MODUL SATATISTIK PERMINYAKAN

Oleh :

TEKNIK PRODUKSI MIGAS

POLITEKNIK ENERGI DAN MINERAL AKAMIGAS

Jl. Gajahmada No. 38 Cepu, Kabupaten Blora, Jawa Tengah, 58315

Telp. 0296-421897, Faks. 0296-425939

Modul Praktikum Minitab|1

 BAB I
PENDAHULUAN

Statistika adalah sekelompok konsep dan metode untuk merencanakan, mengumpulkan

informasi (data), mengolah atau menganalisis dan kemudian mengambil kesimpulan dalam
situasi dimana ada ketidakpastian dan variasi.

1.1. Metode Statistik

Metode Statistik diklasifikasikan menjadi dua, yaitu :
1. Statistik Deskriptif (Statistik Deduktif)
Statistik deskriptif, yaitu statistik yang menggambarkan kegiatan yang berupa
pengumpulan data, penyusunan data, pengolahan data dan penyajian dalam bentuk tabel,
grafik, atau diagram agar memberikan gambaran yang teratur, ringkas dan jelas mengenai
suatu keadaan atau peristiwa. Statistik deskriptif terdiri dari :
a. Distribusi frekuensi yaitu penyusunan data dari nilai terkecil sampai nilai terbesar
kemudian disajikan dalam bentuk tabel atau diagram.
b. Ukuran tendensi sentral terdiri dari mean, median, modus, kuartil dan presentil.
c. Ukuran penyebaran terdiri dari rentangan(rank), varians dan simpangan baku.

2. Statistik Inferensia (Statistik Indukstif)

Statistik Inferensia merupakan statistik yang berhubungan dengan kegiatan penarikan
kesimpulan yang bersifat umum dari data yang telah disusun dan diolah. Hal yang
berhubungan dengan statistik inferensia diantaranya adalah :
a. Melakukan penaksiran tentang karakteristik populasi dengan menggunakan data
yang diperoleh dari sampel.
b. Membuat prediksi atau ramalan tentang masalah untuk masa yang akan datang.
c. Menentukan ada tidaknya hubungan antar karakteristik.
d. Menguji hipotesa.
e. Membuat kesimpulan secara umum mengenai populasi.

1.2. Kegunaan Statistik

Kegunaan Statistik diantaranya adalah sebagai berikut :

Modul Praktikum Minitab|2

1. Membantu peneliti dalam menggunakan sample sehingga peneliti dapat bekerja efisien
dengan hasil yang sesuai dengan objek yang ingin diteliti.
2. Membantu peneliti dalam membaca data yang telah terkumpul sehingga peneliti dapat
mengambil keputusan yang tepat.
3. Membantu peneliti untuk melihat ada tidaknya perbedaan antara kelompok lainnya atas
objek yang diteliti.
4. Membantu peneliti untuk melihat ada tidaknya hubungan antar variable yang satu dengan
yang lainnya.
5. Membantu peneliti dalam melakukan prediksi untuk waktu yang akan datang.
6. Membantu peneliti untuk melakukan interpretasi atas data yang terkumpul.

1.3. Data
Data adalah sejumlah informasi yang dapat memberikan gambaran tentang suatu keadaan atau
masalah baik yang berupa angka maupun kategori seperti : baik buruk, tinggi, rendah dan
sebagainya.
Syarat data antara lain :
1. Objektif yang berarti data tersebut menggambarkan keadaan sebenarnya.
2. Relevan dengan permasalahn yang diteliti.
3. Sesuai jaman (up to date) sebab perubahan waktu dan teknologi dapat mengakibatkan
kejadian mengalami perubahan dengan cepat.
4. Representative terhadap populasinya
5. Sumbernya tepat dan dapat dipercaya.

Selanjutnya data dapat diklasifikasikan berdasarkan sifat, cara memperoleh, dan skala
pengukuran sebagai berikut :

Modul Praktikum Minitab|3

 Tabel 1.1. Klasifikasi Data
Kategori Data Pengertian Contoh
Kualitas absorpsi glycol
Kualitatif Data yang tidak berbentuk angka.
Sifat terhadap moisture
Kuantitatif Data yang berbentuk angka Produksi sales gas harian
Data diperoleh dari pengumpulan Data pengujian sumur
Primer
sendiri. sembur alami
Cara
Data yang diperoleh dari pihaklain
memperoleh
Sekunder (suatu organisasi atau perusahaan) Data elektrifikasi KESDM
dalam bentuk data yang sudah jadi.

Status cadangan minyak

Data yang sifatnya hanya
Nominal bumi (proven, probable,
membedakan.
possible)
Data yang dapat membedakan dan Menurutkan fosil
Ordinal
mengurutkan. berdasarkan umur geologi.

Skala Data yang jaraknya sama tetapi

pegukuran tidak mempunyai nol absolute
Interval
(artinya walaupun datanya nol
tetapi masih mempunyai nilai).
Data yang jaraknya sama dan
mempunyai nol absolute (artinya
Rasio
jika datanya nol maka nilai datanya
tidak mempunyai arti).
Temperature (deg C) yang
masih memiliki nlai dalam
kondisi 0 deg C
Weight On Bit yang harus di-
nol-kan sebelum mulai
operasi drilling atau
WO/WS.

1.4. Populasi dan Sample

Populasi adalah keseluruhan objek penelitian yang terdiri dari manusia, benda, hewan,
tumbuhan, gejala, nilai test atau peristiwa sebagai sumber data yang mewakili karakteristik
tertentu dalam suatu penelitian. Berdasarkan sifat populasi digolongkan menjadi :
1. Populasi Homogen
Populasi homogen merupakan sumber data yang unsurnya mempunyai sifat yang sama
sehingga tidak perlu mempersoalkan jumlahnya secara kuantitas.
2. Populasi Heterogen
Populasi heterogen adalah sumber data yang unsurnya memiliki sifat atau keadaan
bervariasi sehingga perlu ditetapkan batasannya baik secara kualitatif maupun kuantitatif.

Sampel adalah sebagian dari jumlah dan karakteristik yang dimiliki oleh polulasi tersebut.

Modul Praktikum Minitab|4

1.5. Teknik Sampling
Teknik sampling merupakan suatu teknik atau cara mengambil sample yang representative dari
populasi. Ditinjau dari pengambilan sampelnya, ada beberapa metode sampling, yaitu :
1. Simple Random Sampling
Jika suatu sampel dengan n elemen dipilih dari suatu pupulasi N elemen sehingga setiap
kemungkinan sampel dengan n elemen mempunyai kesempatan yang sama untuk dipilih.
2. Proportionate Stratified Random Sampling
Dalam metode ini, langkah pertama adalah populasi dikelompokkan dalam beberapa
kelompok agar lebih homogen, kemudian dari masing-masing kelompok diambil sampel
berukuran tertentu ( secara proporsional ) secara acak seperti pada metode pertama.
3. Cluster Sampling
Cluster sampling ialah sampel simple random dimana setiap sampling unit terdiri dari
kumpulan atau kelompok elemen seperti bidang tanah terdiri dari beberapa petak tanah.

1.6. Pengenalan Minitab 18

Minitab merupakan program komputer yang dirancang untuk melakukan pengolahan statistik.
Minitab mengombinasikan kemudahan penggunaan layaknya Microsoft Excel dengan
kemampuannya melakukan analisis statistik yang kompleks. Minitab dikembangkan di
Pennsylvania State University oleh peneliti Barbara F. Ryan, Thomas A. Ryan, Jr., dan Brian
L. Joiner pada tahun 1972. Minitab memulai versi ringannya OMNITAB, sebuah program
analisis statistik oleh NIST.

Pada laman awal minitab terdapat dua window, yaitu session dan worksheet. Session
merupakan tempat untuk menampilkan semua perintah (command) yang telah dilakukan dalam
bentuk program dan hasil dari pengolahan data yang tidak dapat ditampilkan dalam worksheet.
Sedangkan worksheet sendiri adalah tempat untuk menginput data serta menampilkan hasil
pengolahan data.

Kegunaan Minitab:

1. Mengelola data dan file - spreadsheet untuk analisa data yang lebih baik.
2. Analisa regresi
3. Power dan ukuran sampel

Modul Praktikum Minitab|5

 4. Tabel dan grafik
5. Analisa multivariat – termasuk analisa faktor, analisa klaster, analisa korespondensi dan
lainnya
6. Tes Nonparametrik - berbagai tes termasuk tes signal, run tes, friedman tes, dan lainnya
7. Time Series dan Forecasting – membantu menunjukkan kecenderungan pada data yang
dapat digunakan untuk membuat dugaan. Time series plots, exponential smoothing, dan
trend analysis.
8. Statistical Process Control
9. Analisa sistem pengukuran
10. Analisa varians - untuk menentukan perbedaan antar data.

Gambar 1.1 Tampilan Window dalam Minitab

Dalam minitab ini terdapat 11 menu bar beserta submenu diantaranya adalah :

1. File
Dalam menu file terdapat submenu file yang digunakan untuk membuka file, menginput data,
menyimpan pekerjaan, dan lainnya seperti berikut ini.

Modul Praktikum Minitab|6

 Tabel 1.1. Fungsi Submenu File
Submenu Fungsi
New Membuat Project atau Worksheet baru.
Membuka project minitab, worksheet, graph yang telah
Open
disimpan.
Save Project Menyimpan project minitab yang telah dikerjakan.
Menyimpan project minitab dengan nama yang berbeda
Save Project As
atau tempat penyimpanan yang berbeda.
Save Session
Menyimpan konten dari window yang aktif.
Window As
Query Database
Mengimport data dari file database.
(ODBC)
Print Session
Mengeprint konten dari window yang aktif.
Window
Mengatur ukuran kertas, halaman, dan printer yang akan
Print Setup
digunakan.
Menambah atau mengedit deskripsi dalam project yang
Description
dikerjakan.
Exit Keluar dari aplikasi minitab.
Recent Files Tempat memilih file yang baru dikerjakan.

Gambar 1.1. Submenu File

Modul Praktikum Minitab|7

2. Edit
Menu edit dalam minitab menyediakan fungsi-fungsi editing yang digunakan dalam proses
pengolahan data.

Tabel 1.2. Fungsi Submenu Edit

Submenu Fungsi
Undo Mengembalikan pekerjaan sebelumnya.
Redo Membatalkan operasi undo.
Clear Menghilangkan nilai dari area yang sudah diblok.
Delete Menghapus area yang sudah dipilih.
Copy Menyalin pekerjaan yang dipilih.
Cut Menyalin dan menghapus pekerjaan yang dipilih.
Paste Menampilkan pekerjaan yang di-copy atau di-cut.

Worksheet Memindahkan data yang telah disalin baik dari sel, atau
Link file minitab atau word, excel, dan lain-lain.

Memilih atau menyorot semua data pada sel-sel untuk

Select All
pengolahan
Edit Last
Mengedit dialog terakhir
Dialog
Mengeksekusi perintah secara cepat atau
Command
mengekseksekusi ulang atau mengedit perintah yang
Line Editor
digunakan pada sesi sebelumnya.

Gambar 1.2. Submenu Edit

Modul Praktikum Minitab|8

3. Data
Dalam menu data menampilkan submenu-submenu yang berfungsi mengoperasikan worksheet
atau data yang sedang dijalankan.
Tabel 1.3. Fungsi Submenu Data
Submenu Fungsi
Subset Worksheet Menampilkan sebagian worksheet.
Split Worksheet Membagi worksheet menjadi beberapa worksheet.
Merge Worksheet Menggabungkan beberapa worksheet.
Memisahkan data pada satu kolom menjadi beberapa kolom
Unstack Columns
berdasarkan kriteria tertentu.
Stack Menggabung data pada kolom yang berbeda menjadi satu kolom.

Transpose Columns Mengubah data kolom menjadi baris dan juga sebaliknya.
Mengurutkan data (mengurutkan suatu kolom berdasarkan kolom
Sort
lainnya).
Rank Merangking data (membuat rangking suatu kolom).
Delete Rows Menghapus baris.
Erase Variables Menghapus variabel-variabel.
Recode Mengkonversi data (numerik ke numerik, numerik ke teks dsb).
Change Data Type Mengubah tipe data.
Date/Time Menginput data waktu.
Menggabung dua atau lebih kolom yang berisi data text menjadi satu
Concatenate
kolom, syarat penjang kolom sama.
Display Data Menampilkan data.

Gambar 1.3. Submenu Data

Modul Praktikum Minitab|9

4. Calc
Menu calc menyediakan submenu yang dapat digunakan untuk memasukkan formula,
menampilkan distribusi peluang, atau membuat data berpola maupun acak.
Tabel 1.4. Fungsi Submenu Calc

Submenu Fungsi
Untuk melakukan perhitungan (penjumlahan, perkalian,
Calculator
pembagian, sinus, maksimum, eksponen, dan lain-lain)
Columns
Menghitung ukuran-ukuran statistik dari suatu kolom
Statistics
Row Statistics Menghitung ukuran-ukuran statistik dari suatu baris
Standardize Menormalisasikan data
Make Patterned
Membuat suatu kolom(data) dengan pola tertentu
Data
Membuat sebuah fungsi dua dimensi seperti permukaan
Make Mesh Data
berdasarkan pasangan nilai x dan y
Make Indicator
Membuat variabel dummy untuk data kualitatif
Variables
Menetapkan titik awal untuk pembangkitan data acak. Bila kita
Set Base tidak mengeset titik tersebut, maka titik tersebut akan ditentukan
oleh minitab.
Random Data Membangkitkan data acak dari berbagai distribusi
Probability Menghitung peluang dan distribusi kumulatif peluang dan
Distributions inversnya dari berbagai distribusi peluang.
Matrices Menghitung matriks dan operasi-operasinya

Gambar 1.4. Submenu Calc

Modul Praktikum Minitab|10

5. Stat
Submenu-submenu dalam menu stat memungkinkan untuk menampilkan statistika deskriptif,
analisis regresi, reliabilitas, analisis varian, dan lainnya.
Tabel 1.5. Fungsi Submenu Stat
Submenu Fungsi
Menunjukkan ukuran-ukuran statistika deskriptif, uji
Basic Statistics hipotesis, correlation, covariance, penentuan proporsi
sample, dan uji normalitas.
Menganalisis persamaan regresi baik linier maupun non
Regression
linier untuk kuantitatif atau kualitatif.
ANOVA Menganalisis perbedaan varian.
Menguji pengaruh variabel input terhadap variabel output
DOE yang dapat didesain secara screening, faktorial, response
surface, mixture, dan taguchi.
Memberikan penilaian stabilitas proses berdasarkan nilai
Control Charts statistik untuk mengetahui variabel yang dapat
dikendalikan.
Melakukan analisis kapabilitas berdasarkan variabel
Quality Tools
control.
Menampilkan probabilitas suatu unit yang terjadi pada
Reliability/Survival
periode tertentu.
Multivariate Menganalisis data dengan banyak varian.
Time Series Menganalisis data waktu untuk peramalan.
Tables Membuat tabel kontingensi dan analisis korespondensi.
Menganalisis data kualitatif tanpa asumsi distribusi
Nonparametrics
tertentu.
Equivalence Test Menguji equivalensi data.
Menghitung peluang menolak Ho ketika salah dan
Power and Sample Size perbedaan minimum sebagai nilai proporsi alternatif pada
uji proporsi.

Gambar 1.5. Submenu Stat

Modul Praktikum Minitab|11

6. Graph
Di dalam menu bar Graph terdapat banyak graphic yang dapat digunakan unuk menunjukkan
atau menganalisis suatu data seperti histogram, scatter plot, box plot, contour, stem and leaf
diagram, serta grafik-grafik tertentu yang ditampilkan dalam dua atau tiga dimensi.

Gambar 1.6. Submenu Graph

Modul Praktikum Minitab|12

7. Editor
Sub menu editor berbeda untuk setiap window yang aktif. Berikut ini adalah sub menu editor
pada worksheet.
Tabel 1.7. Fungsi Submenu Editor Worksheet
Submenu Fungsi
Find and Replace Menemukan atau mengganti data dalam worksheet.
Sort Columns Mengurutkan data dari yang terbesar atau terkecil.
Cell Properties Memberikan highlight atau komentar pada cell.
Format Column Memberikan format tertentu dalam kolom.
Mengoperasikan kolom dengan menyembunyikannya,
Column Properties
mengatur ukuranya, atau mendeskripsikannya.
Mengondisikan format-format tertentu pada kolom
Conditional Formatting
tersebut.
Formulas Memasukkan formula dalam kolom.
Subset Worksheet Menganalisis data dengan banyak varian.
Worksheet Properties Memberikan deskrips pada worksheet yang aktif.
Insert Cells Menambahkan cell.
Insert Rows Menambahkan baris di atas baris yang dipilih.
Insert Columns Menambahkan kolom
Move Columns Memindahkan kolom ke lokasi tertentu.

Gambar 1.7. Submenu Editor Worksheet

Modul Praktikum Minitab|13

Sub menu editor pada Session adalah sebagai berikut :
Tabel 1.8. Fungsi Submenu Editor Session
Submenu Fungsi
Next Command Memindahkan kursor ke command berikutnya.
Previous Command Memindahkan kursor ke command sebelumnya.
Expand All Menampilkan session yang tersedia.
Collapse All Menyebunyikan table pada session.
Show Command Line Menampilkan bahasa pemrograman yang akan dieksekusi.
Add Note Menambahkan catatan pada session yang telah muncul.
Delete Note Mengahapus catatan pada session.
Decimal Place Penempatan desimal.
Zoom Membesarkan atau mengecilkan tampilan tiap session.

Gambar 1.8. Submenu Editor Session

Modul Praktikum Minitab|14

8. Tools
Menu tools berguna untuk menyediakan penyesuaian dalam toolbar, menu bar, hinggga
proteksi project minitab yang dikerjakan.

Tabel 1.9. Fungsi Submenu Tools

Submenu Fungsi
Mengakses E-Learning untuk mempelajari analisis data
Quality Trainer
statistik dengan miniab.
Menjalankan file exec yang memuat command session
Run an Exec
minitab.
Memunculkan toolbar tertentu untuk memudahkan
Toolbars
pengoperasian minitab.
Menampilkan atau menyembunyikan status bar yang
Status Bar
berada di bawah window minitab.
Menyesuaikan menu, toolbar, pintasan keyboard agar
Customize
memudahkan operasi minitab.
mengubah dan menyimpan standard setting untuk
Options
berbagai macam operasi.
Mengatur, menyimpan, dan membagikan menu, setting,
Manage Profiles
dan toolbar yang telah disesuaikan.
Memproteksi project minitab dengan password atau hanya
File Security
bisa dibaca.

Gambar 1.9. Submenu Tools

Modul Praktikum Minitab|15

9. Window
Submenu yang terdapat dalam menu window digunakan untuk menampilkan,
menyembunyikan, atau menyusun window yang aktif dalam minitab.

Tabel 1.10. Fungsi Submenu Window

Submenu Fungsi
Cascade Memunculkan setiap window yang aktif per layer.
Tile Memuncuklkan keseluruhan window yang aktif.
Minimize All Menutup tampilan window yang terbuka.
Restore Icons Membuka semua window yang telah ditutup.
Arrange Icons Menyusun tampilan icon di dasar window.
Refresh Menyegarkan semua window yang terbuka.
Close All Graphs Menutup semua window grafik.
Update All Graphs Now Memperbarui window grafik yang datanya diubah.

Gambar 1.10. Submenu Window

Modul Praktikum Minitab|16

10. Help
Dalam menu Help terdapat submenu yang digunakan untuk membantu user ketika mengalami
kesulitan dalam mengoperasikan minitab. Submenu ini menghubungkan user ke tutorial web
minitab atau laman petunjuk penggunaan minitab.

Gambar 1.11. Submenu Help

11. Assistant
Submenu dalam ini menu Assistant memudahkan user untuk memilih metode analisis yang
tepat dalam pengaplikasiannya terhadap data yang dimiliki user. Pemilihan metode-metode
tersebut sangat informatif dan mudah dipahami karena dalam bentuk flow chart.

Gambar 1.12. Submenu Assistant

Modul Praktikum Minitab|17

 BAB II
STATISTIKA DESKRIPTIF

Dalam penyajian statistika deskriptif terdapat beberapa ukuran statistik seperti ukuran
pemusatan, ukuran penyebaran, dan ukuran letak. Selain itu cara menyajikan data juga dapat
dilakukan dalam bentuk grafik histogram, box plot, stem and leaf diagram, beserta analisis
hasilnya.

2.1. Ukuran Pemusatan Data

Ukuran pemusatan data adalah nilai tunggal dari data yang dapat memberikan gambaran yang
lebih jelas dan singkat tentang pusat data sekaligus merepresentasikan seluruh data yang
meliputi mean, median, dan modus.

1. Mean adalah rata-rata dari data dan dinotasikan dengan 𝑋̅ atau dimana  menyatakan
rata-rata sampel dan menyatakan rata-rata populasi. Secara umum mean memiliki
rumusan sebagai berikut.
2. Median adalah nilai yang membagi suatu gugus data yang telah terurut menjadi 2
bagian yang sama. Median memiliki sifat bahwa di bawah nilai median terdapat 50%
data. Cara menentukan median sebagai berikut :
Misal X1, X2, …, Xn adalah data yang sudah terurut dari kecil ke besar;
maka untuk n ganjil, 𝑀𝑒𝑑 = 𝑋𝑛+1
2

1
dan untuk n genap, 𝑀𝑒𝑑 = 2 ( 𝑋𝑛 + 𝑋𝑛+1 )
2 2

3. Modus yaitu nilai yang paling sering muncul dalam suatu gugus data

Dalam penggunaannya, mean lebih sering digunakan dari pada ukuran pemusatan lainnya
karena keakuratannya dalam menentukan nilai tengah suatu gugus data, walaupun ada
beberapa kasus yang membuat nilai tengah menjadi kurang tangguh, misalkan ada nilai yang
dianggap ekstrim.

2.2. Ukuran Penyebaran

Ukuran penyebaran adalah suatu ukuran yang menyatakan besaran nilai-nilai data berbeda atau
bervariasi dengan nilai ukuran pusatnya atau besar penyimpangan nilai-nilai dengan nilai
pusatnya. Beberapa ukuran penyebaran antara lain :

Modul Praktikum Minitab|18

 1. Range atau jangkauan yaitu menyatakan selisih antara nilai maksimum dengan nilai
minimum.
2. Variansi adalah nilai tengah dari kuadrat penyimpangan antara 𝑋𝑖 terhadap 𝑋̅. Variansi
merupakan ukuran penyebaran yang sering digunakan dalam statistika inferensia.
Variansi dinotasikan S2 untuk sampel dan 2 untuk populasi. Variansi memiliki
rumusan sebagai berikut :
Σ(𝑋𝑖 − 𝑋̅)2
𝑆2 = , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑛 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑠𝑎𝑚𝑝𝑒𝑙
𝑛−1
Σ(𝑋𝑖 − 𝑋̅)2
𝜎2 = , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑁 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖
𝑁
3. Simpangan baku merupakan akar dari variansi.

Σ(𝑋𝑖 − 𝑋̅)2
𝑆=√ , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑛 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑠𝑎𝑚𝑝𝑒𝑙
𝑛−1

Σ(𝑋𝑖 − 𝑋̅)2
𝜎=√ , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑁 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖
𝑁
2.3. Ukuran Letak
Kuartil menyatakan nilai nilai yang membagi gugus data menjadi empat bagian yang sama
besar. Q1 menyatakan kuartil 1 yang memiliki sifat bahwa ¼ data terletak di bawah Q1. Q2
sama dengan median. Sedangkan Q3 memiliki sifat bahwa ¾ data terletak di bawah Q3. Untuk
ukuran letak yang lainnya adalah desil, persentil dll.

2.4. Penyajian Grafik

Dalam menyajikan grafik, minitab memiliki berbagai jenis grafik dalam menu Graphs
diantaranya adalah:
1. Histogram dibuat berdasarkan tabel distribusi frekuensi. Bila datanya memiliki skala
interval atau rasio, maka histogram dapat digunakan untuk menyajikan data.
2. Box plot merupakan bentuk penyajian data yang hanya menggunakan beberapa statistik
yang disebut ringkasan lima angka yaitu nilai minimum, Q1, median, Q3, nilai
maksimum. Pada box plot dapat juga ditentukan adanya pencilan atau tidak. Pencilan
yaitu suatu nilai pada data yang apabila dibandingkan dengan nilai data yang lain tidak
konsisten. Pencilan dibedakan menjadi pencilan jauh (dalam) dan pencilan jauh sekali
(luar). Untuk menentukan pencilan digunakan rumusan sebagai berikut :

Modul Praktikum Minitab|19

 Pagar dalam (p)
𝑝1 = 𝑄1 − 1.5(𝑄3 − 𝑄1 )
𝑝2 = 𝑄3 − 1.5(𝑄3 − 𝑄1 )
Pagar luar (P)
𝑃1 = 𝑄1 − 2(𝑄3 − 𝑄1 )
𝑃2 = 𝑄3 − 2(𝑄3 − 𝑄1 )
Pencilan dikatagorikan sebagai pencilan jauh bila letaknya data di antara pagar dalam
dan pagar luar. Sedangkan pencilan jauh sekali, bila data di luar pagar luar.
3. Diagram dahan daun adalah salah satu teknik penyajian data yang menggunakan data
asli secara langsung. Pada dasarnya dalam diagram dahan daun, penyajian data terbagi
atas dua kolom yaitu dahan dan daun, dimana dahan berisi data dengan satuan yang
lebih besar dari pada kolom daun.

Dari ketiga bentuk penyajian data di atas, dapat dilihat bentuk distribusi data dapat berupa
simetri, menjulur ke kiri, atau ke kanan.

2.5. Analisis Deskriptif Dengan Minitab 18

Analisis deskriptif adalah analisis yang bertujuan untuk menggambarkan keadaan data.
Analisis deskriptif lebih berhubungan dengan pengumpulan data dan peringkasan data serta
penyajian hasil peringkasan tersebut. Seperti data yang diperoleh dari sensus, survei, atau
pengamatan lainnya yang masih berupa data mentah dan tidak terorganisir sehingga perlu
penyajian yang baik dan teratur sebagai dasar pengambilan keputusan.

Pengolahan data dalam Minitab bisa dilakukan melalui menu Stat. Menu stat menyediakan
beberapa metode analisa statistik. Apabila membutuhkan analisa data melalui grafik, kita dapat
melakukannya melalui Graph dalam Minitab. Selain kedua menu tersebut, apabila pengguna
Minitab akan melakukan perhitungan matematika atau statistik tertentu atau memanipulasi data
sesuai dengan kebutuhan, maka kita dapat melakukannya melalui menu Data atau Calc. Output
analisa data ditampilkan melalui window session atau disimpan dalam worksheet. Jika
melakukan analisis grafik, maka window graph akan menampilkan outputnya.

Sebagai contoh dalam operasi statistika desktriptif dengan minitab 18, kali ini menggunakan
data score TOEFL dari 100 mahasiswa sebagai berikut :

Modul Praktikum Minitab|20

 Tabel 2.1 Score TOEFL Dari 100 Mahasiswa
15.7 16.2 18.2 16.3 17.9 18.1 16.8
17.6 18.1 16.7 16.7 16.0 17.4 17.0
18.6 17.1 14.1 17.5 17.0 17.6 15.6
16.0 17.7 16.1 18.6 15.2 17.1 19.5
17.0 16.9 16.9 16.7 17.3 16.3 17.3
17.0 15.6 15.6 17.9 16.0 17.7 18.2
14.7 17.1 15.2 17.0 17.8 16.1 18.2
16.5 17.7 18.8 14.6 16.5 16.6 15.6
14.9 17.5 16.1 18.5 15.8 16.9 17.3
17.1 15.9 17.1 17.1 16.4 15.6 16.3

Langkah-langkah untuk mengoperasikan minitab 18 untuk penyajian data tersebut adalah :

1. Input data yang tersedia pada worksheet ke dalam kolom C1:

Gambar 2.1 Input Data

2. Selanjutnya dari data tersebut kita dapat menyajikan ukuran-ukuran nilai dalam
statistika deskriptif dengan cara pilih menu Stat → Basic Statistics → Display
Descritive Statistics. Lalu akan menampilkan window Display Descriptive Statistics.

Modul Praktikum Minitab|21

 Gambar 2.2 Display Descritive Statistics

3. Select kolom C1 ke dalam kolom Variables dengan cara klik 2x pada C1.

Gambar 2.3 Window Display Descritive Statistics

Modul Praktikum Minitab|22

4. Untuk menampilkan nilai-nilai ukuran pilih Statistics pada window Display
Descriptive Statistics, lalu tentukan nilai yang ingin ditampilkan :

Gambar 2.4 Ukuran-Ukuran dalam Display Descritive Statistics

5. Selain itu, dalam window Display Descriptive Statistics juga dapat menampilkan
grafik dengan cara memilih graphs. Kemudian tentukan jenis grafik yang ingin
ditampilkan, lalu klik OK.

Gambar 2.5 Menampilkan Grafik pada Display Descritive Statistics

Modul Praktikum Minitab|23

 6. Lalu klik OK pada setiap window yang kemudian menampilkan output berupa grafik
histogram beserta kurva kenormalan, boxplot, dan nilai-nilai ukuran statistika deskriptif
pada window Session.

Gambar 2.6 Output Hasil Display Descritive Statistics

Selain bentuk penyajian statistika seperti yang di atas, dapat pula dalam berbagai bentuk grafik
yang terdapat dalam menu Graphs.
Penyajian data dalam bentuk tabel juga dapat dilakukan dalam aplikasi minitab ini dengan cara
sebagai berikut :
1. Pilih menu Stat → Tables → Tally Individual Variables yang akan memunculkan
box Tally Individual Variables.

Gambar 2.7 Tally Individual Variables

Modul Praktikum Minitab|24

2. Lalu isi kolom variables dengan select C1 pada window tersebut dan pada kolom
Display pilih nilai-nilai yang ingin ditampilkan. (Tabel data variabel juga dapat
ditampilkan dalam window worksheet bila Store result diceklis).

Gambar 2.8 Window Tally Individual Variables

3. Klik OK pada window sehingga tabel dengan nilai yang telah ditentukan
sebelumnya ditampilkan dalam window Session.

Gambar 2.9 Tabel Frekuensi Data

Dari tabel ini kita dapat melihat frekuensi setiap nilai sekaligus frekuensi kumulatif.
Selain itu, tabel ini juga menunjukkan persen frekuensi setiap nilai dan persen
frekuensi kumulatif.

Modul Praktikum Minitab|25

 BAB III
UJI KENORMALAN DATA

3.1. Distribusi Normal

Distribusi peluang kontinu yang paling penting adalah distribusi normal. Grafik dari suatu
distribusi normal disebut kurva normal. Suatu peubah acak X yang distribusinya memiliki
penunjaman sama besar ke kanan dan ke kiri disebut peubah acak normal seperti pada gambar
3.1. Persamaan matematika dari distribusi peluang peubah acak normal kontinu bergantung
pada dua parameter yaitu  (rataan) dan  (simpangan baku). Dengan demikian fungsi densitas
X dapat dinyatakan oleh
1 1 𝑥−𝜇 2
𝑒 −2( )
𝑓(𝑥) = 𝜎 , −∞<𝑥 <∞
√2𝜋 𝜎

Gambar 3.1 Kurva Distibusi Normal

Sifat-sifat distibusi normal :
∞
1. ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1
2. 𝑓(𝑥) ≥ 0, ∀𝑥
3. lim 𝑓(𝑥) = 0 𝑑𝑎𝑛 lim 𝑓(𝑥) = 0
𝑥→−∞ 𝑥→∞

4. 𝑓(𝑥 + 𝜇) = 𝑓(−(𝑥 − 𝜇))

5. Nilai maksimum dari f terjadi pada 𝑥 = 𝜇
6. Titik belok dari f terjadi pada 𝑥 = 𝜇 ± 𝜎

3.2. Statistik Uji Kenormalan

Dalam statistika parametrik, distribusi normal mendasari beberapa uji statistik. Misal statistik
t-student, Fisher, Khai Square, dll. Sehingga dalam pengolahan data statistik, biasanya

Modul Praktikum Minitab|26

diasumsikan data berasal dari populasi yang berdistribusi normal. Ada dua cara untuk melihat
kenormalan data yaitu secara visual dan dengan uji statistik. Secara visual dengan
menggunakan histogram, dahan daun, box plot, tetapi cara ini bersifat subyektif. Biasanya
dengan uji statistik, akan lebih obyektif untuk mengatakan data berdistribusi normal.

Ada beberapa statistik uji kenormalan data antara lain :

1. Statistik Shapiro-Wilk W
Statistik ini dikembangkan oleh Shapiro dan Wilk tahun 1965. Statistik ini merupakan
rasio antara dua penduga ragam. Statistik ujinya dinamakan statistik W. Statistik W ini
mengukur straightness dari plot quantil-quantilnya. Bila nilai dari W ≤ 1, maka data
dikatakan normal.
2. Statistik Anderson-Darling
Statistik ini dikembangkan oleh Anderson dan Darling tahun 1954. Statistik Anderson
Darling berdasarkan pada fungsi distribusi empirik. Statistik ujinya dinamakan statistik
yang merupakan kuadrat dari selisih antara luas histogram dengan luas daerah di bawah
kurva normal. Bila nilai P-value ≥ α , maka data berdistribusi normal. Metode uji
kenormalan ini biasanya digunakan untuk data berukuran besar.
3. Statistik Kolmogorov-Smirnov
Statistik ini menggunakan fungsi distribusi kumulatif dan berdasarkan pada maksimum
perbedaan antara dua distribusi, yaitu distribusi normal dengan distribusi data yang
diamati. Biasanya digunakan untuk data berukuran ≤ 30. Bila nilai P-value ≥ α, maka
data berdistribusi normal.

3.3. Uji Kenormalan Data Dengan Minitab 18

Contoh kasus dalam hal ini adalah data produksi minyak bumi periode 10 bulan dari 8 lokasi
sumur pengeboran seperti dalam tabel berikut :

Tabel 3.1 Data Produksi Minyak Bumi Dalam 10 Periode

Periode Well 56 Well 59 Well 66 Well 68 Well 70 Well 77 Well 87 Well 99
1 507 468 500 498 449 513 558 486
2 677 763 738 608 433 460 485 552
3 633 661 420 425 451 345 377 455
4 503 573 571 534 414 575 635 443
5 477 498 466 588 589 547 499 503
6 636 672 597 597 521 576 568 485
7 402 365 582 351 585 622 685 736
8 464 504 501 526 414 471 527 508
9 309 463 390 413 393 581 590 486
10 495 519 482 468 489 392 510 542

Modul Praktikum Minitab|27

Langkah-langkah untuk menguji kenormalan data tersebut dalam minitab adalah :
1. Input data dari tabel tersebut ke dalam kolom C1.

Gambar 3.2 Input Data

2. Kemudian pilih menu Stat → Basic Statistics → Normality Test. Muncul window
Normality Test.

Gambar 3.3 Menu Normality Test

Modul Praktikum Minitab|28

3. Pada window Normality Test, isi box variables dengan kolom C1 lalu pilih metode
normality test.

Gambar 3.4 Window Normality Test

4. Klik OK pada window yang akan menampilkan grafik distibusi peluang normal dengan
metode Anderson-Darling.

Gambar 3.5 Grafik Distribusi Normal Anderson-Darling

Modul Praktikum Minitab|29

5. Ulangi langkah ke-4 untuk metode Ryan-Joiner (Shapiro-Wilk) dan Kolmogorov-
Smirnov.

Gambar 3.6 Grafik Distribusi Normal Ryan-Joiner

Gambar 3.7 Grafik Distribusi Normal Kolmogorov-Smirnov

Modul Praktikum Minitab|30

Pada metode Anderson-Darling, nilai P-value yang diperoleh sebesar 0.286. Nilai ini lebih
besar dari nilai α = 0.05 dengan Confidence Level 95%. Untuk metode Ryan-Joiner diperoleh
nilai RJ = 0.992 dengan pendekatan P-value > 0.1 sehingga dapat dikatakan bahwa data
berdistribusi normal. Begitupula dengan metode Kolmogorov-Smirnov yang menunjukkan
nilai P-value = 0.118 yang artinya lebih besar daripada nilai α = 0.05.
Berdasarkan nilai-nilai di atas yang didapat dari metode-metode berbeda, dapat dikatakan
bahwa data yang diolah memiliki distribusi normal. Hal ini juga ditunjukkan dengan plot-plot
data pada grafik berhimpit atau hampir mengikuti garis kenormalan. Dari ketiga nilai dengan
metode yang berbeda di atas, terlihat bahwa statistik Anderson-Darling lebih powerfull untuk
digunakan ukuran data yang besar.

Modul Praktikum Minitab|31

 BAB IV
TRANSFORMASI DATA

4.1. Transformasi Satu Angkatan Data

Dalam ilmu statistik sering kali digunakan asumsi dari bentuk data yang akan di analisa.
Asumsi yang lazim digunakan adalah distribusi Normal. Bentuk data yang berdistribusi
Normal dengan mean () dapat digambarkan seperti grafik berikut:

Gambar 4.1 Grafik Simetris Distribusi Normal

Bila dilihat, data yang berdistribusi Normal akan simetris terhadap  dan sebagaian besar data
akan mengelompok di tengah. Dalam kenyataannya seringkali bentuk data yang diperoleh tidak
berbentuk seperti distribusi normal tetapi berbentuk menjulur ke kanan seperti gambar berikut:

Gambar 4.2 Grafik Menjulur Ke Kanan

Bentuk data yang lainnya adalah menjulur ke kiri yang dapat dilihat pada gambar berikut :

Gambar 4.3 Grafik Menjulur Ke Kiri

Modul Praktikum Minitab|32

Agar asumsi bahwa data berdistribusi Normal tetap dipenuhi, maka perlu dilakukan suatu
transformasi terhadap data asli. Transformasi dilakukan untuk satu angkatan data bila data yang
akan ditransformsi hanya satu angkatan data.

Untuk memilih fungsi transformasi yang tepat digunakan tangga transformasi Tukey yang
digambarkan sebagai berikut :

Gambar 4.4 Fungsi Urutan Transformasi Tukey

Transformasi 10x akan membuat bentuk distribusi data menjadi menjulur ke kanan secara kuat,
1
sedangkan transformasi − 𝑥 2 akan membuat bentuk distribusi data menjadi menjulur ke kiri

secara kuat. Sebagai contoh bila data yang dimiliki menjulur ke kanan secara lemah maka
gunakan transformasi √𝑥 agar data dapat menjadi Normal. Sebaliknya bila data menjulur
kekanan secara sedang maka transformasi x3 agar data menjadi Normal. Penentuan bahwa
suatu data menjulur secara lemah, sedang atau kuat besifat subyektif sehingga akan lebih baik
bila digunakan beberapa transformasi sekaligus kemudian dibandingkan hasilnya. Penentuan
hasil kenormalan transformasi dilakukan melalui uji kenormalan.

4.2. Transformasi Beberapa Angkatan Data

Ketika memiliki beberapa angkatan data, biasanya ingin dilakukan pembandingan antara
angkatan satu dengan angkatan lainnya. Proses membandingkan ini lebih mudah ketika semua
angkatan data memiliki :
1. Bentuk distribusi baku
2. Sebaran data yang sama

Ketika persyaratan di atas terpenuhi, untuk membandingkan angkatan-angkatan tersebut cukup

dengan masing masing tarafnya ( nilai Median ) saja. Dalam penyamaan sebaran semua
angkatan (membuat sebaran hampir sama), digunakan transformasi seperti pada tangga
transformasi Tukey tetapi dengan acuan yang sedikit berbeda. Sebaran masing masing
angkatan diukur dengan dQ = Q3 - Q1 yaitu simpangan kuartil.

Modul Praktikum Minitab|33

Penentuan transformasi yang tepat dilakukan adalah sebagai berikut:
1. Hitung taraf dari setiap angkatan.
2. Hitung sebaran dari setiap angkatan.
3. Tentukan Taraf Terbesar (TA), Taraf Terkecil (TB), Sebaran yang bersesuaian dengan
TA(=SA) dan Sebaran yang bersesuaian dengan TB(=(SB) dari seluruh angkatan.
4. Hitung koefisien arah b yang memiliki rumus
log(𝑆𝐴 ) − log(𝑆𝐵 )
𝑏=
log(𝑇𝐴 ) − log(𝑇𝐵 )
Berdasarkan nilai b, pilihlah transformasi yang tepat sesuai dengan tabel berikut.
Tabel 4.1 Transformasi Beberapa Angkatan Data
Nilai b Transformasi yang
Keterangan
(disekitar) dipilih
Jika b semakin kecil, maka k semakin
Negatif 𝑥
besar (k:bulat)

0.5 𝑥

1 log 𝑥
1
1.5 −
𝑥
1
2 − 2
𝑥

4.3. Transformasi Data Dengan Minitab 18

Berikut ini merupakan contoh data yang digambarkan dengan histogram menjulur ke kanan
Tabel 4.1 Data Untuk Transformasi Data
7.2 2 9.6 2.1 2.4 3.6 9.1 3.6 2.9 15.3
5.6 1.7 4.8 3.1 2.3 4.4 1.7 3.6 2.3 3.4
9.7 1.9 10.4 4.8 2.1 4.6 2.1 1.9 5.3 6.3
2.9 8.8 3.7 4.9 5.2 3.4 3 1.7 8 1.5
2.3 4.8 7.5 1.5 2.9 3.4 5.7 11.9 6.4 1.3
14.3 5.5 8.3 7.6 3.2 3.4 11.4 4.9 3.8 15.3
2.6 3.6 4 4.4 4.1 17.3 8.1 1.9 13.7 1.8
6.8 6.5 2.4 12 3.5 3.8 3.7 3.4 4.6 5.9
1.8 10.9 1.7 3.7 0.5 2.4 0.9 2.5 2.9 2.8
3 3.7 5.8 5.5 5.9 6.9 6.5 8.3 9.3 4.9

Modul Praktikum Minitab|34

Langkah-langkah dalam mentransformasikan data adalah sebagai berikut:
1. Input data ke dalam kolom C1.

Gambar 4.5 Input Data

2. Buat histogram dengan kurva kenormalan dari menu Graph → Histogram → pilih
tipe histogram With Fit, lalu klik OK.

Gambar 4.6 Menu Histogram

Modul Praktikum Minitab|35

 Gambar 4.7 Tipe Histogram

3. Kemudian akan muncul histogram dengan kurva distribusi.

Gambar 4.8 Histogram Data

Modul Praktikum Minitab|36

4. Kemudian lakukan uji kenormalan dengan metode Anderson-Darling dengan cara
seperti pada bab sebelumnya. Dari ujia kenormalan ini diperoleh nilai P-value < 0.005.
Hal ini menunjukkan data yang kita miliki belum berdistribusi normal.

Gambar 4.9 Uji Kenormalan Data C1

5. Agar data dapat berdistribusi normal, dapat dilakukan transformasi data dengan urutan
fungsi selanjutnya, yaitu √𝑥 melalui menu Calc → Calculator. Lalu pada window
Calculator isikan setiap box seperti gambar di bawah ini dan klik OK.

Gambar 4.10 Menu Calculator

Modul Praktikum Minitab|37

 Gambar 4.11 Window Calculator

6. Ulangi langkah 2-4 untuk data kolom C2. Dari hasil transformasi √𝑥, diperoleh kurva
distribusi dan nilai P-value < 0.005 yang menunjukkan masih belum memiliki distribusi
normal.

Gambar 4.12 Histogram dan Kurva Kenormalan Data C2

Modul Praktikum Minitab|38

 7. Kemudian dapat dilakukan transformasi data C1 dengan urutan transformasi
selanjutnya, yaitu log 𝑥 sama seperti langkah 3-6. Dari transformasi ini didapatkan nilai
P-value = 0.813 yang menunjukkan data berdistribusi normal karena nilai P-value lebih
dari 0.005.

Gambar 4.13 Histogram dan Kurva Kenormalan Data C3

Dari kedua transformasi diatas dapat dilihat bahwa data yang sebelumnya menjulur kekanan
secara sedang, dengan transformasi √𝑥 bentuk data menjadi menjulur ke kanan secara lemah,
sedangkan dengan transformasi log 𝑥 data menjadi normal. Nantinya yang diolah dengan
statistik adalah data log 𝑥 bukan data aslinya.
Sebagai eksperimen lainnya, lakukan tranformasi x2 dan x3, simpan datanya masing-masing
pada C4 dan C5 kemudian buat histogram maka diperoleh bentuk data akan semakin menjulur
kekanan seperti ditunjukkan dari histogram berikut.

Gambar 4.14 Histogram Data C4 dan C5

Modul Praktikum Minitab|39

 BAB V
HIPOTESIS DAN PROPORSI

5.1. Hipotesis Statistik

Hipotesis statistik merupakan hal sangat penting dalam statistika inferensia. Hipotesis statistik
yaitu suatu anggapan atau pernyataan yang mungkin benar atau tidak mengenai satu populasi
atau lebih. Suatu hipotesis dianggap benar atau salah, tidak bias diketahui dengan pasti kecuali
dilakukan pemeriksaan terhadap seluruh populasi. Tetapi hal tersebut tidak efisien. Untuk
mengatasi hal tersebut dilakukan pengambilan sampel secara acak.

Dalam uji hipotesis sering digunakan istilah menerima atau menolak hipotesis yang
dirumuskan, artinya jika diterima maka hipotesis yang dirumuskan benar dan jika ditolak maka
berlaku sebaliknya. Dari hal tersebut, dapat dikatakan bahwa perumusan suatu hipotesis sering
dipengaruhi oleh bentuk peluang dari kesimpulan yang salah. Hipotesis yang dirumuskan
dengan harapan akan ditolek disebut hipotesi nol. Penolakan terhadap hipotesis nol tersebut
akan mengakibatkan pada penerimaan terhadap suatu hipotesis lain yang disebut hipotesis
alternatif.

Prosedur pengambilan kesimpulan kadangkadang dapat membawa pada kesimpulan yang

salah. Dalam pengujian hipotesis statistik, ada dua jenis kesalahan yaitu:
1. Galat/kesalahan jenis pertama, yaitu penolakan hipotesis nol, padahal hipotesis nol
benar. Peluang galat jenis I disebut taraf nyata yang dinotasikan dengan α. Biasanya
taraf nyata disebut dengan ukuran wilayah kritis.
2. Galat/kesalahan jenis kedua, yaitu penerimaan hipotesis nol, padahal hipotesis nol
salah. Peluang galat jenis II dinotasikan dengan β. Nilai dari β tidak mungkin dihitung,
kecuali bila hipotesis alternatifnya lebih spesifik.

Tabel 5.1 Kesalahan Dalam Pengujian

Kesimpulan Pengujian H0 Benar H0 Salah
Keputusan Tepat Kesalahan Type II
Terima H0
(1-α) = Confident Interval β
Kesalahan Type I Power Pengujian
Tolak H0
α (1- β)

Modul Praktikum Minitab|40

Kesalahan type I dan II memiliki hubungan terbalik, menurunnya peluang yang satu akan
menaikkan peluang yang lain.

Dalam kesalahan type I, yaitu α dapat disebut sebagai taraf (derajat) signifikansi yang nilainya
ditentukan oleh peluang diambilnya. Semakin kecil tingkat peluang kemelesetannya, semakin
tinggi keberartiannya. Contohnya, niai α = 0.05 menunjukkan kemelesetan atau kekeliruan
yang terjadi hanya sebanyak 5 kali dalam 100 kali pengamatan.

Sifat dari pengujian hipotesis nol melawan hipotesis alternatif ada dua yaitu :
1. Hipotesis alternatif yang bersifat dua arah
H0 : θ = θ0
H1 : θ  θ0
Pada hipotesis jenis ini, wilayah kritisnya terbagi menjadi dua bagian, yaitu wilayah yang
letaknya pada masing-masing ujung dari sebaran statistik ujinya.

2. Hipotesis alternatif yang bersifat satu arah

a. H0 : θ ≤ θ0
H1 : θ > θ0
b. H0 : θ ≥ θ0
H1 : θ < θ0

Wilayah kritis untuk poin a terletak seluruhnya di ekor sebelah kanan dari sebaran statistik
ujinya. Sedangkan untuk poin b sebaliknya.

Gambar 5.1 Pengujian Hipotesis

Dalam menentukan keputusan akhir untuk menerima atau menolak H0, didasarkan pada
wilayah kritis α dengan P-value yang mendukung keberartian suatu uji dalam bentuk peluang.

Modul Praktikum Minitab|41

P-value adalah taraf keberartian terkecil, sehingga nilai suatu uji statistik yang diamati masih
berarti.Bila P-value ≤ α, maka H0 ditolak.

Prosedur pengujian hipotesis dapat mengikuti langkahlangkah berikut :

1. Merancang hipotesis nol dan hipotesis alternatif.
2. Menguji kenormalan.
3. Memilih taraf keberartian α.
4. Menguji kesamaan ragam.
5. Menentukan dan menghitung nilai statistik uji yang sesuai.
6. Menentukan daerah kritis dan membuat keputusan apakah menerima atau menolak H0
(di mana pengambilan keputusan dapat didasarkan pada tiga hal yaitu nilai kristis dari
statistik uji, selang kepercayaan, atau P-value).
7. Membuat kesimpulan akhir mengenai sampel yang diambil.

5.2. Pengujian Hipotesis Untuk Mean

Tabel 5.2 Pengujian Hipotesis Untuk Mean
H0 Uji Statistik H1 Daerah Kritis

𝑥̅ − 𝜇0 Z < -zα
𝑍= 𝜎  < 0
⁄ 𝑛 Z > zα
√  > 0
Z < -zα/2 dan
 diketahui,   0
Z > zα/2
n ≥ 30
 = 0
𝑥̅ − 𝜇0
𝑇= 𝑠 T < -tα
⁄ 𝑛  < 0
√ T > tα
 > 0 T < -tα/2 dan
db = n – 1 ,
  0
 diketahui, T > tα/2
n ≥ 30
(𝑥̅1 − 𝑥̅2 ) − 𝑑0 Z < -zα
𝑍= 1 - 2 < d0
√(𝜎1 2 ⁄𝑛1 ) + (𝜎2 2 ⁄𝑛2 ) Z > zα
1 - 2 > d0
Z < -zα/2 dan
1 dan 2 diketahui, 1 - 2  d0
Z > zα/2
n > 30
1 - 0 = d0
(𝑥̅1 − 𝑥̅2 ) − 𝑑0 T < -tα
𝑇= 1 - 2 < d0
T > tα
𝑆𝑃 √(1⁄𝑛1 ) + (1⁄𝑛2 ) 1 - 2 > d0 T < -tα/2 dan
db = n1 + n2 - 2 1 - 2  d0
T > tα/2
1 = 2 tetapi tidak diketahui,

Modul Praktikum Minitab|42

 n ≤ 30
(𝑛1 − 1)𝑆1 2 + (𝑛2 − 1)𝑆2 2
𝑆𝑃 2 =
𝑛1 + 𝑛1 − 2

5.3. Pengujian Hipotesis Proporsi

Proporsi menyatakan perbandingan “banyaknya sukses” terhadap total pengamatan. Bila x
menyatakan banyaknya sukses dari n ulangan, maka nilai proporsi p dihitung dengan rumus:
𝑥
𝑝 = 𝑛 . Uji proporsi dapat dilakukan terhadap satu nilai proporsi atau perbandingan beberapa

nilai proporsi. Asumsi yang digunakan adalah proporsi berdistribusi binomial.

Tabel 5.3 Uji Proporsi

H0 Uji Statistik H1 Daerah Kritis

𝑥 − 𝑛𝑝0
𝑍= Z < -zα
√𝑛𝑝0 (1 − 𝑝0 ) P < P0
P = P0 Z > zα
P > P0
Dengan : Z < -zα/2 dan
𝑥 P  P0
Z > zα/2
𝑝0 =
𝑛
(𝑝1 − 𝑝2 ) − 𝑑0
𝑍=
√𝑝𝑞(1⁄𝑛1 ) + (1⁄𝑛2 ) Z < -zα
P1 - P2 < d0
Dengan : Z > zα
P1 – P2 = d0 P1 - P2 > d0
𝑥1 𝑥2 Z < -zα/2 dan
𝑝1 = ; 𝑝2 = P1 - P2  d0
𝑛1 𝑛2 Z > zα/2
𝑥1 + 𝑥2
𝑝= ; 𝑞 =1−𝑝
𝑛1 + 𝑛2

5.4. Aplikasi Uji Satu Nilai Proporsi Dengan Minitab 18

Contoh kasus :
Obat untuk ketegangan syaraf selama ini memiliki kefektifan 60%. Sebuah obat baru diuji
terhadap 100 pasien, 70 orang sembuh sehingga tingkat keefektifannya 70%. Apakah obat baru
tersebut bisa dikatakan lebih efektif dari obat lama?

Langkah-langkah :
1. Karena yang ingin disimpulkan adalah tingkat keefektifan obat baru > 60% atau tidak,
maka uji hipotesis yang dipilih adalah
H0 : p = 0.6 Taraf = 5% = 0,05
H1 : p > 0.6

Modul Praktikum Minitab|43

2. Untuk menguji pilih menu Stat → Basic Statistics → 1 Proportion

Gambar 5.2 Menu 1 Proportion

3. Kemudian dialog box One-Sample Proportion seperti pada gambar. Dan pada dialog
box options pilih Proportion > Hypothesized Proportion dalam Alternative
Hypothesis dan metode yang digunakan mendekati distribusi normal.

Gambar 5.3 Window One-sample Proportion

Modul Praktikum Minitab|44

 Gambar 5.4 Window One-sample Proportion : Options

4. Output dari analisis ini terdapat pada window session seperti sebagai berikut.

Test and CI for One Proportion

Method
p: event proportion
Normal approximation method is used for this analysis.
Descriptive Statistics
95% Lower Bound
N Event Sample p for p
100 70 0.700000 0.624623
Test
Null hypothesis H₀: p = 0.6
Alternative hypothesis H₁: p > 0.6
Z-Value P-Value
2.04 0.021

Dari hasil yang telah didapat menunjukkan nilai z masuk ke dalam wilaya kritik karena P-value
= 0.021 < 0.05 sehingga dapat disimpulkan bahwa tingkat kefektifan obat baru lebih tinggi dari
obat lama.

Modul Praktikum Minitab|45

5.5. Pengujian Perbandingan Dua Proporsi
Contoh Kasus :
Suatu penelitian dilakukan untuk melihat proporsi lulusan SMA kotamadya Bandung (p1) yang
akan melanjutkan ke PT (Perguruan Tinggi) lebih tinggi dari lulusan SMA kabupaten Bandung
(P2) yang akan melanjutkan ke PT dengan taraf 2,5%. Dari sampel acak yang diambil, diperoleh
hasil bahwa dari 200 lulusan asal kotamadya, 120 orang akan melanjutkan ke PT. Sedangkan
dari 500 lulusan asal kabupaten, 240 orang akan melanjutkan ke PT.

Langkah-langkah :
1. Karena yang ingin disimpulkan proporsi lulusan smu kotamadya Bandung(p1) yang
akan melanjutkan ke PT(Perguruan Tinggi) lebih tinggi daripada proporsi lulusan smu
kabupaten Bandung(p2), maka uji hipotesis yang dipilih adalah
H0 : p1 = p2 atau H0 : p1 – p2 = 0
H1 : p1 > p2 atau H0 : p1 – p2 > 0
Taraf = 5% = 0,025 → selang kepercayaan = 97,5 %
2. Pilih menu Stat → Basic Statistics → 2 Proportions, lalu akan menampilkan kota
dialog seperti pada gambar.

Gambar 5.5 Window Two Sample Proportions

3. Klik box Options dan ubah Confidence Level menjadi 97.5% karena harga taraf dalam
kasus sebesar 2.5% serta alternative hypothesis menjadi difference > hypothesized
difference.

Modul Praktikum Minitab|46

 Gambar 5.6 Two Saple Proportions Options

4. Klik OK pada setiap window dan akan menujukkan output sebagai berikut.

Pada output yang dihasilkan menunjukkan nilai P-value = 0.002 < 0.025 sehingga H0 tidat
tertolak. Dengan kata lain, proporsi lulusan siswa SMA Kotamadya yang melanjutkan ke
PT lebih tinggi daripada luluasan siswa SMA Kabupaten.

Modul Praktikum Minitab|47

 BAB VI
ANALISIS REGRESI LINEAR

6.1. Regresi
Dalam pembahasan masalah penelitian biasanya dapat dijelaskan oleh dua atau lebih variabel
yang saling berhubungan satu sama lain. Variabel-variabel yang saling berhubungan tersebut
membentuk suatu persamaan matematis yang dapat digunakan untuk menentukan nilai sebuah
variabel yang bergantung pada nilai variabel yang lain. Dalam statistika, hubungan fungsional
antara variabel respons ( dinotasikan Y ) dengan variabel prediktor ( dinotasikan X ) disebut
regresi antara Y dan X. Dengan demikian analisis regresi berguna dalam berbagai penelitian
antara lain :
• Model regresi dapat digunakan untuk mengukur kekuatan hubungan antara variabel
respons dan variabel prediktor.
• Model regresi dapat digunakan untuk mengetahui pengaruh suatu atau beberapa
variabel prediktor terhadap variabel respons.
• Model regresi berguna untuk memprediksi pengaruh suatu variabel atau beberapa
variabel prediktor terhadap variabel respons.

6.2. Model Regresi Linear Sederhana

Persamaan matematika regresi linear sederhana adalah sebagai berikut :

𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝜀
β0 dan β1 merupakan parameter model dan 𝜀 adalah residual model

Nilai ԑ selalu berubah-ubah pada setiap x sehingga sulit untuk ditebak, model ini kemudian
diprediksi oleh 𝑦̂ = 𝑏0 + 𝑏1 𝑥 dengan metode kuadrat terkecil yaitu untuk meminimasi jumlah
kuadrat error (Σ(𝑦𝑖 − 𝑦̂)2 ).

Selain itu, nilai koefisien korelasi determinasi R2 yang memiliki nilai 0 sampai 1 juga dapat
digunakan untuk melihat seberapa baik model regresi yang akan diperoleh dengan persamaan
sebagai berikut :

2
2
Σ(𝑦̂ − 𝑦 )
𝑅 = 2
Σ(𝑦 − 𝑦 )

Modul Praktikum Minitab|48

6.3. Aplikasi Regresi Linear Dalam Minitab 18
Untuk memahami analisis regresi linear sederhana, contoh kali ini menggunakan data dalam
tabel 6.1 yang merupakan hasil penelitian mengetahui pengaruh kandungan nikotin suatu rokok
terhadap kesehatan manusia. Berikut adalah data mengenai jumlah nikotin dalam rokok dan
karbon monoksia yang dihasilkan pada 25 merk rokok.

Tabel 6.1 Kandungan Nikotin dan Karbon Monoksida Dalam Rokok

Karbon Karbon
Nikotin Nikotin
Monoksida Monoksida
(mg) (mg)
(mg) (mg)
13.6 0.86 10.2 0.78
16.6 1.06 9.5 0.74
23.5 2.03 1.5 0.13
10.2 0.67 18.5 1.26
5.4 0.4 12.6 1.08
15 1.04 17.5 0.96
9 0.76 4.9 0.42
12.3 0.95 15.9 1.01
16.3 1.12 8.5 0.61
15.4 1.02 10.6 0.69
13 1.01 13.9 1.02
14.4 0.9 14.9 0.82
10 0.57

Dalam penaksiran garis regresi linear ini, kandungan nikotin dalam rokok digunakan untuk
mengukur karbon monoksida. Dengan kata lain, nikotin merupakan variabel prediktor (x)
sedangkan karbon monoksida sebagai variabel respons (y).

Agar model yang dibuat tidak menyimpang jauh, hal pertama yang dilakukan untuk melakukan
analisis regresi adalah memprediksi model.

1. Sebelumnya input data tersebut ke dalam dua kolom, yaitu C1 dan C2 seperti pada
gambar.

Modul Praktikum Minitab|49

 Gambar 6.1 Input Data

2. Langkah untuk menaksir garis regresi dimulai pada menu Stat → Regression → Fitted
Line Plot.

Gambar 6.2 Menu Fitted Line Plot

Modul Praktikum Minitab|50

 3. Kemudian isi kan box pada window Fitted Line Plot seperti di bawah ini.

Gambar 6.3 Window Fitted Line Plot

4. Selanjutnya akan muncul ouput grafik Fitted Line Spot dan Regression Analysis pada
window Session.

Gambar 6.4 Output Prediksi Model Regresi

Pada grafik Fitted Line Spot menjunjukkan taksiran garis regresi untuk model regresi linear.
Selain itu, pada window Session juga ditampilkan hasil taksiran parameter model regresi
linearnya, yaitu : 𝐾𝑎𝑟𝑏𝑜𝑛 𝑚𝑜𝑛𝑜𝑘𝑠𝑖𝑑𝑎 = 1.665 + 12.40 𝑁𝑖𝑘𝑜𝑡𝑖𝑛. Kemudian, Standar
Deviasi model (S) dan Koefisien Determinasi (R2) masing-masing sebesar 1.83 dan 85.7%.

Modul Praktikum Minitab|51

Selain itu, output ini juga menunjukkan ANOVA yang berguna untuk memeriksa kecukupan
model regresi linear yang telah dibuat. Suatu model regresi dikatakan sudah mewakili data
apabila P-value model regresi dalam ANOVA tidak melebihi level toleransi (α) yan telah
ditetapkan.

6.4. Analisis Regresi Linear Sederhana Dalam Minitab

Setelah mengetahui taksiran model yang tepat digunakan adalah regresi linear, kita dapat
melakukan analisis regresi secara memperdalam dengan jalan sebagai berikut:
1. Pilih menu Stat → Regression → Regression → Fit Regression Model akan
menampilkan window Regression. Dalam box Response isikan variabel Karbon
monokisida dan variabel Nikotin pada box Predictors.

Gambar 6.5 Window Regression

2. Kemudian klik Graphs, select Regular pada Residual for plots, dan Normal
probability plot of residuals pada Residual plots untuk menampilkan grafik residual.
Lalu klik OK.

Modul Praktikum Minitab|52

 Gambar 6.6 Window Regression Graph

3. Selanjutnya untuk menampilkan model regresi, ANOVA, dan unsual observation, klik
Results pada window Regressions. Kemudian select output yang diinginkan seperti
pada gambar di bawah ini.

Gambar 6.7 Window Regression Results

Modul Praktikum Minitab|53

4. Kemudian klik Storage pada window Regression, ceklis Fits dan Residuals seperti
pada gambar.

Gambar 6.8 Window Regression Storage

5. Lalu klik OK pada setiap window. Output dari langkah-langkah ini berupa grafik
residual dan tabel ANOVA, Regression Equation, Unsual Observsation pada window
Session.

Gambar 6.9 Grafik Regresi

Modul Praktikum Minitab|54

 Regression Analysis: Karbon Monoksida
versus Nikotin
Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value
Regression 1 462.256 462.256 138.27 0.000
Nikotin 1 462.256 462.256 138.27 0.000
Error 23 76.894 3.343
Lack-of-Fit 21 71.564 3.408 1.28 0.530
Pure Error 2 5.330 2.665
Total 24 539.150
Model Summary
S R-sq R-sq(adj) R-sq(pred)
1.82845 85.74% 85.12% 78.40%
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 1.665 0.994 1.68 0.107
Nikotin 12.40 1.05 11.76 0.000 1.00
Regression Equation
Karbon Monoksida = 1.665 + 12.40 Nikotin
Fits and Diagnostics for Unusual Observations
Karbon
Obs Monoksida Fit Resid Std Resid
3 23.500 26.827 -3.327 -2.53 R X
19 17.500 13.564 3.936 2.20 R
R Large residual
X Unusual X

Dari persamaan regresi yang di dapat, yaitu: 𝐾𝑎𝑟𝑏𝑜𝑛 𝑚𝑜𝑛𝑜𝑘𝑠𝑖𝑑𝑎 = 1.665 + 12.4 𝑁𝑖𝑘𝑜𝑡𝑖𝑛
memperlihatkan b0 sebesar 1.665 dan taksiran parameter dari b1 sebesar 12.3. Hal ini berarti
kandungan nikotin dalam rokok memperngaruhi peningkatan pengaruh karbonmoksida yang
diahasilkan sebesar 12.4 kali. Angka 1.665 menunjukkan bahwa besar kandungan
karbonmonoksida ketika kandungan nikotin bernilai 0 (nol).

Modul Praktikum Minitab|55

Pada model regresi, ada asumsi bahwa distribusi residual mengikuti distribusi normal dengan
rata-rata dan standar deviasi sekecil mungkin. Semakin kecil standar deviasi residual berarti
nilai taksiran model makin mendekati nilai sebenarnya.

Dalam regresi ada pula istilah Mean Square Error (MSE) yang merupakan carian residual (s2).
Perlu diingat bahwa varian residual adalah kuadrat standar deviasi. Dari nilai MSE untuk model
yang telah dibuat adalah 3.34 sehingga nilai standar deviasinya adalah:
𝑠 = √3.34 = 1.83

Nilai 1.83 berarti bahwa sebagian besar kandungan nikotin dalam suatu rokok akan jatuh di
sekitar 2s = 3.66. ANOVA sebenarnya merupakan uji hipotesis kesesuaian model dengan data
yang ada. Dalam hal ini, hipotesisnya adalah:

H0 : Ada salah satu parameter model (β0 atau β1) bernilai nol.
H1 : Parameter model (β0 atau β1) tidak nol.

Hipotesis awal menandakan model yang dibuat tidak sesuai dengan data. Sebaliknya, hipotesis
alternatif berarti model yang dibuat sesuai dengan data.

Uji kesesuaian model menggunakan P-value memiliki daerah penolakan pada :

𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Pada analisis regresi ini, kita menentukan level toleransi (𝛼) sebesar 0.005.

Selain itu, uji kesesuaian model dapat juga menggunakan statistik F yang daerah penolakannya
adalah sebagai berikut:
𝐹 > 𝐹(𝛼,𝑣1 ,𝑣2 )

Pada tabel ANOVA menunjukkan statistik F sebesar 138.27. Bila digunakan α sebesar 5%,
maka nilai 𝐹(5%,1,23) = 4.28 yang ditunjukkan dari tabel (F)... yang ada di dalam lampiran.
Sehingga nilai statistik F memenuhi daerah penolakan. Dengan kata lain menolak hipotesis
awal.

Berarti hasil analisis secara statistis tidak ada parameter model bernilai nol yang menunjukkan
bahwa model regresi linear sederhana ini bisa dikatakan telah mewakili data.

Modul Praktikum Minitab|56

6.5. Memeriksa Utilitas Model
Hubungan kandungan nikotin dalam suatu rokok dengan karbon monoksida yang dihasilkan
rokok perlu diperiksa secara statistik. Oleh karena itu, parameternya perlu diuji dan
dibandingkan dengan level toleransi (𝛼) yang ditentukan.

Kali ini uji parameter model dilakukan dengan menggunakan statistic t. Adapun hipotesis
dalam melaksanakan uji parameter ini adalah:

H0 : β1 = 0
H1 : β1  0

Hipotesis awal (H0) pada hipotesis adalah parameter β1 (β1 = 0) tidak ada dalam model regresi
dan hipotesis aleternatif adalah parameter β1 ada dalam model. Nilai statistic t juga dapat
dikonversikan ke dalam P-value. Bila menggunakan P-value, maka daerah penolakannya
adalah P-value < level toleransi (α).

Untuk daerah penolakannya sendiri adalah:

𝑡 > |𝑡(𝛼,𝑑𝑓) |

Dalam hal ini:

𝑑𝑓 = 𝑛 − (𝑘 + 1)

df : derajat bebas
n : banyaknya pengamatan
k : banyaknya parameter

Output yang ditampilkan pada tabel Coefficient menunjukkan bahwa statistik t untuk variabel
kandungan nikotin dalam rokok adalah 11.76 dan P-value bernilai 0. Derajat bebas pada
analisis ini sebesar 23. Dari tabel T ..., kita dapat mengetahui statisik t untuk level toleransi
0.05 dan derajat bebas sebesar 23 (𝑡(0.05,23 ) adalah 1.714. Hal ini menandakan nilai t-value
lebih besar dari (𝑡(0.05,23 ) sehingga dapat disimpulkan menolak hipotesis awal pada level
toleransi 0.05. Oleh karena itu, dugaan adanya pengaruh kandungan nikotin dalam rokok
terhadap karbon monoksida yang dihasilkan oleh suatu rokok dapat diterima.

Modul Praktikum Minitab|57

6.6. Memeriksa Ukuran Kecukupan Model
Untuk mengukur kecukupan regresi, dapat dilihat pada koefisien determinasi (R2). Koefisien
determinasi menjelaskan besarnya variasi respons yang dapat dipengaruhi oleh prediktor. Nilai
ini dapat dilihat pada tabel Model Summary.

Nilai koefisien determinasi model regresi adalah 85.74% yang artinya sebanyak 85.74% variasi
sample jumlah karbon monoksida yang dihasilkan oleh suatu rokok dipengaruhi oleh
kandungan nikotin dalam rokok. Koefisien korelasi, R, merupakan akar koefisien determinasi
yang menjelaskan hubungan linear antara variabel respons dan prediktor. Nilai R berkisar 0
sampai dengan 1 yang besarnya semakin mendekati 1 berarti hubungan antarvariabel makin
kuat. Dalam hal ini, koefisien korelasinya sebesar:

𝑟 = √0.8574 = 0.926

Dari sini dapat diketahui bahwa ada hubungan linear yang kuat antara kandungan nikotin dalam
rokok dengan jumlah karbon monoksida yang dihasilkannya.

Makin banyak variabel yang dimasukkan dalam model, makin meningkat nilai R2. Di sisi lain,
semakin banyaknya variabel ini menyebabkan model menjadi tidak efisien. Untuk itu, R2 perlu
ditingkatkan sensifitasnya, dalam hal ini ditunjukkan pada nilai R2 adjusted. R2 adjusted
disesuaikan dengan jumlah variabel yang dimasukkan ke dalam model pada kasus ini sebesar
85.12%. perbedaan angka antara R2 dan R2 adjusted tidak berbeda jauh karena jumlah variabel
dalam model hanya ada 1.

6.7. Membuat Nilai Taksiran

Pada window Worksheet terdapat nilai taksiran dan residual model data pengamatan yang
masing-masing ditampilkan dalam kolom C3 dan C4 seperti pada gambar.

Output tersebut memperlihatkan bahwa untuk kandungan nikotin 0.86 mg, perkiraan jumlah
karbon monoksida yang dihasilkan suatu rokok sebesar 12.32 mg begitu pula seterusnya. Nilai-
nilai taksiran dapat digunakan untuk menghitung nilai residual, sedangkan nilai residual
digunakan untuk mendiagnosis model regresi.

Modul Praktikum Minitab|58

 Gambar 6.10 Fits and Residual

Diagnosis model dilakukan dengan memeriksa kesesuaian residual dengan asumsi yang
disyaratkan. Untuk mendiagnosis model, diperlukan pemeriksaan distribusi residual beserta
parameter-parameternya. Dalam hal ini, distribusi yang diinginkan adalah distribusi normal.

6.8. Interpretasi Gambar

Pada plot kenormalan residual, bila titik yang dihasilkan telah sesuai atau mendekati garis lurus
yang ditentukan berdasarkan data (residual), maka residual dapat dikatakan telah mengikuti
distribusi normal. Namun hal ini hanya sebatas keputusan secara visual sehingga dibutuhkan
bukti secara statistis dengan melakukan uji kenormalan data secara kuantitatif. Dengan kata
lain, residual model regresi linear sederhana yang dibuat telah mengiktui distribusi normal yang
diinginkan sesuai dengan asumsi model regresi.

Data residual model yang akan diuji berada pada kolom C3. Residual ini merupakan hasil
analisis regresi yang telah dilakukan sebelumnya. Langkah-langkan untuk melakukan uji
tersebut adalah sebagai berikut:
1. Pilih Stat → Basic Statistics → Normality Test. Kemudian akan muncul dialog box
dan isikan setiap kolom seperti pada gambar ....

Modul Praktikum Minitab|59

 Gambar 6.11 Window Normality Test

2. Selanjutnya klik OK dan akan menampilkan grafik uji kenormalan residual seperti pada
gambar di bawah ini.

Gambar 6.12 Grafik Regresi Dengan Nilai Statistik

Modul Praktikum Minitab|60

Pada plot residual kali ini ditampilkan hasil perhitungan statistik uji yang terletak di pojok
kanan atas. Hipotesis dalam uji kali ini adalah:
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal

Daerah penolakan KS > KS1-α pada sejumlah pengamatan (n) tertentu. Bila statistik
Kolmogorov-Smirnov dikonversikan ke dalam P-value, maka daerah penolakannya adalah P-
value < α.

Level toleransi (α) yang digunakan pada uji Kolmogorov-Smirnov sebesar 0.05. Dari sini dapat
diketahui bahwa nilai statistik yang ditunjukkan pada tabel KM .... senilai 0.264 untuk α = 0.05
dan jumlah pengamatan sebanyak 25. Nilai ini yang selanjutnya dijadikan sebagai patokan
terhadap nilai statistik uji Kolmogorov-Smirnov dan P-value yang diperoleh masing-masing
0.137 dan > 0.15.

Berdasarkan nilai yang didapat menunjukkan bahwa nilai dari pengamatan kurang dari nilai
statistik Kolmogorov-Smirnov pada tabel .... Oleh karen itu, kesimpulan yang dapat ditarik dari
uji kenormalan ini adalah residual model regresi linear yang dibuat telah mengikuti distribusi
normal sehingga asumsi kenormalan residual pada model ini telah terpenuhi.

Modul Praktikum Minitab|61

 BAB VII
ANALISIS REGRESI NON-LINEAR

7.1. Analisis Regresi Nonlinear

Jika nalisis regresi yang menyatakan suatu model tidak linear, maka menggunakan model
regresi nonlinear. Dalam membuat model regresi, hal yang harus dilakukan adalah memeriksa
model hubungan yang terbentu antara variabel prediktor dan variabel respons. Ada tiga model
yang disediakan dalam Minitab, yaitu linear, quadratic, dan cubic. Dua model terakhir
merupakan model nonlinear yang masing-masing memiliki persamaan:

𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑥 2

𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑥 2 + 𝛽3 𝑥 3

7.2. Aplikasi Regresi Nonlinear Dalam Minitab 18

Kasus yang digunakan dalam analisis regresi nonlinear ini sama dengan yang sebelumnya,
hanya saja dalam menaksir garis regrei hubungan antara kandungan nikotin dalam suatu rokok
dan karbon monoksida menggunakan model regresi Quadratic dan Cubic pada window Fitted
Line Plot. Hasilnya seperti gambar di bawah ini.

Fitted Line Plot

Karbon Monoksida = - 1.784 + 20.11 Nikotin
- 3.730 Nikotin^2
25
S 1.58336
R-Sq 89.8%
R-Sq(adj) 88.8%
20
Karbon Monoksida

15

10

0
0.0 0.5 1.0 1.5 2.0
Nikotin

Gambar 7.1 Hasil Analisis Regresi Quadratic

Modul Praktikum Minitab|62

 Fitted Line Plot
Karbon Monoksida = - 0.858 + 15.95 Nikotin
+ 1.037 Nikotin^2 - 1.471 Nikotin^3
25
S 1.61137
R-Sq 89.9%
R-Sq(adj) 88.4%
20
Karbon Monoksida

15

10

0
0.0 0.5 1.0 1.5 2.0
Nikotin

Gambar 7.2 Hasil Analisis Regresi Cubic

Kriteria yang digunakan untuk melihat model regresi yang paling baik bagi data biasanya R 2,
R2 adjusted, dan S. R2 adalah koefisien determinasi yang bila dalam suatu model nilainya
semakin besar, maka model semakin baik. S merupakan standar deviasi model yang bila
nilainya semakin kecil, maka model semakin kurang baik. R2 adjusted digunakan dengan
mempertimbangkan jumlah parameter dalam model sehingga dalam pengaplikasiannya nilai
ini lebih sering digunakan mengingat lebih sensitif terhadap pertambahan model.

Modul Praktikum Minitab|63

 BAB VIII
ANALISIS KORELASI

Koefisien korelasi Pearson berguna untuk mengukur tingkat keeratan hubungan linear antara
dua variable. Nilai korelasi berkisar antara -1 samapai +1. Nilai korelasi negatif berarti
hubungan antara 2 variabel adalah negatif. Artinya, bila salah satu variable menurun, maka
variable lainnya akan meningkat. Sebaliknya, nilai korelasi positif berarti hubungan antara
kedua variable adalah positif. Artinya bila salah satu variable meningkat, maka variable lainnya
meningkat pula. Suatu hubungan antara 2 variabel dikatakan berkorelasi kuat apabila makin
mendekati 1 atau (-1). Sebaliknya, suatu hubungan dikatakan lemah apabila semakin mendekati
0 (nol). Hipotesis uji korelasi ini adalah sebagai berikut:

H0 :  = 0
H1 :   0
Dengan  adalah korelasi antara 2 variabel.

Sedangkan daerah penolakannya adalah:

P-value < 

Untuk membuat interpretasi analisis korelasi, ada beberapa hal yang harus diingat, yaitu:
1. Koefisien korelasi hanya mengukur hubungan linear. Jika ada hubngan nonlinear, maka
koefisien korelasi akan bernilai 0.
2. Koefisien korelasi sangat sensitif terhadap nilai ekstrim.
3. Hanya untuk variabel yang memiliki hubungan sebab akibat.

Dalam contoh analisis korelasi ini menggunakan data karbon monoksida yang dihasilkan dari
nikotin suatu rokok untuk mengetahui hubungan kedua variabel tersebut. Langkah-langkah
menghitung korelasi antara dua variabel dengan menggunakan Minitab 18 adalah sebagai
berikut:
1. Pilih Stat > Basic Statistics > Correlation
2. Pada kotak dialog, letakkan variabel karbon monoksida dan nikotin per bulan pada
kolom di bawah Variables.

Modul Praktikum Minitab|64

 Gambar 8.1 Dialog Box Correlation
3. Untuk menampilakn nilai correlation dan P-value, pilih Display p-value, klik OK.

Selanjutnya output analisis korelasi yang akan ditampilkan dalam windows session. Output ini
menunjukkan nilai korelasi antara karbon monoksida dan nikotin sebesar 0.926. Seperti yang
telah dijelaskan, bila nilai korelasi Pearson semakin mendekati 1 atau (-1), berarti hubungan
antara kedua variabel semakin erat. Karena nilai korelasi antara karbon monoksida dan nikotin
bernilai 0.926, maka hubungan antara kedua variabel diduga erat.

Correlations

Pearson correlation 0.926

P-value 0.000

Hal tersebut dapat dibuktikan pula dengan uji hipotesis yang sebelumnya menyatakan bahwa
korelasi antara dua variabel dalam hipotesis awal tidak memiliki nilai sehingga tidak ada
hubungan antar variabel. Sedangkan pada hipotesis alternatif, korelasi antara dua variabel tidak
bernilai nol sehingga dapat dikatakan antar variabel memiliki hubungan. Hal ini dapat
dindikasikan dengan P-value untuk menentukan hipotesis awal tertolak atau tidak. Seperti
yang telah dikatakan sebelumnya, bila P-value berada di bawah α maka berada dalam area
penolakan.

Berdasarkan hasil analisis korelasi juga memperlihatkan bahwa nilai P-value adalah 0 yang
artinya P-value jatuh di daerah penolakan sehingga keputusannya adalah menolak hipotesis

Modul Praktikum Minitab|65

awal yang mengatakan bahwa tidak ada korelasi antara karbon monoksida dan nikotin. Dengan
kata lain, menerima hipotesis alternatif. Oleh karena itu, kesimpulan yang didapat dari uji
hipotesis adalah antara karbon monoksida dengan nikotin ada hubunggan erat, yaitu sekitar
92.6%

Modul Praktikum Minitab|66