Uji t dikembangkan oleh William Sealy Gosset.

Dalam artikel publikasinya, ia menggunakan

nama samaran Student, sehingga kemudian metode pengujiannya dikenal dengan uji t-student.
William Sealy Gosset menganggap bahwa untuk sampel kecil, nilai Z dari distribusi normal tidak
begitu cocok. Oleh karenanya, ia kemudian mengembangkan distribusi lain yang mirip dengan
distribusi normal, yang dikenal dengan distribusi t-student. Distribusi student ini berlaku baik
untuk sampel kecil maupun sampel besar. Pada n ≥ 30, distribusi t ini mendekati distribusi
normal dan pada n yang sangat besar, misalnya n=10000, nilai distribusi t sama persis dengan
nilai distribusi normal (lihat tabel t pada df 10000 dan bandingkan dengan nilai Z).

Pemakaian uji t ini bervariasi. Uji ini bisa digunakan untuk objek studi yang berpasangan dan
juga bisa untuk objek studi yang tidak berpasangan. Berikut contoh penggunaan uji t.

Uji t tidak berpasangan

Contoh kasus

Kita ingin menguji dua jenis pupuk nitrogen terhadap hasil padi

1. Hipotesis

Ho : 1 = 2

HA : 1 ≠ 2

2. Hasil penelitian tertera pada Tabel 1.

Tabel 1. Data hasil penelitian dua jenis pupuk nitrogen terhadap hasil padi (t/h)
Pupuk A Pupuk B
Plot
Y1 Y2

7 8
1

2 6
6

5 7
3
 4 6
8

5 6
5

6 4
6

4 7
7

8 6
7

6 8
9

10 7
7

6
11 6

12 5
7

3. Data analisis adalah sebagai berikut

Hitunglah

1= 5.58

S1 = 0.996

2 = 6.92

S2 = 0.793

thit =( 1 – 2)/√(S12/n1) +(S22/n2)

=( 5.58 – 6.92)/√(0.9962/12)+(0.7932/12)
= -1.34/0.367522 = -3.67

Setelah itu, kita lihat nilai t table, sebagai nilai pembanding. Cara melihatnya adalah sebagai
berikut. Pertama kita lihat kolom α = 0.025 pada Tabel 2. Nilai α ini berasal dari α 0.05 dibagi 2,
karena hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). Kemudian, kita lihat baris ke
22. Nilai 22 ini adalah nilai df, yaitu n1+n2-2. Nilai n adalah jumlah ulangan, yaitu masing 12
ulangan. Akhirnya, kita peroleh nilai t table = 2.074.

t table = t α/2 (df) = t0.05/2 (n1+n2-2)=t0.025(12+12-2) = t0.025(22) = 2.074

Tabel 2. Nilai t

df α

0.05 0.025 0.01 0.005

1 6.314 12.706 31.821 63.657

2.920 4.303 6.965 9.925

2

3 2.353 3.182 4.541 5.841

2.132 2.776 3.747 4.604

4

5 2.015 2.571 3.365 4.032

6 1.943 2.447 3.143 3.707

1.895 2.365 2.998 3.499

7

8 1.860 2.306 2.896 3.355

1.833 2.262 2.821 3.250

9
10 1.812 2.228 2.764 3.169

1.796 2.201 2.718 3.106

11

12 1.782 2.179 2.681 3.055

1.771 2.160 2.650 3.012

13

14 1.761 2.145 2.624 2.977

1.753 2.131 2.602 2.947

15

16 1.746 2.120 2.583 2.921

1.740 2.110 2.567 2.898

17

18 1.734 2.101 2.552 2.878

1.729 2.093 2.539 2.861

19

20 1.725 2.086 2.528 2.845

1.721 2.080 2.518 2.831

21

22 1.717 2.074 2.508 2.819

1.714 2.069 2.500 2.807

23
1.711 2.064 2.492 2.797
24
 1.708 2.060 2.485 2.787
25

26 1.706 2.056 2.479 2.779

1.703 2.052 2.473 2.771

27

28 1.701 2.048 2.467 2.763

1.699 2.045 2.462 2.756

29

30 1.697 2.042 2.457 2.750

1.684 2.021 2.423 2.704

40

50 1.676 2.009 2.403 2.678

1.660 1.984 2.364 2.626

100

10000 1.645 1.960 2.327 2.576

4. Kriteria Pengambilan Kesimpulan

Terima H0, jika thit| < t table, sebaliknya

Tolak H0, alias terima HA, jika thit| > t table

5. Kesimpulan

Karena nila thit|= 3.67 (tanda minus diabaikan) dan nilai t table=2.074, maka kita tolak H0, alias
kita terima HA. Dengan demikian, 1 ≠ 2, yaitu hasil padi yang dipupuk dengan pupuk A tidak
sama dengan hasil padi yang dipupuk dengan pupuk B. Lebih lanjut, kita lihat bahwa rata-rata
hasil padi yang dipupuk dengan pupuk B lebih tinggi daripada yang dipupuk dengan pupuk A.
Dengan demikian, kita dapat menyimpulkan bahwa pupuk B nyata lebih baik daripada pupuk A
untuk meningkatkan hasil padi.

Tag:t tidak berpasangan, uji t

Ditulis dalam Uji t | Leave a Comment »

Uji t berpasangan

November 4, 2010

Uji t dikembangkan oleh William Sealy Gosset. Dalam artikel publikasinya, ia menggunakan
nama samaran Student, sehingga kemudian metode pengujiannya dikenal dengan uji t-student.
William Sealy Gosset menganggap bahwa untuk sampel kecil, nilai Z dari distribusi normal tidak
begitu cocok. Oleh karenanya, ia kemudian mengembangkan distribusi lain yang mirip dengan
distribusi normal, yang dikenal dengan distribusi t-student. Distribusi student ini berlaku baik
untuk sampel kecil maupun sampel besar. Pada n ≥ 30, distribusi t ini mendekati distribusi
normal dan pada n yang sangat besar, misalnya n=10000, nilai distribusi t sama persis dengan
nilai distribusi normal (lihat tabel t pada df 10000 dan bandingkan dengan nilai Z).

Pemakaian uji t ini bervariasi. Uji ini bisa digunakan untuk objek studi yang berpasangan dan
juga bisa untuk objek studi yang tidak berpasangan. Berikut contoh penggunaan uji t.

Uji t berpasangan

Contoh kasus. Kita ingin menguji metode pembelajaran baru terhadap tingkat penguasaan materi
ajar pada mahasiswa.

1. Hipotesis

Ho : 1 = 2

HA : 1 ≠ 2

2. Data hasil penelitian dari penggunaan metode pembelajaran baru adalah sebagaimana tertera
pada Tabel 1.

Tabel 1. Data hasil penelitian dari penggunaan metode pembelajaran baru

Nilai Pre-test Nilai post-test

Mahasiswa
 70 75
1

60
2 65

50
3 70

65
4 80

55 60
5

40 60
6

45 70
7

65 70
8

60
9 65

10 70
75

11 60
65

12 50
75

13 30
65

14 45
70
 15 40
70

3. Data analisis adalah sebagai berikut

Tabel 2. Tabel analisis data

Nilai Pre-test Nilai post- Perbedaan

Mahasiswa test

y1 y2 D D2
n

1 70 75
25
5
60 65
2
5 25
3 50 70
400
20
65 80
4
15 225
5 55 60
25
5
40 60
6
20 400
7 45 70
625
25
65 70
8
5 25
9 60 65 5
25
 70 75
10
5 25
11 60 65
25
5
50 75
12
25 625
13 30 65
1225
35
45 70
14
25 625
15 40 70
900
30

Jumlah 5200
805 1035 230

Y 53.67 69

Hitunglah

S2D = [∑D2 – ((∑D)2/n)]/[n-1]

= [5200 –((230)2/15)]/[15-1] = (5200 – 1673.333)/14 = 119.5238

S = √S2D/n = √119.5238/15 = √7.968254 =2.82281

thit =( 1 – 2)/S = (53.67 – 69)/2.82281 = -15.33/2.82281= -5.43076

Setelah itu, kita lihat nilai t table, sebagai nilai pembanding. Cara melihatnya adalah sebagai
berikut. Pertama kita lihat kolom α = 0.025 pada Tabel 3. Nilai α ini berasal dari α 0.05 dibagi 2,
karena hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). Kemudian, kita lihat baris ke
14. Nilai 14 ini adalah nilai df, yaitu n-1. Nilai n adalah jumlah mahasiswa, yaitu 15 orang.
Akhirnya, kita peroleh nilai t table = 2.145.

t table = t α/2 (df) = t0.05/2 (n-1)=t0.025(15-1) = t0.025(14) = 2.145

Tabel 3. Nilai t

df α

0.05 0.025 0.01 0.005

1 6.314 12.706 31.821 63.657

2.920 4.303 6.965 9.925

2

3 2.353 3.182 4.541 5.841

4 2.132 2.776 3.747 4.604

2.015 2.571 3.365 4.032

5

6 1.943 2.447 3.143 3.707

1.895 2.365 2.998 3.499

7

8 1.860 2.306 2.896 3.355

1.833 2.262 2.821 3.250

9

10 1.812 2.228 2.764 3.169

1.796 2.201 2.718 3.106

11
12 1.782 2.179 2.681 3.055

1.771 2.160 2.650 3.012

13

14 1.761 2.145 2.624 2.977

1.753 2.131 2.602 2.947

15

16 1.746 2.120 2.583 2.921

1.740 2.110 2.567 2.898

17

18 1.734 2.101 2.552 2.878

1.729 2.093 2.539 2.861

19

20 1.725 2.086 2.528 2.845

1.721 2.080 2.518 2.831

21

22 1.717 2.074 2.508 2.819

1.714 2.069 2.500 2.807

23

24 1.711 2.064 2.492 2.797

1.708 2.060 2.485 2.787

25
1.706 2.056 2.479 2.779
26
 1.703 2.052 2.473 2.771
27

28 1.701 2.048 2.467 2.763

1.699 2.045 2.462 2.756

29

30 1.697 2.042 2.457 2.750

1.684 2.021 2.423 2.704

40

50 1.676 2.009 2.403 2.678

1.660 1.984 2.364 2.626

100

1.645 1.960 2.327 2.576

10000

4. Kriteria Pengambilan Kesimpulan

Terima H0, jika thit| < t table, sebaliknya

Tolak H0, alias terima HA, jika thit| > t table

5. Kesimpulan

Karena nila |thit|= 5.431 (tanda minus diabaikan) dan nilai t table=2.145, maka kita tolak H0, alias
kita terima HA. Dengan demikian,

1≠ 2, yaitu nilai pre-test tidak sama dengan nilai post-test. Lebih lanjut, kita lihat bahwa rata-
rata nilai post-test lebih tinggi daripada nilai pre-test. Secara lengkap, kita dapat menyimpulkan
bahwa metode pembelajaran baru secara nyata dapat meningkatkan pemahaman mahasiswa
terhadap materi ajar yang diberikan.
https://hatta2stat.wordpress.com/category/uji-t-2/