STATISTIKA DAN METODE PENELITIAN (TRANPORTASI)

Pertemuan-1

Armin LawiProdi Teknik Perencanaan Transportasi

Program Pasca-sarjana, Universitas Hasanuddin

Nama Lengkap: Armin Lawi

Pendidikan: Sarjana Sains (S.Si.), Matematika, UNHAS Master of Engineering (M.Eng.), Computer Science,

Kyushu University, Japan Doctor of Engineering (Dr.Eng.), Computer Science,

Kyushu Institute of Technology, Japan

Pekerjaan: Dosen, Universitas Hasanuddin, 1995 – sekarang. Dosen Pascasarjana, PS Matematika, PS Teknik Elektro

(Konsentrasi Teknik Komputer dan Informatika), PS Teknik Transportasi, dan PS Teknik Perencanaan Prasarana, Program Pascasarajana UNHAS, 2008 – skrg.

Salam Kenal

Pegalaman Pekerjaan General Manager, Kyushu–Indonesia Support Center (KISC), 2011-sekarang IT Consultant, Windom International Inc., Japan, 2007-sekarang Special Trainer, Nihon Suisan Development Center, 2004-sekarang Koordinator ICT-Pura Prov. Sulsel Kementrian Kominfo, 2011-sekarang Tim Ahli Implementasi e-Government Pemerintah Kota Makassar, 2008-sekarang Ketua Pelaksana Tim Teknis Aplikasi e-Government Pemkab Maros, 2012-sekarang Ketua STMIK Kharisma Makassar 2009 - 2012 Sekretaris PS Teknik Perencanaan Prasarana (TPP), Program Pascasarjana UNHAS,

2009 – 2011 Ketua Tim Pengembangan dan Perencanaan FMIPA UNHAS, 2008 –2010 Lecturer (Assistant Professor), Faculty of Information Science, Kyushu Sangyo

University,Japan, 2004 – 2007. Research Assistant (part-time), Grad. School of Computer Science and Systems

Engineering, Kyushu Institute of Technology, Japan, 2004 – 2007. Dosen Luar Biasa, STMIK Dipanegara Makassar, 1995 – 1998.

Afiliasi Organisasi Keahlian IEEE Computer Society, Member No. 80272484 Association for Computing Machinery (ACM), Member No. 9163395 Asosiasi Perguruan Tinggi Informatika dan Komputer (APTIKOM), Ketua Wilayah IX

Sulawesi The Indonesian Mathematical Society (IndoMS), Bidang Pendidikan dan Penelitian

Wilayah Sulselbar

Outline Materi Statistika

Pengantar Pengolahan Data Statistika Dasar Pengolahan Data (Analisis

Perbandingan) Analisis Pengolahan Data Kuantitatif Analisis Pengolahan Data Kualitatif Tugas Pengolahan Data

Transportasi/Prasarana

Metode Penilaian MK

Tugas 5 buah masing2 berbobot 15%. Tugas resume kuliah dalam format Ms-Word .docx Dikirim lewat email ke: armin.lawi@gmail.com Subject: Stat2013-S2-PU-Tugas-x-<Nama>

Contoh: Stat2013-S2-PU-Tugas-1-Armin Lawi Kumpul hari Minggu sebelum jam 23:59 WITA

Tugas Besar kompilasi perbaikan tugas-tugas sebelumnya dalam bentuk buku berbobot 15%

Ujian Tengah Semester (UTS) bobot 10% Seluruh tugas jika terlambat dikumpul dari waktu

yang ditentukan akan dikenai discount nilai 25% Syarat administrasi 80% kehadiran

Kurang dari 80% hadir (4 kali absen) = E

Tata Tertib Perkuliahan

Masuk paling lambat 15 menit sebelum dosen datang

Ijin dan sakit dapat dihitung hadir jika ada pemeberitahuan sebelum kuliah dimulai (sebaiknya via SMS)

Jumlah ijin dan sakit yg dihitung hadir maksimal 3XKecuali, keadaan darurat

Selama perkuliahaan Ponsel dalam mode OFF atau SILENT. Ponsel boleh dilihat untuk, dan hanya untuk, mengetahui waktu.

Informasi Kontak

Cellular phone: +62 813 55794212 Facebook:

http://www.facebook.com/armin.lawi/ Twitter: @arminlawi Instigram: arminlawi Yahoo!ID: armin_lawi Email: <armin.lawi@gmail.com> atau

<armin@unhas.ac.id>

Pengolahan Data Statistika

Statistika Deskriptif Statistika yang menggunakan data pada suatu kelompok untuk menjelaskan atau menarik kesimpulan mengenai kelompok data itu saja Ukuran Lokasi: mode, mean, dll. Ukuran Variabilitas: variansi, standar deviasi, range, dll Ukuran Bentuk: skewness, kurtosis, plot boks

Statistika Inferensi (Statistika Induksi) Statistika menggunakan data dari suatu sampel untuk menarik kesimpulan mengenai populasi dari mana sampel tersebut diambil

Statistika Deskriptif

Statistika Induktif

Kelompok Analisis Statistika

Statistika Parametrik Menggunakan asumsi mengenai populasi (dengan

sebuah distribusi kepluangan) Membutuhkan pengukuran kuantitatif dengan level

data interval atau rasio Statistika Non-Parametrik

Menggunakan lebih sedikit asumsi mengenai populasi (atau bahkan tidak ada sama sekali)

Membutuhkan data dengan level serendah-rendahnya ordinal (ada beberapa metode untuk nominal)

Statistika Pseudo-Parametrik

Beberapa Istilah

Populasi: Seluruh obyek yang sedang diteliti

Sampel: Sebagian dari populasi yang apabila diambil secara benar merupakan representasi dari populasi

Sensus: Pengumpulan data pada seluruh populasi

Parameter: Ukuran deskriptif dari populasi

Statistik: Ukuran deskriptif dari sampel

Tipe Data Statistika

Data Kualitatif Data Nominal: Data kategori yang bernilai setara.

Misal: Jenis Kelamin (L/P setara), dll. Data Ordinal: Data kategori yang mempunyai level nilai.

Misal: Sikap (sangat suka, suka, biasa, tidak suka, sangat tidak suka) dimana sangat suka > suka > … > sangat tidak suka

Data Kuantitatif Data Interval: Data pengukuran dengan kategori pada

selang bilangan rasional tertentu. Data Rasio: Data pengukuran dengan sebuah bilangan

rasional tertentu

Pengolahan Data Statistika Modern

Data Masukan

Data Keluaran

(Informasi)

Aplikasi Pengolah Data Statistika

Proses Komputer/Statistika

Aplikasi statistika buatan sendiri

Program add-ins pada aplikasi lain (Ms-

Excel, Sheet, dll.)

Aplikasi khusus statistika (Minitab, SAS, SPSS, dll.)

Teknik Dasar Pengolahan Data

Pengujian Hipotesis

Hipotesis: Pernyataan yang dibuat dalam penelitian terhadap suatu populasi atau lebih yang mungkin benar atau salah

Hipotesis dibuktikan dengan pengujian Hipotesis mempermudah penelitian dan

dapat dijadikan pedoman berdasarkan fakta-fakta

Hipotesis merupakan alat untuk membuat kesimpulan dasar yang penting dan menyeluruh

Tahapan Pengujian Hipotesis Rumuskan hipotesis awal (H0) dan

hipotesis tandingan (H1) yang sesuai dengan masalah

Pilih statistik uji Tetapkan taraf signifikansi atau taraf

keberartian () Hitung statistik uji Tentukan nilai atau daerah kritis pengujian Lihat kurva hasil terhadap daerah kritis Buat kesimpulan atas hasil pengujian

Contoh Pengujian Hipotesis

Suatu perusahaan pembuat tali pancing sintetik merek baru mengklaim bahwa tali pancing mereka rata-rata mampu menahan beban 8 kg dengan simpangan baku 0,5 kg. Untuk itu suatu sample diambil sebanyak 50 tali dan ternyata rata-rata daya tahannya 7,8 kg. Uji hipotesis tersebut dengan taraf keberartian 1 %!

Contoh Pengujian Hipotesis (contd.) Hipotesis yang digunakan

H0 : = 8 H1: ≠ 8 (uji dua arah)

Digunakan statistik uji dua-arah Taraf signifikansi 1%. Karena dua arah

diperoleh 0,5% atau 0,005. Statistik uji: Menentukan daerah kritis

Zcrit = 0,5 - /2 = 0,5 – 0,005 = 0,495

.50;5,0;8,7 nx

Contoh Pengujian Hipotesis (contd.)

Oleh karena itu didapatkan nilai Z/2 = 2,575 dan -Z/2 = -2,575.Sehingga daerah kritisnya Z > 2,575 atau Z < -2,75.

Nilai Zhit diperoleh: 83,2505,0

88,7

n

xz

Contoh Pengujian Hipotesis (contd.)

Karena nilai (Z = -2,830) berada pada daerah kritis, maka hipotesis H0 ditolak.Kesimpulannya, daya tahan beban tali pancing tidak sama dengan 8 kg

Contoh Lain

Sebuah sample acak 100 kematian dari catatan di Jepang selama tahun 2009 menunjukkan rata-rata usia mereka 71, 8 tahun. Andaikan simpangan bakunya 8,9 tahun, apakah ini menunjukkan bahwa rata-rata usia penduduk Jepang lebih dari 70 tahun? Gunakan taraf keberartian 5 %!

Contoh Lain (contd.)

Hipotesis yang digunakanH0 : = 70 H1: > 70 (uji satu arah)

Digunakan statistik uji satu-arah Taraf signifikansi 5% atau 0,05. Statistik uji: Menentukan daerah kritis

Zcrit = 0,5 - = 0,5 – 0,05 = 0,4500

.100;9,8;8,71 nx

Contoh Lain (contd.)

02,21009,8

708,71

n

xz

Dari tabel dapat diperoleh nilai Z = 1,645

Nilai Zhit diperoleh:

Contoh Lain (contd.)

• Nilai (Z = 2,02) jatuh pada daerah kritis, maka hipotesis H0 ditolak.

• Kesimpulannya, usia rata-rata penduduk Jepang lebih dari 70 tahun, atau dengan kata lain hipotesis tandingan (H1 : > 70 tahun) diterima.