Nama : Viara Rahmadhanti Setia Budi

NIM : 1805015090

Distribusi Sampel

A. Pendahuluan
Biostatistik adalah data atau informasi yang berkaitan dengan masalah
kesehatan. Statistik kesehatan sangat bermanfaat untuk kepentingan administratif, seperti
merencanakan program pelayanan kesehatan, menentukan alternatifpenyelesaian masalah
kesehatan, dan melakukan analisis tentang berbagai penyakit selama periode waktu
tertentu. Statistik kesehatan dikenal dengan istilah “biostatistik”. Biostatistik terdiri dari
dua kata dasar yaitu bio dan statistik. Bio berarti hidup, sedangkan statistik adalah
kumpulan angka-angka. Sehingga secara harfiah biostatistik adalah kumpulan angka-
angka tentang kehidupan.

Secara sempit Secara luas :

-pengumupulan data -analisis data

-pengolahan data -penyajian data

Angka/data
Statistik secara umum dibagi menjadi dua jenis yaitu statistic deskriptif dan statistik
inferensial.
1. Statistik Deskriptif
Kegiatan mulai dari pengumpulan data, pengolahan, sampai mendapatkan informasi
dengan jalan menyajikan dan analisis data yang telah terkumpul. Tujuan dari
statistik deskriptif adalah memberikan gambaran tentang keadaan yang berkaitan
dengan penyakit atau masalah kesehatan berdasarkan data yang telah dikumpulkan.
Untuk data numerik informasi yang diberikan berupa perhitungan nilai tengah (mean,
median, modus), nilai variasi. Sedangkan untuk data kategori informasinya adalah
nilai proporsi/persentase.
 2. Statistik Inferensial /statistik Induktif
Tujuan dari statistik inferensial adalah untuk menarik kesimpulan cirri-ciri populasi
berdasarkan data yang diperoleh melalui sampel. Statistik inferensial merupakan
kumpulan cara atau metode yang dapat mengeneralisasikan nilai-nilai dari sampel
dikumpulkan menjadi nilai populasi. Hal ini dilakukan dengan menggunakan teori
estimasi atau uji hipotesis.

Statistik dibagi menjadi 2 metode, yaitu:

1. Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis sebaran
atau distribusi data, yaitu apakah data menyebar secara normal atau tidak. Dengan
kata lain, data yang akan dianalisis menggunakan statistik parametrik harus
memenuhi asumsi normalitas. Pada umumnya, jika data tidak menyebar normal,
maka data seharusnya dikerjakan dengan metode statistik non-parametrik, atau
setidak-tidaknya dilakukan transformasi terlebih dahulu agar data mengikuti
sebaran normal, sehingga bisa dikerjakan dengan statistik parametrik.

Contoh metode statistik parametrik

a. Uji-z (1 atau 2 sampel)
b. Uji-t (1 atau 2 sampel)
c. Korelasi pearson,
d. Perancangan percobaan (one or two-way anova parametrik), dll.

Ciri-ciri statistik parametrik:

- Data dengan skala interval dan rasio
- Data menyebar/berdistribusi normal
2. Statistik Non-Parametrik adalah test yang modelnya tidak menetapkan syarat-
syaratnya yang mengenai parameter-parameter populasi yang merupakan induk
sampel penelitiannya. Oleh karena itu observasi-observasi independent dan
variabel yang diteliti pada dasarnya memiliki kontinuitas. Uji metode non
parametrik atau bebas sebaran adalah prosedur pengujian hipotesa yang tidak
mengasumsikan pengetahuan apapun mengenai sebaran populasi yang
mendasarinya kecuali selama itu kontinu.
Pendeknya: Statistik Non-Parametrik adalah yaitu statistik bebas sebaran (tidak
mensyaratkan bentuk sebaran parameter populasi, baik normal atau tidak). Selain
itu, statistik non-parametrik biasanya menggunakan skala pengukuran sosial,
yakni nominal dan ordinal yang umumnya tidak berdistribusi normal.

Contoh metode statistik non-parametrik (selengkapnya dapat dilihat disini) :

a. Uji tanda (sign test)
b. Rank sum test (wilcoxon)
 c. Rank correlation test (spearman)
d. Fisher probability exact test.
e. Chi-square test, dll
Ciri-ciri statistik non-parametrik :
- Data tidak berdistribusi normal

- Umumnya data berskala nominal dan ordinal

- Umumnya dilakukan pada penelitian sosial
- Umumnya jumlah sampel kecil

B. Populasi dan Sampel

 Populasi
Menurut Muri (2007:182) secara umum dapat dikatakan beberapa karakteristik
populasi adalah:
a. Merupakan keseluruhan dari unit analisis sesuai dengan informasi yang akan
diinginkan.
b. Dapat berupa manusia/individu, hewan, tumbuh-tumbuhan, benda-benda atau
objek maupun kejadian-kejadian yang terdapat dalam suatu area/ daerah tertentu
yang telah ditetapkan.
c. Merupakan batas-batas (boundary) yang mempunyai sifa-sifat tertentu yang
memungkinkan peneliti menarik kesimpulan dari keadaan itu.
d. Memberikan pedoman kepada apa atau siapa hasil penelitian itu dapat
digeneralisasikan.
 Sampel
Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi.
Bila populasi besar, dan peneliti tidak mungkin mempelajari semua yang ada pada
populasi, misalnya karena keterbatasan dana, tenaga dan waktu, maka peneliti
dapat menggunakan sampel yang diambil dari populasi itu, kesimpulannya akan
diberlakukan untuk populasi. Untuk itu sampel yang diambil dari populasi betul-
betul representatif (mewakili).

Sampel Populasi
Nilai karakteristik Statistik Parameter
Mean Xbar µ (dibaca miu)
Standar deviasi S/SD ∑ (dibaca sigma atau
Tho)
Jumlah unit n N

C. Statistik dan Parameter

Statistik (bukan statistika):
 Kumpulan data, bilangan, maupun non bilangan yang disusun dalam tabel dan
atau diagram yang melukiskan atau menggambarkan suatu persoalan
 Statistik Penduduk, kelahiran, pendidikan, produksi, pertanian, dsb.
 Ukuran sebagai wakil dari kumpulan data
 Rata-rata, median, mode, simpangan baku, ragam, persen, dsb.
Parameter: pengertiannya hampir sama dengan statistik, perbedaannya hanya terletak
pada sumber data yang digunakan. Statistik menggunakan sumber data yang berasal dari
sampel, sedangkan parameter menggunakan sumber data yang berasal dari populasi.
*Statistik digunakan untuk mengestimasi nilai dari parameter populasi.
D. Distribusi Sampel

Sifat – sifat Distribusi Sampel

1. Jika sampel random diambil dari populasi normal dengan mean = µ dan varian œ2
 distribusi sampel harga mean adalah xbar = µ dan varian œ2/n = /√n (SEM)
*SEM = Standar Error of Mean

2. Apabila populasi berdistribusi normal  distribusi sampel harga mean juga akan
berdistribusi normal, maka berlaku persamaan Z

Z=x-µ

SE

3. Walaupun populasi berdistribusi sembarang, jika sampel diambil berulang-ulang

maka distribusi harga meannya akan membentuk distribusi normal

Standar Deviasi/SD

Disebut juga Simpangan Baku. Ukuran sebaran statistik yang paling lazim. SD
mengukur bagaimana nilai-nilai data tersebar atau Rata-rata jarak penyimpangan
titik-titik data (nilai-nilai observasi) diukur dari nilai rata-rata data tersebut.
Nilai SD biasanya berada dalam kisaran +_

Dalam Statistik, nilai SD akan menentukan wilayah data:

+/- 1 SD  Berkisar pada 68.2%

+/- 2 SD  Berkisar pada 95.4%

+/- 3 SD  Berkisar 99.7%

Standard Error/SE

Standard Error adalah standar deviasi dari rata-rata. Jika kita hitung nilai standar
deviasi dari tiga buah nilai rata-rata, maka nilai standar deviasi dari nilai rata-rata
tersebut disebut sebagai standard error.

 Perbedaan rumus varians, SD, SE

Varian = Var = ∑(xi – x) 2

n–1
1.) Standard Error of Mean
 Standard Error (SE) dalam beberapa referensi disebut juga dengan
Standard Error of Mean (SEM) adalah estimasi dari standar deviasi
yang didapat dari mean-mean dari sejumlah sampel yang
menggambarkan populasi
 SEM = SD(dari Mean)/√n = SE
2.) Standard Error of proporsi/prosentase
 SE juga dapat dihubungkan dengan prosentase atau proporsi
 Dalam hal ini, jumlah sampel akan dipengaruhi oleh nilai standard error,
tetapi jumlah variasinya ditentukan oleh nilai dari prosentase atau
proporsi dalam populasi itu sendiri sehingga tidak dibutuhkan estimasi
dari SD
Jika p mewakili 100% maka 100 – p adalah nilai yang lainnya. Dengan
demikian,
Rumus yang digunakan adalah
SE Prosentase = p(100 – p)

√ n

Margin Error

 Dalam suatu survey atau polling, kadang tidak digunakan Standard Error
tetapi Margin of error
 Margin Error adalah suatu tingkat ketidaksesuaian hasil statistik dengan
kenyataan di lapangan
 Margin of Error ini dapat menunjukkan keakuratan dalam suatu
penelitian/poling/ survei
 Margin of Error = Critical value * Standard error
 Critical value diambil dari nilai skor z, misalnya untuk tingkat kepercayaan
95% maka didapat nilai skor Z adalah 1.96 (didapat dari tabel distribusi
normal)
 Estimasi

A. Pendahuuluan
Pengertian estimasi dalam statistik adalah suatu mode untuk memperkirakan nilai
populasi dengan memakai nilai sampel tertentu. Definisi estimasi statistik juga berarti
kegiatan penarikan suatu kesimpulan statistik yang berawal dari hal-hal yang bersifat umum
kepada hal-hal yang bersifat khusus. Nilai penduga disebut dengan estimator, sedangkan
hasil estimasi disebut dengan estimasi secara statistik

Sampel populasi
Statistik Parameter

B. Ciri-ciri Estimator yang Baik

Di dalam estimasi nilai statistik yang dipakai untung menduga nilai populasi atau
parameter disebut estimator. Hasil dari pendugaan disebut estimasi secara statistik (statistical
estimate). Estimator yang baik haruslah mempunyai sifat : tidak bias, efisien, dan konsisten
Estimator yang tidak bias adalah estimator yang hasil estimasinya mengandung nilai
parameter diestimasi. Dikatakan efisien apabila hasil estimasi memakai nilai terseut pada
rentang yang kecil saja sudah mengandung nilai parameter. Sementara itu, yag dimaksud
dengan konsisten adalah berapa pun besarnya sampel pada rentangnya akan mengandung
nilai parameter yang sedang diestimasi.

C. Bentuk Estimasi
 1. Estimasi titik(point)
Secara umum, ada dua bentuk estimasi yang biasa digunakan:
1. Estimasi Titik (point estimation)  mengandung perhitungan angka tunggal untuk
mengestimasi nilai parameter
2. Estimasi selang (interval estimation) metode yang memberikan hasil
perhitungan nilai berupa nilai jangkauan untuk mengestimasi nilai parameter

D. 1.) Titik Estimasi Proporsi Sample Terhadap Proporsi Populasi

Contoh :
Bila kita ingin mengetahui persentase penduduk suatu kota yang menderita keratitis.
Untuk itu kita ambil sample sebanyak 100 orang yang berkunjung ke Rumah Sakit Mata
dan ternyata terdapat 5 orang yang menderita penyakit keratis. Dari hasil tersebut dibuat
taksiran bahwa 5% penduduk kota tersebur menderita keratis dengan perhitungan sebagai
berikut ;
Proporsi (p) = x/n
X= jumlah penderita keratitis yang ditemukan
n=besarnya sample
p=5/100

2.) Estimasi Titik Proporsi Sampel (p) terhadap Proporsi Populasi (P)
Jika seorang peneliti ingin mengetahui prosentase/proporsi penduduk suatu kota yang
menderita hepatitis B. Untuk itu diambillah sampel sebesar 500 penduduk yang
berkunjung ke poli penyakit dalam rumah sakit umum daerah tersebut. Ternyata
didapatkan 3 orang menderita hepatitis B. Dengan demikian, proporsi penderita hepatitis
B di RSUD tersebut adalah: p = x/n  p = 3/500 = 0.006 = 0.6%

E. Interval Kepercayaan/Convidence Interval (CI)

Confidence Interval (CI) adalah luas area di bawah kurva normal, yang ditentukan
dengan prosentase misalnya 90%, 95%, dan 99%.
1. Bahwa sampel yang diambil dari suatu populasi akan berdistribusi (normal) sekitar µ,
dengan simpangan baku adalah Standard Error/SE  sifat distribusi sampling
 2. Dengan hal itu dapat ditentukan jarak minimum dan maksimum letaknya nilai µ =
confident interval = confident limit = tingkat kepercayaan

Rumus umum Estimasi Selang/Confidence Interval (CI)

St – Z ½α. SE ≤ parameter ≤ St + Z ½α. SE

Atau

Xbar – Z ½α.SE ≤ µ ≤ Xbar + Z ½α.SE

Di mana:

 St = nilai statistik (sampel = xbar)

 Z1/2 α = deviasi relatif (standar score, ditentukan oleh confident
interval : Z1/2 α 95% = 1.96, Z1/2α 90% = 1.645
 SE = standar d error (σ/√n)
 Parameter = nilai populasi yg diduga (µ)

Nilai CI yang sudah ditentukan

CI 99%  Z ½ α = ± 2.575

CI 95%  Z ½ α = ± 1.96

CI 90%  Z ½ α = ± 1.645

CI 80%  Z ½ α = ± 1.28

F. Distribusi Student T
Ketika jumlah sampel tidak besar, dua aspek yang dapat berubah :
1) Standard deviasi sampel (s) , yang tunduk pada variasi sampel, mungkin tidak dapat
diandalkan untuk mengestimasi nilai standard deviasi populasi (σ)
2) Ketika distribusi di populasi tidak normal maka distribusi sample dari mean mungkin
juga tidak normal
3) Ketika jumlah sampel tidak besar, umumnya kurang dari 30, sehingga Standard
deviasi sampel (s) mungkin lemah untuk diandalkan mengestimasi nilai standard
deviasi populasi (σ), maka σ tidak diketahui
 4) Oleh karena itu, distribusi sampel diasumsikan berdistribusi seperti distribusi student
t
5) Untuk menentukan nilai t diperlukan nilai degree of freedom (df) dan nilai α

SE = s/√n
Rumus umumnya menjadi: df = n – 1

Uji Beda Dua Mean

A. Pendahuluan
Sebelum kita melakukan uji statisik dua kelompok data, kita perlu perhatikan apakah dua
kelompok data tersebut berasal dari dua kelompok yang independen atau berasal dari dua
 kelompok yang dependen / pasangan. Dikatakan kedua kelompok data dependen bila data
kelompok yang satu tidak tergantung dari data kelompok kedua, misalnya
membandingkan mean tekanan darah sistolik orang desa dengan orang kota. \tekanan
darah orang kota independen (tidak tergantung) dengan orang desa . Dilain pihak, kedua
kelompok data dikatakan dependen f pasangan bila kelompok data yang dibandingkan
datanya saling mempunyai ketergantungan, misalnya data berat badan sebelum dan
sesudah mengikuti program diet berasal dari orang yang sama (data sesudah dependen /
tergantung dengan data sebelum) Berdasarkan karakteristik data tersebut maka uji beda
dua mean dibagi dalam dua kelompok, yaitu uji beda dua mean independen dan uji beda
mean dependen.

B. Independent T Test
Tujuan : untuk mengetahui perbedaan mean dua kelompok data independen Syarat /
asumsi yang harus dipenuhi:
1. Data berdistribusi normal / simetris
2. Kedua kelompok data independen
3. Variabel yang dihubungkan berbentuk numerik dan katagori ( dengan hanya dua
kelompok)
Prinsip pengujian dua mean adalah melihat perbedaan variasi kedua kelompok data.
Oleh karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok
yang diuji sama atau tidak. Bentuk varian kedua kelompok data akan berpengaruh pada
nilai standar eror yang akhirnya akan membedakan rumus pengujiannya.

 INDEPENDENT SAMPLE 2 TEST (UJI PERBEDAAN 2 SAMPEL

INDEPENDEN)

Untuk melakukan uji beda rata-rata dua sampel independen dapat terjadi pada
beberapa kondisi. Kondisi pertama adalah dimana nilai varians populasi diketahui
sedangkan kondisi kedua dimana nilai varians tidak diketahui.

Berikut merupakan statistik uji yang digunakan dengan kondisi varians populasi
diketahui:
Rumus di atas dapat digunakan ketika menuhi asumsi dimana populasi harus
berdistribusi normal, observasi sampel dilakukan secara independen, σ1 dan
σ2 diketahui.
Kondisi kedua adalah uji beda rata-rata dimana nilai varians populasi tidak
diketahui. Statistik uji yang cocok digunakan adalah nilai t statistik dengan
formula sebagai berikut:

Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata antara
dua kelompok sampel yang tidak berhubungan. Jika ada perbedaan, rata-rata
manakah yang lebih tinggi. Data yang digunakan biasanya berskala interval atau
rasio.
Contoh kasus:
Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada perbedaan
nilai ujian antara kelas A dan kelas B pada fakultas Psikologi suatu universitas.
Penelitian dengan menggunakan sampel sebanyak 20 responden yang diambil dari
kelas A dan kelas B. Dalam uji ini jumlah kelompok responden yang diambil tidak
harus sama, misalnya kelas A sebanyak 8 orang dan kelas B sebanyak 12 orang.
Data-data yang didapat sebagai berikut:

Tabel. Tabulasi Data (Data Fiktif)

Ni
lai
N Uj Kela
o ian s
Kela
1 32 sA
Kela
2 35 sA
 Kela
3 41 sA
Kela
4 39 sA
Kela
5 45 sA
Kela
6 43 sA
Kela
7 42 sA
Kela
8 47 sA
Kela
9 42 sA
1 Kela
0 37 sA
1 Kela
1 35 sB
1 Kela
2 36 sB
1 Kela
3 30 sB
1 Kela
4 28 sB
1 Kela
5 26 sB
1 Kela
6 27 sB
1 Kela
7 32 sB
1 Kela
8 35 sB
1 Kela
9 38 sB
2 Kela
0 41 sB

Langkah-langkah pada program SPSS

Ø Masuk program SPSS
Ø Klik variable view pada SPSS data editor
Ø Pada kolom Name ketik nilaiujn, dan kolom Name pada baris kedua ketik
kelas.
Ø Pada kolom Decimals, ubah nilai menjadi 0 untuk semua variabel.
Ø Pada kolom Label, untuk kolom pada baris pertama ketik Nilai Ujian, untuk
kolom pada baris kedua ketik Kelas.
Ø Pada kolom Values, untuk kolom pada baris pertama biarkan kosong (None).
Untuk kolom pada baris kedua klik pada kotak kecil, pada value ketik 1, pada
Value Label ketik kelas A, lalu klik Add. Langkah selanjutnya pada Value ketik 2,
pada Value Label ketik kelas B, lalu klik Add. Kemudian klik OK.
Ø Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Ø Buka data view pada SPSS data editor, maka didapat kolom variabel nilaiujn
dan kelas.
Ø Ketikkan data sesuai dengan variabelnya (pada variabel kelas ketik dengan
angka 1 dan 2 (1 menunjukkan kelas A dan 2 menunjukkan kelas B)
Ø Klik Analyze - Compare Means - Independent Sample T Test
Ø Klik variabel Nilai Ujian dan masukkan ke kotak Test Variable, kemudian klik
variabel Kelas dan masukkan ke kotak Grouping Variable, kemudia klik Define
Groups, pada Group 1 ketik 1 dan pada Group 2 ketik 2, lalu klik Continue.
Ø Klik OK, maka hasil output yang didapat adalah sebagai berikut:

Tabel. Hasil Independent Sample T Test

Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada
output independen sample t test, kemudian pada menu bar klik pivot, kemudian
klik Transpose Rows and Columns)

Sebelum dilakukan uji t test sebelumnya dilakukan uji kesamaan varian

(homogenitas) dengan F test (Levene,s Test), artinya jika varian sama maka uji t
menggunakan Equal Variance Assumed (diasumsikan varian sama) dan jika varian
berbeda menggunakan Equal Variance Not Assumed(diasumsikan varian berbeda).
Langkah-langkah uji F sebagai berikut:
1. Menentukan Hipotesis
Ho : Kedua varian adalah sama (varian kelompok kelas A dan kelas B adalah
sama)
Ha : Kedua varian adalah berbeda (varian kelompok kelas A dan kelas B adalah
berbeda).
2. Kriteria Pengujian (berdasar probabilitas / signifikansi)
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
3. Membandingkan probabilitas / signifikansi
Nilai P value (0,613 > 0,05) maka Ho diterima.
4. Kesimpulan
Oleh karena nilai probabilitas (signifikansi) dengan equal variance
assumed (diasumsikan kedua varian sama) adalah 0,603 lebih besar dari 0,05
maka Ho diterima, jadi dapat disimpulkan bahwa kedua varian sama (varian
kelompok kelas A dan kelas B adalah sama). Dengan ini penggunaan uji t
menggunakan equal variance assumed (diasumsikan kedua varian sama).

Pengujian independen sample t test

Langkah-langkah pengujian sebagai berikut:
1. Menentukan Hipotesis
Ho : Tidak ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata
nilai ujian kelas B
Ha : Ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata nilai
ujian kelas B
2. Menentukan tingkat signifikansi
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi a = 5%.
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam
mengambil keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya
5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan
dalam penelitian)
3. Menentukan t hitung
Dari tabel di atas didapat nilai t hitung (equal variance assumed) adalah 3,490
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat
kebebasan (df) n-2 atau 20-2 = 18. Dengan pengujian 2 sisi (signifikansi = 0,025)
hasil diperoleh untuk t tabel sebesar 2,101 (Lihat pada lampiran) atau dapat dicari
di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,18) lalu enter.
5. Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel
Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
Berdasar probabilitas:
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
6. Membandingkan t hitung dengan t tabel dan probabilitas
Nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka Ho
ditolak.
 7. Kesimpulan
Oleh karena nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05)
maka Ho ditolak, artinya bahwa ada perbedaan antara rata-rata nilai ujian kelas A
dengan rata-rata nilai ujian kelas B. Pada tabel Group Statistics terlihat rata-rata
(mean) untuk kelas A adalah 40,30 dan untuk kelas B adalah 32,80, artinya bahwa
rata-rata nilai ujian kelas A lebih tinggi daripada rata-rata nilai ujian kelas B.
Nilai t hitung positif, berarti rata-rata group1 (kelas A) lebih tinggi daripada
group2 (kelas B) dan sebaliknya jika t hitung negatif berarti rata-rata group1
(kelas A) lebih rendah dari pada rata-rata group2 (kelas B)
Perbedaan rata-rata (mean diference) sebesar 7,50 (40,30-32,80), dan perbedaan
berkisar antara 2,98 sampai 12,02 (lihat pada lower dan upper).

C. Paired T Test

Tujuan : Untuk menguji perbadaan antara dua kelompok data yang dependen Contoh
kasus: . Apakahadaperbedaantingkatpengetahuanantarasebelumdansesudahdilakukan
pelatihan r Apakah ada perbedaan berat badan antara sebelum dan sesudah mengikuti
program diet Syarat: 1. Distribusi data normal 2. Kedua kelompok data dependen f pair 3.
Jenis variabel: numerik dan katagori (dua kelompok)

 PAIRED SAMPLE 2 TEST (UJI DUA SAMPEL BERPASANGAN)

Perbedaan paired sample dengan independent sample adalah terletak pada

kelompok yang kita bandingkan. Jika kelompok yang kita bandingkan berasal dari
populasi yang berbeda maka disebut dengan independent sample. sebaliknya jika
kelompok yang dibandingkan berasal dari populasi yang sama maka
disebut paired sample. Contohnya adalah kita membandingkan tingkat kemiskinan
di suatu daerah pada dua periode yang berbeda. Berikut merupakan formula yang
dapat digunakan untuk uji beda rata-rata pada paired sample.

(perbedaan mean harus berdistribusi normal) dan tidak diketahui or dengan

ukuran sampel n < 30.

Z=
Rumus di atas dapat digunakan ketika menuhi asumsi dimana populasi harus
berdistribusi normal, observasi sampel dilakukan secara independen, σ1 dan
σ2 diketahui.

Paired sample t test merupakan uji beda dua sampel berpasangan. Sampel
berpasangan merupakan subjek yang sama namun mengalami perlakuan yang
berbeda.

CONTOH KASUS

Akan diteliti mengenai perbedaan penjualan sepeda motor merk A disebuah

Kabupaten sebelum dan sesudah kenaikan harga BBM. Data diambil dari 15
dealer.

Data yang diperoleh adalah sebagai berikut :

No Sebelu Sesudah
m
1 67 68
2 75 76
3 81 80
4 60 63
5 80 82
6 75 74
7 71 70
8 68 71
9 80 82
10 78 79
11 71 78
12 80 77
13 65 69
14 57 67
15 78 68

PENYELESAIAN

Klik ANALYZE > COMPARE MEANS > PAIRED SAMPLES t Test

 Masukkan jual_1 dan Jual_2 pada kolom “Paired variables” seperti gambar di
bawah ini

Abaikan yang lain, klik OK

HASIL

 Bagian pertama. Paired Samples Statistic

Menunjukkan bahwa rata-rata penjualan pada sebelum dan sesudah kenaikan

BBM. Sebelum kenaikan BBM rata-rata penjualan dari 15 dealer adalah sebanyak
72.4, sementara setelah kenaikan BBM jumlah penjualan rata-rata adalah sebesar
73.6 unit

 Bagian Dua. Paired samples Correlatian

Hasil uji menunjukkan bahwa korelasi antara dua variabel adalah sebesar 0.809
dengan sig sebesar 0.000. Hal ini menunjukkan bahwa korelasi antara dua rata-
rata penjualan sebelum dan sesudah kenaikan adalah kuat dan signifikan.

Hipotesis

Hipotesis yang diajukan adalah :

Ho : rata-rata penjualan adalah sama

H1 : rata-rata penjualan adalah berbeda

Hasil uji Hipotesis

Nilai t hitung adalah sebesar -1.031 degan sig 0.320. Karena sig > 0.05 maka
dapat disimpulkan bahwa Ho diterima, artinya rata-rata penjualan sebelum dan
sesudah kenaikan BBM adalah sama (tidak berbeda). dengan demikian dapat
dinyatakan bahwa kenaikan harga BBM tidak mempengaruhi jumlah penjualan
sepeda motor di kabupaten A.