I.

Bab 7 Uji Hipotesis

7.3 Latihan Soal
7-1 Sebuah perusahaan mobil sedang menyelidiki perubahan system injeksi bahan bakar
untuk memperbaiki jarak tempuh bahan bakar. Suatu sampel acak dari 15 rentetan (runs)
memberikan jarak tempuh berikut (dalam mil per galon, atau mpg): 38, 42, 40, 39, 44, 37, 39,
45, 40, 42, 38, 39, 44, 41, dan 42.
a) Hitunglah selang kepercayaan dua sisi 90% untuk rata-rata jarak tempuh. Nyatakan
asumsi-asumsi yang Anda gunakan.
Penyelesaian :
Interpretasi dalam R :
> jarak.tempuh<c(38,42,40,39,44,37,39,45,40,42,38,39,44,41,42)
> t.test(jarak.tempuh,alt="two.sided",conf.level=0.9)
One Sample t-test
data: jarak.tempuh
t = 64.5563, df = 14, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
90 percent confidence interval:
39.55715 41.77619
sample estimates:
mean of x
40.66667
b) Diketahui bahwa system injeksi sebelumnya menghasilkan mpg 35 sebesar dapatkah
disimpulkan bahwa system injeksi baru meningkatkan jarak tempuh?
Penyelesaian :
Interpretasi dalam R :
> t.test(jarak.tempuh,alt="less",mu=35,conf.level=0.9)
One Sample t-test
data: jarak.tempuh
t = 8.9956, df = 14, p-value = 1
alternative hypothesis: true mean is less than 35
90 percent confidence interval:
-Inf 41.51396
sample estimates:
mean of x
40.66667
> t.test(jarak.tempuh,alt="greater",mu=35,conf.level=0.9)

One Sample t-test

data: jarak.tempuh
t = 8.9956, df = 14, p-value = 1.704e-07
alternative hypothesis: true mean is greater than 35
90 percent confidence interval:
39.81938
Inf
sample estimates:
mean of x

7-2 Sebuah mesin digunakan untuk mengisi kotak dengan produk cairan. Volume pengisian
dianggap berdistribusi normal. Sampel acak dari 10 kotak dipilih dan berat bersih (dalam ons)
adalah sebagai berikut: 12,03; 12,01; 12,04; 12,02; 12,05; 11,98; 11,96; 12,02; 12,05; dan
11,99.
a) Misalkan perusahaan ingin mengetahui apakah rata-rata volume isian lebih dari 12
ons. Dengan

apa yang dapat disimpulkan?

Penyelesaian :
Interpretasi dalam R :
> volume<c(12.03,12.01,12.04,12.02,12.05,11.98,11.96,12.02,12.05,1
1.99)
> t.test(volume,alt="greater",mu=12,conf.level=0.99)
One Sample t-test
data: volume
t = 1.5667, df = 9, p-value = 0.07581
alternative hypothesis: true mean is greater than 12
99 percent confidence interval:
11.98799
Inf
sample estimates:
mean of x
12.015
b) Hitunglah selang kepercayaan dua sisi 95% untuk rata-rata pengisian volume.
Penyelesaian :
Interpretasi dalam R :
> t.test(volume,alt="two.sided",conf.level=0.95)
One Sample t-test
data: volume
t = 1254.926, df = 9, p-value < 2.2e-16

alternative hypothesis: true mean is not equal to 0

95 percent confidence interval:
11.99334 12.03666
sample estimates:
mean of x
12.015

7-3 Dua orang teknisi kendali mutu mengukur permukaan bagian logam (dalam mm).
Dianggap bahwa pengukuran berdistribusi normal.
Teknisi I Teknisi II
1,45
1,54
1,37

1,41

1,21

1,56

1,54

1,37

1,48

1,20

1,29

1,31

1,34

1,27
1,35

a) Lakukan pengujian terhadap hipotesis bahwa rata-rata pengukuran permukaan logam

oleh kedua teknisi tersebut adalah sama. Gunakan

dan dianggap variannya

sama.
Penyelesaian :
Interpretasi dalam R :
> teknisi.1<-c(1.45,1.37,1.21,1.54,1.48,1.29,1.34)
> teknisi.2<-c(1.54,1.41,1.56,1.37,1.20,1.31,1.27,1.35)

>
t.test(teknisi.1,teknisi.2,alt="two.sided",conf.level=0.9
5)
Welch Two Sample t-test
data: teknisi.1 and teknisi.2
t = 0.1067, df = 12.953, p-value = 0.9167
alternative hypothesis: true difference in means is not
equal to 0
95 percent confidence interval:
-0.1272127 0.1404270
sample estimates:
mean of x mean of y
1.382857 1.376250
b) Anggap bahwa variansi keduannya sama , hitunglah selang kepercayaan 95% beda
rata-rata pengukuran permukaan.
Penyelesaian :
Interpretasi dalam R :
>
t.test(teknisi.1,teknisi.2,alt="two.sided",var.equal=TRUE
,conf.level=0.95)
Two Sample t-test
data: teknisi.1 and teknisi.2
t = 0.1061, df = 13, p-value = 0.9171
alternative hypothesis: true difference in means is not
equal to 0
95 percent confidence interval:
-0.1279690 0.1411833
sample estimates:
mean of x mean of y
1.382857 1.376250
c) Lakukan pengujian hipotesis bahwa variansi dari pengukuran yang dibuat oleh kedua
teknisi tersebut adalah sama. Gunakan
Penyelesaian :
Interpretasi dalam R :
> teknisi.1<-c(1.45,1.37,1.21,1.54,1.48,1.29,1.34)
> teknisi.2<-c(1.54,1.41,1.56,1.37,1.20,1.31,1.27,1.35)
>
var.test(teknisi.1,teknisi.2,alt="two.sided",conf.level=0
.95)
F test to compare two variances

data: teknisi.1 and teknisi.2

F = 0.8456, num df = 6, denom df = 7, p-value = 0.854
alternative hypothesis: true ratio of variances is not
equal to 1
95 percent confidence interval:
0.1652094 4.8163185
sample estimates:
ratio of variances
0.8456401

7-5 Luaran suatu voltase suatu catu daya dianggap berdistribusi normal. Enam belas amatan
voltase diambil secara acak sebagai berikut: 10,35; 9,30; 10,00; 9,96; 11,65; 12,00; 11,25;
9,58; 11,54; 9,95; 10,28; 8,37; 10,44; 9,25; 9,38, dan 10,85.
a) Lakukan pengujian terhadap hipotesis bahwa rata-rata voltase sama dengan 12 V
melawan alternative dua sisi dengan
Penyelesaian :
Interpretasi dalam R :
> voltase<c(10.35,9.30,10.00,9.96,11.65,12.00,11.25,9.58,11.54,9.95
,10.28,8.37,10.44,9.25,9.38,10.85)
> t.test
(voltase,alternative="two.sided",conf.level=0.95)
One Sample t-test
data: voltase
t = 41.0765, df = 15, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
9.727019 10.791731
sample estimates:
mean of x
10.25938
Pengujian terhadap hipotesis bahwa rata-rata voltase sama dengan 12 V melawan
alternative dua sisi dengan
Uji Hipotesis :

Uji statistik :
p-value < 2.2e-16;
p-value
Didapatkan hasil p-value

(Tolak

sehingga kita menolak

yang berarti pengujian

terhadap hipotesis bahwa rata-rata voltase sama dengan 12.

b) Hitunglah selang kepercayaan dua sisi 95% untuk
Penyelesaian :
Interpretasi dalam R :
> voltase<c(10.35,9.30,10.00,9.96,11.65,12.00,11.25,9.58,11.54,9.95
,10.28,8.37,10.44,9.25,9.38,10.85)
> t.test
(voltase,alternative="two.sided",conf.level=0.95)
One Sample t-test
data: voltase
t = 41.0765, df = 15, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
9.727019 10.791731
sample estimates:
mean of x
10.25938
Berdasarkan hasil output diperoleh selang kepercayaan dua sisi 95% untuk

sebesar

10.791731
c) Lakukan pengujian hipotesis bahwa

menggunakan

Penyelesaian :
Interpretasi dalam R :
> voltase<c(10.35,9.30,10.00,9.96,11.65,12.00,11.25,9.58,11.54,9.95
,10.28,8.37,10.44,9.25,9.38,10.85)
> var.test
(voltase,voltase,alternative="two.sided",conf.level=0.95)
F test to compare two variances
data: voltase and voltase
F = 1, num df = 15, denom df = 15, p-value = 1

alternative hypothesis: true ratio of variances is not

equal to 1
95 percent confidence interval:
0.3493947 2.8620925
sample estimates:
ratio of variances
1
Pengujian hipotesis bahwa

menggunakan

Uji Hipotesis :

Uji statistik :
p-value = 1 ;
p-value
Didapatkan hasil p-value
hipotesis bahwa

(Terima
sehingga kita menerima

)
yang berarti pengujian

menggunakan

d) Hitunglah selang kepercayaan dua sisi 95% untuk

Penyelesaian :
Interpretasi dalam R :
> voltase<c(10.35,9.30,10.00,9.96,11.65,12.00,11.25,9.58,11.54,9.95
,10.28,8.37,10.44,9.25,9.38,10.85)
> var.test
(voltase,voltase,alternative="two.sided",conf.level=0.95)
F test to compare two variances
data: voltase and voltase
F = 1, num df = 15, denom df = 15, p-value = 1
alternative hypothesis: true ratio of variances is not
equal to 1
95 percent confidence interval:
0.3493947 2.8620925
sample estimates:
ratio of variances
1
Berdasarkan hasil output diperoleh selang kepercayaan dua sisi 95% untuk
0.3493947

2.8620925

II. Bab 8 Analisis Regresi Sederhana

8.5 Latihan Soal
8-1 Direktur penerimaan mahasiswa baru dari suatu sekolah melakukan seleksi ujian masuk
terhadap 20 orang siswa yang diambil secara acak. Direktur tersebut ingin mengetahui
apakah nilai indeks prestasi kumulatif (IPK) mahasiswa baru (Y) dapat diprediksi dari nilai
ujian masuk (X). Dianggap tingkat (orde)datu cocok.
i:
Xi:

1
5,5

2
4,8

3
4,7

4
3,9

5
4,5

6
6,2

7
6,0

8
5,2

9
4,7

10
4,3

Yi:

3,1

2,3

3,0

1,9

2,5

3,7

3,4

2,6

2,8

1,6

i:
Xi:

11
4,9

12
5,4

13
5,0

14
6,3

15
4,6

16
4,3

17
5,0

18
5,9

19
4,1

20
4,7

Yi:

2,0

2,9

2,3

3,2

1,8

1,4

2,0

3,8

2,2

1,5

a) Hitunglah pendugaan kuadrat terkecil untuk

Penyelesaian :
Pendugaan kuadrat terkecil untuk

dan

dan

Interpretasi dalam R :
> x<c(5.5,4.8,4.7,3.9,4.5,6.2,6.0,5.2,4.7,4.3,4.9,5.4,5.0,6.3
,4.6,4.3,5.0,5.9,4.1,4.7)
> y<c(3.1,2.3,3.0,1.9,2.5,3.7,3.4,2.6,2.8,1.6,2.0,2.9,2.3,3.2
,1.8,1.4,2.0,3.8,2.2,1.5)
> plot(x,y) #membuat plot x dan y

> hsl.reg<-lm(y~x) #meregresikan x dan y dan disimpan di

hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
-1.6996

x
0.8399

> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q
-0.74803 -0.37100

Median
0.01404

3Q
0.34792

Max
0.75197

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.6996
0.7268 -2.338
0.0311 *
x
0.8399
0.1440
5.831 1.6e-05 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1
1
Residual standard error: 0.435 on 18 degrees of freedom
Multiple R-squared: 0.6538,
Adjusted R-squared:
0.6346
F-statistic:

34 on 1 and 18 DF,

p-value: 1.597e-05

Dari hasil output di atas dapat kita peroleh :

dan
, sehingga

a) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :

Plot kurva regresi

b) Carilah nilai IPK mahasiswa apabila nilai ujian masuknya 5.
Penyelesaian :
Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(5)))
1
2.5
Berdasarkan output di atas dapat kita peroleh nilai IPK mahasiswa apabila nilai ujian
masuknya 5 adalah 2,5.
8-2 Sebuah perusahaan perlengkapan perkantoran menjual kalkulator dengan sistem waralaba
dan melakukan perawatan pencegahan dan perbaikan terhadap kalkulator. Data berikut
menunjukkan 18 panggilan dari pelanggan untuk melakukan perawatan pencegahan. Untuk
masing-masing panggilan X menyatakan jumlah kalkulator yang diperbaiki dan Y adalah
banyaknya menit yang diperlukan oleh teknisi untuk memperbaiki. Dianggap model regresi
tingkat (orde) satu cocok.

i:
Xi:

1
7

2
6

3
5

4
1

5
5

6
4

7
7

8
3

9
4

Yi:

97

86

78

10

75

62

101

39

53

i:
Xi:

10
2

11
8

12
5

13
2

14
5

15
7

16
1

17
4

18
5

Yi:

33

118

65

25

71

105

17

49

68

a) Hitunglah pendugaan kuadrat terkecil untuk

dan

Penyelesaian :
Interpretasi dalam R :
> x<-c(7,6,5,1,5,4,7,3,4,2,8,5,2,5,7,1,4,5)
> y<c(97,86,78,10,75,62,101,39,53,33,118,65,25,71,105,17,49,6
8)
> plot(x,y) #membuat plot x dan y
> hsl.reg<-lm(y~x) #meregresikan x dan y dan simpan di
hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
-2.322

x
14.738

> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q Median
-7.6309 -3.2500 -0.2383

3Q
4.0235

Max
6.6309

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -2.3221
2.5644 -0.906
0.379
x
14.7383
0.5193 28.383 4.1e-15 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1
1
Residual standard error: 4.482 on 16 degrees of freedom
Multiple R-squared: 0.9805,
Adjusted R-squared:
0.9793
F-statistic: 805.6 on 1 and 16 DF,
Dari hasil output di atas dapat kita peroleh :

p-value: 4.097e-15

dan

, sehingga

b) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :

Plot kurva regresi

c) Berapakah dugaan waktu yang diperlukan oleh teknisi untuk memperbaiki kalkulator
apabila terdapat lima mesin yang harus diperbaiki?
Penyelesaian :
Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(5)))
1
71.36913
Berdasarkan output di atas dapat kita perolehdugaan waktu yang diperlukan oleh
teknisi untuk memperbaiki kalkulator apabila terdapat lima mesin yang harus
diperbaiki adalah 71,36913 menit.

8-3 Beberapa kimiawan tertarik pada sifat plutonium yang disebut kelarutan ( solubility )yang
tergantung kepada temperatur. Pada data berikut Y menyatakan
menyatakan 1000/(temperatur

(kelarutan) dan X

).Dianggap model regresi tingkat (orde) satu cocok.

i:
Xi:

1
1,68

2
1,74

3
4
5
6
7
8
9
1,85 1,92 1,99 1,82 1,69 1,60 1,52

Yi:

0,33

0,41

0,57 0,65 0,77 0,57 0,35 0,18 0,14

a) Hitunglah pendugaan kuadrat terkecil untuk

dan

Penyelesaian :
Interpretasi dalam R :
> x<-c(1.68,1.74,1.85,1.92,1.99,1.82,1.69,1.60,1.52)
> y<-c(0.33,0.41,0.57,0.65,0.77,0.57,0.35,0.18,0.14)
> plot(x,y) #membuat plot x dan y
> hsl.reg<-lm(y~x) #meregresikan x dan y dan simpan di
hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
-2.012

x
1.396

> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q
Median
-0.042342 -0.007838 -0.001441

3Q
0.003063

Coefficients:
Estimate Std. Error t value
(Intercept) -2.01189
0.10678 -18.84
x
1.39640
0.06058
23.05
--Signif. codes: 0 *** 0.001 ** 0.01

Max
0.040450
Pr(>|t|)
2.95e-07 ***
7.34e-08 ***
* 0.05 . 0.1

1
Residual standard error: 0.02606 on 7 degrees of freedom

Multiple R-squared:

0.987,

Adjusted R-squared:

0.9851
F-statistic: 531.3 on 1 and 7 DF,

p-value: 7.337e-08

Dari hasil output di atas dapat kita peroleh :

dan

, sehingga

b) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :

Plot kurva regresi

c) Berapakah nilai

(kelarutan) apabila

Penyelesaian :
Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(1.8)))
1
0.5016216

Berdasarkan output di atas dapat kita peroleh nilai

(kelarutan) apabila

adalah 0.5016216

8-4 Massa otot orang diketahui turun seiring usia. Untuk mengeksplorasi hubungan ini pada
wanita, seorang ahli nutrisi memilih secara acak empat wanita dari kelompok umur 10 tahun,
mulai dari usia 40 dan berakhir pada usia 79. Data berikut memperlihatkan usia (X) dan
ukuran massa otot. Dianggap model regresi tingkat (orde) satu cocok.
i:
Xi:

1
71

2
64

3
43

4
67

5
56

6
73

7
68

8
56

Yi:

82

91

100

68

87

73

78

80

i:
Xi:

9
76

10
65

11
45

12
58

13
45

14
53

15
49

16
78

Yi:

65

84

116

76

97

100

105

77

dan

a) Hitunglah pendugaan kuadrat terkecil untuk

Penyelesaian :
Interpretasi dalam R :
> x<-c(71,64,43,67,56,73,68,56,76,65,45,58,45,53,49,78)
> y<c(82,91,100,68,87,73,78,80,65,84,116,76,97,100,105,77)
> plot(x,y) #membuat plot x dan y
> hsl.reg<-lm(y~x) #meregresikan x dan y dan simpan di
hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
148.051

x
-1.024

> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min

1Q

Median

3Q

Max

-12.6825

-5.0563

-0.3876

6.7444

14.0108

Coefficients:
Estimate Std. Error t value
(Intercept) 148.0507
11.5629 12.804
x
-1.0236
0.1882 -5.439
--Signif. codes: 0 *** 0.001 ** 0.01

Pr(>|t|)
4.05e-09 ***
8.72e-05 ***
* 0.05 . 0.1

1
Residual standard error: 8.344 on 14 degrees of freedom
Multiple R-squared: 0.6788,
Adjusted R-squared:
0.6559
F-statistic: 29.59 on 1 and 14 DF,

p-value: 8.721e-05

Dari hasil output di atas dapat kita peroleh :

dan

, sehingga

b) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :

Plot kurva regresi

c) Berapakah nilai massa otot untuk wanita yang berusia 55 dan 60?
Penyelesaian :

Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(55,60)))
1
2
91.75327 86.63532
Berdasarkan output di atas dapat kita peroleh nilai massa otot untuk wanita yang
berusia 55 dan 60 adalah 91,75327 dan 86,63532.
8-5 Suatu substansi yang dalam penelitian biologis dan medis dikirim dengan pesawat kepada
pengguna menggunakan dalam kotak besar yang berisi 1000 kotak kecil. Berikut ini adalah
data 10 pengiriman dengan rute pengiriman (X) dan jumlah kotak kecil yang rusak pada saat
kedatangan (Y). Dianggap model regresi tingkat (orde) satu cocok.

i:
Xi:

1
1

2
0

3
2

4
0

5
3

6
1

7
0

8
1

9
2

10
0

Yi:

16

17

12

22

13

15

19

11

a) Hitunglah pendugaan kuadrat terkecil untuk

dan

Penyelesaian :
Interpretasi dalam R :
> x<-c(1,0,2,0,3,1,0,1,2,0)
> y<-c(16,9,17,12,22,13,8,15,19,11)
> plot(x,y) #membuat plot x dan y
> hsl.reg<-lm(y~x) #meregresikan x dan y dan simpan di
hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
10.2

x
4.0

> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q Median
-2.2
-1.2
0.3

3Q
0.8

Max
1.8

Coefficients:
Estimate Std. Error t value
(Intercept) 10.2000
0.6633 15.377
x
4.0000
0.4690
8.528
--Signif. codes: 0 *** 0.001 ** 0.01

Pr(>|t|)
3.18e-07 ***
2.75e-05 ***
* 0.05 . 0.1

1
Residual standard error: 1.483 on 8 degrees of freedom
Multiple R-squared: 0.9009,
Adjusted R-squared:
0.8885
F-statistic: 72.73 on 1 and 8 DF,

p-value: 2.749e-05

Dari hasil output di atas dapat kita peroleh :

dan

, sehingga

b) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :

Plot kurva regresi

c) Berapakah nilai dengan banyaknya kotak kecil yag rusak apabila

Penyelesaian :
Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(2)))
1
18.2
Berdasarkan output di atas dapat kita peroleh nilai dengan banyaknya kotak kecil yag
rusak apabila

adalah 18,2.

STATISTIKA KOMPUTASI

OLEH
1. Zakiah Nurlaila
2. Ni Wayan Pebriani Suartini

(1208405019)
(1208405021)

3. Ni Putu Lila Kusuma Dewi

4. Ida Julia M. Geong

(1208405052)
(1208405055)

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2014