MODUL PRAKTIKUM STATISTIKA 2. Laboratorium Jurusan. Manajemen Dasar. Fakultas Ekonomi UNIVERSITAS GUNADARMA. Versi 3.1. Tahun Penyusunan 2012

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "MODUL PRAKTIKUM STATISTIKA 2. Laboratorium Jurusan. Manajemen Dasar. Fakultas Ekonomi UNIVERSITAS GUNADARMA. Versi 3.1. Tahun Penyusunan 2012"

Transkripsi

1 MODUL PRAKTIKUM STATISTIKA 2 Versi 3.1 Tahun Penyusunan 2012 Tim Penyusun 1. Ir. Rina Sugiarti, MM 2. Lies Handrijaningsih, SE.,MM 3. Budi Sulistyo SE.,MM 4. Oktavia Anna Rahayu 5. Intan Permatasari Laboratorium Jurusan Manajemen Dasar Fakultas Ekonomi UNIVERSITAS GUNADARMA

2 MODUL DISTRIBUSI NORMAL Objektif: 1. Membantu mahasiswa memahami materi 2. Pengambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat 1.1. PENDAHULUAN Bidang inferensia statistik membahas generalasi/penarikan kesimpulan dan prediksi/peramalan. Generalisasi dan prediksi tersebut melibatkan sampel/contoh, sangat jarang menyangkut populasi. Sampling disebut juga pendataan sebagian anggota populasi/penarikan contoh/ pengambilan sampel. Dalam modul ini akan dibahas tentang hipotesis dalam sebuah pengambilan suatu sampel, untuk dapat mengambil kesimpulan / keputusan suatu parameter populasi yang sedang diteliti, maka pada umumnya ada perumpamaan (asumsi) mengenai distribusi atau parameter populasi. Asumsi dalam populasi ini disebut hipotesis statistik. Benar tidaknya hipotesa ini harus di test. Untuk maksud ini harus diambil sampel populasi, berdasarkan sampel ini dilakukan test statistik yang disebut test hipotesa. Keputusan yang diambil adalah menerima/menolak hipotesa Hipotesa adalah sebuah asumsi/argumen/pemikiran dari sebuah data atau populasi yang akan diuji. Hipotesa nol adalah hipotesa yang dirumuskan dengan harapan akan ditolak, dinotasikan dengan H o. hipotesa lainya dari H a disebut hipotesa alternatif adalah hipotesa alternatif apabila H o ditolak. Pengaplikasian digunakan untuk berbagai penelitian seperti: 1. Observasi tinggi badan 2. Obsevasi isi sebuah botol 3. Nilai hasil ujian Ciri-ciri distribusi normal 1. n (jumlah sampel) n.p 5 apa yang dipersoalkan atau yang akan diuji, tidak selamanya menjadi H o. sangat sering kalimat pengujian menjadi H a. Apakah suatu kalimat pengujian akan menjadi H o atau H a, tergantung pada tanda yang tersirat didalamnya. Statistika 2 1 ATA 11/12

3 Contoh: a) Uji dua arah Ujilah apakah rata-rata populasi sama dengan 100, maka: H o : µ = 100 H a : µ 100 Disini kalimat pengujian menjadi H o. b) Uji satu arah Ujilah apakah beda dua rata-rata populasi lebih besar dari 1, maka: H o : µ1 - µ2 1 H a : µ1 - µ2 > 1 Disini kalimat pengujian menjadi H a c) Uji satu arah Ujilah apakah proporsi populasi sekurang-kurangnya 0,5, maka: H o : µ 0,5 H a : µ < 0,5 Disini kalimat pengujian menjadi H o 1.2. RUMUS DISTRIBUSI NORMAL 1. satu rata-rata Z = x - µ σ/ n dimana : x = rata-rata sampel µ = rata-rata populasi σ = simpangan baku n = jumlah sampel 2. Dua rata-rata Z = (x 1 -x 2 ) do ((s 2 1 /n 1 ) + (s 2 2 /n 2 )) do = µ 1 - µ 2 3. Satu proporsi Z = x (n.p) n.p.q Dimana : p = proporsi berhasil q = proporsi gagal q = 1 - p Statistika 2 2 ATA 11/12

4 4. Dua Proporsi Z = (p 1 p 2 ) do (p 1.q 1 /n 1 ) + (p 2.q 2 /n 2 ) P1 = x 1 /n 1 : p2 = x 2 /n LANGKAH-LANGKAH PENGUJIAN HIPOTESIS 1. Tentukan H o dan H a a. Satu rata-rata 1. H o : µ µ 0 H a : µ < µ 0 Z < -Z a 2. H o : µ µ 0 H a : µ > µ 0 Z > Z a 3. H o : µ = µ 0 H a : µ µ 0 Z < -Z a /2 dan Z > Z a /2 b. Dua rata-rata 1. H o : µ 1 - µ 2 do H a : µ 1 - µ 2 < do Z < -Z a 2. H o : µ 1 - µ 2 do H a : µ 1 - µ 2 > do Z > Z a 3. H o : µ 1 - µ 2 = do H a : µ 1 - µ 2 do Z < -Z a /2 dan Z > Z a /2 c. Satu proporsi 1. H o : p p 0 H a : p < p 0 Z < -Z 2. H o : p p 0 H a : p > p 0 Z > Z a 3. H o : p = p 0 H a : p p 0 Z < -Z a /2 dan Z > Z a /2 d. Dua proporsi 1. H o : p 1 - p 2 do H a : p 1 - p 2 < do Z < -Z a 2. H o : p 1 - p 2 do H a : p 1 - p 2 > do Z > Z a 3. H o : p 1 - p 2 = do H a : p 1 - p 2 do Z < -Z a /2 dan Z > Z a /2 2. Pilih arah uji hipotesis : 1 arah atau 2 arah 3. Menentukan Taraf Nyata (α) : a. Jika 1 arah α tidak dibagi 2 b. Jika 2 arah α dibagi 2 4. Menentukan nilai kritis Z tabel 5. Menentukan nilai hitung Z hitung 6. Keputusan dan gambar 7. Kesimpulan Statistika 2 3 ATA 11/12

5 KURVA NORMAL Kurva normal berbentuk seperti lonceng dan simetris terhadap rata rata ( μ ) a. Kurva distribusi normal dua arah H o : µ = µ 0 H a : µ µ 0 b. Kurva distribusi normal satu arah sisi kiri H o : µ µ 0 H a : µ < µ 0 c. Kurva distribusi normal satu arah sisi kanan H o : µ µ 0 H a : µ > µ 0 Statistika 2 4 ATA 11/12

6 Contoh Kasus 1 : Manajer le marie menyatakan bahwa laba penjualan yang diperoleh tiap bulannya mencapai Rp ,- dengan mengambil sampel sebanyak 27 bulan. Diketahui rata-rata laba penjualan yang diperoleh sebesar Rp ,- dengan simpangan baku sebesar Rp ,- Ujilah hipotesa tersebut dengan taraf nyata 10%? Dik : n = 27 µ = Rp ,- x = Rp ,- σ = Rp ,- α = 10% Dit : Z? Jawab : Langkah-langkah pengujian hipotesis : 1. H o : µ = Rp H a : µ Rp Uji hipotesis 2 arah, 1 rata-rata 3. Taraf nyata Α = 0,1 = 0,05 2 0,5 0,05 = 0,45 4. Wilayah Kritis Z(0,45) = ± 1,65 5. Nilai hitung Z = (x - µ) / (σ/ n) Z = (Rp Rp ) / (Rp / 27) Z = 0, Gambar dan keputusan Keputusan : Terima H o, Tolak H a Statistika 2 5 ATA 11/12

7 7. Kesimpulan : Pernyataan bahwa laba yang diperoleh tiap bulanya sebesar Rp adalah benar Menggunakan R Commander Langkah-langkah penyelesaian kasus 1. Tekan R commander pada desktop lalu akan muncul tampilan seperti dibawah ini : 2. Ketikan data data yang ada pada jendela skrip seperti dibawah ini Lalu setelah data di input, blok semua data atau tekan ctrl A lalu klik submit/kirim sehingga akan mincul tampilan seperti berikut Statistika 2 6 ATA 11/12

8 Contoh kasus 2 : Pemilik toko sepeda menyatakan bahwa sampel penjualan sepeda tiap bulannya mencapai 260 unit, dengan mengambil sampel sebanyak 33 bulan dengan simpangan baku 255 unit. Maka ujilah bahwa rata-rata penjualan yang diperoleh kurang dari 250 unit dengan taraf nyata 10% adalah benar? dik : n = 33 σ = 255 x = 260 µ = 250 α = 10% dit : z jwb : langkah-langkah pengujian hipotesis 1. ho : µ 250 ha : µ < uji hipotesis 1 arah 1 rata-rata 3. taraf nyata α = 0,1 / 2 = 0,05 0,5 0,05 = 0,45 4. wilayah kritis (z table) z (0,45) = - 1,65 (uji kiri) 5. nilai hitung Statistika 2 7 ATA 11/12

9 z = (x-µ) / (σ/ n) = ( ) / (255/ 33) = 0, = 0,23 6. keputusan : terima Ho tolak Ha 7. kesimpulan : pernyataan bahwa penjualan sepeda tiap bulannya mencapai kurang dari 250 unit adalah salah. Langkah pengerjaan mencari nilai hitung dengan R commander: 1. masuk ke program r commander 2. isi semua data yang diketahui di soal beserta rumusnya pada script window, ikuti langkah berikut x = 260 m = 250 n = 33 s =255 z0 =(x-m)/(s/(sqrt(n)) z0 3. lalu blok semua data atau dengan cara ctrl A, kemudian tekan submit/kirim pada output window akan keluar hasilnya (nilai hitung) Statistika 2 8 ATA 11/12

10 Contoh kasus 3 : Seorang petani ingin menguj 2 pupuk yang mana bisa menaikan tinggi tanamannya. Pengujian dilakukan untuk menentukan apakah ada perbedaan pada tinggi tanaman secara rata-rata akibat adanya perbedaan pemberian pupuk yang diberikan. Taraf nyata 10% Dari data sampel didapat: Pupuk A : n1 = 27 x1 = 7 s1 = 6 Pupuk B : n2 = 27 x2 = 5 s2 = 4 Diketahui : x1 = 7 x2 = 5 n1 = 27 n2 = 27 s1 = 6 s2 = 4 α = 0,10 Ditanya : apakah ada perbedaan pada tinggi tanaman secara rata-rata akibat adanya perbedaan pemberian pupuk yang diberikan? Jawab : 1. Ho : µ1 - µ2 = 0 Ha : µ1 - µ Uji Hipotesis Dua arah, dua rata-rata 3. Taraf nyata α = 0,01 / 2 = 0,05 0,5 0,05 = 0,45 4. Wilayah Kritis Z (0,45) = ± 1,65 5. Nilai Hitung Z = (x 1 -x 2 ) do ((s 2 1 /n 1 ) + (s 2 2 /n 2 )) = (7-5) - 0 (6 2 /27) + (4 2 /27) = 2 / 1,3977 = 1, Gambar dan keputusan Keputusan : Terima H o, Tolah H a Statistika 2 9 ATA 11/12

11 7. Kesimpulan : Tidak ada perbedaan tinggi tanaman secara rata-rata akibat adanya perbedaan pupuk yang diberikan. Menggunakan R Commander Langkah-langkah penyelesaian kasus 1. Tekan R commander pada desktop lalu akan muncul tampilan seperti dibawah ini : 2. Ketikan data data yang ada pada jendela skrip seperti dibawah ini Lalu setelah data di input, blok semua data atau tekan ctrl A lalu klik submit/kirim sehingga akan muncul tampilan seperti berikut Statistika 2 10 ATA 11/12

12 Hasil output menunjukan z0 atau z hitungnya sebesar 1,4411. Contoh kasus 4 : Dalam mata kuliah Statistik diperkirakan paling banyak 57% mahasiswa yang lulus dikarenakan mereka tidak bermasalah dalam hal absensi. Jika dari 70 mahasiswa ada 32 mahasiswa yang bermasalah absensinya. Maka ujilah hipotesis yang menyatakan bahwa paling banyak 57% mahasiswa akan lulus dalam mata kuliah Statistik. Gunakan tingkat signifikan 10% Dik : P 0,57 n = 70 x = = 38 α = 10% Dit : Ujilah hipotesis tersebut Jwb: 1. Ho : P 0,57 Ha : P > 0,57 2. Uji Hipotesis 1 arah, 1 rata-rata 3. Taraf nyata α = 0,1 0,5 0,1 = 0,4 4. Wilayah Kritis Z (0,4) = + 1,29 (uji kanan) 5. Nilai Hitung Z = x (n.p) n.p.q Z = 38 (70. 0,57) 70. 0,57. 0,43 Z = 38 39,9 / 4,1421 Z = - 0, Gambar dan keputusan Statistika 2 11 ATA 11/12

13 Keputusan : Terima H o, tolak H a 7. Kesimpulan : bahwa anggapan paling banyak 57% mahasiswa akan lulus dalam mata kuliah Statistik adalah benar. Contoh kasus 5 : Diketahui bahwa rata-rata kedatangan Bus dalam suatu terminal adalah 609 tiap jam dengan standar deviasi 113 perjam, jika jumlah kedatangan Bus tersebut terdistribusi normal, berapa probabilitas dari tiap kedatangan Bus kurang dari 459? Langkah-langkah penyelesaian kasus 1. Tekan R commander pada desktop lalu akan muncul tampilan seperti dibawah ini : 2. Pilih menu Distribution >> continuous distribution >> normal distribution Statistika 2 12 ATA 11/12

14 3. Akan muncul kotak dialog normal probabilities seperti berikut Variable value (s) / nilai yang ditanyakan = 459 Mu (mean) / rata-rata populasi = 609 Sigma / standar deviasi = 113 Perhatikan : lihat secara seksama apa yang menjadi pertanyaan, pada soal diatas yang mnjadi pertanyaanya adalah berapakah probabilitas dari tiap kedatangan bus kurang dari 459. Maka dari itu kita menggunakan Lower Tail karena p(x < 459) Maka output window akan diperoleh p(x<459) adalah Statistika 2 13 ATA 11/12

15 Contoh Kasus 6 : Diketahui bahwa rata-rata kedatangan Bus dalam suatu terminal adalah 609 tiap jam dengan standar deviasi 113 perjam, jika jumlah kedatangan Bus tersebut terdistribusi normal, berapa probabilitas dari tiap kedatangan Bus lebih dari 459? Langkah-langkah penyelesaian kasus 1. Tekan R commander pada desktop lalu akan muncul tampilan seperti dibawah ini : 2. Pilih menu Distribution >> continuous distribution >> normal distribution Statistika 2 14 ATA 11/12

16 3. Akan muncul kotak dialog normal probabilities seperti berikut Variable value (s) / nilai yang ditanyakan = 459 Mu (mean) / rata-rata populasi = 609 Sigma / standar deviasi = 113 Perhatikan : lihat secara seksama apa yang menjadi pertanyaan, pada soal diatas yang mnjadi pertanyaanya adalah berapakah probabilitas dari tiap kedatangan bus lebih dari 459. Maka dari itu kita menggunakan upper Tail karena p(x > 459) Maka output window akan diperoleh p(x>459) adalah Statistika 2 15 ATA 11/12

17 Contoh Kasus 7 : Diketahui bahwa rata-rata kedatangan Bus dalam suatu terminal adalah 777 tiap jam dengan standar deviasi 444 perjam, jika jumlah kedatangan Bus tersebut terdistribusi normal, berapa probabilitas dari tiap kedatangan Bus antara bus perjam? Langkah pengerjaan : Pilih Program R commander pada layar desktop Setelah dipilih akan muncul tampilan seperti berikut Statistika 2 16 ATA 11/12

18 Setelah itu pilih menu >> continuous distributions >> normal distribution >> normal probabilities seperti contoh dibawah ini Setelah itu masukan data yang mau di input Statistika 2 17 ATA 11/12

19 masukan data seperti dibawah ini Maka akan muncul output seperti dibawah ini : Lalu lakukan hal yang sama untuk variable vlue (s) = 888 Statistika 2 18 ATA 11/12

20 Maka output akhir akan muncul seperti dibawah ini PERHATIKAN : untuk soal seperti ini maka setelah mencari masing-masing probabilitas maka kita lakukan pengurangan >> p(x < 888) p(x < 666) >>> = Contoh Kasus 8 : Diketahui bahwa rata-rata kendaraan yang melewati Jalan Haji Mesir adalah 760 kendaraan per jam dengan standar deviasi 10 jam. Probabilitas dari tiap kendaraan yang melewati jalan tersebut adalah 0, Berapa normal quantilies-nya? (gunakan lower tail) Diketahui : Input probabilitas = mu (mean) = 760 Nilai sigma (standar deviation) = 10 Lower tail Ditanyakan : Normal quantilies =? Langkah-langkah penyelesaian soal : 1. Tekan icon R Commander pada desktop, kemudian akan muncul tampilan seperti gambar dibawah ini. Statistika 2 19 ATA 11/12

21 Pilih Distributions, Continuous Distributions, Normal Distribution, Normal Quantiles. Muncul Kotak dialog Normal Quantiles. Input probabilitas = Input nilai mu (mean) = 760 Input nilai sigma (standar deviation) = 10 Pilih lower tail, lalu tekan ok. Statistika 2 20 ATA 11/12

22 Maka pada output window akan diperoleh Normal Quantiles-nya = DAFTAR PUSTAKA Modul Statistika 2, Lab. Manajemen Dasar Periode ATA 2009/2010 Mulyo,Sri.2006.Statistika untuk Ekonomi & Bisnis. Jakarta: Lembaga Penerbit FE UI E. Walpole,Ronald Pengantar Statistika Edisi Ke-3. Jakarta : Gramedia http :// Statistika 2 21 ATA 11/12

LAB MANAJEMEN DASAR MODUL STATISTIKA 1

LAB MANAJEMEN DASAR MODUL STATISTIKA 1 LAB MANAJEMEN DASAR MODUL STATISTIKA 1 Nama : NPM/Kelas : Fakultas/Jurusan : Hari dan Shift Praktikum : Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531 1 UKURAN STATISTIK Pendahuluan Ukuran statistik

Lebih terperinci

MODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL

MODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL MODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL Tujuan Praktikum: Membantu mahasiswa memahami materi Distribusi Eksponensial Pengambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat Distribusi

Lebih terperinci

Modul Praktikum Distribusi Weibull DISTRIBUSI WEIBULL. Tujuan Praktikum:

Modul Praktikum Distribusi Weibull DISTRIBUSI WEIBULL. Tujuan Praktikum: DISTRIBUSI WEIBULL Tujuan Praktikum: Membantu mahasiswa memahami materi Pegambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat I. PENDAHULUAN ini diperkenalkan oleh ahli fisikawan Swedia

Lebih terperinci

MODUL UJI NON PARAMETRIK (CHI-SQUARE/X 2 )

MODUL UJI NON PARAMETRIK (CHI-SQUARE/X 2 ) MODUL UJI NON PARAMETRIK (CHI-SQUARE/X 2 ) Tujuan Praktikum: Membantu mahasiswa memahami materi Distribusi Chi Square Pengambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat Distribusi

Lebih terperinci

MODUL DISTRIBUSI T. Objektif:

MODUL DISTRIBUSI T. Objektif: MODUL DISTRIBUSI T Objektif: 1. Membantu mahasiswa memeahami materi Distribusi t 2. Pengambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat Distribusi t I. PENDAHULUAN Pengujian hipotesis

Lebih terperinci

DISTRIBUSI POISSON Pendahuluan Rumus Pendekatan Peluang Poisson untuk Binomial P ( x ; µ ) = (e µ. µ X ) / X! n. p Rumus Proses Poisson

DISTRIBUSI POISSON Pendahuluan Rumus Pendekatan Peluang Poisson untuk Binomial P ( x ; µ ) = (e µ. µ X ) / X! n. p Rumus Proses Poisson DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai

Lebih terperinci

LAB MANAJEMEN DASAR MODUL STATISTIKA 1

LAB MANAJEMEN DASAR MODUL STATISTIKA 1 LAB MANAJEMEN DASAR MODUL STATISTIKA 1 Nama : NPM/Kelas : Fakultas/Jurusan : Hari dan Shift Praktikum : Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531 1 UKURAN STATISTIK Pendahuluan Ukuran statistik

Lebih terperinci

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2. Nama : NPM/Kelas : Fakultas/Jurusan :

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2. Nama : NPM/Kelas : Fakultas/Jurusan : LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2 Nama : NPM/Kelas : Fakultas/Jurusan : FAKULTAS EKONOMI UNIVERSITAS GUNADARMA KALIMALANG J1416 ATA 2012/2013 KATA PENGANTAR Puji syukur kami panjatkan kepada

Lebih terperinci

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2. Nama : NPM/Kelas : Fakultas/Jurusan :

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2. Nama : NPM/Kelas : Fakultas/Jurusan : LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2 Nama : NPM/Kelas : Fakultas/Jurusan : FAKULTAS EKONOMI UNIVERSITAS GUNADARMA KELAPA DUA ATA 2012/2013 KATA PENGANTAR Puji syukur kami panjatkan kepada Tuhan

Lebih terperinci

UJI NONPARAMETRIK (CHI SQUARE / X2)

UJI NONPARAMETRIK (CHI SQUARE / X2) UJI NONPARAMETRIK (CHI SQUARE / X2) 5 92 Objektif Mahasiswa dapat menghitung uji parametik dan uji nonparametric Mahasiswa dapat menguji ada atau tidaknya interdependensi antara variable kuantitatif yang

Lebih terperinci

LABORATORIUM MANAJEMEN DASAR STATISTIKA 1 PTA 2015/2016 NAMA : NPM : KELAS : KP : TUTOR : ASBAR :

LABORATORIUM MANAJEMEN DASAR STATISTIKA 1 PTA 2015/2016 NAMA : NPM : KELAS : KP : TUTOR : ASBAR : LABORATORIUM MANAJEMEN DASAR STATISTIKA 1 PTA 2015/2016 NAMA : NPM : KELAS : KP : TUTOR : ASBAR : FAKULTAS EKONOMI UNIVERSITAS GUNADARMA JAKARTA 2015 KATA PENGANTAR Puji syukur kami panjatkan kepada Tuhan

Lebih terperinci

UJI 2 SAMPLE BERPASANGAN. (PAIRED SAMPLE t-test)

UJI 2 SAMPLE BERPASANGAN. (PAIRED SAMPLE t-test) UJI 2 SAMPLE BERPASANGAN (PAIRED SAMPLE t-test) 4 71 Objektif: Mahasiswa dapat menguji perbedaan rata-rata antara samplesampel yang berpasangan menggunakan R-Programming 72 Paired sample t-test adalah

Lebih terperinci

Pertemuan Ke Pengujian hipotesis mengenai rata-rata Nilai Statistik Uji. Wilayah Kritik

Pertemuan Ke Pengujian hipotesis mengenai rata-rata Nilai Statistik Uji. Wilayah Kritik Pertemuan Ke-12 6.4 Uji Hipotesis Langkah langkah pengujian hipotesis : 1. Nyatakan hipotesa nolnya H o bahwa θ = θ o. 2. Pilih hipotesis alternatif H 1 yang sesuai diantara θ < θ o, θ > θ o atau θ # θ

Lebih terperinci

LAB MANAJEMEN DASAR MODUL METODE RISET PRAKTIKUM ILAB KAMPUS H

LAB MANAJEMEN DASAR MODUL METODE RISET PRAKTIKUM ILAB KAMPUS H LAB MANAJEMEN DASAR MODUL METODE RISET PRAKTIKUM ILAB KAMPUS H Nama : NPM/Kelas : Fakultas/Jurusan : Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531 1 UJI PERBEDAAN LEBIH DARI DUA SAMPEL (ANOVA)

Lebih terperinci

Manajemen. Modul Riset Akuntansi UJI NORMALITAS. Manajemen

Manajemen. Modul Riset Akuntansi UJI NORMALITAS. Manajemen UJI NORMALITAS 2 29 Objektif: Mahasiswa dapat menguji tentang kenormalan distribusi data menggunakan R-Programming 30 Tujuan dari uji normalitas adalah untuk mengetahui apakah data yang diambil adalah

Lebih terperinci

LAB MANAJEMEN DASAR MODUL STATISTIKA 1. Nama : NPM : Kelas : Fakultas Ekonomi Universitas Gunadarma Kelapa Dua

LAB MANAJEMEN DASAR MODUL STATISTIKA 1. Nama : NPM : Kelas : Fakultas Ekonomi Universitas Gunadarma Kelapa Dua LAB MANAJEMEN DASAR MODUL STATISTIKA 1 Nama : NPM : Kelas : Fakultas Ekonomi Universitas Gunadarma Kelapa Dua 1 UKURAN STATISTIK Pendahuluan Ukuran statistik merupakan ukuran yang menunjukkan bagaimana

Lebih terperinci

UJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah, ST., MT

UJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah, ST., MT UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah, ST., MT SIGN TEST Sign Test Digunakan untuk menguji hipotesa tentang MEDIAN dan DISTRIBUSI KONTINYU. Pengamatan dilakukan pada median dari sebuah distribusi

Lebih terperinci

BIOSTATISTIK HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA ( ) NURTASMIA ( ) SOBRI ( )

BIOSTATISTIK HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA ( ) NURTASMIA ( ) SOBRI ( ) BIOSTATISTIK UJI HIPOTESIS UNTUK PROPORSI MARIA ALMEIDA (20611003) NURTASMIA (20611022) SOBRI (20611027) : Tahapan-tahapan dalam uji hipotesis 1.Membuat hipotesis nol (H o ) dan hipotesis alternatif (H

Lebih terperinci

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2 ATA 2014/2015

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2 ATA 2014/2015 LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2 ATA 2014/2015 NAMA : NPM : KELAS : FAKULTAS EKONOMI UNIVERSITAS GUNADARMA DEPOK KATA PENGANTAR Assalamu alaikum Wr. Wb. Puji syukur kami panjatkan kepada

Lebih terperinci

NAMA : NPM : KELAS : KP : TUTOR : ASBAR : LAB. MANAJEMEN DASAR vii LITBANG PTA 16/17

NAMA : NPM : KELAS : KP : TUTOR : ASBAR : LAB. MANAJEMEN DASAR vii LITBANG PTA 16/17 NAMA : NPM : KELAS : KP : TUTOR : ASBAR : LAB. MANAJEMEN DASAR vii LITBANG PTA 16/17 KATA PENGANTAR KATA PENGANTAR Dengan menyebut nama Allah, kami panjatkan puji dan syukur ata kehadirat-nya, yang telah

Lebih terperinci

15Ilmu. Uji t-student dan Uji Z (Distribusi Normal)

15Ilmu. Uji t-student dan Uji Z (Distribusi Normal) Modul ke: Fakultas 15Ilmu Komunikasi Uji t-student dan Uji Z (Distribusi Normal) Untuk sebaran distribusi sampel kecil, dikembangkan suatu distribusi khusus yang disebut distribusi t atau t-student Dra.

Lebih terperinci

DISTRIBUSI SAMPLING besar

DISTRIBUSI SAMPLING besar DISTRIBUSI SAMPLING besar Distribusi Sampling Sampling = pendataan sebagian anggota populasi = penarikan contoh / pengambilan sampel Sampel yang baik Sampel yang representatif, yaitu diperoleh dengan memperhatikan

Lebih terperinci

DISTRIBUSI BINOMIAL berhasil gagal berhasil gagal berhasil gagal ya tidak success failed sukses atau berhasil gagal. sukses atau berhasil.

DISTRIBUSI BINOMIAL berhasil gagal berhasil gagal berhasil gagal ya tidak success failed sukses atau berhasil gagal. sukses atau berhasil. DISTRIBUSI BINOMIAL Pendahuluan Distribusi binomial merupakan suatu proses distribusi probabilitas yang dapat digunakan apabila suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Proses

Lebih terperinci

REGRESI LINIER BERGANDA

REGRESI LINIER BERGANDA REGRESI LINIER BERGANDA 7 150 Objektif Mahasiswa dapat menentukan persamaan regresi menggunakan R programming 151 Analisis regresi adalah studi mengenai ketergantungan suatu variabel (variaabel tak bebas)

Lebih terperinci

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2. Nama : NPM/Kelas : Fakultas/Jurusan :

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2. Nama : NPM/Kelas : Fakultas/Jurusan : LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2 Nama : NPM/Kelas : Fakultas/Jurusan : FAKULTAS EKONOMI UNIVERSITAS GUNADARMA KELAPA DUA ATA 2012/2013 KATA PENGANTAR Puji syukur kami panjatkan kepada Tuhan

Lebih terperinci

PRAKTIKUM ANALISIS DATA EKSPLORATIF

PRAKTIKUM ANALISIS DATA EKSPLORATIF LAPORAN PRAKTIKUM ANALISIS DATA EKSPLORATIF Oleh: GEMPUR SAFAR (10877) PROGRAM STUDI STATISTIKA Asisten SIGIT SAMAPTAAJI BAGUS PRAMULYA Dosen Dra. SRIHARYATMI KARTIKO, M.Sc. LABORATORIUM KOMPUTASI MATEMATIKA

Lebih terperinci

Penyusunan Hipotesa : 1. : µ 1 = µ 2 : µ 1 µ 2 2. : µ 1 µ 2 : µ 1 > µ 2 3. : µ 1 µ 2 : µ 1 < µ 2 Apabila data yang diambil dari hasil eksperimen, maka

Penyusunan Hipotesa : 1. : µ 1 = µ 2 : µ 1 µ 2 2. : µ 1 µ 2 : µ 1 > µ 2 3. : µ 1 µ 2 : µ 1 < µ 2 Apabila data yang diambil dari hasil eksperimen, maka MODUL DISTRIBUSI t 1. PENDAHULUAN Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis yang menggunakan distribusi t sebagai uji statistik. Tabel pengujiannya disebut tabel t-student. Distribusi

Lebih terperinci

ISSN : Uji Chi-Square pada Statistika dan SPSS Ari Wibowo 5)

ISSN : Uji Chi-Square pada Statistika dan SPSS Ari Wibowo 5) ISSN : 1693 1173 Uji Chi-Square pada Statistika dan SPSS Ari Wibowo 5) Abstrak Uji Chi-Square digunakan untuk pengujian hipotesa terhadap beda dua proporsi atau lebih. Hasil pengujian akan menyimpulkan

Lebih terperinci

UJI PERBEDAAN LEBIH DARI DUA SAMPEL (ANOVA)

UJI PERBEDAAN LEBIH DARI DUA SAMPEL (ANOVA) UJI PERBEDAAN LEBIH DARI DUA SAMPEL (ANOVA) 6 124 Objektif: Mahasiswa dapat menguji perbedaan lebih dari dua sampel atau disebut juga analisis varians menggunakan R- Programming 125 Diterapkan untuk membanding

Lebih terperinci

Haryoso Wicaksono, S.Si., M.M., M.Kom. 26

Haryoso Wicaksono, S.Si., M.M., M.Kom. 26 Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random

Lebih terperinci

Ho merupakan hipotesa awal sedangkan merupakan hipotesis alternatif atau hipotesis kerja 2. Rumus One sample t-test

Ho merupakan hipotesa awal sedangkan merupakan hipotesis alternatif atau hipotesis kerja 2. Rumus One sample t-test UJI T-TEST (PENGANTAR STATISTIK LANJUT) A. Uji T-Test satu sampel (One sampel t- test). 1. Dasar teori. Pengujian rata-rata satu sampel dimaksudkan untuk menguji nilai tengah atau rata-rata populasi µ

Lebih terperinci

Siklus Pengambilan Keputusan

Siklus Pengambilan Keputusan Siklus Pengambilan Keputusan Masalah ROI Metode Analisis Kebijakan / Strategi Sample Data Validasi P-Value / Parameter Output SPSS Hipotesa Uji Hipotesis Teori Keputusan Definisi-Definisi Penelitian Penelitian

Lebih terperinci

Bab 2 DISTRIBUSI PELUANG

Bab 2 DISTRIBUSI PELUANG Bab 2 DISTRIBUSI PELUANG PENDAHULUAN Setiap peristiwa akan mempunyai peluangnya masingmasing, dan peluang terjadinya peristiwa itu akan mempunyai penyebaran yang mengikuti suatu pola tertentu yang di sebut

Lebih terperinci

UJI T SAMPEL BEBAS (INDEPENDENT SAMPLE T-TEST)

UJI T SAMPEL BEBAS (INDEPENDENT SAMPLE T-TEST) UJI T SAMPEL BEBAS (INDEPENDENT SAMPLE T-TEST) 3 50 Objektif Mahasiswa dapat menghitung distribusi t untuk pengujian hipotesis menggunakan R-Programming 51 Uji-t 2 sampel independen (bebas) adalah metode

Lebih terperinci

LABORATORIUM STATISTIKA 2 MANAJEMEN DASAR ATA 15/16. Fakultas Ekonomi Universitas Gunadarma Depok

LABORATORIUM STATISTIKA 2 MANAJEMEN DASAR ATA 15/16. Fakultas Ekonomi Universitas Gunadarma Depok LABORATORIUM MANAJEMEN DASAR STATISTIKA 2 ATA 15/16 Fakultas Ekonomi Universitas Gunadarma Depok TEAM LITBANG STATISTIKA 2 ATA 15/16 Penanggung Jawab 1. Desty Dirnaeni 2. Amelia Pujaastuti Team Distribusi

Lebih terperinci

KATA PENGANTAR. Kelapa Dua, September Tim Litbang

KATA PENGANTAR. Kelapa Dua, September Tim Litbang KATA PENGANTAR Puji syukur kami panjatkan kepada Tuhan Yang Maha Esa atas limpahan rahmat dan karunia-nya sehingga modul praktikum Statistika 1 materi ukuran statistik ini dapat terselesaikan. Modul praktikum

Lebih terperinci

MODUL REGRESI LINIER SEDERHANA

MODUL REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Tujuan Praktikum: Membantu mahasiswa memahami materi Pegambilan keputusan dari suatu kasus dengan menggunakan kaidah dan persamaan I. Pendahuluan Di dalam analisa ekonomi

Lebih terperinci

MODUL 1 SAMPLE t-test

MODUL 1 SAMPLE t-test MODUL SAMPLE t-test TUJUAN. Mahasiswa mampu memahami Uji Hipotesis Sample t-test. Mampu menyeleseikan persoalan Uji Hipotesis Sample t-test dengan software SPSS DESKRIPSI Salah satu cabang ilmu statistik

Lebih terperinci

BAB IV ANALISIS HASIL DAN PEMBAHASAN

BAB IV ANALISIS HASIL DAN PEMBAHASAN BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Hasil Analisis Statistik Deskriptif Berdasarkan data yang diinput dari Laporan keuangan triwulan periode tahun 2009-2011 maka dapat dihitung rasio-rasio keuangan

Lebih terperinci

BAB III UJI T SATU SAMPEL

BAB III UJI T SATU SAMPEL BAB III UJI T SATU SAMPEL Tujuan: Menguji apakah suatu nilai sama, lebih besar, atau lebih kecil dari rata-rata populasi Rumus: t = X μ s n T = nilai hitung t X = dugaan mean populasi = mean sampel s =

Lebih terperinci

Estimasi dan Uji Hipotesis

Estimasi dan Uji Hipotesis Modul 7 Estimasi dan Uji Hipotesis Bambang Prastyo, S.Sos. PENDAHULUAN pa yang akan Anda lakukan setelah Anda selesai melakukan penelitian? A Tentunya Anda akan mengambil suatu kesimpulan. Nah seperti

Lebih terperinci

LAB MANAJEMEN DASAR MODUL RISET AKUNTANSI PRAKTIKUM REGULER LAB E531. Nama : NPM / Kelas : Fakultas /Jurusan :

LAB MANAJEMEN DASAR MODUL RISET AKUNTANSI PRAKTIKUM REGULER LAB E531. Nama : NPM / Kelas : Fakultas /Jurusan : LAB MANAJEMEN DASAR MODUL RISET AKUNTANSI PRAKTIKUM REGULER LAB E531 Nama : NPM / Kelas : Fakultas /Jurusan : Fakultas Ekonomi Universitas Gunadarma Kelapa dua 2013/2014 KATA PENGANTAR Assalamu alaikum

Lebih terperinci

Pengujian Hipotesis. 1. Pendahuluan. Topik Bahasan:

Pengujian Hipotesis. 1. Pendahuluan. Topik Bahasan: Topik Bahasan: Pengujian Hipotesis. Pendahuluan Hipotesis pernyataan yang merupakan pendugaan berkaitan dengan nilai suatu parameter populasi (satu atau lebih populasi) Kebenaran suatu hipotesis diuji

Lebih terperinci

PENGUJIAN HIPOTESIS. 100% - 5 % = 95% (Ho di terima) 2,5% (Ho ditolak) 2,5% ( Ho ditolak ) - Zα 0 Zα

PENGUJIAN HIPOTESIS. 100% - 5 % = 95% (Ho di terima) 2,5% (Ho ditolak) 2,5% ( Ho ditolak ) - Zα 0 Zα PENGUJIAN HIPOTESIS. Pengertian Hipotesis Hypo = Sementara Thesis = Jawaban Jadi hipotesis adalah jawaban sementara dari suatu pernyataan ( pejabat, mahasiswa, pegawai dan lain sebagainya.contoh :. Pernyataan

Lebih terperinci

Bagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas

Bagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode

Lebih terperinci

Pengantar Statistika Bab 1

Pengantar Statistika Bab 1 BAB 14 PENGUJIAN HIPOTESA SAMPEL KECIL 1 Pengujian Hipotesa Sampel Kecil 4 DEFINISI Pengertian Sampel Kecil Sampel kecil yang jumlah sampel kurang dari 30, maka nilai standar deviasi (s) berfluktuasi relatif

Lebih terperinci

LAPORAN PRAKTIKUM I METODE STATISTIKA II PENGUJIAN HIPOTESIS INDEPENDENT DENGAN PENDEKATAN ANALISIS RAGAM

LAPORAN PRAKTIKUM I METODE STATISTIKA II PENGUJIAN HIPOTESIS INDEPENDENT DENGAN PENDEKATAN ANALISIS RAGAM LAPORAN PRAKTIKUM I METODE STATISTIKA II PENGUJIAN HIPOTESIS INDEPENDENT DENGAN PENDEKATAN ANALISIS RAGAM Oleh : Nama : Ivan Prima Harlis NIM : 125090501111017 Asisten I : Candra Dian F Asisten II : Putri

Lebih terperinci

MODUL PRAKTIKUM STATISTIKA

MODUL PRAKTIKUM STATISTIKA MODUL PRAKTIKUM STATISTIKA Versi 3.0 Tahun Penyusunan 2011 Tim Penyusun 1. Intaglia Harsanti 2. 3. Laboratorium Psikologi Jurusan Psikologi Fakultas Psikologi UNIVERSITAS GUNADARMA Daftar Isi Daftar Isi...

Lebih terperinci

Nilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2

Nilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2 Pertemuan ke- 4 BAB III POPULASI, SAMPEL & DISTRIBUSI TEORITIS VARIABEL DISKRIT DAN FUNGSI PROBABILITAS 3.1 Variabel Random atau Variabel Acak Variabel yang nilainya merupakan suatu bilangan yang ditentukan

Lebih terperinci

Distribusi Normal, Skewness dan Qurtosis

Distribusi Normal, Skewness dan Qurtosis Distribusi Normal, Skewness dan Qurtosis Departemen Biostatistika FKM UI 1 2 SAP Statistika 1, minggu ke-4 4 Membekali mahasiswa agar lebih paham dan menguasai teori terkait: menghitung ukuran penyimpangan

Lebih terperinci

APLIKASI REGRESI SEDERHANA DENGAN SPSS. HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com

APLIKASI REGRESI SEDERHANA DENGAN SPSS. HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com APLIKASI REGRESI SEDERHANA DENGAN SPSS HENDRY admin teorionline.net Phone : 02-834 4694 / email : klik.statistik@gmail.com Tentang Regresi Sederhana Analisis regresi merupakan salah satu teknik analisis

Lebih terperinci

Tests of Normality Kolmogorov-Smirnov a

Tests of Normality Kolmogorov-Smirnov a Uji statistik N-Gain Idikator berpikir kritis a. Mengidentifikasi/memformulasikan jawaban yang mungkin 1. Hasil Uji normalitas Tabel uji normalitas pada Indikator Mengidentifikasi/memformulasikan jawaban

Lebih terperinci

Ummu Kalsum UNIVERSITAS GUNADARMA

Ummu Kalsum UNIVERSITAS GUNADARMA Ummu Kalsum UNIVERSITAS GUNADARMA 2016 Inferensia Statistika : Mencakup semua metode yang digunakan untuk penarikan kesimpulan atau generalisasi mengenai populasi dengan melakukan pengambilan sampel (sampling)

Lebih terperinci

SESI 11 STATISTIK BISNIS

SESI 11 STATISTIK BISNIS Modul ke: SESI 11 STATISTIK BISNIS Sesi 11 ini bertujuan agar Mahasiswa dapat mengetahui teori Hipoesa Sampel Besar statistik yang berguna sebagai alat analisis data Ekonomi dan Bisnis. Fakultas EKONOMI

Lebih terperinci

STATISTIKA DESKRIPTIF

STATISTIKA DESKRIPTIF STATISTIKA DESKRIPTIF 1 Statistika deskriptif berkaitan dengan penerapan metode statistika untuk mengumpulkan, mengolah, menyajikan dan menganalisis data kuantitatif secara deskriptif. Statistika inferensia

Lebih terperinci

Hipotesis (Ho) Benar Salah. (salah jenis I)

Hipotesis (Ho) Benar Salah. (salah jenis I) PENGUJIAN HIPOTESIS Hipotesis Suatu pernyataan yang masih lemah kebenarannya dan perlu dibuktikan/ dugaan yg sifatnya masih sementara Hipotesis ini perlu untuk diuji utk kmd diterima/ ditolak Pengujian

Lebih terperinci

Ayundyah Kesumawati. April 20, 2015

Ayundyah Kesumawati. April 20, 2015 Pengujian Kesumawati Nol dan Prodi Statistika FMIPA-UII April 20, 2015 Pengujian Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi Pengujian hipotesis berhubungan dengan penerimaan atau

Lebih terperinci

Distribusi Normal Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai

Distribusi Normal Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai Distribusi Normal Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah distribusi

Lebih terperinci

STATISTIKA II IT

STATISTIKA II IT STATISTIKA II IT-011227 Ummu Kalsum UNIVERSITAS GUNADARMA 2017 Keterlambatan : KONTRAK KULIAH MOHON KETERLAMBATAN TIDAK LEBIH 15 MENIT Sanksi atau hukuman, sebagai contoh: Menguraikan pengetahuan tentang

Lebih terperinci

Pertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu

Pertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat

Lebih terperinci

LAPORAN PRAKTIKUM 8 & 9 STATISTIKA TENTANG UJI HIPOTESIS (Z OR T) DAN UJI RERATA (STUDENT T)

LAPORAN PRAKTIKUM 8 & 9 STATISTIKA TENTANG UJI HIPOTESIS (Z OR T) DAN UJI RERATA (STUDENT T) LAPORAN PRAKTIKUM 8 & 9 STATISTIKA TENTANG UJI HIPOTESIS (Z OR T) DAN UJI RERATA (STUDENT T) STATISTIKA DISUSUN OLEH : MELINA KRISNAWATI 12.12.0328 SI 12 F JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN

Lebih terperinci

BAB IV DESKRIPSI DAN ANALISIS DATA

BAB IV DESKRIPSI DAN ANALISIS DATA BAB IV DESKRIPSI DAN ANALISIS DATA A. Deskripsi Data Hasil Penelitian 1. Deskripsi Data Umum Deskripsi data umum berisi mengenai gambaran umum tempat penelitian yakni di MTs N 1 Kudus. MTs N 1 Kudus beralamatkan

Lebih terperinci

07Ilmu. Pengujian Hipotesis Menentukan dan menguji Hipotesis penelitian dan mengambil kesimpulan dari hasil uji tersebut. Dra. Yuni Astuti, MS.

07Ilmu. Pengujian Hipotesis Menentukan dan menguji Hipotesis penelitian dan mengambil kesimpulan dari hasil uji tersebut. Dra. Yuni Astuti, MS. Modul ke: Fakultas 07Ilmu Komunikasi Pengujian Hipotesis Menentukan dan menguji Hipotesis penelitian dan mengambil kesimpulan dari hasil uji tersebut Dra. Yuni Astuti, MS. Program Studi Marketing Communication

Lebih terperinci

6.1 Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat. α Jika x berdistribusi χ 2 (v) dengan v = derajat kebebasan = n 1 maka P (c 1.

6.1 Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat. α Jika x berdistribusi χ 2 (v) dengan v = derajat kebebasan = n 1 maka P (c 1. Pertemuan ke- BAB IV POPULASI, SAMPEL, DISTRIBUSI TEORITIS, VARIABEL KONTINU, DAN FUNGSI PROBABILITAS. Distribusi Chi Kuadrat Gambar distribusi Chi kuadrat α Jika x berdistribusi χ (v) dengan v = derajat

Lebih terperinci

Distribusi Normal. Statistika (MAM 4137) Syarifah Hikmah JS

Distribusi Normal. Statistika (MAM 4137) Syarifah Hikmah JS Distribusi Normal Statistika (MAM 4137) Syarifah Hikmah JS Outline Kurva normal Luas daerah di bawah kurva normal Penerapan sebaran normal DISTRIBUSI NORMAL model distribusi kontinyu yang paling penting

Lebih terperinci

Statistika Psikologi 2

Statistika Psikologi 2 Modul ke: Statistika Psikologi 2 Fakultas Psikologi Program Studi Psikologi Sampling, Sampling Distribution, Confidence Intervals, Effect Size, dan Statistical Power SAMPLING Teknik menentukan sampel dari

Lebih terperinci

R Commander - Rcmdr. A. Instalasi & Menu dalam Rcmdr 1. Instalasi

R Commander - Rcmdr. A. Instalasi & Menu dalam Rcmdr 1. Instalasi + R Commander - Rcmdr Seperti kita telah pelajari dan lihat sebelumnya, R adalah perangkat lunak statistik berbasiskan perintah (command driven), yang sepertinya dapat memberi kesulitan bagi pengguna pemula

Lebih terperinci

Distribusi Teoritis Probabilitas

Distribusi Teoritis Probabilitas Distribusi Teoritis Probabilitas Topik Distribusi teoritis Binomial Distribusi teoritis Poisson Distribusi teoiritis Normal 2 Distribusi Teoritis Probabilitas Distr. Teoritis Probabilitas Diskrit Kontinyu

Lebih terperinci

BAB II DISTRIBUSI PROBABILITAS

BAB II DISTRIBUSI PROBABILITAS BAB II DISTRIBUSI PROBABILITAS.1. VARIABEL RANDOM Definisi 1: Variabel random adalah suatu fungsi yang memetakan ruang sampel (S) ke himpunan bilangan Real (R), dan ditulis X : S R Contoh (Variabel random)

Lebih terperinci

PERTEMUAN KE 2 HIPOTESIS

PERTEMUAN KE 2 HIPOTESIS PERTEMUAN KE 2 HIPOTESIS DEFINISI Jawaban sementara terhadap masalah penelitian yang kebenarannya masih harus diuji secara empiris. Pernyataan mengenai keadaan populasi yang akan diuji kebenarannya berdasarkan

Lebih terperinci

Pendahuluan RRL Model Pengaruh Tetap Model Pengaruh Random

Pendahuluan RRL Model Pengaruh Tetap Model Pengaruh Random RANCANGAN RANDOM LENGKAP Pendahuluan RRL RRL atau Rancangan Random Lengkap merupakan rancangan di mana unit eksperimen yang dikenai perlakuan secara random dan menyeluruh lengkap untuk setiap perlakuan.

Lebih terperinci

BAB IV DESKRIPSI DAN ANALISI DATA

BAB IV DESKRIPSI DAN ANALISI DATA BAB IV DESKRIPSI DAN ANALISI DATA A. Deskripsi Data Hasil Penelitian 1. Deskripsi Data Umum Penelitian Deskripsi data umum berisi mengenai gambaran umum tempat penelitian yakni di SMP N 1 Pamotan. SMP

Lebih terperinci

STATISTIKA BISNIS PENDUGAAN STATISTIKA. Deden Tarmidi, SE., M.Ak., BKP. Modul ke: Fakultas Ekonomi dan Bisnis. Program Studi Akuntansi

STATISTIKA BISNIS PENDUGAAN STATISTIKA. Deden Tarmidi, SE., M.Ak., BKP. Modul ke: Fakultas Ekonomi dan Bisnis. Program Studi Akuntansi Modul ke: STATISTIKA BISNIS PENDUGAAN STATISTIKA Fakultas Ekonomi dan Bisnis Deden Tarmidi, SE., M.Ak., BKP. Program Studi Akuntansi www.mercubuana.ac.id PENDAHULUAN Data yang sudah didapat dari populasi

Lebih terperinci

Distribusi Sampling. Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015

Distribusi Sampling. Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Distribusi Sampling Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Populasi dan Sampel Unit adalah entitas (wujud) tunggal, biasanya orang atau suatu obyek, yang diinginkan

Lebih terperinci

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2. Nama : NPM/Kelas : Fakultas/Jurusan :

LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2. Nama : NPM/Kelas : Fakultas/Jurusan : LABORATORIUM MANAJEMEN DASAR MODUL STATISTIKA 2 Nama : NPM/Kelas : Fakultas/Jurusan : FAKULTAS EKONOMI UNIVERSITAS GUNADARMA KELAPA DUA ATA 2013/2014 KATA PENGANTAR Puji syukur kami panjatkan kepada Tuhan

Lebih terperinci

MODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU

MODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan

Lebih terperinci

MODUL DISTRIBUSI F (ANOVA)

MODUL DISTRIBUSI F (ANOVA) MODUL DISTRIBUSI F (ANOVA) Tujuan Praktikum: Membantu mahasiswa memahami materi Distribusi ANOVA Pengambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat Distribusi ANOVA I. PENDAHULUAN

Lebih terperinci

STATISTIKA INDUSTRI 2 TIN 4004

STATISTIKA INDUSTRI 2 TIN 4004 STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 3 Outline: Uji Hipotesis: Uji t Uji Proportional Referensi: Johnson, R. A., Statistics Principle and Methods, 4 th Ed. John Wiley & Sons, Inc., 2001. Walpole, R.E.,

Lebih terperinci

Ishafit

Ishafit ANALISIS DATA PENELITIAN PENDIDIKAN Ishafit ishafit@pfis.uad.ac.id http://ishafit.pfis.uad.ac.id PROGRAM STUDI PENDIDIKAN FISIKA UNIVERSITAS AHMAD DAHLAN Yogyakarta, 2016 STATISTIKA DAN STATISTIK Statistika

Lebih terperinci

STMIK KAPUTAMA - BINJAI

STMIK KAPUTAMA - BINJAI STMIK KAPUTAMA - BINJAI Pengujian hipotesis merupakan suatu prosedur yang didasarkan pada bukti sampel dan teori probabilitas yang digunakan untuk menentukan apakah suatu hipotesis adalah pernyataan yang

Lebih terperinci

Distribusi Peluang. Kuliah 6

Distribusi Peluang. Kuliah 6 Distribusi Peluang Kuliah 6 1. Diskrit 1. Bernoulli 2. Binomial 3. Poisson Distribution 2. Kontinu 1. Normal (Gaussian) 2. t 3. F 4. Chi Kuadrat Distribusi Peluang 1.1. Distribusi Bernoulli Distribusi

Lebih terperinci

ESTIMASI. Arna Fariza PENDAHULUAN

ESTIMASI. Arna Fariza PENDAHULUAN ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik

Lebih terperinci

UJI NORMALITAS DATA. Sebelum kita bicarakan ujin normalitas berikut kita perhatikan gambar distribusi normal berikut ini :

UJI NORMALITAS DATA. Sebelum kita bicarakan ujin normalitas berikut kita perhatikan gambar distribusi normal berikut ini : UJI NORMALITAS DATA Sebelum kita bicarakan ujin normalitas berikut kita perhatikan gambar distribusi normal berikut ini : Garis mendatar pada grafik kurva normal umum adalah sumbu-x Garis mendatar pada

Lebih terperinci

Makalah Statistika Distribusi Normal

Makalah Statistika Distribusi Normal Makalah Statistika Distribusi Normal Disusun Oleh: Dwi Kartika Sari 23214297 2EB16 Fakultas Ekonomi Jurusan Akuntansi Universitas Gunadarma 2015 Kata Pengantar Puji syukur kehadirat Tuhan Yang Maha Esa

Lebih terperinci

ANALISIS DATA KOMPARATIF (T-Test)

ANALISIS DATA KOMPARATIF (T-Test) PERTEMUAN KE-10 ANALISIS DATA KOMPARATIF (T-Test) Ringkasan Materi: Komparasi berasal dari kata comparison (Eng) yang mempunyai arti perbandingan atau pembandingan. Teknik analisis komparasi yaitu salah

Lebih terperinci

Distribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah

Distribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Textile dan Otomotif yang terdaftar di BEI periode tahun

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Textile dan Otomotif yang terdaftar di BEI periode tahun BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Hasil Analisa Penelitian ini menggunakan data skunder berupa laporan keuangan audit yang diperoleh dari website resmi Bursa Efek Indonesia (BEI) yaitu www.idx.co.id.

Lebih terperinci

PENGUJIAN HIPOTESIS DESKRIPTIF (Satu sampel) Wahyu Hidayat, M.Pd

PENGUJIAN HIPOTESIS DESKRIPTIF (Satu sampel) Wahyu Hidayat, M.Pd PENGUJIAN HIPOTESIS DESKRIPTIF (Satu sampel) Wahyu Hidayat, M.Pd Definisi Pengujian hipotesis deskriptif pada dasarnya merupakan proses pengujian generalisasi hasil penelitian yang didasarkan pada satu

Lebih terperinci

UJI T SATU SAMPEL. 2. Bentuk uji hipotesis satu sisi (one sided atau one tailed test) untuk sisi atas (upper tailed) dengan hipotesis:

UJI T SATU SAMPEL. 2. Bentuk uji hipotesis satu sisi (one sided atau one tailed test) untuk sisi atas (upper tailed) dengan hipotesis: UJI T SATU SAMPEL Uji t digunakan untuk menentukan apakah sampel memiliki nilai rata rata yang berbeda dengan nilai rata rata acuan Ada tiga bentuk hipotesis untuk uji t di mana penggunaannya tergantung

Lebih terperinci

STATISTIKA II IT

STATISTIKA II IT STATISTIKA II IT-021259 Ummu Kalsum UNIVERSITAS GUNADARMA 2016 KONTRAK KULIAH Waktu: Rabu, 7.30 10.30 dan 12.30 15.30 Jam mulai : 3 sks, maka: Mulai: 8. 00 Selesai: 3 x 50 menit = 150 menit 10.30 Keterlambatan

Lebih terperinci

STATISTIK NONPARAMETRIK (1)

STATISTIK NONPARAMETRIK (1) PERTEMUAN KE-1 Ringkasan Materi: STATISTIK NONPARAMETRIK (1) Statistik nonparametrik disebut juga statistik bebas distribusi/ distributif free statistics karena tidak pernah mengasumsikan data harus berdistribusi

Lebih terperinci

ANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG

ANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG LAPORAN RESMI PRAKTIKUM PENGANTAR METODE STATISTIKA MODUL 3 ANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG Oleh : Diana Nafkiyah 1314030028 Nilamsari Farah Millatina

Lebih terperinci

Independent Sample T Test

Independent Sample T Test Independent Sample T Test Pengujian Dua Sample Tidak berhubungan (Independent Sample T Test) Uji Independence Sample T Test, digunakan untuk mengetahui ada tidaknya perbedaan rata-rata antara dua kelompok

Lebih terperinci

BAB IV PEMBAHASAN DAN ANALISIS

BAB IV PEMBAHASAN DAN ANALISIS BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasan Pembahasan membahas tentang perancangan rak sepatu berdasarkan data yang telah didapatkan dari populasi kelas 3ID02. Beberapa hal yang dibahas antara lain

Lebih terperinci

PENGUJIAN HIPOTESIS. Langkah-langkah pengujian hipótesis statistik adalah sebagai berikut :

PENGUJIAN HIPOTESIS. Langkah-langkah pengujian hipótesis statistik adalah sebagai berikut : PENGUJIAN HIPOTESIS A. Pengertian Pengujian Hipotesis Hipotesis berasal dari bahasa Yunani, yaitu hupo dan thesis. Hupo berarti lemah, kurang, atau di bawah dan thesis berarti teori, proposisi, atau pernyataan

Lebih terperinci

ANALYSIS OF VARIANCE

ANALYSIS OF VARIANCE ANALYSIS OF VARIANCE Analisis Varians adalah alat statistika yang digunakan untuk menguji perbedaan mean lebih dari dua populasi. Analisis varians mengguakan distribusi F, yang mempunyai ciri-ciri: Merupakan

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. penalaran matematis siswa dan data hasil skala sikap. Selanjutnya, peneliti

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. penalaran matematis siswa dan data hasil skala sikap. Selanjutnya, peneliti BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Hasil Penelitian Data yang diperoleh dalam penelitian ini adalah data nilai tes kemampuan penalaran matematis siswa dan data hasil skala sikap. Selanjutnya, peneliti

Lebih terperinci

ONE SAMPLE T TEST. Uji Pihak Kiri : dikatakan sebagai uji pihak kiri karena t tabel ditempatkan di bagian kiri Kurva

ONE SAMPLE T TEST. Uji Pihak Kiri : dikatakan sebagai uji pihak kiri karena t tabel ditempatkan di bagian kiri Kurva 1 ONE SAMPLE T TEST BY HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com ============================================================================= One sample t test

Lebih terperinci

Statistik Deskriptif untuk Data Nominal dan Ordinal

Statistik Deskriptif untuk Data Nominal dan Ordinal Statistik Deskriptif untuk Data Nominal dan Ordinal Salah satu ciri utama sehingga sebuah data harus diproses dengan metode nonparametrik adalah jika tipe data tersebut semuanya adalah data nominal atau

Lebih terperinci

BAB IV ANALISIS HASIL DAN PEMBAHASAN

BAB IV ANALISIS HASIL DAN PEMBAHASAN 47 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Hasil Berdasarkan apa yang telah dijelaskan diatas maka dalam bab selanjutkan penulis akan menyajikan hasil analisis dan pembahasan data. Dalam penelitian

Lebih terperinci