PENDUGAAN DAN UJI HIPOTESA

4.1. PENDUGAAN PARAMETER

Pendugaan atau estimasi disebut juga dengan penaksiran atau perkiraan dan berguna untuk
menaksir nilai-nilai parameter populasi atau membuat kesimpulan tentang populasi lewat sampel yang
representatif untuk inferensi statistik.
Nilai-nilai statistik, misalnya : x (mean), p (proporsi) dan SD (standard deviation = simpangan
baku) dan nilai-nilai statistik lainnya, dapat digunakan untuk menduga atau menguji kebenaran parameter
populasi (nilai yang sesungguhnya), misalnya :  (mean),  (proporsi) dan  (simpangan baku) dan
parameter lainnya, akan tetapi nilai statistik yang digunakan sebagai sebuah estimator selalu dipertanyakan
jika tanpa disertai penjelasan tentang tingkat ketepatannya (presisi). Untuk maksud tersebut perlu dipahami
beberapa terminology berikut :
1. Simpangan baku (Standard Deviation) merupakan ukuran variabelitas atau sebaran nilai yang
meng-gambarkan variasi nilai individual sekitar rata-rata.
2. Kesalahan baku (Standard Error = SE), adalah kesalahan baku rata-rata yang berkaitan dengan
ketepatan rata-rata yang diduga, digunakan untuk menggambarkan variasi berbagai kemungkinan rata-
rata sampel dengan rata-rata sesungguhnya (rata-rata populasi) yang tidak diketahui. Pengertian rata-
rata disini mencakup estimasi titik lainnya seperti proporsi, varians, koefisien regresi, rasio resiko dan
ukuran-ukuran lainnya.
Ekspresi SE adalah merupakan ekspresi teoritis tentang variasi random rata-rata sampel dilakukan
berulang kali sampai semua kemungkinan sampel yang ada. Dengan demikian peran simpangan baku
(Standard Deviation = S) dan SE berbeda, keterkaitan yang mereka miliki terlihat pada rumus
matematik, yaitu : SE  SD/ n
2. Galat Pendugaan (error of estimation) adalah merupakan perbedaan absolut dari nilai statistik dan
parameter, yaitu : GP = x   . Misalnya, dalam pendugaan terhadap  oleh x diharapkan
GP  x    
; GP = galat pendugaan dan BGP = batas galat pendugaaan (suatu nilai yang ditolerir untuk suatu
kesalahan dalam pendugaan titik sample terhadap ruang populasi.
3. Interval Kepercayaan (Confidence Interval = CI) atau Interval taksiran (Estimate Interval),
digunakan untuk mendapatkan nilai taksiran yang relatif atas nilai yang diharapkan, karena nilai absolut
yang dihasilkan oleh estimasi sampel terhadap populasi selalu sama.
Perumusan dalam bentuk peluang untuk parameter  antara  1 dan  2 : P(  1 <  <  2 ) = 1 - 
dimana : 1- = Koefisien kepercayaan
(1-).100 % = Interval Kepercayaan atau tingkat keyakinan
 = Probabilitas galat (kekeliruan) tipe I (Confidence Level = CL).
4. Tingkat kepercayaan (Confidence Level = CL) yang lazim dilambangkan dengan  adalah
merupakan kesalahan atas penolakan hipotesis nol yang benar (error type I). Artinya nilai  ini dalam
estimasi berfungsi untuk menunjukkan besarnya probabilitas atas kesalahan tipe I yang berakibat pada
tinggi rendahnya tingkat kepercayaan (Confidence Interval) atas penaksiran ukuran sampel bagi
parameter populasi yang ditaksir.
4.2. UJI HIPOTESA

Untuk bisa membuat suatu keputusan terhadap suatu objek penelitian atau populasi berdasarkan
informasi yang berasal dari data sampel, haruslah dimulai dengan suatu asumsi atau perkiraan terhadap
segala kemungkinan yang akan terjadi pada suatu populasi, dimana kemungkinan ini dapat diterima atau
ditolak, kegiatan ini disebut sebagai Statistical Hypothesis.
Kegiatan statistical hypothesis mengharuskan kita untuk membuat suatu ketentuan, apakah akan
menerima atau menolak suatu hipotesis. Hipotesis dapat didefenisikan sebagai suatu pernyataan tentatif
yang menjelaskan terjadinya suatu fenomena atau peristiwa tertentu yang perlu diuji kebenarannya.
Ada dua jenis hipotesis yang dikenal, yaitu : (1) Hipotesis koseptual, dan (2) Hipotesis operasional.
Hipotesis konseptual merupakan pemikiran pemecahan masalah tentang permasalahan penelitian yang
mendorong peneliti untuk melalukan riset. Pemikiran tersebut dapat muncul berdasarkan teori sebelumnya
(deduktif), atau muncul setelah orang melakukan observasi-observasi dalam kehidupan sehari-hari
(induktif). Misalnya seorang menejer rumah sakit melihat bahwa penerapan suatu sistem kerja yang
terkontrol mungkin lebih efektif dari pada program modifikasi perilaku untuk meningkatkan penampilan dan
produktifitas kerja. Seorang dokter melihat kemungkinan bahwa suatu kombinasi obat modern dan
tradisional lebih efektif dan membutuhkan dosis yang lebih rendah untuk menyembuhkan kanker daripada
kalau diberikan secara sendiri-sendiri.
Operasionalisasi hipotesis konseptual adalah hipotesis operasional. Hipotesis operasional dinyata-
kan sedemikian rupa sehingga bisa langsung dievaluasi dengan statistik yang sesuai. Dengan demikian
hipotesis operasional disebut juga dengan hipotesis kerja atau hipotesis statistik.
Dalam uji hipotesis tentu diperoleh kemungkinan menerima atau menolak hipotesis. Bila kita
menyatakan bahwa tidak ada perbedaan bermakna secara statistik antara parameter sampel dengan
populasi, hal ini disebut hipotesis nol (Ho), sebaliknya bila kita menyatakan ada perbedaan bermakna
secara statistik, disebut hipotesis alternatif (Ha).
Model matematis pasangan hipotesis ini, dapat ditulis sebagai berikut :
a). Pasangan hipotesis untuk parameter populasi dengan sampel tunggal.
Ho :  = o
Ha :   o  two tailed test (uji dua sisi)
Hipotesis Kerja : ada perbedaan nilai parameter yang didapatkan dari pengamatan pada data sampel
dengan ukuran parameter sesunggunhnya (poplasi umum)
Model matematis pasangan hipotesis ini, dapat ditulis sebagai berikut :
a). Pasangan hipotesis untuk parameter populasi dengan sampel tunggal.
Ho :  = o
Ha :   o  two tailed test (uji dua sisi)
Hipotesis Kerja : ada perbedaan nilai parameter yang didapatkan dari pengamatan pada data sampel
dengan ukuran parameter sesunggunhnya (poplasi umum)

/2 /2
 Ho :  = o
Ha :  > o  one tailed test (uji satu sisi)
Hipotesis Kerja : nilai parameter yang didapatkan dari pengamatan pada data sampel lebih besar
(lebih tinggi) dari nilai parameter sesunggunhnya (poplasi umum)



Ho :  = o
Ha :  < o  one tailed test (uji satu sisi)
Hipotesis Kerja : nilai parameter yang didapatkan dari pengamatan pada data sampel lebih kecil
(lebih rendah) dari nilai parameter sesunggunhnya (poplasi umum)

- 

b). Pasangan hipotesis untuk parameter populasi dengan dua kelompok sampel.
Ho : 1 = 2
Ha : 1  2  two tailed test (uji dua sisi)
Hipotesis Kerja : ada perbedaan nilai parameter kelompok sampel pertama dengan kelompok
sampek kedua.

/2 /2

Ho : 1 = 2
Ha : 1 > 2  one tailed test (uji satu sisi)
Hipotesis Kerja : nilai parameter kelompok sampel pertama lebih besar (lebih tinggi) dari nilai para-
meter kelompok kelompok sampel kedua.


 Ho : 1 = 2
Ha : 1 < 2  one tailed test (uji satu sisi)
Hipotesis Kerja : nilai parameter kelompok sampel pertama lebih kecil (lebih rendah) dari nilai para-
meter kelompok kelompok sampel kedua.

-

4.3. TIPE KESALAHAN PENGAMBILAN KEPUTUSAN

Dalam keadaan tertentu kita akan menolak suatu hipotesis, namun sebenarnya dapat diterima,
keadaan ini disebut sebagai kesalahan tipe I ().  (alpa) menyatakan probabilitas kesalahan tipe I. Makin
besar probabilitas , maka besar pula kemungkinan menolak Ho secara keliru. Istilah lain dari  adalah
taraf nyata, taraf signifikan atau taraf arti. Sebaliknya kita akan menerima suatu hipotesis, namun
sebenarnya harus ditolak, keadaan ini disebut sebagai kesalahan tipe II ().  (betha) menyatakan
probabilitas untuk membuat kesalahan tipe II. Makin besar probabilitas , makin besar pula kemungkinan
menolak Ho secara keliru. Jadi  dan  tidak saja menunjukkan suatu jenis kesalahan pengambilan
keputusan statistik, tetapi juga dapat menyatakan besarnya probabilitas untuk membuat kesalahan tersebut.
Antara  dan  terdapat hubungan terbalik. Jika  diperkecil, maka  menjadi besar, dan demikian
sebaliknya. Pada dasarnya, harus dicapai hasil pengujian hipotesis yang baik, ialah pengujian yang bersifat
bahwa antara semua pengujian yang dapat dilakukan dengan harga  yang sama besar, ambillah sebuah
yang mempunyai kekeliruan  yang paling kecil.

Tabel 3.1. Tipe Kesalahan Ketika Membuat Kesimpulan Tentang Hipotesis

Kesimpulan Uji Hipotesis Keadaan Dalam Populasi

Pada Sampel
Tak berbeda : Ho benar Berbeda : Ha benar (Ho salah)

Ho diterima Benar : Interval Kepercayaan : (1- Kesalahan tipe II : ()

(secara statistik tidak bermakna) ) Ha Benar, tetapi kita tidak menolak Ho
Ho benar, dan kita tidak menolak Ho
Ho ditolak Kesalahan tipe I : () Benar : Kuasa Uji : (1-)
(secara statistik bermakna) Ho benar, tetapi kita menolak Ho. Ha benar, dan kita menolak Ho

Keterangan :
Kesalahan tipe I () adalah besarnya peluang untuk menolak Ho pada sampel, pada hal dalam populasi
Ho benar (menurut sampel ada beda, sedangkan dalam populasi tidak), artinya ada kemungkinan
sebesar  untuk menyatakan terdapat perbedaaan, pada hal perbedaan tersebut sebenarnya tidak
ada, atau merupakan penolakan hipotesis nol yang benar.
Kesalahan tipe II () adalah besarnya peluang untuk tidak menemukan perbedaan itu ada (menurut
sampel tidak ada beda, sedangkan dalam populasi ada perbedaaan), artinya nilai yang diperoleh dalam
 sampel tidak dapat menemukan perbedaan yang ada pada populasi, atau merupakan penerimaan
hipotesis nol yang salah.
Koefisien Kepercayaan (1-) adalah besarnya kemungkinan untuk tidak menolak Ho dan pada populasi
tidak terdapat perbedaan.
4. Power of test atau kuasa uji (1-) adalah kemampuan uji hipotesis untuk menemukan (atau
assosiasi), bila perbedaan (atau assosiasi) tersebut dalam populasi memang ada. Misalnya ditentukan
 adalah 0,10 maka nilai kuasa ujinya adalah 0,90; artinya uji hipotesis pada sampel mempunyai
peluang 90 % untuk menemukan perbedaan, bila perbedaan itu ada dalam populasi.

4.4. PENDUGAAN DAN UJI HIPOTESA SATU PARAMETER

4.4.1. Pendugaan bagi rata-rata populasi () dengan n  30 (sampel besar) dan  diketahui

Jika x adalah rata-rata sampel acak berukuran n (n 30) yang diambil dari suatu populasi
dengan 2 (varians atau ragam) diketahui, maka Interval Kepercayaan (1-).100 % bagi  adalah :
σ
μ  x  ZC
(3-1)
 Z C  Z ( 0 ,5α/ 2 )…………………….………..………………………………………..
n
:
dimana
 = rata-rata sesungguhnya (populasi)
x = rata-rata sampel
ZC = Nilai baku normal berdasarkan error type I () yang ditentukan
 = Simpangan baku populasi
N = Jumlah sampel.
Z C.(/n) adalah batas galat pendugaan bagi , artinya bila x (rata-rata sampel) digunakan
untuk menduga  (rata-rata populasi), maka kita percaya (1-).100 % bahwa galatnya tidak akan lebih dari
ZC.(/n).
Galat Pendugaan

x -ZC.(/n) x  x + ZC.(/n)

4.4.2. Uji Hipotesis rata-rata populasi (  ) dengan n  30 (sampel besar) dan  diketahui

Jika x adalah rata-rata sampel acak berukuran n (n 30) yang diambil dari suatu populasi
dengan 2 (varians atau ragam) diketahui, maka uji hipotesis rata-rata populasi (sesungguhnya) digunakan
statistik uji berikut :

x -μ o
ZH  ……………………………………………………..…………………………….…………………
(3-2)σ
n
dimana :
 0 = rata-rata sesungguhnya (populasi)
x = rata-rata sampel
ZH = Nilai baku normal yang besarnya tergantung eror type I () yang ditentukan
 = Simpangan baku populasi
= Jumlah sampel.
Pasangan hipotesis dan daerah kritis :
Ho :  = o
Ha :   o  Terima Ho, jika :  Z C  Z H  Z C ; sebaliknya tolak Ho.
 dimana : Z C  Z ( 0, 5 / 2 )
atau : dengan membandingkan nilai probabilitas (Prob.) maksimal penolakan Ho ber-
dasarkan data sampel yang diamati, dengan nilai  yang ditentukan sebelumnya.
 Tolak Ho, jika : Prob. < (/2), sebaliknya Ho diterima.
Ho :  = o
Ha :  > o  Tolak Ho, jika : Z H  Z C ; sebaliknya terima Ho.
 dimana : Z C  Z ( 0,5 )
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.
Ho :  = o
Ha :  < o  Tolak Ho, jika : Z H   Z C ; sebaliknya terima Ho.
 dimana : Z C  Z ( 0,5 )
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.
Contoh : 3.1.
Hasil pemeriksaan oleh tim kesehatan universitas menyatakan bahwa rata-rata tekanan darah sistolik
seluruh mahasiswa yang masuk tahun sebelumnya adalah 127,5 mmHg. Seorang mahasiswa FKM ingin
membandingkannya dengan mahasiswa yang ada saat ini. Untuk maksud tersebut ia membuat suatu survei
mini dan mengambil sampel secara acak sebanyak 50 orang mahasiswa. Diasumsikan data ke 50
mahasiswa ini, data populasinya menyebar normal. Dari data sampel yang dikumpulkan dapat dihitung rata-
rata tekanan darah sistoliknya ( x ) 124 mmHg dan simpangan baku (S) 26,9 mmHg. Gunakan Confidence
Level () 5 %.
Pertanyaan :
a). Buatlah taksiran dengan interval kepercayaan 95 % bagi tekanan darah sistolik (tks) mahasiswa sesung-
guhnya ?
b). Selanjutnya jelaskan galat pendugaan bagi rata-rata tekanan darah sistolik mahasiswa sesungguhnya
oleh titik taksiran sebesar 124 mmHg ?
c). Ujilah, apakah rata-rata tekanan darah sistolik mahasiswa sekarang berbeda dengan tahun
sebelumnya ? Gunakan  = 0,05.
Jawab :
a). Untuk melakukan pendugaan bagi rata-rata populasi (  ) oleh rata-rata sampel ( x ) sebesar 124
mmHg dengan ukuran sampel (n ) sebanyak 50 mahasiswa dapat dilakukan dengan rumus (1-1).

  x  ZC  ZC = Z(0,5 - /2) = Z0,4750 = 1,96 (Tabel. II)
n
 Jika  (simpangan baku populasi) tidak diinformasikan pada soal, dapat
digunakan S (simpangan baku sampel).
26,9
Jadi :   124  (1,96) = 124  7,46
50
atau : Interval kepercayaan 95 % bagi  adalah : [116,54 ; 131,46]
Kesimpulan : Kita percaya 95 % bahwa rata-rata sesungguhnya () tekanan darah sistolik mahasiswa
ada dalam interval dengan batas bawah 116,54 sampai dengan batas atas 131,46 atau dalam
jangkauan sekitar 14,92 mmHg.

b). Dapat dinterpretasikan bahwa jika kita ingin menaksir rata-rata sesungguhnya () dengan mengguna-
kan rata-rata sampel ( x ) sebesar 124 mmHg dalam interval kepercayan 95%, maka kita boleh

membuat kesalahan dalam penaksiran (galat penduggaan) tidak lebih dari ( Z C . ) atau sebesar
n
7,46 mmHg. Atau dapat juga dinyatakan bahwa batas galat pendugaan (GBP) dalam pendugaan x
bagi  sama dengan 7,46 mmHg.

c). Ho :    0
Ha :    0   0  127,5 mmHg.
x   0 124  127,5
ZH  
Statistik uji yang digunakan :  26,9 = -0,92  Nilai Prob. = 0,3576a)
n 50
Titik kritis : ZC = Z(0,5-/2) = Z0,4750 = 1,96
Ternyata : -1,96 <Z H (= -0,92) < 1,96  dapat dinyatakan ZH berada pada daerah penerimaan Ho.
atau berdasarkan nilai probabilitas, dimana : Prob. (= 0,3578) >  (= 0,025)  artinya. Ho diterima.
 Kesimpulan : Hasil penyelidikan yang dilakukan mahasiswa FKM tersebut mendukung pernyataan tim
kesehatan terdahulu bahwa rata-rata TKS mahasiswa sekarang sesungguhnya tidak berbeda dengan
mahasiswa tahun sebelumnya pada taraf uji () 5 %

4.4.3. Pendugaan bagi rata-rata populasi () dengan n < 30 (sampel kecil)  tidak diketahui
Jika x adalah rata-rata sampel acak berukuran n (n < 30) yang diambil dari suatu populasi
dengan 2 (varians atau ragam) tidak diketahui, maka Interval Kepercayaan (1-).100 % bagi  adalah :

S
μ  x  tC
(3-3)  tC  t(/ 2 );dk  dk  n-1…………………………….…………..…………..………
n

dimana :
 = rata-rata sesungguhnya (populasi)
x = rata-rata sampel
tC = Nilai baku t-student berdasarkan error type I () yang ditentukan
S = Simpangan baku sampel.

4.4.4. Uji Hipotesis rata-rata populasi () dengan n < 30 (sampel kecil)  tidak diketahui

Jika x adalah rata-rata sampel acak berukuran n (n < 30) yang diambil dari suatu populasi
dengan 2 (varians atau ragam) tidak diketahui, maka uji hipotesis bagi rata-rata populasi (sesungguhnya)
digunakan statistik uji berikut :

x - μo
tH  ……………………..…………….……..…………..…………………………………….……
(3-4) S n
dimana :
o = rata-rata sesungguhnya (populasi)
x = rata-rata sampel
tC = Nilai baku t-student yang besarnya bergantung pada  yang ditentukan
S = Simpangan baku sampel.

a) Prob. = 2{0,5 – L(ZH = -0,92)} = 2(0,5 – 0,3212) = 0,3576

atau : Prob. = 1 – 2{L(ZH = -0,92)} = 1 – 2(0,3212) = 0,3576

Pasangan hipotesis dan daerah kritis :

Ho :  = o
Ha :   o  Terima Ho, jika :  t C  t H  t C ; sebaliknya tolak Ho.
 dimana : t C  t ( / 2 );dk  dk = n – 1
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.
Ho :  = o
Ha :  > o  Tolak Ho, jika : tH > tC ; sebaliknya terima Ho.
 dimana : t C  t ;dk  dk = n – 1
 atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.
Ho :  = o
Ha :  < o  Tolak Ho, jika : tH < -tC ; sebaliknya terima Ho.
 dimana : t C  t ;dk  dk = n – 1
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.

Contoh : 3.2.
Dari 25 mahasiswa yang diambil secara acak, masing-masing diukur tinggi badan mereka, dan diperoleh
data seperti berikut : 160,5 ; 160,0 ; 157,0 ; 154,0 ; 165,0 ; 167,0 ; 170,5 ; 172,5 ; 167,5 ; 174,5 ; 167,0 ;
168,0 ; 150,0 ; 145,0; 150,0 ; 155,0 ; 160,0 ; 162,5 ; 170,0 ; 166,0 ; 165,5 ; 170,0 ; 174,0 ; 155,5 ; 175,0.
  xi = 4082 dan   xi2 = 668169.
Dari data yang terkumpul diperoleh rata-ratanya adalah 163,28 cm, dan simpangan baku sebesar 8,317 cm.
Berdasarkan data tahun sebelumnya rata-rata tinggi badan adalah 165,7 cm.
a). Buatlah pendugaan bagi rata-rata tinggi badan mahasiswa yang sesungguhnya (  ) pada
tingkat keyakinan 99%.
b). Jelaskan tentang galat pendugaan bagi pendugaan  oleh x pada tingkat keyakinan 99%.
c). Ujilah apakah tinggi badan mahasiswa tahun sekarang lebih rendah dari tahun sebelumnya.
Gunakan  = 0,01.
Jawab :
a). Untuk melakukan pendugaan bagi rata-rata populasi (  ) oleh rata-rata sampel ( x ) sebesar 163,28
cm dengan ukuran sampel (n ) sebanyak 25 mahasiswa dapat dilakukan dengan rumus (7-3).
S
  x  tC  t C  t ( / 2 );dk = t ( 0, 005); 24 = 2,797 (Tabel. III)
n
8,317
Jadi :   163,28  ( 2,797) = 163,28  4,65
25
atau : Interval kepercayaan 99 % bagi  adalah : [158,63 ; 167,93]
Kesimpulan : Kita percaya 99 % bahwa rata-rata sesungguhnya () tinggi badan mahasiswa ada
dalam interval dengan batas 158,63 sampai dengan 167,93 atau dalam jangkauan sekitar 9,3 cm.

b). Dapat dinterpretasikan bahwa jika kita ingin menaksir rata-rata sesungguhnya () dengan
menggunakan rata-rata sampel ( x ) sebesar 163,28 cm dalam interval kepercayaan 99%, maka kita
S
boleh membuat kesalahan dalam penaksiran (galat penduggaan) tidak lebih dari ( t C . ) atau
n
sebesar 4,65 cm. Atau dapat juga dinyatakan bahwa batas galat pendugaan (BGP) dalam pendugaan
x untuk  sama dengan 4,65.
c). Ho :    0
Ha :    0   0 = 165,7 cm
x   0 163,28  165,7
tH    1,455
Statistik uji : S 8,317  Prob. = 0,165b)
n 25
Titik kritis : t C  t ( );( n 1) = t 0, 01; 24 = 2,492
Ternyata : t H (= -1,455) > t C (= -2,492)  Ho diterima. (Prob. (= 0,165) >  (= 0,01)  Ho
diterima).
Kesimpulan : Tinggi badan mahasiswa sekarang lebih rendah dari tinggi badan mahasiswa tahun
sebelumnya, pada taraf uji () 1 %.
Contoh print out computer.
T-Test
One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
Tinggi Badan (Kg) 25 163,280 8,317 1,663

One-Sample Test

Test Value = 165.7

99% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
Tinggi Badan (Kg) -1,455 24 ,159 -2,420 -7,072 2,232

Lazimnya pembacaan print out komputer statistik di atas, yang dibaca adalah nilai probabilitas
berdasarkan perhitungan nilai t-test yang didapatkan, yaitu 0,159 yang terletak pada kolom Sig. (2-tailed)
dibandingkan dengan nilai  yang ditentukan peneliti. Jika nilai Probabalitas ini lebih kecil dari , berarti
menolak Ho, sebaliknya menerima Ho.

4.4.5. Pendugaan bagi proporsi populasi ()

Jika p adalah proporsi keberhasilan dalam suatu sampel acak berukuran n yang diambil dari suatu
populasi normal, dan q = 1-p, maka Interval Kepercayaan (1-).100 % bagi  adalah :

p.q …………..…………..………………..…………………….(3-
5)π  p  ZC  Z C  Z ( 0 ,5-αα 2 )
n
dimana :
 = Proporsi sesungguhnya (populasi)
p = Proporsi dari suatu kajadian yang diharapkan terjadi
q = Proporsi kejadian yang bukan diharapkan = 1-p.
n = jumlah sampel
b). Teknik Interpolasi :

t 2 ( 0,10 ); 24 t Pr ob.;24 t 2 ( 0, 05 ); 24 0,10  Pr ob. 1,711  1,455

   Prob.  0,165
1,318 1,455 1,711 0,10  0,20 1,711  1,318
4.4.6. Uji Hipotesis proporsi populasi (  )

Jika p adalah proporsi keberhasilan dalam suatu sampel acak berukuran n yang diambil dari suatu
populasi normal, dan q = 1-p adalah proporsi ketidak berhasilan, maka uji hipotesis proporsi populasi
sesungguhnya) digunakan statistik uji berikut :
p-π o
ZH 
p.q ………………………….…..…………………..…………………..………………....…………..
(3-6)
n
dimana :
o = Proporsi sesungguhnya (populasi)
p = Proporsi dari kajadian (kasus) yang dipelajari
q = Proporsi kejadian yang lainnya = 1-p.
n = Jumlah sample
Pasangan hipotesis dan daerah kritis :
Ho :  = o
Ha :   o  Terima Ho, jika :  Z C  Z H  Z C ; sebaliknya tolak Ho.
 dimana : Z C  Z ( 0,5 / 2 )
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.
Ho :  = o
Ha :  > o  Tolak Ho, jika : Z H  Z C ; sebaliknya terima Ho.
 dimana : Z C  Z ( 0,5 )
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.
Ho :  = o
Ha :  < o  Tolak Ho, jika : Z H   Z C ; sebaliknya terima Ho.
 dimana : Z C  Z ( 0,5 )
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.

Contoh : 3.3.
Suatu obat penenang ketegangan syaraf yang beredar sekarang (produksi lama) diduga hanya
60% efektif. Hasil percobaan dengan obat penenang ketegangan syaraf yang baru terhadap 100 orang
dewasa penderita ketegangan syaraf yang diambil secara acak, menunjukkan bahwa obat itu 70% efektif.
a). Tunjukkan dalam daerah interval kepercayaan 96% bagi proporsi efektivitas obat baru sesungguhnya?
b). Jelaskanlah galat penduggan pada proporsi ini ?
c). Selidikilah, apakah ini merupakan bukti yang cukup untuk menyimpulkan bahwa obat baru itu lebih baik
dari pada yang beredar sekarang ? Gunakan  = 0,04.
Jawab :
a). Untuk menaksir proporsi sesungguhnya () oleh proporsi sampel (p) dapat dilakukan dengan rumus
(3-6), dan untuk kasus ini jumlah sampel tidak menjadi perhatian.
p.q
  p  ZC  ZC = Z(0.5-/2) = Z0,4800 = 2.056c) ; p = 0,70 dan q = 1 – p = 0,30
n
 (0,70)(0,30)
Jadi :   0,70  (2.056) = 0,70  0,29
100
atau : Interval kepercayaan 96% bagi  adalah : [ 0,41 ; 0,99] atau [41% ; 99%]
Kesimpulan : Kita percaya 96% bahwa sesungguhnya proporsi () efektivitas penyembuhan obat baru
ada dalam interval dengan batas bawah 0,41 sampai dengan 0,99 atau 41% sampai dengan 99% atau
dalam jangkauan sekitar 0,58 atau 58%.
b). Juga dapat dinterpretasikan bahwa jika kita ingin menaksir proporsi sesungguhnya () dengan meng-
gunakan proporsi sampel (p) sebesar 0,70 dalam interval kepercayaan 96%; maka kita boleh membuat
p.q
kesalahan dalam penaksiran (galat penduggaan) tidak lebih dari ( Z C . ) atau sebesar 0,29.
n
c). Ho :    0
Ha :    0
p  0 0,70  0,60
ZH    2,18 
Statistik uji : p.q (0,70)(0,30) Prob. = 0,0292
n 100
Titik kritis : Z C  Z 0, 4600 Z 0 , 4599 = 1,75 (nilai pendekatan)
Ternyata : ZH (=2,18) > ZC (=1,75)  Ho ditolak; atau : Prob. (0,0292) <  (0,04)  Ho ditolak.
Kesimpulan : Hasil penelitian membuktikan secara signifikans bahwa obat baru lebih baik (efektif )
dari obat yang beredar sekarang (obat lama) pada taraf uji () 4%.

4.4.7. Pendugaan bagi varians populasi ( 2)

Jika S2 adalah varians (ragam) dalam suatu sampel acak berukuran n yang diambil dari suatu
populasi normal, maka Interval Kepercayaan (1-).100 % bagi 2 adalah :

 n-1 S 2  σ 2   n-1 S 2
…………………………….………………………….…..…………….……….
χ 2α
(3-7) χ2 α
( );(n-1 ) ( 1 );(n-1 )
2 2

dimana :
2 = Varians sesungguhnya (varians populasi)
S2 = Varians sample
n = Jumlah sample
 C2 =
Nilai baku Chi-Square berdasarkan error type I () yang ditentukan, dimana :
 2
( );( n 1)
2

luas kurva kiri dan  (1  );( n 1) luas kurva kanan.
2

c). Dalam tabel Z, nilai probabilitas atau indeks kurva normal sebesar 0.4600 tdak dijumpai. Untuk menghitung nilai
baku normal senilai dengan nilai probabilitas sebesar 0.4650 tersebut dapat dilakukan dengan teknik interpolasi.
Perhatikan tabel Z (tabel II), baris ke 1,7 kolom 0,05 dan bari ke 1,7 kolom 0,06. selanjut dapat ditulis seperti
berikut :
 2.05 ZC  ? 2.06 2.06  Z C 0,4803  0,4800
  
0,4798 0,4800 0,4803 2.06  2.05 0,4803  0,4798
Z C = 2.054

4.4.8. Uji Hipotesis varians populasi ( 2)

Jika S2 adalah varians (ragam) dalam suatu sampel acak berukuran n yang diambil dari suatu
populasi normal, maka uj hipotesis bagi varians populasi (sesungguhnya) digunakan statistik uji berikut :

χ2

 n  1 S 2……………………………………………………………...………………..………….……..
(3-8)H
σ o2
dimana :  o2 = Varian sesungguhnya (varians populasi)
S 2 = Varians sampel
n = Jumlah sampel
Pasangan hipotesis dan daerah kritis :
Ho : 2 = o2
Ha : 2  o2  Terima Ho, jika : 2(1-/2);(n-1) < 2H < 2(/2);(n-1) ; sebaliknya tolak Ho
atau :  Tolak Ho, jika : Prob. < (/2), sebaliknya terima Ho.
Ho : 2 = o2
Ha : 2 > o2  Tolak Ho, jika : 2H > 2;(n-1) ; sebaliknya terima Ho.
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.
Ho : 2 = o2
Ha : 2 < o2  Tolak Ho, jika : 2H < 2(1-);(n-1) ; sebaliknya terima Ho.
atau :  Tolak Ho, jika : Prob. < , sebaliknya terima Ho.
Contoh :3-4.
Proses pengisian semacam sirup obat batuk ke dalam botol oleh mesin dinyatakan oleh pabrik paling tinggi
mencapai varians 0,50 cc. Suatu penelitian dilakukan terhadap 20 botol obat batuk yang ditarik secara
random dari beberapa pasar dan isinya ditakar dan setelah dihitung diperoleh simpangan bakunya 0,68 cc.
a). Taksirlah varians populasi sesungguhnya pada tingkat keyakinan tidak kurang dari 95 %.
b). Akhir-akhir ini ada dugaan bahwa isi botol telah mencapai variabelitas yang lebih besar (tidak
sama dengan yang dinyatakan oleh pabrik di atas). Ujilah apakah mesin pengisi botol tersebut perlu
distel ulang ? Gunakan  = 0,05.
Jawab :
a). Untuk menaksir varians sesungguhnya (  2 ) dapat dilakukan dengan rumus (3-7).

 n - 1 S 2 2 .
 n - 1 S 2 19   0,68
2
19   0,68
2

 2
 2   2 . 2 

( );(n -1)

(1 );(n -1)  ( 0, 025);19
2
 ( 0,975);19
2 2
8,7856 8,7856
2 
32,852 8,907
 atau : 0,27 <  2 < 0,99
Kesimpulan : Kita percaya 95% bahwa varians populasi sesungguhnya (  2 ) isi botol sirup obat
batuk tersebut ada dalam interval : [0,27 ; 0,99]

b). Ho :    0
2 2

Ha :    0   0 = 0,50 cc
2 2 2

( n  1) S 2 ( 20  1).0,68
Statistik uji :  H 
2
 = 17,571  Prob. = 0,5459d)
 02 (0,50)
Tolak Ho, jika :  (1 / 2 );( n 1)   H ( 17,571)   ( / 2 );( n 1)
2 2

Ternyata :  0, 975;19   H ( 17,571)   0, 025;19

2 2

8,907 <  H2 (  17,571) < 32,852  artinya,  H2 terletak pada daerah penerimaan
Ho.
atau : berdasarkan nilai probabilitas, ternyata : Prob. (0,5459) >  (=0,05)  Ha diterima
Kesimpulan : Mesin perlu distel ulang, karena hasil uji statistik pada taraf nyata (  ) 5% mem-
buktikan bahwa variabelitas isi botol obat batuk tersebut masih sama seperti yang dinyatakan pabrik.