modul 3.pdf
TRANSCRIPT
-
40
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
BAB I PENDAHULUAN
1.1 Latar Belakang
Ilmu pengetahuan akan terus berkembang selama kita mau mempelajari dan mencari tahu
tentang ilmu tersebut. Keberadaan ilmu pengetahuan yang kita miliki hendaknya diaplikasikan
untuk menyelesaikan permasalahan yang ada, sehingga diperlukan praktek nyata . Salah satunya
adalah ilmu mengenai statistik, jika dilihat secara umum, ilmu statistik adalah ilmu perhitungan
yang mungkin menurut beberapa mahasiswa tidak ada aplikasi nyatanya pada kehidupan
sehari-hari. Oleh karena itu dilaksanakanlah praktikum mengenai statistik ini, agar ilmu-ilmu
yang sudah dimiliki sebelumnya dapat diterapkan dengan tepat dan memiliki fungsi. Salah
satunya adalah ilmu mengenai distribusi probabilitas, dimana pada praktikum ini praktikan
melaksanakan aktivitas praktikum yang bersesuaian dengan masing-masing distribusi
probabilitas, sehingga dapat diketahui bagaimana penerapan dari distribusi tersebut.
1.2 Batasan Praktikum
Batasanbatasan yang digunakan selama praktikum ini adalah:
1. Data yang diambil berupa data primer.
2. Tipe data yang digunakan adalah numeric.
3. Untuk hasil probabilitas berupa bilangan desimal menggunakan lima angka dibelakang
koma.
4. Aplikasi distribusi diskrit terbatas tiga macam yaitu binomial, hipergeometrik, dan poisson.
5. Aplikasi distribusi kontinyu terbatas dua macam yaitu normal dan eksponensial.
1.3 Tujuan Praktikum
Tujuan dari pelaksanaan praktikum ini adalah:
1. Dapat memahami dan menguasai konsep distribusi probabilitas.
2. Dapat mengetahui macam-macam distribusi probabilitas.
3. Dapat membedakan konsep dari masing-masing distribusi probabilitas.
4. Dapat mengaplikasikan konsep dari masing-masing distribusi probabilitas dalam
menyelesaikan suatu permasalahan.
1.4 Manfaat Praktikum
Manfaat yang dapat diperoleh dari pelaksanaan praktikum ini adalah:
1. Praktikan mampu memahami dan menguasai konsep distribusi probabilitas.
2. Praktikan dapat mengetahui macam-macam distribusi probabilitas.
3. Praktikan mampu membedakan konsep dari masing-masing distribusi probabilitas.
4. Praktikan mampu mengaplikasikan konsep dari masing-masing distribusi probabilitas
dalam menyelesaikan masalah, baik secara manual maupun dengan bantuan software.
-
41
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
BAB II TINJAUAN PUSTAKA
2.1 Definisi Probabilitas
Distribusi probabilitas merupakan nilai-nilai probabilitas yang dinyatakan untuk mewakili
semua nilai yang dapat terjadi dari suatu variabel random X, baik dengan suatu daftar (tabel)
maupun dengan fungsi matematis.
2.2 Distribusi Probabilitas Diskrit
Distribusi probabilitas diskrit adalah suatu tabel atau rumus yang mencantumkan semua
kemungkinan nilai suatu pengubah acak diskrit (ruang contoh diskrit mengandung jumlah titik
yang terhingga) dan juga peluangnya.
Contoh dari distribusi probabilitas diskrit adalah Representasi distribusi probabilitas data
penjualan TV di toko elektronik. Distribusi probabilitas diskrit dibagi menjadi 6, yaitu distribusi
Binomial, Hipergeometrik, Geometrik, Binomial Negative, Multinomial, dan Poisson. Adapun
macam-macam distribusi diskrit adalah sebagai berikut :
2.2.1 Distribusi Binomial
Distribusi binomial adalah distribusi probabilitas diskrit jumlah keberhasilan dalam n
percobaan ya/tidak (sukses/gagal) yang saling bebas dan dilakukan dengan pengembalian,
dimana setiap hasil percobaan memiliki probabilitas p. Contoh, sebuah dadu dilempar sepuluh
kali dan dihitung berapa jumlah muncul angka empat.
2.2.2 Distribusi Hipergeometrik
Distribusi Hipergeometrik erat kaitannya dengan distribusi binomial. Keduanya
menyatakan probabilitas sejumlah tertentu percobaan masuk dalam kategori tertentu. Tetapi
jika dalam hipergeometrik, percobaan dilakukan tanpa pengembalian dan variabelnya tidak
saling bebas. Contoh, ada 30 bola. 15 bola biru dan 15 bola kuning. Berapa probabilitas
terambilnya bola kuning setiap sekali pengambilan 5 bola dan tanpa pengembalian.
2.2.3 Distribusi Geometrik
Distribusi Geometrik juga berkaitan dengan distribusi binomial. Distribusi geometrik
merupakan suatu distribusi probabilitas diskrit yang menyatakan banyaknya usaha agar terjadi
sukses pertama. Dirumuskan:
q = 1- p, dengan p adalah parameter dari distribusi geometrik
Contoh, probabilitas produk cacat adalah 0,1. Jika produk diambil satu persatu, berapa
probabilitas ditemukannya produk yang cacat pada pengambilan ketiga.
-
42
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
2.2.4 Distribusi Pascal (Binomial Negatif)
Distribusi Pascal sering disebut sebagai distribusi binomial negatif karena dasar distribusi.
Distribusi ini dipakai apabila ingin mengetahui pada trial keberapa untuk mendapatkan hasil
sukses yang ke sekian dalam suatu percobaan bernoulli. Bila ingin mendapatkan hasil yang ke
r pada kegiatan dengan x trial maka probabilitas x untuk mendapatkan r sukses dapat dihitung
dengan rumus pascal. Contoh, probabilitas produk cacat adalah 0,1. Jika produk diambil satu
persatu, berapa probabilitas ditemukannya produk cacat ke 10.
2.2.5 Distribusi Multinomial
Distribusi multinomial merupakan generalisasi dari distribusi binomial. Disribusi
multinomial menghasilkan kriteria banyaknya hasil yang mungkin adalah lebih dari 2. Jadi tidak
hanya sukses atau gagal. Contoh, Sebuah airport memiliki 3 buah landas pacu (runway), dan
probabilitas sebuah runway dipilih oleh pesawat yg akan mendarat adalah:
runway -1 : 2/9 ; runway -2 : 1/6 ; runway -3 : 11/18
Berapakah probabilitas 6 pesawat yg datang secara acak didistribusikan ke dalam runway-
runway tersebut seperti berikut:
runway -1 : 2 pesawat ; runway -2 : 1 pesawat ; runway -3 : 3 pesawat
2.2.6 Distribusi Poisson
Distribusi Poisson dipakai untuk menentukan peluang suatu kejadian yang jarang terjadi,
tetapi mengenai populasi yang luas atau area yang luas dan juga berhubungan dengan waktu.
Contoh, berapa probabilitas terjadinya hujan salju pada musim panas.
2.3 Distribusi Kontinyu
Variabel random kontinyu adalah salah satu variabel yang dapat memiliki nilai pecahan di
dalam range tertentu. Dengan demikian, untuk distribusi variabel ini tidak dapat disusun table
yang menyatakan nilai probabilitas. Nilai distribusi kontinyu dinyatakan dalam bentuk fungsi
matematis dan digambarkan dalam bentuk kurva. Pada distribusi probabilitas kontinyu peubah
acak kontinyu mempunyai peluang nol pada semua titik x. Karena itulah tidak dapat disajikan
dalam bentuk tabel, tetapi dengan sebuah rumus.
Contoh distribusi kontinyu adalah Bila 2 logam dilantunkan 16 kali. X menyatakan
banyaknya muncul muka perlantunan maka nilai x adalah 0,1atau 2. Misalkan pada percobaan
16 kali pelemparanuang logam diperoleh tidak ada muka, satu muka, dan dua muka masing-
masing 4, 7 dan 5 kali maka dapat dihitung rataan muncul muka per 2 uang logam tersebut.
Distribusi peluang X dinyatakan dengan fungsi f(x) yang disebut fungsi padat, contoh dari fungsi
padat adalah Misalkan peubah acak X mempunyai fungsi padat peluang.
(2-1)
Sumber: Suprayogi, 2006. http://solehpunya.files.wordpress.com/2008/03/00-kuliah-03-02-distribusi-probabilitas-kontinyu-teoritis.pdf
-
43
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
f(x) = 0 untuk x lainnya
Distribusi probabilitas kontinyu dibagi menjadi 10, yaitu: distribusi Normal atau Gauss,
Uniform, Gamma, Beta, Eksponensial, Weibull, Lognormal, Student (t), F, dan Chi-Square (X2).
2.3.1 Distribusi Normal atau Gauss
Merupakan distribusi kontinyu yang paling sering digunakan pada statistik. Jika suatu
peubah acak x memiliki harga batas (< x 0 dan > 0.
Contoh, Suatu panggilan telepon datang pada papan switching mengikuti proses Poisson,
dengan rata-rata 5 sambungan datang tiap menit. Tentukan peluang hingga 1 menit berlalu baru
2 sambungan yang datang.
2.3.4 Distribusi Beta
Fungsi Densitas dari variabel random x (0 < x < 1) yang berdistribusi Beta dinyatakan
sebagai berikut :
(2-3)
Sumber : Suprayogi, 2006. http://solehpunya.files.wordpress.com/2008/03/00-kuliah-03-02-distribusi-probabilitas-kontinyu-teoritis.pdf
-
44
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
Dimana :
f(x) = 0 ; untuk x yang lain.
2.3.5 Distribusi Eksponensial
Fungsi Densitas dari Distribusi Eksponensial dinyatakan sebagai berikut :
0 (2-4)
Sumber : Suprayogi, 2006. http://solehpunya.files.wordpress.com/2008/03/00-kuliah-03-02-distribusi-probabilitas-kontinyu-teoritis.pdf
Dimana :
f(x) = 0 ; untuk x yang lain.
adalah parameter yang berupa bilangan riil dengan > 0.
Gambar 2.1 Distribusi eksponensial
Sumber: Edi. 2008. Distribusi Diskrit dan Kontinyu.ppt
Contoh, lama waktu mulai dipakai sampai rusaknya suatu suku cadang dan alat listrik.
2.3.6 Distribusi Weibull
Distribusi Weibull secara luas digunakan untuk berbagai masalah keteknikan karena
kegunaannya yang bermacam-macam. Pada dasarnya distribusi weibull ini dimaksudkan untuk
menggambarkan keadaan optimal dari suatu mesin atau peralatan baik perbagiannya ataupun
komponen komponennya.
Fungsi Densitas dari Distribusi Weibull dinyatakan sebagai berikut :
(2-5)
Sumber : Suprayogi, 2006. http://solehpunya.files.wordpress.com/2008/03/00-kuliah-03-02-distribusi-probabilitas-kontinyu-teoritis.pdf
Dimana :
f(x) = 0 ; untuk x yang lain.
Contoh: waktu sampai gagal bekerjanya sebuah plat gesek (dalam jam) pada sebuah kopling
dapat dimodelkan dengan baik sebagai sebuah variabel acak Weibull dengan =0,5 dan =5000
jam. Berapakah waktu sampai gagal rata-rata plat gesek tersebut dan berapakah probabilitas
plat gesek tersebut mampu bekerja sekurang-kurangnya 6000 jam.
-
45
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
2.3.7 Distribusi Lognormal
Distribusi lognormal sama seperti distribusi normal memiliki dua distribusi parameter.
Probability density function dari distribusi normal dapat ditulis dengan :
e p
untuk t = 0 (2-6)
Sumber: Anonim.2011.faktailmiah.com/2011/08/10/distribusi-log-normal.html
Dengan demikian maka random variabel X memiliki distribusi lognormal dengan parameter
s dan jika ln X terdistribusi normal dengan parameter s dan . Namun perlu dicatat bahwa
sekalipun s dan adalah standar deviasi dan nilai rata-rata dari ln X, kedua parameter tersebut
bukanlah standar deviasi dan nilai rata-rata dari X.
Contoh: Waktu perbaikan suatu mesin diketahui memiliki distribusi lognormal ( = 2, 2 = 1).
Probabilitas bahwa waktu perbaikan mesin lebih dari 20 menit?
2.3.8 Distribusi Student (t)
Distribusi Student merupakan distribusi probabilitas yang muncul ketika memperkirakan
rata rata dari distribusi normal populasi dalam situasi di mana ukuran sample kecil dan populasi
standar deviasi tidak diketahui. Fungsi padat peluang distribusi t diberikan oleh :
(2-7)
Sumber: Anonim.2007. permutasi_kombinasi.pdf
Contoh: Uji breaking strenght dari 6 buah kawat yang dihasilkan oleh suatu perusahaan
menunjukkan rata-rata breaking strenght 7850 lb dengan standar deviasi 145 lb. Padahal
pemilik perusahaan tersebut mengatakan bahwa breaking strenght dari kawat yang dihasilkan
mempunyai rata-rata tidak kurang dari 8000 lb. Apakah klaim dari pemilik perusahaan tersebut
bisa dibenarkan? Ujilah dengan 0,0
2.3.9 Distribusi F
Distribusi F memilki fungsi identitas dengan persamaan:
Dengan variabel acak F memenuhi batas F > 0, K = bilangan yang ketetapan harganya
bergantung pada v1 dan v2 . sehingga luas di bawah kurva = 1, v1 = dk pembilang dan v2 = dk
penyebut. Grafik distribusinya tidak simetris. Contoh: Untuk menguji keseragaman
(homogenitas) panjang kawat yang dihasilkan oleh dua pabrik yang berbeda dilakukan uji ratio
variansi. Dari pabrik pertama diambil sampel sejumlah 16 produk, dan diperoleh standard
deviasi 9 cm. Dari pabrik kedua diambil sejumlah 25, diperoleh standard deviasi 12 cm. apakah
kawat yang dihasilkan kedua pabrik tersebut cukup seragam? Gunakan = 0,1
-
46
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
2.3.10 Distribusi Chi Square (X2)
Distribusi chi square adalah distribusi peubah acak malar yang mempunyai fungsi padat
peluang.
(2-8)
Sumber: Walpole, Ronald E (200 : 268)
dengan v = derajat kebebasan. Grafik distribusi chi kuadrat umumnya merupakan kurva positif,
yaitu miring ke kanan, yaitu berekor panjang ke kanan. Kemiringan ini semakin berkurang jika
derajat kebebasan makin besar.
Contoh: Dalam kondisi normal, standard deviasi dari paket-paket produk dengan berat 40
ons yang dihasilkan suatu mesin adalah 0,25 ons. Setelah mesin berjalan beberapa waktu,
diambil sampel produk sejumlah 20 paket, dari sampel tersebut diketahui standard deviasi
beratnya adalah 0,32 ons. Apakah mesin tersebut masih bisa dikatakan bekerja dalam keadaan
normal?
Gunakan =0,05.
-
47
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
BAB III METODOLOGI PRAKTIKUM
3.1 Diagram Alir Praktikum
Berikut ini merupakan diagram alir yang dijalani oleh praktikan, pada praktikum distribusi
probabilitas:
Mulai
Identifikasi Masalah
Pengambilan Data Distribusi Normal
Data Distribusi Normal
Pengambilan DataDistribusi Binomial
Data Distribusi Binomial
Pengolahan Data
Perhitungan Manual
Perhitungan SPSS
Hasil dan Analisis Data
Selesai
Tinjauan Pustaka
Kesimpulan dan Saran
Gambar 3.1 Flowchart praktikum distribusi probabilitas
3.2 Alat dan Bahan Praktikum
Berikut ini merupakan alat dan bahan yang digunakan :
3.2.1 Distribusi Binomial
Alat dan bahan yang perlu dipersiapkan untuk praktikum adalah:
1. 30 bola plastik yang terdiri dari 18 bola berwarna hijau dan 12 bola berwarna merah.
2. Lembar pengamatan
3.2.2 Distribusi Normal
-
48
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
Alat dan bahan yang perlu dipersiapkan untuk praktikum adalah:
1. Plastisin sejumlah 50 buah
2. Jangka sorong
3. Lembar pengamatan
3.3 Prosedur Praktikum
Berikut ini merupakan langkah atau prosedur praktikum, yakni:
3.3.1 Distribusi Binomial
Prosedur praktikum yang harus dilakukan yaitu:
1. Persiapkan alat dan bahan
2. Terdapat 30 bola plastik. Diantaranya 18 bola berwarna hijau dan 12 bola berwarna merah.
Ambil 5 buah bola dengan pengembalian sebanyak 10 kali replikasi.
3. Pernyataan benar diberikan apabila bola merah yang terambil.
4. Catat hasilnya ke dalam tabel pengamatan.
5. Analisis dan interpretasi data.
6. Kesimpulan dan saran.
7. Menyusun laporan.
8. Selesai.
3.3.2 Distribusi Normal
Prosedur praktikum yang harus dilakukan yaitu:
1. Persiapkan alat dan bahan.
2. Sediakan plastisin 50 buah.
3. Bentuklah tiap-tiap plastisin menjadi sebuah bentuk lingkaran.
4. Setelah terbentuk lingkaran, ukurlah masing-masing plastisin dengan jangka sorong.
5. Catat hasilnya ke dalam tabel pengamatan.
6. Analisis dan interpretasi data.
7. Kesimpulan dan saran.
8. Menyusun laporan.
Selesai.
-
49
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
BAB IV HASIL DAN PEMBAHASAN
4.1 Pengumpulan Data
Data yang dikumpulkan berupa data distribusi binomial dan distribusi normal.
4.1.1 Distribusi Binomial
Pada praktikum ini, data distribusi binomial didapatkan dengan mengambil 5 bola dengan
pengembalian dari 30 buah bola, dimana 12 bola berwarna merah dan 18 buah bola berwarna
hijau. Kejadian dianggap sukses bila yang terambil bola berwarna merah. Percobaan dilakukan
berulang sebanyak 10 replikasi. Tally menunjukkan kejadian sukses (jumlah bola merah yang
terambil). Berikut ini data tentang distribusi binomial yang didapatkan yaitu:
Tabel 4.1 Pengumpulan Data Distribusi Binomial
Replikasi Tally (x) Replikasi Tally (x)
1 || 6 ||
2 | 7 ||
3 | 8 |
4 || 9 ||
5 |||| 10 ||
x = jumlah bola merah yang terambil
4.1.2 Distribusi Normal
Pada praktikum ini data distribusi normal didapatkan dengan membentuk plastisin menjadi
bentuk bola sebanyak 50 buah, yang kemudian diukur diameter dari masing masing bola
plastisin dengan menggunakan jangka sorong. Dari hasil pengukuran diameter tersebut, akan
diolah dengan menggunakan teori distribusi Normal atau Gauss. Berikut ini adalah data tentang
distribusi normal atau gauss yang didapatkan yaitu :
Tabel 4.2 Pengumpulan Data Distribusi Normal
x Diameter
(mm) x
Diameter (mm)
x Diameter
(mm) x
Diameter (mm)
x Diameter
(mm) 1 25.6 11 23.3 21 23.1 31 24.2 41 23.9 2 22.3 12 23.3 22 24.3 32 23.2 42 25.2 3 23.5 13 24.7 23 23.5 33 21.9 43 22.4 4 22.7 14 24.1 24 22.2 34 24 44 24.4 5 25 15 23 25 22.2 35 23.1 45 21.3 6 24.7 16 22 26 25.4 36 25.9 46 23.9 7 24.4 17 25 27 24.5 37 24.9 47 25 8 24.9 18 23.7 28 22.5 38 25.5 48 22.9 9 24.6 19 25 29 22.4 39 23.6 49 23.3
10 25.4 20 23.4 30 23.6 40 23.2 50 22.7
4.2 Pengolahan Data
Pengolahan data distribusi binomial dihitung secara teoritis, empiris, Microsoft Excel dan
menggunakan SPSS 19.0, sedangkan pengolahan data distribusi normal dihitung secara manual
menggunakan rumus, Microsoft Excel, serta menggunakan SPSS 19.0.
-
50
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
4.2.1 Distribusi Binomial
Berikut merupakan pengolahan data distribusi binomial secara manual (teoritis dan
empiris), menggunakan Microsoft Excel, dan menggunakan SPSS 19.0.
4.2.1.1 Pengolahan SPSS
Pengolahan SPSS dilakukan dalam mencari probabilitas dari percobaan distribusi binomial
yang telah dilakukan.Langkah-langkah untuk pengujian hasil probabilitas percobaan binomial
adalah sebagai berikut.
1. Mengaktifkan SPSS dan pilih variable view, masukkan x dan hasil. Dengan x nilai decimal 0
dan hasil dengan nilai decimal 5, pilih scale pada measure.
Gambar 4.1 Langkah 1 SPSS
2. Pilih variable view, klik transform pilih compute variable. Isikan hasil pada target variable.
Pilih PDF&Noncentral PDF pada tabel Function Group dan pilih PDF.Binom pada Functions
and Special Variables. Setelah itu isikan PDF.BINOM(?,?,?) dengan PDF.BINOM(x,n,p). x
merupakan nilai terambilnya bola merah, n merupakan banyaknya replikasi, p merupakan
probabilitas terambilnya bola merah.
Gambar 4.2 Langkah 2 SPSS
3. Klik OK
Hasil akan muncul dan dirangkum pada Tabel 4.4
Tabel 4.3 Hasil Perhitungan SPSS Distribusi Binomial
Prob (X) Pengolahan SPSS Hasil Prob (X) Pengolahan SPSS Hasil 0 PDF.BINOM(0,5,0.4) 0.07776 3 PDF.BINOM(3,5,0.4) 0.2304 1 PDF.BINOM(1,5,0.4) 0.2592 4 PDF.BINOM(4,5,0.4) 0.0768 2 PDF.BINOM(2,5,0.4) 0.3456 5 PDF.BINOM(5,5,0.4) 0.01024
Dari tabel di atas dapat diketahui bahwa berdasarkan perhitungan dengan SPSS, peluang
tidak terambil bola merah adalah 0,07776, peluang terambilnya 1 bola merah adalah 0,2592,
peluang terambilnya 2 bola merah adalah 0,3456, peluang terambilnya 3 bola merah adalah
0,2304, peluang terambilnya 4 bola merah adalah 0,0768, peluang terambilnya 5 bola merah
adalah 0,01024.
-
51
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
4.2.1.2 Pengolahan Manual
Pengolahan data distribusi binomial dapat dilihat pada Tabel 4.4 Tabel 4.4 Distribusi Binomial
X Tally Frekuensi Frekuensi Kumulatif
Nilai Empiris
Nilai Teoritis
0 - 0 0 0 0.07776 1 III 3 3 0.3 0.2592 2 IIIII I 6 9 0.6 0.3456 3 - 0 9 0 0.2304 4 I 1 10 0,1 0.0768 5 - 0 10 0 0.01024
TOTAL 10 10 1 1
x = jumlah bola merah yang terambil
Untuk perhitungan secara teoritis menggunakan rumus
Dimana:
p(x;n;p)= peluang kejadian sukses sebanyak x
n = banyak replikasi
x = banyaknya kejadian sukses
p = peluang terjadinya kejadian sukses
q = peluang terjadinya kejadian gagal
Tabel 4.5 Perhitungan Empiris dan Teoritis
Perhitungan Empiris Perhitungan Teoritis
Perhitungan dengan Microsoft Excel
Tabel 4.6 Perhitungan Data Microsoft Excel Distribusi Normal Probabilitas (x) Perhitungan Data Ms Excel Hasil
0 BINOMDIST(0,5,0.4,FALSE) 0.07776 1 BINOMDIST(1,5,0.4,FALSE) 0.2592 2 BINOMDIST(2,5,0.4,FALSE) 0.3456 3 BINOMDIST(3,5,0.4,FALSE) 0.2304 4 BINOMDIST(4,5,0.4,FALSE) 0.0768 5 BINOMDIST(5,5,0.4,FALSE) 0.01024
-
52
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
Dari tabel di atas dapat diketahui bahwa berdasarkan perhitungan dengan Microsoft Excel,
nilai probabilitas data kejadian sukses sebanyak 0 adalah 0.07776, sebanyak 1 adalah 0.2592,
sebanyak 2 adalah 0.3456, sebanyak 3 adalah 0.2304, sebanyak 4 adalah 0.0768, dan sebanyak 5
adalah 0.0124.
4.2.1.3 Grafik Perbandingan Data Empiris dan Teoritis
Berikut merupakan perbandingan hasil perhitungan empiris dan perhitungan teoritis.
Tabel 4.7 Perbandingan Hasil Perhitungan Empiris dan Perhitungan Teoritis Distribusi Binomial Probabilitas(x) Hasil SPSS Hasil Teoritis Hasil Empiris Hasil Ms. Excel
0 0.07776 0.07776 0 0.07776
1 0.2592 0.2592 0,3 0.2592 2 0.3456 0.3456 0,6 0.3456 3 0.2304 0.2304 0 0.2304 4 0.0768 0.0768 0,1 0.0768 5 0.01024 0.01024 0 0.01024
Dari tabel di atas dapat digambarkan dalam grafik berikut.
Gambar 4.3 Grafik perbandingan hasil teoritis dan empiris
Dari tabel di atas terlihat bahwa perbandingan hasil teoritis dan empiris memiliki nilai yang
berbeda. Sehingga dapat disimpulkan bahwa perhitungan secara teoritis dan empiris
mempunyai tingkat keakuratan yang berbeda dalam menyelesaikan permasalahan distribusi
binomial. Hal tersebut terjadi karena saat praktikum pengambilan data sampel terlalu acak.
4.2.2 Distribusi Normal
Berikut merupakan pengolahan data distribusi normal.
4.2.2.1 Pengolahan SPSS
Pengolahan SPSS dilakukan dalam mencari probabilitas dari percobaan distribusi normal
yang telah dilakukan. Langkah-langkah untuk pengujian hasil probabilitas percobaan normal
adalah sebagai berikut.
1. Mengaktifkan SPSS dan pilih variable view, masukkan x dan hasil. Dengan x nilai decimal 0
dan hasil dengan nilai decimal 5, pilih scale pada measure.
2. Pilih variable view, klik transform pilih compute variable. Isikan hasil pada target variable.
Pilih PDF dan Noncentral PDF pada tabel Function Group dan pilih PDF.Normal pada
0
0.2
0.4
0.6
0.8
1 2 3 4 5 6
Hasil Teoritis
Hasil Empiris
-
53
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
Functions and Special Variables. Setelah itu isikan PDF.NORMAL(?,?,?) dengan PDF.NORMAL
(x,mean,standardeviation). Dimana x merupakan nilai kejadian sukses yang mungkin terjadi,
mean merupakan nilai rata-rata yang didapatkan dari hasil perhitungan manual, dan
standar deviasi juga didapatkan dari hasil perhitungan manual. Untuk mencari probabilitas
kumulatif, pilih CDF dan Noncentral CDF pada tabel Function Group dan pilih CDF.Normal.
Nilai yang dimasukkan sama dengan nilai pada PDF.
3. Klik OK
4. Hasil akan muncul dan dirangkum pada Tabel 4.8
Tabel 4.8 Pengolahan SPSS Normal
Probabilitas Pengolahan SPSS Hasil
x = + 1 PDF.NORMAL(24.776, 23.776, 1.13057) 0.23863
+ 1 CDF.NORMAL(24.776, 23.776, 1.13057) 0.81179
x > + 1 1- CDF.NORMAL(24.776, 23.776, 1.13057) 0.18821
- 2 + 1 CDF.NORMAL(24.776, 23.776, 1.13057)-
CDF.NORMAL(21.776, 23.776, 1.13057) 0.77334
Dari tabel di atas dapat diketahui bahwa berdasarkan perhitungan dengan SPSS didapatkan
hasil nilai probabilitas data berdistribusi normal untuk x = + adalah 0. 3863, untuk + 1
adalah 0,81179, untuk x > + 1 adalah 0.18821, dan untuk - + 1 adalah 0,77334
4.2.2.2 Pengolahan Manual
Pengolahan data distribusi normal secara manual akan diolah dengan menggunakan
Microsoft Excel dan secara teoritis. Pengolahan data dapat dilihat pada Tabel 4.9
Tabel 4.9 Pengolahan Data Distribusi Normal X Diameter X Diameter X Diameter X Diameter 1 25.6 15 23 29 22.4 43 22.4 2 22.3 16 22 30 23.6 44 24.4 3 23.5 17 25 31 24.2 45 21.3 4 22.7 18 23.7 32 23.2 46 23.9 5 25 19 25 33 21.9 47 25 6 24.7 20 23.4 34 24 48 22.9 7 24.4 21 23.1 35 23.1 49 23.3 8 24.9 22 24.3 36 25.9 50 22.7 9 24.6 23 23.5 37 24.9 Jumlah 1188.8
10 25.4 24 22.2 38 25.5 Rata-Rata 23.776 11 23.3 25 22.2 39 23.6 Standar Deviasi 1.13057 12 23.3 26 25.4 40 23.2 13 24.7 27 24.5 41 23.9 14 24.1 28 22.5 42 25.2
1. Jumlah 5.6 + .3 + + .7 88.8
2.
88.8
50 3.776
3.
=
5.6 3.776 + .3 3.776 ++ 3.776
50 . 3057
4. Perhitungan Data Teoritis (dengan rumus)
a. x = + 1 = 23.776 + 1 = 24.776
Z =
= .776 3.776
. 3057 0.88 50 6
-
54
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
. 3057 . 3, .776 3.776
. 3057
0. 86 ,7 8 8 0,3
0, 3 7
b. + 1
Z =
= .776 3.776
. 3057 0.88 50 6
Nilai Z0.8845= 0.8106
P .776 0.8 06
c. + 1
P .776 0.8106 = 0.1894
d. - + 1
- .776 3.776
Z1 = .776 3.776
. 3057 0.8845
Nilai Z0.8845 = 0.8106
Z2 = .776 3.776
. 3057 -1.769
Nilai Z1.769= 0.9608
P( .776 .776 0. 608+ 0.8 06 - 1 = 1.7714 -1 = 0.7714
5. Perhitungan dengan Microsoft Excel
Tabel 4.10 Perhitungan Data Microsoft Excel Distribusi Normal Probabilitas Perhitungan Data Ms Excel Hasil
x = + 1 NORMDIST(24.776,23.776,1.13057,FALSE) 0.23863 + 1 NORMDIST(24.776,23.776,1.13057,TRUE) 0.811789 x > + 1 1-NORMDIST(24.776,23.776,1.13057,TRUE) 0.188211
- + 1 NORMDIST(24.776,23.776,1.13057,TRUE)-NORMDIST(21.776,23.776,1.13057,TRUE)
0.773344
Dari tabel di atas dapat diketahui bahwa berdasarkan perhitungan dengan Microsoft Excel,
nilai probabilitas data berdistribusi normal untuk x = + adalah 0. 3863, untuk + 1
adalah 0,811789, untuk x > + 1 adalah 0,188211, dan untuk - + 1 adalah 0,773344.
4.2.2.3 Grafik Perbandingan Data Empiris dan Teoritis
Berikut merupakan perbandingan hasil perhitungan SPSS dan teoritis distribusi normal:
Tabel 4.11 Perbandingan Hasil SPSS dan Teoritis Distribusi Normal Probabilitas (x) Hasil SPSS Hasil Excel Hasil Teoritis x = + 1 0.23863 0.23863 0.1347 + 1 0.81179 0.811789 0.8106 x > + 1 0.18821 0.188211 0.1894 - 2 + 1 0.77334 0.773344 0.7714
-
55
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
Dari tabel di atas dapat digambarkan dalam grafik berikut:
Gambar 4.4 Grafik perbandingan nilai SPSS dan nilai teoritis
Dari tabel di atas terlihat jika hasil perhitungan dengan SPSS maupun secara teoritis
memiliki nilai yang sama. Hal ini berarti dari perhitungan dengan SPSS maupun secara teoritis
memiliki tingkat akurasi yang sama untuk menyelesaikan permasalahan distribusi normal.
Kalaupun terdapat perbedaan hanya beberapa angka di belakang koma dan tidak mengurangi
tingkat keakuratan perhitungan.
0
0.2
0.4
0.6
0.8
1
x=X+1 xX+1
x>X+1 X-2xX+1
Hasil SPSS
Hasil Teoritis
-
56
LABORATORIUM STATISTIK DAN REKAYASA KUALITAS
MODUL III DISTRIBUSI PROBABILITAS
BAB V PENUTUP
5.1 Kesimpulan
Berdasarkan pembahasan di atas, maka didapatkan kesimpulan sebagai berikut:
1. Distribusi probabilitas merupakan distribusi dari nilai-nilai probabilitas yang dinyatakan
untuk mewakili semua nilai yang dapat terjadi dari suatu variabel random X
2. Macam-macam distribusi probabilitas antara lain:
a. Distribusi probabilitas diskrit, yang dibagi menjadi 6, yaitu distribusi Binomial,
Hipergeometrik, Geometrik, Binomial Negative, Multinomial, dan Poisson
b. Distribusi probabilitas kontinyu, yang dibagi menjadi 10, yaitu: distribusi Normal atau
Gauss, Uniform, Gamma, Beta, Eksponensial, Weibull, Lognormal, Student (t), F, dan
Chi-Square (X2).
3. a. Aplikasi dari distribusi binomial dalam praktikum modul 3 ini adalah proses
pengambilan 5 bola dengan pengembalian dari 30 buah bola, dimana 12 bola berwarna
merah dan 18 buah bola berwarna hijau. Dianggap sukses bila yang terambil bola
berwarna merah.
b. Aplikasi dari ditribusi normal dalam praktikum modul 3 ini diterapkan pada
pengukuran diameter 50 buah plastisin yang dibentuk bola.
4. a. Berdasarkan pengolahan perhitungan probabilitas terhadap aplikasi dari distribusi
binomial, dapat disimpulkan bahwa perbandingan hasil teoritis dan empiris memiliki
nilai yang berbeda. Hal ini berarti perhitungan secara teoritis dan empiris mempunyai
tingkat keakuratan yang berbeda dalam menyelesaikan permasalahan distribusi
binomial. Hal tersebut terjadi karena saat praktikum pengambilan data sampel terlalu
acak.
b. Berdasarkan pengolahan perhitungan probabilitas terhadap aplikasi dari distribusi
normal, dapat disimpulkan bahwa hasil perhitungan dengan SPSS maupun secara
teoritis memiliki nilai yang sama. Hal ini berarti dari perhitungan dengan SPSS maupun
secara teoritis memiliki tingkat akurasi yang sama untuk menyelesaikan permasalahan
distribusi normal. Kalaupun terdapat perbedaan hanya beberapa angka di belakang
koma dan tidak mengurangi tingkat keakuratan perhitungan.
5.2 Saran
Adapun saran yang dapat kami berikan adalah sebagai berikut :
1. Praktikan diharapkan memahami tentang konsep masing-masing distribusi probabilitas
terlebih dahulu sebelum melaksanakan praktikum, sehingga praktikum berjalan lancar.
2. Sebaiknya dalam pengolahan data serta analisis data dibuat seefektif mungkin dengan
menggunakan program SPSS, maupun dengan perhitungan Ms. Excel.