BAB I

PENDAHULUAN
1.1 Latar Belakang
Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan,
menganalisis, menginterpretasi, dan mempresentasikan data. Sedangkan statistik adalah data,
informasi, atau hasil penerapan algoritma statistika pada suatu data.
Penggunaan ilmu statistika sudah kerap diaplikasikan di berbagai bidang kehidupan,
seperti industri, sains, kesehatan, dan sosial. Salah satu ilmu yang berguna dalam ilmu
statistika, adalah mengenai pengujian hipotesis. Pengujian hipotesis merupakan suatu uji
terhadap dugaan tentang populasi yang dapat dijadikan dasar keputusan untuk bertindak
lebih lanjut.
Pengujian hipotesis biasanya menguji dugaan terhadap parameter populasi, baik satu
populasi maupun lebih. Terdapat beberapa pengujian hipotesis antara lain, uji perbandingan
proporsi, uji kesesuaian sebaram, dan uji ragam.
Program R merupakan salah satu aplikasi pengolahan data statistik yang kerap digunakan
oleh statistisi. Program R dirancang untuk menyelesaikan komputasi statistik baik melalui
fungsi yang sudah ada maupun fungsi yang dapat dibuat sendiri oleh penggunanya. Sebagai
aplikasi komputasi statistik, R tentunya dapat menyelesaikan banyak proses pengolahan data
statistik termasuk beberapa pengujian hipotesis seperti, uji perbandingan proporsi, uji
kesesuaian sebaram, dan uji ragam.
1.2 Rumusan Masalah
1. Bagaimana teori dan contoh uji perbandingan proporsi dan pengerjaanya dalam
program R?
2. Bagaimana teori dan contoh uji kesesuaian sebaran dan pengerjaanya dalam program
R?
3. Bagaimana teori dan contoh uji ragam dan pengerjaanya dalam program R?
1.3 Tujuan Penulisan
1. Mengetahui teori dan contoh uji perbandingan proporsi dan pengerjaanya dalam
program R
2. Mengetahui teori dan contoh uji kesesuaian sebaran dan pengerjaanya dalam program
R
3. Mengetahui teori dan contoh uji ragam dan pengerjaanya dalam program R

BAB II
PEMBAHASAN
2.1 Uji Perbandingan Proporsi
Uji perbandingan proporsi merupakan uji hipotesis yang dilakukan terhadap n buah
sampel dari k populasi untuk melihat proporsi sebuah populasi yang dibandingkan dengan
proporsi populasi lainnya, tentunya dengan karakteristik yang telah ditentukan. Langkahlangkah dalam uji perbandingan proporsi yaitu :
1. Merumuskan Hipotesis
H0 : p1 = p2 = ... = pk
H1 : p1, p2, sampai dengan pk tidak semuanya sama (paling sedikit ada satu yang
tidak sama)
2. Menentukan tingkat signifikansi ()
3. Statistik uji
Uji statistik yang digunakan untuk dua populasi yaitu statistik uji Z.
Statistik uji ini digunakan dengan ketentuan n > 30 sehingga data sampel dapat
diasumsikan berdidtribusi normal. Selain itu, untuk menggunakan statistik uji Z
harus memenuhi dua ketentuan, yaitu :
n.p 5 dan n.(1-p) 5
keterangan : n = jumlah sampel
p = proporsi sukses dalam populasi
Statistik uji Z :

^ p
p
^ (1 ^p )
p
z=
n
Tolak H0 jika : |z| > z/2 atau p-value <
dimana :
x
^p=
n
keterangan x = jumlah sukses dalam sampel

Uji statistik yang digunakan untuk dua atau lebih populasi yaitu statistik
uji chi-square (X2). Asumsi-asumsi yang harus dipenuhi dalam menggunakan
statistik uji X2, antara lain :
Sampel independent
Sampel adalah random
Masing-masing subjek adalah mutually exclusive
Selain itu, untuk menggunakan statistik uji X2 harus memenuhi ketentuan lain,
yaitu, eij 5. Jika eij < 5, maka sel-sel yang berdekatan dapat digabung.

Terdapat dua jenis pengujian yaitu pengujian binomial atau pengujian

multinomial.
Statistik uji chi-square (X2) :
(oijeij)2
eij
c

[]

X =
2

j=1
r

i=1

Tolak H0 jika : X2 > X2tabel , dengan derajat bebas (v) = (r-1)(c-1)

atau p-value <
4. Kesimpulan
Berdasarkan langkah 3, diambil kesimpulan apakah H0 ditolak atau tidak ditolak
pada tingkat signifikansi .
Salah satu bentuk yang biasa digunakan untuk memudahkan dalam uji perbandingan
proporsi adalah tabel kontingensi.
Kategori
1
2
...
Total

1
n11
n21
...
n.1

Populasi
2
3
n12
n13
n22
n23
...
...
n.2
n.3

Total
...
...
...
...
...

n1.
n2.
...
n

dimana :

oij = nij
( . ) (n . j)
eij =
, eij adalah frekuensi harapan
n
r adalah baris, c adalah kolom

Contoh soal :
Suatu contoh acak 338 orang diklasifikasikan menurut kondisi paru-paru dan kebiasaan
merokok.

Merokok
Ya

Kondisi Paru-Paru
Sehat
60

Kanker Paru-Paru
85

Total
145

Tidak
Total

121
181

72
157

193
338

Dengan menggunakan tingkat signifikansi 0.01, dapatkah kita menyimpulkan bahwa

proporsi orang yang memiliki kebiasaan merokok berbeda antar kondisi paru-paru yang sehat
dengan yang terkena kanker paru-paru?
Penyelesaian :
H0 : psehat = pkanker
H1 : psehat berbeda secara nyata dengan pkanker
Langkah manual
Membuat tabel frekunsi harapannya (tabel eij)
Merokok
Ya
Tidak

Kondisi Paru-Paru
Sehat
77,65
103,35

Kanker Paru-Paru
67,35
89,65

X2 = 15,12
X20,01l; 1 = 6,635
Karena X2 > X2tabel;4 , maka Tolak H0
Sehingga, dengan tingkat keyakinan 99%, dapat disimpulkan bahwa proporsi orang yang
memiliki kebiasaan merokok berbeda secara nyata antar kondisi paru-paru yang sehat dengan
yang terkena kanker paru-paru.

Langkah menggunakan program R

>
>
>
>
>

rokok <- matrix(c(60,85,121,72),nrow=2,byrow=TRUE)

rokok <- matrix(c(60,85,121,72),nrow=2,byrow=TRUE)
dimnames(rokok) <- list(c("Ya","Tidak"),c("Sehat","Kanker"))
names(dimnames(rokok)) <- c("Merokok","Kondisi")
rokok
Kondisi
Merokok Sehat Kanker
Ya
60
85
Tidak 121
72
> prop.test(rokok,alternative='two.sided',conf.level=.99,correct=FALSE)
2-sample test for equality of proportions without continuity correction
data: rokok
X-squared = 15.123, df = 1, p-value = 0.0001007
alternative hypothesis: two.sided

99 percent confidence interval:

-0.3514968 -0.0748030
sample estimates:
prop 1 prop 2
0.4137931 0.6269430

Karena p-value < , maka dengan tingkat keyakinan 99%, dapat disimpulkan bahwa
proporsi orang yang memiliki kebiasaan merokok berbeda secara nyata antar kondisi paruparu yang sehat dengan yang terkena kanker paru-paru.
2.2 Uji Kesesuian Sebaran
Uji kesesuaian sebaran (Goodness of Fit Tes) merupakan uji yang dilakukan untuk
mengetahui apakah suatu data empirik mengikuti suatu distribusi teoritik tertentu. Uji
kesesuain sebaran yang sering dilakukan yaitu, uji normalitas. Uji normalitas yang dilakukan
terhadap suatu data empirik menjadi begitu penting, mengingat tes-tes paramterik biasanya
dibangun dengan asumsi data berdistribusi normal. Selain itu, dalam pandangan statistik
biasanya sifat dan karakteristik populasi adalah terdistribusi secara normal, sehingga jika
data sampel kita memenuhi asumsi terdistribusi normala maka, kesimpulan yang didapat dari
data sampel dapat digeneralisasi pada populasi.
Uji normalitas berguna untuk menentukan apakah data yang telah dikumpulkan
berdistribusi normal atau tidak. Metode klasik dalam pengujian normalitas suatu data tidak
begitu rumit. Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya
lebih dari 30 (n>30) dikatakan sebagai sampel besar, maka sudah dapat daisumsikan
berdistribusi normal.
Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau tidak,
sebaiknya digunakan uji statistik normalitas. Karena belum tentu data yang lebih dari 30 bisa
dipastikan berdistribusi normal, demikian sebaliknya data yang banyaknya kurang dari 30
belum tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian. Uji statistik
normalitas yang dapat digunakan diantaranya:
1. Metode Chi-Square (X2)
Langkah-langkah dalam uji normalitas menggunakan metode chi-square (X2) :
a. Merumuskan Hipotesis
H0 : Data terdistribusi normal
H1 : Data tidak terdistribusi normal
b. Menentukan tingkat signifikansi ()
c. Statistik uji
2
(OE)
X2
E
Tolak H0 jika : X2 > X2tabel , dengan derajat bebas (v) = k-1
atau p-value <

d. Kesimpulan
Berdasarkan langkah 3, diambil kesimpulan apakah H0 ditolak atau tidak ditolak
pada tingkat signifikansi .
Hal yang harus diperhatikan dalam menggunakan metode chi-square (X2), yaitu
jumlah data harus lebih besar dari 30 (n>30). Dengan jumlah data tunggal yang
sebanyak itu, maka data tunggal dijadikan data berkelompok terlebih dahulu, dengan
menggunakan langkah-langkah yang telah diajarkan. Selanjutnya ada beberapa tahapan
lagi yang mesti dilakukan dalam menggunakan metode ini :
a. Menentukan nilai rata-rata ( x ) dan standar deviasi (s)
b. Menentukan tepi bawah dan tepi atas masing-masing kelas
c. Masing-masing tepi bawah dan tepi atas dirubah menjadi bentuk Zscore
x x
Zscore =
s
d. Kemudian menghitung luas di bawah kurva normal baku tiap-tiap kelas dengan
cara mencari nilai peluang Zscore tepi bawah dan nilai peluang Zscore tepi atas. Dan
dihitung selisihnya.
|P(ZTB) P(ZTA)|
e. Selanjutnya, menghitung nilai harapan (E), dengan cara mengalikan nilai yang
didapat dari langkah d dengan jumlah data (n)
E = |P(ZTB) P(ZTA)| x n
f. Setelah mendapat nilai harapan (E), menghitung nilai X2 (statistik uji) dengan
nilai frekuensi masing-masing kelas sebagai nilai observasi (O)
g. Langkah terakhir, bandingkan nilai X2 yang didapat dengan nilai X2tabel;v untuk
menarik kesimpulan.
Contoh soal :
Berikut adalah 50 data sampel berat badan mahasiswa STIS angkatan 57 :
83
67
52
90
81

96
93
95
50
77

75
57
89
99
99

48
82
92
98
93

56
81
56
95
85

63
80
61
72
76

61
81
99
80
80

48
52
50
80
61

87
60
89
71
54

86
77
56
69
80

Dengan tingkat signifikansi 0.05, ujilah apakah data sampel tersebut berdistribusi
normal?
Penyelesaian :
H0 : Data terdistribusi normal

H1 : Data tidak terdistribusi normal

Langkah Manual
Ubahlah data sampel tersebut menjadi data berkelompok.
Nilai Max = 99 ,Nilai Min = 48 , Range = 51
Banyaknya Kelas (BK) = 1 + 3,3log n = 1 + 3,3log (50) = 6.6066 dibulatkan ke 7
Interval (i) = Range/BK = 51/7 = 7.2857 dibulatkan ke 8
Tabel distribusi frekuensi
No
.
1
2
3
4
5
6
7

x = 75,24
O(i) = f
7
9
3
5
13
8
5

TB
47,5
55,5
63,5
71,5
79,5
87,5
95,5

Interval Kelas

48 55
56 63
64 71
72 79
80 87
88 95
96 103
Total

7
9
3
5
13
8
5
50

s = 15,95
TA
55,5
63,5
71,5
79,5
87,5
95,5
103,5

P(ZTB)
0,041
0,108
0,231
0,407
0,605
0,779
0,898

P(ZTA)
0,108
0,231
0,407
0,605
0,779
0,898
0,962

|P(ZTB) P(ZTA)|
0,067
0,123
0,176
0,198
0,174
0,119
0,064

Kemudian menghitung Chi-Square hitung dengan rumus :

X2
X2

(OiEi)2
Ei

(73.34)2 (96.14)2 (38.82)2

( 53.189 )2
+
+
+
6.14
6.14
8.82
3,189

X2 3.989+1.325+ 1.027
X2 15.46175
X2 tabel=X 2 0.05, k1= X 2 0.05,6=12.6

E(i)
3,35
6,15
8,82
9,90
8,68
5,95
3,19

X2 hitung lebih besar daripada X2tabel, sehingga kesimpulan yang didapat adalah
tolak Ho, artinya dengan tingkat kepercayaan 95%, dapat disimpulkan sampel berat
badan mahasiwa STIS angkatan 57 tidak terdistribusi normal.
Langkah menggunakan program R
> Latihan <c(83,67,52,90,81,96,93,95,50,77,75,57,89,99,99,48,82,92,98,93,56,81,56,95,85,63,
80,61,72,76,61,81,99,80,80,48,52,50,80,61,87,60,89,71,54,86,77,56,69,80)
> chisq.test(Latihan)
Chi-squared test for given probabilities
data: Latihan
X-squared = 165.67, df = 49, p-value = 1.396e-14

Nilai p-value dari data tersebut lebih kecil dari taraf signifikansinya () yang berarti
Tolak H0, sehingga kesimpulan yang didapat adalah tolak Ho, artinya dengan tingkat
kepercayaan 95%, dapat disimpulkan sampel berat badan mahasiwa STIS angkatan 57
tidak terdistribusi normal.
2. Metode Kolmogorov-Smirnov
Langkah-langkah dalam uji normalitas menggunakan metode K-S :
a. Merumuskan Hipotesis
H0 : Data terdistribusi normal
H1 : Data tidak terdistribusi normal
b. Menentukan tingkat signifikansi ()
c. Statistik uji
D=|F s (x)F t ( x )|max
dimana :
F s(x) adalah distribusi frekuensi kumulatif sampel
Ft ( x ) adalah distribusi frekuensi kumulatif teoritis
Tolak H0 jika : Dmax > k, dimana k didapat dari tabel K-S dengan
memperhatikan dan n
Tolak H0 jika : p-value <
d. Kesimpulan
Berdasarkan langkah 3, diambil kesimpulan apakah H0 ditolak atau tidak ditolak
pada tingkat signifikansi .
Hal yang harus diperhatikan dalam menggunakan metode K-S, yaitu data sampel
harus diurut terlebih dahulu (dari kecil ke besar). Kemudian terdapat beberapa
langkah manual dalam menggunakan metode K-S, antara lain :
a. Menentukan nilai rata-rata ( x ) dan standar deviasi (s)

b. Hitung

c. Hitung

F s(x) menggunakan frekuensi kumulatif

frekuensi kumulatif (i)
F s(xi ) =
n
Ft ( xi) , dengan cara mencari nilai z masing-masing terlebih dahulu,

kemudian mencari peluangnya dengan bantuan tabel distribusi normal baku z

d. Hitung D(i), dan carilah D(i) max
e. Bandingkan nilai D(i) max dengan nilai k yang didapat dari tabel K-S
f. Kemudian kesimpulan dapat ditarik
Contoh soal :
Berikut adalah data tinggi badan mahasiswa kelas 2H STIS sebanyak 15 sampel
174
180
181

165
176
177
165
170
172
172
168
166
165
181
177
Dengan tingkat signifikansi 0.05, apakah data tersebut berdistribusi normal?
Penyelesaian :
H0 : Data terdistribusi normal
H1 : Data tidak terdistribusi normal

Langkah Manual
Urutkan data terlebih dahulu
Data terurut : 165,165,165,166,168,170,172,172,174,176,177,177,180,181,181
x = 175

s = 10

Menghitung Fs(Xi) dan Ft(Xi) seperti tabel berikut :

Xi
165
166
168
170
172
174
176
177
180
181

f
f kum
Fs(Xi)
Z(Xi)
Ft(Xi)
D
3
3
0,2
-1
0,157
0,041
1
4
0,267
-0,9
0,184
0,083
1
5
0,333
-0,7
0,242
0,091
1
6
0,4
-0,5
0,309
0,091
2
8
0,533
-0,3
0,382
0,151
1
9
0,6
-0,1
0,460
0,140
1
10
0,667
0,1
0,540
0,127
2
12
0,8
0,2
0,579
0,221
1
13
0,867
0,5
0,691
0,175
2
15
1
0,6
0,726
0,274
Nilai Dmax sebesar 0,274. Nilai k yang didapat dari tabel K-S dengan = 0,05 dan n =
15, yaitu sebesar 0,338.

Karena Dmax < k maka gagal tolak H0, sehingga dengan tingkat keyakinan 95%, dapat
disimpulkan bahwa data tinggi badan mahasiswa 2H STIS berdistribusi normal.
Langkah menggunakan program R
> Latihan2 <- c(174,180,181,165,170,166,176,172,165,177,172,181,165,168,177)
> ks.test(Latihan2, ecdf(Latihan2))
One-sample Kolmogorov-Smirnov test
data: Latihan2
D = 0.2, p-value = 0.586
alternative hypothesis: two-sided
Warning message:
In ks.test(Latihan2, ecdf(Latihan2)) :
ties should not be present for the Kolmogorov-Smirnov test

Karena nilai p-value > maka gagal tolak H0, sehingga dengan tingkat keyakinan 95%,
dapat disimpulkan bahwa data tinggi badan mahasiswa 2H STIS berdistribusi normal.
Selain menggunakan metode chi-square atau metode kolmogorov-smirnov, terdapat
beberapa metode lain yang juga dapat digunakan untuk uji normalitas, salah satunya adalah
uji shapiro-wilk. Dalam program R, syntax yang digunakan untuk mengaktifkan uji shapirowilk yaitu, shapiro.test(). Untuk menentukan tolak atau gagal tolak H0 juga dapat melihat
nilai p-value, dimana jika p-value < , maka kesimpulannya tolak H0.
2.3.

Uji Ragam
Pengujian mengenai karakeristik populasi, tidak hanya pada ukuran pemusatannya,
namun pada ukuran penyebarannya juga (ragam/simpangan baku).
2.3.1 Uji Ragam Satu Populasi

Hipotesis:
1. H0: 2 20
H1: 2 > 20
2.

H0:
H1:

2 20
2 < 20

H0: 2 = 20
H1: 2 20

Statistik Uji:

2hit

n 1 s 2

02

2
(db
n 1)

 Kriteria penolakan H0
1. H0: 2 20
H1: 2 > 20

Tolak H0 jika 2hit > 2

2. H0:
H1:

2 20
2 < 20

Tolak H0 jika 2hit < 21-

3. H0:
H1:

2 = 20
2 20

Tolak H0 jika 2hit < 21-/2 atau 2hit

> 2/2

Contoh Soal :
Sebuah perusahaan aki mobil mengatakan bahwa umur aki mobil yang diproduksinya
mempunyai simpangan baku 0.9 tahun. Bila suatu contoh acak 10 aki menghasilkan
simpangan baku s = 1.2 tahun, apakah menurut Anda > 0.9 tahun?
Penyelesaian :
Diketahui
s = 1,2

n = 10

= 0,05

20,05;9 = 16,91898

Jadi,
H0 : = 0,9
H1 : > 0,9
Sehingga,
2hit = 16
Karena 2hit < 2 maka gagal tolak H0, sehingga dengan tingkat keyakinan 95%, dapat
disimpulkan bahwa simpangan baku dari aki mobil tersebut kurang dari atau sama
dengan 0,9 tahun.
Langkah menggunakan program R
>
+
+
+
+
+

vartest1<-function(sigma,s,n,alpha){
#titikkritis
kritis<-qchisq(1-alpha,df=n-1)
#statistikuji
chi<-((n-1)*s^2)/sigma^2
#keputusan

+ if (chi<=kritis){
+ dec<-"Gagal Tolak H0"
+ } else {
+ dec<-"Tolak H0"
+}
+ print("UjiRagamSatuSampel")
+ print("---------------------")
+ cat("H0: Varians=",sigma^2,"\n")
+ cat("Titikkritis=",kritis,"\n")
+ cat("StatistikUji=",chi,"\n")
+ cat("Keputusan:" ,dec)
+}
> vartest1(0.9,1.2,10,0.05)
[1] "UjiRagamSatuSampel"
[1] "---------------------"
H0: Varians= 0.81
Titikkritis= 16.91898
StatistikUji= 16
Keputusan: Gagal Tolak H0

2.3.2 Uji Ragam Dua Populasi

Hipotesis:
1. H0:
21 22
H1:
21 > 22
2.

H0:
H1:

H0:
H1:

21 22
21 < 22

21 = 22
21 22

Statistik Uji:

f hit

max(s12 , s 22 )
min(s12 , s 22 )

Kriteria penolakan H0
1. H0:
21 22
H1:
21 > 22

f db

n 1 1; db 2 n 2 1
Tolak H0 jika fhit > f(db1;db2)

2. H0:
H1:

21 22
21 < 22

Tolak H0 jika fhit < f1-(db1;db2)

3. H0:
H1:

21 = 22
21 22

Tolak H0 jika fhit < f1-/2(db1;db2) atau fhit >

f/2(db1;db2)

R menyediakan tiga macam pilihan pada pengujian kesamaan variansi, yaitu Uji F
dua variansi, Uji Bartlett, dan Uji Levene. Uji F merupakan statistik uji yang hanya
bisa digunakan dalam uji hipotesis ragam dua populasi, sedangkan uji Bartlett ataupun
uji Levene merupakan statistik uji yang dapat digunakan dalam uji hipotesisi ragam
dua atau lebih populasi.
Terdapat tiga pilihan Hipotesis Alternatif atau H1 yang dapat ditentukan pada uji F,
yaitu Dua arah (selisih varians tidak sama dengan 0), selisih varians < 0, dan selisih
varians > 0. Sementara untuk uji Bartlett ataupun uji Levene pilihan Hipotesis
alternatifnya hanya paling tidak terdapat satu pasang varians yang tidak sama.
Syntax uji F
var.test()
Syntax uji Bartlett
bartlett.test()
Syntax uji Levene
levene.test()

Contoh pengerjaan dalam program R :

> TinggiBadan <- data.frame(JK=rep(c("Laki-laki","Perempuan"),each=7),
+
TB=c(172,166,168,175,170,164,168,160,163,165,166,162,169,159))
> TinggiBadan
JK TB
1 Laki-laki 172
2 Laki-laki 166
3 Laki-laki 168
4 Laki-laki 175
5 Laki-laki 170
6 Laki-laki 164
7 Laki-laki 168
8 Perempuan 160
9 Perempuan 163
10 Perempuan 165
11 Perempuan 166
12 Perempuan 162
13 Perempuan 169
14 Perempuan 159
> var.test(TB~JK, data=TinggiBadan)
F test to compare two variances

data: TB by JK
F = 1.1124, num df = 6, denom df = 6, p-value = 0.9004
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.1911425 6.4739153
sample estimates:
ratio of variances
1.112403
> bartlett.test(TB~JK, data=TinggiBadan)
Bartlett test of homogeneity of variances
data: TB by JK
Bartlett's K-squared = 0.015704, df = 1, p-value = 0.9003

Diketahui :
H0: 21 = 22
H1: 21 22
Interpretasi :
Karena p-value > maka gagal tolak H0 sehingga dengan tingkat keyakinan 95 persen,
dapat disimpulkan bahwa varians tinggi badan laki-laki sama dengan varians tinggi
badan perempuan.

BAB III
KESIMPULAN DAN SARAN
3.1 Kesimpulan
1. Uji perbandingan proporsi merupakan suatu uji hipotesis yang bertujuan untuk
perbandingan proporsi antar satu atau lebih populasi dengan tingkat kepercayaan tertentu.
2. Uji kesesuian sebaran merupakan suatu uji yang dilakukan untuk mengetahui apakah
suatu data empirik mengikuti distribusi tertentu, mengingat pentingnya untuk memenuhi
asumsi-asumsi tertentu pada tes-tes parametrik selanjutnya.
3. Uji ragam merupakan suatu uji hipotesis yang bertujuan untuk menduga ragam dari satu
populasi ataupun perbandingan ragam dari beberapa populasi yang biasanya diyakini
dengan tingkat kepercayaan tertentu.
3.2 Saran
Kelebihan R sebagai program yang tidak hanya mengandalkan fungsi-fungsi yang telah
disediakan untuk menyelesaikan komputasi statistik tetapi juga mengandalkan kemampuan
pengguna dalam menciptakan fungsi-fungsi baru sebaiknya dapat lebih diperkenalkan,
sehingga R tidak hanya digunakan sebagai media pembelajaran, tetapi juga dapat
dimanfaatkan dalam berbagai bidang kehidupan yang ada kaitannya dengan pengolahan data
statistik.

DAFTAR PUSTAKA
Pramana, Setia, dkk. 2016. Dasar-Dasar Statistika Dengan Software R : Konsep dan Aplikasi.
Jakarta: IN MEDIA
Walpole, Ronald E., 1982. Introduction to Statistics 3rd Edition (Terjemahan Pengantar Statistik
Edisi 3). Ir. Bambang Sumantri. Jakarta: PT Gramedia Pustaka Utama
Slide Mata Kuliah Komputasi Statistik STIS