan lalu lintas, statistik kendaraan impor, dll.
 Populasi : kumpulan dari keseluruhan pengukuran, objek atau individu yg
sedang dikaji.
Contoh : Dalam suatu penelitian mengenai profil fisik Mahasiswa STT PLN,
populasi yg dapat diteliti antara lain populasi tinggi & populasi berat
badan seluruh mahasiwa dari 4 jurusan.
 Sampel : sebagian, atau subset dari suatu populasi.
 Parameter dan Statistik
Parameter : bilangan/ angka yg menggambarkan karakteristik populasi.
Staitistik : bilangan/angka yg menggambarkan karakteristik suatu sampel
Contoh : dari pengukuran tinggi badan populasi mahasiswa STT PLN, diperoleh nilai
rata2 (average/arithmetic mean) tinggi badan adalah 160 cm, maka “160”
adalah sebuah parameter.
Sedangkan jika nilai rata2 yg diperoleh dari pengukuran 175 orang yg mewakili 4
jurusan (sampel) adalah 161cm, maka “161” adalah sebuah statistik.
 Variabel : suatu simbol, missal, X,H,r,a, dsb.
Variabel dibedakan atas 2 jenis yaitu Variabel Kontinu & Variabel Diskrit.
Suatu variabel yg secara teoritis bisa bernilai berapapun diantara dua nilai yg
diketahui disebut variabel kontinu, sedangkan yg tidak bisa disebut variabel diskrit.
Contoh : variabel r yang menyatakan radius sebuah ban mobil adalah variabel kontinu
karena bisa bernilai (dalam cm) 50; 50,2; 50,25;....dst., tergantung dari tingkat
keakuratannya.
Variabel N yg menyatakan jumlah anak dalam sebuah keluarga adalah sebuah
variabel diskrit karena hanya bisa bernilai 0,1,2,3,....dst, namun tidak bisa 2,5 atau 3,23 dst.
 Statistik Deskriptif/ Deduktif
Tahapan kstatistik yg meliputi kegiatan mengumpulkan,
mengklasifikasikanm meringkas, dan menyajikan data dari suatu
kelompok yg terbatas tanpa menganalisis & meenarik kesipulan yg bisa
berlaku bagi kelompok yg lebih luas merupakan ruang lingkup dari statistik
deskriptif/ deduktif.
 Statistik Inferensial/ Induktif
Proses pengambilan kesimpulan mengenai parameter populasi (biasanya
adl kuantitas yg tdk diketahui nilainya) berdasarkan informasi yg diperoleh
dari statistik sampel (kuantitas yg diketahui nilainya) merupakan ruang
lingkup dari statistik inferensial/ induktif.
Proses Inferensi secara Statistik
Diagram Alir fase-fase Statistik Deskriptif
dan Inferensial
Mulai

Kumpulan Data

Klasifikasikan, ringkas, dan proses

data
Statistik Deskriptif
Sajikan, sampaikan ringkasan
informasi

Informasi
Gunakan informasi dari sample untuk
dari

Statistik Inferensial
menyimpulkan populasi
sample

Gunakan data sensus untuk

Tarik kesimpulan tentang karakteristik
menganalisis karakteristik populasi
populasi (parameter) yang dikaji
yang dikaji

Selesai
1.2 Peranan Statistik dan
Penerapannya di Bidang Teknik
 1.2.1 Mengapa Statistik diperlukan ?
1. Menggambarkan hubungan2 antara variabel2
Contoh : seorang manajemen perusahaan yg bergerak dlm bidang industri berat ingin
membandingkan pengembalian investasi kliennya utk tahun ini dengan angka2 tahun lalu yg
berkaitan. Dengan prinsip2 statisik deskriptif dia dapat meringkas data pendapatan & biaya
dari kedua periode. Berdasarkan kajiannya itu dia menyajikan suatu rekomendasi kpd
kliennya.
2. Alat bantu pengambilan keputusan
Contoh : seorang Insinyur dibagian kendali mutu pabrik pembuat alat penyemprot cat
otomatis mengetahui bahwa terdapat variasi mutu dari produk yg dihasilkan. Variasi dlm
kecepatan penyemprotan & pola alat semprotan ini dpt ditolelir jika tdk melampaui suatu
batasan tertentu lebih dari 1%. Dng teknik sampling yg tepat, & dng pengujian penyemprotan
sejumlah kecil alat penyemprot cat yg diambil secara acak dari jalur produksi yg sedang
berjalan, insinyur tsb dpt mengambil kesimpulan yg dpt dipercaya mengenai kualitas alat
penyemprot cat yg dihasilkan oleh jalur produksi tsb.
1.2.2 Penerapan Statistik di Bidang
Teknik
 1. Pencegahan Kegagalan dalam suatu Desain Mesin/ Proses
 2. Analisis Eksperimen Teknik
 3. Pengendalian Mutu Manufaktur
Interpretasi Statistik Kegagalan Elemen
Mesin
Tafsiran Statistik pada akurasi
Pengukuran
Diagram Kendali Mutu
1.3 Metode Pemecahan Masalah
Secara Statistik
 A. Identifikasi Masalah
 B. Pengumpulan Fakta-fakta yang ada
 C. Pengumpulan Data Baru : Alat Bantu dan sampel
 D. Pengklasifikasian dan Peringkasan Data
 E. Penyajian dan Analisis Data
 F. Pengambilan Keputusan
1.4 Peranan Komputer dalam Statistik
Mulai

Identifikasi masalah atau kesempatan

Kumpulkan fakta-fakta internal dan

eksternal yang tersedia dan relevan
terhadap masalah

T Kumpulkan data baru dari populasi/ sample dengan

Fakta yang ada
menggunakan alat bantu
cukup ?
instrumen, wawancara, kuesioner, dll
Y
Klasifikasikan, ringkaskan, dan proses data
menggunakan tabel-tabel, diagram, dan ukuran-
ukuran numerik deskriptif

Sajikan dan komunikasikan data yang teringkas

dalam bentuk tabel-tabel, diagram/grafik, dan
ukuran-ukuran deskriptif

Y Gunakan informasi dari sample untuk :

Informasi dari
1. Mengestimasi nilai dari parameter
sample ?
2. Menguji asumsi mengenai parameter
T

Gunakan informasi sensus untuk mengevaluasi Interpretasikan hasil-hasilnya, tarik kesimpulan dan
langkah-langkah aksi alternatif dan buat keputusan. buat keputusan

Selesai
Beberapa Program Statistik
2. Statistik Deskriptif

 2.1 Pengumpulan Data

 Data yg dikumpulkan dlm suatu kajian statistik :
A. Data Kualitatif (bukan angka), terdiri dari Data Nominal & Data Ordinal.
Contoh : Dalam perilaku konsumen thdp suatu produk makanan, akan
diperoleh data perilaku ‘sangat suka’.’suka’,’kurang suka’,’tidak suka’ dll.
Dalam hal ini data tdk dpt disamakan bobotnya, krn ada tingkatan data.
Misalnya dng tingkatan menaik (ascending),’sangat suka’ dianggap lbh
tinggi dari pd ‘suka’, dst.
B. Data Kuantitatif (angka), dibedakan mjd Data Diskrit & Data Kontinu
Contoh : Nilai tukar dolar Amerika thdp rupiah pd suatu hari dipasar valuta
asing yd dpt berkisar antara 13.000-13.500, merupakan data kuantitatif tipe
kontinu yg dinyatakan dlm bentuk interval.
2.2 Pengorganisasian Data
Data

2.2.1 Raw Data

Data Mentah merupakan data
terkumpul yg blm diorganisasikan Data Kualitatif
Data Kuantitatif (numerik)
secara numerik. Dalam bentuknya yg (atribut/kategori) yang
blm terorganisasi, data tsb tdk yang berbentuk angka
memberi bnyk arti bagi yg membaca
tidak berbentuk angka
belum lagi utk dpt menyimpulkan
informasi apa yg bisa diperoleh.

Data Data Data Kontinu Data Diskrit

Nominal Nominal (pengukuran) (pencacahan)

Data Interval Data Rasio

2.2.2 Jajaran Data (Data Array)
□ Berikut ini adalah data mentah hasil pengujian breaking stress dari 100 spesimen
suatu logam X (kN/m2)
1171 1186 1264 1205 1316 1437 1185 1150 1338 1290
1042 1110 1192 1196 1406 1161 1492 1170 1258 1152
1218 1181 1273 1020 1042 1136 1233 1158 1233 1312
1141 1040 1217 1175 1273 1163 1235 931 1270 1246
1298 1185 1051 1218 1303 1055 1081 1162 1333 1285
1083 1197 1146 1231 923 1393 1302 1249 1368 1327
1225 1095 1051 1250 1021 1152 1482 1028 1341 1106
939 1124 1200 1058 1449 1094 1254 1160 1141 1062
1077 1065 1141 1416 1055 1399 924 1361 1216 1289

□ Setelah disusun menjadi jajaran data dengan urutan menaik (ascending ) dengan
menggunakan program spreadsheet Microsoft Excel :
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
2.3 Penyajian Data
2.4 Distribusi Frekuensi (susunan data
yg terbentuk)

Breaking Stress Jumlah Persentase

(kN/m2) (f) [fln X 100(%)]

900 - 999 4 4
1000 - 1099 19 19
1100 - 1199 29 29
1200 - 1299 28 28
1300 - 1399 13 13
1400 - 1499 7 7
Total (N) 100 100%
 Pengelompokkan Data Distribusi Frekuensi :
1. Interval Kelas (Class Interval) dan Batas kelas (Class Limit)
Contoh interval 900-999, 1000-1099, dst.
2. Batas Nyata Kelas (Class Boundary)
Contoh : pada contoh diukur sampai ketelitian kN/m2 terdekat, maka interval kelas
900-999 secara teoritis meliputi pula seluruh hasil pengukuran antara 899,5 sampai
999,5 kN/m2. Maka angka2 899,5 dan 999,5 disebut sebagai batas nyata kelas (class
boundary/ true class limit).
3. Lebar Interval Kelas (Width of Interval Class)
Lebar interval kelas adalah selisih antara batas bawah nyata dengan batas atas
nyata kelas, biasa dinotasikan dng c. Pada ilustrasi ......,lebar interval kelasnya adalah
c = 999,5 – 899,5 = 1099,5 – 999,5 = .............,dst = 100.
4. Nilai tengah kelas ( Class Midpoint/ Class Mark)
Contoh : (900+999)/2 = 949,5
2.5 Pertimbangan dlm Penyusunan
Distribusi Frekuensi
 Untuk meminimalkan grouping error data ke dalam distribusi frekuensi yg
dpt menimbulkan masalah pd analisis selanjutnya, kriteria2 yg perlu
dipertimbangkan :
1. Interval kelas harus dipilih dng memastikan dua ketentuan:
a. Seluruh data harus terikutsertakan
b. Setiap unit data hanya dimasukkan sekali sj & hanya di satu kelas
interval sj
2. Umumnya jumlah interval kelas yg digunakan adalah antara 5 – 20,
tergantung pd bbrp faktor spt jmlh yg diamati, tujuan penyusunan dist.
Frekuensi & kepentingan dr analisis
3. Sebisa mungkin lebar setiap interval kelas sama (biasanya memudahkan dng
kelipatan 5,10,100,1000,dst). Jika jumlah data tdk terlalu banyak, dpt menggunakan
rumus :
c = R/K
Dimana :
c = lebar interval kelas (hasilnya dibulatkan)
R = kisaran data (range) = selisih data terbesar dng terkecil
K = jumlah interval kelas
Jika jumlahnya terlalu banyak maka jumlah interval kelas (k) dpt menggunkan rumus
Sturge :
K = 1 + 3,3 log n
Dimana n = jumlah data
4. Sebisa mungkin interval kelas terbuka dihindari, diperlukan jika terlalu besar/kecil
dibandingkan dng nilai data lainnya.
5. Jika mungkin, interval kelas dipilih sedemikian rupa sehingga nilai tengah kelasnya
bersesuaian dng nilai dimana data aktual terkonsentrasi.
2.6 Presentasi Grafik
Distribusi Frekuensi
A. Histogram
Grafik batang (bar graph) yg
menggambarkan distribusi data dr
sebuah distribusi frekuensi.

Contoh :
Distribusi frekuensi dari tegangan rusak
pada tabel disamping memiliki
interval kelas yg sama lebarnya.
Maka histogramnya dapat
digambarkan >>>
B. Poligon Frekuensi
Suatu grafik garis dari frekuensi2
interval kelas yg di plot pada nilai
tengah-nilai tengahnya. Poligon bisa
didapat dng menghubungkan titik
tengah dari sisi atas batang2
histogram.
2.7 Distribusi Frekuensi
Kumulatif
Distribusi frekuensi dpt diubah mjd
distribusi frekuensi kumulatif &
dipresentasikan dlm grafik yg disebut
Ogive. Jika banyaknya data dlm
distribusi tsb dinyatakan dlm
prosentase thdp banyaknya seluruh
data disebut distribusi frekuensi
kumulatif relatif.

Distribusi frekuensi kumulatif dpt

dibedakan menjadi :
- Dist. frekuensi kumulatif kurang dari
- Dist. Frekuensi kumulatif lebih dari
2.8 Kurva Frekuensi

poligon frekuensi relatif yg terbentuk

akan memiliki segmen garis kecil2 yg
sangat banyak & membentuk suatu
kurva.