SlideShare a Scribd company logo
1 of 53
STATISTIK INDUSTRI 1 --- 
PENDAHULUAN 
Dr. Auditya Purwandini Sutarto
Definisi 
• Statistik diartikan 
▫ Numerical description = deskripsi numerik 
▫ Diasosiasikan sebagai kumpulan data 
▫ Ciri dari sebagian objek yang diamati 
• Statistik menunjukan pada informasi tentang 
bermacam-macam kegiatan dalam bentuk angka
Definisi STATISTIK 
▫ Menurut Random House College of Dictionary 
 ilmu yang berhubungan dengan 
pengumpulan, pengklasifikasian, analisis, dan 
interpretasi fakta numerik atau data 
▫ Menurut Schaum’s ; Murray R Spiegel  Ilmu 
pengetahuan yang berhubungan dengan metode – metode 
ilmiah untuk pengumpulan, pengorganisasian, 
perangkuman dan penganalisisan data di samping terkait 
pula dengan metode – metode untuk penarikan 
kesimpulan yang valid serta pengambilan keputusan yang 
berdasarkan alasan-alasan yang ilmiah dan kuat yang 
memperoleh dari hasil analisis tadi
Kegunaan 
▫ Analisis data 
▫ Peramalan/prediksi 
▫ Uji hipotesa 
Contoh Masalah Statistik 
• Seorang insinyur ingin mengetahui apakah mesin produksi 
yang baru mampu menghasilkan produk dengan cacat lebih 
sedikit? 
• Seberapa efisien konsumsi BBM pada jenis mobil tertentu? 
• Adakah hubungan antara kenaikan tingkat pendidikan 
dengan kemungkinan promosi kerja ? 
• Jika kita menjawab secara acak pada pertanyaan berbentuk 
multiple choice, berapa kemungkinan kita lulus? 
• Bagaimana menerjemahkan hasil polling? Berapa banyak 
sampel diperlukan agar hasilnya akurat? Apa artinya margin 
of error?
Mengapa perlu Belajar Statistik? 
• Menjelaskan hubungan antar variabel 
• Membuat keputusan lebih baik 
• Mengatasi perubahan-perubahan 
• Membuat rencana dan ramalan 
• “It’s remarkable that a science which began with the consideration of games of 
chance should become the most important object of human knowledge …. The most 
important questions of life are, for the most part, really only problems of 
probability “ Pierre Simon, Marquis de Laplace 
• “Statistical thingking will one day be as necessary for efficient citizenship as the 
ability to read an write.” H.G Wells
Kita dibombardir dengan Statistik 
• http://www.bps.go.id/brs_file/sbh_02jan14.pdf 
• http://www.gatra.com/hukum-1/44540-pada-2013,-23-385-tewas-kecelakaan-lalu-lintas.html 
• http://nationalgeographic.co.id/berita/2014/06/orang-indonesia-paling-bahagia-saat-tinggal-di-kota-berpendapatan- 
tinggi-berkeluarga
Statistik dapat Menyesatkan 
• Iklan menyatakan: 
“8 dari 10 dokter gigi memilih sikat gigi Oral B” 
▫ Apa yang salah dari pernyataan ini? 
• Pertimbangkan tingkat komplain mengenai maskapai penerbangan 
yang dipublikasi dalam US News and World Report February 5, 
2001 
▫ Dapatkah kita menyimpulkan 
the United airlines memiliki 
customer service terburuk?
Internet penuh dengan Statistik
Statistik DalamKehidupan Sehari-hari 
• Seiring meningkatnya data yang tersedia dan 
perkembangan teknologi (komputer), statistik 
akan digunakan lebih banyak dan lebih sering 
lagi 
Question: Is it good that statistics 
are used so much and what 
happens when statistics are 
misused?
Salah Interpretasi Statistik 
berakibat Fatal! 
• Pada tahun 1999 Sally Clarke didakwa bersalah atas kematian dua 
orang anaknya saat bayi. Putusan ini dibuat setelah mendengarkan 
keterangan saksi dokter anak Professor Sir Roy Meadow yang 
mengklaim bahwa kemungkinan kematian bayi pada keluarga yg 
menengah dan tdk merokok adalah 1 dalam 8.43, sehingga 
probabilitas kematian dua bayi dalam 1 keluarga adalah 1 dalam 73 
juta (8543 × 8543). 
• Royal Statistical Society membantah hal tersebut bahwa 
probabilitas di atas jika kejadiannya independen, faktanya tidak 
demikian karena masih dalam 1 keluarga. 
• Seorang prof Matematika Ray Hill menyatakan kemungkinan 1 
berbanding 8.453 tidak tepat, karena Meadow tdk 
memperhitungkan jenis kelamin dimana kemungkinan SIDS 
(Suddent infant deaths syndrome) terjadi lebih besar pada bayi laki-laki 
yaitu 1 dalam 1.500. Selain itu Hill menyatakan bahwa odds 
ratio kematian bayi akibat SIDS (Suddent infant death syndrome) 
dan pembunuhan adalah 4,5 : 1 dan 9:1 (didukung penelitian lebih 
lanjut)
Pembagian Ilmu Statistik 
• Statistik deskriptif  statistik yang digunakan 
untuk menggambarkan berbagai karakteristik data atau 
menganalisis suatu statistik hasil penelitian, tetapi tidak 
digunakan untuk membuat kesimpulan yang lebih luas
41 39 88 81 60 8 22 35 95 2 49 72 10 84 7 76 51 80 8 15 5 33 29 75 1 38 
6 49 60 63 64 43 93 42 71 32 33 91 2 43 51 90 69 75 6 23 14 2 78 81 39 
39 13 67 42 51 36 63 29 41 82 33 96 57 83 94 16 77 76 60 74 13 82 16 37 
52 43 81 27 93 81 28 39 53 45 86 15 23 32 43 46 29 97 98 24 47 27 40 41 
35 27 47 36 95 37 87 8 88 79 79 14 47 97 56 78 13 47 2 0 94 53 31 4 57 
84 16 6 24 76 23 52 60 57 24 25 59 20 65 66 36 88 63 48 16 91 24 15 33 
99 79 95 31 75 17 60 68 20 28 21 74 73 42 35 62 56 61 67 80 18 73 12 51 
32 35 80 65 16 20 78 46 43 96 81 25 31 3 9 5 24 2 67 20 76 36 3 88 74 
51 8 18 2 99 68 88 80 55 45 18 59 99 50 13 18 63 39 22 98 48 45 55 85 
59 58 6 33 4 11 33 82 27 89 80 76 7 40 45 68 19 54 91 4 25 70 96 58 11 
77 38 26 62 66 33 26 90 5 80 97 2 81 91 32 41 74 76 99 46 65 64 84 47 6 
11 97 33 11 92 43 83 49 5 33 8 40 30 76 60 80 51 65 18 79 26 68 29 35 
23 36 15 31 77 74 31 64 30 53 90 65 58 45 13 61 34 80 32 40 6 56 60 12 
51 46 94 6 78 81 4 70 59 61 80 70 94 90 8 27 96 48 27 87 53 92 52 18 85 
44 31 28 48 1 24 33 38 57 62 50 26 26 22 50 65 80 73 86 3 100 45 90 50
• Statistik inferensial  suatu pernyataan mengenai 
suatu populasi yang didasarkan pada informasi dari sampel 
random /acak yang diambil dari populasi tersebut .
1. Data dari 1-2 
kasus 
2. Data yang 
dikumpulkan 
tidak jelas 
apakah mewakili 
populasi 
sebenarnya 
Anecdotal Evidence 
1. Seorang bayi setelah mendapatkan 
suntikan vaksin MMR pada saat 3 
thn didiagnosis autis. Jadi vaksin 
MMR berbahaya karena bisa 
memicu autisme. 
2. Saya kenal dua orang mahasiswa 
UWP yang lulus sarjana lebih dari 6 
tahun, jadi kuliah di UWP lulusnya 
lebih lama dibanding PTS lain 
3. Ayahnya sahabat saya menderita 
sesak napas dan meninggal setelah 
diberi suntikan dokter, berarti 
terjadi malpraktik.
Statistik 
Deskriptif 
Inferensial 
Estimasi 
Titik Interval 
Uji 
Hipotesis
Metodologi Statistik 
• Mengidentifikasikan 
persoalan 
• Pengumpulan fakta-fakta 
yang ada 
• Mengumpulkan data asli 
yang baru 
• Klasifikasi data 
• Penyajian data 
• Analisis data
Elemen Statistik 
A. Populasi 
B. Sampel 
C. Variabel 
• Contoh 
• Observasi vs 
Eksperimen 
• Metode Sampling
A. POPULASI 
• Populasi adalah sebagai sekumpulan dari semua 
objek atau individu yang memiliki karakteristik 
tertentu, jelas dan lengkap yang akan diteliti 
• Contoh : 
▫ Semua produk yang dihasilkan pada suatu mesin 
▫ Semua mahasiswa teknik industri di Surabaya 
• Populasi lebih bergantung pada kegunaan dan 
relevansi data yang dikumpulkan
B. SAMPEL 
• Sampel adalah sebagai sekumpulan data yang 
diambil atau diseleksi dari suatu populasi 
• Contoh : 
▫ Populasi = Seluruh mahasiswa teknik industri di 
Surabaya maka sampelnya  mengambil beberapa 
mahasiswa teknik industri dari 1 PTN dan 5 PTS di 
Surabaya 
▫ Populasi =Semua produk yang dihasilkan suatu mesin, 
maka sampelnya adalah sejumlah tertentu produk 
yang dihasilkan mesin tersebut
Contoh 1 
• Misalkan seorang insinyur ditugasi menganalisis data dari suatu 
proses manufaktur dimana terdapat 100 item produk yang di sampling 
dan 10 diantaranya ditemukan cacat. Produk cacat wajar terjadi dan 
telah diantisipasi oleh perusahaan, dengan toleransi sebesar 5%. 
Tampak jelas bahwa 100 item ini merupakan sampel dengan 
populasinya adalah semua produk yang dihasilkan. Angggap bahwa 
suatu proses di’terima’ (acceptable) jika proses tersebut 
menghasilkan tidak lebih dari 5% produk cacat. Namun demikian 
perhitungan statistik (diterangkan kelak) menyatakan probabilitas 
sebesar 0.0282 (2,82%) proses tersebut menghasilkan 10 atau lebih 
produk cacat pada sampel acak sebesar 100. Hal ini mengindikasikan 
bahwa ditemukan lebih dari 10 produk cacat dalam 100 sampel jarang 
terjadi. Jika toleransinya diperbesar maka kemungkinan menemukan 
lebih dari 10 produk cacat juga akan semakin besar
Contoh 2 
• Suatu data dari studi di Virginia Tech yang meneliti 
hubungan antara akar pohon dengan cara kerja suatu 
jenis jamur. Mineral diangkut dari jamur menuju pohon 
dan sebaliknya gula diangkut dari pohon menuju jamur. 
Dua sampel dari 10 pohon oak disemaikan di suatu 
greenhouse, yang satu disemai menggunakan nitrogen, 
sedangkan satunya lagi tanpa nitrogen. Anggap kondisi 
lingkungan sekitar konstan. Semua tanaman tersebut 
mengandung jamur Pisolithus tinctorus. Berat batang 
diukur dalam gram pada akhir hari ke-140 yang datanya 
diringkaskan dalam tabel berikut
• Dalam contoh ini terdapat 2 populasi. Tujuan penelitian 
ini adalah apakah penggunaan nitrogen berpengaruh 
pada pertumbuhan akar. 
• Penelitian ini berbentuk komparasi dengan hasilnya 
diringkaskan dalam bentuk dot plot dimana dot 
mewakili “nitrogen” dan x mewakili “No nitrogen”
• Dari dot plot tampak sepintas bahwa nitrogen menjadikan batang 
lebih berat dibandingkan tanpa nitrogen terlihat juga dari empat 
pengamatan dengan nitrogen yang cukup jauh melampaui. 
Sedangkan tanpa nitrogen berada dibawah rata-rata data. Apakah 
benar-benar efektif penggunaan nitrogen? Untuk itu perlu 
dihitung p-value, suatu pernyataan probabilitas. P-value ini 
merupakan probabilitas data seperti ini dapat diamati dengan 
asumsi (given) bahwa nitrogen benar-benar tidak memiliki efek 
(pengamatan diatas itu hasilnya kebetulan saja terjadi). 
• Hasil perhitungan p-value (diterangkan saat Statistik 2) 
diasumsikan sebesar 0,03 , mengindikasikan bahwa kemungkinan 
hasil tersebut karena kebetulan dan bukan karena memang nitrogen 
berpengaruh sebesar 3% (angka yang cukup kecil) dapat 
disimpulkan Nitrogen berpengaruh terhadap berat batang
Lesson 
learned? 
Hubungan Fundamental antara 
Probabilitas dan Statistik Inferensi 
• Aplikasi dari probabilitas penting dalam menginterpretasikan 
statistik inferensi 
CENTRAL 
DOGMA OF 
STATISTICS 
• Sampel bersama dengan statistik inferensi memungkinkan kita 
mengambil kesimpulan tentang populasi 
• Elemen dalam probabilitas memungkinkan kita mengambil kesimpulan 
mengenai karakteristik dari dugaan/hipotesis mengenai populasi 
berdasarkan sifat-sifat populasi yang telah diketahui sebelumnya
Observational vs Experiment 
Studi Observasi 
• Mengumpulkan data 
melalui pengamatan 
• Hanya dapat 
membantuk suatu 
hubungan antara 
variabel penjelas 
(explanatory) dan 
variabel respon 
• Jika menggunakan 
data masa lampau 
disebut retrospective, 
jika dikumpulkan 
selama masa 
penelitian disebut 
prospective 
Eksperimen 
• Secara acak 
menempatkan subyek 
dalam berbagai 
treatment 
• Dapat membangun 
hubungan kausal 
(sebab akibat) antara 
variabel explanatory 
dan variabel respon
SAMPLING (Teknik Pengambilan 
Sampel) & Sumber Bias
Mengapa Sampling? Mengapa 
bukan Sensus 
Bukankah lebih baik jika melibatkan seluruh orang dan 
mengambil sampel seluruh populasi? = SENSUS 
• Beberapa individu sukar dijangkau atau diukur 
• Populasi jarang statis
Sumber dari Bias dalam Sampling 
• Convenience sample. Individual yang mudah 
diakses dan cenderung mau dilibatkan dalam sampel 
• Non-response: jika hanya suatu fraction (yang tidak 
random) dari orang-orang yang disampling secara acak 
bersedia terlibat dalam suatu survei sehingga sampel 
akhir tidak representasi dari suatu populasi lagi 
• Voluntary response: Terjadi jika sampel terdiri atas 
orang-orang yang bersedia menjawab karena mereka 
memiliki kepentingan atau opini yang kuat terhadap 
suatu isu
Metode Sampling 
• Simple Random Sampling: Memilih kasus 
(cases) dari suatu populasi sedemikian hingga setiap 
kasus mendapat kesempatan yang sama untuk 
terpilih
• Stratified Sampling. Membagi populasi ke 
dalam strata yang homogen lalu memilih sampel 
secara random dalam strata tersebut
• Cluster Sampling. Membagi populasi ke 
dalam cluster-cluster lalu memilih beberapa 
cluster secara random. Selanjutnya mengambil 
secara acak sampel dalam cluster terpilih
Prinsip-prinsip dalam Rancangan 
Eksperimen 
1. Control. Membandingkan suatu perlakuan (treatment) 
dengan kelompok kontrol 
2. Randomize. Menempatkan subyek secara acak ke 
kelompok perlakuan. 
3. Replicate. Mereplikasi suatu studi dalam sampel cukup 
besar atau mereplikasi keseluruhan studi (kasus  the 
hidden messages in water  http://is-masaru-emoto-for- 
real.com/ 
4. Block. Jika dicurigai ada variabel-variabel yang dapat 
mempengaruhi variabel respon, maka kelompokkan 
terlebih dahulu subyek ke dalam blok2 berdasarkan 
variabel-variabel ini lalu randomisasi kasus2 dalam 
setiap blok untuk tiap kelompok perlakuan
Contoh Blocking 
• Kita ingin merancang eksperimen apakah pemberian 
suplemen tertentu membuat orang berlari lebih cepat 
▫ Kelompok perlakuan (treatment) : suplemen 
▫ Kelompok kontrol : tanpa suplement 
• Jika dicurigai suplemen tersebut mempengaruhi 
kelompok atlet profesional dan amatir secara berbeda, 
maka kita perlu mem-blok status pro/amatir tersebut 
▫ Membagi sampel menjadi kelompok pro dan amatir 
▫ Secara acak membagi atlet yang pro dan amatir ke dalam 
kelompok perlakuan dan control 
▫ Atlet pro dan amati secara berimbang terwakili dalam baik 
kelompok perlakuan maupun kontrol
Blocking vs Variabel Explanatory 
• Explanatory variables (atau terkadang disebut 
faktor) adalah kondisi yang kita tentukan pada unit 
eksperimen 
• Blocking variables adalah karakteristik unit 
eksperimen yang ingin kita kontrol 
• Blocking mirip dengan stratifying, digunakan dalam 
situasi eksperimen
Beberapa terminologi lain dalam 
Rancangan Eksperimen 
• Placebo: perlakuan “palsu” sering digunakan sebagai 
kelompok kontrol dalam studi kesehatan 
• Placebo Effect: unit eksperimen menunjukkan peruabhan 
karena percaya mereka telah mendapatkan suatu perlakuan 
• Blinding: unit eksperiment tidak mengetahui apakah 
mereka sesungguhnya berada dalam kelompok kontrol atau 
perlakuan 
• Double-Blind: baik unit eksperimen maupun peneliti tidak 
mengetahui siapa saja yang termasuk dalam kelompok 
kontrol maupun perlakuan
Random Sampling vs 
Random Assignment
C. VARIABEL 
• Dalam melakukan inferensi terhadap populasi, tidak semua ciri 
populasi harus diketahui, hanya satu atau beberapa karakteristik 
populasi yang perlu diketahui, yang disebut sebagai VARIABEL 
• Variabel adalah suatu sifat atau karakteristik dari beberapa obyek, 
kejadian, atau orang yang nilainya dapat bervariasi dan dapat 
dihitung atau diukur 
• Contoh: 
▫ Jenis kelamin 
▫ Usia 
▫ Suku bangsa 
▫ Tinggi badan 
▫ Tingkat pendidikan 
▫ Kecacatan produk (ya/tidak dalam contoh 1) 
▫ Berat batang (contoh 2)
Tipe Variabel 
Variabel 
Numerik / 
Kuantitatif 
Kontinu Diskrit 
Kategori / 
Kualitatif 
Kategori 
Biasa 
Ordinal
Numerik vs Kategori 
Numerik 
• Menggambarkan kuantitas yang 
dapat diukur 
• Dapat dilakukan operasi 
aritmetik seperti penjumlahan, 
pengurangan, diambil rata-ratanya, 
dll 
Kategori 
• Nilai dari suatu nama atau label 
• Kategori dapat diidentifikasikan 
dengan angka tetapi tidak bisa 
dilakukan operasi aritmetik 
Tinggi badan, 
temperatur, 
banyaknya mahasiswa, 
jumlah kk 
Jenis kelamin, tingkat 
pendidikan, bentuk 
rahang
Kontinu Diskrit 
• Variabel numerik yang 
dihitung dan hanya dapat 
bernilai utuh 
• Contoh: banyaknya produk 
cacat, banyaknya 
kemunculan angka 2 dalam 
pelemparan dadu, jumlah 
anak dalam satu keluarga 
Numerik 
• Variabel numerik yang 
dapat diukur dan dapat 
bernilai sembarang 
• Contoh: berat badan, 
kecepatan mobil, kekuatan 
tarik suatu jenis material, 
lifetime baterai
Contoh variabel kontinu 
• Tinggi seseorang yang dapat bernilai 62 cm, 67,5 cm 
atau 68,45678 cm, bergantung pada tingkat akurasi 
pengukurannya 
Contoh Variabel diskrit 
• Jumlah anak dalam sebuah keluarga, yang bernilai bsa 
salah satu dari 0, 1, 2, 3, … tetapi tidak mungkin 2,5 atau, 
3,4567
Ordinal Kategori Biasa 
• Variabel kategori yang 
tidak berurut disebut 
variabel kategori saja 
• Contoh: jenis kelamin, 
merek televisi yang dimiliki 
Kategori 
• Variabel kategori yang 
memiliki urutan 
• Contoh: tingkat kepuasan 
pelanggan, ranking merek 
mobil favorit

More Related Content

What's hot

10.pendugaan interval
10.pendugaan interval10.pendugaan interval
10.pendugaan intervalhartantoahock
 
Statistika-Uji Hipotesis
Statistika-Uji HipotesisStatistika-Uji Hipotesis
Statistika-Uji HipotesisRhandy Prasetyo
 
16. modul peluang (probabilitas) pak sukani
16. modul peluang (probabilitas) pak sukani16. modul peluang (probabilitas) pak sukani
16. modul peluang (probabilitas) pak sukanisukani
 
Riset operasional
Riset operasionalRiset operasional
Riset operasionalHenry Guns
 
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRITBAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRITCabii
 
Distribusi binomial, poisson dan normal
Distribusi binomial, poisson dan normalDistribusi binomial, poisson dan normal
Distribusi binomial, poisson dan normalAYU Hardiyanti
 
Teori pendugaan statistik presentasi
Teori pendugaan statistik presentasiTeori pendugaan statistik presentasi
Teori pendugaan statistik presentasiPerum Perumnas
 
11.statistik parametrik dan non parametrik
11.statistik parametrik dan non parametrik11.statistik parametrik dan non parametrik
11.statistik parametrik dan non parametrikHafiza .h
 
Analisis varian dua arah
Analisis varian dua arahAnalisis varian dua arah
Analisis varian dua arahTri Supadmi
 
Tabel t, z dan f dan chi kuadrat
Tabel t, z dan f dan chi kuadratTabel t, z dan f dan chi kuadrat
Tabel t, z dan f dan chi kuadratIr. Zakaria, M.M
 
Makalah kelompok 4 metode simpleks
Makalah kelompok 4 metode simpleksMakalah kelompok 4 metode simpleks
Makalah kelompok 4 metode simpleksNila Aulia
 

What's hot (20)

Poisson distribution
Poisson distributionPoisson distribution
Poisson distribution
 
10.pendugaan interval
10.pendugaan interval10.pendugaan interval
10.pendugaan interval
 
STATISTIK INDUSTRI 1 - TEORI PROBABILITAS
STATISTIK INDUSTRI 1 - TEORI PROBABILITASSTATISTIK INDUSTRI 1 - TEORI PROBABILITAS
STATISTIK INDUSTRI 1 - TEORI PROBABILITAS
 
Statistika-Uji Hipotesis
Statistika-Uji HipotesisStatistika-Uji Hipotesis
Statistika-Uji Hipotesis
 
Penyajian Data ppt
Penyajian Data pptPenyajian Data ppt
Penyajian Data ppt
 
16. modul peluang (probabilitas) pak sukani
16. modul peluang (probabilitas) pak sukani16. modul peluang (probabilitas) pak sukani
16. modul peluang (probabilitas) pak sukani
 
Riset operasional
Riset operasionalRiset operasional
Riset operasional
 
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRITBAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
 
Distribusi binomial, poisson dan normal
Distribusi binomial, poisson dan normalDistribusi binomial, poisson dan normal
Distribusi binomial, poisson dan normal
 
Variabel acak dan nilai harapan (Statistik Ekonomi II)
Variabel acak dan nilai harapan (Statistik Ekonomi II)Variabel acak dan nilai harapan (Statistik Ekonomi II)
Variabel acak dan nilai harapan (Statistik Ekonomi II)
 
Teori pendugaan statistik presentasi
Teori pendugaan statistik presentasiTeori pendugaan statistik presentasi
Teori pendugaan statistik presentasi
 
Rantai Markov 1
Rantai Markov 1Rantai Markov 1
Rantai Markov 1
 
11.statistik parametrik dan non parametrik
11.statistik parametrik dan non parametrik11.statistik parametrik dan non parametrik
11.statistik parametrik dan non parametrik
 
Uji hipotesis 2 rata rata
Uji hipotesis 2 rata rataUji hipotesis 2 rata rata
Uji hipotesis 2 rata rata
 
Model dan Simulasi
Model dan SimulasiModel dan Simulasi
Model dan Simulasi
 
Distribusi Binomial
Distribusi BinomialDistribusi Binomial
Distribusi Binomial
 
Analisis varian dua arah
Analisis varian dua arahAnalisis varian dua arah
Analisis varian dua arah
 
Tabel t, z dan f dan chi kuadrat
Tabel t, z dan f dan chi kuadratTabel t, z dan f dan chi kuadrat
Tabel t, z dan f dan chi kuadrat
 
Display
DisplayDisplay
Display
 
Makalah kelompok 4 metode simpleks
Makalah kelompok 4 metode simpleksMakalah kelompok 4 metode simpleks
Makalah kelompok 4 metode simpleks
 

Viewers also liked

Statistika Industri
Statistika IndustriStatistika Industri
Statistika Industriliffi
 
Contoh soal statistika & peluang beserta jawabannya
Contoh soal statistika & peluang beserta jawabannyaContoh soal statistika & peluang beserta jawabannya
Contoh soal statistika & peluang beserta jawabannyaVidi Al Imami
 
Soal dan pembahasan statistika
Soal dan pembahasan statistikaSoal dan pembahasan statistika
Soal dan pembahasan statistikasatriyo buaya
 
Pengantar probabilitas
Pengantar probabilitasPengantar probabilitas
Pengantar probabilitasniar100
 
Konsepdasarprobabilitas1
Konsepdasarprobabilitas1Konsepdasarprobabilitas1
Konsepdasarprobabilitas1kangklinsman
 
Probabilitas
ProbabilitasProbabilitas
ProbabilitasRiswan
 
Pengenalan pada disiplin ilmu teknik industri
Pengenalan pada disiplin ilmu teknik industriPengenalan pada disiplin ilmu teknik industri
Pengenalan pada disiplin ilmu teknik industriHIMTI
 
Statistik deskriptif
Statistik deskriptifStatistik deskriptif
Statistik deskriptifGrizia Zhulva
 
Statistik 1 4 probabilitas
Statistik 1 4 probabilitasStatistik 1 4 probabilitas
Statistik 1 4 probabilitasSelvin Hadi
 

Viewers also liked (20)

Statistika Industri
Statistika IndustriStatistika Industri
Statistika Industri
 
Statistik Industri - Regresi Linier Sederhana - Linear Regression
Statistik Industri - Regresi Linier Sederhana - Linear RegressionStatistik Industri - Regresi Linier Sederhana - Linear Regression
Statistik Industri - Regresi Linier Sederhana - Linear Regression
 
Teori Probabilitas
Teori ProbabilitasTeori Probabilitas
Teori Probabilitas
 
Contoh soal statistika & peluang beserta jawabannya
Contoh soal statistika & peluang beserta jawabannyaContoh soal statistika & peluang beserta jawabannya
Contoh soal statistika & peluang beserta jawabannya
 
Soal dan pembahasan statistika
Soal dan pembahasan statistikaSoal dan pembahasan statistika
Soal dan pembahasan statistika
 
Probabilitas.
Probabilitas.Probabilitas.
Probabilitas.
 
Konsep dasar probabilitas
Konsep dasar probabilitasKonsep dasar probabilitas
Konsep dasar probabilitas
 
VARIABEL RANDOM & DISTRIBUSI PELUANG
VARIABEL RANDOM & DISTRIBUSI PELUANGVARIABEL RANDOM & DISTRIBUSI PELUANG
VARIABEL RANDOM & DISTRIBUSI PELUANG
 
Statistik (Bab 1)
Statistik (Bab 1) Statistik (Bab 1)
Statistik (Bab 1)
 
STATISTIK DESKRIPTIF
STATISTIK DESKRIPTIFSTATISTIK DESKRIPTIF
STATISTIK DESKRIPTIF
 
Pengantar probabilitas
Pengantar probabilitasPengantar probabilitas
Pengantar probabilitas
 
DISTRIBUSI SAMPLING & TEOREMA NILAI TENGAH
DISTRIBUSI SAMPLING & TEOREMA NILAI TENGAHDISTRIBUSI SAMPLING & TEOREMA NILAI TENGAH
DISTRIBUSI SAMPLING & TEOREMA NILAI TENGAH
 
Konsepdasarprobabilitas1
Konsepdasarprobabilitas1Konsepdasarprobabilitas1
Konsepdasarprobabilitas1
 
Probabilitas
ProbabilitasProbabilitas
Probabilitas
 
Pengujian hipotesis
Pengujian hipotesisPengujian hipotesis
Pengujian hipotesis
 
Pengenalan pada disiplin ilmu teknik industri
Pengenalan pada disiplin ilmu teknik industriPengenalan pada disiplin ilmu teknik industri
Pengenalan pada disiplin ilmu teknik industri
 
Lp analisis sensitivitas studi kasus reddy mikks
Lp   analisis sensitivitas studi kasus reddy mikksLp   analisis sensitivitas studi kasus reddy mikks
Lp analisis sensitivitas studi kasus reddy mikks
 
Statistik Industri - Faktorial ANOVA - ANOVA dua arah - two way ANOVA
Statistik Industri - Faktorial ANOVA - ANOVA dua arah - two way ANOVAStatistik Industri - Faktorial ANOVA - ANOVA dua arah - two way ANOVA
Statistik Industri - Faktorial ANOVA - ANOVA dua arah - two way ANOVA
 
Statistik deskriptif
Statistik deskriptifStatistik deskriptif
Statistik deskriptif
 
Statistik 1 4 probabilitas
Statistik 1 4 probabilitasStatistik 1 4 probabilitas
Statistik 1 4 probabilitas
 

Similar to Statistik Industri 1 - PENDAHULUAN

Probabilitas
ProbabilitasProbabilitas
Probabilitasprihase
 
11 teknik sampling
11 teknik sampling11 teknik sampling
11 teknik samplingdesyllajj
 
Populasi dan Sampel.pptrntrtnnrrnrrnrnrtn
Populasi dan Sampel.pptrntrtnnrrnrrnrnrtnPopulasi dan Sampel.pptrntrtnnrrnrrnrnrtn
Populasi dan Sampel.pptrntrtnnrrnrrnrnrtnMahruriSaputra
 
Populasi_dan_Sampel-Populasi_dan_Sampel.ppt
Populasi_dan_Sampel-Populasi_dan_Sampel.pptPopulasi_dan_Sampel-Populasi_dan_Sampel.ppt
Populasi_dan_Sampel-Populasi_dan_Sampel.pptAgathaHaselvin
 
Materi 6 # populasi, sampel dan uji normalitas data
Materi 6 # populasi, sampel dan uji normalitas dataMateri 6 # populasi, sampel dan uji normalitas data
Materi 6 # populasi, sampel dan uji normalitas dataAni Istiana
 
TEMU 06. POPULASI DAN SAMPEL.pptx
TEMU 06. POPULASI DAN SAMPEL.pptxTEMU 06. POPULASI DAN SAMPEL.pptx
TEMU 06. POPULASI DAN SAMPEL.pptxdiah739734
 
tugas1 statistik pendidikan
tugas1 statistik pendidikantugas1 statistik pendidikan
tugas1 statistik pendidikanPujiati Puu
 
1. review konsepdasar
1.  review konsepdasar1.  review konsepdasar
1. review konsepdasarahmad yani
 
Populasi_dan_Sample FIX.ppt keperawatan!
Populasi_dan_Sample FIX.ppt keperawatan!Populasi_dan_Sample FIX.ppt keperawatan!
Populasi_dan_Sample FIX.ppt keperawatan!windri3
 
Teknik Sampling
Teknik SamplingTeknik Sampling
Teknik SamplingElvi Rahmi
 
Populasi dan sampel
Populasi dan sampelPopulasi dan sampel
Populasi dan sampelzmeffendi
 
Metlit 5 - Sampel.ppt
Metlit 5 - Sampel.pptMetlit 5 - Sampel.ppt
Metlit 5 - Sampel.pptmuarif5
 
Webinar Peran Statistika dalam Analisis Lingkungan EcoEdu.id.pdf
Webinar Peran Statistika dalam Analisis Lingkungan EcoEdu.id.pdfWebinar Peran Statistika dalam Analisis Lingkungan EcoEdu.id.pdf
Webinar Peran Statistika dalam Analisis Lingkungan EcoEdu.id.pdflabudaraBinalab
 
ST02-Probabilitas.pdf
ST02-Probabilitas.pdfST02-Probabilitas.pdf
ST02-Probabilitas.pdfalwin80
 
statisitik (1).docx
statisitik (1).docxstatisitik (1).docx
statisitik (1).docxLaruiHania
 

Similar to Statistik Industri 1 - PENDAHULUAN (20)

Pendahuluan Statistik untuk Sains
Pendahuluan Statistik untuk SainsPendahuluan Statistik untuk Sains
Pendahuluan Statistik untuk Sains
 
Probabilitas
ProbabilitasProbabilitas
Probabilitas
 
11 teknik sampling
11 teknik sampling11 teknik sampling
11 teknik sampling
 
Populasi dan Sampel.pptrntrtnnrrnrrnrnrtn
Populasi dan Sampel.pptrntrtnnrrnrrnrnrtnPopulasi dan Sampel.pptrntrtnnrrnrrnrnrtn
Populasi dan Sampel.pptrntrtnnrrnrrnrnrtn
 
Populasi_dan_Sampel-Populasi_dan_Sampel.ppt
Populasi_dan_Sampel-Populasi_dan_Sampel.pptPopulasi_dan_Sampel-Populasi_dan_Sampel.ppt
Populasi_dan_Sampel-Populasi_dan_Sampel.ppt
 
1. STATISTIK INDUSTRI - PENDAHULUAN
1. STATISTIK INDUSTRI - PENDAHULUAN1. STATISTIK INDUSTRI - PENDAHULUAN
1. STATISTIK INDUSTRI - PENDAHULUAN
 
Materi 6 # populasi, sampel dan uji normalitas data
Materi 6 # populasi, sampel dan uji normalitas dataMateri 6 # populasi, sampel dan uji normalitas data
Materi 6 # populasi, sampel dan uji normalitas data
 
TEMU 06. POPULASI DAN SAMPEL.pptx
TEMU 06. POPULASI DAN SAMPEL.pptxTEMU 06. POPULASI DAN SAMPEL.pptx
TEMU 06. POPULASI DAN SAMPEL.pptx
 
tugas1 statistik pendidikan
tugas1 statistik pendidikantugas1 statistik pendidikan
tugas1 statistik pendidikan
 
1. review konsepdasar
1.  review konsepdasar1.  review konsepdasar
1. review konsepdasar
 
Materi 1-statistika 5
Materi 1-statistika 5Materi 1-statistika 5
Materi 1-statistika 5
 
Populasi_dan_Sample FIX.ppt keperawatan!
Populasi_dan_Sample FIX.ppt keperawatan!Populasi_dan_Sample FIX.ppt keperawatan!
Populasi_dan_Sample FIX.ppt keperawatan!
 
Sesi 1 mandat
Sesi 1 mandatSesi 1 mandat
Sesi 1 mandat
 
Tugas 6 metlit
Tugas 6 metlitTugas 6 metlit
Tugas 6 metlit
 
Teknik Sampling
Teknik SamplingTeknik Sampling
Teknik Sampling
 
Populasi dan sampel
Populasi dan sampelPopulasi dan sampel
Populasi dan sampel
 
Metlit 5 - Sampel.ppt
Metlit 5 - Sampel.pptMetlit 5 - Sampel.ppt
Metlit 5 - Sampel.ppt
 
Webinar Peran Statistika dalam Analisis Lingkungan EcoEdu.id.pdf
Webinar Peran Statistika dalam Analisis Lingkungan EcoEdu.id.pdfWebinar Peran Statistika dalam Analisis Lingkungan EcoEdu.id.pdf
Webinar Peran Statistika dalam Analisis Lingkungan EcoEdu.id.pdf
 
ST02-Probabilitas.pdf
ST02-Probabilitas.pdfST02-Probabilitas.pdf
ST02-Probabilitas.pdf
 
statisitik (1).docx
statisitik (1).docxstatisitik (1).docx
statisitik (1).docx
 

More from Universitas Qomaruddin, Gresik, Indonesia

Studi Kasus (Artikel Ilmiah): Pengukuran Produktivitas dengan Objective Matrix
Studi Kasus (Artikel Ilmiah): Pengukuran Produktivitas dengan Objective MatrixStudi Kasus (Artikel Ilmiah): Pengukuran Produktivitas dengan Objective Matrix
Studi Kasus (Artikel Ilmiah): Pengukuran Produktivitas dengan Objective MatrixUniversitas Qomaruddin, Gresik, Indonesia
 

More from Universitas Qomaruddin, Gresik, Indonesia (20)

3. KONSEP TEKNOLOGI DI BIDANG TEKNIK INDUSTRI
3. KONSEP TEKNOLOGI DI BIDANG TEKNIK INDUSTRI 3. KONSEP TEKNOLOGI DI BIDANG TEKNIK INDUSTRI
3. KONSEP TEKNOLOGI DI BIDANG TEKNIK INDUSTRI
 
2. KONSEP TEKNOLOGI -PERKEMBANGAN IPTEK
2. KONSEP TEKNOLOGI -PERKEMBANGAN IPTEK2. KONSEP TEKNOLOGI -PERKEMBANGAN IPTEK
2. KONSEP TEKNOLOGI -PERKEMBANGAN IPTEK
 
1. KONSEP TEKNOLOGI - PENDAHULUAN
1. KONSEP TEKNOLOGI - PENDAHULUAN 1. KONSEP TEKNOLOGI - PENDAHULUAN
1. KONSEP TEKNOLOGI - PENDAHULUAN
 
2021_KAJIAN PUSTAKA & PERUMUSAN MASALAH
2021_KAJIAN PUSTAKA & PERUMUSAN MASALAH2021_KAJIAN PUSTAKA & PERUMUSAN MASALAH
2021_KAJIAN PUSTAKA & PERUMUSAN MASALAH
 
2021_PENDAHULUAN METODOLOGI PENELITIAN
2021_PENDAHULUAN METODOLOGI PENELITIAN2021_PENDAHULUAN METODOLOGI PENELITIAN
2021_PENDAHULUAN METODOLOGI PENELITIAN
 
Studi Kasus (Artikel Ilmiah): Pengukuran Produktivitas dengan Objective Matrix
Studi Kasus (Artikel Ilmiah): Pengukuran Produktivitas dengan Objective MatrixStudi Kasus (Artikel Ilmiah): Pengukuran Produktivitas dengan Objective Matrix
Studi Kasus (Artikel Ilmiah): Pengukuran Produktivitas dengan Objective Matrix
 
PART 1 - Evaluasi Pekerjaan & Penilaian Kinerja
PART 1 - Evaluasi Pekerjaan & Penilaian KinerjaPART 1 - Evaluasi Pekerjaan & Penilaian Kinerja
PART 1 - Evaluasi Pekerjaan & Penilaian Kinerja
 
MANAJEMEN STRESS KERJA
MANAJEMEN STRESS KERJAMANAJEMEN STRESS KERJA
MANAJEMEN STRESS KERJA
 
ERGONOMI: PERANCANGAN DISPLAY & KONTROL
ERGONOMI: PERANCANGAN DISPLAY & KONTROL ERGONOMI: PERANCANGAN DISPLAY & KONTROL
ERGONOMI: PERANCANGAN DISPLAY & KONTROL
 
KEPUASAN KERJA - PSIKOLOGI INDUSTRI
KEPUASAN KERJA - PSIKOLOGI INDUSTRI KEPUASAN KERJA - PSIKOLOGI INDUSTRI
KEPUASAN KERJA - PSIKOLOGI INDUSTRI
 
PSIKOLOGI INDUSTRI - MOTIVASI KERJA
PSIKOLOGI INDUSTRI - MOTIVASI KERJAPSIKOLOGI INDUSTRI - MOTIVASI KERJA
PSIKOLOGI INDUSTRI - MOTIVASI KERJA
 
ERGONOMI LINGKUNGAN FISIK - KEBISINGAN, TEMPERATUR, & GETARAN
ERGONOMI LINGKUNGAN FISIK - KEBISINGAN, TEMPERATUR, & GETARANERGONOMI LINGKUNGAN FISIK - KEBISINGAN, TEMPERATUR, & GETARAN
ERGONOMI LINGKUNGAN FISIK - KEBISINGAN, TEMPERATUR, & GETARAN
 
ERGONOMI - LINGKUNGAN FISIK - PENCAHAYAAN
ERGONOMI - LINGKUNGAN FISIK - PENCAHAYAANERGONOMI - LINGKUNGAN FISIK - PENCAHAYAAN
ERGONOMI - LINGKUNGAN FISIK - PENCAHAYAAN
 
ANALISIS JABATAN, SELEKSI, REKRUTMEN, & STAFFING
ANALISIS JABATAN, SELEKSI, REKRUTMEN, & STAFFINGANALISIS JABATAN, SELEKSI, REKRUTMEN, & STAFFING
ANALISIS JABATAN, SELEKSI, REKRUTMEN, & STAFFING
 
RISET DALAM PSIKOLOGI INDUSTRI
RISET DALAM PSIKOLOGI INDUSTRIRISET DALAM PSIKOLOGI INDUSTRI
RISET DALAM PSIKOLOGI INDUSTRI
 
PSIKOLOGI INDUSTRI - PENDAHULUAN
PSIKOLOGI INDUSTRI - PENDAHULUAN PSIKOLOGI INDUSTRI - PENDAHULUAN
PSIKOLOGI INDUSTRI - PENDAHULUAN
 
METODOLOGI PENELITIAN - PENULISAN LAPORAN DAN TEKNIK PRESENTASI
METODOLOGI PENELITIAN - PENULISAN LAPORAN DAN TEKNIK PRESENTASI METODOLOGI PENELITIAN - PENULISAN LAPORAN DAN TEKNIK PRESENTASI
METODOLOGI PENELITIAN - PENULISAN LAPORAN DAN TEKNIK PRESENTASI
 
ANALISIS POSTUR KERJA RULA REBA OWAS QEC - ERGONOMI
ANALISIS POSTUR KERJA RULA REBA OWAS QEC - ERGONOMI ANALISIS POSTUR KERJA RULA REBA OWAS QEC - ERGONOMI
ANALISIS POSTUR KERJA RULA REBA OWAS QEC - ERGONOMI
 
ANALISA DAN PENGUKURAN KERJA - SISTEM MANUSIA MESIN
ANALISA DAN PENGUKURAN KERJA - SISTEM MANUSIA MESINANALISA DAN PENGUKURAN KERJA - SISTEM MANUSIA MESIN
ANALISA DAN PENGUKURAN KERJA - SISTEM MANUSIA MESIN
 
ANALISA & PENGUKURAN KERJA - SISTEM KERJA DAN PRODUKTIVITAS
ANALISA & PENGUKURAN KERJA - SISTEM KERJA DAN PRODUKTIVITASANALISA & PENGUKURAN KERJA - SISTEM KERJA DAN PRODUKTIVITAS
ANALISA & PENGUKURAN KERJA - SISTEM KERJA DAN PRODUKTIVITAS
 

Recently uploaded

MODUL AJAR SENI MUSIK KELAS 6 KURIKULUM MERDEKA.pdf
MODUL AJAR SENI MUSIK KELAS 6 KURIKULUM MERDEKA.pdfMODUL AJAR SENI MUSIK KELAS 6 KURIKULUM MERDEKA.pdf
MODUL AJAR SENI MUSIK KELAS 6 KURIKULUM MERDEKA.pdfAndiCoc
 
UAS Matematika kelas IX 2024 HK_2024.pdf
UAS Matematika kelas IX 2024 HK_2024.pdfUAS Matematika kelas IX 2024 HK_2024.pdf
UAS Matematika kelas IX 2024 HK_2024.pdfssuser29a952
 
SISTEM SARAF OTONOM_.SISTEM SARAF OTONOM
SISTEM SARAF OTONOM_.SISTEM SARAF OTONOMSISTEM SARAF OTONOM_.SISTEM SARAF OTONOM
SISTEM SARAF OTONOM_.SISTEM SARAF OTONOMhanyakaryawan1
 
Penjelasan Asmaul Khomsah bahasa arab nahwu
Penjelasan Asmaul Khomsah bahasa arab nahwuPenjelasan Asmaul Khomsah bahasa arab nahwu
Penjelasan Asmaul Khomsah bahasa arab nahwuKhiyaroh1
 
Materi Bid PPM Bappeda Sos Pemutakhiran IDM 2024 di kec Plumbon.pptx
Materi Bid PPM Bappeda Sos Pemutakhiran  IDM 2024 di kec Plumbon.pptxMateri Bid PPM Bappeda Sos Pemutakhiran  IDM 2024 di kec Plumbon.pptx
Materi Bid PPM Bappeda Sos Pemutakhiran IDM 2024 di kec Plumbon.pptxAvivThea
 
konsep pidato Bahaya Merokok bagi kesehatan
konsep pidato Bahaya Merokok bagi kesehatankonsep pidato Bahaya Merokok bagi kesehatan
konsep pidato Bahaya Merokok bagi kesehatanSuzanDwiPutra
 
MODUL AJAR SENI MUSIK KELAS 5 KURIKULUM MERDEKA.pdf
MODUL AJAR SENI MUSIK KELAS 5 KURIKULUM MERDEKA.pdfMODUL AJAR SENI MUSIK KELAS 5 KURIKULUM MERDEKA.pdf
MODUL AJAR SENI MUSIK KELAS 5 KURIKULUM MERDEKA.pdfAndiCoc
 
443016507-Sediaan-obat-PHYCOPHYTA-MYOPHYTA-dan-MYCOPHYTA-pptx.pptx
443016507-Sediaan-obat-PHYCOPHYTA-MYOPHYTA-dan-MYCOPHYTA-pptx.pptx443016507-Sediaan-obat-PHYCOPHYTA-MYOPHYTA-dan-MYCOPHYTA-pptx.pptx
443016507-Sediaan-obat-PHYCOPHYTA-MYOPHYTA-dan-MYCOPHYTA-pptx.pptxErikaPutriJayantini
 
MODUL AJAR IPAS KELAS 5 KURIKULUM MERDEKA.pdf
MODUL AJAR IPAS KELAS 5 KURIKULUM MERDEKA.pdfMODUL AJAR IPAS KELAS 5 KURIKULUM MERDEKA.pdf
MODUL AJAR IPAS KELAS 5 KURIKULUM MERDEKA.pdfAndiCoc
 
Materi Kimfar Asam,Basa,Buffer dan Garam
Materi Kimfar Asam,Basa,Buffer dan GaramMateri Kimfar Asam,Basa,Buffer dan Garam
Materi Kimfar Asam,Basa,Buffer dan GaramTitaniaUtami
 
MODUL AJAR BAHASA INDONESIA KELAS 2 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 2 KURIKULUM MERDEKA.pdfMODUL AJAR BAHASA INDONESIA KELAS 2 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 2 KURIKULUM MERDEKA.pdfAndiCoc
 
MATERI TENTANG SUMBER ENERGI KELAS 4 TEMA 2 K13
MATERI TENTANG SUMBER ENERGI KELAS 4 TEMA 2 K13MATERI TENTANG SUMBER ENERGI KELAS 4 TEMA 2 K13
MATERI TENTANG SUMBER ENERGI KELAS 4 TEMA 2 K13ZulfiWahyudiAsyhaer1
 
MODUL AJAR BAHASA INDONESIA KELAS 3 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 3 KURIKULUM MERDEKA.pdfMODUL AJAR BAHASA INDONESIA KELAS 3 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 3 KURIKULUM MERDEKA.pdfAndiCoc
 
Kegiatan Komunitas Belajar dalam sekolah .pptx
Kegiatan Komunitas Belajar dalam sekolah .pptxKegiatan Komunitas Belajar dalam sekolah .pptx
Kegiatan Komunitas Belajar dalam sekolah .pptxWulanEnggarAnaskaPut
 
MODUL AJAR BAHASA INDONESIA KELAS 4 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 4 KURIKULUM MERDEKA.pdfMODUL AJAR BAHASA INDONESIA KELAS 4 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 4 KURIKULUM MERDEKA.pdfAndiCoc
 
ASPEK KIMIA TUBUH dalam ilmu kesehatan dan kebidanan
ASPEK KIMIA TUBUH dalam ilmu kesehatan dan kebidananASPEK KIMIA TUBUH dalam ilmu kesehatan dan kebidanan
ASPEK KIMIA TUBUH dalam ilmu kesehatan dan kebidananriniaandayani
 
PPDB SMAN 1 SURADE - PROV JABAR 2024 / 2025
PPDB SMAN 1 SURADE - PROV JABAR 2024 / 2025PPDB SMAN 1 SURADE - PROV JABAR 2024 / 2025
PPDB SMAN 1 SURADE - PROV JABAR 2024 / 2025Fikriawan Hasli
 
Slide Kick Off for Public - Google Cloud Arcade Facilitator 2024.pptx
Slide Kick Off for Public - Google Cloud Arcade Facilitator 2024.pptxSlide Kick Off for Public - Google Cloud Arcade Facilitator 2024.pptx
Slide Kick Off for Public - Google Cloud Arcade Facilitator 2024.pptxtressa8
 
Power point materi IPA pada materi unsur
Power point materi IPA pada materi unsurPower point materi IPA pada materi unsur
Power point materi IPA pada materi unsurDoddiKELAS7A
 
MATERI Projek Kreatif Kewirausahaan kelas XI SMK.pptx
MATERI Projek Kreatif Kewirausahaan kelas XI SMK.pptxMATERI Projek Kreatif Kewirausahaan kelas XI SMK.pptx
MATERI Projek Kreatif Kewirausahaan kelas XI SMK.pptxrandikaakbar11
 

Recently uploaded (20)

MODUL AJAR SENI MUSIK KELAS 6 KURIKULUM MERDEKA.pdf
MODUL AJAR SENI MUSIK KELAS 6 KURIKULUM MERDEKA.pdfMODUL AJAR SENI MUSIK KELAS 6 KURIKULUM MERDEKA.pdf
MODUL AJAR SENI MUSIK KELAS 6 KURIKULUM MERDEKA.pdf
 
UAS Matematika kelas IX 2024 HK_2024.pdf
UAS Matematika kelas IX 2024 HK_2024.pdfUAS Matematika kelas IX 2024 HK_2024.pdf
UAS Matematika kelas IX 2024 HK_2024.pdf
 
SISTEM SARAF OTONOM_.SISTEM SARAF OTONOM
SISTEM SARAF OTONOM_.SISTEM SARAF OTONOMSISTEM SARAF OTONOM_.SISTEM SARAF OTONOM
SISTEM SARAF OTONOM_.SISTEM SARAF OTONOM
 
Penjelasan Asmaul Khomsah bahasa arab nahwu
Penjelasan Asmaul Khomsah bahasa arab nahwuPenjelasan Asmaul Khomsah bahasa arab nahwu
Penjelasan Asmaul Khomsah bahasa arab nahwu
 
Materi Bid PPM Bappeda Sos Pemutakhiran IDM 2024 di kec Plumbon.pptx
Materi Bid PPM Bappeda Sos Pemutakhiran  IDM 2024 di kec Plumbon.pptxMateri Bid PPM Bappeda Sos Pemutakhiran  IDM 2024 di kec Plumbon.pptx
Materi Bid PPM Bappeda Sos Pemutakhiran IDM 2024 di kec Plumbon.pptx
 
konsep pidato Bahaya Merokok bagi kesehatan
konsep pidato Bahaya Merokok bagi kesehatankonsep pidato Bahaya Merokok bagi kesehatan
konsep pidato Bahaya Merokok bagi kesehatan
 
MODUL AJAR SENI MUSIK KELAS 5 KURIKULUM MERDEKA.pdf
MODUL AJAR SENI MUSIK KELAS 5 KURIKULUM MERDEKA.pdfMODUL AJAR SENI MUSIK KELAS 5 KURIKULUM MERDEKA.pdf
MODUL AJAR SENI MUSIK KELAS 5 KURIKULUM MERDEKA.pdf
 
443016507-Sediaan-obat-PHYCOPHYTA-MYOPHYTA-dan-MYCOPHYTA-pptx.pptx
443016507-Sediaan-obat-PHYCOPHYTA-MYOPHYTA-dan-MYCOPHYTA-pptx.pptx443016507-Sediaan-obat-PHYCOPHYTA-MYOPHYTA-dan-MYCOPHYTA-pptx.pptx
443016507-Sediaan-obat-PHYCOPHYTA-MYOPHYTA-dan-MYCOPHYTA-pptx.pptx
 
MODUL AJAR IPAS KELAS 5 KURIKULUM MERDEKA.pdf
MODUL AJAR IPAS KELAS 5 KURIKULUM MERDEKA.pdfMODUL AJAR IPAS KELAS 5 KURIKULUM MERDEKA.pdf
MODUL AJAR IPAS KELAS 5 KURIKULUM MERDEKA.pdf
 
Materi Kimfar Asam,Basa,Buffer dan Garam
Materi Kimfar Asam,Basa,Buffer dan GaramMateri Kimfar Asam,Basa,Buffer dan Garam
Materi Kimfar Asam,Basa,Buffer dan Garam
 
MODUL AJAR BAHASA INDONESIA KELAS 2 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 2 KURIKULUM MERDEKA.pdfMODUL AJAR BAHASA INDONESIA KELAS 2 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 2 KURIKULUM MERDEKA.pdf
 
MATERI TENTANG SUMBER ENERGI KELAS 4 TEMA 2 K13
MATERI TENTANG SUMBER ENERGI KELAS 4 TEMA 2 K13MATERI TENTANG SUMBER ENERGI KELAS 4 TEMA 2 K13
MATERI TENTANG SUMBER ENERGI KELAS 4 TEMA 2 K13
 
MODUL AJAR BAHASA INDONESIA KELAS 3 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 3 KURIKULUM MERDEKA.pdfMODUL AJAR BAHASA INDONESIA KELAS 3 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 3 KURIKULUM MERDEKA.pdf
 
Kegiatan Komunitas Belajar dalam sekolah .pptx
Kegiatan Komunitas Belajar dalam sekolah .pptxKegiatan Komunitas Belajar dalam sekolah .pptx
Kegiatan Komunitas Belajar dalam sekolah .pptx
 
MODUL AJAR BAHASA INDONESIA KELAS 4 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 4 KURIKULUM MERDEKA.pdfMODUL AJAR BAHASA INDONESIA KELAS 4 KURIKULUM MERDEKA.pdf
MODUL AJAR BAHASA INDONESIA KELAS 4 KURIKULUM MERDEKA.pdf
 
ASPEK KIMIA TUBUH dalam ilmu kesehatan dan kebidanan
ASPEK KIMIA TUBUH dalam ilmu kesehatan dan kebidananASPEK KIMIA TUBUH dalam ilmu kesehatan dan kebidanan
ASPEK KIMIA TUBUH dalam ilmu kesehatan dan kebidanan
 
PPDB SMAN 1 SURADE - PROV JABAR 2024 / 2025
PPDB SMAN 1 SURADE - PROV JABAR 2024 / 2025PPDB SMAN 1 SURADE - PROV JABAR 2024 / 2025
PPDB SMAN 1 SURADE - PROV JABAR 2024 / 2025
 
Slide Kick Off for Public - Google Cloud Arcade Facilitator 2024.pptx
Slide Kick Off for Public - Google Cloud Arcade Facilitator 2024.pptxSlide Kick Off for Public - Google Cloud Arcade Facilitator 2024.pptx
Slide Kick Off for Public - Google Cloud Arcade Facilitator 2024.pptx
 
Power point materi IPA pada materi unsur
Power point materi IPA pada materi unsurPower point materi IPA pada materi unsur
Power point materi IPA pada materi unsur
 
MATERI Projek Kreatif Kewirausahaan kelas XI SMK.pptx
MATERI Projek Kreatif Kewirausahaan kelas XI SMK.pptxMATERI Projek Kreatif Kewirausahaan kelas XI SMK.pptx
MATERI Projek Kreatif Kewirausahaan kelas XI SMK.pptx
 

Statistik Industri 1 - PENDAHULUAN

  • 1. STATISTIK INDUSTRI 1 --- PENDAHULUAN Dr. Auditya Purwandini Sutarto
  • 2.
  • 3. Definisi • Statistik diartikan ▫ Numerical description = deskripsi numerik ▫ Diasosiasikan sebagai kumpulan data ▫ Ciri dari sebagian objek yang diamati • Statistik menunjukan pada informasi tentang bermacam-macam kegiatan dalam bentuk angka
  • 4. Definisi STATISTIK ▫ Menurut Random House College of Dictionary  ilmu yang berhubungan dengan pengumpulan, pengklasifikasian, analisis, dan interpretasi fakta numerik atau data ▫ Menurut Schaum’s ; Murray R Spiegel  Ilmu pengetahuan yang berhubungan dengan metode – metode ilmiah untuk pengumpulan, pengorganisasian, perangkuman dan penganalisisan data di samping terkait pula dengan metode – metode untuk penarikan kesimpulan yang valid serta pengambilan keputusan yang berdasarkan alasan-alasan yang ilmiah dan kuat yang memperoleh dari hasil analisis tadi
  • 5. Kegunaan ▫ Analisis data ▫ Peramalan/prediksi ▫ Uji hipotesa Contoh Masalah Statistik • Seorang insinyur ingin mengetahui apakah mesin produksi yang baru mampu menghasilkan produk dengan cacat lebih sedikit? • Seberapa efisien konsumsi BBM pada jenis mobil tertentu? • Adakah hubungan antara kenaikan tingkat pendidikan dengan kemungkinan promosi kerja ? • Jika kita menjawab secara acak pada pertanyaan berbentuk multiple choice, berapa kemungkinan kita lulus? • Bagaimana menerjemahkan hasil polling? Berapa banyak sampel diperlukan agar hasilnya akurat? Apa artinya margin of error?
  • 6.
  • 7. Mengapa perlu Belajar Statistik? • Menjelaskan hubungan antar variabel • Membuat keputusan lebih baik • Mengatasi perubahan-perubahan • Membuat rencana dan ramalan • “It’s remarkable that a science which began with the consideration of games of chance should become the most important object of human knowledge …. The most important questions of life are, for the most part, really only problems of probability “ Pierre Simon, Marquis de Laplace • “Statistical thingking will one day be as necessary for efficient citizenship as the ability to read an write.” H.G Wells
  • 8. Kita dibombardir dengan Statistik • http://www.bps.go.id/brs_file/sbh_02jan14.pdf • http://www.gatra.com/hukum-1/44540-pada-2013,-23-385-tewas-kecelakaan-lalu-lintas.html • http://nationalgeographic.co.id/berita/2014/06/orang-indonesia-paling-bahagia-saat-tinggal-di-kota-berpendapatan- tinggi-berkeluarga
  • 9. Statistik dapat Menyesatkan • Iklan menyatakan: “8 dari 10 dokter gigi memilih sikat gigi Oral B” ▫ Apa yang salah dari pernyataan ini? • Pertimbangkan tingkat komplain mengenai maskapai penerbangan yang dipublikasi dalam US News and World Report February 5, 2001 ▫ Dapatkah kita menyimpulkan the United airlines memiliki customer service terburuk?
  • 11. Statistik DalamKehidupan Sehari-hari • Seiring meningkatnya data yang tersedia dan perkembangan teknologi (komputer), statistik akan digunakan lebih banyak dan lebih sering lagi Question: Is it good that statistics are used so much and what happens when statistics are misused?
  • 12. Salah Interpretasi Statistik berakibat Fatal! • Pada tahun 1999 Sally Clarke didakwa bersalah atas kematian dua orang anaknya saat bayi. Putusan ini dibuat setelah mendengarkan keterangan saksi dokter anak Professor Sir Roy Meadow yang mengklaim bahwa kemungkinan kematian bayi pada keluarga yg menengah dan tdk merokok adalah 1 dalam 8.43, sehingga probabilitas kematian dua bayi dalam 1 keluarga adalah 1 dalam 73 juta (8543 × 8543). • Royal Statistical Society membantah hal tersebut bahwa probabilitas di atas jika kejadiannya independen, faktanya tidak demikian karena masih dalam 1 keluarga. • Seorang prof Matematika Ray Hill menyatakan kemungkinan 1 berbanding 8.453 tidak tepat, karena Meadow tdk memperhitungkan jenis kelamin dimana kemungkinan SIDS (Suddent infant deaths syndrome) terjadi lebih besar pada bayi laki-laki yaitu 1 dalam 1.500. Selain itu Hill menyatakan bahwa odds ratio kematian bayi akibat SIDS (Suddent infant death syndrome) dan pembunuhan adalah 4,5 : 1 dan 9:1 (didukung penelitian lebih lanjut)
  • 13.
  • 14. Pembagian Ilmu Statistik • Statistik deskriptif  statistik yang digunakan untuk menggambarkan berbagai karakteristik data atau menganalisis suatu statistik hasil penelitian, tetapi tidak digunakan untuk membuat kesimpulan yang lebih luas
  • 15. 41 39 88 81 60 8 22 35 95 2 49 72 10 84 7 76 51 80 8 15 5 33 29 75 1 38 6 49 60 63 64 43 93 42 71 32 33 91 2 43 51 90 69 75 6 23 14 2 78 81 39 39 13 67 42 51 36 63 29 41 82 33 96 57 83 94 16 77 76 60 74 13 82 16 37 52 43 81 27 93 81 28 39 53 45 86 15 23 32 43 46 29 97 98 24 47 27 40 41 35 27 47 36 95 37 87 8 88 79 79 14 47 97 56 78 13 47 2 0 94 53 31 4 57 84 16 6 24 76 23 52 60 57 24 25 59 20 65 66 36 88 63 48 16 91 24 15 33 99 79 95 31 75 17 60 68 20 28 21 74 73 42 35 62 56 61 67 80 18 73 12 51 32 35 80 65 16 20 78 46 43 96 81 25 31 3 9 5 24 2 67 20 76 36 3 88 74 51 8 18 2 99 68 88 80 55 45 18 59 99 50 13 18 63 39 22 98 48 45 55 85 59 58 6 33 4 11 33 82 27 89 80 76 7 40 45 68 19 54 91 4 25 70 96 58 11 77 38 26 62 66 33 26 90 5 80 97 2 81 91 32 41 74 76 99 46 65 64 84 47 6 11 97 33 11 92 43 83 49 5 33 8 40 30 76 60 80 51 65 18 79 26 68 29 35 23 36 15 31 77 74 31 64 30 53 90 65 58 45 13 61 34 80 32 40 6 56 60 12 51 46 94 6 78 81 4 70 59 61 80 70 94 90 8 27 96 48 27 87 53 92 52 18 85 44 31 28 48 1 24 33 38 57 62 50 26 26 22 50 65 80 73 86 3 100 45 90 50
  • 16. • Statistik inferensial  suatu pernyataan mengenai suatu populasi yang didasarkan pada informasi dari sampel random /acak yang diambil dari populasi tersebut .
  • 17. 1. Data dari 1-2 kasus 2. Data yang dikumpulkan tidak jelas apakah mewakili populasi sebenarnya Anecdotal Evidence 1. Seorang bayi setelah mendapatkan suntikan vaksin MMR pada saat 3 thn didiagnosis autis. Jadi vaksin MMR berbahaya karena bisa memicu autisme. 2. Saya kenal dua orang mahasiswa UWP yang lulus sarjana lebih dari 6 tahun, jadi kuliah di UWP lulusnya lebih lama dibanding PTS lain 3. Ayahnya sahabat saya menderita sesak napas dan meninggal setelah diberi suntikan dokter, berarti terjadi malpraktik.
  • 18. Statistik Deskriptif Inferensial Estimasi Titik Interval Uji Hipotesis
  • 19. Metodologi Statistik • Mengidentifikasikan persoalan • Pengumpulan fakta-fakta yang ada • Mengumpulkan data asli yang baru • Klasifikasi data • Penyajian data • Analisis data
  • 20.
  • 21. Elemen Statistik A. Populasi B. Sampel C. Variabel • Contoh • Observasi vs Eksperimen • Metode Sampling
  • 22. A. POPULASI • Populasi adalah sebagai sekumpulan dari semua objek atau individu yang memiliki karakteristik tertentu, jelas dan lengkap yang akan diteliti • Contoh : ▫ Semua produk yang dihasilkan pada suatu mesin ▫ Semua mahasiswa teknik industri di Surabaya • Populasi lebih bergantung pada kegunaan dan relevansi data yang dikumpulkan
  • 23. B. SAMPEL • Sampel adalah sebagai sekumpulan data yang diambil atau diseleksi dari suatu populasi • Contoh : ▫ Populasi = Seluruh mahasiswa teknik industri di Surabaya maka sampelnya  mengambil beberapa mahasiswa teknik industri dari 1 PTN dan 5 PTS di Surabaya ▫ Populasi =Semua produk yang dihasilkan suatu mesin, maka sampelnya adalah sejumlah tertentu produk yang dihasilkan mesin tersebut
  • 24. Contoh 1 • Misalkan seorang insinyur ditugasi menganalisis data dari suatu proses manufaktur dimana terdapat 100 item produk yang di sampling dan 10 diantaranya ditemukan cacat. Produk cacat wajar terjadi dan telah diantisipasi oleh perusahaan, dengan toleransi sebesar 5%. Tampak jelas bahwa 100 item ini merupakan sampel dengan populasinya adalah semua produk yang dihasilkan. Angggap bahwa suatu proses di’terima’ (acceptable) jika proses tersebut menghasilkan tidak lebih dari 5% produk cacat. Namun demikian perhitungan statistik (diterangkan kelak) menyatakan probabilitas sebesar 0.0282 (2,82%) proses tersebut menghasilkan 10 atau lebih produk cacat pada sampel acak sebesar 100. Hal ini mengindikasikan bahwa ditemukan lebih dari 10 produk cacat dalam 100 sampel jarang terjadi. Jika toleransinya diperbesar maka kemungkinan menemukan lebih dari 10 produk cacat juga akan semakin besar
  • 25. Contoh 2 • Suatu data dari studi di Virginia Tech yang meneliti hubungan antara akar pohon dengan cara kerja suatu jenis jamur. Mineral diangkut dari jamur menuju pohon dan sebaliknya gula diangkut dari pohon menuju jamur. Dua sampel dari 10 pohon oak disemaikan di suatu greenhouse, yang satu disemai menggunakan nitrogen, sedangkan satunya lagi tanpa nitrogen. Anggap kondisi lingkungan sekitar konstan. Semua tanaman tersebut mengandung jamur Pisolithus tinctorus. Berat batang diukur dalam gram pada akhir hari ke-140 yang datanya diringkaskan dalam tabel berikut
  • 26. • Dalam contoh ini terdapat 2 populasi. Tujuan penelitian ini adalah apakah penggunaan nitrogen berpengaruh pada pertumbuhan akar. • Penelitian ini berbentuk komparasi dengan hasilnya diringkaskan dalam bentuk dot plot dimana dot mewakili “nitrogen” dan x mewakili “No nitrogen”
  • 27. • Dari dot plot tampak sepintas bahwa nitrogen menjadikan batang lebih berat dibandingkan tanpa nitrogen terlihat juga dari empat pengamatan dengan nitrogen yang cukup jauh melampaui. Sedangkan tanpa nitrogen berada dibawah rata-rata data. Apakah benar-benar efektif penggunaan nitrogen? Untuk itu perlu dihitung p-value, suatu pernyataan probabilitas. P-value ini merupakan probabilitas data seperti ini dapat diamati dengan asumsi (given) bahwa nitrogen benar-benar tidak memiliki efek (pengamatan diatas itu hasilnya kebetulan saja terjadi). • Hasil perhitungan p-value (diterangkan saat Statistik 2) diasumsikan sebesar 0,03 , mengindikasikan bahwa kemungkinan hasil tersebut karena kebetulan dan bukan karena memang nitrogen berpengaruh sebesar 3% (angka yang cukup kecil) dapat disimpulkan Nitrogen berpengaruh terhadap berat batang
  • 28. Lesson learned? Hubungan Fundamental antara Probabilitas dan Statistik Inferensi • Aplikasi dari probabilitas penting dalam menginterpretasikan statistik inferensi CENTRAL DOGMA OF STATISTICS • Sampel bersama dengan statistik inferensi memungkinkan kita mengambil kesimpulan tentang populasi • Elemen dalam probabilitas memungkinkan kita mengambil kesimpulan mengenai karakteristik dari dugaan/hipotesis mengenai populasi berdasarkan sifat-sifat populasi yang telah diketahui sebelumnya
  • 29. Observational vs Experiment Studi Observasi • Mengumpulkan data melalui pengamatan • Hanya dapat membantuk suatu hubungan antara variabel penjelas (explanatory) dan variabel respon • Jika menggunakan data masa lampau disebut retrospective, jika dikumpulkan selama masa penelitian disebut prospective Eksperimen • Secara acak menempatkan subyek dalam berbagai treatment • Dapat membangun hubungan kausal (sebab akibat) antara variabel explanatory dan variabel respon
  • 30.
  • 31. SAMPLING (Teknik Pengambilan Sampel) & Sumber Bias
  • 32. Mengapa Sampling? Mengapa bukan Sensus Bukankah lebih baik jika melibatkan seluruh orang dan mengambil sampel seluruh populasi? = SENSUS • Beberapa individu sukar dijangkau atau diukur • Populasi jarang statis
  • 33.
  • 34. Sumber dari Bias dalam Sampling • Convenience sample. Individual yang mudah diakses dan cenderung mau dilibatkan dalam sampel • Non-response: jika hanya suatu fraction (yang tidak random) dari orang-orang yang disampling secara acak bersedia terlibat dalam suatu survei sehingga sampel akhir tidak representasi dari suatu populasi lagi • Voluntary response: Terjadi jika sampel terdiri atas orang-orang yang bersedia menjawab karena mereka memiliki kepentingan atau opini yang kuat terhadap suatu isu
  • 35.
  • 36. Metode Sampling • Simple Random Sampling: Memilih kasus (cases) dari suatu populasi sedemikian hingga setiap kasus mendapat kesempatan yang sama untuk terpilih
  • 37. • Stratified Sampling. Membagi populasi ke dalam strata yang homogen lalu memilih sampel secara random dalam strata tersebut
  • 38. • Cluster Sampling. Membagi populasi ke dalam cluster-cluster lalu memilih beberapa cluster secara random. Selanjutnya mengambil secara acak sampel dalam cluster terpilih
  • 39.
  • 40. Prinsip-prinsip dalam Rancangan Eksperimen 1. Control. Membandingkan suatu perlakuan (treatment) dengan kelompok kontrol 2. Randomize. Menempatkan subyek secara acak ke kelompok perlakuan. 3. Replicate. Mereplikasi suatu studi dalam sampel cukup besar atau mereplikasi keseluruhan studi (kasus  the hidden messages in water  http://is-masaru-emoto-for- real.com/ 4. Block. Jika dicurigai ada variabel-variabel yang dapat mempengaruhi variabel respon, maka kelompokkan terlebih dahulu subyek ke dalam blok2 berdasarkan variabel-variabel ini lalu randomisasi kasus2 dalam setiap blok untuk tiap kelompok perlakuan
  • 41. Contoh Blocking • Kita ingin merancang eksperimen apakah pemberian suplemen tertentu membuat orang berlari lebih cepat ▫ Kelompok perlakuan (treatment) : suplemen ▫ Kelompok kontrol : tanpa suplement • Jika dicurigai suplemen tersebut mempengaruhi kelompok atlet profesional dan amatir secara berbeda, maka kita perlu mem-blok status pro/amatir tersebut ▫ Membagi sampel menjadi kelompok pro dan amatir ▫ Secara acak membagi atlet yang pro dan amatir ke dalam kelompok perlakuan dan control ▫ Atlet pro dan amati secara berimbang terwakili dalam baik kelompok perlakuan maupun kontrol
  • 42. Blocking vs Variabel Explanatory • Explanatory variables (atau terkadang disebut faktor) adalah kondisi yang kita tentukan pada unit eksperimen • Blocking variables adalah karakteristik unit eksperimen yang ingin kita kontrol • Blocking mirip dengan stratifying, digunakan dalam situasi eksperimen
  • 43. Beberapa terminologi lain dalam Rancangan Eksperimen • Placebo: perlakuan “palsu” sering digunakan sebagai kelompok kontrol dalam studi kesehatan • Placebo Effect: unit eksperimen menunjukkan peruabhan karena percaya mereka telah mendapatkan suatu perlakuan • Blinding: unit eksperiment tidak mengetahui apakah mereka sesungguhnya berada dalam kelompok kontrol atau perlakuan • Double-Blind: baik unit eksperimen maupun peneliti tidak mengetahui siapa saja yang termasuk dalam kelompok kontrol maupun perlakuan
  • 44. Random Sampling vs Random Assignment
  • 45.
  • 46.
  • 47.
  • 48. C. VARIABEL • Dalam melakukan inferensi terhadap populasi, tidak semua ciri populasi harus diketahui, hanya satu atau beberapa karakteristik populasi yang perlu diketahui, yang disebut sebagai VARIABEL • Variabel adalah suatu sifat atau karakteristik dari beberapa obyek, kejadian, atau orang yang nilainya dapat bervariasi dan dapat dihitung atau diukur • Contoh: ▫ Jenis kelamin ▫ Usia ▫ Suku bangsa ▫ Tinggi badan ▫ Tingkat pendidikan ▫ Kecacatan produk (ya/tidak dalam contoh 1) ▫ Berat batang (contoh 2)
  • 49. Tipe Variabel Variabel Numerik / Kuantitatif Kontinu Diskrit Kategori / Kualitatif Kategori Biasa Ordinal
  • 50. Numerik vs Kategori Numerik • Menggambarkan kuantitas yang dapat diukur • Dapat dilakukan operasi aritmetik seperti penjumlahan, pengurangan, diambil rata-ratanya, dll Kategori • Nilai dari suatu nama atau label • Kategori dapat diidentifikasikan dengan angka tetapi tidak bisa dilakukan operasi aritmetik Tinggi badan, temperatur, banyaknya mahasiswa, jumlah kk Jenis kelamin, tingkat pendidikan, bentuk rahang
  • 51. Kontinu Diskrit • Variabel numerik yang dihitung dan hanya dapat bernilai utuh • Contoh: banyaknya produk cacat, banyaknya kemunculan angka 2 dalam pelemparan dadu, jumlah anak dalam satu keluarga Numerik • Variabel numerik yang dapat diukur dan dapat bernilai sembarang • Contoh: berat badan, kecepatan mobil, kekuatan tarik suatu jenis material, lifetime baterai
  • 52. Contoh variabel kontinu • Tinggi seseorang yang dapat bernilai 62 cm, 67,5 cm atau 68,45678 cm, bergantung pada tingkat akurasi pengukurannya Contoh Variabel diskrit • Jumlah anak dalam sebuah keluarga, yang bernilai bsa salah satu dari 0, 1, 2, 3, … tetapi tidak mungkin 2,5 atau, 3,4567
  • 53. Ordinal Kategori Biasa • Variabel kategori yang tidak berurut disebut variabel kategori saja • Contoh: jenis kelamin, merek televisi yang dimiliki Kategori • Variabel kategori yang memiliki urutan • Contoh: tingkat kepuasan pelanggan, ranking merek mobil favorit