Mmpi5103 PDF
Mmpi5103 PDF
Daftar Isi
Kegiatan Belajar 2:
Deskripsi Data ...................................................................................... 1.18
Latihan ................................................................... .............................. 1.34
Rangku man ........................................................................................... 1.37
Tes Formatif 2 ..................................................................................... 1.38
Kegiatan Belajar 3:
Penggunaan Ukuran-ukuran Statistik untuk Meringkas Sekumpulan
Data ............................................................................... ........................ 1.42
Latihan ................................................................... .............................. 1.53
Rangku man ........................................................................................... 1.54
Tes Formatif 3 ..................................................................................... 1.55
Kegiatan Belajar 2:
Variabel Random Diskrit ..................................................................... 2.26
Latihan …………………………………………................................. 2.36
Rangku man …………………………………...................................... 2.39
Tes Formatif 2 ……………………………..……................................ 2.40
Kegiatan Belajar 2:
Distribusi Samp ling .............................................................................. 3.24
Latihan …………………………………………................................. 3.37
Rangkuman …………………………………...................................... 3.40
Tes Formatif 2 ……………………………..……................................ 3.41
Kegiatan Belajar 2:
Uji Hipotesis Satu Populasi .................................................................. 4.20
Latihan ................................................................................................. 4.35
Rangku man ........................................................................................... 4.37
Tes Formatif 2 ...................................................................................... 4.39
v
Kegiatan Belajar 2:
Analisis Korelasi dan Regresi ............................................................... 6.29 ...........
Latihan …………………………………………................................. 6.45
Rangku man …………………………………...................................... 6.48
Tes Formatif 2 ……………………………..……................................ 6.49
Peta Kompetensi
Statistika/M M PI5103/2sks
Modul 1
P ENDAHULU A N
S audara, sekarang Anda mulai masuk pada dunia statistika. Saya ucapkan
selamat datang di Modul 1, yang akan membahas konsep -konsep dasar
statistika. Modul 1 ini merupakan pengantar untuk modul-modul berikutnya.
Oleh karena itu, Anda diharapkan mampu memahami keseluruhan materi
yang disajikan pada modul ini.
Modul 1 menjelaskan tentang pengantar statistika dan statistika
deskriptif. Pengantar Statistika meliputi pengertian statistika dan ruang
lingkupnya, konsep dasar tentang populasi dan sampel, serta data dan skala
pengukurannya. Sementara itu, statistika deskriptif meliputi penyajian data
dan ukuran-ukuran numerik dari suatu data.
Sebelum melangkah pada topik yang lebih serius dalam statistika,
hendaknya memang Anda mengenal istilah-istilah dan ruang lingkup
statistika. Hal ini bertujuan agar pemahaman Anda terhadap keseluruhan
materi statistika menjadi utuh. Selain itu, pemahaman Anda mengenai data
juga sangatlah dibutuhkan, karena statistika bekerja berdasarkan data. Tipe
data tergantung pada skala pengukurannya. Berbeda skala pengukurannya,
akan berbeda pula analisis statistika yang digunakan.
Modul 1 terdiri atas 3 kegiatan belajar s ebagai berikut.
1. Pengantar statistika yang berisi pengertian statistika dan ruang
lingkupnya, populasi dan sampel, serta data dan skala pengukurannya.
2. Deskripsi data yang berisi tentang deskripsi data dalam bentuk tabel dan
grafik.
3. Penggunaan ukuran-ukuran statistik untuk meringkas sekumpulan data
yang terdiri atas ukuran pemusatan data seperti rata-rata, kuartil, desil,
median, dan modus. Ukuran penyebaran data seperti range, rentang antar
kuartil, varians, dan simpangan baku. Sekumpulan data normal dan
aturan empiris.
1.2 Statistika
Kegiatan Belajar 1
Pengantar Statistika
A. PENGERTIAN STATISTIKA
Selain pengertian Statistika dan statistik, istilah populasi dan sampel juga
merupakan hal dasar yang harus Anda pahami. Karena, populasi dan sampel
MMPI5103/MODUL 1 1.5
terkait erat dengan apa/siapa yang menjadi objek penelitian kita dan
bagaimana inferensia statistika dapat dilakukan. Penjelasannya sebagai
berikut.
Dalam Statistika biasanya peneliti tertarik untuk mengetahui informasi
tentang keseluruhan elemen atau unsur yang akan diteliti. Populasi adalah
keseluruhan elemen atau unsur yang akan kita teliti tersebut. Penelitian yang
dilakukan atas seluruh elemen dinamakan sensus. Idealnya, agar hasil
penelitiannya lebih bisa dipercaya, s eorang peneliti harus melakukan sensus.
Namun, sering kali sensus sulit dilakukan karena banyak keterbatasan yang
dimiliki oleh peneliti, misalnya dari segi waktu, biaya, dan tenaga. Bahkan,
ada kalanya memang tidak memungkinkan untuk mengamati keseluruhan
anggota populasi. Misalnya, untuk mengetahui rasa jeruk yang dijual
pedagang buah-buahan, tak mungkin kita mencicipi seluruh jeruk yang dijual
pedagang. Dengan mengambil satu atau dua buah jeruk saja kita sudah bisa
menyimpulkan jeruk yang dijual pedagang tersebut manis atau tidak.
Kemudian, adakalanya juga tidak memungkinkan melakukan sensus karena
elemen populasinya tidak diketahui dengan jelas. Sebagai contoh, penelitian
mengenai pengidap HIV di Indonesia. Tentu akan sangat sulit mengetahui
secara pasti siapa saja yang mengidap penyakit HIV. Sehingga, yang dapat
kita lakukan adalah hanya meneliti beberapa orang saja yang mengidap
penyakit ini. Atas dasar pertimbangan-pertimbangan tersebut maka solusi
yang tepat adalah melakukan pengamatan atau meneliti sebagian dari anggota
populasi. Sebagian anggota populasi dimana pengukuran dilakukan disebut
sampel.
Penjelasan berikut merupakan penjelasan mengenai beberapa alasan
yang masuk akal mengapa peneliti tidak melakukan sensus . Beberapa alasan
tersebut adalah karena: (a) populasi demikian banyaknya sehingga dalam
praktiknya tidak mungkin seluruh elemen diteliti, (b) keterbatasan waktu
penelitian, biaya, dan sumber daya manusia, membuat peneliti harus telah
puas jika meneliti sebagian dari elemen penelitian , (c) kadangkala, penelitian
yang dilakukan terhadap sampel bisa lebih reliabel daripada terhadap
populasi – misalnya, karena elemen sedemikian banyaknya maka akan
memunculkan kelelahan fisik dan mental para pencacahnya sehingga banyak
terjadi kekeliruan, (d) elemen populasi yang homogen, penelitian terhadap
seluruh elemen dalam populasi menjadi tidak masuk akal, misalnya untuk
meneliti kualitas jeruk dari satu pohon jeruk.
1.6 Statistika
Agar hasil penelitian yang dilakukan terhadap sampel masih tetap bisa
dipercaya dalam artian masih bisa mewakili karakteristik populasi maka cara
penarikan sampelnya harus dilakukan secara seksama. Syaratnya adalah
sampel harus dapat mewakili karakteristik populasi (representatif). Oleh
karenanya penekanan yang harus diperhatikan dalam pengambilan sampel
adalah metode pengambilannya dan ukuran sampelnya. Cara pengambilan
sampel dikenal dengan nama teknik sampling atau teknik pengambilan
sampel.
C. PENGELOMPOKAN STATISTIKA
parameter
Pemilihan sampel
Populasi
statistik
Sampel
Statistik inferensia
Gambar 1.1
Hubungan antara Populasi, Sampel, dan Statistika Inferensia
1. Data
Telah dipahami bahwa tidak setiap data mampu memberikan gambaran
secara lengkap terhadap fenomena yang dikaji. Oleh karena itu, tidak setiap
data dapat digunakan sebagai dasar pengambilan keputusan. Bila data yang
tersedia berkualifikasi salah maka dapat dipastikan keputusan yang akan
diambil juga salah. Demikian pula jika data tersebut digunakan untuk
perencanaan, maka akan menghasilkan perencanaan yang tidak tepat, tidak
efektif dan tidak mengenai sasaran.
Data sebagai bahan baku bagi perencanaan dan pengambilan keputusan
haruslah memenuhi persyaratan tertentu. Syarat-syarat data yang baik adalah
sebagai berikut.
a. Realibel (dapat diandalkan), yang meliputi hal berikut.
1) Data harus objektif artinya sesuai dengan keadaan yang benar (as it
is). Data yang tersedia dapat menggambarkan keadaan yang
sesungguhnya dari objek yang diamati. Misalnya, produksi ikan
menurun dalam lima tahun terakhir dilaporkan meningkat, walaupun
data tertera dalam statistika produksi; tetap saja tidak objektif.
2) Data harus dapat mewakili (representative). Data yang tersedia
mampu mewakili populasi (lingkup yang lebih besar) yang
dimaksud. Misalnya: keadaan ekonomi nelayan ‘tidak miskin’
kesimpulan ini diambil berdasarkan survei yang respondennya
pemilik kapal saja. Laporan tersebut jelas tidak mewakili sebab
respondennya hanya pemilik kapal, sedang buruh tidak dijadikan
sumber keterangan.
3) Kesalahan baku (standart error) kecil. Data dapat dikatakan baik
bila kesalahan bakunya kecil. Sebaliknya, jika kesalahan baku besar
pertanda data tersebut dianggap bias.
b. Bermanfaat dan berguna, yang meliputi:
1) Data relevan. Data yang dikumpulkan harus ada hubungannya
dengan masalah yang akan dipecahkan. Misalnya, pemerintah akan
MMPI5103/MODUL 1 1.9
2. Penggolongan Data
Data dapat diklasifikasikan berdasarkan bentuknya, yaitu:
a. Data berbentuk bilangan disebut data kuantitatif, terdiri atas:
1) Data diskrit, berupa data hasil pencacahan. Misalnya: jumlah
penduduk, jumlah anggota populasi, jumlah sampel, jumlah satuan
unit percobaan, dan ranking. Data diskrit biasanya diwakili oleh
bilangan-bilangan utuh menurut satuannya. Contoh, gugus data
jumlah penduduk: 2.040, 2.105, dan 2.220 jiwa.
2) Data kontinu, data hasil pengukuran atau data ini berasal dari
ukuran pertumbuhan dan sangat bergantung pada data sebelumnya.
Misalnya: hasil pengukuran satuan pokok maupun turunannya ,
panjang, masa, luas, volume, dan waktu. Contoh, gugus data berat
ikan tongkol: 1,5 kg; 2,3 kg; 2,1 kg.
b. Data yang tidak berbentuk bilangan, disebut data kualitatif. Data
kualitatif dapat berupa informasi seperti: jenis kelamin, tempat tinggal,
warna, etnis, jenis barang, kualifikasi produk, dan sebagainya. Dalam
pengolahan dapat saja jenis data ini dikuantifikasi. Contoh: jenis kelamin
dibedakan menjadi ‘1’ laki-laki dan ‘0’ wanita. Namun demikian,
kuantifikasi tersebut hanyalah atribut bukan kuantitatif yang sebenarnya.
3. Skala Pengukuran
Pengukuran merupakan salah satu tahapan yang harus ditempuh oleh
seorang peneliti sebelum memperoleh data yang bersifat kualitatif maupun
kuantitatif. Misalnya: kurang baik, cukup baik, baik atau angka:
120,130,...dan lain sebagainya. Data yang didapat tersebut harus mampu
mencerminkan keadaan sesungguhnya atau ‘realitas’ dari benda atau
fenomena yang diamati. Proses inilah yang disebut pengukuran. Kategori:
baik, cukup baik … atau angka 120, 130, … sesungguhnya hanya ‘lambang’
yang diberikan terhadap benda atau fenomena yang dikaji. Oleh karena itu,
bila ‘lambang’ tersebut tidak sesuai dengan ‘realitas’ benda atau fenomena
yang diamati berarti ‘lambang’ tersebut menjadi tidak bermakna.
MMPI5103/MODUL 1 1.11
Definisi:
Pengukuran adalah pemberian angka -angka terhadap benda atau
peristiwa-peristiwa menurut kaidah tertentu dan kaidah yang berbeda
menghendaki skala pengukuran yang berbeda.
tingkatan data. Kategori yang satu lebih tinggi dari yang lain atau kategori
yang satu lebih rendah dari yang lain. Skala ordinal mempunyai informasi
skala nominal ditambah dengan sarana peringkat relatif tertentu yang
memberikan informasi apakah suatu objek memiliki karakteristik yang lebih
atau kurang. Akan tetapi bukan berapa banyak kekurangan dan kelebihannya.
Jawaban atas pertanyaan berupa peringkat terhadap pendapat tertentu
misalnya: sangat tidak setuju, tidak setuju, netral, setuju , dan sangat setuju
dapat diberi simbol angka 1, 2, 3, 4, dan 5. Angka-angka ini hanya
merupakan simbol peringkat, tidak mengekspresikan jumlah, artinya pada
skala ini 1 + 2 3.
Skala interval, adalah skala pengukuran data yang dapat diurutkan dan
dapat dikuantifikasikan. Skala pengukuran ini lebih tinggi dari sebelumnya
dan lebih bersifat kuantitatif. Skala interval mempunyai karakteristik seperti
yang dimiliki oleh skala nominal dan ordinal dengan ditambah karakteristik
lain yaitu berupa adanya interval yang tetap. Dengan demikian , peneliti dapat
melihat besarnya perbedaan karakteristik antara satu individu atau objek
dengan lainnya. Skala pengukuran interval benar-benar merupakan angka.
Angka-angka tersebut dapat dijumlahkan atau dikalikan. Data yang memiliki
skala pengukuran interval banyak digunakan dalam analisis statistika
parametrik. Skala pengukuran ini yang terkenal adalah pengukuran suhu yang
mempunyai standar pengukuran 0 relatif artinya tidak mempunyai nol
yang absolut. Contoh lain pengukuran pemanasan di pabrik (panas bila suhu
101o C – 125o C, cukup panas bila suhu 80o C -100o C, tidak panas bila suhu
kurang 80o C).
Skala rasio, adalah skala pengukuran yang menggunakan pengukuran
angka yang sesungguhnya (bukan kategori seperti ordinal dan nominal).
Skala rasio lebih baik dari ketiga skala pengukuran sebelumnya dan
angkanya dapat dioperasikan secara aljabar (+, -, x dan :). Skala pengukuran
rasio mempunyai semua karakteristik yang dimiliki oleh skala nominal,
ordinal, dan interval. Kelebihan skala ini mempunyai nilai 0 (nol) empiris
absolut. Pengukuran rasio biasanya dalam bentuk perbandingan antara satu
individu atau objek tertentu dengan lainnya. Angka-angka hasil pengukuran
dapat dibandingkan antar satu dengan yang lain secara langsung . Misalnya,
berat benda A, 6 kg dan berat benda B, 3 kg dapat diartikan berat benda A
dua kali berat benda B.
Secara ringkas sifat-sifat keempat skala pengukuran dapat dilihat pada
Tabel 1.1.
MMPI5103/MODUL 1 1.13
Tabel 1.1
M atriks Sifat dan Skala Pengukuran Data
Dari Tabel 1.1 terlihat bahwa skala pengukuran yang paling rendah
adalah skala nominal, sedangkan yang paling tinggi adalah skala rasio.
LATIHAN
1) Ordinal.
2) Ordinal.
3) Ya. Rasio karena nol mempunyai makna mutlak yaitu tidak berharga.
4) Interval.
5) a. Mampu mewakili populasi
b. Skala interval bersifat kuantitatif dan pengukuran skala interval
benar-benar merupakan angka. Sedangkan skala ordinal bersifat
kualitatif yang pengukurannya biasanya berupa angka tet api angka-
angka tersebut hanya merupakan simbol peringkat.
c. Supaya jika diambil sebagai bahan untuk pengambilan
keputusan/perencanaan akan tepat keputusannya.
d. Data hasil tangkapan ikan dari bulan Januari - Desember 2011.
e. Pengukuran adalah pemberian angka-angka terhadap benda atau
peristiwa-peristiwa menurut kaidah tertentu dan kaidah yang
berbeda menghendaki skala pengukuran yang berbeda.
RANGKU MA N
TES FORMATIF 1
Kegiatan Belajar 2
Deskripsi Data
8 12 4 3 6 7 7 2
2 5 7 4 4 5 5
MMPI5103/MODUL 1 1.19
2 2 3 4 4 4 5 5
6 7 7 7 7 8 12
Tabel 1.2
Target Kontribusi GDP Sektor Perikanan pada GDP Nasional (dalam%)
2% dan target maksimum adalah 12%, serta target yang paling banyak adalah
7%.
Saudara, penyajian data menggunakan tabel seperti ini biasanya akan
efektif jika datanya sedikit. Jika datanya banyak, penyajian data seperti tabel
di atas tidaklah menguntungkan karena akan didapat tabel yang sangat
panjang. Untuk meringkas atau memperpendek tabel dilakukan dengan
mengelompokkan data dalam interval dan selanjutnya tabel seperti itu biasa
juga disebut dengan Tabel Distribusi Frekuensi dengan kelas interval atau
distribusi frekuensi data berkelompok.
119 125 126 128 132 135 135 135 136 138
138 140 140 142 142 144 144 145 145 146
146 147 147 148 149 150 150 152 153 154
156 157 158 162 163 164 165 168 173 176
Saudara, jika kita lihat susunan data tersebut, sulit kita mendapatkan
informasi penting yang terkandung dalam data tersebut bukan? Nah, karena
jumlah datanya relatif banyak maka mengelompokkan data ke dalam kelas -
kelas, kemudian menyajikannya ke dalam tabel akan sangat membantu.
Jika data tersebut dikelompokkan menjadi 7 kelas dengan panjang kelas
interval 9, hasilnya seperti terlihat pada Tabel 1.3 di bawah ini.
MMPI5103/MODUL 1 1.21
Tabel 1.3
Tabel Produksi Ikan Tangkap (Ton) di Indonesia
selama 40 Tahun yang Lalu
satu arah (one way table), tabel dua arah (two way table), dan tabel tiga arah
(three way table). Berikut ini akan dijelaskan ketiga jenis tabel tersebut.
a. Tabel satu arah ialah tabel yang memuat keterangan mengenai satu hal
atau satu karakteristik saja. Tabel yang telah Anda pelajari sebelumnya
tergolong dalam tabel satu arah, namun untuk data kuantitatif. Berikut
disajikan contoh tabel satu arah untuk data kualitatif (Tabel 1.4). Yang
dimaksud dengan data kualitatif adalah variabel yang diukur (dalam hal
ini Types of Fisheries Violence) merupakan variabel kualitatif (bukan
berupa angka).
Tabel 1.4
Banyak Kasus dan Jenis Fisheries Violence di Indonesia Tahun 2009
b. Tabel dua arah ialah tabel yang menunjukkan dua hal atau dua
karakteristik. Sebagai contoh, perhatikan tabel berikut.
Tabel 1.5
Perolehan M edali Pekan Olah Raga Asean Games
c. Tabel tiga arah ialah tabel yang memuat tiga hal atau tiga karakteristik.
Contohnya sebagai berikut.
Tabel 1.6
Jumlah Kendaraan Perusahaan Ramayana M enurut Umur, M erek, dan Jenis
Tiga karakteristik dari tabel tersebut di atas adalah umur, merek, dan
jenis kendaraan. Dengan cara yang sama seperti pada tabel dua arah, Anda
dapat menginterpretasikan tabel tersebut dengan baik sehingga informasi
yang diperoleh dari tabel tersebut menjadi lebih jelas. Silakan Anda coba
menginterpretasikannya sebagai latihan.
Berdasar pada keterangan yang dipaparkan tadi, dapatlah disimpulkan
bahwa banyaknya karakteristik dari data yang akan disajikan merupakan
dasar pemikiran dalam menyusun banyaknya kolom dalam tabel yang akan
dibuat. Hal ini menuntut Anda untuk mampu menerjemahkan tabel seperti
apa yang ingin Anda bentuk sehingga informasi yang tersaji dalam tabel
dapat dipahami oleh pembaca. Kemudian, hal penting lagi yang perlu Anda
kuasai adalah menginterpretasikan tabel yang telah terbentuk. Interpretasi
memberikan penjelasan secara naratif agar informasi dari tabel tersebut lebih
bermakna.
1. Pengertian Diagram
Ada pepatah Cina yang menyatakan bahwa “satu gambar sama nilainya
dengan seribu kata”. Karena itu, di samping tabel, cara lain dalam penyajian
data adalah dengan diagram. Hal ini dapat diartikan bahwa pesan yang akan
disampaikan melalui penyajian data dalam bentuk gambar (diagram) akan
lebih cepat diperoleh atau dimengerti daripada dengan kata-kata. Seorang
manajer perusahaan atau pejabat tinggi pemerintah akan lebih mudah
mengetahui perkembangan harga dengan melihat grafik yang menunjukkan
trend (kecenderungan) yang turun atau naik daripada harus membaca laporan
yang penuh dengan kata dan kalimat yang bagus, akan tetapi kurang
sistematis penyusunannya. Itulah sebabnya dalam suatu laporan sering harus
disertai dengan tabel-tabel atau diagram, untuk memudahkan membaca data.
1.26 Statistika
Contoh 1.1.
Berdasarkan hasil sensus, diketahui bahwa banyaknya perahu penangkap
ikan laut di Perairan Umum Indonesia tahun 2008 berdasarkan kategori dan
ukuran perahu (Lihat Gambar 1.3) disajikan dalam Tabel 1.7. Apabila data
pada Tabel 1.7 tersebut disajikan dalam bentuk diagram batang maka didapat
gambar seperti Gambar 1.2.
MMPI5103/MODUL 1 1.27
Tabel 1.7
Banyaknya Perahu Penangkap Ikan Laut di Perairan Umum Indonesia
Tahun 2008
160000 154987
140000
120000
100000
Banyaknya
80000
60000
40000 35136
20000
1881
0
Non Powered Boat Outboard Motor Inboard Motor
Katagori dan ukuran Perahu
Gambar 1.2
Banyaknya Perahu Penangkap Ikan Laut di Perairan Umum Indonesia
Tahun 2008
Dari Gambar 1.2 terlihat bahwa banyaknya perahu penangkap ikan laut
paling banyak adalah perahu berjenis non powered boat yaitu sebanyak
154.987 perahu. Sedangkan, jenis perahu penangkap ikan yang paling sedikit
adalah inboard motor yaitu hanya sebanyak 1.881 perahu. Jenis outboard
motor juga tidak terlalu banyak jika dibandingkan dengan jenis non powered
boat, karena jumlahnya tidak melebihi 4.000 perahu. Berikut dapat Anda
lihat gambar dari masing-masing jenis perahu.
1.28 Statistika
Gambar 1.3.
Katagori dan Ukuran Perahu
Contoh 1.2.
Total volume ekspor komoditi perikanan utama Indonesia tahun 2003 - 2008
(dalam ton) disajikan dalam Tabel 1.8 berikut.
Tabel 1.8
Total Volume Ekspor Komoditi Perikanan Utama Indonesia
Diagram garis dari data pada Tabel 1.8 disajikan pada Gambar 1.4.
Sumbu mendatar untuk tahun dan sumbu tegak untuk menyatakan volume
ekspor dalam ton.
930 926,477
920
911,676
910 907,933
Volume Ekspor (ton)
900
890
880
870
858,737 857,916
860
854,329
850
2003 2004 2005 2006 2007 2008
Tahun
Gambar 1.4
Total Volume Ekspor Komoditi Perikanan Utama Indonesia
Diagram garis seperti Gambar 1.4. di atas disebut diagram garis tunggal
(single line chart). Terlihat jelas pada diagram di atas, perkembangan volume
ekspor komoditi perikanan utama Indonesia dari tahun 2003-2008. Dari data
tersebut, kita dengan cepat dapat menentukan ada tidaknya kecenderungan
kenaikan atau rata-rata pertumbuhan untuk jangka waktu selama 6 tahun.
1.30 Statistika
Contoh 1.3.
Banyaknya nelayan di Indonesia pada tahun 2003 s.d. 2008 dinyatakan dalam
Tabel 1.9 berikut.
Tabel 1.9
Banyaknya Nelayan di Indonesia (2003 s.d. 2008)
Jumlah Nelayan
Tahun
Laut (Marine) Perairan Umum
2003 3.312 546
2004 2.347 589
2005 2.058 532
2006 2.203 497
2007 2.232 524
2008 2.240 496
Diagram garis dari data Tabel 1.9 disajikan pada Gambar 1.5.
3500 Variable
3312
Laut (Marine)
Perairan Umum
3000
Banyaknya Nelayan
2500 2347
2203 2232 2240
2058
2000
1500
1000
Gambar 1.5
Perkembangan Banyaknya Nelayan di Indonesia(2003 s.d. 2008)
Dari Gambar 1.5 tersebut jelas terlihat bahwa jumlah nelayan di laut jauh
lebih banyak dari pada jumlah nelayan di perairan umum. Kemudian, dari
tahun ke tahun, jumlah nelayan di perairan umum terlihat cenderung stabil.
Sementara, jumlah nelayan di laut terlihat menurun pada tahun 2004 dan
2005. Setelah tahun 2006 sedikit ada kenaikan, di tahun-tahun berikutnya
relatif stabil. Inilah interpretasi yang dapat kita berikan terhadap diagram
garis tersebut.
Contoh 1.4.
Jumlah jenis pelanggaran perikanan di daerah perairan tertentu di Indonesia
tahun 2008 dapat dilihat pada pada Tabel 1.10.
Tabel 1.10
Jenis Pelanggaran Perikanan di Daerah Perairan Tertentu
pusat juringnya sebesar ½ × 3600 = 1800 . Artinya, akan didapat ukuran sudut-
sudut pusat dari juring-juring lingkaran untuk setiap jenis pelanggaran
sebagai berikut.
10
▪ Tangkap dengan Bom: 360o 90o ;
40
20
▪ Ban of Gear: 360 180o ;
o
40
6
▪ Fishing ground & gears: 360o 54o ; dan
40
4
▪ Tangkap dengan Listrik: 360o 36o .
40
Ban of Gear
50,0%
Gambar 1.6
Jenis Pelanggaran Perikanan di Daerah Perairan Tertentu
10
▪ Tangkap dengan Bom: 100% 25% ,
40
MMPI5103/MODUL 1 1.33
20
▪ Ban of Gear: 100% 50% ,
40
6
▪ Fishing ground & gears = 100% 15% ,
40
4
▪ Tangkap dengan Listrik = 100% 10% .
40
Lalu, apa interpretasi dari diagram lingkaran tersebut? Jika dilihat dari
persentasenya, jenis pelanggaran perikanan paling banyak adalah Ban of
Gear yakni 50% dari total pelanggaran. Kemudian, terbanyak kedua yakni
hanya seperempat dari total pelanggaran adalah tangkap ikan dengan bom.
Selanjutnya, berturut-turut pelanggaran dengan Fishing ground & gears dan
tangkap dengan listrik sebanyak 15% dan 10%.
c. Histogram
Histogram adalah diagram batang untuk data kuantitatif. Melalui
histogram, kita dapat memperoleh informasi mengenai distribusi dari data,
yang terdiri atas:
1) Ukuran penyebaran dan ukuran pemusatan data.
2) Adanya data outlier atau tidak.
3) Ada bimodus atau tidak.
Nah, dari Tabel 1.3 kita dapat menyusun tabel distribusi frekuensi data
berkelompok, seperti disajikan pada Tabel 1.11 berikut ini.
Tabel 1.11
Tabel Produksi Ikan Tangkap (Ton) di Indonesia Selama 40 Tahun yang Lalu
Data di atas dapat disajikan dalam bentuk histogram seperti terlihat pada
Gambar 1.7 berikut.
1.34 Statistika
12
11
10
10
8
Frequency
6
6
5
4
3 3
2
2
0
123 132 141 150 159 168 177
Produksi Ikan Tangkap
Gambar 1.7
Histogram Produksi Ikan Tangkap
LATIHAN
2) Menurut Saudara, mana yang lebih baik, penyajian data dalam bentuk
laporan dengan penuh kata-kata dibanding dengan bentuk tabel? Berikan
alasan Saudara!
3) Buatlah contoh tabel satu arah, tabel dua arah dan tabel tiga arah.
1.36 Statistika
3) Lihat contoh
4) a. Baris terakhir.
b. Kolom terakhir.
c. 1800.
d. 1170 dan 630.
e. Barang B.
f. Kota D2 sebesar 395.
g. Terbesar D2 terkecil D1 .
h. D2 kota.
RANGKU MA N
TES FORMATIF 2
Jenis Pelanggaran
No. Perariran Tdk Dokumen Dokumen Tdk
berlisensi Palsu Lengkap
1. Jabar 2 3 2
2. Jatim 3 5 1
3. Lampung 6 2 3
4. NAD 3 7 2
5. NTT 7 3 2
6. Sulut 6 2 1
Sajikan data tersebut dalam diagram batang!
Kapal Patroli
KP. HM TUTUL 001
KP. HIU MACAN 001
KP. HIU MACAN 002
22,5%
47,5%
30,0%
1.40 Statistika
Data produksi perikanan tangkap tahun 2003 sampai 2007 (dalam satuan ton)
adalah:
9) Jika Anda diminta menyajikannya dalam grafik, jenis grafik apakah yang
akan Anda buat? Berikan alasannya!
10) Buatlah grafik yang Anda sebutkan pada No 9, lalu interpretasikan
hasilnya.
MMPI5103/MODUL 1 1.41
Kegiatan Belajar 3
S audara, di bagian pengantar modul ini telah disampaikan bahwa statist ika
deskriptif meliputi dua hal yaitu penyajian data dan ukuran-ukuran
numerik. Nah, pada Kegiatan Belajar 2 Anda telah mempelajari bagaimana
cara menyajikan data. Sekarang, saatnya Anda mempelajari ukuran -ukuran
numerik yang sangat penting untuk mencirikan suatu data. Mela lui ukuran-
ukuran inilah informasi yang menggambarkan keadaan data dapat kita
peroleh. Sebagian orang menyebut ukuran-ukuran ini sebagai ukuran
peringkasan data.
Secara garis besar, ada dua jenis ukuran untuk meringkas data yaitu
ukuran pemusatan dan ukuran penyebaran data. Ukuran pemusatan data
adalah suatu ukuran untuk mengetahui dimana suatu data terpusat. Ukuran ini
disebut juga sebagai ukuran pemusatan data atau ukuran tendensi sentral.
Beberapa jenis nilai gejala pusat yang sering digunakan ialah rata -rata
(mean), median, modus, kuartil, dan desil. Sedangkan ukuran penyebaran
data digunakan untuk mengetahui seberapa besar data tersebut menyebar.
Kegiatan Belajar 3 ini akan membahas penentuan dan p enggunaan
ukuran pemusatan dan ukuran penyebaran data. Ukuran pemusatan meliputi
rata-rata, median, modus, kuartil, dan desil. Sedangkan, ukuran penyebaran
meliputi range, rentang antar kuartil, varians, dan simpangan baku.
Kemudian, dibahas pula sifat-sifat sekumpulan data normal dan aturan
empirisnya.
1. Rata-rata
Rata-rata merupakan pusat massa (centroid) dari suatu data sehingga
simpangan (deviasi) kiri akan sama besar dengan simpangan kanannya. Rata -
MMPI5103/MODUL 1 1.43
rata ini hanya berlaku untuk data kuantitatif (numerik), tidak bisa untuk data
kualitatif atau kategorik. Rata-rata memiliki sifat yaitu sangat sensitif
terhadap pencilan (outlier). Artinya, jika ada pencilan maka rata-rata dapat
berubah drastis. Cara menghitung rata-rata adalah sebagai berikut.
Misalkan diketahui data x1, x2 , x3 ,..., xn .
Jumlah semua nilai x x x3 ... xn 1 n
Rata-Rata atau x 1 2 xi .
Banyaknya nilai n n i 1
Contoh 1.5.
Perhatikan data berikut.
Data I:
2, 3, 6, 9.
Rata-ratanya adalah:
2 3 6 9 20
x 5
4 4
Data II:
2, 3, 6, 25
Rata-ratanya adalah:
2 3 6 25 36
x 9
4 4
Nah, silakan Anda bandingkan rata-rata Data I dan rata-rata Data II. Hasilnya
sungguh berbeda bukan? Inilah yang dimaksud bahwa rata -rata itu sensitif
terhadap pencilan yaitu nilainya berubah jika ada data yang memencil.
2. Modus
Modus adalah nilai data yang paling sering muncul atau nilai data yang
mempunyai frekuensi terbesar. Dari suatu data, modusnya bisa lebih dari
satu. Data 4, 5, 5, 6, 7, 8, 8, 9, 10 mempunyai dua modus (bimodus) 5 dan 8.
Data 4, 5, 5, 6, 7, 7, 8, 9, 9, 10 memiliki tiga modus (mult imodus).
Sedangkan data 4, 5, 6, 7, 8, 9, 10 dan data 4, 4, 6, 6, 7, 7, 9, 9 tidak
mempunyai modus. Data yang hanya mempunyai satu modus disebut
unimodus.
3. Median
Median adalah suatu nilai yang membagi data yang telah diurutkan
menjadi dua bagian yang sama banyak. Jika banyaknya data (n) ganjil maka
1.44 Statistika
n 1
mediannya adalah nilai data yang di tengah atau nilai data yang ke ,
2
sehingga Median = Me x n 1 . Jika banyaknya data (n) genap maka
( )
2
mediannya adalah rata-rata dari dua nilai data yang di tengah atau rata-rata
n n 1
data ke- dan data ke- 1. Jadi, Median = Me ( xn xn 1 ) .
2 2 2 2 2
4. Kuartil
Kuartil adalah suatu nilai yang membagi data yang telah diurutkan
menjadi empat bagian yang sama banyak sehingga diperoleh tiga buah kuartil
yaitu kuartil bawah (Q1 ), kuartil tengah (Q2 ), dan kuartil atas (Q3 ).
Jika terdapat n data X1 , X 2 , ..., X n dan diurutkan dari kecil ke besar
maka:
a. Kuartil bawah yang disebut juga kuartil pertama (Q 1 ) adalah nilai X yang
sedemikian rupa hingga ¼ jumlah data berada di bawahnya, sedangkan
¾ sisanya berada di atasnya.
b. Kuartil tengah disebut juga kuartil kedua (Q 2 ) atau median yaitu nilai X
yang sedemikian rupa hingga membagi dua bagian yang jumlah datanya
sama banyaknya.
c. Kuartil atas disebut juga kuartil ketiga (Q 3 ) yaitu nilai X sedemikian
hingga ¾ jumlah data berada di bawahnya, sedangkan ¼ sisanya berada
di atasnya.
n 1
3. Jika posisi kuartil kedua bulat, maka kuartil kedua adalah data ke - ,
2
sedangkan jika bernilai pecahan maka kuartil kedua adalah rata-rata dari
n n
data ke- dan 1 .
2 2
4. Hitung posisi kuartil pertama dan kuartil ketiga d engan menggunakan
rumus berikut.
nq1 nq 3
2 2
5. Posisi kuartil kedua terpangkas maksudnya adalah angka bulat dari
posisi kuartil kedua. Misalnya, dari perhitungan diperoleh n q2 = 6,5,
maka n q2 = 6, pecahan 0,5 nya dihilangkan.
6. Penetapan nilai kuartil pertama dan ketiga pada prinsipnya sama dengan
penentuan kuartil kedua pada langkah 3. Nilai kuartil pertama dihitung
mulai pengamatan terkecil, sedangkan nilai kuartil ketiga dihitung dari
pengamatan terbesar.
X qi X a ,i hi X b ,i X a ,i
Xa,i = data sebelum posisi kuartil ke-i, Xb,i = data setelah posisi kuartil
ke-i dan h i adalah nilai pecahan dari posisi kuartil.
Nilai kuartil dari dua pendekatan bisa saja berbeda karena prosedur
perhitungan masing-masing metode memang beda. Pendekatan apa pun
yang Anda gunakan asalkan nilai kuartil yang dihasilkan dapat membagi
data menjadi empat bagian yang sama yaitu masing -masing bagian 25%,
tidaklah menjadi masalah.
1.46 Statistika
Contoh 1.6.
Tentukan kuartil pertama, kedua, dan ketiga dari data berikut.
5, 3, 4, 8, 5, 10, 6, 8.
Jawab:
Pendekatan I: Metode belah dua
1. Urutkan data: 3, 4, 5, 5, 6, 8, 8, 10
2. Posisi kuartil:
8 1
nq 2 4,5
2
4 1
nq1 nq 3 2,5
2
3. Nilai kuartil:
56
Q2 5,5 (rata-rata data ke-4 dan ke-5)
2
45
Q1 4,5 (rata-rata data ke-2 dan ke-3)
2
88
Q3 8 (rata-rata data ke-6 dan ke-7)
2
Contoh 1.7.
Jika ada 30 data berarti 5% × 30 = 1,5 maka banyaknya data yang dibuang
adalah satu data terkecil dan satu data terbesar. Tetapi jika banyaknya data
32, berarti 5% × 32 = 1,6 maka data yang dibuang adalah dua data terkecil
dan dua data terbesar.
Contoh 1.8.
Data: 5, 3, 4, 8, 5, 10, 6, 8.
R = 10 – 3 = 7.
(x ) i
2
N
Simpangan baku (standard deviation) yang dinotasikan dengan dengan
rumus (x ) 2
, di mana N adalah banyaknya data.
N
Contoh 1.10.
Dari data pada contoh sebelumnya: 2, 3, 6, 9.
Telah diperoleh rata-ratanya adalah x 5 .
Jika dianggap data tersebut data populasi maka
Variansnya adalah:
2 5 3 5 6 5 9 5
2 2 2 2
2 7,5.
4
dan simpangan bakunya adalah:
7,5 2,74.
Jika data tersebut dianggap sebagai data sampel maka pembagi dalam
perhitungan varians adalah 3, sehingga diperoleh varians, 10 , dan
2
Contoh 1.11.
Seorang inspektur pengendalian mutu di pabrik pembotolan susu sedang
menginspeksi produk isi susu pada botol kecil dan boto l besar. Kemudian ia
mengambil sampel dari setiap produk dan diperoleh data bahwa volume rata -
rata botol kecil adalah 1 cangkir dengan simpangan baku 0,08 cangkir, dan
volume rata-rata dari botol besar adalah 1 galon (16 cangkir) dengan
simpangan baku 0,4 cangkir. Meskipun simpangan baku botol besar adalah
lima kali lebih besar dari simpangan baku botol kecil, koefisien variasi dari
masing-masing produk mendukung kesimpulan yang berbeda:
Koefisien variasi botol kecil lebih dari tiga kali daripada botol besar. Dengan
kata lain, meskipun botol besar memiliki simpangan baku yang lebih besar,
tetapi botol kecil memiliki lebih besar variasinya relatif terhadap rata-ratanya.
Definisi:
Sekumpulan data dikatakan normal jika histogramnya memiliki sifat-sifat
berikut:
1. Tertinggi pada tengah-tengah interval.
2. Bergerak dari tengah-tengah interval ke masing-masing arah kanan dan
kiri, tingginya menurun sehingga seperti bentuk lonceng.
3. Histogram adalah simetris di sekitar tengah intervalnya.
karena tidak simetris dan miring (skewness) ke kiri atau mempunyai ekor
panjang di kiri. Sedangkan Gambar 1.11 menunjukkan sekumpulan data yang
histogramnya tidak mendekati normal juga karena miring (skewness) ke
kanan.
Gambar 1.8
Histogram dari Sekumpulan Data Normal
Gambar 1.9
Histogram dari Sekumpulan Data yang M endekati Normal
Gambar 1.10
Histogram Sekumpulan Data yang M iring (skewness) ke Kiri
1.52 Statistika
Gambar 1.11
Histogram Sekumpulan Data yang M iring ke Kanan
Untuk sekumpulan data normal atau yang mendekati normal maka nilai rata -
rata mendekati sama dengan nilai mediannya. Anggap x dan s adalah rata-
rata dan simpangan baku sampel dari sekumpulan data yang mendekati
normal maka akan berlaku aturan-aturan berikut yang disebut aturan empiris
(empirical rule).
Empirical Rule
Jika sekumpulan data mendekati normal dengan x dan s masing-masing
adalah rata-rata dan simpangan baku sampel, maka berlaku bahwa:
1. Sekitar 68% dari data tersebut terletak di dalam x s.
2. Sekitar 95% dari data tersebut terletak di dalam x 2s.
3. Sekitar 99,7% dari data tersebut terletak di dalam x 3s.
Contoh 1.12.
Diketahui 300 data yang gambar histogramnya mendekati normal, dengan
nilai rata-rata dan simpangan bakunya masing-masing adalah 54,97 dan 10,1
maka:
1. Ada sekitar 68% dari data (atau 68% 300 = 204) yang terletak antara
x s 54,97 10,10 44,87 s.d 65,07.
2. Ada sekitar 95% dari data (atau 95% 300 = 285) yang terletak antara
x 2s 54,97 2(10,10) 34,77 s.d 75,17.
3. Ada sekitar 99,7% dari data (atau 99,7% 300 = 299) yang terletak
antara x 3s 54,97 3(10,10) 24,67 s.d 85,27.
LATIHAN
Metode
Hasil Tangkapan Ikan (kg)
Penangkapan
Jaring 45 47 50 35 60 40 55
Perangkap 25 42 35 38 50 46 38
RANGKU MA N
1. Ada dua jenis ukuran untuk meringkas data yaitu ukuran pemusatan
dan ukuran penyebaran data.
2. Ukuran pemusatan untuk mengetahui ketika suatu data terpusat yang
disebut juga sebagai ukuran pemusatan data atau ukuran tendensi
sentral. Beberapa jenis nilai gejala pusat yang sering digunakan
ialah rata-rata (mean), kuartil, desil, median, dan modus.
3. Sedangkan ukuran penyebaran digunakan untuk mengetahui
seberapa besar data menyebar. Beberapa jenis ukuran penyebaran
data adalah range, rentang antar kuartil (interquartile range),
varians, simpangan baku, dan koefisien variasi.
MMPI5103/MODUL 1 1.55
TES FORMATIF 3
Tentukan koefisien variasi dari persentase lemak dalam otot, isi perut,
dan kepala. Interpertasikan hasilnya.
Gunakan 36 data sampel berat ikan lele (gr), menjawab soal no 4 dan 10
31, 38, 39, 39, 42, 42, 45, 47, 48, 48, 48, 52, 52, 53,
54, 55, 57, 59, 60, 61, 64, 64, 66, 66, 67, 68, 68, 69,
71, 71, 74, 75, 77, 79, 79, 79
1.56 Statistika
Tes Formatif 1
1) a. Lihat rangkuman 2.
b. Statistik berupa data atau angka sedangkan Statistika adalah ilmu.
2) a. Lihat rangkuman 3 a dan b.
b. Statistika deskriptif hanya mengambil kesimpulan untuk kelompok
data yang ada, tidak mengambil kesimpulan untuk kelompok data
yang lebih besar (populasi data). Sedangkan statistika inferensia
mengambil kesimpulan untuk kelompok data yang lebih besar
(populasi data).
3) a. Lihat rangkuman 3 c dan d.
b. Statistika parametrik membutuhkan asumsi distribusi dari data,
sedangkan statistika non parametrik tidak.
4) a. I b. D
5) a. Non parametrik karena data yang berupa tidak asin dan sangat asin
termasuk data kategorik (ordinal).
b. Parametrik karena data panjang ikan merupakan data kontinu
(rasio).
6) Data yang reliabel artinya adalah data yang dapat diandalkan yaitu
memenuhi 3 kriteria:
a. Data harus objektif artinya dapat menggambarkan keadaan yang
sesungguhnya dari objek yang diamati.
b. Data harus dapat mewakili (representative) karakteristik populasi.
c. Memiliki kesalahan baku (standart error) yang kecil.
7) Agar data dapat bermanfaat maka harus memenuhi 2 kriteria berikut.
a. Data relevan yaitu data yang dikumpulakan harus ada hubungannya
dengan masalah yang akan diteliti.
b. Data harus tepat waktu (up to date). Data yang dikumpulkan bersifat
kekinian sehingga jika diambil sebagai bahan untuk pengambilan
keputusan/perencanaan akan tepat keputusannya.
8) Agama merupakan variabel berskala nominal sehingga datanya juga
merupakan data nominal. Karena, jenis-jenis agama merupakan sesuatu
yang setara tidak menunjukkan tingkatan.
9) Angka 1, 2, dan 3 di sini merupakan kode yang menunjukkan tingkatan.
Artinya, angka 3 lebih tinggi nilainya dari pada 2 dan 1. Maknanya:
1.58 Statistika
kelas ekonomi super eksekutif lebih bagus daripada kelas eksekutif dan
ekonomi.
10) Dari studi kasus penelitian di soal ini, dapat diidentifikasi:
a. Populasi: seluruh nelayan yang ada di pelabuhan A dan pelabuhan
B. Sampel: sebagian nelayan dari pelabuhan A dan pelabuhan B
yang terpilih untuk diteliti.
b. Variabel respons: hasil tangkapan ikan nelayan (kg).
c. Termasuk skala rasio.
d. Jenis metode statistika yang dapat digunakan: statistika deskriptif
dan inferensia. Statistika deskriptif untuk memberikan gambaran
mengenai hasil tangkapan ikan dan inferensia dapat digunakan
untuk membandingkan hasil tangkapan ikan di pelabuhan A dan
pelabuhan B. Statistika inferensianya dapat menggunakan statistika
parametrik, karena datanya adalah data rasio yang besar
kemungkinannya berdistribusi normal.
Tes Formatif 2
1) Jenis Pelanggaran Tidak Berlisensi:
7
7
6 6
6
5
Jumlah
3 3
3
2
2
0
JaBar Jatim Lampung NAD NTT Sulut
Perariran
7
7
5
5
Jumlah
3 3
3
2 2
2
0
JaBar Jatim Lampung NAD NTT Sulut
Perariran
MMPI5103/MODUL 1 1.59
3
3,0
2,5
2 2 2
2,0
Jumlah
1,5
1 1
1,0
0,5
0,0
JaBar Jatim Lampung NAD NTT Sulut
Perariran
2) a.
400 400
400
350 350
350
250 250
250
200 200
200
150
100
100
Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des
Bulan
3).
Rekreasi
6,7%
Kesehatan
6,7%
Tabungan
26,7%
Biaya hidup
59,9%
4) Jika jenis data kualitatif (skala nominal dan ordinal) maka diagram yang
sesuai digunakan adalah diagram lingkaran atau diagram batang.
Sedangkan jika jenis data kuantitatif (interval dan rasio) maka diagram
yang sesuai untuk digunakan adalah diagram garis dan histogram.
1.60 Statistika
% Kenaikan/Penurunan
Sub Sektor 2004-2003 2005-2004 2006-2005 2007-2006
Rata-rata
Perikanan laut -1,43% 2,04% 2,35% 3,00% 1,49%
Perikanan
perairan umum 7,19% -10,13% -1,16% 0,27% -0,96%
5,000,000
Jumlah Produksi (Ton)
4,000,000
3,000,000
2,000,000
1,000,000
0
2003 2004 2005 2006 2007
Tahun
70
62.23
60
50
Kenaikan rata-rata (%)
40
32.44
30
20 14.39
11.99
9.87 8.68
10
0
Budiday a Budiday a Budiday a Budiday a Budiday a Budiday a
laut tambak kolam keramba japung sawah
Tes Formatif 3
1) Gunakan rumus:
n x nP xP
xL dan P L L
nL nP
nL 54 nP 32
40
nL nP
40 nP 32 nP 54 nL 40 nL Sehingga nL : nP 14 : 8 7 : 4
2) Kurang cukup karena dengan membandingkan rata-rata hanya tahu
pemusatannya saja, sedangkan ada ukuran lain yang juga sama
pentingnya yaitu ukuran penyebaran data.
3) Hasil dari perhitungan:
Simp.
Variabel Rata-rata CV
Baku
Otot 39,21 18,42 46,98
Isi Perut 21,4 28 130,74
Kepala 39,47 18,51 46,9
Koefisien variasi otot hampir sama dengan kepala, dan sekitar 3 kali isi
perut. Dengan kata lain, otot dan kepala mempunyai variasi relatif yang
sama terhadap rata-ratanya. Isi perut memiliki simpangan baku yang
lebih besar, dan rata-ratanya lebih kecil dibanding otot dan kepala
sehingga isi perut lebih bervariasi relatif terhadap rata-ratanya dibanding
otot dan kepala.
N for
Variable Mode
Berat Lele 3
Mean 58,53
7 StDev 13,36
N 36
Frequency
4
0
36 48 60 72 84
Berat Lele
1.64 Statistika
Daftar Pustaka
Taylor, J. K. & Cihon Cheryl. 2004. Statistical Technique for Data Analysis
2nd ed. Chapman & Hall/CRC, New York.
Modul 2
P ENDAHULU A N
S audara, sekarang Anda masuk pada ranah statistika yang lebih mendalam.
Jika pada Modul 1 Anda mempelajari statistika secara deskriptif maka
sekarang Anda sudah mulai mempelajari statistika untuk pend ugaan dan
pengambilan keputusan yakni statistika inferensia. Namun, pada Modul ini
pembahasan difokuskan masih pada pengantar untuk statistika inferensia.
Statistika inferensia adalah statistika yang berkaitan dengan cara
penarikan kesimpulan berdasarkan data yang diperoleh dari sampel untuk
menggambarkan karakteristik dari suatu populasi. Dengan demikian , dalam
statistika inferensia data yang diperoleh dilakukan secara generalisasi dari hal
yang bersifat kecil (khusus) menjadi hal yang bersifat luas (umum).
Sebagai dasar untuk memahami statistika inferensia maka diperlukan
pemahaman tentang distribusi peluang dan karakteristik distribusi peluang
lainnya untuk variabel random diskrit dan kontinu.
Modul 2 terdiri atas dua kegiatan belajar, yaitu:
1. Kegiatan Belajar 1: Distribusi Peluang.
2. Kegiatan Belajar 2: Variabel Random Diskrit dan Kontinu.
Kegiatan Belajar 1
Distribusi Peluang
A. PERCOBAAN RANDOM
Contoh 2.1.
Misalkan ada 3 kelompok nelayan yang pergi mencari ikan ke laut dengan 3
kapal yang berbeda. Tentukan percobaan random dan ruang sampel.
Jawab:
Percobaan random adalah nelayan yang pergi ke tengah lautan untuk mencari
ikan, dan ruang sampelnya dapat dinyatakan sebagai berikut, S = {GGG,
GGB, GBG, BGG, GBB, BGB, BBG, BBB}, dengan B = Berhasil dan G =
Gagal.
Anggota dari ruang sampel disebut titik sampel. Himpunan yang terdiri
atas sekumpulan titik sampel disebut kejadian (event) yang dinotasikan
dengan E. Pada Contoh 2.1. GGG, GGB, GBG, BGG, GBB, BGB, BBG, dan
BBB disebut titik-titik sampel. Sedangkan E1 = {GGB, GBG, BGG} adalah
kejadian 2 kelompok nelayan “Gagal” dalam tangkapannya dan E2 = {GBB,
BGB, BBG, BBB} adalah kejadian paling tidak 2 kelompok nelayan
“Berhasil” dalam tangkapannya.
B. VARIAB EL RANDOM
Contoh 2.2.
Dari Contoh 2.1. tentukan variabel random dan sample random.
Jawab:
Misalkan dari percobaan 3 kelompok nelayan yang pergi mencari ikan ke laut
dengan 3 kapal yang berbeda. X menyatakan banyaknya nelayan yang
2.4 Statistika
Definisi 2.1:
Distribusi peluang dari variabel random diskrit menggambarkan bagaimana
peluang didistribusikan atas nilai-nilai dari variabel random.
Definisi 2.2:
Distribusi kumulatif, F ( x) suatu variabel random diskrit X dengan
distribusi peluang f ( x) dinyatakan oleh:
F ( x) P( X x) f (t )
tx
F x disebut juga fungsi distribusi kumulatif atau fungsi distribusi.
Contoh 2.3.
Suatu pengiriman 8 motor perahu berisi 3 yang rusak. Seorang nelayan
membeli 2 motor perahu yang dipilih secara acak dari kelompok pengiriman
motor perahu. Bila X menyatakan banyaknya motor perahu yang rusak yang
dibeli seorang nelayan tersebut, carilah distribusi peluang dari X .
Jawab:
Dalam hal ini banyaknya motor perahu yang rusak akan ada 3 kemungkinan
yaitu tidak ada yang rusak, salah satu rusak, atau kedua -duanya rusak.
Sehingga, nilai-nilai peubah acak X adalah 0, 1, dan 2. Untuk menghitung
peluang X, kita dapat menggunakan kombinasi. Pahami perhitungan berikut
ini.
2.6 Statistika
3 5
X bernilai 0 P( X 0)
0 2 10
8 28
2
3 5
X bernilai 1 P( X 1)
1 1 15
8 28
2
3 5
X bernilai 2 P( X 2)
2 0 2
8 28
2
x 0 1 2
10 15 2
P( X x) f ( x)
28 28 28
Contoh 2.4.
Berikut disajikan data penjualan spare part mesin motor perahu.
Jawab:
Dalam kasus ini, peluang X sama dengan frekuensi relatif. Dari Tabel
tersebut di atas, maka dapat disusun tabel yang merepresentasikan dis tribusi
peluang sebagai berikut.
MMPI5103/MODUL 2 2.7
x f ( x)
0 80/200 = 0,40
1 50/200 = 0,25
2 40/200 = 0,20
3 10/200 = 0,05
4 20/200 = 0,10
Total 1,00
Contoh 2.5.
Distribusi peluang variabel random X , yang menyatakan banyaknya cacat
per 10 m serat sintetis dalam gulungan yang lebarnya sama, diberikan oleh:
x 0 1 2 3 4
f ( x) 0,41 0,37 0,16 0,05 0,01
Jawab:
Sesuai dengan definisi, distribusi peluang kumulatif merupakan penjumlahan
peluang nilai-nilai X secara kumulatif. Perhitungannya sebagai berikut.
x f ( x) F ( x)
0 0,41 0,41
1 0,37 0,41 + 0,37 = 0,78
2 0,16 0,78 + 0,16 = 0,94
3 0,05 0,94 + 0,05 = 0,99
4 0,01 0,99 + 0,01 =1
g ( X ) E ( g ( X )) g ( x) f ( x)
x
Contoh 2.6.
Lihat kembali Contoh 2.4. Dari contoh tersebut:
a. Tentukan rata-rata atau harapan banyaknya penjualan spare part mesin
motor perahu.
b. Jika keuntungan yang diperoleh dari penjualan spare part mesin motor
perahu adalah Rp100.000,00 tentukan harapan keuntungan yang
diperoleh dalam satu hari.
Jawab:
a. Rata-rata banyaknya penjualan spare part mesin motor perahu
digunakan formula sebagai berikut.
E ( X ) x f ( x)
x
MMPI5103/MODUL 2 2.9
Sehingga:
x f ( x) x f ( x)
0 0,40 0,00
1 0,25 0,25
2 0,20 0,40
3 0,05 0,15
4 0,10 0,40
Total 1,00 1,20
b. Jadi harapan keuntungan dari penjualan spare part mesin motor perahu
dalam satu hari adalah 1,2 × (Rp100.000,00) = Rp 120.000,00.
Contoh 2.7.
Variabel random X menyatakan banyaknya perahu yang diperbaiki ke suatu
perusahaan setiap hari antara jam 13.00-14.00 dengan distribusi peluang
sebagai berikut.
x 4 5 6 7 8 9
1 1 1 1 1 1
f ( x)
12 12 4 4 6 6
Jawab:
g(X) merupakan fungsi dari variabel random X sehingga nilai harapan g(X)
diperoleh dari:
9
1 1 1
E ( g ( X ) E (2 X 1) (2 x 1) f ( x) (7) (9) ... (17) 12,67
x4 12 12 6
Sifat-sifat nilai harapan tersebut berlaku juga untuk variabel random kontinu.
Untuk soal tersebut kita harus menghitung E(X) terlebih dahulu yaitu 6,83
(Silakan Anda mencoba menghitungnya sendiri).
Sehingga:
E(g(X)) = E(2X – 1) = 2 E(X) – 1 = 2(6,83) – 1 = 12,67.
Hasilnya sama dengan cara sebelumnya.
2 E ( X ) 2 ( x ) 2 f ( x)
x
Varians dari fungsi variabel random diskrit g(X) dimana X mempunyai fungsi
peluang f (x) didefinisikan sebagai:
g2( X ) E ( g ( X ) g ( X ) )2 ( g ( x) g ( X ) )2 f ( x)
x
MMPI5103/MODUL 2 2.11
Contoh 2.8.
Tentukan varians variabel random X pada Contoh 2.4.
Jawab:
Sesuai definisi, varians suatu variabel random X adalah pengurangan dari
nilai harapan X kuadrat oleh rata-rata kuadrat. Jadi, terlebih dahulu kita harus
mencari E X 2 . Berikut perhitungannya.
x f ( x) x f ( x) x2 f x
0 0,40 0,00 0,00
1 0,25 0,25 0,25
2 0,20 0,40 0,80
3 0,05 0,15 0,45
4 0,10 0,40 1,60
Total 1 1,20 3,10
Silakan Anda coba sendiri. Caranya sama saja dengan mencari nilai harapan.
Contoh 2.9.
Tentukan varians variabel acak g X 3 X 2 pada Contoh 2.8.
Jawab:
Karena g(X) merupakan fungsi dari X, maka cara menentukan varians g(X)
lebih mudah menggunakan sifat-sifat varians, yaitu:
2.12 Statistika
Definisi 2.3:
Fungsi f x disebut fungsi padat peluang (probability distributions
function/pdf) dari variabel random kontinu X, jika memenuhi syarat:
2.
f ( x) dx 1.
b
antara a sampai b.
Contoh 2.10.
Misalkan kesalahan suhu reaksi, dalam o C, pada percobaan laboratorium
yang dikontrol merupakan variabel random X yang mempunyai fungsi padat
peluang sebagai berikut.
x2
, 1 x 2
f ( x) 3
0 , untuk x lainnya
a. Tunjukan bahwa f x adalah suatu fungsi padat peluang.
b. Hitung P(0 x 1).
c. Tentukan F x dan gambarkan f (x) serta F x .
d. Tunjukkan bahwa P(0 x 1) F 1 F 0 .
dF ( x)
e. Tunjukkan bahwa f ( x) .
dx
Jawab:
a. Untuk menunjukkan bahwa f x merupakan suatu fungsi padat
peluang, maka harus ditunjukkan bahwa: (i) integral f x dalam batas-
batas nilai x sama dengan 1, dan (ii) harus ditunjukkan bahwa f x 0
untuk semua nilai x.
2
(i) f ( x)dx 1.
1
2 2
x2 1 3 1 1
1 3 dx 9 x 1
(23 (1)3 ) (9) 1.
9 9
selalu > 0 atau tidak pernah negatif, maka f x akan
2
(ii) Karena x
selalu bernilai lebih besar atau sama dengan nol untuk nilai x dari -1
sampai 2.
(iii) Dari (i) dan (ii) terbukti bahwa f x merupakan fungsi padat
peluang.
2.14 Statistika
Gambar 2.1
Bentuk Grafik Fungsi Padat Peluang f(x)
Gambar 2.2
Bentuk Grafik Fungsi Distribusi Kumulatif F(x)
1 2 1 1
F (1) (13 1) F (0) (03 1) .
9 9 9 9
Jadi,
2 1 1
F (1) F (0) P(0 x 1).
9 9 9
1
d ( ( x3 1))
dF ( x) 9 1
e. x 2 f ( x).
dx dx 3
Contoh 2.11.
Tentukan rata-rata dan variansi dari variabel random X dengan fungsi padat
peluang berikut:
x2
, 1 x 2
f ( x) 3
0 , untuk x lainnya
MMPI5103/MODUL 2 2.17
Jawab:
1. Rata-rata X atau nilai harapan X:
2 2
x2
E ( X ) x( f ( x)) dx x ( ) dx
1 1 3
2 2
x3 1 1 4 15
( ) dx x 4 (2 (1) 4 ) .
1
3 12 1
12 12
E X
2
2. Varians X = X E X 2
.
2 2 2
x
E ( X 2 ) x 2 ( f ( x)) dx x 2 ( ) dx
1 1 3
2 2
4
x 1 1 33
( ) dx x5 (25 (1)5 ) .
1
3 15 1 15 15
Sehingga, varians X adalah:
2
33 15
2 0, 6375.
15 12
LATIHAN
x 0 1 2 3
P X x 1
4
1
8
1
2
1
8
Tentukan:
a. Varians dari X dan simpangan baku dari X.
b. Varians dari g X 2 X 3 dan simpangan bakunya.
3) Jumlah jam, diukur dalam satuan 100 jam. Suatu keluarga akan
menggunakan mesin penghisap debu dalam setahun, merupakan variabel
random kontinu X dengan fungsi padat peluang (probability density
function):
x , 0 x 1
f ( x) 2 x , 1 x 2
0
, untuk x lainnya
Tentukan peluang bahwa dalam setahun suatu keluarga akan
menggunakan mesin penghisap debu:
a. Kurang dari 120 jam.
b. Antara 50 dan 100 jam.
4) Sebuah variabel randomk kontinu X menyatakan hasil produksi kerang
mutiara (dalam ton per tahun) yang mengambil nilai antara x 2 dan
x 4 dengan fungsi kepekatan peluang:
x 1
f x
8
Tentukan peluang hasil produksi kerang mutiara pada tahun depan
kurang dari 3,5 ton.
5) Distribusi peluang X, banyaknya nelayan yang libur melaut pada hari
minggu sebagai berikut.
x 0 1 2 3 4
f(x) 0,41 0,37 0,16 0,05 0,01
1 x/4 1
1) E( X ) x
f ( x) dx x
0
4
e dx x e x / 4 dx.
40
dengan integral parsial diperoleh:
1 1
40 x e x / 4 dx (4) x d (e x / 4 ) ( xe x / 4
4 0
0
e x / 4 dx )
0
x/4 x/4
( xe 4e ) (0 4) 4.
0 0
Jadi E Y E 3 X 2 3E X 2 3 4 2 10.
1 1 1 1 12
2) a. E ( X ) 0( ) 1( ) 2( ) 3( ) .
4 8 2 8 8
1 1 1 1 42
E ( X 2 ) 02 ( ) 12 ( ) 22 ( ) 32 ( ) .
4 8 2 8 8
Var ( X ) E ( X E ( X )) E ( X ) ( E ( X )) 2
2 2
2
42 12 192
3.
8 8 64
Simpangan baku dari X Var ( X ) 3.
b. Var (g(X)) = Var (2X + 2) = 4 Var (X) = 4 (3) = 12.
Simpangan baku dari Y Var (Y ) 12 2 3.
0 0
x
x dx, 0 x 1
0
3) F ( x) P( X x) x x
x dx (2 x) dx, 1 x 2
1
0
1, x 2
0 , x0
1
x2 , 0 x 1
F ( x) P ( X x) 2
2 x 3 , 1 x 2
2
1 , x2
2.20 Statistika
x 1
P X 3,5
3,5
dx.
2 8
5) X : variabel acak diskrit. Sehingga, distribusi peluang kumulatif dihitung
dengan cara menjumlahkan nilai-nilai peluang secara kumulatif.
x f x F x
0 0,37 0,37
1 0,35 0,72
2 0,22 0,94
3 0,05 0,99
4 0,01 1
0 , x0
0,37 , 0 x 1
0.72
, 1 x 2
F ( x)
0.94 , 2 x3
0.99 , 3 x 4
1 , x4
RANGKU MA N
g ( X ) E ( g ( X )) g ( x) f ( x) dx.
TES FORMATIF 1
x 4 5 6 7 8 9
P X x
1 1 1 1 1 1
12 12 4 4 6 6
f x ae ,x 0
0 ,x 0
Tentukan peluang X antara 50 sampai 150.
Kegiatan Belajar 2
A. DISTRIBUS I BINOMIAL
Percobaan Binomial
Percobaan Binomial adalah percobaan yang memp unyai ciri-ciri sebagai
berikut.
1. Percobaan diulang n kali.
2. Hasil setiap ulangan hanya dapat dikategorikan ke dalam 2 kelas.
Misal: "BERHASIL" atau "GAGAL"
("YA" atau "TIDAK"; "SUCCESS" or "FAILED").
3. Peluang keberhasilan = p dan dalam setiap ulangan nilai p tidak berubah.
Peluang gagal q 1 p.
4. Setiap ulangan bersifat bebas satu dengan yang lain.
Contoh 2.12.
Kemungkinan seorang nelayan pergi mencari ikan adalah “Berhasil” atau
“Gagal”. Tentukan peluang ada 3 orang nelayan yang berhasil dari 5 orang
nelayan yang pergi mencari ikan ke tengah lautan. Jika dari pengalaman masa
lalu pada kondisi tertentu yang sedang diteliti diduga kemungkinan berhasil
adalah 1 .
6
Jawab:
Dari soal ini kita dapat definisikan kejadian sukses/berhasil yaitu berhasil
dalam tangkapannya.
X adalah banyaknya nelayan yang berhasil sehingga nilai x 3.
n 5 ada 5 orang nelayan.
1
Nilai peluang seorang nelayan berhasil dalam menangkap ikan adalah p
6
1 5
; sehingga: q 1 .
6 6
Distribusi peluang Binomial untuk kejadian sukses sebanyak x dari n kali
percobaan adalah:
P( X x) b(x;n, p) Cxn p x qn-x .
2.28 Statistika
Sehingga, peluang terdapat 3 nelayan yang sukses dari 5 nelayan yang pergi
mencari ikan adalah:
1 1 5
P( X 3) b (3; 5, ) C35 ( ) x ( )5-3
6 6 6
2
5! 5
10(0, 003215) 0, 03215.
3!2! 65
Contoh 2.13.
Peluang seorang mahasiswa membolos adalah 0,60. Jika terdapat 5
mahasiswa, berapa peluang terdapat 2 orang mahasiswa yang tidak
membolos?
Jawab:
Pada soal ini, kejadian yang ditanyakan Kejadian ”SUKSES” = ”TIDAK
MEMBOLOS”.
Yang diketahui peluang ”MEMBOLOS” = q = 0,60.
Sehingga:
p 1 q 1 0, 60 0, 40; x 2 ; n 5.
Peluang terdapat 2 orang yang tidak membolos adalah :
b x 2; n 5, p 0, 40 C25 (0, 4)2 (0, 6)3 0,3456.
Misal:
Contoh 2.14.
Suatu perusahaan “pengiriman paket” terikat perjanjian bahwa keterlambatan
paket akan menyebabkan perusahaan harus membayar biaya kompensasi.
Jika peluang setiap kiriman akan terlambat adalah 0,20 dan terdapat 5 paket,
hitunglah peluang:
a. Tidak ada paket yang terlambat sehingga perusahaan tidak membayar
biaya kompensasi? (x = 0).
b. Lebih dari 2 paket terlambat? (x 2).
c. Tidak Lebih dari 3 paket yang terlambat? (x 3).
d. Ada 2 sampai 4 paket yang terlambat? (2 x 4).
e. Paling tidak ada 2 paket yang terlambat? (x 2).
Jawab:
Pada contoh ini p = 0,2 n = 5.
a. x = 0 b(0; 5; 0,20) = 0,3277 (lihat di tabel atau dihitung dengan
menggunakan rumus).
2.30 Statistika
Contoh 2.15.
Untuk b(5;5; 0,20), dimana x = 5, n = 5 dan p = 0,20 sehingga q = 0,80 maka:
= 5 0,20 = 1,00.
² = 5 0,20 0,80 = 0,80.
= 0,80 = 0,8944.
B. DISTRIBUS I POISSON
15 0.0001 0.0002
Contoh 2.16.
Rata-rata seorang sekretaris baru melakukan 5 kesalahan ketik per halaman.
Berapa peluang bahwa pada halaman berikut ia membuat:
a. Tidak ada kesalahan? (x = 0).
b. Tidak lebih dari 3 kesalahan? (x 3).
c. Lebih dari 3 kesalahan? (x > 3).
d. Paling tidak ada 3 kesalahan (x 3).
Jawab:
5
a. x = 0 dengan rumus? hitung p(0; 5).
atau dengan Tabel Distribusi Poisson
di bawah x = 0 dengan = 5,0 (0; 5,0) = 0,0067.
c. x 3 p(x 3; 5,0) = p(4; 5,0) + p(5; 5,0) + p(6; 5,0) + p(7; 5,0) + ...
+ p(15; 5,0).
atau
p(x > 3) = 1 – p(x 3)
= 1 – [p (0; 5,0) + p(1; 5,0) + p(2; 5,0) + p(3; 5,0)]
= 1 – [0,0067 + 0,0337 + 0,0842 + 0,1404]
= 1 – 0,2650
= 0,7350.
C. DISTRIBUS I HIPERGEOMETRIK
Contoh 2.17.
Jika dari seperangkat kartu bridge diambil 5 kartu secara random tanpa
pemulihan, berapa peluang diperoleh 3 kartu hati?
N = 52, n = 5, k = 13, x = 3.
C313 C239
h(3;52,5,13) .
C552
Contoh 2.18.
Dari 10 nelayan menggunakan perahu motor, 3 orang mengemudikan perahu
motor bermerek "S", 4 orang memggunakan perahu motor merek "Y" dan
sisanya mengemudikan perahu motor merek "H". Jika secara random diambil
5 orang, berapa peluang 1 orang menggunakan perahu motor merek "S", 2
orang merek "Y" dan 2 orang merek "H"?
Jawab:
N 10, n 5.
a1 3, a2 4, a3 3.
x1 1, x2 2, x3 2.
C13 C24 C23 3 6 3 54 3
f (1, 2, 2; 3,4,3, 10, 5) 0, 2142.
C510 252 252 18
Contoh 2.19.
Dalam suatu box es terdapat 5 jenis ikan yang terdiri dari 2 ikan kerapu, 2
ikan baronang dan 1 ikan bawal putih. Berapa peluang terambilnya:
a. 2 ikan kerapu, dari 4 kali pengambilan yang dilakukan secara random
dengan pemulihan?
b. 2 ikan kerapu, dari 4 kali pengambilan yang dilakukan secara random
tanpa pemulihan?
N 5; n 4; k 2; x 2.
N k 3; n x 2.
C22 C23 1 3 3
h 2; 5, 4, 2 0, 60.
C45 5 5
Contoh 2.20.
Seseorang membeli jeruk 1 truk (isi 10.000 buah) dengan perjanjian hanya
1 % yang masam. Untuk memutuskan apakah jadi membeli atau tidak, dibuat
perjanjian sebagai berikut. Jika dari 10 jeruk yang diambil secara acak dari
truk tersebut dan dicoba, diperoleh paling b anyak 1 masam maka jadi
membeli. Akan tetapi, jika diperoleh lebih dari 1 yang masam maka tidak
jadi dibeli. Tentukan peluang tidak membeli jeruk tersebut sete lah mencoba
10 buah secara random? Tunjukkan bahwa pada kasus ini pendekatan
Binomial akan baik digunakan.
Jawab:
Dengan distribusi Hipergeometrik:
N 10.000, n 10, k 1% 10.000 100
yang ditanyakan adalah P x 1 1 P( x 1)
Jadi, dengan distribusi Hipergeometrik, diperoleh P(x 1) = 0,995772 dan
dengan distribusi Binomial diperoleh: P(x 1) = 0,995734.
Berarti cukup dekat bukan? Sehingga pendekatan Binomial akan baik
digunakan.
LATIHAN
a. P X 2 .
P( X x) b(x;n, p) Cxn p x q n-x .
P( X 2) C24 (0,7)2 (0,3)4-2
4!
(0,7)2 (0,3) 2 6(0, 0441) 0, 2646.
2! 2!
b. P( X 2) P X 2 P X 3 P X 4
C24 (0,7)2 (0,3)4-2 C34 (0,7)3 (0,3)4-3 C44 (0,7)4 (0,3)4-4
0, 2646 0, 4116 0, 2401 0,9163.
2.38 Statistika
c. P X 4 .
P ( X 2) C44 (0, 7) 4 (0,3) 4- 4
4!
(0,7) 4 (0,3)0 0, 2401.
4! 0 !
2) Distribusi Binomial
X: banyaknya orang yang memiliki pinjaman pada suatu bank tidak
dapat membayar hutang kembali sesuai dengan waktu yang telah
dijadwalkan.
a. p = peluang seseorang yang memiliki pinjaman pada suatu bank
tidak dapat membayar hutang kembali sesuai dengan waktu
yang telah dijadwalkan.
p = 1% = 0,01.
n = 100.
P( X 1) 1 P( X 1) 1 P( X 0)
1 C0100 (0,01)0 (0,3)1000
100!
1 (0,3)100 1 0,3660 0, 634.
0!100!
Pendekatan Peluang Poisson untuk Peluang Binomial, dilakukan
jika n besar (n > 20) dan p sangat kecil (p < 0,01) dengan terlebih
dahulu menetapkan p dan kemudian menetapkan = np.
Karena syarat n besar dipenuhi tetapi syarat p sangat kecil hampir
dipenuhi maka dapat ditunjukkan bahwa pendekatan dengan
distribusi peluang Poisson, kurang bagus.
Distribusi Poisson:
e x
P( X x) p( x; ) .
x!
dengan n p 100 0,01 1
P( X 1) 1 P( X 1) 1 P( X 0)
e110
1 1 0,3679 0, 6321.
0!
Hasilnya sedikit berbeda. Pada kasus ini yang benar X berdistribusi
Binomial, sedangkan distribusi Poisson hanya mendekati saja. Jadi
P( X 1) 0,6340.
b. P X 5 . Langkah menjawabnya sama dengan soal bagian a.
MMPI5103/MODUL 2 2.39
3) a. Distribusi Binomial:
X = banyaknya barang yang rusak.
n = 5.
P( X x) b (x;n, p) Cxn p x q n-x .
P( X 5) C55 (0,05)5 (0,95)5-5 .
5!
(0,05)5 (0,95)0 1(0, 000003) 0, 0000003.
5! 5!
b. Karena peluangnya mendekati nol maka kejadian membeli 5 barang
dan rusak semua hampir tidak pernah terjadi s ehingga seharusnya
kita tidak bisa komplain atas kejadian tersebut.
4) Distribusi Poisson, dengan X = panjang kabel yang lapisan bagian
luarnya tipis. Setiap 500 m kabel terdapat 2 m yang memiliki lapisan
bagian luar tipis, berarti setiap 100 m kabel terdapat 2/5 atau 0,4 m.
Sehingga = 0,4 m tiap 100 m.
e x
P( X x) p( x; ) .
x!
e0.4 (0, 4)100
P( X 100) 0, 6703.
100!
5) Gunakan distribusi Hipergeometrik, dengan N 40, k 10, n 5, dan
x 2. Masukkan ke rumus, lalu hitunglah dengan mengikuti langkah -
langkah pada contoh yang telah dibahas.
RANGKU MA N
TES FORMATIF 2
Tes Formatif 1
1 1 1
2 3/2 2 2
1) a. f ( x) dx kx1/2 dx
3
kx
0
k (13/2 0) k
3 3
0 0
Agar berupa fungsi padat peluang, maka:
2
k 1
3
Jadi k = 3/2
x x x
3 3 3 2
b. F ( x) P( X x) f (t ) dt t1/2 dt t 3/2 ( x3/2 0) x3/2
0 0
2 2 0 2 3
P(0,3 x 0,6) P( x 0,6) P( x 0,3) F (0,6) F (0,3)
2
(0,63/2 0,33/2 ) 0, 2003
3
2) Nilai harapan banyaknya produk A terjual adalah:
Rp3.900.000,00.
Jadi sebaiknya perusahaan memproduksi produk C karena nilai harapan
keuntungannya terbesar.
3) a. Melalui F(x).
P( X 12) F (12) 1 e8(12) 1 0 1.
b. Melalui f (x).
dF ( x)
f ( x) 8 e8 x , x 0.
dx
12
12
P( X 12) 8 e8 x dx e8 x (e8(12) 1) (0 1) 1.
0
0
1 1 2 2 x 2 19
P X dx .
4 2 1 5 80
4
10) Dalam fungsi distribusi peluang tersebut, ada konstanta yang tidak
diketahui, sehingga pertama-tama harus dicari nilai terlebih dahulu.
Menentukan nilai , menggunakan syarat total peluang = 1.
x
ae
100
dx 1.
1
dan diperoleh a .
100
Menghitung nilai peluang X antara 50 sampai 150.
150 x x 150
1 100
P(50 X 150) e dx e 100 0,384.
50
100 50
Tes Formatif 2
1) a. Dengan distribusi Hipergeometrik.
N 10.000, n 10, k 5%10.000 500
yang ditanyakan adalah P( x1).
C xk CnNxk
P( X x) .
CnN
P( X 1) P( X 0) P( X 1)
10000 500 10000 500
C0500 C10 0 C1500 C10 1
10000
10000
C10 C10
0,598595 0,315349 0,913944.
b. Dengan pendekatan distribusi Binomial.
n 10
0,001.
N 10.000
k 500
p 0,05.
N 10.000
yang ditanyakan adalah P(X 1).
MMPI5103/MODUL 2 2.47
P( X x) Cxn p x q n- x .
P( X 1) P ( X 0) P ( X 1) C010 (0, 01) 0 (0,99)10 C110 (0, 01)1 (0,99)9
0,913862.
Jadi P(X 11) = 0,0000316 yang ternyata sangat kecil, sehingga kita
meragukan klaim dari perusahaan tersebut.
3) Distribusi Binomial.
4!
P X 3 0,1 0,9 4 0, 001 0,9 0,0036.
3 1
3! 4 3 !
4) Dengan distribusi Hipergeometrik.
N = 500, n = 10, k = 50.
yang ditanyakan adalah P(x 3).
C k C N k
P ( X x ) x Nn x .
Cn
P( X 3) P( X 0) P( X 1) P( X 2) P( X 3)
C050 C10500 050 C150 C10500150 C250 C10500 2 50 C350 C105003 50
C10500 C10500 C10500 C10500
0,345162 0,391340 0,195227 0, 0564088 0,988139.
5) Distribusi poisson dengan = 5.
P(X > 10) = 1 – P(X 9) = 1 – 0,968172 = 0,031828.
6) Soal ini termasuk dalam distribusi peluang Poisson.
Misalkan X menyatakan banyaknya pelanggan yang datang dalam satu
jam. Dari Tabel Peluang Distribusi Poisson, diperoleh:
2.48 Statistika
P X 15 1 P X 15
15
1 p x; 10 1 0,9513 0, 0487.
x 0
Sehingga, P( X 2) 0,974.
9) Nilai harapan dari variabel random Binomial adalah:
np 7 0,1 0,7.
Varians dari variabel random Binomial adalah:
Var npq 8 0,1 0,9 0, 63.
MMPI5103/MODUL 2 2.49
Hal ini berarti bahwa distribusi banyaknya alat penangkap ikan yang
rusak berpusat di 0,7 dengan varians 0,63.
Daftar Pustaka
Moore, D.S., McCabe, G.P., and Craig, B.A. 2009. Introduction to the
Practice of Statistics. Sixth Edition. New York: W. H. Freeman and
Company.
Taylor, J. K. & Cihon Cheryl. 2004. Statistical Technique for Data Analysis
2nd ed. Chapman & Hall/CRC. New York.
P ENDAHULU A N
Kegiatan Belajar 1
Distribusi Normal
Salah satu distribusi peluang dari variabel random kontinu yang paling
penting dalam statistika adalah Distribusi Normal. Distribusi normal berupa
kurva berbentuk lonceng setangkup yang melebar tak berhingga pada kedua
arah kanan dan kirinya. Tetapi tidak semua distribusi berbentuk lonceng
setangkup merupakan distribusi Normal.
Sifat dari variabel random kontinu berbeda dengan variabel random
diskrit. Variabel random kontinu memuat semua bilangan, baik bilangan
bulat maupun pecahan. Oleh karenanya tidak bisa dipisahkan satu nilai
dengan nilai yang lain. Itulah sebabnya fungsi variabel random kontinu
sering disebut fungsi kepadatan, karena tidak ada ruang kosong di antara dua
nilai tertentu. Dengan kata lain, sesungguhnya keberadaan sebuah bilangan
atau angka dalam variabel random kontinu jika ditinjau dari seluruh nilai
adalah sangat kecil, bahkan mendekati nol. Karena itu tidak bisa dicari
peluang sebuah nilai dalam variabel rand om kontinu, tetapi yang dapat
dilakukan adalah mencari peluang di antara dua buah nilai.
Distribusi kontinu mempunyai fungsi matematis tertentu. Jika fungsi
matematis tersebut digambar, maka akan terbentuk kurva kepadat an dengan
sifat sebagai berikut.
a. Peluang nilai x dalam variabel tersebut terletak dalam rentang antara 0
dan 1.
b. Peluang total dari semua nilai x adalah sama dengan satu (sama dengan
luas daerah di bawah kurva).
3.4 Statistika
Gambar 3.1
Kurva Distribusi Normal
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Gambar 3.2
Tiga Kurva Distribusi Normal dengan Sama dan Berbeda
Sedangkan gambar 3.3 adalah tiga kurva berdistribusi Normal dengan rata-
rata berbeda ( = 10, 15, dan 20) tetapi simpangan baku sama ( = 3).
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Gambar 3.3
Tiga Kurva Distribusi Normal dengan Sama dan Berbeda
3.6 Statistika
Gambar 3.4
Transformasi ke Normal Standar
MMPI5103/MODUL 3 3.7
( z ) P Z z
Fungsi densitas Normal Standar
Area yangdiarsir ( z)
Gambar 3.5
Gambar Kurva Normal Standar
Sesuai dengan sifat dari variabel random kontinu yaitu nilai peluang
pada satu titik adalah nol maka dalam menghitung peluang pada distribusi
Normal tanda = , dan diabaikan, jadi hanya ada tanda < dan >.
3.8 Statistika
0.1
0.2
:
1.0
1.1
1.2 0.8944
:
.
3.4
Nilai 0,8944 adalah untuk luas atau peluang Z 1,25 yang digambarkan pada
Gambar 3.6 berikut.
1,25
Gambar 3.6. P(Z 1,25)
Contoh 3.1.
a. P(Z 1, 25) (1, 25) 0,8944.
b. P(Z 1,25) 1 (1,25) 1 0,8944 0,1056.
c. P (Z 1,25) (1,25) 0,1056 P(Z 1,25).
d. P(Z 1,25) 1 (1,25) 0,8944 P(Z 1,25).
MMPI5103/MODUL 3 3.9
(x )
z .
Nilai z yang diperoleh disebut z-score, yang mengukur data nilai x
berapa kali simpangan baku lebih besarnya dari mean . Misal, jika data x
adalah 1 simpangan baku lebih besar dari rata-rata maka z = 1. Hal ini karena
untuk 𝑥 = 𝜇 + 𝜎 maka z = 1. Jika x adalah 2 simpangan baku lebih besar
dari rata-rata maka z = 2. Hal ini karena untuk x 2 maka z = 2.
Perhatikan bahwa ketika x lebih besar dari rataannya maka z bernilai positif.
Tetapi ketika x lebih kecil dari rataannya maka z bernilai negatif.
Contoh 3.2.
Rata-rata upah seorang buruh nelayan adalah Rp.800,00 per jam dengan
simpangan baku sebesar Rp.60,00. Jika terdapat 1.000 orang buruh nelayan,
hitunglah:
a. Banyak buruh yang menerima upah/jam kurang dari Rp .780,00.
b. Banyak buruh yang menerima upah/jam lebih dari Rp .830,00.
c. Banyak buruh yang menerima upah/jam antara Rp780,00 sampai
Rp830,00.
Jawab:
= Rp.800,00 dan = Rp.60,00.
a. x < 780.
x 780 800
z 0,33.
60
P X 7,80 P Z 0,33 0,3707.
Jadi banyak buruh yang menerima upah/jam kurang dari Rp .780,00
adalah 0,3707 × 1.000 = 370,7 371 orang.
3.10 Statistika
b. x > 830.
x 830 800
z 0,50.
60
P X 8,30 P Z 0,50 1 P (Z 0,50) 1 0,6915 0,3085.
Jadi banyaknya buruh yang menerima upah/jam lebih dari Rp .830,00
= 0,3085 × 1.000 = 308,5 309 orang.
c. 780 x 830.
z1 0,33 z2 0,50.
P 780 X 830 P 0,33 Z 0, 50 P Z 0,5 P Z 0,33 .
0,6915 – 0,3707 = 0,3208.
Banyak buruh yang menerima upah/jam dari Rp .780,00 sampai
Rp.830,00 = 0,3208 × 1.000 = 320,8 321 orang.
E[ X Y ] E X E Y X Y .
MMPI5103/MODUL 3 3.11
Sifat lain:
E [ X Y ] E X E Y X Y .
Sedangkan varians X Y adalah:
Var (X – Y) = Var (X) + Var (Y) = X2 Y2 .
Contoh 3.3.
Misalkan waktu hidup bola lampu jenis tertentu sebelum putus adalah
variabel random Normal dengan rata-rata 400 jam dan simpangan bakunya
40 jam. Jika dibeli dua bola lampu jenis tersebut, dimana salah satunya akan
digunakan sebagai cadangan untuk mengganti lainnya ketika putus maka
tentukan peluang bahwa total waktu lampu hidup akan melebihi 750 jam.
Jawab:
Total waktu hidup lampu berarti waktu hidup lampu yang pertama ditambah
dengan waktu hidup lampu yang kedua. Sehingga, pada soal ini yang
ditanyakan adalah P X Y 750 .
Untuk dapat menghitung peluang dari penju mlahan dua buah variabel
random maka kita perlu menghitung nilai harapan dan variansnya. Ingat
bahwa kedua bola lampu dibeli dari jenis yang sama, berarti distribusi waktu
hidup lampu X dan lampu Y adalah sama. Sehingga E(X) = E(Y) dan Var (X)
= Var (Y). Nilai harapan adalah µ dan akar dari ragam adalah σ.
Dengan demikian,
E[X + Y] = E[X] + E[Y] = 400 + 400 = 800 jam.
Var (X + Y) = Var (X) + Var (Y) = (40)2 + (40)2 = 3.200 jam2 .
Jika:
( X Y ) 800
Z ,
3.200
maka Z akan berdistribusi Normal Standar.
X Y 800 750 800
P( X Y 750) P P( Z 0,884)
3.200 3.200
1 P(Z 0,884) 0,81.
Jadi, peluang bahwa total waktu lampu hidup lebih dari 750 jam adalah 0,81.
3.12 Statistika
Contoh 3.4.
Survei dari Dirjen Kelautan menunjukkan bahwa jumlah ikan laut yang
dikonsumsi per hari oleh seorang wanita, yang dipilih secara random dari
distribusi Normal mempunyai rata-rata Rp.19,9 dengan simpangan baku
Rp.3,2 sedangkan jumlah yang dikonsumsi per hari oleh seorang pria yang
dipilih secara random dari distribusi Normal mempunyai rata-rata Rp. 20,7
dan simpangan baku Rp.3,4. Jika seorang pria dan seorang wanita dipilih
secara random, maka berapa peluang bahwa ternyata wanita tersebut
mengonsumsi ikan laut per hari yang lebih besar dari pria?
Jawab:
Menghitung peluang wanita mengonsumsi ikan lebih banyak dari laki-laki
berarti menghitung peluang selisih konsumsi ikan oleh wanita dengan
konsumsi ikan oleh laki-laki. Misalkan X adalah banyaknya konsumsi ikan
laut oleh wanita dan Y adalah banyaknya konsumsi ikan laut oleh laki-laki.
Selisih X dengan Y kita misalkan sebagai W yakni W = X – Y.
Dari soal diketahui bahwa:
E(X) = µx = 19,9 dan σx = 3,2.
E(Y) = µy = 20,7 dan σy = 3,4.
Sehingga:
µw E W E X – Y E X – E Y 19,9 20,7 0,8.
dan standar deviasi dari W:
w 3, 23, 2 3, 4 4,669.
2 2
Hasilnya:
W 0,8 0,8
P W 0 P P Z 0,17
4, 669 4, 669
1 P Z 0,17 1 0,5675 0, 4325.
Hal ini berarti bahwa peluang wanita yang dipilih secara random akan
mengonsumsi ikan laut per hari lebih besar daripada pria yang dipilih secara
random adalah 0,4325.
MMPI5103/MODUL 3 3.13
Gambar 3.7
Gambar P{Z > zα} = α
Contoh 3.5.
Hasil tes IQ menghasilkan nilai yang terdistribusi Normal dengan nilai rata-
rata 100 dan simpangan baku sebesar 14,2. Tentukan nilai batas terendah
sehingga terdapat 1% data yang nilainya di atas nilai batas tersebut?
Jawab:
Kita akan mencari nilai x sehingga P(X > x) = 0,01 untuk X berdistribusi
Normal dengan rata-raa 100 dan simpangan baku 14,2.
3.14 Statistika
Perhatikan bahwa:
X 100 x 100 x 100
P X x P PZ .
14, 2 14, 2 14, 2
Karena dari tabel Normal Standad diperoleh P(Z > 2,33) = 0,01 dan telah kita
ketahui bahwa P(Z > z0,01 ) = 0,01 maka z0,01 = 2,33 sehingga dari:
x 100
z0,01 2,33,
14, 2
z
Gambar 3.8
P X z
LATIHAN
1) Jawab:
X 40 32 40
a. P X 32 P P Z 1, 6 0, 0548.
5 5
X 40 27 40
b. P X 27 P P Z 2,6 1 P Z 2,6
5 5
= 1 – 0,0047 = 0,9953.
42 40 51 40
c. P 42 X 51 P Z P 0, 4 Z 2, 2
5 5
P Z 2, 2 P Z 0, 4 0,9861 0,6554 0,3307.
d. P X k 0, 45.
k 40
PZ 0, 45.
5
k 40
0,1257
5
k 5 0,1257 40 39,3715.
e. P X k 0,13 berarti P X k 1 0,13 0,87.
k 40
P Z 0,87
5
k 40
1,1264
5
k 5 1,1264 40 45,362.
b. P 2.250 X 2.500
x
z1
2.250 2.110
650
140
650
0, 22.
Dari poin a) diperoleh z = 0,6.
Sehingga:
P 2.250 X 2.500 P 0, 22 Z 0, 6
P Z 0, 6 P Z 0, 22
0, 7257 0,5871
0,1386
13,86%.
Jadi, persentase nelayan yang pendapatannya antara Rp2.250.000,00
sampai Rp2.500.000,00 adalah 13,86%.
Berarti.
P X BB P X BA 0,05.
Karena simetris, maka:
P X BB P X BA 0,05.
Sehingga:
2 P X BB 0, 05.
2 P X BB 0, 025.
Mencari nilai BB, akan sama dengan
Mencari nilai z0 jika diketahui (Z z0 ) 0,025.
Dari tabel Normal Standar diperoleh: –1,96.
Sehingga, nilai BB diperoleh dari:
BB
z0
BB 2.110
1,96
650
1.274 BB 2.110
BB 1.274 2.110
= 836 ribu rupiah.
Karena simetris, dilakukan mencari BA dengan cara mensubtitusikan
1,96 pada:
BA
z0
BB 2.110
1,96
650
1.274 BB 2.110
BA 1.274 2.110
3.384 ribu rupiah.
Jadi, batas-batas pendapatan yang tergolong pencilan adalah pendap at an
nelayan yang kurang dari Rp.836.000,00 dan lebih dari Rp.3.384.000,00.
3.20 Statistika
RANGKU MA N
TES FORMATIF 1
Kegiatan Belajar 2
Distribusi Sampling
Agar lebih memahami penerapan dari teorema tersebut, pelajari contoh soal
berikut.
Contoh 3.6.
Suatu perusahaan memproduksi bola lampu yang umurnya berdistribusi
Normal dengan rata-rata 800 jam dan simpangan baku 40 jam. Hitunglah
peluang bahwa suatu sampel random berukuran 100 bola lampu akan
mempunyai umur rata-rata kurang dari 775 jam?
Jawab:
X adalah umur lampu dalam jam.
800; 40 jam; X 775 jam; dan n = 100.
MMPI5103/MODUL 3 3.27
X 775 775 800
P( X 775) P P Z 40 P( Z 6, 25) 0.
n n 100
Saudara, Teorema Limit Pusat berlaku untuk ukuran sampel yang besar dan
apabila simpangan baku atau varians populasi diketahui. Lalu, bagaimana
jika ukuran sampelnya kecil dan atau varians populasinya tidak diketahui?
Apa distribusi rata-ratanya?
Berikut akan dibahas tentang distribusi yang berkaitan dengan distribusi
sampling untuk ukuran sampel yang lebih kecil atau sama dengan 30.
Distribusi t
Sangatlah jarang peneliti tahu variansi suatu populasi yang sedang
diambil sampel acaknya. Untuk sampel berukuran n 30 , nilai variansi
populasi 2 dapat diduga dengan variansi dari sampel S 2 dengan rumus
X
2
i X X
S 2
dan distribusi dari statistik Z tetap dapat
n 1 S
n
didekati dengan distribusi Normal Standar.
X
Akan tetapi jika ukuran sampelnya kecil n 30 maka statistik T
S
n
akan berdistribusi t (student) dengan derajat bebas v n 1.
Sifat-sifat Distribusi t
▪ Distribusi t tergantung pada derajat bebas (degrees of freedom).
▪ Akibat degrees of freedom naik maka perbedaan antara distribusi t
dengan distribusi normal standar menjadi lebih kecil.
▪ Distribusi t dengan degrees of freedom besar akan mempunyai dispersi
yang kecil, perhatikan Gambar 3.9 di bawah.
▪ Rata-rata dari distribusi t adalah nol.
Distribusi t
Gambar 3.9
Gambar Distribusi t dengan Berbagai Degrees of Freedom
Kurva densitas tv
Gambar 3.10
Gambar Distribusi t untuk Pembacaan Tabel t
Contoh 3.7.
Suatu populasi normal yang tidak diketahui varian snya mempunyai rata-rata
20. Tentukan peluang mendapat suatu sampel random berukuran 9 dari
populasi tersebut dengan rata-rata lebih besar atau sama dengan 24 dan
simpangan bakunya 4,1.
Jawab:
Dari data populasi diketahui = 20, sedangkan dari data sampel n = 9
diperoleh dan s = 4,1. Karena ukuran sampelnya kurang dari 30 maka
gunakan statistik t.
X 24 24 20
P X 24 P P T P T 2,9268
S n S n 4,1 9
Contoh 3.8.
Carilah:
a. t0,025 bila v 14 dan jelaskan artinya.
b. t0,01 bila v 10 dan jelaskan artinya.
c. t0,995 bila v 7 dan jelaskan artinya.
Jawab:
a. Lihat tabel t di Lampiran 4 untuk v = 14 maka diperoleh t0,025 = 2,145
yang artinya P T 2,145 0,025.
b. Lihat tabel t di Lampiran 4 untuk v = 10 maka diperoleh t0,01 = 2,764
yang artinya P T 2,764 0,01 karena distribusi t adalah simetris
terhadap t = 0, maka t0,01 2,764 yang artinya P T 2,764 0,01.
c. Lihat tabel t di Lampiran 4 untuk v = 7 t 0,995 tidak ada, tetapi perlu
diingat bahwa P T t0,995 0,995 hal ini berarti:
P T t0,995 1 0,995 0, 005.
MMPI5103/MODUL 3 3.31
t0,005 3, 499. Jadi t0,995 3, 499 yang artinya P T 3, 499 0,995.
Pada kasus Binomial dengan p bernilai sangat kecil dan n relatif besar
serta,
1. Jika rata-rata ( ) 20, maka lakukan pendekatan dengan distribusi
Poisson dengan n p.
2. Jika rata-rata ( ) 20 , maka lakukan pendekatan dengan distribusi
Normal dengan n p.
2 n p q.
n p q.
Contoh 3.9.
Dari 200 soal pilihan berganda, yang jawabannya terdiri dari lima pilihan (a,
b, c, d, dan e), berapa peluang Anda akan menjawab benar lebih dari 50 soal?
n 300 ; p 1/ 5 0,20 ; q 1 0,20 0,80.
3.32 Statistika
Jawab:
Jika dikerjakan dengan pendekatan ke distribusi Poisson maka
n p 200 0, 20 40 dan akan dicari P X 50, p 0, 20 .
Menentukan tabel Poisson menggunakan rumus, terlalu rumit, sehingga dapat
dilakukan dengan distribusi Normal.
P X 50, p 0, 20 n p 200 0, 20 40.
2 n p q 200 0, 20 0,80 32.
n p q 32.
P X 50, p 0, 20 dalam distribusi Normal menjadi P X 50,5 .
50,5 40 10,5
z 1,856 1,86.
32 5, 6568
P Z 1,86 1 P(Z 1,86) 0,0314 3,14 %.
Jika S 2 adalah varians dari sampel random berukuran n yang diambil dari
(n 1) S 2
populasi Normal dengan varians maka statistik X 2
2
akan
2
berdistribusi Khi-Kuadrat (Chi-Square) dengan derajat bebas v n 1.
Gambar 3.11
Gambar Distribusi Khi-Kuadrat
MMPI5103/MODUL 3 3.33
Contoh 3.10.
Untuk suatu distribusi Khi-Kuadrat carilah:
0,025
2
jika v 15 dan jelaskan artinya.
Jawab:
0,025
2
27, 488.
Contoh 3.11.
Suatu pabrik baterai mobil menjamin baterainya akan tahan rata -rata dalam
3 tahun penggunaan dengan simpangan baku 1 tahun. Bila diambil sampel
random 5 baterai yang diproduksinya dan diuji ternyata diperoleh data
ketahanan dalam tahun: 1,9 ; 2,4 ; 3 ; 3,5 ; dan 4,2. Dengan v = 5 – 1 tentukan
nilai 0,025 dan 0,975 serta jelaskan apakah pabrik tersebut masih yakin
2 2
Jawab:
Dari populasi produksi baterai mobil diketahui = 1 tahun.
Dari sampel random berukuran n = 5 diperoleh data 1,9 ; 2,4 ; 3 ; 3,5 ; 4,2
dan jika dihitung varians dari 5 data sampel tersebut dengan menggunakan
rumus S 2
X i X )2
n 1
2
akan diperoleh s = 0,815 atau s = 0,903
2
(n 1) S (5 1) 0, 815
2
3, 26.
2
1
Dengan v 5 1 4 diperoleh nilai 0,025
2
11,143 dan 0,975
2
0, 484.
Karena 3,26 terletak antara 0,484 dan 11,143 maka berarti pabrik tersebut
masih yakin bahwa simpangan baku baterainya 1 tahun, dengan tingkat
keyakinan 0,95 atau 95%.
Distribusi F
Distribusi F merupakan distribusi dari rasio dua variabel random Normal
yang dikuadratkan. Secara spesifik, distribusi F ini digunakan untuk
menghitung peluang dari rasio dua buah varians sampel.
MMPI5103/MODUL 3 3.35
Jika dari dua populasi Normal yang masing-masing variansinya 12 dan 22
diambil sampel berukuran n 1 dan n 2 yang saling bebas dan varians sampelnya
S12
masing-masing adalah S12 dan S22 maka: 12 22 S12
F
S 22 12 S22
22
akan berdistribusi F dengan derajat bebas v1 n1 1 dan v2 n2 1 .
Gambar 3.12
Gambar Distribusi F
Ada hubungan dalam distribusi F yang berguna dan sangat penting untuk
diingat yaitu:
1
F1 (v1 , v2 )
F (v2 , v1 )
Tabel distribusi F disajikan pada Lampiran 6.
Contoh 3.12.
Untuk suatu distribusi F hitunglah:
a. F0,05 jika v1 7 dan v2 15 dan jelaskan artinya.
b. F0,95 jika v1 15 dan v2 7 dan jelaskan artinya.
3.36 Statistika
Jawab:
a. Lihat Tabel F untuk v1 7 , v2 15 dan = 0,05. Akan diperoleh
F0,05 2, 71 (perhatikan gambar di bawah).
LATIHAN
c. P k T k 0,90.
P k T k P T k P T k 1 P T k P T k
1 2P T k 0,90.
Sehingga P T k 0,05 dan dari tabel t untuk v = 23 diperoleh
k = 1,714.
3) n 200 ; p 5% 0, 05 ; q 1 0, 05 0,95
Kerjakan dengan distribusi Normal.
= n p = 200 0,05 = 10.
n p q 9,5.
P X 10, p 0,05 P X 9,5 karena faktor koreksi dari diskrit ke
kontinu.
9,5 10
z 0,16.
9,5
P Z 0,16 0, 4366.
4) Diketahui:
µ 500
150
x 430
P x 450 P z 3,13 0,0009.
Hitung z menggunakan Teorema Limit Pusat.
5) Diketahui:
µ 100
s 150
x 75
n 20
Karena ukuran contoh kecil dan varians populasi tidak diketahui maka
gunakan statistik T.
X
T
S
n
P x 75 P T 3,856 0,0005 (diperoleh dari tabel distribusi t).
3.40 Statistika
RANGKU MA N
X X
2
2 2 i
dengan variansi dari sampel S dengan rumus S
n 1
X
dan distribusi dari statistik Z tetap dapat didekati dengan
S
n
distribusi Normal Standar. Akan tetapi jika ukuran sampelnya kecil
X
n 30 maka statistik T S akan berdistribusi t (student)
n
dengan derajat bebas v n 1.
3. Pada kasus Binomial dengan p bernilai sangat kecil dan n relatif
besar dapat didekati dengan distribusi Normal.
(n 1) S 2
4. Statistik 2 akan berdistribusi Khi-Kuadrat (Chi-
2
TES FORMATIF 2
5) Bila S12 dan S22 menyatakan varians sampel acak bebas ukuran n1 8
dan n2 12 yang diambil dari dua populasi Normal yang mempunyai
2 2
varians sama. Hitunglah peluang S1 S 2 kurang dari 4,89.
6) Lamanya seorang pedagang ikan dalam melayani seorang pembeli
merupakan variabel random dengan rata-rata µ = 3,2 menit dan
simpangan baku σ = 1,6 menit. Bila sampel random diambil sebanyak 64
pembeli diamati, carilah peluang bahwa rata-rata lamanya pembeli
menunggu dilayani:
a. Paling lama 2,7 menit.
b. Lebih dari 3,5 menit.
c. Paling sedikit 3,3 menit tetapi kurang dari 3,4 menit.
7) Sebuah badan penelitian perikanan menyampaikan hasil penelitiannya
bahwa melalui upaya perawatan yang baik dan pemilihan bibit unggul,
rata-rata produksi udang windu mencapai 10,5 ton per hektar dengan
simpangan baku 5 ton. Namun, jika terjadi serangan penyakit yaitu suatu
jenis virus tertentu, rata-rata produksi udang windu menurun sekitar 8,76
sampai 9,8 ton per hektar. Diasumsikan produksi udang windu menyebar
Normal. Bila dilakukan pengecekan terhadap 100 ha petak lah an tambak
udang, berapakah peluang mendapatkan sampel lahan yang mengalami
serangan penyakit?
8) Bagi seorang petambak udang, melakukan sampling udang merupakan
kegiatan yang mutlak diperlukan. Seorang petambak udang menyatakan
bahwa biasanya rata-rata berat udang per ekor yang berumur 30 hari
adalah 20 gram dengan simpangan baku 5. Berat udang diasumsikan
berdistribusi Normal. Untuk mengetahui perkembangan berat udang ,
maka diambil 100 ekor sebagai sampel. Berapa peluang mendapatkan
sampel udang dengan rata-rata berat satu ekor udang kurang dari 18,6
gram?
9) Dari soal no 8, jika sampel diperkecil menjadi 25, berapa standar error
atau galat bakunya? Apa kesimpulan anda?
10) Budidaya udang begitu menggiurkan karena menjanjikan keuntungan
yang lumayan. Menurut pengalaman beberapa kali panen, rata-rata
keuntungan bersih seorang petambak udang per petak adalah Rp .183
juta. Untuk mengetahui keuntungan pada panen kali ini, dilakukan survei
terhadap 8 petambak udang dan diperoleh simpangan baku Rp.20,72
juta. Jika ada 100 petambak udang di populasi tersebut, berapa orang
yang memiliki pendapatan lebih dari Rp.195 juta?
MMPI5103/MODUL 3 3.43
Tes Formatif 1
1) 75; 10,5
X 80 75
a. P ( X 80) 1 P ( X 80) 1 P
10,5
1 P(Z 0,48) 1 0,6844 0,3156.
b. P(70 X 90) P( X 90) P( X 70)
X 90 75 X 70 75
P P
10,5 10,5
P( Z 1, 43) P( Z 0, 48) 0, 2392.
2) 1 miliar ; 0, 2 miliar.
X 1, 2 1
a. P( X 1, 2) 1 P( X 1, 2) 1 P 1 P( Z 1) 1 0,8413 0,1587.
0, 2
b. P(0,5 X 1) P( X 1) P( X 0,5)
X 1 1 X 0,5 1
P P P( Z 0) P( Z 2,5) 0,5 0,0062 0, 4938.
0, 2 0, 2
Jadi, estimasi jumlah developer yang mempunyai tingkat penjualan 0,5
sampai 1 miliar adalah 0,4938 x 50 = 24,69 atau 25 developer.
3) (a) P | X | P X P X
P Z 1 P Z 1 2P Z 1 2 0,1587 0,3174.
(b) P | X | 2 P X 2 P X 2
P Z 2 P Z 2 2P Z 2 2 0,0228 0,0456.
atau peluang umur komponen kapal lebih dari 400 jam adalah 0,9775 =
97,75%. Jadi, komponen kapal memenuhi ketetapan nelayan tersebut
karena lebih dari 95%.
b. Misalkan W X Y
E[ X Y ] E X E Y 1 2 24.000 km 22.000 km 66.000 km
Var ( X Y ) Var X Var Y 6.000 2.000 40.000.000 km 2
2 2
Jika:
( X Y ) 66.000
W
40.000.000
maka W akan berdistribusi Normal Standar.
X Y 66.000 40.000 66.000
P( X Y 40.000) P
40.000.000 40.000.000
P( Z 4,11)
1 P( Z 4,11)
1 0 1.
Artinya, dengan membeli 2 mesin tersebut sekaligus maka hampir pasti
nelayan tersebut dapat mengoperasikan mesin kapalnya lebih dari
40.000 km.
3.46 Statistika
6) Diketahui:
µ 540
100
x1 250
x2 670
x1 300 540
z1 2,3.
100
x 670 540
z2 2 1,3.
100
P X 300 atau X 670 P Z 2, 4 atau Z 1,3 0,105 10,5%.
7) Diketahui:
µ 24
3,8
x 30
a. P X 30
x 30 24
z 1,5789
3,8
P X 30 P Z 1,5789 P Z 1,5789 0,057.
b. P X 15
x 15 24
z 2,368
3,8
P X 15 P Z 2,368 0,991 99,1%.
8) Diketahui:
µ 925
125
x = ....? untuk yang mendapat gaji tertinggi sebanyak 5%.
P X x 5% P Z z
Dari tabel Normal Standar, diperoleh z = 1,645.
x x 925
z 1, 645
125
diperoleh x = 1.130,625.
MMPI5103/MODUL 3 3.47
9) Diketahui:
X : hasil panen lele per kolam
µx 300
x 75
x 400
P X 400 P Z 1,333 0,0912.
10) Diketahui:
X : hasil panen lele per kolam
Y : hasil penjualan per kolam
Y = hasil panen × 12 = 12X.
T : keuntungan pada panen pertama per kolam
Keuntungan = has il penjualan – modal awal
T = Y – modal
T = Y – 2.640
T = 12X – 2640
Dari soal No 9, rata-rata hasil panen µx 300 dan simpangan baku
x 75.
Rata-rata T:
µT E 12 X – 2.640 12E X – E 2.640 12µx – 2.640 960
Simpangan baku Z:
T Var 12 X 2.640 122 Var X Var 2.640 12 X 900.
Sehingga:
P T 600 P Z 0, 4 0,345.
Banyaknya petani lele yang memiliki keuntungan kurang dari 600
sebanyak 34,5%.
3.48 Statistika
Tes Formatif 2
X 27,5 30
1) T 2.
S 5
n 16
Untuk v 15 nilai t0,025 2,120 dan t0,025 2,120.
Karena –2 terletak antara –2,120 sampai dengan 2,120 maka setuju
dengan pernyataan perusahaan.
X 83 X 70
P P
n n n n
X 80 75 X 70 75
P P
10 10
n 16 n 16
P Z 2 P Z 2
0,9680 0, 0320 0,9361.
4) a. 13,277
b. 32,852
c. P( 37,625 < X2 < 2 ) = P(X2 < 2 ) – P(X2 37,625)
= P(X2 < 2 ) – 0,95 = 0,045, sehingga:
2
P(X < 2
) = 0,995 atau P(X2 2 ) = 0,005 (ingat untuk v = 25).
Jadi 2 = 46,925.
5) v1 n1 1 7, v2 n2 1 11.
S2 S2 2 2
P 12 4,89 P 12 22 4,89 22 karena 12 22 maka
S2 S2 1 1
P F 4,89 1 0,01 0,99.
6) Diketahui:
µ 3, 2
1, 6
n 64
a. P( X 2,7) P(Z 2,5) 0,0062.
b. P( X 3,5) P(Z 1,5) 0,067.
c. P(3,3 X 3, 4) P(0,5 Z 1) P(Z 1) P(Z 0,5) 0,15.
3.50 Statistika
7) Diketahui:
µ 10, 5
5
n 100
P(8,76 X 9,8) P(3, 48 Z 1, 4) P(Z 1, 4) P(Z 3, 48) 0,0805.
8) Diketahui:
µ 20
5
n 100
Kesalahan baku = 0,5.
n
P X 18, 6 P Z 2,8 0, 00255.
9) Diketahui:
n = 25
Dari soal nomor 8, σ = 5.
Kesalahan baku = 1.
n
10) Diketahui:
µ 183
S 20, 702
n 11
Gunakan T karena n kecil.
P X 195 P T 1,9208 0, 048.
MMPI5103/MODUL 3 3.51
Daftar Pustaka
Moore, D.S., McCabe, G.P., and Craig, B.A. 2009. Introduction to the
Practice of Statistics. Sixth Edition. New York: W. H. Freeman and
Company.
Taylor, J. K. & Cihon Cheryl. 2004. Statistical Technique for Data Analysis
2nd ed. Chapman & Hall/CRC. New York.
Walpole, R.E., Myers, R.H., Myers, S.R., Ye Keiying, 2007. Probability &
Statistics for Engineer and Scientist, Eight Ed ., Pearson Prentice Hall.
Modul 4
P ENDAHULU A N
Kegiatan Belajar 1
Teori Pendugaan
Gambar 4.1
Ilustrasi Penduga Titik untuk
1. Tak Bias
Tak bias berarti nilai harapan penduga titik sama dengan parameter yang
diduga. x merupakan penduga yang tak bias bagi , sedangkan median dan
modus merupakan penduga yang berbias bagi . Hal ini berarti apabila
proses penarikan sampel diulang-ulang dan untuk setiap sampel tersebut
dihitung x -nya maka rata-rata dari x yang diperoleh tadi akan sama dengan
, sedangkan rata-rata dari median dan modus dari sampel-sampel yang
diambil tidak sama dengan .
MMPI5103/MODUL 4 4.5
Secara statistika, istilah bias ini didefinisikan sebagai selisih antara nilai
harapan dengan parameter yang diduga. Nah, rata-rata dari x adalah nilai
harapan dari x yang dinotasikan dengan E x . Jadi x dikatakan sebagai
penduga yang tak bias bagi µ karena E x .
2. Efisien
Efisiensi penduga ditunjukkan oleh besarnya ragam (varian s) penduga
tersebut. Makin kecil varians suatu penduga makin efisien penduga tersebut.
Secara teori, di antara penduga yang tak bias, x merupakan penduga dengan
varians paling kecil.
3. Konsisten
Konsisten berarti dengan makin besarnya ukuran sampel maka varian s
dari penduga makin kecil. Dari ketiga sifat di atas ternyata x digunakan
sebagai penduga , tetapi di lain pihak penduga x sering tidak memuaskan
karena:
a. Terpengaruh oleh adanya pencilan data.
b. Sangat jarang menemukan nilai x yang tepat sama dengan .
Oleh karena itu, diperlukan suatu penduga dalam bentuk selang nilai
dengan tingkat kepercayaan tertentu (yang akan dipelajari dalam penduga
selang/interval). Dengan harapan, penduga selang tersebut dapat mencakup
nilai parameter yang sesungguhnya, dalam hal ini misalnya µ.
s2 i 1 i
.
n 1
Banyaknya x yang mempunyai sifat tertentu
p .
n
4.6 Statistika
dan memenuhi P ˆ ˆ 1 disebut interval kepercayaan
1 2
Gambar 4.2
Ilustrasi Penduga Interval
Gambar 4.3
Ilustrasi Arti 95% Interval Kepercayaan untuk
4.8 Statistika
x z / 2 .
n
(x x )
i
2
s i 1
.
n 1
s
x t( db n 1; / 2)
n
di mana t( dbn1; /2) diperoleh dari Tabel Distribusi t-student sehingga luas di
kanan t adalah /2. Gambar 4.4 merupakan ringkasan prosedur pembuatan
interval kepercayaan untuk .
MMPI5103/MODUL 4 4.9
Gambar 4.4
Ringkasan Prosedur Pembuatan Interval Kepercayaan untuk
x z / 2 .
n
Jika kita tuliskan batas kesalahan: E z / 2
n
( z / 2 )
2 2
maka ukuran sampel: n .
E2
Rumus tersebut hanya berlaku jika diketahui varians populasi () yang
hendak diambil sampelnya. Jika varians populasi tidak diketahui maka dapat
diambil sampel pendahuluan dengan ukuran n 30 dan dari sampel tersebut
dihitung s untuk menduga , atau ditentukan dari penelitian yang sudah
pernah dilakukan untuk kasus yang sama. Jika h asil perhitungan n tidak bulat
maka sebaiknya dibulatkan ke atas.
4.10 Statistika
Contoh 4.1.
Sebuah mesin pengisi ikan sarden dalam kaleng, diatur sehingga berat ikan
sarden yang diisikan dalam kaleng terdistribusi Normal dengan simpangan
baku 1,5 dg. Tentukan selang kepercayaan 95% dan 99% bagi rata-rata berat
ikan sarden yang diisikan oleh mesin ini, bila suatu sampel random 36 kaleng
mempunyai isi rata-rata 22,5 dg. Jelaskan arti dari selang yang dihasilkan
tersebut.
Jawab:
Soal ini adalah sampel besar karena n = 36 30; x 22,5 dg; = 1,5 dg.
Selang kepercayaan 95%, berarti 0,05 dan Za / 2 Z0,025 1,96. Jadi,
selang kepercayaan 95% untuk adalah:
1,5
x z / 2 22,5 1,96 22,5 0, 49 22, 01 sampai dengan 22,99.
n 36
Artinya, kita percaya dengan kepercayaan 95% bahwa rata-rata berat ikan
sarden yang diisikan oleh mesin tersebut yang sebenarnya terletak antara
22,01 sampai dengan 22,99 dg.
Contoh 4.2.
Sebuah mesin menghasilkan potongan logam yang berbentuk silinder.
Sampel dari 9 potongan diukur dan ternyata diameternya (cm) sebagai
berikut.
Jawab:
9
x
Soal ini adalah sampel kecil karena n 9 30; x i 1 i
1, 00556.
9
x x
9 2
s i 1
0, 02455.
i
9 1
Selang kepercayaan 99%, berarti 0,01; t( n1; / 2) t(8; 0,005) 3,355. Jadi,
selang kepercayaan 99% untuk adalah:
s 0, 02455
x t 1, 00556 3,355 1, 00556 0, 027455
n 1; n 9
2
( z / 2 ) 2 (1 )
adalah n . Dimana π adalah proporsi dari populasi, yang
E2
biasanya diperoleh dari penelitian pendahuluan atau penelitian yang
sebelumnya. Jika tidak ada informasi tentang π (karena tidak ada sampel
pendahuluan) maka p diganti dengan 0,5.
Contoh 4.3.
Dari suatu sampel random 1.000 rumah di sebuah kota, ditemukan bahwa
628 rumah menggunakan pemanas gas alam. Buat selang kepercayaan 99%
bagi proporsi rumah-rumah di kota ini yang menggunakan pemanas gas alam.
Jawab:
Diketahui p = 628/1.000 = 0,628.
Akan dicari selang kepercayaan 99%, berarti = 0,01; Z/2 = Z0,005 = 2,576.
Jadi, selang kepercayaan 99% untuk π adalah:
p za / 2 p(1 p) / n
0, 628 2,567 0, 628 1 0, 628 /1.000
0, 628 0, 0394
0,5886 sampai dengan 0, 6674.
(n 1) S 2
~ 2 .
2
MMPI5103/MODUL 4 4.13
(n 1) S 2
(n 1) S 2
P 2 2 2 1 .
n 1, / 2 n 1, 1 / 2
di mana n21, / 2 adalah persentil ke /2 dari distribusi Khi Kuadrat (lihat
Tabel Khi Kuadrat di Lampiran 5).
Dengan demikian, selang kepercayaan 100(1 )% untuk 2 adalah:
(n 1) S 2 (n 1) S 2
2 ; 2 .
n 1, / 2 n 1, 1 / 2
Contoh 4.4.
Untuk n = 9 dan s = 2,81. Diasumsikan populasi Normal, tentukan selang
kepercayaan 95% untuk varians populasi.
Jawab:
n 1 8; 8;2 0,025 17,543; 8;2 0,975 2,180.
Selang Kepercayaan 95% untuk 2 :
(n 1) S 2 (n 1) S 2 8(7,90) 8(7,90)
2 ; 2 ; (3, 60 ; 28,98).
n 1, / 2 n 1, 1 / 2 17,543 2,18
Selang Kepercayaan 95% untuk :
3, 60; 28,98 (1,90 ; 5,38).
LATIHAN
( z / 2 ) 2 2 (1,96) 2 (40) 2
Ukuran sampel: n 27,32.
E2 (15) 2
Jadi ukuran sampel yang diperlukan adalah 28.
2) n = 50; x 70; s 14; 1 95% (berarti za / 2 z0,025 1,96 ).
Karena sampel maka diduga oleh s, selang kepercayaan 95% untuk
menduga rata-rata waktu yang diperlukan untuk mengirim pesanan ke
pelanggannya adalah:
14
x z / 2 70 1,96 70 3,88 66,12 sampai dengan 73,88 jam.
n 50
3) ˆ p 628 1000 0,628.
( z / 2 ) 2 ˆ (1 ˆ ) (1,96) 2 (0, 628)(1 0, 628)
n 358,98.
E2 (0, 05) 2
Jadi sampel yang harus diambil minimum 359.
12
x 147
4) a. ˆ x i 1 i
12, 25.
12 12
x x
12 2
s i 1
2,832.
i
b.
12 1
Selang kepercayaan 99% , berarti = 0,01; t(n-1;/2) = t(11; 0,005) = 3,106.
Jadi, selang kepercayaan 99% untuk adalah:
s 2,832
x t 12, 25 3,106 12, 25 2,5392
n 1; n 12
2
x x
10 2
s i 1
0,535.
i
5)
10 1
n 1 9; 8;2 0,025 19,002; 8;2 0,975 2,7.
Selang kepercayaan 95% untuk 2 :
(n 1) S 2 (n 1) S 2 9 (0,535) 9 (0,535)
2 , 2 ; (0,135 ; 0,954).
n 1, / 2 n 1, 1 / 2 19, 002 2, 7
RANGKU MA N
s2 i 1 i
.
n 1
Banyaknya x yang mempunyai sifat tertentu
p .
n
TES FORMATIF 1
Kegiatan Belajar 2
tidak berarti bahwa hipotesis itu benar. Sehingga dalam membuat rumusan
pengujian hipotesis, hendaknya selalu membuat pernyataan hipotesis yang
diharapkan akan diputuskan untuk ditolak.
Terkait dengan hal tersebut, ada dua jenis penyataan hipotesis, yaitu
hipotesis nol (H0 ) dan hipotesis alternatif (H1 ). Hipotesis yang dirumuskan
dengan harapan untuk ditolak disebut hipotesis nol yang ditulis H 0 .
Penolakan hipotesis nol akan menjurus pada penerimaan hipotesis alternatif
atau hipotesis tandingan yang ditulis H1 .
Dalam statistika, hipotesa mengenai populasi yan g akan kita terima
kebenarannya sampai ada bukti untuk menolak hipotesis tersebut dinamakan
sebagai hipotesis nol (null hypothesis/H0 ). Apabila hipotesis ini ditolak
kebenarannya, maka ada hipotesis lain yang kita anggap benar, yaitu
hipotesis tandingan (alternative hypothesis/H1 ). Tanda sama dengan, harus
selalu tercantum dalam H0.. Dalam perumusan H1 dikenal dua macam
hipotesis, yaitu (dalam hal ini dimisalkan untuk menguji parameter populasi
):
1. Hipotesis satu arah:
(i) sisi atas (kanan)
H0 : 0
H1 : 0
(ii) sisi bawah (kiri)
H0 : 0
H1 : 0
2. Hipotesis dua arah:
H 0 : 0
H1 : 0
dimana 0 adalah nilai yang dihipotesiskan dari parameter populasi.
Uji satu arah hanya mempunyai satu wilayah kritis yaitu sisi kanan atau
sisi kiri saja. Sedangkan uji dua arah sekaligus memiliki dua wilayah kritis
yaitu sisi kanan dan sisi kiri. Wilayah kritis adalah suatu wilayah apabila
statistik uji yang digunakan nilainya jatuh pada wilayah ini maka
hipotesisnya ditolak dan apabila nilai statistik uji tidak jatuh di wilayah ini
maka hipotesisnya tidak ditolak. Sebagai contoh , perhatikan ilustrasi berikut.
Misalkan berdistribusi Normal maka daerah penolakan H0 dapat
digambarkan sebagai Gambar 4.5. dan Gambar 4.6. berikut.
4.22 Statistika
H1 : < 0 H1 : > 0
-
Gambar 4.5
Dua M acam Uji Satu Arah
- / 2 / 2
Gambar 4.6
Uji Dua Arah H1 : 0
nilai statistik uji ( P ( hitung ) atau peluang lebih kecil dari negatif nilai
statistik uji ( P ( hitung ) . Lihat Gambar 4.7. Sedangkan P( )
atau P( ). Sehingga jika nilai p lebih kecil dari taraf nyata ()
maka hipotesis nol ditolak. Pembahasan tentang nilai p akan dibahas pada
bagian akhir dari modul ini.
alpha
p value
α hitung
Gambar 4.7
p-value = P( > hitung)
Gambar 4.8
Sifat Hubungan dan
Dalam praktik pengujian hipotesis, nilai yang sering digunakan adalah 0,05
dan 0,01.
MMPI5103/MODUL 4 4.25
Contoh 4.5.
Suatu sampel random 400 pemilih di suatu kota ditanya apakah mereka
mendukung kenaikan 4% tarif listrik untuk penerangan jalan yang amat
diperlukan. Jika lebih dari atau sama dengan 220 tetapi kurang dari atau sama
dengan 260 pemilih yang mendukung kenaikan tarif maka disimp ulkan
bahwa 60% pemilih mendukung.
1. Berapa peluang melakukan kesalahan jenis I jika sesungguhnya dalam
populasi ada 60% pemilih yang mendukung kenaikan tarif?
2. Berapa peluang melakukan kesalahan jenis II dalam prosedur pengujian
ini jika sesungguhnya populasi hanya 48% dari pemilih yang mendukung
kenaikan tarif listrik?
4.26 Statistika
Jawab:
Hipotesis: H0 : p = 0,6 versus H1 : p 0,6.
X adalah variabel diskrit yang menyatakan banyaknya pemilih yang
mendukung kenaikan tarif dan X berdistribusi Binomial.
Jika 220 X 260, maka tidak menolak H0 . Sedangkan jika X < 220
atau X > 260 maka akan menolak H0 .
Karena n besar (n = 400) maka untuk menghitung kesalahan jenis I dan
kesalahan jenis II dapat digunakan pendekatan distribusi Normal ke distribusi
Binomial (Lihat Modul 3).
1. Menghitung :
= np = 400(0,6) = 240.
n pq 400 0,6 0, 4 9,80.
Untuk mengubah dari variabel random diskrit ke kontinu maka
dilakukan koreksi kontinuitas.
P Kesalahan jenis I P menolak H 0 pada hal H 0 benar
P X 220 p 0, 6 P X 260 p 0, 6
P X 219,5 240 P X 260,5 240
X 219,5 240 X 260,5 240
P P
9,8 9,8
P Z 2, 09 P Z 2, 09 2 P Z 2, 09
2 0, 0183 0, 0366.
2. menghitung :
np 400 0, 48 192.
n p q 400 0, 48 0,52 9,99.
Untuk merubah dari variabel random diskrit ke kontinu maka dilakukan
koreksi kontinuitas.
MMPI5103/MODUL 4 4.27
Jawab:
P(salah jenis I) = P tolak H 0 15 P Z 12,5 15 3 25
= P Z 4,167 0
P(salah jenis II) = P terima H 0 10 P Z 12,5 10 3 25
= P(Z 4,167 ) 1 P Z 4,167 0.
Contoh 4.7.
Berikut adalah beberapa contoh pernyataan hipotesis yang dapat kita cari
kebenarannya.
1. Akan dilakukan penelitian untuk menunjukkan apakah suatu jenis obat
baru lebih efektif untuk menurunkan berat badan dibanding obat lama.
Rumusan hipotesisnya adalah:
H0 : obat baru tidak lebih efektif dari obat lama.
H1 : obat baru lebih efektif dari obat lama.
2. Pengujian hipotesis bahwa teknologi baru dapat meningkatkan kualitas
buah-buahan. Rumusan hipotesisnya adalah:
H0 : teknologi baru teknologi lama dalam meningkatkan kualitas .
H1 : teknologi baru lebih baik dari teknologi lama dalam meningkatkan
kualitas.
3. Apakah rata-rata berat pipa suatu produksi memenuhi spesifikasi lebih
dari 2.400 lb? Rumusan hipotesisnya adalah:
H 0 : 2.400.
H1 : 2.400.
3. Daerah Kritis
Penentuan daerah kritis atau wilayah penolakan H 0 disesuaikan dengan
jenis hipotesisnya, apakah satu arah atau dua arah.
a. Hipotesis dua arah
Tolak H0 , apabila:
▪ Jika menggunakan statistik uji Z
Zhitung < –Z/2 atau Zhitung > Z/2
Z/2 diperoleh dari Tabel Normal Standar.
▪ Jika menggunakan statistik uji T.
t hitung < –t(n-1; /2) atau thitung > t(n-1; /2).
t (n-1; /2) adalah nilai dari Tabel t-student.
n – 1 merupakan derajat bebas.
b. Hipotesis satu arah
Tolak H0 , apabila:
▪ Arah kanan
- Jika menggunakan statistik uji Z.
Zhitung > Z.
- Jika menggunakan statistik uji T.
thitung > t(n-1; ).
▪ Arah kiri
• Jika menggunakan statistik uji Z.
Zhitung < Z.
• Jika menggunakan statistik uji T.
thitung < –t (n-1; ).
4. Kesimpulan
Kesimpulan diambil berdasarkan nilai statistik uji yang diperoleh dari
poin 2 dan dibandingkan dengan statistik tabel pada poin 3 di atas.
Simpulkanlah sesuai dengan nilai yang diperoleh, lalu interpretasikan
sesuai dengan kasus yang diteliti.
Contoh 4.8.
Dari sepuluh anak yang menderita kecebolan dan menjalani perawatan
dengan menggunakan suatu faktor pertumbuhan manusia (human growth
factor) diukur kadar glukosanya. Data berikut akan digunakan untuk
mengevaluasi perawatan di masa yang akan datang. Jika perlakuan/perawatan
ini mengakibatkan kadar glukosa turun di bawah 200, perawatan itu dianggap
memuaskan dan perawatan selanjutnya dianggap t idak diperlukan. Jika tidak,
MMPI5103/MODUL 4 4.31
perawatan tersebut harus diulang. Kadar glukosa dari sepuluh anak tersebut
sebagai berikut. Gunakan = 5%.
Jawab:
Dari data di atas diperoleh rata-rata kadar glukosa 10 anak tersebut sebesar
135,10 dengan simpangan bakunya sebesar 76,60. Tidak ada informasi
mengenai varians populasi dan ukuran sampelnya kecil maka gunakan
distribusi T.
Langkah-langkah pengujiannya sebagai berikut.
1. Secara statistik hipotesis yang ingin diuji dinyatakan dalam bentuk:
Ho : 200, (rata-rata kadar glukosa anak penderita kecebolan setelah
menjalani perawatan dengan menggunakan human growth factor
lebih dari atau sama dengan 200).
H1 : < 200, (rata-rata kadar glukosa anak penderita kecebolan setelah
menjalani perawatan dengan menggunakan human growth factor
kurang dari 200).
2. Taraf nyata yang digunakan sebesar 5%.
3. Statiktik uji:
x
thitung 0 135,10 200 2,68.
s/ n 76,60 / 10
4. Daerah penolakan:
Tolak Ho jika thitung t(9;0,05) 1,833
5. Kesimpulan:
Karena thitung t(9;0,05) maka tolak H0 . Artinya bahwa rata-rata kadar
glukosa anak penderita kecebolan setelah menjalani perawatan dengan
menggunakan human growth factor kurang dari 200.
Contoh 4.9.
Produk air minum dalam kemasan gelas merek tertentu mencantumkan berisi
air dengan volume 220 mL. Dari pemeriksaan Lembaga Konsumen terhadap
50 sampel produk ini didapatkan rata-rata volume airnya 218 mL. Jika
diketahui volume air produk tersebut berdistribusi Normal dengan simpangan
baku sebesar 2,5 mL. Apakah dari data tersebut menunjukkan bahwa produk
ini volume airnya kurang dari 220 mL. Gunakan = 1%?
4.32 Statistika
Jawab:
Dari soal diketahui informasi mengenai simpangan baku populasi yaitu
sebesar 2,5 mL, dan ukuran sampelnya besar yaitu n = 50 maka
gunakan Z. Dari sampel tersebut diperoleh x 218 . Taraf nyata, 0, 01.
▪ Hipotesis:
H0 : 220 versus H1 : < 220.
▪ Statistik uji:
x 0 218 220
Zhitung = 5, 66.
2,5
n 50
▪ Daerah kritis:
Tolak H0 , jika Zhitung < –Z0,01.
Z0,01 = 2,326.
▪ Kesimpulan:
Karena Zhitung < –Z0,01 , maka H0 ditolak. Artinya dari data menunjukkan
bahwa produk tersebut volume airnya kurang dari 220 ml.
2. Statistik Uji:
p 0
Zhitung = .
0 (1 0 )
n
3. Daerah kritis:
a. Uji dua arah
H0 ditolak apabila Zhitung < –Z/2 atau Zhitung > Z/2 .
b. Uji satu arah
• Arah kanan
H0 ditolak apabila Zhitung > Z.
• Arah kiri
H0 ditolak apabila Zhitung < –Z.
Contoh 4.10.
Suatu pabrik mengeluarkan suatu pernyataan bahwa 90% dari barang
produksinya tidak cacat. Suatu peningkatan proses sedang dicobakan dan
menurut mereka akan menurunkan proporsi yang cacat. Dalam suatu
percobaan dengan 100 barang yang dihasilkan dengan prose s baru tersebut
ternyata ada 5 yang cacat. Apakah kenyataan ini cukup untuk menyimpulkan
bahwa telah ada peningkatan proses ? Gunakan = 0,05.
Jawab:
Karena 90% barang tidak cacat maka berarti yang cacat adalah 10%,
sehingga hipotesisnya adalah:
H0 : ≥ 0,1 versus H1 : < 0,1
di mana menyatakan proporsi dari populasi yang cacat.
5
Diketahui: n = 100, ˆ 0, 05 ; dan 0 = 0,1.
100
Statistik uji:
ˆ o 0, 05 0,1
Zhitung = 1, 67.
0 (1 0 ) 0,1(1 0,1)
n 100
Z = Z0,05 = 1,645.
Karena Zhitung < –Z maka tolak H0 yang artinya telah ada peningkatan proses.
4.34 Statistika
n 1 s 2
dimana statistik uji hitung
2
.
02
2 (n-1; /2) diperoleh dari Tabel Chi-Square dengan derajat bebas n-1.
Catatan:
1. H0 : 2 02 versus 2 02 .
H0 ditolak apabila 2 hitung > 2 (n-1; ).
2. H0 : 2 02 versus 2 02 .
H0 ditolak apabila 2 hitung < 2 (n-1; 1- ).
Contoh 4.11.
Sebuah perusahaan aki mobil mengatakan bahwa umur aki mobil yang
diproduksinya mempunyai distribusi Normal dengan simpangan baku 0,9
tahun. Jika suatu sampel random 10 aki menghasilkan simpangan baku s =
1,2 tahun. Apakah menurut anda > 0,9 tahun? Gunakan = 0,05.
Jawab:
Hipotesis dari permasalahan tersebut adalah:
H0 : 2 0,81 versus H1 : 2 > 0,81.
Diketahui: n = 10, s = 1,2 dan 0 = 0,9.
Statistik uji:
(n 1) s 2 (10 1)(1, 2) 2
hitung
2
16.
02 0,81
Sedangkan,
(2n1;1 ) (29;0,95) 16,919.
Ternyata 2 hitung < 2 (9;0.95) maka tidak menolak H0 yang berarti 0.9 tahun.
MMPI5103/MODUL 4 4.35
LATIHAN
1) Tentukan pernyataan H0 dan H1 serta jenis ujinya apakah satu atau dua
arah.
a. Akan diuji apakah rata-rata banyaknya alat tangkap ikan yang
dimiliki nelayan di Pulau Seribu kurang dari 3?
b. Apakah produktivitas nelayan mengalami penurunan?
c. Seorang nelayan menyatakan bahwa lebih dari 60% memperoleh
ikan yang banyak di wilayah perairan X.
2) Suatu proses produksi telah menghasilkan rata-rata 800 ton bahan kimia
per hari. Hasil produksi minggu lalu dalam 5 hari kerja adalah 785, 805,
790, 793, dan 802 ton. Apakah data ini menunjukkan bahwa hasil rata-
rata produksi kurang dari 800 ton per hari dan dengan demikian ada
sesuatu yang tidak beres dengan prosesnya? Gunakan taraf nyata =
0,05.
3) Telah diketahui sekitar satu dari 10 nelayan menyukai menggunakan
perahu mesin merek A. Setelah diadakan suatu kampanye promosi di
suatu wilayah penjualan tertentu dan dilakukan wawancara terhadap 200
nelayan secara random, diperoleh 26 orang nelayan menyukai pada
merek A. Apakah data ini memberikan bukti yang cukup signifikan
untuk menunjukkan bahwa ada peningkatan penerimaan merek A pada
daerah tersebut dengan adanya promosi?
4) Data masa lalu menunjukkan bahwa keuntungan beternak ikan mas di
suatu daerah berdistribusi Normal dengan simpangan baku 1,40 juta
rupiah. Ada dugaan bahwa keuntungan beternak lele lebih beragam. Jika
diambil sampel secara random sebanyak 12 peternak lele mempunyai
simpangan baku 1,75 juta rupiah, dapatkah disimpulkan, pada tingkat
signifikansi 0,01 bahwa s impangan baku keuntungan beternak lele lebih
besar dari keuntungan beternak ikan mas di daerah tersebut?
5) Seorang pemerhati penjualan ikan di Kota X ingin mengetahui berapa
rata-rata banyaknya ikan yang terjual dalam sehari per penjual ikan.
Untuk keperluan ini dilakukan pengamatan terhadap 10 orang penjual
yang telah dipilihnya secara random. Data penjualannya sebagai berikut
(dalam kg).
4.36 Statistika
10,2 9,7 10,1 10,3 10,1 9,8 9,9 10,4 10,3 9,8.
Lakukanlah pengujian dengan taraf nyata 0,01. Apakah rata-rata
penjualan ikan oleh penjual ikan di Kota X lebih dari 10 kg? Anggap
data penjualan ikan per hari berdistribusi Normal.
1) a. H0 : 3.
H1 : < 3. Uji satu arah
b. H0 : produktivitas tidak menurun.
H1 : produktivitas menurun. Uji satu arah
c. H0 : p 0,6.
H1 : p > 0,6. Uji satu arah
2) H0 : ≥ 800 versus H1 : < 800.
n = 5, α = 0,05 dari 5 data sampel tersebut diperoleh x 795 dan
s 8,34.
x 0 795 800
Sehingga statistik uji thitung 1,34.
s 8,34 / 5
n
t( n 1; ) t( 4; 0,05) 2,132.
Karena thitung t( n1; ) maka H0 tidak ditolak artinya data tidak
menunjukkan bahwa terjadi penurunan produksi menjadi kurang dari
800 ton per hari.
3) π adalah proporsi yang menyukai merek A.
H0 : 0,1 versus H1 : > 0,1.
H0 ditolak apabila Zhitung > Z.
26
Diketahui: n = 200, ˆ 0,13 ; dan 0 = 0,1.
200
Statistik uji :
ˆ o 0,13 0,1
Z hitung 1, 41.
0 (1 0 ) 0,1(1 0,1)
n 200
Z = Z0,05 = 1,645.
Karena Zhitung < Z maka tidak menolak H0 artinya data belum
menunjukkan bukti bahwa ada peningkatan penerimaan merek A pada
daerah tersebut dengan adanya promosi
MMPI5103/MODUL 4 4.37
RANGKU MA N
c. H0 : ≥ 0 versus H1 : < 0 .
H0 ditolak apabila Zhitung < –Z.
4. Uji hipotesis rata-rata dari satu populasi Normal untuk sampel kecil.
x 0
Statistik uji : thitung .
s
n
a. H0 : = 0 vs H1 : 0 .
H0 ditolak jika t hitung < –t(n-1; /2) atau t hitung > t (n-1; /2).
b. H0 : 0 vs H1 : > 0 .
H0 ditolak apabila t hitung > t (n-1; ).
c. H0 : ≥ 0 vs H1 : < 0 .
H0 ditolak apabila t hitung < –t(n-1; ).
5. Uji hipotesis proporsi dan varians dari satu populasi.
ˆ o
Statistik uji : Z hitung .
0 (1 0 )
n
a. H0 : = 0 versus H1 : 0 .
H0 ditolak jika Zhitung < –Z/2 atau Zhitung > Z/2 .
b. H0 : 0 versus H1 : > 0 .
H0 ditolak apabila Zhitung > Z.
c. H0 : ≥ 0 versus H1 : < 0 .
H0 ditolak apabila Zhitung < –Z.
6. Uji varians satu populasi Normal:
n 1 s 2
Statistik uji: hitung
2
.
0 2
a. H0 : versus 2 02 .
2 2
0
H0 ditolak apabila 2 hitung < 2 (n-1; 1-/2) atau 2 hitung > 2 (n-1; /2).
b. H0 : 2 02 versus 2 02 .
H0 ditolak apabila 2 hitung > 2 (n-1; ).
c. H0 : 2 02 versus 2 02 .
H0 ditolak apabila 2 hitung < 2 (n-1; 1- ).
MMPI5103/MODUL 4 4.39
TES FORMATIF 2
46,4 46,1 45,8 47,0 46,1 45,9 45,8 46,9 45,2 46,0
Dari data tersebut apakah dapat dipercaya bahwa varian s berat lobster di
kolam Pak Nugi kurang dari 5 ons?
10) Seorang calon pengusaha makanan olahan dari seafood melakukan
survei untuk mengetahui apakah masyarakat di daerah setempat
menyukai makanan olahan yang berasal dari rumput laut. Dia
mewawancarai 90 orang dan ternyata terdapat 28 orang yang menyukai
makanan olahan dari rumput laut. Calon pengusaha tersebut tetap akan
membuat produk dari rumput laut jika hasil surveinya memberikan
kesimpulan bahwa orang yang menyukai produk olahan rumput laut
lebih dari 25% pada taraf nyata 0,05. Lakukan pengujian, apakah calon
pengusaha tersebut melanjutkan rencananya untuk membuat produk
olahan rumput laut?
Tes Formatif 1
35
x
1) a. ˆ x i 1 i
37, 657.
35
x x
35 2
b. p z / 2 p(1 p) / n
0,72 2,576 0,72 1 0,72 /100
= 0,6728 sampai dengan 0,7672.
Perhatikan bahwa makin besar n maka selang kepercayaan makin
sempit.
5) Selang kepercayaan 99% untuk 2 adalah 5,08 sampai dengan 10,91.
a. Selang kepercayaan 95% untuk 2 adalah 5,47 sampai dengan 9,74.
b. Selang kepercayaan 90% untuk 2 adalah 5,68 sampai dengan 9,22.
Jadi untuk ukuran sampel yang sama, makin kecil tingkat kepercayaan
mengakibatkan selang kepercayaan yang diperoleh makin sempit.
6) Diketahui:
x = 2.500.000
σ = 650.000
n = 40
= 0,05
z = 1,96
2
Tes Formatif 2
1) H0 : 50 versus H1 : > 50.
x 0 55 50
Statistik uji : thitung = 10,10.
s 4,9
n 20
t(n-1; ) = t(19; 0,05) = 1,73.
H0 ditolak karena thitung > t (n-1; ). Artinya, rata-rata emisi gas CO
perusahaan baru tersebut lebih dari 50. Jadi, perusahaan baru tersebut
tidak layak diberi izin.
MMPI5103/MODUL 4 4.45
Daftar Pustaka
Moore, D.S., McCabe, G.P., and Craig, B.A. 2009. Introduction to the
Practice of Statistics. Sixth Edition. New York: W. H. Freeman and
Company.
Taylor, J. K. & Cihon Cheryl. 2004. Statistical Technique for Data Analysis
2nd ed. Chapman & Hall/CRC. New York.
Walpole, R.E., Myers, R.H., Myers, S.R., Ye Keiying, 2007. Probability &
Statistics for Engineer and Scientist, Eight Ed., Pearson Prentice Hall.
Modul 5
P ENDAHULU A N
Untuk dapat memahami materi ini, pada setiap sub materi diberikan
contoh disertai dengan langkah-langkah yang sistematis dalam menjabarkan
uji hipotesis. Demikain juga dalam latihan dan tes formatif petunjuk jawaban
diberikan secara sistematis dan cukup lengkap. Diharapkan dengan adanya
beberapa contoh yang relevan, Anda dapat memahami materi Modul 5 ini
dengan mudah.
MMPI5103/MODUL 5 5.3
Kegiatan Belajar
σ12 σ 22
x1 - x1 ±Z µ / 2 + ,
n1 n2
di mana Z/2 adalah nilai variabel normal standard di mana luas di bagian
kanannya sama dengan /2. Sedangkan untuk pengujian hipotesis, ada
pengujian satu arah dan dua arah.
Statistik Uji:
Z hitung
X 1 X2
.
12 22
n1 n2
Kriteria penolakan H0 :
1. H0 : 1 – 2 .
H1 : 1 – 2 > .
Tolak H0 jika Zhitung > Z.
2. H0 : 1 – 2 ≥ .
H1 : 1 – 2 < .
MMPI5103/MODUL 5 5.5
3. H0 : 1 – 2 = .
H1 : 1 – 2 .
Tolak H0 jika |Zhitung | > Z/2 .
Untuk kasus penarikan sampel dari dua populasi normal saling bebas dan
varians kedua populasi tidak diketahui maka rumusan interval
kepercayaan ada empat macam yaitu:
1. Untuk kasus variansnya dianggap sama 1 2 , dan ukuran sampel
2 2
dari populasi 1 (dinyatakan sebagai n 1 ) dan ukuran sampel dari populasi
2 (dinyatakan sebagai n 2 ) masing-masing adalah 30, maka 12 diduga
dengan s12 , dan 22 diduga dengan s22 serta 100 1 % interval
kepercayaan untuk µ1 - µ2 adalah:
1 1
x1 - x1 ± Z µ / 2 sgab + ,
n1 n2
di mana s 2
n 1 1 s12 n 2 1 s22
.
n1 n2 2
gab
2.
2 2
Untuk kasus variansnya dianggap sama 1 2 , tetapi ukuran sampel
dari populasi 1 (dinyatakan sebagai n 1 ) dan ukuran sampel dari populasi
2 (dinyatakan sebagai n 2 ) masing-masing adalah <30, maka
100 1 % interval kepercayaan untuk µ1 µ 2 adalah:
1 1
x1 - x1 ± t n1+ n2-2; µ / 2 sgab + ,
n1 n2
n1 1 s12 n 2 1 s22
2
di mana sgab .
n1 n 2 2
3. Untuk kasus variansnya dianggap tidak sama 1 2 , tetapi ukuran
2 2
sampel dari populasi 1 (dinyatakan sebagai n 1 ) dan ukuran sampel dari
5.6 Statistika
s12 s22
x1 - x1 ± tv; µ / 2 + ,
n1 n 2
s n 1 s22 n 2
2 2
di mana
1
.
s n1 s n2
2 2 2 2
1 2
n1 1 n 2 1
v dibulatkan ke bilangan bulat terdekat.
Sama seperti pada interval kepercayaan, maka untuk uji hipotesis ada 4
macam yaitu:
1. Untuk kasus variannya dianggap sama 1 2 , dan ukuran sampel
2 2
dari populasi 1 (dinyatakan sebagai n 1 ) dan ukuran sampel dari populasi
MMPI5103/MODUL 5 5.7
Z hitung
X 1 X2 2
di mana sgab
n 1 1 s12 n 2 1 s22
.
1 1 n1 n2 2
gab n n
s
1 2
Kriteria penolakan H0 :
a. H0 : 1 – 2 .
H1 : 1 – 2 > .
Tolak H0 jika Zhitung > Z.
b. H0 : 1 – 2 ≥ .
H1 : 1 – 2 < .
Tolak H0 jika Zhitung < –Z.
c. H0 : 1 – 2 = .
H1 : 1 – 2 .
Tolak H0 jika |Zhitung | > Z/2 .
thitung
X1 X 2 ~ t( db n1 n 2 2 ) ,
1 1
s
gab n n
1 2
n 1 1 s12 n 2 1 s22
di mana sgab
2
.
n1 n2 2
Kriteria penolakan H0 :
a. H0 : 1 – 2 .
5.8 Statistika
H1 : 1 – 2 > .
Tolak H0 jika t hitung > t (n1+n2-2; ).
b. H0 : 1 – 2 ≥ .
H1 : 1 – 2 < .
Tolak H0 jika thitung < –t (n1+n2-2; ).
c. H0 : 1 – 2 = .
H1 : 1 – 2 .
Tolak H0 jika |t hitung | > t (n1+n2-2; /2).
3.
2 2
Untuk kasus variansnya dianggap tidak sama 1 2 , tetapi ukuran
sampel dari populasi 1 (dinyatakan sebagai n 1 ) dan ukuran sampel dari
populasi 2 (dinyatakan sebagai n 2 ) masing-masing adalah 30, maka 12
diduga dengan s12 , dan 22 diduga dengan s22 .
Statistik Uji:
x1 x1
Z hitung .
s12 s22
n1 n2
Kriteria penolakan H0 :
a. H0 : 1 – 2 .
H1 : 1 – 2 > .
Tolak H0 jika Zhitung > Z.
b. H0 : 1 – 2 ≥ .
H1 : 1 – 2 < .
Tolak H0 jika Zhitung < –Z..
c. H0 : 1 – 2 = .
H1 : 1 – 2 .
Tolak H0 jika Zhitung < –Z/2 atau Zhitung > Z/2 .
thitung
X 1 X2
~ t( db n ) ,
s12 s22
n1 n 2
s n1 s22 n 2
2 2
di mana
1
.
s n1 s n2
2 2 2 2
1 2
n1 1 n2 1
Kriteria penolakan H0 :
a. H0 : 1 – 2 .
H1 : 1 – 2 > .
Tolak H0 jika thitung > t (v; ).
b. H0 : 1 – 2 ≥ .
H1 : 1 – 2 < .
Tolak H0 jika thitung < – t (v; ).
c. H0 : 1 – 2 = .
H1 : 1 – 2 .
Tolak H0 jika |thitung | > t (v; /2).
Saudara, agar Anda dapat menerapkan rumus -rumus di atas, mari pelajari
contoh berikut ini.
Contoh 5.1.
Suatu perusahaan telah membuka dua supermarket di dua tempat yang
berbeda. Pihak manajemen perusahaan tersebut ingin mengetahui apakah
rata-rata penjualan per hari dari dua supermarket tersebut berbeda. Anggap
penjualan per hari di kedua supermarket berdistribusi Normal. Sebuah sampel
diambil dari supermarket pertama selama 35 hari dan menghasilkan rata -rata
penjualan per hari sebesar Rp. 537 ribu dengan simpangan baku Rp. 2,9 ribu.
5.10 Statistika
Pada supermarket kedua diamati selama 30 hari dan menghasilkan rata -rata
penjualan per hari Rp. 585 ribu dengan simpangan Rp. 3,1 ribu.
1. Tentukan penduga titik dari 1 2 .
2. Tentukan interval kepercayaan 99% untuk 1 2 .
3. Ujilah dengan = 0,01 apakah rata-rata penjualan per hari dari dua
supermarket tersebut berbeda?
Jawab:
Diketahui n1 35; n2 30; x1 537; x2 585; s1 2,9; s2 3,1 .
1. Penduga titik dari 1 2 x1 x2 537 585 48 .
2. Rumus interval kepercayaan 99% untuk 1 2 adalah:
σ12 σ 22
x1 x1 Z 0,005 .
n1 n2
Pada kasus ini n 1 dan n 2 masing-masing 30, sehingga 12 dan 22
dapat diduga dengan s12 , dan s22 , Z/2 = Z0,005 = 2,5758.
Z hitung
X1 X 2 537 585 0 65,3.
12 22 2,92 3,12
n1 n2 35 30
Z / 2 Z 0,005 2,5758.
MMPI5103/MODUL 5 5.11
Karena |Zhitung | = 65.3 > Z/2 , maka tolak H0 yang artinya dengan
0, 01 terbukti bahwa rata-rata penjualan per hari dari dua
supermarket tersebut berbeda.
Contoh 5.2.
Dua buah perusahaan yang saling bersaing dalam industri material
penjaringan ikan. Mereka saling mengklaim bahwa produknya yang lebih
baik, dalam artian lebih kuat menahan beban. Untuk mengetahui produk
mana yang sebenarnya lebih baik, dilakukan pengambilan data masing -
masing sebanyak 10 buah, dan diukur berapa beban yang mampu ditanggung
tanpa merusak material jaring ikan. Data yang dikumpulkan sebagai berikut.
Perusahaan A 30 35 50 45 60 25 45 45 50 40
Perusahaan B 50 60 55 40 65 60 65 65 50 55
Jawab:
Dari data di atas dapat dihitung bahwa:
xA 42,5; xB 56,5.
s A 10,3; sB 8,18.
nA nB 10.
diasumsikan A2 B2 , maka:
nA 1 sA2 nB 1 sB2
9(10,3)2 9(8,18)2
2
sgab 86,944.
nA nB 2 10 10 2
1. 95% interval kepercayaan untuk µB µA adalah:
1 1
xB xA t nB nA 2; /2 sgab
nB nA
1 1
56,5 42,5 t18; 0,025 85,944
10 10
5.12 Statistika
2
14 2,1 85,944
10
5, 24 sampai dengan 22, 76.
2. H0 : B – A 0.
H1 : B – A > 0.
Statistik Uji:
thitung
X B X A 56,5 42,5 0 3,36.
1 1 1 1
sgab 85,944
nB nA 10 10
t( n1 n2 2; ) t(18; 0,05) 1, 73.
Karena t hitung > t( n1 n2 2; ) maka Tolak H0 yang artinya perusahaan B
lebih baik dari perusahaan A.
Contoh 5.3.
Dari data Contoh 5.2. tentukan interval kepercayaan 95% bagi selisih rataan
perusahaan B dengan perusahaan A, dengan mengasumsikan varian s kedua
populasi berbeda.
Jawab:
Dari data di atas dapat dihitung bahwa:
xA 42.5; xB 56.5.
s A 10.3 ; sB 8.18.
nA nB 10.
diasumsikan A2 B2 , maka derajat bebas dari distribusi t adalah:
MMPI5103/MODUL 5 5.13
17,12 17
A
s nA s nB 10,3 10 8,18 10
2 2 2 2 2 2 2 2
A B
nA 1 nB 1 10 1 10 1
t( v; / 2) t(17; 0,025) 2,1.
Atau 95% interval kepercayaan untuk µB - µA adalah 5,2 sampai dengan 22,8.
(d i d )2
di mana s 2 i 1
.
n 1
d
Statistik Uji:
d d0
thitung = t(db = n-1).
sd / n
Kriteria penolakan H0 :
1) H0 : d d 0 .
H1 : d > d 0 .
Tolak H0 jika thitung > t (db = n-1; ).
MMPI5103/MODUL 5 5.15
2) H0 : d ≥ d 0 .
H1 : d < d 0 .
Tolak H0 jika t hitung < -t (db = n-1; ).
3) H0 : d = d 0 .
H1 : d d 0 .
Tolak H0 jika |thitung | > t (db = n-1; /2).
Contoh 5.4.
Suatu metode diet baru dicobakan pada 9 wanita yang dipilih secara random,
dengan hasil data berat badan sebagai berikut:
Wanita 1 2 3 4 5 6 7 8 9
Berat Sebelum 133 146 135 168 148 152 180 126 122
badan Sesudah 132 143 137 160 151 148 171 120 124
Jawab:
Pertama-tama kita mesti menghitung selisih antara data sebelum dan sesudah.
Lihat tabel berikut.
Sebelum Sesudah d
133 132 1
146 143 3
135 137 -2
168 160 8
148 151 -3
152 148 4
180 171 9
126 120 6
122 124 -2
Rata-rata (µd ) 2,67
Simpangan baku (sd ) 4,47
5.16 Statistika
Statistik Uji:
d - d0 2,67 0
thitung 1,79.
sd / n 4, 47 / 9
t (db=n-1; ) = t (8; 0,05) = 1,86.
Karena thitung < t (db=n-1; ) maka tidak menolak H0 , artinya metode diet tersebut
tidak efektif.
1
karena dalam distribusi F berlaku F( n1 1, n2 1;1 / 2) maka:
F( n2 1, n1 1; / 2)
s2 1 2 s2
P 12 12 12 F( n2 1, n1 1; / 2) 1
s2 F( n 1, n 1; / 2) 2 s2
1 2
sehingga selang kepercayaan 100(1 )% untuk 12 / 22 diberikan oleh:
s12 1 2 s2
12 12 F( n2 1, n1 1; / 2)
s2 F( n1 1, n2 1; / 2) 2
2
s2
di mana F( n1 1, n 2 1; / 2 ) adalah nilai distribusi F yang luas di kanannya /2.
Berikut ilustrasi yang mendukung pemahaman Anda mengenai pendugaan
selang kepercayaan perbandingan varians dua populasi.
Contoh 5.5.
Ujian masuk GMAT calon mahasiswa tahun lalu dilakukan kepada 25 calon
mahasiswa laki-laki dan 16 calon mahasiswa perempuan. Rata-rata nilai
calon mahasiswa laki-laki adalah 82 dengan simpangan baku 8, sedangkan
rata-rata calon mahasiswa perempuan 78 dengan simpangan baku 7. Dengan
asumsi masing-masing populasi berdistribusi normal, tentukan interval
kepercayaan 90% untuk L2 / P2 .
Jawab:
Dari soal tersebut diketahui:
n L = 21; n P = 16.
sL = 8 ; sP = 7.
α = 0,10.
F( nL 1, nP 1, / 2) F(20,15;0,05) 2,33.
F( nP 1, nL 1, / 2) F(15,20;0,05) 2, 20.
sL2 1 L2 sL2
F( nP 1, nL 1; / 2) .
sP2 F( nL 1, nP 1; / 2) P2 sP2
82 1 L2 82 L2
(2, 20) 0,561 2,873.
7 2 2,33 P2 72 P2
Makna dari interval kepercayaan tersebut adalah bahwa dugaan rasio antara
varians populasi mahasiswa laki-laki dengan varians populasi mahasiswa
perempuan berkisar antara 0,561 sampai dengan 2,873.
5.18 Statistika
Catatan:
1. H0 : 12 22 versus H1 : 12 22 .
Tolak H0 jika Fhitung > F( n1 1, n2 1; / 2) .
Contoh 5.6.
Pada percobaan pengaruh penyinaran terhadap pertumbuhan biomassa suatu
tanaman didapatkan hasil sebagai berikut.
Kelompok n X s
Penyinaran normal 9 5,3 1,10
Penyinaran dengan filter 10 2,1 0,69
Jawab:
Hipotesis H0 : 12 22 versus H1 : 12 22 .
s12 1,12
Statistik uji Fhit 2,54.
s22 0, 69 2
Dari tabel F diperoleh:
1 1
F( n1 1, n2 1;1 / 2) F(8,9;0,95) 0, 295.
F 9, 8; 0, 05 3,39
F( n1 1, n2 1; / 2) F(8,9;0,05) 3, 23.
daerah penolakan H0 adalah:
Fhitung < F( n1 1, n2 1;1 / 2) atau Fhitung > F( n1 1, n2 1; / 2) .
Karena F( n1 1, n2 1;1 / 2) < Fhitung < F( n1 1, n2 1; / 2) maka H0 tidak ditolak.
Artinya, varians pertumbuhan biomassa tanaman yang mendapatkan
penyinaran normal sama dengan tanaman yang mendapatkan penyinaran
dengan filter.
sedangkan
(ˆ1 ˆ 2 ) 1 2
Z berdistribusi N (0,1)
1 (1 1 ) 2 (1 2 )
n1 n2
(ˆ1 ˆ 2 ) 1 2
sehingga P ( Z a / 2 Z a / 2 ) 1
1 (1 1 ) 2 (1 2 )
n1 n2
Apabila diuraikan lebih lanjut maka:
P((ˆ1 ˆ2 ) Za / 2 (ˆ1 ˆ2 ) 1 2 (ˆ1 ˆ2 ) Z a / 2 (ˆ1 ˆ2 ) ) 1
1 (1 1 ) 2 (1 2 )
di mana ( pˆ1 pˆ 2 ) ,
n1 n2
sehingga selang kepercayaan 100 (1 )% bagi 1 2 adalah:
(ˆ1 ˆ2 ) Z a / 2 (ˆ1 ˆ2 ) .
Apabila (ˆ1 ˆ 2 ) tidak diketahui dan digunakan penduganya yaitu:
ˆ1 (1 ˆ1 ) ˆ 2 (1 ˆ 2 )
s(ˆ1 ˆ2 ) .
n1 n2
Zhitung = (ˆ1 ˆ 2 ) 0
.
ˆ1 (1 ˆ1 ) ˆ 2 (1 ˆ 2 )
n1 n2
Zhitung =
ˆ1 ˆ2
,
ˆ (1 ˆ )(1 n1 1 n2 )
X1 X 2
di mana ˆ .
n1 n2
Kriteria Penolakan H0 :
a. H0 : 1 – 2 0 .
H1 : 1 – 2 > 0 .
Tolak H0 jika Zhitung > Z.
b. H0 : 1 – 2 0 .
H1 : 1 – 2 < 0 .
Tolak H0 jika Zhitung < –Z.
c. H0 : 1 – 2 = 0 .
H1 : 1 – 2 0 .
Tolak H0 jika |Zhitung | > Z/2 .
Contoh 5.7.
Suatu perusahaan sedang merencanakan cara pembuatan suku cadang yang
baru. Sampel diambil dari cara lama maupun yang baru untuk melihat apakah
cara baru tersebut memberikan perbaikan. Bila 75 dari 1.500 suku cadang
yang berasal dari cara yang lama ternyata cacat dan 80 dari 2.000 suku
cadang yang berasal dari cara baru ternyata cacat. Apakah uji cara baru
tersebut memberikan perbaikan? lengkapi dengan interval kepercayaan 95%
bagi selisih dua proporsi populasi.
Jawab:
a. Uji Hipotesis
Cara lama:
5.22 Statistika
Hipotesisnya adalah:
H0 : 1 2 0.
H1 : 1 2 0.
Tolak H0 jika Zhitung > Z
ˆ1 ˆ2 0 0, 05 0, 04
Z hitung 1, 42.
ˆ (1 ˆ )(1 n1 1 n2 ) 0, 0443(1 0, 0443)(1 1.500 1 .2000)
Z a Z 0,05 1, 645.
Karena Zhitung < Z maka tidak menolak H0 . Artinya, cara baru tersebut
tidak memberikan perbaikan dalam hal penurunan proporsi cacat.
LATIHAN
1) Informasi berikut ini diperoleh dari dua sampel random saling bebas dari
dua populasi normal dengan simpangan baku tidak diketahui, tetapi
diasumsikan besarnya sama.
Sampel 1: 22 32 25 33 21 35 30 26 25 31 33 30
Sampel 2: 24 28 22 25 24 22 29 26 25 29 19
a. Berapakah penduga titik dari 1 – 2 ?
b. Tentukan selang kepercayaan 95% untuk 1 – 2 !
2) Sebuah perusahaan mengirim 7 karyawan untuk mengikuti kursus dalam
membangun rasa percaya dirinya. Para karyawan tersebut dievaluasi
sebelum dan sesudah mengikuti kursus tersebut. Tabel berikut ini (berisi
skor skala 1 sampai 15) merupakan nilai para karyawan sebelum dan
sesudah mengikuti kursus.
Sebelum 8 5 4 9 6 8 5
Sesudah 10 7 5 11 6 7 9
Uji apakah ada peningkatan rata-rata rasa percaya diri para karyawan
sebelum dan sesudah mengikuti kursus membangun rasa percaya diri?
Gunakan = 0,05.
3) Sebuah sampel random sebanyak 500 TV diperoleh dari proses produksi
pada siang hari (shift siang), diperoleh 80 unit yang rusak. Sedangkan
sampel random lainnya sebanyak 200 unit tv diperoleh dari shift malam,
diperoleh 10 unit yang rusak. Apakah data ini men unjukkan cukup bukti
bahwa proporsi produk rusak dari proses produksi pada siang hari 3%
melebihi dari proses produksi pada malam hari? Gunakan = 0,05.
4) Ikan gabus merupakan ikan air tawar liar yang suka hidup di sawah, di
waduk, atau di sungai-sungai yang airnya tenang. Menurut hasil
penelitian, ternyata ikan gabus ini memiliki kandungan protein yang
tinggi, lebih tinggi dari pada daging dan telur. Namun sayangnya,
populasi ikan gabus di alam disinyalir sudah semakin berkurang. Oleh
karenanya, budidaya ikan gabus sangat perlu dikembangkan. Pak Beni
salah salah satu orang yang tertarik untuk membudidayakan ikan gabus.
Dia ingin mengetahui, apakah ikan gabus yang dipelihara di kolam
berupa bak beton dengan perawatan yang memadai akan lebih baik
pertumbuhannya dibandingkan dengan ikan gabus yang dipelihara di
5.24 Statistika
kolam tanah biasa. Pak Beni mencoba membudidayakan ikan gabus ini
dengan kedua cara tersebut. Ditebarkanlah bibit ikan gabus yang kondisi
berat dan umurnya sama ke kedua kolam. Kemudian setelah enam bulan
diambil sampel untuk mengetahui rata-rata berat ikan gabus untuk
masing-masing kolam. Dari kolam bak beton ditangkap sebanyak 15
ekor ikan gabus dan setelah ditimbang ternyata rata-rata beratnya 3,84
ons per ekor dengan simpangan baku 3,07 ons per ekor. Dari kolam
tanah biasa ditangkap 12 ekor ikan dan memberikan rata-rata berat 1,49
ons per ekor dengan simpangan baku 0,80 ons per ekor. Ujilah
menggunakan taraf nyata 5% apakah rata-rata berat ikan gabus di kedua
kolam adalah sama. Anggap varians berat ikan di kedua kolam berbeda
dan berdistribusi Normal. Lengkapi dengan interval kepercayaan 95%
bagi selisih rata-rata berat ikan gabus dari kedua kolam tersebut.
5) Berikan dukungan atas anggapan tentang varian s populasi pada Soal No.
4 dengan membuat interval kepercayaan 95% bagi rasio kedua varians
dan kedua simpangan baku. Kemudian perkuat dengan pengujian
hipotesis.
sgab
n 1 1 s12 n 2 1 s22
12 1 4, 622 11 1 3,122
3,9794
n1 n 2 2 12 11 2
1 1
22,58 24,82 t 21; 0,025 3,9794
12 11
1 1
22,58 24,82 2, 08 3,9794
12 11
= 0,31 sampai dengan 7,22.
MMPI5103/MODUL 5 5.25
2)
Sebelum Sesudah d
8 10 –2
5 7 –2
4 5 –1
9 11 –2
6 6 0
8 7 1
5 9 –4
d –1,429
sd 1,618
d = sebelum – sesudah .
H0 : d ≥ 0.
H1 : d < 0.
Statistik Uji:
d d0 1, 429 0
thitung 2, 43.
sd / n 1, 618
7
t( db n 1;a ) t( 6; 0,05) 1,943.
Karena thitung t( db n 1; ) maka tolak H0. Artinya, rata-rata nilai percaya
diri sebelum lebih kecil dari rata-rata nilai percaya diri sesudah ikut
kursus.
3) Shift siang:
n1 500; x1 banyak tv rusak dari shift siang = 80,
80
berarti proporsi tv rusak dari shift siang = ˆ1 0,16.
500
Shift malam:
n2 200; x2 = banyak tv rusak dari shift malam = 10,
10
berarti proporsi tv rusak dari shift malam = ˆ 2 0, 05.
200
H0 : 1 – 2 0,03.
H1 : 1 – 2 > 0,03.
5.26 Statistika
4) Diketahui:
Indeks 1 untuk ikan dari kolam bak beton.
Indeks 2 untuk ikan dari kolam tanah biasa.
x1 3,84 ; x2 1, 49.
s1 3, 07 ; s2 0,80.
n1 15 ; n2 12.
a. Pengujian Hipotesis
1) Hipotesis:
H0 : µ1 = µ2 .
H1 : µ1 ≠ µ2 .
2) Statistik Uji:
x x
t hitung 1 2 2,85.
s12 s22
n1 n2
3) Daerah kritis:
Tolak H0 , jika thitung < – t /2;v atau thitung > t /2;v.
dimana,
derajat bebas: v = 16 dan t0,025;16 = 2,120.
4) Kesimpulan
Tolak H0 , karena thitung > t 0,025;16 .
b. Uji Hipotesis
Hipotesis:
H0 : 12 22 versus H1 : 12 22 .
c. Statistik uji:
F=14,73 (bandingkan dengan F tabel).
d. Kesimpulan:
Tolak H0 . Artinya, benar bahwa varians berat ikan gabus di kolam
bak beton berbeda dengan varians berat ikan gabus yang di kolam
tanah biasa.
RANGKU MA N
1
masing adalah < 30.
s n1 s n2
2 2 2 2
1 2
n1 1 n2 1
d = 1 - 2 Data sampel pengamatan sd
berpasangan. d tn 1, / 2
n
12 s12 1 2 s2 1
12 12
22 s2 F( n1 1, n2 1; / 2) 2
2
s2 F( n2 1, n1 1; / 2)
1 - 2 Untuk n 1 dan n 2 besar yaitu (ˆ1 ˆ 2 ) Z / 2 (ˆ1 ˆ2 )
masing-masing 30.
dan s22 .
Sampel saling H0 : 1 – 2 Zhitung =
X X2 H1 : 1 – 2 > Zhitung > Z
H0 : 1 – 2 ≥ H1 : 1 – 2 < Zhitung < –Z
1
bebas dan varians
1 1
kedua populasi H0 : 1 – 2 = sgab H1 : 1 – 2 |Zhitung | > Z /2
tidak diketahui, n1 n2
variansnya n1 1 s12 n2 1 s22
dianggap sama 2
sgab
n1 n2 2
( 2 1 = 2 2 ), n 1 dan
n 2 masing-
masing adalah
30.
Sampel saling H0 : 1 – 2 thitung = X 1 X2 H1 : 1 – 2 > thitung > t (n1+n2-2; )
bebas dan varians H0 : 1 – 2 ≥ H1 : 1 – 2 < thitung < –t (n1+n2-2; )
1 1
kedua populasi H0 : 1 – 2 = sgab H1 : 1 – 2 |thitung | > t (n1+n2-2; /2)
tidak diketahui, n1 n2
variansnya
n1 1 s12 n2 1 s22
dianggap sama 2
sgab
(2 1 = 2 2 ), n 1 dan n1 n2 2
n 2 masing-
masing adalah <
30.
Sampel saling H0 : 1 – 2 x1 - x1 - δ H1 : 1 – 2 > Zhitung > Z
bebas dan varians H0 : 1 – 2 ≥ Z hitung = H1 : 1 – 2 < Zhitung < –Z
s12 s22
kedua populasi H0 : 1 – 2 = + H1 : 1 – 2 |Zhitung | > Z /2
tidak diketahui, n1 n2
variansnya
dianggap tidak
sama ( 2 1 2 2 ),
n 1 dan n 2
masing-masing
adalah 30.
Sampel saling H0 : 1 – 2 thitung = X1 X 2 H1 : 1 – 2 > thitung > t (v; )
bebas dan varians H0 : 1 – 2 ≥ 2 2 H1 : 1 – 2 < thitung < -t (v; )
s s
kedua populasi H0 : 1 – 2 = 1 2
H1 : 1 – 2 |thitung | > t (v; /2)
tidak diketahui, n1 n2
variansnya
s n1 s22 n2
2 2
dianggap tidak
1
s n1 s n2
2 2
sama (2 1 2 2 ),
2 2
1 2
n 1 dan n 2 n1 1 n2 1
masing-masing
adalah < 30.
Data sampel H0 : d d 0 thitung = d d0 H1 : d > d 0 thitung > t (db=n-1; )
pengamatan H0 : d d 0 sd / n H1 : d < d 0 thitung < –t (db=n-1; )
berpasangan. H0 : d = d 0 H1 : d d 0 |thitung | > t (db=n-1; /2)
Rasio kedua H0 : 2 1 2 2 s12 H1 : 2 1 > 2 2 Fhitung > F (n1-1, n2-1; )
Fhitung
varians. H0 : 2 1 2 2 s 22 H1 : 2 1 < 2 2 Fhitung < F(n1-1,n2-1; 1-)
H0 : 2 1 = 2 2 H1 :2 1 2 2 Fhitung < F(n1-1,n2-1; 1-/2)
5.30 Statistika
Untuk 0 = 0
Zhitung = ˆ1 ˆ2
ˆ (1 ˆ )(1 n1 1 n2 )
dengan:
X1 X 2
ˆ
n1 n2
TES FORMATIF
Rancangan 1 1 3 2 1 2 1 3 2
Rancangan 2 4 2 3 3 1 2 3 3
MMPI5103/MODUL 5 5.31
Apakah data ini merupakan bukti yang cukup untuk menunjukkan beda
dalam rata-rata waktu pengenalan untuk dua rancangan iklan tersebut?
Ujilah pada taraf nyata = 0,05.
3) Seorang pegawai unit kredit membandingkan tingkat suku bunga d ari
pinjaman berjangka 48 bulan yaitu antara yang tingkat suku bunga tetap
dan tingkat suku bunga variabel. Diambil dua sampel random bebas dari
masing-masing, dengan data suku bunga sebagai berikut.
Suku bunga tetap: 10,29; 9,75; 9,50; 9,99; 9,75; 9,99; 11,40; 10,00.
Suku bunga variabel : 9,59; 8,75; 8,99; 8,50; 9,00.
(a) Uji hipotesis apakah varians suku bunga tetap lebih tinggi dari suku
bunga variabel? Gunakan = 0,05.
(b) Gambarkan p-value dari uji tersebut di atas.
4) Untuk mengetahui pengaruh pemberian bahan peredam suara suatu
kompartemen kendaraan dengan dua jenis bahan yang berbeda A dan B
maka dilakukan suatu percobaan pengukuran kekurangan kebisingan
dengan menggunakan detektor bunyi. Tujuan dari percobaan ini adalah
ingin mengetahui apakah ada perbedaan variabilitas yang berarti kedua
bahan tersebut dalam hal meredam kebisingan mengingat harga kedua
bahan tersebut sangat jauh berbeda. Diasumsikan bahwa masing masing
bahan akan menghasilkan suatu peredam dengan distribusi Normal.
Untuk menguji tersebut bahan A dipasangkan pada 8 kompartemen dan
bahan B dipasangkan pada 9 mobil-mobil yang sejenis.
Setelah diuji ternyata A memberikan pengurangan sebesar 41; 43; 60;
56; 85; 79; 51;49 (dB = decibel).
Sedangkan bahan B memberikan pengurangan kebisingan sebesar 73;
67; 83; 70; 66; 68; 92; 76; 59 (dB).
Lakukan analisis dengan langkah-langkah yang jelas untuk menjawab
tujuan percobaan tersebut.
5) Perhatikan kasus berikut ini.
Agen penyewaan genset menyatakan pada sebuah perusahaan yang
akan menyewa sejumlah genset bahwa rata-rata biaya genset
berdaya 10 kwh sama-sama di sektor A dan B di kota tersebut.
Untuk menguji pernyataan tersebut maka perusahaan tersebut
mengambil sampel di beberapa persewaan genset di sektor A dan
sektor B di kota tersebut.
Di sektor A dengan 10 data diperoleh rata rata sebuah sewa genset
adalah Rp.595.000,00 dengan simpangan baku Rp.62.000,00 dan di
5.32 Statistika
d = 1 – 2 .
Hipotesisnya:
H0 : d = 0.
H1 : d 0.
d d0 0,75 0
Statistik uji: thitung 1,53.
sd / n 1,389 / 8
t( dbn1; / 2) t( db7; 0,025) 2,365.
thitung 1,53 1,53.
Karena thitung t( db n 1; / 2 ) maka H0 tidak ditolak. Artinya tidak ada
perbedaan rata-rata waktu pengenalan untuk dua rancangan iklan
tersebut.
Karena Fhitung F( n1 1, n2 1; ) maka H0 tidak ditolak. Artinya, varians suku
bunga tetap tidak lebih besar dari varians suku bunga variabel
12 22 .
b.
Distribusi F(7,4)
p value
Fhitung = 2,06
5.36 Statistika
b. Uji t
Hipotesis:
H0 : μ 1 = μ 2 .
H1 : μ 1 ≠ μ 2 .
Tingkat signifikansi α = 0,10.
Menggunakan distribusi t dengan derajat bebas:
s n1 s22 n2 62.000 10 32.0002 12
2 2 2 2
12,92 13.
1
s n1 s n2 62.000 10 32.000 12
2 2 2 2 2 2 2 2
1 2
n1 1 n2 1 10 1 12 1
t( v; a /2) t(13; 0, 05) 1, 8.
Statistik Uji:
thitung
X1 X 2 595.000 580.000 0 0, 692.
s12 s22 62.0002 32.0002
n1 n2 10 12
Karena |t hitung | < t (v;/2) maka H0 tidak ditolak. Artinya, klaim yang
dinyatakan agen genset tersebut benar.
6) Indeks 1 untuk populasi orang muda.
Indeks 2 untuk populasi orang tua.
Hipotesis:
H0 : π 1 =π 2 .
H1 : π 1 ≠π 2 .
Interval kepercayaan 90% adalah (0,0498; 0,26617).
5.38 Statistika
Daftar Pustaka
Moore, D.S., McCabe, G.P., and Craig, B.A. 2009. Introduction to the
Practice of Statistics. Sixth Edition. New York: W. H. Freeman and
Company.
Taylor, J. K. & Cihon Cheryl. 2004. Statistical Technique for Data Analysis
2nd ed. Chapman & Hall/CRC. New York.
Walpole, R.E., Myers, R.H., Myers, S.R., Ye Keiying, 2007. Probability &
Statistics for Engineer and Scientist, Eight Ed ., Pearson Prentice Hall.
Modul 6
PEN D A HU L UA N
Kegiatan Belajar 1
Analisis Varians
Sebagai ilustrasi awal analisis varians satu arah, perhatikan contoh kasus
sebagai berikut. Dalam suatu percobaan seorang peneliti ingin menyelidiki
bagaimana rata-rata penyerapan uap air dalam beton berubah di antara lima
adukan beton yang berbeda. Adukan beton tersebut berbeda dalam persentase
berat komponen penting tertentu. Sampel dibiarkan kena uap air selama 48
jam. Dari tiap adukan diambil 6 sampel untuk diuji penyerapan uap airnya,
sehingga total sampel ada 30. Data penyerapan uap air yang diperoleh
sebagai berikut.
6.4 Statistika
Populasi (Kelompok)
1 2 ... i ... K
y11 y21 ... yi1 ... yk1
y12 y22 yi2 ... yk2
. . ... . .
. . . .
. . . .
y1 n1 y2 n2 ... yi ni ... yk nk
Jumlah T1 . T2 . ... Ti . Tk . T. .
Rata-rata y1. y2 . ... yi. yk. y...
MMPI5103/MODUL 6 6.5
ni
yij
keterangan Ti . j yij ; T... i 1 j yij ; yi
ni k ni j 1
.
ni
y
k ni
i 1 ij
j
y.. .
n
k
i 1 i
Jumlah Derajat
Kuadrat bebas Rata-rata Kuadrat
Sumber Variansi Frasio
(Sum of (Degrees of (Mean Square)
Squares) Freedom)
k
Perhatikan bahwa N ni .
i 1
ni ni
k k
T..2
SST ( y ij y.. ) 2 ( y ij ) 2 .
i 1 j 1 i 1 j 1 N
6.6 Statistika
k
Ti.2 T..2
SSTr dan SSE SST SSTr .
i 1 ni N
Hipotesis:
H0 : 1= 2 = ... = k (tidak ada perbedaan rata-rata).
H1 : paling sedikit dua di antaranya tidak sama.
MS Tr
Statistik uji: Frasio .
MS E
Daerah penolakan pada tingkat signifikansi adalah tolak H0 jika
Frasio F( k 1, N k ), atau p value < .
Contoh 6.1.
Untuk data penyerapan uap air 5 jenis beton ujilah:
Hipotesis: 1 = 2 = 3 = 4 = 5 pada tingkat signifikansi 0,05.
Jawab:
Jenis Adukan Beton (% berat)
1 2 3 4 5
551 595 639 417 563
457 580 615 449 631
450 508 511 517 522
731 583 573 438 613
499 633 648 415 656
632 517 677 555 679
Jumlah 3.320 3.416 3.663 2.791 3.664 16.854
Rata-rata 553,333 569,333 610,500 465,167 610,667
n1 n2 n3 n4 n5 6, sehingga N 30.
MMPI5103/MODUL 6 6.7
ni
k
T..2
SST ( y ij ) 2
i 1 j 1 N
16.854
2
Jumlah Derajat
Rata-rata
Kuadrat bebas
Sumber Varians Kuadrat (Mean Frasio
(Sum of (Degrees of
Square)
Squares) Freedom)
Total 209.377 29
Hipotesis:
H0 : 1= 2 = ... = 5 (tidak ada perbedaan rata-rata antara ke-5 adukan).
H1 : paling sedikit dua di antaranya tidak sama.
MS Tr
Statistik uji : Frasio 4,30.
MS E
Daerah penolakan pada tingkat signifikansi adalah tolak H0 jika
Frasio F( k 1, N k ), .
F k 1, N k , F 4, 25; 0,05 2,76.
Karena Frasio > F(k-1, N-k), maka H0 ditolak artinya paling sedikit dua adukan
yang rata-ratanya tidak sama.
6.8 Statistika
Analisis varians satu arah (one way anova) dapat diperluas menjadi
analisis varians dua arah (two way anova). Hipotesis yang akan diuji adalah
bahwa tidak ada perbedaan k rata-rata (k > 2) pada perlakuan pertama. Tidak
ada perbedaan k rata-rata (k > 2) pada perlakuan kedua. Juga tidak ada efek
interaksi antara perlakuan pertama dan kedua.
Mekanisme perhitungan dijelaskan dengan berdasarkan data di bawah
ini.
Perlakuan 2
Perlakuan 1
C1 C2 ... Cb Jumlah
R1 y111 y121 ... y1b1 y1..
... ... ... ...
y11n y12n y1bn
R2 y211 y221 ... y2b1 y2..
... ... ... ...
y21n y22n y2bn
... ... ... ... ...
Ra ya11 ya21 ... yab1 ya..
... ... ... ...
ya1n ya2n ... yabn
Jumlah y.1. y.2. ... y.b. y...
4. Perhitungan nilai F:
Sumber Jumlah Derajat Jumlah Rata-
Frasio
Varias Kuadrat Bebas rata Kuadrat
Baris (R) SSR a-1 SSR/(a-1) SSR / a 1
SSE / ab n 1
Kolom SSC b-1 SSC/(b-1) SSC / b 1
(C) SSE / ab n 1
Interaksi SSI (a-1)(b-1) SSI/[(a-1)(b-1)] SSI / ( a 1 b 1
(I) SSE / ab n 1
j 1 an abn
SSI (Sum of Square for Interaction):
a b y.2j . y...2
SS I SS R SSC .
i 1 j 1 n abn
SSE (Sum of Square Error) SST SSI SSR SSC .
5. Bandingkan nilai Frasio dan Ftabel = Fdb pembilang, db penyebut, jika F > Ftabel
maka tolak H0.
Contoh 6.2.
Jika diketahui data kinerja mesin pada 2 jenis mesin dan 3 jenis oli yang
berbeda sebagai berikut.
Oli
Mesin 1 2 3
70 71 78
1 75 75 77
74 70 77
75 70 74
74 70 74
75 79 80
2 79 78 83
77 80 82
76 78 80
76 79 81
maka ujilah efek mesin, oli atau interaksi mesin dan oli pada kinerja mesin
yang dihasilkan. Gunakan = 5%.
MMPI5103/MODUL 6 6.11
Jawab:
Pada contoh ini diketahui a = 2; b = 3 dan n = 5. Untuk memahami rumus
yang digunakan maka dihitung terlebih dahulu total masing-masing jenis
mesin, jenis oli dan sel antara jenis mesin dan jenis oli sebagai berikut.
Oli
Mesin Total
1 2 3
1 70 71 78
75 75 77
74 70 77
75 70 74
74 70 74 y1.. = 1.104
y11. = 368 y12. = 356 y13. = 380
2 75 79 80
79 78 83
77 80 82
76 78 80
76 79 81 y2.. = 1.183
y21. = 383 y22. = 394 y23. = 406
Total y.1. = 751 y.2. = 750 y.3. = 786 y... = 2.287
j 1 an abn
7512 7502 7862 2.287 2
84, 07.
10 10 10 30
6.12 Statistika
Perlakuan
Blok
C1 C2 ... Cb Jumlah
R1 y11 y12 ... y1b y1.
R2 y21 y22 ... y2b y2.
... ... ... ... ... ...
Ra ya1 ya2 ... yab ya..
Jumlah y.1 y.2 ... y.b y..
6.14 Statistika
j 1 a ab
SSE (Sum of Square Error) SST SSR SSC .
5. Bandingkan nilai Frasio dan Ftabel = F(db pembilang, db penyebut, ) jika F > Ftabel
maka tolak H0.
Contoh 6.3.
Sebuah penelitian dilakukan untuk menentukan persentase pewarna dari berat
kain yang dibutuhkan supaya diperoleh warna terbaik pada jenis kain
1
tertentu. Tiga level persentase pewarna yang diteliti yaitu %; 1% dan 3%
3
dari berat kain dicobakan pada 2 pabrik berbeda. Kecerahan warna kain
diamati untuk setiap level pewarna pada masing-masing pabrik. Hasilnya
sebagai berikut.
Persentase Pewarna
1
% 1% 3%
3
Pabrik 1 5,2 12,3 22,4
Pabrik 2 6,5 14,5 29
Lakukan analisis varians untuk menguji ada tidaknya perbedaan tiga level
persentase pewarna dalam menghasilkan kecerahan warna kain.
Pertimbangkan pabrik sebagai Blok dan gunakan = 5%.
Jawab:
Perhitungan total pengamatan untuk masing-masing pabrik dan masing-
masing level persentase pewarna ada:
6.16 Statistika
Persentase Pewarna
1
% 1% 3% Total
3
Pabrik 1 5,2 12,3 22,4 39,9
Pabrik 2 6,5 14,5 29 50
Total 11,7 26,8 51,4 89,9
j 1 a ab j 1 2 2(3)
11, 7 2 26,82 26,82 89,92
401,543.
2 2 2 6
SSE (Sum of Square Error) = SST SSPabrik SSPewarna
= 426,588 17, 002 401,543 8, 043.
Tabel Anava:
Sumber Jumlah Derajat Jumlah Rata-
Frasio
Varians Kuadrat Bebas rata Kuadrat
Pabrik (Blok) 17,002 1 17,002 -
Pewarna 401,543 2 200,772 49,992
Error 8,043 2 4,022
Total 426,588 5
MMPI5103/MODUL 6 6.17
Hipotesis:
H0 : 1 2 3 0 (tidak ada pengaruh persentase pewarna).
H1 : Paling sedikit satu 𝛽𝑗 tidak sama dengan nol (ada pengaruh persentase
pewarna).
Perhitungan Frasio:
200, 772
Frasio 49,92.
4, 022
Karena Frasio > Ftabel maka tolak H0. Artinya, ada perbedaan rata-rata tiga
level persentase pewarna dalam menghasilkan kecerahan warna kain.
LAT IH A N
2) Sebuah studi untuk menentukan level suhu dan tekanan berapa yang
menyebabkan waktu reaksi tercepat. Tiga level suhu yang diteliti yaitu
200C, 300C dan 400C, sedangkan dua level tekanan yang diteliti adalah 1
atm dan 0,9 atm. Waktu reaksi diamati 4 kali untuk setiap kombinasi
level suhu dan tekanan. Hasilnya sebagai berikut.
Suhu
200C 300C 400C
5,2 6,0 12,3 10,5 22,4 17,8
Tekanan 1 atm 5,9 5,9 12,4 10,9 22,5 18,4
6,5 5,5 14,5 11,8 29,0 23,2
Tekanan 0,9 atm 6,4 5,9 16,0 13,6 29,7 24,0
Lakukan analisis varians untuk menguji ada tidaknya pengaruh suhu dan
tekanan pada kecepatan waktu reaksi. Gunakan = 5%.
3) Berdasarkan hasil penelitian ternyata ikan gabus memiliki kandungan
albumin yang tinggi. Albumin berguna untuk mempercepat
penyembuhan jaringan sel yang terbelah, seperti luka operasi atau
pembedahan, serta dapat menjadi anti pembengkakan kaki akibat
kekurangan albumin, misalnya pada pasien gagal ginjal, stroke, TBC,
diabet, dan kanker sirosis. Di pasaran telah beredar 5 jenis produk obat-
obatan yang berupa ekstrak albumin ikan gabus, sebut saja produknya A,
B, C, D, dan E. Untuk menguji keterandalan obat ini dalam
menyembuhkan penderita penyakit tertentu maka dilakukan penelitian
terhadap 25 penderita. Berikut adalah data yang menyatakan waktu
kesembuhan (hari).
Obat
A B C D E
5 9 3 2 7
4 7 5 3 6
8 8 2 4 9
6 6 3 1 4
3 9 7 4 7
1.
Metode 1 Metode 2 Metode 3
17 33 33
21 23 45
33 21 27
31 23 39
23 35 31
Total 125 135 175 435
n1 n2 n3 n4 n5 5, sehingga N 15.
ni
k
T..2
SST ( y ij ) 2
i 1 j 1 N
435
2
k
Ti.2 T..2
SSMetode
i 1 ni N
1252 1352 1752 435
2
280.
5 5 5 15
Hipotesis:
H0 : 1= 2 = ... = 5 (tidak ada perbedaan rata-rata antara ke-3 metode).
H1 : paling sedikit dua di antaranya tidak sama.
6.20 Statistika
MS Metode
Statistik uji : Frasio 3, 04.
MS E
Daerah penolakan pada tingkat signifikansi adalah tolak H0 jika
Frasio > F( k 1, N k ), .
F( k 1, N k ), = F(2, 12); 0,05 = 3,89.
Karena Frasio < F(k-1, N-k), maka H0 tidak ditolak. Artinya, tidak ada
perbedaan rata-rata antara ke-3 metode terhadap jumlah produk yang
dihasilkan.
Suhu
200 300 400 Total
Tekanan 1 atm 5,2 6 12,3 10,5 22,4 17,8
5,9 5,9 12,4 10,9 22,5 18,4 150,2
Sub Total 23 46,1 81,1
Tekanan 0,9 6,5 5,5 14,5 11,8 29 23,2
atm 6,4 5,9 16 13,6 29,7 24 186,1
Sub Total 24,3 55,9 105,9
Total 47,3 102 187 336,3
j 1 an abn
47,32 1022 187 2 336,32
1.238,88
8 8 8 24
35, 4.
R A NG KU M AN
TES F OR M AT IF 1
1) Sampel random enam ban mobil diambil dari 4 jenis ban mobil. Umur
pemakaian (dalam ribuan kilometer) dari ban-ban yang digunakan
sebagai sampel sebagai berikut.
Bahan Mobil
Bakar 1 2 3 4 5 6
A 35,3 31,0 32,7 36,8 37,2 33,1
B 30,7 32,2 31,4 31,7 35,0 32,7
C 38,2 33,4 33,6 37,1 37,3 38,2
D 34,9 36,1 35,2 38,3 40,2 36,0
E 32,4 28,9 29,2 30,9 33,9 32,1
kapal merek B dan C tidak dapat menyelesaikan uji 500 km ini. Hasil
data pengamatan adalah
Merek A Merek B Merek C
27,3 25,4 27,9
28,3 27,4 29,5
27,6 27,1 28,7
26,8
28,0
Jenis Lalangit
Ulangan
A B C D E F
I 3 3 2 4 6 7
II 4 1 5 3 3 3
III 5 3 3 5 2 6
IV 3 4 6 3 5 4
V 5 6 4 2 4 5
VI 4 3 2 4 5 7
VII 3 1 3 4 4 5
VIII 4 1 5 2 7 4
IX 5 3 6 2 4 6
X 5 2 4 1 2 3
Jenis Lalangit
Ulangan
A B C D E F
I 90 83 50 132 200 331
II 133 32 162 105 88 98
III 163 101 92 168 52 201
IV 123 135 218 107 184 139
V 200 201 231 41 144 172
VI 140 95 42 140 195 132
VII 125 36 102 147 141 179
VIII 141 27 172 72 221 144
IX 176 121 201 82 150 221
X 162 77 147 38 77 111
Kegiatan Belajar 2
J ika kita memiliki dua variabel atau lebih maka analisis yang seringkali
menarik adalah melihat hubungan antar variabel tersebut. Misalnya saja
kita tertarik pada hubungan antara jarak tempat tinggal terhadap kota dengan
pendapatan pengusaha kecil, atau mungkin kita tertarik dengan hubungan
antara jumlah anak dengan besarnya konsumsi rumahtangga. Untuk variabel
yang bersifat numerik, analisis ini bisa dilakukan dengan menggunakan
analisis korelasi. Analisis ini menghasilkan suatu besaran nilai yang
menggambarkan seberapa erat hubungan keduanya. Besaran tersebut dikenal
sebagai koefisien korelasi. Ada dua macam koefisien korelasi yang banyak
digunakan, yaitu: koefisien korelasi Pearson dan Spearman. Koefisien
korelasi Pearson digunakan jika kedua variabel berskala interval atau rasio,
sedangkan koefisien korelasi Spearman digunakan jika skala data ordinal
atau nominal. Modul ini akan menguraikan koefisien Korelasi Pearson.
Secara umum, ada dua hal yang menjadi fokus ketertarikan terkait
hubungan antara dua variabel atau lebih, yaitu bentuk hubungan dan keeratan
hubungan. Untuk mengetahui bentuk hubungan digunakan analisis regresi.
Untuk keeratan hubungan dapat diketahui dengan analisis korelasi. Analisis
regresi menggambarkan hubungan sebab akibat, sedangkan analisis korelasi
tidak.
Pada analisis regresi, selain dapat menggambarkan hubungan sebab
akibat, juga dapat diketahui pengaruh suatu variabel terhadap variabel
lainnya. Variabel yang mempengaruhi disebut variabel bebas (independent
variable) sedangkan variabel yang dipengaruhi disebut variabel tak bebas
(dependent variable). Secara kuantitatif hubungan antara variabel bebas
dan variabel tak bebasnya tersebut dapat kita modelkan dalam suatu
persamaan matematika, sehingga kita dapat menduga nilai suatu variabel tak
bebas, bila diketahui nilai variabel bebas. Persamaan matematika yang
menggambarkan hubungan antara variabel bebas dan tak bebas sering
disebut persamaan regresi. Analisis regresi dipergunakan untuk menelaah
hubungan antara dua variabel atau lebih, terutama untuk menelusuri pola
hubungan yang modelnya belum diketahui dengan sempurna, atau untuk
mengetahui bagaimana variasi dari beberapa variabel bebas mempengaruhi
variabel tak bebas dalam suatu fenomena yang kompleks.
6.30 Statistika
A. ANALISIS KORELASI
x x y
i i y
r i 1
,
n 2
n
2
xi x yi y
i 1 i 1
Contoh 6.4.
Ingin diketahui apakah ada hubungan antara jarak tempat usaha ke ibu kota
kecamatan terdekat dengan keuntungan dalam satu dari. Data yang
dikumpulkan dari 15 usaha kecil di Kabupaten A sebagai berikut.
Scatterplot of Y vs X
22
20
18
Y
16
14
12
0 2 4 6 8 10 12 14
X
Nah, agar pola hubungan antara X dan Y tersebut dapat dikuantifikasi dalam
suatu besaran, maka keeratan hubungan ini kita nyatakan dalam koefisien
korelasi Pearson yang dihitung menggunakan cara berikut.
X x Y y X x Y y
2 2 2 2
No X Y
1 10 13 18,78 13,94 -16,18
2 9 12 11,11 22,40 -15,78
3 8 15 5,44 3,00 -4,04
4 13 12 53,78 22,40 -34,71
5 6 14 0,11 7,47 -0,91
6 1 20 21,78 10,67 -15,24
7 9 15 11,11 3,00 -5,78
8 3 19 7,11 5,14 -6,04
9 3 20 7,11 10,67 -8,71
10 4 21 2,78 18,20 -7,11
11 6 20 0,11 10,67 1,09
12 9 14 11,11 7,47 -9,11
13 2 16 13,44 0,54 2,69
14 1 22 21,78 27,74 -24,58
15 1 18 21,78 1,60 -5,91
Rata-rata 5,67 16,73
Jumlah 207,33 164,93 -150,33
6.34 Statistika
150,33
r 0,813.
(207,33)(164,93)
Pengujian Korelasi
Angka koefisien korelasi menunjukkan keeratan dan arah hubungan.
Nah, tentu kita akan bertanya-tanya, apakah hubungan yang terjadi antara
kedua variabel itu signifikan atau tidak? Oleh karenanya, perlu dilakukan
pengujian, terlebih untuk kepentingan generalisasi terhadap populasi.
Contoh 6.5.
Perhatikan data pada Contoh 6.4. ingin diuji:
H0 : = 0 (tidak ada korelasi populasi).
H1 : 0 (ada korelasi populasi).
MMPI5103/MODUL 6 6.35
n3 (1 r ) (1 0 ) 15 3 (1 0,813) (1 0)
Z hitung Ln Ln 3,935.
2 (1 r ) (1 0 ) 2 (1 0,813) (1 0)
Dari tabel normal standard diperoleh Z0,025 = –1,96 dan Z0,975 = 1,96, sehingga
Z < –1,96 berarti tolak H0. Artinya, terdapat korelasi yang signifikan antara
X dengan Y.
B. ANALISIS REGRESI
Analisis regresi yang akan dibahas pada modul ini adalah analisis regresi
linear yaitu persamaan matematika yang menggambarkan hubungan antar
variabel adalah linear dalam parameternya. Persamaan regresi linear dapat
terdiri dari satu variabel bebas dan satu variabel tak bebas atau beberapa
variabel bebas dengan satu variabel tak bebas. Persamaan yang pertama
disebut regresi linear sederhana. Persamaan kedua disebut regresi linear
berganda. Pada kegiatan belajar ini, yang akan dibahas adalah regresi linear
sederhana.
Yi 0 X i i ,
di mana:
Yi = variabel tak bebas pengamatan ke-i.
Xi = variabel bebas pengamatan ke-i.
0 = intersep/perpotongan dengan sumbu tegak.
= kemiringan/gradien.
i = kesalahan pengamatan ke-i.
6.36 Statistika
Gambar 6.2
Garis Penduga Hubungan antara Variabel X dengan Y
MMPI5103/MODUL 6 6.37
xi x yi y n X iYi X i Yi
b i 1
n
i 1 i 1 i 1
2
.
x x
n n
n X i X i
2
2
i
i 1 i 1 i 1
ˆ0 b0 y bx .
6.38 Statistika
n 2
e
di mana diduga dengan Mean Square Error (MSE) =
2
. i 1 i
n2
Untuk menguji hipotesis apakah intersep bernilai tertentu (misalnya k) dapat
diuji dengan menggunakan statistik uji t. Hipotesisnya dapat dituliskan
sebagai berikut.
H0: 0 = k.
H1: 0 k.
MMPI5103/MODUL 6 6.39
Statistik uji ini mengikuti distribusi t-student dengan derajat bebas n-2. Jika
nilai thitung lebih besar dari nilai tdb = (n-2), /2 maka hipotesis nol ditolak.
b0 tn 2, a / 2 MSE n 2, a / 2 MSE
n n xi x 2 0 0
n n xi x 2
i 1 i 1
Dari selang kepercayaan ini kita bisa melihat kisaran nilai intersep yang
dapat diyakini dengan tingkat keyakinan sebesar (1 )100%. Dengan
demikian, selang kepercayaan dapat juga digunakan untuk menyimpulkan
hipotesis di atas. Jika nilai k terdapat dalam selang kepercayaan maka
hipotesis nol diterima dan berlaku juga sebaliknya.
Sedangkan untuk melihat apakah variabel X berpengaruh terhadap
variabel Y juga dapat diuji dengan menggunakan uji t-student. Misal ingin
diuji apakah perubahan setiap satuan X akan mengakibatkan Y berubah
sebesar k satuan? Hipotesis dari pernyataan ini dapat dituliskan sebagai
berikut.
H0 : = k.
H1 : k.
Jika hipotesis nol ditolak itu berarti besarnya pengaruh variabel X terhadap Y
adalah sebesar k.
Selang kepercayaan (1 )100% bagi adalah:
i 1 2 i 1 2
b tn 2, / 2 MSE 1/ X i X MSE 1/ X i X b tn 2, / 2 .
n n
1 ( x x )2 2
y2ˆ 0 2
.
n (n 1) S x
0
x x
2
i
S x2 i 1
,
n 1
1 ( x x )2 1 ( x0 x ) 2
yˆ 0 t /2 MSE 0 ˆ
y t MSE 2
.
n (n 1) S x n ( n 1) S x
2 y0 0 /2
1 ( x0 x )2 1 ( x x )2
yˆ 0 t /2 MSE (1 ) y0 yˆ 0 t /2 MSE (1 0 ).
n (n 1) S x
2
n (n 1)S x2
Kuadrat Tengah
Sumber Derajat Jumlah Kuadrat atau Sum
atau Mean Square Fhitung
Varians Bebas of Square (SS)
(MS)
Regresi 1 SSR (n 1)bSxy2 MSR = SSR/1 MSR/MSE
Error n2 SSE (n 1)(S bS )
2
y
2
xy MSE = SSE/(n-2)
Total n 1 SST (n 1)S 2
y
di mana:
n
x x
2
i
S x2 i 1
.
n 1
n
y y
2
i
S y2 i 1
.
n 1
n
(x i x )( yi y )
S
2 i 1
.
n 1
xy
Hipotesis nol ditolak bila Fhitung > F(1,n-2). Hasil pengujian ini akan sama
dengan pengujian parameter dengan menggunakan statistik uji t di atas,
karena nilai statistik uji t bila dikuadratkan akan identik dengan nilai
Fhitung.
Keterandalan dari model yang diperoleh dapat dilihat dari kemampuan
model menerangkan varians dari variabel Y. Ukuran ini sering disebut dengan
koefesien determinasi yang dilambangkan dengan R2. Semakin besar nilai
R2 berarti model semakin mampu menerangkan perilaku variabel Y. Kisaran
dari nilai R2 mulai dari 0% sampai 100%. Besarnya nilai koefesien
determinasi dapat dihitung sebagai berikut.
Contoh 6.6.
Data yang diperoleh dari salah satu perusahaan jasa penjualan rumah adalah
sebagai berikut.
Luas Rumah (m2) Harga Jual (juta rupiah)
70 82
55 75
120 163
130 160
80 110
90 120
150 186
160 183
150 183
180 210
Pertanyaan:
a. Tentukan model dugaan regresi linear Y = b0 + bX untuk data di atas, dan
interpertasikan hasilnya.
b. Hitung koefisien determinasi, dan interpertasikan.
c. Lakukan pendugaan Y jika X = 125 m2.
d. Uji signifikansi dari parameter-parameter regresinya.
MMPI5103/MODUL 6 6.43
Jawab:
a. Jika data di atas kita modelkan dalam bentuk regresi linear sederhana
Y = b0 + bX, dengan X adalah luas rumah dan Y adalah harga jual maka
akan kita peroleh perhitungan sebagai berikut.
Y y X x Y y
2 2 2
X x
2
No X Y
x
i 1
2
i 156.725.
Sehingga diperoleh:
n
x x y
i i y
17.823
b i 1
n
1, 093.
x x
2 16.302,5
i
i 1
x x
2
i
16.302,5
S x2 i 1
1.811,389.
n 1 10 1
n
y y
2
i
20.013, 6
S y2 i 1
2.223, 733.
n 1 10 1
n
( x x )( y
i i
17.823
y)
S xy2 i 1
1.980,333.
n 1 9
SSR (n 1)bS xy2 9(1, 093)(1.980,333) 19.485,31.
SST (n 1) S y2 9(2.223, 733) 2 20.013, 6.
SSR 19.485,31
R2 0,9736 97,36%.
SST 20.013, 6
Tingginya nilai R2 yang mendekati 100% menunjukkan bahwa
keakuratan model sangat tinggi.
c. Model di atas bisa kita gunakan menduga harga jual sebuah rumah jika
kita ketahui luas rumahnya. Untuk sebuah rumah dengan luas 125 m2
maka perkiraan harganya adalah:
thitung < t(db=(n-2), /2) = t(8; 0,025) = 2,3 maka hipotesis nol (H0) tidak ditolak.
Walaupun disimpulkan 0 = 0, tetapi biasanya orang tidak tertarik untuk
mengartikan hal ini.
Sama seperti dalam Analisis varians, (anava) dalam praktik harus dicek
juga asumsi residual yakni harus IIDN. Jika dijabarkan, asumsi yang harus
terpenuhi dalam analisis regresi linear sederhana adalah sebagai berikut:
1. Asumsi normalitas yaitu residual/error berdistribusi Normal.
2. Asumsi homoskedastisitas yaitu varians error antar nilai-nilai X harus
sama.
3. Asumsi non autokorelasi yaitu residual/error antar satu pengamatan
tidak berkorelasi dengan residual/error pengamatan lainnya (saling
bebas/independent).
LAT IH A N
Biaya Jumlah
Produksi Produksi
(Y) (X)
64 20
61 16
84 34
70 23
88 27
92 32
72 18
77 22
1)
Biaya
Jumlah
Produksi xy y2 x2
(x)
(y)
64 20 1.280 4.096 400
61 16 976 3.721 256
84 34 2.856 7.056 1.156
70 23 1.610 4.900 529
88 27 2.376 7.744 729
92 32 2.944 8.464 1.024
72 18 1.296 5.184 324
77 22 1.694 5.929 484
Jumlah 608 192 15.032 47.094 4.902
n n n n
x x y y
i i n xi yi xi yi
8(15.032) (192)(608)
b i 1
i 1 i 1 i 1
1, 4965.
n n n
8(4.902) (192) 2
x x n xi2 ( xi )2
2
i
i 1 i 1 i 1
608 192
ˆ0 b0 y bx 1, 4965( ) 40,1.
8 8
2)
y x y2 x2 xy
35 8 1.225 64 280
49 9 2.401 81 441
27 7 729 49 189
33 6 1.089 36 198
60 13 3.600 169 780
21 7 441 49 147
45 11 2.025 121 495
51 12 2.601 144 612
=321 =73 =14.111 =713 =3.142
6.48 Statistika
n n n
n xi yi xi yi
8(3.142) (73)(321)
b i 1 i 1 i 1
4,5413.
n
n
2
(8 713) (73) 2
n xi 2 xi
i 1 i 1
321 73
ˆ0 b0 y bx 4,5413 1,3147.
8 8
Jadi, persamaan regresi yang diperoleh adalah: y 1,3147 4,5413 x.
R A NG KU M AN
x x y
i i y
r i 1
.
n 2
n
2
xi x yi y
i 1 i 1
2. Koefisien korelasi Pearson adalah koefisien yang menggambarkan
tingkat keeratan hubungan linear antara dua variabel. Besaran dari
koefisien korelasi tidak menggambarkan hubungan sebab akibat
antara dua variabel atau lebih tetapi semata-mata menggambarkan
keeratan linear antar variabel.
3. Regresi linear sederhana adalah persamaan regresi yang
menggambarkan hubungan antara satu variabel bebas (X,
independent variable) dan satu variabel tak bebas (Y, dependent
variable), ketika hubungan keduanya dapat digambarkan sebagai
suatu garis lurus. Sehingga hubungan kedua variabel tersebut
dapat dituliskan dalam bentuk persamaan:
MMPI5103/MODUL 6 6.49
Yi 0 Xi i .
4. Rumus mencari penduga parameter regresi linear sederhana adalah:
n n n n
x x y
i i y n X iYi X i Yi
b i 1
n
i 1 i 1 i 1
2
.
x x
n n
n X i X i
2
2
i
i 1 i 1 i 1
ˆ0 b0 y bx .
5. Keterandalan dari model yang diperoleh dapat dilihat dari
kemampuan model menerangkan varians dari variabel Y. Ukuran ini
sering disebut dengan koefisien determinasi yang dilambangkan
dengan R2. Semakin besar nilai R2 berarti model semakin mampu
menerangkan perilaku variabel Y. Kisaran dari nilai R2 mulai dari
0% sampai 100%. Besarnya nilai koefesien determinasi dapat
dihitung sebagai berikut.
SSR SST SSE SSE
R2 1 .
SST SST SST
TES F OR M AT IF 2
Mhs 1 2 3 4 5 6 7 8 9 10
Mat 39 43 21 64 57 47 28 75 34 52
Stat 65 78 52 82 92 89 73 98 56 75
xi yi ŷi = 60 + 5xi
16 137 140
20 157 160
20 169 160
22 149 170
26 202 190
Hitunglah MSE. Mencerminkan apakah nilai MSE ini?
3) Untuk melihat apakah kandungan emisi HC dari suatu mobil merusak
lingkungan atau tidak, dilakukan percobaan terhadap 10 mobil secara
random. Kemudian dicatat jarak tempuh yang sudah dijalani mobil
(dalam ribu kilometer) dan diukur emisi HC-nya (dalam ppm). Data
yang diperoleh adalah sebagai berikut.
Jarak Emisi
31 553
38 590
48 608
52 682
63 752
67 725
75 834
84 752
89 845
99 960
Uji apakah jarak tempuh yang sudah dijalani mobil mempengaruhi emisi
HC-nya? Gunakan = 5%.
4) Produksi ikan di Pelabuhan Perikanan Pantai (PPP) Tawang Kendal
diduga dipengaruhi oleh jenis alat penangkap ikan yang digunakan.
Salah satu alat yang digunakan untuk menangkap ikan di daerah tersebut
adalah jaring payang Ampera. Seorang peneliti tertarik untuk melihat
hubungan panjang jaring payang terhadap hasil tangkapan ikan.
Penelitian dilakukan dengan mengamati 36 Kapal Payang Ampera dan
diperoleh data sebagai berikut.
Manajemen Manajemen
No Kepuasan No Kepuasan
Pelayanan Pelayanan
1 24 35 11 49 38
2 41 53 12 39 40
3 12 18 13 26 20
4 56 58 14 50 58
5 12 22 15 35 38
6 36 42 16 48 54
7 23 46 17 38 51
8 55 60 18 58 60
9 40 37 19 47 48
10 54 51 20 51 60
Tes Formatif 1
1) Hasil perhitungan (lakukan seperti pada Contoh 6.1).
Dari gambar tersebut terlihat bahwa hasil tangkapan ikan untuk setiap
intensitas cahaya lampu relatif berbeda hampir pada setiap hari
penangkapan. Untuk intensitas cahaya B dan D memberikan hasil
tangkapan yang relatif sama pada hari I, II, III, dan V. Pada hari V,
semua jenis intensitas cahaya lampu memberikan hasil yang relatif sama.
Kemudian, intensitas cahaya lampu C dan D juga memberikan hasil yang
relatif sama pada hari IV.
Kesimpulan:
Tolak H0, terdapat perbedaan rata-rata jumlah tangkapan ikan (ekor)
antar jenis lalangit.
Kesimpulan:
Tolak H0, terdapat perbedaan rata-rata berat hasil tangkapan ikan (ekor)
antar jenis lalangit.
Tes Formatif 2
1) Korelasi antara nilai Matematika dan Statistika = 0,840
Persamaan regresi: MAT = –24,0 + 0,921 STAT.
y yˆ
n 2 n 2
e
i 1 i
i 1
1.118,75.
i i
2) Mean Square Error (MSE) =
n2 n2
MSE mencerminkan varians dari residual.
175
Hasil Tangkapan
150
125
100
75
50
100 150 200 250 300
Panjang jaring
Interpretasi:
Scatter plot atau pola tebaran antara panjang jaring dan hasil
tangkapan ikan terlihat cenderung linear positif. Hal ini
menunjukkan bahwa ada hubungan linear yang berbanding lurus
antara panjang jaring dengan hasil tangkapan ikan. Artinya, semakin
besar panjang suatu jaring maka akan mengakibatkan hasil
tangkapan ikan juga semakin banyak.
Hasil pengujian:
S = 8,95120 R2 = 91,2%
*= bandingkan dengan nilai ttabel.
Tabel Anava:
Sumber Derajat Jumlah Kuadrat Frasio
Varias Bebas Kuadrat Tengah
Regresi 1 28.311 28.311 353,34
Sisaan/Error 34 2.724 80
Total 35 31.035
Interpretasi:
Hasil anava menunjukkan terdapat pengaruh yang signifikan dari
panjang jaring terhadap hasil tangkapan ikan. Hasil uji parsial
menunjukkan hanya koefisien panjang jaring yang signifikan, namun
konstanta (intersep) tidak signifikan. Dalam hal ini intersep dapat
diabaikan karena tidak mungkin ada jaring yang panjangnya nol.
Hasil Pengujian:
S = 7,24975 R2 = 72,3%
*= bandingkan dengan nilai ttabel.
Tabel anava:
Sumber Derajat Jumlah Kuadrat Frasio
Varians Bebas Kuadrat Tengah
Regresi 1 2.466,9 2.466,9 46,94
Sisaan/ Error 18 946,1 52,6
Total 19 3.412,9
Kesimpulan:
Manajemen pelayanan memberikan pengaruh yang signifikan terhadap
kepuasan. Nilai determinasi (R2) sebesar 72,3% menunjukkan bahwa
persentase keragaman dari kepuasan nelayan yang dapat dijelaskan oleh
manajemen pelayanan sebesar 72,3%, selebihnya dijelaskan oleh faktor
lain.
6.60 Statistika
Daftar Pustaka
Moore, D.S., McCabe, G.P., and Craig, B.A. 2009. Introduction to the
Practice of Statistics. Sixth Edition. New York: W. H. Freeman and
Company.
Taylor, J. K. & Cihon Cheryl. 2004. Statistical Technique for Data Analysis
2nd ed. Chapman & Hall/CRC. New York.
Walpole, R.E., Myers, R.H., Myers, S.R., Ye Keiying, 2007. Probability &
Statistics for Engineer and Scientist, Eight Ed., Pearson Prentice Hall.
MMPI5103/MODUL 6 6.61
Journal of Science and Research (IJSR), dan Jurnal Statistika. Selain itu,
penulis aktif menghadiri berbagai konferensi berskala internasional sebagai
pembicara. Konferensi internasional yang pernah diikuti antara lain adalah:
The 5th Environmental Technology and Management Conference,
International Conference on Mathematics: Pure, Applied and Computation
(ICoMPAC), 3rd International Conference and Workshops on Basic and
Applied Sciences, 2nd Basic Science International Conference, dan Basic
Science International Conference.
Lampiran
Lampiran 1. Binomial Distribution – Probablitiy Function
MMPI5103/MODUL 6 6.65
6.66 Statistika
MMPI5103/MODUL 6 6.67
6.68 Statistika
x
e
P X x r
r 0 r!
MMPI5103/MODUL 6 6.69
TABEL-TABEL STATISTIK
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.000 0.004 0.008 0.012 0.016 0.020 0.024 0.028 0.032 0.036
0.1 0.040 0.044 0.048 0.052 0.056 0.060 0.064 0.068 0.071 0.075
0.2 0.079 0.083 0.087 0.091 0.095 0.099 0.103 0.106 0.110 0.114
0.3 0.118 0.122 0.126 0.129 0.133 0.137 0.141 0.144 0.148 0.152
0.4 0.155 0.159 0.163 0.166 0.170 0.174 0.177 0.181 0.184 0.188
0.5 0.192 0.195 0.199 0.202 0.205 0.209 0.212 0.216 0.219 0.222
0.6 0.226 0.229 0.232 0.236 0.239 0.242 0.245 0.249 0.252 0.255
0.7 0.258 0.261 0.264 0.267 0.270 0.273 0.276 0.279 0.282 0.285
0.8 0.288 0.291 0.294 0.297 0.300 0.302 0.305 0.308 0.311 0.313
0.9 0.316 0.319 0.321 0.324 0.326 0.329 0.332 0.334 0.337 0.339
1.0 0.341 0.344 0.346 0.349 0.351 0.353 0.355 0.358 0.360 0.362
1.1 0.364 0.367 0.369 0.371 0.373 0.375 0.377 0.379 0.381 0.383
1.2 0.385 0.387 0.389 0.391 0.393 0.394 0.396 0.398 0.400 0.402
1.3 0.403 0.405 0.407 0.408 0.410 0.412 0.413 0.415 0.416 0.418
1.4 0.419 0.421 0.422 0.424 0.425 0.427 0.428 0.429 0.431 0.432
1.5 0.433 0.435 0.436 0.437 0.438 0.439 0.441 0.442 0.443 0.444
1.6 0.445 0.446 0.447 0.448 0.450 0.451 0.452 0.453 0.454 0.455
1.7 0.455 0.456 0.457 0.458 0.459 0.460 0.461 0.462 0.463 0.463
1.8 0.464 0.465 0.466 0.466 0.467 0.468 0.469 0.469 0.470 0.471
1.9 0.471 0.472 0.473 0.473 0.474 0.474 0.475 0.476 0.476 0.477
2.0 0.477 0.478 0.478 0.479 0.479 0.480 0.480 0.481 0.481 0.482
2.1 0.482 0.483 0.483 0.483 0.484 0.484 0.485 0.485 0.485 0.486
2.2 0.486 0.486 0.487 0.487 0.488 0.488 0.488 0.488 0.489 0.489
2.3 0.489 0.490 0.490 0.490 0.490 0.491 0.491 0.491 0.491 0.492
2.4 0.492 0.492 0.492 0.493 0.493 0.493 0.493 0.493 0.493 0.494
2.5 0.494 0.494 0.494 0.494 0.495 0.495 0.495 0.495 0.495 0.495
2.6 0.495 0.496 0.496 0.496 0.496 0.496 0.496 0.496 0.496 0.496
2.7 0.497 0.497 0.497 0.497 0.497 0.497 0.497 0.497 0.497 0.497
2.8 0.497 0.498 0.498 0.498 0.498 0.498 0.498 0.498 0.498 0.498
2.9 0.498 0.498 0.498 0.498 0.498 0.498 0.499 0.499 0.499 0.499
3.0 0.499 0.499 0.499 0.499 0.499 0.499 0.499 0.499 0.499 0.499
Sumber: StatSoft (2013)
Dikutip dari: Azuar Juliandi; Irfan; Saprinal Manurung. (2014). Metodologi penelitian
bisnis. Medan: UMSU Press, hlm. 224.
6.70 Statistika
Lampiran 4: Tabel t
Uji 2 Pihak, = 0,05
Contoh:
Probability = tingkat kesalahan () = 0.05 Jumlah sampel = n = 3
deg_freedom (df) = derajat kebebasan (dk) = n – 2 = 3 – 2 = 1. Maka formulanya
adalah = TINV(0.05,1)
Nilai t tabel yang diperoleh = 12,706
Nilai tabel t untuk dk yang lain dapat digunakan cara seperti di atas.
Dikutip dari: Azuar Juliandi; Irfan; Saprinal Manurung. (2014). Metodologi penelitian
bisnis. Medan: UMSU Press, hlm. 225-226
6.72 Statistika
t
rtabel
n 2 t 2 )
Nilai tabel r untuk n yang lain dapat digunakan cara seperti di atas.
Dikutip dari: Azuar Juliandi; Irfan; Saprinal Manurung. (2014). Metodologi penelitian
bisnis. Medan: UMSU Press, hlm. 229.
MMPI5103/MODUL 6 6.73
n dk 0,05
2
n dk 0,05
2
n dk 0,05
2
1 - - 35 34 48.602 69 68 88.250
2 1 3.841 36 35 49.802 70 69 89.391
3 2 5.991 37 36 50.998 71 70 90.531
4 3 7.815 38 37 52.192 72 71 91.670
5 4 9.488 39 38 53.384 73 72 92.808
6 5 11.070 40 39 54.572 74 73 93.945
7 6 12.592 41 40 55.758 75 74 95.081
8 7 14.067 42 41 56.942 76 75 96.217
9 8 15.507 43 42 58.124 77 76 97.351
10 9 16.919 44 43 59.304 78 77 98.484
11 10 18.307 45 44 60.481 79 78 99.617
12 11 19.675 46 45 61.656 80 79 100.749
13 12 21.026 47 46 62.830 81 80 101.879
14 13 22.362 48 47 64.001 82 81 103.010
15 14 23.685 49 48 65.171 83 82 104.139
16 15 24.996 50 49 66.339 84 83 105.267
17 16 26.296 51 50 67.505 85 84 106.395
18 17 27.587 52 51 68.669 86 85 107.522
19 18 28.869 53 52 69.832 87 86 108.648
20 19 30.144 54 53 70.993 88 87 109.773
21 20 31.410 55 54 72.153 89 88 110.898
22 21 32.671 56 55 73.311 90 89 112.022
23 22 33.924 57 56 74.468 91 90 113.145
24 23 35.172 58 57 75.624 92 91 114.268
25 24 36.415 59 58 76.778 93 92 115.390
26 25 37.652 60 59 77.931 94 93 116.511
27 26 38.885 61 60 79.082 95 94 117.632
28 27 40.113 62 61 80.232 96 95 118.752
29 28 41.337 63 62 81.381 97 96 119.871
30 29 42.557 64 63 82.529 98 97 120.990
31 30 43.773 65 64 83.675 99 98 122.108
32 31 44.985 66 65 84.821 100 99 123.225
33 32 46.194 67 66 85.965
34 33 47.400 68 67 87.108
Sumber: Diolah dengan Excel dengan formula: = CHIINV(probability, deg_freedom)
Dengan deg_freedom = dk = n – 1
Nilai tabel Chi-Square untuk dk yang lain dapat digunakan cara seperti di atas.
Dikutip dari: Azuar Juliandi; Irfan; Saprinal Manurung. (2014). Metodologi penelitian
bisnis. Medan: UMSU Press, hlm. 230.
6.74 Statistika
Lampiran 6: Tabel F
= 0
dk Pembilang (k)
Dk Penyebut
1 2 3 4 5 6 7 8 9 10
(n-k-1)
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
31 4.16 3.30 2.91 2.68 2.52 2.41 2.32 2.25 2.20 2.15
32 4.15 3.29 2.90 2.67 2.51 2.40 2.31 2.24 2.19 2.14
33 4.14 3.28 2.89 2.66 2.50 2.39 2.30 2.23 2.18 2.13
34 4.13 3.28 2.88 2.65 2.49 2.38 2.29 2.23 2.17 2.12
35 4.12 3.27 2.87 2.64 2.49 2.37 2.29 2.22 2.16 2.11
36 4.11 3.26 2.87 2.63 2.48 2.36 2.28 2.21 2.15 2.11
37 4.11 3.25 2.86 2.63 2.47 2.36 2.27 2.20 2.14 2.10
38 4.10 3.24 2.85 2.62 2.46 2.35 2.26 2.19 2.14 2.09
39 4.09 3.24 2.85 2.61 2.46 2.34 2.26 2.19 2.13 2.08
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
41 4.08 3.23 2.83 2.60 2.44 2.33 2.24 2.17 2.12 2.07
42 4.07 3.22 2.83 2.59 2.44 2.32 2.24 2.17 2.11 2.06
43 4.07 3.21 2.82 2.59 2.43 2.32 2.23 2.16 2.11 2.06
MMPI5103/MODUL 6 6.75
dk Pembilang (k)
Dk Penyebut
1 2 3 4 5 6 7 8 9 10
(n-k-1)
44 4.06 3.21 2.82 2.58 2.43 2.31 2.23 2.16 2.10 2.05
45 4.06 3.20 2.81 2.58 2.42 2.31 2.22 2.15 2.10 2.05
46 4.05 3.20 2.81 2.57 2.42 2.30 2.22 2.15 2.09 2.04
47 4.05 3.20 2.80 2.57 2.41 2.30 2.21 2.14 2.09 2.04
48 4.04 3.19 2.80 2.57 2.41 2.29 2.21 2.14 2.08 2.03
49 4.04 3.19 2.79 2.56 2.40 2.29 2.20 2.13 2.08 2.03
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03
51 4.03 3.18 2.79 2.55 2.40 2.28 2.20 2.13 2.07 2.02
52 4.03 3.18 2.78 2.55 2.39 2.28 2.19 2.12 2.07 2.02
53 4.02 3.17 2.78 2.55 2.39 2.28 2.19 2.12 2.06 2.01
54 4.02 3.17 2.78 2.54 2.39 2.27 2.18 2.12 2.06 2.01
55 4.02 3.16 2.77 2.54 2.38 2.27 2.18 2.11 2.06 2.01
56 4.01 3.16 2.77 2.54 2.38 2.27 2.18 2.11 2.05 2.00
57 4.01 3.16 2.77 2.53 2.38 2.26 2.18 2.11 2.05 2.00
58 4.01 3.16 2.76 2.53 2.37 2.26 2.17 2.10 2.05 2.00
59 4.00 3.15 2.76 2.53 2.37 2.26 2.17 2.10 2.04 2.00
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99
Nilai tabel F untuk dk yang lain dapat digunakan cara seperti di atas.
Dikutip dari: Azuar Juliandi; Irfan; Saprinal Manurung. (2014). Metodologi penelitian
bisnis. Medan: UMSU Press, hlm. 227-226.