BAB V

DISTRIBUSI SAMPLING

A. Pengertian Distribusi Sampling

Parameter adalah nilai pengukuran pada populasi. Nilai parameter ini biasanya ditaksir
berdasarkan hasil pengukuran pada sampel yang diambil dari populasi yang
bersangkutan. 1
Notasi yang dipergunakan :
µ= mean produksi
ơ= deviasi standar populasi
Ƥ= proposi populasi
µ1-µ2= perbedaan dua man populasi
Ƥ1-Ƥ2= perbedaan dua proporsi populasi
Sedangkan yang dimaksud dengan nilai statistik adalah nilai observasi dari sampel yang
dipergunakan sebagagai dasar untuk menduga nilai parameter.
Notasi yang dipergunakan :
Χ= mean sampel
S= deviasi standar sampel
𝑥
Ṕ= proporsi sampel yaitu 𝑛
X1-X2 = Perbedaan dua mean sampel

B. Sifat Distribusi Sampling Harga Mean

Distribusi sampling harga mean mempunyai sifat-sifat yang sangat penting, demikian
juga untuk distribusi sampling harga harga statistik yang lain, terutama dalam
hubungannya dengan peranan distribusi sampling dalam statistika induktif.
Sifat-sifat tersebut adalah :
1. Apabila sampel-sampel random beranggota n individu masing-masing diambil dari
suatu populasi yang mempunyai mean µ dan deviasi standar ơ maka distribusi
sampling harga mean akan mempunyai mean. Sifat ini hanya berlaku apabila
pengambilan sampelnya dengan pengembalian , yaitu tiap individu satu demi satu
yang diambil dalam sampel sesudah diamati selalu dikembalikan lagi kedalam
populasinya sebelum berikutnya diambil.
2. Apabila anggota sampel besar (n > 30) maka distribusi sampling harga mean
dianggap mendekati distribusi normal.

C. Beberapa Catatan Tentang Distribusi Sampling Harga Statistik Yang Lain

1. Distribusi Sampling Harga Proporsi

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 Apabila populasinya sangat besar, dan proporsi P tidak terlalu dekat dengan nol
ataupun satu maka distribusi sampling harga proporsi (x/n) bisa dianggap mendekati
distribusi normal, dan mempunyai mean = P dan deviasi standar sama dengan =
𝑃(1 − 𝑃)
√ − bila pengambilan sampelnya dengan pengembalian
𝑁

µp= p
𝑃(1 − 𝑃)
−
αp= √
𝑛

apabila pengambilan sampelnya tanpa pengembalian maka distribusi sampling harga

proporsi akan memiliki sifat :
µp = p
𝑃(1 − 𝑃)
N−n
αp = √ −
𝑛
√N−1

2. Distribusi sampling harga perbedaan dua mean

Misal dipunyai dua populasi normal yang mempunyai mean masing masing µ 1 dan µ2
dan deviasi standar masing-masing . dari masing-masing populasi diambil sampel
random.
3. Distribusi sampling harga perbedaan dua porposi
Misalnya dipunyai dua populasi dimana proporsi individu-individunya yang
mempunyai sifat tertentu yang hendak diselidiki adlah masing masing P1 dan P2.
𝑥1 𝑥2
Maka akan kita peroleh – dengan pengertian X1 adalah banyaknya individu
𝑛1 𝑛2
yang bersifat A dalam sampel beranggota n yang diambil dari populasi pertama dan
X2 adalah banyaknya individu yang bersifat A dalam sampel beranggota n2 yang
diambil populasi kedua.
4. Distribusi sampling harga standar
Apabila populasinya normal dan sampelnya besar maka distribusi sampling harga
deviasi standar bisa dianggap mendekati distribusi normal dengan mean sama dengan
standar populasinya dan deviasi standar.
2

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 BAB VI

ESTIMASI SECARA STATISTIK

A.Ciri-Ciri Estimasi Yang Baik

Dalam membuat estimasi harga parameter populasi, seyogianya variable random harga
statistik sampel tidak bervariasi terlalu jauh dari harga parameter populasi yang konstan.
Statistik penduga sedemikian itu umumnya dinilai sebagai penduga yang baik jika memiliki 3
ketentuan yakni :

1. Tidak Bias (unbiased)

Harga statistik sampel merupakan penduga yang tidak bias jika

E (harga statistik)= harga parameter .

Bias dapat dirumuskan sebagai :

Bias = E (harga statistik ) – Harga Parameter

2. Efisien

Distribusi penduga harga statistik sebaiknya terpusat atau mempunyai deviasi standar
yang kecil sekali.

3. Konsisten

Secara kasar penduga yang kosisten merupakan penduga yang bekonsentrasi secara
sempurana pada parameter jika besarnya sampel bertambah secara tak terhingga3

Jika besarnya sampel menjadi tak terhingga, penduga harga statitistik yang
konsisten harus dapat memberi suatu pendugaan titik secara sempurna terhadap harga
parameter. Secara matematis, harga statistik dapat merupakan penduga yang konsisten
bila dan hanya bila E (harga statistik –harga parameter) sama dengan nol.
4

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 Dengan perkataan lain , harga statistik merupakan penduga yang konsisten bila biasanya
maupun deviasi standar mendekati 0 yaitu jika nsampai tak terhingga

C. CARA MENDUGA HARGA PARAMETER

Harga Parameter dapat diestimasikan (diduga) dengan dua cara yakni :

1. Interval Estimation (pendugaan interval)

2. Point Estimation ( Pendugaan Titik)

Ad 1 Dari penelitian dan perhitungan-perhitungan harga statistik suatu sampel,bisa

dihitung suatu interval ( dua batas nilai) di mana dengan probabilitas tertentu.

Ad 2 Dalam pendugaan titik , harga parameter hanya diduga dengan satu harga yakni
harga statistik sampelnya.

D. PENDUGAAN HARGA MEAN POPULASI

Untuk menduga harga mean populasi akan kita dasarkan pada pengertian kita tentang
adanya distribusi sampling harga mean (sampling distribution of the means) dengan sifat-
sifatnya yakni : mempunyai mean sama dengan mean populasinya, mempunyai deviasi
standar ( standard error of the means) sama dengan dan mendekati distribution normal n
> 30.

Bila sampelnya besar ( n> 30), pendugaan dapat dilakukan sebagai berikut :

1. Interval Estimation Untuk 

2. Point Estimation Untuk 

3. menentukan besar sampel (n)

E. PENDUGAAN HARGA PROPORSI POPULASI P

Kalau kita ingin menduga harga proporsi populasi , maka perlu dipikirkan adanya
distribusi sampling harga proporsi. Apabila populasinya sangat besar dan proporsi P
tidak terlalu dekat dengan 0 ataupun 1 , maka distribusi sampling harga proporsi ( p atau
𝑥
) akan mendekati distribusi normal dan mempunyai mean sama dengan proporsi
𝑛
populasinya ( p = P) daj mempunyai deviasi standar .

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

4
1. Interval Estimation untuk P :

Apabila diambil daerah 95% di tengah , batas luas daerah ini adalah Z1 = -1,96 dan Z2=
1,96

2. point Estimation untuk P :

𝑥
Apabila ( proporsi sampel dari sampel random besar) digunakan P , maka dengan
𝑛
probabilitas 95% .

3. menentukan besar sampel

Apabila dalam suatu pendugaan proporsi dengan menggunakan sampel random

diinginkan keyakinan (1-) bahwa besarnya error dalam pendugaan ini tidak melebihi
suatu harga tertentu, maka rumus error (dinyatakan dengan E) dapat digunakan untuk
menentukan besarnya sampel yang harus diambil.

F. PENDUGAAN HARGA PERSEDIAAN DUA MEAN

Dua mean populasi yang tidak diketahi tersebut dapat dibandingkan dengan menduga
perbedaan 1 - 2 . dimana bila sampel-sampelnya besar distribusi tersebut dianggap
𝛼 𝛼
mendekati distribusi normal dengan mean = 1 - 2 dan deviasi standar = √𝑛 + 𝑛

G. PENDUGAAN HARGA PERBEDAAN DUA PROPORSI

Misalnya dipunyai dua populasi dimana proporsi individu-individunya yang mempunyai

sifat tertentu yang akan diselediki adalah masing-masing P1 dan P2. Apabila perbedaan P1
dan P2 akan diduga dengan menggunakan dua sampel random yang masing-masing
diambil dari populasi populasi itu, maka untuk itu kita harus memahami adanya distribusi
sampling. Harga perbedaan dua proporsi dapat digunakan dengan :

1. pendugaan interval P1 dan P2.

2. pendugaan titik untuk P1 - P2.

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 H. PENDUGAAN HARGA DEVIASI STANDAR POPULASI

Untuk menduga besarnya  kita harus memhami adanya distribusi sampling harga
deviasi standar dengan sifat-sifatnta . pabila populasinya normal dan sampel besar ,
distribusi sampling harga S diabggap mendekati distribusi normal dengan mean =
𝛼
Deviasi standar =
√2𝑛

I . PENDUGAAN HARGA PARAMETER SAMPEL KECIL

1. Pendugaan Harga Mean  Sampel Kecil

Semakin bertambah besarnya anggota sampel pendekatannya akan semakin sempurna .

sebaliknya semakin berkurangnya anggota sampel pendekatannya semakin kurang baik.
Untuk sampel random kecil , pendugaan mean populasi dilakukan dengan distribusi t .
andaikan sampel-sampel random dengan n<30 Masing-masing diambil dari suatu
populasi normal, dan apabila untuk masing-masing sampel dihitung dengan rumus :
𝑋−𝜇
t= 𝑆
√𝑛

J. PENYESUAIAN POPULASI KECIL

Deviasi standar distribusi sampling harga statistiknya adalah :

𝜎
s =
√2𝑛

Tetapi bila populasinya relatif kecil dibandingkan dengan sampelnya atau bila sampel
random dipiliih populasi yang terbatas tanpa pengembalian.

√𝑁−𝑛
Faktor koreksi Harus diperhtaikan dalam hal pendugaan harga parameter 6
√𝑁−1

BAB VII
UJI HIPOTESIS
A. PENDAHULUAN

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 Hipotesis adalah pernyataan mengenai suatu hal yang harus diuji kebenarannya . sebagai
contoh misalnya produsen me yatakan bahwa konsumsi BBM suatu mobil merek X 1 liter untuk
23 km, pernyataan ini merupakan hipoteis bagi kita dan pembeli pada umumnya. Untuk bisa
membuktikan benar atau tidaknya pernyataan ini diperkukan penelitian dan analisis.
Penyelidikannya bersifat destruktif datanya bersdifat homogen, menghemat biaya, tenaga dan
waktu.

Cara yang demiklian dengan sednirinya tidakk dapat memberikan kepastian tentang
hakikat benar atau tidaknya hipotesis tersebut. Sehingga pengambilan keputusn dengan prosedir
yang demikian kita menghahaspi dua kemungkinan membuat kesalhan yakni :

1. type eror I (kesalahan tipe I)

Kesalahan yang kita perbuat apabila kita menolaj hipoteis yang pada hakikatnyab benar

2. type II Eror (kesalahan tipe II)

Kesalahan yang kita perbuat apabila kita menerima hipotesis yang pada hakikatnya salah.

B. KESALAHAN TIPE I

Kesalahan tipe 1 adalah kesalahan yang terjadi karena kita menyalahkan hipotesis yang
benar. Hal ini dapat terjadi antara lain karena terdapat kesaalahan didalam mengumpulkan data .
probabilitas kesalahan tipe I sering disebut alpha . biasnya alpha ini yang sebagai pedoman
menguji hipoteis. Bila probabilitas terjadi dalam mengambil sampel yang benar = 5% maka
alpha = 0,05 dan probabilitas memperoleh sampel yangbenar = 0,95

C. KESALAHAN TIPE II

Kesalahan tipe II karena kita menerima hipotesis yang salah, hipotesinya salah tetapi
masih ada peluang untuk tidak menolak hipotesiitu dengan probabilitas sebesar  .

Untuk harga n tertntu apabila aplha ditentukan harganya mka bisa  ditetukan. Apabila
aplhadiperkecil harganya , maka  menjadi besar. Untuk memperkecil harga kedua-duanya (
dan ) maka n (ukuran sampel) harus diperbesar.

D. HIPOTESIS NIHIL ( NULL HYPOTESIS) DAN HIPOTESIS ALTERNATIF

(ALTERNATIVE HYPOTESIS)

Hipotesis statistik yang akan diuji dinamakan hipotesis nihil . karena formulasinya ini
akan memperngaruhi perhitungan-perhitungan yang dilakukan dalam uji hipotesis. Maka
hipotesis nihil harus dinformasikan sedemikian rupa sehingga probabilitas ajan berbuat
kesalahan  bisa dihitung dan memungkinkan pula melakukan perhitungan-perhitungan dalam
uji hippotesis tersebut.

Dalam menyusun hipotesis alternatif timbul 3 keadaan :

1. H1 yang mengatakan bahwa harga paraneter tidak sama dengan harga harga yang
dihipotesiskan

2. H1 yang mengatakan bahwa harga parameter lebih besar dari harga yang dhipotesiskan

3. H1 yang mengatakan bahwa harga parameter lebih kecil dari yang dihipotesiskan.

E. UJI HIPOTESIS MENGENAI MEAN

1.sampel besar (n > 30)

Langkah-langkah dalam melaksanakan uji hipotesis

a.menyusun formulasi hipotesis nihil dan hipoteis alternatifnya

menentkan alternatif pengujian :

- Formulasi a digunakan pengujian dua sisi;

- Formulasi b digunakan pengujian satu sisi kanan,
- Formulasi c digunakan pengujian satu sisi kiri.
b. memntukan level of signifinance7

c. memnetukan peratiran0peraturan pengujiaanya/kriterianya8

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 d.dari sampel random yang diambil kemudian nilai Z

e. dengan membandingkan perhitungan pada langkah 4 dengan peraturan penguian

langkah 3 kemudian diambil kesompulan.

2. sampel kecil (n<30)

F. UJI HIPOTESIS MENGENAI PROPORSI

Langkah-langkah formulasi H0 dan H1 .

1. menentukan formulasi H0 dan H1 .

Menentukan aternatif pengujian:

-Formulasi a dgunakan pengujian dua sisi ;

-formulasi b digunakan pengujian satu sisi kanan;

-formulasi c digunakan pengujian satu sisi kiri.

2. menentukan level of significance

3.rule of the test

4.kesimpulan HO diterima atau ditolak.

G. UJI HIPOTESIS BEDA DUA MEAN

Sampel besar (n1 ; n2 > 30)

Langkah-langkah dalam pengujiann hipotesis

1. formulasi H0 dan H1 .

Menentukan alternatif pengujian

-formulasi a digunakan untuk pengujian dua sisi

-formulasi b digunakan untuk pengujian satu sisi kanan

-formulasi c digunakan untuk penhujian satu sisi kiri.

2. memnrukan level of signifinance

3,rule of test
4. perhitungan nilai Z

5. kesimmpulan : H0 diterima atau ditolak

Sampel kecil (n1; n2 < 30)

Langkah-langkah dalam pengujian hipotesis

1. formulasi H0 dan H1 .

Menentukan alternatif pengujian

-formulasi a digunakan untuk pengujian dua sisi

-formulasi b digunakan untuk pengujian satu sisi kanan

-formulasi c digunakan untuk penhujian satu sisi kiri.

2. memnrukan level of signifinance

3,rule of test

4. perhitungan nilai t

5. kesimmpulan : H0 diterima atau ditolak

H. UJI HIPOTESIS BEDA DUA MEAN UNTUK OBSERVASI BERPASANGAN

Apabila dua sampel yang digunakan untuk menguji hipotesis nihil bahwa 1 = 2,
menunjukan hasil hasil observasi yang berpasangan , adalah observasi pertama dari sampel
pertama , observasi dari sampel kedua dan seterusnya maka hipotesis ini bisa diuji dengan
menggunakan perbedaan anatra harga-hgarga yang berpasangan itu.9

Langkah-langkah dalam pengujian hipoteis ini hampir sama saja dengan yang telah
dijelashkan di muka. Perbedaannya ahnya pada langkah 4 dari hasil observasi dohitung ilai t
𝐷
dengan rumus : t=
𝑆𝑑 / √𝑛

BAB VIII

UJI CHI-SQUARE
A. Pengujian Hipotesis Mengenai Proporsi (k > 2)

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 Dari ini akan dibicarakan pengujian hipotesis nihil yang mengatakan bahwa
proporsi individu individu yang mempunyai sifat tertentu yang hendak kita selidiki
dari k populasi (k > 2), adalah sama.Untuk tujuan tersebut dari tiap-tiap populasi
kemudian diambil sampel random yakni sampel 1 dari tiap populasi 1,sampai 2 dari
populasi 2 ...... sampel k dari populasi k. Andaikan sifat individu tersebut kita
bedakan “baik” dan “tidak baik” dan misalnya dalam sampel 1 terdapat n22 individu
yang bersifat tidak baik , ..... ddalam sampel k terdapat nik individu yang bersifat
baik dan n2k individu yang bersifat tidak baik.Kalau kenyataan tersebut disajikan
dalam suatu tabel,maka diperoleh tabel seperti berikut
Pengelompokan Individu dari k Sampel

Sampel 1 Sampel 2 Sampel k Jumlah

Banyaknya individu yang n11 n12 ........ n1k n1
bersifat baik
Banyaknya individu yang n21 n22 ......... n2k n2
bersifat tidak baik
Jumlah n1 n2 ......... nk n

Untuk membandngkan frekuensi pengamatan dengan frekuensi

diharapkan,didefinisikan suatu harga statistik sebagai berikut ;

(nij−en)
X2 = ∑2𝑖−1 ∑𝑘𝑗−1
𝑒11

Apabila hipotesis benar,maka distribusi sampling harga statistik tersebut

mendekati chi square distrubution, yang beberapa harganya bisa dilihat pada
tabel X2, untuk berbagai leveel of signaficance, dan degree of freedom 10

Kurva chi-square distribution bisa digambarkan sebgai berikut : (𝛼 = 0,05 )

10

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 Daerah tolak

Daerah terima 0,05

X20,05 X2

Langkah-langkah di dalam menguji hipotesis k proporsi adalah sebagai berikut ;

1. Menentukan formulasi hipotesis nihil dan hipotesis alternatifnya ;

H0 : P1 = P2 = .......... = Pk (=P)
H1 : P1 = P2 = .......... ≠Pk (≠P)

2. Dipilih level of significance tertentu

3. Kriteria pengujian
H0 diterima apabila :
X2 ≤ X2(α ; k-1)
H0 ditolak apabila :
X2 > X2(α ; k-1)

Berbagai nilai X2 dengan α tertentu ( X20,05 , X20,025,X20,01) , dengan degree of

freedom tertentu dilohat pada tabel X2

4. Hitung niai X2 dengan rumus :

X2 = ∑2𝑖−1 ∑𝑘𝑗−1 (nij – eij)
eij
5. Kesimpulan ; dengan membandingkan hasil perhitungan dalam langkah 4 dengan
kriteria pengujian dari langkah 3, diambillah kesimpulan, apakah H0 diterima atau
ditolak/

B.ANALISIS TABEL r x k

Didalam distribusi binominal tiap-tiap percobaan akaan menghasilkan

sartu dari dua kemungkinan hasil yakni “sukses” atau “gagal” . Didalam praktek
banyak kita jumpai suatu percobaan yang menghasilkan lebih dari dua kemungkinan
hasil.

C. UJI INDEPENDENSASI
 Apabila individu suatu populasi dapat diklarifikasikan dalam dua variabel
(kategori) , tiap-tiap kategori dapat terdiri dari beberapa alternatif.Kemudian kita ingin
menguji H0 apakah kedua variabel tersebut independen.Untuk menguji H0 tersebut
kemudian diambil suatu sampel , individu-individu dalam sampel tersebut
diklarifikasikan dalam ‘two way classification”

Pengujian tersubut dinamakan “two way classification” tabelnya dinamakan

tabel kontigengsi

TABEL KONTIGENGSI

VARIABEL 1
A1 A2 A3 AK Jumlah

B1 n11 n12 n13 .................... n1k n1

B2 n21 n22 n23 .................... n2k n2

: : : : ..................... : :

: : : :
: ..................... :

:
: : : ..................... : :

BR nr1 nr2 nr3 .................... nrk nr

JUMLAH n.1 n.2 n.3 .................... n.k n

11

Langkah-langkah dalam uji independensi

1. Menentuka formulasi null hypothesis dengan alternative hypotests

11

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta

 H0 : P11 = P12 = .................... = P1k
P21 = P22 = .................... = P2k
Pt1 = Pt2 = .................... = Prk

H1 : Tidak semua proporsi sama

2. Dipilih level of significance tertentu (α) , dengan degree of freedom (r – 1) (k – 1)

3. Kriteria Pengujian :

H0 diterima apabila: X2 ≤ X2α ;( r-1) ( k-1)

H0 ditolak apabila : X2> X2α ;( r-1) ( k-1)

4. Perhitungan

X2 = ∑r𝑖=𝑗 ∑𝑘𝑖=𝑘
(nij – eij)2
eij
dimana eij = (nij – eij)
n
5. Kesimpulan : Apakah H0 diterima atau H0 ditolak

BAB IX

UJI F (ANALISIS VARIANCE)

A. PENGUJIAN HIPOTESIS TENTANG k MEAN (k>2)

Persoalan yang kita hadapi adalah pengujian hipotesis berdasarkan hasil penyelidikan
lebih dari dua buah sampel. Sebagai gambaran misalnya akan kilta selidiki apakah perbedaan
mean dari sampel pertama, dengan yang dari sampel kedua , ketiga dan seterusnya itu
disebabkan oleh faktor yang kebetulan saja (chance) ataukah oleh faktor lain yang benar-benar
berarti (significant).
 Hipotesis nihil yang akan diuji mengatakan bahwa mean dari lebih dari dua populasi
normal adalah sama. Asumsinya bahwa variance (deviasi standar kuadrat) dari populasi-populasi
itu sama.

Prinsip yang digunakan sebagai dasar dalam melakukan pengujian hipotesis ini adalah
apabila mean dari kelompok bagian sangat berbeda satu dengan yang lain, maka variance
kombinasi dari seluruh kelompok akan jauh lebih besar dari variance masing-masing kelompok
bagian.

Sampel-sampel Random, k Sampel dengan Anggota n

XIJ = Individu ke i dari sampel j

k = banyaknya sampel

n = banyaknya individu sampel (untuk masing-masing populasi besarnya sampel sama

)

X= over all mean , atau grand mean yakni mean dari semua observasi.12

1. Variance between means(deviasi standar kuadrat dari mean-mean ) dengan rumus

2
: S 𝑋 = Dipandang sebagai harga estimasi dari
𝜎 𝜎
𝑥 = 𝑛 dimana 2 adalah variance populasi .

2. Variance within group : yakni variance rata-rata dari variance masing-masing

sampel.
2 2 2
S1+S2+.............+S𝑘

Apabila mean populasi tersebut tidak sama maka variance between means akan jauh lebih besar
daripada variance within group. Distribusi sampling harga statistik F yang didefinisikan sebagai
: F = variance between means

Variance within group

Akan berbentuk distribusi F , yang beberapa harganya untuk berbagai degree of freedom dengan
 = 0,5 dengan = 0,01 dapat dilihat pada tabel nilai F. Analisis yang digunakan untuk
pengujian hipotesis tentang k mean tersebut juga dinamakan analysis of variance (ANOVA)
Langkah-langkah dalam pengujian k mean :

1. hipotesis : Ho : 1=2=...............=1

12
Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta
 H1 : 1=2=................=k

2.Dipilih level of signifinance tertentu (0,05 atau 0,01)

3.Kriteria Pengujian
4.Perhitungan Nilai F : Variance between means
Variance within groups
5.kesimpulan (dengan membandingkan antara langkah 4 dengan peraturan pengujian pada
langkah 3)

B. ANALISIS VARIANCE DUA ARAH

Analisis variance yang telah diuraikan dalam subbab sebelumnya dapat diperluas dengan
analisis variance dua arah (two way analysis of variance). Dalam analisis varince dua arah, tidak
hanya didasarkan pada suatu perlakuan tetapi diperluas menjadi dua perlakuan . hipotesis nihil
yang akan diuji mengatakan bahwa tidak ada perbedaan k mean (k>2) pada perlakuan satu;
bahwa tidak ada perbedaan k mean (k>2) pada perlakuan dan tidak ada efek interaksi antara
perlakuan satu dengan perlakuan dua. 13

Langkah-langkah dalam pengujian hipotesis :

1. H0 1=2=3 = 0

H1 a. Paling sedikit satu j tidak sama dengan nol

b. Paling sedikit satu j tidak sama dengan nol

2. penentuan nilai F tabel dengan = 0,05

3.kriteria pengujian
4.perhitungan nilai F
5.kesimpulan :

HO Tidak ada perbedaan hasil kerja antara mesin-mesin dapat diterima pada  =0,05 (2,51<4,26)

HO Tidak ada perbedaan hasil kerja antara pekerja-pekerja ditolak pada  = 0,05 (4,34 >4,26)

Ho bahwa tidak ada efek interaksi anatar mesin dan pekerja, dapat diterima pada  =0,05
(1,95<3,63)

C. PENGUJIAN HIPOTESIS DUA VARIAN

13
Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta
 Kita ingin menguji bahwa variance dua populasi adalah sama, untuk menguji dari masing-
masing populasi diambil sampel dan kemudian dihitung variance-nya:
2
S1 = variance dari sampel 1 dengan n1 individu
2
S2 = variance dari sampel 2 dengan n2 individu

Langkah-langkah pengujiannya :
1. Menentukan komposisi Ho dan H1
2.dipilih level of significance tertentu (0,05 atau 0,01)
3. kriteria pengujian
4.Perhitungan nilai F
5.Kesimpulan :

a. Ho tidak ada perbedaan hasil kerja anatara mesin-mesin , dapat diterima pada  = 0,05
(2,51<4,26)

b.Ho tidak ada perbedan hasil kerja antara pekerja-pekerja ditolak pada  = 0,05 (4,34>4,26)

c.Ho bahwa tidak ada efek interaksi antara mesin dan pekerja , dapat diterima pada  = 0,50
(1,95<3,63)

BAB X

REGRESI LINEAR
A.PENDAHULUAN

Tujuan utama dari kebanyakan penyelidikan statistik dalam dunia bisnis dan ekonomi
adalah mengadakan prediksi(ramalan). Misalnya ramalan tentang pasar potensil dari produk
baru.Berdasarkan prediksi yang didasarkan pada keterangan statistik pengusaha dan ahli
ekonomi dapat mewujudkan ramalannya dengan probabilitas dan ahli ekonomi dapat
mewujudkan ramlannya ratanya mendekati kenyataan.apabila mungkin para ahli bermaksud
untuk menyatakan hubungan antara variabel-variabel yakni hubungan antara variabel yang telah
diketahui dengan variabel yang akan diramlkan, dalam bentuk persamaan matematis.14

Pendekatan yang demikian telah berhasil baik dalam ilmun pengetahuan alam. Misalnya
temperatur yang konstan, hubungan anatara volume suatu gas (Y) dan tekanan/desakannya (X)
𝒌
dapat dinyatakan dengan formula. Y =𝑿
Dimana k adalah bilangan konstan . Dalam ilmu ekonomi misalnya persamaan yang sederhana
dan luas penggunaannya untuk menunjukan hubungan variabel-variabel adalah persamaan
linear. Y= a+bX diturunkan dari model Y= +X + . a dan b bilangan konstan.

Di dalam persamaan linear , hubungan anatara dua variabel bila digambarkan secara
grafis (dengan scatter diagram) semua nilai X dan Y yang sesuai dengan persamaan Y =a+bX
akan jatuh pada suatu garis lurus . garis tersebut yang dinamakan regression line (garis regresi).

Sebenarnya hubungan antara dua variabel itu ada dua tipe yakni :

1. hubungan functional

2. hubungan regressional

Dikatakan ada hubungan functional bila ada true value of Y untuk tiap-tiap kemungkinan
nilai X dan sebaliknya. Hubungan ini kebanyakan dijumpai di dalam ilmu pengetahuan alam.
𝑘
Misalnya Y = 𝑥 k

k= bilangan konstan

Y= volume suatu gas

X= tekanan/desakan

Dikatakan ada hubungan regressional bila tidak ada true value of Y untuk tiap nilai X
dan sebaliknya. Untuk tiap nilai X ada banyak nilai Y selama Y tersebut tidak sepenuhnya
ditentukan oleh X. Begitu pula sebaliknya.

Persamaan linear banyak kegunaannya dan penting, tidak hanya karena terdapatnya
banyak hubungan dalam bentuk tersebut,tetapi juga karena sering digunakan dalam pendekatan
untuk hubungan-hubungan yang kompleks dan sukar digambarkan.

B. METODE LEAST SQUARES

Untuk memberi gambaran persoalan membuat garis lurus (straight line) dari sekumpulan
data hasil observasi dari variabel X dan Y .

14
Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta
1. metode Free Hand

Pada cara ini garis regresi yang berupa garis lurus dibuat dengan dikira-kira berdasarkan
perasaan saja. Tentu saja garis regresi yang dihasilkan terpengaruh oleh unsur subjektif dari
pembuatnya oleh karena itu kurang cermat.

2. Metode Least Squares

Metode least squares berusaha membuat garis yang mempunyai jumlah selisih (jarak
vertikal) kuadrat antara data dengan garis regresi yang terkecil. Metode ini ditemukan oleh
Adrien Legendre seorang ahlimatemataika Perancis pada awal aba 19 .

pada contoh yang disebut jarak vertikal adalah selisih antara penjualan yang sebenarnya
dengan ramlan penjualan berdasar garis regresi. Adapun langkah-langkah untuk menyusun garis
regresi linear dengan metode least square ini sebagai berikut :

a. susunlah nilai-nilai dependent variabel (Y) dan independent variabel (X) yang kita miliki
sepasang-sepasang pada tabel.

b. hitung nilai-nilai X2 dan jumlahkan untuk semua data , begitu pula XY

c. kita akan mencari regresi Y= a+bX , dimana :

Y= Nilai dependent variabel yang sesungguhnya

Y’= nilai dependent variabel yang diramalkan

X= nilai independent variabel

a= bilangan konstan, yang merupakan titik potong dengan sumbu vertikal pada gambar kalau
niali X=0

b= slope yaitu koefisien kecondongan garis itu.

C. REGRESI LINEAR

Berdasarkan persamaan Y’ = -23,2 + 6,88 X kita dapat mengadakan ramalan misalnya

berapa besarnya sales (Y) bila score dalam aptiude test (X) = 35 . berdarkan persamaan tersebut
kita tidak dapat mengharapkan bahwa suatu ramalan adalah benar, melainkan hanya menunjukan
rata-ratanya saja. Jadi pada score 35 rata-rata mendapatkan first year sales 217,6 dan pada score
50 rata-rata mendapatkan first year sales 320,8.

Kurva yang dibentuk oleh means dari distribusi yang digambarkan di muka, disebut
curve of means dan umurnya dinyatakan sebagai regression curve. Khusunya bila berbentuk
garis lurus disebut regression line, untuk menyatakan bahwa garis itu merupakan rata-rata Y
untuk nilai X tertntu maka lebih khususnya dinyatakan sebagai rgressiion line of Y on X
 Oleh karena itu garis regresi ini merupakan ramalan, maka kota mengenal garis regresi
yang senyatanya , yakni yang terdiri dari rata-rata yang senyatanya dari Y untuk nilai-nilai X.
Dinyatakan dengan persamaan Y = +X sedangkan estimated regression line dinyatakan
’
dengan persamaan : Y = a + bX

a= merupakan pendugaan dari 

b= merupakan pendugaan dari 

Pendugaan tersebut hanya didasarkan pada sampel , oleh karenanya ada pengaruh faktor
kebetulan (chance variation) .

Konstanta a dan b yang diperoleh dengan metode least squares merupakan estimated
regression cofficents untuk  dan  (dinamakan true regression cofficients). Oleh karena itu
persamaan Y’ = 23,2 + 6,88X merupakan pendugaan dari garis yang menunjukan rata-rata first
year sales yang senatanya untuk nilainuji tertentu.

D.LIMITS OF PREDICTION

Untuk mengevaluasi ketelitian dari suatu pendugaan atau goodness dari suatu keputusan
kita harus mengetahui sesuatu tentang variabilitas dari populasi dari mana sampel kita ambil.
Variabilitas ini biasanya diukur dengan deviasi standar dari condition distribution dari Y untuk
nilai-nilai X tertentu.

Selama data yang dipergunakan semacam persoalan tersebut hanya terdiri dari nilai-nilai
Y yang sangat sedikit untuk nilai x tertentu kita akan menemui kesulitan untuk menduga deviasi
standar ini. Oleh karena itu kita beranggapan bahwa condituonal distributuion dayi Y untuk
nilai-nilai X tertentu, semuanya mempunyai deviasi standar yang sama.

Deviasi standar dari distribusi dinyatakan dengan rumus :

∁𝑌𝑖 − 𝑌𝑖)
SYX = √∑𝑛𝑖=1 −
𝑛−2

Dari rumus tersebut di muka Y.X digunakan untuk nenyatakan bahwa kita menduga deviasi
standar senuatanya dari Y untuk nilai-nilai X tertentu. Sedangkan Syx dinamakan standartd error
of estimate. Jumlah kuadrat dibagi dengan-2 , oleh karena dua konstanta a dan b dihitung
berdasarkan data asli.

E. UJI HIPOTESIS
 Pengujian hipotesis bukan mengenai garis regresinya tetapi mengenai nilai  yaitu slope
dari garis regresi populasinya. Nilai statistik b ini akan bervariasi pada sampel-sampel yang
berbedaa (berbeda anatara sampel yang satu dengan sampel yang lain).15

Sepuluh salesmen seperti contoh dimuka hanyalah merupakan suatu sampel random yang
diambil dari suatu populasi tertentu. Dengan demikian garis regresi yang didapat adalah garis
regresi untuk sampel tersebut yang bisa dipandang sebagai estimate dari garis regresi
populasinya. Oleh karena estimate tersebut hanya didasarkan pada sampel, berarti mengandung
faktor kebetulan. Distribusi sampling nilai b tesebut dianggap berdistribusi normal dengan mean
=  dan deviasi standar.

Hipotesis nihil yang akan diuji b=0 ,artinya tidak ada hubungan antara dua variabel.
Apabila n<30 maka distribusi sampling nilai b mengikuti distibusi nilai t dengan degres of
freedom n-2 sebaliknya untuk sampel distribusi nilai b akan mendkeati distribusi normal.

𝑏−𝛽
Sampel kecil : t =
𝑆𝑏
𝑏−𝛽
Sampel besar : z =
𝑆𝑏

F. REGRESI LINEAR BERGANDA

Dimuka telah dijelaskan , berdasarkan huubungan dua variabel yang dinyatakan dengan
persamaan linear Y= a+bX kita dapat membuat prediksi tentang besarnya nilai Y (variabel
dependen_ berdasarkan nilai X (variabel independen).tidak hanya memperlihatkan satu variabel
yang mempengaruhi variabel independen. Yang lebih realitis adalah hubungan lebih dari dua
variabel karena sebenarnya hubungan antara variabe;-variabel kebanyakan merupakan hubungan
regresional artinya bahwa tidak ada nilai Y tertentu untuk nilai X trentu karena nilai Y tersebut
dipengaruhi oleh banyak variabel X. Analisis regresi linear untuk lebih dua variabel disebut
analisis regresi llinear beragnda (multipe linear regrsission) yang dinyatakan persamaan linear.

Y= a+b1X1+b2X2+...........+bkXk dimana Y merupakan variabel yang akan diramalkan sedang

X1,X2 adalah variabel yang diketahui yang dijadikan dasar dalam membuat ramalan tersbut.

G.REGRESI LINEAR BERGANDA DENGAN VARIABEL DUMMY

Dalam analisis regresi linear kadang-kadang terjasi bahwa variabel dependen tidak hanya
dipengaruhi oleh variabel yang dapat dinyatakan secara kuantitatif (seperti modal usaha,
pengalaman berusaha ,hasil usaha) tetapi juga dipengaruhi oleh variabel yang pada dasarnya

15
Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta
bersifat/berbentuk kualitatif , atribut ataupun kategori(variabel dengan skala nominal seperti
jenis kelmin, agama,warna kulit , suku bangsa , jenis pekerjaan). 16

Analisis regresi sederhana atau berganda seperti yang telah dijelaskan di muka dapat
digunakan apabila salah satu, bebrapa atau semua variabel independennya berupa variabel
kualitatif atribut atau kategori (variabel dengan skala nominal).

Untuk variabel kulitatif , atribut atau kategori tersebut digunakan nomor kode 0 untuk
pengamatan yang masuk satu kategori dan nomer kode 0 untuk pengamatan yang masuk
kategori lainnya. Misalnya nilai 1 menunjukkan bahwa seseorang adalah laki-laki dan –
menunjukan perempuaannya atau 1 menunjukkan bahwa seseorang menganut agama islam dan 0
menunjujjkan bahwa seseorng non islam ; atau 1 menunjukkan bahwa seseorang petani menjadi
anggota KUD dan 0 menunjukkan bukan anggota KUD dan seterusnya.

Variabel yang mengambil nilai seperti 0 atau 1 tesebut disebut variabel dummy. Nama
lainnya ialah variabel binary atau variabel dichotomous.

Modelnya dapat digunakan seperti persamaan regresi linear berganda di muka

Y= a+b1X1+b2X2+........+bkXk

Dimana salah satu beberapa variabel independennya merupakan variabel dummy.

Atau misalnya bahwa gaji seseorang karyawanan di perusahaan asing itu dipengaruhi oleh tahun
penglaman bekerja jenis kelamin dan warna kulit dapat digunakan model :

Y= a+b1X1+b2X2+...........+b3X3

16
Djarwanto, Pangestu . Edisi 5. Statistika Induktif. Yogyakarta