Anda di halaman 1dari 14

BAB I

PENDAHULUAN

1.1 Latar Belakang


Statistik adalah kumpulan data dalam bentuk angka maupun bukan angka yang
disusun dalam bentuk tabel (daftar) dan atau diagram yang menggambarkan atau
berkaitan dengan suatu masalah tertentu.
Beberapa pandangan lain tentang pengertian statistik dari para ahli:
1. Statistik adalah cara untu mengolah data dan menarik kesimpulan-kesimpulan
yang teliti dan keputusan-keputusan yang logik dari pengolahan data.
(Prof.Drs.Sutrisno Hadi,MA).
2. Statistik adalah sekumpulan cara maupun aturan-aturan yang berkaitan dengan
pengumpulan, pengolahan(Analisis), penarikan kesimpulan, atas data-data yang
berbentuk angka dengan menggunakan suatu asumsi-asumsi tertentu.
(Prof.Dr.H.Agus Irianto).
3. Statistik adalah ilmu yang mempelajari tentang seluk beluk data, yaitu tentang
pengumpulan, pengolahan, penganalisisa, penafsiran, dan penarikan kesimpulan
dari data yang berbentuk angka. (Ir.M.Iqbal hasan,MM).
4. Statistik adalah metode yang memberikan cara-cara guna menilai ketidak tentuan
dari penarikan kesimpulan yang bersifat induktif. (Stoel dan Torrie).
5. Statistik adalah metode/asas-asas mengerjakan/memanipulasi data kuantitatif agar
angka-angka tersebut berbicara.(Anto dajan).
6. Statistik diartikan sebagai data kuantitatif baik yang masih belum tersusun
maupun yang telah tersusun dalam bentuk table. (Anto dajan).
7. Statistik adalah studi informasi dengan mempergunakan metodologi dan teknik-
teknik perhitungan untuk menyelesaikan permasalahan-permasalahan praktis yang
muncul di berbagai bidang. (Suntoyo Yitnosumarto)

Jadi secara singkat statistik dapat diartikan, sebagai cara maupun aturan-aturan yang
berkaitan dengan pengumpulan, pengolahan (analisis), penarikan kesimpulan, atas data-
data yang berbentuk angka-angka, dengan menggunakan suatu asumsi-asumsi tertentu.
Sedangkan pengetahuan yang membicarakan tentang cara-cara ini disebut statistika.
Penggunaan metode statistik dalam teknik/ilmu lingkungan telah meningkat dengan
cepat. Hal ini dipicu dengan dikeluarkannya Sertifikasi Sistem Manajemen Lingkungan
ISO 14001:2004. ISO 14001 merupakan salah satu bagian dari seri ISO 14000. Seluruh
bagian dari seri ISO ini adalah berkenaan tentang manajemen lingkungan. Tujuan dari
adanya standar sistem manajemen lingkungan adalah :
1. Untuk membantu organisasi/perusahaan mengurangi efek negatif terhadap
lingkungan (baik darat, air ataupun udara) atas seluruh operasional yang
dijalankan
2. Untuk membantu organisasi dalam rangka mentaati seluruh aturan tentang
lingkungan yang berlaku, regulasi ataupun persyaratan lain berkait dengan
lingkungan

1.2 Tujuan
Tujuan dari Statistik Lingkungan yaitu mengenalkan kepada mahasiswa bagaimana
mendapatkan, mengolah, menyajikan, dan menarik kesimpulan dari data yang ada.
Aplikasi Mata Kuliah ini terutama pada rancangan metode penelitian.

1.3 Ruang Lingkup


Dalam Statistik Lingkungan kita akan mempelajari beberapa materi statistik dengan
menggunakan aplikasi minitab, diantaranya :
1. Normalitas Data
2. Analisa Korelasi
3. Analisis Statistik Deskriptif
4. Analisis Regresi Linier
5. Analisis Regresi Linier Berganda
6. Analisis of Variance (ANOVA) One Way
7. Analisis Variance (ANOVA) Two Way
8. Multivariate Analisis of Variance (MANOVA)
BAB II

TINJAUAN PUSTAKA

2.1. Uji Normalitas

Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki
distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik
inferensial). Cara yang biasa dipakai untuk menghitung masalah ini adalah ChiSquare
dan Kolmogorov-Smirnov. Kedua uji ini dinamakan Goodness Of Fit Tes. Artinya
apakah data yang didapatkan dilapangan sesuai dengan distribusi teoritik tertentu.
Dengan kata lain, apakah data yang diperoleh berasal dari populasi yang berdistribusi
normal.

Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit.
Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya lebih
dari 30 angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal. Biasa
dikatakan sebagai sampel besar. Namun untuk memberikan kepastian, data yang
dimiliki berdistribusi normal atau tidak sebaiknya digunakan uji normalitas. Karena
belum tentu data yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian
sebaliknya data yang banyaknya kurang dari 30 belum tentu tidak berdistribusi normal,
untuk itu perlu suatu pembuktian. uji statistik normalitas yang dapat digunakan
diantaranya Chi-Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk, Jarque Bera.

Test-tes parametric untuk uji normalitas dibangun dari distribusi normal. Jika
kita lihat suatu tabel misalnya t-test, pembuatannya mengaju pada tabel normalitas. Kita
bisa berasumsi bahwa sampel benar-benar mewakili populasi sehingga hasil penilitian
kita bisa digeneralisasikan pada populasi. Dalam pandangan statistik, sifat dan
karakteristik populasi adalah terdistribusi normal.

1. Uji Normalitas dengan Chi Square

Salah satu fungsi dari chi square adalah uji kecocokan (goodness of fit). Dalam
uji kecocokan akan dibandingkan antara frekuensi hasil observasi dengan frekuensi
harapan/teoritis. Apakah frekuensi hasil observasi menyimpang atau tidak dari frekuensi
yang diharapkan. jika nilai y2 kecil, berarti frekuensi hasil observasi sangat dekat
dengan frekuensi harapan, dan hal ini menunjukan adanya kesesuaian yang baik. Jika
nilai x2 besar, berarti frekuensi hasil observasi berbeda cukup besar dari frekuensi
harapan, sehingga kesesuaiannva buruk. Kesesuaian yang baik akan membawa pada
penerimaan H0, dan kesesuaian yang buruk akan membawa pada penolakan H0.

Uji Jarque Bera adalah salah satu uji normalitas jenis goodness of fit test yang
mana mengukur apakah skewness dan kurtosis sampel sesuai dengan distribusi normal.
Uji ini didasarkan pada kenyataan bahwa nilai skewness dan kurtosis dari distribusi
normal sama dengan nol. Oleh karena itu, nilai absolut dari parameter ini bisa menjadi
ukuran penyimpangan distribusi dari normal. Dalam aplikasinya nilai Jarque Bera (JB)
dibandingkan dengan nilai Chi-Square Tabel pada derajat kebebasan 2.

Tidak seperti halnya uji normalitas yang lain, misalkan Shapiro Wilk, Lilliefors
dan Kolmogorov Smirnov yang ada di berbagai aplikasi statistik populer, Jarque Bera
tidak terdapat pada aplikasi-aplikasi tersebut. Dalam aplikasi SPSS, STATA maupun
Minitab, tidak terdapat fitur untuk melakukan uji ini. Jarque Bera Test dinamakan sesuai
dengan penemunya yaitu Carlos Jarque dan Anil K. Bera. Rumus Jarque Bera adalah
sebagai berikut:

Rumus Jarque Bera (JB)

Di mana:
JB: Jarque Bera
n: Jumlah Sampel.

Rumus K JB
Rumus S JB

Di mana:
S: Expected Skewness,
K: Expected Excess Kurtosis.

. Nilai Kritis Uji Chi Square

2. Kolmogorov Smirnov Test


Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan
membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi
normal baku. Distribusi normal baku adalah data yang telah ditransformasikan
kedalam bentuk Z-Score dan diasumsikan normal. Jadi sebenarnya uji
Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan
data normal baku. Uji ini juga bisa menggunakan aplikasi salah satunya seperti
Minitab dan SPSS
Syarat Uji Kolmogorov Smirnov, sebagai berikut :
a. Data berskala interval atau rasio
b. Data tunggal atau belum dikelompokkan pada tabel distribusi frekuensi
c. Data digunakan untuk n besar maupun n kecil
Pengujian normalitas data hasil penelitian dengan uji Kolmogorov Smirnov,
dilakukan dengan langkah-langkah sebagai berikut :
a. Perumusan Hipotesis :
H0 : sampel berasal dari populasi berdistribusi normal
H1 : sampel berasal dari populasi berdistribusi tidak normal
b. Mengurutkan data dari yang terkecil sampai terbesar
c. Statistik Penguji
Statistik penguji normalitas data Kolmogorov Smirnov diberikan pada
Tabel 5. sebagai berikut:
Tabel 5. Statistik Penguji Normalitas Kolmogorov Smirnov
Z=
No Xi Xi− Ẍ FT FS |F T −F S|
SD
1
2
3
dst
Keterangan :
Xi : angka pada data
Z : Transformasi dari angka ke notasi pada distribusi normal
FT : Probabilitas kumulatif normal (dapat dilihat pada Tabel 3.)
FS : Probabilitas kumulatif empiris
FS =
frekuensi kumulatif
n
d. Menentukan nilai D-tabel (dapat dilihat pada Tabel 6.
Tabel 6. Nilai Kritis Uji Kolmogorov Smirnov

a. Kriteria Pengujian
Jika D0 ≤ D-tabel maka H0 diterima
Jika D0 ≥ D-tabel maka H0 ditolak
b. Kesimpulan
D0 ≤ D-tabel : sampel berasal dari populasi berdistribusi normal
D0 ≥ D-tabel : sampel berasal dari populasi berdistribusi tidak normal
3. Anderson Darling Test
Metode Anderson-Darling digunakan untuk menguji apakah sampel
data berasal dari populasi dengan distribusi tertentu. Anderson-Darling
merupakan modifikasi dari uji Kolmogorov-Smirnov (KS). Nilai-nilai
kritis dalam uji KS tidak tergantung pada distribusi tertentu yang
sedang diuji sedangkan uji Anderson-Darling memanfaatkan distribusi
tertentu dalam menghitung nilai kritis. Ini memiliki keuntungan yang
memungkinkan tes yang lebih sensitif, tetapi kelemahannya adalah
nilai-nilai kritis harus dihitung untuk setiap distribusi.
Misalkan X1, X2 ,.....Xn adalah data yang akan diuji distribusi
normalnya dengan tingkat signifikan α maka uji Anderson-Darling
dapat diperoleh dengan menggunakan rumus sebagai berikut :

A=-n–S
Dengan :
n
1
S=
N
∑ [ 2i−1 ] [ ln ( F ( Zi ) )+ ln (1−F ( Zn+1−i ))]
1=1
Dan
xi−x́
Zi =
s

Sehingga persamaannya menjadi :


n
1
A=-n-
n ∑ [ 2 i−1 ] [ ln ( F ( Zi ) ) + ln ⁡(1−F ( Zn+1−i ) )]
i=1

Keterangan :
A = statistik uji untuk metode Anderson-Darling
n = ukuran sampel
xi = data ke-i yang telah diurutkan
Zi = data xi yang distandarisasi
x́=¿ rata-rata data
s = standar deviasi data
F (Zi) = nilai fungsi distribusi kumulatif normal baku di zi
Nilai kritis dari Anderson Darling Test bergantung pada distribusi
yang akan diuji. Secara statistik, keputusan menolak H 0 apabila A lebih
besar dari nilai kritis yang telah ditentukan. Anderson Darling Test
dapat dilakukan dengan mudah melalui beberapa software statistics,
salah satunya Minitab.
BAB III

METODE ANALISA STATISTIK

3.1 Metode Normalitas Data

Dalam metode ini menggunakan Kolmogrov-Smirnov menggunakan aplikasi minitab :

1. Masukkan data (data lampiran tabel 1) kedalam worksheet / lembar kerja.


2. Isikan variabel data ke dalam kolom C1 dan beri nama kolom C1 dengan “Data”
3. Simpan dalam Project dengan nama data.MPJ dan simpan dalam worksheet dengan
nama UNData.MTW
4. Pilih >Stat>Basic Statistic>Normality Test
5. Dalam kolom Variabel, masukkan “Data”
6. Uji kenormalan data dilakukan dengan metoda Kolmogorov-Smirnov, maka dibawah
Test of Normality, pilih Kolmogorov-Smirnov
7. Selanjutnya klik OK

 Syarat Data Berdistribusi Normal :


P-value data >0,15 berati P-value > 5%, maka H0 gagal ditolak, artinya data tersebut
telah berdistribusi normal.

 Daerah Penolakan :
KS uji > KS hitung → H0 ditolak
KS hitung = KS (1-α) = KS (1-5%) = KS(0,95)= 0,238 (lihat tabel Uji Statistik
Kolmogorov Smirnov)

 Kesimpulan :
KS uji = 0,137 berarti KS uji < KS hitung maka H0 gagal ditolak, artinya data
tersebut telah berdistribusi normal.
BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil Running Data Fosfor

No Fosfor
1 82,246
2 74,644
3 81,965
4 79,217
5 87,027
6 69,933
7 82,648
8 78,587
9 78,749

4.2 Pembahasan Data Fosfor


Diketahui jumlah n = 9
Dipakai Standart Error (α) = 5% atau 0,05
KS Hitung (Tabel Uji Statistik Kolmogorov-Smirnov) = 0,430
P-value = > 0,150
KS Uji (Hasil Running) = 0,209

 Syarat Data Berdistribusi Normal :


P-value data > 0,15 berati P-value > 5%, maka H0 gagal ditolak, artinya data Fosfor
tersebut telah berdistribusi normal.

 Daerah Penolakan :
KS uji > KS hitung → H0 ditolak
0,209 < 0,430 → H0 gagal ditolak (Data Fosfor tersebut telah berdistribusi
normal)

 Kesimpulan :
Data Fosfor tersebut telah berdistribusi normal karena P-value > 0,15 dan KS uji
lebih kecil dari KS hitung.

4.3 Hasil Running Data Kekeruhan

NO Kekeruhan
1 2,45
2 2,41
3 2,32
4 2,72
5 3,62
6 5
4.4 Pembahasan Data
Diketahui jumlah n = 6
Dipakai Standart Error (α) = 5% atau 0,05
KS Hitung (Tabel Uji Statistik Kolmogorov-Smirnov) = 0,519
P-value = 0,083
KS Uji (Hasil Running) = 0,303

 Syarat Data Berdistribusi Normal :


P-value data 0.083 berati P-value > 5%, maka H0 gagal ditolak, artinya data
tersebut telah berdistribusi normal.
 Daerah Penolakan :
KS uji > KS hitung → H0 ditolak
0,303 < 0,519 → H0 gagal ditolak (Data tersebut telah berdistribusi normal)
 Kesimpulan :
Data tersebut telah berdistribusi normal karena P-value > 0,05 dan KS uji lebih kecil
dari KS hitung.

BAB V

KESIMPULAN DAN SARAN


5.1 Kesimpulan

Hasil data Fosfor dan data Kekeruhan tersebut diketahui telah berdistribusi normal
baik ditinjau dari P-value maupun KS uji dan KS hitungnya. Dalam menginput data harus
menggunakan data yang memiliki variabel sama agar hasil uji normalitas dapat diperoleh
dengan benar.

5.2 Saran

Saat pelaksanaan praktikum disarankan untuk lebih teliti dalam memasukan data agar
tidak terjadi kesalahan pada hasil uji.

DAFTAR PUSTAKA

Uji Normalitas . https://dosen.perbanas.id/uji-normalitas/ (diakses 24 Februari 2020)


Uji Normalitas. https://www.statistikian.com/2013/01/uji-normalitas.html (diakses 24
Februari 2020)

Fitriah R., Astik. 2019. Pretreatment Sampah Organik Dengan Menggunakan Biodryin Sebagai
Bahan Baku Bahan Bakar Alternatif
Oktaviani, Mitha Arvira Oktaviani & Hari Basuki Notobroto. 2014. Perbandingan Tingkat
KonsistensiNormalitas Distribusi Metode Kolmogorov-Smirnov, Lilliefors, Shapiro-Wilk, dan
Skewness-Kurtosis.Fakultas Kesehatan Masyarakat Universitas Airlangga. Jurnal Biometrika
dan Kependudukan Vol.3,No.2 Desember 2014
Pratama,Ade. 2017. Model Simulasi Antrian Dengan Metode Kolmogorov-Smirnov Normal Pada
Unit
Pelayanan. Program Studi Pendidikan Informatika, STKIP PGRI Sumatera Barat. Vol
3.il(27-37)
Anonim, 2018. Petunjuk Praktikum Statistik Lingkungan. Program Studi Teknik Lingkungan
UPN “Veteran” Jawa Timur. Surabaya.

Setyosari, Punaji. 2010. Metode Penelitian Pendidikan dan Pengembangnnya. Jakarta:


Kencana.

Anda mungkin juga menyukai