Mo du l 3

Pri nsi p Pen guj ian S eca ra Par ame tri k dan Sec ara
Non Par ame tri k

Drs. Bambang Subali, M.S.

PE ND AH UL UA N

D alam Modul 3 ini Anda akan diajak untuk mempelajari perihal prinsip-prinsip
distribusi peluang dan penerapannya dalam pengujian hipotesis, serta persyaratan-
persyaratan yang harus dipenuhi dalam pengujian hipotesis. Persyaratan-persyaratan
tersebut adalah persyaratan dari segi parametrik. Artinya, jika persyaratan keparametrikan
tidak dapat terpenuhi, maka gunakan pengujian hipotesis secara nonparametrik.
Materi dalam modul 3 ini disajikan dalam 3 Kegiatan Belajar. Kegiatan Belajar 1
menyajikan materi tentang prinsip dan jenis distribusi peluang. Kegiatan Belajar 2
menyajikan materi tentang prinsip penggunaan distribusi peluang dalam pengujian
hipotesis, dan Kegiatan Belajar 3 menyajikan materi tentang prinsip pengujian hipotesis
secara parametrik dan secara nonparametrik.
Dengan mempelajari Modul 3 ini Anda akan dapat memiliki kemampuan yang
berhubungan dengan prinsip pengujian baik secara parametrik maupun nonparametrik.
Lebih khusus lagi Anda akan dapat:
1. menjelaskan prinsip distribusi peluang;
2. menggunakan tabel distribusi peluang normal baku;
3. menggunakan tabel distribusi Chi-kuadrat;
4. menggunakan tabel distribusi t-Student;
5. menggunakan tabel distribusi F;
6. menjelaskan prinsip-prinsip pengujian hpotesis;
7. menjelaskan perbedaan antara statistika parametrik dan nonparametrik;
8. menjelaskan perbedaan penggunaan statistika parametrik dan nonparametrik dalam
pengujian hipotesis;
9. menjelaskan persyaratan yang harus dipenuhi untuk uji parametrik;
10. menjelaskan perbedaan uji normalitas Chi-kuadrat dan Lilliefors;
11. melakukan uji normalitas dengan menggunakan uji Chi-kuadrat;
3.2 Biometri 

12. memaknakan hasil uji normalitas;

13. menjelaskan prinsip uji homogentitas varians/ragam;
14. melakukan uji homogenitas varians/ragam dengan menggunakan uji Bartlett;
15. memaknakan hasil uji homogenitas varians/ragam.
 PABI4455/MODUL 3 3.3

Ke gi at an Be la ja r 1

Pri nsi p dan Jen is Dis tri bus i Pel uan g

A. PRINSIP DISTRIBUSI PELUANG

Peluang kejadian anak lahir laki-laki adalah 1 . Peluang kejadian anak lahir
2
1
perempuan juga . Mengapa? Karena pada setiap peristiwa kelahiran, kalau tidak lahir
2

anak laki-laki akan lahir anak perempuan. Jika Anda melemparkan mata uang logam
yang terdiri atas sisi angka dan gambar, berapa peluang kejadian bahwa yang tampak
adalah sisi angka? Berapa pula peluang kejadian bahwa yang tampak adalah sisi
gambar? Jika hanya satu mata uang yang Anda lempar, maka peluang kejadian

munculnya sisi angka sebesar 1 , peluang munculnya sisi gambar juga 1 .

2 2

Jika suatu keluarga memiliki empat orang anak, berarti telah terjadi 4 peristiwa
kelahiran, sehingga n = 4. Apa saja kemungkinan kelahiran yang terjadi? Kemungkinan
kejadian yang timbul adalah sebagai berikut.
- Kemungkinan pertama, tidak ada yang laki-laki, keempatnya perempuan. Jika laki-
laki diberi kode L dan perempuan diberi kode P, maka dapat diberi notasi: PPPP.
- Kemungiinan kedua, satu anak laki-laki dan tiga lainnya perempuan, dengan urutan
sebagai berikut. LPPP atau PLPP atau PPLP atau PPPL.
- Kemungkinan ketiga, dua anak laki-laki dan dua lainnya perempuan, dengan urutan
sebagai berikut. LLPP atau PPLL atau LPPL atau PLLP atau PLPL atau LPLP.
- Kemungkinan keempat, tiga anak laki-laki dan yang satu perempuan dengan urutan
sebagai berikut. LLLP atau LLPL atau LPLL atau PLLL.
- Kemungkinan kelima, semuanya laki-laki, tidak ada yang perempuan, yakni: LLLL.

Dari contoh di atas, suatu keluarga yang memiliki 4 orang anak, menghasilkan 16

kemungkinan kejadian, dan masing-masing kejadian memiliki peluang sebesar 1 .

16

Mengapa besarnya peluang 1 ? Karena peluang lahir seorang anak laki-laki atau P(L)
16
3.4 Biometri 

= 1 , Dengan demikian pula peluang lahir seorang anak perempuan: P(W) = 1 - P(L) =
2
1 1
1- = .
2 2

Oleh karena itu, peluang keempat anaknya laki-laki:

P(L1) x P(L2) x P(L3) x P(L4) = 1 x 1 x 1 x 1 = 1

2 2 2 2 16

Peluang tiga anaknya laki-laki dan yang satu perempuan = 4/16 yakni diperoleh dari:
[P(L1) x P(L2) x P(L3) x P(W4)] + [P(L1) x P(L2) x P(W3) x P(L4)] +
[P(L1) x P(W2) x P(L3) x P(L4)] + [P(W1) x P(L2) x P(L3) x P(L4)] =
1/16 + 1/16 + 1/16 + 1/16 = 4/16
Jika ditulis menggunakan rumus umum binomial adalah sebagai berikut.


n
P(Y k) (p) k (1p) n k

k

Keterangan:
P (Y=k): peluang kejadian Y sebanyak k
n : banyaknya peristiwa
p : proporsi peluang kejadian Y
1 -p = proporsi peluang kejadian bukan Y

Contoh:
Peluang kejadian pada peristiwa keluarga dengan 4 orang anak, memiliki dua anak laki-
laki dan 2 anak perempuan adalah:


n
P(Y k) (p) k (1p) n k

k

2 2

4
1 2 1 4 2 
4
1 1 
P(Y 2) ( ) (1  )   

2 2 2 2 2 
2

4! 1 
1  6 3
P(Y = 2) =    
2!(4 2)!4 
4  16 8
 PABI4455/MODUL 3 3.5

Peluang kejadian pada peristiwa keluarga dengan 4 orang anak, memiliki seorang anak
laki-laki (tiga lainnya perempuan) adalah:

1 4
1 1 3
  1 
4 1  1 
4 1
P(Y 1)  1    
1 2  2 
 1 
 2 2 

4! 1  1  4 1
P(Y = 1) =    
1!(4 1)! 2 
8  16 4

Peluang kejadian pada peristiwa keluarga dengan 4 orang anak, tidak memiliki anak
laki-laki (semuanya perempuan) adalah:


4
1 4 0 
0 1  41
01 
4
P(Y = 0) = 1    

0
2  2  
022 

4! 1  1
P(Y = 0) = 
1
 
0!(4 0)! 16  16

Dengan demikian, tanpa melihat bagaimana urutan laki-laki perempuannya dari

anak pertama sampai anak keempat, ada 5 kemungkinan kejadian pemilihan anak laki-
laki pada suatu keluarga dengan 4 orang anak. Pertama, kejadian tidak memiliki anak
laki-laki, hanya memiliki seorang anak laki-laki, memiliki 2 anak laki-laki, memiliki 3
anak laki-laki, atau semuanya laki-laki.
Jika kejadian anak lahir laki-laki diberi kode Y, maka pada peristiwa keluarga
memiliki empat orang anak menjadi: Y = 0, 1, 2, 3, 4. Besar peluang masing-masing Y
adalah sebagai berikut. P(Y=0) = 1/16; P(y=1) = 4/16; P(Y=2) = 6/16; P(Y=3) = 4/16;
P(Y=4) = 1/16. Besarnya peluang kejadian pemilikan anak laki-laki berkebalikan
dengan besarnya peluang pemilikan anak perempuan. Bagaimana halnya pada peristiwa
keluarga yang memiliki delapan orang anak atau n = 8, bagaimana kemungkinan-
kemungkinannya? Dengan rumus di atas, dapat diperoleh besarnya kemungkinan-
kemungkinan kejadian sebagai berikut.
3.6 Biometri 

Tabel 3.1.
Besarnya peluang untuk memiliki anak laki-laki dan/atau perempuan pada keluarga
dengan 8 orang anak

Peluang memiliki Peluang memiliki Besar peluang

anak laki-laki anak perempuan P(Y)
0 8 1/256
1 7 8/256
2 6 28/256
3 5 56/256
4 4 70/256
5 3 56/256
6 2 28/256
7 1 8/256
8 0 1/256

Peristiwa kelahiran yang pada setiap peristiwanya muncul dua kemungkinan

kejadian, yakni lahir laki-laki atau perempuan, merupakan peristiwa binomial. Jika
Anda cermati, maka perbandingan peluang kejadian binomial dengan contoh peristiwa
pemilikan anak laki-laki atau anak perempuan tanpa memperhatikan urutan
kelahirannya, ternyata mengikuti prinsip segitiga Pascal.

Banyak Bilangan Pascal

kejadian
n=1 1 1
n=2 1 2 1
n=3 1 3 3 1
n=4 1 4 6 4 1
n=5 1 5 10 10 5 1
N=6 1 6 15 20 15 6 1
dst.

Pada saat suatu keluarga memiliki 4 anak maka peluang lahir 2 laki-laki dan dua
perempuan 6/16, peluang lahir 3 anak laki-laki atau 3 perempuan menurun menjadi
4/16 dan peluang lahir semua laki-laki atau semua perempuan hanya 1/16.

Cara yang lain yaitu menggunakan persamaan binomial yang ternyata koefisiennya
juga mengikuti bilangan pada segitiga Pascal. Untuk banyaknya kejadian 1, atau n = 1,
persamaan binomialnya adalah:
1p1q0 + 1p0q1 atau = 1p + 1q
 PABI4455/MODUL 3 3.7

Untuk banyaknya kejadian 2, atau n=2, persamaan binomialnya adalah:

1p2q0 + 2p1q1 + 1p0q2 atau = 1 p 2 + 2pq + 1q2

Untuk banyaknya kejadian 5, atau n=5, persamaan binomialnya adalah:

1p5q0 + 5p4q1 + 10p3q2 + 10p2q3 + 5p1 q4 + 1p0q5 atau
= 1p5 + 5p4q1 + 10p3q2 + 10p2q3 + 5p1q4 + 1q5

(dengan p adalah peluang munculnya suatu hal, dan q adalah peluang munculnya hal
lain, atau non-p).
Apabila besarnya peluang kejadian dijumlahkan, seluruhnya akan sama dengan 1
atau 100%. Tabel yang menunjukkan perihal peluang-peluang yang mungkin timbul
dari berbagai kemungkinan kejadian yang terjadi dalam peristiwa disebut tabel
distribusi peluang.
Selain distribusi binomial, juga dikenal banyak distribusi peluang lainnya, seperti
distribusi multinomial, distribusi Poisson, distribusi hipergeometrik, distribusi normal
baku (standar), distribusi normal-t-Student, distribusi Chi-Kuadrat, distribusi F, dan
sebagainya. Dalam kegiatan belajar ini hanya akan disajikan beberapa jenis distribusi
peluang yang paling banyak digunakan dalam penelitian biologi.

Tu ga s

1. Bila seekor induk kucing diharapkan memiliki anak 7 ekor, berapa peluang akan
memperoleh 4 ekor jantan dan 3 ekor betina?
2. Bila seekor induk kucing diharapkan memiliki anak 9 ekor, berapa peluang akan
memperoleh 4 ekor jantan dan 5 ekor betina?
3.8 Biometri 

B. DISTRIBUSI NORMAL BAKU/STANDAR

Peristiwa kelahiran yang dicontohkan untuk menggambarkan distribusi binomial,

merupakan variabel yang bersifat diskret. Bagaimana halnya jika peristiwa kelahiran
yang terjadi sebanyak n, dan n tersebut tak berhingga banyaknya? Dalam keadaan
demikian, tentu akan tak berhingga banyaknya kemungkinan kejadian pemilikan anak
laki-laki ataupun anak perempuan. Bagaimana halnya bila variabelnya merupakan
variabel kontinyu? Jika suatu variabel kontinyu memiliki ukuran yang tak berhingga
banyaknya (n = ), maka ada  kejadian Y yang dapat terjadi, dan kejadian Y akan
mengambil nilai berapa saja secara kontinyu dari -  sampai dengan + . Oleh
karenanya titik-titik peluang kejadiannya akan sambung-menyambung membentuk
garis kurve, dan luas dibawah kurve sama dengan satu unit persegi atau 100%.
Suatu variabel kontinyu dinyatakan berdistribusi normal bila nilai-nilai Y
mempunyai batas -  < Y < +  dan fungsi kepekatan (densitas) peluang mengikuti
persamaan:

Y 
1
1  
f (Y)  e 2   2
 2

Keterangan:
Y : nilai kejadian (-  < Y < + )
 : nilai parameter rata-rata dari distribusi
 : nilai parameter simpangan baku dari distribusi
 : nilai konstan sebesar 3,1416
e : nilai konstan sebesar 2,7183

Distribusi normal akan menghasilkan grafik dengan karakteristik sebagai berikut.

1. Grafik selalu berada di atas aksis (poros datar).
2. Aksis (poros datar) X menunjukkan nilai Y sebesar:
-  < Y < + .
3. Bentuk grafik simetris pada titik Y =  (pada saat nilai Y sama dengan nilai rata-
rata distribusi).
4. Grafik mendekati aksis (sumbu datar) X ke arah kiri pada saat nilai Y =  - 3  dan
ke arah kanan pada saat nilai Y = + 3 .
 PABI4455/MODUL 3 3.9

5. Luas daerah di bawah grafik selalu sama dengan 1 unit persegi (100%). Karena
kurve tersebut simetris maka luas belahan kiri sama dengan luas belahan kanan
sama dengan ½ unit persegi (50%).
6. Nilai median sama dengan nilai rata-rata.
7. Kurve unimodal tercapai pada Y =  sebesar 0,3989/  atau sebesar:
1
 2

8. Pada aksis dengan nilai Y = +  terdapat titik belok sebesar:

1
 2e

Kurve normal akan berubah-ubah tingginya, tetapi luas daerah di bawah kurve
selalu tetap satu unit persegi. Jika  (sigma) makin besar, maka kurve semakin rendah
(platikurtis), dan sebaliknya jika  makin kecil kurve semakin tinggi (leptokurtis). Jika
dilukiskan, kurve distribusi normal adalah sebagai berikut.

Gambar 3.1. Kurve normal

3.10 Biometri 

Distribusi normal juga disebut distribusi Gauss, dan merupakan distribusi yang
paling banyak digunakan dalam prosedur statistika inferensial. Jika distribusi normal
memiliki nilai rata-rata ( ) = 0 dan simpangan baku ( ) = 1, maka distribusi normal
tersebut merupakan distribusi normal baku. Nilai pengamatan Y dapat dikonversi ke
nilai z dengan rumus sebagai berikut.

dan rata-rata z  Y 
yi 
z1 
 / n

Fungsi kepekatan atau densitas peluang z dengan batas nilai-nilai z sebesar - <
z < +  mengikuti rumus:
1 2
1  z
f (z)  e 2
2

Adapun karakteristik kurve normal baku adalah sebagai berikut.

1. Grafik selalu berada di atas aksis (poros datar) X dan sifatnya konstan (tidak
berubah-ubah tingginya).
2. Aksis (poros datar) X menunjukkan harga z sebesar:
- < z < + 
3. Bentuk grafik simetris pada titik z = 0 (pada saat nilai z sama dengan nilai rata-rata
distribusi)
4. Tinggi puncak kurve pada saat nilai z = 0 adalah pada ordinat 0,3989
5. Titik belok pada saat nilai z = -1 dan z = +1 pada ordinat 0,2420
6. Grafik mendekati aksis (sumbu datar) X ke arah kiri pada saat nilai z = -3 dan ke
arah kanan pada saat nilai z = +3
7. Luas daerah di bawah grafik selalu sama dengan satu unit persegi (100%) Kalau
digambarkan adalah sebagai berikut.

Gambar 3.2. Kurve normal baku (distribusi z)

 PABI4455/MODUL 3 3.11

Harga luas area/daerah di bawah kurve sudah disajikan dalam bentuk tabel z. Ada
dua model tabel z. Pertama, harga luas yang disajikan merupakan luas bagian ekor
kurve (luas areal z > z i). Kedua, harga luas yang disajikan merupakan luas dari titik
tengah kurve (titik nol) sampai batas nilai z i (0 < z < z i). Jika digambar akan tampak
bagian yang diarsir hitam sebagai berikut.

- +

Gambar 3.3a. Luas area z > zi (luas bagian yang terarsir hitam)

Gambar 3.3b. Luas area 0 < z < z i

- +

Gambar 3.3b. Luas area 0 < z < zi (luas bagian yang terarsir hitam)

Luas area di bawah kurve z seluruhnya sama dengan 1 unit atau 100% atau cukup
ditulis 1. Karena bentuknya simetris maka luas area di bawah kurve dari titik tengah
atau titik 0 sampai titik +sama dengan luas area di bawah kurve dari titik 0 sampai
-, yakni sama dengan 0,5 unit atau 50% atau cukup ditulis 0,5. Pada gambar 3.3a dan
3.3b titik z i pada posisi 1,5. Dengan demikian, luas area di bawah kurve yang terarsir
hitam yakni dari titik 1,5 sampai +sama dengan luas di bawah kurve dari titik 1,5
sampai -, juga akan sama dengan luas di bawah kurve 0,5 unit dikurangi luas di
bawah kurve dari titik 0 sampai titik 1,5 (0,5 unit dikurangi luas di bawah kurve yang
3.12 Biometri 

terarsir hitam), juga sama dengan luas di bawah kurve 0,5 unit dikurangi luas di bawah
kurve dari titik 0 sampai titik -1,5.
Ada tiga tabel z yang disajikan dalam modul ini. Untuk lebih memahami, coba
pertama Anda perhatikan tabel 3.2a. Tabel tersebut menunjukkan luas area di bawah
kurve untuk nilai zi sampai +. Dalam Tabel tersebut tertulis keterangan P (z > 1) =
.1587 (ingat simbol koma dalam bahasa Indonesia ditulis simbol titik dalam bahasa
Inggris) artinya bahwa luas di bawah kurve dari titik z i = 1,0 sampai titik zi = + seluas
0,1587 unit atau 15,87%. Luas area itu juga akan sama dengan luas area dari zi = 1,0
sampai titik zi = -.
Coba sekarang perhatikan Tabel 3.2b. Tabel tersebut menunjukkan luas area di
bawah kurve dari titik 0 (titik tengah) sampai nilai zi . Dengan demikian, luas area di
bawah kurve dari titik 0 (titik tengah) sampai nilai zi = 0 akan seluas 0 unit atau 0%.
Dalam tabel tersebut tertulis keterangan P (0 ≤zi ) = .3413 (ingat simbol koma dalam
bahasa Indonesia ditulis simbol titik dalam bahasa Inggris) artinya bahwa luas di bawah
kurve dari titik 0 sampai zi = +1,0 seluas 0,3413 unit atau 34,13%. Luas di bawah
kurve tersebut sama dengan luas di bawah kurve dari titik 0 sampai zi = -1,0. Sekali lagi
ingat, bentuk kurve simetris bilateral.
Bila luas area di bawah kurve pada Tabel 3.2a dan tabel 3.2b dijumlahkan maka
akan diperoleh nilai = 15,87% + 34,13% = 50% atau 0,5 unit sama dengan luas di
bawah kurve dari titik 0 sampai titik z i = +. Dengan kata lain, luas area di bawah
kurve mulai dari titik tengah (titik 0) sampai titik zi = 1,0 adalah 0,3413 dan luas area
di bawah kurve mulai dari titik zi = 1,0 sampai titik zi = +
Sekarang Anda perhatikan Tabel 3.2c. Tabel tersebut menunjukkan luas area di
bawah kurve dari titik -sampai titik 0 (titik tengah) seluas 0,5 unit atau 50% ditambah
luas area dibawah kurve mulai dari titik 0 (titik tengah) sampai nilai zi. Jangan heran
pada angka zi = 0,0 tertulis angka .5000 dan pada angka zi = 1,0 tertulis angka .8413
(ingat simbol koma dalam bahasa Indonesia ditulis simbol titik dalam bahasa Inggris)
artinya bahwa luas di bawah kurve dari titik -sampai zi = +1,0 seluas 0,8413 unit
atau 84,13%.
 PABI4455/MODUL 3 3.13

Tabel 3.2a. Tabel z (z > zi )

Contoh: P (z > 1,0) = 0,1587

(luas bagian yang terarsir hitam)

Dikutip dari: Yamane, T. 1973. Statistics: An Introductory Analysis.

3.14 Biometri 

Tabel 3.2b. Luas Tabel z (0 ≤zi)

A = P(0≤z ≤z i
Contoh: P (0 ≤zi = 1,0) = 0,3413
(luas bagian yang terarsir hitam)

Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990

Dikutip dari Janke, S.J. & Tinsley. 2007. Introduction to Linear Models and Statistical
Inference. New York: A John Wiley & ons, Inc., Publication.
 PABI4455/MODUL 3 3.15

Tabel 3.2c. Tabel z (z > zi )

Contoh: P (z > 1,0) = 0,6587

(luas bagian yang terarsir hitam)

Dikutip dari Hogg, R.V. & Tanis, E.A. 2001. Probability and statistical Inference.
New Jersey: Prentice-Hall, Inc.
3.16 Biometri 

Cara menggunakan Tabel z adalah sebagai berikut.

Angka pada tabel z di samping kiri dan samping atas menunjukkan harga zi,
sedangkan angka yang di bagian dalam menunjukkan luas areal di bawah kurve.
Misalkan, Anda akan mencari berapa luas di bawah kurve mulai dari titik zi = -1,60
sampai dengan titik zi = +2,40 atau sama saja dituliskan berapa luas di bawah -1,60. < z
< +2,40.
Jika dilukiskan maka tampak tampilan gambar sebagai berikut.

Gambar 3.4.
Luas daerah di bawah kurve z pada -1,60 < z < 2,40 (yang terarsir hitam)

Luas di bawah kurve menunjukkan besarnya peluang atau diberi simbol P. Oleh karena
itu, sama saja dengan dituliskan P(-1,60 < z < +2,40).
P(-1,60 < z < +2,40) akan sama dengan P(-1,60 < z < 0) ditambah P(0 < z < 2,40).

Karena kurve simetris bilateral maka:

P(-1,60 < z < 0) = P(0 < z < +1,6), sehingga:
P(-1,60 < z < +2,40) = P(0 < z < +1,60) + P(0 < z < 2,40).
Jika menggunakan Tabel z > zi maka:
P(0 < z < +1,60) = 0,5000 - 0,0548 = 0,4452.
P(0 < z < +2,40) = 0,5000 - 0,0082 = 0,4918.
Dengan demikian: P(-1,60 < z < +2,40) = 0,4452 + 0.4918 = 0,9370.
Jika menggunakan Tabel 0 < z < zi maka:
P(0 < z < +1,60) = 0,4452 dan untuk P(0 < z < +2,40) = 0,4918
Dengan demikian: P(-1,60 < z < +2,40) = 0,4452 + 0.4918 = 0,9370
 PABI4455/MODUL 3 3.17

Contoh lain, misalkan, Anda akan mencari berapa luas di bawah kurve mulai dari
titik zi = +0,16 sampai dengan titik zi = +2,14. Sama saja dituliskan luas di bawah kurve
untuk +0,16. < z < +2,14. Jika dilukiskan tampak sebagai berikut.

Gambar 3.5.
Luas daerah di bawah kurve z pada 0,16 < z < 2,14 (yang terarsir hitam)

Peluang tersebut dapat Anda tuliskan sebagai berikut.

P(+0,16 < z < +2,14) = P(0 < z < +2,14) + P(0 < z < 0,16).
Jika menggunakan Tabel z > zi maka:
P(0 < z < +0,16) = 0,5000 - 0,4364 = 0,0636
P(0 < z < +2,14) = 0,5000 - 0,0162 = 0,4838.
Dengan demikian: P(+0,16 < z < +2,14) = 0,4838 - 0,0636 = 0,4202.
Jika menggunakan Tabel 0 < z < zi maka:
P(0 < z < +0,16) = 0,0636 dan untuk P(0 < z < +2,14) = 0,4838.
Dengan demikian: P(+0,16 < z < +2,14) = 0,4838 - 0,0636 = 0,4202.

Tu ga s
1. Berapa luas area di bawah kurve normal baku untuk P(-2,13 < z < +1,76)?
2. Berapa luas yang sama dengan luas area di bawah kurve normal baku untuk P(0 <
z < +0,16)? Berikan alasannya!
3. Berapa luas areal di bawah kurve untuk P(-1,60 < z < -1,10) ditambah untuk
P(-1,10 < z < +0,26) ditambah untuk P(+0,26 < z < +1,76) ?
4. Mana yang lebih luas antara luas dibawah kurve untuk P(-2,10 < z < -0,16)
dibanding P(0 < z < +1,76)? Berikan alasannya!
3.18 Biometri 

C. DISTRIBUSI T-STUDENT

Distribusi t-Student atau disingkat dengan distribusi t merupakan distribusi normal

dengan titik tengah ( ) = 0, dan aksis (sumbu datar) X menunjukkan harga t sebesar -
 < t < + . Nilai pengamatan Y dapat diubah ke nilai t dengan rumus:

dan rata-rata t Y 
Yi 
ti 
s s/ n

Fungsi kepekatan atau densitas peluang t dengan batas nilai-nilai t sebesar -  < t <
+  mengikuti rumus:

K
f (t) 
1
n
t2 2
1 
n 1 
 

Distribusi t ditemukan oleh Student, nama samaran dari W.S. Gosset. Kurve t akan
meninggi atau meruncing (leptokurtis) atau merendah (platikurtis) tergantung kepada
besarnya derajat bebas, disingkat db atau df (degrees of freedom). Besarnya derajat
bebas (db atau df atau ) = n - 1.
Pada saat db = , maka kurve t berimpit dengan kurve z. Agar luas daerah di
bawah kurve tetap 0,95 unit persegi (95%), maka pada saat db atau  (dibaca nu) = 1,
maka titik ti pada posisi +12,706. Jika = 2, maka titik ti pada posisi +4,303. Jika =
5, maka titik ti pada posisi +2,571, dan pada saat  = , titik t pada posisi +1,96.
Di bawah ini disajikan kurve t pada saat harga  = 2,  = 5 dan  =  dengan luas di
bawah kurve 0,95 unit persegi (luas daerah bagian ekor = 0,05 unit persegi).
 PABI4455/MODUL 3 3.19

Gambar 3.6.
Posisi titik t; dengan luas daerah di bawah kurve 0,95
pada derajat bebas 3, 7 dan 

Nilai-nilai t menurut derajat bebasnya sudah disajikan dalam bentuk tabel distribusi
t atau disingkat tabel t. Dalam menggunakan Tabel t, luas daerah di bawah curve
dapat dibatasi oleh harga -t sampai dengan +t. Seperti contoh di atas, bahwa pada
saat db = , luas daerah dibawah curve menjadi 0,95 unit persegi (luas daerah bagian
ekor = 0,05 unit persegi) dibatasi oleh t = -1,96 sampai dengan t = +1,96. Kurve yang
demikian disebut kurve dua ekor. Jika luas kedua ekornya digabung menjadi satu, luas
areal di bawah kurve 0,95 unit persegi adalah dimulai dari batas t = -1,645 sampai
dengan t = + atau mulai dari t = - sampai dengan t = +1,645. Kurve yang
demikian disebut kurve satu ekor. Jika dilukiskan dalam bentuk grafik akan tampak
sebagai berikut.

- +

Gambar 3.7a.
Kurve t dua ekor dengan db dan P = 0,95
3.20 Biometri 

- +

Gambar 3.7b.
Kurve t satu ekor dengan db dan P = 0,95

Gambar 3.7c.
Kurve t satu ekor dengan db -dan P = +0,95

Cara penyajian Tabel t, ada dua macam. Pertama luas yang disajikan adalah luas
bagian ekor kurve (t < -ti dan t > +ti). Kedua, luas yang disajikan adalah luas bagian
badan atau bagian tengah kurve (-ti < t < +ti ). Biasanya sudah ada keterangan baik
dalam bentuk narasi dan/atau grafik. Jika yang disajikan luas daerah ekor dalam posisi
dua ekor, maka kedua bagian ekor diarsir, dan atau dilengkapi keterangan: misalkan
untuk db (derajat bebas) atau df (degrees of freedom) atau  = 10 maka P(t > +1812)
= 0,05 dan P(t < -1,812) = 0,05. Artinya bahwa luas badan kurve = 0,90 unit persegi
atau 90% dan sisanya = 0,10 terbagi pada posisi ekor kiri dan ekor kanan masing-

masing = 1 0,05 . Jika yang disajikan bagian badannya, maka bagian tengah kurve
2

yang dibatasi oleh + t i. Berikut ini disajikan Tabel t dua ekor dengan menyajikan luas
ekor bagian kiri dan luas ekor bagian kanan.
 PABI4455/MODUL 3 3.21

Tabel 3.3. Tabel t-Student

tabel 2 ekor

Dikutip dari: Yamane, T. 1973. Statistics: An Introductory Analysis.

3.22 Biometri 

Tu ga s
1. Berapa besarnya nilai t untuk α5% dengan db 17?
2. Berapa besarnya nilai t untuk α1% dengan db 29?
3. Berapa besarnya nilai t untuk ½ αuntuk α5% dengan db 21?
4. Berapa besarnya nilai t untuk ½ αuntuk α1% dengan db 17?

D. DISTRIBUSI CHI KUADRAT (2)

Jika variabel kontinyu Y yang berdistribusi normal, dengan rata-rata  dan

simpangan baku , setiap nilai pengamatannya diubah ke nilai baku (standar) atau nilai
zi yang kemudian diberi notasi X i, maka Xi juga akan terdistribusi normal. Jika
kemudian harga nilai baku tersebut dikuadratkan, maka akan diperoleh harga 2 (baca
kai kuadrat atau chi square) sebagai berikut.
2
(Y )
2  i
2


Jika harga 2 dijumlahkan akan diperoleh harga u yang merupakan suatu distribusi
yang disebut distribusi 2.

(Y )2
u  i
2

Fungsi kepekatan peluang u adalah sebagai berikut.

1
1 ( n) / 2 (n / 21) ( 2 )u
f (u)  2 u e
1
( n
1)!
2

Keterangan:
e = 2,7183
n = jumlah nilai pengamatan yang dijumlahkan
u >0
 PABI4455/MODUL 3 3.23

Sifat kurve 2 (khi kuadrat) tidak simetris yakni berkisar mulai dari 2 = 0 (saat Yi
= ) sampai . Bentuk kurve mengikuti derajat bebasnya (db atau ). Derajat bebas

untuk 2 (db atau ) = n-1. Pada saat  = 1, bentuk kurve seperti huruf L, dan pada
saat =  bentuknya menjadi simetris.

Gambar 3.8.
2
Kurve  menurut derajat bebasnya

Sama seperti halnya distribusi t, distribusi 2 juga sudah disajikan dalam bentuk
tabel. Dalam menggunakan Tabel 2 yang pertama tentukan berapa luas daerah di
bawah kurve yang diinginkan. Luas daerah di bawah kurve disajikan pada bagian atas
dari Tabel 2. Kedua, cari berapa derajat bebas yang diinginkan, yang pada Tabel 2
terdapat pada bagian kiri. Bagian yang diarsir pada grafik menggambarkan bagian yang
disajikan luasnya. Pada Tabel 2 di bawah ini yang diarsir adalah bagian ekornya, jadi
yang disajikan adalah luas daerah .
3.24 Biometri 

Tabel 3.4. Tabel 2

Contoh:
2
P [χ > 15,99] = 0.10
untuk derajat bebas
atau 10

Dikutip dari: Yamane, T. 1973. Statistics: An Introductory Analysis.

 PABI4455/MODUL 3 3.25

Tu ga s
1. Berapa besarnya nilai 2 untuk α5% dengan db 12?
2. Berapa besarnya nilai 2 untuk α1% dengan db 20?
3. Berapa besarnya nilai 2 untuk 1- αuntuk α5% dengan db 25?
4. Berapa besarnya nilai 2 untuk 1- αuntuk α1% dengan db 15?

E. DISTRIBUSI F

Jika dua buah variabel kontinyu Y 1 dan Y2, masing-masing diubah ke nilai baku z
kemudian dijumlahkan sehingga diperoleh harga u, dan kemudian dicari rasionya, maka
akan diperoleh rasio F.

(Y )2 (Y  )2
u1  1i 2 1 u 2  2i 2 2
1 2

Rasio F diperoleh dengan rumus:

u1
v
F  1 ; 1 n 1 dan 2 n 2 1
u2
v2

s2
diestimasi dengan F  12
s2

dengan derajat bebas: 1 n 1 1 dan 2 n 2 1

Fungsi kepekatan peluang F adalah sebagai berikut.

 1 2 2 
 
 !
 2  1
  1 2 1
1 (  2)
1
f (F )    F2
 
1 2  1 2  2   1 F 2
1 (  )
1
 2 !  2 ! 1
    
 2 
3.26 Biometri 

Gambar 3.9.
Kurve F menurut derajat bebasnya (2 ;2 )

Distribusi F juga sudah disajikan dalam bentuk tabel. Dengan mengetahui derajat
bebas 1 dan 2 serta luas daerah dibawah kurve yang diinginkan akan dapat dicari

nilai F-nya. Jika yang tersedia hanya tabel F untuk maka harga F untuk 1 - dapat
dicari dengan rumus sebagai berikut.

1
F(1) (1; 2 ) 
F( 1 ) ( ; )
2 2 1

Dengan demikian pula F untuk 1 12  dapat dicari dengan rumus sebagai berikut.

1
F(1 ) (;  ) 
1 2 F1
( 2 ) ( 2 ; 
1)

Bagaimana cara menggunakan tabel F? Pertama, perhatikan berapa luas di bawah

kurve yang diinginkan, biasanya yang disajikan adalah luas bagian ekornya. Kemudian
lihat berapa derajat bebas 1 (n1 1) sebagai nominator (dilihat pada sisi tabel bagian
 PABI4455/MODUL 3 3.27

atas) dan 2 sebagai denominator (dilihat pada sisi tabel paling kiri). Luas daerah ekor
yang disajikan bervariasi mulai dari 10%, 5%, 2,5%, dan 1%. Tabel F untuk alfa 10%
disajikan pada Tabel 3.5., Tabel F untuk alfa 5% dan 1% disajikan pada satu tabel
yakni Tabel 3.6. Tabel F untuk alfa 2,5% disajikan pada Tabel 3.7.
Coba Anda perhatikan Tabel 3.5! Jika Anda ingin mencari harga F dengan α10%
atau F0,10 dengan derajat bebas 1 3 dan 2 12 , maka lihat angka pada sisi tabel
bagian atas (nominator df) angka 3, dan lihat pada sisi bagian paling kiri (denominator
df) angka 12, kemudian tarik posisi pertemuan kolom 3 dan baris 12, sehingga ketemu
dengan angka yakni 2,61.
Jika yang ingin Anda cari harga F0,05 dengan derajat bebas juga 1 3 dan 2 12 ,
maka cari pada Tabel 3.6. yakni tabel F untuk alfa 5% dan 1%. Coba cari pada sisi tabel
bagian atas (nominator df) angka 3, dan lihat pada sisi bagian paling kiri (denominator
df) angka 12, kemudian tarik posisi pertemuan kolom 3 dan baris 12, sehingga ketemu
dengan angka pada bagian atas 3,49 dan angka bagian bawah sebesar 5,95. karena yang
Anda cari adalah untuk alfa 5% maka yang Anda pakai adalah angka yang atas, yakni
yang sebesar 3,49. Jika yang Anda cari adalah harga F untuk α1% atau F0,01 dengan
derajat bebas juga 1 3 dan 2 12 , maka yang Anda pakai adalah angka yang
bagian bawah, yakni yang sebesar 5,95. Berapa untuk harga F0,025 dengan derajat bebas
juga 1 3 dan 2 12 ? Anda lihat Tabel 3.7. dengan cara yang sama maka Anda akan
menemukan angka 4,47.

Tu ga s
1. Berapa harga F untuk alfa 10%, 5%, 2,5%, dan 1% jika diketahui v1= 5 dan v2 =
22?
2. Jika sama-sama memiliki v1 dan v2 yang sama, mana yang semakin jauh dari
titik nol? Batas nilai Fi untuk luas areal di bawah kurve sebesar 10%, 5%, 2,5%,
ataukah 1%?
 3.28

Tabel 3.5. Tabel F untuk alfa 10%

Biometri 

Dikutip dari: Yamane, T. 1973. Statistics: An Introductory Analysis.

Tabel 3.6. Tabel F untuk alfa 5% dan 1%
 PABI4455/MODUL 3
3.29
 3.30

Tabel 3.6. Tabel F untuk alfa 5% dan 1 % ( lanjutan)

Biometri 
Tabel 3.6. Tabel F untuk alfa 5% dan 1% (lanjutan)
 PABI4455/MODUL 3
3.31
 3.32

Tabel 3.6. Tabel F untuk alfa 5% dan 1% (lanjutan)

Biometri 

Dikutip dari: Yamane, T. 1973. Statistics: An Introductory Analysis.

 Tabel 3.7. Tabel F untuk alfa 2,5%
 PABI4455/MODUL 3
3.33

Dikutip dari: Yamane, T. 1973. Statistics: An Introductory Analysis.

3.34 Biometri 

LA TI HA N

Untuk memperdalam pemahaman Anda mengenai materi di atas,

kerjakanlah latihan berikut!

1) Apa yang dimaksud dengan distribusi peluang?

2) Apa yang dimaksud dengan variabel diskret, dan apa contoh-contohnya dalam
bidang biologi?
3) Apa yang dimaksud dengan variabel kontinu, dan apa contoh-contohnya dalam
bidang biologi?
4) Samakah luas areal di bawah kurve yang terdapat di bawah kurve t dan yang berada
di bawah kurve F?
5) Bagaimana cara kita mencari harga zi pada tabel z, jika luas di bawah kurve yang
dibatasi oleh harga zi telah diketahui?
6) Bagaimana cara mengkonversi atau mentransformasikan suatu nilai distribusi normal
umum ke nilai distribusi normal bakunya?
7) Apa kesamaan antara distribusi z dengan distribusi t-Student?
8) Bagaimana cara kita mencari harga ti pada tabel t-Student dua ekor?
9) Bagaimana cara kita mencari harga X2i pada tabel 2?

10) Bagaimana cara kita mencari harga F 

1 1 ; v1, v2  dengan menggunakan tabel F
2

yang diketahui luas ekornya?

Petunjuk Jawaban Latihan

Jika Anda ragu terhadap jawaban yang Anda berikan terhadap pertanyaan nomor 1
sampai dengan 4, coba Anda lihat kembali uraian mengenai prinsip distribusi peluang.
Khusus untuk menjawab soal nomer 2 dan 3, coba Anda cermati contoh atau macam-
macam variabel yang terkait dengan objek-objek biologi, jika antara dua buah titik atau
nilai variabel terdekat selalu ada nilai antara, maka variabel itu adalah variabel kontinu.
Sebaliknya jika antara dua titik atau nilai variabel terdekat tanpa nilai antara, maka
variabel itu adalah variabel diskret. Untuk menjawab pertanyaan nomor 5, coba lihat
 PABI4455/MODUL 3 3.35

kembali uraian mengenai distribusi z, terutama pada uraian tentang cara

mempergunakan tabel z. Untuk menjawab pertanyaan nomer 6, coba Anda cermati
bahasan mengenai distribusi normal pada saat rata-rata ( ) = 0 dan simpangan baku
( ) = 1. Untuk menjawab pertanyaan nomor 7, coba Anda lihat kembali uraian
mengenai distribusi z dan distribusi t-Student. Untuk menjawab pertanyaan nomor 8,
coba Anda lihat kembali uraian mengenai distribusi t, terutama pada uraian tentang cara
mempergunakan tabel t. Untuk menjawab pertanyaan nomor 9, coba Anda lihat
kembali uraian mengenai distribusi 2, terutama pada uraian tentang cara
mempergunakan tabel 2, dan untuk menjawab pertanyaan nomor 10, coba Anda lihat
kembali uraian mengenai distribusi F, terutama pada uraian tentang cara
mempergunakan tabel F.

RA NG KU MA N

Dari uraian materi yang tersaji pada Kegiatan Belajar 1, dapat ditarik beberapa
kesimpulan, yakni:
1. Prinsip aplikasi statistika mendasarkan pada teori distribusi peluang.
2. Ada beberapa macam distribusi peluang dan masing-masing memiliki
karakteristik yang spesifik.
3. Luas area di bawah kurve suatu model distribusi peluang dapat dicari dengan
bantuan tabel distribusi peluang yang bersangkutan.
4. Luas areal di bawah kurve distribusi peluang ada yang diketahui pada bagian
ekornya, baik dengan model satu ekor dan/atau dua ekor, dan ada pula yang
diketahui bagian tengahnya.
5. Dalam menggunakan tabel distribusi peluang z, Anda tidak perlu terikat kepada
besarnya derajat bebas.
6. Luas di bawah kurve pada kurve t-Student, 2 dan F, tergantung kepada
besarnya derajat bebas.
7. Jika luas di bawah kurve t dan 2 ditentukan oleh satu derajat bebas, maka pada
kurve F ditentukan oleh dua derajat bebas.
3.36 Biometri 

TE S FO RM AT IF 1

Pilihlah satu jawaban yang paling tepat!

1) Seekor angsa menghasilkan 5 butir telur pada satu siklus reproduksi. Apabila
kesemua telur ditetaskan, maka besarnya peluang bahwa kelima anak yang menetas
berkelamin jantan adalah ....
A. 1/8
B. 1/16
C. 1/32
D. 1/64

2) Sepasang suami istri yang baru saja melangsungkan pernikahan, merencanakan

mempunyai 3 orang anak yang terdiri dari 2 laki-laki, dan 1 perempuan. Besarnya
peluang bahwa keinginan pasangan tersebut dapat menjadi kenyataan adalah ....
A. 3/2
B. 3/8
C. 1/4
D. 1/8

3) Suatu populasi penduduk di daerah pedalaman Kalimantan, diketahui mempunyai

peluang munculnya penderita butawarna sebesar 10%. Sepasang pengantin baru
warga penduduk tersebut merencanakan mempunyai 5 orang anak. Besarnya
peluang bahwa maksimal hanya 2 dari 5 anak-anak yang direncanakan itu akan
butawarna, adalah ....
A. 0,0065
B. 0,0729
C. 0,9914
D. 0,9999
 PABI4455/MODUL 3 3.37

4) Distribusi normal, sangat cocok diterapkan apabila data-data yang dianalisis

mempunyai sifat berikut, kecuali ....
A. berupa data dari variabel yang bersifat diskret
B. berupa data dari variabel yang bersifat kontinyu
C. berasal dari populasi yang terdiri dari  buah data
D. berasal dari sampel yang terdiri dari n buah data

5) Daerah di bawah kurve normal baku yang dibatasi oleh Z1 dan Z2, yang berturut-
turut sebesar 0,45 dan 2,98, mempunyai luas ....
A. 32,50%
B. 32,78%
C. 33,50%
D. 33,68%

6) Besarnya peluang bahwa sebuah z, yang diambil secara acak dari sebuah populasi
z, akan mempunyai nilai antara -2,55 dan +2,55, adalah ....
A. 0,0054
B. 0,0108
C. 0,9892
D. 0,9946

Untuk soal nomor 7 dan 8, perhatikan contoh data berikut.

Diketahui bahwa rata-rata tinggi badan pria dewasa suatu negara akhir abad XX adalah
162,4 cm, dengan simpangan baku 2,4.

7) Besarnya peluang bahwa di antara mereka mempunyai tinggi antara 163 cm sampai
dengan 166 cm adalah ....
A. 66,55%
B. 56,55%
C. 44,54%
D. 33,45%
3.38 Biometri 

8) Besarnya peluang bahwa di antara mereka mempunyai tinggi badan minimal 165
cm, adalah ....
A. 85,99%
B. 35,99%
C. 14.01%
D. 10,83%

Untuk soal nomor 9 dan 10, silakan perhatikan contoh data berikut.

Diketahui rata-rata panjang badan bayi saat lahir di suatu negara dekade yang lalu
adalah 38,6 cm. Untuk menguji apakah panjang badan bayi tidak mengalami
perubahan pada dekade berikutnya, dilakukan pengukuran terhadap sampel terdiri dari
30 bayi. Hasil pengukurannya adalah rata-rata panjang 39,2 cm dengan varians/ragam
sebesar 6,25 cm.

9) Untuk data tersebut, besarnya thitung adalah ....

A. 5,2580
B. 1,3145
C. 0,5258
D. 0,1315

10)Sesuai dengan kasus data tersebut, besarnya t tabel pada taraf keyakinan 95% (uji dua
pihak), adalah ....
A. 1,697
B. 1,699
C. 2,042
D. 2,045
 PABI4455/MODUL 3 3.39

11) Harga 2tabel untuk taraf keyakinan 95% dan ukuran sampel 30 adalah ....
A. 45,7
B. 43,8
C. 42,6
D. 17,71

12) Diketahui dua sampel data berukuran 25, berturut-turut mempunyai rata-rata dan
simpangan baku sebagai berikut 64,5 ; 3,4 dan 65,2 ; 3,6. Untuk taraf keyakinan
95%, besarnya F tabel untuk membandingkan varians/ragam antara sampel data
pertama dengan sampel data kedua, adalah ....
A. 2,70
B. 2,27
C. 1,98
D. 1,71

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.

Tingkat penguasaan = Jumlah Jawaban yang Benar 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.
3.40 Biometri 

Ke gi at an Be la ja r 2

Pri nsi p dan Pro sed ur Pen guji an Hip ote sis

A. PEMANFAATAN STATISTIKA PARAMETRIK DAN STATISTIKA

NONPARAMETRIK DALAM PENGUJIAN HIPOTESIS

Penelitian melalui teknik sampling dilaksanakan dengan tujuan agar dalam waktu yang
relatif lebih singkat dan dengan tenaga serta biaya yang hemat, peneliti dapat memperoleh
data penelitian. Walaupun peneliti sudah mengambil sampel yang representatif mewakili
populasi, tidak berarti bahwa data statistik sampel (ukuran-ukuran yang memberikan
deskripsi/gambaran sampel) otomatis dapat dijadikan sebagai parameter populasi (ukuran-
ukuran yang memberikan deskripsi/gambaran populasi). Memang secara teoritik data
statistik sampel seperti nilai rata-rata sampel dapat menjadi penduga tak bias dari nilai rata-
rata populasinya, simpangan baku maupun varians/ragam sampel juga menjadi penduga tak
bias dari simpangan baku maupun varians/ragam populasinya. Namun demikian hal tersebut
tidak dapat diberlakukan tanpa memperhatikan faktor kesalahan/kekeliruan. Oleh karena itu,
data-data statistik sampel yang diperoleh dari pengamatan, melalui pendekatan statistika
inferensial, yakni dengan memperhitungkan faktor kesalahan/kekeliruan, digunakan sebagai
penduga tak bias dari parameter populasinya. Dengan kata lain, bahwa melalui statistik
inferensial digunakan data-data statistik untuk perhitungan-perhitungan pada tingkat
populasi dengan memperhatikan faktor kesalahannya atau dengan taraf kesalahan tertentu
yang ditetapkan.
Melalui statistika inferensial data statistik sampel diolah atau dianalisis sehingga
berlaku pada tingkat populasi dengan taraf kesalahan yang ditentukan. Data statistik sampel
merupakan fakta-fakta yang bersifat khusus. Dari data yang sifatnya khusus kemudian
ditarik kesimpulan yang sifatnya umum. Oleh karena itu, teknik statistik inferensial juga
disebut teknik statistika induktif.
Ada dua teknik atau prosedur statistika inferensial, yakni statistika parametrik dan
statistika non-parametrik. Disebut statistika parametrik, karena kesimpulan hasil
analisis dapat berlaku pada tingkat populasi dengan catatan bahwa populasi yang
bersangkutan memiliki distribusi normal. Disebut statistika nonparametrik, karena
 PABI4455/MODUL 3 3.41

meskipun kesimpulan hasil analisis dapat berlaku pada tingkat populasi, tetapi distribusi
populasi yang bersangkutan tidak diperhatikan. Karena dalam prosedurnya tidak
memperhatikan distribusi populasi atau dengan kata lain tidak memperhitungkan parameter
populasi, maka statistik non-parameterik disebut pula teknik statistika bebas distribusi.
Dengan demikian, kesimpulan hasil analisis teknik statitika nonparametrik menjadi lemah
atau tidak akurat, jika populasi terbukti berdistribusi normal.
Statistika nonparametrik menggunakan prosedur-prosedut perhitungan yang relatif lebih
sederhana dibandingkan dengan prosedur parameterik. Mengapa? Karena data interval
maupun rasio akan diubah menjadi data ordinal jika diolah menggunakan prosedur
nonparametrik. Oleh karena itu statistika non parametrik juga disebut "statistika order"
(order statistics). Dengan demikian, prosedur statistika nonparametrik juga dapat digunakan
sebagai suatu prosedur darurat. Jika seorang peneliti di lapangan harus segera menarik
kesimpulan guna mengambil langkah selanjutnya atau untuk dipresentasikan, sementara
peralatan hitung dalam bentuk kalkulator yang memiliki program statistik ataupun komputer
tidak tersedia, dengan terpaksa harus dilakukan perhitungan secara manual. Dalam hal
demikian, prosedur nonparametrik akan lebih mudah untuk dilaksanakan.
Penggunaan statistika nonparametrik secara darurat juga dapat dimaklumi bagi orang-
orang yang awam statistika dalam usaha pengolahan data guna menarik kesimpulan. Karena
harus dimaklumi pula bahwa dalam keadaan tertentu, persyaratan analisis parametrik bukan
sekedar dinyatakan dalam asumsi-asumsi, tetapi perlu pembuktian.
Jika menggunakan prosedur statistika nonparametrik akibat faktor keterbatasan
(darurat), harus dikemukakan secara tegas di dalam laporan bahwa kesimpulan yang
diperoleh masih merupakan hasil sementara yang dianalisis menggunakan prosedur
nonparametrik. Dengan demikian, kemungkinan akan terjadi perubahan kesimpulan dapat
saja terjadi bila kemudian dianalisis menggunakan prosedur parametrik.
Penggunaan prosedur statistika inferensial/induktif untuk menarik kesimpulan dari
fakta-fakta adalah untuk memutuskan bagaimana sebenarnya kesimpulan yang dapat
diperoleh. Dengan kata lain, penarikan kesimpulan menggunakan teknik statistika
inferensial dapat berupa kegiatan atau proses pengujian hipotesis atau disingkat dengan uji
hipotesis, dapat pula berupa kegiatan untuk menentukan berapa sebenarnya interval ukuran
parameter populasi, atau disebut dengan uji pendugaan atau estimasi parameter
populasi. Mengingat demikian banyaknya materi yang harus dikaji, maka sajian materi
Biometri dalam modul-modul selanjutnya hanya difokuskan pada materi uji hipotesis.
3.42 Biometri 

Untuk mempelajari uji estimasi, silahkan Anda mempelajari berbagai buku statistika yang
sekarang sudah banyak dicetak, baik dalam bahasa asing maupun bahasa Indonesia.

B. PRINSIP PENGUJIAN HIPOTESIS

Telah Anda ketahui pada Kegiatan Belajar sebelumnya, bahwa salah satu kegunaan
prosedur statistika inferensial adalah untuk uji hipotesis. Hipotesis dapat didefinisikan
sebagai pernyataan-pertanyaan mengenai keadaan satu atau beberapa populasi, yang
ingin dilihat atau dibuktikan keadaannya secara empiris. Hipotesis sendiri dapat
dipisahkan menjadi hipotesis penelitian dan hipotesis statistik. Hipotesis penelitian
adalah hipotesis yang dirumuskan oleh peneliti sebagai jawaban sementara terhadap
permasalahan penelitiannya. Penelitian-penelitian survei/observasi maupun penelitian
eksperimen eksploratif/penjajagan umumnya tidak memiliki rumusan hipotesis penelitian.
Sebaliknya penelitian eksperimen yang sesungguhnya (true experiment) memiliki
hipotesis yang sangat kuat untuk dibuktikan secara empiris, agar menjadi tesis. Hipotesis
yang demikian tentu saja disasarkan pada kajian pustaka serta hasil-hasil penelitian
sebelumnya.
Hipotesis statistik adalah hipotesis yang harus dirumuskan apabila Anda hendak
melakukan pengujian menggunakan prosedur statistika. Ada dua hipotesis statistik, yakni
hipotesis nol atau hipotesis nihil dan hipotesis alternatif atau hipotesis tandingan. Hipotesis
nihil atau hipotesis nol (H0 atau HO) adalah hipotesis yang kita uji, berdasarkan data
statistik sampel yang representatif. Sebagai lawannya disebut hipotesis tandingan atau
hipotesis alternatif (H1 atau HA). Hasil pengujian ada dua alternatif. Pertama, hipotesis
nihil ditolak, karena terdapat cukup bukti (berdasar data) bahwa hipotesis tersebut adalah
salah. Kedua, keputusan untuk menyatakan bahwa hipotesis nihil dinyatakan benar karena
tidak cukup bukti untuk menyalahkannya. Dengan sendirinya bila Anda menolak hipotesis
nol/nihil berarti mau tidak mau Anda harus menerima hipotesis tandingannya. Mengapa?
Karena dalam merumuskan hipotesis nol/nihil dan hipotesis tandingan/alternatif dibuat
sedemikian rupa sehingga benar-benar saling melengkapi.
Sebagai contoh, jika hipotesis nol menyatakan bahwa keadaan parameter dua populasi
adalah "sama", maka sebagai hipotesis tandingannya harus menyatakan bahwa keadaan dua
parameter populasi adalah "berbeda". Secara singkat dapat ditulis dengan notasi sebagai
berikut.
 PABI4455/MODUL 3 3.43

H0: μ1 = μ2 dan lawannya HA: μ1 ≠μ2

Jika hipotesis nol menyatakan bahwa keadaan parameter tiga populasi adalah "sama",
maka sebagai hipotesis tandingannya harus menyatakan bahwa keadaan dua parameter
populasi adalah "berbeda". Secara singkat dapat ditulis dengan notasi sebagai berikut.

H0: μ1 = μ2 = μ3 dan H1: setidaknya ada dua harga rata-rata yang berbeda

Pengujian hipotesis dengan rumusan seperti di atas dikatakan uji dua pihak atau uji dua
jalur. Mengapa? Karena jika terbukti μ1 ≠μ2 berbeda akan ada dua kemungkinan perbedaan,
yakni kemungkinan 1 2 atau kemungkinan 1 2 . Demikian pula jika kita menguji tiga
atau lebih rata-rata dan terbukti setidaknya ada sua harga rata-rata yang berbeda, misalnya
terbukti μ2 ≠μ3 berbeda akan ada dua kemungkinan perbedaan, yakni kemungkinan μ2 > μ3
atau kemungkinan μ2 < μ3.
Jika hipotesis nol menyatakan keadaan parameter dua populasi "yang satu lebih kecil
atau sama dengan yang lain", maka sebagai hipotesis tandingannya harus menyatakan
bahwa keadaan dua parameter populasi tersebut "yang satu lebih besar daripada yang lain",
sehingga disebut uji satu pihak atau uji satu jalur. Rumusan hipotesisnya adalah sebagai
berikut.

H0: μ1 > μ2 dan lawannya HA: μ1 ≤μ2

dan

H0: μ1 < μ2 dan lawannya HA: μ1 ≥μ2

Jika hipotesis nol menyatakan keadaan parameter tiga populasi "yang satu lebih besar
atau sama dengan yang lain", maka sebagai hipotesis tandingannya harus menyatakan
bahwa keadaan dua parameter populasi tersebut "yang satu lebih kecil daripada yang lain"
sehingga disebut uji satu pihak atau uji satu jalur. Rumusan hipotesisnya adalah sebagai
berikut.

H0: μ1 ≥μ2 ≥μ3 dan H1: μ1 < μ2 < μ3

3.44 Biometri 

Selain pengujian untuk tujuan pembandingan juga dapat ditujukan untuk menguji
hubungan korelasi, regresi ataupun ketergantungan (dependensi). Rumusan hipotesis untuk
uji korelasi dapat dinyatakan:
Ho: Tidak ada korelasi antara variabel bebas dan tergayut
lawan
H1: Ada korelasi antara variabel bebas dan tergayut

Rumusan hipotesis untuk uji regresi dapat dinyatakan:

Ho: Tidak ada regresi variabel tergayut Y atas variabel bebas X
lawan
H1: Ada regresi variabel tergayut Y atas variabel bebas X

Rumusan hipotesis untuk uji ketergantungan/dependensi dapat dinyatakan:

Ho: Tidak ada ketergantungan variabel tergayut Y terhadap variabel bebas X
lawan
H1: Ada ketergantungan variabel tergayut Y terhadap variabel bebas X

Jika penelitian yang Anda lakukan memiliki rumusan hipotesis penelitian, jadi bukan
studi eksploratif, rumusan hipotesis alternatif atau hipotesis tandingan merupakan rumusan
hipotesis penelitiannya pula. Oleh karena itu, jika hipotesis nihilnya ditolak, berarti
hipotesis penelitian yang Anda ajukan dapat dibuktikan, sehingga mampu menjadi tesis.
Pengujian hipotesis akan memiliki arti bila hasil uji benar-benar menunjukkan keadaan
yang sungguh-sungguh bermakna atau signifikan. Artinya bila uji hipotesis yang dilakukan
merupakan uji beda, maka perbedaan akan memiliki arti apabila perbedaan tersebut
sungguh-sungguh bermakna atau signifikan (significance). Yang harus diingat bahwa
kebermaknaan statistik otomatis merupakan kebermaknaan praktis dan dapat pula
menunjukkan kebermaknaan substantif. Kebermaknaan substantif adalah kebermaknaan
dari sudut keilmuannya. Mengapa? Karena kebermaknaan statistik tidak dapat terlepas dari
ukuran sampel. Ukuran sampel yang terlalu kecil kadang tidak mampu menunjukkan
kebermaknaan yang ada, sebaliknya ukuran sampel yang sangat besar cenderung akan
menunjukkan perbedaan, seberapapun besarnya perbedaan, sehingga ada kecenderungan
bahwa pada sampel yang berukuran terlalu besar keadaannya menjadi lebih bermakna
 PABI4455/MODUL 3 3.45

dibanding sampel yang berukuran kecil. Dengan kata lain, ukuran sampel yang terlalu besar
akan cenderung terlalu esnsitif (over sensitive). Contoh, dalam uji korelasi, besarnya
koefisien korelasi 0,8 untuk ukuran sampel n = 5, melalui uji dua pihak dengan taraf
kesalahan 5% belum menunjukkan hubungan korelasi yang bermakna. Sebaliknya, jika
ukuran sampel diperbesar sehingga mencapai n = 30, koefisien korelasi 0,4 sudah
menunjukkan hubungan korelasi yang bermakna.

Tu ga s

Rumuskan hipotesis statistiknya bila seorang peneliti ingin mengetahui efek pemberian
dosis pupuk urea yang terdiri dari 4 taraf/level terhadap pertumbuhan tanaman padi!
Adapun yang dijadikan parameter pertumbuhan yang diukur pada akhir percobaan (saat
tanaman padi usia 1 bukan) yaitu tinggi tanaman dan berat kering.

C. PERSYARATAN PENGGUNAAN STATISTIKA PARAMETRIK DAN

STATISTIKA NONPARAMETRIK UNTUK PENGUJIAN HIPOTESIS

Normalitas distribusi merupakan salah satu persyaratan pertama dan utama bila
Anda ingin menggunakan prosedur statistika parametrik untuk mengolah data. Oleh karena
itu, jika Anda memiliki alasan yang kuat bahwa distribusi populasi pasti tersebar normal,
analisis parametrik lebih tepat digunakan untuk pengolahan datanya. Demikian pula
sebaliknya, jika Anda memiliki alasan yang kuat bahwa populasinya tidak mungkin
terdistribusi normal, gunakan teknik analisis nonparametrik. Akan tetapi, jika Anda tidak
tahu atau ragu terhadap distribusi populasinya maka Anda melakukan uji normalitas terlabih
dahulu.
Persyaratan kedua pemakaian teknik analisis statistika parametrik yaitu juga
terpenuhinya kehomogenan varians/ragam. Jika dari suatu penelitian survei, Anda ingin
melihat perbedaan yang terdapat di antara kelompok-kelompok pengamatan, maka
3.46 Biometri 

kelompok-kelompok pengamatan tersebut harus merupakan sampel dari populasi-populasi

yang memiiki varians/ragam yang sama/homogen.
Untuk lebih jelasnya perhatikan contoh berikut. Suatu penelitian survei ingin
menyelidiki seberapa jauh perbedaan produksi susu di antara tiga ras sapi yang ada. Dengan
demikian ditinjau dari segi produksi susunya, tiap ras sapi merupakan populasi penelitian
yang berdiri sendiri. Karena ada tiga ras sapi yang diteliti, berarti ada tiga populasi
penelitian. Oleh karena itu, data penelitian dapat dianalisis menggunakan teknik statistika
parametrik jika ketiga populasi ras sapi tersebut memiliki kesamaan atau kehomogenan
varians/ragam.
Demikian pula jika dalam suatu penelitian eksperimen, peneliti ingin melihat perbedaan
yang terdapat di antara kelompok-kelompok perlakuan, maka kelompok-kelompok
perlakuan tersebut harus merupakan sampel dari populasi-populasi yang memiliki
varians/ragam yang sama/homogen. Misalkan, suatu penelitian eksperimen ingin
menyelidiki seberapa jauh produksi/panenan padi Cisadane yang dihasilkan akibat
pemberian pupuk urea dengan dosis yang berbeda, yakni taraf 0 kg/Ha, 50 kg/Ha dan 100
kg/Ha. Dengan demikian ditinjau dari segi produksi/panenan, unit-unit percobaan berupa
padi Cisadane yang diberi pupuk urea dengan suatu dosis tertentu merupakan populasi
penelitian yang berdiri sendiri. Artinya dalam eksperimen tersebut ada tiga populasi
penelitian, yakni populasi padi Cisadane yang diberi pupuk urea dengan dosis 0 kg/Ha,
populasi padi Cisadane yang diberi pupuk urea dengan dosis 50 kg/Ha, dan ada populasi
padi Cisadane yang diberi pupuk urea dengan dosis 100 kg/Ha. Oleh karena itu, data
penelitian dapat diolah/dianalisis menggunakan teknik statistika parametrik jika ketiga
populasi padi Cisadane tersebut memiliki kesamaan atau kehomogenan varians/ragam.
Persyaratan ketiga pemakaian prosedur teknik parametrik yaitu bahwa data dihimpun
menggunakan skala interval dan ratio. Oleh karena itu, walaupun populasi terdistribusi
normal, jika datanya berupa data nominal (data hitung/data cacah) dan data ordinal (data
berperingkat) harus diolah menggunakan prosedur statistika nonparametrik.
Persyaratan keempat yang harus dipenuhi untuk data yang diolah menggunakan
statistika parametrik juga harus bersifat independen, artinya bahwa pengamatan untuk
memperoleh suatu data berpengaruh terhadap besarnya nilai dari data yang lainnya.
Persyaratan independen antardata ini dapat dipenuhi melalui teknik pengamatan yang
terkendali. Adapun kenormalan data dan kehomogenan varians/ragam untuk penelitian
 PABI4455/MODUL 3 3.47

eksperimen, selain dapat dikendalikan melalui desain eksperimennya juga masih dapat
dicek kembali melalui perhitungan statistika.

D. PENGGUNAAN DISTRIBUSI PELUANG PADA PENGUJIAN HIPOTESIS

Dalam pengujian hipotesis, Anda dapat menggunakan distribusi peluang z, t, 2 atau F,

tergantung kepada rumusan hipotesisnya. Sebagai contoh, selisih dua buah nilai rata-rata
dapat diuji apakah perbedaannya benar-benar signifikan dibawa ke distribusi z, jika ada
nilai parameter populasi yang sudah diketahui. Karena tujuan pengujian hipotesis adalah
untuk mengetahui keadaan yang sebenarnya pada tingkat populasi berdasarkan data statistik
contoh, maka parameter populasi yang tidak diketahui diduga dengan menggunakan nilai
statistik contoh.
Dalam penggunaan distribusi peluang untuk pengujian hipotesis, Anda akan
menggunakan taraf kesalahan atau taraf nyata, yang menunjukkan besarnya kekeliruan yang
bakal terjadi jika pengujian itu dilakukan secara berulang-ulang. Maksudnya, jika hasil
pengujian hipotesis menunjukkan bahwa pada taraf nyata 5% ternyata selisih dua buah nilai
rata-rata terbukti signifikan (berbeda nyata), berarti jika pengujian diulang sampai seratus
kali dengan nilai-nilai pengamatan yang berikutnya yang diperoleh dari observasi/survei/
eksperimen yang dilaksanakan dengan prosedur yang sama, hanya ada 5 dari 100
pengulangan penelitian yang tidak signifikan atau tidak berbeda nyata.

E. PROSEDUR PENGUJIAN HIPOTESIS

Prosedur pengujian hipotesis harus bertumpu pada pendekatan inferensial. Oleh karena
itu langkah yang ditempuh adalah sebagai berikut:
1. Mencantumkan perumusan hipotesis statistika. Bila suatu penelitian memiliki hipotesis
penelitian, maka pernyataan hipotesis statistika menggambarkan atau mencerminkan
hipotesis penelitiannya.
2. Menguji normalitas distribusi, dalam hal ini karena kenormalan distribusi berlaku pada
tingkat populasi maka didekati dengan menguji kenormalan distribusi sampel.
3. Untuk tujuan pembandingan antara dua harga rata-rata maka dilakukan uji homogenitas
ragam. Dalam hal ini ada uji homogenitas dua varians/ragam bila akan membandingkan
3.48 Biometri 

dua harga rata-rata dan uji homogenitas k varians/ragam bila akan membandingkan k
harga rata-rata.
4. Untuk tujuan pembandingan antara dua harga rata-rata yang independen maka dilakukan
uji homogenitas dua buah ragam/varans. Jikalau ternyata normalitas terpenuhi dan
ragam kedua populasi homogen akan tetapi tidak diketahui harganya maka pengujian
pembandingan dilakukan menggunakan uji t dengan ragam yang homogen. Bila
ternyata normalitas terpenuhi akan tetapi ragam kedua populasi tidak homogen dan tidak
diketahui harganya maka pengujian pembandingan dilakukan menggunakan uji t dengan
ragam yang tidak homogen.
5. Untuk tujuan menguji hubungan regresi dalam bentuk regresi ganda/multipel maka
harus dilakukan uji kolinearitas antar variabel bebas. Bila antar variabel bebas memiliki
korelasi satu sama lain maka uji regresi ganda/multipel tidak berlaku. Jadi tetap diuji
satu demi satu menggunakan uji regresi linier sederhana.

LA TI HA N

Untuk memperdalam pemahaman Anda mengenai materi di atas,

kerjakanlah latihan berikut!

1) Apa perbedaan antara statistika parametrik dan statistika nonparametrik kaitannya

dengan pengujian hipotesis?
2) Jika data tidak tersebar normal, maka meskipun datanya menggunakan ukuran dengan
skala rasio, tetap tidak boleh menggunakan statistika parameterik dalam pengujian
hipotesisnya, mengapa?
3) Apa maksud mengujian hipotesis dua pihak dan pengujian hipotesis satu pihak?
4) Jelaskan prosedur pengujian hipotesis bila tujuannya ingin membandingkan dua harga
rata-rata berdasar data pengamatan!
5) Jelaskan prosedur pengujian hipotesis bila tujuannya ingin mengetahui regresi suatu
variabel tergayut atas dua atau lebih variabel bebasnya
 PABI4455/MODUL 3 3.49

Petunjuk Jawaban Latihan

Untuk menjawab soal nomor 1 dan 2, coba Anda lihat kembali uraian mengenai
pengertian statistika parameterik dan statistika non-parameterik beserta pemanfaatannya.
Untuk menjawab soal nomor 3, coba Anda periksa lagi uraian mengenai prinsip pengujian
hipotesis. Untuk menjawab soal nomor 4 dan 5, coba Anda periksa lagi uraian mengenai
prosedur pengujian hipotesis.

RA NG KU MA N

Setelah menyimak uraian materi yang tersaji dalam Kegiatan Belajar 2, dapat ditarik
beberapa kesimpulan berikut ini:
1. Pengujian hipotesis menggunakan prinsip statistika parameterik memerlukan
persyaratan baik dari segi distribusi populasi maupun skala pengukuran yang
digunakan. Jika persyaratan keparametrikan tidak terpenuhi maka pengujian
hipotesis harus dilaksanakan dengan menggunakan prinsip non-parameterik.
2. Dalam pengujian hipotesis peneliti harus menentukan apakah akan menggunakan uji
dua pihak ataukah uji satu pihak sesuai dengan tujuan penelitiannya.
3. Pengujian hipotesis dengan tujuan pembandingan dua atau lebih harga rata-rata
memiliki kesamaan dan perbedaan persyaratan dengan pengujian hipotesis dengan
tujuan mencari hubungan antara dua atau lebih variable bebas dengan variable
tergayutnya.
3.50 Biometri 

TE S FO RM AT IF 2

Pilihlah satu jawaban yang paling tepat!

1) Dalam suatu penelitian eksperimen yang sesungguhnya (true experiment), rumusan

hipotesis statistik sebenarnya identik dengan hipotesis yang dirumuskan di dalam
rancangan penelitian, yakni ....
A. Ho untuk pengujian dua pihak
B. Hi untuk pengujian dua pihak
C. Ho untuk pengujian 1 pihak
D. Hi untuk pengujian 1 pihak

2) Uji dua pihak dipilih peneliti bila ....

A. harga rata-rata yang akan dibandingkan lebih dari dua
B. hipotesis alternatif belum dapat dirumuskan
C. tidak memiliki dukungan teori yang kuat
D hipotesis statistika bertentangan dengan hipótesis penelitian

3) Dalam pengujian hipotesis menggunakan alat bantu berupa teknik statistika maka
perumusan hipotesis yang harus ada adalah ....
A. hipotesis nihil
B. hipotesis alternatif
C. hipotesis penelitian
D hipotesis statistika

4) Ada kaitan antara ukuran sampel (n) dengan kekuatan untuk menolak atau menerima
hipotesis, yakni semakin ....
A. besar n, semakin kuat untuk menolak Ho
B. besar n, semakin lemah untuk menolak Ho
C. kecil n, semakin kuat untuk menolak Ho
D kecil n, semakin kuat untuk menerima Hi
 PABI4455/MODUL 3 3.51

5) Pada pengujian suatu hipotesis, yang dipakai sebagai pembanding adalah....

A. nilai parameter populasi
B. data statistik sampel
C. selisih antara nilai parameter populasi dengan data statistik sampel
D gabungan antara nilai parameter populasi dengan data statistik sampel

6) Salah satu syarat suatu data dapat dianalisis dengan uji parametrik adalah....
A. skala ukur dari data sampel minimal skala ordinal
B. populasi data bersifat infinite
C. sampel data tersebar normal
D populasi data tersebar secara normal

7) Persyaratan pengujian berupa normalitas distribusi merupakan persyaratan yang harus

dipenuhi bila akan menggunakan pengujian secara ....
A. deskriptif
B. inferensial
C. parameterik
D nonparameterik

8) Bila data yang dihimpun berupa data nominal atau ordinal maka ....
A. perlu uji normalitas bila akan menguji secara parameterik
B. memilih teknik pengujian secara nonparameterik
C. tidak perlu melakukan pengujian kesamaan beberapa harga rata-rata
D pengujian menggunakan uji regresi sederhana ataupun multipel

9) Uji homogenitas ragam diperlukan bila peneliti ingin menguji ....

A. kesamaan dua harga rata-rata
B. perbedaan dua harga rata-rata
C. kesamaan lebih dari dua rata-rata
D perbedaan dua atau lebih harga rata-rata
3.52 Biometri 

10)Uji kolinearitas diperlukan bila peneliti ingin menguji regresi ....

A. variabel tergayut Y atas variabel bebas X1 dan X2
B. variabel tergayut Y atas variabel bebas X
C. variabel tergayut Y1 dan Y2 atas variabel bebas X
D linier sederhana dengan variabel bebas X sebagai prediktor

Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 2 yang terdapat di
bagian akhir modul ini. Hitunglah jawaban yang benar. Kemudian, gunakan rumus berikut
untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 2.

Tingkat penguasaan = Jumlah Jawaban yang Benar 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
modul selanjutnya. Bagus! Jika masih di bawah 80%, Anda harus mengulangi materi
Kegiatan Belajar 2, terutama bagian yang belum dikuasai.
 PABI4455/MODUL 3 3.53

Ke gi at an Be la ja r 3

Uji Per sya rat an Pen guj ian Hip ote sis

A. UJI KENORMALAN DISTRIBUSI

Telah dikemukakan di atas, bahwa sebelum melakukan pengujian hipotesis secara

parameterik maka salah satu persyaratannya adalah bahwa populasi terdistribusi normal.
Karena yang kita miliki adalah data sampel, maka untuk mengetahui kenormalan distribusi
populasi kita uji berdasarkan kenormalan distribusi sampel.
Ada dua prosedur untuk menyelidiki kenormalan atau normalitas distribusi berdasar
data yang kita miliki. Pertama adalah uji Lelliefors yang digunakan untuk data yang
ukurannya tidak terlalu banyak, dan yang kedua adalah uji kenormalan melalui 2 yang
digunakan untuk data yang banyak. Oleh karena itu, dalam perhitungannya data perlu
dikelompokkan terlebih dahulu menjadi daftar distribusi frekuensi lengkap dengan nilai
tengahnya.

1. Uji Kenormalan Lilliefors

Prosedur penghitungan untuk uji kenormalan menggunakan prosedur Lilliefors adalah
sebagai berikut.
a. Cari terlebih dahulu besarnya nilai rata-rata sampel Y dan simpangan bakunya (s).

b. Konversikan setiap nilai pengamatan Yi ke dalam nilai z dengan rumus:

z i 
Yi Y 
/s

c. Cari fungsi sebaran normal baku atau sebaran z dengan rumus:

F(zi) = P(z < z i) dengan memanfaatkan Tabel z
Jika harga zi = 0,3 maka:
F (z i ) P ( Z 0) P(0 Z 0.3)

= 0,5000 + 0,1179
= 0,6179
Jika menggunakan tabel z dengan luas ekornya yang diketahui, maka:
F (z i ) P ( z 0) P(0 Z 0.3) 1 0,3821 0, 6179

d. Cari nilai S (zi) dengan rumus:

3.54 Biometri 

banyaknya z1 , z2 ,....z n yang zi

S(zi) 
n

e. Cari nilai L maksimum di antara nilai Li yang ada. Nilai Li dicari dengan rumus harga
mutlak sebagai berikut.
Li | F(zi ) S(zi ) |

Contoh:
Kadar gula darah tidak begitu saja diyakini tersebar normal. Oleh karena itu penelitian
tentang kadar gula darah dengan metode sampling perlu diuji kenormalannya, jika hendak
diuji lanjut menggunakan statistika parametrik. Misalkan suatu penelitian ingin menyelidiki
efek puasa terhadap kadar gula darah. Dari sampel berukuran 10 orang yang terdiri atas
orang-orang yang sehat, kemudian diukur kadar gula darahnya 1 jam setelah makan saat
akan memulai puasa. Setelah berbuka puasa 1 jam kemudian diukur lagi kadar gula
darahnya. Peneliti ingin meyakinkan apakah kadar gula darah dari sampel yang terdiri atas
10 orang tersebut berasal dari populasi orang yang sebaran kadar gula darahnya normal.
Jika data awal maupun data akhir mengikuti distribusi normal, maka pengujian selanjutnya
untuk melihat perbedaan kandungan gula darah antara sebelum dan sesudah puasa dapat
dilakukan dengan menggunakan statistika parametrik.
Demikian pula jika peneliti ingin menyelidiki apakah ada perbedaan kadar gula darah
antara sampel orang yang tidak berpuasa dibandingkan dengan kadar gula darah sampel
orang yang berpuasa, maka uji kenormalan perlu dilakukan sebelum diadakan uji beda
terhadap dua nilai rata-rata yang diperoleh, berdasar nilai rata-rata kadar gula darah
kelompok sampel yang tidak puasa dan nilai rata-rata kadar gula darah kelompok yang
berpuasa.
Misalkan data hasil pengukuran kadar gula darah dari 10 orang yang dijadikan sampel
penelitian adalah sebagai berikut.
 PABI4455/MODUL 3 3.55

Tabel 3.6.
Hasil pengukuran kadar gula darah 1 jam sesudah makan pada sampel sebelum dan sesudah
berpuasa

Kadar gula darah 1 jam sesudah Kadar gula darah 1 jam sesudah
Ulangan ke makan sebelum mulai berpuasa makan setelah selesai berpuasa
(Y1j ) (Y2j)
1. 101 100
2. 90 98
3. 82 97
4. 99 96
5. 87 95
6. 99 89
7. 100 93
8. 92 94
9. 94 96
10. 96 96
Yi 940,00 954,00
Y (rata-rata) 94,00 95,40
S (simpangan baku) 6,25 2,99

Uji kenormalan Lilliefors terhadap data awal adalah sebagai berikut.

1. Cari nilai setiap zi  zi Yi Y/ s :

z1 = (101 - 94)/6,25 = +1,12

z2 = (90 - 94)/6,25 = -0,64
z3 = (82 - 94)/6,25 = -1,92
dan seterusnya sampai dengan z10 = (96 - 94)/6,25 = 0,32

2. Cari nilai F(zi )  F(zi) = P(z < zi) . Jika digunakan tabel z dengan luas ekornya yang
diketahui, maka:
F(z1) = P(z < 1,12) = 1 - 0,1314 = 0,8686
F(z2) = P(z < -0,64) = 0,2611
F(z3) = P(z < -1,92) = 0,0274
dan seterusnya sampai F (z10) = P(Z < 0,32) = 1 - 0,3745 = 0,655

3. Cari nilai S (zi):

S (z1) = 10/10 = 1,0 karena seluruh nilai z i yang ada yakni sebanyak 10 buah semuanya
< dari nilai z i = 1, 12. Karena ukuran sampai (n) = 10, maka S(z 1) = 10/10 = 1,0
3.56 Biometri 

S(z2 ) = 3/10 = 0,3 karena banyaknya nilai zi yang < dari z2 = -0,64 hanya ada 3 buah,
yakni z3 = -1,92, kemudian z 5 = -1,12, dan z2) sendiri. Jadi ada 3 buah z i yang < z2 = -
0,64.
Dengan cara yang sama dapat dicari S(z 3) sampai dengan S(z 10).

4. Selanjutnya dicari nilai Li:

L1 = |(0,8686 - 1,0)| = 0,3414
L2 = |(0,2611 - 0,3)| = 0,0389
Dengan cara yang sama dapat dicari L3 sampai dengan L10 , dan baru dipilih Lmaksimum
yang merupakan L terbesar di antara 10 nilai L yang ada.

Jadi ditabelkan langkah di atas adalah sebagai berikut.

Tabel 3.7.
Nilai-nilai yang harus dicari pada uji kenormalan Lillifors

Nilai L
No. Y1j zi F (zi) S (zi)
[F(z i) - S(zi)]
1. 101 1,12 0,8686 1,0 0,1314
2. 90 -0,64 0,2611 0,3 0,0389
3. 82 -1,92 0,0274 0.1 0,0726
4. 99 0,80 0,7881 0,8 0,0119
5. 87 -1,12 0,1314 0,2 0,0686
6. 99 0,80 0,7881 0,8 0,0119
7. 100 0,96 0,8315 0,9 0,0685
8. 92 -0,32 0,3745 0,4 0,0255
9. 94 0,00 0,5000 0,5 0,0000
10. 96 0,32 0,6255 0,6 0,0255

Dari perhitungan nilai Li tampak bahwa nilai Lmaksimum sebesar 0,1314. Selanjutnya nilai
Lmaksimum ini dibandingkan dengan Ltabel untuk n = 10. Ternyata pada nilai L0,05;10 = 0,23.
Karena nilai Lmaksimum hitung lebih kecil dari Ltabel, maka populasi berdasarkan kadar
glukosa darah yang diwakili 10 orang sampel mengikuti distribusi normal.
 PABI4455/MODUL 3 3.57

Tabel 3.8.
Daftar nilai L,n untuk uji kenormalan Lilliefors

N 0,10 0, 05 0, 01

4 0.352 0.381 0.417
5 0,315 0,337 0,405
6 0,294 0,319 0,364
7 0,276 0,300 0,348
8 0,261 0,285 0,331
9 0,249 0,271 0,331
10 0,239 0,258 0,294
11 0,230 0,249 0,284
12 0,223 0,242 0,275
13 0,214 0,234 0,268
14 0,207 0,227 0,261
15 0,201 0,220 0,257
16 0,195 0,213 0,250
17 0,189 0,206 0,245
18 0,184 0,200 0,239
19 0,179 0,195 0,235
20 0,174 0,190 0,231
25 0,158 0,173 0,200
30 0,144 0,161 0,187
>30 0,805 / n 0,886 / n 0,031 / n
Disadur dari:
Nasution, Andi Hakim dan Barizi. (1980). Metode Statistik untuk Penarikan Kesimpulan.
Jakarta: PT Gramedia.

Tu ga s

Lakukan uji kenormalan data pada kondisi akhir (kadar gula darah 1 jam sesudah makan
setelah selesai berpuasa) sebagaimana yang tersaji pada Tabel 3.6.!

2. Uji Kenormalan 2
Uji kenormalan melalui uji 2 diawali dengan pembuatan daftar distribusi frekuensi.
Cara pembuatan daftar atau tabel distribusi frekuensi telah Anda pelajari pada sajian materi
analisis statistika deskriptif.
3.58 Biometri 

Sebagai contoh perhitungan, coba Anda perhatikan data penelitian sampling hasil
pengukuran tinggi 60 batang tanaman Lamtoro yang diambil secara acak dari 600 tanaman
Lamtoro yang ada di pekarangan penduduk Desa Minapadi di bawah ini.

Tabel 3.9.
Hasil pengukuran tinggi sampel tanaman Lamtoro di pekarangan penduduk desa Minapadi

Nilai tengah kelas Frekuensi Penyimpangan

Kelas
(tanda kelas) absolut fiY i (Yi Y)
(dalam dm) fi (Yi Y)
2
Yi fi
30 – 39 34,5 6 207 -28.67 4931,8134
40 - 49 44,5 9 400,5 -18.67 3137,1201
50 - 59 54,5 10 545 -8.67 751,6890
60 - 69 64,5 13 838,5 1.33 22,9957
70 - 79 74,5 10 745 11.33 1283,6890
80 - 89 84,5 8 676 21.33 3639,7512
90 – 99 94,5 4 378 31.33 3926,2756
Jumlah 60 3790 17693,3340
N f iYi f (Yi Y)2

Langkah-langkah yang harus Anda tempuh untuk uji normalitas data diatas adalah:
1. Cari terlebih dahulu nilai rata-rata sampel Y :

Y
f iYi 
3790
63,17dm
n 60

2. Cari nilai simpangan baku sampel (s):

s
f i (Yi Y) 2 
17693,334
n 1 60 1

s = 17,317 dm

3. Setelah diperoleh nilai rata-rata dan simpangan bakunya, maka setiap batas bawah dan
batas atas dari masing-masing kelas diubah ke skor z dengan rumus sebagai berikut.
z i (Yi Y) / s

Karena batas bawah dan batas atas dari kelas 30 - 39 adalah 29,5 dan 39,5, maka:
nilai z untuk batas bawah = (29,5 - 63,17)/17,317 = -1,94
nilai z untuk batas atas = (39,5 - 63,17)/17,317 = -1,37
 PABI4455/MODUL 3 3.59

Dengan cara yang sama Anda dapat memperoleh nilai z dari batas bawah dan batas atas
dari kelas-kelas yang lainnya. Misalkan untuk kelas 40 - 49, memiliki batas bawah 39,5
dan batas atas 49,5. Dengan demikian:
Nilai z untuk batas bawah = -1,39
Nilai z untuk batas atas = (49,5 - 63,17)/17,317 = -0,79

4. Setelah Anda memperoleh nilai z dari batas bawah dan batas atas dari tiap-tiap kelas,
selanjutnya cari luas daerah di bawah kurve z yang dibatasi oleh kedua nilai z tersebut
untuk masing-masing kelas.
Untuk kelas 30 - 39, maka cari luas daerah di bawah kurve z yang dibatasi oleh nilai z =
-1,94 dan nilai z = -1,37. Setelah dicari dengan menggunakan tabel z, ternyata luas
daerah di bawah kurve z yang dibatasi oleh nilai z mulai dari -1,94 sampai dengan -1,37
adalah 0,0591. Kalau digambar, daerah yang diarsir menunjukkan daerah yang
dimaksudkan.
Untuk kelas 40 - 49, maka luas daerah di bawah kurve z yang dibatasi nilai z mulai dari
-1,37 sampai dengan -0,79 adalah 0,1295. Demikian seterusnya cari seluruhnya sampai
dengan kelas 90 - 99.

Gambar 3.15.
Luas daerah di bawah kurve z yang dibatasi dua nilai zi

5. Setelah diketahui luas daerah di bawah kurve z untuk tiap-tiap kelas, selanjutnya cari
besarnya frekuensi harapan (fei) untuk tiap kelas dengan cara mengalihkan luas daerah
di bawah kurve z untuk masing-masing kelas dengan frekuensi kumulatif (ukuran
sampel). Untuk kelas 30 - 39 berarti memiliki fe1 = 0,0591 x 60 = 3,55. Untuk luas 40 -
3.60 Biometri 

49 akan memiliki fe2 = 0,1285 x 60 = 7,77. Dengan cara yang sama Anda dapat mencari
frekuensi harapan sampai dengan untuk kelas 90 - 99.

6. Selanjutnya cari nilai 2hitung:

2 (f f )2 (f f )2 (f f )2 (f f )2
  o1 e2  o2 e2  o3 e3 ...  o7 e7
f e1 f e2 f e3 f e7

atau ditulis:
2
(f fei )
2  oi
fe1

7. Selanjutnya nilai 2hitung Anda bandingkan dengan 2tabel dengan taraf nyata tertentu
yang Anda inginkan dan dengan derajat bebas db sama dengan banyaknya kolom
dikurangi tiga (db = k - 3).

Secara keseluruhan hasil perhitungannya disajikan pada tabel di bawah ini.

Tabel 3.10.
Perhitungan X dalam uji kenormalan data menggunakan uji 2
2

Luas
zi zi daerah di
Nilai
Batas Batas batas batas bawah f oi f ei 
2

No. bawah atas bawah atas kurve z foi fei fei

Tengah
kelas kelas kelas kelas dari zBBi
(zBBi ) (zBA i) sampai
zBAi
1. 34,5 29,5 39,5 -1,94 -1,37 0,0591 6 3,55 1.691
2. 44,5 39,5 49,5 -1,37 -0,79 0,1295 9 7,77 0.195
3. 54,5 49,5 59,5 -0,79 -0,21 0,2020 10 12,12 0.371
4. 64,5 59,5 69,5 -0,21 +0,37 0,2275 13 13,65 0.031
5. 74,5 69,5 79,5 +0,37 +0,94 0,1821 10 10,93 0.079
6. 84,5 79,5 89,5 +0,94 +1,52 0,1093 8 6,56 0.316
7. 94,5 89,5 99,5 +1,52 +2,10 0,0464 4 2,78 0.608
Jumlah 3,291
 PABI4455/MODUL 3 3.61

Besarnya 2hitung = 3,291 dan besarnya 2 (0,05;4) = 9,49. Dengan demikian 2hitung < 2tabel . Jadi
Ho diterima, sehingga populasi terdistribusi normal.

B. UJI HOMOGENITAS VARIANS/RAGAM

1. Uji Homogenitas Dua Buah Varians/Ragam

Jika Anda akan membandingkan dua buah nilai rata-rata untuk mengetahui sama
ataukah yang satu lebih besar daripada yang lainnya, maka sebelum dilakukan uji hipotesis
untuk membandingkan kedua nilai rata-rata tersebut, Anda harus menguji apakah
varians/ragam kedua populasi yang belum diketahui itu benar-benar homogen pada taraf
kesalahan yang ditetapkan. Karena baik nilai rata-rata maupun nilai varians/ragam kedua
populasi belum Anda ketahui, maka gunakan nilai rata-rata dan varians/ragam sampel
sebagai penduga. Oleh karena itu, Anda harus mencuplik sampel dari populasi I dengan
ukuran n1 dan sampel dari populasi II dengan ukuran n 2.
Sebagai ilustrasi Anda dapat memperhatikan contoh berikut ini. Misalkan Anda ingin
membandingkan produksi susu sapi perah asal New Zealand yang dipelihara peternak di
Kecamatan Cangkringan dengan produksi susu sapi perah yang juga asal New Zealand yang
dipelihara peternak di Kecamatan Ngaglik. Kedua kecamatan tersebut ada di kabupaten
Sleman Propinsi DIY. Karena baik nilai rata-rata maupun nilai varians/ragam kedua
populasi tersebut belum diketahui, maka Anda perlu melakukan pencuplikan sampel.
Setelah dilakukan pencuplikan dari kedua populasi tersebut, dan kemudian dilakukan
pengukuran, diketahui bahwa dari sampel populasi sapi perah di Kecamatan Cangkringan
dengan ukuran sampel (n1) = 15 memiliki nilai rata-rata sampel ( Y1 ) = 12,7 lt per hari
dengan simpangan baku (s1) = 0,8 lt per hari. Dari sampel populasi sapi perah di Kecamatan
Ngaglik dengan ukuran sampel (n2) juga = 15 pula, diketahui besarnya nilai rata-rata sampel
( Y2 ) = 12,9 lt per hari dengan simpangan baku (s2) = 1,4 lt per hari. Dengan sendirinya
sebelum Anda menguji apakah nilai rata-rata kedua populasi tersebut sama dalam hal
produksi susunya, Anda harus menguji terlebih dahulu apakah varians/ragam kedua
populasi sapi perah di dua kecamatan tersebut berbeda. Anda dapat menggunakan rumus
sbb:
3.62 Biometri 

s2 (0,8) 2
F  12  0,3265
s2 (1, 4)2

Jika Anda langsung mendudukkan ragam sampel I sebagai pembilang tanpa

memperhatikan besar kecilnya, maka Anda menggunakan prinsip uji dua pihak dengan
2 2
H 0 :1 2 versus H1 :12 22 , maka Ho ditolak kalau besarnya harga Fhitung lebih kecil dari
F1 F 11 ; v1, v2 atau lebih besar dari F2 F 1 ; v1, v2 . Jika yang tersedia hanya tabel F untuk
2  2 
, maka nilai F1 F 1 1 ; v1, v2 dapat Anda peroleh menggunakan rumus:
 2 
1
F1 F 11 ; v1, v2 
2  F1
2 ; v2,v1

Kalau kemudian taraf kesalahan yang Anda pakai sebesar 5%, maka cari nilai F(0,025;14,14)
F1 F 11 ; v1, v2
dan nilai F(0,975;14,14). Karena
2  =
2 
1/ F 1 ; v1, v2 , maka

F0,975;14,141/ F0,025;14,14. Nilai F0,025;14,14 tidak tersedia dalam tabel F, yang ada adalah

nilai F0,025;12,14 = 3,05 dan F0,025;15,142,95 . Dengan interpolasi Anda dapat memperoleh

nilai F0,025;14,142,983 . Selanjutnya cari nilai F0,975;14,14(1/ 2,983) 0,335 . Dengan

demikian, nilai Fhitung F0,975;14,140,335 , sehingga varians/ragam kedua populasi berbeda

atau tidak homogen, yakni ragam populasi I lebih kecil dibanding ragam populasi II.

Jika Anda ingin menggunakan uji satu pihak, maka rumusan hipotesis yang harus
Anda ajukan Ho : 2b 2k (ragam yang besar lebih kecil atau sama dengan ragam yang

kecil) versus H1 : b2 k2 (ragam yang besar benar-benar lebih besar daripada ragam
yang kecil), maka Ho diterima jika besarnya harga Fhitung lebih kecil dari F; v1,v2.

Sebaliknya, jika harga Fhitung lebih besar dari F; v1 , v2 , maka Ho akan ditolak. Karena s12

lebih kecil angkanya dibanding s22 , maka s22 dijadikan pembilang, dengan notasi s 2b ,

sedangkan s12 dijadikan penyebut dengan notasi s2k . Nilai Fhitung dapat dicari dengan rumus:
 PABI4455/MODUL 3 3.63

s2 1, 4 
2
Fb  3,0625
2
sk 0,8 2

Pada taraf nyata/taraf kesalahan 5%, nilai F0,05;14,14 2,50 . Karena

Fhitung 3,0625 F0,05;14,142,50 , maka Ho ditolak, sehingga ragam keduanya tidak

homogen, ragam yang besar memang signifikan lebih besar dibanding ragam yang kecil.
2. Uji Homogenitas k Buah Varians/ragam
Jika Anda mengadakan eksperimen dengan lebih dari dua level/taraf perlakuan, maka
besar kemungkinan bahwa akibat perlakuan yang berbeda itu akan mengakibatkan nilai
rata-rata maupun simpangan baku tiap kelompok perlakuannya akan berubah. Jika nanti
setelah diuji secara statistika inferensial terbukti bahwa nilai rata-rata populasi satu sama
lainnya berbeda, maka setiap grup perlakuan sudah berubah menjadi populasi yang berbeda
dengan populasi semula, dan antar grup perlakuan juga sudah merupakan populasi-populasi
yang berbeda. Sebelum menguji secara parametrik apakah nilai rata-rata dari grup-grup
perlakuan itu benar-benar berbeda pada tingkat populasi, maka diawali dengan uji
homogenitas varians/ragam terlebih dahulu. Hal yang sama juga dilakukan jika ingin
membandingkan lebih dari dua buah nilai rata-rata dari kelompok-kelompok yang diamati
melalui observasi ataupun survei sepanjang Anda ingin menguji perbedaan lebih dari dua
buah nilai rata-rata dengan menggunakan uji secara parameterik.
Uji homogenitas varians/ragam ini dikenal dengan uji Bartlett, adapun langkahnya
sebagai berikut.
1. Cari varians/ragam masing-masing grup terlebih dahulu.
2. Cari jumlah derajat bebas dari seluruh grup yang ada n i 1.
3. Cari varians/ragam gabungan dari seluruh grup dengan rumus:
n 1si2
sp2  i
n i 1
4. Cari nilai B dengan rumus:
B (log sp 2 ) { 
n i 1
}

5. Cari nilai 2hitung ln10 B ni 1


3.64 Biometri 

6. Terakhir bandingkan 2 hitung dengan 2tabel dengan taraf kesalahan yang diinginkan dan
dengan derajat bebas atau db = k-1 (nilai k menunjukkan banyaknya grup atau
kelompok yang diuji homogenitasnya)

Contoh:
Hasil percobaan tentang pengaruh dosis pupuk urea terhadap tinggi anakan mahagoni
(dalam dm) setelah 1 bulan perlakuan adalah sebagai berikut.

Tabel 3.11.
Tinggi anakan Mahagoni umur 1 bulan setelah perlakuan

No ulangan Tanpa urea (0 g urea) 10 g urea per pot 20 g urea per pot
1. 12 17 18
2. 14 15 19
3. 13 14 24
4. 13 18 17
5. 14 16 25
Y1 13,20 Y2 16,0 Y3 20,60
s1 = 0,84 S2 = 1,58 s3 = 3,65

Catatan: Jika penelitian sesungguhnya ulangan untuk tiap grup idealnya antara 10 - 15 kali

Tabel 3.12.
Perhitungan uji homogenitas k buah varians/ragam (uji Bartlett)

No. si 2
si (n i 1) 2
log s i
2
(n i 1)s i
2
(n i 1) logs i
1. 0,84 0,7056 5-1=4 -0,1514 2,8224 -0,6058
2. 1,58 2,4964 5-1=4 0,3973 9,9856 1,5893
3. 3,65 13,3225 5-1=4 1,1246 53,2900 4,4983
12 66,0980 5,4818
 (n i 1)  (n i 1) si2  (n i 1) logs i2

sp2 
ni 1si2 66,0980 5,5082
n i 1 12

B (log sp 2 )  log 5,5082 12 8,8921

n i 1
 PABI4455/MODUL 3 3.65


2hitung ln10 B 
ni 1 
log si2 2,3026 (8,8921 5,4818)

2hitung = 7,852

Pada taraf kesalahan 5% dan db = 3 - 1 = 2, nilai2tabel yaitu 2(0,05:2) = 5,99. Karena

2hitung = 7,852 > 2(0,05:2) = 5,99, maka ragam atau varians/ragam ketiga populasi tidak
homogen. Karena varians/ragam ketiga populasi tidak homogen, maka tidak boleh diuji
menggunakan analisis secara parameterik. Disarankan untuk menguji perbedaan nilai rata-
rata dari ketiga grup perlakuan tersebut dilakukan dengan pendekatan non-parameterik,
misalnya dengan uji varians/ragam berjenjang Kruskal-Wallis.

Tu ga s

Lakukan uji homogenitas varians/ragam bila suatu percobaan untuk menyelidiki pengaruh
pemberian pupuk fosfat dengan perlakuan sebanyak 4 taraf, yakni berturut-turut 25 kg/Ha,
50 kg/Ha, 75 kg/Ha, dan 100 kg/Ha menunjukkan besarnya rata-rata ± simpangan baku
berturut-turut sebesar 4,5 ± 0,2 ton, 5,4 ± 0,5 ton, 6,5 ± 0,9 ton, dan 6,7 ± 1,1 ton!

C. PENGUJIAN KOLINEARITAS UNTUK UJI REGRESI GANDA

Pengujian kolinearitas antar variabel bebas menggunakan uji korelasi momen hasil kali
(product moment) dari Pearson. Prosedur pengujian disajikan pada Modul 6.

LA TI HA N

Untuk memperdalam pemahaman Anda mengenai materi di atas,

kerjakanlah latihan berikut!

1) Jelaskan langkah-langkah yang harus ditempuh dalam pengujian kenormalan Lilliefors!

2) Jelaskan langkah-langkah yang harus ditempuh dalam pengujian kenormalan 2!
3.66 Biometri 

3) Jelaskan langkah-langkah yang harus ditempuh dalam pengujian homogenitas dua buah
varians/ragam!
4) Jelaskan langkah-langkah yang harus ditempuh dalam pengujian homogenitas
varians/ragam menggunakan uji Bartlett!
5) Untuk apakah uji kolinearitas harus dilakukan?

Petunjuk Jawaban Latihan

Untuk menjawab soal nomor 1, coba Anda periksa lagi uraian mengenai uji kenormalan
menggunakan uji Lilliefors, perhatikan kembali langkah-langkahnya. Untuk menjawab soal
nomor 2, coba Anda periksa lagi uraian mengenai uji kenormalan menggunakan uji 2,
perhatikan kembali langkah-langkahnya. Untuk menjawab soal nomor 3 dan 4, juga Anda
periksa kembali uraian mengenai uji homogenitas dua buah varians/ragam dan lebih dari
dua buah varians/ragam. Untuk mengerjakan soal nomor 5 lihat persyaratan uji regresi
ganda atau multipel.

RA NG KU MA N

Setelah menyimak uraian materi yang tersaji dalam Kegiatan Belajar 3, dapat ditarik
beberapa kesimpulan berikut ini:
1. Dalam pengujian kenormalan data menggunakan uji Lilliefors, kejadian-kejadian
yang dinyatakan ke dalam nilai S(zi) merupakan proporsi kejadian yang bersifat
kumulatif. Oleh karena itu, nilai S harus dibandingkan nilai harapannya yang
dinyatakan dalam bentuk nilai F(zi ) sebesar P z zi . Semakin sedikit selisih

nilai F(zi ) dengan nilai S(Zi ) berarti peluang kejadian-kejadian yang ada mengikuti
peluang z. Dengan kata lain, mengikuti distribusi normal.
2. Dalam pengujian kenormalan data menggunakan uji 2 , kejadian-kejadian yang
dinyatakan dalam bentuk frekuensi observasi (foi ) merupakan kejadian-kejadian
yang terjadi di dalam kelas intervalnya masing-masing. Oleh karena itu, foi harus
dibandingkan nilai harapannya yang dinyatakan dalam bentuk fei yang dicari dari
 PABI4455/MODUL 3 3.67

hasil kali besarnya peluang menurut distribusi z dari masing-masing kelas interval
yang bersangkutan dengan ukuran sampelnya. jika selisih f oi dengan fei kecil atau
sama sekali tidak berbeda, berarti peluang kejadian-kejadian yang ada mengikuti
distribusi z. dengan kata lain, mengikuti distribusi normal.
3. Dalam pengujian homogenitas dua buah varians/ragam, harus diperhatikan apakah
akan menggunakan uji satu pihak atau akan menggunakan uji dua pihak. Jika
menggunakan uji satu pihak, maka yang menjadi pembilang pada perhitungan nilai
F merupakan varians/ragam yang lebih besar.
4. Dalam pengujian homogenitas k buah varians/ragam menggunakan uji Barlett,
distribusi yang digunakan adalah distribusi 2.
5. Untuk menguji kolinearitas antar variabel bebas menggunakan uji momen hasil kali
(product moment) Pearson.

TE S FO RM AT IF 3

Pilihlah satu jawaban yang paling tepat!

Untuk soal nomor 1, 2 dan 3, perhatikan contoh data berikut.

Hasil pengukuran perubahan (peningkatan) berat badan pria umur baya (50-an) dalam kurun
waktu 10 tahun, terhadap 10 pria baya yang diambil secara acak, adalah sebagai berikut:

No. urut Pertambahan Berat Badan

responden (dalam Kg)
1. 6,4
2. 5,8
3. 4,9
4. 7,8
5. 6,3
6. 7,1
7. 4,6
8. 6,2
9. 5,9
10. 6,6
3.68 Biometri 

1) Dari uji kenormalan Lilliefors data di atas, harga Lhitung adalah ....
A. 0,008
B. 0,052
C. 0,1013
D. 0,121

2) Harga Ltabel dengan taraf keyakinan 95%, untuk uji kenormalan Lilliefors dari data di
atas adalah ....
A. 0,294
B. 0,271
C. 0,258
D 0,249

3) Berdasarkan pengujian normalitas Lilliefors atas data tersebut, dapat diambil

kesimpulan sebagai berikut ....
A. sampel data mengenai peningkatan berat badan pria baya, mengikuti distribusi
normal
B. sampel data mengenai peningkatan berat badan pria baya, tidak mengikuti distribusi
normal
C. populasi data mengenai peningkatan berat badan pria baya, mengikuti distribusi
normal
D populasi data mengenai peningkatan berat badan pria baya, tidak mengikuti
distribusi normal

Untuk soal nomor 4 dan 5, perhatikan contoh data berikut.

Untuk mengetahui apakah berat Lele Dumbo yang dipelihara dalam kolam mengikuti
distribusi normal, dilakukan pengukuran berat 50 ekor lele umur 2 bulan yang diambil dari
suatu kolam pemeliharaan. Hasilnya sebagai berikut (dalam gram):
 PABI4455/MODUL 3 3.69

Kelas interval Nilai tengah Frekuensi

berat (gram) kelas interval absolut
9,1 - 10,5 9,8 4
10,6 - 12,0 11,3 7
12,1 - 13,5 12,8 8
13,6 - 15,0 14,3 12
15,1 - 16,5 15,8 10
16,6 - 18,0 17,3 6
18,1 – 19,5 18,8 3

4) Dari data tersebut, besarnya 2hitung untuk uji kenormalan adalah ....
A. 0,0001
B. 0,854
C. 1,684
D 2,53

5) Nilai 2tabel pada taraf keyakinan 95% dengan prinsip uji dua pihak untuk menerima atau
menolak hipotesis nihil dalam uji kenormalan data adalah ....
A. 9,49
B. 11,14
C. 12,59
D. 14,45

Untuk soal nomor 6 dan 7, perhatikan contoh data berikut.

Ada dugaan bahwa kondisi edafik dan klimatik berpengaruh terhadap kuantitas maupun
kualitas buah apel. Untuk membuktikannya, dilakukan pengukuran berat atas berat 16 apel
jenis A yang diambil dari daerah 1 dan 20 butir apel jenis yang sama yang diambil dari
daerah 2. Hasil pengukuran atas dua sampel apel tersebut menghasilkan rata-rata berat dan
simpangan baku, berturut-turut adalah: 156; 12,6 dan 142; 7,4.
3.70 Biometri 

6) Untuk menguji homogenitas varians/ragam dua sampel data tersebut dengan prinsip uji
dua pihak, besarnya Ftabel yang digunakan adalah 5% ....

A. 2,23
B. 2,33
C. 2,62
D. 2,76

7) Besarnya F hitung atas data berat apel jenis A tersebut adalah ....
A. 2,899
B. 2,48
C. 1,703
D. 1,64

8) Suatu uji homogenitas varians/ragam menggunakan taraf kesalahan () sebesar 5%.
Hasil uji varians/ragam menunjukkan hasil Fhitung < Ftabel. Berkaitan dengan hasil uji ini,
pernyataan inferensial berikut yang benar adalah ….
A. Hipotesis nul dapat ditolak
B. sampel-sampel data itu tidak mempunyai varians/ragam
C. varians/ragam sampel-sampel data itu dikatakan berbeda tidak nyata atau homogen
D. varians/ragam sampel-sampel data itu dikatakan berbeda nyata atau tidak homogen

Untuk soal nomor 9, 10, dan 11, perhatikan contoh data berikut.

Hasil pengukuran mengenai panjang buah pisang varietas B yang ditanam di 4 daerah
berbeda adalah sebagai berikut:
 PABI4455/MODUL 3 3.71

Panjang buah pisang (cm)

Ulangan
daerah A daerah B daerah C daerah D
1. 15,6 12,8 14,8 14,2
2. 14,8 11,9 13,2 13,9
3. 13,6 12,2 14,1 12,4
4. 16,6 12,2 14,7 13,6
5. 15,4 11,9 13,9 14,4
6. 16,2 13,0 13,6 14,0
7. 16,5 11,2 12,5 13,7
8. 16,8 11,0 13,3 14,1
9. 16,2 12,0 14,6 14,4
10. 16,7 12,1 12,4 12,4

9) Dari data tersebut, besarnya 2hitung adalah ....

A. 0,6762
B. 2,4651
C. 7,188
D. 24,3423

10) Sedangkan besarnya 2tabel untuk taraf kepercayaan 95% adalah ....
A. 11,14
B. 9,49
C. 9,35
D. 7,81

11) Berdasarkan uji homogenitas keempat varians/ragam sampel data tersebut, dapat
disimpulkan ....
A. keempat varians/ragam tersebut adalah homogen
B. keempat varians/ragam tersebut adalah heterogen
C. varians/ragam A paling besar dibandingkan varians/ragam lainnya
D. varians/ragam D paling kecil dibandingkan varians/ragam lainnya

Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di
bagian akhir modul ini. Hitunglah jawaban yang benar. Kemudian, gunakan rumus berikut
untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3.
3.72 Biometri 

Tingkat penguasaan = Jumlah Jawaban yang Benar 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
modul selanjutnya. Bagus! Jika masih di bawah 80%, Anda harus mengulangi materi
Kegiatan Belajar 3, terutama bagian yang belum dikuasai.
 PABI4455/MODUL 3 3.73

Kun ci Jaw aba n Tes For mat if

Tes Formatif 1

1) B Munculnya jenis kelamin tertentu memiliki peluang 1/2 atau 0,5 . Untuk n = 5,
peluang munculnya kelima anak berkelamin sama, adalah =(1/2)5 = 1/32.
2) A Peluang munculnya laki-laki dan perempuan adalah sama, yakni 1/2. Untuk 3 anak,
berarti ada (1/2)3 = 1/8. Tetapi karena jumlah perempuan yang hanya satu, dalam
urut-urutannya bisa ada di tengah, di depan maupun di belakang diantara dua laki-
laki lainnya. Maka peluang munculnya 3 anak terdiri dari 2 laki-laki dan 1
perempuan adalah 3 x (1/2)3 = 3/8.
3) C Proporsi peluang munculnya butawarna (p) adalah 0,1 yang artinya proporsi
peluang seseorang akan normal (q) adalah 0,9. Dengan menggunakan prinsip
segitiga pascal, kita bisa menghitung besarnya peluang maksimal 2 dari 5 anak-anak
yang direncanakan adalah butawarna, ialah dari persamaan: = 1p5 + 5p4q1 + 10p3q2 +
10p2q3 + 5p1q4 + 1q5. Dengan menggunakan persamaan ini, besarnya peluang bahwa
maksimal 2 dari 5 anak-anak yang direncanakan akan butawarna, hanya terkait
dengan suku-suku persamaan: 10p 2q3, 5p1q4, dan 1q5. Ini berarti besarnya peluang
itu = 10p2q3 + 5p1q4 + 1q5. Untuk p=0,1 dan q=0,9, peluang= 10(0,1)2(0,9)3 +
5(0,1)1(0,9)4 + 1(0,9)5 = 0,9914. Selain dengan menghitung manual, angka ini juga
bisa kita temukan dengan mudah dari tabel distribusi peluang binomial kumulatif.
Jadi besarnya peluang bahwa maksimal hanya 2 dari 5 anak-anak yang
direncanakan itu akan butawarna, adalah sebesar 0,9914.
4) A Sedangkan B, C dan D kurang tepat
5) C Luas daerah pada (0,45 < Z < 2,98), adalah sama saja harganya dengan {P(0 < Z <
2,98) - P(0 < Z < 0,45)}. Dari tabel Z, diperoleh harga P(0 < Z < 2,98) adalah
0,4986, sedangkan P(0 < Z < 0,45) adalah 0,1736. Sehingga {P(0 < Z < 2,98) - P(0 <
Z < 0,45)} = 0,3250. Yakni 32,50%.
6) C Peluang lokasi z yang dimaksud, adalah sama dengan luas area yang dibatasi z=-
2,55 dan z=+2,55. Dari Tabel 3.2b, kita temukan bahwa luas area di bawah kurve
normal dari z=0 sampai dengan z=2,55 adalah sebesar 0,4946. Dengan
memperhatikan prinsip simetris bilateral kurve normal, maka luas area dari z=-2,55
3.74 Biometri 

sampai dengan z=0, adalah sama dengan luas area dari z=0 sampai dengan z=2,55.
Artinya, luas -2,55 dan +2,55 adalah dua kali 0,4946, atau sama dengan 0,9892.
7) D Dengan pola yang hampir sama dengan nomor 4, P(163 < Y < 166) sama harganya
dengan P(0 < Y < 166) - P(0 < Y < 163). Melalui konversi ke nilai normal baku Z,
P(0 < Y < 163) = P(0 < Z < 0,25) sedangkan P(0 < Y < 166) = P(0 < Z < 1,5). Dari
tabel Z, P(0 < Z < 1,5) = 0,4332. Sedangkan P(0 < Z < 0,25) = 0,0987. Sehingga P(0
< Z < 1,5) dikurang P(0 < Z < 0,25) adalah 0,3345 atau 33,45%.
8) C p(Y > 165), dikonversi ke harga normal baku Z, menjadi P(Z > 1,083). P(Z > 1,083)
= 0,5 - P(Z < 1,083). Dari tabel Z diperoleh besarnya P(Z < 1,083) = 0,3599. Maka
P(Z > 1,083) = 0,5 - 0,3599 = 0,1401 atau sama dengan 14,01%.
39, 2 38,6
9) B t  1,3145
2,5 / 30

10) D t(0,025 ; 29) = 2,045

11) A 2(0,025 ; 29) = 45,7
12) B F0,025(24 ; 24) = 2,27

Tes Formatif 2

1) B Karena jika peneliti sudah memiliki hipotesis penelitian, maka diharapkan hipotesis
itu akan terbukti dalam eksperimennya, dan oleh karenanya dirumuskan sebagai
hipotesis alternatif dan prinsip pengujiannya adalah uji satu pihak.

2) C Karena peneliti tidak memiliki dukungan kajian pustaka yang kuat maka ia tidak
berani untuk membuat hipotesis dengan pola satu pihak seperti rata-rata A lebih
besar dari rata-rata B atau sebaliknya.

3) D Karena ada atau tidak ada hipotesis penelitian, peneliti tetap harus mencantumkan
hipotesis statistika apabila pengujian akan menggunakan teknik statistika.
4) A Karena secara statistika, semakin besar ukuran n akan semakin besar besarnya
derajat bebas, dan batas kritis untuk menerima hipotesis alternatif dan menolak
hipotesis-hipotesis nihilnya akan semakin kecil.
 PABI4455/MODUL 3 3.75

5) A. Prinsip uji hipotesis sudah berbicara/berlaku pada tingkat populasi. Apabila sudah
ada nilai parameter populasi yang diketahui besarnya maka nilai parameter tersebut
dijadikan pembanding. Jika tidak ada nilai parameter yang kita ketahui maka kita
dudukkan data statistik sampel sebagai penduga tak bias dari nilai parameter
populasi. Dengan demikian, uji hipotesis tetap bersifat inferensial berlaku pada
tingkat populasi.
6) D. Analisis secara parametrik dapat diterapkan pada data yang berasal dari populasi
yang berdistribusi normal dan minimal berskala interval.

7) C Karena uji hipotesis mengunakan teknik statistika secara parameterik adalah

menguji pada tingkat parameter populasi sehingga distribusi populasi harus
diketahui yakni terdistribusi normal.

8) B Karena syarat uji parameterik data harus dalam skala interval atau rasio sehingga
data dengan skala nominal atau ordinal secara otomatis dianalisis menggunakan uji
nonparameterik
9) D Karena baik untuk pembandingan dua harga rata-rata akan berbeda prosedurnya jika
berbeda tingkat kehomogenannya dan untuk uji lebih dari dua harga rata-rata
homogenitas ragam antar kelompok harus dipenuhi.

10) A Uji kolinearitas ditujukan terhadap antarvariabel bebas sehingga kuncinya variabel
bebasnya harus lebih dari satu variabel.

Tes Formatif 3

1) D Dari prosedur penentuan normalitas menurut Lilliefors, diperoleh Lhitung = Lmaksimum

sebesar 0,121.
2) C Ltabel = L(0,05 ; 10) = 0,258.
3) C Kesimpulan selalu dibawa ke populasinya. Karena Lhitung < Ltabel, berarti populasi
data tersebut berdistribusi normal.
f f 
2
4) C 2 o e 1, 684
 fe 
 
3.76 Biometri 

Berarti X2hitung = 1,684.

5) B 2tabel = 2(0,025 ; 4) = 11,14
6) C Ftabel = F0,025 (15 ; 19) = 2,62

7) A Fhitung 158,76 2,899

54,76

8) C Sesuai kaidah pengujian hipotesis, dalam uji homogenitas varians/ragam, atau uji
varian, dua varians/ragam dikatakan berbeda secara nyata, jika Fhitung Ftabel dan tidak
berbeda secara nyata jika Fhitung Ftabel (untuk =5%). Istilah perbedaan itu menjadi
sangat nyata jika = yang digunakan adalah 1%. Dalam soal, hasil pengujian
menunjukkan Fhitung < Ftabel, artinya dua varians/ragam yang diuji homogenitasnya,
menunjukkan perbedaan yang tidak nyata, tidak berbeda secara nyata, atau
dikatakan masih homogen satu dengan lainnya.

9) B Dari penghitungan diperoleh


2hitung ln10 B 
n 1 
.log si2 2,4651

10) C 2tabel = 2(0,025;3) = 9,35.

11) A Sesuai kaidah pengujian hipotesis, karena 2hitung < 2tabel, berarti Ho yang
menyatakan varians/ragam antara populasi sama besarnya dapat diterima. Atau
dengan kata lain, varians/ragam antar kelompok data tersebut masih homogen.
 PABI4455/MODUL 3 3.77

Daf tar Pus tak a

Blalock, H.M. (1972). Social Statistics. 2-nd ed. New York: McGraw-Hill Book Company.

Bruning, J.L. and Kintz, B.L. (1987). Computational Handbook of Statistics. 3-rd ed.
Glenview: Scott, Foresman and Company.

Caulcutt, R. (1983). Statistics in Research and Development. London: Chapman and Hall.

Daniel, W.W. (1983). Statistik Nooparameterik Terapan. Alih bahasa oleh Tri Kantjono,
W.A. Jakarta: Gramedia.

Dreper, N.R. and Smith, H. (1981). Applied Regression Analysis. 2-nd ed. New York: John
Wiley & Sons.

Fisher, R.A. and Yates, F. (1974). Statistical Tabels for Biological, Agricultural, and
Medical Research. New York: Hafner.

Gaspersz, V. (1992). Teknik Analisis dalam Penelitian Percobaan 1 dan 2. Bandung:

Tarsito.

Gomez, K.A. and Gomez, A.A. (1984). Statistical Procedures for Agricultural Research. 2-
nd ed. New York: John Wiley & Sons.

Gourevitch, V. (1966). Statistical Methods: a Problem-Solving Approach. 2-nd ed. Boston:

Allyn and Bacon.

Hogg, R.V. & Tanis, E.A. (2001). Probability and Statistical Inference. New Jersey:
Prentice-Hall, Inc.

Janke, S.J. & Tinsley. (2007). Introduction to Linear Models and Statistical Inference.
New York: A John Wiley & ons, Inc., Publication.

John, P.W.H. (1971). Statistical Design and Analysis of Experiments. New York:
Macmillan.

Mendenhall, W. (1968). Introduction to Linier Models and the design of Experiments.

California: Wadsworth, Belmont.

Nasution, A.H. dan Barizi. (1980) Metode Statistika untuk Penarikan kesimpulan. Ed
keempat. Jakarta: Gramedia.

Rosner, B. (1990). Fundamentals of Biostatistics. 3-rd ed. Bostos: PWS-Kent Publishing

Company.

Siegel, S. (1956). Nonparameteric Statistics for the Beavioral Sciences. Tokyo: Mc-Graw-
Hill Kogakusha, Ltd.
3.78 Biometri 

Sokal, RR. and Rohlf. (1969). Biometry: the Principles and Practice of Statistics in
Biological Approach. 2-nd ed. New York: Mc-Graw-Hill Book Company.

Steel, R.G.D. and Torrie, J.H. (1980). Principles and Procedures of Statistics: a Biometrical
Approach. 2-nd ed. New York: Mc-Graw-Hill Book Company.

Sudjana. (1966). Metode Statistika. Edisi keempat. Bandung: Tarsito.

Sudjana. (1982). Disain dan Analisis Eksperimen. Bandung: Tarsito.

Yamane, T. (1973). Statistics: an Introductory Analysis. 3-rd ed. Tokyo: Harper

International Edition.
 PABI4455/MODUL 3 3.79

GLOSARIUM

Distribusi 2 (baca kai kuadrat atau chi square): distribusi normal dengan rata-rata  dan
simpangan baku  kemudian setiap nilai pengamatannya diubah ke nilai baku dan
harga nilai baku tersebut dikuadratkan

Distribusi F: rasio dua buah variabel kontinyu yang berdistribusi normal dengan rata-rata 
dan simpangan baku  yang setiap nilai pengamatannya telah diubah ke nilai baku

Distribusi normal atau distribusi Gauss: distribusi peluang yang memiliki nilai rata-rata
sebesar dan simpangan baku sebesar 

Distribusi normal baku atau distribusi z: distribusi peluang yang memiliki nilai rata-rata
sama dengan nol dan simpangan baku sama dengan satu

Distribusi peluang: titik-titik peluang kejadian yang sambung-menyambung membentuk

garis kurve, dan luas dibawah kurve sama dengan satu unit persegi atau 100%

Distribusi t-Student atau disingkat distribusi t: merupakan distribusi normal dengan titik
tengah sama dengan nol dan aksis (sumbu datar) X menunjukkan harga t sebesar - 
< t < +

Eksperimen eksploratif (explorative experiment): suatu prosedur eksperimen yang tidak

memiliki rumusan hipotesis sebelum eksperimen dilakukan

Eksperimen yang sesungguhnya (true experiment): suatu prosedur eksperimen yang sudah
memiliki rumusan hipotesis sebelum eksperimen dilakukan

Estimasi parameter populasi: prosedur pendugaan nilai parameter populasi berdasarkan

data statistik sampel

Hipotesis: jawaban permasalahan penelitian secara teoretik

Hipotesis nihil atau hipotesis nol (H 0 atau HO): hipotesis yang diuji berdasarkan pada data
statistik sampel representatif yang merupakan rumusan jawaban yang tidak akan
terbukti benar

Hipotesis statistik: jawaban permasalahan penelitian berdasarkan rumusan statistik untuk

diuji menggunakan pengujian secara statistika

Hipotesis tandingan atau hipotesis alternatif (H1 atau H A): hipotesis yang diuji
berdasarkan pada data statistik sampel representatif yang merupakan rumusan
jawaban yang akan terbukti benar

Korelasi: tingkat kecenderungan tingkat hubungan antara dua atau lebih variabel

Kurve dua ekor: kurve yang luas area di kedua ekornya dinyatakan besarnya.
3.80 Biometri 

Kurve satu ekor: kurve yang luas area di salah satu ekornya dinyatakan besarnya.

Perbedaan yang bermakna/signifikan: perbedaan yang sungguh-sungguh terjadi pada

tingkat kepercayaan tertentu atau dapat pula pada tingkat kesalahan tertentu

Regresi: tingkat pengaruh satu atau lebih variabel bebas terhadapvariabel tergayutnya

Statistik nonparameterik: prosedur pengujian/analisis dengan membandingkan data

statistik sampel dengan parameter populasi yang tidak diketahui/diasumsikan
distribusinya

Statistik paramaterik: prosedur pengujian/analisis dengan membandingkan data statistik

sampel dengan parameter populasi yang diketahui/diasumsikan berdistribusi normal

Statistika induktif: suatu prosedur analisis/pengujian statistik untuk menetapkan parameter

sebagai nilai yang bersifat umum yang berlaku pada tingkat populasi berdasarkan
data statistik sampel yang bersifat khusus sehingga berlaku dalil penarikan
kesimpulan dari keadaan yang khusus untuk diberlakukan pada tingkat yang lebih
umum.

Statistika inferensial: suatu prosedur analisis/pengujian statistik untuk menetapkan

parameter populasi berdasarkan data statistik dengan tingkat kesalahan tertentu yang
ditetapkan

Tabel distribusi peluang: tabel yang menunjukkan perihal peluang-peluang yang mungkin
timbul dari berbagai kemungkinan kejadian yang terjadi dalam peristiwa disebut

Uji hipótesis: tindakan untuk membuktikan secara empirik perihal kebenaran jawaban
secara teoretik

Uji homogenitas varians/ragam: tindakan untuk membuktikan secara empirik perihal

kehomogenan varians/ragam berdasarkan data statistik sampel

Uji normalitas: tindakan untuk membuktikan secara empirik perihal kenormalan distribusi
populasi menggunakan data statisti sampel