1
Hubungan Uji Student (t) dan Uji F
Luh Riska Mahayani[1], I Wayan Puja Astawa[2]
Program Studi S1 Pendidikan Matematika, Jurusan Matematika, FMIPA UNDIKSHA
Abstrak—Statistika merupakan metode untuk menganalisa
dan menginterpretasikan sebuah data, dimana terdapat berbagai
macam uji statistik yang dapat digunakan dalam pengambilan
keputusan mengenai populasi atau sampel yang akan diambil.
Metode yang dapat digunakan dalam menguji kesamaan rata-
rata antar dua kelompok dapat digunakan Uji t. Sedangkan pada
beberapa kasus pengujian hipotesis kesamaan rata-rata dua
kelompok atau lebih bisa digunakan Uji F. Dalam artikel ini
akan dikaji hubungan antara uji t dan uji F serta dalam contoh
penerapannya.
Kata Kunci- Uji t, Uji F
I. PENDAHULUAN
S tatistika merupakan penelitian terhadap suatu peristiwa
yang berkaitan dengan cara-cara pengumpulan data,
pengolahan, penyelidikan, dan penarikan kesimpulan
berdasarkan data-data yang sudah dikumpulkan (Arikunto:
2006). Dalam buku “Statistical Theory in Research”,
(Anderson dan Bancroft, 1952) menyatakan bahwa statistika
adalah ilmu dan seni pengembangan dan penerapan metode
yang paling efektif sehingga kemungkinan kesalahan dalam
kesimpulan dan estimasi dapat diperkirakan dengan
menggunakan penalaran induktif berdasarkan matematika
probabilitas. Dengan demikian, statistika adalah metode untuk
mengumpulkan, menganalisa dan menginterprestasikan data
yang disajikan dalam bentuk tabel/daftar, gambar, diagram
atau ukuran-ukuran tertentu serta akan menarik kesimpulan
tentang populasi berdasarkan data sampel.
Statistik memegang peranan yang penting dalam
penelitian, baik dalam penyusunan model, perumusan
hipotesa, dalam pengembangan alat dan instrumen
pengumpulan data, dalam penyusunan desain
penelitian, dalam penentuan sampel dan dalam analisa
data. Salah satu tahap dalam proses penelitian adalah tahap
analisis data. Tahap analisis data merupakan tahap dimana
data yang telah dikumpulkan dengan berbagai teknik
pengumpulan data diolah dan disajikan untuk memecahkan
permasalahan yang akan diteliti. Permasalahan-permasalahan
umumnya banyak terjadi pada kehidupan sehari-hari, baik
persoalan permasalahan rumit atau komplek, sehingga untuk
menyelesaikan hal tersebut memerlukan metode atau cara
yang tepat untuk menyelesaikan permasalahan tersebut. Dalam
banyak hal, pengolahan dan analisa data tidak luput dari
penerapan teknik dan metode statistika tertentu, yang mana
kehadirannya dapat memberikan dasar bertolak dalam
menjelaskan hubungan-hubungan yang terjadi. Statistik dapat
digunakan sebagai alat untuk mengetahui apakah hubungan
kausalitas antara dua atau lebih variabel benar-benar terkait
secara benar dalam suatu kausalitas empiris ataukah hubungan
tersebut hanya bersifat random atau kebetulan saja.
Untuk menguji kebenaran suatu hipotesis dalam
penelitian, terdapat uji statistik parametrik dengan beberapa
uji yang dapat digunakan untuk mengambil kesimpulan
mengenai populasi dari sampel yang akan diambil. Uji t
adalah salah satu tes statistik yang dipergunakan untuk
menguji kebenaran atau kepalsuan hipotesis nihil yang
menyatakan bahwa diantara dua buah rata-rata sampel yang
diambil secara random dari populasi yang sama, tidak terjadi
perbedaan yang signifikan (Sudijono, 2009:278). Selain itu
ada juga yang disebut dengan Anava atau Anova adalah
sinonim dari analisis varians terjemahan dari analysis of
variance, sehingga banyak orang menyebutnya dengan anova.
Anova merupakan bagian dari metoda analisis statistika yang
tergolong analisis komparatif lebih dari dua rata-rata
(Riduwan, 2008). Maka pada beberapa kasus pengujian
kesamaan rata-rata bisa digunakan sebaran F atau dikenal
dengan Uji F. Sehingga dalam hal ini akan dikaji hubungan
antara Uji-t dan Uji-F.
II. KAJIAN PUSTAKA
A. Distribusi Normal
Distribusi normal, disebut juga Distribusi Gauss,
adalah distribusi probabilitas yang paling banyak digunakan
dalam berbagai analisis statistika. Distribusi normal dibagi
menjadi dua yaitu distribusi normal baku dan distribusi normal
umum Distribusi normal baku adalah distribusi normal yang
memiliki rata-rata nol dan simpangan baku satu. Distribusi ini
juga dijuluki kurva lonceng (bell curve) karena memiliki
grafik fungsi kepadatan probabilitas yang mirip dengan bentuk
lonceng.
Fungsi distribusi kumulatif (CDF) dari distribusi normal
standar, biasanya dilambangkan dengan huruf kapital Yunani
yaitu Փ (𝑝ℎ𝑖) adalah integral:
𝑥
1 2 /2
Փ= ∫ 𝑒 −𝑡 𝑑𝑡
√2𝜋 −∞
Fungsi kesalahan berupa fungsi 𝑒𝑟𝑓(𝑥) memberikan
probabilitas dari variabel acak dengan distribusi normal
dengan mean 0 dan varians 1/2 yang mana jatuh dalam kisaran
range [−𝑥, 𝑥], direpresentasikan dengan persamaan:
2 𝜋 −𝑡 2
𝑒𝑟𝑓(𝑥) = ∫ 𝑒 𝑑𝑡
√𝜋 0
 2

Distribusi gamma dapat digunakan untuk memodelkan

Integral ini tidak dapat diekspresikan dalam bentuk fungsi distribusi peluang dari waktu tunggu atau masa hidup suatu
dasar, dan sering dikatakan sebagai fungsi khusus. Namun, objek atau individu.
banyak pendekatan numerik yang diketahui, seperti di bawah
ini:
C. Fungsi Beta
Kedua fungsi terkait erat, yaitu:
1 𝑥 Fungsi Beta, dinyatakan dengan B(m,n) di definisikan
Փ(𝑥) = [1 + 𝑒𝑟𝑓 ( )] sebagai:
2 √2 ∞
Untuk distribusi normal umum dengan kepadatan f , mean B(m,n)= ∫0 𝑥 𝑚−1 (1 − 𝑥)𝑛−1 𝑑𝑥
𝜇 dan standar deviasi 𝜎 maka, fungsi distribusi kumulatif yang konvergen untuk 𝑚 > 0, 𝑛 > 0.
adalah: Sifat-sifat Fungsi beta antara lain yaitu:
𝑥−𝜇 1 𝑥−𝜇 1. 𝐵(𝑥, 𝑦) = 𝐵(𝑦, 𝑥)
𝐹(𝑥) = Փ ( ) = [1 + 𝑒𝑟𝑓 ( )] 𝛤(𝑥)𝛤(𝑦)
𝜎 2 𝜎√2 2. 𝐵(𝑥, 𝑦) =
𝛤(𝑥+𝑦)
𝜋⁄
Komplemen dari standar CDF normal direpresentasikan 3. 𝐵(𝑥, 𝑦) = 2 ∫0 2 𝑠𝑖𝑛2𝑥−1 𝜃𝑐𝑜𝑠 2𝑦−1 𝜃𝑑𝜃, 𝔑(𝑥) >
sebagai 𝑄(𝑥) = 1 − Փ(𝑥) dimana sering disebut Q-function. 0, 𝔑(𝑦) > 0
Ini memberikan probabilitas bahwa nilai dari variabel normal ∞ 𝑡 𝑥−1
4. 𝐵(𝑥, 𝑦) = ∫0 𝑑𝑡. 𝔑(𝑥) > 0, 𝔑(𝑦) > 0
acak standar X akan melebihi 𝑥: 𝑃(𝑋 > 𝑥). Definisi lain dari (1+𝑡)𝑥+𝑦

Q-function, yang semuanya merupakan transformasi

sederhana dari Փ juga digunakan sesekali. D. Distribusi Chi-Kuadrat (ꭓ𝟐 )
Dalam teori dan statistik probabilitas, distribusi
Grafik CDF normal standar Փ (Phi) memiliki rotasi simetri 2
chi-kuadrat (juga chi-kuadrat atau distribusi (ꭓ2 ) dengan
kali lipat di sekitar titik (0, 1/2), yaitu Փ(−𝑥) = 1 − Փ(𝑥) .
derajat kebebasan k adalah distribusi sejumlah kuadrat
Hal tersebut dijabarkan sebagai fungsi antiderivatif (integral
kpeubah acak normal baku yang saling bebas. Distribusi chi-
tak terbatas) sebagai berikut:
kuadrat adalah kasus khusus dari distribusi gamma dan
∫ Փ(𝑥)𝑑𝑥 = 𝑥Փ(𝑥) + 𝜑(𝑥) + 𝐶 merupakan salah satu distribusi probabilitas yang paling sering
digunakan dalam statistik inferensial, khususnya dalam
CDF dari distribusi normal standar dapat diperluas dengan
pengujian hipotesis atau dalam penyusunan selang
Integrasi oleh bagian menjadi:
kepercayaan (Boes, Duane C. 1974)
1 1 −𝑥 2 𝑥3 𝑥5 𝑥 2𝑛+1
Փ(𝑥) = + .𝑒 [𝑥 + + +. . . + +. . . ] Distribusi ini berguna untuk menguji hubungan atau
2 √2 3 3.5 (2𝑛 + 1)!! pengaruh dua buah variabel nominal dan mengukur kuatnya
di mana !! menunjukkan faktorial ganda. hubungan antara variabel yang satu dengan variabel nominal
lainnya. Karakteristik distribusi chi kuadrat yaitu:
B. Fungsi Gamma 1) Nilai Chi‐Square selalu positif.
2) Terdapat beberapa keluarga distribusi Chi‐Square,
Fungsi Gamma yang dinyatakan oleh 𝛤(𝑛), yang yaitu distribusi Chi‐Square dengan dk=1, 2, 3, dst.
merupakan suatu fungsi bernilai riil dengan satu peubah, 3) Bentuk Distribusi Chi‐Square adalah menjulur
didefinisikan oleh suatu bentuk integral, yaitu: positip.
∞
𝛤(𝑛) = ∫0 𝑒 −𝑥 𝑥 𝑛−1 𝑑𝑥 , dengan 𝑛 > 0
Kriteria dari konvergensi dipenuhi. Untuk x Fungsi kepadatan probabilitas (pdf) dari distribusi chi-kuadrat
mendekati ∞, fungsi eksponensial 𝑒 −𝑥 mendekati nol dengan adalah
1 𝑘 𝑥
orde yang lebih cepat dari setiap perpangkatan 𝑚 (𝑚 > 0). 𝑥 2−1 𝑒 −2
𝑥
Fungsi gamma ini, dapat dipandang sebagai suatu fungsi , 𝑥>0
𝑓(𝑥: 𝑘) = 2𝑘2 Γ (𝑘)
dari bilangan n (tidak perlu harus bulat), memenuhi beberapa 2
hubungan antara lain:
{0, 𝑢𝑛𝑡𝑢𝑘 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
1. 𝛤(𝑛 + 1) = 𝑛𝛤(𝑛) 𝑘
di mana Γ ( ) menunjukkan fungsi gamma, yang memiliki
2. 𝛤(𝑛 + 1) = 𝑛! 2
3. 𝛤(𝑛) = (𝑛 − 1) nilai bentuk tertutup untuk integer k.
1 Fungsi distribusi kumulatif dari Chi Kuadrat yaitu:
4. 𝛤 ( ) = √𝜋 𝑘 𝑥
2
𝛾( , )
5. 𝛤(1) = 1
𝐹(𝑥; 𝑘) = 2 2 = 𝑃 (𝑘 , 𝑥 )
𝑘 2 2
Peubah acak kontinu X berdistribusi Gamma, dengan 𝛤( )
2
parameter 𝛼 𝑑𝑎𝑛 𝛽 dan fungsi kepadatan peluangnya di mana 𝛾(𝑠, 𝑡) adalah fungsi gamma yang lebih rendah dan
dituliskan dengan persamaan berikut: 𝑃(𝑠, 𝑡) adalah fungsi gamma yang diatur.
1 Dalam kasus khusus k = 2 fungsi ini memiliki bentuk yang
𝑥 𝛼−1 𝑒 −𝑥/𝛽 , 𝑑𝑖𝑚𝑎𝑛𝑎 𝛼 > 0, 𝛽 > 0 𝑑𝑎𝑛 𝛤(𝛼) > 0
𝑓(𝑥) = {𝛽𝛼 𝛤(𝛼) sederhana yaitu:
0 , 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 𝐹(𝑥; 2) = 1 − 𝑒 −𝑥/2
 3

dan pengulangan integral dari fungsi gamma membuatnya

mudah untuk menghitung untuk k kecil lainnya.
Misalkan 𝑧 ≡ 𝑥/𝑘 batas Chernoff pada bagian
bawah dan bagian atas CDF dapat diperoleh. Untuk kasus
ketika 0 < 𝑧 < 1 (yang mencakup semua kasus ketika CDF
kurang dari setengah) yaitu:
𝐹(𝑧𝑘; 𝑘) ≤ (𝑧𝑒 1−𝑧 )𝑘/2
Sedangkan untuk kasus ketika 𝑧 < 1 sama, yaitu:
1 − 𝐹(𝑧𝑘; 𝑘) ≤ (𝑧𝑒 1−𝑧 )𝑘/2

E. Distribusi Student (t)

Distribusi t Student atau uji t adalah uji statistik yang
digunakan untuk menguji kebenaran atau kepalsuan hipotesis
nol. Dalam probabilitas dan statistik, distribusi t Student (atau
hanya distribusi-t) adalah setiap anggota dari keluarga
distribusi probabilitas berkelanjutan yang muncul ketika
memperkirakan rata-rata populasi terdistribusi normal dalam
situasi di mana ukuran sampel kecil dan deviasi standar
populasi tidak diketahui. Uji t pertama kali dikembangkan
oleh William Seely Gosset pada tahun 1915. Awalnya William
Seely Gosset menggunakan nama samaran Student, dan huruf Gambar 1. plot dari fungsi kepadatan probabilitas t-distribusi
t yang terdapat dalam istilah uji “t” dari huruf terakhir nama (merah) untuk 1, 2, 3, 5, 10, dan 30 derajat kebebasan
beliau. Uji t disebut juga dengan nama Student t. (Ridwan, dibandingkan dengan distribusi normal standar (biru). Plot
2006) sebelumnya ditampilkan dalam warna hijau.
Distribusi-t memainkan peran dalam sejumlah analisis
statistik yang banyak digunakan, termasuk t-test Student untuk Fungsi kepadatan probabilitas simetris, dan bentuk
menilai signifikansi statistik dari perbedaan antara dua keseluruhannya menyerupai bentuk lonceng variabel
kesamaan rata-rata sampel, penyusunan selang kepercayaan terdistribusi normal dengan mean 0 dan varians 1, kecuali
untuk perbedaan antara dua mean populasi, dan dalam analisis bahwa itu sedikit lebih rendah dan lebih lebar. Ketika jumlah
regresi linear. Distribusi t Student memiliki fungsi kepadatan derajat kebebasan tumbuh, distribusi-t mendekati distribusi
probabilitas(pdf) yang dijabarkan sebagai berikut: normal dengan mean 0 dan varians 1. Karena alasan ini v juga
−(𝑣+1)/2
𝛤[(𝑣 + 1)/2] 𝑡2 dikenal sebagai parameter normalitas. (John Kruschke, 2014)
𝑓(𝑡) = 𝑣 (1 + ) Fungsi distribusi kumulatif dapat ditulis dalam bentuk I,
√𝜋𝑣𝛤 (2) 𝑣
fungsi beta tidak tuntas yang diatur untuk 𝑡 > 0 yaitu:
di mana v adalah jumlah derajat kebebasan dan Γ adalah 𝑡
1 𝑣 1
fungsi gamma. Ini mungkin juga ditulis sebagai: 𝐹(𝑡) = ∫ 𝑓(𝑢)𝑑𝑢 = 1 − 𝐼𝑥(𝑡) ( , )
−(𝑣+1)/2 −∞ 2 2 2
1 𝑡2 Dimana,
𝑓(𝑡) = (1 + ) 𝑣
1 𝑣 𝑣
√𝑣𝐵 (2 , 2) 𝑥(𝑡) = 2
𝑡 +𝑣
di mana B adalah fungsi Beta. Khususnya untuk derajat Nilai-nilai lain akan diperoleh dengan simetri. Formula
kebebasan bernilai integer v dimana 𝑣 > 1 genap: alternatif, berlaku untuk 𝑡 2 < 𝑣 yaitu:
1
𝑡
1 𝛤 ( (𝑣 + 1)) 1 1 3 𝑡2
𝛤[(𝑣 + 1)/2] (𝑣 − 1)(𝑣 − 3). . .5.3 ∫ 𝑓(𝑢)𝑑𝑢 = +𝑡 2 1
2𝐹 ( , (𝑣 + 1); ; − )
𝑣 = 2√𝑣(𝑣 − 2)(𝑣 − 4). . .4.2 −∞ 2 𝑣
√𝜋𝑣𝛤 (2) 2 2 2 𝑣
√𝜋𝑣𝛤 (2)
di mana 12𝐹 adalah kasus khusus dari fungsi hipergeometrik.
Untuk 𝑣 > 1 ganjil:
F. Distribusi F
𝛤[(𝑣 + 1)/2] (𝑣 − 1)(𝑣 − 3). . .4.2 Uji Signifikasi simultan (Uji Statistik F), yaitu
𝑣 = 𝜋√𝑣(𝑣 − 2)(𝑣 − 4). . .5.3 pengujian terhadap variabel independen secara bersama
√𝜋𝑣𝛤 (2)
(simultan) yang ditujukan untuk mengetahui apakah semua
variabel tersebut independen secara bersama-sama dapat
berpengaruh terhadap variabel dependen (Santoso, 2006).
Dalam hal ini, distribusi F adalah rasio dua distribusi chi-
square dengan derajat kebebasan 𝑣1 dan 𝑣2 , masing-masing,
di mana setiap chi-square pertama dibagi oleh derajat
kebebasannya.
 4

Rumus untuk fungsi kepadatan probabilitas dari distribusi F

adalah:
(𝑣1 /𝑣2 )(𝑣1 /2) 𝛤[(𝑣1 + 𝑣2 )/2]𝑤 𝑣1/2−1
𝑓(𝑥) =
𝛤(𝑣1 /2)𝛤(𝑣2 /2)[1 + (𝑣1 𝑤/𝑣2 ](𝑣1 +𝑣2 )/2
di mana 𝑣1 dan 𝑣2 adalah parameter bentuk dan Γ adalah
fungsi gamma. Rumus untuk fungsi gamma yaitu:
∞
𝛤(𝑎) = ∫ 𝑡 𝑎−1 𝑒 −𝑡 𝑑𝑡
0

Dalam konteks pengujian, distribusi F diperlakukan sebagai

"distribusi standar" (yaitu, tidak ada parameter lokasi atau
skala). Namun, dalam konteks pemodelan distribusi (seperti
distribusi probabilitas lainnya), distribusi F itu sendiri dapat
diubah dengan parameter lokasi, μ, dan parameter skala, σ.

Sedangkan, rumus untuk fungsi distribusi kumulatif dari

distribusi F adalah:
𝑣2 𝑣1
𝐹(𝑥) = 1 − 𝐼𝑘 ( , )
2 2 Gambar 3. Plot dari fungsi distribusi kumulatif F dengan nilai
𝑣2 yang sama dari 𝑣1 dan 𝑣2 sebagai pdf plot di atas.
Dimana 𝑘 = (𝑣 dan 𝐼𝑘 adalah fungsi beta yang tidak
2 +𝑣1 .𝑥)
lengkap. Rumus untuk fungsi beta yang tidak lengkap adalah: G. Transformasi Variabel
𝑥
∫0 𝑡 𝛼−1 (1 − 𝑡)𝛽−1 𝑑𝑡 Beberapa variabel dapat diperoleh dari hasil
𝐼𝑘 (𝑥, 𝛼, 𝛽) =
𝐵(𝛼, 𝛽) transformasi. Untuk mengetahui fungsi distribusi dari
variabel yang di transformasi, dapat digunakan beberapa
Dimana B adalah fungsi Beta yaitu: metode seperti fungsi distribusi cumulatif (cdf) dan fungsi
1
densitas probabilitas (pdf). Berikut penjelasannya:
𝐵(𝛼, 𝛽) = ∫ 𝑡 𝛼−1 (1 − 𝑡)𝛽−1 𝑑𝑡
0
1. Fungsi Distribusi Cumulatif (cdf)
Berikut ini merupakan plot dari fungsi kepadatan probabilitas Anggaplah bahwa Y adalah variabel acak kontinyu
F dan dungsi distribusi komulatif F: dengan kumulatif fungsi distribusi (cdf) 𝐹𝑌 (𝑦) ≡ 𝑃(𝑌 ≤ 𝑦).
Misalkan 𝑈 = 𝑔 (𝑌) menjadi fungsi Y, dan tujuan sekarang
adalah menemukan distribusi U. Teknik CDF ini sangat
baik digunakan ketika CDF 𝐹𝑌 (𝑦) memiliki ekspresi analitis
bentuk tertutup. Metode ini dapat digunakan untuk kedua
transformasi univariat dan bivariat.
Langkah-langkah teknik CDF antara lain:
1. Identifikasi domain Y dan U.
2. Tulis 𝐹𝑈 (𝑢) = 𝑃 (𝑈 ≤ 𝑢), cdf dari U, dalam hal 𝐹𝑌 (𝑦),
cdf dari Y.
3. Bedakan 𝐹𝑈 (𝑢) untuk mendapatkan pdf dari U, 𝐹𝑈 (𝑢)

2. Fungsi Densitas Probabilitas (pdf), univariat

Anggaplah bahwa Y adalah variabel acak kontinu

dengan cdf 𝐹𝑌 (𝑦)dan domain 𝑅𝑌 , dan misalkan 𝑈 = 𝑔 (𝑌),
di mana 𝑔: 𝑅𝑌 → ℛ adalah fungsi satu-ke-satu yang
berkelanjutan yang didefinisikan di atas 𝑅𝑌 . Contoh fungsi-
fungsi tersebut termasuk terus menerus (ketat) peningkatan /
penurunan fungsi. Ingat pada kalkulus bahwa jika 𝑔 adalah
satu-ke-satu, ia memiliki invers unik 𝑔−1 . Ingat juga bahwa
jika 𝑔 monoton naik atau turun maka 𝑔−1 .

Turunan rumus teknik pdf menggunakan metode cdf :

Gambar 2. Plot dari fungsi kepadatan probabilitas F untuk 4 Anggaplah bahwa 𝑔(𝑦) adalah fungsi dari y yang
nilai yang berbeda dari parameter bentuk didefinisikan di atas 𝑅𝑌 . Kemudian, hasilnya adalah 𝑢 =
𝑔 (𝑦) ⇔ 𝑔−1 (𝑢) = 𝑦 dan:
 5

.𝐹𝑈 (𝑢) = 𝑃(𝑈 ≤ 𝑢) = 𝑃[𝑔(𝑌)𝑢)] 𝑣+1

𝛤( ) 1
2
= 𝑃[𝑌 ≤ 𝑔−1 (𝑢) = 𝐹𝑌 [𝑔−1 (𝑢)]] = (𝑣+1)/2
| |
2 2 √𝑦
Membedakan.𝐹𝑈 (𝑢) sehubungan dengan U, kita akan 𝑣 √𝑦
√𝑣𝑟𝛤 (2) ( 𝑣 + 1)
mendapatkan:
𝑑 𝑑
𝑓𝑈 (𝑢) = 𝐹 (𝑢) = 𝐹 [𝑔−1 (𝑢)] 𝛤((𝑣 + 1)/2)(1/𝑣)1/2 𝑦1/2−1
𝑑𝑢 𝑈 𝑑𝑢 𝑌 = , 𝑦>0
𝑑 𝛤(1/2)𝛤(𝑣/2)[𝑦/𝑣 + 1](𝑣+1)/2
= 𝑓𝑌 [𝑔−1 (𝑢)] 𝑔−1 (𝑢)
𝑑𝑢
(Berdasarkan aturan rantai) (𝑣1 /𝑣2 )(𝑣1 /2) 𝛤[(𝑣1 + 𝑣2 )/2]𝑤 𝑣1/2−1
=
𝛤(𝑣1 /2)𝛤(𝑣2 /2)[1 + (𝑣1 𝑤/𝑣2 ](𝑣1+𝑣2)/2
Sekarang karena 𝑔 monoton naik, begitu juga 𝑔−1 , dengan
𝑑
demikian 𝑔−1 (𝑢) > 0. Jika 𝑔 (𝑦) monoton turun, maka: yang merupakan fungsi kepadatan probabilitas dari suatu
𝑑𝑢
𝑑 variabel acak F (1, v). Maka, dari pembuktian tersebut terlihat
𝑓𝑈 (𝑢) = 1 − 𝐹𝑌 [𝑔−1 (𝑢)] dan 𝑔−1 (𝑢) < 0, yang mana:
𝑑𝑢 hubungan antara uji t dan uji F yaitu 𝑋~𝑡(𝑣) maka
𝑑 𝑑 𝑌 = 𝑋 2 ~𝐹(1, 𝑣)
𝑓𝑈 (𝑢) = 𝐹𝑈 (𝑢) = 1 − 𝐹𝑌 [𝑔−1 (𝑢)]
𝑑𝑢 𝑑𝑢 Jika kita menguji hipotesis nol bahwa rata-rata dua buah
𝑑 −1
= −𝑓𝑌 [𝑔−1 (𝑢)] 𝑔 (𝑢) kelompok tidak berbeda, teknik ANAVA dan uji-t (uji dua
𝑑𝑢 pihak) akan menghasilkan kesimpulan yang sama, keduanya
Berdasarkan hasil tersebut maka dibuktikan bahwa nilai pdf akan menolak atau menerima hipotesis nol. Dalam hal ini,
dari U tidak sama dengan 0 sehingga persamaan menjadi : statistik F pada derajat kebebasan 1 dan n-k akan sama dengan
𝑑 −1
𝑓𝑈 (𝑢) = 𝑓𝑌 [𝑔−1 (𝑢)] 𝑔 (𝑢) kuadrat dari statistik t.
𝑑𝑢 Berdasarkan penjabaran diatas terbukti bahwa adanya
Jika 𝑅𝑌 menunjukkan domain Y, maka 𝑅𝑈 menunjukkan hubungan antara Uji t dengan Uji F dengan menggunakan
domain untuk U. distribusi, maka hubungan nilai statistik F dan t dapat dilihat
pada tabel dibawah ini. Diketahui:
Langkah-langkah teknik pdf antara lain:
1. Pastikan transformasi 𝑢 = 𝑔 (𝑦) kontinu dan satu-ke- a) Ada 2 variabel penelitian (𝑘 = 2)
satu di atas 𝑅𝑌 .
2. Temukan domain Y dan U. b) Jumlah observasi (responden) yang kita gunakan
3. Temukan transformasi inversi 𝑦 = 𝑔−1 (𝑢) dan untuk membentuk persamaan ini sebanyak 20
turunannya (sehubungan dengan u). responden.
4. Gunakan rumus di atas untuk 𝑓𝑈 (𝑢). c) Untuk uji t pengujian hipotesis Uji t (dua sisi) α
= 5% atau 0,05, jadi dua sisi 2,5% atau 0,025.
Derajat bebas pengujian adalah n – k = 20 – 2 =
III. PEMBAHASAN 18.
d) Untuk uji F pengujian hipotesis diilakukan pada
A. Hubungan Uji t dan Uji F α = 5% atau 0,05. Dan 𝑑𝑓1 = k-1 = 2– 1 = 1
Teorema 1. Jika 𝑋~𝑡(𝑣) kemudian 𝑌 = 𝑋 2 ~𝐹(1, 𝑣) sedangkan 𝑑𝑓2 = n – k = 20 – 2 = 18 (sama
dengan derajad bebas pengujian pada uji t).
Pembuktian:
Pada tabel dapat dilihat sebagai berikut:
Distribusi Student’s t dengan v derajat kebebasan memiliki
fungsi kepadatan probabilitas yaitu:
−(𝑣+1)/2
𝛤[(𝑣 + 1)/2] 𝑥2
𝑓(𝑥) = 𝑣 (1 + ) ,
√𝜋𝑣𝛤 (2) 𝑣
−∞ < 𝑥 < ∞
Transformasi 𝑌 = 𝑔(𝑋) = 𝑋 2 adalah transformasi 1-1 dari
𝒳 = {𝑥|−∞ < 𝑥 < ∞} ke 𝒴 = {𝑦|𝑦 > 0} dengan invers 𝑋 =
𝑔−1 (𝑌) = √𝑌 dan Jacobian
𝑑𝑋 1
=
𝑑𝑌 2√𝑌
Oleh karena itu, dengan teknik transformasi, fungsi kepadatan
probabilitas dari Y adalah:
𝑑𝑋
𝑓𝑌 (𝑦) = 𝑓𝑥 (𝑔−1 (𝑦)) | |
𝑑𝑌

Gambar 4. Tabel Distribusi Student t

 6

Tabel 3.
Data Hasil Penelitian
No. X Y
1 7 6
2 8 6
3 7 7
4 7 6
5 8 6
6 7 8
7 8 7
8 7 6
9 6 6
10 7 7
11 8 7
12 9 7
13 8 8
14 8 7
15 7 7
16 7 7
17 8 7
18 8 7
19 8 8
20 7 7
21 7 7
Gambar 2. Tabel Distribusi F
22 8 6
Dari kedua tabel tersebut dapat dilihat nilai dari t tabel yaitu 23
2,101 dan nilai dari F tabel yaitu 4,4139. Jelas bahwa 7 7
2,101 2 = 4,4139. Sehingga terbukti telah menunjukkan 24 7 6
kebenaran dari sebelumnya yaitu: 25 8 7
2 26 7 7
𝑡(𝑣) ~𝐹(1, 𝑣)
27 8 8
28 9 7
B. Contoh menghitung data menggunakan Uji t dan Uji F
29 7 8
Diberikan kasus sebagai berikut: 30 8 9
Sebuah penelitian ingin mengkaji pengaruh metode
pembelajaran Simulasi terhadap kemampan pemahaman
konsep Differensial siswa kelas IX SMA Negeri 3 Denpasar. Analisis:
Hipotesis penelitian menyatakan kemampuan pemahaman1. Misalnya :
konsep diferensial siswa kelas IX SMA Negeri 3 Denpasar X : Menyatakan hasil kemampuan pemahaman
yang mengikuti pembelajaran Simulasi lebih tinggi dari pada konsep differensial siswa kelas XI SMA Negeri
siswa yang mengikuti pembelajaran konvensional. Untuk 3 Denpasar menggunakan metode pembelajaran
menguji hipotesis tersebut, dilakukan eksperimen terhadap dua Simulasi
kelompok sampel. Sampel pertama terdiri dari 30 orang siswa Y : Menyatakan hasil kemampuan pemahaman
dikenakan pembelajaran Simulasi. Sampel kedua terdiri dari konsep differensial siswa kelas XI SMA Negeri
30 orang siswa dikenai pembelajaran konvensional. Pada akhir 3 Denpasar menggunakan metode pembelajaran
eksperimen dilakukan pengukuran kreativitas siswa pada Konvensional.
masing-masing kelompok sampel dan diperoleh data sebagai2. Asumsi:
berikut: • Data yang diuji adalah data kuantitatif (data interval
atau rasio)
• Data bersifat independent (tidak terdapat korelasi
antara rata-rata populasi dengan nilai tiap sampel).
 7

• Data berdistribusi normal Berdasarkan tabel kerja diatas, dapat dihitung harga-harga
• Data bersifat homogen yang diperlukan dalam perhitungan Uji t sebagai berikut:

Analisis Manual: 1) Menghitung rata-rata dari masing-masing sampel:

∑ 𝑋 226
𝑋̅ = = = 7,53
1. Uji t 𝑛𝑋 30
• Hipotesis statistik: ∑ 𝑌 209
𝐻0 : 𝜇1 = 𝜇2 (tidak adanya pengaruh metode 𝑌̅ = = = 6,96
𝑛𝑌 30
pembelajaran Simulasi terhadap kemampuan 2) Menghitung varians masing-masing sampel:
pemahaman konsep pembelajaran diferensial ∑𝑋 2
siswa kelas IX SMA Negeri 3 Denpasar) ∑ 𝑋2 − ( )
2 𝑛𝑋
𝐻1 : 𝜇1 ≠ 𝜇2 (terdapat pengaruh metode 𝑆 𝑥 =
𝑛𝑋 − 1
pembelajaran Simulasi terhadap kemampuan 2262
1176−
pemahaman konsep pembelajaran diferensial = 30
30−1
siswa kelas IX SMA Negeri 3 Denpasar) 1176−1702,53
=
29

Tabel 4. 13,467
=
Data Hasil Perhitungan 29
= 0,4643
No. X 𝑋2 Y 𝑌2 X+Y (𝑋 + 𝑌)2
∑𝑌 2
1 7 49 6 36 13 169 ∑ 𝑌2 − ( )
𝑛𝑌
2 8 64 6 36 14 196 𝑆𝑌2 =
3 7 49 7 49 14 196 𝑛𝑌 − 1
2092
4 7 49 6 36 13 169 1473−
30
=
5 8 64 6 36 14 196 30−1
1473−1456,03
6 7 49 8 64 15 225 =
29
7 8 64 7 49 15 225
8 7 49 6 36 13 169 16,967
9 6 36 6 36 12 144 =
29
10 7 49 7 49 14 196 = 0,5850
11 8 64 7 49 15 225
12 9 81 7 49 16 256 3) Menghitung varians gabungan dari kedua sampel yaitu:
13 8 64 8 64 16 256
2
(𝑛𝑋 −1)𝑠𝑋 2
14 8 64 7 49 15 225 2 +(𝑛𝑌 −1)𝑠𝑌
𝑠𝑋𝑌 = (𝑛𝑋 +𝑛𝑌 −2)
15 7 49 7 49 14 196
16 7 49 7 49 14 196
(29)0,4643 + (29)0,5850
17 8 64 7 49 15 225 2
𝑠𝑋𝑌 =
18 8 64 7 49 15 225 (30 + 30 − 2)
2 13,467+16,967
19 8 64 8 64 16 256 𝑠𝑋𝑌 =
58
20 7 49 7 49 14 196 30,43
2
21 7 49 7 49 14 196 𝑠𝑋𝑌 =
58
22 8 64 6 36 14 196 2
𝑠𝑋𝑌 = 0,524
23 7 49 7 49 14 196
24 7 49 6 36 13 169 4) Carilah Nilai 𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 dengan rumus:
25 8 64 7 49 15 225 𝑋−𝑌
26 7 49 7 49 14 196 𝑡=
2 (1 + 1 )
27 8 64 8 64 16 256 √𝑆𝑋𝑌 𝑛𝑥 𝑛𝑦
28 9 81 7 49 16 256 7,53-6,96
29 7 49 8 64 15 225 𝑡= 1 1
√0,524( + )
30 8 64 9 81 17 289 30 30
0,567
𝑡=
√0,534(0,0666)
𝑡 = 3,029
Jumlah 226 1716 209 1473 435 189225 5) Nilai 𝑡 𝑡𝑎𝑏𝑒𝑙 yaitu:
Berdasarkan tabel Student t, pada dk=30+30-2=58 dan
taraf signifikan 𝛼 = 0,05, maka diperoleh 𝑡 𝑡𝑎𝑏𝑒𝑙 =
2,002
 8

Sehingga dari perhitungan di atas dapat kita lihat bahwa nilai yaitu 9,179 > 4,007 maka tolak 𝐻0 berarti significant. Maka
𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 (3,029) lebih besar dari pada 𝑡 𝑡𝑎𝑏𝑒𝑙 (2,002). 𝐻0 ditolak dan 𝐻1 diterima. Jadi, terdapat perbedaan yang
Akibatnya 𝐻0 ditolak dan 𝐻1 diterima. Jadi hal tersebut signifikan, sehingga hal tersebut menunjukkan kemampuan
menunjukkan kemampuan pemahaman konsep diferensial pemahaman konsep diferensial siswa kelas XI SMA Negeri 3
siswa kelas XI SMA Negeri 3 Denpasar menggunakan metode Denpasar menggunakan metode pembelajaran Simulasi lebih
pembelajaran Simulasi lebih baik dari pada menggunakan baik dari pada menggunakan pembelajaran konvensional.
pembelajaran konvensional.
Kesimpulan:
2. Uji F Dari perhitungan Uji t dan Uji F diatas, didapatkan nilai dari
Hipotesis statistik: 𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 = 3,029 dan nilai dari 𝐹 ℎ𝑖𝑡𝑢𝑛𝑔 yaitu: 9,179. Jelas
𝐻0 : 𝜇1 = 𝜇2 bahwa 3,029 2 = 9,179. Sehingga dapat menunjukkan
𝐻1 : 𝜇1 𝑑𝑎𝑛 𝜇2 berbeda kebenaran dari sebelumnya yaitu:
Berdasarkan tabel kerja diatas, dapat dihitung harga-harga 𝑡(𝑣)2 ~𝐹(1, 𝑣)
yang diperlukan dalam perhitungan Uji F sebagai berikut:
1) Menghitung jumlah kuadrat antar group (𝐽𝐾𝐴 ) dengan
rumus : IV. PENUTUP
(∑ 𝑋)2 (∑ 𝑌)2 (∑ 𝑋+𝑌)2
𝐽𝐾𝐴 = ( )+( )−( ) A. Kesimpulan
𝑛1 𝑛2 𝑁
51076 43681 189225
=( )+( )−( ) Berdasarkan pembahasan yang telah diuraikan di atas,
30 30 60
dapat disimpulkan bahwa terdapat hubungan antara Uji t dan
= (1702,53 + 1456,03) − 3153,75
Uji F. Dimana jika uji kesamaan dua rata-rata atau uji t
= 4,81667
digunakan untuk mencari perbedaan atau persamaan dua rata-
2) Hitunglah derajat bebas antar group dengan rumus :
rata, maka dalam kasus tertentu uji untuk dua atau lebih rata-
𝑑𝑏𝐴 = k − 1 = 2 – 1 = 1 , dimana k = jumlah group
rata dalam mencari perbedaan atau persamaaannya dapat
3) Hitunglah kuadrat rerata antar group (𝐾𝑅𝐴 ) dengan
digunakan analysis of variance (anava) atau dikenal juga
rumus :
𝐽𝐾 4,81667 dengan Uji F. Jika kita menguji hipotesis nol dimana rata-rata
𝐾𝑅𝐴 = 𝐴 = = 4,81667 dua buah kelompok berbeda, teknik Uji F dan Uji-t akan
𝑑𝑏𝐴 1
4) Hitunglah jumlah kuadrat dalam antar group (𝐽𝐾𝐷 ) menghasilkan kesimpulan yang sama, keduanya akan menolak
dengan rumus : atau menerima hipotesis nol. Dalam hal ini yang perlu
(∑ 𝑋)2 (∑ 𝑌)2 ditekankan untuk kasus Uji statistik F yaitu berlaku pada
𝐽𝐾𝐷 = ∑𝑋 2 + ∑𝑌 2 − ( )+( ) derajat kebebasan 1 serta nilai n-k sama dengan derajad
𝑛1 𝑛2
51076 43681 kebebasan dari t, sehingga nilai F akan sama dengan kuadrat
= (1716 + 1473) − ( )+( ) dari statistik t. Hubungan ini juga dapat dibuktikan dengan
30 30 membandingkan dan menghitung nilai dari masing-masing
= 3189 − 3158,567
tabel distribusi, dengan syarat yang telah ditentukan.
= 30,433 B. Saran
5) Hitunglah derajat bebas dalam group dengan rumus :
Pembahasan ini terbatas pada penyajian materi
𝑑𝑏𝐷 = 𝑁 − 𝑘 = 60 − 2 = 58
mengenai penerapan konsep dalam pembuktian hubungan
6) Hitunglah kuadrat rerata dalam antar group (𝐾𝑅𝐷 )
antara Uji t dan Uji F. Dalam melihat hubungan uji t dan uji F
dengan rumus:
𝐽𝐾 30,433 selain dengan cara yang telah dipaparkan diatas dapat juga
𝐾𝑅𝐷 = 𝐷 = = 0,524706 dibuktikan dengan cara yang berbeda. Bagi pembaca yang
𝑑𝑏𝐷 58
7) Carilah 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 dengan rumus: tertarik untuk lebih mendalami hubungan ini dan ingin
𝐾𝑅𝐴 4,81667 mencari hubungan antar uji-uji statistic yang lainnya sangat
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 9,179
𝐾𝑅𝐷 0,524706 disarankan.
8) Tentukan taraf signifikansinya, misalnya α = 0,05
9) Cari 𝐹𝑡𝑎𝑏𝑒𝑙 dengan rumus:
𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(1−𝛼)(𝑑𝑏𝐴 ,𝑑𝑏𝐷) DAFTAR PUSTAKA
𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(1−0,05)(1,58)
[1] Anas Sudijono. 2009. Pengantar Statistik Pendidikan.
𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹(0,95)(1,58) Jakarta: Rajawali pers
𝐹𝑡𝑎𝑏𝑒𝑙 = 4,007 [2] Candiasa, I Made. 2010. Statistik Univariat dan Bivariat
Dimana, Disertai Aplikasi SPSS. Singaraja: Unit Penerbitan
0,95 = Taraf kepercayaan 95% atau taraf Universitas Penddikan GaneshaUSA: Abbrev. of
signifikan 5%. Publisher, year, ch.x, sec. x, pp. xxx–xxx.
Angka 1 = pembilang atau hasil dari 𝑑𝑏𝐴
Angka 58 = penyebut atau hasil dari 𝑑𝑏𝐷

Setelah dikonsultasikan dengan tabel F kemudian bandingkan

antara 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 dengan 𝐹𝑡𝑎𝑏𝑒𝑙 , ternyata: 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 atau
 9

[3] Dasgupta, Sanjoy D.A.; Gupta, Anupam K.. 2003. An

Elementary Proff of a Theorem of Johnson and
Lindenstrauss.
[4] John Kruschke (2014). Doing Bayesian Data Analysis.
Academic Press: 2 edition
[5] Mood, Alexander; Graybill, Franklin A.; Boes, Duane C.
1974. Introduction to the Theory of Statistics (Third ed.).
McGraw-Hill.
[6] Riduwan.2008. Dasa -dasar Statistika. Bandung:Alfabeta
[7] Sudjana. 2005. Metode Statistika. Bandung: PT Tarsito