Disusun Oleh :
Kelompok 1
B. Uji Binomial
Uji binomial digunakan untuk menguji hipotesis bila dalam populasi terdiri atas
dua kelompok kelas dengan datanya berbentuk nominal dan jumlah sampelnya kecil
(kurang dari 25) (Sugiyono, 2007 ). Adapun dua kelompok kelas tersebut misalnya pria
dan wanita, senior dan junior, sarjana dan bukan sarjana, pemimpin dan bukan
pemimpin, dan sebagainya. Dari populasi yang telah ditentukan akan diteliti dengan
menggunakan sampel yang diambil dari populasi tersebut.
Jika dari data sampel yang telah ditentukan akan diberlakukan populasi, maka
peneliti akan menguji hipotesis statistik yaitu menguji ada tidaknya perbedaan antara
data yang ada dalam populasi itu dengan data yang ada pada sampel yang diambil dari
populasi tersebut. Untuk melakukan uji semacam ini digunakan uji binomial. Maka dari
itu, uji binomial ini digunakan untuk menguji hipotesis deskriptif (satu sampel) jika
datanya nominal berbentuk dua kategori atau dua klas. Oleh karena itu, uji binomial ini
cocok digunakan sebagai alat pengujian hipotesis bila ukuran sampelnya kecil.
Uji ini disebut sebagai uji binomial karena distribusi data dalam satu populasi
berbentuk binomial. Adapun distribusi binomial adalah suatu distribusi yang terdiri atas
dua klas. Bila proporsi pengamatan yang masuk dalam kategori pertama adalah
“sukses” = P, maka proporsi yang masuk dalam kategori kedua ”gagal” adalah 1-P = Q.
Uji binomial memungkinkan kita untuk menghitung peluang atau probabilitas untuk
memperoleh k objek dalam suatu kategori dan n-k objek dari kategori lain. (Wahid
Sulaiman, 2003). Jadi bila suatu populasi dengan jumlah n, terdapat 1 klas yang
berkategori k, maka kategori yang lain adalah n - k. Probabilitas untuk memperoleh k
obyek dalam satu kategori dan n - k dalam kategori lain adalah:
Keterangan:
● p adalah proporsi kasus yang diharapkan dalam salah satu kategori dan kategori
lainnya adalah q, besarnya q adalah 1 - p.
● k= jumlah objek berelemen”sukses” dari seri pengamatan berukuran n
● n! adalah n faktorial, yang nilainya = n(n - 1) (n - 2) … [n - (n - 1)].
Terdapat suatu eksperimen binomial yang terdiri dari pengambilan satu bola secara
acak (random) dari kotak yang berisi 30 bola merah (=30 M) dan 70 bola putih (=70 P).
Apabila X = banyaknya bola merah dalam suatu hasil eksperimen binomial maka:
Misal:
Untuk MMMP, X = Y1 + Y2 + Y3 + Y4 = 1 + 1 + 1 + 0 = 3
Untuk MPMP, X = Y1 + Y2 + Y3 + Y4 = 1 + 0 + 1 + 0 = 2
Apabila semua nilai probabilitas X sebagai hasil suatu eksperimen dihitung, akan
diperoleh distribusi probabilitas X dan disebut distribusi probabilitas binomial.
Dari uraian di atas dapat disimpulkan bahwa dalam distribusi probabilitas binomial
dengan n percobaan berlaku rumus berikut:
Dimana:
x = 0, 1, 2, 3, …, n
p = probabilitas sukses
q = (1 – p) = probabilitas gagal
Apabila suatu himpunan yang terdiri dari n elemen dibagi 2, yaitu x sukses dan (n
– x) gagal, maka banyaknya permutasi dari n elemen yang diambil x setiap kali dapat
dihitung berdasarkan rumus berikut:
nCx = n!/(x!(n – x)!) disebut koefisien binomial (merupakan kombinasi dari n elemen
yang diambil x setiap kali)
Dalam prakteknya uji Binomial dapat dilakukan dengan cara yang lebih
sederhana, untuk membuktikan Ho dilakukan dengan cara membandingkan nilai p
dalam tabel yang didasarkan pada n dan nilai yang terkecil dalam tabel itu dengan taraf
kesalahan yang kita tetapkan sebesar 1%. (Sugiyono, 2007)
Dengan uji binomial, pertanyaan penelitian yang akan dicari jawabannya adalah
apakah kita mempunyai alasan yang cukup kuat untuk mempercayai bahwa proporsi
elemen pada sampel kita sama dengan proporsi pada populasi asal sampel. Dalam
prosedur uji hipotesis, distribusi binomial kita gunakan sebagai acuan dalam
menetapkan besarnya probabilitas untuk memperoleh suatu nilai “kategori pertama”
sebesar yang teramati dan yang lebih ekstrim dari nilai itu, dari sebuah sampel yang
berasal dari populasi binomial. (Departemen Biostatistik FKM UI, 2009).
DUA SISI
SATU SISI
Contoh:
Diketahui:
P= 4/13 = 0,3
Jawaban:
Uji Hipotesis:
Ho : P=Po
Ha: P≠ Po
Uji statistik
Kesimpulan:
Seorang pengusaha restoran ingin melakukan penelitian mengenai selera masakan tradisional
yang disukai mahasiswa. Hasil penelitian terhadap 30 responden di restoran tradisional
memberikan data sebagai berikut : 22 orang menyukai masakan Jawa, dan 8 orang menyukai
masakan Padang. Ujilah dugaan bahwa jumlah mahasiswa yang menyukai masakan Jawa
berbeda dengan masakan Padang. Gunakan taraf nyata sebesar 5%.
Langkah Langkah:
1. Uji Hipotesis
𝐻0 ∶ Jumlah (frekuensi) mahasiswa yang menyukai masakan Jawa dan masakan Padang
adalah sama atau tidak berbeda
𝐻a ∶ Jumlah (frekuensi) mahasiswa yang menyukai masakan Jawa dan masakan Padang
adalah berbeda
4. Output
Total 30
5. Analisis dan Keputusan
Uji Binomial memaparkan bahwa kategori masakan tradisional ada dua yaitu masakan
Jawa dan masakan Padang, jumlah masing-maisng adalah 22 dan 8. Nilai proporsi uji
(Test Prop.) = 0.50 , proporsi pengamatan untuk kategori Masakan Jawa = 0.73 dan
kategori Masakan Padang = 0.27. hasil nilai peluang eksak Binomial 2 arah (Exact
Sig. (2-tailed)) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 adalah 0.016. < (0.05) maka keputusannya Tolak Ho
6. Kesimpulan
χ2 = nilai chi-square
df = Degree of Freedom
Kategori Jumlah
Usia
Remaja 32
Dewasa 25
Awal
Dewasa 19
Dewasa 16
Akhir
Tua 8
Dengan tingkatan signifikansi 1%, Apakah proporsi orang yang tertangkap
kasus drunk driving sama pada semua kelompok usia?
Jawab:
Ho: Tidak ada perbedaan proporsi orang yang tertangkap drunk driving pada
semua kelompok usia
Ha: ada perbedaan proporsi orang yang tertangkap drunk driving pada semua
kelompok usia
α= 1%= 0.01
fE
Kategori Umur fo p (fo - fE) (fo - fE)2 (fo - fE)2
(=n..p)
fE
X2=16.5
X2 Tabel= k - 1, α.
= 5-1, 0.01
Keputusan:
Kesimpulan:
Nama_Resp Warna
Renny 1
Ronny 2
Sugiarto 3
Deddy 3
Sintha 2
Sussy 3
Lily 3
Linna 3
Lanny 1
Ruben 1
Ricky 2
Rossy 2
Keterangan:
1= Putih
2= Hijau
3= Kuning
Langkah Langkah:
1. Uji Hipotesis
Ho: p1=p2=p3=1/3
Hi: p1≠ p2≠ p3≠1/3
NB: Ho menyatakan seharusnya distribusi sampel responden mengikuti distribusi
teoritis, yaitu semua warna dipilih merata.
2. Analyze → Nonparametric Test → Chi Square
Insert:
● Test Variable Test atau nama variabel yang akan diuji. Sesuai kasus, masukkan
variabel warna.
● Expected Range. Disini karena data sudah diinput, maka pilihan tetap pada GET
FROM DATA.
● Expected Values. Jika dilihat pada kasus, Manajer menganggap kesenangan terhadap
warna adalah sama, yang berarti semua warna seharusnya dipilih secara merata
(sepertiga konsumen memilih warna putih, sepertiga memilih warna hjau dan
sepertiga memilih warna kuning). Dengan demikian, tetap pada pilihan ALL
CATEGORIES EQUAL.
3. Tekan “Ok”
4. Output
Putih 3 4 -1
Hijau 4 4 0
Kuning 5 4 +1
Total 12
Analisis:
1. Dari tabel WARNA terlihat bahwa putih dipilih oleh 3 responden, warna hijau 4
responden dan warna kuning 5 responden. Ini adalah frekuensi yang didapat dari input
data (observed).
2. Dari tabel WARNA untuk kolom EXPECTED, karena distribusi seharusnya
merata, maka masing-masing warna seharusnya diminati oleh masing-masing
responden (dari 12 responden dibagi 3 warna).
3. Kolom RESIDUAL dari tabel WARNA adalah selisih antara kolom Observed dan
kolom Expected. Seperti untuk warna putih, angka residual adalah 3 – 4 atau –1.
Demikian untuk dua angka residual yang lain
5. Keputusan:
● Perbandingan Chi-Square Hitung dengan Chi-Square tabel:
Dari tabel Output TEST STATISTICS terlihat angka Chi Square hitung adalah
0,500
● Mencari Chi-Square Tabel:
Derajat kebebasan (df)= jumlah baris-1= 3-1 = 2.CI 95% →
Signifikan = 5%. Pada χ2 (0,05;2) → (lihat tabel) didapat
angka 5,991
6. Kesimpulan
Berdasarkan perbandingan Chi square hitung dan Chi square tabel:
Karena Chi-Square hitung (χ2) < Chi-Square tabel, maka Ho diterima.
Berdasar angka Probabilitas:
Karena angka pada kolom EXACT. SIG adalah 0,779 yang adalah > 0,05, maka Ho
diterima.Hal ini berarti konsumen menyukai ketiga warna sabun mandi secara
proporsional, dalam arti tidak ada warna yang lebih disukai dari lainnya. Perhatikan
walaupun dalam sampel warna putih paling sedikit peminatnya, dan warna kuning
paling banyak yang menyukai, namun setelah diuji dengan Chi- Square, ternyata
distribusi sampel tersebut masih sesuai dengan distribusi teoritis (yang seharusnya),
yaitu warna disukai secara merata.
Prinsip dari uji Kolmogorov–Smirnov adalah menghitung selisih absolut antara fungsi
distribusi frekuensi kumulatif sampel [Fs(x)] dan fungsi distribusi frekuensi kumulatif teoritis
[Ft(x)] pada masing-masing interval kelas.
Dengan F(x) ialah fungsi distribusi frekuensi kumulatif populasi pengamatan Statistik uji
Kolmogorov-Smirnov merupakan selisih absolut terbesar antara Fs(x) dan Ft(x), yang disebut
deviasi maksimum D.
● Susun hipotesis
● Susun frekuensi-frekuensi dari tiap nilai teramati, urutkan dari dari nilai terkecil
sampai nilai terbesar.
● Susun frekuensi kumulatif dari nilai-nilai teramati.
● Konversikan frekuensi kumulatif ke dalam probabilitas, yaitu ke dalam fungsi
distribusi frekuensi kumulatif [Fs(x)].
● Hitung nilai z untuk masing-masing nilai teramati di atas dengan rumus z=(xi–x) /s.
Dengan mengacu kepada tabel distribusi normal baku, carilah probabilitas kumulatif
untuk setiap nilai teramati. Hasilnya ini ialah sebagai Ft(xi).
● Susun Fs(x) berdampingan dengan Ft(x).
● Hitung selisih absolut antara Fs(xi) dan Ft(xi) pada masing-masing nilai teramati.
selisih absolut terbesar Fs(xi) dan Ft(xi) yang juga disebut deviasi maksimum D
● Kemudian nilai D maksimum dibandingkan dengan nilai kritis pada tabel distribusi
normal, pada ukuran sampel n dan tingkat kemaknaan alfa. Ho ditolak bila nilai D
maksimum lebih besar atau sama dengan nilai kritis alfa. Maka distribusi yang
diamati dan distribusi normal berbeda secara bermakna, dan begitu juga sebaliknya.
Dari suatu autopsy diketahui berat otak 15 orang dewasa penderita penyakit tertentu
sebagaimana tersaji pada tabel 2, dari data tersebut diperoleh mean sebesar 1083 dan
simpangan baku sebesar 129.
Tabel 2. Langkah-langkah menghitung nilai-nilai Fs(xi) dan Ft(xi)
Kesimpulan. Kita mengacu pada tabel D (0,338), dengan n=15 dan α (dua sisi) = 0,05,
karena 0,1664 < 0,338, maka Ho gagal ditolak. Kita dapat simpulkan bahwa sampel berat
otak berasal dari populasi dengan distribusi normal.
Data 8 1 3 3 2
1 4 0 5 9
Apakah data di atas berdistribusi poisson atau tidak?
Jawab:
Kesimpulan:
Dari perhitungan diperoleh D = 0.388329 < D table = 0.9987 dan dari SPSS diperoleh nilai
Asymp.Sig (2-tailed) adalah = 0.922 > α =0.05. maka Ho diterima. Jadi dapat disimpulkan
bahwa data berdistribusi poisson.
Tabel 1. Persamaan dan Perbedaan Uji Binomial, Uji Chi Square, dan Uji
Kolmogorov-Smirnov
No Persamaan Perbedaan
REFERENSI
Departemen Biostatistik FKM UI. (2009). Statistik Non Parametrik. Depok: FKM UI.
Corder, Gregory W. dan Dale I. Foreman. (2009). Nonparametric Statistics for Non
Statisticians. New Jersey: John Wiley & Sons, Inc
Novrinda, H. (2009). [online] Staff.ui.ac.id. Available at:
http://staff.ui.ac.id/system/files/users/herry_n/material/bahan-kuliah-uji-statistik-chi-
square.pdf [Accessed 18 Feb. 2020].
Sugiyono. (2007). Staistika Untuk Penelitian. Bandung: IKAPI
Suliyanto. (2014). Statistik Non Parametrik: dalam Aplikasi Penelitian. Yogyakarta: ANDI.
Suciptawati N.L.T (2016) Penuntun Pratikum: Statistik Non Parametrik dengan SPSS.
Available at https://simdos.unud.ac.id/uploads/file_pendidikan_1_dir/76fa066ec9cf1
90b0c20c3c32ce7c15e.pdf [Accessed 5 Mar. 2020].
Tobing, D., dkk. (2017). Bahan Ajar Praktikum Statistik. Universitas Udayana: Program
Studi Psikologi Fakultas Kedokteran.
Anonymous. Chi Square: Goodness of Fit test. Available at: http://staffnew.uny.ac.id
/upload/132058092/pendidikan/chisquare.pdf [Accessed 5 Mar. 2020].
UNY. (2014). Distribusi Binomial. Available at: http://staffnew.uny.ac.id/
upload/198401312014042002/pendidikan/DISTRIBUSI%20BINOMIAL.pdf [Accessed
3 Mar. 2020]
Widiastuti, A. (2016). [online] Repository.usd.ac.id. Available at:
https://repository.usd.ac.id /8062/2/123114017_full.pdf [Accessed 4 Mar. 2020].