Mmpi5103 PDF

iii
Daftar Isi
TINJA UAN MATA KULIAH ............................................................. vii
MODUL 1: STATISTIKA DAN RUANG LINGKUPNYA 1.1

Kegiatan Belajar 1:
Pengantar Statistika .............................................................................. 1.3
Latihan ................................................................... ................................. 1.13
Rangku man ........................................................................................... 1.14
Tes Formatif 1 ..................................................................................... 1.16
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
KUNCI JAWABAN TES FORMATIF ............................................... 1.57

DAFTAR PUSTAKA .......................................................................... 1.64
MODUL 2: KONSEP-KONSEP DASAR STATISTIKA

INFERENSIA 2.1
Kegiatan Belajar 1:
Distribusi Peluang ................................................................................ 2.2 rganik
Latihan ...................................................................... ........................... 2.17
Rangku man ................................................................ .......................... 2.20
Tes Formatif 1 ……………………………..……................................ 2.22
iv
Kegiatan Belajar 2:
Variabel Random Diskrit ..................................................................... 2.26
Latihan …………………………………………................................. 2.36
Rangku man …………………………………...................................... 2.39
Tes Formatif 2 ……………………………..……................................ 2.40

DAFTAR PUSTAKA .......................................................................... 2.50
MODUL 3: DISTRIBUSI NORMAL DAN PENERAPANNYA 3.1

Kegiatan Belajar 1:
Variabel Random No rmal ..................................................................... 3.3
Latihan …………………………………………................................. 3.15
Rangkuman …………………………………...................................... 3.20
Tes Formatif 1 ……………………………..……................................ 3.20
Kegiatan Belajar 2:
Distribusi Samp ling .............................................................................. 3.24
Latihan …………………………………………................................. 3.37
Rangkuman …………………………………...................................... 3.40
Tes Formatif 2 ……………………………..……................................ 3.41

DAFTAR PUSTAKA .......................................................................... 3.51
MODUL 4: TEORI PENDUGAAN DAN UJI HIPOTESIS 4.1

Kegiatan Belajar 1:
Teori Pendugaan .................................................................................... 4.3
Latihan ................................................................................................. 4.14
Rangku man ................................................................... ........................ 4.16
Tes Formatif 1 ...................................................................................... 4.17
Kegiatan Belajar 2:
Uji Hipotesis Satu Populasi .................................................................. 4.20
Latihan ................................................................................................. 4.35
Rangku man ........................................................................................... 4.37
Tes Formatif 2 ...................................................................................... 4.39
v

DAFTAR PUSTAKA .......................................................................... 4.48
MODUL 5: UJI HIPOTESIS DUA POPULASI 5.1

Kegiatan Belajar:
Interval Kepercayaan dan Uji Hipotesis Dua Populasi ......................... 5.3
Latihan ......................................................................... ........................ 5.23
Rangku man ........................................................................................... 5.27
Tes Formatif ........................................................................................ 5.30

DAFTAR PUSTAKA .......................................................................... 5.40
MODUL 6: ANALISIS VARIANS, KORELASI DAN REGRESI 6.1

Kegiatan Belajar 1:
Analisis Varians .................................................................................... 6.3
Latihan …………………………………………................................. 6.17
Rangku man …………………………………...................................... 6.23
Tes Formatif 1 ……………………………..……................................ 6.23
Kegiatan Belajar 2:
Analisis Korelasi dan Regresi ............................................................... 6.29 ...........
Latihan …………………………………………................................. 6.45
Rangku man …………………………………...................................... 6.48
Tes Formatif 2 ……………………………..……................................ 6.49

DAFTAR PUSTA KA .......................................................................... 6.60
DAFTAR RIWA YAT HIDUP ............................................................. 6.61
LAMPIRA N .......................................................................................... 6.64
vii
Tinjauan Mata Kuliah
M ata kuliah Statistika/MMPI5103 merupakan mata kuliah pendukung

pada Program Studi Magister Manajemen Perikanan, Pascasarjana
Universitas Terbuka. Mata kuliah ini sangat penting dibaca dan dipelajari oleh
mahasiswa yang ingin memperoleh pengetahuan dan kemampuan dalam
melakukan analisis data. BMP ini memberikan materi yang berkaitan dengan
konsep-konsep dan prinsip-prinsip penggunaan metode statistika. Penggunaan
metode statistika yang benar dan tepat dalam melakukan analisis data
merupakan kunci dalam pengambilan kesimpulan/keputusan yang tepat.
Materi mata kuliah ini disajikan dalam 6 modul yang berisi penjelasan
topik-topik bahasan dan contoh-contoh yang relevan dengan topik yang
dibahas. Selain itu, dalam BMP ini diberikan soal-soal latihan beserta
petunjuk jawabannya, rangkuman, dan tes formatif yang ditujukan untuk
membantu mahasiswa memahami dengan baik dan lebih mendalam melalu i
proses berpikir dan aktif dalam menjawab baik berupa pertanyaan maupun
contoh kasus yang diberikan.
Secara umum, sistematika materi dalam BMP MMPI5103 adalah sebagai

berikut.
1. Modul 1 : Statistika dan Ruang Lingkupnya
2. Modul 2 : Konsep-konsep Dasar Statistika Inferensia
3. Modul 3 : Distribusi Normal dan Penerapannya
4. Modul 4 : Teori Pendugaan dan Uji Hipotesis
5. Modul 5 : Uji Hipotesis Dua Populasi
6. Modul 6 : Analisis Varians, Korelasi, dan Regresi
Secara khusus, setelah mempelajari BMP MMPI5103, diharapkan

mahasiswa mampu:
1. Memahami pengertian-pengertian statistika dan pengelompokan
statistika.
2. Memahami macam-macam data dan skala pengukuran data.
3. Menginterpretasikan data dalam bentuk tabel.
4. Menginterpretasikan data dalam bentuk grafik.
5. Menjelaskan pengertian percobaan random.
6. Menjelaskan pengertian variabel random.
viii
7. Memahami fungsi probabilitas suatu variabel random.

8. Menentukan nilai ekspektasi dan varians suatu variabel random.
9. Memahami beberapa distribusi variabel random diskrit dan kontinu.
10. Menjelaskan dan memahami serta menerapkan distribusi variabel randon
normal.
11. Memahami, menjelaskan, dan menerapkan distribusi sampling.
12. Memahami cara menentukan nilai rata-rata, variansi dan proporsi satu
populasi.
13. Mengestimasi nilai rata-rata, variansi dan proporsi satu populasi.
14. Memahami konsep pengujian hipotesis mengenai rata-rata, variansi dan
proporsi satu populasi.
15. Melakukan pengujian hipotesis mengenai rata-rata, variansi dan proporsi
dua populasi.
16. Menentukan interval kepercayaan dan uji hipotesis kesamaan rata -rata
dari dua populasi normal dengan varians populasi diketahui.
dari dua populasi normal dengan varians populasi tidak diketahui.
dari dua populasi untuk data berpasangan.
19. Menentukan interval kepercayaan dan uji hipotesis kesamaan varians dari
dua populasi.
20. Melakukan analisis varians satu arah dari suatu kasus.
21. Melakukan analisis varians dua arah dari suatu kasus.
22. Menghitung nilai korelasi Pearson.
23. Menentukan persamaan regresi linear sederhana dari suatu kasus.
24. Menentukan pengujian pendugaan parameter regresi linear sederhana.
25. Menentukan nilai koefisien determinasi dari suatu persamaan regeresi
linear sederehana.
Beberapa manfaat yang akan Anda peroleh setelah mempelajari materi

mata kuliah ini di antaranya adalah: (1) memahami dan memiliki kemampuan
dalam konsep-konsep dan prinsip-prinsip dasar statistika, (2) memilik i
kemampuan untuk dapat melakukan berbagai alat analisis data, (3) dapat
melakukan analisis data untuk berbagai kasus penelitian, dan (4) mampu
membuat laporan penelitian atau tesis yang baik dan benar dengan
menggunakan metode analisis yang tepat..
ix
Peta Kompetensi
Statistika/M M PI5103/2sks
Modul 1
Statistika dan Ruang Lingkupnya

Dr. Sony Sunaryo, M .Si.
Dewi Juliah Ratnaningsih, S.Si, M .Si.
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 
Setelah mempelajari modul ini diharapkan Anda dapat:

1. Memahami pengertian-pengertian statistika dan pengelompokan
statistika.
2. Memahami macam-macam data dan skala pengukuran data.
3. Menginterpretasikan data dalam bentuk tabel.
4. menginterpretasikan data dalam bentuk grafik.
 MMPI5103/MODUL 1 1.3
Kegiatan Belajar 1
Pengantar Statistika
M ahasiswa yang budiman, s tatistika sering digunakan dalam banyak

kegiatan nyata sehari-hari, tetapi dalam praktik, kata statistika dan
statistik dianggap mempunyai arti yang sama. Hal ini adalah pernyataan
yang keliru karena jika ditelusuri menurut bahasa aslinya (bahasa Inggris)
jelas nampak perbedaannya. Mari kita pahami perbedaan dari kedua istilah
tersebut.
A. PENGERTIAN STATISTIKA
Dalam bahasa Inggris ada istilah statistics yang diterjemahkan dengan

statistika dan kata statistic yang diterjemahkan dengan statistik. Statistika
lebih dipandang sebagai prosedur yang mendasarkan pada kaidah -kaidah
tertentu, sedangkan statistik cenderung diberi pengertian sebagai deskripsi
sederhana dari suatu objek kajian, misalnya: statistik penduduk tahun 2000,
statistik produksi hasil perikanan tahun 2000-2005, statistik catatan mengenai
kelahiran, kematian, dan lain sebagainya. Namun, statistika dan statistik
berkepentingan terhadap penyajian gugus data untuk mempermudah
membacanya. Statistika telah menjadi dikenal di abad ke-20 sebagai alat
matematika untuk menganalisis data hasil percobaan dan observasi
(pengamatan).
Metode statistika merupakan prosedur yang digunakan untuk
mengumpulkan, menyajikan, menganalisis dan menginterpretasikan data.
Para peneliti dan ilmuwan menggunakan statistika sebagai alat bantu untuk
membuat keputusan ilmiah yang dapat dipertanggungjawabkan secara logis.
Bagi sebagian ilmuwan, statistika adalah logika atau akal sehat (common
sense) yang diikuti dengan prosedur tertentu untuk mengumpulkan atau
menentukan data yang dibutuhkan. Jika membaca berbagai literatur akan
banyak kita jumpai definisinya. Berikut berbagai definisi yang dapat Anda
pahami.
1.4 Statistika 
Beberapa Definisi Statistika

Statistika merupakan ilmu pengetahuan murni (pure science) dan terapan
(applied) mengenai pengembangan dan penerapan teknik-teknik sedemikian
rupa sehingga ketidakpastian dalam membuat kesimpulan umum dapat
diperhitungkan. Definisi yang senada diungkapkan oleh Andersen dan
Bancroft yaitu statistika sebagai ilmu pengetahuan (science) dan seni (art)
pengembangan dan penerapan metode yang efektif untuk mengumpulkan,
menabulasikan serta menginterpretasikan data kuantitatif sedemikian rupa
sehingga kemungkinan salah dalam penarikan kesimpulan dan pendugaan
dapat diperkirakan dengan menggunakan penalaran induktif berdasarkan
teori peluang.
Beberapa pendapat lain yang mendefinisikan secara sederhana yaitu:
STATISTIK adalah kumpulan fakta yang umumnya berbentuk angka yang
disusun dalam bentuk tabel atau diagram yang melukiskan atau
menggambarkan suatu persoalan.
STATISTIKA adalah ilmu pengetahuan yang berhubungan dengan cara-cara
pengumpulan fakta, pengolahan dan pembuatan keputusan yang cukup
beralasan berdasarkan fakta dan analisa yang dilakukan.
METODE STATISTIKA adalah prosedur-prosedur yang digunakan dalam
pengumpulan, penyajian, dan penafsiran data.
Statistika sebagai sebuah ilmu ternyata banyak digunakan dalam
berbagai bidang ilmu. Mulai dari ilmu alam sampai ilmu sosial yang bersifat
kuantitatif. Sebagai contoh biometrika merupakan penerapan ilmu statistika
dalam ilmu-ilmu biologi, ekonometrika penggunaan statistika dalam bidang
ilmu ekonomi, sosiometri penggunaan di bidang sosiologi, selain itu juga
diterapkan dalam ilmu teknik. Penggunaan statistika yang sangat luas
memungkinkan memberi pengertian statistika yang lebih beragam. Oleh
karena itu, pengertian statistika sebagai ilmu dapat beragam menurut cara
pandang ilmu terapannya. Statistika dipandang sebagai seni untuk
mempelajari data (Ross, 2010).
Demikianlah beberapa definisi statistika dan statistik yang dapat
memberikan penjelasan akan perbedaan keduanya. Setelah memahami hal
ini, diharapkan Anda dapat menggunakan kedua istilah tersebut dengan tepat.
B. POPULASI DAN SAMPEL
Selain pengertian Statistika dan statistik, istilah populasi dan sampel juga
merupakan hal dasar yang harus Anda pahami. Karena, populasi dan sampel
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
Saudara, dalam melakukan analisis data menggunakan statistika ya ng

perlu dilakukan adalah metode statistika mana yang tepat digunakan.
Tentunya, hal ini disesuaikan dengan tujuan yang diinginkan dan keadaan
data yang kita miliki. Nah, ditinjau dari segi metode dan kegunaannya, secara
umum statistika dibagi menjadi dua, yaitu statistika deskriptif (descriptive
statistics) dan statistika inferensia (inference statistics). Sedangkan, dari segi
kondisi sebaran (distribusi) datanya, statistika dibagi menjadi Statistika
Parametrik dan Non Parametrik. Berikut penjelasannya.
1. Statistika Deskriptif dan Inferensia

Perbedaan statistika deskriptif dan statistika inferensia terletak pada
kegunaan dan prosedur analisisnya. Statistika deskriptif merupakan prosedur
statistika yang berkaitan dengan kegiatan pencatataan/peringkasan hasil
pengamatan terhadap kejadian/karakteristik manusia, binatang, tanaman,
tempat dan sebagainya. Jadi, statistika deskriptif memberikan informasi yang
berguna mengenai kejadian tanpa menarik kesimpulan atau peramalan
apapun tentang gugus data yang lebih besar. Dalam penyusunannya, sering
ditampilkan grafik, tabel, gambar-gambar dan dalam bentuk nilai rata-rata,
median, juga standar deviasi.
Statistika inferensia merupakan prosedur-prosedur pengumpulan,
penyajian dan dilanjutkan dengan kesimpulan dan ramalan. Statistika ini
berhubungan dengan pengujian hipotesis sehingga dalam statistika inferen s ia
ditampilkan berbagai bentuk pengujian. Statistika inferensia berkait an dengan
hal yang bersifat spesifik ke hal yang bersifat umum atau induktif.
Hubungan antara populasi, sampel dan statistika inferensia dapat dilihat
pada Gambar 1.1. Dari Gambar 1.1. terlihat sampel yang diambil dari
populasi digunakan untuk membuat kesimpulan tentang populasi. Ukuran
yang diperoleh dari data sampel yang terpilih untuk

memutuskan/menyimpulkan sesuatu disebut statistik. Sementara itu, ukuran
yang ada dalam populasi yang digunakan untuk menyimpulkan sesuatu
dinamakan parameter.
parameter
Pemilihan sampel
Populasi
statistik
Sampel
Statistik inferensia
Gambar 1.1
Hubungan antara Populasi, Sampel, dan Statistika Inferensia
2. Statistika Parametrik dan Non parametrik

Perbedaan antara statistika parametrik dan non parametrik terletak pada
asumsi sebaran (distribusi) data yang disyaratkan. Asumsi distribusi ini
menjadi dasar teoritis dalam prosedur pengujian hipotesis penelitian.
Statistika parametrik adalah prosedur statistika yang didasarkan pada
keterpenuhan asumsi bahwa data mengikuti suatu distribusi tertentu,
misalnya data berdistribusi normal dan homogen. Dalam statistika parametrik
lebih dikenal dengan prosedur penggunaaan distribusi Z, distribusi t,
distribusi F, dan sebagainya. Selain itu juga, dalam statistika parametrik skala
pengukuran dituntut mempunyai kualifikasi data yang tinggi yaitu skala
pengukuran rasio.
Pada statistika non parametrik, kajiannya tidak menggunakan asumsi
distribusi normal, bahkan data bebas distribusi (free distribution). Demikian
juga jenis data dapat berupa data kualitatitf (nominal, ordinal) maupun data
kuantitatif (interval, rasio).
1.8 Statistika 
D. DATA DAN SKALA PENGUKURAN
Saudara, selain jenis analisis statistika yang perlu Anda ketahui,

pengetahuan Anda terhadap data juga sangatlah penting. Justru inilah yang
menjadi awal dari proses analisis statistika. Karena, analisis statistika
dilakukan berdasarkan pada data. Berikut penjelasannya.
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
meningkatkan pendapatan nelayan. Untuk memecahkan persoalan

tersebut maka perlu diketahui tentang kepemilikan alat tangkap dan
potensi sumber daya laut untuk mata pencaharian alternatif.
2) Data harus tepat waktu (up to date). Data yang dikumpulkan bersifat
kekinian sehingga jika diambil sebagai bahan untuk pengambilan
keputusan/perencanaan akan tepat keputusannya.
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.
Data dapat pula diklasifikasikan berdasarkan sumbernya, yaitu:

a. Data internal. Data yang termasuk jenis ini adalah semua informasi yang
berasal dari dalam organisasi/negara itu sendiri. Misalnya, data absensi
karyawan, jumlah sarana produksi, inventaris perusahaan. Bagi suatu
negara misalnya: data jumlah penduduk, pendapatan nasional, dan
sumber daya alam termasuk ke dalam data internal.
b. Data eksternal. Data yang bersumber dari luar organisasi itu sendiri.
Misalnya bagi sebuah perusahaan, data daya beli masyarakat terhadap
produk, harga produk di pasar, perkembangan harga di pasar eksport
merupakan data eksternal. Data eksternal biasanya untuk menunjukkan
1.10 Statistika 
faktor determinasi yang berpengaruh terhadap internal organisasi. Bagi

para nelayan, keadaan harga ikan, keadaan sumber daya hayati di laut,
harga es merupakan data yang bersifat eksternal. Data eksternal dapat
diambil dari sumbernya sendiri (s ekunder) atau dapat diambil dari pihak
pertama (primer).
Selain itu, data dapat diklasifikasikan menurut waktu pengumpulannya,

yaitu:
a. Data cross section, data yang dikumpulkan pada waktu tertentu (at a
point of time) yang dapat menggambarkan keadaan/kegiatan pada waktu
tertentu. Data jumlah penduduk menurut jenis kelamin, lapangan
pekerjaan, umur, dan lain-lain. Hasil sensus tahun 2010 merupakan
contoh data cross section.
b. Data berkala (time series data), data yang dikumpulkan dari waktu ke
waktu untuk memberikan gambaran tentang perkembangan suatu
kegiatan dari waktu ke waktu atau data historis. Perkembangan harga,
produksi 5 tahun, pertumbuhan penduduk 10 tahun merupakan bentuk
data time series. Data seperti ini bila digambarkan dalam grafik dapat
berbentuk fluktuasi yaitu garis yang bersifat naik-turun. Dapat juga
dalam bentuk tren yaitu garis yang menunjukkan pada arah
perkembangan umum (naik-turun). Oleh karena itu, data jenis ini dapat
dimanfaatkan untuk peramalan.
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.
Kalimat ’pengukuran terhadap benda atau objek’ sebenarnya kurang

tepat karena yang diukur sesungguhnya adalah petunjuk mengenai ciri-ciri
atau sifat-sifat objek. Pengukuran terhadap ciri-ciri atau sifat objek yang
nyata mungkin tidak terlalu sulit karena ciri-ciri dan sifat objek dapat dilihat,
diraba atau dirasakan dapat diukur dengan besaran standar. Objek yang lebih
kompleks dan tidak dapat dipegang (ilusif) mustahil untuk dilakukan
pengamatan langsung, misalnya: kesabaran, ketaqwaan, persepsi, dan
motivasi. Oleh karena itu, diperlukan cara tertentu untuk dapat melakukan
pengukuran.
Dalam pengolahan data statistika bergantung pada skala/ukuran data
yang digunakan. Skala pengukuran dibagi ke dalam empat kategori yakni
nominal, ordinal, interval, dan rasio.
Skala nominal, merupakan skala yang paling sederhana dibanding skala
pengukuran lain. Skala pengukuran nominal digunakan untuk
mengklasifikasikan objek, individual atau kelompok. Sebagai contoh
mengklasifikasi jenis kelamin, agama, pekerjaan, dan area geografis. Dalam
mengidentifikasi hal-hal di atas digunakan angka-angka sebagai simbol.
Apabila kita menggunakan skala pengukuran nominal maka statistik non
parametrik digunakan untuk menganalis is datanya. Hasil analisis
dipresentasikan dalam bentuk persentase. Pada skala ini tidak ada jarak
maupun urutan antara kategori dalam ukuran tersebut atau hanya
membedakan benda/peristiwa satu dengan lainnya berdasarkan predikat.
Dasar penggolongan adalah kategori yang tidak tumpang tindih (mutually
exclusive) dan tuntas (exhaustive). Data dengan skala pengukuran nominal,
misalnya jenis kelamin (laki-laki ‘1’ dan wanita ‘2’); kewarganegaraan (WNI
‘1’ dan WNA ‘2’); suku bangsa (Melayu ‘1’, Minangkabau ‘2’, Jawa ‘3’,
Bugis ‘4’). Angka-angka tersebut tidak merefleksikan urutan atau jarak atau
bobot.
Skala ordinal adalah skala data yang berupa orde atau urutan/tingkatan.
Data bentuk skala ordinal hampir sama dengan nominal y ang bersifat
kualitatif. Skala ordinal telah menunjukkan adanya tingkatan atau urutan.
Misalnya, persepsi seseorang bisa dinilai dengan ‘baik’, ‘cukup baik’, dan
‘tidak baik’. Dengan kata lain, pada skala ordinal terdapat preferensi atau
1.12 Statistika 
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
Operasi Skala pengukuran

Sifat
Aljabar Nominal Ordinal Interval rasio
Membedakan = dan ≠    
Tingkatan > dan < -   
Jarak + dan – - -  
Perbandingan x dan : - - - 
Dari Tabel 1.1 terlihat bahwa skala pengukuran yang paling rendah
adalah skala nominal, sedangkan yang paling tinggi adalah skala rasio.
LATIHAN
Untuk memperdalam pemahaman Anda mengenai materi di atas,

kerjakanlah latihan berikut!
1) Apakah Saudara setuju dengan kenaikan harga BBM?

1) setuju 2) tidak setuju
Termasuk skala pengukuran apakah pertanyaan di atas? Berikan
penjelasan Anda.
2) Bagaimana pendapat Anda tentang kebijakan ekonomi pemerintah saat
ini?
1) Sangat buruk, 2) Buruk, 3) Cukup, 4) Baik, 5) Sangat Baik
Apakah ini skala nominal? Berikan alasan Anda.
3) Berapa kenaikan harga bahan pokok yang Saudara setujui?
1). 2 % 2). 4% 3). 6% 4). 8% 5).10%
Apakah ini termasuk Skala Rasio? Mengapa?
4) Berapa harga tiket kereta api Surabaya – Jakarta yang Saudara inginkan
untuk kelas bisnis?
1) Rp.140.000 – Rp.160.000
2) Rp.140.000 – Rp.180.000
3) Rp.140.000 – Rp.200.000
Apakah ini skala interval atau ordinal? Berikan alasan Anda.
5) Jawablah dengan singkat pertanyaan berikut ini
a. Jelaskan yang dimakud dengan data yang representatif!
1.14 Statistika 
b. Jelaskan perbedaan data dengan skala interval dan ordinal!

c. Mengapa data harus up to date?
d. Buatlah contoh data yang time series!
e. Jelaskan pengertian ‘pengukuran’!
Petunjuk Jawaban 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
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
Rangkuman dari materi pada Kegiatan Belajar 1 adalah sebagai

berikut.
1. Perbedaan antara istilah statistik dan statistika.
a. STATISTIK adalah kumpulan fakta yang umumnya berbentuk
angka yang disusun dalam bentuk tabel atau diagram yang
melukiskan atau menggambarkan suatu persoalan yang
diperoleh dari sampel, atau karakteristik dari suatu sampel,
Misalnya: rata-rata (mean), modus, median, dan sebagainya.
b. STATISTIKA adalah pengetahuan yang berhubungan dengan
cara-cara pengumpulan data/fakta, pengolahan serta pembuatan
keputusan yang cukup beralasan berdasarkan fakta dan
penganalisaan yang dilakukan. Atau suatu alat/metode yang
digunakan untuk merancang, mengumpulkan, menyajikan,
 MMPI5103/MODUL 1 1.15
pengolahan dan analisis serta menginterpretasi dan membuat

keputusan pada data yang memuat unsur ketidakpastian dan
variasi.
3. Penggolongan statistika:
a. Statistika deskriptif (descriptive statistics) merupakan prosedur
statistika yang berkaitan dengan kegiatan pencatatan/
peringkasan hasil pengamatan terhadap objek tanpa
memberikan kesimpulan ataupun peramalan.
b. Statistika inferensia (inference statistics) merupakan prosedur-
prosedur pengumpulan, penyajian, dan dilanjutkan dengan
kesimpulan dan ramalan. Statistika ini berhubungan dengan
pengujian hipotesis.
c. Statistika parametrik yaitu prosedur-prosedur statistika dengan
menggunakan asumsi-asumsi yang ketat misalnya data
berdistribusi normal dan homogen, serta data yang digunakan
harus bersifat kuantitatif.
d. Statistika non parametrik, kajiannya tidak menggunakan asumsi
sebaran normal bahkan data bebas distribusi (free distribution).
Jenis data dapat berupa data kualitatitf (nominal, ordinal)
maupun kuantitatif (interval, rasio).
4. Syarat-syarat data yang baik mempunyai karakteristik sebagai
berikut.
a. Data harus objektif artinya sesuai dengan keadaan yang benar
(as it is).
b. Data harus dapat mewakili (representative).
c. Kesalahan baku (standart error) kecil.
d. Data relevan.
e. Data harus tepat waktu (up to date).
5. Pengukuran adalah pemberian angka-angka terhadap benda atau
peristiwa-peristiwa menurut kaidah-kaidah tertentu dan kaidah-
kaidah yang berbeda menghendaki skala-skala pengukuran yang
berbeda.
6. Pembagian data menurut skala pengukurannya sebagai berikut.
a. Data nominal (agama, suku, jenis kelamin).
b. Data ordinal (pendidikan, pangkat, mutu barang, d an lain-lain).
c. Data interval (suhu, tahun masehi/hijrah).
d. Data rasio (umur, nilai, pendapatan, berat, dan lain-lain).
7. Pembagian data dilihat dari segi lainnya sebagai berikut.
a. Sifatnya: kualitatif dan kuantitatif.
b. Sumbernya: internal dan eksternal.
c. Cara memperoleh: primer dan s ekunder.
d. Waktunya: data berkala dan data cross section.
1.16 Statistika 
TES FORMATIF 1
Jawablah pertanyaan berikut dengan benar!
1) a. Berikan definisi statistika dan statistik dengan benar!

b. Apa perbedaan istilah statistika dan statistik?
2) a. Berilah penjelasan statistika deskrisptif dan inferensia!
b. Dimanakah letak perbedaan statistika deskrisptif dan inferensia?
3) a. Berilah pengertian statistika parametrik dan non parametrik!
b. Dimanakah letak perbedaan parametrik dan non parametrik?
4) Tulislah huruf ‘D’ bila termasuk statistika Deskriptif, huruf ‘I’ bila
termasuk inferensia. Kemudian berikan penjelasan atas jawaban Anda.
a. Jumlah hasil tangkapan dari tahun 2000 sebanyak 4,61 ton maka
diperkirakan hasil tangkapan tahun 2010 sebanyak 310 ton (D - I).
b. Rata-rata jumlah bakteri/petridisk adalah 2.432.675 (D - I).
5) Tulislah huruf ‘P’ bila termasuk statistika parametrik, huruf ‘NP’ bila
termasuk non parametrik dan berikan penjelasannya.
a. Jika tersedia data : tidak asin, sangat asin(P – NP).
b. Data panjang ikan (cm) : 89, 75, 67, 78 (P – NP).
6) Data yang memenuhi syarat adalah reliabel. Jelaskan apa dimaksud
reliabel!
7) Jelaskan apa saja persyaratan yang harus dipenuhi agar data menjadi
bermanfaat!
8) Data yang menyajikan tentang jenis agama, misalnya Islam, Katholik,
Hindu tergolong data berskala? Berikan alasannya!
9) Kelas ekonomi ditulis: ‘1’ ekonomi ; ‘2’ eksekutif, dan ‘3’ super
eksekutif. Apakah makna dari kode 1, 2, dan 3?
10) Pak Dhani akan melakukan penelitian tentang hasil penangkapan ikan
para nelayan di Pelabuhan A dan Pelabuhan B setiap hari selama bulan
Mei. Karena keterbatasan waktu, tenaga, dan biaya yang dimiliki Pak
Dhani maka penelitian dilakukan dengan hanya mengambil sampel
nelayan di masing-masing pelabuhan. Melalui penelitian ini, Pak Dhani
ingin mengetahui gambaran hasil perolehan ikan para nelayan di kedua
pelabuhan tersebut dan membandingkannya. Fokus penelitian Pak Dhani
adalah hasil tangkapan ikan per nelayan yang diukur dalam satuan
kilogram. Dari uraian tersebut:
 MMPI5103/MODUL 1 1.17
a. Apakah yang menjadi populasi dan sampel?

b. Apakah variabel respons yang akan diukur?
c. Termasuk skala apakah variabel tersebut?
d. Apakah jenis metode statistika yang harus digunakan?
Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 1 yang

terdapat di bagian akhir modul ini. Hitunglah jawaban yang benar.
Kemudian, gunakan rumus berikut untuk mengetahui tingkat penguasaan
Anda terhadap materi Kegiatan Belajar 1.
Jumlah Jawaban yang Benar

Tingkat penguasaan =  100%
Jumlah Soal
Arti tingkat penguasaan: 90 - 100% = baik sekali

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang
Apabila mencapai tingkat penguasaan 80% atau lebih, Anda dapat

meneruskan dengan Kegiatan Belajar 2. Bagus! Jika masih di bawah 80%,
Anda harus mengulangi materi Kegiatan Belajar 1, terutama bagian yang
belum dikuasai.
1.18 Statistika 
Kegiatan Belajar 2
Deskripsi Data
A da beberapa cara menyajikan atau mendeskripsikan data, yang

tergantung antara lain pada jenis dan keperluan penyajiannya. Hal yang
perlu mendapat perhatian dalam mendeskripsikan data adalah bagaimana
suatu data yang cukup besar jumlahnya itu dapat tersaji dalam bentuk yang
ringkas, namun tanpa harus kehilangan beberapa ciri pentingnya. Bagian
pertama Kegiatan Belajar 2 ini akan membahas deskripsi data dalam bentuk
tabel, sedangkan bagian kedua akan membahas tentang deskripsi data dalam
bentuk grafik atau diagram. Cara penyajian data menggunakan tabel atau
grafik biasanya dilihat dari jenis datanya. Ada kalanya data hanya sesuai
disajikan dalam bentuk grafik saja. Namun, adakalanya akan lebih efisien
jika disajikan dalam tabel saja, atau bahkan dapat disajikan dengan tabel dan
grafik secara bersamaan. Apa pun jenis penyajian data yang digunakan,
intinya adalah informatif. Artinya dapat memberikan gambaran yang jelas
mengenai informasi yang terkandung di dalam data tersebut. Mari kita bahas
satu per satu cara mendeskripsikan data dengan tabel dan grafik.
A. DESKRIPS I DATA DALAM BENTUK TABEL
Saudara, perlu Anda ketahui bahwa, menyajikan data menggunakan

tabel dapat dilakukan untuk data kualitatif maupun kuantitatif. Secara umum,
ada 3 macam tabel yang dapat dibuat untuk penyajian data penelitian Anda.
Berikut ini adalah penjelasannya.
1. Penyajian Data dengan Pengelompokan

Cara menyajikan data dengan pengelompokan prinsipnya adalah
mengelompokkan data berdasarkan kesamaan nilai, kemudian dihitung
frekuensi kemunculan s etiap nilai, dan disajikan ke dalam tabel.
Untuk memahaminya, perhatikan data target kontribusi sektor perikanan
pada GDP Nasional (dalam%) selama 15 tahun yang lalu berikut ini.
8 12 4 3 6 7 7 2
2 5 7 4 4 5 5
 MMPI5103/MODUL 1 1.19
Saudara, setelah Anda perhatikan, penyajian data di atas sangatlah kurang

efektif bukan? Penyajian data seperti ini kurang informatif karena akan
memerlukan waktu yang relatif lebih lama bagi seseorang untuk
menyimpulkan hal-hal penting yang terkait dengan target kontribusi GDP
sektor perikanan tersebut. Coba Anda bayangkan, jika ukuran datanya sangat
besar, menyajikan data dengan cara seperti ini akan semakin tidak efektif.
Nah, sekarang, bagaimana jika datanya diurutkan susunannya menjadi
seperti ini:
2 2 3 4 4 4 5 5
6 7 7 7 7 8 12
Ternyata, dengan mengurutkan data seperti di atas, kita sedikitnya dapat

menangkap informasi yang terkandung di dalam data. Misalnya, target
terkecil pada kumpulan data tersebut adalah 2%, sedangkan target
tertingginya 12%. Data terkecil (angka 2) disebut statistik peringkat pertama
atau statistik minimum atau nilai minimum. Data terbesar (angka 12) disebut
statistik peringkat ke-n atau statistik maksimum atau nilai maksimum.
Sekarang, untuk lebih memudahkan menyimpulkan data tersebut, sajikan
dalam tabel frekuensi (atau biasa disebut dengan tabel frekuensi data
tunggal). Tentunya, hitung terlebih dahulu frekuensi kemunculan s etiap nilai
data (datum). Hasilnya disajikan pada Tabel 2.1.
Tabel 1.2
Target Kontribusi GDP Sektor Perikanan pada GDP Nasional (dalam%)
Target(%) Turus Frekuensi

2 // 2
3 / 1
4 /// 3
5 // 2
6 / 1
7 //// 4
8 / 1
12 / 1
Setelah disajikan ke dalam tabel, Anda dapat mengambil informasi yang

terkandung dalam data lebih banyak lagi dengan jelas, bukan? Dari Tabel 1.2,
terlihat banyaknya target lebih kecil dari 5% ada 6, target minimum adalah
1.20 Statistika 
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.
2. Cara Membuat Tabel Distribusi Frekuensi

Seperti telah disebutkan sebelumnya, bahwa untuk membuat tabel
distribusi frekuensi dari suatu data yang ukurannya besar, maka akan sangat
mudah jika data tersebut dikelompokkan terlebih dahulu menjadi beberapa
kelas interval. Kemudian, baru tentukan frekuensi dari tiap kelasnya.
Sebagai contoh, data produksi ikan tangkap (ton) di Indonesia selama 40
tahun yang lalu dengan data sebagai berikut.
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
Produksi Ikan Titik Tengah Turus Frekuensi (fi )

Tangkap (xi )
119 – 127 123 /// 3
128 – 136 132 ///// 6
137 – 145 141 //////// 10
146 – 154 150 //////// / 11
155 – 163 159 //// 5
164 – 172 168 /// 3
173 – 181 177 // 2
Untuk dapat memahami dengan baik cara menyusun tabel distribusi

seperti di atas, sebelumnya kita perlu memahami beberapa istilah pada tabel
distribusi dengan kelas interval berdasar tabel di atas yaitu:
a. Kelas interval, pada contoh di atas data dikelompokkan ke dalam 7 kelas.
Kelas pertama (119 – 127), kelas kedua (128 – 136), kelas ketiga (137 –
145), dan seterusnya.
b. Batas kelas interval yaitu nilai-nilai ujung yang terdapat pada suatu
kelas. Nilai ujung bawah pada suatu kelas disebut batas bawah kelas dan
nilai ujung atasnya disebut batas atas kelas.
Pada kelas pertama, batas bawah 119 dan batas atas 127, pada kelas
kedua, batas bawah 128 dan batas atas 136.
c. Tepi kelas, untuk data yang diperoleh dari hasil pengukuran dengan
ketelitian sampai satuan ukuran tertentu maka:
Tepi bawah = batas bawah – 0,5  satuan ukuran terkecilnya.
Tepi atas = batas atas + 0,5  satuan ukuran terkecilnya.
Pada kelas pertama (119 – 127), tepi bawahnya 118,5 dan tepi atasnya
127,5 karena satuan ukuran terkecilnya adalah 1 atau satuan.
d. Panjang, lebar, atau interval kelas yaitu selisih antara tepi atas dan tepi
bawah suatu kelas. Pada tabel di atas, panjang kelas = tepi atas – tepi
bawah = 127,5 – 118,5 = 9.
e. Titik tengah kelas yaitu nilai yang dianggap mewakili kelas itu. Titik
tengah kelas = ½ (batas bawah + batas atas) sehingga titik tengah kelas
pertama (119 – 127) adalah 123; dan titik tengan kelas kedua 128 – 136
adalah 132.
1.22 Statistika 
Adapun cara membuat tabel distribusi dengan kelas interval dapat

dilakukan melalui langkah-langkah berikut.
a. Menentukan nilai terkecil dan nilai terbesar, kemudian menentukan
jangkauannya (range).
R  datamaks  datamin .
Pada contoh di atas:
Range (R) = 176 – 119 = 57.
b. Menentukan banyak kelas (5 sampai 20, atau menurut keadaan datanya),
atau dengan menggunakan kaidah empiris Sturgess:
k  1  3,3log(n).
dengan k = banyak kelas

n = banyak data
Jika hasil dari k bukan merupakan bilangan bulat maka k dibulatkan ke
atas.
c. Menentukan panjang kelas, (p):
R
p .
k
Panjang kelas biasanya dipilih bilangan ganjil agar titik tengahnya
merupakan bilangan yang baik (bulat).
d. Menentukan kelas-kelasnya sedemikian sehingga mencakup semua nilai
data.
e. Menentukan frekuensi tiap kelas dengan menggunakan turus.
Demikianlah cara menyajikan data dalam bentuk tabel distribusi

frekuensi. Data yang telah dikelompok-kelompokkan menjadi beberapa
kelas tertentu disebut data berkelompok. Selanjutnya, tabel distribusi
frekuensi yang terbentuk dari data seperti ini sering disebut tabel distribusi
frekuensi data berkelompok.
3. Tabel Satu Arah, Dua Arah, dan Tiga Arah

Saudara, mengingatkan kembali bahwa tabel merupakan kumpulan
angka-angka yang disusun menurut kategori atau aturan tertentu untuk
memudahkan kita dalam mendapatkan informasi yang terkandung dalam
data. Nah, selain kedua jenis tabel yang telah dijelaskan sebelumnya, ada
beberapa bentuk tabel jika dilihat dari arahnya, antara lain merupakan: tabel
 MMPI5103/MODUL 1 1.23
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
Types of Fisheries Violence Number

No License 59
Ban of Gear 4
No license & Ban Gear 20
Document Fake 0
Incomplete Document 18
Fishing by electric 0
Fishing by bomb 0
Fishing ground 3
Fishing ground &gears 0
File transporting 2
Accommodate fish unsuitable SIKPI 0
No info type of violence 0
Transhipment & gears 0
No transmitter 4
Coral reef stealing 0
Unlicensed gears 6
Incomplete document & fishing ground 3
TOTAL 119
Tabel tersebut hanya memuat keterangan mengenai satu karakteristik

saja yaitu Types of Fisheries Violence, sehingga disebut tabel satu arah.
Dengan cara yang sama seperti tabel distribusi frekuensi sebelumnya,
Anda dapat menginterpretasikan tabel tersebut, bukan? Silakan Anda
coba interpretasikan sebagai latihan.
1.24 Statistika 
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
Negara Emas Perak Perunggu

Indonesia 12 4 5
Malaysia 10 2 7
Brunei 2 2 3
Singapura 2 10 12
Thailand 5 6 8
Filipina 7 14 3
Tabel tersebut menunjukkan perolehan medali menurut dua karakteristik

yaitu nama negara dan jenis medali. Apa informasi penting yang dapat
kita peroleh dari tabel tersebut? Dari Tabel 1.5 dapat kita ketahui
bahwa medali yang paling banyak diperoleh peserta Asean Games dari
Indonesia adalah medali Emas, begitu juga dari Malaysia. Sementara
dari Brunei, relatif seimbang perolehan medalinya, karena pesertanya
pun hanya 7 orang. Peserta dari Singapura ban yak memperoleh medali
perunggu dan juga perak. Thailand banyak memperoleh medali
perunggu. Meskipun perbedaannya dengan medali lainnya tidak begitu
jauh. Kemudian, dari Filipina banyak mendapatkan medali perak.
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
Umur Toyota Ford

Jumlah
(th) S edan Bis Truk S edan Bis Truk
<1 1 2 2 1 3 2 11
1–2 2 3 1 1 3 5 15
2–3 1 2 3 0 1 2 9
3–4 0 1 2 0 2 1 6
4–5 1 1 1 1 1 2 7
>5 0 2 1 0 2 1 6
Jumlah 5 11 10 3 12 13 54
 MMPI5103/MODUL 1 1.25
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.
B. DESKRIPS I DATA DALAM BENTUK GRAFIK ATAU

DIAGRAM
Saudara, menyajikan data atau mendeskripsikan data melalui grafik atau

diagram dapat dilakukan untuk data kualitatif maupun kuantitatif. Di sini,
Anda akan mempelajari empat macam diagram yaitu diagram batang,
diagram garis, diagram lingkaran, dan histogram. Sebelum membahas jenis -
jenis diagram tersebut, mari pahami terlebih dahulu apa yang dimaksud
dengan diagram.
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 
Diagram merupakan gambar-gambar yang menunjukkan secara visual suatu

data yang berupa angka yang biasanya berasal dari tabel yang telah dibuat.
2. Beberapa Macam Diagram

Ada beberapa macam diagram untuk menyajikan data, antara lain:
diagram batang (bar chart), diagram garis (line chart), diagram lingkaran
(pie chart), dan histogram. Jika jenis data kualitatif (skala nominal dan
ordinal) maka diagram yang sesuai digunakan adalah diagram lingkaran atau
diagram batang. Sedangkan jika jenis data kuantitatif (interva l dan rasio)
maka diagram yang sesuai untuk digunakan adalah diagram garis dan
histogram.
Berikut ini akan dijelaskan berbagai macam penyajian data dengan
diagram tersebut.
a. Diagram Batang (Bar Chart)

Pembuatan diagram batang diawali dengan membuat dua buah sumbu
yang tegak lurus satu sama lain. Skala pada tiap sumbu harus sama panjang,
sedangkan skala pada sumbu datar tidak perlu sama dengan skala pada
sumbu tegak. Diagram perlu dilengkapi dengan judul, skala maupun
penjelasan terhadap satuan yang digun akan. Dalam menggambar diagram
batang, batangnya dapat dibuat tegak lurus sumbu mendatar (dengan batang
vertikal atau tegak), atau batangnya dibuat tegak lurus sumbu tegak (diagram
batang horizontal atau mendatar). Setiap batang lebarnya harus sama
sedangkan tinggi batang harus sesuai dengan frekuensi masing -masing
komponen.
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
No. Katagori dan ukuran Perahu Banyaknya

1. Non Powered Boat 154987
2. Outboard Motor 35136
3. Inboard Motor 1881
Jumlah 192004
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
b. Diagram Garis (Line Chart)

Jika terdapat suatu rentetan peristiwa yang mengalami perubahan yang
terus-menerus atau tanpa terputus (kontinu), misalnya volume ekspor
komoditi perikanan utama Indonesia (ton) yang selalu berubah sepanjang
waktu maka pada periode tertentu data seperti itu dapat disajikan dengan
diagram garis. Data berkala adalah data yang dikumpulkan dari waktu ke
waktu untuk mengetahui perkembangan suatu hal/kegiatan . Misalnya
perkembangan produksi, perkembangan jumlah nelayan, jumlah kecelakaan
di perairan laut, dan sebagainya, juga sangat cocok jika disajikan dengan
diagram garis.
 MMPI5103/MODUL 1 1.29
Untuk menggambarkan diagram garis akan lebih mudah jika dikaitkan

dengan pengertian koordinat titik pada bidang kartesius.
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
Tahun 2003 2004 2005 2006 2007 2008

Volume Ekspor (ton) 858.737 907.933 857.916 926.477 854.329 911.676
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
546 589 532 497 524 496

500
2003 2004 2005 2006 2007 2008

Tahun
Gambar 1.5
Perkembangan Banyaknya Nelayan di Indonesia(2003 s.d. 2008)
Diagram garis pada Gambar 1.5. dinamakan diagram garis berganda

(multiple line chart). Salah satu kelebihan dari diagram garis berganda
adalah kita dapat melihat perbandingan frekuensi antar tiap kategori dan pada
saat yang sama dapat melihat perkembangan tiap kategori setiap tahunnya.
 MMPI5103/MODUL 1 1.31
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.
b. Diagram Lingkaran (Pie Chart)

Jika kita ingin melihat perbandingan dari beberapa macam data yang
berbeda tanpa melihat besarnya tiap-tiap data maka kita cukup menggunakan
diagram lingkaran (pie chart). Setiap bagian atau setiap kategori ditunjukkan
dengan juring lingkarannya. Karenanya, untuk menggambar diagram
lingkaran yang baik diperlukan pengertian sudut pusat juring lingkaran. Yang
perlu diingat, sudut pusat suatu lingkaran adalah 360 o sehingga persentase
setiap bagian akan sebanding dengan besarnya sudut pusat juringnya.
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
Jenis Pelanggaran Jumlah

Tangkap dengan Bom 10
Ban of Gear 20
Fishing ground &gears 6
Tangkap dengan Listrik 4
Total 40
Untuk membuat diagram lingkaran, sebelumnya harus dilakukan

perhitungan terlebih dahulu. Jumlah seluruhnya 40. Banyaknya setiap jenis
pelanggaran harus dibandingkan dengan jumlah seluruh pelanggaran,
sehingga tiap-tiap pelanggaran memiliki nilai-nilai perbandingannya masing-
masing. Sebagai misal, pelanggaran Ban of Gear adalah 20 40
 12  50% .
Untuk memperoleh juring, nilai perbandingan setiap bagian itu dikalikan
dengan 360o . Untuk pelanggaran Ban of Gear misalnya akan didapat sudut
1.32 Statistika 
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
Dengan menggunakan busur derajat sudut-sudut pusat di titik 0

ditentukan berdasarkan hasil perhitungan tersebut di atas maka didapat
diagram lingkaran seperti pada Gambar 1.6.
Tangkap Dengan Listrik

10,0%
Tangkap Dengan Bom
25,0%
Fishing ground &gears
15,0%
Ban of Gear
50,0%
Gambar 1.6
Jenis Pelanggaran Perikanan di Daerah Perairan Tertentu
Jika dihitung persentasinya, akan didapatkan:
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
Produksi ikan tangkap Titik Tengah (xi) Frekuensi (fi)

119 – 127 123 3
128 – 136 132 6
137 – 145 141 10
146 – 154 150 11
155 – 163 159 5
164 – 172 168 3
173 – 181 177 2
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
Dari histogram di atas kita dapat mengambil informasi bahwa distribusi

data produksi ikan tangkap tidak sepenuhnya simetris. Nilai tengah produksi
ikan tangkap berada di sekitar 140 hingga 150 dengan keragaman yang relatif
besar, dan tidak ada pencilan.
Saudara, demikianlah berbagai jenis grafik dan diagram yang dapat
Saudara buat untuk menyajikan data. Hal terpenting yang harus Anda pahami
dalam menyajikan data adalah grafik yang informatif dan interpretasi yang
relevan serta bermakna.
LATIHAN

1) Perhatikan tabel Produksi ikan tangkap laut utama di daerah perairan

tertentu periode Juli 2009 - Juni 2010 berikut ini. Dari data tersebut,
tentukan:
a. Jumlah produksi maksimum dan minimum ketiga ikan tangkap tuna,
cakalang, dan tongkol pada data di atas.
b. Produksi ikan tangkap tongkol maksimum dan minimum pada
periode Juli 2009 - Juni 2010.
 MMPI5103/MODUL 1 1.35
c. Produksi ikan tangkap tuna maksimum dan minimum pada bulan

Oktober 2009.
d. Jumlah produksi ikan tangkap tuna pada bulan Juli 2009 - Juni
20011.
e. Jumlah produksi maksimum dan minimum ketiga ikan tangkap tuna,
cakalang, dan tongkol pada data di atas.
f. Produksi ikan tangkap tongkol maksimum dan minimum pada
periode Juli 2009 - Juni 2010.
g. Produksi ikan tangkap tuna maksimum dan minimum pada bulan
Oktober 2009.
h. Jumlah produksi ikan tangkap tuna pada bu lan Juli 2009 - Juni
20011.
Ikan Tangkap (ton)

No Bulan Tuna Cakalang Tongkol Jumlah
(Tu) (C) (To)
1. Juli 2009 5 7 4 16
2. Agustus 2009 6 6 3 15
3. September 2009 8 7 4 19
4. Oktober 2009 12 5 2 19
5. November 2009 10 15 6 31
6. Desember 2009 4 16 8 28
7. Januari 2010 11 8 7 26
8. Februari 2010 9 6 10 25
9. Maret 2010 7 6 1 14
10. April 2010 3 11 5 19
11. Mei 2010 4 8 2 14
12. Juni 2010 2 9 2 13
Jumlah 81 104 54 239
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 
4) Perhatikan tabel berikut ini.

Jumlah Penjualan Perusahaan X Menurut Jenis Barang, Tempat Barang,
Tempat Penjualan dan Tempat Asal Pembeli, 1983 (Jutaan Rp.).
Jenis D1 D2 D3 D4 Jumlah Kota &

Brg Kota Desa Kota Desa Kota Desa Kota Desa Kota Desa Desa
A 20 10 75 30 60 20 90 60 245 120 365
B 50 45 80 40 65 15 80 40 275 140 415
C 30 20 90 50 40 25 85 45 245 140 385
D 35 25 65 45 35 10 60 30 195 110 305
E 25 15 85 55 45 30 55 20 210 120 330
160 115 395 220 245 100 370 195 1170 630 1800
JML 275 615 345 565 1800
Jika Di = Daerah penjualan ke-i, jawablah pertanyaan berikut.

a. Baris manakah pada tabel di atas yang menunjukkan jumlah
penjualan yang diperinci menurut daerah penjualan?
b. Kolom manakah pada tabel di atas yang menunjukkan perincian
jumlah penjualan menurut jenis barang?
c. Berapakah jumlah penjualan perusahaan X tersebut?
d. Berapakah jumlah penjualan menurut tempat asal pembeli dari kota?
dan berapakah jumlah penjualan dari desa?
e. Jenis barang apa yang jumlah penjualannya terbesar?
f. Kota daerah mana yang jumlah penjualannya terbesar? dan
berapakah jumlah penjualannya?
g. Daerah manakah yang jumlah penjualannya terbesar dan daerah
manakah yang jumlah penjualannya terkecil?
h. Jenis barang E, di manakah paling laku dijual?
1) a. Maksimum 31 ton dan minimum 13 ton.

b. Maksimum 10 ton dan minimum 1 ton.
c. 12 ton dan 2 ton.
d. 81 ton.
2) Lebih baik dalam bentuk tabel karena memudahkan dalam melihat
karakteristiknya.
 MMPI5103/MODUL 1 1.37
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
1. Mendeskripsikan data adalah bagaimana cara menyajikan suatu data

yang cukup besar jumlahnya dalam bentuk yang ringkas namun
tanpa harus kehilangan beberapa ciri pentingnya. Penyajian data
yang baik akan mempermudah dalam mempelajari perilaku data.
2. Cara mendeskripsikan data bisa dalam bentuk tabel, grafik atau
diagram. Mendeskripsikan data dalam bentuk tabel bisa dalam
bentuk data berkelompok atau data tunggal. Macam-macam tabel
adalah satu arah, dua arah dan tiga arah, tergantung dari banyaknya
karakteristik yang akan diterangkan.
3. Ada beberapa macam diagram untuk penyajian data dalam bentuk
diagram, antara lain: diagram batang (bar chart), diagram garis (line
chart), diagram lingkaran (pie chart), dan histogram. 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.
1.38 Statistika 
TES FORMATIF 2
Jawablah pertanyaan-pertanyaan di bawah ini dengan tepat!
1) Tabel jumlah dan jenis pelanggaran perikanan di daerah perairan

provinsi tertentu tahun 2009 sebagai berikut.
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!
2) Data mengenai banyaknya air minum (liter) yang dibutuhkan di

perkampungan nelayan tertentu pada tahun 2003 sebagai berikut.
Bulan Banyaknya Air

Januari 300
Februari 250
Maret 400
April 350
Mei 300
Juni 200
Juli 100
Agustus 400
September 250
Oktober 300
November 350
Desember 200
a. Buatlah diagram garisnya!

b. Pada bulan apakah peningkatan kebutuhan air yang paling banyak di
perkampungan nelayan tersebut?
 MMPI5103/MODUL 1 1.39
c. Pada bulan apakah kebutuhan air di perkampungan nelayan tersebut

paling sedikit?
3
3) Penggunaan gaji Pak Ali, setiap bulannya sebagai berikut: bagian
5
4 1
untuk biaya hidup, bagian untuk tabungan bagian untuk biaya
15 15
1
kesehatan dan bagian untuk rekreasi. Buatlah diagram lingkaran dari
15
data tersebut!
4) Jelaskan perbedaan mendasar antara beberapa macam diagram di bawah
ini dan jelaskan juga karakteristik data yang cocok untuk diagram
berikut.
a. diagram batang (bar chart);
b. diagram garis (line chart);
c. diagram lingkaran (pie chart);
d. histogram.
5) Diagram lingkaran di bawah ini menunjukkan Hasil Pemantauan 3 Kapal
Patroli Perikanan Indonesia terhadap kapal nelayan Indonesia yang ilegal
tahun 2009. Jika KP HM Tutul 001 menemukan 108 kapal nelayan
Indonesia yang ilegal. Berapakah kapal nelayan Indonesia yang ilegal
yang ditemukan oleh KP HIU Macan 001?
Kapal Patroli
KP. HM TUTUL 001
KP. HIU MACAN 001
KP. HIU MACAN 002
22,5%
47,5%
30,0%
1.40 Statistika 
Untuk soal No 6 sampai 8 perhatikan kasus berikut ini.
Data produksi perikanan tangkap tahun 2003 sampai 2007 (dalam satuan ton)
adalah:
Sub sektor 2003 2004 2005 2006 2007

Perikanan laut 4.383.103 4.320.241 4.408.499 4.512.191 4.647.730
Perikanan
perairan umum 308.683 330.880 297.369 293.921 294.700
6) Secara umum bagaimana perbandingan persentase perubahan

(peningkatan/penurunan) rata-rata per tahun untuk sub sektor perikanan
laut dan perikanan perairan umum?
7) Jika Anda diminta untuk menyajikan data tersebut dalam bentuk grafik,
grafik apakah yang akan Anda buat? Mengapa?
8) Buatlah grafik yang Anda sebutkan dalam No. 7 dan interpretasikan
hasilnya!
Untuk soal No 9 dan No 10, perhatikan kasus berikut.
Berdasarkan jenis budidaya perikanan, dari tahun 2003 hingga 2007

produktivitas perikanan Indonesia mengalami peningkatan. Datanya
ditampilkan pada tabel berikut.
Jenis Budidaya Kenaikan rata-rata(%)

Budidaya laut 62,23
Budidaya tambak 9,87
Budidaya kolam 11,99
Budidaya keramba 14,39
Budidaya japung 32,44
Budidaya sawah 8,68
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


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
1.42 Statistika 
Kegiatan Belajar 3
Penggunaan Ukuran-ukuran Statistik untuk

Meringkas Sekumpulan Data
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.
A. UKURAN PEMUSATAN DATA
Ukuran pemusatan data adalah nilai-nilai yang dapat menggambarkan

posisi pusat data. Ukuran pemusatan yang lazim digunakan dalam analisis
data adalah rata-rata, median, modus, kuartil, desil, dan persentil. Berikut
penjelasan dari masing-masing ukuran pemusatan data.
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
Perhatikan bahwa Me = Q2 = D5 = P50 .
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.
Ada dua pendekatan yang dapat dilakukan untuk menentukan kuartil

yaitu metode belah dua dan metode interpolasi (Mattjik & Sumertajaya,
2013).
Pendekatan I: Metode Belah Dua

Prinsip dari metode belah dua yaitu tahap pertama pecah gugus data menjadi
dua bagian yang sama. Selanjutnya setiap bagian pecah kembali menjadi dua
sehingga akan terbentuk empat bagian yang sama. Secara teknis, langkah -
langkah perhitungannya sebagai berikut.
1. Urutkan data mulai dari data terkecil sampai data terbesar.
2. Hitung posisi kuartil kedua (n q2 ). Perlu dicatat bahwa kuartil kedua ini
sama dengan median.
 MMPI5103/MODUL 1 1.45
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.
posisi kuartil kedua terpangkas  1 nq 2  1

*
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.
Pendekatan II: Metode interpolasi

Pendekatan interpolasi digunakan untuk menentukan nilai kuartil pada
software Minitab (salah satu software statistika). Formulasi yang digunakan
sebagai berikut.
1. Urutkan data dari yang terkecil sampai terbesar.
2. Posisi kuartil ke-i adalah:
Jika posisi kuartil pecahan maka nilai kuartil dihitung dengan
pendekatan interpolasi, yang formulanya sebagai berikut.
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 
Untuk memahami cara menentukan kuartil, perhatikan contoh berikut.
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:
56
Q2   5,5 (rata-rata data ke-4 dan ke-5)
2
45
Q1   4,5 (rata-rata data ke-2 dan ke-3)
2
88
Q3   8 (rata-rata data ke-6 dan ke-7)
2
Pendekatan II: Metode interpolasi

1. Urutkan data: 3, 4, 5, 5, 6, 8, 8, 10
2. Posisi kuartil:
1
nq1  8  1  2, 25
4
2
nq 2  8  1  4,50
4
3
nq3  8  1  6,75
4
3. Nilai Kuartil:
Q1  4  0, 25  5  4   4, 25 (data kedua ditambah interpolasi 0,25 dari
selang data ke-2 dan ke-3).
 MMPI5103/MODUL 1 1.47
Q2  5  0,50  6  5  5,50 (data ke-4 ditambah interpolasi 0,5 dari

selang data ke-4 dan ke-5.
Q3  8  0,75 8  8  8 (data ke-6 ditambah interpolasi 0,75 dari selang

data ke-6 dan ke-7).
Saudara, dari kedua metode, ternyata nilai kuartil pertama yang

diperoleh tidak sama. Namun, silakan Anda perhatikan bahwa dari nilai
kuartil yang dihasilkan dapat membagi data menjadi empat bagian,
manakala setiap bagian terdiri atas dua pengamatan yaitu bagian satu
terdiri atas 3 dan 5, bagian dua terdiri atas 5 dan 5, bagian tiga terdiri
atas 6 dan 8, bagian empat terdiri atas 8 dan 10.
5. Desil dan Persentil

Desil adalah suatu nilai yang membagi data yang telah diurutkan
menjadi sepuluh bagian yang sama banyak.
Letak Desil ke-i adalah data ke- i (n  1) , i = 1, 2, ... ,9.
10
Persentil adalah suatu nilai yang membagi data yang telah diurutkan menjadi
seratus bagian yang sama banyak.
Letak Persentil ke-i adalah data ke- i (n  1) , i = 1, 2, ... ,99.
100
Prinsip penentuannya, mirip dengan penentuan kuartil.
6. Rata-rata terpangkas (Trimmed Mean)

Seperti telah disebutkan sebelumnya bahwa, rata-rata adalah ukuran
pemusatan yang sangat terpengaruh oleh data yang ekstrim (terlalu besar atau
terlalu kecil) atau disebut juga data pencilan (outlier). Rata-rata terpangkas
(Trimmed Mean) mereduksi pengaruh data yang terlalu ekstrim tersebut,
sehingga Trimmed Mean mungkin merupakan ukuran yang lebih berguna
untuk menghitung ukuran pemusatan untuk d ata yang mengandung outlier.
Rata-rata terpangkas diperoleh dengan menghilangkan data terkecil dan
terbesar (dua data terkecil dan dua data terbesar, atau tiga data terkecil dan
tiga data terbesar, dan seterusnya) terlebih dahulu . Kemudian dihitung rata-
rata untuk data yang tersisa.
1.48 Statistika 
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.
B. UKURAN PENYEB ARAN DATA
Ukuran penyebaran data menunjukkan variasi atau keragaman data.

Semakin besar nilainya menunjukkan bahwa data semakin menyebar. Ada
beberapa jenis ukuran yang dapat digunakan untuk keperluan ini yaitu:
1. Range/jangkauan (R)
Jangkauan adalah data terbesar dikurangi dengan data terkecil. Nilai ini
merupakan ukuran keragaman yang paling sederhana. Semakin besar
jangkauan, artinya data semakin menyebar.
Contoh 1.8.
Data: 5, 3, 4, 8, 5, 10, 6, 8.
R = 10 – 3 = 7.
2. Rentang Antar Kuartil (Interquartile Range/IR)

Rentang antar kuartil adalah selisih antara kuartil ketiga dengan kuartil
pertama. Semakin besar nilai IR artinya keragamannya juga semakin besar.
Rumusnya adalah:
IR  Q3  Q1.
Contoh 1.9.
Data: 5, 3, 4, 8, 5, 10, 6, 8.
Untuk data tersebut, telah diperoleh nilai kuartil pada Contoh 1.6
menggunakan metode interpolasi yaitu Q1 =4,25; Q2 =5,50; Q3 =8.
Sehingga, IR = 8 – 4,25 = 3,25.
3. Varians dan Simpangan Baku

Varians dan simpangan baku merupakan ukuran keragaman yang telah
memperhatikan keseluruhan data. Varians adalah jarak kuadrat setiap data
terhadap rata-ratanya dibagi dengan banyaknya pengamatan. Sedangkan
simpangan baku merupakan akar dari varians.
 MMPI5103/MODUL 1 1.49
Jika data berasal dari data populasi maka:

N
 (x  ) i
2
Varians yang dinotasikan dengan 2 dengan rumus   . 2 i 1
N
Simpangan baku (standard deviation) yang dinotasikan dengan  dengan
rumus    (x  ) 2
, di mana N adalah banyaknya data.
N
Jika data berasal dari data sampel maka:

n
Varians yang dinotasikan dengan s 2 dengan rumus: s 2  1
n 1  (x  x ) .
i 1
i
2
Simpangan baku (standard deviation) yang dinotasikan dengan s dengan

n
rumus s  s 2  1
n 1 (x  x )
i 1
i
2
, di mana n adalah banyaknya data.
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
simpangan baku   10  3,16 .
4. Koefisien Variasi (Coefficient of variation)

Koefisien variasi adalah ukuran kerelatifan variabilitas. Koefisien
variasi dinotasikan dengan CV, dihitung dengan rumus CV = s 100.
x
Karena koefisien variasi tidak terpengaruh terhadap dimensi (ukuran) dari
data maka berguna untuk membandingkan penyebaran dua kelompok data
yang berbeda cukup besar rata-ratanya.
1.50 Statistika 
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:
Botol besar Botol kecil

CV = (0,4 cangkir / 16 cangkir).100 = 2,5 CV = (0.08 cangkir / 1 cangkir).100 = 8
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.
C. SEKUMPULAN DATA NORMAL DAN ATURAN EMPIRIS
Dalam praktik, sekumpulan data yang berukuran besar sering dijumpai

memiliki histogram berbentuk simetris di sekitar titik frekuensi tertingginya
dan kemudian menurun di kedua sisi titik tersebut seperti berbentuk lonceng
(Lihat Gambar 1.8). Sekumpulan data tersebut dikatakan data normal, dan
histogramnya disebut histogram normal.
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.
Gambar 1.8 menunjukkan histogram dari sekumpulan data normal. Jika

sekumpulan data histogramnya tertutup atau mendekati normal maka
dikatakan data yang mendekati normal (Lihat Gambar 1.9). Gambar 1.10.
menunjukkan sekumpulan data yang histogramnya tidak mendekati normal
 MMPI5103/MODUL 1 1.51
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.
Saudara, sampai di sini Anda telah mengetahui berbagai ukuran

pemusatan dan ukuran penyebaran data. Dalam penelitian, nilai-nilai ukuran
 MMPI5103/MODUL 1 1.53
numerik ini penting untuk memberikan informasi mengenai keadaan data.

Selain penghitungan, sekali lagi perlu ditekankan bahwa pemaknaan terhadap
hasil analisis sangatlah penting.
LATIHAN

1) Suatu data dengan n = 8, rata-ratanya ( x ) = 9, dan simpangan bakunya
s  15 . Tentukan rata-rata dan simpangan bakunya jika:
a. Keseluruhan dari 8 nilai data tersebut ditambah 10.
b. Keseluruhan dari 8 nilai data tersebut dikurangi 10.
c. Keseluruhan dari 8 nilai data tersebut dikali 3.
d. Keseluruhan dari 8 nilai data tersebut dibagi 3.
2) Rata-rata hasil tangkapan ikan dari 29 orang nelayan adalah 45 kg/hari.
Jika hasil tangkapan ikan dari Pak Kardi digabungkan dengan kelompok
itu maka rata-rata hasil tangkapan ikan dari 30 orang nelayan menjadi 46
kg/hari. Tentukan hasil tangkapan ikan Pak Kardi.
3) Histogram nilai Statistik mahasiswa Perikanan mempunyai bentuk
mendekati simetris, dengan rata-rata 500 dan simpangan baku 100.
Berapa persen mahasiswa yang nilai Statistiknya terletak antara 400 dan
600?
4) Berikut adalah data sampel hasil penangkapan ikan laut menggunakan
metode jaring dan perangkap selama satu minggu.
Metode
Hasil Tangkapan Ikan (kg)
Penangkapan
Jaring 45 47 50 35 60 40 55
Perangkap 25 42 35 38 50 46 38
Hitunglah rata-rata, varians, dan simpangan baku hasil tangkapan ikan

yang ditangkap menggunakan jaring dan menggunakan perangkap !
1.54 Statistika 
5) Bagaimana menurut anda perbandingan hasil tangkapan ikan

menggunakan jaring dan menggunakan perangkap dilihat da ri nilai rata-
rata dan simpangan baku atau variansnya.
1) a. Rata-rata = 19, dan simpangan bakunya tetap s  15.

b. Rata-rata = -1, dan simpangan bakunya tetap s  15.
c. Rata-rata = 27, dan simpangan bakunya tetap s  3 15.
15
d. Rata-rata = 3, dan simpangan bakunya tetap s  .
3
29 (45)  x
2)  46 jadi x  (30  46)  (29  45)  75 .
30
3) 68%.
4) Hasil perhitungan menggunakan Minitab sebagai berikut.
Variable Mean StDev Variance

Jaring 47,43 8,54 72,95
Perangkap 39,14 8,09 65,48
5) Rata-rata hasil tangkapan ikan menggunakan jaring lebih banyak

daripada menggunakan perangkap. Demikian pula keragamannya, hasil
tangkapan ikan menggunakan jaring lebih beragam.
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
4. Jika sekumpulan data mendekati normal dengan x dan s masing-

masing adalah rata-rata dan simpangan baku sampel maka berlaku
bahwa:
a. Sekitar 68% dari data tersebut terletak di dalam x  s.
b. Sekitar 95% dari data tersebut terletak di dalam x  2s.
c. Sekitar 99,7% dari data tersebut terletak di dalam x  3s.
TES FORMATIF 3
Pilihlah satu jawaban yang paling tepat!
1) Rata-rata hitung (mean) umur penduduk laki-laki dan perempuan di satu

desa nelayan adalah 40 tahun. Tentukan perbandingan jumlah penduduk
laki-laki dan perempuan jika rata-rata hitung penduduk laki-laki adalah
54 tahun dan rata-rata hitung penduduk perempuan adalah 32 tahun.
2) Apakah cukup membandingkan dua atau lebih sekelompok data hanya
dilihat rata-ratanya saja? Jelaskan.
3) Distribusi lemak dalam ikan (%) dari 7 jenis ikan yang iteliti ditabelkan
sebagai berikut.
Jenis Ikan Otot Isi Perut Kepala

Makarel 58,5 14,4 27,1
Cakalang 63 6,4 30,6
Big Eye tuna 45,8 6,9 47,3
Flounder 33,2 19,7 47,1
Kod 9 83,8 7,8
Alfonsin 29,7 12,7 57,6
Bluefish 35,3 5,9 58,8
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 
4) Hitung nilai rata-rata dan rata-rata terpangkas, interpretasikan hasilnya.

5) Hitung nilai median dan modus .
6) Hitung Kuartil 1 dan Kuartil 3.
7) Hitung Persentil ke-25.
8) Hitung nilai Desil ke-5.
9) Hitung varians dan simpangan baku.
10) Apakah aturan empiris berlaku pada kasus ini? Berikan alasannya.


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

meneruskan dengan modul selanjutnya. Bagus! Jika masih di bawah 80%,
belum dikuasai.
 MMPI5103/MODUL 1 1.57
Kunci Jawaban Tes Formatif
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
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
Jenis Pelanggaran Dokumen Palsu:
7
7
5
5
Jumlah
3 3
3
2 2
2
0
Perariran
 MMPI5103/MODUL 1 1.59
Jenis Pelanggaran Dokumen Tidak Lengkap:
3
3,0
2,5
2 2 2
2,0
Jumlah
1,5
1 1
1,0
0,5
0,0
Perariran
2) a.
400 400
400
350 350
350
300 300 300

300
Banyaknya Air
250 250
250
200 200
200
150
100
100
Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des
Bulan
b. Juli ke Agustus naik 300 liter.

c. Juli.
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 
5) KP HM Tutul 001 menemukan 108 kapal, digambarkan 22,5% berati

22,5% × Total = 108. Jadi Total = 108/(22,5%) = 480. Sehingga KP HIU
Macan 001 = (100% - 47,5% - 22,5%) × 480 = 144.
6) Persentase kenaikan rata-rata diperoleh dengan cara mencari rata-rata
dari kenaikan/penurunan per tahun. Kenaikan/penurunan per tahun
dihitung dari selisih tahun tertentu dengan tahun sebelumnya. Hasilnya
sebagai berikut.
% 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%
Sub sektor perikanan laut cenderung mengalami peningkatan dari tahun

ke tahun dengan rata-rata sebesar 1,49%. Sedangkan sub sektor
perikanan perairan umum cenderung mengalami penurunan dengan rata -
rata 0,96% per tahun.
7) Data menunjukkan adanya pola dari tahun ke tahun untuk kedua sub
sektor perikanan. Oleh karenanya, jenis grafik yang paling sesuai untuk
menampilkan data tersebut adalah diagram garis.
8) Diagram garisnya adalah sebagai berikut.
Perikanan laut Perikanan perairan umum
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
Interpretasi minimal meliputi dua hal berikut, silakan dikembangkan

sendiri yaitu:
a. Produksi perikanan laut jauh lebih besar daripada perikanan perairan
umum.
 MMPI5103/MODUL 1 1.61
b. Produksi perikanan laut cenderung mengalami peningkatan dari

tahun ke tahun, sedangkan perikanan perairan umum cenderung
menurun.
9) Grafik yang sesuai adalah diagram batang atau diagram lingkaran.
Karena, data yang ingin disajikan tidak menunjukkan pola, melainkan
hanya membandingkan peningkatan rata-rata antar jenis budidaya
perikanan.
10) Diagram batang yang dapat dibuat seperti berikut.
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
Interpretasi minimal meliputi:

a. Perbandingan antar jenis budidaya secara umum.
b. Jenis budidaya yang memiliki kenaikan tertinggi dan terendah.
1.62 Statistika 
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.
Descriptive Statistics: Berat Lele

Variable N Mean TrMean StDev Variance Q1 Median Q3 Mode
Berat Lele 36 58,53 58,75 13,36 178,54 48,00 59,50 68,75 48; 79
N for
Variable Mode
Berat Lele 3
4) Rata-rata = 58,53 dan rata-rata terpangkas = 58,75.

5) Median = 59,5 dan modus = 48 dan 79.
6) Kuartil 1 = 48, dan kuartil 3 = 68,75.
7) Persentil ke 25 = Kuartil 1 = 48.
8) Desil ke 5 = median = 59,5.
9) Varians = 178,54 dan simpangan baku = 13,36.
10) Cukup memenuhi karena histogramnya mendekati normal.
 MMPI5103/MODUL 1 1.63
Mean 58,53
7 StDev 13,36
N 36
Frequency
4
0
36 48 60 72 84
Berat Lele
1.64 Statistika 
Daftar Pustaka
Mattjik, A.A., dan Sumertajaya, M. 2000. Perancangan Percobaan dengan

Aplikasi SAS dan Minitab. Bogor: IPB Press.
Ministry of Marine Affairs and Fisheries. 2010. BMP Indonesian Fisheries

Book 2020. Jakarta: JICA Fisheries Planning and Management.
Montgomery, D.C. 2005, Design and Analysis of Experiments. New Jersey:

John Willey & Sons, Inc.
Ross, Sheldon. M. 2010. Introductory Statistics 3rd ed. Elsevier Inc.
Steel, Robert G D & Torrie, James H. 1960. Principles and Procedures of

Statistics. New York: McGraw.
Taylor, J. K. & Cihon Cheryl. 2004. Statistical Technique for Data Analysis
2nd ed. Chapman & Hall/CRC, New York.
Modul 2
Konsep-Kons ep Dasar Statistika

Inferensia
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.

1. Menjelaskan pengertian percobaan random.
2. Menjelaskan pengertian variabel random.
3. Memahami fungsi probabilitas suatu variabel random.
4. Menentukan nilai ekspektasi dan varians suatu variabel random.
5. Memahami beberapa distribusi variabel random diskrit dan kontinu.
2.2 Statistika 
Kegiatan Belajar 1
Distribusi Peluang
S audara, bagian pertama ini menjelaskan tentang distribusi peluang. Untuk

dapat memahami konsep tentang distribusi peluang, p erhatikan contoh
berikut. Menjelang pemilihan gubernur di suatu daerah, dilakukan survei
untuk mengetahui preferensi pemilih. Untuk keperluan ini diambil sampel
yang representatif sebanyak 100 pemilih. Dari 100 orang ini, diketahui 62
pemilih menyukai calon tertentu. Apakah dapat diambil kesimpulan bahwa
mayoritas pemilih menyukai calon tersebut?
Untuk menjawab hal tersebut maka perlu suatu aturan umum untuk bisa
menarik kesimpulan yang valid tentang populasi, y ang biasanya tidak kita
ketahui. Dengan kata lain, perlu suatu ukuran untuk menentukan seberapa
besar kesempatan suatu kejadian akan terjadi. Peluang adalah suatu ukuran
numerik/bilangan untuk mengukur seberapa besar kesempatan suatu kejadian
akan terjadi. Nilai suatu peluang akan selalu ditandai pada skala dari 0
sampai dengan 1. Peluang suatu kejadian bernilai mendekati 0
mengindikasikan bahwa kejadian tersebut sangat tidak mungkin untuk
terjadi, sedangkan bernilai mendekati 1 jika kejadian tersebut hampir pasti
terjadi.
A. PERCOBAAN RANDOM
Suatu percobaan dalam statistika dapat diartikan sebagai proses untuk

menghasilkan pengamatan (observation) atau hasil (outcome). Suatu
percobaan dikatakan random jika hasilnya tidak dapat diketahui dengan pasti,
tetapi semua kemungkinan hasil yang akan terjadi dapat diketahui.
Sekumpulan semua hasil dari suatu percobaan random itulah yang dinamakan
ruang sampel (sample space) dan dinotasikan dengan S. Sebagai contoh, jika
seorang nelayan akan pergi ke tengah lautan akan mencari ikan maka kita
tidak tahu dengan pasti apakah hasil penangkapan ikannya akan berhasil atau
tidak. Tetapi kita tahu kemungkinannya kejadian yaitu berhasil atau tidak
berhasil dan ditulis sebagai S = { Berhasil, Gagal} atau S = {B, G}.
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
Variabel random adalah deskripsi numerik dari hasil suatu eksperimen.

Sebagai contoh pada percobaan 3 kelompok nelayan yang pergi mencari ikan
ke laut dengan 3 kapal yang berbeda maka dapat dibuat beberapa variabel
random seperti banyaknya nelayan yang “Gagal”. Pada contoh ini variabel
random tersebut dapat bernilai 0, 1, 2, atau 3.
Secara definisi suatu fungsi yang menghubungkan setiap titik-titik
sampel dalam ruang sampel dengan bilangan nyata disebut peubah acak
(variabel random). Beberapa buku juga menyebutnya sebagai stochastic
variable). Biasanya variabel random dinotasikan sebagai X ( X huruf
kapital), sedangkan nilai dari X dinyatakan sebagai x (huruf kecil x ).
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 
“Gagal” dalam menangkap ikan, maka X (yang disebut variabel random),

dan ruang sampelnya adalah x  0,1, 2,3 atau kejadiannya dapat diyatakan
S = {GGG, GGB, GBG, BGG, GBB, BGB, BBG, BBB}

       
3 2 2 2 1 1 1 0 Banyaknya G
Kategorisasi Variabel Random

Variabel random dapat dikategorikan menjadi:
a. Variabel random Diskrit, yaitu variabel random yang nilainya berupa
bilangan bulat, dapat dihitung dan b anyaknya terhingga atau tidak.
Misal: banyaknya produk yang rusak = 12 buah, banyak pegawai yang
di-PHK = 5 orang.
b. Variabel random Kontinu, yaitu variabel random yang nilainya berupa
interval bilangan, tidak dapat dihitung dan tidak terhingga banyaknya
(memungkinkan pernyataan dalam bilangan pecahan). Biasanya untuk
hal-hal yang diukur seperti jarak, waktu, berat, atau volume. Misal: jarak
pabrik ke pasar = 35,57 km, waktu produksi per unit = 15,07 menit.
C. FUNGSI PROBABILITAS ATAU DISTRIB USI PELUANG
Distribusi peluang dari suatu variabel random menggambarkan

bagaimana peluang-peluang didistribusikan atas nilai-nilai dari variabel
random tersebut. Distribusi peluang didefinisikan dengan suatu fungsi yang
dinotasikan dengan f ( x) , yang menyatakan peluang masing-masing nilai
dalam variabel random.
Syarat-syarat yang diperlukan dari suatu fungsi probabilitas , f ( x)
adalah:
1. Jika X variabel random diskrit:
a. f ( x)  0 untuk semua nilai X  x
b.  f ( x)  1
x
2. Jika X variabel random kontinu:
a. f ( x)  0 untuk semua nilai X  x
b.  f ( x) dx  1
x
Distribusi Peluang Diskrit
Definisi 2.1:
Distribusi peluang dari variabel random diskrit menggambarkan bagaimana
peluang didistribusikan atas nilai-nilai dari variabel random.
Himpunan pasangan ( x, f ( x)) disebut distribusi peluang variabel random

diskrit X , bila untuk setiap kemungkinan hasil x memenuhi:
1. f ( x)  0 untuk semua nilai X  x
2.  f ( x)  1
x
P( X  x)  f ( x) disebut fungsi peluang atau fungsi massa peluang atau
distribusi peluang.
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 )
tx
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
Jadi, distribusi peluang dari X adalah
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.
Unit terjual BanyaknyaHari

0 80
1 50
2 40
3 10
4 20
Total 200
Tentukan distribusi peluangnya.
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.
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
Tentukan distribusi kumulatif dari X .
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
Sehingga, fungsi distribusi kumulatifnya adalah:

 0 , x0
 0.41 , 0  x  1

 0.78 , 1  x  2
F ( x)  
0.94 , 2  x  3
0.99 , 3  x  4

 1 , x  4
2.8 Statistika 
D. EKSPEKTASI DAN VARIANS
Peubah acak memiliki suatu karakteristik. Ukuran yang lazim digunakan

untuk menyatakan karakteristik dari suatu distribusi variabel random adalah
nilai harapan dan varians. Nilai harapan menunjukkan pusat distribusi,
sedangkan varians menunjukkan keragamannya.
1. Nilai Harapan (Expected Value) atau Ekspektasi dari Variabel

Random Diskrit
Nilai harapan dari variabel random diskrit X dengan fungsi peluang
f  x  didefinisikan sebagai
  E ( X )   x f ( x)
x
Nilai harapan menyatakan rata-rata dari suatu variabel random.
Nilai harapan dari fungsi variabel random diskrit g  X  di mana X

mempunyai fungsi peluang f  x  didefinisikan sebagai:
 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
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
E(X) = 0 (0,4) + 1 (0,25) + 2 (0,20) + 3 (0,05) + 4 (0,01) = 1,2 buah/hari

Dengan kata lain dalam 10 hari rata-rata terjual 12 spare part mesin
motor perahu.
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
Misalkan g ( X )  2 X –1 menyatakan upah, dalam ribuan rupiah, para

karyawan yang dibayar perusahaan dalam jam tersebut. Carilah nilai harapan
pendapatan karyawan pada jam tersebut.
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
x4  12   12  6
Jadi, harapan pendapatan karyawan pada jam tersebut adalah Rp12.670,00.

2.10 Statistika 
Anda dapat pula menghitung nilai harapan g(X) menggunakan sifat-sifat

nilai harapan yaitu:
E(c) = c, dimana c adalah konstanta

E(aX + b ) = a E(X) + b
E(g(X)  h(X) ) = E(g(X))  E(h(X))
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. Varians dan Simpangan Baku dari Variabel Random Diskrit

Varians suatu variabel random diskrit X dengan distribusi peluang f(x)
dan rata-rata  adalah:
 2  E ( X   ) 2   ( x   ) 2 f ( x)
x
Akar dari varians disebut simpangan baku dan dinotasikan dengan .
Dapat ditunjukkan secara matematis bahwa  2  E( X 2 )   2

dimana m  E  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
Telah diperoleh bahwa E  X   1, 2.

E  X 2  = x 2 f  x   3,10 .
Sehingga:
Var  X   E  X 2    E  X   3,10  1, 20  1,66 .
2 2
Anda dapat juga menghitung varians dengan menggunakan formula nilai

harapan yaitu:
 2  E ( X   ) 2   ( x   ) 2 f ( x)
x
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 
Var  c   0, dimana c konstanta

Var  cX   c 2Var ( X )
Sifat-sifat ini berlaku pula untuk variabel random kontinu.

Sehingga:
Var g  X   Var  3 X  2   9 Var  X  – Var  2   9 Var  X  – 0  4 1,66   6,64.
Demikianlah contoh perhitungan nilai harapan dan varians dari variabel

random.
3. Distribusi Peluang Kontinu

Jika X variabel random kontinu, maka nilai X akan berada dalam suatu
interval atau kumpulan dari beberapa interval. Tidak mungkin menyatakan
peluang dari suatu variabel random kontinu pada n ilai tertentu sehingga
dalam variabel random kontinu P  X  x   0 , akibatnya:
P (a  X  b) = P(a < X < b) = P (a  X < b) = P (a < X  b).
Hal ini jelas berbeda jika X variabel random diskrit.
Definisi 2.3:
Fungsi f  x  disebut fungsi padat peluang (probability distributions
function/pdf) dari variabel random kontinu X, jika memenuhi syarat:
1. f  x   0, untuk semua x bilangan real.


2. 

f ( x) dx  1.
b
3. P  a  x  b    f ( x ) dx yang berarti luasan di bawah kurva f  x 

a
antara a sampai b.
Distribusi kumulatif F(x) suatu variabel random kontinu X dengan fungsi

padat peluang f  x  diberikan oleh:
x
F ( x)  P( X  x)  

f (t ) dt untuk    x  .
 MMPI5103/MODUL 2 2.13
Jika X variabel random kontinu maka berlaku:

dF ( x)
P(a  x  b)  F (b)  F (a) dan f ( x)  .
dx
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 
b. P(0  x  1) adalah nilai-nilai peluang untuk x dari 0 sampai 1.

Sehingga:
1 2 1
x 1 1 1 1
P(0  x  1)   dx  x3  (13  (0)3 )  (1)  .
0
3 9 0 9 9 9
c. F  x  adalah fungsi distribusi peluang kumulatif.
x x
x2 1 3 1 1
F ( x )  P( X  x )  1 3 dx  9 x 1
 ( x3  (1)3 )  ( x3  1),  1  x  2.
9 9
Gambar f  x  dapat dilihat pada Gambar 2.1.
Gambar 2.1
Bentuk Grafik Fungsi Padat Peluang f(x)
Sedangkan Gambar F(x) disajikan dalam Gambar 2.2. berikut.

 MMPI5103/MODUL 2 2.15
Gambar 2.2
Bentuk Grafik Fungsi Distribusi Kumulatif F(x)
d. Untuk menunjukkan bahwa P(0  x  1)  F 1  F  0  maka terlebih

dahulu kita menghitung F(1) dan F(0). F(1) adalah nilai peluang
kumulatif untuk x  1 dan F(0) adalah nilai peluang kumulatif untuk
x 0.
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
Demikianlah contoh permasalahan dalam distribusi peluang kontinu.

Mari kita tinjau bagaimana nilai harapan dan variansnya.
2.16 Statistika 
4. Nilai Harapan (Expected Value) dari Variabel Random Kontinu

Nilai harapan merupakan nilai rata-rata suatu variabel random. Nilai
harapan dari variabel random kontinu X dengan fungsi padat peluang f  x 
didefinisikan sebagai:

  E( X )  x

f ( x ) dx.
Nilai harapan dari fungsi variabel random kontinu g  X  dimana X

mempunyai fungsi padat peluang f  x  didefinisikan sebagai:

 g ( X )  E ( g ( X ))   g ( x) f ( x) dx.

5. Varians dan Simpangan Baku dari Variabel Random Kontinu

Varians suatu variabel random kontinu X dengan fungsi padat peluang
f  x  dan rata-rata  adalah:

 2  E ( X   )2   (x  )
2
f ( x) dx.

Akar dari varians disebut simpangan baku dan dinotasikan dengan .
Dalam variabel random kontinu juga berlaku hubungan:

 2  E( X 2 )   2 dimana   E  X  .
Varians dari fungsi variabel random kontinu g(X) dimana X mempunyai

fungsi padat peluang f (x) didefinisikan sebagai:

 g2( X )  E ( g ( X )   g ( X ) ) 2   ( g ( x)  

g(X ) ) 2 f ( x) dx.
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 
Saudara, sampai di sini apakah Anda sudah dapat memahami materi

distribusi peluang, baik yang diskrit maupun kontinu, beserta
karakteristiknya? Nah, agar lebih menguasai, silakan mengerjakan soal-soal
latihan dan test formatif.
LATIHAN

1) Lamanya, dalam menit, suatu pesawat terbang menunggu tanda boleh
tinggal landas di suatu bandara udara merupakan variabel random
Y  3 X  2, ketika variabel random X mempunyai fungsi padat peluang:
 1 x/4
 e , x0
f ( x)   4

0 , untuk x lainnya
Tentukan rata-rata dari Y.
2) Distribusi peluang dari variabel random diskrit X adalah:

2.18 Statistika 
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
Buatlah distribusi peluang kumulatif dari X.

 MMPI5103/MODUL 2 2.19
  
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 , x0
1
 x2 , 0  x  1

F ( x)  P ( X  x)   2
2 x  3 , 1  x  2
 2
1 , x2

2.20 Statistika 
a. P( X  1,2)  F (1,2)  2(1,2) 1,5  0,9.

b. P(0,5  X  1)  F (1)  F (0,5)  (2(1)  1,5)  (0,5.0,52 )  0,375.
4) Kasus ini merupakan aplikasi dari distribusi peluang kontinu.

Peluang produksi kurang dari 3,5 ton adalah:
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
Sehingga, ditribusi peluang kumulatifnya adalah :
0 , x0
0,37 , 0  x 1

0.72
 , 1 x  2
F ( x)  
0.94 , 2 x3
0.99 , 3 x 4


1 , x4
RANGKU MA N
1. Suatu percobaan dalam statistika dapat diartikan sebagai proses

untuk menghasilkan pengamatan (observation) atau hasil (outcome).
Suatu percobaan dikatakan random jika hasilnya tidak dapat
diketahui dengan pasti, tetapi semua kemungkinan hasil yang akan
terjadi dapat diketahui. Sekumpulan semua hasil dari suatu
 MMPI5103/MODUL 2 2.21
eksperimen itulah yang dinamakan ruang sampel (sample space) dan

dinotasikan dengan S.
2. Variabel random dapat dikategorikan menjadi variabel random
diskrit dan variabel random kontinu.
3. Distribusi peluang didefinisikan dengan suatu fungsi yang
dinotasikan dengan f  x  , yang menyatakan peluang masing-
masing nilai dalam variabel random. Syarat-syarat yang diperlukan
dari suatu fungsi probabilitas f  x  adalah:
Jika X variabel random diskrit:
f  x   0 untuk semua nilai X  x dan  f ( x)  1.
x
Jika X variabel random kontinu:

f  x   0 untuk semua nilai X  x dan  f ( x) dx  1.

4. Nilai harapan dari variabel random kontinu X dengan fungsi padat
peluang f  x  didefinisikan sebagai:

  E( X )   x f ( x) dx.

5. Nilai harapan dari fungsi variabel random kontinu g  X  dimana X


 g ( X )  E ( g ( X ))   g ( x) f ( x) dx.

6. Varians suatu variabel random diskrit X dengan distribusi peluang

f  x  dan rata-rata  adalah:
 2  E ( X   )2   ( x   )2 f ( x).
x
7. Nilai harapan dari variabel random kontinu X dengan fungsi padat

peluang f  x  didefinisikan sebagai:

  E( X )  x

f ( x ) dx.
8. Nilai harapan dari fungsi variabel random kontinu g  X  dimana X

2.22 Statistika 

 g ( X )  E ( g ( X ))   g ( x) f ( x) dx.

9. Varians suatu variabel random kontinu X dengan fungsi padat

peluang f  x  dan rata-rata  adalah:

 2  E ( X   )2   (x  )
2
f ( x) dx.

Akar dari varians disebut simpangan baku dan dinotasikan

dengan .
TES FORMATIF 1
1) Misalkan diketahui fungsi padat peluang:


k x , 0  x  1
f ( x)  

a. Tentukan k.
b. Tentukan F  x  dan gunakan untuk menghitung P  0,3  x  0, 6  .
2) Suatu perusahaan sabun berkeinginan memilih satu di antara 4 produk
yang akan diproduksinya. Produk A diperuntukan kalangan masyarakat
bawah dengan keuntungan per biji Rp100,00. Produk B diperuntukan
kalangan masyarakat menengah dengan keuntungan per biji Rp200,00.
Produk C diperuntukan kalangan masyarakat atas dengan keuntungan
per biji Rp500,00 sedangkan produk D diperuntukan kualitas eksport
dengan keuntungan per biji Rp600,00. Dari penelitian pasar telah
diketahui peluang tingkat penjualan yang dapat dicapai oleh masing -
masing produk adalah:
Tingkat Peluang yang dapat
Penjualan dicapai oleh produk
(biji) A B C D
0 0 0,1 0,3 0,2
5.000 0,1 0,3 0,1 0,4
10.000 0,2 0,1 0,1 0,3
15.000 0,5 0,2 0,3 0,1
20.000 0,2 0,3 0,2 0
 MMPI5103/MODUL 2 2.23
Berdasarkan data tersebut produk mana yang sebaiknya diproduksi oleh

perusahaan tersebut? Jelaskan alasannya.
3) Waktu tunggu, dalam jam, antara pengebut yang berurutan yang
terperangkap oleh radar, ternyata berbentuk variabel random kontinu X
dengan distribusi kumulatif:
0 , x0
F ( x)   8 x
1  e , x  0
Tentukan peluang menunggu kurang dari 12 menit antara pengebut yang
berurutan, dengan menggunakan:
a. Distribusi kumulatif F(x).
b. Fungsi padat peluang.
4) Suatu bank menawarkan obligasi bagi pelangganya dengan jatuh tempo
(dalam tahun) yang berlainan. Jika T variabel random yang menyatakan
lamanya dalam tahun sampai jatuh tempo dan distribusi kumulatif dari T
adalah:
0 , t  1
1
 ,1 t  3
4
 1
F (t )   , 3  t  5
2
3
4 , 5  t  7

1 , t  7
Tentukan P (T = 5) ; P(T > 3) dan P( 1,4 < T < 6).
5) Tentukan rata-rata dan varians dari variabel random X dengan fungsi
padat peluang:
x , 0  x 1

f ( x)  2  x , 1  x  2
0
 , untuk x lainnya
6) Tiga orang nelayan baru akan berlayar untuk menangkap ikan di laut.
Namun, mereka belum memiliki peralatan untuk menangkap ikan. Oleh
karenanya, mereka bermaksud menyewa alat penangkap ikan ke sebuah
tempat penyewaan alat penangkap ikan. Karena banyaknya o rang yang
menyewa alat penangkap ikan di sana, maka saat tiga orang nelayan itu
akan menyewa, alat penangkap ikan yang tersisa hanya 4 payang dan 3
2.24 Statistika 
rawe. Ketiga nelayan tadi tidak diperbolehkan memilih alat penangkap

ikan yang disewanya. Sang pemiliklah yang mengambilkannya secara
random/acak. Berapakah nilai harapan banyaknya payang yang terambil?
7) Misalkan X variabel random yang menyatakan produksi rumput laut
(dalam kuintal) sebuah perusahaan yang bergerak dalam sektor
perikanan pada sekali panen. Fungsi distribusi peluangnya diberikan
oleh:
 20.000
 , x  100
f  X    x3

Hitunglah nilai harapan produksi rumput laut pada beberapa kali panen
mendatang.
8) Banyaknya kapal nelayan X, yang masuk ke pelabuhan setiap hari antara
jam 13.00-16.00 mempunyai distribusi peluang sebagai berikut.
x 4 5 6 7 8 9
P  X  x
1 1 1 1 1 1
12 12 4 4 6 6
Misalkan g  X   2 X –1 menyatakan upah, dalam puluhan ribu rupiah,

para pekerja yang membantu bongkar muat kapal nelayan pada waktu
tersebut. Berapakah harapan pendapatan pekerja bongkar muat kapal
nelayan pada jam tersebut?
9) Proporsi orang yang mengonsumsi ikan tiap hari di suatu desa
merupakan variabel random kontinu yang memiliki distribusi peluang:
 2  x  2
 , 0  x 1
f (x)=  5
0
 , x lain
Akan dilakukan survei mengenai faktor-faktor yang memengaruhi
seseorang mengonsumsi ikan tiap hari. Untuk itu, akan diambil beberapa
orang sebagai sampel. Tentukanlah peluang bahwa lebih dari ¼, tetapi
kurang dari ½ orang yang terpilih sebagai sampel adalah orang yang
mengonsumsi ikan?
 MMPI5103/MODUL 2 2.25
10) Sebuah variabel X diketahui memiliki fungsi distribusi peluang sebagai

berikut.
 100
x
f  x   ae ,x  0
 0 ,x  0
Tentukan peluang X antara 50 sampai 150.


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
2.26 Statistika 
Kegiatan Belajar 2
Variabel Random Diskrit
S etelah Anda memahami variabel random beserta nilai harapan dan

variansnya, selanjutnya pada kegiatan belajar ini Anda akan mempelajari
beberapa jenis distribusi peluang variabel random diskrit. Berdasarkan sifat-
sifatnya, ada beberapa jenis distribusi peluang variabel random diskrit
bergantung dari sifat-sifat yang dimiliki variabel random tersebut.
Modul ini akan membahas beberapa distribusi peluang variabel random
diskrit yang sering digunakan yaitu:
1. Distribusi Binomial.
2. Distribusi Poisson.
3. Distribusi Hipergeometrik.
Masing-masing distribusi ini dijelaskan berikut ini.
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.
Jika n = 1 disebut percobaan Bernoulli sehingga dapat dikatakan Percobaan

Binomial adalah n kali percobaan Bernoulli.
 MMPI5103/MODUL 2 2.27
Definisi 2.4. Distribusi Peluang Binomial
P( X  x)  b(x;n, p)  Cxn p x q n-x untuk x  0,1, 2,3,..., n.

n: banyaknya ulangan.
x: banyak keberhasilan (sukses) dalam variabel random X.
p: peluang berhasil (sukses) pada setiap ulangan .
q: peluang gagal  1  p pada setiap ulangan.
n!
Cxn 
x ! (n  x)! adalah kombinasi x dari n.
Catatan : untuk memudahkan membedakan p dengan q, terlebih dahulu harus

dapat menetapkan mana kejadian SUKSES mana yang GAGAL. Kita dapat
menetapkan misalnya bahwa kejadian yang ditanyakan atau diteliti adalah
kejadian SUKSES.
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.
Tabel Peluang Binomial

Saudara, perhitungan peluang Binomial ini akan mudah dilakukan jika
yang dihitung hanya peluang untuk satu buah nilai X saja. Namun, jika
peluang yang akan dihitung melibatkan banyak nilai X, maka pengerjaan
yang mudah adalah dilakukan dengan menggunakan Tabel Distribusi Peluang
Binomial (Lihat di Lampiran 1). Berikut adalah cara membaca Tabel
Distribusi Peluang Binomial.
Perhatikan Tabel Peluang Binomial berikut. Perhatikan total setiap
kolom, p = 1,0000 (atau karena pembulatan, nilainya tidak persis = 1,0000
hanya mendekati 1,0000). Dalam tabel tersebut karena tertulis dalam bahasa
Inggris, koma dalam bilangan menjadi titik. Misalkan, tabelnya adalah
sebagai berikut.
 MMPI5103/MODUL 2 2.29
Misal:
n x p = 0.10 p = 0.15 p = 0.20 dst

5 0 0.5905 0.4437 0.3277
1 0.3280 0.3915 0.4096
2 0.0729 0.1382 0.2048
3 0.0081 0.0244 0.0512
4 0.0004 0.0020 0.0064
5 0.0000 0.0001 0.0003
Cara membaca tabel:

Untuk x  0, n  5 dan p = 0,10 maka P  X  0   b  0; 5; 0,10   0,5905.
Untuk x = 1, n = 5 dan p = 0,10 maka P(X = 1) = b(1; 5; 0,10) = 0,3280.
Jika 0  x  2, n  5 dan p = 0,10 maka:
P(0  x  2) = P(X = 0) + P(X = 1) + P(X = 2)
= b(0; 5; 0,10) + b(1; 5; 0,10) + b(2;5; 0,10)
= 0,5905 + 0,3280 +0,0729
= 0,9914.
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 
b. x  2  lihat tabel dan lakukan penjumlahan sebagai berikut.

P(x > 2) = P(x  3) = b(3; 5; 0,20) + b(4; 5; 0,20) + b(5; 5; 0,20)
= 0,0512+ 0,0064 + 0,0003 = 0,0579.
atau
 1 – P(x  2) = 1 – [b(0; 5; 0,20) + b(1; 5; 0,20) + b(2; 5; 0,20)]
= 1 – [0,3277 + 0,4096 + 0,2048]
= 1 – 0,9421 = 0,0579.
c. x  3  lihat tabel dan lakukan penjumlahan.
P(x  3) = b(0;5; 0,20) + b(1;5; 0,20) + b(2;5;0,20) + b(3;5; 0,20)
= 0,3277 + 0,4096 + 0,2048 + 0,0512 = 0,9933.
atau
 1 – P(x  3) = 1 – [P(x = 4) + P(x = 5)]
= 1 – [b(4;5; 0,20) + b(5;5; 0,20)]
= 1 – [0,0064 + 0,0003] = 1 – 0,0067 = 0,9933
d. 2  x  4  lihat tabel dan lakukan penjumlahan sebagai berikut.
P(2  x  4) = P(x = 2) + P(x = 3) + P(x = 5)
= b(2;5; 0,20) + b(3;5; 0,20) + b(4;5; 0,20)
= 0,2048 + 0,0512 +0,0064 = 0,2624.
e. Silakan kerjakan sendiri, sebagai latihan.
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
Percobaan Poisson memiliki ciri-ciri berikut.

1. Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung
dari hasil percobaan di selang waktu dan tempat lain yang terpisah .
2. Peluang terjadinya suatu hasil percobaan sebanding dengan panjang
selang waktu dan luas tempat percobaan terjadi. Hal ini berlaku hanya
untuk selang waktu yang singkat dan luas daerah yang sempit .
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu
selang waktu dan luasan tempat yang sama diabaikan .
 MMPI5103/MODUL 2 2.31
Definisi 2.5. Distribusi Peluang Poisson

e   x
P ( X  x)  p ( x;  )  .
x!
untuk x = 0, 1, 2, 3, ...
e : bilangan natural = 2,71828...
x : banyaknya unsur BERHASIL dalam sampel.
 : rata-rata keberhasilan.
Perhatikan rumus yang digunakan. Peluang suatu kejadian Poisson dihitung

dari rata-rata populasi ().
Rata-rata dan varians dari Distribusi Poisson p( x;  ) adalah:

Rata-rata = .
Varians ( ²)  .
Tabel Peluang Poisson

Seperti halnya peluang Binomial, soal-soal peluang Poisson dapat
diselesaikan dengan Tabel Poisson (Lihat Lampiran 2).
Cara membaca dan menggunakan Tabel ini tidak jauh berbeda dengan
Tabel Binomial.
Misal: x  = 4,5  = 5,0

0 0.0111 0.0067
1 0.0500 0.0337
15 0.0001 0.0002
P(X = 2) = p(2; 4,5) = 0,1125.

P(X < 3) = p(x < 3; 4,5) = P(0;4,5) + p(1; 4,5) + p(2; 4,5)
= 0,0111 + 0,0500 + 0,1125 = 0,1736.
P(X > 2) = p(x > 2;4,5)= p(3; 4,5) + p(4; 4,5) + ... + p(15;4,5).
atau
= 1 – p(x  2)
= 1 – [p(0;4,5) + p(1; 4,5) + p(2; 4,5)]
= 1 – [0,0111 + 0,0500 + 0,1125 ] = 1 – 0,1736 = 0,8264.
2.32 Statistika 
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.
b. x  3  dengan Tabel Distribusi Poisson hitung:

p(0; 5,0) + p(1; 5,0) + p(2; 5,0) + p(3; 5,0)
= 0,0067 + 0,0337 + 0,0842 + 0,1404 = 0,2650.
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
Percobaan hipergeometrik adalah percobaan dengan ciri-ciri sebagai

berikut.
1. Sampel acak berukuran n diambil dari populasi berukuran N.
2. k dari N diklasifikasikan sebagai "BERHASIL" s edangkan N  k
diklasifikasikan sebagai "GAGAL".
 MMPI5103/MODUL 2 2.33
Definisi 2.6. Distribusi Hipergeometrik
Jika dalam populasi N objek, k benda termasuk kelas "BERHASIL" dan

N  k (sisanya) termasuk kelas "GAGAL", maka Distribusi
Hipergeometrik variabel random X yang menyatakan banyaknya
keberhasilan dalam contoh acak berukuran n adalah:
Cxk CnNxk
P( X  x)  h( x; N , n, k )  untuk x = 0,1,2,3..., k.
CnN
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
Perluasan Distribusi Hipergeometrik Jika Terdapat Lebih Dari 2 Kelas
Distribusi Hipergeometrik dapat diperluas menjadi penyekatan ke dalam

beberapa kelas.
C xa1  C xa2   C xak
f ( x1 , x2 ,..., xk ; a1 , a2 ,..., ak , N , n)  1 2 k
.
CnN
k k
dan perhatikan bahwa n   xi dan N   ai .
i 1 i 1
N : ukuran populasi atau ruang contoh.
n : ukuran contoh random.
k : banyaknya penyekatan atau kelas .
xi : banyaknya keberhasilan kelas ke-i dalam contoh.
a i : banyaknya keberhasilan kelas ke-i dalam populasi.
2.34 Statistika 
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
Distribusi peluang Hipergeometrik dapat juga dilakukan untuk

menyelesaikan persoalan Binomial.
 Binomial  untuk pengambilan sampel dengan pemulihan (dengan
pengembalian).
 Hipergeometrik  untuk pengambilan sampel tanpa pemulihan (tanpa
pengembalian).
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?
Soal poin (a) diselesaikan dengan menggunakan Distribusi Peluang Binomial

sebagai berikut:
2
p   0, 40; n  4; x  2.
5
b(2; 4; 0,40) = 0,16 (lihat Tabel atau gunakan rumus Binomial).
 MMPI5103/MODUL 2 2.35
Soal poin (b) diselesaikan dengan Distribusi Peluang Hipergeometrik sebagai

berikut.
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
Pendekatan Distribusi Binomial Terhadap Persoalan Hipergeometrik

Untuk memudahkan perhitungan distribusi Hipergeometrik digunakan
n
pendekatan distribusi Binomial dengan syarat cukup kecil, dan nilai p
N
k
pada distribusi Binomial diambil p  .
N
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.
Saudara, demikianlah pembahasan tentang distribusi peluang diskrit,

khususnya distribusi peluang Binomial, Poisson, dan Hipergeometrik yang
2.36 Statistika 
banyak diterapkan dalam berbagai bidang. Bagaimana pemahaman Anda?

Silakan kerjakan soal latihan dan test formatif untuk menambah pemahaman
Anda.
LATIHAN

1) Suatu penelitian telah dilakukan untuk mengetahui pengaruh dari sua mi
atau istri dalam memilih merek mobil baru yang akan mereka beli.
Hasilnya ternyata suami mempunyai pengaruh utama dalam memilih
merek mobil baru yang dibeli kira-kira 70% dari semua pembelian mobil
baru oleh keluarga. Misalkan kita menjumpai 4 keluarga yang
memutuskan untuk membeli mobil baru.
a. Berapa peluangnya bahwa tepat ada 2 dari 4 keluarga tersebut
ternyata suami mempunyai pengaruh utama dalam memilih merek
mobil baru yang dibeli?
b. Berapa peluang bahwa suami mempunyai pengaruh utama dalam
memilih merek mobil baru yang dibeli paling sedikit 2 dari 4
keluarga tersebut?
c. Berapa peluang bahwa suami akan memilih merek mobil dalam
semua 4 keluarga tersebut?
2) Selama periode resesi ekonomi, pengalaman menunjukkan bahwa 1%
dari orang yang memiliki pinjaman pada suatu bank tidak dapa t
membayar hutang kembali sesuai dengan waktu yang telah dijadwalkan.
Untuk menyelidiki hal ini pimpinan bank memilih 100 nasabah pada saat
terjadi resesi ekonomi.
a. Hitung peluang bahwa 1 atau lebih peminjam tidak dapat membayar
kembali hutangnya sesuai waktu yang telah ditentukan.
b. Hitung peluang lebih dari 5 peminjam tidak dapat membayar
kembali hutangnya sesuai waktu yang telah ditentukan.
3) Suatu perusahaan elektronik menyatakan bahwa proporsi yang rusak dari
suatu proses tertentu sebesar 5%. Seorang pembeli mempunyai suatu
cara baku dengan memeriksa 15 barang yang dipilih secara acak dari
suatu kotak besar. Pada suatu ketika si pembeli tadi menemukan 5
barang yang rusak.
 MMPI5103/MODUL 2 2.37
a. Berapa peluang hal ini terjadi (5 barang rusak) jika pernyataan

bahwa ada 5% yang rusak adalah benar?
b. Bagaimana reaksi saudara, jika saudara yang menjadi pembeli
tersebut?
4) Setiap 500 m kabel terdapat 2 m yang memiliki lapisan bagian luar tipis.
Seseorang membeli 100 m kabel tersebut. Berapa peluang bahwa
seluruh kabel yang dibeli memiliki lapisan bagian luar yang tidak tipis?
5) Pak Budi membuat kolam ikan di sekitar rumahnya untuk peliharaan
pribadi. Saat kolam sudah siap pakai, Pak Budi mengisi kolam tersebut
dengan 40 ekor ikan, yang terdiri atas 10 ikan nila dan 30 ikan gurame.
Jika suatu hari Pak Budi kedatangan 3 orang cucunya yang masih kecil-
kecil dan ingin menangkap ikan-ikan sebanyak 5 ekor. Berapakah
peluang terambilnya ikan nila?
1) Pakailah distribusi Binomial dimana:

X : banyaknya keluarga ternyata suami mempunyai pengaruh utama
dalam memilih merek mobil baru yang dibeli.
p = peluang suatu kelurga ternyata suami mempunyai pengaruh utama
dalam memilih merek mobil baru yang dibeli = 70% = 0,7.
n = 4.
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)1000
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)
 e110 
 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!
e0.4 (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
1. Beberapa distribusi peluang variabel random diskrit yang sering

digunakan yaitu:
a. Distribusi Hipergeometrik.
b. Distribusi Binomial.
c. Distribusi Poisson.
2. Percobaan Binomial adalah percobaan yang mempunyai ciri-ciri
sebagai berikut.
a. Percobaan diulang n kali.
b. Hasil setiap ulangan hanya dapat dikategorikan ke dalam 2
kelas.
Misal: "BERHASIL" atau "GAGAL"
("YA" atau "TIDAK"; "SUCCESS" or "FAILED").
2.40 Statistika 
c. Peluang keberhasilan = p dan dalam setiap ulangan nilai p tidak

berubah. Peluang gagal = q = 1- p.
d. Setiap ulangan bersifat bebas satu dengan yang lain.
3. Percobaan Poisson memiliki ciri-ciri sebagai berikut.
a. Hasil percobaan pada suatu selang waktu dan tempat tidak
tergantung dari hasil percobaan di selang waktu dan tempat
yang lain yang terpisah.
b. Peluang terjadinya suatu hasil percobaan sebanding dengan
panjang selang waktu dan luas tempat percobaan terjadi. Hal ini
berlaku hanya untuk selang waktu yang singkat dan luas daerah
yang sempit.
c. Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada
satu selang waktu dan luasan tempat yang sama diabaikan .
4. Percobaan Hipergeometrik adalah percobaan dengan ciri-ciri
sebagai berikut.
a. Sampel acak berukuran n diambil dari populasi berukuran N.
b. k dari N diklasifikasikan sebagai "BERHASIL" sedangkan
N  k diklasifikasikan sebagai "GAGAL".
TES FORMATIF 2
1) Seseorang membeli jeruk 1 truk (isi 10.000 buah) dengan perjanjian

hanya 5% 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 banyak
1 masam maka jadi membeli, tetapi jika diperoleh lebih dari 1 yang
masam maka tidak jadi dibeli. Tentukan peluang pembeli akan membeli
jeruk tersebut setelah mencoba 10 buah secara random, dengan:
a. Distribusi Hipergeometrik.
b. Distribusi Binomial.
2) Sebuah perusahaan farmasi mengklaim bahwa pengobatan baru berhasil
mengurangi demam lebih dari 60% dari kasus. Pengobatan diteliti pada
40 kasus yang dipilih secara random dan 11 ternyata berhasil sembuh.
Apakah Anda meragukan klaim perusahaan tersebut?
 MMPI5103/MODUL 2 2.41
3) Misalkan sebuah perusahaan mengklaim bahwa 10% dari baterai isi

ulang mereka rusak. Berapa peluang bahwa 3 dalam satu paket 4 rusak
(jika kinerja dari empat baterai adalah independent)?
4) Dari 500 barang ternyata ada 50 barang yang rusak. Seseorang
mengambil 10 barang. Tentukan peluang sebanyak-banyaknya 3 yang
rusak?
5) Secara rata-rata, lima nasabah bank mengadakan transaksi di atas
sepuluh juta rupiah setiap jam. Jika diasumsikan kondisi transaksi
tersebut tidak berubah, maka tentukan bahwa selama satu jam tertentu
akan terjadi transaksi dengan nasabah di atas sepuluh juta rupiah, lebih
dari sepuluh kali.
6) Sebuah toko yang menjual berbagai spare part kapal dan alat penangkap
ikan hanya mempekerjakan dua orang sebagai pelayan toko. Laju
kedatangan pelanggan rata-rata 10 orang/jam. Kedua pelayan toko
tersebut hanya mampu melayani pelanggan maksimal 15 pelanggan
dalam satu jam. Jika pelanggan yang datang telah melebihi batas
maksimal tersebut maka sang pemilik toko ikut turun tangan melayani
pelanggan. Berapakah peluang pada suatu hari tertentu sang pemilik toko
ikut melayani pelanggan?
7) Pak Hari sedang menekuni us aha budidaya air payau unggulan yaitu ikan
bandeng, kepiting, dan udang. Pada saat panen, Pak Hari mendapatkan
8 keranjang ikan bandeng, 4 keranjang kepiting, dan 6 keranjang udang.
Pak Budi akan membeli sebagian hasil tambaknya Pak Hari. Dia
mengirimkan 5 orang untuk membawa hasil panenan yang dibelinya.
Berapakah peluang 2 orang membawa ikan bandeng, 1 orang membawa
udang, dan 2 orang membawa kepiting? Dengan catatan, satu orang
membawa satu keranjang menggunakan motor.
8) Toko “X” melayani penjualan spare part dan alat penangkap ikan secara
online. Biasanya ini diperuntukkan bagi nelayan-nelayan yang berada di
luar provinsi. Toko “X” menerima komplain dari pelanggan, apabila
barang yang dikirimnya ada yang cacat, maka pihak toko bersedia
mengirimkan gantinya dengan terlebih dahulu sang pembeli harus
mengirimkan barang yang cacat tersebut. Berdasarkan pengalaman
penjualan Toko “X”, biasanya kemungkinan terdapat barang cacat hanya
10%. Pak Chandra adalah nelayan yang baru pertama kali membeli alat
penangkap ikan secara online di Toko “X”. Dia membeli 7 buah alat
penangkap ikan. Berapa peluang terdapat paling banyak 2 barang yang
cacat?
2.42 Statistika 
9) Dari soal No 8, hitunglah nilai harapan (ekspektasi) dan varians dari

banyaknya alat penangkap ikan yang cacat. Jelaskan apa maknanya!
10) Jenis-jenis ikan tangkapan nelayan yang didaratkan di Tempat
Pelelangan Ikan (TPI) banyak jenisnya. Di antara berbagai jenis ikan
tersebut, terdapat satu jenis ikan langka yang terancam punah, yaitu ikan
bukum. Hasan adalah salah seorang nelayan yang kerap men jual ikan
tangkapannya ke TPI. Pada suatu hari, Hasan berhasil menangkap 50
ekor ikan, di antaranya ada 8 ekor ikan bukum. Seorang pembeli,
membeli ikan ke Hasan tanpa dipilih-pilih sebanyak 10 ekor. Berapakah
peluang terdapat 2 ekor ikan bukum dalam kantung ikan yang dibawa
oleh pembeli tersebut?


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 MMPI5103/MODUL 2 2.43
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:
E( A)  0(0)  5.000(0,1) 10.000(0,2) 15.000(0,5)  20.000(0,2)  14.000
Sehingga harapan keuntungan dari produk A  14.000  Rp.100, 00 

Rp.1.400.000, 00.
Nilai harapan banyaknya produk B terjual adalah:

E(B)  0(0,1)  5.000(0,3) 10.000(0,1) 15.000(0,2)  20.000(0,3)  11.500
Sehingga harapan keuntungan dari produk A = 10.000×Rp200,00 =
Rp2.300.000,00.
Nilai harapan banyaknya produk C terjual adalah:

E(C)  0(0,3)  5.000(0,1) 10.000(0,1) 15.000(0,3)  20.000(0,2)  10.000
Sehingga harapan keuntungan dari produk C = 10.000×Rp500,00 =
Rp5.000.000,00.
Nilai harapan banyaknya produk D terjual adalah:

E(D)  0(0,2)  5.000(0,4)  10.000(0,3)  15.000(0,1)  20.000(0)  65.000
Sehingga harapan keuntungan dari produk A = 65.000×Rp.600,00 =
2.44 Statistika 
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  e8(12)  1  0  1.
b. Melalui f (x).
dF ( x)
f ( x)   8 e8 x , x  0.
dx
12
12
P( X  12)   8 e8 x dx  e8 x   (e8(12)  1)  (0  1)  1.
0
0
4) P T  5  0, karena T variabel random kontinu.

1 1
P(T  3)  1  P(T  3)  1  F (3)  1 
 .
2 2
3 1 1
P(1, 4  T  6)  F (6)  F (1, 4)    .
4 4 2
1 2 1 2
5) E ( X )   x( x) dx   x(2  x) dx   x 2 dx   (2 x  x 2 ) dx
0 1 0 1
1 2
1 1 1 8 1
 x3  ( x 2  x3 )   ((4  )  (1  ))  1.
3 0 3 1 3 3 3
1 2 1 2
E ( X 2 )   x 2 ( x) dx   x 2 (2  x) dx   x3 dx   (2 x 2  x3 ) dx
0 1 0 1
1 2
1 4 2 1 1 16 1 2 1 59
 x  ( x3  x 4 )   ((  )  (  ))  .
4 0 3 4 1 4 3 4 3 4 12
Jadi rata-rata X  E  X   1.
Varians dari X adalah:
59 47
 2  Var ( X )  E( X 2 )  ( E ( X ))2  1  .
12 12
6) Misalkan X menyatakan banyaknya payang yang terambil. Variabel
random X merupakan variabel random diskrit. Maka, nilai-nilai X adalah
x = 0, jika tak satupun payang terambil.
x = 1, jika hanya satu payang yang terambil.
x = 2, jika ada dua payang yang terambil.
 MMPI5103/MODUL 2 2.45
x = 3, jika ketiga payang yang terambil.

Dari nilai-nilai x, didapat distribusi peluang X:
 4  3 
  
x 3 x
f  x     , x  0,1, 2,3.
7
 
 3
Dari distribusi peluang tersebut, diperoleh f  0   1/ 35, f 1  12 / 35,
f  2  18 / 35 dan f  3  4 / 35 .
Sehingga:
  EX 
 1   12   18   14 
  0     1     2      3  
 35   35   35   35 
12

7
 1, 7.
Jadi, bila 3 alat penangkap ikan diambil secara random dari 4 payang dan
3 rawe, maka rata-ratanya akan terambi; 1,7 atau sekitar 2 payang.
7) Variabel random X merupakan variabel random kontinu.
Dengan menggunakan rumus nilai harapan diperoleh:
 20.000  20.000
  EX    x 3
dx   dx  200.
100 x 100 x2
Jadi, produksi rumput laut pada beberapa kali panen mendatang adalah
berada sekitar 200 kuintal.
8) Harapan pendapatan karyawan adalah:
E  g ( X )  E  2 X  1
9
   2 x  1 f ( x) 
4
1 1 1 1 1 1

=  7    +  9    + 11   + 13   + 15    + 17   
 
12  
12  
4  
4  
6 6
 Rp. 12, 67.
9) X : proporsi orang yang mengonsumsi ikan tiap hari.
Peluang lebih dari ¼ tapi kurang dari ½ orang yang terpilih sebagai
sampel adalah orang yang mengonsumsi ikan:
2.46 Statistika 
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( x1).
C xk CnNxk
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.
2) Jika klaim benar maka X yang menyatakan banyaknya kasus yang

sembuh akan mempunyai distribusi Binomial dengan n = 40 dan p  0.6
Hitung P( X 11) dengan mengasumsikan p = 0.6, jika peluangnya besar
maka kita tidak meragukan klaim perusahaan, tetapi jika kecil maka kita
meragukan klaim tersebut.
Dengan bantuan software Minitab diperoleh output:
Cumulative Distribution Function

Binomial with n = 40 and p = 0,6
x P( X <= x )
11 0,0000316
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 050 C150 C10500150 C250 C10500 2 50 C350 C105003 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
7) Ini kasus perluasan distribusi Hipergeometrik.

Diketahui:
a1  8 x1  2
a2  4 x2  2
a3  6 x3  1
N  18 n 5
P (1 orang membawa ikan bandeng, 2 orang membawa kepiting, dan 1
orang membawa udang) adalah:
Cxa11 Cxa22 Cxa33 C28C24C16
  0,117.
CnN C518
8) Kasus pada soal ini merupakan kasus distribusi Binomial, dengan

identifikasi sebagai berikut:
X : banyaknya barang yang cacat.
n = 7.
p = 10% = 0,1.
P(paling banyak 2 barang yang cacat)  P( X  2).

P( X  2)  P  X  0   P  X  1  P  X  2  .
dengan:
P  X  0   C05  0,1  0,9   0, 478
0 5
P  X  1  C15  0,1  0,9   0, 372

1 4
P  X  2   C25  0,1  0,9   0,124

2 3
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.
10) Ini adalah kasus distribusi Hipergeometrik, dengan:

X = banyaknya ikan bukum yang dibeli.
N = 50 k=8
n = 10 x=2
Peluang terdapat 2 ekor bukum adalah:
C 8C105028
P  X  2   2 50  0,321.
C10
2.50 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.

2nd ed. Chapman & Hall/CRC. New York.
Walpole, R.E. 1982. Introduction of Statistics. Third Edition. New York:

Macmillan Publishing Company, Inc.
Modul 3
Distribusi Normal dan Penerapannya

P ENDAHULU A N
S audara, pada Modul 2 Anda telah mempelajari distribusi peluang dan

distribusi peluang variabel random diskrit. Sebagaimana telah Anda
ketahui dari modul tersebut, selain diskrit, distribusi peluang variabel random
juga ada yang kontinu. Nah, pada Modul 3 ini Anda mempelajari distribusi
peluang variabel random kontinu.
Salah satu distribusi peluang variabel random kontinu yang paling
penting dan menjadi dasar banyak metode dalam statistika inferensia adalah
distribusi Normal. Distribusi ini tidak hanya menjadi milik suatu variabel
yang menjadi fokus penelitian. Namun, karakteristik dari suatu sampel yang
biasa kita sebut “statistik”, juga memiliki distribusi, karena statistik
merupakan variabel random. Intinya, semua yang merupakan variabel
random pasti memiliki distribusi. Nah, secara spesifik, distribusi dari suatu
statistik dinamakan distribusi sampling. Distribusi sampling diturunkan dari
distribusi populasinya.
Modul 3 ini akan membahas tentang distribusi Normal dan distribusi
sampling beserta penerapannya. Uraian materi selengkapnya dapat Anda
pelajari melalui dua kegiatan belajar yaitu:
1. Kegiatan Belajar 1: Variabel Random Normal.
Materi dalam KB 1 terdiri atas penentuan peluang yang berkaitan dengan
distribusi normal standar, konversi distribusi normal ke distribusi normal
standar, sifat-sifat tambahan dari variabel random normal, dan persentil
dari variabel random normal.
2. Kegiatan Belajar 2: Distribusi Sampling.
Materi dalam KB2 berisi distribusi rata-rata sampel, teori limit pusat,
pendekatan distribusi Normal ke distribusi Binomial dan distribusi
varians sampel dari populasi Normal.
3.2 Statistika 
Setelah mempelajari modul ini diharapkan A nda dapat:

1. Menerapkan distribusi variabel randon normal pada berbagai kasus data.
2. Menerapkan distribusi sampling pada berbagai kasus data.
Kegiatan Belajar 1
Variabel Random Normal
P ada tahun 1733 DeMoivre menemukan persamaan matematika kurva

normal yang menjadi dasar banyak teori statistika inferensia. Distribusi
Normal sering pula disebut Distribusi Gauss untuk menghormati Gauss
(1777 – 1855), yang juga menemukan persamaannya waktu meneliti galat
atau kesalahan dalam pengukuran yang berulan g-ulang mengenai bahan yang
sama.
A. VARIAB EL RANDOM NORMAL
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 
Definisi 3.1. Distribusi Peluang Normal

1 x 2
1  ( )
f ( x)  n( x;  :  ) e 2 
,    x  
 2
e = 2,71828.
 = 3,14159.
 = rata-rata populasi.
 = simpangan baku populasi.
² = ragam (varians) populasi.
Perhatikan dua kurva distribusi normal dengan  yang berbeda pada

Gambar 3.1 di bawah ini.
Gambar 3.1
Kurva Distribusi Normal
Suatu distribusi memiliki karakteristik tertentu yang direpresentasikan

oleh parameter. Karakteristik distribusi normal ditunjukkan oleh rata -rata (µ)
dan varians (σ2 ) atau simpangan baku (σ). Rata-rata menunjukkan pusat
distribusi yang dilihat dari puncaknya, sedangkan varians menunjukkan
keragaman distribusi yang dilihat dari lebarnya kurva. Jika keragaman suatu
data besar berarti nilai variansnya besar sehingga kurvanya lebar. Jika
keragamannya kecil maka kurvanya sempit. Dari Gambar 3.1 terlihat bahwa
kurva yang di sebelah kiri memiliki varians yang lebih besar dari kurva yang
di sebelah kanan.
Sifat-sifat kurva Normal adalah sebagai berikut.
a. Modusnya hanya satu dan terletak di x = .
b. Kurvanya simetris/setangkup terhadap garis tegak x = .
c. Kurva mempunyai titik belok pada x     , cekung dari bawah bila
 –   x     , dan cekung dari atas untuk harga x lainnya.
d. Grafik selalu berada di atas sumbu x atau f  x   0.

e. Kurvanya mendekati sumbu x secara asimtotik dalam dua arah, jika
semakin menjauhi nilai tengahnya (x = ).
f. Seluruh luas daerah di bawah kurva dan di atas sumbu datar x sama
dengan 1. Hal ini menggambarkan sifat peluang yang tidak pernah
negatif dan maksimal bernilai satu.
Catat bahwa:
 Nilai peluang variabel random dalam Distribusi Peluang Normal
dinyatakan dalam luas di bawah kurva.
 Kurva maupun persamaan Normal melibatkan nilai x,  dan .
 Variabel random X yang berdistribusi Normal dinotasikan X ~ N (, ).
Gambar 3.2 adalah gambar tiga kurva distribusi Normal dengan nilai
rata-rata sama ( = 15), tetapi simpangan baku berbeda ( = 2, 4, dan 6).
Pada gambar tersebut dari yang tertinggi ke yang terendah masing -
masing adalah adalah  = 6, 4 dan 2.
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 
Para ahli statistika telah menyelidiki bentuk distribusi Normal dengan

mempelajari fungsi tersebut dan didapatkan sifat-sifat sebagai berikut (yang
dikenal sebagai aturan empiris):
a. Simetris, yaitu rata-rata atau nilaitengah distribusi terletak di tengah
dengan luas bagian sebelah kiri sama dengan bagian sebelah kanan
(berbentuk lonceng) sehingga total daerah di bawah kurva sebelah kiri
sama dengan total daerah di bawah kurva sebelah kanan = 0,5.
b. 68% dari nilai variabel terletak dalam jarak 1σ (antara -1σ dan +1σ).
c. 95% dari nilai variabel terletak dalam jarak 1,96σ.
d. 99% dari nilai variabel terletak dalam jarak 3σ.
B. PELUANG YANG BERKAITAN DENGAN DISTRIB US I

NORMAL STANDAR
Distribusi Normal standar adalah distribusi Normal dengan  = 0 dan

σ = 1. Variabel random Z yang berdistribusi Normal standar dinotasikan
Z ~ N  0;1 . Fungsi distribusi (kepadatan) peluangnya adalah:
1
1  z2
f ( z )  n( z;0 :1) e 2
,    z  .
 2
Karena semua distribusi Normal mempunyai sifat yang sama, maka data dari
kurva Normal N(,σ) dapat ditransformasi menjadi Normal Standar N (0,1).
Hal ini dikenal dengan istilah s tandarisasi data. Gambar 3.4 menunjukkan
transformasi dari N  64,5; 2,5 menjadi Normal standar.
Gambar 3.4
Transformasi ke Normal Standar
Transformasi nilai-nilai variabel random Normal ke variabel Normal

Standar sesungguhnya untuk memudahkan menentukan nilai peluang di
bawah kurva normal. Bentuk kurva normal sangatlah beragam, tergantung
pada nilai parameternya. Oleh karena itu, perhitungan peluang tentu akan
berbeda antar satu bentuk kurva normal dengan yang lainnya. Setelah
variabelnya ditransformasi ke dalam distribusi Normal Standar, maka berapa
pun parameter asalnya, variabel akan distandarisasi menjadi N(0,1). Dengan
demikian, bagaimanapun karakteristik dari variabel randomnya, perhitungan
peluangnya bisa diperoleh melalui peluang Normal Standar. Nilai-nilai
peluang di bawah kurva Normal Standar telah disajikan ke dalam tabel
peluang distribusi Normal Standar atau sering dikenal dengan Tabel Z
(Lampiran 3). Nilai peluang kumulatif di bawah kurva Normal dinotasikan
dengan Φ  z  .
Gambar 3.5 menunjukkan bahwa angka yang ditulis dalam tabel adalah
peluang kumulatif kurva Normal Standar yaitu P(Z  z) atau luasan kurang
atau sama dengan dari z.
( 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 
Berikut ini cara membaca Tabel Z.
z .00 .01 .02 .03 .04 .05 .06 .07
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.
P(Z  1,25) = (1,25) = 0,8944
1,25
Gambar 3.6. P(Z  1,25)
Untuk memastikan bahwa Anda telah memahami cara membaca peluang

Normal Standar, perhatikan Contoh 3.1. berikut.
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).
C. KONVERSI DISTRIB US I NORMAL KE DISTRIBUS I NORMAL

STANDAR
Seluruh pengamatan pada setiap variabel random Normal X dapat

ditransformasikan atau dikonversikan menjadi himpunan pengamatan baru
suatu variabel random Normal Standar, Z dengan rata-rata nol dan variansi 1.
Hal ini dapat dikerjakan dengan transformasi berikut.
(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.
D. SIFAT-SIFAT TAMBAHAN DARI VARIAB EL RANDOM

NORMAL
Berbicara mengenai sifat-sifat dari variabel random, pasti tak terlepas

dari yang namanya nilai harapan dan varians. Telah diketahui bahwa
Z   X     adalah variabel random Normal Standar. Dari kenyataan
bahwa jika kita menambah atau mengalikan variabel random Normal dengan
konstan maka variabel random yang dihasilkan tetap normal. Akibatnya, jika
X adalah normal dengan rata-rata μ dan simpangan baku σ, maka
Z   X     juga akan normal yaitu Normal Standar. Sehingga sekarang
mudah untuk memverifikasi bahwa nilai harapan dari Z atau E(Z) = 0 dan
varians Z = 1.
Sebuah fakta penting tentang variabel random Normal adalah bahwa
jumlah dua variabel random Normal yang saling independen adalah juga
merupakan variabel random Normal. Artinya, jika X dan Y adalah dua
variabel random saling independen yang masing-masing berdistribusi Normal
dengan parameter masing-masing (μ X , σX ) dan (μ Y, σY) maka X + Y juga akan
berdistribusi Normal. Dengan rata-rata dari X + Y adalah:
E[ X  Y ]  E  X   E Y    X  Y .
 MMPI5103/MODUL 3 3.11
Sedangkan varians X + Y adalah:

Var ( X  Y )  Var  X   Var Y    X2   Y2 .
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, 23, 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
E. PERSENTIL DARI VARIAB EL RANDOM NORMAL
Untuk 0    1, didefinisikan zα adalah nilai yang memenuhi

P{Z  z }  . Dengan kata lain zα adalah nilai yang menyebabkan peluang
dari variabel random Normal Standar lebih besar dari zα adalah α (lihat
Gambar 3.7).
Gambar 3.7
Gambar P{Z > zα} = α
Jika diketahui P  Z  z0,025   1  P  Z  z0,025   0,975 maka dari tabel

Normal Standar (Lampiran 3), akan diperoleh z0,025 = 1,96. Hal ini berarti
2,5% dari semua pengamatan Z yang berdistribusi Normal Standar akan lebih
besar dari 1,96. Karena 97,5% dari seluruh pengamatan Z akan lebih kecil
dari 1,96 maka dikatakan bahwa 1,96 adalah persentil ke-97,5 dari distribusi
Normal Standar.
Secara umum, karena 100(1 − α)% dari seluruh nilai variabel Normal
Standar akan lebih kecil dari zα maka dikatakan zα persentil ke-100(1−α)
dari distribusi Normal Standar.
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     PZ  .
 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
maka diperoleh x = 14,2(2,33) + 100 = 133,086

Jadi batas terkecil data 1% teratas adalah 133.
Jika X variabel random Normal dengan rata-rata μ dan simpangan baku σ,

maka Gambar 3.8 mengilustrasikan P( X     z )  
Area yang di arsir
   z
Gambar 3.8
P  X     z   
Saudara, demikianlah pembahasan mengenai distribusi Normal, lebih

khususnya pada distribusi Normal Standar. Dalam praktiknya, aplikasi dari
distribusi Normal ini banyak dijumpai, begitu pun pada bidang perikanan.
Untuk memastikan sejauh mana pemahaman Anda, silakan berlat ih melalui
soal latihan dan Tes Formatif 1. Jika sudah menguasai materi Kegiatan
Belajar 1 ini, silakan dilanjutkan pada Kegiatan Belajar 2.
 MMPI5103/MODUL 3 3.15
LATIHAN

1) Diberikan distribusi Normal dengan   40 dan   5 , tentukan
luasan:
a. Di bawah 32.
b. Di atas 27.
c. Antara 42 dan 51.
d. Cari nilai k sedemikian hingga luasan di bawah k = 45%.
e. Cari nilai k sedemikian hingga luasan di atas k = 13%.
2) Suatu penelitian yang dilakukan oleh seorang mahasiswa meny atakan
bahwa secara rata-rata seorang pengunjung mengeluarkan uang belanja
di suatu pusat perbelanjaan adalah Rp .247.000,00 dengan simpangan
baku Rp.84.600,00. Jika diasumsikan distribusi Normal, berapakah:
a. Peluang orang itu mengeluarkan uang belanja paling sedikit
Rp.300.000,00?
b. Peluang orang itu mengeluarkan uang belanja antara Rp .200.000,00
sampai Rp.400.000,00?
c. Jika diasumsikan banyaknya pengunjung mencapai 200 orang setiap
hari, berapa banyaknya orang yang diperkirakan mengeluarkan
uangnya untuk berbelanja sebanyak-banyaknya Rp.150.000,00?
3) Ada 20.000 peserta ujian masuk suatu Perguruan Tinggi Negeri (PTN),
ternyata nilai rata-rata test masuknya adalah 600 dengan simpangan baku
10. Jika daya tampungnya 802 orang, berapa nilai ujian masuk terendah
yang dapat diterima di PTN tersebut? Anggap distribusi nilai test
masuknya berdistribusi Normal.
4) Dari hasil sensus diketahui bahwa pendapatan rumahtangga nelayan per
bulan di Provinsi A berdistribusi Normal dengan rata-rata
Rp.2.110.000,00 dan simpangan baku Rp.650.000,00. Berapa persen
rumahtangga yang pendapatan per bulannya:
a. Lebih besar dari Rp.2.500.000,00?
b. Antara Rp.2.250.000,00 sampai Rp.2.500.000,00?
c. Kurang dari Rp1.000.000,00?
3.16 Statistika 
5) Dari soal No 4, jika 5% dari populasi merupakan pencilan, berap a batas

bawah (BB) dan batas atas (BA) pendapatan yang tergolong nilai
pencilan tersebut? (Petunjuk: P(BB < x < BA) = 95%).
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 
PZ    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.
2) Misalkan X adalah besarnya pengeluaran uang belanja setiap pengunjung

suatu pusat perbelanjaan dalam ribuan rupiah.
 = 247.000 dan  = 84.600
 300.000  247.000 
a. P  X  300.000   P  Z    P  z  0, 63
 84.600 
 1  P  Z  0,63  1  0,7357  0, 2643.
 MMPI5103/MODUL 3 3.17
 200  247 400  247 

b. P  200.000  X  400.000   P  Z 
 84, 6 84, 4 
 P  0,56  Z  1,81  P  Z  1,81  P  Z  0,56 
 0,9649  0, 2877  0, 6771.
c. P  X  150.000   0,1258 jadi 0,1258 × 200 = 25,15  25 orang.
3) Peluang diterima = 802/20.000 = 0,0401

P  X  k   0,0401
P  Z  1, 75   0, 0401
k  600
 1, 75
10
k  10 1, 75   600  617,5.
4) X  pendapatan nelayan per bulan.

X N  2.110.000, 650.000 2  .
Untuk memudahkan perhitungan angka ditulis dalam ribu rupiah .
a. P  X  2.500  .
x
z

2.500  2.110

650
 0, 6.
Sehingga:
P  X  2.500   P  Z  0,6 
 P  Z  0,6 
 0, 2743.
Jadi, persentase nelayan yang pendapatannya lebih besar dari
Rp2.500.000,00 adalah 27,43%.
3.18 Statistika 
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%.
c. Untuk c prinsipnya sama dengan soal-soal sebelumnya.

(z  1.000)
x
z1 

1.000  2.110

650
1.110

650
 1, 71.
Sehingga:
P  X  1.000   P  Z  1, 71
 0, 0436
 4,36%.
 MMPI5103/MODUL 3 3.19
5)  B  X  BA  95%  0,95.
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
1. Nilai peluang variabel random dalam distribusi peluang Normal

dinyatakan dalam luas di bawah kurva. Kurva maupun persamaan
Normal melibatkan nilai x,  dan . Variabel random X yang
berdistribusi Normal dinotasikan X ~ N (, ).
2. Distribusi Normal Standar adalah distribusi Normal dengan  = 0
dan σ = 1. Variabel random Z yang berdistribusi Normal Standard
dinotasikan Z ~ N  0, 1 .
3. Seluruh pengamatan pada setiap variabel random normal X dapat
ditransformasikan atau dikonversikan menjadi himpunan
pengamatan baru suatu variabel random Normal Standar Z. Hal ini
dapat dikerjakan dengan transformasi:
(x  )
z .

4. Jika X dan Y adalah dua variabel random saling independen yang
masing-masing berdistribusi Normal maka X + Y juga akan
berdistribusi Normal.
5. Karena 100(1 − α)% dari seluruh nilai variabel Normal Standar akan
lebih kecil dari zα, maka dikatakan zα persentil ke-100(1 − α) dari
distribusi Normal Standar.
TES FORMATIF 1
Jawablah pertanyaan berikut dengan ringkas dan jelas !
1) Nilai rata-rata tugas mata kuliah Statistika adalah 75 dengan simpangan

baku 10,5. Jika banyaknya mahasiswa ada 70.000 orang dan
distribusinya Normal, berapakah banyaknya mahasiswa yang
mempunyai:
a. Nilai lebih dari 80.
b. Nilainya lebih dari atau sama dengan 70 dan kurang dari atau sama
dengan 90.
2) Krisis moneter menyebabkan tingkat penjualan rumah mengalami
penurunan. Dari seluruh developer di kota tertentu diketahui tingkat
penjualan rata-rata 1 miliar dengan simpangan baku 0,2 miliar. Jika
diasumsikan tingkat penjualan menyebar Normal:
 MMPI5103/MODUL 3 3.21
a. Hitunglah peluang sebuah developer mempunyai tingkat penjualan

minimal 1,2 miliar.
b. Jika di daerah tersebut terdapat 50 developer, estimasikan jumlah
developer yang mempunyai tingkat penjualan 0,5 sampai 1 miliar.
3) Misalkan X adalah variabel random yang berdistribusi Normal dengan
rata-rata μ dan simpangan baku σ. Tentukan:
(a) P(|X − μ| > σ).
(b) P(|X − μ| > 2σ).
4) Dari data masa lalu yaitu 120 komponen kapal jenis tertentu, ternyata
komponen kapal nelayan tersebut umur hidupnya (lama dipakai sampai
dengan rusak) mendekati distribusi Normal dengan rata-rata 500 jam dan
simpangan baku 50 jam. Seorang nelayan menghendaki paling sedikit
95% dari komponen kapal yang akan dibeli tersebut umur pakainya lebih
dari 400 jam. Dapatkah komponen kapal tersebut memenuhi ketetapan
nelayan? Apa sebaiknya langkah yang perlu diambil oleh nelayan
tersebut? Jelaskan!
5) Misalkan seorang nelayan ingin mengganti mesin kapalnya yang sudah
tua, karena setelah dijalankan 20.000 km ternyata sudah rusak. Nelayan
tersebut harus memutuskan untuk membeli dua pilihan jenis mesin
kapal. Setelah mengumpulkan informasi dari data masa lalu tentang
lama hidup kedua jenis mesin tersebut, diperoleh bahwa lama hidup
mesin 1 berdistribusi Normal dengan rata-rata 24.000 km dan simpangan
baku 6.000 km. Sedangkan mesin 2 juga berdistribusi Normal dengan
rata-rata 22.000 km dan simpangan baku 2.000 km.
a. Jika nelayan tersebut memilih untuk membeli mesin yang lama
hidupnya paling tidak 20.000 km, mesin mana yang harus dipilih?
Jelaskan alasannya!
b. Jika kriteria yang dibuat nelayan tersebut diganti paling tidak lama
hidupnya 21.000 km, mesin mana yang dibeli? Jelaskan!
c. Anggap akan dibeli dua mesin sekaligus untuk cadangan jika mesin
yang satu sudah rusak. Berapa peluang nelayan tersebut dapat
mengoperasikan mesin kapalnya lebih dari 40.000 km?
6) Menurut data statistik perikanan, konsumsi ikan di Desa X diketahui
berdistribusi Normal dengan rata-rata 540 gram per hari per
rumahtangga. Konsumsi ikan diketahui berdistribusi Normal dengan
simpangan baku 100 gram. Seorang pengusaha tertarik untuk membuat
bisnis hasil perikanan di desa tersebut. Oleh karena itu, dia tertarik untuk
3.22 Statistika 
mengetahui faktor-faktor yang mempengaruhi seseorang di Desa tersebut

mengonsumsi atau tidak mengonsumsi ikan. Untuk keperluan ini,
pengusaha tersebut ingin mewawancarai warga yang banyak
mengonsumsi ikan (lebih dari 670 gram per hari) dan yang sedikit
mengonsumsi ikan (kurang dari 300 gram per hari). Berapa persen
rumahtangga yang memiliki peluang untuk terpilih menjadi sampel
penelitian sang pengusaha tersebut?
7) Pak Sapta bekerja di sebuah kantor pemasaran hasil olahan ikan di
Daerah A. Setiap hari dia berangkat ke kantor mengendarai motor. Rata -
rata waktu tempuh pada saat berangkat atau pulang adalah 24 menit
dengan simpangan baku 3,8 menit. Misalkan waktu tempuh be rkendara
tersebut berdistribusi Normal.
a. Berapa peluangnya perjalanan tersebut melebihi ½ jam?
b. Bila kantornya buka jam 9.00 dan dia berangkat ke kantor jam 8.45
tiap hari, berapa persen dari waktu dia akan terlambat?
8) Sebuah perusahaan tambak udang menggaji karyawannya rata-rata
Rp.925 ribu per 15 hari dengan simpangan baku Rp .125 ribu. Bila gaji
berdistribusi Normal, di atas berapa rupiahkah 5% gaji tertinggi?
9) Rata-rata hasil panen budidaya lele per kolam di suatu wilayah adalah
300 kg dengan simpangan baku 75 kg. Hasil panen lele ini diketahui
berdistribusi normal. Pak Usup adalah pengusaha kuliner yang sedang
mencari pemasok ikan lele untuk restoran-restorannya yang tersebar di
berbagai tempat. Dia ingin menjalin kerjasama permanen dengan petan i
lele yang memiliki produksi lele lebih dari 400 kg setiap panen.
Berapakah peluang Pak Usup mendapatkan petani lele yang dapat diajak
kerjasama permanen dalam bisnisnya? Asumsikan satu petani hanya
punya satu kolam ikan.
10) Dari kasus no 9, jika modal awal untuk beternak lele adalah Rp.2.640
ribu per kolam dan harga jual 1 kg lele adalah Rp.12 ribu. Berapa
persenkah petani yang memiliki pendapatan/keuntungan pa da panen
pertama kurang dari Rp.600 ribu?
 MMPI5103/MODUL 3 3.23


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
3.24 Statistika 
Kegiatan Belajar 2
Distribusi Sampling
T ujuan utama menarik sampel adalah untuk mendapatkan keterangan

mengenai parameter populasi yang tidak diketahui. Misalkan kita ingin
menarik kesimpulan mengenai proporsi penduduk Indonesia yang menyukai
kopi robusta. Sangatlah tidak efesien jika kita menanyai seluruh penduduk
Indonesia, kemudian menghitung parameter yang menggambarkan proporsi
sebenarnya. Sebagai pendekatannya akan diambil sampel random yang cukup
besar dan kemudian dihitung proporsi yang menyukai kopi robusta. Nilai ini
kemudian dipakai untuk menarik kesimpulan mengenai proporsi
sesungguhnya. Suatu nilai yang dihitung dari sampel disebut statistik. Karen a
banyak sampel random yang mungkin diambil dari suatu populasi yang sama
maka statistik yang diperoleh akan berlainan dari sampel satu ke sampel
lainnya. Karena itu, statistik merupakan variabel random yang hanya
tergantung pada sampel random yang diamati.
A. DISTRIBUS I RATA-RATA SAMPEL
Sebelum membahas tentang distribusi rata-rata sampel, mari kita ingat

kembali istilah-istilah dalam statistika yang sangat penting dan erat kaitannya
dengan sampling. Apa saja itu?
 Parameter: ukuran atau karakteristik yang dihitung dari data populasi
Contoh: rata-rata (), variansi ( 2 ) , simpangan baku ( ).
 Statistik: ukuran atau karakteristik yang dihitung dari data sampel
 
Contoh: rata-rata X , variansi  S  , simpangan baku  S  .
2
Jika dari populasi yang banyaknya anggota N, diambil sampel acak

berukuran n maka akan diperoleh sampel sebanyak:
N N!
CnN     .
 
n n ! ( N  n)!
Sebagai contoh, misalkan ada populasi 4 bilangan genap pertama yaitu: 2, 4,

6 dan 8. Kemudian, dari populasi tersebut diambil sampel acak berukuran 2
 MMPI5103/MODUL 3 3.25
tanpa pengembalian maka banyaknya sampel yang mungkin adalah:

 4 4!
C24     6
 
2 2! (4  2)!
yaitu:
Sampel ke Anggota
1 2; 4
2 2; 6
3 2; 8
4 4; 6
5 4; 8
6 6; 8
Jika dari masing-masing sampel dihitung nilai statistik (misal rata-ratanya),

maka statistik tersebut akan mempunyai distribusi peluang. Distribusi
peluang dari suatu statistik disebut distribusi sampel. Lalu, jika diketahui
variabel random X berdistribusi Normal maka apakah distribusi dari X ?
Distribusi dari suatu statistik bergantung pada bagaimana cara
pengambilan sampelnya dan berapa besar ukuran sampelnya. Cara
pengambilan sampel secara random secara umum terbagi menjadi 2 cara
yaitu dengan pengembalian dan tanpa pengembalian.
Pengetahuan mengenai distribusi sampling ini sangat penting untuk
menghitung peluang suatu kisaran nilai statistik. Misal, berapa peluang rata -
rata pendapatan di atas satu juta rupiah? Untuk menjawab pertanyaan ini
tentu kita mesti tahu apa distribusi dari pendapatan. Jika distribusi
pendapatan telah diketahui maka distribusi rata-rata pendapatan pun akan
diketahui. Perhitungan peluang sama prosesnya dengan menghitung peluang
distribusi Normal. Tentu terlebih dahulu harus mentransformasi rata-rata
sampel ke variabel Normal Baku Z.
Uraian mengenai distribusi rata-rata sampel untuk pengambilan sampel
dengan pengembalian dan tanpa pengembalian tidak dibahas dalam modul
ini. Saudara silakan membaca buku referensi yang menjadi rujukan penulisan
modul ini, terutama buku Pengantar Statistika Karangan Ronald E Walpole.
Modul ini akan membahas distribusi statistik untuk ukuran sampel besar dan
kecil. Penjelasannya ada pada bagian Teorema Limit Pusat berikut ini.
3.26 Statistika 
B. TEOREMA LIMIT PUSAT
Teorema Limit Pusat (Central Limit Theorm) adalah dalil yang

mengungkapkan distribusi dari suatu rata-rata sampel jika ukuran sampel
yang diambil besar. Teorema ini menyatakan bahwa apapun distribusi
populasinya, jika sampel yang diambil berukuran besar (dalam hal ini ukuran
sampel 30 atau lebih) maka rata-rata sampel akan berdistribusi Normal

dengan rata-rata µ dan simpangan baku . Dimana µ adalah rata-rata dari
n
variabel random, σ adalah simpangan baku, dan n adalah ukuran sampelnya.
Oleh karena itu, transformasi X menjadi variabel Normal Baku Z
diformulasikan dalam bunyi Teorema Limit Pusat berikut ini.
Teorema Limit Pusat
Jika X merupakan rata-rata dari sampel random berukuran n yang diambil

dari populasi yang rata-ratanya  dan simpangan bakunya  maka untuk
X 
n  , Z  akan berdistribusi Normal Standar (N(0,1)).

n
Pendekatan tersebut cukup baik untuk n  30 terlepas dari apa pun distribusi
populasinya.
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.
Sifat-sifat gambar distribusi t yang lain adalah:

▪ Total luasan dari kiri ke kanan dari gambar distribusi t adalah 1.
▪ Gambar simetris terhadap t = 0.
3.28 Statistika 
Distribusi t
Distribusi normal standar
Distribusi t dengan derajat bebas 20
Distribusi t dengan derajat bebas 10
Gambar 3.9
Gambar Distribusi t dengan Berbagai Degrees of Freedom
Nilai t telah ditabelkan dalam Tabel distribusi t (Lihat Lampiran 4) dan

digunakan untuk analisis rata-rata sampel yang berukuran kecil  n  30 .
Pada pojok kanan atas pada tabel t di lampiran terdapat gambar yang
disajikan pada Gambar 3.10 berikut. Gambar tersebut berguna untuk
mengartikan hasil pembacaan tabel distribusi t.
Kurva densitas tv
Area yang di arsir = 
Gambar 3.10
Gambar Distribusi t untuk Pembacaan Tabel t
Sebagai contoh, T adalah variabel random yang berdistribusi t student dengan

derajat bebas 10. Kita ingin mencari k sedemikian hingga P T  k   0,025.
Pada kolom kita cari kolom  = 0,025 kemudian pada baris kita cari angka v
= 10 maka akan ditemukan angka 2,228 sehingga k = 2,228. Sesuai dengan
Gambar 3.9 maka untuk derajat bebas (v) = 10 akan diperoleh :
t0,025 = 2,228 yang artinya luasan di kanan angka 2,228 atau luasan lebih
besar 2,228 adalah 0,025.
 MMPI5103/MODUL 3 3.29
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 
Jika dipakai Tabel untuk v  n  1  8, maka angka 2,9268 terletak antara

2,896 (di bawah  = 0,01) dan 3,355 (di bawah  = 0,005), lihat tabel di
bawah. Sehingga untuk mencari  yang sesuai dengan 2,9268 maka kita
gunakan interpolasi sebagai berikut.
2,9268  2,896
  0, 01   0, 01  0, 005   0, 009964.
3,355  2,896
Jadi P T  2,9268  0,009964.
3.30 Statistika 
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.
C. PENDEKATAN DISTRIBUS I NORMAL KE DISTRIBUS I

BINOMIAL
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.
Karena distribusi Binomial termasuk dalam distribusi dari variabel

random diskrit, sedangkan distribusi Normal adalah distribusi variabel
random kontinu maka ada faktor koreksi kontinuitas untuk merubah peluang
dari Binomial ke Normal dengan aturan seperti diuraikan di bawah ini:
Distribusi Binomial Distribusi Normal

P( X  a) P( X  a  0,5)
P( X  b) P( X  b  0,5)
P  X  a P  X  a  0,5
P  X  b P  X  b  0,5
P(a  X  b) P(a  0, 5  X  b  0, 5)
P  X  a P(a  0,5  X  a  0, 5)
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 %.
D. DISTRIBUS I VARIANS SAMPEL DARI POPULASI NORMAL
Selain rata-rata sampel, varians sampel juga merupakan statistik. Oleh

karena itu, penting untuk mengetahui distribusi dari varians sampel ini.
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.
Bentuk Gambar distribusi Khi-Kuadrat dapat dilihat pada Gambar 3.11.
Gambar 3.11
Gambar Distribusi Khi-Kuadrat
 MMPI5103/MODUL 3 3.33
Pada Gambar 3.10 menunjukkan bahwa P  X 2  2 ,v    artinya luasan di

kanan 2 ,v sama dengan . Distribusi Khi-Kuadrat tidak simetris, dan nilai
2 ,v telah ditabelkan dalam distribusi  2 pada Lampiran 5.
Contoh 3.10.
Untuk suatu distribusi Khi-Kuadrat carilah:
0,025
2
jika v  15 dan jelaskan artinya.
Jawab:
0,025
2
 27, 488.
artinya P  X 2  27, 488   0, 025.
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
bahwa simpangan baku baterainya 1 tahun?

3.34 Statistika 
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 .
Nilai v1 dan v2 masing-masing sering disebut derajat bebas pembilang

(numerator) dan derajat bebas penyebut (denumerator). Bentuk dasar
distribusi F yang tidak simetris dan Gambarnya dapat dilihat pada
Gambar 3.12 berikut.
Gambar 3.12
Gambar Distribusi F
Bentuk dasar distribusi F tergantung pada v1 dan v2 . Luasan di atas F

sebesar  untuk derajat bebas v1 dan v2 dinotasikan dengan F (v1 , v2 ).
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).
Artinya, untuk v1  7 , v2  15 maka peluang F lebih besar atau sama

dengan 2,71 adalah 0,05 atau ditulis P  F  2,71  0,05.
1
b. Gunakan rumus F1 (v1 , v2 )  .
F (v2 , v1 )
1 1
F0,95 (15, 7)  F1 0,05 (15, 7)    0,369.
F0,05 (7,15) 2, 71
Artinya untuk v1  15, v2  7 maka peluang F lebih besar atau sama
dengan 0,369 adalah 0,95 atau ditulis P  F  0,369   0,95.
Saudara, demikianlah penjelasan mengenai distribusi sampling. Silakan

diulang lagi membaca jika Anda belum paham. Jika sudah, silakan
mengerjakan soal-soal latihan dan tes formatif untuk menguji pemahaman
Anda.
 MMPI5103/MODUL 3 3.37
LATIHAN

1) Diketahui sampel random berukuran 24 dari populasi Normal, carilah k

sehingga:
a. P  2,069  T  k   0,965.
b. P  k  T  2,807   0,095.
c. P  k  T  k   0,90.
2) Rata-rata tinggi populasi mahasiswa 165 cm. Dari populasi ini diambil
sampel random berukuran 20 orang dan diperoleh simpangan baku
sampel 6,71 cm. Berapa peluang bahwa rata-rata sampel tersebut lebih
dari 162,5 cm?
3) Suatu perusahaan farmasi mengetahui bahwa rata-rata 5% sejenis pil
mempunyai campuran di bawah kekuatan minimum sehingga tidak
memenuhi persyaratan. Berapakah peluang bahwa kurang dari 10 dalam
sampel pil berukuran 200 tidak memenuhi persyaratan.
4) Seorang pengusaha olahan ikan menerima pasokan ikan dari beberapa
nelayan. Pengusaha tersebut meyakini bahwa suatu jenis ikan tertentu
yang dijadikan sebagai bahan baku produknya memiliki rata -rata berat
500 gram per ekor dengan simpangan baku 150 gram. Untuk
memastikan keyakinannya tersebut Sang Pengusaha melakukan
penimbangan terhadap 45 sampel ikan setiap mendapat pasokan ikan
dari nelayan. Berapa peluang mendapatkan rata-rata berat ikan per ekor
kurang dari 430 gram?
5) Rata-rata berat satu ekor ikan mas umur 2 – 3 bulan di kolam air tawar
siap panen diketahui 100 gram. Jika rata-rata berat ikan per ekornya
kurang dari 75 kg maka seorang petani ikan mas harus memberikan
tambahan makanan agar saat panen dihasilkan ikan mas dengan berat
yang optimal. Pak Wandi adalah petani ikan mas. Dia rutin melakukan
sampling ikan untuk mengetahui perkembangan berat ikan per ekor di
kolamnya. Saat ikan mas peliharaannya sudah mencapai umur 2 bulan,
dia melakukan sampling dengan mengambil 20 ekor ikan dari kolamnya
dan diperoleh simpangan baku 29 gram. Berapakah peluang Pak Wandi
harus memberikan tambahan makanan kepada ikan mas di kolamnya?
3.38 Statistika 
1) n  24 berarti sampel kecil sehingga gunakan distribusi t dengan

v  24  1  23 .
a. P  2,069  T  k   P T  k   P T  2,069 
 1  P T  k    P T  2, 069   0,965.
Untuk v  23, diperoleh P T  2,069   0,025.
Sehingga P T  k   1  P T  2,069   0,965
 1  0, 025  0,965  0, 01.
Dari Tabel t diperoleh k = 2,5
b. P  k  T  2,807   0,095 identik dengan:

P T  2,087   P T  k   0,095.
1  P T  2,087   P T  k   0,095.
Untuk v  23 , diperoleh P T  2,087   0,005.
1  0,005  P T  k   0,095.
P T  k   1  0,005  0,095  0,9.
1  P T  k   0,9 atau P T  k   0,1.
Dari tabel t untuk v = 23 diperoleh k = 1,319.
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.
2) Diketahui  = 165 cm; n = 20 dan s = 6,71

   
 X   162,5     162,5  165 
P( X  162,5)  P     P  T  6, 71 
    
 n n   20 
 P T  1, 67   1  P T  1, 67   0,9443.
 MMPI5103/MODUL 3 3.39
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
1. Distribusi peluang dari suatu statistik disebut distribusi sampel.

2. Untuk sampel berukuran n  30 , nilai variansi populasi 2 diduga
 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
Square) dengan derajat bebas v  n  1.

S12
 2  2 S2
5. Statistik F  2 1  22 12 akan berdistribusi F dengan derajat
S2  1 S2
 22
bebas v1  n1 1 dan v2  n2 1 .
v1 dan v2 masing-masing sering disebut derajat bebas pembilang d an
derajat bebas penyebut.
 MMPI5103/MODUL 3 3.41
TES FORMATIF 2
Jawablahlah pertanyaan berikut dengan ringkas dan jelas !
1) Suatu perusahaan menyatakan bahwa baterai yang dipakai dalam senter

untuk nelayan akan tahan rata-rata 30 jam. Untuk mempercayai
pernyataan tersebut, perusahaan mengambil sampel 16 baterai untuk
X 
diuji setiap bulannya. Jika ternyata diperoleh nilai statistik T 
S
n
berada antara -t 0,025 dan t0,025 dengan derajat bebas v  16  1  15, maka
perusahaan tersebut puas dan percaya dengan pernyataannya.
Kesimpulan apakah yang seharusnya diambil perusahaan dari sampel
random berukuran 16 yang rata-ratanya 27,5 jam dengan simpangan
baku 5 jam? Anggap umur baterai berdistribusi mendekati Normal.
2) Tinggi 1.000 orang kelompok nelayan menghampiri distribusi Normal
dengan rata-rata 160 cm dan simpangan baku 6 cm. Bila 200 sampel
random masing-masing berukuran 36 ditarik dari populasi ini, dan nilai
rata-rata sampelnya diukur sampai satuan cm terdekat, tentukan:
a. Banyaknya sampel yang rata-ratanya terletak antara 158 cm dan
162 cm.
b. Banyaknya sampel yang rata-ratanya di bawah 158 cm.
3) Sebuah perusahaan pakan ikan memproduksi pelet yang memiliki daya
apung menyebar normal dengan rata-rata 75 menit dan simpangan baku
diduga 10 menit. Seseorang membeli 16 pelet produksi perusahaan
pakan tersebut. Hitunglah peluang rata-rata pelet yang dibeli akan
mampu mengapung selama 70 menit sampai 80 menit.
4) Untuk suatu distribusi Khi-Kuadrat carilah 2 sehingga:
a. P  X 2  2   0,99 jika v  4.
b. P  X 2  2   0, 025 jika v  19.
c. P  37, 625  X 2  2   0, 045 jika v  25.

3.42 Statistika 
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


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
3.44 Statistika 
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.
4)  = 500 jam ;  = 50.

 X   400  500 
P( X  400)  1  P( X  400)  1  P   
  50 
 1  P( Z  1)  1  0, 02275  0,9775.
 MMPI5103/MODUL 3 3.45
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%.
5) a. 1  24.000 km ; 1  6.000 km.

 2  22.000 km ;  2  2.000 km.
Mesin jenis 1:
 X  1 20.000  24.000 
P( X  20.000)  1  P( X  20.000)  1  P   
 1 6.000 
 1  P( Z  0, 67)  1  0, 2514  0, 7486.
Mesin jenis 2:
 X  2 20.000  22.000 
P( X  20.000)  1  P( X  20.000)  1  P   
 2 2.000 
 1  P( Z  1)  1  0,1587  0,8413.
Karena peluang mesin 2 lebih besar dari mesin 1 maka sebaiknya
dibeli mesin 2.
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.
2)  = 160 cm dan  = 6 cm; n = 36.

a. P 158  X  162   P  X  162   P  X  158 
   
 X   162     X   158   
 P    P   
     
 n n   n n 
   
 X   162  160   X   158  160 
 P    P   
 6   6 
 n 36   n 36 
 P  Z  2   P  Z  2 
 0,9773  0, 0228  0,9545.
Jadi, banyaknya sampel yang rata-ratanya terletak antara 158 dan
162 cm adalah 200 × 0,9545 = 190,9  191.
b. P  X  158 
 
 X   158   
 P  
  
 n n 
 
 X   162  160 
 P    P  Z  2   0, 0228.
 6 
 n 36 
Jadi, banyaknya sampel yang rata-ratanya di bawah 158 cm adalah
200 × 0,0228 = 4,55  5 sampel.
3)  = 75 menit dan s = 10 menit; n = 16

a. P 170  X  83  P  X  83  P  X  70 
 MMPI5103/MODUL 3 3.49
   
 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
Company.


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
Teori Pendugaan dan Uji Hipotesis

P ENDAHULU A N
S audara, setelah Anda tuntas mempelajari materi tentang distribusi Normal

dan distribusi sampling pada Modul 3, sekarang Anda akan mulai
mempelajari inti dari statistika inferensia yaitu teori pendugaan dan uji
hipotesis. Materi pada Modul 3 adalah dasar dari materi pada
Modul 4. Oleh karena itu, diharapkan Anda telah memahami materi Modul 3
secara tuntas saat melangkah pada modul ini.
Teori pendugaan dan uji hipotesis pada dasarnya lahir karena dalam
penelitian kita melakukan sampling. Sehingga, kita perlu menentukan cara
bagaimana agar hasil penelitian kita yang hanya berdasarkan data sampel ini
dapat menjadi kesimpulan yang berlaku untuk populasi. Kegiatan seperti ini
lazim disebut dengan istilah generalisasi. Melalui teori estimasi dan uji
hipotesis inilah kita melakukan generalisasi.
Kenapa generalisasi ini menjadi hal yang penting kita lakukan?
Sejatinya, hal tersebut disebabkan karena s ering kali kita tertarik dengan
pengambilan kesimpulan tentang karakteristik-karakteristik umum dari suatu
populasi tertentu (yang disebut parameter). Sebagai contoh, kita ingin
mengetahui berapa rata-rata pendapatan nelayan Indonesia, berapa persen
penduduk Jawa yang berada di bawah garis kemiskinan, apakah metode
penangkapan ikan baru lebih efektif dibandingkan dengan metode lama.
Karena alasan biaya, penarikan kesimpulan tersebut diambil berdas arkan
pengamatan sampel saja. Sebagaimana telah diterangkan pada Modul 1
bahwa metode statistika untuk mengambil kesimpulan tentang populasi
berdasarkan informasi yang ada pada sampel disebut statistika inferensia.
4.2 Statistika 
Modul 4 ini terdiri atas 3 kegitan belajar, yaitu:

1. Kegiatan Belajar 1: Teori Pendugaan.
Materi dalam KB 1 ini terdiri atas penduga titik dari rata-rata, proporsi
dan varians populasi, penduga interval dari rata-rata, proporsi, dan
varians suatu populasi Normal.
2. Kegiatan Belajar 2: Uji Hipotesis Satu Populasi.
Materi dalam KB 2 terdiri atas: pengertian uji hipotesis dan tingkat
signifikansi, uji hipotesis rata-rata dari satu populasi untuk sampel besar,
uji hipotesis rata-rata dari satu populasi untuk sampel kecil dan uji
hipotesis proporsi dari satu populasi.

1. Memahami cara menentukan nilai rata-rata, variansi dan proporsi satu
populasi;
2. Mengestimasi nilai rata-rata, variansi dan proporsi satu populasi;
3. Memahami konsep pengujian hipotesis mengenai rata-rata, variansi dan
proporsi satu populasi;
4. Melakukan pengujian hipotesis mengenai rata-rata, variansi dan proporsi
dua populasi.
Kegiatan Belajar 1
Teori Pendugaan
D alam statistika dikenal adanya istilah parameter dan statistik. Parameter

adalah nilai penciri dari suatu data populasi, di antaranya rata-rata
populasi (), varians populasi (2 ), proporsi populasi () dan lain-lain.
Sedangkan statistik adalah nilai penciri dari suatu data sampel, di antaranya
rata-rata sampel  x  , varians sampel (s2 ), proporsi sampel (p) dan lain-lain.
Statistik digunakan sebagai estimasi atau penduga dari suatu parameter. Jika
diinginkan nilai penduga hanya berupa satu nilai tertentu yang tunggal maka
disebut sebagai penduga titik (point estimator), tetapi jika diinginkan nilai
penduga berupa interval atau selang maka disebut sebagai penduga interval
(interval estimator).
A. PENDUGA TITIK DARI RATA-RATA, PROPORSI, DAN

VARIANSI POPULASI
Untuk menggambarkan karakteristik umum suatu populasi yang diukur

dalam skala interval atau rasio, bisa digunakan rata-ratanya (). Seringkali
untuk mempelajari  suatu populasi hanya didasarkan pada rata-rata dari data
sampelnya saja sehingga informasi besarnya x (statistik) digunakan untuk
menduga  (parameter). Rata-rata dari sampel, x merupakan penduga titik
dari rata-rata populasi, . Contoh lain penduga titik adalah p atau ˆ sebagai
penduga titik dari proporsi populasi,  dan S 2 sebagai penduga titik dari
varians populasi,  .
2
Ilustrasi penduga titik untuk , disajikan dalam Gambar 4.1 berikut.

4.4 Statistika 
Gambar 4.1
Ilustrasi Penduga Titik untuk 
Untuk memperoleh gambaran yang baik mengenai populasi maka

statistik yang dipakai untuk menduga parameter haruslah merupakan
penduga yang baik, yaitu penduga yang mempunyai tiga ciri berikut.
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 .
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.
Rumus beberapa penduga titik yang tidak bias sebagai berikut .

Misalkan diketahui data sampel x1 , x2 ,..., xn , maka penduga titik bagi
,  2 dan  (rata-rata, varians dan proporsi populasi) masing-masing
adalah:

n
x
x i 1 i
.
n
 x  x
n 2
s2  i 1 i
.
n 1
Banyaknya x yang mempunyai sifat tertentu
p .
n
4.6 Statistika 
B. PENDUGA INTERVAL DARI RATA-RATA SUATU POPULASI

NORMAL
Sebagaimana telah disebutkan sebelumnya bahwa dalam pendugaan

parameter akan sangat jarang ditemui penduga titik memiliki nilai yang tepat
sama dengan parameter yang diduga. Oleh karenanya, diperlukan suatu
penduga interval yang dapat melengkapi penduga titik, dengan harapan di
dalam interval tersebut dapat tercakup nilai parameter sesungguhnya.
Misalnya, dalam sebuah populasi nelayan di Kecamatan X sebanyak N, rata-
rata pendapatan nelayan adalah Rp.2,5 juta per bulan. Nah, jika misalnya kita
melakukan sampling dengan mengambil sebagian nelayan di kecamatan
tersebut secara random, katakanlah sebanyak n, apakah dari sampel yang kita
ambil itu akan selalu kita dapatkan rata-rata pendapatan tepat sebesar Rp.2,5
juta? Nilai sampel yang kita ambil tentu akan bervariasi. Sehingga, akan
sangat kecil kemungkinan kita mendapatkan sampel y ang nilai rata-ratanya
tepat Rp.2,5 juta. Namun, jika dari sampel tersebut kita buat suatu penduga
interval, misalnya diperoleh interval Rp.1,5 juta sampai dengan Rp.3 juta,
tentu akan besar kemungkinannya dalam interval tersebut akan tercakup nilai
parameter yang sesungguhnya, bukan? Itulah sebabnya, penduga interval
merupakan hal yang sangat penting dalam proses generalisasi terhadap
karakteristik populasi.
Secara teoritis, konsep dari penduga interval sebagai berikut. Penduga
interval suatu parameter populasi  adalah suatu interval yang berbentuk
ˆ 1    ˆ 2 ; dimana nilai ˆ1 dan ˆ2 tergantung pada distribusi sampel dari
 
statistik ̂ , yaitu sedemikian hingga P ˆ1    ˆ2  1   untuk 0    1 .
Interval ˆ 1    ˆ 2 , yang dihitung berdasarkan sampel random yang diambil
 
dan memenuhi P ˆ    ˆ  1   disebut interval kepercayaan
1 2
100(1   )% . Pecahan (1   ) disebut koefisien kepercayaan atau tingkat

kepercayaan. Ilustrasi penduga interval disajikan pada Gambar 4.2 berikut.
Gambar 4.2
Ilustrasi Penduga Interval
Arti dari interval kepercayaan 100(1   )% adalah jika pengambilan

sampel berukuran n diulang sampai 100 kali pada populasi yang sama dan
masing-masing dibuat interval kepercayaannya maka kita percaya ada
100(1   )% interval kepercayaan yang secara benar mencakup parameter
populasi .
Sebagai contoh misalkan dibuat 95% interval kepercayaan untuk rata -
rata populasi  maka jika sampel diulang sebanyak 100 kali sehingga akan
ada 100 interval kepercayaannya, maka kita percaya 95 interval akan memuat
, sisanya 5 interval salah karena tidak memuat . Hal ini serupa jika
misalnya, pengambilan sampel diulang 20 kali, sehingga dip eroleh 20
interval kepercayaan maka kita percaya bahwa ada 19 (95%) interval yang
memuat , sedangkan 1 interval (5% nya) tidak memuat . Perhatikan
Gambar 4.3.
Gambar 4.3
Ilustrasi Arti 95% Interval Kepercayaan untuk 
4.8 Statistika 
1. Penduga Interval dari Rata-rata Suatu Populasi Normal

Jika x1 , x2 ,, xn adalah sampel random berukuran n (jika n  30,
disebut sampel besar) yang diambil dari populasi berdistribusi Normal, maka
selang kepercayaan 100 (1   )% untuk  jika  diketahui adalah:

x  z / 2 .
n
dimana z / 2 merupakan nilai z (distribusi Normal Standar) sehingga daerah

di sebelah kanannya mempunyai luas /2. Untuk sampel besar jika  tidak
diketahui maka  diduga dengan:
 (x  x )
i
2
s i 1
.
n 1
Jika x1 , x2 ,, xn adalah sampel acak berukuran n ( n  30 , sampel kecil)

yang diambil dari populasi berdistribusi normal maka selang kepercayaan
100 (1 - )% untuk  adalah:
s
x  t( db  n 1;  / 2)
n
di mana t( dbn1;  /2) diperoleh dari Tabel Distribusi t-student sehingga luas di
kanan t adalah /2. Gambar 4.4 merupakan ringkasan prosedur pembuatan
interval kepercayaan untuk .
Gambar 4.4
Ringkasan Prosedur Pembuatan Interval Kepercayaan untuk 
2. Penentuan Ukuran Sampel Minimal untuk Menduga 

Ukuran sampel minimal untuk pendugaan rata-rata dari populasi dengan
batas kesalahan lebih kecil dari bilangan E, dijelaskan sebagai berikut.
Perhatikan rumus interval kepercayaan untuk sampel besar yaitu:

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.
Selang kepercayaan 99%, berarti   0,01; Za / 2  Z0,005  2,576. Jadi,

 1,5
x  z / 2  22,5  2,576  22,5  0, 644  21,856 sampai dengan 23,144.
n 36
Artinya, kita percaya dengan kepercayaan 99% bahwa rata-rata berat ikan
sarden yang diisikan oleh mesin tersebut yang sebenarnya terletak antara
21,856 dg sampai dengan 23,144 dg.
Contoh 4.2.
Sebuah mesin menghasilkan potongan logam yang berbentuk silinder.
Sampel dari 9 potongan diukur dan ternyata diameternya (cm) sebagai
berikut.
1,01 0,97 1,03 1,04 0,99 0,98 0,99 1,01 1,03
Hitunglah selang kepercayaan 99% untuk rata-rata diameter potongan yang

dihasilkan mesin tersebut bila diasumsikan distribusinya hampir Normal.
 MMPI5103/MODUL 4 4.11
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( n1; / 2)  t(8; 0,005)  3,355. Jadi,
s 0, 02455
x  t    1, 00556  3,355  1, 00556  0, 027455
 n 1;  n 9
 2
 0,97810 sampai dengan 1, 03302.

Artinya, kita percaya dengan kepercayaan 99% bahwa rata-rata diameter
potongan yang dihasilkan mesin tersebut yang sebenarnya terletak antara
0,97810 sampai dengan 1,03302.
C. PENDUGA INTERVAL DARI PROPORSI SUATU POPULASI

NORMAL
Saudara, telah disebutkan sebelumnya bahwa selain rata-rata, ada juga

parameter populasi yang namanya proporsi. Jika datanya interval dan rasio,
maka rata-rata merupakan parameter yang dapat menggambarkan pusat data.
Namun, apabila datanya biner, yaitu terdiri atas dua kategori (ya/tidak,
suka/tidak suka, dan lain-lain) maka parameter yang sesuai untuk
menggambarkan kondisi populasi adalah proporsi. Misalnya, dalam pemilu,
berapa persen orang yang memilih calon presiden nomor urut 1 dan yang
memilih nomor urut 2. Contoh lain mis alnya, berapa persen rumahtangga di
Desa A yang bermatapencaharian sebagai nelayan?
Nah, apabila karakteristik umum yang ingin diamati dari populasi berupa
proporsi maka penduga titik bagi proporsi populasi ( ) adalah proporsi
sampel (p). Jika sampel random berukuran n ( 30, sampel besar) diambil
dari distribusi Normal maka selang kepercayaan untuk  adalah:
p  za / 2 p(1  p) / n.
 (1   )
Jika batas kesalahan kita definisikan E  z / 2 maka untuk
n
menduga proporsi populasi ukuran sampel minimal yang seharusnya diambil
4.12 Statistika 
( 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.
D. PENDUGA INTERVAL DARI VARIANS SUATU POPULASI

NORMAL
Varians merupakan salah satu ukuran penyebaran data yang populer

digunakan. Varians ini juga merupakan parameter yang menggambarkan
keragaman distribusi data. Dalam distribusi Normal seperti yang telah
dibahas pada Modul 3, varians (σ2 ) dan rata-rata populasi (µ) merupakan
parameter penting yang menggambarkan penyebaran dan pemusatan data.
Secara teoritis, penentuan interval kepercayaan dari σ2 didasarkan pada
distribusi dari ragam sampel (S 2 ). Pada Modul 3 telah dijelaskan bahwa
(n  1) S 2
menyebar berdasarkan distribusi χ 2 atau ditulis dengan
 2
(n  1) S 2
~ 2 .
2
 MMPI5103/MODUL 4 4.13
Dari sifat tersebut, diperoleh:

(n  1) S 2
P(  n21, 1 / 2    n21,  / 2 )  1   atau bisa ditulis
2
 (n  1) S 2
(n  1) S 2 
P 2 2  2   1 .
  n 1,  / 2  n 1, 1 / 2 

di mana  n21,  / 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).
Saudara, demikianlah pembahasan mengenai pendugaan parameter,

khususnya mengenai interval kepercayaan. Bagaimanakah penguasaan Anda
terhadap materi ini? Jika penguasaan Anda masih kurang, silakan diulang
kembali mempelajari materinya. Namun jika sudah cukup, silakan
mengerjakan soal-soal latihan dan tes formatif agar pemahaman Anda
semakin tajam.
4.14 Statistika 
LATIHAN

1) Seorang ahli hendak menentukan waktu yang diperlukan untuk membuat

tiga lubang pada suatu penjepit logam. Berapa besar sampel yang
diperlukan agar ia percaya 95% bahwa rata-rata sampelnya berada dalam
15 detik dari nilai rata-rata yang sesungguhnya? Anggap bahwa dari
penelitian terdahulu diketahui bahwa  = 40 detik.
2) Sebuah perusahaan komputer menjual komputer dan komponennya
melalui pos. Perusahaan tersebut menjamin bahwa pengiriman akan
dilakukan secepatnya setelah pesanan diterima. Sebuah sampel random
yang terdiri atas 50 pesanan memperlihatkan, rata-rata waktu pengiriman
adalah 70 jam dengan simpangan baku 14 jam. Tentukan selang
kepercayaan 95% untuk menduga rata-rata waktu yang diperlukan untuk
mengirim pesanan ke pelanggannya.
3) Berapa besarnya ukuran sampel pada contoh 4.3 di atas apabila kita
ingin percaya 95% bahwa proporsi sampel yang diperoleh akan terletak
dalam jarak yang tidak lebih daripada 0,05 dari proporsi populasi yang
sebenarnya.
4) Di bawah ini adalah sebuah sampel random dengan 12 pengamatan
diambil dari populasi yang berdistribusi Normal.
13 15 9 11 8 16
14 9 10 14 16 12
a. Berapakah dugaan titik untuk rata-rata populasi ?
b. Tentukan selang kepercayaan 99% untuk ?
5) Data berikut menyatakan berat (dalam gram) 10 bungkus pakan ikan
yang dipasarkan oleh suatu perusahaan: 46,4; 46,1; 45,8; 47; 46,1; 45,9;
45,8; 46,9; 45,2 dan 46. Carilah selang kepercayaan 95% untuk variansi
berat semua bungkusan pakan ikan yang dipasarkan perusahaan tersebut,
anggap populasinya Normal.
1) Diketahui   1  95%  5%; z /2  1,96;   40 dan E  15.

 MMPI5103/MODUL 4 4.15
( 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
 9, 7108 sampai dengan 14, 7892.
 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 
Selang kepercayaan 95% untuk  :  

0,135; 0,954  (0, 368 ; 0,977).
4.16 Statistika 
RANGKU MA N
1. Misalkan diketahui data sampel x1 , x2 ,..., xn maka penduga titik bagi

, 2 dan  (rata-rata, varians dan proporsi populasi) masing-masing
adalah:

n
x
x i 1 i
.
n
 x  x
n 2
s2  i 1 i
.
n 1
Banyaknya x yang mempunyai sifat tertentu
p .
n
2. Untuk sampel acak berukuran besar (n  30) yang diambil dari

populasi berdistribusi Normal maka selang kepercayaan
100(1   )% untuk  jika  diketahui adalah:

x  z / 2 .
n
3. Ukuran sampel minimal untuk pendugaan rata-rata dari populasi
dengan batas kesalahan lebih kecil dari bilangan E adalah:
( z )2  2
n   /2 2 .
E
4. Untuk sampel random berukuran kecil (n  30) yang diambil dari
populasi berdistribusi Normal maka selang kepercayaan
100(1   )% untuk  adalah:
s
x  t( db  n 1; a / 2 )
.
n
5. Jika sampel acak berukuran n ( 30, sampel besar) diambil dari
distribusi Normal maka selang kepercayaan 100(1   )% untuk 
adalah:
p  za / 2 p(1  p) / n.
6. Untuk menduga proporsi populasi ukuran sampel minimal yang
( z ) 2  (1   )
seharusnya diambil adalah n   / 2 2 . Di mana π adalah
E
proporsi dari populasi, yang biasanya diperoleh dari penelitian
 MMPI5103/MODUL 4 4.17
pendahuluan atau penelitian yang sebelumnya. Jika tidak ada

informasi tentang π (karena tidak ada sampel pendahuluan) maka p
diganti dengan 0,5.
7. Selang kepercayaan 100(1-)% untuk 2 adalah:
 (n  1) S 2 (n  1) S 2 
 2 ; 2  .
  n 1,  / 2  n 1, 1 / 2 
TES FORMATIF 1
Jawablah pertanyaan berikut dengan ringkas dan tepat !
1) Sebuah populasi mempunyai simpangan baku 2,45. Sebuah sampel

random dengan ukuran 35 diambil dari populasi tersebut. Data
selengkapnya sebagai berikut.
42 51 23 31 28 36 49
29 46 37 32 27 33 41
44 41 28 38 34 39 48
26 35 37 46 46 48 37
29 31 44 41 37 38 46
a. Berapakah penduga titik untuk  ?
b. Tentukan selang kepercayaan 95% untuk  !
2) Sebuah pabrik sarung tangan ingin menduga jumlah sarung tangan yang
bisa dibuat oleh satu jenis mesin tertentu dalam tiap jam. Manajer pabrik
tersebut memilih secara random 20 mesin dan ditemukan rata-rata
produksi per jam adalah 47 dengan simpangan baku 2,4. Misalkan
distribusi produk yang dihasilkan oleh mesin-mesin tersebut untuk tiap
jamnya berdistribusi Normal. Tentukanlah selang kepercayaan 90%
untuk menduga rata-rata produksi sarung tangan per jam dari semua
mesin di perusahaan tersebut.
3) Misalkan nilai tes masuk calon mahasiswa yang mendaftar ke PTN tahun
lalu berdistribusi Normal dengan simpangan bakunya 0,3. Tahun ini
akan diduga nilai rata-rata tes masuk dengan anggapan polanya sama
dengan tahun lalu. Berapa banyaknya sampel random yang diperlukan
jika ingin percaya 95% bahwa penduga untuk  meleset kurang dari
0,057?
4) Sebuah sampel random yang diambil dari populasi menghasilkan
proporsi sampel 0,72.
4.18 Statistika 
a. Tentukanlah selang kepercayaan 99% untuk propo rsi populasi jika

n  100.
b. Pertanyaan yang sama dengan poin (a) untuk n  600 . Informasi
apa yang dapat Anda peroleh?
5) Sebuah sampel terdiri atas 25 pengamatan diambil dari sebuah populasi
yang berdistribusi Normal dan menghasilkan varians sampel 49.
Tentukan selang kepercayaan 99% untuk 2 . Untuk kasus berikut
kesimpulan apa yang dapat diambil ketika tingkat kepercayaan berubah.
a. 1    0,95.
b. 1    0,90.
6) Pendapatan rumahtangga nelayan per bulan di Provinsi A menyebar
Normal dengan simpangan baku Rp.650.000,00. Seorang peneliti ingin
mengetahui berapa rata-rata pendapatan nelayan di Provinsi A. Untuk
keperluan ini, dia mengambil sampel sebanyak 40 nelayan dan diperoleh
rata-rata sebesar Rp2.500.000,00. Tentukan dugaan interval kepercayaan
95% bagi rata-rata pendapatan di Provinsi A.
7) Seorang pemilik rumah makan seafood membutuhkan ikan gurame yang
memiliki rata-rata berat minimal 1 kg per ekor. Dia menemui Pak Andi
seorang peternak ikan gurame. Pemilik rumah makan tersebut
bermaksud memborong ikan gurame di kolam Pak Andi yang siap
panen. Untuk mengetahui rata-rata berat ikan gurame di kolam tersebut,
pak Andi mengambil sampel 7 ekor ikan. Berikut adalah data berat ikan
per ekor yang berhasil ditangkap (dalam ons):
9,8 10,2 10,4 9,8 10,0 10,2 9,6
Pemilik rumah makan sang calon pemborong ikan tersebut mengatakan
bahwa jika rata-rata berat minimal ikan yang diinginkannya itu berada di
dalam interval kepercayaan 95% dari ikan-ikan sampel maka ia
memutuskan untuk memborong ikan gurame di kolam Pak Andi.
Bantulah Pak Andi membuat interval kepercayaan. Lalu simpulkanlah,
apakah pemilik rumah makan tersebut jadi memborong ikan gurame di
kolam Pak Andi?
8) Seorang mahasiswa S2 Manajemen Perikanan UT melakukan penelitian
untuk tesisnya tentang preferensi masyarakat terhadap kerupuk kulit
ikan. Untuk keperluan ini dia mengambil sampel sebanyak 500 orang
dan diminta mengisi kuesioner mengenai preferensinya terhadap kerupuk
kulit ikan. Ternyata, dia mendapati ada sebanyak 340 orang yang
menyukai kerupuk kulit. Saudara diminta bantuannya untuk membuat
 MMPI5103/MODUL 4 4.19
dugaan proporsi sesungguhnya dari orang yang menyukai kerupuk kulit

di wilayah tersebut, lengkapi dengan selang kepercayaan 95%.
9) Dari kasus No 8, ternyata hasil dugaan intervalnya masih memberikan
simpangan yang cukup besar. Kemudian, mahasiswa tersebut
menginginkan agar simpangannya lebih kecil yaitu dugaan proporsi
meleset kurang dari 0,02 dengan kepercayaan 95%. Berapakah ukuran
sampel yang harus diambil oleh peneliti tersebut?
10) Pak Nugi adalah seorang peternak lobster air tawar. Dia berkeinginan
untuk mengetahui variasi berat lobster per ekor sebelum dia memanen
lobster di dalam kolamnya. Untuk itu, dia menangkap 10 ekor lobster
sebagai sampel dengan data berat lobster per ekor (dalam ons) sebagai
berikut.
46,4 46,1 45,8 47,0 46,1 45,9 45,8 46,9 45,2 46,0
Dugalah keragaman atau variasi lobster di kolam Pak Nugi dan len gkapi
dengan selang kepercayaan 95%.


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

Anda harus mengulangi materi Kegiatan Belajar 1, terutama ba gian yang
belum dikuasai.
4.20 Statistika 
Kegiatan Belajar 2
Uji Hipotesis Satu Populasi
S audara, tujuan kita di dalam proses inferensia atau generalisasi tidak

sebatas pada pendugaan parameter saja. Namun, sering kali kita
berhadapan dengan keinginan untuk menguji kebenaran suatu hipotesis
mengenai populasi. Karenanya, selain pendugaan parameter, prosedur
inferensia juga meliputi prosedur generalisasi yang sangat penting yaitu
pengujian hipotesis.
Hipotesis adalah suatu pernyataan (dugaan mementara) tentang
parameter populasi. Sebagai contoh, pemberian obat tertentu pada anak-anak
akan menambah kecerdasannya atau pemberian vaksin polio akan
mengurangi jumlah anak-anak yang menderita penyakit polio. Untuk
membuktikan kebenaran hipotesis maka perlu dilakukan pengump ulan data.
Setelah data diperoleh, lebih jauh ingin tahu apakah data mendukung
hipotesis sebelumnya ataukah tidak. Bila hipotesis yang dibuat itu secara
khusus berkaitan dengan parameter populasi, maka hipotesis itu disebut
hipotesis statistik. Jadi hipotesis statistik adalah suatu asumsi atau anggapan
atau pernyataan atau dugaan mengenai satu atau lebih populasi.
A. UJI HIPOTESIS DAN TINGKAT SIGNIFIKANS I
Suatu hipotesis tentu saja belum dapat diketahui kebenarannya, karena

sekedar berupa dugaan sementara. Oleh karena itu, perlu dilakukan pengujian
terhadap hipotesis agar dapat diketahui kebenarannya. Tentunya, nilai
kebenaran yang dihasilkan oleh suatu uji hanya salah satu dari dua opsi, yaitu
benar atau salah, tidak akan pernah terjadi dua-duanya.
Dalam penelitian, untuk suatu hipotesis yang dibuat hanya dua
kemungkinan yang akan kita putuskan, yaitu kita akan menolak hipotesis
atau kita akan menerima hipotesis. Keputusan ini kita ambil setelah kita
menghitung statistik dari sampel. Menolak hipotesis artinya kita
menyimpulkan bahwa hipotesis tidak benar, sedangkan tidak menolak
hipotesis artinya tidak cukup informasi/bukti dari sampel untuk
menyimpulkan bahwa hipotesis harus kita tolak (dalam banyak buku
referensi statistika lebih tepat menggunakan istilah tidak menolak hipotesis
dari pada menerima hipotesis). Artinya walaupun hipotesis itu kita terima,
 MMPI5103/MODUL 4 4.21
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
Pengambilan kesimpulan apakah menolak atau tidak menolak H0

berdasarkan pada letak statitik ujinya. Apakah terletak pada daerah penolakan
atau daerah penerimaan H0 . Untuk hipotesis alternatif:
1. (a) H1 :   0
Jika statitik uji (hitung )   maka tolak H0 .
(b) H1 :   0
Jika statitik uji (hitung )    maka tolak H0 .
2. H1 :   0
Jika statitik uji (hitung )  2 atau (hitung )   2 maka tolak H0 .
Di samping itu, pengambilan kesimpulan juga bisa berdasarkan nilai

p  p  value  . Untuk uji satu arah nilai p adalah peluang lebih besar dari
 MMPI5103/MODUL 4 4.23
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)
Pengertian diterima dan ditolaknya suatu hipotesis tidak bersifat mutlak.

Suatu hipotesis nol ditolak tidak berarti bahwa hipotesis tersebut salah .
Melainkan data telah memberikan petunjuk bahwa telah ada perubahan pada
karakteristik populasi yang dihipotesiskan. Sedangkan penerimaan terhadap
sebuah hipotesis nol berarti belum cukup bukti untuk menerima hipotesis
tandingannya, sehingga lebih tepat istilah tidak menolak hipotesis nol
daripada menerima hipotesis nol.
Dalam proses pengambilan keputusan berdasarkan hasil uji hipotesis,
akan terdapat risiko atau peluang salah dalam mengambil keputusan tersebut.
Misalnya, kita memutuskan menolak H0 , namun sebenarnya H0 itu benar.
Jika demikian, tentu kita telah melakukan kesalahan, bukan? Begitu pula
sebaliknya, kita memutuskan tidak menolak H0 padahal yang benar adalah
H1 . Kita telah melakukan kesalahan lagi.
Intinya, apa pun keputusan kita, baik itu menolak H0 atau tidak menolak
H0 , selalu ada peluang melakukan kesalahan. Nah, secara rinci, besarnya
kesalahan dalam mengambil keputusan hasil uji hipotesis dapat dilihat pada
tabel berikut.
4.24 Statistika 
Jenis-jenis kesalahan dalam pengujian hipotesis :
Keadaan yang sebenarnya

Keputusan
H0 benar H0 salah
Tingkat Kepercayaan
Tolak H0 Peluang Salah Jenis I ()
(1 - )
Kuasa Pengujian
Terima H0 Peluang Salah Jenis II ()
(1 - )
 sering disebut tingkat signifikansi (taraf nyata). Oleh karena  menyatakan

peluang menolak H0 yang benar maka kita mengharapkan nilai  sekecil
mungkin. Sebab tidaklah pantas sesuatu yang sesungguhnya benar, tapi
kebenarannya kita tolak memiliki peluang yang besar. Demikian juga dengan
 yang menyatakan peluang tidak menolak (terima) H 0 yang salah. Kita
mengharapkan nilainya juga sekecil mungkin karena tidak pantas juga
sesuatu yang salah kita terima, memiliki peluang yang besar juga. Namun
dalam kenyataannya memperkecil atau membuat  dan  sekecil mungkin
secara sekaligus tidaklah mungkin. Karena ternyata ada hubungan antara 
dengan  yaitu memperkecil nilai  akan mengakibatkan membesarnya nilai
. Demikian juga sebaliknya (lihat Gambar 4.8). Usaha untuk memperkecil
nilai  dan  dapat dilakukan dengan memperbesar ukuran sampel.
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
Jika  yang digunakan adalah 0,05, dapat diartikan bahwa kira-kira

sebanyak 5 dari setiap 100 kasus bahwa kita akan menolak Ho yan g benar.
Dengan kata lain, ada keyakinan 95% bahwa kita telah membuat keputusan
atau kesimpulan yang benar.
Untuk setiap pengujian dengan memakai nilai  tertentu, kita dapat
menghitung nilai . Ternyata bahwa nilai  ini tergantung pada nilai
parameter populasi yaitu  sehingga  dapat dinyatakan sebagai suatu fungsi,
yaitu  (), yang disebut fungsi ciri operasi (characteristics operation, CO).
Nilai K = 1 –  disebut kuasa uji. Kuasa uji adalah peluang menolak H 0 bila
H1 benar. Jika K() = 1 –  (), maka K() disebut fungsi kuasa.
Beberapa sifat penting dalam pengujian hipotesis antara lain:
1. Salah jenis I () dan salah jenis II () saling berhubungan.
Menurunnya peluang yang satu akan menaikkan peluang yang lain,
perhatikan Gambar 4.6 di atas.
2. Ukuran wilayah kritik, yang berarti juga peluang melakukan kesalahan
jenis I, selalu dapat diperkecil dengan mengubah nilai kritiknya.
3. Peningkatan ukuran sampel n akan memperkecil  dan  secara
bersama-sama.
4. Bila hipotesis nolnya salah, nilai  akan sangat besar bila nilai
parameternya dekat dengan nilai yang dihipotesiskan. Semakin besar
jarak antara nilai yang sesungguhnya dengan nilai yang dihipotesiskan,
maka semakin kecil nilai .
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
  P  Kesalahan jenis II   P  tidak menolak H 0 pada hal H 0 salah 

 P  220  X  260 p  0, 48 
 P  X  260 p  0, 48   P  X  220 p  0, 48 
 P  X  260,5   192   P  X  219,5   192 
 X   260,5  192   X   219,5  192 
 P    P  
  9,99    9,99 
 P  Z  6,86   P  Z  2, 75  1  0,997  0, 003.
Contoh 4.6.
Sampel diambil secara random dari populasi Normal N  ;  2  9 ,
berukuran 25. Hipotesis yang akan diuji,
H0 :  = 15
H1 :  = 10
Tolak H0 jika rata-rata kurang dari atau sama dengan 12,5.
Berapakah besarnya kesalahan jenis I dan II?
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.
Saudara, contoh-contoh tersebut menggambarkan tentang cara

menghitung salah jenis I dan salah jenis II. Dalam praktiknya dalam berbagai
bidang, yang lebih menarik dan banyak dijumpai adalah ketertarikan tentang
bagaimana cara mengambil keputusan melalui hasil pengujian hipotesis.
Dalam hal ini, peluang salah jenis I yaitu taraf nyata () ditentukan
besarannya oleh peneliti. Telah dikemukakan sebelumnya yaitu biasanya 
yang dipakai adalah 0,05 dan 0,01.
Prosedur pengambilan keputusan secara statistik melalui pengujian
hipotesis memerlukan langkah-langkah dalam pengerjaannya. Langkah-
langkah pengujian hipotesis secara umum sebagai berikut.
1. Menentukan hipotesis nol (H0 : hipotesis yang diuji secara langsung).
4.28 Statistika 
2. Menentukan hipotesis alternatif (H1 : hipotesis yang berlawanan dengan

hipotesis nol). Hipotesis ini merupakan pernyataan yang dipercaya
kebenarannya oleh peneliti sehingga perlu dibuktikan kebenarannnya.
3. Menentukan taraf nyata () yang merupakan kesalahan tipe I yaitu
peluang kita menolak H0 padahal H0 benar.
4. Menentukan statistik uji.
5. Menentukan wilayah kritis (daerah penolakan H0 ).
6. Pengambilan kesimpulan.
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.
Pernyataan hipotesis dapat dituliskan berupa kalimat panjang (Contoh

4.7.1. dan Contoh 4.7.2.) maupun dalam kalimat matematika (Contoh 4.7.3.).
Hipotesis yang dituliskan dalam kalimat panjang disebut dengan hipotesis
deskriptif dan yang dituliskan dalam kalimat matematika disebut dengan
hipotesis matematis.
Terkait dengan parameter populasi yang telah dibahas sebelumnya, yaitu
rata-rata, proporsi, dan varians maka pada Kegiatan Belajar 2 ini dibahas
prosedur pengujian hipotesis untuk ketiga parameter tersebut. Berikut
penjelasannya.
 MMPI5103/MODUL 4 4.29
B. UJI HIPOTESIS RATA-RATA DARI SATU POPULASI NORMAL
Pengujian hipotesis untuk rata-rata didasarkan pada distribusi Normal

Standar karena rata-rata merupakan statistik yang berdistribusi Normal.
Terkait dengan hal ini, ukuran sampel menjadi permasalahan sebagaimana
telah dibahas pada Modul 3 mengenai distribusi sampling. Untuk ukuran
sampel besar (n  30) maka kita dapat menggunakan distribusi Normal
Standar (Z). Namun untuk ukuran sampel kecil  n  30 dapat menggunakan
distribusi t-student (T).
Sebagaimana telah disebutkan sebelumnya, bahwa hipotesis ada yang
berbentuk hipotesis dua arah dan satu arah. Berikut akan diberikan penjelasan
mengenai tahapan-tahapan pengujian hipotesis bagi rata-rata satu populasi.
1. Hipotesis
Hipotesis untuk menguji rata-rata saru populasi Normal dapat dinyatakan
sebagai berikut.
a. Hipotesis dua arah
H0 :  = 0 versus H1 :   0 .
b. Hipotesis satu arah/ekor
▪ Arah/ekor kanan
H0 :   0 versus H1 :  > 0 .
▪ Arah/ekor kiri
H0 :  ≥ 0 versus H1 :  < 0 .
2. Statistik Uji
Pemilihan statistik uji ditentukan berdasarkan ukuran sampel dan
ketersediaan informasi mengenai varians (σ2 ) atau simpangan baku (σ)
populasi.
▪ Untuk ukuran sampel besar  n  30 dan σ diketahui, gunakan
x  0
statistik uji: Z hitung  .

n
Jika σ tidak diketahui, namun ukuran sampelnya besar, tetap
gunakan Z dan σ bisa diduga dengan simpangan baku populasi, S.
▪ Untuk ukuran sampel kecil  n  30 dan σ tidak diketahui, gunakan
x  0
statistik uji: thitung  .
s
n
4.30 Statistika 
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%.
60 215 270 40 183 117 179 42 125 120
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.
C. UJI HIPOTESIS PROPORSI SATU POPULASI
Uji hipotesis mengenai proporsi populasi didasarkan pada variabel

random X yang berdistribusi Binomial. Untuk sampel yang besar,
perhitungan peluang distribusi Binomial dapat didekati dengan distribusi
Normal Baku (lihat Modul 3). Oleh karena itu, statistik uji yang digunakan
untuk menguji proporsi populasi adalah uji Z.
Jika  adalah proporsi suatu populasi dan p adalah proporsi sampel,
maka prosedur untuk menguji hipotesis mengenai proporsi π sebagai berikut.
1. Hipotesis
Sama saja dengan pengujian rata-rata, hipotesis untuk menguji proporsi
juga ada uji dua arah dan satu arah.
a. Uji dua arah
H0 :  = 0 versus H1 :   0 bila ukuran sampel besar (n  30 atau
np ≥ 5).
b. Uji satu arah
• Arah kanan
H0 :   0 versus H1 : > 0 .
• Arah kiri
H0 :  ≥ 0 versus H1 : < 0 .
 MMPI5103/MODUL 4 4.33
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 
D. UJI HIPOTESIS VARIANS SATU POPULASI NORMAL
Pengujian mengenai karakteristik populasi tidak hanya pada ukuran

pemusatannya, namun pada ukuran penyebarannya juga (varians/simpangan
baku). Pengujian hipotesis mengenai varians populasi didasarkan pada
distribusi Khi Kuadrat/Chi Square.
Untuk menguji hipotesis H0 :  2   02 vs H1 :  2  s02 maka daerah
penolakan H0 adalah:
2 hitung < 2 (n-1; 1-/2) atau 2 hitung > 2 (n-1; /2)
 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,
(2n1;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( n1;  ) 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.
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
4) Uji mengenai simpangan baku.

Hipotesis:
H0 : σ ≤ 1,4.
H1 : σ >1,4.
Catatan: penulisan hipotesis nol boleh menggunakan notasi ≤ a tau =,
keduanya memberikan wilayah penolakan H0 yang sama.
Kesimpulan : jangan tolak H0 .
Silakan diinterpretasikan sendiri.
5) Uji mengenai rata-rata satu populasi. Karena s impangan baku populasi
tidak diketahui maka gunakan uji T.
Hipotesis:
H0 :µ ≤ 10.
H1 :µ > 10.
Silakan hitung statistik ujinya.
Kesimpulan: belum cukup bukti menolak H0 .
RANGKU MA N
1. Hipotesis yang dirumuskan dengan harapan untuk ditolak disebut

hipotesis nol yang ditulis H0 . Penolakan hipotesis nol akan menjurus
pada penerimaan hipotesis alternatif atau hipotesis tandingan yang
ditulis H1 .
2. Ada dua jenis kesalahan dalam uji hipotesis yaitu:
Kesalahan jenis I =   P  menolak H0 padahal H0 benar  .
Kesalahan jenis II =   P  menerima H0 padahal H0 salah  .
Uji yang baik adalah uji yang memiliki  dan  yang kecil.
3. Uji hipotesis bagi rata-rata dari satu populasi Normal untuk sampel
besar.
x  0
Statistik uji : Z hitung  .

n
a. H0 :  = 0 versus H1 :   0 .
H0 ditolak jika Zhitung < –Z/2 atau Zhitung > Z/2 .
b. H0 :   0 versus H1 :  > 0 .
4.38 Statistika 
c. H0 :  ≥ 0 versus H1 :  < 0 .
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 .
c. H0 :  ≥ 0 versus H1 :  < 0 .
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
Jawablah pertanyaan berikut dengan ringkas dan jelas !
1) Batasan yang ditentukan oleh pemerintah terhadap emisi gas CO

kendaraan bermotor adalah 50 ppm. Sebuah perusahaan baru yang
sedang mengajukan izin pemasaran mobil, diperiksa oleh petugas
pemerintah untuk menentukan apakah perusahaan tersebut layak
diberikan izin. Sebanyak 20 mobil perusahaan baru tersebut diambil
secara random dan diuji emisi CO-nya. Dari data didapatkan, rata-
ratanya 55 dan variansnya 4,9. Dengan menggunakan taraf nyata 5%,
layakkah perusahaan tersebut mendapat izin?
2) Menurut suatu artikel suatu obat baru yang diekstrak dari suatu jamur,
cyclosporin A, mampu meningkatkan tingkat kesuksesan dalam operasi
transplantasi organ. Menurut artikel tersebut, 22 pasien yang menjalani
operasi transplantasi ginjal diberikan obat baru tersebut. Dari 22 pasien
tersebut, 19 di antaranya sukses dalam operasi transplantasi ginjal.
a. Apakah sampel tersebut cukup secara statistik jika diinginkan
kesalahan paling besar 0,25 dan  = 0,05?
b. Untuk membuktikan kebenaran tulisan dalam artikel tersebut,
kemudian dilakukan pengamatan terhadap 35 pasien dan 25 di
antaranya berhasil menjalani transplantasi ginjal. Apakah dapat
dikatakan bahwa obat baru tersebut lebih baik dari prosedur yang
standar? Gunakan  = 0,05.
3) Suatu perusahaan mengklaim bahwa produksi yang dihasilkan dijamin
yang baik ada 95%. Jika kita mengambil sampel berukuran 100 barang
produksi perusahaan tersebut dan ditemukan yang baik adalah 90 barang
maka dengan taraf nyata uji sebesar α = 0,05. Apakah pernyataan
perusahaan tersebut dapat diterima.
4) Dalam suatu prosedur registrasi mahasiswa di suatu universitas tertentu
membutuhkan waktu rata-rata 50 menit. Waktu tersebut dirasakan cukup
lama. Untuk itu, telah dikembangkan prosedur baru. Ingin diketahui
apakah prosedur baru yang dicoba itu lebih efisien dalam soal waktu.
Suatu sampel random yang terdiri dari 12 mahasiswa diambil ketika
melakukan registrasi dan diperoleh rata-rata waktu yang diperlukan
untuk registrasi adalah 42 menit dengan simpangan baku 11,9 menit. Uji
4.40 Statistika 
hipotesis dengan  = 0,05 untuk mengetahui apakah prosedur baru yang

dicobakan itu lebih efisien dalam soal waktu lamanya registrasi.
5) Sebuah perusahaan mengatakan bahwa barang yang diproduksinya
mempunyai distribusi Normal dengan simpangan baku 0,5. Jika suatu
sampel random 20 barang produksi perusahaan tersebut menghasilkan
simpangan baku s = 0,1. Apakah dapat disimpulkan bahwa  < 0,5
tahun? Gunakan  = 0,05.
6) Pendapatan rumahtangga nelayan per bulan di Provinsi A berdistribusi
Normal dengan simpangan baku Rp.650.000,00. Tahun lalu, rata-rata
pendapatan dari seluruh nelayan di Provinsi A adalah Rp .2.000.000,00.
Untuk keperluan ini, dia melakukan survei terhadap 40 nelayan dan
diperoleh rata-rata sebesar Rp.2.500.000,00. Lakukan pengujian dengan
taraf nyata 5%. Apakah tahun ini rata-rata pendapatan nelayan di
provinsi A lebih besar dari tahun lalu?
7) Seorang pemilik rumah makan seafood membutuhkan ikan gurame yang
memiliki rata-rata berat minimal 1 kg per ekor. Dia menemui Pak Andi
seorang peternak ikan gurame. Pemilik rumah makan tersebut
bermaksud memborong ikan gurami di kolam Pak Andi yang siap panen.
Pak Andi mengambil sampel 7 ekor ikan, lalu menimbangnya. Berikut
adalah data berat ikan per ekor yang berhasil ditangkap (dalam ons):
9,8 10,2 10,4 9,8 10,0 10,2 10,3
Berdasarkan data tersebut, apakah dapat diputuskan bahwa pemilik
rumah makan tersebut jadi memborong ikan gurame di kolam Pak Andi?
Lakukan pengujian menggunakan taraf nyata 5%.
8) Seorang mahasiswa tingkat akhir melakukan penelitian untuk tesisnya
tentang preferensi masyarakat terhadap kerupuk kulit ikan. Untuk
keperluan ini dia mengambil sampel sebanyak 500 orang dan diminta
mengisi kuesioner mengenai preferensinya terhadap kerupuk kulit ikan.
Ternyata, dia mendapati ada sebanyak 340 orang yang menyukai
kerupuk kulit. Apakah dapat disimpulkan bahwa sesungguhnya orang
yang menyukai kerupuk kulit ikan lebih banyak daripada yang tidak
menyukainya? Ujilah menggunakan taraf nyata 10%.
9) Pak Nugi adalah seorang peternak lobster air tawar. Dia berkeinginan
untuk mengetahui variasi berat lobster per ekor sebelum dia memanen
lobster di dalam kolamnya. Untuk itu, dia menangkap 10 ekor lobster
sebagai sampel. Setelah dilakukan penimbangan, berat lobster per ekor
(dalam ons) sebagai berikut.
 MMPI5103/MODUL 4 4.41
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?


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

Anda harus mengulangi materi Kegiatan Belajar 2, terutama bag ian yang
belum dikuasai.
4.42 Statistika 
Tes Formatif 1

35
x
1) a. ˆ  x  i 1 i
 37, 657.
35
 x x
35 2
Walaupun bisa dihitung dari sampel s  i 1

 7, 479
i
b.
35  1
tetapi s tidak digunakan dalam menjawab soal karena sudah
diketahui dari soal  = 2,45.
n = 35; x  37.657;   2.45;1    95% (berarti z/2 = z0,025 =
1,96). Karena sampel besar maka  diketahui. Selang kepercayaan
95% untuk menduga rata-rata populasi () adalah:
 2, 45
x  z / 2  37, 657 1,96 = 36,845 sampai dengan 38,469.
n 35
2) n = 20; x  47; s  2.4;1    90% (berarti t    t19;0,05  1, 729).
 n 1; 
 2
Karena sampel kecil maka  diduga dengan s. Selang kepercayaan 90%

untuk menduga rata-rata populasi () adalah:
s 2, 4
x  t    47 1, 729 = 46,072 sampai dengan 47,928.
 n 1;  n 20
 2
3) Diketahui  = 1 – 95% = 5%; z/2 = 1,96;  = 0,3 dan E = 0,057.

( z ) 2  2 (1,96) 2 (0,3) 2
Ukuran sampel : n   / 2 2   106, 42.
E (0, 057) 2
Jadi ukuran sampel yang diperlukan adalah 107.
4) a. Diketahui p = 0,72.
Akan dicari selang kepercayaan 99%. Berarti  = 0,01.
Z/2 = Z0,005 = 2,576. Jadi, selang kepercayaan 99% untuk π adalah:
p  z / 2 p(1  p) / n
 0,72  2,576 0,72 1  0,72 /100
= 0,6043 sampai dengan 0,8357.
 MMPI5103/MODUL 4 4.43
b. p  z / 2 p(1  p) / n
 0,72  2,576 0,72 1  0,72 /100
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
Selang kepercayaan bagi µ:


x  z  2.500.000  201.433, 4.
2 n
Sehingga, dugaan interval bagi rata-rata pendapatan nelayan di Provinsi
A adalah 2.298.567 < µ < 2.701.433.
Artinya, rata-rata pendapatan nelayan di Provinsi A berkisar antara
Rp.2.298.567,00 sampai dengan Rp.2.701.433,00.
7) Karena data kurang dari 30 dan varians populasi tidak diketahui maka
gunakan uji t. Dari data diperoleh x = 10 dan s = 0,283. Dari Tabel
Distribusi T diperoleh t0,025 = 2,447 untuk derajat bebas , db = 6.
Sehingga, interval kepercayaan 95% bagi rata-rata ikan gurami di kolam
Pak Andi adalah:
 0, 283 
µ : 10 ± (2,447)  
 7 
menjadi 9,74 < µ < 10,26.
Kesimpulannya, pemilik rumah makan jadi memborong ikan gurami di
kolam Pak Andi.
4.44 Statistika 
Dugaan titik untuk proporsi ialah p 

340
8)  0,68 . Nilai Z0,025 = 1,96.
500
Sehingga, selang kepercayaan bagi π adalah:
(0, 68)(0,32) (0, 68)(0,32)
0, 68  1,96  p  1,96 .
500 500
Hasilnya menjadi 0,64 < p < 0,72.
9) Pandanglah ke-500 orang yang diteliti sebelumnya sebagai sampel
pendahuluan yang memberikan dugaan p = 0,68. Agar dugaan
proporsinya meleset kurang dari 0,02 maka ukuran sampelnya sebesar:
( z ) 2  (1   ) (1,96) 2 (0, 68)(0,32)
n   /2 2   2.090.
E (0, 02) 2
10) Dugaan titik bagi varians adalah S 2 yang dapat dihitung dengan rumus:
2
n
 n 
n xi    xi 
2
 i 1   (10)(21.273,12)  (461, 2)  0, 286.

2
S 2  i 1
n (n  1) (10)(9)
Selang kepercayaan 95% bagi σ2 diperoleh dengan mencari nilai peluang
distribusi Khi Kuadrat untuk, derajat bebas v = 9. Karena  = 0,05 maka
ambil nilai peluang Khi Kuadrat: 2 0,025 = 19,023 dan 2 0,975 = 2,700.
Sehingga, selang kepercayaan 95% bagi σ2 adalah:
(9)(0,286) (9)(0,286)
 σ2  .
19,023 2,700
atau 0,135 < σ2 <0,953.
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
2) a. Karena  tidak diketahui maka ditentukan  = 0,5 sehingga sampel

minimum adalah:
( z ) 2  (1   ) (1,96) 2 0,5(1  0,5)
n   /2 2   15,37  16.
E 0, 252
Karena jumlah sampel yang diambil adalah 22 > 16 maka sampel
tersebut sudah cukup secara statistik.
b. H0 :   19/22 versus H1 :  > 19/22
25 19
ˆ   o 
Statistik uji : Z hitung   35 22  2,57.
 0 (1   0 ) 19 19
(1  )
n 22 22
35
Z = Z0,05 = 1,645.
Karena Zhitung < Z maka H0 tidak ditolak. Artinya, pernyataan
dalam artikel tersebut salah.
3) H0 :   0,95 versus H1 :  < 0,95.
90
 = 0,05; ̂   0,9 dan n = 100.
100
Statistik uji : Zhitung = ˆ   o (0,9  0,95)

  2, 29.
 0 (1   0 ) 0,95(1  0,95)
n 100
Z = Z0,05 = 1,645.
Karena Zhitung < -Z maka H0 ditolak. Artinya, proporsi barang yang baik
terbukti kurang dari 95%.
4) H0 :   50 versus H1 :  < 50 .
Diketahui:  = 0,05; x  42 ; s = 11,9 dan n = 12.
x  0 42  50
Statistik uji : t hitung =   2,33.
s 11,9
n 12
t (n-1; ) = t (11; 0,05) = 1,796.
H0 ditolak apabila thitung < –t (n-1; ).
Keputusan: Tolak H0 pada taraf nyata 0,05. Karena –2,33 < –1,796.
Dengan demikian, dapat dibuat kesimpulan bahwa prosedur registrasi yg
baru lebih efisien dalam hal waktu lamanya registrasi.
4.46 Statistika 
5) H0 : 2  0,25 versus H1 : 2 < 0,25.

Diketahui: n = 20, s = 0,1 dan 0 = 0,5.
Statistik uji:
(n  1) s 2 (20  1)(0,1) 2
 hitung
2
   0, 76.
 02 0, 25
2 (n-1; 1- ) = 2 (19; 0.95) = 30,143.
Ternyata 2 hitung < 2 (19;0,95) maka menolak H0 yang berarti  < 0,5 tahun.
6) Karena simpangan baku populasi diketahui maka gunakan uji Z.
Hipotesis:
H0 : µ = 2.000.000.
H1 : µ > 2.000.000.
Silakan hitung statistik uji Z seperti pada contoh.
Kesimpulan, tolak H0 .
7) Karena varians populasi tidak diketahui maka dunakan uji T.
Hipotesis :
H0 : µ ≥ 1 kg atau 10 ons.
H1 : µ < 1 kg atau 10 ons.
Silakan hitung statistik uji t seperti pada contoh.
Kesimpulan:
Tidak tolak H0 . Berarti, rata-rata ikan gurami di kolam Pak Andi lebih
besar atau sama dengan 1 kg, sehingga sang pemilik rumah makan
memutuskan untuk memborong ikan di kolam Pak Andi.
8) Uji mengenai proporsi.
Perhatikan bahwa, pertanyaan mengenai apakah yang menyukai kerupuk
kulit ikan lebih banyak daripada yang tidak menyukai berarti bahwa
proporsi yang dihipotesiskan adalah 0,5 atau 50%. Karena proporsi 0,5
menunjukkan kondisi yang fifty-fifty sehingga proporsi yang menyukai
kerupuk kulit ikan lebih dari 0,5 artinya yang menyukai lebih banyak
daripada yang tidak menyukai.
Hipotesis:
H0 : π ≤ 0,5.
H1 : π > 0,5.
Silakan hitung statistik proporsi seperti pada contoh.
Kesimpulan, tolak H0 . Artinya, orang yang menyukai kerupuk kulit ikan
lebih banyak daripada yang tidak menyukai.
 MMPI5103/MODUL 4 4.47
9) Uji mengenai varians populasi.

Hipotesis :
H0 : σ2 = 0,5.
H1 : σ2 < 0,5.
Silakan hitung statistik uji varians seperti pada contoh.
Kesimpulan: Tolak H0 .
10) Uji mengenai proporsi.
Hipotesis :
H0 : π ≤ 0,5.
H1 : π > 0,25.
Silakan hitung statistik uji proporsi seperti pada contoh.
Kesimpulan:
Pada taraf nyata 5% belum cukup bukti untuk menolak H 0 , sehingga
calon pengusaha tersebut tidak memiliki dasar yang kuat untuk
melanjutkan memproduksi makanan olahan dari rumput laut.
4.48 Statistika 
Daftar Pustaka
Company.


Statistics for Engineer and Scientist, Eight Ed., Pearson Prentice Hall.
Modul 5
Uji Hipotesis Dua Populasi

P ENDAHULU A N
S audara, pada Modul 4 Anda telah mendapatkan materi tentang pendugaan

interval kepercayaan dan pengujian hipotesis untuk satu populasi. Nah,
sementara realitasnya dalam kehidupan, ketertarikan kita tak hanya sebatas
pada inferensia terhadap karakteristik satu populasi saja, melainkan juga
ingin membandingkan karakteristik dua populasi. Misalnya, bagaimana
perbedaan produksi lele di kolam terpal dan kolam tanah? Bagaimana
perbedaan keuntungan bertani ikan gurami dengan ikan nila? Manakah yang
lebih menguntungkan? Manakah yang lebih efektif antara menangkap ikan
menggunakan jaring dengan memancing? Demikianlah contohnya. Nah,
untuk keperluan tersebut, tentu kita tidak bisa menggunakan prosedur
pendugaan interval kepercayaan dan pengujian hipotesis satu populasi
sebagaimana telah dibahas sebelumnya.
Berdasarkan pemikiran tersebut maka pendugaan interval kepercayaan
dan uji hipotesis ini dapat dikembangkan untuk kasus dua populasi. Jika ada
dua populasi yang berbeda maka beberapa perbandingan tentang parameter-
parameter dari kedua populasi tersebut dapat dilakukan. Perbandingan
parameter tersebut misalnya perbandingan antara dua rata-rata, antara dua
proporsi dan antara varians dari kedua populasi.
Modul ini berisi uraian mengenai interval kepercayaan dan uji hipotesis
dua populasi. Setelah mempelajari modul ini diharapkan Anda dapat:
1. Menentukan interval kepercayaan dan uji hipotesis kesamaan rata-rata
dari dua populasi normal dengan varians populasi diketahui.
dari dua populasi normal dengan varians populasi tidak diketahui.
dari dua populasi untuk data berpasangan.
5.2 Statistika 
4. Menentukan interval kepercayaan dan uji hipotesis kesamaan varians

dari dua populasi.
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.
Kegiatan Belajar
Interval Kepercayaan dan Uji Hipotesis

Dua Populasi
P engujian hipotesis dua populasi bertujuan untuk membandingkan dua

macam populasi. Misalnya pengusaha ikan gurame sedang berusaha
meningkatkan berat badan ikan gurame dengan memberikan pakan jenis A.
Untuk mengetahui apakah jenis makanan tersebut mampu meningkatkan
berat badan ikan atau tidak, perusahaan membentuk dua kelompok ikan
gurame. Data ikan tersebut dapat menggunakan pengambilan data sampel
dari populasi atau keseluruhan data di populasi. Kelompok pertama adalah
ikan gurame tanpa diberi pakan jenis A. Sementara itu, kelompok kedua ikan
gurame yang diberi pakan jenis A. Selanjutnya, dilakukan uji rata-rata berat
badan, apakah rata-rata berat badan kelompok ikan kedua lebih besar dari
kelompok pertama. Untuk itu, pengujian dua populasi ini sangat penting
dalam pengambilan keputusan.
Berikut uraian terperinci mengenai prosedur pendugaan interval
kepercayaan dan pengujian hipotesis dua populasi.
A. INTERVAL KEPERCAYAAN DAN UJI HIPOTESIS KESAMAAN

RATA-RATA DARI DUA POPULASI NORMAL UNTUK KASUS
VARIANS POPULASI DIKETAHUI
Misalkan ada dua populasi normal yang berbeda, populasi pertama


berdistribusi N 1 ;  1
2
 
dan populasi kedua berdistribusi N  2 ;  2 ,
2

anggap  dan  diketahui. Dari populasi pertama diambil sampel random
2
1
2
2
berukuran n 1 dengan rata-rata x 1 dan dari populasi kedua diambil sampel

random berukuran n 2 dengan rata-rata x 2 . Untuk kasus penarikan sampel dari
satu populasi tidak mempengaruhi penarikan sampel pada populasi y ang lain
atau disebut sampel saling bebas maka 100 1    % interval kepercayaan
untuk µ1  µ 2 adalah:
5.4 Statistika 
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.
Hipotesis Satu Arah:

(i) H0 : 1  2 . (ii) H0 : 1 ≥ 2 .
H1 : 1 > 2 . H1 : 1 < 2 .
Hipotesis Dua Arah:

H0 : 1 = 2 .
H1 : 1  2 .
Secara umum dapat dinyatakan sebagai berikut.

1. Hipotesis Satu Arah:
(i) H0 : 1 – 2  . (ii) H0 : 1 – 2 ≥ .
H1 : 1 – 2 > . H1 : 1 – 2 < .
2. Hipotesis Dua Arah:

H0 : 1 – 2 = .
H1 : 1 – 2  .
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 < .
Tolak H0 jika Zhitung < –Z.
3. H0 : 1 – 2 = .
H1 : 1 – 2  .
Tolak H0 jika |Zhitung | > Z/2 .
B. INTERVAL KEPERCAYAAN DAN UJI HIPOTESIS KESAMAAN

RATA-RATA DARI DUA POPULASI NORMAL UNTUK
VARIANS POPULASI TIDAK DIKETAHUI
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 
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 
populasi 2 (dinyatakan sebagai n 2 ) masing-masing adalah  30, maka 12

diduga dengan s12 , dan  22 diduga dengan s22 , maka 100 1    % interval
kepercayaan untuk µ1  µ 2 adalah:
s12 s22
 x1 - x1  ± Z /2 + .
n1 n2
4.
2 2

Untuk kasus variansnya dianggap tidak sama  1   2 , tetapi ukuran 
populasi 2 (dinyatakan sebagai n 2 ) masing-masing adalah < 30, maka
12 diduga dengan s12 , dan  22 diduga dengan s22 , maka 100 1    %
interval kepercayaan untuk µ1  µ 2 adalah:
s12 s22
 x1 - x1  ± tv; 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.
Pengujian hipotesis untuk kasus penarikan sampel dari dua populasi

normal saling bebas dan varians kedua populasi tidak diketahui adalah:
1. Hipotesis Satu Arah
(i) H0 : 1 – 2  . (ii) H0 : 1 – 2 ≥ .
H1 : 1 – 2 > . H1 : 1 – 2 < .
2. Hipotesis Dua Arah

H0 : 1 – 2 = .
H1 : 1 – 2  .
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

2 (dinyatakan sebagai n 2 ) masing-masing adalah  30, maka 12 diduga

dengan s12 , dan  22 diduga dengan s22 .
Statistik uji :
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 
a. H0 : 1 – 2  .
H1 : 1 – 2 > .
b. H0 : 1 – 2 ≥ .
H1 : 1 – 2 < .
c. H0 : 1 – 2 = .
H1 : 1 – 2  .
2. Untuk kasus variansnya dianggap sama  1   2 , tetapi ukuran sampel

2 2
 
2 (dinyatakan sebagai n 2 ) masing-masing adalah < 30. 12 diduga
dengan s12 , dan  22 diduga dengan s22
Statistik Uji:
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
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 
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
a. H0 : 1 – 2  .
H1 : 1 – 2 > .
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 .
Atau sama juga dengan |Zhitung | > Z/2 .

4. Untuk kasus variansnya dianggap tidak sama  1   2 , tetapi ukuran

2 2
 
populasi 2 (dinyatakan sebagai n 2 ) masing-masing adalah < 30, maka
12 diduga dengan s12 , dan  22 diduga dengan s22 .
Statistik Uji:
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
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.
Jadi interval kepercayaan 99% untuk  1   2 adalah:

s12 s22 2,92 3,12
 x1  x1   Z 0,005    537  585   2,5758 
n1 n2 35 30
 48 1,9286
 49,9286 s/d  46, 0714.
3. Hipotesis yang sesuai adalah:

H0 : 1 – 2 = 0.
H1 : 1 – 2  0.
Statistik Uji:
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
Dengan mengasumsikan ragam kedua populasi sama, maka:

1. Buatlah selang kepercayaan 95% bagi selisih rataan perusahaan B
dengan perusahaan A dan interpertasikan hasilnya.
2. Ujilah dengan tingkat signifikansi  = 5%, bahwa perusahaan B lebih
baik dari pada perusahaan A.
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   t18; 0,025 85,944 
10 10
5.12 Statistika 
2
 14  2,1 85,944
10
 5, 24 sampai dengan 22, 76.
Interpertasi: karena 95% interval kepercayaan untuk µB  µA  5,24

sampai dengan 22,76, atau µB  µA  0 , maka dapat disimpulkan dengan
kepercayaan 95% perusahaan B lebih baik dari pada perusahaan A.
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
s nA  sB2 nB  10,3 10  8,182 10 

1 2 2 2
   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.
95% interval kepercayaan untuk µB - µA adalah:

sB2 s A2 8,182 10,32
 xB  xA   t17; 0,025    56,5  42,5   2,1  .
nB nA 10 10
Atau 95% interval kepercayaan untuk µB - µA adalah 5,2 sampai dengan 22,8.
C. INTERVAL KEPERCAYAAN DAN UJI HIPOTESIS KESAMAAN

RATA-RATA DARI DUA POPULASI UNTUK DATA
BERPASANGAN
Saudara, inferensia terhadap karakteristik dua populasi tak hanya dapat

dilakukan pada kondisi kedua populasi saling bebas. Ada kalanya kita
menjumpai kasus dimana kedua populasi saling berhubungan atau datanya
berpasangan. Sebagai contoh, Anda tertarik untuk membandingkan tingkat
kesejahteraan masyarakat di desa X sebelum beternak ikan gurame dengan
setelah beternak ikan gurame. Apakah setelah beternak ikan gurame
masyarakat tersebut lebih sejahtera dari segi perekonomiannya atau tidak?
Tentu hal ini dapat dilihat melalui pendapatannya, apakah meningkat atau
tidak setelah mereka beternak ikan gurame. Untuk keperluan tersebut, Anda
mesti harus mengamati responden yang sama sebelum dan s etelah beternak
ikan gurame. Nah, karena objek penelitiannya masih sama, namun diukur dua
kali dalam waktu yang berbeda, maka kasus ini merupakan contoh kasus data
berpasangan atau dua sampel berhubungan.
Metode berikut ini digunakan untuk data sampel peng amatan
berpasangan. Pengamatan berpasangan menunjukkan bahwa pengukuran
pada satu unit objek dilakukan sebanyak 2 kali kesempatan. Sehingga
perbedaan dihitung dari setiap pengukuran yang dilakukan (bukan rata -
ratanya). Perhatikan bentuk data seperti berikut:
5.14 Statistika 
Pengukuran Pengukuran Selisih

Unit Sampel
ke-1 (X1) ke-2 (X2) (d=X1-X2)
1. x11 x12 d1 = x11- x12
2. x21 x22 d2 = x21- x22
... ... ... ...
n. xn1 xn2 dn = xn1- xn2
Pada pembuatan interval kepercayaan dan pengujian hipotesis yang

digunakan adalah data selisih (d), dan diperlakukan seperti uji satu populasi.
Rata-rata dari data selisih (d) dinotasikan d dan simpangan baku dari d
dinotasikan sd .
Interval kepercayaan 100(1   )% untuk d   1   2 adalah:

sd
d  tn 1,  / 2 ,
n
n
 (d i  d )2
di mana s  2 i 1
.
n 1
d
Sedangkan Hipotesis untuk sampel berpasangan adalah sebagai berikut.

Hipotesis Satu Arah:
(i) H0 : d  d 0 . (ii) H0 : d ≥ d 0 .
H1 : d >d 0 . H1 : d < d 0 .
Hipotesis Dua Arah:

H0 : d = d 0 .
H1 : d  d 0 .
Statistik Uji:
d  d0
thitung =  t(db = n-1).
sd / n
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).
Untuk memahami penerapan kasus data berpasangan, pelajari contoh berikut

ini.
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
Berdasarkan data tersebut dapatkah Anda berkesimpulan bahwa metode diet

tersebut efektif ? Gunakan  = 0,05.
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 
Perhatikan bahwa, diet dikatakan efektif jika berhasil menurunkan berat

badan. Artinya, selisih nilai sebelum dengan sesudah hendaknya positif.
d = sebelum – sesudah yaitu rata-rata selisih berat badan sebelum dan sesudah
diet, maka hipotesis yang sesuai adalah:
H0 : d  0.
H1 : d > 0.
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.
D. INTERVAL KEPERCAYAAN DAN UJI HIPOTESIS KESAMAAN

VARIANS DARI DUA POPULASI
Sama halnya dengan pendugaan dan pengujian pada satu populasi,

inferensia mengenai varians dua populasi juga seringkali menarik perhatian.
Nah Saudara, ingat kembali konsep mengenai distribusi sampling bagi
varians populasi. Itu menjadi dasar dalam pendugaan dan pengujian yang
akan kita bahas di sini.
1. Interval Kepercayaan bagi Rasio dua Varians Populasi

Penduga titik bagi rasio dua varians populasi  12 /  22 adalah rasio dua
varians sampel s12 / s22 . Jika 12 dan  22 varians dua populasi normal maka
 22 s12 /  12 s22  F( n 1, n 1) di mana F adalah distribusi F dengan derajat bebas
1 2
pembilang (numerator) = n1 1 dan derajat bebas penyebut (denumerator) =

n2 1 sehingga:
  2 s2 
P  F( n1 1, n2 1;1 / 2)  22 12  F( n1 1, n2 1; / 2)   1   atau identik dengan
 1 s2 
 s12 1  2
s 2
1 
P 2  12  12   1 
 s2 F( n 1, n 1; / 2)  2 s2 F( n1 1, n2 1;1 / 2) 
 1 2
 MMPI5103/MODUL 5 5.17
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 
2. Pengujian Hipotesis bagi Varians Dua Populasi

Sama halnya dengan pengujian bagi rata-rata, hipotesis yang relevan
diuji pada kasus varians dua populasi ini adalah uji satu arah dan dua arah.
Berikut prosedur pengujiannya.
Untuk menguji hipotesis H0 : 12   22 versus H1 : 12   22 ,
di mana statistik ujinya menggunakan statistik F yaitu:
s12
Fhitung  ,
s22
dengan daerah penolakan H0 :
Fhitung  F( n1 1, n2 1;1 / 2) atau Fhitung  F( n1 1, n2 1; / 2) .
Catatan:
1. H0 : 12   22 versus H1 : 12   22 .
Tolak H0 jika Fhitung > F( n1 1, n2 1; / 2) .
2. H0 : 12   22 versus H1 : 12   22 .

Tolak H0 jika Fhitung < F( n1 1, n2 1; / 2) .
Pahami ilustrasi penerapannya berikut ini.
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
Ujilah apakah varians pertumbuhan biomassa tanaman yang mendapatkan

penyinaran normal sama dengan tanaman yang mendapatkan peny inaran
dengan filter? Gunakan  = 10%.
 MMPI5103/MODUL 5 5.19
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.
E. INTERVAL KEPERCAYAAN DAN UJI HIPOTESIS KESAMAAN

PROPORSI DARI DUA POPULASI
Permasalahan yang berkaitan dengan perbandingan proporsi dua

populasi juga sering kali kita jumpai dalam kehidupan sehari-hari. Oleh
karena itu, perlu kita pelajari prosedur pendugaan dan pengujian hipotesis
terhadap selisih dua proporsi populasi.
1. Interval Kepercayaan bagi Selisih Proporsi Dua Populasi

Penduga selisih proporsi dua populasi (1   2 ) digunakan selisih
proporsi sampelnya (ˆ1  ˆ 2 ) .
Untuk n 1 dan n 2 besar yaitu masing-masing  30
  (1  1 )  2 (1   2 ) 
(ˆ1  ˆ2 )  N  1   2 , 1  .
 n1 n2 
Dari konsep mengenai distribusi Normal didapatkan:

P(Z /2  Z  Z /2 )  1  
5.20 Statistika 
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
2. Uji Hipotesis Kesamaan Dua Proporsi Populasi

Sama halnya dengan pengujian pada parameter lain yang telah kita bahas
sebelumnya yaitu rata-rata dan varians, pengujian pada selisih proporsi, dua
populasi ini juga dapat berbentuk uji satu arah dan uji dua arah. Prosedur
pengujiannya sebagai berikut.
a. Uji satu arah kanan:
H0 : 1 – 2  0 .
H1 : 1 – 2 > 0 .
b. Uji satu arah kiri:
H0 : 1 – 2  0 .
H1 : 1 – 2 < 0 .
c. Uji satu arah kiri:
H0 : 1 – 2 = 0 .
H1 : 1 – 2  0 .
 MMPI5103/MODUL 5 5.21
Untuk 0  0, statistik ujinya adalah:
Zhitung = (ˆ1  ˆ 2 )   0
.
ˆ1 (1  ˆ1 ) ˆ 2 (1  ˆ 2 )

n1 n2
Untuk 0 = 0, statistik ujinya adalah:
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 .
b. H0 : 1 – 2  0 .
H1 : 1 – 2 < 0 .
c. H0 : 1 – 2 = 0 .
H1 : 1 – 2  0 .
Ilustrasi penerapan pengujian tersebut sebagai berikut.
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 
n1  1.500; x1  banyak cacat cara lama = 75,

75
berarti proporsi cacat dari cara lama = ˆ1   0, 05.
1.500
Cara baru:
n2  2.000; x2  banyak cacat cara baru = 80,
80
berarti proporsi cacat dari cara baru = ˆ 2   0,04.
2.000
75  80
ˆ   0, 0443.
1.500  2.000
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.
b. Interval kepercayaan 95%

Menggunakan informasi di atas dan silakan lihat rumus interval
kepercayaan bagi selisih proporsi dua populasi. Hasil perhitungannya
sebagai berikut.
(0,05)(0,95) (0,04)(0,96) (0,05)(0,95) (0,04)(0,96)
0,01  1,645   ˆ1  ˆ 2  0,01  1,645  .
1.500 2.000 1.500 2.000
Jika disederhanakan menjadi:
0,0017  ˆ1  ˆ2  0,0217.
 MMPI5103/MODUL 5 5.23
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.
1) Diketahui n1  12; n2  11; x1  22,58; x2  24,82; s1  4,62; s2  3,12.

a. Penduga titik dari  1   2  x1  x2  22,58  24,82  3,77.
b. Rumus interval kepercayaan 95% untuk  1   2 untuk sampel
kecil dan 12   22 adalah:
1 1
 x1  x1   t n1 n 22; /2 sgab  ,
n1 n2
di mana
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
 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 

(ˆ1  ˆ 2 )   0 (0,16  0, 05)  0, 03
Z hitung    3,56.
ˆ1 (1  ˆ1 ) ˆ 2 (1  ˆ 2 ) 0,16(1  0,16) 0, 05(1  0, 05)
 
n1 n2 500 200
Z a  Z 0,05  1, 645.
Karena Zhitung > Z maka tolak H0 . Artinya, data menunjukkan cukup

bukti bahwa proporsi produk rusak dari proses produksi pada siang hari
3% melebihi dari proses produksi pada malam hari.
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. Interval kepercayaan 95%

Lihat rumus, diperoleh hasil: 0,60 < µ1 – µ2 < 4,10.
 MMPI5103/MODUL 5 5.27
5) Silakan lakukan perhitungan sendiri.

a. Interval kepercayaan 95% (2,094; 6,751).
Karena, interval tersebut tidak mencakup kemungkinan σ 1 /σ2 sama
dengan 1 maka anggapan bahwa varians kedua populasi tidak sama
mendapat dukungan dari data.
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
Berikut adalah rumus-rumus interval kepercayaan untuk perbandingan

parameter dua populasi:
Parameter Kasus Interval Kepercayaan 100(1-)%

µ1 - µ2 Sampel saling bebas dimana
populasi pertama berdistribusi σ12 σ 22
N (1 ; 12 ) dan populasi kedua  x1 - x1  ±Z µ /2 +
n1 n2
berdistribusi N (2 ;  22 ) , anggap
σ12 dan σ 22 diketahui.
µ1 - µ2 Sampel saling bebas dengan n 1 s12 s22
dan n 2 masing-masing  30, maka  x1 - x1  ±Z µ /2 +
n1 n2
σ12 dan σ 22 dapat diduga dengan
varians dari kedua sampel yaitu
s12 , dan s22 .
µ1 - µ2 Sampel saling bebas dan varians 1 1
kedua populasi tidak diketahui,  x1 - x1  ± Z µ /2 sgab +
variansnya dianggap sama n1 n2
12   22 ), n 1 dan n 2 masing-  n1  1 s12   n2  1 s22
2
sgab 
masing adalah  30. n1  n2  2
5.28 Statistika 
Parameter Kasus Interval Kepercayaan 100(1-)%

µ1 - µ2 Sampel saling bebas dan varians 1 1
kedua populasi tidak diketahui,  x1 - x1  ± t n1+ n2-2; µ /2 sgab +
n1 n2
variansnya dianggap sama (2 1=
2 2 ), n 1 dan n 2 masing-masing  n1  1 s12   n2  1 s22
adalah < 30.
2
sgab 
n1  n2  2
µ1 - µ2 Sampel saling bebas dan varians s12 s22
kedua populasi tidak diketahui,  x1 - x1  ±Zα / 2 +
variansnya dianggap tidak sama n1 n2
(2 1  2 2 ), n 1 dan n 2 masing-
masing adalah  30.
µ1 - µ2 Sampel saling bebas dan varians s12 s22
kedua populasi tidak diketahui,  x1 - x1  ± tv; µ /2 +
variansnya dianggap tidak sama n1 n2
(2 1  2 2 ), n 1 dan n 2 masing-
s n1  s22 n2 
2 2

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.
Rumus-rumus Uji Hipotesis untuk Perbandingan Parameter Dua Populasi
Kasus H0 Nilai Statistik Uji H1 Daerah penolakan H0

Sampel saling H0 : 1 – 2   Zhitung =  X  X    H1 : 1 – 2 >  Zhitung > Z
H0 : 1 – 2 ≥  H1 : 1 – 2 < 
1 2
bebas dimana Zhitung < –Z
populasi pertama H0 : 1 – 2 =   12  22
 H1 : 1 – 2   |Zhitung | > Z /2
berdistribusi n1 n2
N( 1 ;  22 ) dan
populasi kedua
berdistribusi
N(2 ;  22 ),
anggap 12 dan
 22 diketahui.
Sampel saling H0 : 1 – 2   Zhitung =  X1  X 2    H1 : 1 – 2 >  Zhitung > Z
bebas dengan n 1 H0 : 1 – 2 ≥  2 2 H1 : 1 – 2 <  Zhitung < –Z
dan n 2 masing- H0 : 1 – 2 =  s s
1
 2
H1 : 1 – 2   |Zhitung | > Z /2
masing  30, n1 n2
maka 12 dan  22
dapat diduga
dengan varians
 MMPI5103/MODUL 5 5.29

dari kedua
sampel yaitu s12 ,
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 

atau Fhitung > F (n1-1, n2-1;
 /2)
Untuk n 1 dan n 2 H0 : 1 – 2  0 Untuk 0  0 H1 : 1 – 2 > 0 Zhitung > Z
besar. yaitu H0 : 1 – 2  0 Zhitung = H1 : 1 – 2 < 0 Zhitung < –Z
masing-masing  H0 : 1 – 2 = 0 (ˆ1  ˆ 2 )   0 H1 : 1 – 2  0 |Zhitung | > Z /2
30. ˆ1 (1  ˆ1 ) ˆ 2 (1  ˆ 2 )

n1 n2
Untuk 0 = 0
Zhitung = ˆ1  ˆ2 
ˆ (1  ˆ )(1 n1  1 n2 )
dengan:
X1  X 2
ˆ 
n1  n2
TES FORMATIF
Jawablah pertanyaan berikut dengan ringkas dan jelas!
1) Untuk mengukur efektivitas dari dua pusat pelatihan (Pusat Pelatihan A

dan B), diukur hasil tes dari peserta yang dipilih secara random dari
masing-masing pusat pelatihan tersebut. Diambil sebanyak 30 orang dari
A dan 40 orang dari B, kemudian dilakukan tes kemampu an dan
diperoleh hasil berikut.
Pusat pelatihan A Pusat Pelatihan B
n 1 = 30 n 2 = 40
x1 = 82,5 x2 = 78
s1 = 8 s 2 = 10
a. Jelaskan apa populasi, sampel, dan variabel random pada data ini!
b. Tentukan interval kepercayaan 95% dari beda rata-rata hasil tes
kemampuan! Jelaskan dan interpertasikan hasil yang diperoleh!
2) Ketika menggunakan sampel random dari 8 orang. Lama waktu (dalam
menit) sebelum mengenali suatu produk untuk dua rancangan iklan
berwarna yang berbeda dari suatu produk sebagai berikut.
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 
sektor B 12 data dengan rata-rata sewa per genset adalah

Rp.580.000,00 dan simpangan baku Rp.32.000,00. Apakah yang
dapat disimpulkan dari data di atas dan dengan  = 0,10 ?
6) Seorang pemerhati sektor perikanan budidaya ingin mengetahui
preferensi masyarakat menurut kelompok umur (tua dan muda) terhadap
produk perikanan, khususnya udang. Dari penelitiannya diperoleh data
bahwa di antara 100 orang muda, terdapat 63 orang yang meny ukai
udang dan dari 125 orang tua ada 59 yang suka makan udang. Apakah
ada perbedaan signifikan antara proporsi orang tua dan orang muda yang
menyukai udang? Lengkapi dengan interval kepercayaan 90% bagi
selisih proporsi orang tua dan muda.
7) Panjang ikan cakalang yang berada di perairan pantai dan lepas pantai
diketahui berdistribusi Normal dengan simpangan baku 6 cm untuk
perairan pantai dan 8 cm untuk perairan lepas pantai. Seorang peneliti
ingin mengetahui rata-rata panjang ikan cakalang di kedua jenis perairan
tersebut. Untuk keperluan ini, dia menangkap 50 ekor ikan cakalang di
perairan pantai diperoleh rata-rata panjang 68,5 cm dan 75 ekor ikan
cakalang di perairan lepas pantai diperoleh rata-rata panjang 68 cm.
Apakah yang dapat disimpulkan peneliti tersebut mengenai perbedaan
selisih panjang ikan cakalang dari kedua perairan tersebut? Apakah
cukup beralasan jika dikatakan panjang ikan cakalang di perairan pantai
lebih panjang daripada perairan lepas pantai? Lengkapi dengan interval
kepercayaan 96%!
8) Ingin diketahui apakah beternak lele dapat meningkatkan pendapatan
masyarakat di Kecamatan X. Untuk keperluan ini dilakukan penelusuran
kepada 9 orang petani lele di kecamatan tersebut, dan diperoleh data
pendapatan (dalam juta rupiah) sebagai berikut.
sebelum sesudah
Peternak beternak lele beternak lele
1 3 3
2 4 4,5
3 2,5 2,6
4 2,3 2,5
5 3 3,4
6 4,9 5,1
7 4,1 4,6
8 3,5 3,2
9 2,8 3
 MMPI5103/MODUL 5 5.33
Lakukan pengujian dengan taraf nyata 5% dan lengkapi dengan interval

kepercayaan 95%.
Kasus untuk soal Nomor 9 dan Nomor 10.

Seorang mahasiswa tingkat akhir ingin melakukan penelitian mengenai
evaluasi kinerja pelabuhan. Berikut ini adalah data mengenai kecepatan
bongkar muat perbekalan-perbekalan kapal nelayan di pelabuhan A dan
pelabuhan B.
Pelabuhan Waktu (menit) per kapal
A 102 86 98 109 92
B 81 165 97 134 92 87 114
Asumsikan data berasal dari populasi Normal.
9) Jika mahasiswa tersebut ingin membandingkan kecepatan bongkar muat

di kedua pelabuhan, manakah formula pengujian hipotesis yang h arus
digunakan, yang diasumsikan varians populasinya sama atau tidak?
Gunakan taraf nyata 1%.
10) Lakukan pengujian, apakah benar bahwa selisih rata-rata kecepatan
bongkar muat di pelabuhan B dengan pelabuhan A lebih dari 10 menit?
Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif yang

Anda terhadap materi Kegiatan Belajar.

Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

Anda harus mengulangi materi Kegiatan Belajar, terutama bagian yang
belum dikuasai.
5.34 Statistika 
1) a. Populasi 1: semua peserta di pusat pelatihan A .

Populasi 2: semua peserta di pusat pelatihan B.
Sampel 1: 30 orang peserta dari pusat pelatihan A yang di tes
kemampuannya.
Sampel 2: 40 orang peserta dari pusat pelatihan B yang di tes
kemampuannya.
Variabel random 1: hasil tes kemampuan peserta dari pusat
pelatihan A.
Variabel random 2: hasil tes kemampuan peserta dari pusat
pelatihan B.
b. Interval kepercayaan 95% dari beda rata-rata hasil tes kemampuan
adalah:
s12 s22 82 102
 x1  x1   Z/2   82,5  78   Z 0,025 
n1 n2 30 40
 0, 281 sampai dengan 8, 719.
Artinya dengan kepercayaan 95%, selisih rata-rata hasil tes kemampuan

peserta dari pusat pelatihan A dan pusat pelatihan B terletak antara 0,281
sampai dengan 8,719.
Karena µ1  µ 2 selalu positif (yaitu range dari 0,281 sampai dengan
8,719) maka cenderung rata-rata nilai tes kemampuan dari pusat
pelatihan A lebih besar dari pusat pelatihan B.
2)
Rancangan 1 Rancangan 2 d
1 4 -3
3 2 1
2 3 -1
1 3 -2
2 1 1
1 2 -1
3 3 0
2 3 -1
𝑑̅ -0,75
sd 1,389
 MMPI5103/MODUL 5 5.35
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( dbn1; / 2)  t( db7; 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.
3) a. n 1 = banyak sampel pada suku bunga tetap = 8.

n 2 = banyak sampel pada suku bunga variabel = 5.
Dari data sampel diperoleh: s1  0,581; s2  0,405.
H0 : 12   22 vs H1 : 12   22 .
s12 (0,581) 2
Statistik uji : Fhitung    2, 06.
s22 (0, 405) 2
Daerah penolakan H 0 : Fhitung  F( n1 1, n2 1; ) .
F( n1 1, n2 1; / 2)  F(7,4; 0,05)  6,09.
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 
4) Untuk melakukan uji hipotesis mula-mula dilakukan perhitungan

deskriptif terhadap masing masing sampel yang menghasilkan:
  x x
8 8 2
x
 i 1 i
 58; s  i 1
 260, 29.
2 i
Sampel bahan A : x1
8 1
1
8
  x x
9 9 2
x
 i 1 i
 72, 7; s   98.
i 1
2 i
Sampel bahan B : x2
9 1
2
9
Uji hipotesis dilakukan dengan langkah-langkah berikut.
1. Hipotesis:
H0 : 1 2 = 2 2 .
H1 : 1 2  2 2 .
2. Tingkat kepentingan α = 0,05 = 5 %.
3. Pengujian menggunakan distribusi F.
4. n1  nA  8 dan n2  nB  9 sehingga derajat kebebasan untuk
pembilang adalah v1  n1 1  8 1  7 dan derajat kebebasan untuk
penyebut adalah v2  n2 1  9 1  8.
5. Batas batas penolakan daerah kritis :
α =0,05 = 5 % maka α/2 =0,025 ( gunakan tabel F untuk α =0,025).
Dari tabel untuk α =0,025, db(pembilang ) = v1 =7 dan
db (penyebut ) = 8 sehingga batas kritisnya adalah F(7,8;0.025)  4,53.
6. Aturan keputusan:
Tolak H0 dan terima H1 jika Fhitung > 4,53 jika tidak demikian tidak
menolak H0 .
s2
7. Statistik uji: Fhitung  12  2, 66.
s2
8. Pengambilan Keputusan:
Karena Fhitung < 4,53 maka Ho : 1 2 = 2 2 tidak ditolak (diterima).
Hal ini berarti tidak terdapat perbedaan yang signifikan terhadap
variabel hasil terhadap kedua eksperimen tersebut.
5) Ada dua uji hipotesis yang diperlukan yaitu:

a. Uji F atas variansi:
Hipotesis:
H0 : σ1 2 = σ2 2 .
H1 : σ1 2  σ2 2 .
α = 0,05.
 MMPI5103/MODUL 5 5.37
n 1 = n A =10 dan n 2 = n B = 12 maka derajat bebas pembilang adalah

v1 = n 1 – 1= 9, sedangkan untuk penyebut adalah v2 = n 2 –1 = 11.
α = 0,10 maka α/2 = 0,05 dari tabel F untuk α = 0,05 dan db
pembilang = v1 =9 dan db penyebut= v2 = 11 atau ditulis
F(9,11;0,05) = 2,9.
Statistik uji:
s 2 62.000
Fhitung  12   3, 745.
s2 32.000
Karena Fhitung > 2,9 maka H0 di tolak. Artinya, H1 : 12   22 diterima
atau varians kedua populasi tidak sama.
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 
Nilai Zhitung = 2,40.

Kesimpulan, tolak H0 .
7) Kasus ini diketahui simpangan baku populasi maka menggunakan
statistik Z.
Indeks 1 untuk populasi ikan cakalang di perairan pantai.
Indeks 2 untuk populasi ikan di perairan lepas pantai.
Diketahui:
s1  6 ; n1  50 ; x1  68,5.
s2  8 ; n2  75 ; x2  68.
a  0, 04.
▪ Uji Hipotesis
Hipotesis:
H0 : µ1 ≤ µ2 .
H1 : µ1 > µ2 .
Zhitung = 0,3986.
Z0,04 = 1,75.
Tolak H0 jika Zhitung > Z0,04 .
Kesimpulan: Tidak cukup bukti untuk menolak H 0 . Artinya, belum
cukup alasan untuk mengatakan bahwa rata-rata panjang ikan
cakalang di perairan pantai lebih panjang daripada ikan cakalang di
perairan lepas pantai.
▪ Interval kepercayaan 96% adalah:
Z0,02 = 2,05.
Interval kepercayaan 96% bagi selisih rataan :
–2 ,076 < µ1 – µ2 < 3,076.
Terlihat bahwa interval tersebut memuat nilai 0 sehingga ini mendukung
hasil pengujian hipotesis yang belum dapat menolak H0 .
8) Hipotesis:
H0 : d = µsebelum – µsesudah ≥ 0.
H1 : d = µsebelum – µsesudah < 0.
Interval kepercayaan 95% adalah –0,0420.
Nilai thitung = –2,35.
Kesimpulan: Tolak H0 . Artinya rata-rata pendapatan masyarakat sesudah
beternak lele lebih meningkat dibandingkan sebelum beternak lele.
Dengan demikian, beternak lele dapat meningkatkan rata-rata
pendapatan masyarakat.
 MMPI5103/MODUL 5 5.39
9) Sebelum memutuskan untuk melakukan uji hipotesis mengenai selisih

rata-rata kecepatan bongkar muat, terlebih dahulu dilakukan uji
kesamaan varians antar pelabuhan A dan pelabuhan B.
Nilai Fhitung = 11,59.
Kesimpulan, tolak H0 . Artinya, varians antar pelabuhan A dan pelabuhan
B tidak sama.
10) Uji hipotesis rata-rata kecepatan bongkar muat di pelabuhan A dan
pelabuhan B. Karena berdasarkan jawaban No 9 diketahui bahwa varian s
populasi tidak sama, maka gunakan rumus pengujian hipotesis selisih
rata-rata untuk varians populasi yang tidak sama.
Hipotesis:
H0 : µB – µA ≤ 10.
H1 : µB – µA > 10.
Hasil analisisnya sebagai berikut.

Interval kepercayaan 95% untuk batas bawah adalah –10,3.
Nilai thitung = 0,22 dan df = 7.
Kesimpulan: belum cukup bukti untuk menolak H 0 . Artinya, rata-rata selisih

kecepatan bongkar muat perbekalan-perbekalan kapal nelayan di pelabuhan
B dengan pelabuhan A tidak lebih dari 10 menit.
5.40 Statistika 
Daftar Pustaka
Company.


Statistics for Engineer and Scientist, Eight Ed ., Pearson Prentice Hall.
Modul 6
Analisis Varians, Korelasi dan Regresi

Dr. Sony Sunaryo, M.Si.
Dewi Juliah Ratnaningsih, S.Si, M.Si.
PEN D A HU L UA N
S audara, statistika inferensia tak terbatas pada pendugaan dan pengujian

hipotesis dua populasi sebagaimana yang telah dibahas pada Modul 4 dan
5. Banyak masalah dalam kehidupan yang lebih kompleks sehingga
membutuhkan penyelesaian melalui analisis statistika yang relevan. Dalam
hal perbandingan karakteristik antar populasi misalnya, untuk kasus dua
populasi kita dapat menyelesaikannya melalui prosedur pengujian yang
melibatkan statistik Z atau T. Lalu, bagaimana jika yang ingin dibandingkan
adalah karakteristik beberapa populasi secara bersamaan? Tentu pengujian
berbasis statistik Z atau T sudah tak dapat lagi digunakan. Oleh karena itu,
muncullah metode yang namanya analisis varians (anava) yaitu metode
analisis statistika yang berguna untuk membandingkan rata-rata dari beberapa
populasi (dua populasi atau lebih).
Analisis tentang perbandingan tersebut berfokus pada populasi, bukan
variabel. Dalam hal ini, variabel yang dijadikan dasar perbandingan hanyalah
satu. Misalnya, bagaimana perbandingan antara produksi ikan kakap dan ikan
lele per bulan? Di sini, yang jadi populasi adalah ikan kakap dan ikan lele,
sedangkan variabelnya adalah produksi.
Selain itu, ketertarikan kita dalam mengamati fenomena kehidupan dapat
saja tak hanya sebatas pada perbandingan satu variabel antar populasi.
Namun juga ingin melihat bagaimana hubungan antar dua variabel dalam
satu populasi? Nah, jika ini yang menjadi keingintahuan kita maka analisis
statistika yang relevan tentu berbeda, yaitu: analisis korelasi dan analisis
regresi.
Anava, analisis korelasi dan analisis regresi inilah yang akan menjadi
pembahasan dalam Modul 6. Materi dalam Modul 6 terdiri atas 2 kegiatan
belajar, yaitu:
6.2 Statistika 
1. Kegiatan Belajar 1: Analisis Varians.

Materi yang dibahas adalah analisis varians satu faktor (satu arah) dan
analisis varians dua faktor (dua arah).
2. Kegiatan Belajar 2: Analisis Korelasi dan Regresi.
Materi yang dibahas adalah korelasi Pearson dan analisis regresi linear
sederhana, pendugaan dan uji hipotesis parameter dalam analisis regresi
sederhana, interval pendugaan untuk variabel respons dan koefisien
determinasi.
Setelah mempelajari modul ini diharapkan Anda mampu:

1. Melakukan analisis varians satu arah dari suatu kasus.
2. Melakukan analisis varians dua arah dari suatu kasus.
3. Menghitung nilai korelasi Pearson.
4. Menentukan persamaan regresi linear sederhana dari suatu kasus.
5. Menentukan pengujian pendugaan parameter regresi linear sederhana.
6. Menentukan nilai koefisien determinasi dari suatu persamaan regresi
linear sederhana.
Kegiatan Belajar 1
Analisis Varians
S ering dalam praktik kita dihadapkan untuk membandingkan nilai rata-rata

suatu variabel untuk lebih dua populasi (kelompok). Analisis varians
berguna untuk mengetahui ada tidaknya perbedaan rata-rata secara nyata
antara dua atau lebih populasi (kelompok). Khusus untuk dua populasi, hasil
analisis varians (anava) akan sama dengan hasil uji Z atau T seperti yang
telah di bahas pada Modul 5. Oleh karenanya, anava lebih sering digunakan
untuk membandingkan lebih dari dua populasi.
Dalam literatur bahasa Indonesia anava dikenal dengan berbagai nama
lain seperti sidik varians, sidik ragam, dan analisis variansi yang dalam
istilah Bahasa Inggrisnya adalah Analysis of Variance (Anova). Anava
termasuk dalam kelompok metode statistika inferensia. Konsep dasar analisis
varians ditemukan oleh Bapak Statistika Modern R.A. Fisher tahun 1923.
Jika bervariasinya rata-rata berasal dari klasifikasi satu faktor saja (misal
faktor jenis kapal) maka disebut analisis varians satu arah (one way anova).
Akan tetapi, jika bervariasinya rata-rata itu berasal dari klasifikasi dua faktor
atau dua klasifikasi (misal jenis kapal dan asal kapal) maka disebut analisis
varians dua arah (two way anova). Dengan kata lain, dalam analisis varians
satu arah hanya memperhitungkan satu faktor saja yang menyebabkan variasi
antar pengamatan. Sedangkan dalam analisis varians dua arah,
memperhitungkan dua faktor yang menyebabkan variasi antar pengamatan.
Kedua analisis sama-sama bertujuan untuk menguji apakah rata-rata (mean)
dari dua atau lebih kelompok tersebut sama atau berbeda secara nyata
(signifikan).
A. ANALISIS VARIANS SATU ARAH
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 
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
Jika rata-rata penyerapan uap air masing-masing jenis adukan beton

dinotasikan dengan 1, 2, 3, 4, dan 5 maka hipotesis yang ingin diuji
adalah:
H0 : 1 = 2 = 3 = 4 = 5 (tidak ada perbedaan rata-rata).
H1 : paling sedikit dua di antaranya tidak sama.
Sebagai analisis tambahan, jika H0 ditolak mungkin saja kelima rata-rata

populasi perlu dibandingkan berpasangan satu persatu. Misalnya 1 dengan 2,
1 dengan 3, dan yang lainnya. Hal ini bertujuan untuk mengetahui pasangan
manakah yang berbeda secara signifikan atau berbeda nyata.
Konsep dari prosedur anava diuraikan sebagai berikut. Jika sampel-
sampel random ukuran n1 , n2 ,..., nk diambil masing-masing saling bebas dari
k populasi yang berbeda. Ke-k populasi yang berbeda tersebut
diklasifikasikan menurut perlakuan atau kelompok. Ke-k populasi tersebut
diasumsikan saling bebas dan berdistribusi Normal dengan rata-rata
 1 ,  2 , ... ,  k dan variansi yang sama  2 . Ukuran sampel n1 , n2 ,..., nk bisa
saja besarnya sama. Bentuk data dalam analisis varians satu arah adalah:
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...

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
Model linear analisis varians satu arah yaitu:

 i  1, 2, , k
y ij     i   ij 
 j  1, 2, , ni
di mana ij ~ IIDN(0, 2).
IIDN : Identik Independen dan berdistribusi Normal (0, 2).
yij = pengamatan ke-j dari populasi (kelompok) ke-i.
 = rata-rata umum.
i = efek/pengaruh populasi (kelompok) ke-i.
ij = kesalahan/residual/error.
ni = banyaknya pengamatan (ulangan) pada populasi (kelompok) ke-i.
Tabel Analisis Varians (ANAVA)
Jumlah Derajat
Kuadrat bebas Rata-rata Kuadrat
Sumber Variansi Frasio
(Sum of (Degrees of (Mean Square)
Squares) Freedom)
Antar kelompok SSTr k-1 MSTr = SSTr / (k-1) MSTr

(treatment)
MS E
Error (dalam SSE N-k MSE = SSE / (N-k)

kelompok)
Total SST N-1
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).
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.
ni
k
T..2
SST  ( y ij ) 2 
i 1 j 1 N
16.854 
2
  551  457  679  

2 2 2
 209.377.
30
k
Ti.2 T..2
SSTr   
i 1 ni N
 16.854 
2
 3.3202 3.416 3.6632 2.7912 3.6642
       85.356.
 6 6 6 6 6  30
SSE  SST  SSTr  209.377  85.356  124.020.

Sehingga tabel ANAVA adalah:
Jumlah Derajat
Rata-rata
Kuadrat bebas
Sumber Varians Kuadrat (Mean Frasio
(Sum of (Degrees of
Square)
Squares) Freedom)
Adukan 85.356 4 21.339 4,30
Error 124.020 25 4.961
Total 209.377 29
Hipotesis:
H0 : 1= 2 = ... = 5 (tidak ada perbedaan rata-rata antara ke-5 adukan).
MS Tr
Statistik uji : Frasio   4,30.
MS E
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 
B. ANALISIS VARIANS DUA ARAH
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...
Model linear analisis varians dua arah yaitu:

 i = 1,2,, a

y ij k =  +  i +  j  ( )ij   ij k  j  1,2,...,b
 k = 1,2,, n

di mana ijk ~ IIDN(0,2).
yijk = pengamatan ke-j dari populasi 1 (kelompok 1) ke-i, populasi 2
(kelompok 2) ke-j dan ulangan ke-k.
i = efek/pengaruh populasi 1 (kelompok 1) ke-i.
j = efek/pengaruh populasi 2 (kelompok 2) ke-j.
ijk = kesalahan/residual/error.
n = banyaknya pengamatan (ulangan) pada tiap populasi 1 ke-i dan
populasi 2 ke-j (yang pada kasus ini dianggap ulangannya sama).
Langkah-langkah pengujian hipotesis:

1. H0 : 1  2  a  0.
H0 : 1  2   b  0.
H0 :  11   12     ab  0.
2. H1 : Paling sedikit satu i tidak sama dengan nol.
H1 : Paling sedikit satu  i  j tidak sama dengan nol.
H1 : Paling sedikit satu  ij tidak sama dengan nol.
3. Penentuan nilai Ftabel dengan  = 0,05:
Nilai F(a -1; ab(n-1); ).
Nilai F(b -1; ab(n-1); ).
Nilai F((a -1) (b -1); ab (n-1); ).
Sehingga dapat ditentukan daerah penerimaan dan penolakan H 0.
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 
Error (E) SSE ab(n-1) SSE/[ab(n-1)]

Total (T) SST abn - 1
Beberapa formula yang membantu penyelesaian permasalahan adalah:

SST (Sum Square for the Total Sample):
a b n a b n
y2
SST   ( y ijk  y ...) 2   ( y ijk ) 2  ... .
i 1 j  1 k  1 i 1 j  1 k  1 abn
6.10 Statistika 
SSR (Sum of Square between Rows):

a
y2 y2
SS R   i..  ... .
i 1 bn abn
SSC (Sum of Square between Column):
b y2
y2
SSC    ... .
. j.
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

a b n a b n
y...2
SST   ( y ijk  y ...) 2   ( y ijk ) 2 
i 1 j  1 k  1 i 1 j  1 k  1 abn
2.287 2
  702  752   812    387,37.
30
SSM (Sum of Square between Mesin):
a
yi2.. y.2..
SS M   
i 1 bn abn
 1.1042 1.1832  2.287 2
    208, 03.
 15 15  30
SSO (Sum of Square between Oli):
b y2
y2
SSO    ...
. j.
j 1 an abn
 7512 7502 7862  2.287 2
     84, 07.
 10 10 10  30
6.12 Statistika 

 a b y.2j . y...2 
SS I      SSM  SSO
 i 1 j 1 n abn 
 
 386 386 386 386 386 386  2.287 
2 2 2 2 2 2 2
         208, 03  84, 07
 5 5 5 5 5 5  30 
 26, 47.
SSE (Sum of Square Error)  SST  SSI  SSM  SSO

 387,37  26, 47  208, 03  84, 07  68,80.
Tabel ANAVA adalah:
Jumlah
Sumber Jumlah Derajat
Rata-rata Frasio
Varians Kuadrat Bebas
Kuadrat
Mesin (M) 208,03 1 208,03 (208,03/2.867) = 72,57
Oli (O) 84,07 2 42.035 (42.035/2.867) = 14,66
Interaksi (I) 26,47 2 13.235 (13.235/2.867) = 4,62
Error (E) 68,80 24 2.867
Total (T) 387,37 29
F(1;24;0,05) = 4,26; F(2;24;0,05) = 3,4.
Uji efek jenis mesin:

H0 : 1  2  0 (jenis mesin tidak berpengaruh pada kinerja mesin).
H1 : Paling sedikit satu i tidak sama dengan nol (jenis mesin berpengaruh
pada kinerja mesin).
MS Mesin 208, 03
Statistik uji : Frasio    72,57.
MS Error 2,87
Karena Frasio > F(1;24); 0,05 = 4,26, maka tolak H0 artinya jenis mesin
berpengaruh pada kinerja mesin.
 MMPI5103/MODUL 6 6.13
Uji efek jenis oli:

H0 : 1  2  3  0 (jenis oli tidak berpengaruh pada kinerja mesin).
H1 : Paling sedikit satu  j tidak sama dengan nol (jenis oli berpengaruh
pada kinerja mesin).
MSOli 42, 035
Statistik uji: Frasio    14, 66.
MS Error 2,87
Karena Frasio > F(2;24); 0,05 = 3,46 maka tolak H0. Artinya, jenis oli
berpengaruh pada kinerja mesin.
Uji efek interaksi jenis mesin dan jenis oli:

H0 :  11   12   13   21   22   23  0 (interaksi
jenis mesin dan jenis oli tidak berpengaruh pada kinerja mesin).
H1 : Paling sedikit satu  ij tidak sama dengan nol (interaksi jenis mesin
dan jenis oli berpengaruh pada kinerja mesin).
MS I 13, 235
Statistik uji: Frasio    4, 62.
MS Error 2,87
Karena Frasio > F(2;24); 0,05 = 3,46, maka tolak H0. Artinya interaksi jenis mesin
dan jenis oli berpengaruh pada kinerja mesin.
C. ANAVA DUA ARAH TANPA ULANGAN
Jika bentuk datanya tidak ada pengulangan seperti berikut.
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 
maka rancangan datanya biasanya disebut rancangan Blok. Di mana baris

dianggap sebagai Blok.
Model statistik analisis varians dua arah yaitu:
 i = 1,2,, a

y ij =  +  i +  j   ij 
 j  1,2,...,b

dimana ij ~ IIDN(0,2).
IIDN : Identik Independen dan berdistribusi Normal (0, 2).
yij = pengamatan ke-j dari populasi 1 (Blok) ke-i, populasi 2 (Perlakuan)
ke-j.
i = efek/pengaruh populasi 1 (Blok) ke-i.
j = efek/pengaruh populasi 2 (Perlakuan) ke-j.
ij = kesalahan/residual/ error.
Langkah-langkah pengujian hipotesis:

1. H0 : 1  2   b  0.
2. H1 : Paling sedikit satu  j tidak sama dengan nol.
3. Penentuan nilai Ftabel dengan  = 0,05.
Nilai F(; b -1; (a-1)(b-1)).
Sehingga dapat ditentukan daerah penerimaan dan penolakan H 0.
4. Perhitungan tabel ANAVA:
Sumber Jumlah Derajat Jumlah Rata-rata

Frasio
Varias Kuadrat Bebas Kuadrat
Baris (R) SSR a-1 SSR/(a-1) -
Kolom (C) SSC b-1 SSC/(b-1) SSC /  b - 1
SSE /   a - 1 b - 1 
Error (E) SSE (a-1)(b-1) SSE/[(a-1)(b-1)]

Total (T) SST ab - 1
Beberapa formula yang membantu penyelesaian permasalahan adalah:

a b a b
y2
SST   ( y ij  y ..) 2   ( y ij ) 2  .. .
i 1 j  1 i 1 j  1 ab
 MMPI5103/MODUL 6 6.15
SSR (Sum of Square between Rows):

a
y2 y2
SS R   i.  .. .
i 1 b ab
SSC (Sum of Square between Column):
b y2
y2
SSC    .. .
.j
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.
Catat bahwa dalam rancangan ini beberapa pakar statistika menyarankan

Blok tidak diuji signifikansinya karena fokus hanya ingin tahu ada tidaknya
pengaruh perlakuan pada pengamatan respon.
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

a b
y2 2 3
y2
SST   ( y ij ) 2  ..   ( y ij ) 2  ..
i 1 j  1 ab i 1 j  1 2(3)
89,92
 5, 22  6,52  12,32   29 2   426,588.
6
SSR (Sum of Square between Rows) = SSPabrik
a
y2 y2 2
y2 y2
SS Pabrik   i.  ..   i.  ..
i 1 b ab i 1 3 2(3)
39,92 502 89,92
    17, 002.
3 3 6
SSC (Sum of Square between Column) = SSPewarna
b y2 3 y2
y2 y2
SS Pewarna    ..    ..
.j .j
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:
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).
Penentuan nilai Ftabel dengan  = 0,05.

Ftabel = F(b -1; (a-1)(b-1)),  = F(2; 2; 0.05) = 19,00.
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.
Saudara, demikianlah uraian tentang anava dua arah. Bagaimana penguasaan

Anda? Jika masih memerlukan pengulangan, silakan mengulangi uraian
materi di atas, jika sudah paham, silakan mantapkan lagi pemahaman Anda
dengan mengerjakan soal-soal latihan dan tes formatif.
LAT IH A N

1) Diketahui 15 karyawan dengan tingkat keterampilan yang hampir sama
dikelompokkan ke dalam 3 kelompok, masing-masing 5 orang. Pada
masing-masing kelompok diterapkan tiga metode pelatihan yang berbeda.
Jumlah produk yang dihasilkan masing-masing karyawan setelah
mengikuti program pelatihan. disajikan dalam data berikut.
Metode 1 Metode 2 Metode 3
17 33 33
21 23 45
33 21 27
31 23 39
23 35 31
Uji apakah rata-rata jumlah produk yang dihasilkan setiap kelompok
sama? Gunakan  = 0,05.
6.18 Statistika 
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
Lakukanlah pengujian dengan taraf nyata 0,01. Apakah rata-rata

lamanya kesembuhan dari kelima obat tersebut sama?
 MMPI5103/MODUL 6 6.19
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
 17 2  212  312    832.

15
k
Ti.2 T..2
SSMetode   
i 1 ni N
 1252 1352 1752   435
2
     280.
 5 5 5  15
SSE = SST – SSMetode = 832 – 280 = 552.

Sehingga tabel ANAVA adalah:
Sumber Jumlah Derajat Rata-rata

Frasio
Varians Kuadrat bebas Kuadrat
Metode 280 2 140 3,04
Error 552 12 46
Total 832 14
Hipotesis:
H0 : 1= 2 = ... = 5 (tidak ada perbedaan rata-rata antara ke-3 metode).
6.20 Statistika 
MS Metode
Statistik uji : Frasio   3, 04.
MS E
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.
2) Perhitungan total pengamatan untuk masing-masing level suhu, level

tekanan dan kombinasi level suhu dan tekanan (yang disebut sub total)
adalah:
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

a b n
y...2 2 3 4
y...2
SST   ( y ij k ) 2    ( y ij k ) 2 
i 1 j = 1 k = 1 abn i 1 j = 1 k = 1 2(3)(4)
336,32
  5, 2 2  62  24 2    1.393,83.
24
SSTekanan (Sum of Square between Tekanan)
a
yi2.. y.2..
SSTekanan   
i 1 bn abn
 150, 22 186,12  336,32
    53, 7.
 12 12  24
 MMPI5103/MODUL 6 6.21
SSSuhu (Sum of Square between Suhu) :

b y2
y2
SSSuhu    ...
. j.
j 1 an abn
 47,32 1022 187 2  336,32
     1.238,88
 8 8 8  24
 35, 4.

 a b y.2j . y...2 
SS I      SSTekanan  SS Suhu
 i 1 j 1 n abn 
 
 23 46,1 81,1 24,3 55,9 105,9  336,3 
2 2 2 2 2 2 2
         53, 7  1.238,88.
 4 4 4 4 4 4  24 
SSE (Sum of Square Error) = SST  SSI  SSTekanan  SSSuhu
= 1393,83  35, 4  53, 7  1238,88  65,85.
Tabel ANAVA adalah:

Frasio
Varians Kuadrat Bebas rata Kuadrat
Tekanan 53,7 1 53,7 (53,7/3,658) = 14,68
Suhu 1238,88 2 619,44 (619,44/3,658) = 169,33
Interaksi (I) 35,4 2 17,698 (17,698/3,658) = 4,84
Error (E) 65,85 18 3,658
Total (T) 1393,83 23
F(1; 18); 0,05 = 4,41; F(2; 18); 0,05 = 3,55.
Uji efek Tekanan:

H0 : 1  2  0 (tidak ada pengaruh tekanan).
H1 : Paling sedikit satu  i tidak sama dengan nol (ada pengaruh
tekanan).
MSTekanan 53, 7
Statistik uji : Frasio    14, 68.
MS Error 3, 658
Karena Frasio > F(1;18; 0,05 = 4,41, maka tolak H0. Artinya, tekanan
berpengaruh pada waktu reaksi.
6.22 Statistika 
Uji efek Suhu:

H0 : 1  2  3  0 (tidak ada pengaruh terhadap suhu).
H1 : Paling sedikit satu  j tidak sama dengan nol (ada pengaruh
terhadap suhu).
MS Suhu 619, 44
MS Error 3, 658
Karena Frasio > F(2;18); 0,05 = 3,55 maka tolak H0. Artinya, suhu
berpengaruh terhadap waktu reaksi.
Uji efek interaksi Tekanan dan Suhu:

H0 :  11   12   13   21   22   23  0
(interaksi tekanan dan suhu tidak berpengaruh terhadap waktu
reaksi).
H1 : Paling sedikit satu  ij tidak sama dengan nol (interaksi
tekanan dan suhu berpengaruh terhadap waktu reaksi).
MS I 17, 698
MS Error 3, 658
Karena Frasio > F(2; 18); 0,05 = 3,55, maka tolak H0. Artinya, interaksi
tekanan dan suhu berpengaruh terhadap waktu reaksi.
3) Kasus anava satu arah

Hipotesis:
H0 : A= B = ... = E (tidak ada perbedaan waktu sembuh antar
pemberian jenis obat).
H1 : Minimal ada satu pasang jenis obat yang memberikan waktu
sembuh yang berbeda.
Nilai Fhitung = 6,90 (silakan dicek kemudian bandingkan dengan Ftabel).
Kesimpulan dari hasil analisis:

Tolak H0, artinya minimal ada satu pasang obat yang memberikan efek
waktu sembuh yang berbeda.
 MMPI5103/MODUL 6 6.23
R A NG KU M AN
1. Analisis varians satu arah hanya memperhitungkan satu faktor saja

yang menyebabkan variasi antar pengamatan. Sedangkan dalam
analisis varians dua arah, memperhitungkan dua faktor yang
menyebabkan variasi antar pengamatan.
2. Tujuan analisis varians (anava) adalah untuk menguji apakah rata-
rata (mean) dari dua atau lebih kelompok tersebut sama atau berbeda
secara nyata (signifikan).
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.
Jenis I Jenis II Jenis III Jenis IV

38 25 37 36
32 33 43 43
38 35 37 37
31 31 43 43
37 27 42 42
40 29 45 45
Uji apakah umur rata-rata masing-masing jenis ban sama?

Gunakan  = 0,05.
2) Sebuah studi diadakan untuk menguji lima jenis bahan bakar. Enam
mobil (dianggap sama) digunakan untuk tujuan tersebut dan masing-
masing jenis bahan bakar digunakan pada keenam mobil itu. Hasil
percobaan yang merupakan jarak tempuh (km) per liter sebagai berikut.
6.24 Statistika 
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
Dengan  = 5%, apakah data tersebut dapat digunakan untuk:

a. Menunjukkan bahwa ada perbedaan jarak tempuh per liter
berdasarkan bahan bakar?
b. Menunjukkan bahwa ada perbedaan jarak tempuh per liter
berdasarkan mobil yang digunakan?
3) Suatu studi diadakan untuk mengembangkan dua jenis metode pelatihan
dan tiga program software pengolah kata bagi pengetik pemula. Dua
pengetik diambil secara random untuk setiap kombinasi metode
pelatihan dan program software pengolah kata. Data berikut ini
menunjukkan skor yang diperoleh pada akhir pelatihan. Gunakan  =
0,05 untuk menguji signifikansi perbedaan skor karena dipengaruhi oleh
metode pelatihan, program software pengolah kata dan interaksinya.
Program Metode Pelatihan

Software
A B
Pengolah Kata
38 28
1
42 25
33 13
2
37 16
31 4
3
29 7
4) Sebuah perusahaan transportasi penyeberangan ingin membandingkan

tiga merek kapal Ferry sebelum memesan satu armada lengkap dari salah
satu merek. Harga beli tiga merek tersebut sama sehingga diabaikan
dalam penelitian ini. Lima kapal dari masing-masing merek dijalankan
500 km dan rata-rata biaya variabel operasi per km dicatat per kapal.
Akan tetapi karena alasan teknis tertentu dari nahkoda dan awaknya, dua
 MMPI5103/MODUL 6 6.25
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
Lakukan analisis varians untuk penelitian ini, untuk mengetahui apakah

data ini memberikan bukti yang cukup untuk menunjukkan perbedaan
dalam rata-rata biaya variabel per km operasi untuk 3 merek kapal?
5) Jika diketahui hasil Anava sebagai berikut.
Sumber Derajat Jumlah Jumlah Rata-
Frasio
Varians Bebas Kuadrat rata Kuadrat
Row 3 257,889 85,963 …
Column 2 1,056 0,528 …
Interaction 6 17,611 2,935 …
Error 24 54,000 2,250
Total 35 330,556
Lakukan pengujian signifikansi dari Row, Column dan Interaction.
Gunakan  = 0,01.
6) Ingin diketahui perbandingan keuntungan para peternak ikan lele, ikan
gurame, dan ikan nila per kolam dalam setiap panen di suatu daerah.
Untuk itu, dilakukan pendataan terhadap masing-masing 10 peternak
yang diambil sebagai sampel secara acak. Datanya sebagai berikut
(dalam juta rupiah).
Gurame Lele Nila

18 18,5 15
18,5 18 15,9
17,8 18 15,5
18,2 17 16
19 17,5 16,5
18,9 16,9 17
18 18 17,5
16,6 18,5 16
17 19 15
18,5 17,6 15,5
6.26 Statistika 
Lakukan pengujian dengan taraf nyata 5%. Apakah rata-rata keuntungan

budidaya ketiga jenis ikan tersebut sama?
7) Bagan apung merupakan alat tangkap ikan yang menggunakan jaring
angkat dan dioperasikan pada malam hari dengan menggunakan cahaya
lampu untuk menarik ikan. Seorang peneliti bidang perikanan melakukan
percobaan untuk mengetahui pengaruh intensitas cahaya lampu dalam
penggunaan bagan apung untuk menangkap ikan di laut. Penelitian
dilakukan selama 5 hari dan menggunakan empat jenis cahaya lampu,
yaitu petromaks (A), lampu celup bawah air 18 watt (B), lampu celup
bawah air 36 watt (C), dan lampu celup bawah air 54 watt (D). Hari
penangkapan dalam penelitian ini dianggap sebagai kelompok, karena
kondisi laut setiap hari tentunya berbeda. Data hasil tangkapannya
(dalam kilogram) sebagai berikut.
Hari Operasi Intensitas cahaya lampu yang digunakan

Penangkapan A B C D
I 28,9 31,9 57,6 47,4
II 33,6 34,6 42,9 39,2
III 42,3 40,9 58 51,7
IV 52,3 45,9 59,6 61,9
V 54,7 54,1 56,2 55
Berikan deskripsi mengenai hasil tangkapan ikan untuk setiap intensitas
cahaya lampu pada 5 hari penangkapan dengan menggunakan gambar!
8) Alat tangkap ikan semakin lama semakin banyak variasinya. Salah satu
alat tangkap yang digunakan adalah alat tangkap lalangit. Seseorang
melakukan penelitian untuk mengetahui perbedaan rata-rata hasil
tangkapan ikan betok yang diperoleh menggunakan beberapa merek
nilon yang berbeda pada alat tangkap lalangit. Penelitian menggunakan 6
jenis merek nilon pada alat tangkap ikan lalangit, yaitu merek A, B, C,
D, E, dan F. Percobaan dilakukan dengan ulangan sebanyak 6 kali
dengan kondisi semua ulangan homogen. Hasil jumlah tangkapan ikan
(ekor) disajikan dalam tabel berikut.
 MMPI5103/MODUL 6 6.27
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
Lakukan pengujian apakah hasil tangkapan ikan tersebut berbeda

signifikan antar jenis lalangit pada taraf nyata 5%?
9) Hasil tangkapan ikan pada soal Nomor 8 juga disajikan dalam satuan
berat (gram). Datanya sebagai berikut.
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
Berikanlah deskripsi mengenai rata-rata berat tangkapan ikan untuk

setiap merek nilon (jenis lalangit) menggunakan gambar (diagram).
Kemudian, lakukan pengujian apakah terdapat perbedaan yang
signifikan antar jenis lalangit berdasarkan data berat ikan hasil tangkapan
tersebut. Bandingkan hasilnya dengan hasil Nomor 8.
6.28 Statistika 


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

belum dikuasai.
 MMPI5103/MODUL 6 6.29
Kegiatan Belajar 2
Analisis Korelasi dan Regresi
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 
Jadi, inti perbedaan antara analisis korelasi dengan analisis regresi

adalah bahwa analisis korelasi hanya sebatas melihat hubungan saja (ada
hubungan atau tidak, dan jika ada, seberapa erat hubungan tersebut).
Sementara itu, analisis regresi fokus pada hubungan fungsional dan melalui
hubungan fungsional tersebut dapat diketahui pengaruh suatu variabel
(variabel bebas) terhadap variabel yang lainnya (variabel tak bebas).
Mahasiswa yang berbahagia, agar dapat memahami kedua materi ini,
mari kita bahas satu persatu materi ini. Selamat membaca dan memahami.
A. ANALISIS KORELASI
Analisis korelasi yang dibahas di sini adalah analisis korelasi Pearson.

Dalam analisis korelasi, hasil analisis yang dijadikan dasar pengambilan
kesimpulan adalah koefisien korelasi. Koefisien korelasi Pearson dalam hal
ini disingkat menjadi koefisien korelasi saja.
Koefisien korelasi adalah suatu nilai yang menggambarkan tingkat
keeratan hubungan linear antara dua variabel atau lebih. Besaran dari
koefisien korelasi tidak menggambarkan hubungan sebab akibat antara dua
variabel atau lebih tetapi semata-mata menggambarkan keeratan linear antar
variabel. Koefisien korelasi sering dinotasikan dengan r dan nilainya berkisar
antara –1 dan 1 (1  r  1) . Nilai r yang mendekati 1 atau –1 menunjukkan
semakin erat hubungan linear antara kedua variabel tersebut. Sedangkan nilai
r yang mendekati nol menggambarkan hubungan kedua variabel tersebut
tidak linear.
Arti tanda dari nilai r dapat dilihat dari diagram pencar (scatter plot)
pengamatan dari kedua variabel tersebut. Bila titik-titik pengamatan
menggerombol mengikuti garis lurus dengan kemiringan (gradien) positif,
maka korelasi antar kedua variabel tersebut positif. Sebaliknya, bila titik-titik
pengamatan tersebut menggerombol mengikuti garis lurus dengan
kemiringan negatif maka korelasi antar kedua variabel tersebut bertanda
negatif. Beberapa pola hubungan antar variabel dapat dilihat pada
Gambar 6.1 berikut.
 MMPI5103/MODUL 6 6.31
Gambar (a). r >0 Gambar (b). r < 0
Gambar (c). r = 0 Gambar (d). r = 0

Gambar 6.1
Beberapa Pola Hubungan antar Variabel
Pada Gambar 6.1, Gambar a dan Gambar b terlihat kedua variabel

memiliki hubungan yang sangat erat tetapi arah hubungannya berlawanan.
Gambar c menunjukkan kedua variabel tidak berhubungan sedangkan
Gambar d menunjukkan kedua variabel memiliki hubungan yang tidak linear.
Koefisien korelasi Pearson antara variabel X dan Y dapat dirumuskan
sebagai berikut.
n
  x  x  y
i i  y
r i 1
,
 n 2
n
2
   xi  x      yi  y  
 i 1   i 1 
dengan x dan y masing-masing adalah rata-rata dari X dan Y.

Tidak ada aturan baku pengelompokkan keeratan hubungan dua variabel,
namun beberapa orang menggunakan patokan sebagai berikut.
6.32 Statistika 
Nilai Mutlak Korelasi Tingkat Keeratan

0 – 0,3 Tidak erat
0,3 – 0,5 Kurang erat
0,5 – 0,7 Erat
0,7 – 1,0 Sangat erat
Pelajari contoh berikut agar dapat memahami penerapan analisis korelasi.
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.
Jarak tempat usaha ke ibu kota Keuntungan dalam satu

No
kecamatan terdekat (km) hari (ribu rupiah)
1. 10 13
2. 9 12
3. 8 15
4. 13 12
5. 6 14
6. 1 20
7. 9 15
8. 3 19
9. 3 20
10. 4 21
11. 6 20
12. 9 14
13. 2 16
14. 1 22
15. 1 18
Sebelum melakukan analisisis korelasi, membuat diagram pencar (scatter

plot) dapat memberikan gambaran mengenai pola hubungan antara kedua
variabel. Seandainya kita lambangkan X = Jarak tempat usaha ke ibu kota
kecamatan terdekat (km), dan Y = Keuntungan dalam satu hari (ribu rupiah),
maka diagram pencar antara X dan Y sebagai berikut.
 MMPI5103/MODUL 6 6.33
Scatterplot of Y vs X
22
20
18
Y
16
14
12
0 2 4 6 8 10 12 14
X
Jika kita perhatikan Gambar tersebut terlihat bahwa ada kecenderungan

hubungan yang negatif antara jarak dengan keuntungan harian. Hal ini berarti
semakin jauh jaraknya dengan ibu kota kecamatan terdekat, cenderung
semakin kecil keuntungan harian yang diperoleh.
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)
Dua poin penting dalam memaknai koefisien korelasi, yaitu tandanya

dan besaran angkanya. Tanda (+) atau (–) menunjukkan arah hubungan.
Tanda (+) menunjukkan hubungan searah, sedangkan tanda (–) menunjukkan
hubungan berlawanan arah (berbanding terbalik). Sementara besarnya angka
koefisien korelasi menunjukkan keeratan hubungannya. Sebagaimana
dijelaskan sebelumnya, bahwa semakin mendekati 1 maka keeratan
hubungannya semakin tinggi.
Koefisien korelasi sebesar –0,813 menunjukkan hubungan yang
berbanding terbalik dan hubungan yang terjadi adalah erat karena mendekati
nilai 1. Hal ini sesuai dengan deskripsi dari diagram pencar sebelumnya.
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.
Hipotesis untuk pengujian koefisien korelasi populasi sebagai berikut.

H0 :  = 0 (korelasi populasi = 0).
H1 :   0 (korelasi populasi  0).
Statistik uji yang digunakan adalah:
n3  (1  r ) (1  0 ) 
Z hitung  Ln  ,
2  (1  r ) (1  0 ) 
di mana: n = banyaknya data sampel (berpasangan),
r = korelasi sampel.
Kriteria pengujiannya adalah:
Tolak H0 jika Zhitung lebih besar dari Z1-/2 (nilai dari tabel normal standard)
atau Zhitung lebih kecil dari Z/2.
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
dari Contoh 6.4 diperoleh nilai r = –0,813 dan ditentukan 0 = 0.

Statistik uji:
n3  (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.
1. Regresi Linear Sederhana

Regresi linear sederhana adalah persamaan regresi yang menggambarkan
hubungan sebab akibat (fungsional) 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:
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 
0 dan  dalam persamaan regresi di atas disebut parameter. Misalkan kita

ingin membuat persamaan regresi antara bobot badan dan tinggi badan bayi
pada saat lahir di beberapa rumah sakit bersalin pada daerah tertentu.
Persamaan regresi yang dibuat diharapkan mampu menjawab apakah bobot
badan bayi dipengaruhi oleh tinggi badan. Dari kasus ini maka tinggi badan
berperan sebagai variabel bebas (X) dan bobot badan berperan sebagai
variabel tak bebas (Y). Dalam kenyataan sering kali kita tidak dapat
mengamati seluruh anggota populasi, sehingga hanya mengamati n buah
sampel random dan diperoleh pengamatan sampel random berukuran n yaitu
 xi , yi  , i  1, 2, ... n.
Persamaan yang kita peroleh dari data sampel adalah dugaan dari
persamaan populasi dan dapat dituliskan sebagai:
Yî  ˆ0  ˆ X i atau Yî  b0  bX i
dimana: b0 adalah penduga bagi 0 dan b adalah penduga bagi .

Untuk setiap nilai variabel bebas xi , nilai pengamatan yi tidak akan selalu
tepat berada pada garis persamaan Yî  b0  bX i (lihat Gambar 6.2), tetapi
terdapat simpangan e sehingga diperoleh: Y  Yˆ  e atau Y  b  bX  e
i i i i i 0 i i
ei merupakan dugaan dari i.
Gambar 6.2
Garis Penduga Hubungan antara Variabel X dengan Y
 MMPI5103/MODUL 6 6.37
Untuk melihat ketepatan pendekatan analisis regresi linear yang

menggambarkan pola hubungan antara X dan Y maka pertama-tama plotkan
nilai pengamatan  xi , yi  pada bidang dua dimensi. Bila hasil plot
menunjukkan kecenderungan hubungan X dan Y membentuk persamaan
linear maka sudah tepat penggambaran hubungan X dan Y dalam persamaan
regresi linear.
2. Pendugaan Nilai Parameter 0 dan 

Untuk menduga parameter 0 dan  terdapat bermacam-macam metode
seperti metode kuadrat terkecil (least square method), metode kemungkinan
maksimum (maximum likelihood method), metode bootstrap, metode kuadrat
terkecil terboboti (weighted least square method), dan banyak lagi metode-
metode lainnya tergantung pada keadaan datanya. Namun sebagai bahan
pengantar dalam modul ini metode yang digunakan untuk menduga
parameter regresi adalah metode kuadrat terkecil. Metode kuadrat terkecil
adalah metode yang umum dipakai dan mudah dikerjakan baik secara manual
maupun dengan bantuan komputer.
Prinsip dasar dari metode kuadrat terkecil ini adalah meminimumkan
jumlah kuadrat simpangan antara data aktual dengan data dugaan (residual).
Secara matematis dapat dijabarkan sebagai berikut.
Yi  0   X i   i dan Yî  ˆ0  ˆ X i ,
sehingga besarnya dugaan residual diperoleh sebagai berikut.
ei  î  Yi  Yî , dan misal q   ei2 ,

i 1
maka untuk mendapatkan penduga kuadrat terkecil dari parameter regresi

adalah dengan meminimumkan nilai q. Dengan menggunakan bantuan
pelajaran kalkulus maka nilai dugaan parameter regresi dapat diperoleh
sebagai berikut.
n n n n
  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 
Besaran nilai b0 dan b dapat diinterpretasikan sebagai berikut:

Pada saat X bernilai nol maka besarnya dugaan nilai Y adalah sebesar a, dan
besarnya perubahaan nilai Y jika terjadi perubahaan pada nilai X satu satuan
adalah sebesar b (lihat Gambar 6.2).
3. Pengujian Hipotesis dan Selang Kepercayaan bagi 0 dan 

Dari persamaan Yi  0   X i   i bila diasumsikan i menyebar Normal
dengan E( i )  0 dan var ( i )   2 untuk semua i, Xi diamati tanpa salah
maka Yi juga akan menyebar Normal dengan E Yi   0   X i dan
Var Yi    untuk semua i.
2
Nilai b0 dan b merupakan dugaan bagi perameter 0 dan , dengan

pengambilan sampel random beberapa kali dapat diperoleh nilai dugaan yang
berbeda bagi 0 dan . Nilai-nilai dugaan tersebut dapat dipandang sebagai
nilai-nilai variabel random B0 dan B. Nila-nilai B0 dan B tersebut tergantung
pada variasi nilai variabel random Y1 , Y2 , ... , Yn . Karena Y1 , Y2 , ... , Yn bebas
dan menyebar Normal maka b0 dan b juga menyebar Normal dengan nilai
rata-rata dan varians sebagai berikut.
Rata-rata : E(b0) = b0 = 0 dan E(b) = b = .
Varians b0:
  
n
x2
 b0  
2 i 1 i  2 ,
 n  n  xi  x 2 
 i 1 
dan varians b:
 1 
 b2   n  2 ,
   xi  x 2 
 i 1 

n 2
e
di mana  diduga dengan Mean Square Error (MSE) =
2
. i 1 i
n2
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 thitung dapat dirumuskan sebagai berikut.

b0  k
thitung  .
 n

  xi2 
MSE  i 1 i 1 
n 
  Xi  X 
2

 n 
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.
Selang kepercayaan (1-) 100% bagi parameter  adalah:
  i 1 xi2       t   i 1 xi2 .

n n
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.
Statistik uji dari hipotesis di atas dapat dituliskan sebagai berikut.

bk
thitung  ,
 i 1 2
MSE 1/   X i  X  
 n 
mengikuti sebaran t-student dengan derajat bebas n  2 . Teknik penarikan

kesimpulan dari kasus ini sama dengan pada pengujian intersep ketika jika
mutlak dari nilai thitung lebih besar dari t/2,db=n-2 maka hipotesis nol ditolak.
6.40 Statistika 
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 
4. Pendugaan bagi Nilai Y

Dalam analisis regresi variabel xi dalam sampel random bersifat tetap
(fixed atau diukur tanpa kesalahan) dan bukan merupakan nilai variabel
random. Untuk suatu sampel random yang berukuran n pada nilai x yang
sama kita mungkin mendapatkan nilai y yang bervariasi (nilainya berbeda-
beda). Dengan kata lain, nilai yi dalam pasangan  xi , yi  merupakan nilai
suatu variabel random Yi dengan rata-rata  y dan varians  y2 .
Persamaan yˆ  b0  bX dapat digunakan untuk menduga rata-rata
y   y  dari pada nilai x  x0 tertentu dan dapat pula digunakan untuk
menduga nilai tunggal y0 bila x  x0 . Bila Yˆ0  b0  bx0 maka Yˆ0 akan
menyebar Normal dengan nilaitengah  ŷ sama dengan  y pada x  x0 dan
0
 1 ( x  x )2  2
 y2ˆ   0 2 
 .
 n (n  1) S x 
0
 x  x 
2
i
S x2  i 1
,
n 1
di mana penduga dari  2  MSE, sehingga selang kepercayaan (1   )100%

bagi rata-rata Y (  y ) bila x  x0 adalah:
 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
Untuk penduga nilai tunggal Y pada x  x0 , diperlukan ketelitian yang lebih

besar dibandingkan pendugaan nilai rata-rata Y pada x  x0 , sehingga selang
kepercayaan yang dihasilkan akan lebih lebar.
 MMPI5103/MODUL 6 6.41
Selang kepercayaan (1   )100% bagi nilai tunggal Y0 bila x  x0 adalah:
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
5. Pengujian menggunakan Analisis Varians (ANAVA)

Uji t dalam analisis regresi seperti tersebut di atas merupakan uji parsial
yaitu uji koefisien regresi satu per satu apakah signifikan atau tidak. Selain,
uji parsial, ada yang namanya uji simultan yaitu uji signifkansi koefisien
regresi secara bersama-sama. Uji ini menggunakan uji F melalui Anava. Hal
ini berlaku untuk regresi berganda. Untuk regresi linear sederhana, karena
hanya melibatkan satu variabel bebas saja maka hasil uji t dengan uji F sama.
Pengujian menggunakan anava di mulai dengan mengisi tabel anava
untuk regresi linear sederhana berikut.
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 n2 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
Tabel analisis varians di atas untuk menguji hipotesis:

H0 : 1 = 0 versus H1: 1  0.
6.42 Statistika 
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.
SSR SST  SSE SSE

R2    1 .
SST SST SST
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
1 70 82 2.352,25 4.251,04 3.162,2

2 55 75 4.032,25 5.212,84 4.584,7
3 120 163 2,25 249,64 23,7
4 130 160 132,25 163,84 147,2
5 80 110 1.482,25 1.383,84 1.432,2
6 90 120 812,25 739,84 775,2
7 150 186 992,25 1.505,44 1.222,2
8 160 183 1.722,25 1.281,64 1.485,7
9 150 183 992,25 1.281,64 1.127,7
10 180 210 3.782,25 3.943,84 3.862,2
Rata-
118,5 147,2
rata
Jumlah 16.302,5 20.013,6 17.823
n
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
ˆ0  b0  y  bx  147, 2  1, 093(118,5)  17, 64.

Dengan demikian, persamaan yang diperoleh adalah:
Harga Jual = 17,64 + 1,093 Luas rumah
Tanda b yang positif menunjukkan bahwa semakin luas rumah yang
dijual maka harganya juga semakin tinggi. Setiap penambahan 1 m2 luas
rumah harga naik sekitar 1,093 juta rupiah. Nilai 17,64 bisa diartikan
sebagai biaya beban yang dikenakan oleh perusahaan penjual sebagai
imbal jasa.
6.44 Statistika 
b. Menentukan koefisien determinasi adalah sebagai berikut:

n
 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:
y = 17,64 + 1,093 (125) = 154,26 juta rupiah
d. Uji parameter regresi:

H0: 0 = 0.
H1: 0  0.
SSE = SST – SSR = 20.013,6 – 19.485,31 = 528,286

MSE = SSE/(n – 2) = 528,286/8 = 66,036
Statistik uji thitung dapat dirumuskan sebagai berikut.
b0  k 17, 64  0
thitung    2, 21.
 n
 156.725
  xi2  66, 036
10(16.032,5)
MSE  i 1 i 1 
n 2 
  Xi  X  
 n 
 MMPI5103/MODUL 6 6.45
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.
Pengujian koefisien regresi:

H0 :  = k.
H1 :   k.
Statistik uji dari hipotesis di atas dapat dituliskan sebagai berikut.

bk 1, 093  0
thitung    17,1734
 i 1 2   
MSE 1 /   X i  X  
1
6, 6036  
 n   1.630, 25 
thitung > t(db=(n-2), /2) = t(8; 0,025) = 2,3 maka hipotesis nol ditolak.
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

1) Suatu perusahaan ingin mengetahui hubungan antara biaya produksi
dengan hasil produksinya. Tabel berikut menunjukkan data besarnya
biaya produksi (Y) dan jumlah barang yang diproduksi (X).
6.46 Statistika 
Biaya Jumlah
Produksi Produksi
(Y) (X)
64 20
61 16
84 34
70 23
88 27
92 32
72 18
77 22
a. Hitung korelasi antara Y dan X, kemudian uji apakah ada

korelasinya antara Y dan X? Interpertasikan hasilnya!
b. Tentukan persamaan garis regresi linear yang menunjukkan
hubungan antara biaya produksi dengan jumlah produksinya.
2) Berikut adalah data mengenai tinggi pohon dan diameter batang.
Tinggi Pohon (y) Diameter Batang (x)

35 8
49 9
27 7
33 6
60 13
21 7
45 11
51 12
a. Tentukan persamaan regresi sederhana dari data tersebut dan

interpretasikan koefisien regresinya!
b. Tentukan koefisien determinasi R2 dan interpretasikan hasilnya!
 MMPI5103/MODUL 6 6.47
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
Sehingga diperoleh persamaan regresinya:

ŷ  40,1 1, 4965 x.
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.
Interpretasi nilai koefisien regresi adalah:

Nilai b1= 4,5413 artinya jika terjadi peningkatan diameter pohon satu
satuan, maka akan terjadi peningkatan tinggi pohon sebesar 4,5413
satuan.
b. Koefisien determinasi (R2) = 0,785 (gunakan rumus seperti pada Contoh

6.6.). Nilai ini berarti bahwa sekitar 78,5% variasi dari variabel diameter
batang pohon dapat menjelaskan variasi tinggi pohon.
R A NG KU M AN
1. Koefisien korelasi Pearson antara variabel X dan Y dapat

dirumuskan sebagai berikut:
n
  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
1) Jika Y merupakan nilai pencapaian mata kuliah Matematika dan X adalah

nilai mata kuliah Statistika dari 10 mahasiswa UT dengan data seperti di
bawah maka tentukan koefisien korelasi dan persamaan regresinya!
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
2) Diketahui data hasil analisis regresi sebagai berikut.

xi yi ŷi = 60 + 5xi
2 58 70
6 105 90
8 88 100
8 188 100
12 117 120
6.50 Statistika 
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.
Panjang Hasil Panjang Hasil

No Jaring Tangkapan No Jaring Tangkapan
(m) (kg) (m) (kg)
1 160 107,062 19 222 127,100
2 173 116,737 20 241 161,157
3 111 64,272 21 183 130,809
 MMPI5103/MODUL 6 6.51
Panjang Hasil Panjang Hasil

No Jaring Tangkapan No Jaring Tangkapan
(m) (kg) (m) (kg)
4 152 98,779 22 169 113,005
5 204 134,906 23 295 198,116
6 174 98,162 24 172 101,301
7 121 78,002 25 140 106,982
8 264 175,344 26 141 102,459
9 225 138,720 27 263 159,737
10 182 108,982 28 216 132,701
11 167 96,317 29 201 124,989
12 182 107,765 30 264 160,747
13 241 141,252 31 231 152,091
14 175 110,519 32 248 150,401
15 145 103,628 33 166 94,087
16 214 136,447 34 193 120,190
17 193 133,566 35 264 176,315
18 125 94,395 36 262 161,278
a. Berikanlah deskripsi mengenai hubungan panjang jaring dengan

hasil tangkapan ikan menggunakan scatter plot!
b. Berapakah koefisien korelasi antara panjang jaring dan hasil
tangkapan ikan? Lakukan pengujian apakah terdapat hubungan yang
signifikan antara kedua variabel!
5) Jika ingin dilihat pengaruh antara panjang jaring terhadap hasil
tangkapan ikan dari kasus soal Nomor 4, analisis apakah yang
digunakan? Lakukan pengujian dan bagaimana persamaan yang
diperoleh? Apakah persamaan tersebut sudah layak digunakan untuk
memprediksi hasil tangkapan ikan berdasarkan panjang jaring?
6) Seorang mahasiswa jurusan perikanan melakukan penelitian untuk tugas
akhirnya mengenai hubungan antara manajemen pelayanan dalam
pemberian fasilitas/prasarana tangkap yang dilakukan oleh Dinas
Kelautan dan Perikanan Kabupaten P dengan kepuasan nelayan. Untuk
itu, diambil sampel sebanyak 20 nelayan. Variabel manajemen
pelayanan diukur melalui 12 pertanyaan yang terdiri atas 3 indikator.
Kepuasan nelayan diukur melalui 12 pertanyaan dengan 6 indikator.
Pada setiap variabel, nilai-nilai jawaban responden dijumlahkan untuk
semua pertanyaan sehingga diperoleh nilai skor responden. Data yang
diperoleh adalah sebagai berikut.
6.52 Statistika 
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
Apakah manajemen pelayanan memberikan pengaruh yang signifikan

terhadap kepuasan nelayan? Bagaimanakah persamaan regresi yang
terbentuk dan bagaimana koefisien determinasinya?


Jumlah Soal

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

mengikuti Ujian Akhir Semester (UAS). Selamat! Jika masih di bawah 80%,
belum dikuasai.
 MMPI5103/MODUL 6 6.53
Tes Formatif 1
1) Hasil perhitungan (lakukan seperti pada Contoh 6.1).
Sumber Derajat Jumlah Kuadrat Frasio

Varias Bebas Kuadrat Rata-rata
Jenis 3 500,1 166,7 12,88
Error 20 258,8 12,9
Total 23 759,0

Bhn Bkr 4 141,482 35,3705 18,68
Mobil 5 68,443 13,6886 7,23
Error 20 37,862 1,8931
Total 29 247,787
Sumber Derajat Jumlah Kuadrat

Frasio
Program 2 482,00 241,00 45,90
Metode_1 1 1140,75 1140,75 217,29
Interaksi 2 62,00 31,00 5,90
Error 6 31,50 5,25
Total 11 1716,25

Varias Bebas Kuadrat Tengah
Merek 2 6,419 3,209 5,15
Error 8 4,987 0,623
Total 10 11,405
6.54 Statistika 
5) Nilai Ftabel untuk baris adalah F(3; 24; 0,01) = 4,72.

Untuk menguji efek baris Frasio = 85,963/ 2,250 = 38,21 > F(3; 24; 0,01).
Keputusan: Tolak H0.
Nilai Ftabel untuk kolom adalah F(2; 24; 0,01) = 5,61.

Untuk menguji efek kolom Frasio = 0,528/ 2,250 = 0,23 > F(2; 24; 0,01).
Nilai Ftabel untuk interkasi adalah F(6; 24; 0,01) = 3,67

Untuk menguji efek interaksi Frasio = 2,935/ 2,250 = 1,30 < F(6; 24; 0;01).
6) Anova satu arah.

Hipotesis:
H0 : µgurame = µlele = µnila (ada perbedaan rata-rata keuntungan dari
ternak gurame, lele, dan nila).
H1 : minimal ada dua di antaranya yang tidak sama.
Hasil analisisnya sebagai berikut (lakukan perhitungan seperti

Contoh 6.1.).

Varians Bebas Kuadrat Rata-rata
Jenis ikan 2 26,381 13,190 23,20
Error 27 15,354 0,569
Total 29 41,735
Kesimpulan: Tolak H0 (bandingkan dengan Ftabel). Artinya terdapat

perbedaan keuntungan yang signifikan di antara beternak lele, gurame,
atau nila.
 MMPI5103/MODUL 6 6.55
7) Deskripsi menggunakan grafik
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.
8) Anova satu arah.

Hipotesis:
H0 : µA= µB=...=µF=0 (terdapat perbedaan rata-rata jumlah tangkapan
ikan antar jenis lalangit).
H1 : minimal ada dua diantaranya yang tidak sama.
Hasil analisisnya dengan menggunakan rumus pada Contoh 6.1. adalah

sebagai berikut.

Jenis lalangit 5 35,73 7,15 3,62
Error 54 106,60 1,97
Total 59 142,33
6.56 Statistika 
Kesimpulan:
Tolak H0, terdapat perbedaan rata-rata jumlah tangkapan ikan (ekor)
antar jenis lalangit.
9) Anova satu arah.

H0 : µA= µB=...= µF = 0 (terdapat perbedaan rata-rata berat hasil
tangkapan ikan antar jenis lalangit).
H1 : minimal ada dua di antaranya yang tidak sama.
Hasil analisisnya menggunakan rumus pada Contoh 6.1. adalah sebagai

berikut.

Varians Bebas Kuadrat Rata-rata
Jenis lalangit_1 5 46.286 9.257 3,05
Error 54 164.155 3.040
Total 59 210.440
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) =
n2 n2
MSE mencerminkan varians dari residual.
3) Hasil analisis menggunakan rumus pada Contoh 6.6.

Emisi = 382 + 5,39 Jarak.
Jadi jarak mempengaruhi emisi.
4) Korelasi dan regresi linear sederhana.

a. Scatter plot antara panjang jaring dengan hasil tangkapan ikan.
 MMPI5103/MODUL 6 6.57
Scatterplot of Hasil Tangkapan vs Panjang jaring

200
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.
b. Korelasi digunakan untuk melihat hubungan antara panjang jaring

dan hasil tangkapan ikan adalah korelasi Pearson.
Hipotesis:
H0 : tidak terdapat hubungan yang signifikan antara panjang jaring
dengan hasil tangkapan ikan.
H1 : terdapat hubungan yang signifikan antara panjang jaring dengan
hasil tangkapan ikan.
Perhitungan koefisien korelasi menggunakan rumus pada hal 6.31

dan Contoh 6.4. menghasilkan nilai r = 0,955. Koefisien korelasi
sebesar 0,955 mengindikasikan terdapat korelasi yang sangat tinggi.
Hal ini berarti bahwa terdapat hubungan yang signifikan antara
panjang jaring dengan hasil tangkapan ikan.
5) Analisis yang digunakan adalah analisis regresi linear sederhana.

Persamaan regresinya adalah:
Hasil Tangkapan = 6,87 + 0,603 Panjang Jaring.
6.58 Statistika 
Artinya, peningkatan panjang jaring 1 meter akan meningkatkan rata-rata

hasil tangkapan ikan sebesar 0,603 kg.
Hasil pengujian:
Variabel Koefisien Standar Error Nilai-t*

Bebas Regresi Koefisien
Konstanta 6,871 6,485 1,06
Panjang jaring 0,60333 0,03210 18,80
S = 8,95120 R2 = 91,2%
*= bandingkan dengan nilai ttabel.
Tabel Anava:
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.
Nilai Koefisien determinasi (R2) sebesar 91,2% menunjukkan bahwa

besarnya keragaman hasil tangkapan ikan yang dapat dijelaskan oleh
panjang jaring adalah sebesar 91,2%, sisanya dijelaskan oleh faktor lain.
Nilai koesifien determinasi ini sangat tinggi sehingga persamaan yang
terbentuk sudah layak untuk memprediksi hasil tangkapan ikan
berdapaskan panjang jaring.
6) Analisis regresi linear sederhana dengan menggunakan rumus pada

Contoh 6.4. adalah:
Kepuasan = 12,3 + 0,809 Manajemen.

 MMPI5103/MODUL 6 6.59
Hasil Pengujian:
Variabel Koefisien Standar Error Nilai-t*

Bebas Regresi Koefisien
Konstanta 12,337 4,960 2,49
Manajemen 0,8089 0,1181 6,85
S = 7,24975 R2 = 72,3%
*= bandingkan dengan nilai ttabel.
Tabel anava:
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
Chatterjee. S. & Hadi. A. S. 2006. Regression Analysis by Example 4th

Edition. John Wiley & Sons Inc. New Jersey
Company.


Statistics for Engineer and Scientist, Eight Ed., Pearson Prentice Hall.
 MMPI5103/MODUL 6 6.61
Daftar Riwayat Hidup
Dr. Sony Sunaryo, M.Si lahir di Kediri pada tanggal

25 Juli 1964. Lulus pendidikan S1 tahun 1987 pada
Program Studi Statistika, Institut Teknologi Sepuluh
Nopember (ITS), Surabaya dan langsung mengabdi
menjadi dosen Statistika di almamaternya sampai
sekarang. Pendidikan S2 ditempuh pada tahun 1994-
1997 pada Program Statistika Institut Pertanian Bogor.
Selanjutnya tahun 2002-2005 penulis melanjutkan S3
pada program studi dan universitas yang sama
Statistika (IPB). Kemampuan akademik yang sangat luar biasa dan
ketekunan penulis yang sangat tinggi menjadikan penulis sebagai lulusan
terbaik dan tercepat dalam jenjang Program Doktor pada Program Studi
Statistika IPB. Sampai saat ini, kecepatan penulis dalam menyelesaian studi
S3 pada Program Studi Statistika IPB belum ada yang bisa menandingi.
Saat ini jabatan fungsional akademik dosen yang telah diraihnya adalah
Lektor Kepala dengan pangkat/golongan, Pembina/IV-b Tk I. Dalam
pengelolaan instituti, penulis pernah menjabat sebagai: Ketua Jurusan
Statistika, Wakil Direktur Magister Manajemen Teknologi, Asesor BAN PT,
Wakil Ketua Forum Statistika, Ketua Laboratorium Statistika Industri,
narasumber berbagai kegiatan pelatihan dan pengabdian pada masyarakat
Program Studi Statistika ITS.
Penulis aktif melakukan riset dan pengajaran pada beberapa bidang
statistika seperti: Analisis Multivariat, Perancangan Kualitas, Analisis
Reliabilitas, Pemodelan Kalibrasi, Perancangan Percobaan, Metode Taguchi,
Multivariat Kalibrasi dan Structural Equation Modeling. Selain itu, penulis
pun aktif menjadi narasumber pada beberapa kegiatan pelatihan statistika
seperti: Metode Statistika, Rancangan Percobaan, Pemodelan Statistika untuk
Industri, Metode Permukaan Respon, Metode Taguchi, Multivariat Kalibrasi
dan Structural Equation Modeling.
Sejumlah karya tulis telah penulis publikasikan pada beberapa jurnal
statistika berskala internasional dan nasional terkemuka, seperti: Resources,
Conservation and Recycling, Journal of Material Cycles and Waste
Management, Journal of Modern Applied Statistical Methods, International
Journal of Applied Mathematics and Statistics, Intech Open, International
6.62 Statistika 
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.
Dewi Juliah Ratnaningsih, S.Si, M.Si lahir di Garut

tahun 1974. Sarjana Sains dalam bidang statistika
penulis peroleh dari Institut Pertanian Bogor (IPB)
pada tahun 1997. Penulis memulai karirnya sebagai
dosen statistika pada tahun 1997 di Akademi
Manejemen Informatika dan Komputer Bina Sarana
Infromatika (AMIK BSI). Mulai tahun 1999 sampai
sekarang, penulis bekerja mengabdikan dirinya
sebagai dosen pada Jurusan Statistika FMIPA
Universitas Terbuka (UT). Pendidikan S2 ditempuh pada tahun 2005-2008
pada Program Statistika Pascasarjana IPB.
Saat ini, penulis sedang menempuh Program Doktor pada Program
Pascasarjana IPB. Jabatan fungsional akademik yang telah diraihnya adalah
Lektor Kepala dengan pangkat/golongan, Penata Tingkat I/III-d. Dalam
pengelolaan institusi, penulis pernah bekerja sebagai Koordinator Penelitian
Kelembagaan pada Pusat Penelitian Kelembagaan dan Pengembangan Sistem
Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Terbuka
(Puslitgasis LPPM-UT), Koordinator Penelitian Tracer Study Universitas
Terbuka, dan Ketua Jurusan Statistika FMIPA-UT.
Penulis aktif melakukan pengajaran dalam bidang statistika, seperti:
Pengumpulan dan Penyajian Data, Metode Statistika, Rancangan Percobaan,
dan Pengantar Statistika Matematis. Buku Materi Pokok (BMP)
Pengumpulan dan Penyajian Data/SATS4213 telah ditulis bersama Dr.
Bambang Widjanarko Otok, M.Si dan dipublikasi mulai tahun 2016. Selain
itu, penulis pun aktif melakukan riset pada bidang statistika dan bidang
Pendidikan Terbuka dan Jarak Jauh (PTJJ), seperti: Analisis Data, Pemodelan
dalam bidang pendidikan, Analisis Survival, Analisis Clustering, Data
Mining, dan Tracer Study. Dalam beberapa kegiatan Pengadian kepada
 MMPI5103/MODUL 6 6.63
Masyarakat penulis aktif memberikan pelatihan sebagai narasumber pada

pelatihan: Analisis Data, Pengolahan dan Penyajian Data dengan Excel untuk
staf di kelurahan/desa. Penulis pun pernah menjadi pelatih dan narasumber
pada kegiatan Pengolahan dan Manajemen Data Tracer Study seluruh
Perguruan Tinggi yang tergabung dalam IndoTrace yang diselenggarakan
oleh Universitas Indonesia. Selain itu, penulis juga aktif memberikan
pelatihan R bagi para dosen dan statistisian di lingkungan Universitas
Terbuka.
Karya tulis ilmiah dalam bidang statistika telah penulis publikasikan
pada beberapa jurnal internasional dan nasional, seperti: International
Journal of Mathematical Modelling & Computations, Journal of Applied
Statistics (terindeks scopus), STATISTIKA: Forum Teori dan Aplikasi
Statistika, dan Jurnal Matematika, Sains, dan Teknologi. Selain itu, publikasi
karya tulis ilmiah dalam bidang PTJJ seperti: AAOU Journal, Open Praxis:
ICDE Prizes for Innovation and Best Practice, dan Jurnal Pendidikan Tinggi
Jarak Jauh. Beberapa konferensi internasional terakhir yang penulis ikuti
baik pada bidang statistika maupun bidang PTJJ adalah: International
Conference on Mathematics and Statistics di Paris, Asian Association of
Open Universities (AAOU) melalui Annual Conference di Jepang, dan
International Council for Open and Distance Education (ICDE) World
Conference di China.
6.64 Statistika 
Lampiran
Lampiran 1. Binomial Distribution – Probablitiy Function
 MMPI5103/MODUL 6 6.65
6.66 Statistika 
 MMPI5103/MODUL 6 6.67
6.68 Statistika 
Lampiran 2: Tables of the Poisson Cumulative Distribution

The table below gives the probalitiy of that a Poisson random variable X with mean = 1 is
less than or equal to x. That is, the table give.
x
e
P  X  x   r
r 0 r!
 MMPI5103/MODUL 6 6.69
TABEL-TABEL STATISTIK
Lampiran 3: Tabel Z (Normal Standar)
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
dk t0,05 dk t0,05 dk t0,05 dk t0,05 dk t0,05 dk t0,05

- - 49 2.010 99 1.984 149 1.976 199 1.972 249 1.970
- - 50 2.009 100 1.984 150 1.976 200 1.972 250 1.969
1 12.706 51 2.008 101 1.984 151 1.976 201 1.972 251 1.969
2 4.303 52 2.007 102 1.983 152 1.976 202 1.972 252 1.969
3 3.182 53 2.006 103 1.983 153 1.976 203 1.972 253 1.969
4 2.776 54 2.005 104 1.983 154 1.975 204 1.972 254 1.969
5 2.571 55 2.004 105 1.983 155 1.975 205 1.972 255 1.969
6 2.447 56 2.003 106 1.983 156 1.975 206 1.972 256 1.969
7 2.365 57 2.002 107 1.982 157 1.975 207 1.971 257 1.969
8 2.306 58 2.002 108 1.982 158 1.975 208 1.971 258 1.969
9 2.262 59 2.001 109 1.982 159 1.975 209 1.971 259 1.969
10 2.228 60 2.000 110 1.982 160 1.975 210 1.971 260 1.969
11 2.201 61 2.000 111 1.982 161 1.975 211 1.971 261 1.969
12 2.179 62 1.999 112 1.981 162 1.975 212 1.971 262 1.969
13 2.160 63 1.998 113 1.981 163 1.975 213 1.971 263 1.969
14 2.145 64 1.998 114 1.981 164 1.975 214 1.971 264 1.969
15 2.131 65 1.997 115 1.981 165 1.974 215 1.971 265 1.969
16 2.120 66 1.997 116 1.981 166 1.974 216 1.971 266 1.969
17 2.110 67 1.996 117 1.980 167 1.974 217 1.971 267 1.969
18 2.101 68 1.995 118 1.980 168 1.974 218 1.971 268 1.969
19 2.093 69 1.995 119 1.980 169 1.974 219 1.971 269 1.969
20 2.086 70 1.994 120 1.980 170 1.974 220 1.971 270 1.969
21 2.080 71 1.994 121 1.980 171 1.974 221 1.971 271 1.969
22 2.074 72 1.993 122 1.980 172 1.974 222 1.971 272 1.969
23 2.069 73 1.993 123 1.979 173 1.974 223 1.971 273 1.969
24 2.064 74 1.993 124 1.979 174 1.974 224 1.971 274 1.969
25 2.060 75 1.992 125 1.979 175 1.974 225 1.971 275 1.969
26 2.056 76 1.992 126 1.979 176 1.974 226 1.971 276 1.969
27 2.052 77 1.991 127 1.979 177 1.973 227 1.970 277 1.969
28 2.048 78 1.991 128 1.979 178 1.973 228 1.970 278 1.969
29 2.045 79 1.990 129 1.979 179 1.973 229 1.970 279 1.969
30 2.042 80 1.990 130 1.978 180 1.973 230 1.970 280 1.968
31 2.040 81 1.990 131 1.978 181 1.973 231 1.970 281 1.968
32 2.037 82 1.989 132 1.978 182 1.973 232 1.970 282 1.968
 MMPI5103/MODUL 6 6.71
dk t0,05 dk t0,05 dk t0,05 dk t0,05 dk t0,05 dk t0,05

33 2.035 83 1.989 133 1.978 183 1.973 233 1.970 283 1.968
34 2.032 84 1.989 134 1.978 184 1.973 234 1.970 284 1.968
35 2.030 85 1.988 135 1.978 185 1.973 235 1.970 285 1.968
36 2.028 86 1.988 136 1.978 186 1.973 236 1.970 286 1.968
37 2.026 87 1.988 137 1.977 187 1.973 237 1.970 287 1.968
38 2.024 88 1.987 138 1.977 188 1.973 238 1.970 288 1.968
39 2.023 89 1.987 139 1.977 189 1.973 239 1.970 289 1.968
40 2.021 90 1.987 140 1.977 190 1.973 240 1.970 290 1.968
41 2.020 91 1.986 141 1.977 191 1.972 241 1.970 291 1.968
42 2.018 92 1.986 142 1.977 192 1.972 242 1.970 292 1.968
43 2.017 93 1.986 143 1.977 193 1.972 243 1.970 293 1.968
44 2.015 94 1.986 144 1.977 194 1.972 244 1.970 294 1.968
45 2.014 95 1.985 145 1.976 195 1.972 245 1.970 295 1.968
46 2.013 96 1.985 146 1.976 196 1.972 246 1.970 296 1.968
47 2.012 97 1.985 147 1.976 197 1.972 247 1.970 297 1.968
48 2.011 98 1.984 148 1.976 198 1.972 248 1.970 298 1.968
Sumber: Diolah dengan Excel, Formula: =TINV(probability,deg_freedom)
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.
bisnis. Medan: UMSU Press, hlm. 225-226
6.72 Statistika 
Tabel r Product Moment

 = 0,05
n dk=n-2 t-tabel0,05 r-tabel0,05 n dk=n-2 t-tabel0,05 r-tabel0,05

1 - - - 26 24 2.064 0.388
2 - - - 27 25 2.060 0.381
3 1 12.706 0.997 28 26 2.056 0.374
4 2 4.303 0.950 29 27 2.052 0.367
5 3 3.182 0.878 30 28 2.048 0.361
6 4 2.776 0.811 31 29 2.045 0.355
7 5 2.571 0.754 32 30 2.042 0.349
8 6 2.447 0.707 33 31 2.040 0.344
9 7 2.365 0.666 34 32 2.037 0.339
10 8 2.306 0.632 35 33 2.035 0.334
11 9 2.262 0.602 36 34 2.032 0.329
12 10 2.228 0.576 37 35 2.030 0.325
13 11 2.201 0.553 38 36 2.028 0.320
14 12 2.179 0.532 39 37 2.026 0.316
15 13 2.160 0.514 40 38 2.024 0.312
16 14 2.145 0.497 41 39 2.023 0.308
17 15 2.131 0.482 42 40 2.021 0.304
18 16 2.120 0.468 43 41 2.020 0.301
19 17 2.110 0.456 44 42 2.018 0.297
20 18 2.101 0.444 45 43 2.017 0.294
21 19 2.093 0.433 46 44 2.015 0.291
22 20 2.086 0.423 47 45 2.014 0.288
23 21 2.080 0.413 48 46 2.013 0.285
24 22 2.074 0.404 49 47 2.012 0.282
25 23 2.069 0.396 50 48 2.011 0.279
Diolah dengan Excel :
t
rtabel 
 n  2   t 2 ) 
Nilai tabel r untuk n yang lain dapat digunakan cara seperti di atas.
 MMPI5103/MODUL 6 6.73
Lampiran 5: Tabel Chi-Square    

 = 0,05
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.
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
Diolah dengan Excel dengan formula:

= FINV (probability, deg_freedom1,deg_freedom2) Contoh:
▪ Probability = tingkat kesalahan () = 0.05
▪ Jumlah variabel bebas = 1
▪ Jumlah sampel (n) = 3
▪ deg_freedom1=dk pembilang= Jumlah variabel bebas=k=1
▪ deg_freedom2=dk penyebut (n-k-1) = 3-1-1=1
Maka formulanya adalah = FINV (0.05,1,1)

Nilai F tabel yang diperoleh=161,45
Nilai tabel F untuk dk yang lain dapat digunakan cara seperti di atas.
bisnis. Medan: UMSU Press, hlm. 227-226.

Mmpi5103 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Mmpi5103 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

iii

TINJA UAN MATA KULIAH ............................................................. vii

MODUL 1: STATISTIKA DAN RUANG LINGKUPNYA 1.1

KUNCI JAWABAN TES FORMATIF ............................................... 1.57

MODUL 2: KONSEP-KONSEP DASAR STATISTIKA

KUNCI JAWABAN TES FORMATIF ............................................... 2.43

MODUL 3: DISTRIBUSI NORMAL DAN PENERAPANNYA 3.1

KUNCI JAWABAN TES FORMATIF ............................................... 3.44

MODUL 4: TEORI PENDUGAAN DAN UJI HIPOTESIS 4.1

KUNCI JAWABAN TES FORMATIF ............................................... 4.42

MODUL 5: UJI HIPOTESIS DUA POPULASI 5.1

KUNCI JAWABAN TES FORMATIF ............................................... 5.34

MODUL 6: ANALISIS VARIANS, KORELASI DAN REGRESI 6.1

KUNCI JAWABAN TES FORMATIF ............................................... 6.53

Tinjauan Mata Kuliah

M ata kuliah Statistika/MMPI5103 merupakan mata kuliah pendukung

Secara umum, sistematika materi dalam BMP MMPI5103 adalah sebagai

Secara khusus, setelah mempelajari BMP MMPI5103, diharapkan

7. Memahami fungsi probabilitas suatu variabel random.

Beberapa manfaat yang akan Anda peroleh setelah mempelajari materi

Statistika dan Ruang Lingkupnya

Setelah mempelajari modul ini diharapkan Anda dapat:

M ahasiswa yang budiman, s tatistika sering digunakan dalam banyak

Dalam bahasa Inggris ada istilah statistics yang diterjemahkan dengan

Beberapa Definisi Statistika

B. POPULASI DAN SAMPEL

Saudara, dalam melakukan analisis data menggunakan statistika ya ng

1. Statistika Deskriptif dan Inferensia

yang diperoleh dari data sampel yang terpilih untuk

2. Statistika Parametrik dan Non parametrik

D. DATA DAN SKALA PENGUKURAN

Saudara, selain jenis analisis statistika yang perlu Anda ketahui,

meningkatkan pendapatan nelayan. Untuk memecahkan persoalan

Data dapat pula diklasifikasikan berdasarkan sumbernya, yaitu:

faktor determinasi yang berpengaruh terhadap internal organisasi. Bagi

Selain itu, data dapat diklasifikasikan menurut waktu pengumpulannya,

Kalimat ’pengukuran terhadap benda atau objek’ sebenarnya kurang

Operasi Skala pengukuran

Untuk memperdalam pemahaman Anda mengenai materi di atas,

1) Apakah Saudara setuju dengan kenaikan harga BBM?

b. Jelaskan perbedaan data dengan skala interval dan ordinal!

Petunjuk Jawaban Latihan

Rangkuman dari materi pada Kegiatan Belajar 1 adalah sebagai

pengolahan dan analisis serta menginterpretasi dan membuat

Jawablah pertanyaan berikut dengan benar!

1) a. Berikan definisi statistika dan statistik dengan benar!

a. Apakah yang menjadi populasi dan sampel?

Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 1 yang

Jumlah Jawaban yang Benar

Arti tingkat penguasaan: 90 - 100% = baik sekali

Apabila mencapai tingkat penguasaan 80% atau lebih, Anda dapat

A da beberapa cara menyajikan atau mendeskripsikan data, yang

A. DESKRIPS I DATA DALAM BENTUK TABEL

Saudara, perlu Anda ketahui bahwa, menyajikan data menggunakan

1. Penyajian Data dengan Pengelompokan

Saudara, setelah Anda perhatikan, penyajian data di atas sangatlah kurang

Ternyata, dengan mengurutkan data seperti di atas, kita sedikitnya dapat

Target(%) Turus Frekuensi

Setelah disajikan ke dalam tabel, Anda dapat mengambil informasi yang

2. Cara Membuat Tabel Distribusi Frekuensi

Produksi Ikan Titik Tengah Turus Frekuensi (fi )

Untuk dapat memahami dengan baik cara menyusun tabel distribusi

Adapun cara membuat tabel distribusi dengan kelas interval dapat