Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan bilamana
suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Distribusi ini
dikemukakan pertama kali oleh seorang ahli matematika berkebangsaan Swiss yang bernama
J. Bernoulli (1654-1705).
Praktikum ini melibatkan pelemparan dadu sebanyak 120 kali untuk mempelajari teori peluang. Data hasil pelemparan dadu diolah untuk menghitung peluang terjadinya angka tertentu dan hubungan antara dua kejadian. Analisis data menunjukkan pentingnya memilih data yang tepat untuk menghitung probabilitas gabungan dan irisan dua kejadian.
Peluang Pelemparan Dua Uang Logam, Dadu dan Pengambilan Kartu BridgeArning Susilawati
Β
Laporan ini memberikan ringkasan singkat tentang percobaan peluang yang dilakukan dengan media dua uang logam, satu dadu, dua dadu, dan kartu bridge. Percobaan dilakukan sebanyak 10, 50, dan 100 kali untuk mengetahui peluang terjadinya berbagai kejadian. Hasil percobaan kemudian dibandingkan dengan teori peluang untuk menguji kebenarannya.
Dokumen ini membahas distribusi peluang binomial dan Poisson dalam statistika dasar. Terdapat contoh-contoh perhitungan peluang menggunakan distribusi binomial untuk percobaan Bernoulli dan distribusi Poisson untuk kejadian acak yang terjadi dalam interval waktu.
Dokumen tersebut membahas tentang probabilitas dan himpunan. Probabilitas didefinisikan sebagai ukuran kemungkinan terjadinya suatu peristiwa acak, dengan nilai antara 0-1. Ada dua pendekatan perhitungan probabilitas, yaitu objektif yang meliputi pendekatan klasik dan frekuensi relatif, serta subjektif. Himpunan adalah kumpulan objek yang dapat dibedakan, dengan operasi gabungan, irisan, dan
Praktikum ini melibatkan pelemparan dadu sebanyak 120 kali untuk mempelajari teori peluang. Data hasil pelemparan dadu diolah untuk menghitung peluang terjadinya angka tertentu dan hubungan antara dua kejadian. Analisis data menunjukkan pentingnya memilih data yang tepat untuk menghitung probabilitas gabungan dan irisan dua kejadian.
Peluang Pelemparan Dua Uang Logam, Dadu dan Pengambilan Kartu BridgeArning Susilawati
Β
Laporan ini memberikan ringkasan singkat tentang percobaan peluang yang dilakukan dengan media dua uang logam, satu dadu, dua dadu, dan kartu bridge. Percobaan dilakukan sebanyak 10, 50, dan 100 kali untuk mengetahui peluang terjadinya berbagai kejadian. Hasil percobaan kemudian dibandingkan dengan teori peluang untuk menguji kebenarannya.
Dokumen ini membahas distribusi peluang binomial dan Poisson dalam statistika dasar. Terdapat contoh-contoh perhitungan peluang menggunakan distribusi binomial untuk percobaan Bernoulli dan distribusi Poisson untuk kejadian acak yang terjadi dalam interval waktu.
Dokumen tersebut membahas tentang probabilitas dan himpunan. Probabilitas didefinisikan sebagai ukuran kemungkinan terjadinya suatu peristiwa acak, dengan nilai antara 0-1. Ada dua pendekatan perhitungan probabilitas, yaitu objektif yang meliputi pendekatan klasik dan frekuensi relatif, serta subjektif. Himpunan adalah kumpulan objek yang dapat dibedakan, dengan operasi gabungan, irisan, dan
Distribusi binomial dan distribusi poissonSuci Agustina
Β
Dokumen tersebut membahas tentang distribusi binomial dan distribusi Poisson. Distribusi binomial digunakan ketika proses sampling dapat diasumsikan sesuai dengan proses Bernoulli, sedangkan distribusi Poisson menyatakan peluang jumlah peristiwa yang terjadi pada periode waktu tertentu. Dokumen ini juga menjelaskan ciri-ciri, rumus, dan contoh soal distribusi binomial dan Poisson.
Dokumen tersebut membahas tentang probabilitas, yang didefinisikan sebagai angka yang menunjukkan kemungkinan terjadinya suatu peristiwa. Ada tiga pendekatan untuk menghitung probabilitas, yaitu pendekatan klasik, empiris, dan subjektif. Dokumen juga menjelaskan azas-azas perhitungan probabilitas seperti hukum pertambahan dan perkalian untuk peristiwa yang saling meniadakan, tidak saling meniadakan,
Dokumen tersebut membahas tentang definisi matrik, bentuk-bentuk matrik seperti matrik bujur sangkar, matrik diagonal, matrik segitiga, dan operasi-operasi pada matrik seperti penjumlahan, perkalian, dan pemangkatan matrik.
1. Distribusi Poisson digunakan untuk menghitung probabilitas terjadinya peristiwa berdasarkan interval waktu, ruang, atau jumlah, dengan asumsi rata-rata kejadian dan interval yang independen.
2. Rumus distribusi Poisson menghitung probabilitas sukses berdasarkan rata-rata kejadian dan bilangan faktorial dari jumlah kejadian.
3. Contoh penerapan termasuk menghitung kemungkinan penumpang yang tidak hadir di p
Modul ini membahas tentang transformasi data untuk proyek data science. Tujuannya adalah agar peserta dapat menjelaskan berbagai teknik transformasi data dan menerapkannya untuk menyelesaikan masalah data. Modul ini menjelaskan konsep representasi fitur, rekayasa fitur, dan berbagai teknik transformasi data seperti imputasi, normalisasi, dan seleksi fitur.
Ringkasan dokumen tersebut adalah:
Dokumen tersebut membahas tentang penelitian mengenai lama waktu membersihkan noda pada kain dengan menggunakan empat jenis deterjen dan Rancangan Bujur Sangkar Latin. Tujuan penelitian ini adalah untuk mengetahui perbedaan lama waktu membersihkan noda pada kain dengan menggunakan empat jenis deterjen.
Dokumen tersebut membahas tentang pendugaan parameter populasi dengan menggunakan nilai statistik sampel. Terdapat beberapa metode pendugaan yang dijelaskan seperti pendugaan rata-rata, variansi, dan perbedaan rata-rata untuk sampel besar dan kecil dengan memberikan contoh soal.
Dokumen tersebut membahas tentang uji nonparametrik untuk satu sampel, dimana dijelaskan bahwa uji nonparametrik digunakan ketika asumsi uji parametrik tidak terpenuhi. Dua contoh uji nonparametrik untuk satu sampel yang dijelaskan adalah Sign Test untuk menguji rata-rata dan Chi-Square Test untuk menguji kesesuaian antara frekuensi yang diamati dengan yang diharapkan.
Materi kuliah tentang rancangan acak lengkap. Lihat lebih banyak di: http://muhammadhabibielecture.blogspot.co.id/2015/12/materi-kuliah-semester-5.html
Dokumen tersebut membahas tentang konsep probabilitas dan statistika dasar seperti permutasi, kombinasi, probabilitas kejadian, probabilitas bersyarat, dan hubungan antara kejadian.
Dokumen ini memberikan penjelasan tentang distribusi binomial negatif dan distribusi geometrik. Terdapat contoh soal peluang mendapatkan hasil tertentu pada lantunan koin dan peluang menemukan produk cacat setelah memeriksa beberapa butir. Dokumen ini juga mendefinisikan distribusi binomial negatif dan memberikan contoh soal peluang mendapatkan hasil tertentu pada beberapa lantunan koin.
Dokumen tersebut membahas tentang distribusi Poisson yang merupakan distribusi probabilitas untuk variabel acak diskrit yang menggambarkan jumlah kejadian yang terjadi dalam interval waktu tertentu. Dokumen tersebut menjelaskan karakteristik distribusi Poisson, contoh penerapannya, dan laporan hasil percobaan pengambilan kartu bridge untuk menganalisis distribusi Poisson.
Distribusi hipergeometrik amat mirip penggunaannyaa dengan binomial . Perbedaannya
terletak pada cara pengambilan sampelnya. Untuk kasus binomial, diperlukan kebebasan
antara usaha . Akibatnya bila binomial diterapkan, misalnya pada sampling dari sejumlah
barang (sekotak kartu, sejumlah barang produksi), sampling harus dikerjakan dengan
pengambilan setiap barang setelah diamati. Sedangkan, distribusi hipergeometrik tidak
memerlukan kebebasan dan didasarkan pada sampling tanpa pengambilan. Penggunaan
distribusi hipergeometrik terdapat pada pengujian yang dilakukan terhadap barang yang diuji
mengakibatkan barang yang teruji tersebut menjadi rusak, jadi tidak dapat dikembalikan.
Contohnya pada pengujian elektronik, dan pengendalian mutu.
Distribusi binomial dan distribusi poissonSuci Agustina
Β
Dokumen tersebut membahas tentang distribusi binomial dan distribusi Poisson. Distribusi binomial digunakan ketika proses sampling dapat diasumsikan sesuai dengan proses Bernoulli, sedangkan distribusi Poisson menyatakan peluang jumlah peristiwa yang terjadi pada periode waktu tertentu. Dokumen ini juga menjelaskan ciri-ciri, rumus, dan contoh soal distribusi binomial dan Poisson.
Dokumen tersebut membahas tentang probabilitas, yang didefinisikan sebagai angka yang menunjukkan kemungkinan terjadinya suatu peristiwa. Ada tiga pendekatan untuk menghitung probabilitas, yaitu pendekatan klasik, empiris, dan subjektif. Dokumen juga menjelaskan azas-azas perhitungan probabilitas seperti hukum pertambahan dan perkalian untuk peristiwa yang saling meniadakan, tidak saling meniadakan,
Dokumen tersebut membahas tentang definisi matrik, bentuk-bentuk matrik seperti matrik bujur sangkar, matrik diagonal, matrik segitiga, dan operasi-operasi pada matrik seperti penjumlahan, perkalian, dan pemangkatan matrik.
1. Distribusi Poisson digunakan untuk menghitung probabilitas terjadinya peristiwa berdasarkan interval waktu, ruang, atau jumlah, dengan asumsi rata-rata kejadian dan interval yang independen.
2. Rumus distribusi Poisson menghitung probabilitas sukses berdasarkan rata-rata kejadian dan bilangan faktorial dari jumlah kejadian.
3. Contoh penerapan termasuk menghitung kemungkinan penumpang yang tidak hadir di p
Modul ini membahas tentang transformasi data untuk proyek data science. Tujuannya adalah agar peserta dapat menjelaskan berbagai teknik transformasi data dan menerapkannya untuk menyelesaikan masalah data. Modul ini menjelaskan konsep representasi fitur, rekayasa fitur, dan berbagai teknik transformasi data seperti imputasi, normalisasi, dan seleksi fitur.
Ringkasan dokumen tersebut adalah:
Dokumen tersebut membahas tentang penelitian mengenai lama waktu membersihkan noda pada kain dengan menggunakan empat jenis deterjen dan Rancangan Bujur Sangkar Latin. Tujuan penelitian ini adalah untuk mengetahui perbedaan lama waktu membersihkan noda pada kain dengan menggunakan empat jenis deterjen.
Dokumen tersebut membahas tentang pendugaan parameter populasi dengan menggunakan nilai statistik sampel. Terdapat beberapa metode pendugaan yang dijelaskan seperti pendugaan rata-rata, variansi, dan perbedaan rata-rata untuk sampel besar dan kecil dengan memberikan contoh soal.
Dokumen tersebut membahas tentang uji nonparametrik untuk satu sampel, dimana dijelaskan bahwa uji nonparametrik digunakan ketika asumsi uji parametrik tidak terpenuhi. Dua contoh uji nonparametrik untuk satu sampel yang dijelaskan adalah Sign Test untuk menguji rata-rata dan Chi-Square Test untuk menguji kesesuaian antara frekuensi yang diamati dengan yang diharapkan.
Materi kuliah tentang rancangan acak lengkap. Lihat lebih banyak di: http://muhammadhabibielecture.blogspot.co.id/2015/12/materi-kuliah-semester-5.html
Dokumen tersebut membahas tentang konsep probabilitas dan statistika dasar seperti permutasi, kombinasi, probabilitas kejadian, probabilitas bersyarat, dan hubungan antara kejadian.
Dokumen ini memberikan penjelasan tentang distribusi binomial negatif dan distribusi geometrik. Terdapat contoh soal peluang mendapatkan hasil tertentu pada lantunan koin dan peluang menemukan produk cacat setelah memeriksa beberapa butir. Dokumen ini juga mendefinisikan distribusi binomial negatif dan memberikan contoh soal peluang mendapatkan hasil tertentu pada beberapa lantunan koin.
Dokumen tersebut membahas tentang distribusi Poisson yang merupakan distribusi probabilitas untuk variabel acak diskrit yang menggambarkan jumlah kejadian yang terjadi dalam interval waktu tertentu. Dokumen tersebut menjelaskan karakteristik distribusi Poisson, contoh penerapannya, dan laporan hasil percobaan pengambilan kartu bridge untuk menganalisis distribusi Poisson.
Distribusi hipergeometrik amat mirip penggunaannyaa dengan binomial . Perbedaannya
terletak pada cara pengambilan sampelnya. Untuk kasus binomial, diperlukan kebebasan
antara usaha . Akibatnya bila binomial diterapkan, misalnya pada sampling dari sejumlah
barang (sekotak kartu, sejumlah barang produksi), sampling harus dikerjakan dengan
pengambilan setiap barang setelah diamati. Sedangkan, distribusi hipergeometrik tidak
memerlukan kebebasan dan didasarkan pada sampling tanpa pengambilan. Penggunaan
distribusi hipergeometrik terdapat pada pengujian yang dilakukan terhadap barang yang diuji
mengakibatkan barang yang teruji tersebut menjadi rusak, jadi tidak dapat dikembalikan.
Contohnya pada pengujian elektronik, dan pengendalian mutu.
Pada tahun 1733, Abraham de Moivre menemukan persamaan matematika untuk kurva
normal yang menjadi dasar dalam banyak teori statistik induktif. Abraham inilah yang
pertama kali memperkenalkan distribusi normal. Distribusi normal sering disebut juga dengan
distribusi Gauss, karena dipopulerkan oleh Carl Fredreich Gauss. Inilah distribusi peluang
kontinu yang terpenting dan paling banyak digunakan. Kurva dari disribusi normal berbentuk
setangkup seperti lonceng, dengan kurvanya sering disebut kurva normal atau kurva topi
orang Meksiko (Mexican hat), karena mirip dengan sombrero yang merupakan topi orang
Meksiko.
Dokumen tersebut merupakan laporan praktikum mengenai teori probabilitas yang disusun oleh kelompok mahasiswa jurusan teknik industri. Laporan tersebut membahas mengenai konsep-konsep statistika seperti distribusi frekuensi, ukuran pemusatan, dan ukuran penyebaran data beserta studi kasusnya.
Ppt sidang 4 september 2017 sesi 2 nita tri andiniNita NTD
Β
Neural network telah banyak dipergunakan dalam menyelesaikan pemasalahan data science dan statistika, seperti pattern recognition dan prediksi. Neural network pun banyak dikembangkan oleh peneliti untuk penggunaan dalam bidang statistik yaitu klasifikasi dan prediksi.Salah satu bentuk arsitektur neural network adalah Multilayer Perceptron (MLP). MLP memiliki tiga tipe lapisan (layer) yaitu input,hidden, dan output layer. Penggunaan neural network bergantung pada arsitektur neural network, fungsi transfer atau aktivasi, dan nilai weights. Di dalam neural network sendiri terdapat algoritme pelatihan yaitu backpropagation (BP) . BP memiliki kekurangan yaitu terjebak di loca minima dan slow convergence. Peneliti-peneliti menyarankan penggunaan algoritme optimasi sebagai ganti algoritme BP dalam pelatihan neural network. Algoritme optimasi dapat mengatasi kelemahan BP. Salah satu algoritme optimasi yang dipergunakan adalah Particle Swarm Optimization (PSO). PSO merupakan algoritme optimasi pencarian solusi dengan mengadaptasi fenomena kawanan hewan, yaitu perilaku sekelompok burung dan ikan dalam pencarian makanan. Penelitian ini melakukan perbandingan MLP dengan menggunakan PSO dan BP untuk kasus klasifikasi biner. Perbandingan tersebut dihasilkan bahwa MLP-PSO menghasilkan ukuran pembanding yang lebih baik dari BP, kecuali pada running time. Running time MLP-PSO lebih lama dibanding MLP-BP.
Neural network has been used for solving data science and statistic problems, such as pattern recognition and prediction. Neural network has been developed by researchers for stastical cases such as classification and prediction. One of neural networkβs architectures is Multilayer Perceptron (MLP) which one of typesβ architecture has been commonly used. Multilayer perceptron had three types layer, those are input layer, hidden layer, and output layer. Using neural network depends on architecture itself, tranfers or activation function, and weights. there is training algorithm In neural network that is backpropagation(BP). BP has flaws that are stucked in loca minima and slow convergence. Many researchers have researched using optimization algorithms as substitute of backpropagation in training neural network. One of optimization algorithms is Particle Swarm Optimization, that convinced to handle the flaws of backpropagation. Particle Swarm Optimization is solving searching solution by adapting animalβ swarm phenomenons which adapted behaviors of a flock of birds or fish in food searching. This research discuss about comparison of MLP training using PSO with MLP training using BP in biner classification cases. The result denoted that result of MLP-PSO measurements of comparison values is better than MLP-BP, except for running time. Running time MLP-PSO took longer than MLP-BP.
Simulasi merupakan tiruan dari sistem nyata dengan membangkitkan prosesnya melalui komputer. Prinsipnya adalah membuat model matematika dari sistem, kemudian melakukan eksperimen secara numerik untuk mempelajari atau memprediksi sistem tersebut. Simulasi melibatkan beberapa komponen utama yaitu model, komputer, dan algoritma atau program untuk melakukan eksperimen secara efisien.
Dokumen tersebut membahas tujuh alat bantu kualitas (QC tools) yang sering digunakan untuk menganalisis dan meningkatkan proses, yaitu stratifikasi, lembar data, grafik, diagram Pareto, histogram, diagram Ishikawa, dan diagram Tebar. Setiap alat dijelaskan fungsi dan cara pembuatannya."
Pertemuan 11 (uji normalitas dan homogenitas)reno sutriono
Β
Uji normalitas dan homogenitas merupakan uji statistik yang penting untuk memilih jenis uji statistik selanjutnya. Uji normalitas digunakan untuk mengetahui distribusi data normal atau tidak, sedangkan uji homogenitas untuk menguji kesamaan varians antar kelompok data. Dokumen ini menjelaskan dua jenis uji normalitas, yaitu Chi Kuadrat dan Liliefors, serta dua jenis uji homogenitas, yaitu Uji F dan Bartlett.
Makalah ini membahas tentang penyebaran ketidakpastian dalam pengukuran fisika. Beberapa poin penting yang dibahas antara lain ketidakpastian dalam pengukuran langsung, aturan akar kuadrat pada perhitungan ketidakpastian, penjumlahan dan pengurangan serta perkalian dan pembagian ketidakpastian, dan rumus umum untuk menghitung ketidakpastian penyebaran.
Berdasarkan analisis data keuangan tiga produk tabungan bank BCA selama satu tahun, terdapat perbedaan rata-rata keuntungan antara produk Tahapan BCA dengan Tapres BCA namun tidak terdapat perbedaan antara Tahapan BCA dengan BCA Dollar. Produk Tapres BCA memberikan keuntungan rata-rata lebih rendah dibandingkan Tahapan BCA.
Modul ini membahas konsep-konsep elektronika digital lanjut seperti sum term, product term, schmitt trigger, paritas, latches, flip-flop, dan counter serta cara mengaplikasikannya dalam pembuatan sirkit elektronik."
Workshop "CSR & Community Development (ISO 26000)"_di BALI, 26-28 Juni 2024Kanaidi ken
Β
Dlm wktu dekat, Pelatihan/WORKSHOP βCSR/TJSL & Community Development (ISO 26000)β akn diselenggarakan di Swiss-BelHotel β BALI (26-28 Juni 2024)...
Dgn materi yg mupuni & Narasumber yg kompeten...akn banyak manfaat dan keuntungan yg didpt mengikuti Pelatihan menarik ini.
Boleh jga info iniπ utk dishare_kan lgi kpda tmn2 lain/sanak keluarga yg sekiranya membutuhkan training tsb.
Smga Bermanfaat
Thanks Ken Kanaidi
Materi ini membahas tentang defenisi dan Usia Anak di Indonesia serta hubungannya dengan risiko terpapar kekerasan. Dalam modul ini, akan diuraikan berbagai bentuk kekerasan yang dapat dialami anak-anak, seperti kekerasan fisik, emosional, seksual, dan penelantaran.
Pendidikan inklusif merupakan sistem pendidikan yang
memberikan akses kepada semua peserta didik yang
memiliki kelainan, bakat istimewa,maupun potensi tertentu
untuk mengikuti pendidikan maupun pembelajaran dalam
satu lingkungan pendidikan yang sama dengan peserta didik
umumlainya
Modul Ajar Bahasa Inggris Kelas 11 Fase F Kurikulum MerdekaFathan Emran
Β
Modul Ajar Bahasa Inggris Kelas 11 SMA/MA Fase F Kurikulum Merdeka - abdiera.com, Modul Ajar Bahasa Inggris Kelas 11 SMA/MA Fase F Kurikulum Merdeka, Modul Ajar Bahasa Inggris Kelas 11 SMA/MA Fase F Kurikulum Merdeka, Modul Ajar Bahasa Inggris Kelas 11 SMA/MA Fase F Kurikulum Merdeka, Modul Ajar Bahasa Inggris Kelas 11 SMA/MA Fase F Kurikulum Merdeka, Modul Ajar Bahasa Inggris Kelas 11 SMA/MA Fase F Kurikulum Merdeka
Modul Ajar Bahasa Inggris Kelas 10 Fase E Kurikulum MerdekaFathan Emran
Β
Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka - abdiera.com. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka.
1. 35
BAB I
PENDAHULUAN
1.1. Latar Belakang
Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan bilamana
suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Distribusi ini
dikemukakan pertama kali oleh seorang ahli matematika berkebangsaan Swiss yang bernama
J. Bernoulli (1654-1705).
Dimana proses Bernoulli memiliki ciri-ciri dimana eksperimen berlangsung n kali dan
tiap eksperimen berlangsung dalam cara dan kondisi yang sama. Untuk setiap eksperimen
hanya ada 2 kejadian yang mungkin terjadi, dimana 2 kejadian tersebut adalah saling
asing dan juga independen satu sama lain. Biasanya 2 kejadian tersebut
dinotasikan sebagai kejadian sukses dan kejadian gagal. Sedangkan jika sampling dilakukan
tanpa pengembalian dari kejadian sampling yang diambil dari populasi dengan kejadian βk
ejadian terbatas, proses Bernouli tidak dapat digunakan, karena ada perubahan secara
sistematis dalam probabilitas sukses seperti kejadian-kejadian yang diambil dari populasi.
1.2. Tujuan Praktikum
Dari kegiatan praktikum yang dilakukan, praktikan diharapkan :
1. Lebih memahami dan menguasai konsep distribusi binomial.
2. Penguasaan terhadap konsep binomial dapat mempermudah dalam melakukan riset
ilmiah hususnya dalam aplikasi untuk penelitian kerja praktek maupun tugas akhir.
2. 36
BAB II
LANDASAN TEORI
Jika p merupakan probabilitas dari suatu kejadian yang akan terjadi pada sembarang
kejadian tunggal (disebut probabilitas sukses) dan q = 1 β p adalah probabilitas yang gagal
terjadi dalam sembarang percobaant unggal (disebut probabilitas kegagalan) maka
probabilitas yang akan terjadi adalah tepat X kali dalam N percobaan (yaitu X sukses dan N β
X kegagalan akan berlangsung) maka peluangnya dapat dihitung dengan rumus :
b(X,N,p) ; P(X) = ( ) , dimana X = 0, 1, 2, β¦, N.
dengan :
( ) = ( )
, dimana N! = N(N β 1)(N β 2)β¦ 1 . 0! = 1
Percobaan Binomial memiliki ciri β ciri sebagai berikut :
a. Percobaannya terdiri atas n ulangan.
b. Dalam setiap ulangan, hasilnya dapat digolongkan sebagai berhasil atau gagal.
c. Peluang berhasil, yang dilambangkan dengan p, untuk setiap ulangan adalah sama,
tidak berubah β ubah.
d. Ulangan β ulangan tersebut bersifat bebas satu sama lain
Berikut ini merupakan beberapa sifat dari distribusi binomial :
Tabel 3.1. Sifat-Sifat Distribusi Binomial
Nilai Tengah
Varians = Npq
Simpangan Baku β
Koefisien Momen Kemencengan
β
Koefisien Momen Kurtosis = 3 +
3. 37
BAB III
METODE PRAKTIKUM
3.1. Waktu dan Tempat
Praktikum ini (Modul III β Distribsui Binomial) dilakukan pukul 13.00 β 15.00 WIT
pada hari Sabtu, 11 April 2015. Praktikum dilakukan di Lab Komputasi (Computation And
Operaton Research Laboratory), Fakultas Teknik, Universitas Pattimura Ambon.
3.2. Alat dan Bahan
Dalam praktikum ini, alat-alat yang digunakan adalah :
1. Sejumlah kelereng
2. Software Minitab 14, SPSS 16, dan MS Excel 2007
3. Alat tulis dan lembar kerja
3.3. Metode dan Pengolahan Data
Pada praktikum ini dilakukan pengambilan kelereng, yang terdiri atas 35 kelereng
bening dan 15 kelereng putih, dengan mengasumsikan bahwa kelereng putih adalah cacat.
Setelah dilakukan pengambilan sebanyak 20 kali dengan sekali pengambilan jumlahnya
bervariasi, yaitu dari 2 pengambilan sekaligus hingga10 pengambilan sekaligus.
Setelah dilakukan praktikum, data tersebuh kemudian diolah dengan metode pengolahan
kuantitatif, dimana data-data yang dipakai adalah data-data primer yang kemudian dianalisa
dengan pengolahan statistik menggunakan software Microsoft Excel 2007, Minitab 14 dan
SPSS 16. Selain itu, metode kualitatif juga diperlukan untuk memberikan penjelasan dengan
kata-kata terhadap hasil pengolahan data tersebut. Atau dapat dikatakan bahwa metode
kuantitatif dikualitatifkan, guna lebih memperjelas analisa data.
4. 38
BAB IV
MATERI
4.1. Laporan Data Kegiatan
Praktikum ini (Modul III β Distribsui Binomial) dilakukan pukul 13.00 β 15.00 WIT
pada hari Sabtu, 11 April 2015, dan dilakukan di Lab Komputasi (Computation And
Operaton Research Laboratory). Sebelum memulai praktikum, praktikan harus
mengumpulkan laporan sementara, dan menjawab tiga soal pertanyaan yang adalah kuis awal
yang wajib diikuti oleh setiap praktikan yang akan melakukan praktikum. Kemudian asisten
lab mengelompokkan setiap praktikan ke dalam 6 kelompok (kelompok pertama dimulai
dengan angka 6 dan seterusnya hingga yang terakhir angka 11). Proses praktikum pun dimulai
dengan melakukan pengambilan kelereng, yang terdiri atas 35 kelereng bening dan 15
kelereng putih, dengan mengasumsikan bahwa kelereng putih adalah cacat. Langkah-langkah
melakukan percobaan adalah sebagai berikut :
1. Hitunglah jumlah kelereng yang digunakan catat berapa jumlah kelereng cacat dan
tidak cacat.
2. Lakukan pengambilan sebanyak 2-10 kelereng sekaligus kemudian catat berapa
jumlah kelereng yang cacat pada saat pengambilan dan masukkan kedalam lembar
kerja.
3. Lakukan langkah kedua dan amati setiap pengambilan sampai ke pengamatan terakhir
pada setiap pengambilan kelereng.
4.2. Hasil Percobaan
Berikut adalah data hasil pengambilan kelereng sebanyak 2 hingga 10 pengambilan
sekaligus yang dilakukan saat melakukan praktikum, seperti yang ditampilkan dalam tabel di
bawah ini :
5. 39
Tabel 3.2. Data Pengambilan Kelereng
Setelah dilakukan praktikum, kemudian data yang telah ada diolah dengan
menggunakan software Microsoft Excel 2007, MiniTab 14 dan SPSS 16, yang kemudian hasil
pengolahan tersebut dapat dianalisa lebih lanjut.
4.3. Analisa Data
Untuk menganalisa data hasil pengambilan kelereng, dapat dilakukan sambil dibantu
dengan menjawab beberapa pertanyaan seperti yang terdapat di bawah ini :
1. Tampilkan hasil nilai tengah (median), nilai variansi, nilai koefisien momen
kemencengan (skewness), nilai koefisien momen kurtosis, nilai peluang (probability)
munculnya yang cacat, dan gambar histogram dari masing-masing pengambilan
kelereng dengan menggunakan salah satu software Microsoft Excel 2007, Minitab 14
atau SPSS 16!
2. Tampilkan nilai koefisien momen kemencengan (skewness) dan nilai koefisien
momen kurtosis jika jumlah data diperbesar (pilih salah satu sampel pengambilan
kelereng) dan jelaskan pendapat anda tentang hasil yang didapatkan!
PENGAMBILAN KE 2 3 4 5 6 7 8 9 10
1 2 2 4 3 4 5 6 0 9
2 1 1 2 4 6 5 4 4 8
3 2 1 3 3 5 7 7 5 5
4 2 3 3 3 0 3 5 7 8
5 1 2 4 3 3 0 5 0 0
6 1 2 4 3 5 5 5 7 8
7 2 1 4 1 3 2 4 1 7
8 1 2 3 0 5 4 4 8 4
9 2 3 3 3 3 7 3 4 8
10 2 3 4 3 3 6 5 0 6
11 2 3 3 2 4 3 7 0 5
12 1 3 4 2 5 7 8 9 4
13 0 2 3 4 4 6 7 4 7
14 1 3 1 3 6 7 6 5 5
15 1 2 3 2 5 4 5 6 6
16 2 1 3 3 5 5 5 0 9
17 1 3 3 3 4 0 4 6 8
18 2 2 0 2 4 6 3 5 6
19 2 3 2 1 0 4 8 5 5
20 1 2 4 5 4 1 8 0 7
JUMLAH CACAT 1 0 1 1 2 2 0 6 1
6. 40
3. Buatlah contoh penerapan distribusi binomial dalam dunia industri!
PembahasanSoal dan Analisa Data
1. Berikut adalah hasil pengolahan data statistik dengan menggunakan software
Microsoft Excel 2007, Minitab 14 dan SPSS 16 :
a. Microsoft Excel 2007
Tabel 3.3. Data Statistik Pengambilan Kelereng
Menggunakan Microsoft Excel 2007
b. MiniTab 14
Tabel 3.4. Data Statistik Pengambilan Kelereng
Menggunakan MiniTab 14
Total
Variable Count Mean StDev Variance Median Range Skewness Kurtosis
P2 20 1.450 0.605 0.366 1.500 2.000 -0.58 -0.46
P3 20 2.200 0.768 0.589 2.000 2.000 -0.37 -1.13
P4 20 3.000 1.076 1.158 3.000 4.000 -1.41 2.17
P5 20 2.650 1.137 1.292 3.000 5.000 -0.41 0.88
P6 20 3.900 1.619 2.621 4.000 6.000 -1.31 1.86
P7 20 4.350 2.254 5.082 5.000 7.000 -0.67 -0.46
P8 20 5.450 1.605 2.576 5.000 5.000 0.27 -0.99
P9 20 3.800 3.037 9.221 4.500 9.000 -0.09 -1.31
P10 20 6.250 2.149 4.618 6.500 9.000 -1.21 2.38
2 3 4 5 6 7 8 9 10
MEAN 1.45 2.20 3.00 2.65 3.90 4.35 5.45 3.80 6.25
MODUS 2 2 3 3 4 5 5 0 8
MEDIAN 1.5 2 3 3 4 5 5 4.5 6.5
VARIANSI 0.365789 0.589474 1.157895 1.292105 2.621053 5.081579 2.576316 9.221053 4.618421
SKEWNESS -0.58286 -0.37213 -1.40806 -0.41269 -1.30978 -0.66997 0.270038 -0.08922 -1.2086
KURTOSIS -0.4593 -1.13095 2.172176 0.880497 1.855084 -0.46342 -0.98879 -1.31349 2.384742
PELUANG 0.05 0 0.05 0.05 0.1 0.1 0 0.3 0.05
DISTRIBUSI
BINOMINAL
0.73584 1 0.73584 0.73584 0.676927 0.676927 1 0.60801 0.73584
7. 41
0.00%
50.00%
100.00%
150.00%
0
2
4
6
8
10
1
More
0
0.5
1.5
Frequency
Bin
Histogram 2 Sekaligus
Frequency
Cumulative %
0.00%
50.00%
100.00%
150.00%
0
2
4
6
8
10
More
2
1
1.5
2.5
Frequency
Bin
Histogram 3 Sekaligus
Frequency
Cumulative %
c. SPSS 16
Tabel 3.5. Data Statistik Pengambilan Kelereng
Menggunakan SPSS 14
Statistics
p_2 p_3 p_4 p_5 p_6 p_7 p_8 p_9 p_10
Mean 1.45 2.20 3.00 2.65 3.90 4.35 5.45 3.80 6.25
Median 1.50 2.00 3.00 3.00 4.00 5.00 5.00 4.50 6.50
Mode 2 2 3 3 4 5 5 0 8
Std. Deviation .605 .768 1.076 1.137 1.619 2.254 1.605 3.037 2.149
Variance .366 .589 1.158 1.292 2.621 5.082 2.576 9.221 4.618
Skewness -.583 -.372 -1.408 -.413 -1.310 -.670 .270 -.089 -1.209
Kurtosis -.459 -1.131 2.172 .880 1.855 -.463 -.989 -1.313 2.385
Untuk gambaran histogram dari masing-masing pengambilan, dapat dilihat seperti yang
di bawah ini :
a. Menggunakan Microsoft Excel 2007
Gambar 3.1. di samping ini menunjukkan bentuk
histogram untuk pengambilan 2 sekaligus
kelereng dengan menggunakan Microsotf Excel
2007, memiliki nilai modus 2 dan nilai mean
1.45
Gambar 3.2. di samping ini menunjukkan bentuk
histogram untuk pengambilan 3 sekaligus
kelereng dengan menggunakan Microsotf Excel
2007, memiliki nilai modus 2 dan nilai mean 2.20
Gambar 3.1.
Histogram Pengambilan 2 Sekaligus - Excel
Gambar 3.2.
Histogram Pengambilan 3 Sekaligus - Excel
8. 42
0.00%
50.00%
100.00%
150.00%
0
2
4
6
8
10
3.75
2.5
More
1.25
0
Frequency
Bin
Histogram 5 Sekaligus
Frequency
Cumulative %
0.00%
50.00%
100.00%
150.00%
0
2
4
6
8
10
3
More
2
0
1
Frequency
Bin
Histogram 4 Sekaligus
Frequency
Cumulative %
0.00%
50.00%
100.00%
150.00%
0
2
4
6
8
10
More
4.5
3
0
1.5
Frequency
Bin
Histogram 6 Sekaligus
Frequency
Cumulative %
0.00%
50.00%
100.00%
150.00%
0
2
4
6
8
More
5.25
3.5
0
1.75
Frequency
Bin
Histogram 7 Sekaligus
Frequency
Cumulative %
Gambar 3.3. di samping ini menunjukkan bentuk
histogram untuk pengambilan 4 sekaligus
kelereng dengan menggunakan Microsotf Excel
2007, memiliki nilai modus 3 dan nilai mean 3.00
Gambar 3.4. di samping ini menunjukkan
bentuk histogram untuk pengambilan 5
sekaligus kelereng dengan menggunakan
Microsotf Excel 2007, memiliki nilai modus 3
dan nilai mean 2.65
Gambar 3.5. di samping ini menunjukkan
bentuk histogram untuk pengambilan 6
sekaligus kelereng dengan menggunakan
Microsotf Excel 2007, memiliki nilai modus 4
dan nilai mean 3.90
Gambar 3.6. di samping ini menunjukkan
bentuk histogram untuk pengambilan 7
sekaligus kelereng dengan menggunakan
Microsotf Excel 2007, memiliki nilai modus 5
dan nilai mean 4.35
Gambar 3.3.
Histogram Pengambilan 4 Sekaligus - Excel
Gambar 3.4.
Histogram Pengambilan 5 Sekaligus - Excel
Gambar 3.5.
Histogram Pengambilan 6 Sekaligus - Excel
Gambar 3.6.
Histogram Pengambilan 7 Sekaligus - Excel
9. 43
0.00%
50.00%
100.00%
150.00%
0
2
4
6
8
Frequency
Bin
Histogram 8 Sekaligus
Frequency
Cumulative %
0.00%
50.00%
100.00%
150.00%
0
2
4
6
8
6.75
0
More
4.5
2.25
Frequency
Bin
Histogram 9 Sekaligus
Frequency
Cumulative %
0.00%
50.00%
100.00%
150.00%
0
5
10
More
6.75
4.5
0
2.25
Frequency
Bin
Histogram 10 Sekaligus
Frequency
Cumulative %
Gambar 3.7. di samping ini menunjukkan
bentuk histogram untuk pengambilan 8
sekaligus kelereng dengan menggunakan
Microsotf Excel 2007, memiliki nilai modus 5
dan nilai mean 5.45
Gambar 3.8. di samping ini menunjukkan
bentuk histogram untuk pengambilan 9
sekaligus kelereng dengan menggunakan
Microsotf Excel 2007, memiliki nilai modus 0
dan nilai mean 3.80
Gambar 3.9. di samping ini menunjukkan
bentuk histogram untuk pengambilan 10
sekaligus kelereng dengan menggunakan
Microsotf Excel 2007, memiliki nilai modus 8
dan nilai mean 6.25
Gambar 3.7.
Histogram Pengambilan 8 Sekaligus - Excel
Gambar 3.8.
Histogram Pengambilan 9 Sekaligus - Excel
Gambar 3.9.
Histogram Pengambilan 10 Sekaligus - Excel
10. 44
b. Menggunakan MiniTab 14
Gambar 3.10. di samping ini menunjukkan
bentuk histogram untuk pengambilan 2
sekaligus kelereng dengan menggunakan
MiniTab 14, memiliki nilai modus 2 dan nilai
mean 1.45. Bila dilihat dari kurtosisnya,
memiliki bentuk kurva mesokurtik (runcing),
dan apabila dilihat dari skewnessnya, data
simetris dan terdistribusi normal.
Gambar 3.11. di samping ini menunjukkan
bentuk histogram untuk pengambilan 3 sekaligus
kelereng dengan menggunakan MiniTab 14,
memiliki nilai modus 2 dan nilai mean 2.20. Bila
dilihat dari kurtosisnya, memiliki bentuk kurva
mesokurtik (runcing), dan apabila dilihat dari
skewnessnya, data simetris dan terdistribusi
normal.
Gambar 3.12. di samping ini menunjukkan
bentuk histogram untuk pengambilan 4
sekaligus kelereng dengan menggunakan
MiniTab 14, memiliki nilai modus 3 dan nilai
mean 3.00. Bila dilihat dari kurtosisnya,
memiliki bentuk kurva platikurtik (lebih datar),
dan apabila dilihat dari skewnessnya, data
condong ke kanan (positif) dan terdistribusi
normal.
Gambar 3.10.
Histogram Pengambilan 2 Sekaligus - MiniTab
Gambar 3.11.
Histogram Pengambilan 3 Sekaligus - MiniTab
Gambar 3.12.
Histogram Pengambilan 4 Sekaligus - MiniTab
p4
Frequency
543210
9
8
7
6
5
4
3
2
1
0
Mean 3
StDev 1.076
N 20
Histogram(with Normal Curve) of p4
p2
Frequency
210
14
12
10
8
6
4
2
0
Mean 1.45
StDev 0.6048
N 20
Histogram(with Normal Curve) of p2
p3
Frequency
4321
10
8
6
4
2
0
Mean 2.2
StDev 0.7678
N 20
Histogram(with Normal Curve) of p3
11. 45
Gambar 3.13. di samping ini menunjukkan
bentuk histogram untuk pengambilan 5 sekaligus
kelereng dengan menggunakan MiniTab 14,
memiliki nilai modus 3 dan nilai mean 2.65. Bila
dilihat dari kurtosisnya, memiliki bentuk kurva
mesokurtik (runcing), dan apabila dilihat dari
skewnessnya, data simetris dan terdistribusi
normal.
Gambar 3.14. di samping ini menunjukkan bentuk
histogram untuk pengambilan 6 sekaligus
kelereng dengan menggunakan MiniTab 14,
memiliki nilai modus 4 dan nilai mean 3.90. Bila
dilihat dari kurtosisnya, memiliki bentuk kurva
mesokurtik (runcing), dan apabila dilihat dari
skewnessnya, data condong ke kanan (positif) dan
terdistribusi normal.
Gambar 3.15. di samping ini menunjukkan
bentuk histogram untuk pengambilan 7 sekaligus
kelereng dengan menggunakan MiniTab 14,
memiliki nilai modus 5 dan nilai mean 4.35. Bila
dilihat dari kurtosisnya, memiliki bentuk kurva
mesokurtik (runcing), dan apabila dilihat dari
skewnessnya, data simetris dan terdistribusi
normal.
Gambar 3.13.
Histogram Pengambilan 5 Sekaligus - MiniTab
Gambar 3.14.
Histogram Pengambilan 6 Sekaligus - MiniTab
Gambar 3.15.
Histogram Pengambilan 7 Sekaligus - MiniTab
p5
Frequency
543210
10
8
6
4
2
0
Mean 2.65
StDev 1.137
N 20
Histogram(with Normal Curve) of p5
p6
Frequency
76543210
6
5
4
3
2
1
0
Mean 3.9
StDev 1.619
N 20
Histogram(with Normal Curve) of p6
p7
Frequency
86420
4
3
2
1
0
Mean 4.35
StDev 2.254
N 20
Histogram(with Normal Curve) of p7
12. 46
Gambar 3.16. di samping ini menunjukkan
bentuk histogram untuk pengambilan 8
sekaligus kelereng dengan menggunakan
MiniTab 14, memiliki nilai modus 5 dan nilai
mean 5.45. Bila dilihat dari kurtosisnya,
memiliki bentuk kurva mesokurtik (runcing),
dan apabila dilihat dari skewnessnya, data
simetris dan terdistribusi normal.
Gambar 3.17. di samping ini menunjukkan bentuk
histogram untuk pengambilan 9 sekaligus kelereng
dengan menggunakan MiniTab 14, memiliki nilai
modus 0 dan nilai mean 3.80. Bila dilihat dari
kurtosisnya, memiliki bentuk kurva mesokurtik
(runcing), dan apabila dilihat dari skewnessnya,
data simetris dan terdistribusi normal.
Gambar 3.18. di samping ini menunjukkan bentuk
histogram untuk pengambilan 10 sekaligus
kelereng dengan menggunakan MiniTab 14,
memiliki nilai modus 8 dan nilai mean 6.25. Bila
dilihat dari kurtosisnya, memiliki bentuk kurva
platikurtik (lebih datar), dan apabila dilihat dari
skewnessnya, data lebih condong ke kanan (positif)
dan terdistribusi normal.
Gambar 3.16.
Histogram Pengambilan 8 Sekaligus - MiniTab
Gambar 3.17.
Histogram Pengambilan 9 Sekaligus - MiniTab
Gambar 3.18.
Histogram Pengambilan 10 Sekaligus - MiniTab
p8
Frequency
98765432
6
5
4
3
2
1
0
Mean 5.45
StDev 1.605
N 20
Histogram(with Normal Curve) of p8
p9
Frequency
1086420-2
6
5
4
3
2
1
0
Mean 3.8
StDev 3.037
N 20
Histogram(with Normal Curve) of p9
p10
Frequency
1086420
5
4
3
2
1
0
Mean 6.25
StDev 2.149
N 20
Histogram(with Normal Curve) of p10
13. 47
c. Menggunakan SPSS 16
Gambar 3.19.
Histogram Pengambilan 2 dan 3 Sekaligus β SPSS
Histogram untuk pengambilan 2 dan 3 kelereng sekaligus dapat dilihat pada gambar 3.19. di
atas. Dari gambar tersebut, terlihat bahwa bentuk kurva untuk pengambilan 2 kelereng jika dilihat
pada kurtosisnya adalah runcing (mesokurtik), dimana data terdistribusi normal dan simetris jika
dilihat pada skewnessnya. Nilai modus adalah 2, dan ini sesuai dengan tabel pengamatan. Sedangkan
untuk pengambilan 3 sekaligus kelereng, terlihat bahwa nilai modus adalah 2. Jika data dilihat
menurut kurtosisnya, maka kurva berbentuk runcing (mesokurtik), dan skewnessnya menunjukkan
bahwa data simetris dan terdistribusi normal.
Gambar 3.20.
Histogram Pengambilan 4 dan 5 Sekaligus β SPSS
14. 48
Gambar 3.20. di atas menunjukkan bentuk histogram untuk pengambilan 4 dan 5 kelereng
sekaligus. Untuk pengambilan 4 kelereng, nilai modus adalah 3 dan bila dilihat dari kurtosisnya, maka
terlihat kurva berbentuk lebih datar (platikurtik). Dari kurtosisnya, terlihat bahwa data terdistribusi
normal dan simetris. Sedangkan untuk pengambilan 5 kelereng, bentuk kurva bila dilihat dari
kurtosisnya adalah mesokurtik (runcing), dengan data simetris juga terdistribusi normal bila dilihat
dari skewnessnya. Nilai modus untuk pengambikan 5 sekaligus adalah 3.
Gambar 3.21.
Histogram Pengambilan 6 dan 7 Sekaligus β SPSS
Untuk melihat bentuk histogram pengambilan sekaligus 6 dan 7 kelereng, dapat dilihat
pada gambar 3.21. di atas. Dengan nilai modus adalah 4, bentuk kurva dari pengambilan 6
kelereng adalah mesokurtik (runcing) jika dilihat dari kurtosisnya. Data simetris dan
terdistribusi normal bila dilihat dari skewnessnya. Sedangkan pada pengambilan 7 kelereng,
bentuk kurva jika dilihat dari kurtosisnya adalah mesokurtik (runcing), dan jika dilihat dari
skewnessnya data simetris dan terdistribusi normal. Nilai modus untuk pengambilan 7
kelereng adalah 5.
Gambar 3.22. Histogram Pengambilan 8 dan 9 Sekaligus β SPSS
15. 49
Gambar 3.22. di atas menampilkan bentuk dari histogram untuk pengambilan sekaligus
8 dan 9 kelereng. Nilai modus untuk pengambilan 8 kelereng adalah 5, dan nilai modus untuk
pengambilan 9 kelereng adalah 0. Pada pengambilan 8 kelereng, bentuk dari kurva yang
dihasilkan bila dilihat pada kurtosisnya adalah mesokurtik (runcing), dan data yang dihasilkan
bila dilihat pada skewnessnya adalah simetris dan terdistribusi normal. Sedangkan untuk
pengambilan 9 kelereng sendiri, jika dilihat dari kurtosisnya, maka bentuk kurva yang
dihasilkan adalah mesokurtik (runcing). Data yang dihasilkan simetris dan terdistribusi normal
bila dilihat dari skewnessnya.
Gambar 3.23. di atas menampilkan bentuk dari histogram untuk pengambilan sekaligus
10 kelereng. Nilai modus dari data adalah 8. Bentuk kurva bila dilihat dari kurtosisnya adalah
platikurtik (lebih datar). Dan bila dilihat dari skewnessnya, data condong ke kanan (positif)
dan terdistribusi normal
Gambar 3.23.
Histogram Pengambilan 10 Sekaligus - SPSS
16. 50
2. Nilai koefisien momen kemencengan (skewness) dan nilai koefisien momen
keruncingan (kurtosis) jika jumlah data diperbesar adalah sebagai berikut :
Tabel 3.6. Data Skewness dan Kurtosis Setelah Data Diperbesar
PENGAMBILAN
KE
2 3 4 5 6 7 8 9 10
1 2 2 4 3 4 5 6 0 9
2 1 1 2 4 6 5 4 4 8
3 2 1 3 3 5 7 7 5 5
4 2 3 3 3 0 3 5 7 8
5 1 2 4 3 3 0 5 0 0
6 1 2 4 3 5 5 5 7 8
7 2 1 4 1 3 2 4 1 7
8 1 2 3 0 5 4 4 8 4
9 2 3 3 3 3 7 3 4 8
10 2 3 4 3 3 6 5 0 6
11 2 3 3 2 4 3 7 0 5
12 1 3 4 2 5 7 8 9 4
13 0 2 3 4 4 6 7 4 7
14 1 3 1 3 6 7 6 5 5
15 1 2 3 2 5 4 5 6 6
16 2 1 3 3 5 5 5 0 9
17 1 3 3 3 4 0 4 6 8
18 2 2 0 2 4 6 3 5 6
19 2 3 2 1 0 4 8 5 5
20 1 2 4 5 4 1 8 0 7
DATA
TAMBAHAN
2 1 3 3 5 5 5 0 9
1 3 3 3 4 0 4 6 8
2 2 0 2 4 6 3 5 6
2 3 2 1 0 4 8 5 5
1 2 4 5 4 1 8 0 7
SKEWNESS -0.59217 -0.36596 -1.2909 -0.13984 -1.32284 -0.57429 0.254089 -0.10772 -1.20131
KURTOSIS -0.53974 -1.13737 1.344634 0.4639 1.458335 -0.79669 -1.19265 -1.33503 2.566994
Setelah data ditambahkan, maka praktikan dapat berpendapat bahwa pada pengambilan data
10 sekaligus, nilai skewness dan nilai kurtosis setelah data ditambahkan, nilainya akan
bertambah, Ini disebakan oleh karena peluang mendapatkan kelereng cacat semakin kecil dan
peluang kelereng yang tidak cacat semakin besar atau tidak ada. Sedangkan pada pengambilan
yang lain (yang lebih kecil pengambilan data sekaligus), data nilai skewness dan nilai kurtosis
mengalami penurunan karena peluang terambilnya kelereng yang cacat semakin besar dan
mempengaruhi nilai skewness dan nilai kurtosis. Pada keadaan normal, bentuk kurva akan
runcing dan simetris. Namun bila nilai kurtosis dan skewness semakin besar (> Z-kurtosis dan
skewness), maka bentuk kurva akan lebih datar (platikurtik) dan condong ke kanan (positif).
17. 51
Bila nila kurtosis semakin kecil (< Z-kurtosis dan skewness), maka bentuk kurva akan lebih
runcing dan condong kea rah kiri (negatif).
3. Contoh penerapan distribusi binomial dalam dunia industri antara lain dipakai
dalam melakukan uji pengendalian kualitas sebuah produk. Misalkan pada industri minuman.
Distribusi binomial dapat diterapkan untuk mengetahui peluang kecacatan pada kemasan
minuman dengan 4 rasa berbeda. Harapannya agar mengetahui peluang sukses atau gagalnya
dalam suatu kejadian.
Selain analisa di atas, terdapat beberapa analisa tambahan. Dimana terlihat bahwa
semakin besar pengambilan kelereng sekaligus, maka semakin sedikit peluang munculnya
kelereng cacat. Jika kita bayangkan contoh ini ke dalam dunia industri, maka dari banyaknya
jumlah sampel yang sesuai ukuran sebuah produk yang dibuat oleh sebuah perusahan, dapat
dilihat probabilitas berhasilnya perusahaan tersebut dalam memproduksi produk sesuai
dengan standar yang telah ditentukan tanpa harus membuang-buang waktu untuk memeriksa
sekian banyak produk satu-persatu.
Dan dari ketiga software yang digunakan untuk mengolah data, dapat praktikan
simpulkan bahwa data yang disajikan oleh Microsoft Excel lebih terperinci. Namun software
ini memiliki kelemahan dimana gambar histogram yang dihasilkan, datanya tidak dapat
dibaca dengan mudah. Sedangkan tampilan histogram yang dihasilkan MiniTab sangat
memudahkan proses pembacaan hasil pengolahan data, walaupun memiliki kekurangan sebab
pada MiniTab 14, tidak terdapat fitur untuk menampilkan nilai modus.
18. 52
BAB V
KESIMPULAN
Setelah melakukan praktium, dapat praktikan simpulkan bahwa :
1. Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan
bilamana suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli.
Dimana Percobaan terdiri dari beberapa usaha, dengan tiap-tiap ulangan percobaan
bebas satu sama lainnya.
2. Jika distribusi binomial diterapkan ke dalam dunia industri, maka dari banyaknya
jumlah sampel yang sesuai ukuran sebuah produk yang dibuat oleh sebuah perusahan,
dapat dilihat probabilitas berhasilnya perusahaan tersebut dalam memproduksi produk
sesuai dengan standar yang telah ditentukan tanpa harus membuang-buang waktu
untuk memeriksa sekian banyak produk satu-persatu.
19. 53
DAFTAR PUSTAKA
Tupan, Johan.M. Modul Praktikum Teori Peluang, MiniTab 14, SPSS 16 & MS.Excel
2007.2015.Ambon: Fakultas Teknik, Universitas Pattimura
Adriani, Debrina Puspita. Distribusi Probabilitas Diskrit: Binomial &
Multinomial PDF.2014.Malang: Universitas Brawijaya
Dasari, Dadan. Statistik Dasar 4 PDF
http://jam-statistic.blogspot.com/2014/03/uji-normalitas-data-skewness-kurtosis.html