Modul METODE STATISTIKA

By : Anita Eka Putri, staf sainstek Fisika12
1. Pengenalan Analisis Data dan Statistik

Statistika merupakan suatu cabang ilmu yang mempelajari berbagai teknik perancangan,
pengumpulan data, pengolahan data, penyajian data, dan pembuatan kesimpulan berdasarkan data
yang dimiliki .Dalam penggunaan metode ini melibatkan pengumpulan informasi dan data ilmiah. Model
probabilitas didasarkan pada eksperimen eksperimen yang nanti akan diperoleh hasil yang mungkin
namun tidak dapat dikatakan sebelum kejadian itu terjadi.
Eksperimen statistik Proses pengamatan yang mengiringi sati tujuan tunggal yang tidak dapat di
prediksi sebelumnya. Himpunan dari semua hasil Ruang Sample. Hasil suatu ruang saple elemen
dari ruang sample sedangkan suatu subset dari ruang sample Kejadian / event.
Berdasarkan cara pengolahan datanya, statistika dibagi ke dalam dua kelompok besar, yaitu
statistika deskriptif dan statistika inferensia. Statistika deskriptif bidang statistika yang
mempelajari cara atau metode mengumpulkan, menyederhanakan dan menyajikan data serta
meringkas data sehingga bisa memberikan informasi yang jelas dan mudah dipahami. Dalam statistika
deskripsi belum sampai pada upaya menarik suatu kesimpulan, tetapi baru sampai pada tingkat
memberikan suatu bentuk ringkasan data sehingga khalayak/masyarakat awam statistika pun dapat
memahami informasi yang terkandung dalam data. Beberapa teknik statistika yang termasuk dalam
kelompok ini seperti distribusi frekuensi, ukuran pemusatan dan penyebaran data. Sedangkan
statistika inferensia merupakan bidang statistika yang mempelajari cara atau metode penarikan
kesimpulan berdasarkan data yang diperoleh dari sampel untuk menggambarkan karakteristik atau ciri
dari suatu populasi.
2. Probabilitas ( Peluang )
2.1 Ruang Contoh dan Kejadian
Untuk mempelajari peluang, kita membutuhkan konsep percobaan acak. Percobaan diartikan sebagai
suatu tindakan yang dapat diulang-ulang di bawah kondisi tertentu. Perhatikan sebuah percobaan acak
sederhana berupa pelemparan sebuah dadu bersisi enam yang seimbang. Hasil yang mungkin diperoleh
dari percobaan ini ialah munculnya sisi 1, 2, 3, 4, 5, atau 6. Percobaan ini termasuk acak karena kita
tidak bisa memastikan sisi apa yang akan muncul. Dengan menggunakan konsep himpunan, suatu
himpunan/gugus yang memuat semua hasil yang berbeda, yang mungkin terjadi dari suatu percobaan
dinamakan ruang sampel (sample space). Sedangkan unsur-unsur dari suatu ruang sampel disebut titik
sampel. Ruang sampel dapat dipandang sebagai himpunan semesta bagi permasalahan yang dihadapi.
Ruang sampel dilambangkan dengan S. Dengan demikian, ruang sampel dari percobaan di atas ialah
S={1, 2, 3, 4, 5, 6}.
Ruang kejadian adalah himpunan bagian (anak gugus) dari ruang sampel, yang memiliki karakteristik
tertentu. Ada dua jenis kejadian, yaitu kejadian dasar dan kejadian majemuk. Contoh, kejadian
terambilnya kartu hati dari seperangkat (52 helai) kartu bridge dapat dinyatakan sebagai A = {hati}
yang merupakan himpunan bagian dari ruang contoh S={hati, sekop, klaver, wajik}. Jadi A adalah
kejadian sederhana. Kejadian B yaitu terambilnya kartu merh merupakan kejadian majemuk, karena B
= {hati wajik} = {hati, wajik}. Perhatikan bahwa gabungan atau paduan beberapa kejadian
sederhana menghasilkan kejadian majemuk yang tetap menjadi himpunan bagian ruang contohnya.
Suatu kejadian dapat berbentuk himpunan bagian dari S yang tidak mengandung satu pun anggota yang
disebut dengan ruang nol atau himpunan kosong dan biasanya dilambangkan dengan C. Sebagai contoh,
bila A menyatakan kejadian menemukan suatu organisme mikroskopis dengan mata telanjang dalam
suatu percobaan biologi maka A = C.
Operasi Kejadian
Komplemen suatu kejadian A terhadap S adalah himpunan semua unsur S yang tidak termasuk A,
biasanya dinotasikan dengan lambang A
c
. Contoh :
- Ruang contoh melempar sebuah dadu : S= {1,2,3,4,5,6}
- Jika A = {1,3,5}, maka A
c
= {2,4,6}
Irisan dua kejadian A dan B adalah kejadian yang unsurnya termasuk dalam A dan B, dinotasikan
dengan lambang A B. Contoh:
- Ruang contoh melempar sebuah dadu : S={1,2,3,4,5,6}
- Jika A = {1,2,3} dan B = {2,4,6}, maka A B = {2}
Gabungan dua kejadian A dan B adalah kejadian yang mengandung semua unsur yang termasuk A
atau B atau keduanya, yang dinotasikan dengan lambang A B. Contoh :
- Jika A = {1,2,3} dan B = {2,4,6}, maka A B ={1,2,3,4,6}.
Kejadian A dan B dikatakan saling terpisah (mutually exclusive) bila A dan B tidak memiliki
unsur persekutuan (bila A B =C), Contoh:
- Jika A = {1,3,5} dan B = {2,4,6}, maka A dan B saling terpisah, karena A B =C.
Kejadian A dan B dikatakan saling bebas bila A dan B tidak saling mempengaruhi, Contoh:
Pada pelemparan dua uang logam, kejadian munculnya sisi muka dari uang logam pertama dan
uang logam kedua saling bebas
Cara Menghitung Ukuran Ruang Contoh
Dalam menghitung peluang suatu kejadian cukup dengan menghitung banyaknya titik sampel suatu
kejadian dan ruang sampel tersebut. Berdasarkan banyaknya unsur suatu ruang sampel, ruang sampel
dapat dibedakan menjadi dua jenis yaitu ruang sampel diskret dan ruang sampel kontinu. Suatu ruang
sampel dikatakan diskret jika banyaknya unsur dari ruang sampel tersebut berhingga atau tidak
berhingga terhitung (countable). Sedangkan ruang sampel dikatakan kontinu jika ruang sampel memuat
semua bilangan dalam suatu interval tertentu.
Jika ruang contoh suatu percobaan terdiri atas kejadian dasar yang diskret terhingga, ada tiga kaidah
dasar cara menghitung banyaknya ukuran ruang contoh, yaitu:
1. Pengisian tempat yang tersedia
ada dua kaidah yang dapat digunakan untuk pengisian tempat yang tersedia, yaitu kaidah
penggandaan dan kaidah penjumlahan. Pada kaidah penggandaan, misalnya n
1
adalah banyaknya
cara mengisi tempat pertama, n
2
adalah banyaknya cara mengisi tempat kedua setelah tempat
pertama terisi dan n
k
adalah banyaknya cara mengisi tempat ke-k setelah (k-1) tempat-tempat
sebelumnya terisi, maka banyaknya cara mengisi k tempat yang tersedia adalah:
n
1
.n
2
. ... .nk
Contoh : Pada sebuah dealer motor tersedia 4 merk sepeda motor. Masing-masing merk menyediakan 3
jenis kapasitas silinder. Masing-masing sepeda motor dikeluarkan dengan 2 macam warna. Jika seorang
pengojek hendak membeli sepeda motor baru, berapa macam pilihan yang dapat dilakukan olehnya?
Pikiran pengojek sewaktu memilih merk bercabang empat, sewaktu memilih kapasitas silinder
bercabang tiga dan sewaktu memilih warna bercabang dua. Jadi, pilihannya ada
4 x 3 x 2 = 24 macam
Kaidah penjumlahan digunakan jika dalam mengisi tempat kedua setelah tempat pertama terisi tidak
dapat dilakukan menggunakan benda-benda yang digunakan sebagai pilihan untuk mengisi tempat
pertama. Jadi, misalnya n
1
adalah banyaknya cara mengisi tempat pertama, n
2
adalah banyaknya cara
mengisi tempat kedua dan n
k
adalah banyaknya cara mengisi tempat ke-k, maka banyaknya cara
mengisi k tempat yang tersedia adalah:
Contoh :
Dari Jakarta kita dapat pergi ke Bogor menggunakan kendaraan bermotor melalui (1) Parung, (2) jalan
lama Cibinong, atau (3) jalan tol Jagorawi. Dari Bogor kita dapat ke Bandung melalui (1) Sukabumi atau
(2) Cianjur. Dari Jakarta kita juga dapat ke Bandung melalui (1) jalan tol Cikampek atau (2) jalan lama
n
1
+ n
2
+ ... + nk
Bekasi lewat Purwakarta. Hanya ada satu jalan raya dari Purwakarta menuju Bandung. Ada berapa
pilihan untuk pergi ke Bandung dari Jakarta?
Jika melalui Bogor ada 3x2 pilihan dan jika melalui Purwakarta ada 2x1 pilihan. Jadi, banyaknya pilihan
ada 3x2 + 2x1 = 8 macam
2. Permutasi
Pemilihan benda-benda dari suatu gugus benda-benda S = {e
1
, e
2
, , e
n
} dapat dilakukan dengan
permutasi. Permutasi merupakan kejadian dimana susunan objek yang terpilih diperhatikan. Misalkan
memilih orang untuk membentuk kepengurusan suatu organisasi, dimana jika Si A terpilih menempati
posisi ketua berbeda maknanya dengan Si A terpilih menempati posisi wakil ketua.
Banyaknya permutasi n benda yang berlainan adalah n!
Contoh :
Banyaknya permutasi yang berbeda yang dapat disusun dari huruf-huruf dalam kata LATIH adalah 5!
= 120
Banyaknya permutasi n benda berlainan jika diambil r benda sekaligus (r<n) adalah: N(S) = P
n
r

Contoh :
Dari 5 orang kandidat akan dibentuk susunan pengurus (Ketua, Wakil, Bendahara)
N(S) = P
5
3
= 5!/(5-3)! = 60
Banyaknya permutasi n benda berlainan yang disusun melingkar adalah (n 1)!
Contoh : Dalam suatu ruangan diskusi dengan bentuk meja melingkar, akan berlangsung diskusi yang
akan diikuti 6 peserta. Banyaknya cara keenam orang tersebut duduk pada 6 kursi yang disusun
melingkar adalah (6 1)! = 5! = 120 cara.
Banyaknya permutasi yang berlainan dari n benda jika n1 diantaranya berjenis pertama, n2 berjenis
kedua, , nk berjenis ke k adalah:

n!
n1! n2! ... nk!
Contoh :Banyaknya permutasi yang berbeda yang dapat disusun dari huruf-huruf dalam kata CACAH
adalah 5!/(2!2!1!) = 30
Banyaknya cara menyekat suatu himpunan n benda dalam r sel, masing-masing berisi n
1
unsur
dalam sel pertama, n
2
dalam sel kedua, , adalah:
n
n
1
, n
2
, , n
r =
, dengan n
1
+n
2
++n
r
= n
Contoh :
Ada suatu kelas yang terdiri atas 12 orang. Banyaknya cara untuk membagi kelas tersebut dalam tiga
kelompok yang terdiri atas 5, 4, dan 3 orang adalah 12!/(5!4!3!)=27720 cara
3. Kombinasi
Selain permutasi, Pemilihan benda-benda dari suatu gugus benda-benda S = {e
1
, e
2
, , e
n
}
juga dapat dilakukan dengan cara kombinasi . Kombinasi merupakan kejadian dimana susunan objek
yang terpilih tidak diperhatikan. Misalkan memilih sejumlah orang untuk menempati suatu sejumlah
kursi tempat duduk, dimana susunan tempat duduk tidak menjadi perhatian. Kombinasi tingkat r dari n
unsur/objek dapat dirumuskan sebagai berikut:
C
n
r
=
Contoh :Dari 5 orang akan dibentuk tim cepat tepat yang beranggotakan 3 orang.
N(S) = C
5
3
= 5!/(5-3)!3! = 10
2.2 Probabilitas Suatu Kejadian
Ada tiga pendekatan yang dapat dilakukan untuk menentukan peluang suatu kejadian. Pendekatan
tersebut adalah:
1. Secara intuitif kita mungkin merasa, atau didukung oleh percobaan, bahwa dari k hasil percobaan
mempunyai kemungkinan sama untuk muncul
2. Peluang suatu kejadian dapat dihitung berdasarkan kepada frekuensi relatif yang teramati dari
serangkaian percobaan
3. Peluang suatu kejadian ditentukan secara subyektif berdasarkan pandangan pribadi.
Jika A adalah suatu kejadian sembarang, terdapat tiga aksioma peluang:
1. 0 s P(A) s 1
2. P(S) = 1
3. P(A
i
A
j
) = P(A
i
) + P(A
j
), asalkan A
i
A
j
= C

n!
n
1
! n
2
! n
r
!
n!
r! (n r )!
Berdasarkan aksioma (3), misalnya, kita dapat menentukan peluang suatu kejadian sebagai jumlah
peluang masing-masing titik sampel yang menjadi anggota kejadian tersebut.
Beberapa sifat peluang:
1) untuk sembarang dua kejadian A dan B yang merupakan himpunan bagian S, maka peluang
paduan dua kejadian tersebut adalah:
P(AB)= P(A) + P(B) P(AB)
2) untuk sembarang dua kejadian A dan B yang merupakan himpunan bagian S berlaku:
P(B) = P(BA) + P(BA
c
)
3) untuk setiap kejadian A berlaku:
P(A) = 1 - P(A
c
)
4) Jika A dan B saling bebas, maka P(AB) = P(A) + P(B)
5) Jika A
1
, A
2
, ..., A
n
saling bebas, maka
P(A
1
A
2
...A
n
)= P(A
1
) + P(A
2
) + ... + P(A
n
)
2.3 Peluang Bersyarat / Konditional
Peluang bersyarat (conditional probability) dikatakan bersyarat karena eventnya sudah
dibatasi. Jika event pembatas itu A dan event yang probabilitasnya ingin dihitung adalah B, maka
peluang bersyaratnya adalah:

Dalam P(B|A), event A adalah kejadian yang terjadi terlebih dahulu atau yang diamati lebih dulu, baru
kemudian B. Jika A dan B adalah dua kejadian yang saling bebas, maka P(B|A) = P(B)

2.4 Kejadian Saling Bebas dan Saling Lepas
20
Dua kejadian E dan F dikatakan saling bebas (independent) jika berlaku:

P(AB) = P(A).P(B)

Dua kejadian A dan B dikatakan salinglepas jika berlaku:

P(EF) = 0

P(BA) = P (AB)
P(A)
2.5 Aturan Bayes

3. KONSEP DASAR PEUBAH ACAK
Pengertian Peubah Acak
Istilah percobaan atau percobaan statistik telah digunakan untuk menjelaskan sembarang
proses yang menghasilkan satu atau lebih ukuran bagi factor kebetulan. Sering kali kita tidak tertarik
pada keterangan rinci setiap titik contoh, namun hanya pada suatu keterangan numeric hasil
percobaan. Misalnya, ruang contoh yang rinci bagi percobaan pelemparan uang logam sebanyak tiga
kali dapat dituliskan sebagai :
S = {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA}.
Bila kita hanya tertarik pada berapa kali sisi gambar muncul, maka nilai numeric 0, 1, 2, atau 3, dapat
diberikan pada setiap titik contoh.
Bilangan-bilangan 0, 1, 2, dan 3 merupakan besaran acak yang nilainya ditentukan oleh hasil
percobaan. Nilai-nilai itu dapat dipandang sebagai nilai-nilai yang dapat diambil oleh suatu peubah
acak atau variable acak X tertentu, yang dalam hal ini menyatakan berapa kali sisi gambar muncul bila
sekeping uang logam dilempar tiga kali.
Dari uraian di atas dapat disimpulkan bahwa peubah acak adalah suatu fungsi yang nilainya
berupa bilangan nyata yang ditentukan oleh setiap unsur dalam ruang contoh. Kita dapat menggunakan
huruf kapital, misalnya X, untuk melambangkan suatu peubah acak, dan huruf kecil, dalam hal ini x,
untuk menyatakan salah satu di antara nilai-nilainya.
Dari ilustrasi pelemparan uang logam di atas, kita lihat bahwa peubah acak X bernilai 2 untuk
semua unsure dalam himpunan bagian
E = {GGA, GAG, AGG}
ruang contoh S. Jadi setiap kemungkinan nilai X menyatakan kejadian yang merupakan himpunan
bagian ruang contoh S bagi percobaannya.
Ada 2 macam ruang contoh :
1. Ruang Contoh Diskret
Bila suatu ruang contoh mengandung jumlah titik contoh yang terhingga banyaknya.
2. Ruang Contoh Kontinu
Bila suatu ruang contoh mengandung jumlah titik contoh yang tak terhingga banyaknya
Sehingga peubah acak pun ada 2, yaitu peubah acak diskret (peubah acak yang didefinisikan di atas
ruang contoh dikret) dan peubah acak kontinu (peubah acak yang didefinisikan di atas ruang contoh
kontinu.
Dalam prakteknya peubah acak kontinu digunakan untuk data yang diukur. Misalnya tinggi,
bobot, suhu, jarak, atau umur. Sedangkan peubah acak diskret digunakan untuk data yang berupa
hitungan atau cacahan. Contohnya banyaknya produk yang cacat, banyaknya kecelakaan pertahun di
suatu kota dan banyaknya kelereng merah yang diambil pada suatu percobaan .
Contoh 5.1
Pada pelemparan tiga uang logam, bila X menyatakan banyaknya muncul sisi angka, tentukan :
a. nilai-nilai peubah acak X
b. Sebaran peluang X
Penyelesaian :
Pelemparan tiga uang logam mempunyai ruang contoh :
S={(AAA), (AAG),(AGA),(GAA),(GGA),(GAG),(AGG),(GGG)}
a. Karena X menyatakan banyaknya muncul sisi angka, pada S, maka nilai-nilai dari X adalah :
X={0, 1, 2, 3}
X=0, artinya tidak ada sisi angka yang muncul
X=1, artinya ada satu sisi angka yang muncul
X=2, artinya ada dua sisi angka yang muncul
X=3, artinya ketiganya muncul sisi angka
b. Peluang dari nilai-nilai X adalah :
P(X=0)=P(GGG)=1/8
P(X=1)=P(GGA)+P(GAG)+P(AGG)=1/8+1/8+1/8=3/8
P(X=2)=P(AAG)+P(AGA)+P(GAA)=1/8+1/8+1/8=3/8
P(X=3)=P(AAA)=1/8
Sehingga sebaran peluang X adalah :
X=x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8

Sebaran Peluang Diskret
Yaitu sebuah table atau rumus yang mencamtumkan semua kemungkinan nilai suatu peubah
acak diskret beserta peluangnya. Pada peubah acak diskret, setiap nilainya dikaitkan dengan peluang
tertentu. Misalnya pelemparan uang logam sebanyak 3 kali. Peubah acak X menyatakan banyaknya sisi
gambar yang muncul. Dengan mengasumsikan peluang yang sama untuk setiap kejadian sederhana,
maka semua kemungkinan nilai X berikut peluangnya adalah

x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8

Perhatikan bahwa nilai-nilai X mencakup semua kemungkinan sehingga total peluangnya sama dengan 1
Seringkali, suatu peluang peubah acak dinyatakan dalam sebuah rumus, yang merupakan fungsi
nilai-nilai x. Biasanya dilambangkan dengan f(x), g(x), r(x) dan sebagainya. Himpunan semua pasangan
berurutan (x,f(x)) disebut fungsi peluang atau sebaran peluang bagi peubah acak X.
Sifat-sifat peubah acak diskret :
1) f(x)=P(X=x)
2) f(x) 0
Sebaran Peluang Kontinu
Untuk memahami pengertian sebaran peluang kontinu, perhatikan ilustrasi berikut:
Suatu peubah acak menyatakan tinggi badan semua orang yang berusia di atas 21 tahun. Antara 2 nilai
sembarang, misalnya 163.5 dan 164.5, terdapat tak terhingga banyaknya tinggi badan. Dan sangat sulit
sekali untuk mencari tinggi badan yang tepat 164 cm.Tetapi tidak demikian, bila kita membicarakan
peluang terambilnya seseorang yang tingginya antara 163 sampai 165. Dalam hal ini kita berhadapan
dengan sebuah selang nilai peubah acak, dan bukan tepat satu nilai peubah acak.
Sehingga sebaran peluang peubah acak kontinu tidak dapat disajikan dalam bentuk tabel,
tetapi sebaran ini dapat disajikan dalam bentuk rumus. Rumus ini merupakan fungsi nilai-nilai peubah
acak kontinu X, sehingga dapat digambarkan sebagai kurva kontinu. Fungsi peluang yang digambarkan
dengan kurva disebut fungsi kepekatan peluang atau fungsi kepekatan. Kebanyakan fungsi kepekatan
dalam analisis satistika bersifat kontinu untuk semua nilai X, dan luas daerah menyatakan besarnya
peluang.Karena nilai peluang positif, maka fungsi kepekatan seluruhnya terletak di atas sumbu x.
Fungsi kepekatan peluang dibuat sedemikian rupa sehingga luas daerah di bawah kurva dan di atas
sumbu x sama dengan 1.Sehingga dapat disimpulkan bahwa Fungsi Kepekatan Peluang peubah acak
kontinu X adalah fungsi peluang yang digambarkan dengan sebuah kurva, dengan luas daerah di bawah
kurva dan di atas sumbu x sama dengan 1, dan bila luas daerah di bawah kurva antara x=a dan x=b,
menyatakan peluang X terletak antara a dan b, P(a<X<b).
Sifat-sifat peubah acak kontinu :
1) P(a<X<b)= f(x) 0
4.

Nilai Harapan Peubah Acak
Nilai harapan dari peubah acak adalah pemusatan dari nilai peubah acak jika percobaannya dilakukan
secara berulang-ulang sampai tak berhingga kali.

Secara matematis nilai harapan dapat dirumuskan sebagai berikut:

=
}

=
kontinu p.a X jika , ) (
diskret p.a X jika ), (
) (
1
dx x f x
x p x
X
i i
n
i
i x

Contoh 5.2
Jika diketahui distribusi peluang dari peubah acak X sebagai berikut:

Nilai peubah Acak X
X 0 1 2 3 4 5
P(X=x
I
) 1/6 1/6 1/6 1/6 1/6 1/6
X
i
p(x
i
) 0 1/6 2/6 3/6 4/6 5/6

Dengan demikian nilai harapan p.a X adalah:
E(X) = 0 + 1/6 + 2/6 + 3/6 + 4/6 + 5/6 = 15/6
E(3X) = 3 E(X) = 45/6
Contoh 5.3
Ruang contoh untuk percobaan dua buah uang logam adalah
S = {GG, GA, AG, AA}
Karena keempat titik contoh berpeluang sama untuk terjadi, peluang-peluang tersebut dapat
dipandang sebagai frekuensi relatif bagi kejadian-kejadian itu dalam jangka panjang. Sehingga jika
seseorang melemparkan dua uang logam yang setimbang berulang-ulang kali, maka rata-rata ia akan
memperoleh 1 sisi gambar perlemparan adalah 1, yang didapat dari

= E(Y) = 0.1/4 + 1.1/2 + 2.1/4 = 1

Misalkan X adalah suatu peubah acak diskret dengan sebaran peluang

X X1 X2 . Xn
P(X=x) F(x1) F(x2) . F(xn)

Maka nilai tengah atau nilai harapan peubah acak g(X) adalah
=
= =
n
i
i i x g
x f x g X g E
1
) (
) ( ) ( )) ( (

Ragam Peubah Acak
Ragam dari peubah acak X didefinisikan sebagai berikut:
V(X) = E(X-E(X))
2

= E(X
2
) [E(X)]
2

Contoh 5.4
Untuk contoh sebelumnya, ragam dari peubah acak X adalah:
V(X) = (0+1/6+4/6+9/6+16/6+25/6) - (15/6)
2

= 55/6 - 225/36 = 105/36

Sifat Nilai harapan Dan Ragam
1. Bila a dan b konstanta, maka
b a b a
x b aX
+ = + =
+

2. Nilai harapan jumlah atau selisih dua atau lebih peubah acak sama dengan jumlah atau selisih
nilai harapan masing-masing peubah.
Y X Y X
+ =
+
dan
Y X Y X
=

3. Nilai harapan hasilkali dua atau lebih peubah acak yang bebas satu sama lain sama dengan
hasilkali nilai harapan masing-masing peubah acak. Jadi jika X dan Y bebas, maka
Y X XY
=
4. Bila X suatu peubah acak dan b konstanta, maka
2 2 2
o o o = =
+ X b X

5. Bila X peubah acak dan a adalah konstanta, maka
2 2 2 2 2
o o o a a
X aX
= =
6. Ragam jumlah atau selisih dua atau lebih peubah acak yang bebas sama dengan jumlah ragam
masing-masing peubah acak. Jadi bila X dan Y bebas, maka
2 2 2
Y X Y X
+ =
+
dan
2 2 2
Y X Y X
+ =

SEBARAN PELUANG TEORITIS

Secara garis besar, sebaran peluang teoritis dapat dibedakan atas sebaran diskret dan sebaran
kontinu. Sebaran diskret adalah fungsi peluang dari peubah-peubah acak diskret, seperti Bernoulli,
Binomial, Hipergeometrik, Poisson, dan lain-lain. Sedangkan sebaran kontinu adalah fungsi peluang
peubah-peubah acak kontinu, antar lain Seragam , Normal, dan lain-lain.
Berikut ini akan diuraikan beberapa jenis sebaran peluang diskret dan sebaran peluang kontinu.

Sebaran Binom
Peubah X yang menyatakan banyaknya kesuksesan dalam n ulangan suatu percobaan binom
disebut peubah acak binom, dan sebaran peluang bagi peubah acak binom disebut sebaran binom.
Ciri-ciri percobaan binom :
7. percobaannya terdiri atas n ulangan
8. dalam setiap ulangan, hasil percobaannya hanya ada 2, yaitu sukses atau gagal
9. peluang sukses, dilambangkan dengan p, dan untuk setiap ulangan besarnya peluang sama,
tidak berubah-ubah
10. ulangan-ulangan tersebut bersifat bebas satu sama lain
Bila suatu ulangan binom mempunyai peluang sukses p dan peluang gagal q = 1-p, maka sebaran
peluang bagi peubah acak binom X, yaitu banyaknya kesuksesan dalam n ulangan yang bebas, adalah
, ) , ; (
x n x
q p
x
n
p n x b

|
|
.
|
\
|
= untuk x = 0, 1, 2,.,n
Nilai sebaran di atas diperoleh dari uraian berikut ini :
11. pandang peluang sukses x dan gagal n-x dalam suatu urutan tertentu. Karena ulangan semuanya
bebas, maka peluang tiap hasil yang berbeda dapat digandakan. Tiap sukses terjadi dengan peluang
p dan gagal dengan peluang q=1 p. jadi peluang untuk urutan tersebut adalah p
x
q
n-x
.
12. tentukan banyaknya semua titik contoh dalam percobaan tersebut yang menghasilkan x yang sukses
dan n-x yang gagal. Banyaknya ini sama dengan banyaknya cara memisahkan n hasil menjadi dua
kelompok sehingga x hasil berada pada kelompok pertama dan sisanya, n-x hasil, pada kelompok
kedua. Banyaknya x hasil yang sukses dapat dinyatakan dengan
|
|
.
|
\
|
x
n .

13. karena pembagian kelompok pada (2) saling terpisah, maka peluang x sukses diperoleh dari hasil
penggandaan
|
|
.
|
\
|
x
n
dengan p
x
q
n-x
.
Nilai tengah dan ragam bagi sebaran binom b(x;n,p) adalah npq dan np = =
2
o

Sebaran Binomial Kumulatif
Ada kalanya perhitungan peluang sebaran binomial lebih mudah dilakukan dengan memakai sebaran
kumulatif. Bila pada n percobaan terdapat paling tidak sebanyak r sukses, maka sebaran binomial
kumulatif yang ditulis P(X>r), dengan r<n, adalah:
=
=
+ + + + = >
n
r x
p n x b
p n n b p n r b p n r b r X P
) , , (
) , , ( ) , , 1 ( ) , , ( ) (

Untuk memperoleh nilai peluang binomial kumulatif dapat menggunakan tabel sebaran binomial.

Contoh 6.1
Dari hasil kajian akademik diperoleh bahwa peluang dosen hadir dalam kegiatan belajar mengajar
sebesar 90%. Jika proses belajar mengajar per semester dilakukan sebanyak 14 kali, hitunglah :
14. peluang dosen hadir dalam kegiatan belajar mengajar sebanyak 10 kali !
15. peluang dosen hanya tidak hadir satu kali !
16. peluang dosen hanya tidak hadir pada pertemuan ke 14 !
17. peluang dosen hanya hadir pada pertemuan pertama !
Penyelesaian :
X = banyaknya dosen mengajar dalam satu semester
p = 0.9, n = 14
sehingga x=0, 1, 2, , 14
18. P(X=10)= | | | | | | | | 035 . 0 49 . 3 ) 1001 ( 1 . 0 9 . 0
! ) 10 14 ( ! 10
! 14
1 . 0 9 . 0
10
14
5 4 10 10 14 10
= =
=
|
|
.
|
\
|

Atau dengan melihat tabel binom :
P(X=10) = P(Xs10) P(Xs9)
= = 0.0441- 0.0092 = 0.0349
19. Jika dosen tidak hadir sekali, maka ada 14 kemungkinan dosen tersebut tidak hadir dari 14
pertemuan. Dengan demikian peluangnya :

20. Karena sudah ditentukan bahwa dosen tidak hadir pada pertemuan ke 14, maka peluangnya :

21. Karena sudah ditentukan bahwa dosen hanya hadir pada pertemuan pertama, maka peluangnya :

Contoh 6.2
Seorang penjual mengatakan bahwa 25% dari seluruh dagangannya rusak akibat truk yang membawa
barang itu mengalami kecelakaan. Jika seseorang membeli barang dagangan itu sebanyak 10 buah,
tentukan :
1. peluang orang itu akan mendapat 5 barang yang rusak
2. peluang orang tersebut memperoleh minimal 3 tetapi kurang dari 7 barang yang rusak
3. rata-rata dan simpangan baku barang yang rusak
penyelesaian
Misalkan X = banyaknya barang yang rusak
p = 0.25, n = 10
22. P(X =5) =P(Xs5) P(Xs4) = 0.9803 0.9219 = 0.0584
23. P(3sX<7)=P(3sXs6) = P(Xs6) P(Xs2) =0.9991-0.6778 = 0.3213
24. = n.p = 10x0.25 = 2.5, o
2
= n.p.(1-p) = 10x0.25x0.75 = 1.875

Sebaran Hipergeometrik
Ciri-ciri percobaan hipergeometrik :
25. suatu contoh acak berukuran n diambil dari populasi yang berukuran N
26. k dari N benda diklasifikasikan sebagai sukses dan N-k benda diklasifikasikan sebagai gagal
Banyaknya kesuksesan X dalam suatu percobaan hipergeometrik disebut peubah acak
hipergeometrik,dan sebaran peluang bagi peubah acak hipergeometrik disebut sebaran
hipergeometrik.
Bila dalam populasi N benda, k benda diantaranya diberi label sukses dan N-k benda lainnya
diberi label gagal maka sebaran peluang bagi peubah acak hipergeometrik X, yang menyatakan
banyaknya kesuksesan dalam contoh acak berukuran n, adalah
untuk x = 0,1,2,..,k
Nilaitengah dan ragam bagi sebaran hipergeometrik h(x;N,n,k) adalah
|
.
|
\
|

= =
N
k
N
k
n
N
n N
dan
N
nk
1 . .
1
2
o

Contoh 6.3
Dalam suatu kantong terdapat 10 bola merah dan 5 bola putih. Bila diambil 3 bola secara acak,
tentukan peluang untuk memperoleh 0, 1, 2, dan 3 bola merah!
Penyelesaian :
Misalkan :
N1 : banyaknya bola merah =10
N2 : banyaknya bola putih=5
N : banyaknya bola = N1 + N2 = 10+5=15
n : banyaknya sampel yang diambil
X : banyaknya bola merah yang diperoleh
Kombinasi bola merah yang diperoleh adalah
|
|
.
|
\
|
k
10

Kombinasi bola putih yang diperoleh adalah
|
|
.
|
\
|
k 3
5

Kombinasi semua sampel yang diperoleh adalah
|
|
.
|
\
|
3
15

Maka peluang untuk memperoleh banyaknya bola merah X=k dalam sampel tersebut adalah :
,
3
15
3
5 10
) (
(
= =
k k
k X P k=0, 1, 2, 3

Dengan demikian :
455
10
3
15
3
5
0
10
) 0 ( =
(
= = X P ,
455
100
3
15
2
5
1
10
) 1 ( =
(
= = X P
455
225
3
15
1
5
2
10
) 2 ( =
(
= = X P ,
455
120
3
15
0
5
3
10
) 3 ( =
(
= = X P
Perhatikan bahwa P(X=0)+ P(X=1)+ P(X=2)+ P(X=3)=1

Sebaran Poisson
Percobaan yang menghasilkan nilai-nilai bagi suatu peubah acak X, yaitu banyaknya hasil
percobaan yang terjadi selama suatu selang waktu tertentu atau di suatu daerah tertentu disebut
percobaan poisson. Bilangan X yang menyatakan banyaknya hasil percobaan dalam suatu percobaan
poisson disebut peubah acak poisson, dan sebaran peluangnya disebut sebaran poisson.
Sebaran peluang bagi peubah acak poisson X, yang menyatakan banyaknya hasil percobaan yang
terjadi selama suatu selang waktu atau daerah tertentu adalah
untuk x = 1, 2, ..
sedangkan dalam hal ini adalah rata-rata hasil percobaan yang terjadi selama selang waktu atau
dalam daerah yang dinyatakan, dan e = 2.71828.
Sebaran poisson cocok digunakan untuk n besar dan p kecil sekali, sedangkan binom cocok untuk n kecil
dan p besar.

Contoh 6.4
Bila variabel acak X mempunyai sebaran binom denagn n=100, p=0.005, hitunglah P(X=15)!
Jawab :
f(x)=P(X=x)= , x= 0, 1, 2, , 100
maka :
f(15)=P(X=15)=
Peluang ini sulit dihitung karena n=100 adalah besar dan p=0.005 adalah kecil. Oleh karena itu kita
pakai pendekatan sebaran poisson, yaitu :
=100(0.005)=0.5

, x= 0, 1, 2, , 100
Maka

Sebaran Normal
Suatu peubah acak kontinu X yang memiliki sebaran berbentuk genta disebut peubah acak normal.
Bila X adalah suatu peubah acak normal dengan nilaitengah dan ragam , maka persamaan kurva
normalnya adalah
, untuk - < x <
sedangkan dalam hal ini t= 3.14159. dan e = 2.71828.
Bila nilai-nilai dan o diketahui, maka kurva normal itu telah tertentu dengan pasti. Misalkan
bila = 50 dan o =5, maka ordinal-ordinat n(x;50,5) dengan mudah dapat dihitung untuk berbagai nilai
x, dan kemudian kurvanya dapat digambar.
Sifat-sifat kurva normal :
27. Modusnya hanya satu dan terletak di x =
28. Kurvanya simetris/setangkup terhadap garis tegak x =
29. Grafik selalu berada di atas sumbu x atau f(x)>0
30. Kurvanya mendekati sumbu x secara asimtotik dalam dua arah, jika semakin menjauhi
nilaitengahnya
31. Luas daerah di bawah kurva dan di atas sumbu x sama dengan 1

Kurva sembarang sebaran peluang kontinu atau fungsi kepekatan dibuat sedemikian rupa
sehingga luas daerah di bawah kurva yang dibatasi oleh x = x1 dan x = x2 sama dengan peluang bahwa
peubah acak X mengambil nilai antara x = x1 dan x = x2. Untuk menghitung nilai peluang sebaran
normal, dari kalkulus integral sangatlah rumit. Sehingga untuk menghindari hal itu digunakan table
kenormalan atau table normal baku, yaitu dengan mentransformasikan setiap pengamatan dari peubah
acak normal X menjadi suatu nilai peubah acak normal Z dengan nilaitengah nol dan ragam satu.
Transformasi normal baku atau transformasi Z yang dimaksud adalah

Nilaitengah Z adalah nol, karena

sedangkan ragamnya adalah

Sehingga sebaran normal baku adalah sebaran peubah acak normal dengan nilaitengah nol dan
simpangan baku 1.
Bila X berada di antara x = x1 dan x = x2 maka peubah acak Z akan berada di antara nilai-nilai
padanannya.
, dan
Karena semua nilai X yang jatuh antara x1 dan x2 mempunyai nilai z padanannya antara z1 dan z2,
maka luas daerah di bawah kurva X sama dengan luas daerah di bawah kurva Z. Dengan demikian
P(x1<X<x2) = P(z1<Z<z2)

Contoh 6.5
Untuk sebaran normal dengan = 50 dan o = 10, hitunglah peluang bahawa X mengambil sebuah nilai
antara 45 dan 62.
Jawab :
Diketahui
x1 = 45 dan x2 = 62
= 50 dan o = 10
Ditanyakan P(45<X<62) = .?
Nilai X harus ditransformasi ke nilai Z, yaitu
dan
dan
Dengan demikian
P(45<X<62) = P(-0.5<Z<1.2)
= P(Z<1.2) P(Z<-0.5)
= 0.8849 - 0.3085
= 0.5764

Contoh 6.6
Untuk sebaran normal dengan = 300 dan o = 50, hitunglah peluang peubah acak X mengambil nilai
yang lebih besar dari 362.
Jawab :
Diketahui
= 300 dan o = 50
Ditanyakan P(X>362) = ..?

= 1.24
P(X>362) = P(Z>1.24)
= 1 P(Z<1.24)
= 1 0.8925
= 0.1075

Contoh 6.7
Suatu penelitian yang dilakukan oleh seorang mahasiswa menyebutkan bahwa secara rata-rata seorang
pengunjung mengeluarkan uang belanja di suatu pusat perbelanjaan adalah Rp 247.000,00 dengan
simpangan baku Rp 84.600,00. Jika diasumsikan sebaran normal, berapakah :
32. peluang orang itu mengeluarkan uang belanja paling sedikit Rp 300.000,00
33. peluang orang itu mengeluarkan uang belanja antara Rp 200.000,00 sampai Rp 400.000,00
34. jika diasumsikan banyaknya pengunjung mencapai 200 orang setiap hari, berapa banyaknya orang
yang diperkirakan mengeluarkan uangnya untuk berbelanja sebanyak-banyaknya Rp 150.000,00
penyelesaian
Misalkan X = besarnya pengeluaran uang belanjaan setiap pengunjung suatu pusat perbelanjaan dalam
ribuan rupiah.
, n = 200
a. P(X>300) = .?
Nilai X harus ditransformasi ke nilai Z, yaitu

dengan demikian
P(X>300) = P(Z>0.63) = 1 P(Z<0.63) = 1 0.7357 = 0.2643

b. P(200sXs400) = .?

P(200sXs400) = P(-0,56 s Z s 1,81) = P(Zs1,81) P(Zs-0,56) = 0.9649 0.2877 = 0.6722

c. misalkan m =banyaknya pengunjung yang mengeluarkan uang paling banyak Rp 150.000,00
m = nP(Xs150)
P(Xs150) = P(Zs-1,15) = 0.1251
Jadi m = 200(0.1251) = 25 orang

Contoh 6.7
Nilai ujian statistika sebagian besar mahasiswa mempunyai sebaran normal dengan rata-rata =34 dan
simpangan baku o =4. Jika X menyatakan nilai-nilai mahasiswa tersebut, berapakah batas nilai Xo agar
10% dari kelompok nilai terendah berada di bawah Xo ?
Penyelesaian :
Diketahui = 34 dan o = 4

P(XsXo)=0.1 P(ZsZo) = 0.1
Dari tabel sebaran normal kumulatif diperoleh Zo=-1.282
Maka
Xo=34+(-1.282)4=28.87
Jadi batas atas nilai untuk 10% kelompok mahasiswa yang mendapat nilai terendah adalah 28.87

Latihan Soal
35. Peluang seseorang sembuh dari suatu penyakit darah adalah 0.4. Bila 15 orang diketahui
menderita penyakit ini, berapa peluang bahwa
1. sekurang-kurangnya 10 orang dapat sembuh
2. ada 3 sampai 8 orang yang sembuh
3. 5 orang yang sembuh
36. Pupuk urea yang ditawarkan kepada petani ada dua jenis yaitu urea tablet dan urea biasa. Dari
hasil survey diketahui 3/5 petani menggunakan pupuk urea tablet dan 2/5 petani menggunakan
pupuk urea biasa. Jika empat petani dikunjungi ke lapangan, hitunglah :
a. peluang tidak ada petani yang menggunakan pupuk urea tablet.
b. peluang tiga petani menggunakan pupuk urea tablet.
c. paling banyak dua petani menggunakan urea tablet.
37. Menurut teori genetika, suatu persilangan kelinci percobaan akan menghasilkan keturunan
warna merah, hitam, dan putih dalam perbandingan 8:4:4. Hitunglah peluang bahwa diantara 8
keturunan ada 5 yang berwarna merah, 2 hitam, dan 1 putih.
38. Bila 5 kartu diambil secara acak dari seperangkat kartu brigde, berapa peluang diperoleh 3
kartu hati
39. Putri hendak menanami halaman depan dan samping rumahnya dengan tanaman bunga. Dari
sebuah kotak yang berisi 3 umbi tulip, 4 umbi daffodil, dan 3 umbi hyacinth, ia mengambil 5
umbi secara acak untuk ditanam di halaman depan dan 5 umbi sisanya di halaman samping.
Berapa peluang ketika musim bunga tiba di halaman depan berbunga tulip, 2 daffodil dan 2
hyacinth
40. Misalkan bahwa secara rata-rata 1 orang di antara 1000 orang adalah pecandu alcohol. Hitung
peluang bahawa dalam suatu contoh acak 8000 orang terdapat kurang dari 7 pecandu alcohol.
41. Sebuah restoran menyediakan salad yang rata-rata mengandung 5 macam sayuran. Hitunglah
peluang bahwa salad yang disediakan mengandung lebih dari 5 macam sayuran
1. pada suatu hari tertentu
2. pada 3 diantara 4 hari berikutnya
3. pertama kali dalam bulan April pada tanggal 5 April
42. Misalkan secara rata-rata 1 di antara 1000 orang membuat kesalahan angka dalam melaporkan
pajak pendapatannya. Bila 10000 formulir diambil secara acak dan diperiksa, berapa peluang
ada 6, 7, atau 8 formulir yang mengandung kesalahan
43. Pada ujian statistika, nilai rata-ratanya adalah 74 dan simpangan bakunya 7. Bila 12% diantara
peserta ujian akan diberi nilai A, dan nilai itu mengikuti sebaran normal, berapakah batas
terendah bagi A dan batas nilai tertinggi bagi nilai B
44. Rata-rata tinggi anjing pudel jenis tertentu adalah 30 cm, dan simpangan bakunya 4.1 cm.
Berapa persentase banyaknya anjing pudel jenis tersebut yang tingginya lebih dari 35 cm, bila
tinggi menyebar normal dan dapat diukur sampai ketelitian berapapun.
45. untuk soal nomor 9, hitunglah
1. nilai tertinggi D, bila 10% nilai terendah mendapat nilai E
2. nilai tertinggi B bila 5% mahasiswa mendapat nilai A
3. nilai terendah B bila 10% mendapat nilai B, dan 25% mendapat nilai C
46. Di suatu daerah diketahui 10% penduduknya tergolong kaya. Suatu sampel acak terdiri dari 400
penduduk telah diambil. Tentukan peluang :
1. paling banyak 30 orang yang tergolong kaya
2. antara 30 sampai 50 orang yang tergolong kaya
3. 55 orang atau lebih yang tergolong kaya
47. Krisis moneter menyebabkan tingkat penjualan rumah mengalami penurunan. Dari seluruh
developer di Kota Kendari diketahui tingkat penjualan rata-rata 1 milyar dengan simpangan
baku 0.2 milyar. Jika diasumsikan tingkat penjualan menyebar normal :
1. hitunglah peluang sebuah developer mempunyai tingkat penjualan minimal 1.2 milyar
2. Jika di daerah tersebut terdapat 50 developer, estimasikan jumlah developer yang
mempunyai tingkat penjualan 0.5 sampai 1 milyar.

SEBARAN PERCONTOHAN

Contoh Acak

Hasil suatu percobaan statistika dapat dicatat dalam bentuk numerik ataupun huruf. Bila
sepasang dadu dilantumkan dan jumlah mata dadu yang terjadi merupakan hal yang ingin diselidiki,
sehingga hasilnya dicatat dalam bentuk numerik.
Suatu POPULASI terdiri atas keseluruhan pengamatan yang menjadi pusat perhatian.
Banyaknya pengamatan dalam populasi dinamakan UKURAN populasi. Tiap pengamatan dalam populasi
merupakan satu nilai dari suatu peubah acak (X) dengan suatu sebaran peluang f(x). Oleh karena itu,
sering kita mendengar tentang istilah populasi binomial, populasi normal, atau secara umum disebut
sebagai populasi f(x). Istilah tersebut sebenarnya mengacu pada harga peubah acak X yang memiliki
sebaran binomial, normal atau sebaran peluang f(x).
Hal pokok yang menjadi pusat perhatian seorang statistikawan adalah menarik kesimpulan
tentang parameter populasi yang tidak diketahui. Pada populasi normal, misalnya, parameter dan o
2

mungkin tidak diketahui dan hendaknya ditaksir berdasarkan keterangan yang diperoleh dari contoh
yang mewakili suatu populasi. Contoh yang mewakili suatu populasi disebut contoh acak, apabila
setiap anggota populasi mempunyai peluang yang sama untuk dipilih sebagai contoh. Dengan demikian
dasar teori pengambilan contoh perlu dipelajari dengan baik.
Misalkanlah x
1
, x
2
, x
3
, ...., x
n
merupakan n peubah acak bebas yang masing-masing memiliki sebaran
peluang f(x). Gugus x
1
, x
2
, x
3
, ..., x
n
didefinisikan sebagai contoh acak berukuran n dari populasi f(x)
dan sebaran peluang gabungannya ditulis sebagai:
f(x
1
,x
2
,x
3
,...,x
n
) = f(x
1
)f(x
2
)f(x
3
)...f(x
n
).

Teori Pengambilan Contoh
Tujuan utama menarik contoh adalah untuk mendapatkan keterangan mengenai parameter
populasi yang tidak diketahui. Misalkan kita ingin menarik kesimpulan mengenai proporsi penduduk
Indonesia yang menyukai kopi robusta. Sangatlah tidak efesien jika kita menanyai seluruh penduduk
Indonesia dan kemudian menghitung parameter yang menggambarkan proporsi sebenarnya. Tetapi
sebagai pendekatannya akan diambil contoh acak yang cukup besar dan kemudian dihitung proporsi
yang menyukai kopi robusta. Nilai ini kemudian dipakai untuk menarik kesimpulan mengenai proporsi
sesungguhnya.
Suatu nilai yang dihitung dari contoh disebut statistik. Karena banyak contoh acak yang
mungkin diambil dari suatu populasi yang sama maka statistik yang diperoleh akan berlainan dari
contoh ke contoh. Karena itu, statistik merupakan peubah acak yang hanya tergantung pada contoh
acak yang diamati.
Sebaran Contoh dari Rataan (Mean)
Sebaran contoh yang penting untuk dibahas adalah rataan ( ). Misalkan contoh acak
berukuran n pengamatan diambil dari populasi normal dengan rataan dan simpangan baku (o). Tiap
pengamatan x
i
, i=1,2,...,n adalah contoh acak yang memiliki sebaran normal yang sama dengan
populasi yang menjadi pusat pengambilan contoh.
Rataan contoh mengikuti sebaran normal dengan rataan dan ragam adalah sebagai berikut:

Teorema Limit Pusat:
Jika contoh acak diambil dari populasi sembarang dengan rataan dan simpangan baku o,
maka sebaran dari rataan ( ) dapat dihampiri normal jika n cukup besar, dengan rataan dan
galat baku o / \ n. Dengan kata lain,

Pertanyaan yang sering muncul akibat teorema di atas adalah seberapa banyak n yang harus
diambil dan berapa batasan n yang dapat dikatakan cukup besar ? Untuk menjawab pertanyaan ini
tentunya diperlukan hampiran n yang cukup baik. Berdasarkan pengalaman diketahui bahwa jika n>30
maka sudah cukup digunakan sebagai pendekatan teorema limit pusat.
Untuk data pengamatan yang mengikuti sebaran Binomial juga dapat dihampiri dengan sebaran
normal dan tidak bertentangan dengan teorema limit pusat. Untuk memahami permasalahan ini, kita
kembalikan lagi pada sebaran Bernoulli:
x
i
=1, jika percobaan sukses
x
i
=0, jika percobaan gagal
Peubah acak x
1
, x
2
, ..., x
n
adalah saling bebas, dan setiap pengamatan memiliki sebaran peluang
sebagai berikut:
x 0 1
----------------------------------
f(x) (1-p) p
dengan rata-rata p dan ragam p(1-p).
Akibat dari teorema limit pusat maka sebaran contoh dari rataan adalah mendekati normal
dengan rataan p dan ragam p(1-p)/n jika n besar. Dengan demikian proporsi contoh dari kejadian
sukses dalam percobaan Bernoulli mengikuti sebaran;

Sebaran contoh dari (n-1)S2/ o2
Bila contoh acak berukuran n diambil dari populasi normal dengan rataan dan simpangan baku
o, maka diperoleh suatu nilai statistik S yang merupakan simpangan baku contoh. Sebaran contoh S
2

hanya sedikit kegunaannya dalam praktek, oleh karena itu akan dibahas sebaran dari peubah acak (n-
1)S
2
/ o
2
. Dengan menjumlahkan semua kuadrat dari pengamatan dikurangi rataan contoh mudah
terlihat bahwa:

dengan demikian diperoleh bahwa (n-1)S
2
/ o
2
menyebar khi-kuadrat dengan derajat bebas n-1.
Teorema berikut tidak ditunjukkan dengan bukti yang lengkap.

Teorema :
Bila S
2
ragam contoh acak berukuran n diambil dari populasi normal dengan ragam o
2
, maka
peubah acak,
_
2
= (n-1)S
2
/ o
2
menyebar khi-kuadrat dengan derajat bebas n-1.

Sebaran t-student
Dalam prakteknya jarang sekali orang begitu beruntung mengetahui ragam populasi yang
digunakan sebagai acuan dalam pengambilan contoh acak. Untuk contoh acak berukuran n > 30,
taksiran o
2
yang baik adalah statistik S
2
. Apa yang terjadi dengan ( -)/(o / \n) bila o diganti
dengan S ?
Selama S
2
merupakan taksiran yang baik bagi o
2
dan tidak berubah dari contoh ke contoh dan
untuk n > 30 maka nilai tersebut masih baik dihampiri dengan normal baku Z. Tetapi bila ukuran
contoh kecil (n<30), nilai S berubah cukup besar dari contoh ke contoh dan nilai tersebut tidak lagi
menyebar normal baku. Dalam hal ini kita menghadapi sebaran statistik yang akan disebut dengan t-
student.

dimana nilai ini adalah peubah acak yang menyebar t-student dengan derajat bebas n-1.
Sebaran F
Salah satu sebaran yang terpenting dalam statistika terapan adalah sebaran F. Statistik F
didefinisikan sebagai nisbah dua peubah acak khi-kuadrat yang saling bebas, masing-masing dibagi
dengan derajat bebasnya. Misal peubah acak U dan V menyebar khi-kuadrat dengan derajat bebas v
1

dan v
2
dimana U>V maka sebaran F dapat ditulis sebagai berikut:

F = (U/v
1
) / (V/v
2
),

Teorema :
Bila S
1
2

dan S
2
2

adalah ragam contoh acak berukuran n
1
dan n
2
yang diambil dari populasi
normal masing-masing dengan o
1
2
dan o
2
2
, bila S
1
2

> S
2
2
maka,

menyebar F dengan derajat bebas v
1
=n
1
-1 dan v
2
=n
2
-1

Sebaran Contoh Bagi Beda Dua Nilaitengah
Bila contoh-contoh bebas berukuran n1 dan n2 diambil dari dua populasi yang besar atau
takhingga, masing-masing dengan nilaitengah 1 dan 2 ragam dan , maka beda kedua
nialitengah contoh, , akan menyebar menghampiri sebaran normal dengan nilaitengah dan
simpangan baku

Dengan demikian
merupakan nilai normal baku Z
Bila dua peubah acak X dan Y bebas dan masing-masing menyebar normal dengan nilaitengah
x dan y dan ragam dan maka beda X-Y menyebar normal dengan nilaitengah
dan ragam .

Latihan Soal

48. Sejenis tambang dibuat dengan kekuatan regangan rata-rata 70 kg dan simpangan baku 5 kg.
Dengan mengasumsikan populasinya takhingga, bagaimana galat baku nilatengahcontoh itu
berubah bila ukuran contohnya
1. dinaikkan dari 64 menjadi 196
2. diturunkan dari 784 menjadi 49
49. Tinggi 1000 mahasiswa menghampiri sebaran normal dengan nilaitengah 160 cm dan simpangan
baku 5 cm. Bila 200 contoh acak masing-masing berukuran 25 ditarik dari populasi ini, dan nilai
tengah contohnya diukur sampai satuan sentimeter terdekat, tentukan :
1. nilaitengah dan simpangan baku sebaran penarikan contoh bagi
2. banyaknya nilaitengah contoh yang jatuh antara 158 dan 162 cm
3. banyaknya nilaitengah contoh yang jatuh di bawah 158 cm
50. Hitunglah :
a.
b.
c. P(T<2.365) bila v = 7
d. P(-1.356<T<2.179) bila v = 12
e. P(T>-2.567) bila v = 17
f. P(
g. P(
51. Diberikan sebuah contoh acak berukuran 24 yang ditarik dari suatu populasi normal, tentukan k
bila
1. P(-2.069<T<k) = 0.965
2. P(k<T<2.807) = 0.095
3. P(-k<T<k) = 0.9
52. Sebuah perusahaan menyatakan bahwa rokok yang diproduksinya mempunyai kandungan nikotin
rata-rata sebesra 1.83 mg perbatang. Bila diambil contoh acak 8 batang rokok jenis tersebut,
dengan kandungan nikotin 2.0, 1.7, 2.1, 1.9, 2.2, 2.1, 2.0, dan 1.6 mg, apakah Anda setuju
dengan pernyataan perusahaan tersebut ?

PENDUGAAN PARAMETER

Penduga Paramater
Dalam Statistika dikenal adanya istilah parameter dan statistik. Parameter adalah nilai penciri
dari suatu data populasi, diantaranya nilai tengah populasi (), ragam populasi (o
2
), proporsi populasi
(P) dan lain-lain. Sedangkan statistik adalah nilai penciri dari suatu data contoh, diantaranya nilai
tengah contoh ( ), ragam populasi (s
2
), proporsi populasi (p) dan lain-lain.
Untuk memperoleh gambaran yang baik mengenai populasi, maka statistik yang dipakai
untuk menduga parameter u haruslah merupakan penduga yang baik, yaitu penduga yang mempunyai
tiga ciri :
a. merupakan penduga tak bias dari u, yaitu E( ) = u, artinya harapan penduga , sama dengan u.
b. merupakan penduga yang efisien, artinya bila ada lebih dari satu penduga, maka penduga yang
efisien adalah penduga yang mempunyai variansi paling kecil
c. merupakan penduga yang konsisten, artinya bila sampel yang diambil makin besar, maka nilai
akan semakin mendekati nilai u.
Sebuah nilai bagi suatu statistik disebut suatu nilai dugaan bagi parameter populasi .
Misalnya nilai bagi statistik , yang dihitung dari suatu contoh berukuran n, merupakan nilai
dugaan bagi parameter populasi . Begitu pula merupakan suatu nilai dugaan bagi proporsi
sebenarnya p dalam suatu percobaan binom.
Ada dua jenis penduga parameter yaitu:
a. Penduga titik
Bila nilai parameter u dari populasi hanya diduga dengan memakai satu nilai statistik dari
sampel yang diambil dari populasi tersebut, maka statistik disebut pendugaan titik.
Contoh :
a. merupakan penduga titik bagi parameter populasi .
b. merupakan penduga titik bagi
c. merupakan penduga titik bagi proporsi sebenarnya p

b. Pendugaan selang
Suatu dugaan selang bagi parameter populasi u adalah suatu selang yang berbentuk
, dengan bergantung pada nilai statistik untuk suatu contoh tertentu
dan juga pada sebaran penarikan contoh bagi .
Bila P(
2 1

O < < O u ) = 1 - o, untuk 0<o<1, maka kita mempunyai peluang 1-o untuk
memperoleh suatu contoh acak yang menghasilkan suatu selang yang mengandung u. Selang
, yang dihitung dari contoh yang terpilih, disebut selang kepercayaan (1-o)100%, nilai
1-o, disebut koefisien kepercayaan atau derajat kepercayaan , dan kedua titik ujungnya,
, masing-masing disebut batas kepercayaan sebelah atas dan sebelah bawah.

Pendugaan Nilai tengah
Bila adalah nilai tengah contoh acak berukuran n yang diambil dari suatu populasi dengan
ragam diketahui, maka selang kepercayaan (1-o)100%, bagi adalah
n
z x
n
z x
o
o
o o 2 / 2 /
+ < < ,
sedangkan
2 / o
z adalah nilai z yang luas daerah di sebelah kanan di bawah kurva normal baku adalah
o/2.
Galat baku pendugaan , bila digunakan untuk menduga , kita percaya (1-o)100%, bahwa
galatnya tidak melebihi
n
z
o
o 2 /
. Ukuran Contoh bagi pendugaan , bila digunakan untuk menduga
, kita boleh percaya (1-o)100%, bahwa galatnya tidak melebihi suatu niali tertentu e bila ukuran
contohnya diambil sebesar n =
2
2 /
|
.
|
\
|
e
z o
o

Bila dan s adalah nilaitengah dan simpangan baku contoh acak berukuran n<30, yang diambil
dari suatu populasi berbentuk genta dengan ragam tidak diketahui, maka selang kepercayaan (1-
o)100%, bagi adalah
n
s
t x
n
s
t x
2 / 2 / o o
+ < < ,
sedangkan
2 / o
t adalah nilai t dengan v = n 1 derajat bebas yang di sebelah kanannya terdapat
daerah seluas o/2.

Contoh 8.1

Dari data contoh berukuran 15 diperoleh nilai tengah contoh dan ragam contoh sebagai berikut:
= 10.366
s
2
= 1.946
Penduga bagi parameter nilai tengah populasi adalah sebagai berikut:

..... 15 / 395 . 1 /
366 . 10
2
= = =
= =
n s s
x
x

Sedangkan penduga selang untuk nilai tengah populasi dengan tingkat kepercayaan 95 % adalah:

x t
(0.025;db=14)
s/\n s s x + t
(0.025;db=14)
s/\n
10.366 2.145 x 1.395/\15 s s 10.366 + 2.145x 1.395/\15
10.366 0.773 s s 10.366 + 0.773
9.593 s s 11.139

Pendugaan Beda Dua Nilai Tengah Populasi
Bila
1
x dan
2
x masing-masing adalah nilaitengah contoh acak bebas berukuran n1 dan n2 yang
diambil dari populasi dengan ragam
2
2
2
1
o o dan yang diketahui, maka selang kepercayaan (1-
o)100%, bagi
2 1
adalah :
2
2
2
1
2
1
2 / 2 1
) (
n n
z x x
o o
o
+ <
2 1
<
2
2
2
1
2
1
2 / 2 1
) (
n n
z x x
o o
o
+ + ,
sedangkan dalam hal ini
2 / o
z adalah nilai peubah normal baku z yang luas daerah di sebelah kanannya
sebesar o/2.
Bila
1
x dan
2
x masing-masing adalah nilaitengah contoh acak bebas berukuran kecil n1 dan n2
yang diambil dari dua populasi yang hampir normal dengan ragam sama
2
2
2
1
o o = yang tidak diketahui
nilainya, maka selang kepercayaan (1-o)100%, bagi
2 1
adalah :
2 1
2 / 2 1
1 1
) (
n n
s t x x
p
+
o
<
2 1
<
2 1
2 / 2 1
1 1
) (
n n
s t x x
p
+ +
o
,
sedangkan dalam hal ini sp adalah nilai dugaan gabungan bagi simpangan baku populasi, dan
2 / o
t
adalah nilai t dengan v = n1+n2-2 derajat bebas yang luas daerah di sebelah kanannya sebesar o/2.
2
) 1 ( ) 1 (
2 1
2
2 2
2
1 1 2
+
+
=
n n
s n s n
s
p

Contoh 8.2
Dua buah perusahaan yang saling bersaing dalam industri kertas karton saling mengklaim bahwa
produknya yang lebih baik, dalam artian lebih kuat menahan beban. Untuk mengetahui produk mana
yang sebenarnya lebih baik, dilakukan pengambilan data masing-masing sebanyak 10 lembar, dan
diukur berapa beban yang mampu ditanggung tanpa merusak karton. Datanya adalah :

Perusahaan A 30 35 50 45 60 25 45 45 50 40
Perusahaan B 50 60 55 40 65 60 65 65 50 55

1. Hitunglah rataan dan ragam dari kedua data perusahaan tersebut.
Jawab
( )
( )
66.94
10(9)
(565) - 32525) ( 10
) 1 (
5 , 56
10
55 60 50
106.94
10(9)
(425) - 19025) ( 10
) 1 (
5 , 42
10
40 35 30
2
2
2
2 2
2 2
2
2
2
1 2
1 1
= =
= =
+ + +
=
= =
= =
+ + +
=

n n
x x n
s x
n n
x x n
s x
i
i

2. Buatlah selang kepercayaan 90% bagi selisih rataan perusahaan B dengan perusahaan A, dengan
mengasumsikan ragam kedua populasi sama.
Jawab
23 , 21 77 , 6
) 17 , 4 ( 734 , 1 14 ) 17 , 4 ( 734 , 1 14
10 / 1 10 / 1 32 , 9 ) 5 , 42 5 , 56 ( 10 / 1 10 / 1 32 , 9 ) 5 , 42 5 , 56 (
) / 1 ( ) / 1 ( ) ( ) / 1 ( ) / 1 ( ) (
1 2
1 2
) 18 ; 05 , 0 ( 1 2 ) 18 ; 05 , 0 (
1 2
) ,
2
(
1 2 1 2 1 2
) ,
2
(
1 2
< <
+ < <
+ + < < +
+ + < < +

o o
t t
n n s t x x n n s t x x
p
db
p
db

catatan : karena ragam sama, maka :
1) db = n1 + n2 2
2) ragam gabungan : 86.94
18
) 94 , 66 ( 9 ) 94 , 106 ( 9
2
) 1 ( ) 1 (
2 1
2
2 2
2
1 1 2
=
+
=
+
+
=
n n
s n s n
s
p

Bila
1
x dan
2
1
s , dan
2
x dan
2
2
s masing-masing adalah nilaitengah dan ragam contoh acak
bebas berukuran kecil n1 dan n2 yang diambil dari dua populasi yang mendekati normal dengan ragam
tidak sama
2
2
2
1
o o = yang tidak diketahui nilainya, maka selang kepercayaan (1-o)100%, bagi
2 1

adalah :
2
2
2
1
2
1
2 / 2 1
) (
n
s
n
s
t x x +
o
<
2 1
<
2
2
2
1
2
1
2 / 2 1
) (
n
s
n
s
t x x + +
o
,
2 / o
t adalah nilai t dengan derajat bebas
)] 1 /( ) / [( )] 1 /( ) / [(
) / / (
2
2
2
2
2 1
2
1
2
1
2
2
2
2 1
2
1
+
+
=
n n s n n s
n s n s
v
yang luas daerah di sebelah kanannya sebesar o/2.

Contoh 8.3
Jika pada contoh 8.2 ingin diduga selang kepercayaan 90% bagi selisih rataan perusahaan B dengan
perusahaan A, dengan mengasumsikan ragam kedua populasi berbeda, maka dugaan selangnya adalah:
26 , 21 74 , 6
) 17 , 4 ( 74 , 1 14 ) 17 , 4 ( 74 , 1 14
10 / 94 , 106 10 / 94 , 66 ) 5 , 42 5 , 56 ( 10 / 94 , 106 10 / 94 , 66 ) 5 , 42 5 , 56 (
) / ( ) / ( ) ( ) / ( ) / ( ) (
1 2
1 2
) 17 ; 05 , 0 ( 1 2 ) 17 ; 05 , 0 (
1
2
1 2
2
2
) ,
2
(
1 2 1 2 1
2
1 2
2
2
) ,
2
(
1 2
< <
+ < <
+ + < < +
+ + < < +

o o
t t
n s n s t x x n s n s t x x
db db

ingat : karena ragam tidak sama, maka :
17 10 , 17
9 / ) 10 / 8.18 ( 9 / ) 10 / 10.34 (
) 10 / 8.18 10 / 10.34 (
) 1 /( ) / ( ) 1 /( ) / (
) / / (
2 2 2 2
2 2 2
2
2
2
2
2 1
2
1
2
1
2
2
2
2 1
2
1
~ =
+
+
=
+
+
=
n n s n n s
n s n s
db

Pendugaan Proporsi
Bila p adalah proporsi keberhasilan dalam suatu contoh acak berukuran n, dan q =1- p , maka
selang kepercayaan (1-o)100%, bagi parameter binom p adalah :
n
q p
z p

2 / o
<p<
n
q p
z p

2 / o
+ ,
2 / o
sebesar o/2.
Bila p digunakan sebagai nilai dugaan titik bagi p, maka kita dapat percaya (1-o)100%, bahwa
galatnya tidak lebih besar dari
n
q p
z

2 / o

Bila p digunakan untuk menduga p, maka kita dapat percaya (1-o)100%, bahwa galatnya tidak
melebihi suatu besaran tertentu e bila ukuran contohnya diambil sebesar
2
2
2 /

e
q p z
n
o
=

Contoh 8.4
Suatu perusahaan mempunyai 1250 karyawan. Pihak manajemen ingin mengetahui besarnya proporsi
yang merasa kurang puas dengan jaminan sosial yang mereka terima. Untuk maksud itu diambil sampel
sebanyak 100 orang dan dari hasil wawancara ternyata ada 10 orang yang menyatakan kurang puas
dengan jaminan sosial yang diterimanya.
3. Bila manajer perusahaan itu dalam memperkirakan menggunakan interval kepercayaan 99%, maka
dugalah interval proporsi karyawan di perusahaan tersebut yang kurang puas dengan jaminan sosial
yang mereka terima.
Jawab :
1 , 0 100 / 10 / = = = n x p
18 , 0 02 , 0
) 03 , 0 ( 565 , 2 1 , 0 ) 03 , 0 ( 565 , 2 1 , 0
100 / ) 9 , 0 ( 1 , 0 1 , 0 100 / ) 9 , 0 ( 1 , 0 1 , 0
/ ) 1 ( / ) 1 (
005 , 0 005 , 0
2 2
< <
+ < <
+ < <
< <
p
p
z p z
n p p z p p n p p z p
o o

4. Berapa banyak sampel yang harus diambil agar kita bisa percaya 99% bahwa proporsi dalam sampel
paling jauh berjarak 0.03 dari proporsi populasinya.
1828 56 , 1827
) 03 , 0 ( 4
565 , 2
4
2
2
2
2
2 /
~ = = =
g
z
n
o

Pendugaan Beda Dua Proporsi
Bila
1
p dan
2
p masing-masing adalah proporsi keberhasilan dalam suatu contoh acak
berukuran n1 dan n2, serta
1
q =1-
1
p dan
2
q =1-
2
p , maka selang kepercayaan (1-o)100%, bagi selisih
antara dua parameter binom p1 dan p2 adalah :
2
2 2
1
1 1
2 / 2 1

) (
n
q p
n
q p
z p p +
o
<p1-p2<
2
2 2
1
1 1
2 / 2 1

) (
n
q p
n
q p
z p p + +
o

2 / o
sebesar o/2.

Latihan Soal

53. Jelaskan kriteria-kriteria penduga yang baik ?
54. Diketahui suatu populasi mahasiswa berukuran 500 orang. Dari populasi tersebut diambil sampel
acak sebanyak 100 orang, kemudian diukur berat badannya. Ternyata rata-rata berat badan
mahasiswa adalah 60 kg dengan simpangan baku 10 kg.
55. buatlah interval kepercayaan 90%
56. berapa interval kepercayaannya agar rata-rata populasi terletak antara 58<<62
57. berapa sampel yang diperlukan agar kita percaya 90% bahwa rata-rata sampel berjarak paling
banyak 5 kg dari rat-rata sebenarnya ?
58. Untuk menduga dinamika migrasi penduduk dalam penerapan otonomi daerah, sebuah konsultan
mensurvei daerah BOTABEK (Bogor, Tangerang, Bekasi) dan menemukan 12% dari sampel acak
sebanyak 2300 keluarga akan keluar dari BOTABEK ke daerah asal. Jika perkiraan populasi keluarga
di BOTABEK sebanyak 7.800.000 keluarga, bentuklah dugaan interval kepercayaan 95% atas jumlah
keluarga yang akan keluar dari BOTABEK ke daerah asal
59. Pada tahap pemasaran perumahan baru, sebuah developer akan memperoleh imagenya melalui
perbaikan sarana umum yang ada di perumahan yang lama (seperti perbaikan jalan, taman, dst).
Dari sampel 50 yang diambil secara acak sebelum ada perbaikan sarana umu diketahui ada 10
responden yang mempunyai image kurang baik terhadap developer tersebut. Setelah dilakukan
perbaikan sarana umum, ternyata masih terdapat 7 dari 48 responden yang mempunyai image
kurang baik terhadap developer. Dengan tingkat kepercayaan 95%, buatlah pendugaan proporsi
untuk image developer sebelum dan setelah perbaikan sarana umum. Dari pendugaan tersebut,
apakah bisa dikatakan ada peningkatan image bagi developer
60. Suatu perusahaan mempunyai 1250karyawan. Pihak manajemen ingin mengetahui besarnya proporsi
yang merasa kurang puas dengan jaminan social yang mereka terima. Untuk maksud itu diambil
sampel sebanyak 100 orang dan dari hasil wawancara ternyata ada 10 orang yang menyatakan
kurang puas dengan jaminan social yang diterimanya.
61. Bila manajer perusahaan itu dalam memperkirakan menggunakan interval kepercayaan 99%,
maka berapa proporsi seluruh karyawan di perusahaan tersebut yang kurang puas dengan
jaminan social yang mereka terima
62. Berapa banyak sampel yang harus diambil agar kita bisa percaya 99% bahwa proporsi dalam
sampel paling jauh berjarak 0.03 dari proporsi populasinya.
63. Suatu perusahaan rokok menghasilkan dua jenis rokok, yaitu filter dan kretek. Pimpinan
perusahaan itu mengatakan bahwa penjualan rokok filter lebih besar 8% daripada rokok kretek.
Dari sampel diperoleh bahwa ternyata 42 diantara 200 perokok lebih menyukai filter dan 18 di
antara 150 perokok lebih menyukai kretek. Buatlah interval kepercayaan 95% untuk perbedaan
persentase penjualan dua jenis rokok tersebut. Simpulkan apakah selisih sebesar 8% yang
dinyatakan pimpinan perusahaan tersebut bisa diterima ?
64. Suatu sampel acak sebanyak 8 batang rokok merk tertentu mempunyai rata-rata kadar nikotin 3.5
mg dan simpangan baku 1 mg. Buatlah interval kepercayaan 99% untuk rata-rata nikotin yang
sesungguhnya rokok merk itu, bilamana diasumsikan kadar nikotin tersebut menyebar normal
65. Dari sampel acak 12 mahasiswi suatu perguruan tinggi, diperoleh bahawa rata-rata uang saku
bulanannya adalah Rp 500.000,00 denag simpangan baku Rp 50.000,00. Bila diasumsikan uang saku
menyebar normal, buatlah selang kepercayaan 90% untuk rata-rata uang saku mahasiswi tersebut.
66. Data berikut menunjukkan masa putar (dalam puluhan menit) film yang diproduksi dua perusahaan
Perusahaan A 11 9 10 7 15 12 8 10 13 14
Perusahaan B 10 9 12 9 8 7 9 6 8 15

Buatlah interval kepercayaan 95% untuk beda rata-rata masa putar film yang diprodukasi oleh dua
perusahaan tersebut, jika di asumsikan masa putar film mempunyai sebaran normal dengan ragam
tidak sama.

PENGUJIAN HIPOTESIS

Hipotesis Statistik
Sering permasalahan yang kita hadapi tidak hanya menyangkut pendugaan parameter suatu
populasi, tetapi juga menyangkut cara pengambilan keputusan berdasarkan data yaitu pengujian
hipotesis.
Hipotesis merupakan suatu asumsi atau anggapan yang bisa benar atau bisa salah mengenai
suatu hal dan dibuat untuk menjelaskan suatu hal tersebut sehingga memerlukan pengecekan lebih
lanjut. Bila hipotesis yang dibuat itu secara khusus berkaitan dengan parameter populasi, maka
hipotesis itu disebut hipotesis statistik. Jadi hipotesis statistik adalah suatu asumsi atau anggapan atau
pernyataan atau dugaan mengenai satu atau lebih populasi.
Langkah-langkah atau prosedur yang dilakukan dengan tujuan untuk memutuskan apakah kita
menerima atau menolak hipotesis mengenai parameter populasi disebut pengujian hipotesis. Jadi pada
pengujian hipotesis kita ingin mengetahui atau menguji apakah parameter satu populasi, yaitu u sama
dengan nilai tertentu yaitu u
0
atau tidak. Kalau kita mempunyai dua populasi masing-masing dengan
parameter u
1
dan u
2,
kita ingin menguji apakah u
1
= u
2
, dan sebagainya.
Untuk suatu hipotesis yang dibuat, hanya dua kemungkinan yang akan kita putuskan, yaitu kita
akan menolak hipotesis atau kita akan menerima hipotesis, setelah kita manghitung statistik dari
sampel. Menolak hipotesis artinya kita menyimpulkan bahwa hipotesis tidak benar, sedangkan
menerima hipotesis artinya tidak cukup informasi/bukti dari sampel untuk menyimpulkan bahwa
hipotesis harus kita tolak. Artinya walaupun hipotesis itu kita terima, tidak berarti bahwa hipotesis itu
benar. Sehingga dalam membuat rumusan pengujian hipotesis, hendaknya selalu membuat pernyataan
hipotesis yang diharapkan akan diputuskan untuk ditolak. Hipotesis yang dirumuskan dengan harapan
untuk ditolak disebut hipotesis nol yang ditulis H
0
. Penolakan hipotesis nol akan menjurus pada
penerimaan hipotesis alternatif atau hipotesis tandingan yang ditulis H
1
atau H
a
.

Contoh 9.1
67. Pengujian hipotesis bahwa suatu jenis obat baru lebih efektif untuk menurunkan berat badan.
Maka rumusan hipotesisnya adalah

:
H
0
: obat baru = obat lama
H
1
: obat baru lebih baik dari obat lama
68. Pengujian hipotesis bahwa teknologi baru dapat meningkatkan kualitas buah-buahan.
H
0
: teknologi baru = teknologi lama
H
1
: teknologi baru = teknologi lama
69. Seorang dokter menyatakan bahwa, lebih dari 60% pasien yang menderita sakit paru-paru di
suatu rumah sakit adalah karena merokok.
H
0
: p = 0.6
H
1
: p = 0.6

Pengujian Hipotesis
Dalam membuat rumusan pengujian hipotesis, hendaknya kita selalu membuat pernyataan
hipotesis yang diharapkan akan diputuskan untuk ditolak. Hipotesis yang dirumuskan dengan harapan
akan ditolak biasanya disebut sebagai hipotesis nol/awal, yang dilambangkan dengan
0
H . Ini
menyatakan bahwa setiap hipotesis yang ingin diuji dinyatakan dengan H
0
. Penolakan
0
H
mengakibatkan penerimaan suatu hipotesis alternatif atau hipotesis tandingan yang dilambangkan
dengan
1
H . Suatu H
0
mengenai suatu parameter populasi akan selalu dinyatakan sedemikian rupa
sehingga parameter tersebut nilainya tertentu (satu nilai), sedangkan H
1
memungkinkan beberapa
nilai.
Ada beberapa dasar yang dapat digunakan untuk merumuskan hipotesis, antara lain (1)
berdasarkan pengetahuan yang diperoleh dari teori, (2) berdasarkan hasil penelitian terdahulu, (3)
berdasarkan pengalaman, atau (4) berdasarkan ketajaman berpikir.
Seperti telah dijelaskan sebelumnya bahwa kebenaran atau ketidakbenaran suatu hipotesis
tidak pernah diketahui secara pasti. Dengan adanya faktor ketidakpastian ini mengakibatkan timbulnya
suatu resiko/kesalahan yang harus ditanggung oleh pembuat keputusan itu sendiri. Dalam
pengujian hipotesis dikenal dua jenis kesalahan, yaitu kesalahan jenis I (galat I) dan kesalahan jenis II
(galat II). Galat I adalah kesalahan akibat menolak hipotesis nol, padahal hipotesis nol benar.
Sedangkan galat II adalah kesalahan akibat menerima hipotesis nol padahal hipotesis nol tersebut
salah.
Peluang melakukan galat I disebut taraf nyata uji dilambangkan dengan o, sedangkan peluang
melakukan galat II dilambangkan dengan |.
Hubungan antara hipotesis nol, keputusan, jenis kesalahan, dan peluang melakukan jenis
kesalahan secara ringkas disajikan pada tabel berikut.

Tabel Jenis kesalahan dalam menolak dan menerima hipotesis nol

Keputusan
Keadaan yang sesungguhnya
Hipotesis nol (H
0
)

benar Hipotesis nol (H
0
) salah
Menolak H
0
Galat I, o = P(Galat I) Keputusan tepat, K=1-|
Menerima H
0
Keputusan tepat, 1 - | Galat II, | =P(Galat II)

Oleh karena o menyatakan peluang menolak H
0
yang benar, maka kita mengharapkan nilai o
sekecil mungkin. Sebab tidaklah pantas sesuatu yang sesungguhnya benar kita tolak. Demikian juga
dengan | yang menyatakan peluang menerima H
0
yang salah, kita mengharapkan nilainya juga sekecil
mungkin, karena tidak pantas juga sesuatu yang salah kita terima. Namun dalam kenyataannya
memperkecil atau membuat o dan | sekecil mungkin secara sekaligus tidaklah mungkin, karena
ternyata ada hubungan antara o dengan |, yaitu memperkecil nilai o akan mengakibatkan
membesarnya nilai |, demikian juga sebaliknya. Usaha untuk memperkecil nilai o dan | dapat
dilakukan dengan memperbesar ukuran contoh.
Dalam praktek pengujian hipotesis, nilai o yang sering digunakan adalah 0,05 dan 0,01. Jika o
yang digunakan adalah 0,05, dapat diartikan bahwa kira-kira sebanyak 5 dari setiap 100 kasus bahwa
kita akan menolak Ho yang benar. Dengan kata lain, ada keyakinan 95% bahwa kita telah mebuat
keputusan atau kesimpulan yang benar.
Untuk setiap pengujian dengan memakai nilai o tertentu, kita dapat menghitung nilai |.
Ternyata bahwa nilai | ini tergantung pada nilai parameter populasi, yaitu u, sehingga | dapat
dinyatakan sebagai suatu fungsi, yaitu |(u), yang disebut fungsi ciri operasi (CO). Nilai K = 1 - | disebut
kuasa uji. Kuasa uji adalah peluang menolak Ho bilai suatu tandingan tertentu benar. Jika K(u) = 1 -
|(u), maka K(u) disebut fungsi kuasa.
Beberapa sifat penting dalam pengujian hipotesis :
1. Galat I dan galat II saling berhubungan. Menurunnya peluang yang satu akan menaikkan peluang
yang lain.
2. Ukuran wilayah kritik, yang berarti juga peluang melakukan galat jenis I, selalu dapat diperkecil
dengan mengubah nilai kritiknya.
3. Peningkatan ukuran contoh n akan memperkecil o dan | secara bersama-sama.
4. Bila hipotesis nolnya salah, nilai | akan sangat besar bila nilai parameternya dekat dengan nilai
yang dihipotesiskan. Semakin besar jarak antara nilai yang sesungguhnya dengan nilai yang
dihipotesiskan, maka semakin kecil nilai |.

Contoh 9.2

Suatu jenis deterjen baru diduga dapat mencuci bersih 70% dari bercak pada pakaian. Untuk menguji
dugaan ini, deterjen ini digunakan pada 12 bercak yang dipilih secara acak. Bila kurang dari 11 bercak
yang hilang maka dugaan kemampuan deterjen tersebut dalam mencuci 70% dari bercak pakaian
diterima.
5. hitunglah galat I dengan menganggap bahwa p = 0,7
6. hitunglah galat II jika ternyata p = 0,9
Jawab
Hipotesis : Ho : p = 0,7 vs H1 : p > 0,7
X = banyaknya bercak pakaian yang berhasil dicuci
Nilai kritis : 11
085 . 0 915 . 0 1 ) 7 . 0 , 12 ; ( 1 ) 7 . 0 , 12 ; (
) 7 , 0 | 11 ( ) ( .
10
0
12
11
= = = =
= > = =

= = x x
x b x b
p X P I galat P a o

341 . 0 ) 9 . 0 , 12 ; ( ) 9 , 0 | 11 ( ) ( .
10
0
= = = < = =

= x
x b p X P II galat P b |
Contoh 9.3
Suatu contoh acak 400 pemilih di suatu kota ditanya apakah mereka mendukung kenaikan 4% tarip
listrik untuk penerangan jalan yang amat diperlukan. Bila lebih dari 220 tapi kurang dari 260 pemilih
yang mendukung kenaikan tarip maka disimpulkan bahwa 60% pemilih mendukung.
70. cari peluang melakukan galat I bila 60% pemilih yang mendukung kenaikan tarif.
71. Berapa peluang melakukan galat II dalam prosedur pengujian ini bila sesungguhnya hanya 48% dari
pemilih yang mendukung kenaikan tarif listrik ?

Jawab
Hipotesis : Ho : p = 0,6 vs H
1
: p = 0,6
Nilai kritis : 220 < X < 260
Karena n besar, maka untuk menghitung galat I dan galat II digunakan hampiran normal.
a. menghitung o
= np = 400(0.6) = 240
o = \(npq) = \{400(0.6)(0.4)} = 9.80
nilai kritis menjadi : 220.5 < X < 259.5
0366 . 0 ) 0183 . 0 ( 2 ) 09 . 2 ( 2 ) 09 . 2 ( ) 09 . 2 (
)
80 . 9
240 5 . 260
( )
80 . 9
240 5 . 219
(
) 240 | 5 . 260 ( ) 240 | 5 . 219 (
) 6 . 0 | 260 ( ) 6 . 0 | 220 ( ) (
= = < = > + < =
>
<
=
= > + = < =
= > + = < = =
Z P Z P Z P
X
P
X
P
X P X P
p X P p X P I galat P
o

o

o

b. menghitung |
= np = 400(0.48) = 192
o = \(npq) = \{400(0.48)(0.52)} = 9.99
003 . 0 997 . 0 1 ) 75 . 2 ( ) 86 . 6 (
) 86 . 6 75 . 2 ( )
99 . 9
192 5 . 260
99 . 9
192 5 . 219
(
) 192 | 5 . 259 5 . 220 ( ) 48 . 0 | 260 220 ( ) (
= = < < =
< < =
<
<
=
= < < = = < < = =
Z P Z P
Z P
X
P
X P p X P II galat P
o

|

Uji Satu Arah Dan Dua Arah
Suatu uji hipotesis statistik yang alternatifnya bersifat satu-arah, seperti
1.
o o
H u u = : dan
0 1
: u u > H atau 2.
o o
H u u = : dan
o
H u u < :
1

disebut uji satu-arah. Wilayah kritik bagi bagi hipotesis alternatif u > u
0
terletak seluruhnya di ekor
kanan sebaran tersebut, sedangkan wilayah kritik bagi hipotesis alternatif u < u
0
terletak seluruhnya di
ekor kiri. Dalam pengertian ini, tanda ketaksamaan menunjuk ke arah wilayah kritiknya.
Uji hipotesis statistik yang alternatifnya bersifat dua-arah, seperti
o o
H u u = :
o
H u u = :
1

disebut uji dua arah, karena wilayah kritiknya dipisah menjadi dua bagian yang ditempatkan di
masing-masing ekor sebaran statistik ujinya. Hipotesis alternatif u = u
0
menyatakan bahwa u < u
0
atau
u > u
0.

Hipotesis nol, H
0
, akan selalu dituliskan dengan tanda kesamaan sehingga menspesifikasi suatu
nilai tunggal. Dengan cara demikian, peluang melakukan galat I dapat dikendalikan. Apakah kita harus
menggunakan uji satu-arah atau dua-arah, bergantung pada kesimpulan yang akan ditarik bila H
0

ditolak. Sebagai contoh, sebuah peusahaan rokok menyatakan bahwa kadar nikotin rata-rata rokok yang
diproduksinya tidak melebihi 2,5 miligram. Pernyataan dari perusahaan tersebut dapat ditolak jika
rata-rata () lebih besar dari 2,5 miligram dan dapat diterima jika lebih kecil atau sama dengan 2,5
miligram. Dengan demikian kita akan menguji
H
0
: = 2,5
H
1
: > 2,5
Meskipun kita menuliskan hipotesis nol-nya dengan tanda sama dengan, namun itu harus dipahami
sebagai mencakup semua nilai yang tidak dicakup oleh hipotesis alternatifnya. Akibatnya, menerima H
0

tidak boleh diimplikasikan bahwa tepat sama dengan 2,5 miligram, namun harus diartikan bahwa kita
tidak mempunyai bukti yang cukup untuk mendukung H
1
.
Beberapa langkah yang perlu diperhatikan dalam pengujian hipotesis:

72. Tuliskan hipotesis yang akan diuji

Ada dua jenis hipotesis:

1. Hipotesis sederhana

Hipotesis nol dan hipotesis alternatif sudah ditentukan pada nilai tertentu

H0 : =
0
vs H1 : =
1

H0 : o
2
= o
0
2
vs H0 : o
2
= o
1
2

H0 : P = P
0
vs H0 : P = P
1

2. Hipotesis majemuk

Hipotesis nol dan hipotesis alternatif dinyatakan dalam interval nilai tertentu

b.1. Hipotesis satu arah
H0 : >
0
vs H1 : <
0

H0 : s
0
vs H1 : >
0

b.2. Hipotesis dua arah
H0 : =
0
vs H1 : =
0

73. Deskripsikan data sampel yang diperoleh (hitung rataan, ragam, standard error dll)

74. Hitung statistik ujinya
Statistik uji yang digunakan sangat tergantung pada sebaran statistik dari penduga parameter
yang diuji. Misalnya
H0: =
0
maka x = maka statistik ujinya bisa t-student atau normal baku (z)

n s
x
t
h
/
0

= atau
n
x
z
h
/
0
o

=

75. Tentukan batas kritis atau daerah penolakan H0
Daerah penolakan H0 sangat tergantung dari bentuk hipotesis alternatif (H1). Misalnya,
H1: <
0
Tolak H0 jika t
h
< -t
(o; db)
(tabel)
H1: >
0
Tolak H0 jika t
h
> t
(o; db)
(tabel)
H1: =
0
Tolak H0 jika |t
h
| > t
(o/2; db)
(tabel)

76. Tarik kesimpulan

Uji Rataan Populasi

Berikut ini adalah pengujian rataan populasi untuk satu populasi

No Bentuk hipotesis Statistik uji Daerah kritis
(Daerah penolakan H0)
1 H0 : =
0
vs
H1: =
0

1. Contoh kecil & ragam pop
tidak diketahui
n s
x
t
h
/
0

=

2. Contoh besar atau ragam
pop diketahui
n
x
z
h
/
0
o

=
|t
h
| > t
(o/2; db=n-1)
(tabel)

|z
h
| > z
(o/2)
(tabel)

2 H0 : >
0
vs
H1 : <
0

Sda

t
h
< -t
(o; db=n-1)
(tabel)

z
h
< -z
(o)
(tabel)

3 H0 : s
0
vs
H1 : >
0

Sda

t
h
> t
(o; db=n-1)
(tabel)

z
h
> z
(o)
(tabel)

Contoh 9.4
Pemerintah berencana untuk melaksanakan sebuah program peningkatan mutu siswa. Dari sebuah
sekolah diketahui bahwa sebelum dilaksanakan program tersebut, rata-rata nilainya adalah 7,1. Untuk
melaksanakan program tersebut, sebanyak 40 siswa secara acak dipilih dari sekolah tersebut. Data baru
yang diperoleh memiliki rata-rata 7,3 dengan simpangan baku 0,15. Berhasilkah program tersebut
(gunakan alpha 5%) ?
Jawab
Karena yang ingin diketahui apakah ada peningkatan mutu pendidikan setelah diadakan program
tersebut, maka :
- hipotesisnya : H
0
: = 7.1 vs H
1
: > 7.1.
77. titik kritis : Z
0,05
= 1,645 (digunakan uji Z karena n relatif besar , n = 40)
78. Stat. Uji : 43 , 8
40 / 15 , 0
3 , 7 1 , 7
=
=
x
o
hitung
s
X
Z

79. Karena Z
hitung
> 1,645 maka tolak H
0
, artinya ada peningkatan rata-rata nilai setelah diadakan
program peningkatan mutu siswa tersebut sehingga dapat dikatakan bahwa program tersebut
berhasil dilaksanakan.

Contoh 9.5
Batasan yang ditentukan oleh pemerintah terhadap emisi gas CO kendaraan bermotor adalah 50 ppm.
Sebuah perusahaan baru yang sedang mengajukan ijin pemasaran mobil, diperiksa oleh petugas
pemerintah untuk menentukan apakah layak perusahan tersebut diberikan ijin. Sebanyak 20 mobil
diambil secara acak dan diuji emisi CO-nya. Dari data yang didapatkan, rata-ratanya adalah 55 dan
ragamnya 4.2. dengan menggunakan taraf nyata 5%, layakkan perusahaan tersebut mendapat ijin ?
Jawab
- Hipotesis H
0
: = 50 vs H
1
: > 50
80. titik kritis : t
(0,05;19)
= 1,729
81. Stat. Uji : 91 , 10
20 / 05 , 2
50 55
=
=
x
s
X
t

82. Karena t
hitung
0
, artinya emisi gas CO kendaraan bermotor yang akan
dipasarkan oleh perusahaan tersebut melebihi batasan yang ditentukan oleh pemerintah
sehingga perusahaan tersebut tidak layak untuk memperoleh ijin untuk memasarkan mobilnya.

Contoh 9.6
Seorang pelamar untuk jabatan salesmen menyatakan bahwa dia sanggup melakukan penjualan minimal
7 unit barang sehari. Untuk membuktikan hal itu, manajer personalia memberikan waktu selama 12
hari. Hasil penjualan selama tes tersebut adalah sebagai berikut : 4, 5, 8, 3, 6, 4, 4, 8, 7, 3, 4, 5.
Ujilah apakah pernyataan orang tersebut didukung oleh data (gunakan alpha 10%).
Jawab
Untuk menguji pernyataan salesman bahwa dia sanggup menjual minimal 7 unit barang sehari ,
maka : Hipotesis H
0
: >= 7 vs H
1
: < 7
83. titik kritis 10% : t
(0,10;11)
= 1,363, gunakan titik kritis 1,363
84. 08 , 5
12
5 ... 5 4
=
+ + +
= =

n
x
x
i
;
174 , 3
11
) 08 , 5 ( 12 ) 5 ... 5 4 (
1
) (
2 2 2 2
2 2
2
=
+ + +
=
=

n
x n x
s
i

85. Stat. Uji : 73 , 3
12 / 78 , 1
7 08 , 5
0
=
=
x
s
x
t

86. Karena t
hitung
< -1,363 maka tolak H
0
, artinya rata-rata penjualan barang oleh salesmen tersebut
tidak lebih dari 7 unit barang per hari tetapi kurang dari 7 unit.

Untuk menguji perbedaan dua nilai tengah populasi dapat dibedakan menjadi dua kasus yaitu kasus
saling bebas dan kasus berpasangan.

Berikut ini uji ipotesis untuk dua contoh saling bebas.

1 H0 : 1-2 = o
0
vs
H1: 1-2 = o
0

87. Contoh kecil & ragam pop tidak
diketahui
) (
0 2 1
2 1
) (
x x
h
s
x x
t

=
o

dimana:
( )
= +
= +
=
2
2
2
1
2
2
2
1
2
1
2
2
2
1
2 1
;
;
1 1
2 1
o o
o o
n
s
n
s
n n
s
s
g
x x

88. Contoh besar atau ragam pop
diketahui
) (
0 2 1
2 1
) (
x x
h
x x
z

=
o
o

|t
h
| > t
(o/2; db)
(tabel)

=
= +
=
2
2
2
1
2
2
2
1
;
; 2 2 1
o o
o o
efektif
db
n n
db

|z
h
| > z
(o/2)
(tabel)

2 H0 : 1-2 > o
0
vs

H1 : 1-2 < o
0

Sda

t
h
< -t
(o; db)
(tabel)

z
h
< -z
(o)
(tabel)

3 H0 : 1-2 s o
0
vs

H1 : 1-2 > o
0

Sda

t
h
> t
(o; db)
(tabel)

z
h
> z
(o)
(tabel)

Sedangkan berikut ini adalah uji hipotesis untuk dua contoh yang berpasangan

1 H0 :
D
= o
0
vs
H1:
D
= o
0

1. Contoh kecil & ragam pop
tidak diketahui
n s
d
t
h
/
0
o
=

2. Contoh besar atau ragam
pop diketahui
n
d
z
h
/
0
o
o
=
|t
h
| > t
(o/2; db=n-1)
(tabel)

|z
h
| > z
(o/2)
(tabel)

2 H0 :
D
> o
0
vs
H1 :
D
< o
0

Sda

t
h
< -t
(o; db=n-1)
(tabel)

z
h
< -z
(o)
(tabel)

3 H0 :
D
s o
0
vs
H1 :
D
> o
0

Sda

t
h
> t
(o; db=n-1)
(tabel)

z
h
> z
(o)
(tabel)

Kedua kasus tersebut dibedakan oleh metode pengambilan contohnya. Dua contoh dikatakan saling
bebas jika pemilihan unit-unit contoh pertama tidak tergantung pada bagaimana unit-unit contoh
kedua dipilih dan sebaliknya. Sedangkan dua contoh dikatakan berpasangan jika pengambilan unit-unit
contoh pertama memperhatikan bagaimana unit-unit contoh kedua dipilih. Keterkaitan kedua contoh
pada kasus berpasangan ditentukan oleh suatu peubah kontrol (control variable) misal lokasi,
kemiringan lahan, tingkat pendidikan, kondisi sosial ekonomi dan lain-lain.

Contoh 9.7
Dua jenis program manajemen pemasaran diterapkan pada sebuah perusahaan retail untuk mengkaji
program mana yang lebih efisien meningkatkan penjualan mingguan. Kedua program tersebut
dievaluasi dengan cara mencatat penjualan selama 9 minggu. Program pertama mampu memberikan
rata-rata nilai penjualan mingguan sebesar 230 juta dengan simpangan baku 10 juta, sedangkan
program kedua rata-ratanya 210 juta dengan simpangan baku 9 juta. Jika diasumsikan kedua kondisi
sama, ujilah apakah kedua program memberikan hasil yang berbeda ? (gunakan o 5%)
Jawab
Untuk mengkaji program mana yang lebih efisien,
Hipotesisnya : H
0
: 1 - 2 = 0 vs H
1
: 1 - 2 = 0
89. titik kritis untuk o = 5% : t
(0,025;16)
= 2,120 (ingat : kondisi sama ~ ragam sama, sehingga db =
n1+n2-2)
90. ragam gabungan : 5 , 90
16
) 81 ( 8 ) 100 ( 8
2
) 1 ( ) 1 (
2 1
2
2 2
2
1 1 2
=
+
=
+
+
=
n n
s n s n
s
p

91. Stat. Uji : 46 , 4
9 / 1 9 / 1 51 , 9
0 210 230
) / 1 ( ) / 1 (
) (
2
0 2 1
1
=
+

=
+

=
n n s
d x x
t
p

92. Karena |t
hitung
|

0,
artinya ada perbedaan dalam tingkat efesiensi
peningkatan penjualan mingguan antara program pertama dan yang kedua, di mana program
yang lebih efisien adalah program yang pertama.

Contoh 9.8
Seorang mahasiswa Budidaya Pertanian ingin membandingkan produksi dari dua varietas kacang tanah.
Kemudian kedua varietas kacang tanah tersebut ditanam pada delapan lokasi yang berbeda tetapi
setiap varietas ada pada setiap lokasi. Data produksi (ton perhektar) kedua varietas tersebut diperoleh
sebagai berikut :
Varietas\lokasi 1 2 3 4 5 6 7 8
Var 1 6.25 5.30 7.10 6.45 6.00 4.83 5.40 6.80
Var 2 5.50 5.80 6.00 7.50 6.25 4.85 5.00 6.50
ujilah apakah kedua varietas memberikan hasil yang berbeda, jika berbeda mana yang menurut anda
lebih baik? (gunakan o 5%)

Jawab
Kasus di atas termasuk kasus pengamatan berpasangan, sehingga perlu dicari beda dari varietas 1 dan
varietas 2, yaitu
d
i
: 0.75, -0.5, 1.1, -1.05, -0.25, -0.02, 0.4, 0.3
- Hipotesis H
0
:
d
= 0 vs H
1
:
d
= 0
93. titik kritis : t
(0,025;7)
= 2,365
94. nilai statistik :
694 . 0 482 . 0
7
) 091 . 0 ( 8 4379 . 3
1
) (
091 . 0
8
3 . 0 ... ) 5 . 0 ( 75 . 0
2
2 2
2
= =
=
=
+ + +
= =
d
i
d
i
s
n
d n d
s
n
d
d

95. Stat. Uji : 371 . 0
8 / 694 . 0
0 091 . 0
/
=
=
n s
d
t
d
d

Karena t
hitung <
2,365 maka terima H
0
, artinya belum cukup bukti untuk menyimpulkan bahwa kedua
varietas kacang tanah tersebut memberikan hasil produksi yang berbeda.
ANALISIS REGRESI DAN KORELASI

Dalam penelitian ada kalanya dilakukan pengamatan terhadap lebih dari satu ciri terhadap
tiap-tiap anggota contoh. Hubungan antara ciri-ciri yang diamati itu sering menarik perhatian, sehingga
timbullah masalah korelasi dan regresi.
Pada masalah korelasi dibicarakan keeratan hubungan antara dua ciri atau lebih, sedangkan
pada masalah regresi kita menduga bentuk hubungan antara ciri-ciri tersebut.

Regresi Linear Sederhana
Dalam kehidupan sehari-hari seringkali kita ingin melihat hubungan antar peubah. Umumnya
suatu peubah bersifat mempengaruhi peubah lainnya, peubah pertama ini disebut peubah bebas
sedangkan peubah yang kedua disebut peubah tak bebas. Secara kuantitatif hubungan antara peubah
bebas dengan peubah tak bebas dapat dimodelkan dalam suatu persamaan matematik, sehingga kita
dapat menduga nilai suatu peubah tak bebas bila nilai peubah bebas diketahui. Persamaan matematik
yang menggambarkan hubungan antara peubah bebas dengan peubah tak bebas sering disebut
persamaan regresi.
Regresi linear sederhana adalah persamaan regresi yang menggambarkan hubungan antara satu
peubah bebas (x) dan satu peubah tak bebas (y), di mana hubungan keduanya dapat digambarkan
sebagai suatu garis lurus. Sehingga hubungan kedua peubah tersebut dapat dituiskan dalam bentuk
persamaan :
Y
i
= o + |X
i
(1)
dengan :
Yi = peubah tak bebas
Xi = peubah bebas
96. = intersep / perpotongan dengan sumbu tegak
| = kemiringan garis / gradien
Dalam praktek, seringkali kita tidak dapat mengamati seluruh anggota populasi, sehingga hanya
mengamati n buah contoh acak dan diperoleh pengamatan berukuran n serta dapat dilambangkan
dengan {(xi, yi), I = 1, 2, , n}.
Persamaan yang kita peroleh adalah dugaan dari persamaan (1) dan dapat dituliskan :
i i
bX a Y + =
..(2)
dengan a adalah penduga bagi o dan b adalah penduga bagi |.
Untuk peubah bebas xi, nilai pengamatan yi tidak akan selalu tepat berada pada garis
persamaan (1) untuk garis regresi populasi atau pada persamaan (2) untuk garis regresi contoh. Dengan
demikian akan terdapat simpangan sebesar c
i
untuk populasi atau ei untuk contoh, sehingga diperoleh
persamaan :
Y
i
= o + |X
i
+ c
i
(persamaan regresi populasi) ..(3)
Y
i
= a + bX
i
+ e
i
(persamaan regresi contoh) .(4)
Untuk melihat pola hubungan antara X dan Y pertama-tama kita plotkan nilai pengamatan (xi,
yi) pada bidang kuadran dua. Jika hasil plot menunjukkan pola titik-titik yang menyerupai garis lurus,
maka penggunaan regresi linear sederhana untuk melihat pola hubungan antara kedua peubah tersebut
sudah tepat.

Pendugaan Koefisien Regresi
Untuk menduga parameter o dan | terdapat bermacam-macam metode yang dapat digunakan,
salah satu diantaranya adalah metode kuadrat terkecil (MKT). Prinsip dasar dari MKT adalah
meminimumkan jumlah kuadrat galat (JKG) antara data aktual (data yang diperoleh dari hasil
pengamatan) dengan data dugaan. Secara matematik dapat dijabarkan sebagai berikut :
Y
i
= o + |X
i
+ c
i
dan
i i
bX a Y + =

Sehingga diperoleh dugaan galat sebesar :
i i i i
Y Y e

= = c dan misalkan
=
=
n
i
i
e q
1
2

maka untuk mendapatkan penduga kuadrat terkecil dari parameter regresi adalah dengan
meminimumkan nilai q, nilai q ini disebut juga JKG. Dengan menggunakan bantuan pelajaran kalkulus
maka nilai dugaan parameter regresi dapat diperoleh sebagai berikut :
( )
2
1 1
2
1 1 1
1
2
1
) )( (
|
.
|
\
|
= =
= = =
=
=
n
i
i
n
i
i
n
i
n
i
i
n
i
i i i
n
i
i
n
i
i i
x x n
y x y x n
x x
y y x x
b dan x b y a =
besaran nilai a dan b dapat diinterpretasikan sebagai berikut : pada saat x bernilai nol maka besarny
nilai dugaan y adalah sebesar a, sedangkan nilai b menunjukkan besarnya perubahan nilai y jika terjadi
perubahan pada nilai x satu-satuan.

Pengujian Hipotesis Bagi Koefisien Regresi
Seperti halnya dalam pendugaan nilai tengah, maka penilaian tentang tingkat keyakinan
terhadap hasil dugaan b memerlukan informasi tentang ragam dari b, atau lebih tepatnya adalah
informasi tentang pola sebaran b. Untuk dapat mengetahui informasi ini, kita terlebih dahulu
membuat beberapa asumsi mengenai model regresi.
Berdasarkan persamaan (3), beberapa asumsi yang harus dipenuhi yaitu c
i
adalah bebas
terhadap sesamanya dan menyebar normal dengan nilai tengah nol dan ragam o
2
[c
i
~ (0, o
2
)].
Berdasarkan model (3) di atas, dengan konstanta o dan | sebagai parameter regresi dan x
i
bukan
sebuah peubah acak, maka y
i
adalah suatu peubah acak yang menyebar normal dengan E(y
i
) = o + |x
i

dan Var(y
i
) = o
2
untuk semua i.
Nilai a dan b merupakan dugaan bagi parameter o dan |. Dengan pengambilan contoh acak
berulangkali dapat diperoleh nilai dugaan yang berbeda bagi o dan |. Nilai-nilai dugan tersebut dapat
dipandang sebagai nilai-nilai peubah acak A dan B. nilai-nilai A dan B tersebut tergantung pada
keragaman nilai peubah acak Y
1
, Y
2
, , Y
n
.
Penduga koefisien b adalah kombinasi linear dari peubah acak yi, yaitu berupa
( )

= =
=
=
+ + + = = =

=
n
i
n n
n
i
i i i i
n
i
i
n
i
i i
y w y w y w y w y y w
x x
y y x x
b
1
2 2 1 1
1
1
2
1
) (
) )( (

dengan
( )
;
) (
1
2
=
n
i
i
i
i
x x
x x
w dan karena , 0
1
=
=
n
i
i
w maka 0
1
=
=
y w
n
i
i

dengan demikian b adalah peubah acak dengan nilai harapan
i
n
i
i i
n
i
i
n
i
i i
n
i
i
n
i
i i i
n
i
i
x w x w w x w y E w y w E b E

= = = = = =
= + = + = = =
1 1 1 1 1 1
) ( ) ( ) ( ) ( | | o | o
karena nilai 0
1
=
=
n
i
i
w maka 0
1 1
= =

= =
x w w x
n
i
i
n
i
i

sehingga 1 ) (
1 1 1 1
= = =

= = = =
x x w x w x w x w
i
n
i
i
n
i
i i
n
i
i i
n
i
i

jadi b merupakan penduga tak bias bagi | karena E(b) = |.
Ragam dari b adalah

=
=
=
= = =
=
|
.
|
\
|

= = = =
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i i
n
i
i i
x x
x x
x x
w y Var w y w Var b Var
1
2
2
2
1
2
1
2
2
1
2 2
1
2
1
) (
) (
) (
) ( ) ( ) (
o
o o
selanjutnya untuk nilai dugaan x b y a = kita peroleh
o | | o = + = = = x x b E x y E x b y E a E ) ( ) ( ) ( ) ( dan
|
|
|
|
.
|
\
|
+ =
+ = = =

= =
n
i
i
n
i
i
x x
x
n
x x
x
n
b Var x y Var x b y Var a Var
1
2
2
2
1
2
2 2 2
2
) (
) ( 1
) (
) (
) ( ) ( ) ( ) ( ) ( o
o o

karena Y
1
, Y
2
, , Y
n
bebas dan menyebar normal, maka A dan b juga menyebar normal dengan nilai
tengah dan ragam seperti di atas.
Karena ragam dari A dan B mengandung parameter o
2
yang umumnya nilainya tidak diketahui,
maka perlu dilakukan pendugaan untuk nilai tersebut. Parameter o
2
merupakan ragam galat pada
model yang menggambarkan keragaman acak dari keragaman galat percobaan di sekitar garis regresi.
Penduga tak bias bagi o
2
adalah s
2
, yaitu
2 2 2 2
2
1
2
2
=

=
n
J b J
n
bJ J
n
e
n
JKG
s
xx yy xy yy
n
i
i

dengan :
n
x
n
i
i
n
i
i xx
n
i
i
x x x J
2
1
1
2
1
2
) (
|
.
|
\
|

= =
=

= = ;
n
y
n
i
i
n
i
i yy
n
i
i
y y y J
2
1
1
2
1
2
) (
|
.
|
\
|

= =
=

= =
n
y x
n
i
i i
n
i
i i xy
n
i
i
n
i
i
y x y y x x J
|
.
|
\
|
|
.
|
\
|

= =
= =

= =
1 1
1 1
) )( (
Untuk menguji hipotesis apakah intersep bernilai tertentu (miaslnya k) dapat diuji dengan
menggunakan statistik uji t, di mana hipotesisnya dapat dituliskan sebagai berikut :
H
0
: o = k lawan H
1
: o = k
Statistik ujinya dapat dirumuskan sebagai berikut
a
hitung
s
k a
a Var
k a
t

=
=
) (

nilai statistik uji ini mengikuti sebaran t-student dengan derajat bebas n-2. Jika |t-hitung| > t
(o/2, db=n-
2)
atau jika peluang nyata lebih kecil dari nilai taraf nyata yang ditetapkan maka hipotesis nol ditolak.
Selang kepercayaan (1 - )100% bagi parameter o adalah :
a - t
/2, (n-2)
s
a
s o s a + t
/2, (n-2)
s
a

dari selang kepercayaan ini dapat kita lihat kisaran nilai intersep yang dapat diyakini dengan tingkat
keyakinan sebesar (1 - )100%.
Untuk melihat apakah peubah X berpengaruh terhadap peubah Y juga dapat diuji dengan
menggunakan uji t-student. Misalkan ingin diuji apakah perubahan setiap X satu-satuan akan
mengakibatkan Y akan berubah sebesar k satuan, naka hipotesis dari pertanyaan ini dapat dituliskan
sebagai berikut :
H
0
: | = k
H
1
: | = k
Statistik ujinya dapat dirumuskan sebagai berikut
b
hitung
s
k b
b Var
k b
t

=
=
) (

nilai statistik uji ini mengikuti sebaran t-student dengan derajat bebas n-2. Jika |t-hitung| > t
(o/2, db=n-
2)
atau jika peluang nyata lebih kecil dari nilai taraf nyata yang ditetapkan maka hipotesis nol ditolak.
Selang kepercayaan (1 - )100% bagi parameter | adalah :
b - t
/2, (n-2)
s
b
s | s b + t
/2, (n-2)
s
b

Peramalan / Pendugaan Bagi Y
Dalam analisis regresi peubah X bersifat tetap. Untuk suatu contoh acak yang berukuran n pada
nilai x yang sama kita mungkin mendapatkan nilai y yang bervariasi. Dengan kata lain nilai y
i
dalam
pasangan (x
i
, y
i
) merupakan nilai suatu peubah acak Y dengan nilai tengah
y
dan ragam o
y
2
.
Persamaan Y
i
= a + bX
i
dapat digunakan untuk menduga
y
dari beberapa nilai y pada nilai x
tertentu dan dapat pula digunakan untuk menduga nilai tunggal y
0
bila x = x
0
. Bila y
0
= a + bx
0
maka y
0

akan menyebar normal dengan nilai tengah
y0
sama dengan
y
pada x = x
0
dan
2
2
0 2
) 1 (
) ( 1
0
o o
|
|
.
|
\
|
+ =
x
y
s n
x x
n
, dengan
=
n
i
i x
x x
n
s
1
2 2
) (
1
1

Penduga bagi
2
0
y
o adalah
2
0
y
s . Untuk memperoleh nilai dugaan ini o
2
diduga dengan s
2
. Adapun
selang kepercayaan (1 - o)100% bagi
y
untuk x = x
0
adalah :
2
) 2 ( , 2 / 0
2
) 2 ( , 2 / 0
0 0

y n y y n
s t y s t y

+ s s
o o

Untuk mendapatkan selang kepercayaan bagi sembarang nilai tunggal y0 dari peubah Y0, maka kita
perlu menduga ragam selisih antara nilai
0
y yang diperoleh dari garis regresi bila pengambilan
contohnya dilakukan berulang-ulang pada x=x0 dengan y0 yang sesungguhnya. Kita dapat memandang
0 0
y y sebagai nilai peubah acak
0 0
Y Y , yang sebaran penarikan contohnya menyebar normal

dengan nilai tengah dan ragam sebagai berikut :
0 )
(
0 0
0 0
= =
Y Y E
y y
dan
o o
2
2
2
0
2
) 1 (
) ( 1
1
0 0
(
+ + =
x
y y
s n
x x
n

Penduga bagi
2
0 0
y y
o adalah
2
0 0
y y
s

. Agar nilai dugaan ragam ini diperoleh, maka o
2
diduga dengan
ragam contoh (s
2
).
Selang kepercayaan (1-o)100% bagi nilai tunggal y
0
bila x=x
0
adalah
2
) 2 ( , 2 / 0 0
2
) 2 ( , 2 / 0
0 0 0 0

y y n y y n
s t y y s t y

+ s s
o o

Kesesuaian Model
Ada beberapa petunjuk yang dapat digunakan untuk melihat kesesuaian dari model yang
diperoleh, diantaranya :
97. koefisien determinasi (R
2
) yaitu suatu ukuran yang digunakan untuk melihat kemampuan model
dalam menerangkan keragaman nilai peubah Y. Kisaran nilai R
2
mulai dari 0 sampai 100%.
Semakin besar nilai R
2
berarti model semakin mampu menerangkan perilaku peubah Y. Sebagai
contoh, ingin diketahui pola hubungan antara biaya iklan yang dikeluarkan oleh suatu
perusahaan dengan banyaknya produknya yang terjual, diperoleh nilai R
2
sebesar 80%, ini
berarti bahwa model regresi yang kita peroleh menunjukkan bahwa 80% keragaman dari produk
yang terjual sudah dapat diterangkan oleh faktor biaya iklan yang dikeluarkan, sedangkan 20%
lainnya keragaman dari produk yang terjual dipengaruhi oleh faktor lain. Adapun rumus untuk
menghitung R
2
adalah
2
2 2
2
1
y
x
s
s b
JKT
JKG
R = =
98. Kuadrat tengah galat (KTG). Semakin kecil nilai KTG maka model regresi yang diperoleh akan
lebih baik dalam menggambarkan pola hubunagn antara peubah bebas dan peubah tak bebas.
Namun penggunaan KTG sering kali menemui masalah yaitu seberapa besar nilai KTG agar
model dikategorikan sebagai model yang baik. Permasalahan ini timbul karena mengingat KTG
tidak memiliki batasan yang jelas. Tetapi jika terdapat beberapa model yang dibangun, maka
penggunaan KTG sebagai alat untuk memilih model terbaik akan cukup efektif.
99. membuat plot antara nilai sisaan, e
i
, dengan x
i
atau dengan
i
y . Perilaku ei yang dianggap layak
akan terlihat apabila nilai-nilai tersebut membentuk suatu pita yang mendatar di sekitar garis e
= 0. Jika tebaran nilai-nilainya berbentuk corong dapat memberi petunjuk adanya
keheterogenan ragam dan jika tebaran nilainya melengkung menunjukkan kekurangtepatan dari
model regresinya. Berdasarkan plot sisaan kita juga dapat mendeteksi kemungkinan adanya
pencilan dengan memeriksa apakah ada nilai/titik yang memencil atau jauh dari nilai-nilai
sisaan yang lain.

Korelasi
Ukuran korelasi linear antara dua peubah yang paling banyak digunakan adalah koefisien
korelasi contoh (r). Koefisien korelasi ini menggambarkan tingkat keeratan hubungan linear antara dua
peubah atau lebih. Besaran dari r tidak menggambarkan hubungan sebab akibat antar dua peubah atau
lebih tetapi semata-mata menggambarkan keterkaitan linear antar peubah. Nilai dari r berkisar antara
1 sampai 1 (-1 s r s 1). Nilai r yang mendekati 1 atau 1 menunjukkan semakin erat hubungan linear
antara kedua peubah tersebut. Sedangkan nilai r yang mendekati atau sama dengan nol
menggambarkan tidak ada hubungan linear antara kedua peubah tersebut, tetapi mungkin saja
mempunyai hubungan yang tidak linear.
Koefisien korelasi antara peubah X dan Y dapat dirumuskan sebagai berikut :
y
x
y x
xy
yy xx
xy
s
s
b
s s
s
J J
J
r = = =
2 2

dengan ) 1 /( ), 1 /( ), 1 /(
2 2
= = = n J s n J s n J s
yy y xx x xy xy

Koefisien korelasi contoh, r, merupakan sebuah nilai yang dihitung dari n pengamatan contoh.
Contoh acak berukuran n yang lain tetapi diambil dari populasi yang sama biasanya akan menghasilkan
nilai r yang berbeda. Dengan demikian kita dapat memandang r sebagai suatu nilai dugaan bagi
koefisien korelasi linear populasi, . Bila r dekat dengan nol, kita cenderung menyimpulkan = 0.
Tetapi jika nilai r mendekati 1 atau 1 disarankan agar kita menyimpulkan = 0. Masalahnya sekarang
adalah bagaimana mendapatkan suatu uji yang akan mengatakan kepada kita kapan suatu nilai r berada
cukup jauh dari suatu nilai tertentu 0, agar kita mempunyai cukup alasan untuk menolak hipotesis nol
bahwa =
0
dan menerima alternatifnya. Hipotesis alternatifnya, H1, biasanya salah satu diantara
<
0
, >
0
, atau =
0
.
Uji terhadap hipotesis nol =
0
didasarkan pada besaran
|
.
|
\
|
+
r
r
1
1
ln
2
1

yang merupakan suatu nilai peubah acak yang menyebar menghapiri normal dengan nilai tengah
(0,5)ln[(1+)/(1-)] dan ragam 1/(n-3). Jadi statistik ujinya adalah menghitung
(

+
=
(
|
|
.
|
\
|
+
|
.
|
\
|
+
=
) 1 )( 1 (
) 1 )( 1 (
ln
2
3
1
1
ln
2
1
1
1
ln
2
1
2
3
0
0
0
0
r
r n
r
r n
Z
hitung

jika taraf nyata yang digunakan sebesar o, maka keputusan akan menolak H
0
jika:
100. Z
hitung
< Z
o
, untuk H1 : <
0

101. Z
hitung
> Z
o
, untuk H1 : >
0

102. |Z
hitung
| > Z
o/2
, untuk H1 : =
0

Secara intuisi, koefisien korelasi dapat ditafsirkan dalam dua cara, yaitu:
103. sebagai arah hubungan antara dua ukuran yang berarti mereka cenderung untuk meningkat
atau menurun bersama-sama (berhubungan secara positif), yang satu meningkat yang lain
menurun (berhubungan secara negatif), atau pergerakan mereka terpisah (tidak berkorelasi).
104. sebagai suatu kekuatan asosiasi yang berarti bahwa jika nilai absolut korelasi bergerak
menjauhi nol maka dua ukuran berasosiasi semakin kuat.

Contoh
Sebuah penelitian dilakukan oleh seorang pengusaha untuk menentukan hubungan antara biaya
pemasangan iklan per minggu dan hasil penjualan produknya (dalam jutaan rupiah). Data yang
diperoleh adalah sebagai berikut :
Biaya iklan 6 2 1 2 1 7 6 3 5 4 2 8 4 3 5
Penjualan 57 40 33 37 34 58 54 43 49 49 38 62 47 45 51
105. Tentukan persamaan garis regresinya
106. Benarkah pernyataan pengusaha mengatakan bahwa dengan peningkatan biaya/ iklan
per juta akan meningkatkan penjualan sebesar 5 juta rupiah ?
107. Dugalah besarnya penjualan mingguan bila pengeluaran untuk biaya iklan sebesar 4,5
juta !
108. Buatlah selang kepercayaan 95% bagi penjualan mingguan rata-rata jika biaya iklannya
sebesar 2,5 juta !
109. Buatlah selang kepercayaan 90% bagi nilai dugaan penjualan mingguan bila biaya iklan
yang dikeluarkan sebesar 3 juta.
110. Bagaimana kesesuaian model regresi yang anda peroleh ?
111. Hitunglah koefisien korelasinya.

Jawab:
No.
Biaya
iklan (x)
Penjualan
(y)
x
2
y
2
xy
1 6 57 36 3249 342
2 2 40 4 1600 80
3 1 33 1 1089 33
4 2 37 4 1369 74
5 1 34 1 1156 34
6 7 58 49 3364 406
7 6 54 36 2916 324
8 3 43 9 1849 129
9 5 49 25 2401 245
10 4 49 16 2401 196
11 2 38 4 1444 76
12 8 62 64 3844 496
13 4 47 16 2209 188
14 3 45 9 2025 135
15 5 51 25 2601 255
E 59 697 299 33517 3013
a.
06 , 4
1004
4072
) 59 ( ) 299 ( 15
) 697 ( 59 ) 3013 ( 15
2 2
1 1
2
1 1 1
= =
=
|
.
|
\
|
=

= =
= = =
n
i
i
n
i
i
n
i
n
i
i
n
i
i i i
x x n
y x y x n
b

50 , 30
15
59
06 , 4
15
697
= = = =

n
x
b
n
y
x b y a
i i

Interpretasi :
112. Jika tidak ada biaya yang dikeluarkan untuk iklan, maka rata-rata hasil penjualan produk
perminggu mencapai 30,5 juta rupiah.
113. Jika biaya untuk iklan mengalami kenaikan satu juta, maka hasil penjualan akan mengalami
perubahan sebesar 4,06 juta rupiah.

b. pengujian
Hipotesis :
H0 : | = 5 vs H1 : | 5
Nilai o = 5%, t
(0,025,13)
= 2,160
b b
hitung
s
b
s
b
t
5
0

=
=
|
dimana
=

=
n
i
i
b
x x
s
1
2
2
) (
o

;
2
2
2 2
= =
n
J b J
s
xx yy
o dengan
n
y
n
i
i yy
n
i
i
y J
2
1
1
2
|
.
|
\
|

=
=
= dan
n
x
n
i
i xx
n
i
i
x J
2
1
1
2
|
.
|
\
|

=
=
=
04 , 2
13
) 93 , 66 ( ) 06 , 4 ( 73 , 1129
93 , 66
15
) 59 (
299 73 , 1129
15
) 697 (
33517
2
2
2 2
=
=
= = = =
s
J J
xx yy

Sehingga 18 , 0
93 , 66
04 , 2
= =
b
s
Dengan demikian

22 , 5
18 , 0
5 06 , 4
=
=
hitung
t
karena |t
hitung
| > 2,160 maka tolak H
0,
artinya tidak benar pernyataan pengusaha yang mengatakan
bahwa dengan peningkatan biaya/ iklan per juta akan meningkatkan penjualan sebesar 5 juta rupiah.

c.
Penjualan = 30.5 + 4.06 Biaya iklan
= 30.5 + 4.06(4.5)
= 48.77

d. alpha 5%
untuk x = 2.5, maka y = 30.5 + 4.06(2.5) = 40.65
2
) 2 ( , 2 / 0
2
) 2 ( , 2 / 0
0 0

y n y y n
s t y s t y

+ s s
o o

dengan 20 . 0 04 . 2
93 . 66
) 93 . 3 5 . 2 (
15
1 ) ( 1
2
2
2
0 2
0
=
|
|
.
|
\
|
+ =
|
|
.
|
\
|
+ = s
J
x x
n
s
xx
y

SK 5% :
40.65 -2.16(0.2)
y
40.65 + 2.16(0.2)
40.22
y
41.08

e. alpha 10%
untuk x = 3, maka y = 30.5 + 4.06(3) = 42.68
2
) 2 ( , 2 / 0 0
2
) 2 ( , 2 / 0
0 0 0 0

y y n y y n
s t y y s t y

+ s s
o o

dengan 20 . 2 04 . 2
93 . 66
) 93 . 3 3 (
15
1
1
) ( 1
1
2
2
2
0
2
0 0
=
(

+ + =
(

+ + =
s s
xx
y y
J
x x
n

SK 10% :
42.68 -1.771(0.2) y
0
42.68 + 1.771(0.2)
42.33
y
43.03

f. Kesesuaian model
uji apakah biaya iklan berpengaruh nyata

Keakuratan model :
% 66 , 97 % 100
73 , 1129
) 93 , 66 ( ) 06 , 4 (
1
2 2
2
2 2
2
= = = = = x
J
J b
s
s b
JKT
JKG
R
yy
xx
y
x

g. Koefisien Korelasi
99 , 0 977 , 0
2
= = = R r

Dengan menggunakan tabel sidik ragam alpha=5%:

Sumber
keragaman
Derajat
bebas
Jumlah kuadrat (JK) Kuadrat tengah
(KT)
F-Hitung F-Tabel
Regresi 1 JKR=b
2
J
xx
KTR=JKR/1 KTR/KTG F
o(1,n-2)

Galat n-2 JKG=JKT-JKR KTG=JKG/(n-2)
Total n-1 JKT=J
yy

Sumber
keragaman
Derajat
bebas
Jumlah kuadrat (JK) Kuadrat tengah
(KT)
F-Hitung F-Tabel
Regresi 1 1103.25 1103.25 540,81 F
0,05(1,13)
= 4,67
Galat 13 26,48 2,04
Total 14 1129,73

Modul METODE STATISTIKA

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul METODE STATISTIKA

Diunggah oleh

Hak Cipta:

Format Tersedia

By : Anita Eka Putri, staf sainstek Fisika12

1. Pengenalan Analisis Data dan Statistik

Y Y , yang sebaran penarikan contohnya menyebar normal

Anda mungkin juga menyukai