Anda di halaman 1dari 212

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

EFFECT SIZE PADA PENGUJIAN HIPOTESIS

Skripsi

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Sains

Program Studi Matematika

Oleh:

Reynaldo Kurnia Gazali

NIM: 133114008

PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

EFFECT SIZE ON HYPOTHESIS TESTING

Thesis

Presented as a Partial Fulfillment of the Requirements

to Obtain the Degree of Sarjana Sains

in Mathematics

By:

Reynaldo Kurnia Gazali

Student Number: 133114008

MATHEMATICS STUDY PROGRAM, DEPARTMENT OF MATHEMATICS

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017

ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

HALAMAN PERSEMBAHAN

Karya ini kupersembahkan untuk:

Tuhan Yesus Kristus, Bunda Maria

yang senantiasa menyertaiku hingga saat ini,

Papa, Mama, kedua Adik tercinta yang selalu mendukungku.

v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ABSTRAK

Pengujian hipotesis seringkali digunakan dalam studi ataupun penelitian


untuk memperoleh jawaban dari pertanyaan apakah ada perbedaan rata-rata
populasi maupun apakah ada hubungan antar variabel. Pengujian hipotesis tidak
memberikan makna yang lebih dari ada atau tidaknya perbedaan maupun
hubungan tersebut. Oleh karena itu, penulis membahas effect size pada pengujian
hipotesis, khususnya pada perbedaan rata-rata populasi. Effect size sangat penting
untuk dipublikasikan pada penelitian/studi untuk melengkapi informasi pada
pengujian hipotesis.

Penggunaan effect size banyak terdapat dalam meta-analisis. Tujuan meta-


analisis adalah untuk memperoleh estimasi effect size dari penggabungan
beberapa/banyak studi. Penulis melakukan meta-analisis uji beda pada 5 skripsi di
program studi Pendidikan Ekonomi dan Akuntansi Universitas Sanata Dharma,
khususnya untuk sampel berpasangan dan 5 data hipotetik untuk sampel
independen. Analisis data dilakukan dengan program R pada tingkat kepercayaan
95%.

Hasil akhir meta-analisis pada data berpasangan menunjukkan bahwa


penggabungan 5 sampel skripsi memiliki perbedaan rata-rata distandardisasi
sebesar 0.769. Hal ini berarti bahwa rata-rata pendapatan usaha kecil dan
menengah sesudah mendapatkan kredit 0.769 kali lebih besar dari rata-rata
pendapatan sebelum mendapatkan kredit. Nilai keseluruhan effect size pada data
independen menunjukkan bahwa nilai perbedaan-rata distandardisasi yang
diperoleh adalah 0.348. Hal ini berarti bahwa rata-rata kelompok eksperimen
0.348 kali lebih besar daripada rata-rata kelompok kontrol.

Kata kunci: pengujian hipotesis, perbedaan rata-rata yang distandardisasi,


Cohen’s 𝑑, Hedges’s 𝑔, meta-analisis

vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ABSTRACT

Null hypothesis significance testing is often used in studies or research to


get answers to the question of whether there is a difference in the population
average and whether there is a relationship between variables. Null significance
hypothesis testing doesn’t give more meaning rather than there is or no difference
in the average population or relationship between variables. Therefore, the authors
discuss the effect sizes on hypothesis testing, especially on the difference in the
population average. The effect size is very important to be published in
research/study to complete the information on hypothesis testing.

The use of effect sizes is found in the meta-analysis. The purpose of meta-
analysis is to obtain an estimate of the effect size of the combination of many
studies. The authors perform meta-analysis of mean differences on 5 thesis in
Economics and Accounting Education study program of Sanata Dharma
University, especially for paired samples and 5 hypothetical data for independent
sample. Data analysis was done with R program at 95% confidence intervals.

The final result of meta-analysis on paired data shows that the merging of
5 thesis samples has a standardized mean difference of 0.769. This means that the
average income of small and medium businesses after obtaining credit is 0.769
times greater that the average income before getting credit. The final result of
meta-analysis (summary effect) on independent data shows that the standardized
mean difference obtained value is 0.348. This means that the experimental group
average is 0.348 times greater than the control group average.

Keywords: hypothesis testing, standardized mean difference (SMD), Cohen’s d,


Hedges’s g, meta-analysis

viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas kasih
karunia-Nya sehingga penulis dapat mengerjakan dan menyelesaikan skripsi ini
dengan baik. Skripsi ini dibuat dengan tujuan memenuhi syarat untuk memperoleh
gelar Sarjana Sains pada Program Studi Matematika, Fakultas Sains dan
Teknologi, Universitas Sanata Dharma.

Penulis menyadari bahwa penulis melibatkan banyak pihak untuk


membantu dalam menghadapi berbagai macam tantangan, kesulitan dan
hambatan. Oleh karena itu, penulis mengucapkan terima kasih kepada:

1. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D., selaku Dekan Fakultas


Sains dan Teknologi.
2. Bapak Hartono, S.Si., M.Sc., Ph.D., selaku Ketua Prodi Matematika.
3. Ibu M.V. Any Herawati, S.Si., M.Si., selaku Dosen Pembimbing
Akademik.
4. Bapak Ir. Ignatius Aris Dwiatmoko, M.Sc., selaku Dosen Pembimbing
Skripsi.
5. Romo, Bapak, dan Ibu Dosen yang telah banyak memberikan
pengetahuan kepada penulis selama proses perkuliahan.
6. Kedua orang tua dan kedua adik yang telah mendukung saya selama
proses pengerjaan skripsi.
7. Teman-teman Matematika 2013: Wahyu, Indra, Dion, Agung, Andre,
Kristo, Ambar, Inge, Bintang, Lia, Tia, Yuni, Yui, Melisa, Sorta, Sisca,
Natali, Yola, Sari, Dita, Ezra yang telah memberi masukan, kebahagiaan
dan motivasi.
8. Kakak kos seperjuangan, khususnya Engger Zheng yang telah memberi
kritik dan saran selama penulisan.
9. Kakak-kakak, teman-teman, adik kelas dan pihak lainnya yang telah
membantu penulis dalam proses penulisan skripsi ini.

ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR ISI

HALAMAN JUDUL……………………………………………………………....i
HALAMAN PERSETUJUAN PEMBIMBING………………………………….iii
HALAMAN PENGESAHAN……………………………………………………iv
HALAMAN KEASLIAN KARYA………………………………………………v

HALAMAN PERSEMBAHAN………………………………………………….vi

ABSTRAK……………………………………………………………………….vii
ABSTRACT………………………………………………………………………viii
KATA PENGANTAR……………………………………………………………ix
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI…….………………xi
DAFTAR ISI……………………………………………………………………..xii
BAB I PENDAHULUAN……………………………………………………..…..1

A. Latar Belakang….…………………………………………………………1
B. Rumusan Masalah......…………………………………………………..…4
C. Tujuan Penulisan……......……………………………………………..…..4
D. Manfaat Penulisan…………...………………………………………….....4
E. Metode Penulisan……………...………………………………………..…4
F. Sistematika Penulisan…………………….……………………….……….5
BAB II UJI HIPOTESIS PERBEDAAN RATA-RATA..………………………...6

A. Statistika Inferensial…………………………………………………...…..6
B. Distribusi Sampling……………………………………………………....16
C. Pendugaan Parameter……………………………………………..……...32
1. Selang Kepercayaan……………………………………………….....33
2. Selang Kepercayaan bagi Perbedaan Rata-rata Populasi…………….39
3. Observasi Berpasangan……………………………………………....48
D. Hipotesis Statistik………………………………………………………..51
1. Konsep Umum Hipotesis Statistik…………………………………...51
2. Pengujian Hipotesis Statistik………………………………………...55
3. Nilai 𝑃 dan Pembuatan Keputusan dalam Pengujian Hipotesis……..62

xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

E. Uji Hipotesis Rata-rata Satu Populasi…………..…………………..…....73


1. Uji Hipotesis Rata-rata Satu Populasi untuk Sampel Besar………….73
2. Uji Hipotesis Rata-rata Satu Populasi untuk Sampel Kecil………….80
F. Uji Hipotesis Rata-rata Dua Populasi………………………….………...83
1. Uji Normalitas dan Uji Homogenitas Variansi………………………83
2. Pengujian Hipotesis Rata-rata Dua Populasi dengan Variansi Populasi
Diketahui…………...…………………….…………………………..85
3. Pengujian Hipotesis Rata-rata Dua Populasi dengan Variansi Kedua
Populasi Tidak Diketahui tetapi Sama Besar…………...…………....86
4. Pengujian Hipotesis Rata-rata Dua Populasi dengan Variansi Kedua
Populasi Tidak Diketahui dan Variansi Tidak Sama...........................88
5. Uji Hipotesis Rata-rata Dua Populasi untuk Sampel Berpasangan….89
BAB III EFFECT SIZE COHEN………….…….………...………..…………...90

A. Dari Uji Signifikansi ke Effect Size………………………………………90


B. Jenis Effect Size..........................................................................................97
C. Perbedaan Rata-rata yang Distandardisasi……………..……………….101
1. Cohen’s 𝑑………….………………………………………………..102
2. Selang Kepercayaan pada Effect Size 𝑑.............................................113
D. Meta-Analisis pada 𝑑...............................................................................116
1. Model Meta-Analisis………………………………………………..116
2. Perhitungan Meta-Analisis pada 𝑑.....................................................123
3. Analisis Sensitifitas…………………………………………………125
Bab IV PENERAPAN EFFECT SIZE PADA HASIL-HASIL PENELITIAN..127

A. Meta-Analisis pada Data Berpasangan………………………………...127


B. Meta-Analisis pada Data Independen………………………………….140
BAB V KESIMPULAN………………………………………………………..156

A. Kesimpulan……………………………………………………………..156
B. Saran……………………………………………………………………157
DAFTAR PUSTAKA

LAMPIRAN
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR TABEL

Tabel 2.1 Pengukuran Lamanya Waktu Perakitan Perangkat…………………..44

Tabel 2.2 Data Tingkat TCDD dalam Plasma dan Jaringan Lemak……………50

Tabel 2.3 Kemungkinan Situasi dalam Pengujian Hipotesis Statistik………….60

Tabel 3.1 Nilai Kenyamanan untuk Dua Kelompok Independen……………..105

Tabel 3.2 Nilai Kenyamanan untuk Pengujian Satu Kelompok Sebelum dan

Sesudah Percobaan………….………………………………………112

Tabel 4.1 Nilai 𝑃 pada Data Berpasangan dengan Uji Kolgomorov-Smirnov..128

Tabel 4.2 Perhitungan Data Berpasangan dengan Model Efek Tetap...............133

Tabel 4.3 Meta-analisis Rata-rata Selisih Pendapatan Usaha Kecil, Menengah

Sebelum dan Sesudah Mendapatkan Kredit dengan Model Efek

Tetap…………………………………………………….…………..134

Tabel 4.4 Perhitungan Data Berpasangan dengan Model Efek Acak….……...137

Tabel 4.5 Meta-analisis Rata-rata Selisih Pendapatan Usaha Kecil, Menengah

Sebelum dan Sesudah Mendapatkan Kredit dengan Model Efek

Acak………………………………………….……………………..138

Tabel 4.6 Uji Homogenitas Variansi dengan Uji Levenne…….……………...141

Tabel 4.7 Uji 𝑡 dengan Tingkat Signifikansi 0.05…………………………….142

Tabel 4.8 Perhitungan Data Independen dengan Model Efek Tetap……….…147

Tabel 4.9 Perbedaan Rata-rata (Standardized Mean Difference/ SMD) Kelompok

Eksperimen dan Kelompok Kontrol dengan Model Efek Tetap.......149

Tabel 4.10 Perhitungan Data Independen dengan Model Efek Acak…………151

Tabel 4.11 Perbedaan Rata-rata (Standardized Mean Difference/ SMD)


Kelompok Eksperimen dan Kelompok Kontrol dengan Model Efek
Acak……………………………………………...………………..153

xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR GAMBAR

Gambar 2.1 Kriteria Keputusan untuk Menguji Hipotesis dengan Rata-rata

Tertentu………………………………...………………………...56

Gambar 2.2 Kurva Kemungkinan Hasil Data Kedua Jenis Pohon dari

Populasi yang Memiliki Dua Rata-rata Berbeda…………………65

Gambar 2.3 Daerah Kritis untuk Hipotesis Alternatif Dua Arah………...……75

Gambar 2.4 Nilai 𝑃 untuk Contoh 2.5.1………………………………………76

Gambar 3.1 Perbedaan Rata-rata Percobaan Insomnia Studi Lucky dan Noluck
dengan Selang Kepercayaan 95%...................................................91

Gambar 3.2 Forest Plot yang Menggabungkan Hasil Lucky, Noluck

dan Kombinasi Meta-analisis (MA)…..…...……………………117

Gambar 3.3 Contoh Funnel Plot dengan Model Efek Acak……...…....…….125

Gambar 4.1 Gambar Funnel Plot Meta-analisis Data Berpasangan…...…….139

Gambar 4.2 Forest Plot Data Berpasangan untuk Model Efek Tetap dan Model
Efek Acak………………………...…………………………….140

Gambar 4.3 Forest Plot Data Independen untuk Model Efek Tetap.……….154

Gambar 4.4 Forest Plot Data Independen untuk Model Efek Acak….….….154

Gambar 4.5 Funnel Plot Meta-analisis Perbedaan Rata-rata Kelompok


Eksperimen dengan Kelompok Kontrol…..................................155

xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB I

PENDAHULUAN

A. Latar Belakang
Ketika kita membaca tentang penelitian empiris, pertanyaan yang muncul
pertama kali adalah seberapa penting efek yang dihasilkan. Dalam statistik,
informasi tentang kekuatan efek tersebut dikenal dengan istilah effect size. Istilah
effect size pertama kali diungkapkan oleh Gene Glass (1976) di San Fransisco.
Glass menyebut istilah effect size sebagai suatu nilai standar yang dapat
diberlakukan operasi hitung dan dapat dibandingkan antara pengaruh variabel satu
dengan lainnya. Istilah ini muncul saat Glass menemukan kesalahan penelitian
psikoterapi yang dilakukan H.J Eysenck. Eysenck mengklaim bahwa psikoterapi
tidak efektif dan tidak ada data evaluatif untuk membuktikan sebaliknya. Glass
membuktikan kesalahan tersebut dengan kemampuan statistik. Glass menghitung
effect size berdasarkan 375 studi untuk efek terapi: “ada perbedaan rata-rata pada
variabel hasil antara subjek perlakuan dan tanpa perlakuan dibagi dengan standar
deviasi kelompok”. Effect size inilah yang dikenal dengan Cohen’s 𝑑.

Pada tahun 1999, istilah effect size mulai dikembangkan oleh American
Psychological Association (APA) sebagai ukuran kekuatan hubungan antara dua
variabel pada populasi statistik atau sampel berbasis perkiraan kuantitas. Olejnik
dan Algina (2003) dalam jurnalnya menyatakan bahwa effect size merupakan
ukuran mengenai besarnya efek suatu variabel pada variabel lain, besarnya
perbedaan maupun hubungan yang bebas dari pengaruh besarnya sampel. Hunt
(1997) melaporkan bahwa Glass mendeskripsikan hasil penelitian dalam langkah-
langkah yang besar, yaitu penelitian tidak hanya berbicara tentang pengaruh
terhadap subjek, melainkan seberapa besar pengaruh tersebut. Hal inilah yang
merupakan tujuan penggunaan effect size.

1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Pengujian hipotesis dengan menggunakan teknik analisis statistik sering


digunakan untuk mengetahui ada atau tidaknya pengaruh terhadap subjek pada
penelitian. Ada beberapa pertimbangan dalam memilih teknik analisis statistik
univariat (teknik analisis yang hanya melibatkan satu variabel) yaitu:

a. Berdasarkan masalah yang diuji, yaitu masalah rata-rata satu populasi, dua
populasi dan lebih dari dua populasi, masalah asosiasi/relasi antar variabel
yang skalanya sama/tidak sama.
b. Berdasarkan jenis sampel, yaitu pengambilan sampel independen dan
pengambilan sampel berpasangan.
c. Berdasarkan pemenuhan asumsi, yaitu asumsi-asumsi tentang distribusi
variabel populasi dipenuhi (statistika parametrik) dan tidak ada asumsi
spesifik tentang distribusi variabel dalam populasi (statistika non
parametrik).
Pengujian hipotesis rata-rata dua populasi digunakan untuk mengetahui
apakah ada perbedaan atau tidak ada perbedaan rata-rata kedua populasi.
Pengujian hipotesis rata-rata dua populasi menggunakan distribusi sampling dari 𝑡
yang dikenal dengan distribusi 𝑡. Distribusi ini menggunakan pendekatan
distribusi Normal Standar. Kedua distribusi ini bergantung pada ukuran sampel.
Oleh karena itu, pengujian hipotesis juga akan selalu bergantung pada ukuran
sampel. Ini merupakan suatu kelemahan dalam uji hipotesis.

Penelitian empiris secara konsisten menunjukkan bahwa banyak peneliti


tidak sepenuhnya memahami analisis data statistik untuk pengujian hipotesis
(Schwab, 2011). Keputusan dari uji hipotesis hampir selalu dibuat berdasarkan uji
signifikansi hipotesis nol tanpa memperhatikan metode statistik. Beberapa peneliti
sering menginterpretasikan keputusan berupa hasil signifikansi secara statistik
sebagai hasil yang penting. Padahal, signifikan di sini tidak dapat diartikan
sebagai hasil yang penting, besar dan berguna bagi penelitian. Jika peneliti ingin
mencari tahu seberapa besar pengaruh dan perbedaan yang dihasilkan pada
penelitian, maka peneliti dapat menambahkan informasi tambahan pada pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

hipotesis. Informasi tersebut dapat berupa pengukuran terhadap besarnya efek


atau dikenal dengan effect size.

Effect size sangat penting karena memungkinkan untuk membandingkan


besarnya efek penelitian pada pengujian hipotesis dari penelitian yang satu ke
yang lainnya. Menurut Kirk (1996), pengukuran terhadap besarnya efek belum
banyak dilakukan oleh peneliti-peneliti di bidang pendidikan, psikologi dan ilmu
sosial. Oleh karena itu, penulis membahas pengukuran besarnya efek pada
pengujian hipotesis dengan menggunakan effect size.

Effect size bergantung pada jenis parameter yang akan diuji di dalam
pengujian hipotesis. Jika parameter itu adalah perbedaan rata-rata populasi maka
effect size menunjukkan seberapa besar perbedaan itu. Effect size 𝑑 merupakan
pengukuran effect size yang umum digunakan pada parameter tersebut.
Permasalahan yang terkait dengan pengukuran besar kecilnya penggunaan effect
size 𝑑 adalah tidak adanya standar yang tetap.

Hedges (1988) menemukan bias pada pengukuran effect size 𝑑. Pada skripsi
ini akan dilihat seberapa besar pengaruh bias tersebut pada 𝑑. Selain itu, selang
kepercayaan diketahui dapat memberikan informasi tambahan bagi pengujian
hipotesis. Dengan kata lain, adanya hubungan antara pengujian hipotesis dengan
selang kepercayaan. Hubungan ini akan dilihat juga pada pembentukan selang
kepercayaan bagi effect size 𝑑.

Penggunaan effect size banyak terdapat dalam meta-analisis, khususnya


Cohen’s 𝑑. Larry Hedges (1987) menjelaskan meta-analisis sebagai teknik
analisis statistik yang menggabungkan hasil dari penelitian berbeda untuk
memberikan estimasi tunggal terbaik dengan selang kepercayaan di dalamnya.
Meta-analisis menggunakan beberapa estimasi effect size karena pengukuran
effect size tidak dipengaruhi oleh ukuran sampel. Pada skripsi ini akan dilakukan
meta-analisis untuk sampel berpasangan pada 5 skripsi di program studi
Pendidikan Ekonomi dan Akuntansi Universitas Sanata Dharma dan 5 data
hipotetik untuk sampel independen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

B. Rumusan Masalah
Perumusan masalah yang akan dibicarakan pada tugas akhir ini adalah:
1. Apa yang dimaksud dengan effect size?
2. Bagaimana membentuk selang kepercayaan pada effect size 𝑑?
3. Bagaimana deskripsi effect size 𝑑 pada 5 skripsi di program studi Pendidikan
Ekonomi, Akuntansi dan 5 data hipotetik?

C. Batasan Masalah
Tugas akhir ini dibatasi pada masalah-masalah sebagai berikut:
1. Efek statistik yang dibahas pada pengukuran effect size adalah effect size d.
2. Pengkajian effect size pada pengujian hipotesis untuk data yang dipilih secara
acak dan kontinu (data yang merupakan hasil pengukuran).

D. Tujuan Penulisan
Tujuan dari penulisan tugas akhir ini adalah untuk mengetahui seberapa
besar effect size yang dihasilkan pada 5 skripsi di program studi Pendidikan
Ekonomi dan Akuntansi, khususnya untuk sampel berpasangan dan 5 data
hipotetik untuk sampel independen.

E. Manfaat Penulisan
Manfaat yang dapat diperoleh dari penulisan tugas akhir ini adalah memberi
informasi kegunaan pelaporan effect size pada pengujian hipotesis.

F. Metode Penulisan
Metode yang digunakan penulis dalam tugas akhir ini adalah metode studi
pustaka, yaitu dengan membaca atau mempelajari buku-buku atau jurnal-jurnal
yang berkaitan dengan effect size, uji hipotesis, meta-analisis dan selang
kepercayaan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

G. Sistematika Penulisan
BAB I PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
C. Batasan Masalah
D. Tujuan Penulisan
E. Manfaat Penulisan
F. Metode Penulisan
G. Sistematika Penulisan
BAB II UJI HIPOTESIS PERBEDAAN RATA-RATA

A. Statistika Inferensial
B. Distribusi Sampling
C. Pendugaan Parameter
D. Hipotesis Statistik
E. Uji Hipotesis Rata-rata Satu Populasi
F. Uji Hipotesis Rata-rata Dua Populasi
BAB III EFFECT SIZE COHEN

A. Dari Uji Signifikansi ke Effect Size


B. Jenis Effect Size
C. Selang Kepercayaan pada 𝑑
D. Meta-Analisis pada 𝑑
BAB IV PENERAPAN EFFECT SIZE PADA HASIL-HASIL PENELITIAN

A. Meta-Analisis pada Data Independen


B. Meta-Analisis pada Data Berpasangan
BAB V PENUTUP

A. Kesimpulan
B. Saran
DAFTAR PUSTAKA

LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB II

UJI HIPOTESIS PERBEDAAN RATA-RATA

A. Statistika Inferensial

Berdasarkan aktivitas yang dilakukan, statistika terbagi menjadi dua yaitu


statistika deskriptif dan statistika inferensial. Pada bab ini akan dibahas tentang
statistika inferensial yang berperan penting pada pengujian hipotesis dan
pendugaan parameter. Statistikawan menggunakan hukum dasar probabilitas dan
statistika inferensial untuk menarik kesimpulan tentang sistem ilmiah. Informasi
dikumpulkan dalam bentuk sampel atau koleksi pengamatan. Sampel
dikumpulkan dari populasi, yang merupakan kumpulan semua individu atau
masing-masing item dari jenis tertentu. Suatu konstanta yang merupakan
karakteristik populasi dinamakan parameter.

Definisi 2.1.1. Ruang sampel adalah himpunan yang terdiri dari semua
kemungkinan titik sampel dalam suatu proses pengamatan.

Definisi 2.1.2. Variabel acak adalah fungsi bernilai real yang domainnya adalah
ruang sampel.

Fungsi tertentu dari variabel acak yang diamati dalam sampel digunakan
untuk menduga atau membuat keputusan tentang parameter populasi yang tidak
diketahui. Misalnya, pendugaan rata-rata populasi 𝜇 dilakukan dengan mengambil
sampel acak 𝑥1 , 𝑥2 , … , 𝑥𝑛 dari variabel acak 𝑋1 , 𝑋2 , … , 𝑋𝑛 dan rata-rata sampelnya

𝑥̅ = (1/𝑛) ∑𝑛𝑖=1 𝑥𝑖 .

6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Variabel acak 𝑥̅ adalah fungsi dari variabel acak 𝑋1 , 𝑋2 , … , 𝑋𝑛 dan sampel


berukuran 𝑛. Dengan kata lain, rata-rata sampel, yaitu 𝑥̅ adalah contoh statistik.

Definisi 2.1.3. Statistik adalah fungsi dari variabel acak yang diamati dalam
sampel.

Sebagai contoh, dalam sebuah percobaan obat, sampel pasien diambil dan
masing-masing diberi obat spesifik untuk mengurangi tekanan darah. Percobaan
ini difokuskan pada penarikan kesimpulan tentang populasi pasien yang menderita
hipertensi. Jadi, tujuan dari statistika inferensial adalah informasi yang terdapat
dalam sampel digunakan untuk membuat kesimpulan tentang populasi di mana
sampel diambil.

Definisi 2.1.4. Statistika inferensial adalah teknik analisis statistik yang terdiri
dari beberapa metode statistik untuk dapat membuat kesimpulan atau generalisasi
tentang populasi.

Definisi 2.1.5. Fungsi 𝑓(𝑥) adalah fungsi densitas probabilitas untuk variabel
acak kontinu 𝑋, jika

1) 𝑓(𝑥) ≥ 0, untuk setiap 𝑥 ∈ ℝ.



2) ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1.

Fungsi Pembangkit Momen

Pada subbab ini akan dijelaskan fungsi pembangkit momen yang berkaitan
dengan Teorema dalam distribusi sampling.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Definisi 2.1.6. Momen ke-𝑘 variabel acak 𝑋 diberikan oleh

∑ 𝑥 𝑘 𝑓(𝑥) , jika 𝑋 diskrit,


𝑘) 𝑥
𝜇′𝑘 = 𝐸(𝑋 = ∞
∫ 𝑥 𝑘 𝑓(𝑥) 𝑑𝑥 , jika 𝑋 kontinu.
{ −∞

Berdasarkan definisi 2.1.5, rata-rata dan variansi variabel acak 𝑋 adalah

𝜇′1 = 𝐸(𝑋) = 𝜇 dan 𝜇′2 − 𝜇 2 = 𝐸(𝑋 2 ) − 𝜇 2 = 𝜎 2 .

Definisi 2.1.7. Fungsi pembangkit momen dari variabel 𝑋 diberikan oleh 𝐸(𝑒 𝑡𝑋 )
dan dinotasikan oleh 𝑚𝑋 (𝑡). Dengan kata lain,

∑ 𝑒 𝑡𝑥 𝑓(𝑥) , jika 𝑋 diskrit,


𝑥
𝑚𝑋 (𝑡) = 𝐸(𝑒 𝑡𝑋 ) = ∞
∫ 𝑒 𝑡𝑥 𝑓(𝑥) 𝑑𝑥 , jika 𝑋 kontinu.
{ −∞

Teorema 2.1.1. Misalkan 𝑋 adalah variabel acak dengan fungsi pembangkit


momen 𝑚𝑋 (𝑡). Didefinisikan

𝑑𝑘
𝑚 (𝑡)|𝑡=0 = 𝜇′𝑘 .
𝑑𝑡𝑘 𝑋

Bukti:

Misalkan 𝑚𝑋 (𝑡) adalah fungsi pembangkit momen yang variabel acak 𝑋


terdiferensial 𝑘 kali.

𝑑𝑘 𝑑 𝑘 ∞ 𝑡𝑥
𝑚 (𝑡) = 𝑘 ∫ 𝑒 𝑓𝑋 (𝑥) 𝑑𝑥
𝑑𝑡𝑘 𝑋 𝑑𝑡 −∞


𝑑 𝑘 𝑡𝑥
= ∫ ( 𝑘 𝑒 ) 𝑓𝑋 (𝑥) 𝑑𝑥
−∞ 𝑑𝑡
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI


= ∫ (𝑥 𝑘 𝑒 𝑡𝑥 )𝑓𝑋 (𝑥) 𝑑𝑥
−∞

= 𝐸(𝑋 𝑘 )𝑒 𝑡𝑥 .

Dengan demikian,

𝑑𝑘
𝑚 (𝑡)|𝑡=0 = 𝐸(𝑋 𝑘 )𝑒 𝑡𝑥 |𝑡=0 = 𝐸(𝑋 𝑘 ) = 𝜇′𝑘 . ∎
𝑑𝑡𝑘 𝑋

Contoh 2.1.1. Misalkan 𝑋 adalah variabel acak berdistribusi Normal dengan rata-
rata 𝜇 dan variansi 𝜎 2 . Tentukan fungsi pembangkit momen untuk 𝑋.

Penyelesaian: Fungsi probabilitas Normal dengan rata-rata 𝜇 dan variansi 𝜎 2


adalah

1 1
𝑓(𝑥) = exp [− ( 2 ) (𝑥 − 𝜇)2 ] , −∞ < 𝑥 < ∞
𝜎√2𝜋 2𝜎

Fungsi pembangkit momen dari 𝑋 adalah


exp[−(𝑥 − 𝜇)2 /2𝜎 2 ]
𝑚(𝑡) = 𝐸(𝑒 𝑡𝑥 ) = ∫ 𝑒 𝑡𝑥 ( ) 𝑑𝑥.
−∞ 𝜎√2𝜋

Misalkan 𝑢 = 𝑥 − 𝜇, 𝑑𝑢 = 𝑑𝑥, maka 𝑥 = 𝑢 + 𝜇,


1 2 /(2𝜎 2 )
𝑚(𝑡) = ∫ 𝑒 𝑡(𝑢+𝜇) 𝑒 −𝑢 𝑑𝑢
𝜎√2𝜋 −∞


1 𝑢2
= ∫ exp [(𝑢 + 𝜇)𝑡 − ] 𝑑𝑢
𝜎√2𝜋 −∞ 2𝜎 2


1 −𝑢2 + 2𝜎 2 (𝑢 + 𝜇)𝑡
= ∫ exp [ ] 𝑑𝑢
𝜎√2𝜋 −∞ 2𝜎 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

10

2 𝜎 2 /2 2 𝜎 2 /2
Kalikan dengan 𝑒 𝑡 /𝑒 𝑡 dan melengkapkan kuadrat,


2 𝜎 2 /2 exp[−(1/2𝜎 2 )(𝑢2 − 2𝜎 2 𝑡𝑢 + 𝜎 4 𝑡 2 )]
𝑚(𝑡) = 𝑒 𝜇𝑡 𝑒 𝑡 ∫ 𝑑𝑢
−∞ 𝜎√2𝜋


𝜇𝑡+(𝑡 2 𝜎2 /2)
exp[−(𝑢 − 𝜎 2 𝑡)2 /2𝜎 2 ]
=𝑒 ∫ 𝑑𝑢.
−∞ 𝜎√2𝜋

Oleh karena integral tersebut adalah integral dari fungsi densitas Normal dengan
rata-rata 𝜎 2 𝑡 dan variansi 𝜎 2 , maka integral tersebut bernilai 1. Jadi, fungsi
pembangkit momen dari 𝑋 adalah

2 𝜎 2 /2)
𝑚(𝑡) = 𝑒 𝜇𝑡+(𝑡 .

Definisi 2.1.8. Variabel acak 𝑋 didefinisikan berdistribusi Gamma dengan


parameter 𝛼 > 0 dan 𝛽 > 0 jika dan hanya jika fungsi densitas 𝑋 adalah

𝑥

𝑥 𝛼−1 𝑒 𝛽
𝑓(𝑥) = { 𝛽 𝛼 Γ(𝛼) , 0 ≤ 𝑥 ≤ ∞
0, selainnya,

dengan


Γ(𝛼) = ∫ 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥.
0

Definisi 2.1.9. Misalkan 𝑣 adalah bilangan bulat positif. Variabel acak 𝑋


dikatakan berdistribusi Chi-Square dengan derajat bebas 𝑣 jika dan hanya jika 𝑋
adalah variabel acak berdistribusi Gamma dengan parameter 𝛼 = 𝑣/2 dan 𝛽 = 2.

Contoh 2.1.2. Misalkan 𝑋 adalah variabel acak berdistribusi Chi-Square dengan


rata-rata 𝑣 dan variansi 2𝑣. Tentukan fungsi pembangkit momen untuk 𝑋.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

11

Penyelesaian:

Fungsi probabilitas Chi-Square dengan rata-rata 𝑣 dan variansi 2𝑣 adalah

𝑥 (𝑣/2)−1 𝑒 −𝑥/2
𝑓(𝑥) = 𝑣/2 ,𝑥 > 0
2 Γ(𝑣/2)

Fungsi pembangkit momen dari 𝑋 adalah

𝑡𝑥 )

𝑡𝑥
𝑥 (𝑣/2)−1 𝑒 −𝑥/2
𝑚(𝑡) = 𝐸(𝑒 =∫ 𝑒 𝑑𝑥
0 2𝑣/2 Γ(𝑣/2)

1 ∞ (1−2𝑡)𝑥 𝑥 (𝑣/2)

= ∫ 𝑒 2 𝑑𝑥
2𝑣/2 Γ(𝑣/2) 0 𝑥

1
Misalkan 𝑡 < 2,

𝑢 = (1 − 2𝑡)𝑥

𝑑𝑢 = (1 − 2𝑡)𝑑𝑥

∞ 𝑣/2 1
1 −
𝑢 𝑢
𝑚(𝑡) = ∫ 𝑒 2 ( ) ( ) 𝑑𝑢
2𝑣/2 Γ(𝑣/2) 0 1 − 2𝑡 𝑢

−𝑣/2
𝑒 − 2 𝑢(𝑣/2)−1

= (1 − 2𝑡) ∫ 𝑣/2 Γ(𝑣/2)
𝑑𝑢
0 2

Oleh karena integral tersebut adalah integral dari fungsi densitas Gamma dengan
parameter 𝛼 = 𝑣/2 dan 𝛽 = 2, maka menurut definisi fungsi probabilitas
(definisi 2.1.5), integral bersebut bernilai 1. Jadi, fungsi pembangkit momen dari

𝑋 adalah

𝑚(𝑡) = (1 − 2𝑡)−𝑣/2 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

12

Teorema 2.1.2. Teorema Ketunggalan: Misalkan 𝑚𝑋 (𝑡) dan 𝑚𝑌 (𝑡) adalah fungsi
pembangkit momen dari variabel acak 𝑋 dan 𝑌. Jika kedua fungsi pembangkit
momen ada dan 𝑚𝑋 (𝑡) = 𝑚𝑌 (𝑡), untuk setiap nilai 𝑡, maka 𝑋 dan 𝑌 mempunyai
distribusi probabilitas yang sama.

Bukti dapat dilihat pada skripsi Julie, Hongkie (1999) yang berjudul Teorema
Limit Pusat dan Terapannya.

Contoh 2.1.3. Misalkan 𝑍 adalah variabel acak berdistribusi Normal dengan rata-
rata 0 dan variansi 1. Gunakan metode fungsi pembangkit momen untuk
menemukan distribusi probabilitas dari 𝑍 2 .

Penyelesaian:

Fungsi pembangkit momen dari 𝑍 2 adalah

∞ ∞ 2 /2
𝑡𝑍 2 𝑡𝑧 2 𝑡𝑧 2
𝑒 −𝑧
𝑚𝑍 2 (𝑡) = 𝐸(𝑒 )=∫ 𝑒 𝑓(𝑧) 𝑑𝑧 = ∫ 𝑒 𝑑𝑧
−∞ −∞ √2𝜋


1 2 /2)(1−2𝑡)
=∫ 𝑒 −(𝑧 𝑑𝑧.
−∞ √2𝜋

Jika (1 − 2𝑡) > 0 (𝑡 < 1/2), integrand dari

𝑧2 𝑧2
exp[− ( 2 ) (1 − 2𝑡)] exp [− ( 2 )⁄(1 − 2𝑡)−1 ]
=
√2𝜋 √2𝜋

identik dengan fungsi probabilitas variabel acak Normal dengan rata-rata 0 dan
variansi (1 − 2𝑡)−1 . Untuk membuat integralnya sama dengan 1, kalikan dengan
standar deviasinya, yaitu (1 − 2𝑡)−1/2, sehingga


1 1 𝑧2
𝑚𝑍 2 (𝑡) = ∫ exp [− ( )⁄(1 − 2𝑡)−1 ] 𝑑𝑧.
(1 − 2𝑡)1/2 −∞ √2𝜋(1 − 2𝑡)−1/2 2

Karena integral di atas sama dengan 1, untuk 𝑡 < 1/2, maka


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

13

1
𝑚𝑍 2 (𝑡) = 1/2
= (1 − 2𝑡)−1/2 .
(1 − 2𝑡)

Oleh karena fungsi pembangkit momen untuk 𝑍 2 identik dengan fungsi


pembangkit momen untuk variabel acak Chi-Square dengan derajat bebas 𝑣 = 1
(contoh 2.1.2), maka menurut Teorema Ketunggalan, 𝑍 2 berdistribusi Chi-Square
dengan derajat bebas 1. Dengan demikian, fungsi probabilitas untuk 𝑈 = 𝑍 2
adalah

𝑢−1/2 𝑒 −𝑢/2
, 𝑢≥0
𝑓𝑈 (𝑢) = { Γ(1/2)√2
0, selainnya.

Contoh 2.1.4. Misalkan 𝑋 adalah variabel acak berdistribusi Normal dengan rata-
rata 𝜇 dan variansi 𝜎 2 . Tunjukkan bahwa

𝑋−𝜇
𝑍=
𝜎

berdistribusi Normal Standar dengan rata-rata 0 dan variansi 1.

Penyelesaian:

2 𝜎 2 /2)
Dari contoh 2.1.1, fungsi pembangkit momen dari 𝑋 adalah 𝑒 𝜇𝑡+(𝑡 .

2 𝜎 2 /2
Dengan cara yang sama, fungsi pembangkit momen dari 𝑋 − 𝜇 adalah 𝑒 𝑡 ,
sehingga

𝑡 2 2 2
𝑚𝑍 (𝑡) = 𝐸(𝑒 𝑡𝑍 ) = 𝐸(𝑒 (𝑡/𝜎)(𝑋−𝜇) ) = 𝑚𝑋−𝜇 ( ) = 𝑒 (𝑡/𝜎) 𝜎 /2 = 𝑒 𝑡 /2 .
𝜎

Oleh karena 𝑚𝑍 (𝑡) identik dengan fungsi pembangkit momen dari variabel acak
Normal Standar, maka 𝑍 berdistribusi Normal Standar dengan 𝐸(𝑍) = 0 dan
𝑉(𝑍) = 1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

14

Teorema 2.1.3. Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah variabel acak yang saling bebas


dengan fungsi pembangkit momen 𝑚𝑋1 (𝑡), 𝑚𝑋2 (𝑡),…, 𝑚𝑋𝑛 (𝑡). Jika 𝑈 = 𝑋1 +
𝑋2 + ⋯ + 𝑋𝑛 , maka

𝑚𝑈 (𝑡) = 𝑚𝑋1 (𝑡) x 𝑚𝑋2 (𝑡) x … x 𝑚𝑋𝑛 (𝑡).

Bukti:

Karena variabel acak 𝑋1 , 𝑋2 , … , 𝑋𝑛 saling bebas, maka

𝑚𝑈 (𝑡) = 𝐸(𝑒 𝑡(𝑋1 +𝑋2 +⋯+𝑋𝑛) ) = 𝐸(𝑒 𝑡𝑋1 𝑒 𝑡𝑋2 … 𝑒 𝑡𝑋𝑛 )

= 𝐸(𝑒 𝑡𝑋1 ) x 𝐸(𝑒 𝑡𝑋2 ) x … x 𝐸(𝑒 𝑡𝑋𝑛 ).

Dengan definisi fungsi pembangkit momen,

𝑚𝑈 (𝑡) = 𝑚𝑋1 (𝑡) x 𝑚𝑋2 (𝑡) x … x 𝑚𝑋𝑛 (𝑡). ∎

Teorema 2.1.4. Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah variabel acak saling bebas yang


berdistribusi Normal dengan 𝐸(𝑋𝑖 ) = 𝜇𝑖 , 𝑉(𝑋𝑖 ) = 𝜎𝑖 2 , untuk 𝑖 = 1,2, … , 𝑛 dan
𝑎1 , 𝑎2 ,…, 𝑎𝑛 adalah konstanta. Jika

𝑈 = ∑ 𝑎𝑖 𝑋𝑖 = 𝑎1 𝑋1 + 𝑎2 𝑋2 + ⋯ + 𝑎𝑛 𝑋𝑛 ,
𝑖=1

maka U adalah variabel acak berdistribusi Normal dengan

𝐸(𝑈) = ∑ 𝑎𝑖 𝜇𝑖 = 𝑎1 𝜇1 + 𝑎2 𝜇2 + ⋯ + 𝑎𝑛 𝜇𝑛
𝑖=1

dan

𝑉(𝑈) = ∑ 𝑎𝑖 2 𝜎𝑖 2 = 𝑎1 2 𝜎1 2 + 𝑎2 2 𝜎2 2 + ⋯ + 𝑎𝑛 2 𝜎𝑛 2 .
𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

15

Bukti:

2 𝜎 2 /2)
Dari contoh 2.1.1, fungsi pembangkit momen dari 𝑋 adalah 𝑒 𝜇𝑡+(𝑡 .

Karena 𝑋𝑖 berdistribusi Normal dengan rata-rata 𝜇𝑖 dan variansi 𝜎𝑖 2 , maka fungsi


pembangkit momen dari 𝑋𝑖 adalah

𝜎𝑖 2 𝑡 2
𝑚𝑋𝑖 (𝑡) = exp (𝜇𝑖 𝑡 + ).
2

Fungsi pembangkit momen dari 𝑎𝑖 𝑋𝑖 adalah

2
𝑡𝑎𝑖 𝑋𝑖 )
𝑎𝑖 2 𝜎𝑖 𝑡 2
𝑚𝑎𝑖 𝑋𝑖 (𝑡) = 𝐸(𝑒 = 𝑚𝑋𝑖 (𝑎𝑖 𝑡) = exp (𝜇𝑖 𝑎𝑖 𝑡 + ).
2

Karena variabel acak 𝑋𝑖 saling bebas dan 𝑎𝑖 𝑋𝑖 saling bebas, untuk 𝑖 = 1,2, … , 𝑛,

maka menurut teorema 2.1.3,

𝑚𝑈 (𝑡) = 𝑚𝑎1 𝑋1 (𝑡) x 𝑚𝑎2 𝑋2 (𝑡) x … x 𝑚𝑎𝑛𝑋𝑛 (𝑡)

2 2
𝑎1 2 𝜎1 𝑡 2 𝑎𝑛 2 𝜎𝑛 𝑡 2
= exp (𝜇1 𝑎1 𝑡 + ) x … x exp (𝜇𝑛 𝑎𝑛 𝑡 + )
2 2

𝑛 𝑛
𝑡2
= exp (𝑡 ∑ 𝑎𝑖 𝜇𝑖 + ∑ 𝑎𝑖 2 𝜎𝑖 2 ).
2
𝑖=1 𝑖=1

Oleh karena 𝑚𝑈 (𝑡) identik dengan fungsi pembangkit momen dari distribusi
Normal, maka menurut Teorema Ketunggalan, 𝑈 mempunyai distribusi Normal
dengan rata-rata ∑𝑛𝑖=1 𝑎𝑖 𝜇𝑖 dan variansi ∑𝑛𝑖=1 𝑎𝑖 2 𝜎𝑖 2 . ∎
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

16

B. Distribusi Sampling

Fokus utama statistika inferensial berkaitan dengan generalisasi dan


prediksi. Sebagai contoh, mesin minuman ringan dirancang untuk mengeluarkan
minuman dengan rata-rata 240 mililiter per minuman. Perusahaan minuman
tersebut menghitung rata-rata 40 minuman dan diperoleh rata-ratanya 𝑥̅ = 236
mililiter. Berdasarkan nilai tersebut, perusahaan memutuskan bahwa mesin masih
mengeluarkan minuman dengan rata-rata 𝜇 = 240 mililiter. Empat puluh
minuman mewakili sampel dari populasi tak hingga minuman yang akan
dikeluarkan mesin.

Dari contoh di atas, statistik dihitung dari sampel yang dipilih dari populasi.
Statistik juga menghasilkan berbagai pernyataan yang dibuat mengenai nilai-nilai
parameter populasi yang mungkin atau mungkin tidak benar. Perusahaan
minuman tersebut membuat keputusan bahwa minuman ringan mengeluarkan
minuman dengan rata-rata 240 mililiter, meskipun rata-rata sampelnya 236
mililiter. Perusahaan tersebut membuat keputusan itu berdasarkan teori sampling.

Karena statistik adalah variabel acak yang bergantung hanya pada sampel
yang diamati, maka statistik harus memiliki distribusi probabilitas. Distribusi
probabilitas dari statistik inilah yang dinamakan distribusi sampling. Distribusi
sampling dari statistik tergantung pada distribusi populasi, ukuran sampel dan
metode pemilihan sampel. Distribusi sampling 𝑋̅ dinamakan distribusi sampling
dari rata-rata. Distribusi sampling 𝑋̅ dengan ukuran sampel 𝑛 adalah distribusi
yang terjadi ketika percobaan dilakukan berulang dan banyak nilai-nilai hasil 𝑋̅.

Distribusi sampling 𝑋̅ menggambarkan variabilitas rata-rata sampel sekitar


rata-rata populasi 𝜇. Pada kasus mesin minuman ringan, pengetahuan tentang
distribusi sampling 𝑋̅ memberikan perbedaan yang khas antara nilai 𝑥̅ yang
diamati dan nilai rata-rata (𝜇) sebenarnya. Prinsip yang sama juga berlaku pada
distribusi 𝑆 2 . Distribusi sampling ini menghasilkan nilai-nilai variabilitas variansi
sampel 𝑠 2 di sekitar variansi populasi 𝜎 2 , khususnya dalam percobaan berulang.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

17

Teorema 2.2.1. Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah sampel acak saling bebas


berukuran 𝑛 dari distribusi Normal dengan rata-rata 𝜇 dan variansi 𝜎 2 . Statistik

𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1

akan berdistribusi Normal dengan rata-rata 𝜇𝑋̅ = 𝜇 dan variansi 𝜎𝑋̅ 2 = 𝜎 2 /𝑛.

Bukti: Karena 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah sampel acak dari distribusi Normal dengan


rata-rata 𝜇, variansi 𝜎 2 dan 𝑋𝑖 , 𝑖 = 1,2, … , 𝑛 juga saling bebas dengan 𝐸(𝑋𝑖 ) = 𝜇
dan 𝑉(𝑋𝑖 ) = 𝜎 2 , maka

𝑛
1 1 1 1
𝑋̅ = ∑ 𝑋𝑖 = (𝑋1 ) + (𝑋2 ) + ⋯ + (𝑋𝑛 )
𝑛 𝑛 𝑛 𝑛
𝑖=1

1
= 𝑎1 𝑋1 + 𝑎2 𝑋2 + ⋯ + 𝑎𝑛 𝑋𝑛 , di mana 𝑎𝑖 = 𝑛 , 𝑖 = 1,2, … , 𝑛.

Menurut teorema 2.1.4, karena 𝑋̅ dapat dinyatakan sebagai kombinasi linear dari
𝑋1 , 𝑋2 , … , 𝑋𝑛 , maka 𝑋̅ berdistribusi Normal dengan

𝜇𝑋̅ = 𝐸(𝑋̅) = 𝐸[𝑎1 𝑋1 + ⋯ + 𝑎𝑛 𝑋𝑛 ] = 𝑎1 𝐸(𝑋1 ) + ⋯ + 𝑎𝑛 𝐸(𝑋𝑛 )

1 1 1
= (𝜇) + ⋯ + (𝜇) = (𝑛𝜇) = 𝜇
𝑛 𝑛 𝑛

dan

𝜎𝑋̅ 2 = 𝑉(𝑋̅) = 𝑉[𝑎1 𝑋1 + ⋯ + 𝑎𝑛 𝑋𝑛 ] = 𝑎1 𝑉(𝑋1 ) + ⋯ + 𝑎𝑛 𝑉(𝑋𝑛 )

1 2 1 2 1 2
𝜎2
= 2 (𝜎 ) + ⋯ + 2 (𝜎 ) = 2 (𝑛𝜎 ) = . ∎
𝑛 𝑛 𝑛 𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

18

Contoh 2.2.1. Sebuah mesin pengisi botol minuman dapat diatur sehingga debit
rata-ratanya 𝜇 ons per botol. Telah diamati bahwa jumlah isian tiap botol
berdistribusi Normal dengan standar deviasi 𝜎 = 1 ons. Sampel pengisian botol
berukuran 𝑛 = 9 dipilih secara acak dari keluaran mesin pada hari tertentu (semua
botol dengan pengaturan mesin yang sama) dan masing-masing botol diukur
debitnya. Tentukan probabilitas bahwa rata-rata sampel akan berada dalam 0.3
ons rata-rata sebenarnya 𝜇 untuk pengaturan mesin yang dipilih.

Penyelesaian:

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah banyaknya botol yang akan diamati debitnya dan


𝑋𝑖 , 𝑖 = 1,2, … ,9 berdistribusi Normal dengan rata-rata 𝜇 dan variansi 𝜎 2 = 1.
Berdasarkan teorema 2.2.1, 𝑋̅ memiliki distribusi sampling yang Normal dengan
𝜎2
rata-rata 𝜇𝑋̅ = 𝜇 dan variansi 𝜎𝑋̅ 2 = = 1/9.
𝑛

𝑃(|𝑋̅ − 𝜇| ≤ 0.3) = 𝑃[−0.3 ≤ 𝑋̅ − 𝜇 ≤ 0.3]

−0.3 𝑋̅ −𝜇 0.3
= 𝑃 (𝜎/ ≤ 𝜎/ ≤ 𝜎/ 𝑛).
√𝑛 √𝑛 √

Karena (𝑋̅ − 𝜇𝑋̅ )/𝜎𝑋̅ = (𝑋̅ − 𝜇)/(𝜎/√𝑛) berdistribusi Normal Standar, maka

−0.3 0.3
𝑃(|𝑋̅ − 𝜇| ≤ 0.3) = 𝑃 ( ≤𝑍≤ )
1/√9 1/√9

= 𝑃(−0.9 ≤ 𝑍 ≤ 0.9) = 1 − 2𝑃(𝑍 > 0.9)

= 1 − 2(0.1841) = 0.6318.

Dengan demikian, probabilitas bahwa rata-rata sampel akan berada dalam 0.3 ons
dari rata-rata populasi sebenarnya hanyalah 0.6318.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

19

Teorema 2.2.2. Misalkan 𝑋 dan 𝑋1, 𝑋2, 𝑋3,… adalah variabel acak dengan fungsi
pembangkit momen 𝑚(𝑡) dan 𝑚1 (𝑡), 𝑚2 (𝑡), 𝑚3 (𝑡),…, 𝑚𝑛 (𝑡).

Jika

lim 𝑚𝑛 (𝑡) = 𝑚(𝑡) , ∀𝑡 ∈ ℝ


𝑛→∞

maka fungsi distribusi dari 𝑋𝑛 konvergen ke fungsi distribusi dari 𝑋.

Bukti dapat dilihat pada buku Probability with Martingales karangan Williams,
David (1991) halaman 185.

Teorema 2.2.3. Teorema Limit Pusat: Jika 𝑋̅ adalah rata-rata sampel acak
berukuran 𝑛 yang diambil dari populasi dengan rata-rata 𝜇 dan variansi berhingga
𝜎 2 , maka bentuk limit dari distribusi

𝑋̅ − 𝜇
𝑍= ,
𝜎/√𝑛

konvergen ke fungsi distribusi Normal Standar 𝑛(𝑧; 0,1), ketika 𝑛 → ∞.

Bukti: Misalkan

𝑛
𝑋̅ − 𝜇 ∑𝑛𝑖=1 𝑋𝑖 − 𝑛𝜇
1 1
𝑈𝑛 = = ( )= ∑ 𝑍𝑖 ,
𝜎/√𝑛 √𝑛 𝜎 √𝑛 𝑖=1

dengan

𝑋𝑖 − 𝜇
𝑍𝑖 = .
𝜎

Karena variabel acak 𝑋𝑖 saling bebas dan berdistribusi Normal, maka menurut
contoh 2.1.4, 𝑍𝑖 , 𝑖 = 1,2, … , 𝑛 juga saling bebas dan berdistribusi Normal dengan
rata-rata 𝐸(𝑍𝑖 ) = 0 dan variansi 𝑉(𝑍𝑖 ) = 1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

20

Karena fungsi pembangkit momen dari jumlahan variabel acak yang saling bebas
adalah hasil kali masing-masing fungsi pembangkit momennya, maka

𝑛
𝑚∑ 𝑍𝑖 (𝑡) = 𝑚𝑍1 (𝑡) x 𝑚𝑍2 (𝑡) x … x 𝑚𝑍𝑛 (𝑡) = [𝑚𝑍1 (𝑡)]

dan

𝑡 𝑡 𝑛
𝑚𝑈𝑛 (𝑡) = 𝑚∑ 𝑍𝑖 ( ) = [𝑚𝑍1 ( )] .
√𝑛 √𝑛

Oleh karena deret Taylor di sekitar 0 dengan suku sisa bentuk Lagrange adalah

𝑡2
𝑚𝑍1 (𝑡) = 𝑚𝑍1 (0) + 𝑚′𝑍1 (0)𝑡 + 𝑚′′𝑍1 (𝜉) ,0 < 𝜉 < 𝑡
2

dan karena 𝑚𝑍1 (0) = 𝐸(𝑒 0𝑍1 ) = 𝐸(1) = 1 dan 𝑚′𝑍1 (0) = 𝐸(𝑍1 ) = 0,

𝑡2
𝑚𝑍1 (𝑡) = 1 + 𝑚′′𝑍1 (𝜉)
2

sehingga

𝑛
𝑚′′ 𝑍1 (𝜉𝑛 ) 𝑡 2
𝑚𝑈𝑛 (𝑡) = [1 + ( ) ]
2 √𝑛

𝑛
𝑚′′𝑍1 (𝜉𝑛 )𝑡 2 /2 𝑡
= [1 + ] , 0 < 𝜉𝑛 < .
𝑛 √𝑛

Ketika 𝑛 → ∞, 𝜉𝑛 → 0, maka

𝑚′′ 𝑍1 (𝜉𝑛 )𝑡 2 /2 → 𝑚′′ 𝑍1 (0)𝑡 2 /2 = 𝐸(𝑍1 2 )𝑡 2 /2 = 𝑡 2 /2,

dengan 𝐸(𝑍1 2 ) = 𝑉(𝑍1 ) = 1.

Dipandang lim 𝑏𝑛 = 𝑏, maka


𝑛→∞

𝑏𝑛 𝑛
lim (1 + ) = 𝑒𝑏. (2.1)
𝑛→∞ 𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

21

Berdasarkan persamaan (𝟐. 𝟏) diperoleh

𝑛
𝑚′′𝑍1 (𝜉𝑛 )𝑡 2 /2 2
lim 𝑚𝑈𝑛 (𝑡) = lim (1 + ) = 𝑒 𝑡 /2 .
𝑛→∞ 𝑛→∞ 𝑛

2 /2
Dari contoh 2.1.4, 𝑒 𝑡 identik dengan fungsi pembangkit momen untuk variabel
acak Normal Standar. Jadi, menurut teorema 2.2.2, fungsi distribusi 𝑈𝑛
konvergen ke fungsi distribusi dari variabel acak Normal Standar. ∎

Pendekatan distribusi Normal untuk 𝑋̅ akan bagus secara umum untuk


ukuran sampel 𝑛 ≥ 30. Jika 𝑛 < 30, pendekatan baik hanya jika populasinya
tidak terlalu berbeda dari distribusi Normal. Jika populasinya diketahui Normal,
maka distribusi sampling dari 𝑋̅ akan mengikuti distribusi Normal persis, tidak
peduli seberapa kecil ukuran sampel. Ukuran sampel 𝑛 = 30 adalah pedoman
untuk menggunakan teorema 2.2.3 (Teorema Limit Pusat).

Contoh 2.2.2. Firma listrik memproduksi bola lampu yang memiliki waktu
hidupnya mendekati distribusi Normal, dengan rata-rata sebesar 800 jam dan
standar deviasi 40 jam. Tentukan probabilitas bahwa sampel acak dari 16 lampu
akan memiliki rata-rata hidup kurang dari 775 jam.

Penyelesaian: Misalkan 𝑋̅ adalah lamanya hidup bola lampu yang berdistribusi


40
Normal dengan 𝜇𝑋̅ = 800 dan 𝜎𝑋̅ = = 10.
√16

Probabilitas bahwa sampel acak dari 16 lampu akan memiliki rata-rata hidup
kurang dari 775 jam adalah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

22

𝑋̅ − 800 775 − 800


𝑃(𝑋̅ < 775) = 𝑃 ( < ) = 𝑃(𝑍 < −2.5) = 0.0062.
40/√16 10

Gagasan umum distribusi sampling dan Teorema Limit Pusat sering


digunakan untuk menghasilkan bukti tentang beberapa aspek penting dari
distribusi, seperti parameter dari distribusi. Pada Teorema Limit Pusat, parameter
yang menarik adalah rata-rata populasi 𝜇. Selain itu, penentuan nilai wajar dari
rata-rata populasi 𝜇 adalah salah satu aplikasi yang paling penting dari Teorema
Limit Pusat. Topik seperti pengujian hipotesis, pendugaan selang, kualitas kontrol
dan lainnya memanfaatkan Teorema Limit Pusat. Contoh berikut menggambarkan
penggunaan Teorema Limit Pusat yang berkaitan dengan rata-rata populasi serta
penarikan kesimpulan menggunakan distribusi sampling dari 𝑋̅.

Contoh 2.2.3. Suatu proses manufaktur menghasilkan komponen silinder suku


cadang untuk industri otomotif. Dalam proses tersebut diproduksi komponen yang
memiliki diameter rata-rata 5 milimeter. Insinyur menduga bahwa rata-rata
populasinya adalah 5 milimeter. Sebuah percobaan dilakukan pada 100 komponen
yang dihasilkan oleh proses secara acak dan masing-masing komponen diukur
diameternya. Diketahui bahwa standar deviasi populasi 𝜎 = 0.1 milimeter. Hasil
percobaan menunjukkan diameter rata-rata sampel 𝑥̅ = 5.027 milimeter. Apakah
informasi sampel ini muncul untuk mendukung atau menyangkal dugaan
insinyur?

Penyelesaian: Contoh ini merefleksikan berbagai masalah yang sering diajukan


dan diselesaikan dengan pengujian hipotesis. Pengujian hipotesis sendiri akan
dibahas pada subbab selanjutnya. Untuk menyelesaikan masalah ini, prinsip
distribusi sampling dan logika digunakan.

Jika probabilitas data menunjukkan bahwa nilai 𝑥̅ = 5.027 berbeda jauh


dari rata-rata populasi (probabilitas mendekati 1), maka dugaan insinyur tersebut
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

23

tidak terbantahkan. Sebaliknya, jika probabilitas cukup kecil, maka data tidak
mendukung dugaan bahwa 𝜇 = 5. Dengan kata lain, jika rata-rata populasi 𝜇 = 5,
berapa probabilitas bahwa rata-rata sampel 𝑋̅ akan menyimpang sebanyak 0.027
milimeter?

Dengan Teorema Limit Pusat, probabilitasnya adalah

𝑃(|𝑋̅ − 5| ≥ 0.027) = 𝑃(𝑋̅ − 5 ≥ 0.027) + 𝑃(𝑋̅ − 5 ≤ −0.027)

𝑋̅ −5
= 2𝑃 ( 0.1 ≥ 2.7) = 2𝑃(𝑍 ≥ 2.7)
√100

= 2(0.0035) = 0.007.

Oleh karena itu, percobaan tersebut dengan 𝑥̅ = 5.027 tidak memberikan bukti
pendukung untuk berspekulasi bahwa 𝜇 = 5. Jadi, dugaan insinyur tersebut dapat
dibantah.

Teorema 2.2.4. Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah sampel acak yang berdistribusi


Normal dengan rata-rata 𝜇 dan variansi 𝜎 2 , maka statistik

𝑛
(𝑛 − 1)𝑆 2 1
𝑊= 2
= 2 ∑(𝑋𝑖 − 𝑋̅)2
𝜎 𝜎
𝑖=1

berdistribusi Chi-Square dengan derajat bebas (𝑛 − 1). Dengan demikian, 𝑋̅ dan


𝑆 2 adalah variabel acak saling bebas.

Bukti: Pembuktian akan dilakukan secara khusus, yaitu untuk 𝑛 = 2.

Untuk kasus 𝑛 = 2,

𝑋̅ = (1/2)(𝑋1 + 𝑋2 )

dan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

24

2
1
2
𝑆 = ∑(𝑋𝑖 − 𝑋̅)2
2−1
𝑖=1

1 2 1 2
= [𝑋1 − (2) (𝑋1 + 𝑋2 )] + [𝑋2 − (2) (𝑋1 + 𝑋2 )]

1 2 1 2
= [2 (𝑋1 − 𝑋2 )] + [2 (𝑋2 − 𝑋1 )]

1 2 (𝑋1 −𝑋2 )2
= 2 [2 (𝑋1 − 𝑋2 )] = 2

Dengan demikian, untuk 𝑛 = 2,

(𝑛 − 1)𝑆 2 (𝑋1 − 𝑋2 )2 𝑋1 − 𝑋2 2
𝑊= = = ( ) .
𝜎2 2𝜎 2 √2𝜎 2

Menurut teorema 2.1.4, karena 𝑋1 − 𝑋2 adalah kombinasi linear yang saling


bebas, maka variabel acak 𝑋1 − 𝑋2 berdistribusi Normal (𝑋1 − 𝑋2 = 𝑎1 𝑋1+𝑎2 𝑋2,
dengan 𝑎1 = 1 dan 𝑎2 = −1) dengan rata-rata

1𝜇 − 1𝜇 = 0

dan variansi

(1)2 𝜎 2 + (−1)2 𝜎 2 = 2𝜎 2 .

Oleh karena

𝑋1 − 𝑋2
𝑍=
√2𝜎 2

berdistribusi Normal Standar, maka menurut Teorema Ketunggalan (lihat contoh


2.1.3), untuk 𝑛 = 2,

(𝑛 − 1)𝑆 2 𝑋1 − 𝑋2 2
𝑊= = ( ) = 𝑍2
𝜎2 √2𝜎 2

berdistribusi Chi-Square dengan derajat bebas 1.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

25

Untuk membuktikan 𝑋̅ dan 𝑆 2 adalah variabel acak saling bebas, maka


misalkan 𝑈1 = (𝑋1 + 𝑋2 )/𝜎 dan 𝑈2 = (𝑋1 − 𝑋2 )/𝜎 adalah variabel acak saling
bebas, sehingga

𝑋 +𝑋 𝜎𝑈 (𝑋 −𝑋 ) 2
(𝜎𝑈 ) 2
𝑋̅ = 1 2 2 = 2 1 dan 𝑆 2 = 1 2 2 = 22 .

Karena 𝑋̅ adalah fungsi dari 𝑈1 dan 𝑆 2 adalah fungsi dari 𝑈2 , maka bebas 𝑈1 dan
𝑈2 mengakibatkan 𝑋̅ dan 𝑆 2 saling bebas. ∎

Asumsi pada Teorema Limit Pusat dan distribusi Normal adalah standar
deviasi (𝜎) diketahui. Asumsi ini mungkin tidak masuk akal dalam situasi praktis.
Namun, dalam banyak skenario percobaan, pengetahuan 𝜎 tentu tidak lebih masuk
akal dari pengetahuan tentang rata-rata populasi 𝜇. Seringkali, pada kenyataannya,
pendugaan 𝜎 harus diberikan oleh informasi sampel yang sama dalam
menghasilkan rata-rata sampel 𝑥̅ . Akibatnya, statistik yang digunakan untuk
menarik kesimpulan pada 𝜇 adalah

𝑋̅ − 𝜇
𝑇= .
𝑆/√𝑛

Definisi 2.2.1. Misalkan 𝑍 adalah variabel acak berdistribusi Normal Standar dan
𝑊 adalah variabel acak berdistribusi Chi-Square dengan derajat bebas 𝑣. Jika 𝑍
dan 𝑊 saling bebas, maka distribusi dari variabel acak 𝑇, dengan

𝑍
𝑇=
√𝑊/𝑣

adalah distribusi 𝑡 dengan derajat bebas 𝑣 = 𝑛 − 1.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

26

Teorema 2.2.5. Jika 𝑋1 , 𝑋2 , … , 𝑋𝑛 merupakan sampel acak dari populasi


berdistribusi Normal dengan rata-rata 𝜇, variansi 𝜎 2 dan

1 1
𝑋̅ = 𝑛 ∑𝑛𝑖=1 𝑋𝑖 dan 𝑆 2 = 𝑛−1 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 ,

𝑋̅ −𝜇
maka variabel acak 𝑇 = berdistribusi 𝑡 dengan derajat bebas 𝑣 = 𝑛 − 1.
𝑆/√𝑛

Bukti: Misalkan

𝑋̅ − 𝜇
𝑍=
𝜎/√𝑛

berdistribusi Normal Standar dan

(𝑛 − 1)𝑆 2
𝑊=
𝜎2

berdistribusi Chi-Square dengan derajat bebas 1.

Karena 𝑍 dan 𝑊 saling bebas, maka menurut teorema 2.2.4, 𝑋̅ dan 𝑆 2 juga saling
bebas. Jadi, dengan definisi 2.2.1 diperoleh

𝑍 (𝑋̅ − 𝜇)/(𝜎/√𝑛) 𝑋̅ − 𝜇
𝑇= = = ,
√𝑊/𝑣 √[(𝑛 − 1)𝑆 2 /𝜎 2 ]/(𝑛 − 1) 𝑆/√𝑛

berdistribusi 𝑡 dengan derajat bebas n-1. ∎

Jika ukuran sampel kecil, nilai-nilai 𝑆 2 berfluktuasi dari sampel ke sampel


dan distribusi 𝑇 cukup menyimpang dari distribusi Normal Standar. Jika ukuran
sampel cukup besar (𝑛 ≥ 30), maka distribusi 𝑇 tidak berbeda jauh dari distribusi
Normal Standar. Namun, untuk 𝑛 < 30, penggunaan distribusi 𝑇 akan lebih
akurat daripada distribusi Normal Standar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

27

Contoh 2.2.4. Seorang ahli kimia mengklaim bahwa rata-rata populasi hasil
proses batch tertentu adalah 500 gram per mililiter bahan baku. Untuk memeriksa
klaim ini, ahli tersebut mengambil sampel sebanyak 25 batch setiap bulan. Jika
nilai 𝑡 jatuh antara −𝑡0.05 dan 𝑡0.05 , ahli tersebut puas dengan klaimnya.
Kesimpulan apa yang ia tarik dari sampel yang memiliki rata-rata 𝑥̅ = 518 gram
per mililiter dan standar deviasi sampel 𝑠 = 40 gram? Asumsikan distribusi hasil
mendekati Normal.

Penyelesaian: Dari tabel distribusi 𝑡 diperoleh 𝑡0.05 = 1.711 dengan derajat


bebas 24. Ahli tersebut dapat puas dengan klaimnya jika sampel 25 batch
menghasilkan nilai 𝑡 antara -1.711 dan 1.711. Jika 𝜇 = 500, maka

518 − 500
𝑡= = 2.25,
40/√25

nilai tersebut di atas 1.711. Probabilitas nilai 𝑡, dengan 𝑣 = 24, sama atau lebih
besar dari 2.25 adalah sekitar 0.02. Jika 𝜇 > 500, maka nilai 𝑡 yang dihitung dari
sampel akan lebih masuk akal. Oleh karena itu, ahli tersebut cenderung
menyimpulkan bahwa proses batch menghasilkan produk yang lebih baik
daripada klaimnya.

Distribusi Sampling Perbedaan antara Dua Rata-Rata

Pada contoh sebelumnya, distribusi sampling hanya berpusat pada rata-rata


tunggal 𝜇, khususnya untuk sampel berukuran besar (𝑛 ≥ 30) maupun sampel
berukuran kecil (𝑛 < 30). Lebih jauh lagi, distribusi sampling tidak hanya
berpusat pada rata-rata satu populasi, tetapi melibatkan dua populasi. Peneliti akan
lebih tertarik dalam membandingkan percobaan yang melibatkan dua metode
perbandingan. Dasar untuk perbandingannya adalah 𝜇1 − 𝜇2 , perbedaan pada rata-
rata populasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

28

Misalkan ada dua populasi, populasi pertama dengan rata-rata 𝜇1 dan


variansi 𝜎1 2 , populasi kedua dengan rata-rata 𝜇2 dan variansi 𝜎2 2 . Statistik 𝑋̅1
merepresentasikan rata-rata dari sampel acak berukuran 𝑛1 yang dipilih dari
populasi pertama. Statistik 𝑋̅2 merepresentasikan rata-rata dari sampel acak
berukuran 𝑛2 yang dipilih dari populasi kedua dan saling bebas dengan sampel
dari populasi pertama. Menurut Teorema Limit Pusat, variabel 𝑋̅1 mendekati
distribusi Normal dengan rata-rata 𝜇1 dan variansi 𝜎1 2 /𝑛1 serta variabel 𝑋̅2
mendekati distribusi Normal dengan rata-rata 𝜇2 dan variansi 𝜎2 2 /𝑛2 .

Oleh karena 𝑋̅1 dan 𝑋̅2 saling bebas, maka

𝑋̅1 − 𝑋̅2 = 𝑎1 𝑋̅1 + 𝑎2 𝑋̅2, dengan 𝑎1 = 1 dan 𝑎2 = −1

mendekati distribusi Normal dengan rata-rata

𝜇𝑋̅1 −𝑋̅2 = 𝜇𝑋̅1 − 𝜇𝑋̅2 = 𝜇1 − 𝜇2

dan variansi

𝜎1 2 𝜎2 2
𝜎𝑋̅1 −𝑋̅2 2 = 𝜎𝑋̅1 2 + 𝜎𝑋̅2 2 = + .
𝑛1 𝑛2

Teorema 2.2.6. Jika sampel berukuran 𝑛1 dan 𝑛2 yang saling bebas dan dipilih
secara acak dari dua populasi dengan rata-rata 𝜇1 , 𝜇2 dan variansi 𝜎1 2 , 𝜎2 2 , maka
distribusi sampling dari perbedaan rata-rata 𝑋̅1 − 𝑋̅2 mendekati distribusi Normal
dengan rata-rata dan variansi diberikan oleh

𝜎1 2 𝜎2 2
𝜇𝑋̅1 −𝑋̅2 = 𝜇1 − 𝜇2 dan 𝜎𝑋̅1 −𝑋̅2 2 = + .
𝑛1 𝑛2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

29

Dengan kata lain,

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


𝑍=
√(𝜎1 2 /𝑛1 ) + (𝜎2 2 /𝑛2 )

mendekati distribusi Normal Standar.

Bukti: Misalkan 𝑋11, 𝑋12,…, 𝑋1𝑛1 adalah sampel acak saling bebas dari populasi
dengan rata-rata 𝜇1 , variansi 𝜎1 2 dan 𝑋21 , 𝑋22,…, 𝑋2𝑛2 adalah sampel acak saling
bebas dari populasi dengan rata-rata 𝜇2 , variansi 𝜎2 2 .

Dipandang rata-rata sampel

𝑛1 𝑛2

𝑋̅1 = 𝑖=1
𝑋1𝑖
dan ̅2 = ∑𝑖=1 𝑋2𝑖.
𝑋
𝑛 1 𝑛 2

Fungsi pembangkit momen dari variabel acak 𝑋̅1 adalah

𝑛1
∑ 𝑋1𝑖 𝑡𝑋11 𝑡𝑋12 𝑡𝑋1𝑛1
𝑡 𝑖=1
𝑚𝑋̅1 (𝑡) = 𝐸 (𝑒 𝑛1 ) = 𝐸 (𝑒 𝑛1 𝑒 𝑛1 …𝑒 𝑛1 ),

menurut teorema 2.1.3,

𝑡 𝑡 𝑡
𝑚𝑋̅1 (𝑡) = 𝑚𝑋11 ( ) x 𝑚𝑋12 ( ) x … x 𝑚𝑋1𝑛1 ( )
𝑛1 𝑛1 𝑛1

𝑡 1 𝑡 2
𝑛1
𝜇1 ( )+ 𝜎2 1 ( )
= (𝑒 𝑛1 2 𝑛1 )

1𝜎1 2 2
𝜇1 𝑡+ 𝑡
=𝑒 2 𝑛1 .

Dengan cara yang sama, fungsi pembangkit momen dari variabel acak 𝑋̅2 adalah

1𝜎2 2 2
𝜇2 𝑡+ 𝑡
𝑚𝑋̅2 (𝑡) = 𝑒 2 𝑛2 .

Dengan demikian, menurut teorema 2.1.3,


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

30

𝑚𝑋̅1 −𝑋̅2 (𝑡) = 𝑚𝑋̅1 (𝑡)𝑚𝑋̅2 (−𝑡)

1𝜎1 2 2 1𝜎2 2
𝜇1 𝑡+ 𝑡 −𝜇2 𝑡+ (−𝑡)2
=𝑒 2 𝑛1 𝑒 2 𝑛2

1 𝜎 2 𝜎 2
(𝜇1 −𝜇2 )𝑡+ ( 1 + 2 )𝑡 2
=𝑒 2 𝑛1 𝑛2 .

Oleh karena 𝑚𝑋̅1 −𝑋̅2 (𝑡) identik dengan fungsi pembangkit momen dari distribusi
Normal, maka menurut Teorema Ketunggalan, 𝑋̅1 − 𝑋̅2 mempunyai distribusi
𝜎1 2 𝜎2 2
Normal dengan rata-rata 𝜇1 −𝜇2 dan variansi + .∎
𝑛1 𝑛2

Jika 𝑛1 dan 𝑛2 lebih besar/sama dengan 30, maka pendekatan distribusi


Normal untuk distribusi 𝑋̅1 − 𝑋̅2 adalah baik ketika distribusi yang mendasarinya
tidak terlalu jauh dari Normal. Bahkan, ketika 𝑛1 dan 𝑛2 kurang dari 30,
pendekatan distribusi Normal juga cukup bagus, kecuali populasinya jelas tidak
Normal. Jika populasinya Normal, maka distribusi 𝑋̅1 − 𝑋̅2 akan berdistribusi
Normal, tidak peduli berapapun ukuran sampel 𝑛1 dan 𝑛2 .

Contoh 2.2.5. Dua percobaan independen (saling bebas) dijalankan untuk


membandingkan dua jenis cat. Delapan belas spesimen dicat menggunakan cat
jenis A dan waktu pengeringan direkam dalam jam. Hal yang sama juga dilakukan
pada cat jenis B. Standar deviasi populasi keduanya adalah 1. Asumsikan rata-rata
waktu pengeringan cat adalah sama untuk kedua jenis cat.

Tentukan 𝑃(𝑋̅𝐴 − 𝑋̅𝐵 > 1), dengan 𝑋̅𝐴 dan 𝑋̅𝐵 adalah rata-rata waktu pengeringan
untuk sampel berukuran 𝑛𝐴 = 𝑛𝐵 = 18.

Penyelesaian: Distribusi sampling 𝑋̅𝐴 − 𝑋̅𝐵 mendekati Normal dengan rata-rata

𝜇𝑋̅𝐴−𝑋̅𝐵 = 𝜇𝐴 − 𝜇𝐵 = 0.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

31

dan variansi

2
𝜎𝐴 2 𝜎𝐵 2 1 1 1
𝜎𝑋̅𝐴−𝑋̅𝐵 = + = + = .
𝑛𝐴 𝑛𝐵 18 18 9

𝑃(𝑋̅𝐴 − 𝑋̅𝐵 > 1) diberikan oleh

𝑋̅𝐴 − 𝑋̅𝐵 − 0
𝑃(𝑋̅𝐴 − 𝑋̅𝐵 > 1) = 𝑃 >3
1

( 9 )

= 𝑃(𝑍 > 3) = 1 − 𝑃(𝑍 < 3)

= 1 − 0.9987 = 0.0013.

Mesin dalam perhitungan di atas didasarkan pada anggapan bahwa 𝜇𝐴 = 𝜇𝐵 .


Percobaan sebenarnya dilakukan untuk tujuan menggambarkan kesimpulan
tentang kesetaraan 𝜇𝐴 dan 𝜇𝐵 , rata-rata waktu dua populasi pengeringan cat. Jika
dua rata-rata berbeda sebanyak 1 jam (atau lebih), maka ini jelas merupakan bukti
yang digunakan untuk menyimpulkan rata-rata populasi pengeringan cat tidak
sama untuk kedua jenis cat.

Definisi 2.2.2. Distribusi non-sentral 𝑡 adalah distribusi sampling dari 𝑡 yang tidak
terdistribusi di sekitar 0, tetapi di sekitar titik lain. Titik lain inilah yang
dinamakan parameter non-sentral Δ. Parameter non-sentral Δ dapat dihitung
sebagai

𝜇1 − 𝜇
Δ= .
𝜎/√𝑛

Dengan kata lain, distribusi non-sentral 𝑡 adalah distribusi sampling dari 𝑡 yang
muncul ketika 𝜇1 benar dan variansi populasi (𝜎) diasumsikan tidak diketahui.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

32

C. Pendugaan Parameter

Statistika inferensial dibagi atas dua bagian utama, yaitu pengujian hipotesis
dan pendugaan parameter. Contoh berikut ini akan menjelaskan mengenai
pendugaan parameter dan subbab berikutnya menjelaskan pengujian hipotesis.
Seorang kandidat bupati ingin memperkirakan proporsi sebenarnya dari pemilih
yang akan memilihnya dengan cara mengambil 100 orang secara acak untuk
ditanyai pendapatnya. Proporsi pemilih yang menyukai kandidat tersebut dapat
digunakan sebagai dugaan bagi proporsi populasi sebenarnya. Masalah ini jatuh di
wilayah pendugaan.

Definisi 2.3.1. Suatu pendugaan titik dari beberapa parameter populasi 𝜃 adalah
nilai tunggal 𝜃̂ dari statistik 𝛩̂. Nilai 𝑥̅ dari statistik 𝑋̅ yang dihitung dari sampel
berukuran 𝑛 adalah penduga titik dari parameter populasi 𝜇.

Definisi 2.3.2. Misalkan 𝜃̂ adalah penduga titik untuk parameter 𝜃. Jika 𝐸(𝜃̂) =
𝜃, maka 𝜃̂ adalah penduga tak bias dan jika 𝐸(𝜃̂) ≠ 𝜃, maka 𝜃̂ dikatakan bias.
Bias dari penduga titik 𝜃̂ diberikan oleh 𝐵(𝜃̂ ) = 𝐸(𝜃̂) − 𝜃.

Definisi 2.3.3. Suatu pendugaan selang dari parameter populasi θ adalah selang
dalam bentuk 𝜃̂𝐿 < θ < 𝜃̂𝑈 , dengan 𝜃̂𝐿 (batas kepercayaan bawah) dan 𝜃̂𝑈 (batas
kepercayaan atas) bergantung pada nilai dari statistik 𝛩̂ untuk sampel tertentu dan
distribusi sampling 𝛩̂.

Berdasarkan metode pendugaan klasik, pendugaan parameter terbagi


menjadi dua bagian, yaitu pendugaan titik dan pendugaan selang. Contoh berikut
ini akan menjelaskan tentang pendugaan titik dan pendugaan selang. Misalnya,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

33

ilmuwan ingin memperkirakan jumlah rata-rata merkuri (µ) yang dapat dipisahkan
dari 1 ons batuan cinnabar diperoleh pada lokasi geografis. Pendugaan ini dapat
dilakukan dengan dua bentuk yang berbeda. Pertama, 0.13 ons adalah penduga
yang dekat dengan rata-rata populasi (µ) yang tidak diketahui. Jenis pendugaan ini
adalah pendugaan titik karena nilainya tunggal. Kedua, rata-rata merkuri (µ) akan
jatuh antara dua angka, misalnya, antara 0.07 dan 0.19 ons. Jenis pendugaan ini
adalah pendugaan selang. Penduga titik tidak selalu tepat menduga parameter
populasi sehingga digunakan pendugaan dalam bentuk selang (pendugan selang).

Informasi dalam sampel dapat digunakan untuk menghitung nilai pendugaan


titik, pendugaan selang atau keduanya. Dalam kasus apapun, pendugaan yang
sebenarnya dilakukan dengan menggunakan estimator (penduga) untuk parameter
sasaran. Jadi, penduga adalah aturan yang dinyatakan sebagai rumus untuk
menghitung nilai dugaan yang didasarkan pada pengukuran sampel.

1. Selang Kepercayaan
Penduga selang biasanya disebut selang kepercayaan. Titik ujung atas dan
bawah dari selang kepercayaan masing-masing dinamakan batas atas dan bawah
kepercayaan. Probabilitas bahwa selang kepercayaan (acak) akan memuat 𝜃
(kuantitas yang tetap) disebut koefisien kepercayaan. Dari sudut pandang praktis,
koefisien kepercayaan menunjukkan proporsi, khususnya dalam pengambilan
sampel berulang, selang yang dibentuk akan memuat parameter sasaran 𝜃.

Misalkan 𝜃̂𝐿 dan 𝜃̂𝑈 adalah batas bawah dan atas kepercayaan yang dipilih
secara acak untuk parameter 𝜃. Jika

𝑃(𝜃̂𝐿 ≤ θ ≤ 𝜃̂𝑈 ) = 1 − 𝛼,

maka probabilitas 1 − 𝛼 adalah koefisien kepercayaan. Hasil dari selang


kepercayaan yang diberikan oleh [𝜃̂𝐿 , 𝜃̂𝑈 ] dinamakan selang kepercayaan dua sisi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

34

Bentuk selang kepercayaan satu sisi bagian bawah diberikan oleh

𝑃(𝜃̂𝐿 ≤ θ) = 1 − 𝛼.

Selang kepercayaan dalam bentuk di atas adalah [𝜃̂𝐿 , ∞).

Selang kepercayaan satu sisi bagian atas dapat dibentuk menjadi

𝑃(𝜃 ≤ 𝜃̂𝑈 ) = 1 − 𝛼.

Selang kepercayaan dalam bentuk di atas adalah (−∞, 𝜃̂𝑈 ].

Salah satu metode untuk mencari selang kepercayaan dinamakan metode


Pivot. Metode ini bergantung pada suatu nilai yang disebut kuantitas Pivot serta
mempunyai dua karakteristik, yaitu

a. Kuantitas Pivot merupakan fungsi dari pengukuran sampel dan parameter


𝜃 yang tidak diketahui.
b. Distribusi probabilitas dari kuantitas Pivot tidak bergantung pada
parameter 𝜃.

Contoh 2.3.1. Misalkan variabel acak 𝑋 adalah observasi dari distribusi Normal
dengan rata-rata 𝜇 yang tidak diketahui dan variansi 1. Tentukan selang
kepercayaan 95% bagi 𝜇.

Penyelesaian:

Fungsi probabilitas bagi 𝜇 diberikan oleh

1 1
𝑓(𝑥) = exp [− ( 2 ) (𝑥 − 𝜇)2 ] , −∞ < 𝑥 < ∞
𝜎√2𝜋 2𝜎

Oleh karena 𝜇 tidak diketahui dan variansi 1, maka fungsi probabilitas dari 𝑈 =
𝑋−𝜇
𝜎
adalah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

35

1 1
𝑓𝑈 (𝑢) = exp [− 𝑢2 ] , −∞ < 𝑢 < ∞
√2𝜋 2

Jelas bahwa 𝑈 berdistribusi Normal Standar dengan rata-rata 0 dan variansi 1.


Karena 𝑈 adalah fungsi dari 𝑋 dan 𝜇, dan distribusi dari 𝑈 tidak bergantung pada
𝜇, maka 𝑈 dapat digunakan sebagai Pivot.

Koefisien kepercayaan adalah 1 − 𝛼 = 0.95, sehingga 𝑧𝛼/2 = 𝑧0.025 = 1.96.

Selang kepercayaan 95% bagi 𝜇 dapat dicari sebagai berikut,

𝑃(−1.96 < 𝑈 < 1.96) = 0.95

𝑋−𝜇
𝑃 (−1.96 < < 1.96) = 0.95, 𝜎=1
𝜎

𝑃(𝑋 − 1.96 < 𝜇 < 𝑋 + 1.96) = 0.95

Jadi, selang kepercayaan 95% bagi 𝜇 adalah 𝑋 − 1.96 < 𝜇 < 𝑋 + 1.96.

Jika ukuran sampel besar, parameter sasaran 𝜃 adalah 𝜇 atau 𝜇1 − 𝜇2 dan 𝜃̂


adalah penduga tak bias bagi 𝜃, maka untuk 𝑛 → ∞, Teorema Limit Pusat
menjamin bahwa 𝜃̂ berdistribusi Normal dengan 𝐸(𝜃̂) = 𝜃 dan standar error 𝜎𝜃̂ .
Akibatnya,

𝜃̂ − 𝜃
𝑍=
𝜎𝜃̂

akan berdistribusi Normal Standar dan 𝑍 dapat digunakan sebagai Pivot. Dengan
demikian,

𝑃(−𝑧𝛼/2 ≤ 𝑍 ≤ 𝑧𝛼/2 ) = 1 − 𝛼.

𝜃̂ − 𝜃
≡ 𝑃 (−𝑧𝛼/2 ≤ ≤ 𝑧𝛼/2 ) = 1 − 𝛼.
𝜎𝜃̂
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

36

≡ 𝑃(−𝑧𝛼/2 𝜎𝜃̂ ≤ 𝜃̂ − 𝜃 ≤ 𝑧𝛼/2 𝜎𝜃̂ ) = 1 − 𝛼.

≡ 𝑃(−𝜃̂ − 𝑧𝛼/2 𝜎𝜃̂ ≤ −𝜃 ≤ −𝜃̂ + 𝑧𝛼/2 𝜎𝜃̂ ) = 1 − 𝛼.

≡ 𝑃(𝜃̂ − 𝑧𝛼/2 𝜎𝜃̂ ≤ 𝜃 ≤ 𝜃̂ + 𝑧𝛼/2 𝜎𝜃̂ ) = 1 − 𝛼.

Titik ujung untuk selang kepercayaan (1 − 𝛼)100% bagi 𝜃 diberikan oleh

𝜃̂𝐿 = 𝜃̂ − 𝑧𝛼/2 𝜎𝜃̂ dan 𝜃̂𝑈 = 𝜃̂ + 𝑧𝛼/2 𝜎𝜃̂ ,

dengan kata lain, 𝜃̂𝐿 dan 𝜃̂𝑈 adalah batas bawah dan batas atas selang kepercayaan
(1 − 𝛼)100% bagi 𝜃.

Diberikan sampel acak 𝑛 (𝑛 ≥ 30) dari suatu populasi dengan rata-rata 𝜇


yang tidak diketahui dan variansi 𝜎 2 . Oleh karena rata-rata populasi tidak
diketahui, maka 𝑥̅ (rata-rata sampel) adalah penduga bagi 𝜇.

Selang kepercayaan (1 − 𝛼)100% bagi 𝜇 diberikan oleh

𝜎 𝜎
𝑥̅ − 𝑧𝛼/2 < 𝜇 < 𝑥̅ +𝑧𝛼/2 .
√𝑛 √𝑛

Statistik 𝜎/√𝑛 seringkali disebut standar error pendugaan 𝜇. Jika standar deviasi
(𝜎) tidak diketahui, maka 𝑠 (standar deviasi sampel) adalah penduga bagi 𝜎.

Contoh 2.3.2. Nilai matematika di suatu negara dikumpulkan dengan cara


mengambil sampel acak 500 sekolah. Masing-masing rata-rata sampel dan standar
deviasinya adalah 501 dan 112. Tentukan selang kepercayaan 99% pada rata-rata
nilai matematika tersebut.

Penyelesaian: Karena ukuran sampel besar, ini sangat memungkinkan untuk


menggunakan pendekatan distribusi Normal. Misalkan 𝜇 adalah rata-rata nilai
matematika di negara tersebut, sehingga 𝑥̅ adalah rata-rata sampelnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

37

Selang kepercayaan 99% bagi rata-rata nilai matematika (𝜇) diberikan oleh

𝑠 𝑠
𝑥̅ − 𝑧𝛼/2 < 𝜇 < 𝑥̅ +𝑧𝛼/2 .
√𝑛 √𝑛

𝑠
≡ 𝑥̅ ± 𝑧𝛼/2
√𝑛

Karena 1 − 𝛼 = 0.99, maka 𝛼 = 0.01. Dengan demikian, 𝑧𝛼/2 = 𝑧0.005 = 2.575.

Selang kepercayaan 99% bagi rata-rata nilai matematika adalah

112
501 ± 2.575 = 501 ± 12.9,
√500

yang mengimplikasikan 488.1 < 𝜇 < 513.9. Selang 488.1 hingga 513.9
menunjukkan dapat dipercaya 99% memuat rata-rata nilai matematika yang
sebenarnya.

Dipandang variabel acak di bawah ini

𝑋̅ − 𝜇
𝑇= ,
𝑆/√𝑛

dengan 𝑛 adalah sampel berukuran kecil (𝑛 < 30), maka menurut teorema 2.2.5,
variabel acak 𝑇 akan berdistribusi 𝑡 dengan derajat bebas 𝑣 = 𝑛 − 1.

Dari sifat-sifat distribusi 𝑡 yang menyerupai distribusi Normal untuk ukuran


sampel yang besar, maka penggunaan distribusi 𝑡 dalam pembentukan selang
kepercayaan bagi 𝜇 adalah

a. distribusi dari populasi mendekati Normal dengan standar deviasi dari


populasi tidak diketahui.
b. ukuran sampel kecil.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

38

Variabel 𝑇 tersebut dapat digunakan sebagai Pivot untuk membentuk selang


kepercayaan (1 − 𝛼)100% bagi rata-rata populasi (𝜇) sebagai berikut

𝑃(−𝑡𝛼/2 ≤ 𝑇 ≤ 𝑡𝛼/2 ) = 1 − 𝛼.

𝑋̅ −𝜇
. ≡ 𝑃 (−𝑡𝛼/2 ≤ 𝑆/ ≤ 𝑡𝛼/2 ) = 1 − 𝛼.
√𝑛

𝑆 𝑆
≡ 𝑃 (𝑋̅ − 𝑡𝛼/2 ≤ 𝜇 ≤ 𝑋̅ + 𝑡𝛼/2 ) = 1 − 𝛼.
√ 𝑛 √𝑛

Jadi, jika 𝑥̅ dan 𝑠 adalah rata-rata dan standar deviasi sampel acak dari populasi
berdistribusi Normal dengan variansi (𝜎 2 ) tidak diketahui, maka selang
kepercayaan (1 − 𝛼)100% bagi 𝜇 adalah

𝑠 𝑠
𝑥̅ − 𝑡𝛼/2 ≤ 𝜇 ≤ 𝑥̅ + 𝑡𝛼/2 .
√𝑛 √𝑛

atau dapat ditulis menjadi

𝑠
𝑥̅ ± 𝑡𝛼/2 ,
√𝑛

dengan 𝑡𝛼/2 adalah nilai 𝑡 yang memiliki derajat bebas 𝑣 = 𝑛 − 1 (𝑛 < 30).

Dengan demikian, 𝑥̅ − 𝑡𝛼 (𝑠/√𝑛) adalah batas bawah kepercayaan (1 − 𝛼)100%


bagi 𝜇 dan 𝑥̅ + 𝑡𝛼 (𝑠/√𝑛) adalah batas atas kepercayaan (1 − 𝛼)100% bagi 𝜇.

Contoh 2.3.3. Sebuah pabrik mesiu telah mengembangkan bubuk baru, yang diuji
di delapan komponen. Hasil pengujian kecepatan meriam (dalam satuan ft/detik)
diberikan sebagai berikut:

3005 2925 2935 2965

2995 3005 2937 2905

Tentukan selang kepercayaan 95% untuk kecepatan rata-rata sebenarnya (𝜇) dari
komponen tersebut. Asumsikan kecepatan meriam mendekati distribusi Normal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

39

Penyelesaian: Misalkan kecepatan meriam 𝑋𝑖 berdistribusi mendekati Normal.


Selang kepercayaan 99% bagi kecepatan rata-rata meriam (𝜇) diberikan oleh

𝑠
𝑥̅ ± 𝑡𝛼/2 .
√𝑛

Karena 1 − 𝛼 = 0.95, maka 𝛼 = 0.05. Dengan demikian, 𝑡𝛼/2 = 𝑡0.025 = 2.365,


untuk derajat bebas (𝑣) 7.

Dari perhitungan, diperoleh

2
∑8𝑖=1 𝑋𝑖 8
∑ (𝑋𝑖 −𝑥̅ )
𝑥̅ = = 2959, 𝑠 = √ 𝑖=1𝑛−1 = 39.1 dan 𝑣 = 𝑛 − 1 = 7.
𝑛

Jadi, selang kepercayaan 95% bagi rata-rata kecepatan meriam adalah

39.1
2959 ± 2.365 atau 2959 ± 32.7,
√8

yang mengimplikasikan 2926.3 < 𝜇 < 2991.7. Selang 2926.3 hingga 2991.7
menunjukkan dapat dipercaya 95% memuat rata-rata kecepatan meriam yang
sebenarnya.

2. Selang Kepercayaan bagi Perbedaan Rata-rata Populasi


Diketahui dua populasi dengan rata-rata 𝜇1 , 𝜇2 dan variansi 𝜎1 2 , 𝜎2 2 . Penduga
titik pada perbedaan antara 𝜇1 dan 𝜇2 diberikan oleh statistik 𝑋̅1 − 𝑋̅2. Untuk
mendapatkan penduga titik dari 𝜇1 − 𝜇2 , maka dua sampel yang saling bebas
berukuran 𝑛1 dan 𝑛2 dipilih secara acak dari populasi dan perbedaan rata-rata
𝑥̅1 − 𝑥̅ 2 dihitung. Berdasarkan teorema 2.2.6, distribusi sampling dari 𝑋̅1 − 𝑋̅2
akan mendekati distribusi Normal Standar dengan rata-rata 𝜇𝑋̅1 −𝑋̅2 = 𝜇1 − 𝜇2 dan

standar deviasi 𝜎𝑋̅1 −𝑋̅2 2 = √(𝜎1 2 /𝑛1 ) + (𝜎2 2 /𝑛2 ).

Akibatnya, variabel Normal Standar


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

40

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


𝑍=
√(𝜎1 2 /𝑛1 ) + (𝜎2 2 /𝑛2 )

akan jatuh antara −𝑧𝛼/2 dan 𝑧𝛼/2 , serta 𝑍 dapat digunakan sebagai Pivot.

Jika 𝑥̅1 dan 𝑥̅2 adalah rata-rata sampel independen berukuran 𝑛1 , 𝑛2 yang
dipilih secara acak dari populasi dengan variansi 𝜎1 2 , 𝜎2 2 diketahui, maka
pembentukan selang kepercayaan (1 − 𝛼)100% untuk 𝜇1 − 𝜇2 dengan 𝑍 sebagai
Pivot adalah

𝑃(−𝑧𝛼/2 ≤ 𝑍 ≤ 𝑧𝛼/2 ) = 1 − 𝛼

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


≡ 𝑃 (−𝑧𝛼/2 ≤ ≤ 𝑧𝛼/2 ) = 1 − 𝛼.
√(𝜎1 2 /𝑛1 ) + (𝜎2 2 /𝑛2 )

Jadi, selang kepercayaan (1 − 𝛼)100% untuk 𝜇1 − 𝜇2 adalah

𝜎1 2 𝜎2 2 𝜎1 2 𝜎2 2
(𝑥̅1 − 𝑥̅2 ) − 𝑧𝛼/2 √ + (𝑥̅ )
≤ 𝜇1 − 𝜇2 ≤ 1 − 𝑥̅2 + 𝑧𝛼/2 √ + ,
𝑛1 𝑛2 𝑛1 𝑛2

dengan 𝑧𝛼/2 adalah nilai 𝑧 di sebelah kanan daerah 𝛼/2.

Contoh 2.3.4. Sebuah penelitian dilakukan untuk membandingkan dua jenis


mesin A dan B. Angka konsumsi bensin diukur dalam mil per galon. Lima puluh
percobaan dilakukan menggunakan mesin jenis A dan 75 percobaan dilakukan
dengan mesin jenis B. Bensin yang digunakan dan kondisi lainnya tetap konstan.
Angka rata-rata konsumsi bensin untuk mesin jenis A adalah 36 mil per galon dan
42 mil per galon untuk mesin jenis B. Tentukan selang kepercayaan 96% untuk
𝜇𝐵 − 𝜇𝐴 , dengan 𝜇𝐴 dan 𝜇𝐵 adalah angka rata-rata populasi bensin yang
dikonsumsi untuk mesin jenis A dan B. Asumsikan standar deviasi populasi untuk
mesin jenis A dan B adalah 6 dan 8.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

41

Penyelesaian: Misalkan 𝜇𝐴 dan 𝜇𝐵 adalah angka rata-rata populasi bensin yang


dikonsumsi untuk mesin jenis A dan B, sehingga 𝜇𝐵 − 𝜇𝐴 adalah perbedaan rata-
rata konsumsi bensin untuk mesin jenis B dengan mesin jenis A.

Penduga titik dari 𝜇𝐵 − 𝜇𝐴 adalah

𝑥̅𝐵 − 𝑥̅𝐴 = 42 − 36 = 6.

Karena 1 − 𝛼 = 0.96, maka 𝛼 = 0.04. Dengan demikian, 𝑧𝛼/2 = 𝑧0.02 = 2.05.

Jadi, selang kepercayaan 96% untuk 𝜇𝐵 − 𝜇𝐴 adalah

64 36 64 36
6 − 2.05√ + ≤ 𝜇𝐵 − 𝜇𝐴 ≤ 6 + 2.05√ + ,
75 50 75 50

atau dapat ditulis sebagai 3.43 ≤ 𝜇𝐵 − 𝜇𝐴 ≤ 8.57. Selang 3.43 hingga 8.57
menunjukkan dapat dipercaya 96% memuat perbedaan rata-rata konsumsi bensin
untuk mesin jenis B dan A yang sebenarnya.

Jika variansi tidak diketahui dan dua distribusi di dalamnya dianggap


mendekati Normal, maka distribusi 𝑡 akan berperan penting bagi selang
kepercayaan pada perbedaan dua rata-rata. Hal tersebut juga berlaku bagi sampel
tunggal. Jika salah satu dari distribusinya dianggap tidak mendekati Normal dan
sampelnya berukuran besar, maka standar deviasi sampel 𝑠1 dan 𝑠2 akan
menggantikan standar deviasi populasi 𝜎1 dan 𝜎2 . Dengan kata lain, 𝑠1 ≈ 𝜎1 dan
𝑠2 ≈ 𝜎2 .

Akan dicari penduga selang bagi 𝜇1 − 𝜇2 dengan variansi populasi 𝜎1 2 , 𝜎2 2


tidak diketahui dan 𝜎1 2 = 𝜎2 2 = 𝜎 2 sebagai berikut,

Dibentuk variabel acak yang berdistribusi Normal Standar, yaitu

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


𝑍=
√𝜎 2 [(1/𝑛1 ) + (1/𝑛2 )]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

42

Dibentuk pula variabel acak lainnya yang berdistribusi Chi-Square dengan derajat
bebas 𝑛1 − 1 dan 𝑛2 − 1, yaitu

(𝑛1 −1)𝑆 2 (𝑛2 −1)𝑆 2


dan .
𝜎2 𝜎2

Karena sampel acaknya dipilih secara independen, maka variabel Chi-Squarenya


juga independen. Akibatnya,

(𝑛1 − 1)𝑆 2 (𝑛2 − 1)𝑆 2 (𝑛1 − 1)𝑆 2 + (𝑛2 − 1)𝑆 2


𝑊= + =
𝜎2 𝜎2 𝜎2

berdistribusi Chi-Square dengan derajat bebas 𝑣 = 𝑛1 + 𝑛2 − 2.

Karena 𝑍 dan 𝑊 adalah variabel yang saling independen, maka menurut


definisi 2.2.1, statistik

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 ) (𝑛1 − 1)𝑆 2 + (𝑛2 − 1)𝑆 2


𝑇= /√ .
√𝜎 2 [(1/𝑛1 ) + (1/𝑛2 )] 𝜎 2 (𝑛1 + 𝑛2 − 2)

berdistribusi 𝑡 dengan derajat bebas 𝑣 = 𝑛1 + 𝑛2 − 2.

Penduga titik dari variansi 𝜎 2 yang tidak diketahui dapat diperoleh dengan
menggabungkan variansi sampel, dinotasikan dengan penduga gabungan (pooled
estimator), yaitu

2 (𝑛1 − 1)𝑆1 2 + (𝑛2 − 1)𝑆2 2


𝑆𝑝 = . (2.2)
𝑛1 + 𝑛2 − 2

Substitusikan 𝑆𝑝 2 ke dalam statistik 𝑇,

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


𝑇= .
𝑆𝑝 √(1/𝑛1 ) + (1/𝑛2 )

Dengan demikian, statistik 𝑇 tersebut dapat digunakan sebagai Pivot untuk


membentuk selang kepercayaan (1 − 𝛼)100% bagi 𝜇1 − 𝜇2 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

43

Jika 𝑥̅1 dan 𝑥̅2 adalah rata-rata sampel independen berukuran 𝑛1 , 𝑛2 yang
dipilih secara acak dari populasi dengan variansi yang tidak diketahui, tetapi
𝜎1 2 = 𝜎2 2 , maka pembentukan selang kepercayaan (1 − 𝛼)100% bagi 𝜇1 − 𝜇2
dengan 𝑇 sebagai Pivot adalah

𝑃(−𝑡𝛼/2 ≤ 𝑇 ≤ 𝑡𝛼/2 ) = 1 − 𝛼

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


≡ 𝑃 (−𝑡𝛼/2 ≤ ≤ 𝑡𝛼/2 ) = 1 − 𝛼.
𝑆𝑝 √(1/𝑛1 ) + (1/𝑛2 )

Selang kepercayaan (1 − 𝛼)100% untuk 𝜇1 − 𝜇2 adalah

1 1 1 1
(𝑥̅1 − 𝑥̅2 ) − 𝑡𝛼/2 𝑆𝑝 √ + ≤ 𝜇1 − 𝜇2 ≤ (𝑥̅1 − 𝑥̅ 2 ) + 𝑡𝛼/2 𝑆𝑝 √ + , (2.3)
𝑛1 𝑛2 𝑛1 𝑛2

dengan 𝑆𝑝 adalah penduga gabungan dari standar deviasi populasi dan 𝑡𝛼/2 adalah
nilai 𝑡 dengan derajat bebas 𝑣 = 𝑛1 + 𝑛2 − 2, di sebelah kanan daerah 𝛼/2.

Contoh 2.3.5. Untuk mencapai efisiensi maksimum dalam melakukan operasi


perakitan di pabrik, karyawan baru membutuhkan periode pelatihan sekitar 1
bulan. Metode baru pelatihan disarankan dan tes dilakukan untuk membandingkan
metode baru dengan prosedur standar. Dua kelompok dari sembilan karyawan
dilatih selama 3 minggu, satu kelompok menggunakan metode baru dan lainnya
mengikuti prosedur pelatihan standar. Lamanya waktu untuk merakit perangkat
tercatat pada akhir periode. Pengukuran yang dihasilkan seperti ditunjukkan oleh
tabel 2.1. Tentukan selang kepercayaan 95% bagi perbedaan rata-rata metode
standar dengan metode baru. Asumsikan waktu perakitan mendekati Normal,
variansi kedua metode sama dan kedua sampel independen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

44

Tabel 2.1 Pengukuran Lamanya Waktu Perakitan Perangkat

Prosedur Pengukuran

Standar 32 37 35 28 41 44 35 31 34

Baru 35 31 29 25 34 40 27 32 31

Penyelesaian: Misalkan 𝜇1 adalah rata-rata waktu yang dibutuhkan karyawan


untuk merakit perangkat dengan metode pelatihan standar dan 𝜇2 adalah rata-rata
waktu yang dibutuhkan karyawan untuk merakit perangkat dengan metode
pelatihan baru. Penduga titik dari 𝑥̅1 − 𝑥̅ 2 adalah 3.66.

Perhitungan:

∑9𝑖=1 𝑋𝑖 ∑9𝑖=1 𝑋𝑖
𝑥̅1 = = 35.22, 𝑥̅2 = = 31.56,
𝑛 𝑛

2 2
2 ∑9𝑖=1(𝑋𝑖 −𝑥̅ ) 195.56 2 ∑9𝑖=1(𝑋𝑖 −𝑥̅ ) 160.22
𝑠1 = = = 24.445, 𝑠2 = = = 20.027.
𝑛1 −1 8 𝑛2 −1 8

(𝑛1 − 1)𝑠1 2 + (𝑛2 − 1)𝑠2 2 8(24.445) + 8(20.027)


𝑠𝑝 2 = = = 22.236.
𝑛1 + 𝑛2 − 2 9+9−2

𝑠𝑝 = √𝑠𝑝 2 = 4.716.

Karena 1 − 𝛼 = 0.95, maka 𝛼 = 0.05. Dengan demikian, 𝑡𝛼/2 = 𝑡0.025 = 2.12.

Jadi, selang kepercayaan 95% untuk 𝜇1 − 𝜇2 adalah

1 1 1 1
3.66 − (2.12)(4.716)√ + ≤ 𝜇1 − 𝜇2 ≤ 3.66 + (2.12)(4.716)√ + ,
9 9 9 9

atau dapat ditulis sebagai −1.05 ≤ 𝜇1 − 𝜇2 ≤ 8.37. Jika selang 𝜇1 − 𝜇2 memuat


nilai positif, 𝜇1 > 𝜇2 , maka prosedur pelatihan standar diharapkan mempunyai
waktu yang baik daripada metode baru. Jika selang 𝜇1 − 𝜇2 memuat nilai negatif,
maka keadaan sebaliknya berlaku. Namun, karena selang kepercayaan memuat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

45

nilai negatif dan positif, maka kedua metode pelatihan tidak dapat dikatakan
memiliki waktu yang berbeda dengan yang lain.

Misalkan dicari penduga selang bagi 𝜇1 − 𝜇2 dengan populasi variansi yang


tidak diketahui serta keduanya tidak sama. Statistik yang akan digunakan sebagai
Pivot dalam pembentukan selang kepercayaan (1 − 𝛼)100% bagi 𝜇1 − 𝜇2 adalah

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


𝑇′ = ,
𝑆1 2 𝑆2 2
√( ) + (𝑛 )
𝑛1 2

yang berdistribusi 𝑡 dengan derajat bebas 𝑣,

2
𝑆 2 𝑆2 2
( 𝑛1 + )
1 𝑛2
𝑣= 2 2 2 .
𝑆1 𝑆2 2
[( 𝑛 ) /(𝑛1 − 1)] + [( 𝑛 ) /(𝑛2 − 1)]
1 2

Karena 𝑣 sangat jarang merupakan bilangan bulat, maka pembulatan bawah ke


bilangan terdekat sangat diperlukan. Pendugaan derajat bebas tersebut dinamakan
pendekatan Satterthwaite.

Jika 𝑥̅1, 𝑥̅ 2, 𝑠1 2 , 𝑠2 2 berturut-turut adalah rata-rata sampel dan variansi


sampel independen berukuran 𝑛1 , 𝑛2 yang dipilih secara acak dari populasi
dengan variansi yang tidak diketahui dan 𝜎1 2 ≠ 𝜎2 2 , maka pembentukan selang
kepercayaan (1 − 𝛼)100% bagi 𝜇1 − 𝜇2 dengan 𝑇′ sebagai Pivot adalah

𝑃(−𝑡𝛼/2 ≤ 𝑇′ ≤ 𝑡𝛼/2 ) ≈ 1 − 𝛼

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


≡ 𝑃 −𝑡𝛼/2 ≤ ≤ 𝑡𝛼/2 ≈ 1 − 𝛼.
𝑆1 2 𝑆2 2
√( )+( )
( 𝑛1 𝑛2 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

46

Jadi, selang kepercayaan (1 − 𝛼)100% untuk 𝜇1 − 𝜇2 adalah

𝑠1 2 𝑠2 2 𝑠1 2 𝑠2 2
(𝑥̅1 − 𝑥̅2 ) − 𝑡𝛼/2 √ + ≤ 𝜇1 − 𝜇2 ≤ (𝑥̅1 − 𝑥̅2 ) + 𝑡𝛼/2 √ + ,
𝑛1 𝑛2 𝑛1 𝑛2

dengan 𝑡𝛼/2 adalah nilai 𝑡 berderajat bebas 𝑣,

2
𝑠 2 𝑠2 2
( 𝑛1 + 𝑛2
)
1
𝑣= .
𝑠 2 2 𝑠 2 2
[( 𝑛1 ) /(𝑛1 − 1)] + [( 𝑛2 ) /(𝑛2 − 1)]
1 1

Bentuk umum selang kepercayaan untuk 𝜇1 − 𝜇2 maupun rata-rata satu


populasi 𝜇 adalah

penduga titik ± 𝑡𝛼/2 s.̂e.(penduga titik)

atau

penduga titik ± 𝑧𝛼/2 s.e.(penduga titik),

dengan s.e adalah standar error dari penduga titik.

Sebagai contoh, pada kasus di mana 𝜎1 = 𝜎2 = 𝜎, standar error dari 𝑥̅1 − 𝑥̅2
diduga oleh 𝑠𝑝 √(1/𝑛1 ) + (1/𝑛2 ). Untuk kasus di mana 𝜎1 2 ≠ 𝜎2 2 , standar
errornya adalah

𝑠1 2 𝑠2 2
s.̂e. (𝑥̅1 − 𝑥̅2 ) = √ + .
𝑛1 𝑛2

Contoh 2.3.6. Sebuah penelitian dilakukan oleh Departemen Zoologi di Virginia


untuk memperkirakan perbedaan dalam jumlah senyawa kimia ortho-fosfor yang
diukur pada dua stasiun berbeda di Sungai James. Ortho-fosfor diukur dalam
miligram/liter. Lima belas sampel dikumpulkan dari stasiun 1 dan 12 sampel dari
stasiun 2. Lima belas sampel dari stasiun 1 mempunyai rata-rata kandungan ortho-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

47

fosfor sebesar 3.84 miligram/liter dan standar deviasi 3.07 miligram/liter. Dua
belas sampel dari stasiun 2 mempunyai rata-rata kandungan ortho-fosfor sebesar
1.49 miligram/liter dan standar deviasi 0.8 miligram/liter. Tentukan selang
kepercayaan 95% untuk perbedaan rata-rata kandungan ortho-fosfor sebenarnya
pada dua jenis stasiun, dengan asumsi kedua populasi berdistribusi Normal
dengan variansi berbeda.

Penyelesaian: Misalkan 𝜇1 adalah rata-rata kandungan ortho-fosfor di stasiun 1


dan 𝜇2 adalah rata-rata kandungan ortho-fosfor di stasiun 2, sehingga 𝜇1 − 𝜇2
adalah perbedaan rata-rata kandungan ortho-fosfor pada dua jenis stasiun. Rata-
rata sampel, standar deviasi sampel dan ukurannya diberikan sebagai berikut,

untuk stasiun 1, 𝑥̅1 = 3.84, 𝑠1 = 3.07 dan 𝑛1 = 15,

untuk stasiun 2, 𝑥̅2 = 1.49, 𝑠2 = 0.8 dan 𝑛2 = 12.

Karena populasi variansi diasumsikan berbeda, maka selang kepercayaan 95%


bagi 𝜇1 − 𝜇2 didasarkan pada distribusi 𝑡 dengan derajat bebas 𝑣,

2
3.072 0.82
( + )
15 12
𝑣= 2 = 16.3 ≈ 16.
3.072 0.82 2
[( ) /(14)] + [( 12 ) /11]
15

Penduga titik dari 𝜇1 − 𝜇2 adalah

𝑥̅1 − 𝑥̅2 = 3.84 − 1.49 = 2.35.

Karena 1 − 𝛼 = 0.95, maka 𝛼 = 0.05. Dengan demikian, 𝑡𝛼/2 = 𝑡0.025 = 2.120,


untuk derajat bebas (𝑣) 16.

Selang kepercayaan 95% untuk 𝜇1 − 𝜇2 adalah

3.072 0.82 3.072 0.82


2.35 − 2.12 √ + ≤ 𝜇1 − 𝜇2 ≤ 2.35 + 2.12 √ + ,
15 12 15 12
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

48

atau dapat ditulis sebagai 0.6 ≤ 𝜇1 − 𝜇2 ≤ 4.1.

Jadi, selang kepercayaan dari 0.6 hingga 4.1 dapat dipercaya 95% memuat
perbedaan rata-rata kandungan ortho-fosfor untuk dua stasiun.

3. Observasi Berpasangan
Ada kondisi percobaan yang sangat istimewa, yaitu pendugaan untuk
perbedaan dua rata-rata ketika sampel tidak independen dan variansi dari dua
populasi belum tentu sama. Situasi seperti ini dinamakan observasi berpasangan.
Tak hanya situasi seperti itu, kondisi kedua populasi tidak ditentukan secara acak
untuk satuan percobaan. Setiap unit percobaan yang sama/homogen menerima
kedua kondisi populasi, sebagai hasilnya, setiap unit percobaan memiliki sepasang
pengamatan, satu untuk setiap populasi. Misalnya, jika dilakukan pengujian pada
percobaan diet menggunakan 15 individu, bobot sebelum dan setelah terjadi diet
akan membentuk informasi bagi kedua sampel. Kedua populasinya adalah
“sebelum” dan “sesudah” diet, sedangkan unit percobaan adalah individu. Untuk
menentukan apakah diet efektif, perlu ditentukan perbedaan 𝑑1 , 𝑑2 , … , 𝑑𝑛 pada
observasi berpasangan. Perbedaan tersebut adalah nilai sampel acak 𝐷1 , 𝐷2 , … , 𝐷𝑛
dari populasi yang diasumsikan berdistribusi Normal dengan variansi 𝜎𝐷 2 dan
rata-rata 𝜇𝐷 = 𝜇1 − 𝜇2 . Penduga dari variansi 𝜎𝐷 2 adalah variansi dari perbedaan
sampel, 𝑆𝑑 2 . Penduga titik bagi 𝜇𝐷 adalah 𝑑̅ .

Observasi berpasangan dalam percobaan adalah strategi yang dapat


digunakan di berbagai bidang aplikasi. Salah satu hal yang berhubungan dengan
observasi berpasangan adalah pengujian hipotesis yang akan dibahas pada subbab
selanjutnya. Pemilihan unit percobaan yang relatif homogen akan memungkinkan
setiap unit mengurangi error variansi pada kedua populasi.

Perbedaan pasangan ke-i diberikan oleh

𝐷𝑖 = 𝑋1𝑖 − 𝑋2𝑖 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

49

Karena kedua observasi diambil dari unit percobaan sampel yang tidak
independen, maka

Var(𝐷𝑖 ) = Var(𝑋1𝑖 − 𝑋2𝑖 ) = 𝜎 21 + 𝜎 2 2 − 2Cov(𝑋1𝑖 , 𝑋2𝑖 ),

dengan Cov(𝑋1𝑖 , 𝑋2𝑖 ) adalah kovarian perbedaan dua observasi/ukuran hubungan


dua observasi yang berbeda. Secara intuitif, 𝜎𝐷 2 harus dikurangi karena kesalahan
yang sama dalam dua observasi. Pada pembentukan selang kepercayaan, nantinya
akan bergantung pada standar error 𝑑̅ , yaitu 𝜎𝐷 /√𝑛, dengan 𝑛 adalah jumlah
pasangan.

Jika 𝑑̅ dan 𝑠𝑑 adalah rata-rata dan standar deviasi sampel pasangan acak 𝑛
yang perbedaan populasinya berdistribusi Normal. Pembentukan selang
kepercayaan 100(1 − 𝛼)% bagi 𝜇𝐷 = 𝜇1 − 𝜇2 dengan

̅ − 𝜇𝐷
𝐷
𝑇=
𝑆𝑑 /√𝑛

sebagai Pivot adalah

𝑃(−𝑡𝛼/2 < 𝑇 < 𝑡𝛼/2 ) = 1 − 𝛼,

̅ − 𝜇𝐷
𝐷
𝑃 (−𝑡𝛼/2 < < 𝑡𝛼/2 ) = 1 − 𝛼.
𝑆𝑑 /√𝑛

Dengan demikian, selang kepercayaan 100(1 − 𝛼)% bagi 𝜇𝐷 = 𝜇1 − 𝜇2 adalah

𝑠𝑑 𝑠𝑑
𝑑̅ − 𝑡𝛼/2 < 𝜇𝐷 < 𝑑̅ + 𝑡𝛼/2 ,
√𝑛 √𝑛

dengan 𝑡𝛼/2 adalah nilai 𝑡 berderajat bebas 𝑣 = 𝑛 − 1, di sebelah kanan 𝛼/2.

Contoh 2.3.7. Suatu penelitian dilakukan di Chemosphere untuk melaporkan


tingkat TCDD dioxin dari 20 veteran Vietnam yang mungkin terpapar Agen
Oranye. Tingkat TCDD dalam plasma dan jaringan lemak diberikan pada tabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

50

2.2. Tentukan selang kepercayaan 95% bagi 𝜇1 − 𝜇2 , dengan 𝜇1 , 𝜇2 adalah rata-


rata tingkat TCDD dalam plasma dan jaringan lemak. Asumsikan distribusi dari
perbedaan mendekati Normal.

Tabel 2.2 Data Tingkat TCDD dalam Plasma dan Jaringan Lemak.

TCDD TCDD
Veteran d(i)
(plasma) (jar.lemak)

1 2.5 4.9 -2.4


2 3.1 5.9 -2.8
3 2.1 4.4 -2.3
4 3.5 6.9 -3.4
5 3.1 7.0 -3.9
6 1.8 4.2 -2.4
7 6.0 10.0 -4.0
8 3.0 5.5 -2.5
9 36.0 41.0 -5.0
10 4.7 4.4 0.3
11 6.9 7.0 -0.1
12 3.3 2.9 0.4
13 4.6 4.6 0.0
14 1.6 1.4 0.2
15 7.2 7.7 -0.5
16 1.8 1.1 0.7
17 20.0 11.0 9.0
18 2.0 2.5 -0.5
19 2.5 2.3 0.2
20 4.1 2.5 1.6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

51

Penyelesaian: Misalkan 𝜇1 adalah rata-rata tingkat TCDD dalam plasma dan 𝜇2


adalah rata-rata tingkat TCDD dalam jaringan lemak. Karena observasi
berpasangan, maka 𝜇1 − 𝜇2 = 𝜇𝐷 . Penduga titik bagi 𝜇𝐷 adalah 𝑑̅ = −0.87.

Standar deviasi dari perbedaan sampel adalah

𝑛
1 2 168.4220
𝑠𝑑 = √ ∑(𝑑𝑖 − 𝑑̅ ) = √ = 2.9773.
𝑛−1 19
𝑖=1

Karena 1 − 𝛼 = 0.95, maka 𝛼 = 0.05. Dengan demikian, 𝑡𝛼/2 = 𝑡0.025 = 2.093,


untuk derajat bebas (𝑣) 19.

Selang kepercayaan 95% untuk 𝜇𝐷 adalah

2.9773 2.9773
−0.87 − (2.093) ( ) < 𝜇𝐷 < −0.87 − (2.093) ( ),
√20 √20

atau dapat ditulis sebagai −2.2634 < 𝜇𝐷 < 0.5234. Kesimpulannya adalah tidak
ada perbedaan antara tingkat rata-rata TCDD dalam plasma dan tingkat TCDD
dalam jaringan lemak.

D. Hipotesis Statistik

Pada subbab ini akan dibahas konsep umum hipotesis statistik, pengujian
hipotesis statistik dan nilai 𝑃 sebagai pembuat keputusan dalam pengujian
hipotesis.

1. Konsep Umum Hipotesis Statistik

Seringkali masalah yang dialami oleh ilmuwan atau insinyur berpusat pada
pembentukan prosedur keputusan berbasis data. Rangkaian prosedur keputusan
tersebut dapat menghasilkan kesimpulan tentang sistem ilmiah. Misalnya, seorang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

52

peneliti medis dapat memutuskan atas dasar bukti eksperimental apakah minum
temulawak meningkatkan kadar kolestrol jahat pada darah, seorang insinyur dapat
memutuskan atas dasar data sampel apakah ada perbedaan antara kestabilan dua
jenis gearbox pada motor balap. Pada masing-masing kasus, ilmuwan atau
insinyur membuat pendugaan tentang sistem yang diteliti. Selain itu, ilmuwan
atau insinyur harus menggunakan data eksperimental dan membuat keputusan
berdasarkan data. Oleh karena dugaan yang telah dirumuskan mengarahkan
kepada suatu keputusan, maka dugaan tersebut dapat dimasukkan ke dalam
hipotesis statistik.

Definisi 2.4.1. Hipotesis statistik adalah pernyataan atau dugaan yang berkaitan
dengan satu atau lebih parameter populasi

Kebenaran atau kesalahan dari hipotesis statistik tidak pernah diketahui


dengan pasti, kecuali keseluruhan populasi diperiksa. Hal ini tentunya akan tidak
efisien dalam kebanyakan situasi. Oleh karena itu, ambil sampel acak dari
populasi dan gunakan data yang terdapat dalam sampel untuk dapat memberikan
bukti mendukung atau tidak mendukung hipotesis. Bukti dari sampel yang tidak
konsisten dengan hipotesis menyatakan penolakan hipotesis. Ketidakpastian
penarikan keputusan hipotesis statistik (benar atau salah) dapat menimbulkan
risiko. Besar kecilnya risiko dapat dinyatakan dalam bentuk probabilitas.

Pernyataan resmi dari hipotesis sering dipengaruhi oleh struktur


kemungkinan dari kesimpulan yang salah. Jika peneliti medis ingin menunjukkan
bukti kuat yang mendukung anggapan bahwa minum temulawak dapat
meningkatkan kadar kolestrol jahat dalam darah, maka hipotesis diuji harus dalam
bentuk “tidak ada peningkatan kadar kolestrol jahat yang dihasilkan oleh minum
temulawak”. Akibatnya, anggapan tersebut tercapai melalui penolakan. Demikian
pula, untuk mendukung klaim tentang satu jenis gear box lebih stabil daripada
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

53

yang lain, insinyur menguji hipotesis bahwa tidak ada perbedaan dalam kestabilan
dari dua jenis gear box motor balap. Hal tersebut menunjukkan bahwa ketika
peneliti atau insinyur mengolah data dan meresmikan bukti eksperimental atas
dasar pengujian hipotesis, pernyataan resmi dari hipotesis sangatlah penting.

Hipotesis Nol dan Hipotesis Alternatif

Struktur pengujan hipotesis akan dirumuskan dengan penggunaan istilah


hipotesis nol dan hipotesis alternatif. Hipotesis nol mengacu pada hipotesis yang
ingin diuji dan dinotasikan oleh 𝐻0 . Penolakan hipotesis nol mengarah pada
penerimaan hipotesis alternatif, dilambangkan dengan 𝐻1 . Hipotesis alternatif
biasanya mewakili pertanyaan yang harus dijawab atau teori yang akan diuji.
Hipotesis nol menentang hipotesis alternatif dan seringkali hipotesis nol dianggap
komplemen logis untuk hipotesis alternatif.

Salah satu dari dua kesimpulan yang dapat diperoleh pada pengujian
hipotesis statistik, di antaranya:

a. Menolak 𝐻0 , yang berarti bahwa mendukung 𝐻1 karena adanya bukti yang


cukup dalam data.
b. Gagal untuk menolak 𝐻0 karena tidak cukup bukti dalam data.
Penggunaan istilah “menerima 𝐻0 ” tidak dilibatkan dalam salah satu dari dua
kesimpulan di atas. Pernyataan tentang 𝐻0 sering bertentangan dengan ide baru,
dugaan dan begitu juga 𝐻1 . Oleh karena itu, kegagalan untuk menolak 𝐻0
mewakili kesimpulan yang tepat.

Contoh 2.4.1. Suatu food processor ingin memeriksa apakah jumlah rata-rata
kopi yang masuk ke dalam tabung 4 onsnya adalah memang benar 4 ons. Food
processor tersebut tidak boleh menempatkan kurang dari 4 ons ke setiap tabung
dan juga tidak boleh menempatkan lebih dari 4 ons ke setiap tabung. Hal ini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

54

terjadi untuk mencegah kehilangan pelanggan dan keuntungannya. Oleh karena


itu, hipotesis alternatifnya adalah

𝐻1 : 𝜇 ≠ 4.

Hipotesis nol adalah

𝐻0 : 𝜇 = 4.

Meskipun aplikasi pengujian hipotesis telah banyak diterapkan di bidang


ilmiah dan pekerjaan rekayasa, ilustrasi yang lebih baik untuk memahami
hipotesis terletak pada keadaan pengadilan.

Contoh 2.4.2. Hipotesis nol dan hipotesis alternatifnya berupa:

𝐻0 : terdakwa tidak bersalah,

𝐻1 : terdakwa bersalah.

Pada kasus di atas, hipotesis nol (𝐻0 ) berada dalam oposisi terhadap hipotesis
alternatif (𝐻1 ) dan hipotesis nol dipertahankan (diasumsikan benar), kecuali 𝐻1
didukung oleh bukti “tanpa keraguan”. Namun, kegagalan hakim untuk menolak
𝐻0 bukan berarti bahwa terdakwa tidak bersalah. Melainkan, kegagalan hakim
untuk menolak 𝐻0 menyatakan bahwa bukti itu tidak cukup untuk menghukum
terdakwa. Jadi, hakim tidak selalu menerima 𝐻0 tetapi gagal untuk menolak 𝐻0 .
Oleh karena itu, penggunaan istilah “menerima 𝐻0 ” memiliki makna yang kurang
tepat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

55

2. Pengujian Hipotesis Statistik


Pengujian hipotesis statistik menghasilkan suatu keputusan apakah hipotesis
nol ditolak ataupun tidak ditolak. Ada dua hal yang terkait dengan keputusan
pengujian hipotesis, yaitu statistik uji dan daerah penolakan hipotesis nol. Statistik
uji adalah fungsi pengukuran sampel yang mendasari keputusan statistik. Statistik
uji merupakan fungsi dari data dan 𝜃0 . Statistik uji dipilih untuk membedakan 𝐻0
dan 𝐻1 . Umumnya, statistik uji memuat penduga dari 𝜃. Statistik uji yang dikenal
antara lain 𝑍, 𝑇, 𝜒 2 . Dalam menentukan statistik uji perlu dilakukan pemenuhan
asumsi di antaranya, populasi berdistribusi Normal atau tidak, serta variansi
diketahui.

Untuk membuat keputusan bahwa hipotesis nol ditolak, maka harus


ditentukan terlebih dahulu daerah penolakan hipotesis nol. Daerah penolakan
hipotesis nol dinamakan daerah kritis. Nomor terakhir yang diamati melewati
daerah kritis disebut nilai kritis. Sedangkan untuk membuat keputusan bahwa
bukti yang ada mendukung hipotesis nol, maka harus ditentukan daerah kegagalan
penolakan hipotesis nol. Nilai kritis membagi daerah penolakan hipotesis nol
dengan daerah kegagalan penolakan hipotesis nol.

Suatu ilustrasi akan dijelaskan untuk menggambarkan konsep yang


digunakan dalam pengujian hipotesis statistik tentang parameter populasi, sebagai
berikut:

Contoh 2.4.3. Suatu sekolah ingin memeriksa apakah rata-rata nilai siswa kelas 9
adalah 74. Misalkan standar deviasi populasi nilai siswa adalah 𝜎 = 4.9 dan
sampel random berukuran 𝑛 = 49 akan menjadi 𝑋̅, penduga paling baik bagi 𝜇.
Hipotesis nol diuji dengan pernyataan “tidak ada perbedaan rata-rata nilai siswa
kelas 9”. Hipotesis alternatifnya adalah “ada perbedaan rata-rata nilai siswa kelas
9”. Oleh karena 𝑋̅ adalah penduga paling baik bagi 𝜇, maka pengujian ini dapat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

56

dimodelkan menggunakan pendekatan distribusi Normal dengan standar deviasi


𝜎 4.9
𝜎𝑋̅ = = = 0.7.
√𝑛 √49

Pengujian hipotesisnya adalah sebagai berikut

𝐻0 : 𝜇 = 74,

𝐻1 : 𝜇 ≠ 74.

Hipotesis alternatif memiliki dua kemungkinan nilai yaitu, 𝜇 < 74 atau 𝜇 > 74.

Rata-rata sampel yang jatuh mendekati konstanta yang dihipotesiskan yaitu,


74, akan mempunyai bukti yang cukup untuk mendukung 𝐻0 . Di sisi lain, rata-
rata sampel yang kurang atau lebih dari 74 akan menjadi bukti yang tidak
konsisten dengan 𝐻0 dan mendukung 𝐻1 . Rata-rata sampel adalah statistik uji
pada kasus ini. Daerah kritis untuk statistik uji ini adalah 𝑥̅ < 73 dan 𝑥̅ > 75.
Daerah kegagalan untuk menolak 𝐻0 adalah 73 ≤ 𝑥̅ ≤ 75. Jadi, jika 𝑥̅ < 73 dan
𝑥̅ > 75, maka 𝐻0 ditolak dan jika 73 ≤ 𝑥̅ ≤ 75, maka gagal untuk menolak 𝐻0 .
Kriteria keputusan dapat dilihat pada gambar 2.1.

Menolak 𝐻0 Tidak menolak 𝐻0 Menolak 𝐻0

(𝜇 ≠ 74) (𝜇 = 74) (𝜇 ≠ 74)

73 74 75 𝑥̅

Gambar 2.1 Kriteria Keputusan untuk Menguji 𝜇 = 74 Versus 𝜇 ≠ 74.

a. Peluang Kesalahan Uji Hipotesis


Proses penarikan keputusan dapat menyebabkan salah satu dari dua
kesimpulan yang salah. Misalnya, pada contoh 2.4.3 tidak ada perbedaan rata-rata
nilai siswa kelas 9 (𝐻0 benar). Namun, kesimpulan yang diperoleh adalah ada
perbedaan rata-rata nilai siswa kelas 9. Kesimpulan tersebut jelas adalah suatu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

57

kesalahan (menolak 𝐻0 dan mendukung 𝐻1 ), pada kenyataannya 𝐻0 benar.


Kesalahan tersebut dinamakan kesalahan tipe I.

Definisi 2.4.2. Penolakan terhadap hipotesis nol (𝐻0 ) ketika hipotesis yang diuji
ternyata benar dinamakan kesalahan tipe I. Probabilitas untuk melakukan
kesalahan tipe ini dinamakan tingkat signifikansi (𝛼) ataupun

𝛼 = 𝑃(kesalahan tipe I) = 𝑃 (𝐻0 ditolak | 𝐻0 benar ).

Contoh 2.4.4. Pada contoh 2.4.3 sebelumnya, kesalahan tipe I akan terjadi ketika
rata-rata nilai siswa kelas 9 kurang dari 73 atau lebih besar dari 75. Kemudian,
peneliti menyimpulkan bahwa ada perbedaan rata-rata nilai siswa kelas 9, padahal
sebenarnya ada perbedaan rata-rata nilai siswa kelas 9. Peluang dalam melakukan
kesalahan tipe I adalah

𝛼 = 𝑃(𝑋̅ < 73 | 𝜇 = 74 ) + 𝑃(𝑋̅ > 75 | 𝜇 = 74)

73−74 75−74
= 𝑃(𝑍 < 4.9/√49 | 𝜇 = 74 ) + 𝑃(𝑍 > 4.9/√49 | 𝜇 = 74 )

= 𝑃(𝑍 < −1.428) + 𝑃(𝑍 > 1.428)

= 2𝑃(𝑍 < −1.428) = 2 ∗ 0.0764 = 0.1528.

Jadi, semua sampel berukuran 49 akan menghasilkan keputusan penolakan 𝜇 =


74 pada tingkat signifikansi 15.28%, ketika sebenarnya hipotesis nol benar.

Untuk mengurangi 𝛼 dapat dilakukan dengan meningkatkan ukuran sampel


ataupun dengan cara melebarkan daerah kesalahan penolakan hipotesis.
Pengurangan 𝛼 dengan cara meningkatkan ukuran sampel dapat dilihat pada
contoh 2.4.5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

58

Contoh 2.4.5. Pada contoh 2.4.3, jika ukuran sampel ditingkatkan menjadi 𝑛 =
4.9
100, maka 𝜎𝑋̅ = = 0.49. Dengan demikian, peluang kesalahan tipe I (𝛼) akan
10

menjadi

𝛼 = 𝑃(𝑋̅ < 73 | 𝜇 = 74 ) + 𝑃(𝑋̅ > 75 | 𝜇 = 74)

73−74 75−74
= 𝑃(𝑍 < 4.9/√100 | 𝜇 = 74 ) + 𝑃(𝑍 > 4.9/√100 | 𝜇 = 74 )

= 𝑃(𝑍 < −2.04) + 𝑃(𝑍 > 2.04)

= 2𝑃(𝑍 < −2.04) = 2 ∗ 0.0207 = 0.0414.

Pengurangan nilai 𝛼 tidak cukup menjamin bahwa pengujian hipotesis


telah baik prosedurnya. Perlu dilakukan perhitungan kesalahan lain terhadap
hipotesis alternatif. Jenis kedua dari kesalahan proses penarikan keputusan ini
adalah jika rata-rata nilai siswa berada pada interval 73 ≤ 𝑥̅ ≤ 75 maka tidak
dapat disimpulkan bahwa ada perbedaan rata-rata nilai siswa kelas 9. Padahal,
tidak ada perbedaan rata-rata nilai siswa kelas 9 (𝐻1 benar). Dalam kasus ini
diperoleh kegagalan untuk menolak 𝐻0 , padahal 𝐻0 salah. Inilah yang dinamakan
kesalahan tipe II.

Definisi 2.4.3. Kegagalan untuk menolak hipotesis nol (𝐻0 ) ketika hipotesis yang
diuji ternyata salah dinamakan kesalahan tipe II. Probabilitas untuk melakukan
kesalahan tipe ini diberi simbol 𝛽,

𝛽 = 𝑃(kesalahan tipe II) = 𝑃 (Gagal untuk menolak 𝐻0 | 𝐻0 salah).

Contoh 2.4.6. Pada contoh 2.4.3, jika sangat penting untuk menolak 𝐻0 ketika
𝑛 = 100 dan rata-rata sebenarnya adalah suatu nilai 𝜇 ≥ 76 atau 𝜇 ≤ 72, maka
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

59

peluang melakukan kesalahan tipe II dapat dihitung untuk hipotesis alternatif 𝜇 =


76 dan 𝜇 = 72. Jadi, peluang untuk menolak hipotesis nol yaitu 𝜇 = 74 ketika
hipotesis alternatif 𝜇 = 76 benar adalah

𝛽 = 𝑃(73 ≤ 𝑋̅ ≤ 75| 𝜇 = 76)

73−76 75−76
= 𝑃 (4.9/√100 < 𝑍 < 4.9/√100)

= 𝑃(−6.12 < 𝑍 < −2.04)

= 𝑃(𝑍 < −2.04) − 𝑃(𝑍 < −6.12)

= 0.0207 − 0 = 0.0207.

Nilai dari 𝛽 menunjukkan probabilitas yang cukup kecil, ketika 𝑛 = 100, untuk
tidak menolak hipotesis nol, ketika 𝐻0 salah.

Peluang melakukan kesalahan tipe II (𝛽) meningkat secara cepat ketika


nilai dari 𝜇 didekati, tapi nilai tersebut tidak sama dengan konstanta yang
dihipotesiskan. Misalnya, jika hipotesis alternatif 𝜇 = 74.5 adalah benar, maka
sangat mungkin untuk tidak menolak hipotesis nol. Peluang kesalahan tipe II
adalah

𝛽 = 𝑃(73 ≤ 𝑋̅ ≤ 75| 𝜇 = 74.5)

73−74.5 75−74.5
= 𝑃 (4.9/√100 < 𝑍 < 4.9/√100)

= 𝑃(−3.06 < 𝑍 < 1.02)

= 𝑃(𝑍 < 1.02) − 𝑃(𝑍 < −3.06)

= 0.8461 − 0.0011 = 0.845.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

60

Secara umum, ada empat kemungkinan situasi untuk menentukan apakah


keputusan hasil pengujian hipotesis statistik itu benar atau terdapat kesalahan.
Empat kemungkinan tersebut dijelaskan pada tabel 2.3.

Tabel 2.3 Kemungkinan Situasi dalam Pengujian Hipotesis Statistik

𝑯𝟎 benar 𝑯𝟎 salah

Gagal untuk Menolak 𝑯𝟎 Keputusan yang benar Kesalahan tipe II

Tolak 𝑯𝟎 Kesalahan tipe I Keputusan yang benar

b. Peranan 𝜶, 𝜷 dan Ukuran Sampel

Pada contoh 2.4.4 telah diperoleh nilai 𝛼 = 0.1528 dan perhitungan pada 𝛽
menghasilkan nilai 𝛽 = 0.0764. Nilai 𝛼 = 0.1528 ingin diperkecil mendekati nol
dengan cara meningkatkan ukuran dari daerah kritis. Misalnya, nilai kritis adalah
73.5 sehingga daerah penolakan 𝐻0 adalah 𝑥̅ < 72.5 dan 𝑥̅ > 74.5 dan daerah
kegagalan penolakan 𝐻0 adalah 73.5 ≤ 𝑥̅ ≤ 74.5. Dalam pengujian 𝐻0 : 𝜇 = 74
dan 𝐻1 : 𝜇 ≠ 74 ditemukan bahwa

𝛼 = 𝑃(𝑋̅ < 72.5 | 𝜇 = 74 ) + 𝑃(𝑋̅ > 75.5 | 𝜇 = 74)

72.5−74 75.5−74
= 𝑃(𝑍 < | 𝜇 = 74 ) + 𝑃(𝑍 > | 𝜇 = 74 )
4.9/√49 4.9/√49

= 𝑃(𝑍 < −2.14) + 𝑃(𝑍 > 2.14)

= 2𝑃(𝑍 < −2.14) = 2 ∗ 0.0162 = 0.0324,

Peluang untuk menolak hipotesis nol yaitu 𝜇 = 74 ketika hipotesis alternatif 𝜇 =


76 benar adalah

𝛽 = 𝑃(72.5 ≤ 𝑋̅ ≤ 75.5| 𝜇 = 76)

72.5−76 75.5−76
= 𝑃 ( 4.9/√49 < 𝑍 < ) = 𝑃(−5 < 𝑍 < −0.71)
4.9/√49
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

61

= 𝑃(𝑍 < −0.71) − 𝑃(𝑍 < −5) = 0.2389 − 0 = 0.2389.

Dengan prosedur keputusan yang baru terlihat bahwa probabilitas kesalahan tipe
II (𝛽) telah berkurang, namun probabilitas melakukan kesalahan tipe I (𝛼)
menjadi meningkat dari sebelumnya. Jadi, untuk ukuran sampel tetap, penurunan
probabilitas satu kesalahan akan mengakibatkan peningkatan probabilitas
kesalahan lainnya.

Kemungkinan melakukan kedua jenis kesalahan dapat dikurangi dengan


meningkatkan ukuran sampel. Dari contoh 2.4.4 terlihat bahwa ukuran sampel
𝑛 = 49 akan menghasilkan 𝛼 = 0.1528. Namun, jika ukuran sampel diperbesar
menjadi 𝑛 = 100, maka contoh 2.4.5 menunjukkan bahwa terjadinya penurunan
nilai 𝛼 menjadi 𝛼 = 0.0414. Dengan perhitungan yang sama, ukuran sampel 𝑛 =
49 akan menghasilkan 𝛽 = 0.0764 dan contoh 2.4.6 menunjukkan bahwa
peningkatan ukuran sampel menjadi 𝑛 = 100 akan menghasilkan 𝛽 = 0.0207.
Dengan demikian, peningkatan ukuran sampel 𝑛 akan mengurangi 𝛼 dan 𝛽 secara
bersamaan.

Secara garis besar, dapat disimpulkan bahwa peranan 𝛼, 𝛽 dan ukuran


sampel pada pengujian hipotesis, yaitu

a. Kesalahan tipe I dan tipe II saling berkaitan. Penurunan probabilitas yang


satu biasanya menghasilkan peningkatan probabilitas yang lain.
b. Probabilitas melakukan kesalahan tipe I selalu dapat dikurangi dengan
penyesuaian nilai kritis.
c. Peningkatan ukuran sampel 𝑛 akan mengurangi 𝛼 dan 𝛽 secara bersamaan.
d. Jika hipotesis nol salah, maka 𝛽 akan maksimum ketika nilai sebenarnya
dari parameter mendekati nilai hipotesis. Semakin besar jarak antara nilai
sebenarnya dengan nilai hipotesis, maka nilai 𝛽 semakin kecil.

Salah satu konsep penting yang berhubungan dengan probabilitas kesalahan uji
hipotesis adalah kuasa uji.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

62

Definisi 2.4.4. Kuasa uji adalah probabilitas untuk menolak 𝐻0 ketika hipotesis
alternatifnya benar. Kuasa uji dapat dihitung sebagai 1 − 𝛽.

Kuasa uji akan sangat berguna dalam menilai sensitivitas uji. Misalnya, pada
contoh 2.4.5 uji hipotesisnya adalah:

𝐻0 : 𝜇 = 74,

𝐻1 : 𝜇 ≠ 74.

Dalam pengujian hipotesis di atas, 𝐻0 tidak ditolak jika 73 ≤ 𝑥̅ ≤ 75. Akan


dilihat kapabilitas tes untuk menolak 𝐻0 ketika 𝜇 = 74.5. Probabilitas dari
kesalahan tipe II diberikan oleh 𝛽 = 0.845. Dengan demikian, kuasa ujinya
adalah

1 − 𝛽 = 1 − 0.845 = 0.155.

Hal ini berarti pengujian akan benar menolak hipotesis nol hanya 15.5%.

3. Nilai P dan Pembuatan Keputusan dalam Pengujian Hipotesis

Nilai 𝛼 dapat ditetapkan sendiri dalam memutuskan apakah data yang


diamati harus menyebabkan penolakan hipotesis nol. Nilai 𝛼 yang terlalu besar
dapat dikurangi dengan membuat penyesuaian nilai kritis. Penurunan nilai 𝛼 yang
terjadi dalam kuasa uji juga dapat dilakukan dengan meningkatkan ukuran
sampel. Penentuan nilai 𝛼 akan sangat berpengaruh terhadap keputusan pengujian
hipotesis.

Meskipun nilai 𝛼 sering direkomendasikan, nilai sebenarnya dari 𝛼 yang


digunakan dalam analisis, penetapannya agak bebas. Satu eksperimen dapat
memilih untuk menerapkan uji dengan 𝛼 = 0.05 sedangkan eksperimen lain
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

63

mungkin lebih suka 𝛼 = 0.01. Hal ini dimungkinkan untuk dua orang yang
menganalisis data yang sama dan mencapai kesimpulan yang berlawanan.
Kesimpulan pertama adalah hipotesis nol harus ditolak pada tingkat signifikansi
0.05 dan lainnya memutuskan bahwa hipotesis nol tidak ditolak dengan 𝛼 = 0.01.
Sebagai konsekuensinya, perlu adanya pelaporan nilai 𝑃 atau tingkat signifikansi
nyata yang berhubungan dengan uji.

Definisi 2.4.5. Jika 𝑊 adalah statistik uji, maka nilai 𝑃 didefinisikan sebagai
tingkat signifikansi 𝛼 terkecil berdasarkan data yang diamati yang menunjukkan
bahwa hipotesis nol harus ditolak. Dengan kata lain, nilai 𝑃 adalah kesalahan tipe
I “nyata” yang dihitung dari sampel.

Pengujian hipotesis diberikan sebagai

𝐻0 : 𝜇 = 15,

𝐻1 : 𝜇 ≠ 15.

Pengujian hipotesis di atas ditetapkan pada tingkat signifikansi (𝛼) 0.05. Jika data
pengujian berdistribusi Normal Standar, maka statistik uji yang digunakan adalah

𝑥̅ − 𝜇0
𝑍= ,
𝜎/√𝑛

dengan 𝜇0 = 15 dan daerah kritisnya adalah

𝑧 > 1.96 atau 𝑧 < −1.96.

Nilai 1.96 dapat ditemukan pada tabel luas daerah di bawah kurva Normal dengan
𝑧0.05 . Nilai 𝑧 yang jatuh di daerah kritisnya menghasilkan kesimpulan bahwa
2

statistik uji signifikan. Jadi, kesimpulan yang diperoleh adalah ada perbedaan rata-
rata yang signifikan dari nilai 15.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

64

Risiko maksimum melakukan kesalahan tipe I harus dikontrol dengan


praseleksi nilai 𝛼. Pendekatan ini tidak memperhitungkan nilai dari statistik uji
yang dekat dengan daerah kritis. Pada contoh pengujian hipotesis di atas, jika nilai
𝑧 = 1.88 dengan 𝛼 = 0.05, maka nilai 𝑧 tidak signifikan. Namun, risiko
melakukan kesalahan tipe I tidak terlalu parah. Risikonya dapat dihitung dengan

𝑃 = 2𝑃(𝑍 > 1.88 | 𝜇 = 15) = 2(0.0301) = 0.0602.

Dalam hal ini, peluang untuk melakukan kesalahan tipe I (tolak 𝐻0 | 𝐻0 benar)
kecil. Hal ini disebabkan oleh penolakan hipotesis nol dengan nilai 𝑃 = 0.0602
kurang dari 0.05 sangat kecil. Artinya, bukti tersebut tidak sekuat dengan apa
yang diperoleh dari penolakan 𝐻0 pada tingkat signifikansi 0.05. Namun,
informasi tersebut akan sangat berguna dalam pengujian hipotesis.

Pendekatan nilai 𝑃 dapat memberikan kemungkinan lain dalam proses


pembuat keputusan uji hipotesis. Perhitungan nilai 𝑃 memberikan informasi
penting bagi nilai 𝑧. Sebagai contoh, jika 𝑧 = 2.73, maka

𝑃 = 2𝑃(𝑍 > 2.73 | 𝜇 = 15) = 2(0.0032) = 0.0064.

Jelas bahwa nilai 𝑧 signifikan pada tingkat signifikansi lebih kecil dari 0.05.
Namun, nilai 𝑧 = 2.73 adalah peristiwa yang sangat langka. Di bawah kondisi 𝐻0 ,
nilai tersebut hanya dapat ditemukan 64 kali dalam 10,000 percobaan.

a. Interpretasi Nilai 𝑷 Secara Grafis


Penjelasan nilai 𝑃 secara grafis dapat dilakukan dengan mempertimbangkan
dua sampel yang berbeda. Misalnya, dua jenis pohon efektif untuk mencegah
terjadinya abrasi sungai. Dua jenis pohon tersebut diberi label pohon 1 dan pohon
2. Banyaknya sampel adalah 𝑛1 = 𝑛2 = 10 dan abrasi diukur dalam persentase
luas permukaan yang terkikis air. Sampel yang diambil berasal dari distribusi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

65

umum dengan rata-rata tinggi pohon 𝜇 = 8. Asumsikan bahwa variansi populasi


adalah 1.

Hipotesis nolnya adalah

𝐻0 : 𝜇1 = 𝜇2 = 8.

Gambar 2.2 Kurva kemungkinan hasil data kedua jenis pohon dari populasi yang
memiliki dua rata-rata berbeda.

Pada gambar 2.2, data kedua jenis pohon ditempatkan pada distribusi yang
dinyatakan oleh hipotesis nol. Simbol ‘x’ pada gambar di atas menunjukkan jenis
pohon 1 dan simbol ‘o’ menunjukkan jenis pohon 2. Dari gambar 2.2 terlihat
jelas bahwa kedua simbol berada pada daerah penolakan hipotesis nol. Peranan
nilai 𝑃 dapat dilihat hanya sebagai probabilitas kedua simbol, mengingat bahwa
kedua sampel berasal dari distribusi yang sama. Kedua simbol yang berada di
ujung kiri dan kanan kurva memiliki probabilitas yang sangat kecil (mendekati
nol) terhadap 𝜇. Dengan kata lain, probabilitas kedua data berada jauh dari 𝜇 = 8
ketika hipotesis nol benar sangatlah kecil. Jadi, nilai 𝑃 yang kecil dapat menolak
hipotesis nol dan kesimpulannya adalah rata-rata populasi berbeda secara
signifikan.

Jika nilai 𝑃 digunakan sebagai pembuat keputusan, maka laporkan nilai


eksak 𝑃 tersebut. Misalnya, penulisan nilai 𝑃 = 0.09 atau 𝑃 = 0.016 memberikan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

66

informasi yang mendukung bagi keputusan pengujian daripada penulisan nilai


𝑃 < 0.05 yang dapat memuat segala kemungkinan nilai 𝑃. APA Manual (2010)
juga menyatakan ketika melaporkan nilai 𝑃, laporkan nilai eksak 𝑃 (misal, 𝑃 =
0.031), bukan nilai relatif (𝑃 < 0.01).

Jika ingin menguji

𝐻0 : 𝜇 = 𝜇0 ,

𝐻1 : 𝜇 ≠ 𝜇0 ,

dengan 𝜇 adalah rata-rata populasi dari suatu distribusi Normal (n ≥ 30) dengan
standar deviasi (𝜎) diketahui, 𝜇0 adalah nilai yang akan diuji, 𝑥̅ adalah penduga
dari 𝜇 dan diketahui nilai Z dari statistik uji yang dikaji adalah:

𝑥̅ −𝜇0 𝑥̅ −𝜇0
Z = 𝜎/ = , (2.4)
√𝑛 𝑆𝐸𝑥̅

maka nilai 𝑃 dapat dihitung dengan cara sebagai berikut:

a. bila 𝐻1 : 𝜇 > 𝜇0 maka nilai 𝑃 = P(Z ≥ z)


b. bila 𝐻1 : 𝜇 < 𝜇0 maka nilai 𝑃 = P(Z ≤ z)
c. bila 𝐻1 : 𝜇 ≠ 𝜇0 maka nilai 𝑃 = 2P(Z ≥ z) untuk z ≥ 0,
nilai 𝑃 = 2P(Z ≤ z) untuk z < 0.

Contoh 2.4.7. Standar yang ditetapkan oleh instansi pemerintah menunjukkan


bahwa orang Amerika tidak boleh melebihi asupan sodium harian dengan rata-rata
3300 mg dan standar deviasi 1100 mg. Untuk mencari tahu apakah orang Amerika
melebihi batasan ini, maka diambil sampel berjumlah 100 orang Amerika dan
dihasilkan rata-rata asupan sodium hariannya 3400 mg. Tentukan nilai 𝑃.

Penyelesaian: Pengujian hipotesisnya adalah

𝐻0 : 𝜇 = 3300,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

67

𝐻1 : 𝜇 > 3300,

dengan 𝜇 adalah rata-rata asupan sodium harian orang Amerika.

Karena statistik uji yang digunakan adalah

𝑥̅ −𝜇
Z = 𝜎/ 𝑛0,

maka nilai 𝑃 didefinisikan sebagai P(Z > z |𝐻0 benar). Dengan demikian
diperoleh,

3400−3300
𝑧 = 1100/√100 = 0.91,

dengan

𝑃 = P(Z > 0.91|𝜇 = 3300 ) = 1 - 0.8186 = 0.1814.

Suatu kesalahan umum yang sering dijumpai adalah mendeskripsikan


bahwa nilai 𝑃 adalah probabilitas menolak 𝐻0 ketika 𝐻0 benar menjadi
probabilitas 𝐻0 benar. Dengan kata lain,

𝑃 = 𝑃(menolak 𝐻0 |𝐻0 benar) ≠ 𝑃(𝐻0 benar).

Nilai 𝑃 adalah probabilitas bersyarat yang mudah untuk dihitung jika asumsinya
adalah hipotesis nol benar. Contoh di bawah ini akan menjelaskan bahwa data
tidak memberikan bukti bahwa 𝐻0 benar.

Contoh 2.4.8. Pandang uji hipotesis

𝐻0 : 𝜇 = 100,

𝐻1 : 𝜇 ≠ 100,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

68

dengan 𝜇 adalah rata-rata populasi berdasarkan sampel berukuran 1 dari distribusi


𝑁(0, 202 ). Misalkan nilai 𝜇 yang sebenarnya adalah 𝜇 = 105 dan rata-rata
𝑥̅ −𝜇0
sampel adalah 101. Jika Z = 𝜎/ adalah statistik uji yang dipakai, maka tentukan
√𝑛

nilai 𝑃.

Penyelesaian: Nilai 𝑃 didefinisikan sebagai 2P(Z > z |𝐻0 benar). Dengan


demikian diperoleh,

101−100
𝑧= = 0.05,
20

dengan

nilai 𝑃 = 2P(Z > 0.05| H0 ) = 2(1 - 0.5199) = 0.9602.

Perhatikan bahwa nilai 𝑃 besar namun data tidak memberikan bukti bahwa 𝐻0
benar. Keputusan yang dihasilkan oleh nilai 𝑃 mengakibatkan hipotesis nol gagal
untuk ditolak. Hal ini kontradiksi dengan asumsi nilai rata-rata populasi 𝜇 yang
bernilai 105. Oleh karena itu, hipotesis nol tidak pernah benar.

b. Bentuk Uji Hipotesis Statistik dan Langkah-Langkah Pengujiannya


Macam-macam bentuk uji hipotesis, yaitu

a. Hipotesis satu arah (one-tail) adalah suatu uji dari setiap hipotesis statistik
yang hipotesis alternatifnya satu sisi, baik berupa sisi kanannya berbentuk
𝐻0 : 𝜃 ≤ 𝜃0 ,

𝐻1 : 𝜃 > 𝜃0

ataupun sisi kirinya

𝐻0 : 𝜃 ≥ 𝜃0 ,

𝐻1 : 𝜃 < 𝜃0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

69

dengan 𝜃 adalah parameter yang diuji dan 𝜃0 adalah konstanta yang


dihipotesiskan.

Hipotesis nol dalam uji satu arah ini dapat juga berbentuk 𝐻0 : 𝜃 = 𝜃0 .
Daerah kritis untuk hipotesis alternatif 𝐻1 : 𝜃 > 𝜃0 terletak di sisi kanan
distribusi statistik uji. Sedangkan daerah kritis untuk hipotesis alternatif
𝐻1 : 𝜃 < 𝜃0 terletak sepenuhnya di sisi kiri distribusi statistik uji.

Contoh hipotesis satu arah:

Jika ingin menguji apakah rata-rata waktu operasi di rumah sakit A lebih
lama daripada rumah sakit B, maka hipotesis alternatifnya berbentuk 𝐻1 :
𝜇𝐴 > 𝜇𝐵 .

b. Hipotesis dua arah (two-tail) adalah suatu uji dari setiap hipotesis statistik
yang hipotesis alternatifnya dua sisi, seperti
𝐻0 : 𝜃 = 𝜃0 ,

𝐻1 : 𝜃 ≠ 𝜃0 .

dengan 𝜃 adalah parameter yang diuji dan 𝜃0 adalah konstanta yang


dihipotesiskan.

Hipotesis alternatif 𝐻1 : 𝜃 ≠ 𝜃0 menyatakan bahwa 𝜃 < 𝜃0 atau 𝜃 > 𝜃0 .


Oleh karena itu, daerah kritis untuk hipotesis alternatifnya dibagi menjadi
dua bagian dan sering memiliki probabilitas yang sama di setiap sisi
distribusi statistik uji.

Contoh hipotesis dua arah:


Jika ingin menguji apakah ada perbedaan rata-rata lamanya waktu
penyembuhan flu pada pemberian obat A dengan pemberian obat B, maka
hipotesis alternatifnya berbentuk 𝐻1 : 𝜇𝐴 ≠ 𝜇𝐵 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

70

Penentuan daerah kritis hanya dapat ditentukan setelah hipotesis alternatif


ditetapkan terlebih dahulu. Oleh karena itu, dalam kasus uji hipotesis satu arah,
hipotesis alternatif menjadi pertimbangan yang sangat penting.

Contoh 2.4.9. Sebuah perusahaan keju olahan mengklaim bahwa rata-rata


kandungan lemak jenuh produknya tidak melebihi 1.8 gram per sajian. Tetapkan
hipotesis nol, hipotesis alternatif yang akan digunakan dalam uji ini dan tentukan
lokasi daerah kritisnya.

Penyelesaian: Klaim perusahaan akan ditolak jika rata-rata kandungan lemak (𝜇)
lebih besar dari 1.8 gram dan tidak boleh ditolak jika rata-rata kandungan lemak
(𝜇) kurang dari atau sama dengan 1.8 gram. Uji hipotesisnya adalah

𝐻0 : 𝜇 = 1.8,

𝐻1 : 𝜇 > 1.8.

Daerah kegagalan untuk menolak 𝐻0 tidak mengesampingkan nilai-nilai yang


kurang dari 1.8 gram. Bentuk pengujian hipotesisnya adalah hipotesis satu arah.
Oleh karena itu, simbol “lebih besar dari” menunjukkan bahwa daerah kritisnya
terletak di sisi sebelah kanan distribusi statistik uji 𝑋̅.

Contoh 2.4.10. Suatu pabrik cat mengklaim bahwa kaleng cat yang diproduksi
memiliki rata-rata berat kotor 1.2 kg/kaleng. Untuk menguji klaim ini, sejumlah
sampel diambil dan rata-rata berat kotornya dicatat sebagai statistik uji. Tetapkan
hipotesis nol, hipotesis alternatif yang akan digunakan dalam uji ini dan tentukan
lokasi daerah kritisnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

71

Penyelesaian: Klaim pabrik cat akan ditolak jika statistik uji lebih tinggi atau
lebih rendah dari rata-rata 𝜇 = 1.2.

Uji hipotesisnya adalah

𝐻0 : 𝜇 = 1.2,

𝐻1 : 𝜇 ≠ 1.2.

Hipotesis alternatif menunjukkan bahwa bentuk hipotesisnya adalah dua arah.


Oleh karena itu, daerah kritisnya dibagi rata di kedua sisi distribusi statistik uji 𝑋̅.

Pengujian hipotesis berperan penting di berbagai penelitian sosial,


pendidikan dan bidang lainnya. Untuk melakukan suatu penelitian diperlukan
proses penelitian yang akan diolah secara runtut. Sebelum proses tersebut
dilakukan, peneliti harus menemukan teori yang berhubungan dengan
penelitiannya dan teori itu saling berkaitan dengan fakta/fenomena yang terjadi.
Berbagai teori dan fakta tersebut diharapkan mampu menemukan pertanyaan yang
belum terjawab. Dari sekumpulan pertanyaan itu dibentuk perumusan masalah
yang akan diteliti lebih lanjut pada penelitian. Dugaan yang ada pada rumusan
masalah itu akan diuji kebenarannya dalam proses pengujian hipotesis. Setelah
dugaan tersebut diuji kebenarannya, peneliti membentuk rancangan penelitian
untuk menentukan arah penelitian. Selanjutnya, peneliti melakukan
observasi/eksperimen untuk memperoleh data yang diperlukan. Proses yang
paling penting adalah melakukan analisis data yang telah diperoleh serta menarik
kesimpulan dari hasil analisis.

Pengujian hipotesis didasarkan pada beberapa masalah yang akan diuji


kebenarannya, misalnya untuk mengetahui masalah rata-rata populasi dan
mengetahui relasi/asosiasi antar variabel. Seringkali dalam studi empiris, peneliti
salah menginterpretasikan hasil dari pengujian hipotesis. Untuk itu diperlukan
pemenuhan asumsi dan pengambilan jenis sampel yang tepat bagi pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

72

hipotesis. Pemenuhan asumsi berupa populasi berdistribusi Normal (jumlah


sampel lebih dari 30) ataupun tidak, sangatlah penting untuk menentukan uji
statistik yang akan digunakan. Pengambilan jenis sampel juga akan berpengaruh
pada uji statistik yang akan digunakan.

Berikut adalah langkah-langkah dalam pengujian hipotesis:

1. Tetapkan hipotesis nol (𝐻0 ) dan hipotesis alternatif (𝐻1 )


2. Tetapkan tingkat signifikansi (𝛼)
Pilihan tingkat signifikansi yang umum digunakan adalah 0.05 dan 0.01.
Nilai 𝛼 yang kecil menunjukkan semakin ketatnya aturan dalam suatu
penelitian. Nilai 𝛼 juga menunjukkan seberapa ekstrim suatu data yang
dapat menunjukkan adanya perbedaan dengan data lain.
3. Tentukan statistik uji
4. Tentukan daerah penolakan hipotesis nol (daerah kritis)
Biasanya dirumuskan dengan pernyataan “H0 ditolak bila…”. Ukuran
daerah kritis bergantung pada tingkat signifikansi (𝛼) dari statistik uji yang
dilakukan.
5. Perhitungan statistik uji
6. Kesimpulan
Hasil pengujian hipotesis akan menghasilkan dua kemungkinan yaitu
menolak hipotesis nol atau gagal menolak hipotesis nol. Kesimpulan akhir
dari hasil pengujian hipotesis dapat diperoleh dari dua pendekatan, yaitu
pendekatan klasik dan pendekatan probabilistik.

a. Pendekatan klasik
Pendekatan ini dapat dilakukan dengan perbandingan nilai yang
didapat pada perhitungan statistik uji dengan daerah kritis. Jika
statistik uji berada dalam daerah kritis, maka hipotesis nol (𝐻0 ) ditolak.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

73

Namun, jika statistik uji tidak berada dalam daerah kritis, maka gagal
untuk menolak 𝐻0 .
b. Pendekatan probabilistik
Dalam uji statistik melalui program statistik pada komputer, akan ada
keluaran hasil uji statistik berupa nilai 𝑃 (p-value). Untuk memperoleh
kesimpulan uji hipotesis melalui pendekatan ini, dapat dilakukan
dengan cara membandingkan nilai 𝑃 dengan taraf signifikansi (𝛼).
Ketentuan perbandingan tersebut adalah bila nilai 𝑃 kurang dari nilai
𝛼, maka keputusannya adalah 𝐻0 ditolak. Sedangkan bila nilai 𝑃 lebih
dari nilai 𝛼, maka keputusannya adalah gagal untuk menolak 𝐻0 .

Pengertian 𝐻0 ditolak di sini memberikan kesimpulan yang menyatakan hasil uji


hipotesis signifikan secara statistik. Jika 𝐻0 gagal ditolak, maka berikan
kesimpulan yang menyatakan hasil uji hipotesis tidak signifikan secara statistik.
Pendekatan klasik dan pendekatan probabilitas (nilai 𝑃) akan lebih baik jika
keduanya dicantumkan dalam penarikan kesimpulan.

E. Uji Hipotesis Rata-rata Satu Populasi

Pada subbab ini akan dibahas pengujian hipotesis rata-rata satu populasi untuk
sampel besar dan sampel kecil.

1. Uji Hipotesis Rata-rata Satu Populasi untuk Sampel Besar

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah sampel random dari distribusi dengan rata-rata 𝜇


dan variansi 𝜎 2 > 0. Pengujian hipotesis diberikan sebagai berikut:

𝐻0 : 𝜇 = 𝜇0 ,

𝐻1 : 𝜇 ≠ 𝜇0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

74

dengan 𝜇0 adalah konstanta yang dihipotesiskan untuk 𝜇.

Berdasarkan teorema 2.2.1, distribusi sampling dari variabel random 𝑋̅


mendekati distribusi Normal dengan rata-rata 𝜇 dan variansi 𝜎 2 /𝑛 ketika 𝑛 besar
(𝑛 ≥ 30). Jadi, 𝜇𝑋̅ = 𝜇 dan 𝜎𝑋̅ 2 = 𝜎 2 /𝑛. Jumlah standar deviasi ketika 𝑋̅
terletak di sebelah kiri atau kanan 𝜇0 dapat diukur menggunakan statistik uji
standar,

𝑋̅ − 𝜇0
𝑍=
𝜎/√𝑛

yang memiliki pendekatan distribusi Normal Standar ketika 𝐻0 benar dan 𝜇 = 𝜇0 .

Pada pengujian hipotesis di atas, peluang untuk hipotesis nol tidak ditolak (jatuh
di luar daerah kritis) dapat ditulis sebagai

𝑋̅ −𝜇0
𝑃 (−𝑧𝛼 < < 𝑧𝛼 ) = 1 − 𝛼.
2 𝜎/√𝑛 2

Diberikan rata-rata sampel 𝑥̅ dan statistik uji 𝑧 yang dihitung jatuh pada
daerah kritis, sehingga 𝐻0 ditolak ketika

𝑥̅ −𝜇0 𝑥̅ −𝜇0
𝑧 = 𝜎/ > 𝑧𝛼/2 atau 𝑧 = 𝜎/ < -𝑧𝛼/2 .
√𝑛 √𝑛

Sedangkan jika -𝑧𝛼/2 < 𝑧 < 𝑧𝛼/2 , jangan tolak 𝐻0 . Penolakan 𝐻0 mengakibatkan
penerimaan hipotesis alternatif 𝜇 ≠ 𝜇0 .

Hipotesis alternatif (𝐻1 ) mengimplikasikan bahwa 𝜇 > 𝜇0 atau 𝜇 < 𝜇0 .


Nilai rata-rata sampel 𝑥̅ yang terlalu besar atau terlalu kecil jaraknya dari 𝜇0
ditempatkan di daerah penolakan hipotesis nol. Nilai kritis dari statistik uji 𝑧 yang
memisahkan daerah penolakan hipotesis nol dan daerah penerimaan akan berubah
sesuai dengan penentuan tingkat signifikansi (𝛼). Oleh karena itu, daerah kritis
dirancang untuk mengontrol 𝛼, peluang kesalahan tipe I.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

75

Daerah kritis untuk pengujian hipotesis rata-rata sampel 𝑥̅ dapat ditulis


sebagai

tolak 𝐻0 jika 𝑥̅ < 𝑎 atau 𝑥̅ > 𝑏

dengan

𝜎 𝜎
𝑎 = 𝜇0 − 𝑧𝛼/2 , 𝑏 = 𝜇0 + 𝑧𝛼/2 .
√𝑛 √𝑛

Untuk tingkat signifikansi 𝛼 tertentu, nilai kritis akan terletak di sebelah kiri 𝑎 dan
kanan 𝑏. Nilai kritis dari variabel random 𝑥̅ dan 𝑧 tampak pada gambar 2.3.

Gambar 2.3 Daerah Kritis untuk Hipotesis Alternatif 𝜇 ≠ 𝜇0 .

Contoh 2.5.1. Hasil harian untuk pabrik kimia lokal memiliki rata-rata populasi
880 ton dan standar deviasi 21 ton selama beberapa tahun terakhir. Manajer
kualitas kontrol ingin mengetahui apakah rata-rata produksi telah berubah dalam
beberapa bulan terakhir. Manajer tersebut memilih secara acak 50 hari dari data
komputer dan mendapatkan rata-rata 𝑥̅ = 871 ton. Ujilah hipotesis tersebut
dengan tingkat signifikansi 0.05.

Penyelesaian:

1. 𝐻0 : 𝜇 = 880.
2. 𝐻1 : 𝜇 ≠ 880.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

76

3. 𝛼 = 0.05.
4. Statistik uji: Penduga titik bagi 𝜇 adalah 𝑥̅ , maka statistik ujinya
𝑥̅ −𝜇0
𝑧= .
𝜎/√𝑛

5. Daerah kritis: 𝐻0 ditolak bila 𝑧 < −1.96 atau 𝑧 > 1.96.


𝑥̅ −𝜇0 871−880
6. Perhitungan: 𝑥̅ = 871, 𝑛 = 50 dan 𝑧 = = = −3.03.
𝜎/√𝑛 21/√50

7. Kesimpulan:
Karena uji pada contoh ini adalah hipotesis dua arah, maka nilai 𝑃 adalah dua
kali luas daerah yang diarsir di sebelah kiri 𝑧 = −3.03 (Gambar 2.4).

Gambar 2.4 Nilai 𝑃 untuk Contoh 2.5.1.

Nilai 𝑃 adalah

𝑃 = 𝑃(|𝑍| > 3.03) = 2𝑃(𝑍 < −3.03) = 0.0024.

Jelas bahwa 𝑃 = 0.0024 < 0.05, sehingga 𝐻0 ditolak pada tingkat


signifikansi kurang dari 0.05 dan karena 𝑧 = −3.03, perhitungan 𝑧 jatuh pada
daerah kritis, maka manajer dapat menyimpulkan bahwa rata-rata produksi
telah berubah dalam beberapa bulan terakhir (𝜇 ≠ 880).

Pengujian hipotesis satu arah pada rata-rata satu populasi melibatkan statistik
yang sama dengan hipotesis dua arah. Perbedaannya terletak pada daerah kritis
yang hanya satu sisi berdistribusi Normal Standar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

77

Jika dilakukan pengujian hipotesis

𝐻0 : 𝜇 = 𝜇0 ,

𝐻1 : 𝜇 > 𝜇0 ,

maka daerah kritisnya/penolakan 𝐻0 akan dihasilkan ketika 𝑧 > 𝑧𝛼 . Sedangkan


jika hipotesis alternatif 𝐻1 : 𝜇 < 𝜇0 , maka daerah kritis akan terletak sepenuhnya
di sisi lebih rendah dan penolakan dihasilkan dari 𝑧 < −𝑧𝛼 . Pada bentuk
pengujian hipotesis satu arah, hipotesis nol dapat ditulis sebagai 𝐻0 : 𝜇 ≤ 𝜇0
ataupun 𝐻0 : 𝜇 ≥ 𝜇0 . Namun, dalam kasus pengujian hipotesis rata-rata satu
populasi biasanya ditulis sebagai 𝐻0 : 𝜇 = 𝜇0 .

Contoh 2.5.2. Suatu perusahaan truk curiga terhadap klaim bahwa rata-rata umur
ban merk tertentu adalah setidaknya 28000 mil dan standar deviasi 1348 mil.
Untuk menguji klaim ini, perusahaan mencoba 40 ban tersebut pada truknya dan
mendapatkan rata-rata umur ban 27463 mil. Apa yang dapat disimpulkan jika
taraf signifikansinya 0.01?

Penyelesaian:

Dalam kasus ini, peluang kesalahan tipe I maksimal ketika 𝜇 = 28000 mil
sehingga pengujian hipotesisnya adalah

1. 𝐻0 : 𝜇 = 28000.
2. 𝐻1 : 𝜇 < 28000.
3. 𝛼 = 0.01.
4. Statistik uji:
𝑥̅ − 𝜇0
𝑧=
𝜎/√𝑛
5. Daerah kritis: 𝐻0 ditolak bila 𝑧 < −2.33.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

78

6. Perhitungan: 𝑥̅ = 27463, 𝑛 = 40,


𝑥̅ −𝜇0 27463−28000
𝑧= = = −2.52.
𝜎/√𝑛 1348/√40

7. Kesimpulan: Karena 𝑧 = −2.52 kurang dari -2.33, maka hipotesis nol


harus ditolak pada tingkat signifikansi 0.01 dan dapat disimpulkan bahwa
rata-rata umur ban merk tertentu kurang dari 28000 mil.
Perhitungan nilai 𝑃 adalah

𝑃 = 𝑃(𝑍 < −2.52) = 0.0059.

Karena nilai 𝑃 = 0.0059 < 0.01, maka 𝐻0 ditolak pada tingkat signifikansi
0.01 dan memperkuat kesimpulan di atas.

Hubungan Uji Hipotesis Rata-rata Satu Populasi untuk Sampel Besar


dengan Selang Kepercayaan

Untuk kasus rata-rata (𝜇) populasi tunggal dengan 𝜎 2 diketahui, struktur dari
kedua pengujian hipotesis dan estimasi selang kepercayaan didasarkan pada
variabel random

𝑋̅ −𝜇
𝑍= .
𝜎/√𝑛

Pengujian 𝐻0 : 𝜇 = 𝜇0 terhadap 𝐻1 : 𝜇 ≠ 𝜇0 pada tingkat signifikansi 𝛼 ekivalen


dengan perhitungan selang kepercayaan 100(1 − 𝛼)% pada 𝜇. Jika 𝜇0 terletak di
luar selang kepercayaan, maka 𝐻0 ditolak. Sedangkan jika 𝜇0 terletak di dalam
selang kepercayaan, maka 𝐻0 tidak ditolak. Ekivalensi ini sangat intuitif dan
cukup sederhana untuk digambarkan.

Dalam bentuk nilai 𝑥̅ yang diamati, kegagalan untuk menolak 𝐻0 pada


tingkat signifikansi 𝛼 mengakibatkan bahwa

𝑥̅ − 𝜇0
| | ≤ 𝑧𝛼/2 . (2.5)
𝜎/√𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

79

Daerah kegagalan penolakan 𝐻0 pada pertidaksamaan (2.5) ekivalen dengan

𝜎 𝜎
𝑥̅ − 𝑧𝛼/2 ≤ 𝜇0 ≤ 𝑥̅ + 𝑧𝛼/2 .
√𝑛 √𝑛

Selang kepercayaan 100(1 − 𝛼)% untuk 𝜇 memberikan informasi yang lebih


bagi pengujian hipotesis yaitu hipotesis nol ditolak ataupun tidak ditolak.

Contoh 2.5.3. Suatu sampel random berukuran 𝑛 = 100 diambil dari populasi
dengan 𝜎 = 5.1. Diketahui rata-rata sampel 𝑥̅ = 21.6 dan selang kepercayaan
95% bagi 𝜇 adalah

𝜎 𝜎
𝑥̅ − 𝑧0.05/2 ≤ 𝜇 ≤ 𝑥̅ + 𝑧0.05/2
√𝑛 √𝑛

5.1 5.1
21.6 − 1.96 ≤ 𝜇 ≤ 21.6 + 1.96
√100 √100

20.6 ≤ 𝜇 ≤ 22.6

Gunakan hubungan antara selang kepercayaan 95% dan tingkat signifikansi 𝛼 =


0.05 untuk menguji hipotesis nol 𝜇 = 21.5 terhadap hipotesis alternatif 𝜇 ≠ 21.5.
Ujilah juga hipotesis nol 𝜇 = 19 terhadap hipotesis alternatif 𝜇 ≠ 19.

Penyelesaian: Pengujian hipotesis nol 𝜇 = 21.5 terhadap hipotesis alternatif 𝜇 ≠


21.5 tidak akan menolak 𝐻0 pada tingkat 5%, karena 𝜇 = 21.5 berada pada
selang kepercayaan 95%. Pada pengujian selanjutnya, 𝜇 = 19 tidak berada pada
selang kepercayaan 95%. Akibatnya, hipotesis nol ditolak pada tingkat
signifikansi 𝛼 = 0.05.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

80

2. Uji Hipotesis Rata-rata Satu Populasi untuk Sampel Kecil

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah sampel acak berukuran 𝑛 (𝑛 < 30) dari distribusi


Normal dengan rata-rata 𝜇 dan variansi 𝜎 2 yang tidak diketahui, sehingga variabel
acak (𝑋̅ − 𝜇)/(𝑆/√𝑛) berdistribusi 𝑡 dengan derajat bebas 𝑛 − 1. Nilai dari
standar deviasi populasi (𝜎) dari statistik uji, nantinya digantikan oleh penduga 𝑆
dan distribusi Normal Standar digantikan oleh distribusi 𝑡.

Pengujian hipotesis dua arah bagi rata-rata satu populasi di atas diberikan
sebagai berikut:

𝐻0 : 𝜇 = 𝜇0 ,

𝐻1 : 𝜇 ≠ 𝜇0 ,

dengan 𝜇0 adalah konstanta yang dihipotesiskan untuk 𝜇. Hipotesis nol (𝐻0 )


ditolak pada tingkat signifikansi (𝛼) jika nilai statistik uji

𝑥̅ − 𝜇0
𝑡=
𝑠/√𝑛

melebihi 𝑡𝛼/2 atau kurang dari −𝑡𝛼/2 dengan derajat bebas 𝑛 − 1. Untuk kasus
hipotesis satu arah, jika 𝐻1 : 𝜇 > 𝜇0 , maka daerah penolakan 𝐻0 adalah 𝑡 > 𝑡𝛼
dengan derajat bebas 𝑛 − 1. Jika 𝐻1 : 𝜇 < 𝜇0 , maka daerah penolakan 𝐻0 adalah
𝑡 < −𝑡𝛼 dengan derajat bebas 𝑛 − 1.

Contoh 2.5.4. Institut Listrik Edison mempublikasikan angka pada jumlah


kilowat jam yang digunakan oleh berbagai peralatan rumah. Institusi tersebut
mengklaim bahwa pembersih debu menggunakan rata-rata sebesar 45 kilowat
jam/tahun. Jika 12 sampel rumah termasuk dalam penelitian yang direncanakan
mengindikasikan pembersih debu menggunakan rata-rata 42 kilowat jam/tahun
dan standar deviasi 11.9 kilowat jam/tahun. Apakah ini mengindikasikan pada
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

81

tingkat signifikansi 0.05 bahwa pembersih debu menggunakan rata-rata kurang


dari 46 kilowat jam/tahun? Asumsikan populasinya mendekati Normal.

Penyelesaian: Misalkan 𝜇 adalah rata-rata penggunaan pembersih debu dalam


kilowat jam/tahun.

Langkah-langkah pengujian hipotesis:

1. 𝐻0 : 𝜇 = 46 kilowat jam.
2. 𝐻1 : 𝜇 < 46 kilowat jam.
3. 𝛼 = 0.05.
4. Statistik uji:
𝑥̅ − 𝜇0
𝑡=
𝑠/√𝑛
5. Daerah kritis: 𝐻0 ditolak bila 𝑡 < −1.796, dengan derajat bebas 11.
6. Perhitungan: 𝑥̅ = 42, 𝑛 = 12, 𝑠 = 11.9,
𝑥̅ −𝜇0 42−46
𝑡= = 11.9/√12 = −1.16 dan 𝑃 = 𝑃(𝑇 < −1.16) ≈ 0.135.
𝑠/√𝑛

7. Kesimpulan: Karena 𝑡 = −1.16 lebih dari -1.796 dan nilai 𝑃 = 0.135


lebih dari 𝛼 = 0.05, maka hipotesis nol tidak dapat ditolak pada tingkat
signifikansi 0.05 dan dapat disimpulkan bahwa rata-rata kilowat jam yang
digunakan oleh pembersih debu rumah tidak signifikan kurang dari 46
kilowat jam.

Hubungan Uji Hipotesis Rata-rata Satu Populasi untuk Sampel Kecil dengan
Selang Kepercayaan

Misalkan 𝑥̅ adalah rata-rata sampel yang dipilih secara acak dari populasi
berdistribusi Normal dengan rata-rata 𝜇 dan variansi 𝜎 2 tidak diketahui. Oleh
karena variansi populasi tidak diketahui, maka penduga dari variansi adalah
standar deviasi sampel (𝑠).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

82

Selang kepercayaan 100(1 − 𝛼)% bagi 𝜇 adalah

𝑠 𝑠
𝑥̅ − 𝑡𝛼/2 ≤ 𝜇 ≤ 𝑥̅ + 𝑡𝛼/2 .
√𝑛 √𝑛

Selang kepercayaan tersebut berhubungan dengan pengujian hipotesis rata-rata


satu populasi pada tingkat signifikansi 𝛼.

Pengujian hipotesis dua arah bagi rata-rata satu populasi diberikan sebagai
berikut:

𝐻0 : 𝜇 = 𝜇0 ,

𝐻1 : 𝜇 ≠ 𝜇0 ,

dengan 𝜇0 adalah konstanta yang dihipotesiskan untuk 𝜇.

Daerah penolakan 𝐻0 (daerah kritis) adalah

𝑥̅ − 𝜇0
| | = |𝑡| ≥ 𝑡𝛼/2 .
𝑠/√𝑛

Dalam bentuk nilai 𝑥̅ , 𝑠 yang diamati, kegagalan untuk menolak 𝐻0 pada tingkat
signifikansi 𝛼 mengakibatkan bahwa

𝑥̅ −𝜇0
| 𝑠/ | < 𝑡𝛼/2. (2.6)
√𝑛

Daerah kegagalan penolakan 𝐻0 pada pertidaksamaan (2.6) ekivalen dengan

𝑠 𝑠
𝑥̅ − 𝑡𝛼/2 ≤ 𝜇0 ≤ 𝑥̅ + 𝑡𝛼/2 .
√𝑛 √𝑛

Secara umum, jika 𝜇0 terletak di luar selang kepercayaan, maka 𝐻0 ditolak.


Sedangkan jika 𝜇0 terletak di dalam selang kepercayaan, maka 𝐻0 tidak ditolak.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

83

Contoh 2.5.5. Rata-rata penurunan berat dari 16 bola penggilingan di pabrik


bubur setelah jangka waktu tertentu adalah 3.42 gram dengan standar deviasi 0.68
gram. Selang kepercayaan 95% bagi rata-rata penurunan berat dari bola
penggilingan adalah

𝑠 𝑠
𝑥̅ − 𝑡𝛼/2 ≤ 𝜇0 ≤ 𝑥̅ + 𝑡𝛼/2 atau 3.06 ≤ 𝜇 ≤ 3.78.
√𝑛 √𝑛

Gunakan hubungan antara selang kepercayaan 95% dan tingkat signifikansi 𝛼 =


0.05 untuk menguji hipotesis nol 𝜇 = 3.7 terhadap hipotesis alternatif 𝜇 ≠ 3.7.
Ujilah juga hipotesis nol 𝜇 = 3 terhadap hipotesis alternatif 𝜇 ≠ 3.

Penyelesaian: Pengujian hipotesis nol 𝜇 = 3.7 terhadap hipotesis alternatif 𝜇 ≠


3.7 tidak akan menolak 𝐻0 pada tingkat 5%, karena 𝜇 = 3.7 berada pada selang
kepercayaan 95%. Pada pengujian selanjutnya, 𝜇 = 3 tidak berada pada selang
kepercayaan 95%. Akibatnya, hipotesis nol ditolak pada tingkat signifikansi 𝛼 =
0.05.

F. Uji Hipotesis Rata-Rata Dua Populasi

Pada subbab ini akan dibahas prasyarat pengujian hipotesis rata-rata dua populasi,
yaitu uji Normalitas dan uji homogenitas variansi, pengujian hipotesis rata-rata
dua populasi jika variansi diketahui, variansi tidak diketahui tetapi sama, variansi
tidak diketahui dan tidak sama dan sampel berpasangan. Dalam banyak studi dan
kasus, hal yang umum terjadi adalah variansi tidak diketahui dan homogen.

1. Uji Normalitas dan Uji Homogenitas Variansi


Uji Normalitas diperlukan untuk menguji asumsi kedua populasi
berdistribusi Normal atau tidak pada pengujian hipotesis rata-rata dua populasi.

Uji Normalitas dilakukan sebagai berikut

1. 𝐻0 : Distribusi kedua populasi Normal.


2. 𝐻1 : Distribusi kedua populasi tidak Normal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

84

3. Tentukan nilai 𝛼.
4. Beberapa metode yang dapat digunakan untuk menguji normalitas adalah
Kolgomorov-Smirnov, Shapiro Wilk atau Lilliefors. Statistik uji berupa
deviasi maksimum distribusi kumulatif data dan distribusi kumulatif
normal.
5. Wilayah kritis: 𝐻0 ditolak bila nilai 𝑃 < 𝛼.
6. Perhitungan
7. Kesimpulan
a. Jika nilai 𝑃 < 𝛼, maka distribusi kedua populasi tidak Normal.
b. Jika nilai 𝑃 > 𝛼, maka distribusi kedua populasi Normal.

Uji homogenitas variansi diperlukan untuk menguji asumsi variansi kedua


populasi sama atau tidak pada pengujian hipotesis rata-rata dua populasi.
Pengujian kesamaan variansi dilakukan sebagai berikut

1. 𝐻0 : 𝜎1 2 = 𝜎2 2 .
2. 𝐻1 : 𝜎1 2 ≠ 𝜎2 2 .
3. Tentukan nilai 𝛼.
4. Statistik uji
𝑆𝑚𝑎𝑥 2
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = ,
𝑆𝑚𝑖𝑛 2

dengan 𝑆 2 adalah variansi sampel.

5. Wilayah kritis: 𝐻0 ditolak bila


𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 (𝑣1 , 𝑣2 ) atau nilai 𝑃 < 𝛼,
dengan 𝑣1 = 𝑛1 − 1 dan 𝑣2 = 𝑛2 − 1.
6. Kesimpulan:
a. Jika nilai 𝑃 < 𝛼 atau 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 (𝑣1 , 𝑣2 ), maka kedua variansi
populasi tidak sama.
b. Jika nilai 𝑃 > 𝛼 atau 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝑡𝑎𝑏𝑒𝑙 (𝑣1 , 𝑣2 ), maka kedua variansi
populasi sama.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

85

2. Pengujian Hipotesis Rata-rata Dua Populasi dengan Variansi Populasi


Diketahui
Misalkan dua sampel independen berukuran 𝑛1 dan 𝑛2 dipilih secara acak dari
populasi dengan rata-rata 𝜇1 , 𝜇2 dan variansi 𝜎1 2 , 𝜎2 2 . Variabel acak

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


𝑍=
√(𝜎1 2 /𝑛1 ) + (𝜎2 2 /𝑛2 )

berdistribusi Normal Standar. Asumsinya adalah kedua sampel berukuran cukup


besar sehingga Teorema Limit Pusat dapat diterapkan. Jika kedua populasinya
Normal, maka statistik di atas berdistribusi Normal Standar, meskipun kedua
sampel berukuran kecil. Namun, jika asumsinya adalah 𝜎1 adalah sama dengan 𝜎2 ,
maka statistik 𝑍 dapat diubah menjadi

(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )


𝑍= .
𝜎√(1/𝑛1 ) + (1/𝑛2 )

Kedua statistik tersebut merupakan dasar bagi pengujian hipotesis rata-rata dua
populasi.

Pengujian hipotesis dua arah bagi dua rata-rata populasi diberikan oleh

𝐻0 : 𝜇1 − 𝜇2 = 𝑑0 ,

𝐻1 : 𝜇1 − 𝜇2 ≠ 𝑑0 ,

dengan 𝑑0 adalah konstanta yang dihipotesiskan bagi 𝜇1 − 𝜇2 .

Distribusi yang digunakan adalah distribusi dari statistik uji terhadap 𝐻0 . Jika
diketahui kedua rata-rata sampel adalah 𝑥̅1 , 𝑥̅2 dan variansi sampelnya adalah 𝜎1 ,
𝜎2 , maka statistik ujinya adalah

(𝑥̅1 − 𝑥̅2 ) − 𝑑0
𝑧= .
√(𝜎1 2 /𝑛1 ) + (𝜎2 2 /𝑛2 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

86

Daerah penolakan 𝐻0 adalah 𝑧 > 𝑧𝛼/2 atau 𝑧 < −𝑧𝛼/2 . Pada pengujian hipotesis
satu arah, dengan 𝐻1 : 𝜇1 − 𝜇2 < 𝑑0 , daerah penolakan hipotesis nol adalah 𝑧 <
−𝑧𝛼 . Sedangkan jika 𝐻1 : 𝜇1 − 𝜇2 > 𝑑0 , maka daerah penolakan hipotesis nol
adalah 𝑧 > 𝑧𝛼 .

3. Pengujian Hipotesis Rata-rata Dua Populasi dengan Variansi Populasi


Tidak Diketahui tetapi Sama Besar
Jika 𝑥̅1 , 𝑥̅2 adalah rata-rata sampel independen yang dipilih secara acak dari
populasi berdistribusi Normal dengan rata-rata 𝜇1 , 𝜇2 dan standar deviasi tidak
diketahui (𝜎1 = 𝜎2 ), maka pengujian hipotesis rata-rata dua populasi dinamakan
uji 𝑡 dua sampel.

Pengujian hipotesis dua arah bagi dua rata-rata populasi di atas diberikan oleh

𝐻0 : 𝜇1 − 𝜇2 = 𝑑0 ,

𝐻1 : 𝜇1 − 𝜇2 ≠ 𝑑0 ,

dengan 𝑑0 adalah konstanta yang dihipotesiskan bagi 𝜇1 − 𝜇2 .

Daerah penolakan 𝐻0 pada tingkat signifikansi 𝛼 adalah jika statistik uji

(𝑥̅1 − 𝑥̅2 ) − 𝑑0
𝑡= , (2.7)
𝑠𝑝 √(1/𝑛1 ) + (1/𝑛2 )

dengan

𝑠1 2 (𝑛1 − 1) + 𝑠2 2 (𝑛2 − 1)
𝑠𝑝 2 = (2.8)
𝑛1 + 𝑛2 − 2

melebihi 𝑡𝛼/2 ataupun kurang dari −𝑡𝛼/2 , derajat bebas 𝑛1 + 𝑛2 − 2.

Pada pengujian hipotesis satu arah, dengan 𝐻1 : 𝜇1 − 𝜇2 < 𝑑0 , daerah penolakan


hipotesis nol adalah 𝑡 < −𝑡𝛼 . Sedangkan jika 𝐻1 : 𝜇1 − 𝜇2 > 𝑑0 , maka daerah
penolakan hipotesis nol adalah 𝑡 > 𝑡𝛼 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

87

Contoh 2.6.1. Sebuah percobaan dijalankan untuk membandingkan keausan


abrasif dari dua bahan laminasi yang berbeda. Dua belas bagian material 1 diuji
dengan mengekspos setiap bagian ke dalam mesin pengukur. Sepuluh bagian
material 2 juga diuji serupa dengan material 1. Pada masing-masing kasus,
kedalaman material diamati. Sampel dari material 1 memberikan rata-rata sebesar
85 dengan standar deviasi sampel 4 dan material 2 memberikan rata-rata sebesar
81 dengan standar deviasi 5. Dapatkah disimpulkan pada tingkat signifikansi 0.05
bahwa perbedaan rata-rata keausan material 1 dan material 2 lebih dari 2 unit?
Asumsikan populasi mendekati Normal dengan variansi sama.

Penyelesaian: Misalkan 𝜇1 dan 𝜇2 adalah rata-rata populasi keausan abrasif untuk


material 1 dan material 2. Langkah-langkah pengujian hipotesisnya adalah

1. 𝐻0 : 𝜇1 − 𝜇2 = 2.
2. 𝐻1 : 𝜇1 − 𝜇2 > 2.
3. 𝛼 = 0.05.
4. Statistik uji:
(𝑥̅1 − 𝑥̅2 ) − 𝑑0 𝑠1 2 (𝑛1 − 1) + 𝑠2 2 (𝑛2 − 1)
𝑡= , 𝑠𝑝 2 = ,
𝑠𝑝 √(1/𝑛1 ) + (1/𝑛2 ) 𝑛1 + 𝑛2 − 2

dengan derajat bebas 𝑣 = 20.

5. Daerah kritis: 𝐻0 ditolak jika 𝑡 > 1.725, derajat bebas 20.


6. Perhitungan:
𝑥̅1 = 85, 𝑠1 = 4, 𝑛1 = 12,
𝑥̅2 = 81, 𝑠2 = 4, 𝑛2 = 10.

(11)(16) + (9)(25)
𝑠𝑝 = √ = 4.478,
12 + 10 − 2
(85 − 81) − 2
𝑡= = 1.04,
4.478√(1/12) + (1/10)
𝑃 = 𝑃(𝑇 > 1.04) ≈ 0.16.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

88

7. Kesimpulan: Karena 𝑡 = 1.04 kurang dari 1.725 dan nilai 𝑃 = 0.16 lebih
dari 𝛼 = 0.05, maka hipotesis nol tidak dapat ditolak pada tingkat
signifikansi 0.05 dan dapat disimpulkan bahwa perbedaan rata-rata
keausan material 1 dan material 2 tidak melebihi 2 unit.

4. Pengujian Hipotesis Rata-rata Dua Populasi dengan Variansi Kedua


Populasi Tidak Diketahui dan Tidak Sama
Misalkan 𝑥̅1 , 𝑥̅2 adalah rata-rata sampel independen yang dipilih secara acak dari
populasi berdistribusi Normal dengan rata-rata 𝜇1 , 𝜇2 dan standar deviasi tidak
diketahui (𝜎1 ≠ 𝜎2 ).

Pengujian hipotesis dua arah bagi dua rata-rata populasi di atas diberikan oleh

𝐻0 : 𝜇1 − 𝜇2 = 𝑑0 ,

𝐻1 : 𝜇1 − 𝜇2 ≠ 𝑑0 ,

dengan 𝑑0 adalah konstanta yang dihipotesiskan bagi 𝜇1 − 𝜇2 .

Jika populasi Normal, maka statistik uji

(𝑥̅1 − 𝑥̅2 ) − 𝑑0
𝑡′ = ,
𝑠1 2 𝑠2 2
√( 𝑛 ) + ( 𝑛 )
1 2

berdistribusi 𝑡 dengan derajat bebas 𝑣,

2
𝑠 2 𝑠2 2
( 𝑛1 + )
1 𝑛2
𝑣= .
𝑠 2 2 𝑠2 2 2
[( 𝑛1 ) /(𝑛1 − 1)] + [( 𝑛 ) /(𝑛2 − 1)]
1 2

Daerah penolakan 𝐻0 pada tingkat signifikansi 𝛼 adalah jika statistik uji

𝑡 ′ < −𝑡𝛼/2 ataupun 𝑡 ′ > 𝑡𝛼/2.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

89

Pada pengujian hipotesis satu arah, dengan 𝐻1 : 𝜇1 − 𝜇2 < 𝑑0 , daerah penolakan


hipotesis nol adalah 𝑡′ < −𝑡𝛼 . Sedangkan jika 𝐻1 : 𝜇1 − 𝜇2 > 𝑑0 , maka daerah
penolakan hipotesis nol adalah 𝑡′ > 𝑡𝛼 .

5. Uji Hipotesis Rata-rata Dua Populasi pada Sampel Berpasangan


Misalkan 𝑥̅1 , 𝑥̅2 adalah rata-rata sampel berukuran 𝑛 yang tidak independen serta
dipilih secara acak dari populasi berdistribusi Normal dengan rata-rata 𝜇1 , 𝜇2 .
Oleh karena sampel tidak independen, maka sampel tersebut dinamakan sampel
berpasangan. Perbedaan rata-rata antara kedua sampel berpasangan diberi simbol
𝑑̅ dan perbedaan standar deviasi kedua sampel berpasangan diberi simbol 𝑠𝑑 .
Pengujian hipotesis sampel berpasangan dinamakan uji 𝑡 berpasangan. Perbedaan
rata-rata berpasangan dapat ditulis sebagai 𝜇1 − 𝜇2 = 𝜇𝐷 .

Pengujian hipotesis sampel berpasangan diberikan oleh

𝐻0 : 𝜇𝐷 = 𝑑0 ,

𝐻1 : 𝜇𝐷 ≠ 𝑑0 ,

dengan 𝑑0 adalah konstanta yang dihipotesiskan bagi 𝜇𝐷 .

Daerah penolakan hipotesis nol (𝐻0 ) adalah jika statistik uji

𝑑̅ − 𝑑0
𝑡= , (2.9)
𝑠𝑑 /√𝑛

melebihi 𝑡𝛼/2 atau kurang dari −𝑡𝛼/2 , derajat bebas 𝑛 − 1.

Pada pengujian hipotesis satu arah, dengan 𝐻1 : 𝜇𝐷 < 𝑑0 , daerah penolakan


hipotesis nol adalah 𝑡 < −𝑡𝛼 . Sedangkan jika 𝐻1 : 𝜇𝐷 > 𝑑0, maka daerah
penolakan hipotesis nol adalah 𝑡 > 𝑡𝛼 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB III

EFFECT SIZE COHEN

Pada bab ini akan dibahas mengenai beberapa kritik mengenai uji
signifikansi hipotesis nol. Kritikan itulah yang mengakibatkan harus adanya
tambahan informasi serta interpretasi lebih lanjut pada hasil penarikan
kesimpulan. Selain itu, pada bab ini juga akan dibahas mengenai pengertian effect
size, macam-macam effect size, effect size pada perbedaan rata-rata populasi dan
selang kepercayaan pada effect size perbedaan rata-rata populasi.

A. Dari Uji Signifikansi Hipotesis Nol ke Effect Size

Pengujian hipotesis statistik atau dikenal dengan uji signifikansi hipotesis


nol selalu berhubungan dengan proses penarikan kesimpulan yang hasilnya
diberlakukan untuk populasi. Pada bab II telah dibahas proses penarikan
kesimpulan dengan menggunakan uji signifikansi hipotesis nol. Proses penarikan
kesimpulan yang merupakan tujuan utama statistika inferensial juga telah dibahas
pada bab II. Ada dua sisi pendekatan statistika inferensial, yaitu negatif dan
positif. Negatifnya adalah kritikan terhadap uji signifikansi hipotesis nol dan
positifnya adalah keuntungan dalam pendugaan statistik.

Kritikan terhadap uji signifikansi hipotesis nol pada suatu kasus berikut:

Cumming (2012) mengevaluasi dua studi yang dilakukan oleh Lucky dan Noluck
di mana keduanya menguji percobaan efektivitas terapi baru dan terapi lama pada
penyakit insomnia. Lucky menggunakan dua kelompok independen yang masing-
masing berukuran 𝑛 = 22 dan Noluck menggunakan dua kelompok yang berbeda
dari Lucky dengan ukuran sampel masing-masing kelompok adalah 𝑛 = 18.
Masing-masing studi melaporkan perbedaan antara rata-rata untuk percobaan baru
dan percobaan lama. Lucky menemukan bahwa percobaan baru menunjukkan
hasil yang signifikan secara statistik dibanding percobaan lama. Hasil yang

90
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

91

didapatkan Lucky adalah 𝑥̅ (perbedaan rata-rata kedua sampel)= 3.61, 𝑆𝐷


(standar deviasi perbedaan rata-rata kedua sampel) = 6.97, statistik uji 𝑡 dengan
derajat bebas 42 atau ditulis 𝑡(42) = 2.43 dan nilai 𝑃 = 0.02. Noluck
menemukan tidak ada perbedaan rata-rata yang signifikan secara statistik antara
dua rata-rata percobaan dengan 𝑥̅ (perbedaan rata-rata kedua sampel)= 2.23, 𝑆𝐷
(standar deviasi perbedaan rata-rata kedua sampel) = 7.59, statistik uji 𝑡 dengan
derajat bebas 34 atau ditulis 𝑡(34) = 1.25 dan nilai 𝑃 = 0.22.

Dari kasus di atas, uji signifikansi hipotesis nol memberikan hasil yang
inkonsisten. Studi yang dilakukan Lucky menunjukkan ada perbedaan yang
signifikan sedangkan Noluck tidak. Hal ini menunjukkan adanya konflik antara
Lucky dan Noluck, sehingga tidak dapat disimpulkan apakah percobaan baru
efektif atau tidak. Perlu adanya pemeriksaan lebih lanjut untuk mencari tahu
mengapa efek ditemukan pada satu studi dan lainnya tidak. Dengan kata lain,
penelitian lebih lanjut dibutuhkan untuk menginvestigasi mengapa percobaan
bekerja di beberapa kasus, tetapi tidak dengan kasus yang lain.

Hasil studi yang dilakukan Lucky dan Noluck dapat dilihat pada gambar
3.1. Gambar 3.1 dapat dibentuk dengan menggunakan selang kepercayaan 95%
pada pertidaksamaan (2.3) dan notasi 𝑥̅ sebagai perbedaan rata-rata percobaan.
Kedua hasil berada pada daerah yang sama dan ukuran perbedaan rata-rata cukup
serupa dalam dua studi (Lucky dan Noluck). Kedua hasil juga menyediakan bukti
yang cukup kuat bahwa percobaan efektif. Terlebih, perbedaan rata-rata yang
positif mengindikasikan keuntungan bagi percobaan baru.

Lucky

Noluck

-2 0 2 2.23 3.61 4 6 8 𝑥̅

Gambar 3.1 Perbedaan Rata-rata Percobaan Insomnia (Percobaan Baru


Dikurangi Percobaan Lama) Studi Lucky dan Noluck dengan Selang Kepercayaan
95%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

92

Selang kepercayaan menunjukkan rentang nilai yang masuk akal untuk


parameter populasi yang diperkirakan. Nilai-nilai di luar selang kepercayaan
relatif tidak masuk akal bagi parameter populasi yang diperkirakan. Setiap nilai
dalam selang kepercayaan cukup bisa menjadi nilai sebenarnya, sehingga selang
kepercayaan yang lebih pendek memberikan nilai lebih baik.

Pada bab II telah dibahas hubungan yang erat antara uji signifikansi
hipotesis nol dengan selang kepercayaan. Jika nol berada di dalam selang
kepercayaan, maka nol adalah nilai yang menunjukkan adanya perbedaan rata-rata
percobaan. Sebaliknya, jika nol di luar selang kepercayaan, maka tidak ada rata-
rata percobaan. Pada gambar 3.1 terlihat bahwa selang kepercayaan Lucky tidak
memuat nol. Hal ini mengindikasikan hasil percobaan yang signifikan secara
statistik. Selang kepercayaan Noluck yang memuat nol mengindikasikan hasil
percobaan tidak signifikan secara statistik. Jadi, selang kepercayaan dapat dengan
mudah diterapkan dalam uji signifikansi hipotesis nol.

Kritikan Cumming (2012) terhadap kasus Lucky dan Noluck juga


memperlihatkan bahwa uji signifikansi hipotesis nol memiliki keterbatasan pada
hasil pengujiannya. Kirk (1996) menyatakan keterbatasan uji signifikansi
hipotesis nol adalah sebagai berikut:

a. Uji signifikansi hipotesis nol tidak cukup menjawab pertanyaan penelitian.


b. Uji signifikansi hipotesis nol bergantung pada ukuran sampel.
Seringkali dalam suatu penelitian, peneliti tidak hanya melihat apakah ada
perbedaan atau korelasi di populasi (signifikan atau tidak), tetapi peneliti ingin
mendapat informasi mengenai apakah korelasi yang diperoleh itu besar ataupun
perbedaan rata-rata antar kelompok kecil. Misalnya, peneliti ingin melakukan
evaluasi efek audio kaset pada peningkatan minat belajar siswa dengan pre-test
dan post-test. Skor rata-rata pre-test dari 100 siswa adalah 84 dan skor rata-rata
post-test adalah 85. Meskipun perbedaan skor secara statistik signifikan,
perbedaannya sangat kecil dan tidak dapat dipastikan adanya peningkatan minat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

93

belajar yang berarti. Hal ini adalah salah satu contoh pernyataan Kirk (1996) butir
(a).

Pernyataan Kirk (1996) butir (b) diperjelas oleh Field dan Hole (2003) yang
menyatakan bahwa perbedaan trivial dapat menjadi signifikan (dan
diinterpretasikan penting) jika sampel cukup besar, konversnya, besar dan
pentingnya perbedaan dapat menjadi tidak signifikan (dan diinterpretasikan
trivial) pada sampel kecil. Hal tersebut diperlihatkan pada kasus Lucky dengan
sampel kedua grupnya berukuran 44 dan perbedaan rata-rata kedua sampel adalah
3.61 sedangkan Noluck dengan sampel untuk kedua grupnya berukuran 36 dan
perbedaan rata-rata sampel adalah 2.23. Lucky menemukan hasil studi yang
signifikan sedangkan Noluck tidak. Jelas bahwa ukuran sampel mempengaruhi
hasil percobaan pada studi yang sama.

Penentuan nilai 𝑃 dengan tingkat 𝛼 = 0.05 mengarahkan peneliti pada


kesimpulan berbeda dari efek percobaan yang sama (Kirk,1996). Peneliti yang
menemukan efek percobaan yaitu tidak signifikan dengan menggunakan sampel
acak 100 orang, mungkin juga menemukan efek signifikan secara statistik dengan
menambahkan sampel lebih dari 100 orang. Meskipun efek percobaan relatif
identik, penambahan jumlah sampel dapat mempengaruhi hasil uji signifikansi
hipotesis nol.

Ada beberapa hal yang dapat dan tidak dapat disimpulkan dari uji
signifikansi statistik, yaitu

a. Pentingnya efek.
Pengujian hipotesis melibatkan hipotesis nol dan hipotesis alternatif,
menyesuaikan model statistik untuk data serta menarik kesimpulan
berdasarkan statistik uji. Jika probabilitas nilai statistik uji kurang dari
0.05, maka hipotesis alternatif diterima. Ini berarti bahwa ada efek di
populasi ataupun dengan kata lain “ada perbedaan yang signifikan dari…”.
Pengertian signifikan di sini bukan berarti bahwa efek tersebut penting.
Pentingnya efek menandakan bahwa seberapa besar perbedaan yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

94

dihasilkan pada percobaan. Efek yang sangat kecil dan tidak penting dapat
berubah menjadi signifikan hanya karena sejumlah besar sampel telah
digunakan dalam percobaan.

b. Uji signifikansi tidak logis


Uji signifikansi hipotesis nol didasarkan pada penalaran probabilistik yang
sangat membatasi apa yang ingin disimpulkan. Cohen (1994)
menunjukkan bahwa penalaran formal bergantung pada pernyataan awal
dari fakta, diikuti oleh pernyataan tentang keadaan sekarang dan penarikan
kesimpulan. Silogisme dari Field (2005) menggambarkan pernyataan
Cohen:

Premis 1: Jika seorang pria tidak mempunyai lengan, maka dia


tidak dapat bermain gitar.

Premis 2: Pria tersebut bermain gitar.

Kesimpulan: Pria tersebut mempunyai lengan.

Silogisme dimulai dengan pernyataan fakta yang memungkinkan


kesimpulan akhir yang dicapai. Bagaimanapun, hipotesis nol tidak
direpresentasikan dengan cara seperti itu karena hipotesis didasarkan pada
probabilitas. Silogisme yang sebanding dengan hipotesis nol adalah:

Premis 1: Jika hipotesis nol benar, maka nilai statistik uji ini

𝑥̅ − 𝜇
𝑡=
𝑠/√𝑛

tidak terjadi.

Premis 2: Nilai statistik uji terjadi.

Kesimpulan: Hipotesis nol salah.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

95

Field (2005) mengambil contoh gitar untuk silogisme yang sebanding


dengan hipotesis nol:

Premis 1: Jika seorang pria bermain gitar, maka dia mungkin


tidak bermain untuk band Fugazi.

Premis 2: Guy Picciotto bermain untuk band Fugazi.

Kesimpulan: Guy Picciotto mungkin tidak bermain gitar.

Silogisme di atas jelas tidak logis karena kesimpulannya salah, jika


faktanya adalah Guy Picciotto bermain gitar. Hal ini menggambarkan
suatu kekeliruan umum yang terjadi dalam pengujian hipotesis. Bahkan,
dengan uji signifikansi tidak banyak yang dapat dikatakan tentang
hipotesis nol.

Saat ini, tidak ada pengganti yang jelas untuk uji signifikansi hipotesis nol.
Keterbatasan uji signifikansi hipotesis nol serta tidak adanya pengganti yang jelas
sehingga perlu adanya tambahan informasi bagi pengujian. Wilkinson Task Force
(1999) merekomendasikan penggunaan effect size sebagai tambahan untuk uji
signifikansi hipotesis nol.

Definisi 3.1.1. Effect size merupakan ukuran signifikansi praktis hasil penelitian
yang berupa ukuran besarnya korelasi/perbedaan/efek dari suatu variabel pada
variabel lain.

Perlu dipahami bahwa effect size bukanlah uji signifikansi dan uji signifikansi
bukanlah effect size. Meskipun effect size dapat diturunkan dari hasil uji
signifikansi dan besarnya effect size mempengaruhi kemungkinan menemukan
hasil yang signifikan, keduanya perlu dibedakan. Ketika hasil uji signifikansi
hipotesis nol menyatakan ada suatu perbedaan signifikan secara statistik, hal ini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

96

tidak berarti bahwa perbedaan itu besar, penting atau bermakna dalam membuat
keputusan. Untuk mengetahui suatu perbedaan tidak hanya bermakna secara
statistik tetapi juga penting/berarti, dibutuhkan perhitungan effect size.

Nilai P pada uji signifikansi dapat menginformasikan apakah ada efek atau
tidak, tetapi nilai P tidak akan mengungkapkan besarnya efek tersebut. Effect size
yang akan menginformasikan apakah perbedaan rata-rata antar kelompok besar
atau kecil. Hal ini diperjelas dengan pernyataan Snyder & Lawson (1993), effect
size memperkirakan besarnya efek ataupun hubungan antara dua atau lebih
variabel. Baik effect size maupun uji signifikansi akan sangat berguna bagi
informasi penelitian. Oleh karena itu, dalam pelaporan dan menafsirkan
penelitian, effect size dan uji signifikansi (nilai P) adalah hasil yang penting untuk
dilaporkan. Dengan kata lain, effect size menjadi pelengkap statistik inferensial
seperti nilai P pada uji signifikansi.

Konsep effect size telah terlihat dalam bahasa sehari-hari. Misalnya, suatu
program penurunan berat badan menyatakan bahwa program tersebut dapat
mengurangi berat badan rata-rata 25 pon. Pada kasus ini, 25 pon adalah indikator
tuntutan effect size. Contoh lainnya adalah suatu program bimbingan belajar yang
menyatakan dapat meningkatkan prestasi sekolah satu peringkat. Peningkatan
peringkat ini adalah tuntutan effect size. Kedua contoh ini merupakan “effect size
mutlak”, perbedaan antara hasil rata-rata dua kelompok tanpa memperhatikan
variabilitas/penyebaran dalam satu kelompok. Oleh karena ketiadaan variabilitas
ini, pendugaan effect size perlu dilakukan.

Seorang peneliti menyatakan bahwa penyembuhan kanker hipertiroid


stadium akhir dengan iodium radioaktif dikenal 30% lebih efektif daripada
metode lainnya. Indikator 30% tersebut merupakan tuntutan effect size. Suatu
lembaga survei menyatakan bahwa 60% penduduk Jakarta lebih memilih
menghabiskan waktu akhir pekannya di mall. Indikator 60% tersebut juga
merupakan tuntutan effect size. Kedua contoh ini merupakan penentuan effect size
dalam hal perbedaan proporsi populasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

97

Pendugaan effect size sering dibutuhkan sebelum memulai penelitian,


misalnya untuk menghitung jumlah subjek penelitian yang mungkin diperlukan
agar menghindari kesalahan tipe II. Dengan kata lain, peneliti harus menentukan
apakah jumlah subjek penelitian akan cukup untuk memastikan bahwa
penelitiannya memiliki kekuatan yang dapat diterima dalam mendukung hipotesis
nol. Artinya, jika ada perbedaan yang ditemukan antara kelompok, maka ini
merupakan temuan yang benar.

B. Jenis Effect Size

Effect size dihitung untuk menggambarkan data dalam sampel dan


berpotensi menduga parameter populasi yang sesuai. Jika parameter itu adalah
perbedaan rata-rata dua populasi, maka effect size ditentukan oleh seberapa besar
perbedaan rata-rata itu. Contohnya, effect size digunakan untuk mengetahui besar
kecilnya perbedaan rata-rata konsumsi bensin yang dikeluarkan oleh mesin jenis
A dan jenis B. Contoh lainnya, effect size digunakan untuk mengetahui besar
kecilnya perbedaan rata-rata kandungan senyawa ortho-fosfor pada lokasi 1 dan
lokasi 2.

Jika parameternya adalah perbedaan proporsi dua populasi maka effect size
ditentukan oleh seberapa besar perbedaan proporsi itu. Contohnya, effect size
digunakan untuk mengetahui besar kecilnya perbedaan proporsi pemilih kota dan
daerah sekitarnya yang menyetujui dibangunnya pabrik kimia. Contoh lainnya
adalah untuk mengetahui besar kecilnya perbedaan proporsi kejadian kanker
payudara di kota dan desa.

Jika parameternya adalah koefisien korelasi maka effect size ditentukan oleh
seberapa besar perbedaan itu. Contohnya, effect size digunakan untuk mengetahui
besar kecilnya korelasi/hubungan antara berat dan ukuran dada bayi saat lahir.
Jadi, apabila peneliti ingin menjelaskan tentang besarnya perbedaan rata-rata,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

98

proporsi ataupun koefisien korelasi maka istilah yang tepat adalah effect size dan
bukan lagi tingkat signifikansi.

Menurut Ferguson (2009), effect size dapat dibagi menjadi empat kategori
umum:

a. Indeks kelompok yang berbeda. Perkiraan ini biasanya mencatat besarnya


perbedaan antara dua atau lebih kelompok. Effect size yang umum
digunakan adalah Cohen’s 𝑑, Hedges’s 𝑔, Glass’s ∆.
b. Indeks kekuatan hubungan. Perkiraan ini biasanya memeriksa besarnya
variansi antara dua atau lebih variabel. Effect size yang umum digunakan
adalah Pearson 𝑟, 𝑅, 𝑟 parsial, Spearman’s 𝜌, koefisien regresi yang
distandarkan (β), 𝑟 2 , Kendall’s tau, Eta-kuadrat (𝜂2 ).
c. Perkiraan yang dikoreksi. Effect size yang umum digunakan adalah
adjusted 𝑅 2 , Hay’s 𝜔2 , 𝜀 2 .
d. Perkiraan risiko. Pengukuran ini membandingkan risiko relatif untuk hasil
tertentu antara dua atau lebih kelompok. Pengukuran ini lebih banyak
digunakan pada hasil penelitian medis. Effect size yang umum digunakan
adalah relative risk (RR) dan odds ratio (OR).

Estimasi yang paling mendasar dan jelas dari effect size adalah ketika menentukan
apakah dua kelompok data berbeda. Jika banyak artikel yang melaporkan rata-rata
dan perbedaannya, maka effect size mudah untuk dihitung. Perbedaan antara rata-
rata dalam populasi cukup untuk mengukur effect size dan dapat memberikan
estimasi yang berguna dari effect size ketika langkah-langkah yang terlibat
bermakna. Pada skripsi ini, pembahasan mengenai efek akan fokus hanya pada
perbedaan rata-rata dalam populasi dan ini akan lebih mudah untuk
membandingkan efek suatu variabel dari penelitian-penelitian yang menggunakan
skala pengukuran berbeda.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

99

Perbedaan Rata-rata Baku

Sebelum masuk pada pembahasan indeks kelompok yang berbeda atau lebih
dikenal dengan perbedaan rata-rata yang distandardisasi, terlebih dahulu dibahas
mengenai perbedaan rata-rata baku. Perbedaan rata-rata baku adalah indeks yang
berguna ketika ukuran tersebut bermakna.

Dalam hal apapun, perbedaan rata-rata baku dipilih hanya jika perbandingan
antar hasil-hasil penelitian menggunakan skala yang sama. Jika perbandingan
penelitian yang satu dengan lainnya menggunakan instrumen yang berbeda
(seperti tes psikologi), maka untuk menilai hasilnya, skala pengukuran akan
berbeda dari penelitian ke penelitian lainnya dan itu tidak akan bermakna untuk
menggabungkan rata-rata baku.

Misalkan suatu penelitian melaporkan rata-rata untuk dua kelompok, yaitu


kelompok kontrol dan kelompok eksperimen. Kelompok kontrol adalah kelompok
yang tidak diberi perlakuan saat penelitian. Kelompok eksperimen adalah
kelompok yang diberi perlakuan berupa variabel bebas. Rata-rata populasi untuk
kedua kelompok, yaitu 𝜇1 dan 𝜇2 . Perbedaan rata-rata populasi diberikan oleh

⊿ = 𝜇1 − 𝜇2 .

Misalkan 𝑋̅1 dan 𝑋̅2 adalah rata-rata sampel dari dua kelompok yang berukuran 𝑛1
dan 𝑛2 . Pendugaan untuk ⊿ adalah perbedaan pada rata-rata sampelnya, yaitu

𝐷 = 𝑋̅1 − 𝑋̅2 .

Perlu diketahui bahwa simbol 𝐷 digunakan untuk perbedaan rata-rata baku,


sedangkan simbol 𝑑 digunakan untuk perbedaan rata-rata yang distandardisasi.
Perbedaan rata-rata yang distandardisasi akan dibahas pada subbab berikutnya.

Standar deviasi sampel untuk kedua kelompok adalah 𝑆1 dan 𝑆2 . Jika kedua
standar deviasi populasi diasumsikan sama, 𝜎1 = 𝜎2 = 𝜎, maka variansi 𝐷 adalah

𝑛1 + 𝑛2 2
𝑉𝐷 = 𝑆 ,
𝑛1 𝑛2 𝑝
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

100

dengan 𝑆𝑝 merupakan standar deviasi sampel gabungan yang diperoleh pada


persamaan (2.2),

(𝑛1 − 1)𝑆1 2 + (𝑛2 − 1)𝑆2 2


𝑆𝑝 = √ .
𝑛1 + 𝑛2 − 2

Jika standar deviasi kedua populasi diasumsikan tidak sama, maka variansi 𝐷
adalah

𝑆1 2 𝑆2 2
𝑉𝐷 = + .
𝑛1 𝑛2

Pada semua kasus, standar error 𝐷 diberikan oleh

𝑆𝐸𝐷 = √𝑉𝐷 .

Sebagai contoh, misalkan suatu penelitian mempunyai rata-rata sampel 𝑋̅1 = 103,
𝑋̅2 = 100, standar deviasi sampel 𝑆1 = 5.5, 𝑆2 = 4.5 dan ukuran kedua sampel
adalah 50. Perbedaan rata-rata baku adalah

𝐷 = 103 − 100 = 3.

Jika diasumsikan 𝜎1 = 𝜎2 , maka standar deviasi gabungan dalam kelompok


adalah

(50 − 1)(5.5)2 + (50 − 1)(4.5)2


𝑆𝑝 = √ = 5.0249.
50 + 50 − 2

Variansi dan standar error diberikan oleh

50 + 50
𝑉𝐷 = (5.0249)2 = 1.01
(50)(50)

dan

𝑆𝐸𝐷 = √1.01 = 1.005.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

101

Jika asumsinya adalah kedua standar deviasi populasi tidak sama, maka variansi
dan standar error 𝐷 diberikan oleh

5.52 4.52
𝑉𝐷 = + = 1.01
50 50

dan

𝑆𝐸𝐷 = √1.01 = 1.005.

Terlihat bahwa rumus untuk kedua variansi 𝐷, baik untuk standar deviasi kedua
populasinya sama ataupun keduanya tidak sama, memberikan hasil yang sama
pada contoh di atas. Hal ini terjadi hanya jika ukuran sampel dan/atau estimasi
variansi adalah sama pada kedua kelompok.

C. Perbedaan Rata-rata yang Distandardisasi


Perbedaan rata-rata baku menjadi dasar bagi effect size, khususnya indeks
perbedaan kelompok. Jika perbandingan penelitian yang satu dengan lainnya
dilakukan dengan menggunakan skala pengukuran yang berbeda, maka perbedaan
rata-rata baku perlu distandardisasi menggunakan penyebut yang tidak
dipengaruhi oleh besarnya ukuran sampel, yaitu standar deviasi populasi. Ini
dilakukan untuk membuat indeks yang akan sebanding di penelitian. Indeks inilah
yang dinamakan perbedaan rata-rata yang distandardisasi.

Perbedaan rata-rata yang distandardisasi adalah ukuran yang melengkapi


distribusi. Hal ini berarti bahwa perbedaan rata-rata yang distandarkan
mencerminkan perbedaan antara distribusi dalam dua kelompok dan bagaimana
masing-masing kelompok mewakili cluster yang berbeda dari nilai, meskipun
tidak mengukur persis hasil yang sama. Keluarga indeks perbedaan rata-rata yang
distandarkan merepresentasikan besarnya perbedaan antara rata-rata dua
kelompok sebagai fungsi dari standar deviasi kelompok. Santoso (2010) mengutip
pernyataan Olejnic dan Algina, yaitu perbedaan rata-rata yang distandardisasi
dilambangkan dengan simbol 𝑑 untuk analisis univariat dan 𝐷 (akar dari
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

102

Mahalanobis 𝐷 2 ) untuk analisis multivariat atau dilambangkan secara umum


dengan simbol 𝛿. Ada tiga indeks yang umum digunakan pada perbedaan rata-rata
yang distandardisasi, yaitu Cohen’s 𝑑, Hedges’s 𝑔, dan indeks Glass. Pada skripsi
ini hanya akan dibahas indeks Cohen’s 𝑑 yang secara umum lebih baik.

1. Cohen’s 𝒅
Cohen’s 𝑑 adalah ekspresi statistik yang cukup sederhana, yaitu perbedaan antara
dua hasil kelompok dibagi standar deviasi populasi. Kegunaan Cohen’s 𝑑 adalah
dapat terbantunya peneliti untuk menghitung, menafsirkan dan menghargai effect
size. Sebagai contoh, peneliti menemukan latihan berhitung yang dapat
meningkatkan nilai rata-rata di SD A sebesar 5 poin pada saat diadakannya tes. Ini
memungkinkan bahwa orang tertentu saja yang dapat memahami apa artinya 5
poin. Peningkatan 5 poin tersebut sulit untuk diinterpretasikan karena maknanya
terlalu luas. Jika ada tabel konversi yang dilengkapi bersama hasil tes, maka lima
poin dapat diterjemahkan dengan mudah. Oleh karena itu, peneliti dapat
melakukan standardisasi pada perbedaan nilai rata-rata tes tersebut. Perubahan
pada tes tersebut dapat diamati sebagai 𝑑 = 15/5 = 0.33 atau sepertiga dari
standar deviasi.

Ada berbagai pendekatan untuk menginterpretasikan nilai 𝑑 = 0.33. Salah


satunya adalah nilai 𝑑 tersebut dibandingkan dengan nilai referensi yang diberikan
Cohen (1988), yaitu

a. 0 < 𝑑 ≤ 0.2. (efek kecil)


b. 0.2 < 𝑑 ≤ 0.5. (efek sedang)
c. 0.5 < 𝑑 ≤ 0.8. (efek besar)
d. 𝑑 > 0.8. (efek sangat besar)
Jika effect size besar, maka ini berarti perbedaan rata-rata antar kelompok besar.
Jika effect size sedang, maka ini berarti perbedaan rata-rata antara kelompok satu
dengan lainnya tidak besar, tidak juga kecil. Nilai besar kecil tersebut tergantung
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

103

pada peneliti untuk membuat penilaiannya sendiri dengan mempertimbangkan


semua keadaan, termasuk melihat selang kepercayaan pada penduga titik.

Nilai yang dipakai untuk standardisasi atau penstandar (standardizer) pada


Cohen’s 𝑑 adalah standar deviasi yang terpilih sebagai unit pengukuran 𝑑.
Bagilah effect size di satuan asli (perbedaan rata-rata baku) oleh penstandar
untuk mendapatkan 𝑑. Hal ini penting untuk memahami 𝑑 sebagai rasio dari efek
yang diamati dibagi dengan standar deviasi. Pembilang dan penyebut dinyatakan
dalam satuan asli dan keduanya membutuhkan perhatian interpretatif. Nilai 𝑑 jelas
sensitif terhadap pembilang tetapi nilai 𝑑 juga sangat sensitif terhadap
penyebutnya, yaitu standar deviasi yang digunakan sebagai penstandar
(standardizer).

Pada suatu penelitian, penggunaan referensi Cohen’s 𝑑 yang berlebihan


dapat menyebabkan peneliti menganggap efek yang besar itu penting sedangkan
efek yang kecil tidaklah penting. Oleh karena itu, peneliti dapat menjadikan acuan
penelitian sebelumnya untuk menghindari kesalahan penilaian hasil penelitian.
Sangat disayangkan juga bahwa nilai 𝑑 kadang-kadang dilaporkan tapi nilai
tersebut tidak dijelaskan lebih lanjut. Sangat penting untuk melaporkan 𝑑,
menjelaskan standardizer dan interpretasikan nilai 𝑑 tersebut. Sebelum dibahas
Cohen’s 𝑑 pada pengujian hipotesis rata-rata satu populasi maupun dua populasi,
terlebih dahulu didefinisikan 𝛿 sebagai effect size populasi dan 𝑑 sebagai effect
size sampel untuk menduga 𝛿.

Misalkan suatu studi menggunakan dua kelompok independen yang ingin


membandingkan rata-rata keduanya. Rata-rata dan standar deviasi populasi
kelompok pertama adalah 𝜇1 dan 𝜎1 . Rata-rata dan standar deviasi populasi
kelompok lainnya adalah 𝜇2 dan 𝜎2 . Jika standar deviasi kedua populasi adalah
sama, maka parameter perbedaan rata-rata populasi yang distandardisasi adalah

𝜇1 − 𝜇2
𝛿= .
𝜎
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

104

Simbol 𝛿 dapat juga dipandang sebagai parameter effect size untuk analisis
multivariat. Penduga titik untuk parameter 𝛿 didefinisikan sebagai

𝑥̅2 − 𝑥̅1
𝑑= .
𝑠

dengan 𝑥̅1 dan 𝑥̅ 2 adalah rata-rata sampel kelompok 1 dan 2, 𝑠 adalah standar
deviasi sampel.

a. Effect Size Cohen’s d pada Pengujian Hipotesis Rata-rata Satu Populasi


Misalkan hipotesis nol pada pengujian hipotesis rata-rata satu populasi adalah

𝐻0 : 𝜇 = 𝜇0 ,

dengan 𝜇0 adalah konstanta yang dihipotesiskan untuk 𝜇.

Pengujian hipotesis di atas menggunakan uji 𝑡 sampel tunggal yang statistik uji
adalah

𝑥̅ − 𝜇0
𝑡= ,
𝑠/√𝑛

dengan 𝑥̅ adalah rata-rata sampel, 𝑠 adalah standar deviasi sampel dan 𝑛 adalah
ukuran sampel.

Standar deviasi (𝑠) yang digunakan untuk menghitung statistik uji merupakan
standardizer yang dipilih untuk menghitung effect size 𝑑, dengan

𝑡
𝑑= .
√𝑛

Akibatnya, rumus umum Cohen’s 𝑑 pada pengujian hipotesis rata-rata satu


populasi di bawah ini mirip dengan nilai 𝑧,

𝑥̅ − 𝜇0
𝑑= .
𝑠
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

105

Ada hubungan yang berkaitan antara statistik uji dan rumus Cohen’s 𝑑.
Statistik uji mengukur seberapa jauh 𝑥̅ dari 𝜇0 dalam satuan standar error 𝑠/√𝑛,
sedangkan 𝑑 mengukur seberapa jauh 𝑥̅ dari 𝜇0 dalam satuan standar deviasi 𝑠.
Dengan kata lain, 𝑑 ternyata memiliki distribusi yang sama dengan 𝑡.

Contoh 3.2.1. Tabel 3.1 menunjukkan data untuk sebuah percobaan dengan 20
siswa dipilih secara acak. Siswa yang ditugaskan untuk menghabiskan waktu
siang harinya dengan membaca buku di perpustakaan diberi nama kondisi
Kontrol, sedangkan siswa yang membaca buku di kebun botani diberi nama
kondisi Eksperimen. Asumsikan cuaca dalam keadaan cerah dan sore harinya
masing-masing siswa menyelesaikan ukuran kenyamanan yang dirasakannya.

Tabel 3.1 Nilai Kenyamanan untuk Dua Kelompok Independen

Kontrol (K) Eksperimen (E)

34 66
54 38
33 35
44 55
45 48
53 39
37 65
26 32
38 57
58 41

Rata-rata 𝑥̅𝐾 = 42.2 𝑥̅𝐸 = 47.6

SD 𝑠𝐾 = 10.41 𝑠𝐸 = 12.46

Sd gabungan 𝑠𝑝 = 11.48
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

106

Contoh ini adalah eksperimen dua kelompok, tetapi contoh ini hanya
mempertimbangkan kelompok kontrol. Percobaan ini dilakukan untuk menguji
apakah ukuran kenyamanan yang digunakan adalah skala dengan rata-rata 40
orang di suatu negara, sehingga 𝜇0 = 40.

Effect size pada percobaan kelompok kontrol adalah

42.2 − 40
𝑑= = 0.21.
10.41

Jika percobaan ini melaporkan standar deviasi populasi dalam referensi yang
tepat, maka standar deviasi (𝜎) yang akan digunakan. Namun, pada contoh ini,
nilai seperti itu tidak ada sehingga standar deviasi sampel dari kelompok kontrol
yang digunakan sebagai standardizer. Oleh karena jumlah sampel yang digunakan
hanya 10, maka standar deviasi sampel menunjukkan pendugaan yang tidak tepat.
Akibatnya, perhitungan selang kepercayaan pada 𝑑 diperlukan untuk menemukan
seberapa tidak tepat pendugaan tersebut. Effect size 𝑑 sebesar 0.21 menunjukkan
bahwa rata-rata kelompok kontrol, 42.2, hanya berbeda sedikit dari rata-rata
populasi yang bernilai 40.

b. Effect Size Cohen’s 𝒅 pada Pengujian Hipotesis Rata-rata Dua Populasi

Misalkan hipotesis nol pada pengujian hipotesis rata-rata dua populasi adalah

𝐻0 : 𝜇1 = 𝜇2 .

Pengujian hipotesis di atas menggunakan uji 𝑡 yang mengasumsikan homogenitas


variansi (kedua variansi populasi sama) serta statistik ujinya adalah

𝑥̅2 − 𝑥̅1
𝑡= ,
1 1
𝑠𝑝 √𝑛 + 𝑛
1 2

dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

107

(𝑛1 − 1)𝑠1 2 + (𝑛2 − 1)𝑠2 2


𝑠𝑝 = √ , (3.1)
𝑛1 + 𝑛2 − 2

dan 𝑥̅1 dan 𝑥̅2 adalah rata-rata sampel kedua kelompok, 𝑠𝑝 adalah standar deviasi
sampel gabungan pada persamaan (2.2), 𝑛1 dan 𝑛2 adalah ukuran sampel
masing-masing kelompok.

Secara umum, Keppel dan Wickens (2004) menyatakan bahwa standar


deviasi 𝑘 sampel yang digabungkan adalah

𝑘
(𝑛𝑗 − 1)𝑠 2𝑗
𝑠𝑝𝑜𝑜𝑙𝑒𝑑 = √∑ .
(𝑛𝑗 − 1)
𝑖=1

Asumsikan 𝑠𝑝 = 𝑠 (standar deviasi sampel gabungan), maka standardizer yang


dipilih untuk menghitung effect size 𝑑 adalah standar deviasi sampel yang
digabungkan (𝑠𝑝 ), sehingga

1 1
𝑑 = 𝑡√ + . (3.2)
𝑛1 𝑛2

Akibatnya, rumus umum Cohen’s 𝑑 pada pengujian hipotesis rata-rata dua


populasi adalah

𝑥̅2 − 𝑥̅1
𝑑= ,
𝑠

dengan

(𝑛1 − 1)𝑠1 2 + (𝑛2 − 1)𝑠2 2


𝑠=√ ,
𝑛1 + 𝑛2

Terkadang 𝑥̅1 − 𝑥̅2 digunakan daripada 𝑥̅2 − 𝑥̅1 , tetapi ini tergantung pilihan
peneliti. Peneliti harus konsisten dan menandai perbedaan arah rata-rata kedua
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

108

kelompok sebagai nilai yang positif dari 𝑑. Misalnya, kelompok kontrol vs


eksperimen sebagai grup 1 dan 2.

Oleh karena distribusi sampling dari 𝑡 adalah distribusi non-sentral 𝑡 dan 𝑑


dapat dinyatakan pada persamaan (3.2), maka berdasarkan definisi 2.2.2 effect
size 𝑑 juga berdistribusi non-sentral 𝑡. Inilah hubungan yang erat antara 𝑑 dan 𝑡.
Hubungan yang erat tersebut juga tak lepas dari pengaruh standardizer.
Standardizer akan berperan penting untuk memberikan estimasi yang akurat.
Terlebih, jika kelompok kontrol dan eksperimen memiliki variansi populasi yang
sama (asumsi homogenitas variansi dipenuhi), maka 𝑠𝑝 adalah pilihan terbaik bagi
standardizer. Cumming (2012) menyatakan bahwa pilihan yang paling umum
sebagai standardizer adalah 𝑠𝑝 dan ini dapat dijadikan rekomendasi, kecuali ada
alasan yang baik untuk memilih beberapa pilihan lain.

Dalam jurnalnya, Santoso (2010) menyatakan bahwa jika asumsi


homogenitas variansi tidak dipenuhi, maka perbedaan rata-rata yang
distandardisasi tidak dihitung menggunakan 𝑠𝑝 , melainkan beberapa alternatif lain
yaitu:

a. Standar deviasi salah satu kelompok yang dapat dianggap sebagai acuan.
Dalam penelitian eksperimental, biasanya kelompok kontrol yang dianggap
sebagai acuan.
b. Standar deviasi gabungan (𝑠𝑝 ) dari kelompok yang sedang dibandingkan,
bukan dari semua kelompok dalam penelitian.

Pada contoh 3.2.1, jika diasumsikan kedua kelompok memiliki variansi populasi
yang sama, maka effect size 𝑑 adalah

𝑥̅𝐸 − 𝑥̅𝐾 47.6 − 42.2


𝑑= = = 0.47.
𝑠𝑝 11.48

Nilai 𝑑 tersebut menunjukkan bahwa kunjungan ke kebun botani mendorong


peningkatan ukuran kenyamanan dengan efek sedang. Sebagai perbandingan,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

109

standar deviasi kelompok kontrol (𝑠𝐾 ) dipilih sebagai standardizer, sehingga


effect size 𝑑 adalah

𝑥̅𝐸 − 𝑥̅𝐾 47.6 − 42.2


𝑑= = = 0.52.
𝑠𝐾 10.41

Kedua nilai 𝑑 yang dihitung menggunakan effect size yang sama memperlihatkan
perbedaan pada standardizernya. Pada kasus ini, pemilihan 𝑠𝑝 adalah pendugaan
yang tepat bagi standar deviasi populasi. Hal ini terjadi karena 𝑠𝑝 memiliki derajat
bebas lebih besar daripada 𝑠𝐾 . Pada tabel 3.1, 𝑠𝑝 didasarkan pada derajat bebas

𝑑𝑓 = 𝑛𝐾 + 𝑛𝐸 − 2 = 18,

sedangkan 𝑠𝐾 didasarkan pada derajat bebas

𝑑𝑓 = 𝑛𝐾 − 1 = 9,

dengan 𝑛𝐾 dan 𝑛𝐸 adalah ukuran sampel kedua kelompok.

Hedges dan Olkin (1985) mengembangkan effect size 𝑑𝑢𝑛𝑏 (Hedges’s 𝑔)


untuk memperbaiki effect size 𝑑. Effect size 𝑑𝑢𝑛𝑏 tersebut adalah

𝑑𝑢𝑛𝑏 = 𝐽 x 𝑑, (3.3)

dengan

3
𝐽=1− (3.4)
4𝑑𝑓 − 1

adalah faktor koreksi 𝑑, effect size 𝑑 adalah perbedaan rata-rata yang


penstandarnya (𝑠𝑝 ) merupakan sampel gabungan (persamaan 3.1) dan 𝑑𝑓 adalah
derajat bebas 𝑛1 + 𝑛2 − 2.

Variansi dan standar error dari 𝑑𝑢𝑛𝑏 adalah

𝑉𝑑𝑢𝑛𝑏 = 𝐽2 x 𝑉𝑑 ,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

110

𝑆𝐸𝑑𝑢𝑛𝑏 = √𝑉𝑑𝑢𝑛𝑏 ,

dengan 𝐽 adalah faktor koreksi pada persamaan (3.4) dan

𝑛1 + 𝑛2 𝑑2
𝑉𝑑 = + . (3.5)
𝑛1 𝑛2 2(𝑛1 + 𝑛2 )

c. Effect Size Cohen’s 𝒅 pada Observasi Berpasangan

Misalkan 𝑥̅1 , 𝑥̅2 adalah rata-rata sampel berukuran 𝑛 yang tidak independen serta
dipilih secara acak dari populasi berdistribusi Normal dengan rata-rata 𝜇1 , 𝜇2 . Jika
perbedaan rata-rata sampel berpasangan (lihat bab II.F.5) adalah

𝑥̅1 − 𝑥̅ 2 = 𝑑̅ ,

maka pengujian hipotesis sampel berpasangan diberikan oleh

𝐻0 : 𝜇𝐷 = 0,

𝐻1 : 𝜇𝐷 ≠ 0,

dengan 𝜇𝐷 adalah perbedaan rata-rata populasi berpasangan. Pada persamaan


(2.9), statistik uji pada pengujian hipotesis sampel berpasangan adalah

𝑑̅
𝑡= ,
𝑠𝑑 /√𝑛

dengan 𝑑̅ adalah perbedaan rata-rata sampel berpasangan, 𝑠𝑑 adalah standar


deviasi sampel berpasangan dan 𝑛 adalah ukuran sampel yang tidak independen.

Jika 𝑑̅ dapat dinyatakan sebagai selisih antara rata-rata Posttest dengan


Pretest, maka ada beberapa pilihan standar deviasi yang akan digunakan sebagai
standardizer, yaitu

a. Standar deviasi pretest (𝑠𝑝𝑟𝑒 ). Effect size 𝑑 dapat dihitung sebagai


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

111

𝑑̅
𝑑= .
𝑠𝑝𝑟𝑒
b. Standar deviasi dari rata-rata antara 𝑠𝑝𝑟𝑒 dan 𝑠𝑝𝑜𝑠𝑡 yang diberikan oleh

𝑠𝑝𝑟𝑒 2 + 𝑠𝑝𝑜𝑠𝑡 2
𝑠𝑎𝑣 = √ . (3.6)
2

Effect size 𝑑 dapat dihitung sebagai

𝑑̅
𝑑= . (3.7)
𝑠𝑎𝑣

c. Standar deviasi dari selisih antara Posttest dengan Pretest (𝑠𝐷 ).


Effect size 𝑑 dapat dihitung sebagai

𝑑̅
𝑑= .
𝑠𝑑

Cumming (2012) menyatakan bahwa pendugaan standar deviasi terbaik untuk


desain berpasangan dan juga sebagai pilihan standardizer terbaik adalah 𝑠𝑎𝑣 .
Penggunaan 𝑠𝑎𝑣 untuk 𝑑, daripada 𝑠𝑑 menggambarkan bahwa effect size 𝑑
sebanding dengan 𝑑 yang dihitung pada pengujian satu kelompok atau dua
kelompok independen. Dengan kata lain, 𝑠𝑑 diperlukan untuk uji 𝑡 sampel
berpasangan, tetapi 𝑠𝑎𝑣 akan berguna bagi effect size 𝑑. Penggunaan dua standar
deviasi yang berbeda untuk dua tujuan berarti bahwa tidak ada hubungan antara 𝑑
dan uji 𝑡 dalam desain berpasangan.

Contoh 3.2.2. Tabel 3.2 menunjukkan data untuk sebuah percobaan dengan 10
siswa dipilih secara acak dengan 𝑑̅ adalah rata-rata Posttest-Pretest dan 𝑠𝑑 adalah
standar deviasi nilai Posttest-Pretest. Nilai kenyamanan siswa diukur sebelum
membaca buku di kebun botani sebagai data Pretest. Nilai kenyamanan siswa juga
diukur setelah membaca buku sebagai data Posttest.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

112

Tabel 3.2 Nilai Kenyamanan untuk Pengujian Satu Kelompok Sebelum dan
Sesudah Percobaan

Selisih
Peserta Pretest Posttest
(Post-Pre)

1 43 51 8
2 28 33 5
3 54 58 4
4 36 42 6
5 31 39 8
6 48 45 -3
7 50 54 4
8 69 68 -1
9 29 35 6
10 40 44 4

Rata-rata 𝑥̅ 𝑝𝑟𝑒 = 42.8 𝑥̅𝑝𝑜𝑠𝑡 = 46.9 𝑑̅ = 4.1

SD 𝑠𝑝𝑟𝑒 = 12.88 𝑠𝑝𝑜𝑠𝑡 = 10.9 𝑠𝑑 = 3.57

𝑠𝑎𝑣 = 11.93

Salah satu pilihan terbaik untuk mengestimasi variabilitas nilai kenyamanan


di populasi adalah 𝑠𝑝𝑟𝑒 , sehingga effect size 𝑑 adalah

𝑑̅ 4.1
𝑑= = = 0.32.
𝑠𝑝𝑟𝑒 12.88

Jika percobaan diharapkan dapat meningkatkan standar deviasi, mungkin lebih


baik untuk menganggap kondisi pretest sebagai dasar dan memilih 𝑠𝑝𝑟𝑒 sebagai
standardizer. Namun, 𝑠𝑎𝑣 adalah pilihan yang lebih baik, sehingga
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

113

𝑑̅ 4.1
𝑑= = = 0.34.
𝑠𝑎𝑣 11.93

Pemilihan 𝑠𝑑 sebagai standardizer sangat tidak disarankan karena terlalu sensitif,


perhitungan effect size 𝑑 pada contoh ini adalah

𝑑̅ 4.1
𝑑= = = 1.15.
𝑠𝑑 3.57

2. Selang Kepercayaan pada Effect Size 𝒅


Misalkan pengujian hipotesis adalah

𝐻0 : 𝛿 = 0,

𝐻0 : 𝛿 ≠ 0,

dengan 𝛿 adalah parameter perbedaan rata-rata yang distandardisasi.

Statistik uji yang digunakan untuk melakukan uji signifikansi adalah

𝑑−𝛿
𝑍= ,
𝑆𝐸𝑑

dengan 𝑑 adalah effect size perbedaan rata-rata yang distandardisasi dan

𝑆𝐸𝑑 = √𝑉𝑑 ,

𝑉𝑑 adalah variansi 𝑑 pada persamaan (3.5).

Hipotesis nol ditolak jika |𝑍| melebihi 𝑧𝛼/2 . Statistik uji 𝑍 dapat digunakan
sebagai Pivot untuk membentuk selang kepercayaan 100(1 − 𝛼)% bagi 𝛿. Oleh
karena itu, pembentukan selang kepercayaan 100(1 − 𝛼)% bagi 𝛿 diberikan oleh

𝑃(−𝑧𝛼/2 < 𝑍 < 𝑧𝛼/2 ) = 1 − 𝛼.

𝑑−𝛿
𝑃 (−𝑧𝛼/2 < < 𝑧𝛼/2 ) = 1 − 𝛼.
𝑆𝐸𝑑
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

114

𝑃(𝑑 − 𝑧𝛼/2 𝑆𝐸𝑑 < 𝛿 < 𝑑 + 𝑧𝛼/2 𝑆𝐸𝑑 ) = 1 − 𝛼.

Jadi, selang kepercayaan 100(1 − 𝛼)% bagi 𝛿 adalah

𝑑 − 𝑧𝛼/2 𝑆𝐸𝑑 < 𝛿 < 𝑑 + 𝑧𝛼/2 𝑆𝐸𝑑 . (3.8)

Menurut Hedges (1985), aproksimasi selang kepercayaan pada


pertidaksamaan (3.8) akan bagus ketika ukuran sampel besar (𝑛 > 10). Oleh
karena itu, untuk sampel kecil, selang kepercayaan eksak bagi 𝛿 diperoleh dengan
menggunakan definisi 2.2.2. Dengan demikian, berdasarkan definisi 2.2.2,
distribusi dari 𝑑 mengikuti distribusi non-sentral 𝑡 dengan parameter non-sentral

𝜇2 − 𝜇1
Δ= .
1 1
𝜎 √𝑛 + 𝑛
1 2

Hubungan antara 𝛿 dan Δ harus ditentukan terlebih dahulu dan hubungan tersebut
akan menjadi statistik uji untuk membentuk selang kepercayaan bagi 𝛿.

Oleh karena

𝜇2 − 𝜇1
𝛿= ,
𝜎

maka hubungan antara 𝛿 dan Δ adalah

𝛿
Δ= . (3.9)
1 1
√𝑛 + 𝑛
1 2

Dengan demikian, statistik uji Δ pada persamaan (3.9) dapat digunakan sebagai
Pivot untuk membentuk selang kepercayaan 100(1 − 𝛼)% eksak bagi 𝛿.
Pembentukan selang kepercayaan 100(1 − 𝛼)% eksak bagi 𝛿 diberikan oleh

𝑃(−𝑡 ∗ α/2 < Δ < 𝑡 ∗ α/2 ) = 1 − 𝛼.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

115

𝛿
𝑃 −𝑡 ∗ α/2 < < 𝑡 ∗ α/2 = 1 − 𝛼.
1 1
√𝑛 + 𝑛
( 1 2 )

1 1 1 1
𝑃 (−𝑡 ∗ α/2 √ + < 𝛿 < 𝑡 ∗ α/2 √ + ) = 1 − 𝛼.
𝑛1 𝑛2 𝑛1 𝑛2

Jadi, selang kepercayaan 100(1 − 𝛼)% eksak bagi 𝛿 adalah

1 1 1 1
−𝑡 ∗ α/2 √ + < 𝛿 < 𝑡 ∗ α/2 √ + ,
𝑛1 𝑛2 𝑛1 𝑛2

dengan 𝑡 ∗ α/2 adalah parameter non-sentral Δ.

Dengan cara yang sama, selang kepercayaan bagi

𝜇1 − 𝜇0
𝛿= ,
𝜎

adalah

−𝑡 ∗ α/2 √𝑛 < 𝛿 < 𝑡 ∗ α/2 √𝑛.

Selang kepercayaan eksak tersebut berlaku jika ukuran sampel kecil (𝑛 < 10) dan
jika ukuran sampel besar, maka aproksimasi selang kepercayaan bagi 𝛿 adalah

𝜎 𝜎
𝑑 − 𝑧𝛼/2 < 𝛿 < 𝑑 + 𝑧𝛼/2 . (3.10)
√𝑛 √𝑛

Cumming (2012) menjelaskan bahwa penduga selang terbaik untuk 𝛿 adalah


selang kepercayaan pada 𝑑. Penduga selang ini berlaku untuk pengujian hipotesis
rata-rata satu populasi dan dua populasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

116

Nilai 𝑑 dan selang kepercayaan dalam 𝑑 penting untuk dilaporkan dalam


penelitian. Cumming (2012) menyatakan bahwa Publication Manual
memberikan contoh dalam pelaporan 𝑑 dan selang kepercayaannya bersamaan
dengan hasil uji signifikansi, misalnya “𝑡(177)= 3.51, 𝑃 < 0.001, 𝑑 = 0.65,
95% CI [0.35,0.95]”, dengan 𝑡(177) adalah nilai 𝑡 berderajat bebas 177, nilai 𝑃
adalah probabilitas menolak hipotesis nol ketika hipotesis nol benar, CI
[0.35,0.95] menunjukkan bahwa ada perbedaan rata-rata yang signifikan. Ketika
peneliti ingin melaporkan nilai 𝑑, jangan lupa untuk menjelaskan bagaimana
proses perhitungan nilai 𝑑 tersebut.

D. Meta-Analisis pada 𝒅

Pada subbab ini akan dibahas model meta-analisis berupa model efek tetap dan
model efek acak, serta perhitungan meta-analisis pada 𝑑.

1. Model Meta-Analisis
Meta-analisis merupakan suatu teknik statistika untuk menggabungkan hasil
2 atau lebih penelitian sejenis sehingga diperoleh paduan data secara kuantitatif.
Saat ini meta-analisis paling banyak digunakan untuk uji klinis. Dengan kata lain,
meta-analisis merupakan gabungan effect size masing-masing studi yang
dilakukan dengan teknik statistika tertentu. Dengan melakukan studi meta-
analisis, peneliti dapat mengetahui letak perbedaan hasil masing-masing studi
dengan studi lainnya. Meta-analisis dilakukan sebagai upaya untuk mendapatkan
sebuah hasil studi yang mempunyai keabsahan yang lebih tinggi secara empiris
dan statistik dibandingkan dengan hanya melihat hasil satu penelitian saja.

Nindrea (2016) menjelaskan tujuan meta-analisis tidak berbeda dengan jenis


penelitian klinis lainnya, yaitu:

a. Untuk memperoleh estimasi effect size, yaitu kekuatan hubungan


ataupun besarnya perbedaan antar-variabel.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

117

b. Melakukan inferensi dari data dalam sampel ke populasi, baik dengan


uji hipotesis (nilai 𝑃) maupun estimasi (selang kepercayaan).
c. Melakukan kontrol terhadap variabel yang potensial bersifat sebagai
perancu agar tidak mengganggu kemaknaan statistik dari hubungan atau
perbedaan.
Nindrea (2016) juga menjelaskan manfaat studi meta-analisis, yaitu:

a. Hasil studi dapat dilakukan generalisasi (inferensial).


b. Perbedaan hasil-hasil penelitian terdahulu dapat dikonformasi dan
diberikan keputusan mana hasil yang tepat atau lebih kuat.
c. Ketepatan hasil studi semakin meningkat dengan semakin banyaknya
data atau studi yang masuk ke dalam analisis.

Lucky (𝑁 = 44)

Noluck (𝑁 = 36)

MA

-2 0 2 4 6 8

Perbedaan antara Rata-rata

Gambar 3.2 Forest Plot yang Menggabungkan Hasil Lucky, Noluck dan
Kombinasi Meta-Analisis (MA)

Definisi 3.3.1. Meta-analisis adalah sekumpulan teknik kuantitatif untuk


menggabungkan bukti dari sejumlah studi terkait. Bukti sejumlah studi tersebut
dan meta-analisis digambarkan melalui gambaran selang kepercayaan yang
dinamakan forest plot (Gambar 3.2).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

118

Dalam melakukan meta-analisis, khususnya untuk setiap studi, perlu


memasukkan nama studi, rata-rata, standar deviasi dan ukuran sampel. Meta-
analisis biasanya juga memberi bobot pada studi yang terkait, yaitu dengan invers
dari variansi effect size. Bobot yang besar akan menghasilkan standar deviasi yang
kecil, ukuran sampel (𝑛) yang besar dan direpresentasikan oleh kotak besar pada
forest plot. Selang kepercayaan yang pendek menunjukkan bahwa bobot yang
dihasilkan besar dan sebaliknya, selang kepercayaan yang panjang menunjukkan
bobot yang dihasilkan kecil.

Penggunaan yang lebih luas dari meta-analisis dapat menggantikan


penggunaan uji signifikansi. Keputusan publikasi yang didasarkan pada nilai 𝑃
dalam uji signifikansi cenderung mendistorsi literatur penelitian yang
dipublikasikan dan menghasilkan bias pada meta-analisis. Dengan kata lain,
kemungkinan bahwa hasil uji signifikansi yang tidak signifikan secara statistik
yang cenderung tidak dipublikasikan akan mengakibatkan bias pada meta-analisis.

a. Model Efek Tetap (Fixed Effect Model)


Model meta-analisis yang pertama adalah model efek tetap. Model efek tetap
mengasumsikan bahwa ada parameter tunggal dari populasi, misalnya 𝛿, dan
semua studi bertujuan mengestimasi 𝛿. Semua faktor yang terlibat dalam effect
size adalah sama (homogen) di semua studi. Dengan kata lain, semua studi yang
termuat dalam analisis memiliki fungsi yang identik. Tujuan penggunaan model
ini adalah mengidentifikasi populasi, bukan menggeneralisasinya ke populasi lain.

Karena semua studi berbagi efek yang sama, maka effect size yang
diobservasi bervariasi dari studi ke studi. Hal ini disebabkan oleh galat acak yang
ada di setiap studi (𝜀𝑖 ). Secara umum, efek 𝑌𝑖 yang diobservasi untuk setiap studi
diberikan oleh effect size populasi (𝛿) ditambah sampling error studi tersebut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

119

Jadi, model efek tetap adalah

𝑌𝑖 = 𝛿 + 𝜀𝑖 ,

dengan 𝜀𝑖 diasumsikan berdistribusi 𝑁(0, 𝜎̂𝑖 2 ).

Rata-rata terbobot perlu dihitung untuk mendapatkan estimasi yang paling


tepat dari efek populasi (untuk meminimumkan variansi). Bobot pada masing-
masing studi dalam model efek tetap adalah

1
𝑊𝑖 = , (3.11)
𝑉𝑌𝑖

dengan 𝑉𝑌𝑖 adalah variansi untuk studi ke-i. Rata-rata terbobot (keseluruhan effect
size) dapat dihitung dengan

∑𝑘𝑖=1 𝑊𝑖 𝑌𝑖
𝑀= , (3.12)
∑𝑘𝑖=1 𝑊𝑖

dengan 𝑌𝑖 adalah effect size pada studi ke-i dan 𝑊𝑖 adalah bobot ke-i. Variansi dari
keseluruhan effect size diestimasi sebagai invers dari jumlah bobotnya, atau

1
𝑉𝑀 = , (3.13)
∑𝑘𝑖=1 𝑊𝑖

dan penduga standar error dari keseluruhan effect size adalah

𝑆𝐸𝑀 = √𝑉𝑀 . (3.14)

Batas bawah dan batas atas kepercayaan 95% untuk estimasi keseluruhan effect
size adalah

𝐿𝐿𝑀 = 𝑀 − 1.96𝑆𝐸𝑀 , (3.15)

𝑈𝐿𝑀 = 𝑀 + 1.96𝑆𝐸𝑀 . (3.16)


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

120

Berdasarkan persamaan (2.4) di bab II, nilai 𝑧 untuk menguji hipotesis nol yang
rata-rata efeknya nol dapat dihitung sebagai

𝑀
𝑍= . (3.17)
𝑆𝐸𝑀

Nilai 𝑃 untuk uji hipotesis satu arah diberikan oleh

𝑃 = 1 − 𝛷(±|𝑍|),

dengan tanda ‘+’ digunakan jika perbedaannya adalah arah yang diharapkan,
tanda ‘−‘ sebaliknya. Sedangkan nilai 𝑃 untuk uji hipotesis dua arah diberikan
oleh

𝑃 = 2[1 − 𝛷(|𝑍|)], (3.18)

dengan 𝛷(|𝑍|) adalah distribusi kumulatif Normal Standar.

b. Model Efek Acak (Random Effects Model)


Misalkan studi ke-i mengestimasi 𝛿𝑖 . Model efek acak (random effects model)
mengasumsikan bahwa ada parameter populasi 𝛿𝑖 dan setiap studi mengestimasi
𝛿𝑖 berdasarkan sampel secara acak. Model ini juga mengasumsikan bahwa 𝛿𝑖
berdistribusi Normal dengan rata-rata 𝛿 dan standar deviasi 𝜏. Oleh karena itu,
parameter 𝜏 2 adalah variansi dari parameter effect size di seluruh populasi studi.
Jika 𝜏 2 = 0, maka semua 𝛿𝑖 akan sama dengan 𝛿 dan model meta-analisisnya
adalah model efek tetap.

Secara umum, tujuan meta-analisis menggunakan model efek acak adalah


untuk mengestimasi rata-rata dari distribusi 𝛿𝑖 . Dengan kata lain, tujuan analisis
ini adalah untuk menggeneralisasi populasi ke berbagai skenario. Cumming
(2012) menyatakan bahwa model efek tetap seharusnya menjadi pilihan rutin, di
samping asumsi yang kuat pada modelnya. Jika faktor yang terlibat dalam effect
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

121

size adalah homogen di semua studi, maka model ini memberikan hasil yang sama
dengan model efek tetap.

Efek observasi 𝑌𝑖 untuk model efek acak diberikan oleh

𝑌𝑖 = 𝛿 + 𝑣𝑖 + 𝜀𝑖 ,

dengan 𝛿 adalah effect size populasi, 𝑣𝑖 ~ 𝑁(0, 𝜏 2 ) adalah jarak antara 𝛿 dengan
𝛿𝑖 dan 𝜀𝑖 adalah sampling errornya. Dengan kata lain, 𝑌𝑖 ~ 𝑁(𝛿, 𝜎𝑖 2 + 𝜏 2 ).

Salah satu metode untuk mengestimasi 𝜏 2 adalah metode DerSimonian dan


Laird. Penduga dari parameter 𝜏 2 adalah

𝑄 − 𝑑𝑓
𝑇2 = , (3.19)
𝐶

untuk 𝑄 > 𝑑𝑓 dengan

𝑘 2
2(∑𝑘𝑖=1 𝑊𝑖 𝑌𝑖 )
𝑄 = ∑ 𝑊𝑖 𝑌𝑖 − , (3.20)
∑𝑘𝑖=1 𝑊𝑖
𝑖=1

𝑘
∑𝑘𝑖=1 𝑊𝑖 2
𝐶 = ∑ 𝑊𝑖 − 𝑘 , (3.21)
∑𝑖=1 𝑊𝑖
𝑖=1

𝑑𝑓 = 𝑘 − 1. (3.22)

Catatan: 𝑄 adalah variabilitas antara rata-rata studi (ukuran heterogenitas) dan 𝑘


adalah jumlah studi. Bukti bahwa penduga 𝜏 2 adalah 𝑇 2 dapat dilihat pada buku
karangan Chen, D. G dan Peace, K. E (2013) yang berjudul Applied Meta-
Analysis with R halaman 53.

Statistik 𝑄 digunakan untuk menguji heterogenitas pada uji signifikansi di


seluruh studi. Nilai 𝑄 > 𝑑𝑓 mengindikasikan bahwa 𝑇 2 besar, akibatnya, studi
heterogen, pendugaan terhadap 𝜏 2 besar dan model efek acak digunakan. Nilai 𝑄
yang dekat dengan 𝑑𝑓 adalah konsisten dengan homogenitas dan model efek
tetap. Dengan demikian, heterogenitas berhubungan dengan model efek acak.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

122

Nilai 𝑇 2 tidak dapat menjadi negatif meskipun 𝑄 < 𝑑𝑓. Hal ini disebabkan oleh
𝑇 2 adalah variansi yang harus ditetapkan menjadi nol jika 𝑄 < 𝑑𝑓.

Metode lain untuk mengukur heterogenitas adalah perhitungan 𝐼 2 yang


diberikan oleh

𝑄 − 𝑑𝑓
𝐼2 = x 100%. (3.23)
𝑄

Di sini, 𝐼 2 adalah persentase variabilitas total dari rata-rata studi yang


merefleksikan perbedaan populasi di 𝛿𝑖 . Persentase 𝐼 2 yang besar menunjukkan
bahwa heterogenitas besar dan 𝐼 2 yang dekat dengan nol menunjukkan
homogenitas.

Perbedaan antara model efek tetap dan model efek acak adalah pada faktor
bobot kedua model. Bobot pada masing-masing studi dalam model efek acak
adalah

1
𝑊𝑖𝑅 = , (3.24)
𝑉𝑌𝑖𝑅

dengan

𝑉𝑌𝑖𝑅 = 𝑉𝑌𝑖 + 𝑇 2 , (3.25)

dan 𝑉𝑌𝑖 adalah variansi untuk studi ke-i dan 𝑇 2 adalah estimasi sampel dari 𝜏 2 .

Rata-rata terbobot (keseluruhan effect size) dapat dihitung sebagai

∑𝑘𝑖=1 𝑊𝑖𝑅 𝑌𝑖
𝑀𝑅 = . (3.26)
∑𝑘𝑖=1 𝑊𝑖𝑅

Variansi dari keseluruhan effect size diestimasi sebagai invers dari jumlah
bobotnya, atau

1
𝑉𝑀𝑅 = , (3.27)
∑𝑘𝑖=1 𝑊𝑖𝑅
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

123

dan penduga standar error dari keseluruhan effect size adalah

𝑆𝐸𝑀𝑅 = √𝑉𝑀𝑅 . (3.28)

Batas bawah dan batas atas kepercayaan 95% untuk keseluruhan effect size
diestimasi sebagai

𝐿𝐿𝑀𝑅 = 𝑀𝑅 − 1.96𝑆𝐸𝑀𝑅 , (3.29)

𝑈𝐿𝑀𝑅 = 𝑀𝑅 + 1.96𝑆𝐸𝑀𝑅 . (3.30)

Berdasarkan persamaan (2.4) di bab II, nilai 𝑧 untuk menguji hipotesis nol yang
rata-rata efeknya nol dapat dihitung sebagai

𝑀𝑅
𝑍𝑅 = . (3.31)
𝑆𝐸𝑀𝑅

Nilai 𝑃 untuk uji hipotesis satu arah diberikan oleh

𝑃𝑅 = 1 − 𝛷(±|𝑍𝑅 |),

dengan tanda ‘+’ digunakan jika perbedaannya adalah arah yang diharapkan,
tanda ‘−‘ sebaliknya.

Nilai 𝑃 untuk uji hipotesis dua arah diberikan oleh

𝑃𝑅 = 2[1 − 𝛷(|𝑍𝑅 |)], (3.32)

dengan 𝛷(|𝑍𝑅 |) adalah distribusi kumulatif Normal Standar.

2. Perhitungan Meta-Analisis pada 𝒅


Ketika melakukan meta-analisis dengan pengukuran effect size yang berbeda,
informasi tambahan yang dibutuhkan adalah rumus untuk variansi effect size.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

124

Rumus variansi effect size dideskripsikan sebagai berikut:

Misalkan 𝑑𝑢𝑛𝑏 adalah effect size pada persamaan (3.3), maka untuk satu
populasi, variansi 𝑑 adalah

1 𝑑𝑖 2
𝑉𝑖 = + , (3.33)
𝑛𝑖 2𝑛𝑖

dengan 𝑑𝑖 , 𝑛𝑖 , 𝑉𝑖 adalah effect size, ukuran sampel dan variansi 𝑑 untuk studi ke-i.

Borenstein et.al. (2009) menyatakan bahwa variansi dari 𝑑𝑢𝑛𝑏 untuk satu populasi
independen dan desain berpasangan adalah

𝑉𝑖′ = 𝐽2 x 𝑉𝑖 , (3.34)

dengan 𝐽 adalah faktor pengoreksi 𝑑 pada persamaan (3.4) dan 𝑉𝑖′ adalah variansi
𝑑𝑢𝑛𝑏 untuk studi ke-i.

Berdasarkan persamaan (3.5), variansi 𝑑 untuk dua populasi independen


adalah

𝑛1𝑖 + 𝑛2𝑖 𝑑𝑖 2
𝑉𝑖 = + , (3.35)
𝑛1𝑖 𝑛2𝑖 2(𝑛1𝑖 + 𝑛2𝑖 )

dengan 𝑛1𝑖 dan 𝑛2𝑖 adalah kedua ukuran sampel untuk studi ke-i.

Variansi 𝑑𝑢𝑛𝑏 untuk dua populasi independen adalah

𝑉𝑖′ = 𝐽2 x 𝑉𝑖 , (3.36)

dengan 𝐽 adalah faktor pengoreksi untuk mengonversi 𝑑 ke 𝑑𝑢𝑛𝑏 dan 𝑉𝑖′ adalah
variansi 𝑑𝑢𝑛𝑏 untuk studi ke-i.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

125

3. Analisis Sensitifitas
Peneliti harus menentukan apakah meta-analisis hanya dilakukan terhadap
laporan penelitian yang telah dipublikasi ataukah mencakup pula data yang tidak
dipublikasi. Bila meta-analisis hanya dilakukan terhadap laporan penelitian yang
telah dipublikasi, mungkin hasilnya tidak optimal, karena terdapatnya bias
publikasi. Bias publikasi muncul ketika studi yang termasuk dalam analisis
berbeda secara sistematis dari semua penelitian yang seharusnya disertakan.

Untuk mengetahui adanya bias publikasi penelitian, maka peneliti dapat


membuat grafik funnel plot. Funnel plot adalah plot standar error (SE) studi
(sumbu Y) terhadap effect size studi (sumbu X). Studi dengan ukuran sampel yang
besar muncul di bagian atas grafik dan umumnya berada di sekitar rata-rata efek.
Studi dengan ukuran sampel yang kecil muncul di bagian bawah grafik dan
cenderung menyebar di berbagai nilai. Bias publikasi ditandai dengan funnel plot
yang bersifat asimetris (Gambar 3.3).

Gambar 3.3 Contoh Funnel Plot dengan Model Efek Acak


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

126

Nindrea (2016) menjelaskan bahwa analisis sensitifitas perlu dilakukan


untuk menilai apakah satu hasil meta-analisis robust (relatif stabil terhadap
perubahan). Beberapa cara untuk melakukan analisis sensitifitas, yaitu

a. Membuat perbandingan hasil meta-analisis yang menggunakan model efek


acak dan model efek tetap. Jika hasil kedua model sama atau hampir sama,
maka kesimpulannya adalah variasi antar-penelitian tidak begitu penting
pada set data tersebut.
b. Diidentifikasi terdapatnya bias publikasi. Jika memang ada bias publikasi,
maka penelitian dengan ukuran sampel terbesar akan memberikan effect
size terkecil. Jika hal ini terjadi, maka penelitian dengan ukuran sampel
terkecil dicoba untuk tidak diikutsertakan dalam analisis. Bila hasil
akhirnya tetap sama atau identik, maka bias publikasi tidak berperan
cukup besar dalam meta-analisis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB IV

PENERAPAN EFFECT SIZE PADA HASIL-HASIL PENELITIAN

A. Meta-Analisis pada Data Berpasangan


Meta-analisis dilakukan untuk memperoleh estimasi effect size dan
melakukan inferensi dari data dalam sampel ke populasi. Pada skripsi ini, masalah
yang ingin dijawab adalah seberapa besar perbedaan pendapatan pada usaha
mikro, kecil dan menengah sebelum dan sesudah mendapatkan kredit. Oleh
karena itu, meta-analisis dilakukan pada 5 skripsi jurusan Akuntansi dan Ilmu
Pengetahuan Sosial, khususnya untuk data berpasangan yang berjudul:

1. Studi Komparasi Perkembangan Usaha Mikro dan Kecil Masyarakat,


Sebelum dan Sesudah Mendapatkan Kredit dari LKM Kube “Sejahtera”
Kecamatan Pundak Kabupaten Bantul. (Prastiwi, 2013)
2. Pengaruh Pemberian Kredit oleh Badan Usaha Kredit Pedesaan (BUKP)
terhadap Pendapatan Penjualan Usaha Mikro. (Indriastuti, 2012)
3. Perbedaan Omset Penjualan, Jumlah Tenaga Kerja, Biaya Produksi, dan
Keuntungan pada Pelaku Usaha Mikro Kecil dan Menengah di kota
Yogyakarta Sebelum dan Sesudah Mendapat Kredit dari Lembaga
Keuangan Koperasi. (Adi, 2012)
4. Peran Badan Usaha Kredit Pedesaan (BUKP) bagi Pengembangan Usaha
Kecil di Pedesaan. (Setyawan, 2000)
5. Peran Kredit Bank Perkreditan Rakyat bagi Pendapatan Usaha Kecil.
(Sekararum, 2008)
Dari kelima skripsi tersebut, pengujian hipotesis dilakukan pada tingkat
signifikansi 0.05 dengan tujuan mencari tahu apakah ada perbedaan atau tidak ada
perbedaan pendapatan yang signifikan sebelum dan sesudah mendapatkan kredit.
Estimasi effect size diperoleh dengan menggabungkan nilai keseluruhan efek pada
kelima skripsi. Penggabungan tersebut menggunakan model efek tetap dan model
efek acak. Semua perhitungan dilakukan dengan menggunakan program R versi
3.3.2 (Listing program terdapat pada Lampiran 1 dan 2).

127
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

128

1. Pengujian Hipotesis Rata-rata Selisih Pendapatan


Pengujian hipotesis rata-rata selisih pendapatan memiliki syarat normalitas data
(lihat bab II.F.1 halaman 70). Langkah-langkah uji Normalitas dengan
menggunakan Kolgomorov-Smirnov sebagai berikut

1. 𝐻0 : Distribusi rata-rata selisih pendapatan usaha kecil, menengah sesudah


dan sebelum mendapatkan kredit Normal.
2. 𝐻1 : Distribusi rata-rata selisih pendapatan usaha kecil, menengah sesudah
dan sebelum mendapatkan kredit tidak Normal.
3. 𝛼 = 0.05.
4. Statistik uji berupa deviasi maksimum distribusi kumulatif data dan
distribusi kumulatif Normal.
5. Wilayah kritis: 𝐻0 ditolak bila nilai 𝑃 < 𝛼.
6. Nilai 𝑃 pada masing-masing skripsi diperlihatkan pada tabel di bawah ini
Tabel 4.1 Nilai 𝑃 pada Data Berpasangan dengan Uji Kolgomorov-
Smirnov

Skripsi Nilai 𝑃

1 0.0644 > 𝛼

2 0.3907 > 𝛼

3 0.4683 > 𝛼

4 0.1053 > 𝛼

5 0.3331 > 𝛼

7. Kesimpulan
Pada tabel 4.1, nilai 𝑃 pada lima skripsi selalu lebih besar dari 𝛼. Oleh
karena itu, kesimpulannya adalah gagal untuk menolak hipotesis nol,
artinya, kelima skripsi memiliki rata-rata selisih pendapatan sesudah dan
sebelum mendapatkan kredit yang berdistribusi Normal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

129

Dari lima skripsi yang ada, hipotesis nol dan hipotesis alternatif adalah

𝐻0 : 𝜇𝐷 = 0,

𝐻1 : 𝜇𝐷 ≠ 0,

dengan 𝜇𝐷 adalah rata-rata selisih pendapatan usaha kecil, menengah sebelum dan
sesudah mendapatkan kredit.

2. Meta-Analisis 𝒅 pada Data Berpasangan


Misalkan 𝛿 adalah perbedaan rata-rata pendapatan usaha kecil, menengah
sebelum dan sesudah mendapatkan kredit. Untuk sampel berpasangan, effect size
perbedaan rata-rata yang distandardisasi (𝑑) dapat dihitung menggunakan
persamaan (3.7) dan (3.6), yaitu

𝑑̅
𝑑= ,
𝑠𝑎𝑣

dengan 𝑑̅ adalah rata-rata sampel selisih pendapatan sesudah mendapatkan kredit


dengan sebelum mendapatkan kredit dan

𝑠𝑝𝑟𝑒 2 + 𝑠𝑝𝑜𝑠𝑡 2
𝑠𝑎𝑣 = √ , (4.1)
2

𝑠𝑝𝑟𝑒 2 adalah variansi pendapatan sebelum mendapatkan kredit, 𝑠𝑝𝑜𝑠𝑡 2 adalah


variansi pendapatan sesudah mendapatkan kredit.

Standar deviasi pendapatan sebelum (𝑠𝑝𝑟𝑒 ) dan sesudah mendapatkan kredit


(𝑠𝑝𝑜𝑠𝑡 ) adalah

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )
𝑠=√ , (4.2)
𝑛−1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

130

dengan 𝑥𝑖 adalah pendapatan ke-i sebelum dan sesudah mendapatkan kredit, 𝑥̅


adalah rata-rata pendapatan dan 𝑛 adalah jumlah sampel pada data
sebelum/sesudah mendapatkan kredit.

Berdasarkan persamaan (4.2), standar deviasi pendapatan sebelum


mendapatkan kredit pada lima skripsi (𝑠𝑝𝑟𝑒 ) berturut-turut adalah

(1). 11130089.69 (2). 84767.43 (3). 1845472.6 (4). 180716.29 (5). 1348294.8.
Dengan cara yang sama, standar deviasi pendapatan sesudah mendapatkan kredit
pada lima skripsi (𝑠𝑝𝑜𝑠𝑡 ) berturut-turut adalah

(1). 12536833.55 (2). 143723.47 (3). 2145787.35 (4). 220116.9 (5). 1571168.81.
Berdasarkan persamaan (4.1), standar deviasi dari rata-rata antara 𝑠𝑝𝑟𝑒 dan
𝑠𝑝𝑜𝑠𝑡 (𝑠𝑎𝑣 ) pada lima skripsi adalah

(1). 11854347.1 (2). 117987.1 (3). 2001271.1 (4). 201382.5 (5). 1463979.23.
Rata-rata sampel selisih pendapatan sesudah mendapatkan kredit dan sebelum
mendapatkan kredit, yaitu 𝑑̅ berturut-turut adalah

(1). 1456666.7 (2). 340666.667 (3). 1244285.7 (4). 80700 (5). 753000.

Berdasarkan persamaan (3.7), effect size 𝑑 pada kelima skripsi adalah

(1). 0.122880379 (2). 2.8873191 (3). 0.6217477 (4). 0.4007299 (5). 0.5143516.
Karena 𝑑 adalah penduga yang bias bagi 𝛿, maka faktor pengoreksi pada
persamaan (3.4), yaitu

3
𝐽 =1− ,
4𝑑𝑓 − 1

dengan

𝑑𝑓 = 𝑛 − 1,

pada kelima skripsi nilai 𝐽 berturut-turut adalah

(1). 0.973913043 (2). 0.973913 (3). 0.962025 (4). 0.9846154 (5). 0.9846154.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

131

Dengan menggunakan persamaan (3.3), penduga tak bias bagi 𝛿, yaitu

𝑑𝑢𝑛𝑏 = 𝐽 x 𝑑,

pada kelima skripsi nilai 𝑑𝑢𝑛𝑏 adalah

(1). 0.119674804 (2). 2.8119977 (3). 0.598137 (4). 0.394564 (5). 0.5064385.
Selang kepercayaan 95% bagi 𝛿 dapat dihitung dengan menggunakan
pertidaksamaan (3.8), yaitu

𝑑 − 1.96 𝑆𝐸𝑑 < 𝛿 < 𝑑 + 1.96 𝑆𝐸𝑑 ,

dengan

𝑆𝐸𝑑 = √𝑉𝑑 .

Dengan menggunakan persamaan (3.34) dan (3.33), variansi dari penduga tak
bias bagi 𝛿 adalah

𝑉𝑑𝑢𝑛𝑏 = 𝐽2 x 𝑉𝑑𝑖 ,

dengan

1 𝑑𝑖 2
𝑉𝑑𝑖 = + , 𝑖 = 1,2 … ,5.
𝑛𝑖 2𝑛𝑖

Variansi 𝑑 pada masing-masing skripsi adalah

(1). 0.0335849 (2). 0.1722768 (3). 0.0568231 (4). 0.0216058 (5). 0.0226455.

Variansi 𝑑𝑢𝑛𝑏 pada masing-masing skripsi adalah

(1). 0.0318555 (2). 0.16340574 (3). 0.0525893 (4). 0.02094616 (5). 0.0219541.
Standar error (𝑆𝐸𝑑𝑢𝑛𝑏 ) pada masing-masing skripsi adalah

(1). 0.1784813 (2). 0.4042348 (3). 0.2293237 (4). 0.1447279 (5). 0.1481693.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

132

Dengan demikian, pada masing-masing skripsi, selang kepercayaan 95 % bagi 𝛿


adalah

(1). [-0.2363133 0.4820741]

(2). [2.0737966 3.7008415]

(3). [0.1545308 1.0889646]

(4). [0.1126309 0.6888289]

(5). [0.2194020 0.8093011].

a. Model Meta-Analisis Efek Tetap untuk Data Berpasangan


Misalkan 𝑌𝑖 adalah effect size perbedaan rata-rata yang distandardisasi (𝑑𝑢𝑛𝑏 ).
Dengan menggunakan persamaan (3.11), bobot masing-masing studi dalam
model efek tetap adalah

1
𝑊𝑖 = ,
𝑉𝑌𝑖

dengan 𝑉𝑌𝑖 adalah variansi 𝑑𝑢𝑛𝑏 untuk studi ke-i = 1,2,…,5.

Untuk skripsi 1,

1
𝑊1 = = 31.391666.
0.03185559

Untuk skripsi 2 hingga kelima, proses perhitungan dapat dilihat pada tabel 4.2.

Persentase bobot relatif pada model efek tetap dapat dihitung sebagai
berikut

𝑊𝑖
Relatif.w = ∑𝑛 x 100%, 𝑖 = 1,2, … ,5.
𝑖=1 𝑊𝑖
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

133

Berdasarkan persamaan sebelumnya, persentase bobot relatif (%) pada masing-


masing skripsi adalah

(1) 20.95 (2) 4.08 (3) 12.69 (4) 31.87 (5) 30.40.

Tabel 4.2 Perhitungan Data Berpasangan dengan Model Efek Tetap

Skripsi Effect Size Variansi Bobot Perhitungan

𝑌𝑖 𝑉𝑌𝑖 𝑊𝑖 𝑊𝑖 𝑌𝑖 𝑊𝑖 𝑌𝑖 2 𝑊𝑖 2

Prastiwi 0.119674804 0.03186 31.3917 3.75679 0.44959 985.437

Indriastuti 2.8119977 0.16341 6.11974 17.2087 48.3908 37.4512

Adi 0.598137 0.05259 19.0153 11.3737 6.80305 361.58

Setyawan 0.3945648 0.02095 47.7414 18.8371 7.43245 2279.25

Sekararum 0.5064385 0.02195 45.5495 23.068 11.6825 2074.75

Jumlah 149.818 74.2443 74.7584 5738.47

Berdasarkan perhitungan pada tabel 4.2 dan persamaan (3.12), rata-rata


terbobot untuk keseluruhan effect size dengan model efek tetap dapat dihitung
sebagai

∑5𝑖=1 𝑊𝑖 𝑌𝑖 74.2443
𝑀= 5 = = 0.4955647,
∑𝑖=1 𝑊𝑖 149.8176

dengan standar error dari keseluruhan effect size (persamaan 3.14) adalah

1 1
𝑆𝐸𝑀 = √ =√ = 0.08169935.
∑5𝑖=1 𝑊𝑖 149.8176

Berdasarkan persamaan (3.15) dan (3.16), batas bawah dan batas atas
kepercayaan 95% untuk keseluruhan effect size dengan model efek tetap
diestimasi sebagai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

134

𝐿𝐿𝑀 = 𝑀 − 1.96𝑆𝐸𝑀 ,

𝑈𝐿𝑀 = 𝑀 + 1.96𝑆𝐸𝑀 .

Jadi, selang kepercayaan 95% untuk keseluruhan effect size adalah

[0.335434 0.6556954]

Dengan menggunakan persamaan (3.17), nilai 𝑧 untuk menguji hipotesis nol


adalah

𝑀 0.4955647
𝑍= = = 6.065711.
𝑆𝐸𝑀 0.08169935

Nilai 𝑃 pada persamaan (3.18) untuk menguji hipotesis nol adalah

𝑃 = 2[1 − 𝛷(|𝑍|)] = 2[1 − 𝛷(|6.065|)] = 1.313708𝑒 − 09.

Tabel 4.3 Meta-Analisis Rata-rata Selisih Pendapatan Usaha Kecil, Menengah


Sebelum dan Sesudah Mendapatkan Kredit dengan Model Efek Tetap

Data Bobot (%) SMD Tetap 95% CI

1 20.95% 0.12 [-0.24,0.48]


2 4.08% 2.812 [2.07,3.7]
3 12.69% 0.598 [0.15,1.09]
4 31.87% 0.395 [0.11,0.69]
5 30.40% 0.506 [0.22,0.81]

Total SMD 0.495


95% CI [0.335,0.656]

Nilai 𝑃 1.3 x 10−9


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

135

Tabel 4.3 memperlihatkan bahwa analisis model efek tetap menghasilkan


nilai gabungan SMD (standardized mean difference) sebesar 0.495 dengan selang
kepercayaan (CI) 95% [0.335,0.656]. Oleh karena

nilai 𝑃 = 1.313708𝑒 − 09 < 𝛼 = 0.05,

maka keputusan pengujian hipotesis menggunakan model efek tetap adalah


hipotesis nol ditolak, sehingga ada efek sedang pada perbedaan rata-rata selisih
pendapatan usaha kecil, menengah sebelum dan sesudah mendapatkan kredit.
Untuk melihat apakah model penggabungan effect size dengan model efek tetap
sudah tepat atau belum, maka pada subbab selanjutnya perlu dicari nilai
heterogenitas antar-skripsi.

b. Model Meta-Analisis Efek Acak untuk Data Berpasangan


Misalkan 𝑌𝑖 adalah effect size perbedaan rata-rata yang distandardisasi (𝑑𝑢𝑛𝑏 ).
Model efek acak menggunakan asumsi bahwa studi heterogen. Oleh karena itu,
metode DerSimonian dan Laird digunakan untuk mengestimasi variansi antar
studi 𝜏 2 . Dengan menggunakan persamaan (3.19), penduga dari 𝜏 2 adalah

𝑄 − 𝑑𝑓
𝑇2 = ,
𝐶

berdasarkan tabel 4.2, perhitungan 𝑄 dan 𝐶 adalah

𝑘 2
(∑𝑘𝑖=1 𝑊𝑖 𝑌𝑖 )
2 74.24432
𝑄 = ∑ 𝑊𝑖 𝑌𝑖 − = 74.7584 − ( ) = 37.96554,
∑𝑘𝑖=1 𝑊𝑖 149.818
𝑖=1

𝑘
∑𝑘𝑖=1 𝑊𝑖 2
𝐶 = ∑ 𝑊𝑖 − = 111.5145,
∑𝑘𝑖=1 𝑊𝑖
𝑖=1

𝑑𝑓 = 5 − 1 = 4.

Dengan demikian, nilai variansi antar studi (𝑇 2 ) digunakan untuk semua studi,
dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

136

37.96554 − 4
𝑇2 = = 0.304584.
111.5145

Oleh karena nilai 𝑄 > 𝑑𝑓, maka pendugaan terhadap 𝜏 2 besar dan studi heterogen
sehingga model efek acak lebih cocok digunakan. Dengan cara yang sama,
heterogenitas dapat diukur dengan menggunakan persamaan (3.23), yaitu

𝑄 − 𝑑𝑓 37.96554 − 4
𝐼2 = x 100% = x 100% = 89.5%.
𝑄 37.96554

Persentase 𝐼 2 yang besar menunjukkan bahwa adanya perbedaan populasi antar


studi sebanyak 89.5% (studi heterogen).

Dengan menggunakan persamaan (3.24), bobot masing-masing studi


dalam model efek acak adalah

1
𝑊𝑖𝑅 = ,
𝑉𝑌𝑖𝑅

dengan

𝑉𝑌𝑖𝑅 = 𝑉𝑌𝑖 + 𝑇 2 ,

dan 𝑉𝑌𝑖 adalah variansi untuk studi ke-i =1,2,…,5 dan 𝑇 2 adalah estimasi sampel
dari 𝜏 2 .

Untuk skripsi 1,

1 1
𝑊1𝑅 = = = 2.9723.
𝑉𝑌1𝑅 0.33643959

Proses perhitungan dapat dilihat pada tabel 4.4.

Persentase bobot relatif pada model efek acak dapat dihitung sebagai berikut

𝑊𝑖𝑅
Relatif.wR = ∑5 x 100%, 𝑖 = 1,2, … ,5.
𝑖=1 𝑊𝑖 𝑅
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

137

Berdasarkan persamaan sebelumnya, persentase bobot relatif (%) pada masing-


masing skripsi adalah

(1). 21.2 (2). 15.2 (3). 19.9 (4). 21.9 (5). 21.8.

Tabel 4.4 Perhitungan Data Berpasangan dengan Model Efek Acak

Variansi
Effect antar Total
Skripsi Size Variansi Studi Variansi Bobot 𝑊𝑖𝑅 𝑌𝑖𝑅

𝑌𝑖𝑅 𝑉𝑌𝑖 𝑇2 𝑉𝑌𝑖 + 𝑇 2 𝑊𝑖𝑅

Prastiwi 0.11967 0.03186 0.30458 0.33643959 2.9723 0.35571

Indriastuti 2.812 0.16341 0.30458 0.46798974 2.1368 6.00867

Adi 0.59814 0.05259 0.30458 0.35717336 2.79976 1.67464

Setyawan 0.39456 0.02095 0.30458 0.32553016 3.07191 1.21207

Sekararum 0.50644 0.02195 0.30458 0.32653815 3.06243 1.55093

Jumlah 14.0432 10.802

Berdasarkan tabel 4.4 dan persamaan (3.26), rata-rata terbobot untuk


keseluruhan effect size dengan model efek acak dapat dihitung sebagai

∑5𝑖=1 𝑊𝑖𝑅 𝑌𝑖𝑅 10.802


𝑀𝑅 = 5 = = 0.769199,
∑𝑖=1 𝑊𝑖𝑅 14.0432

dengan perkiraan standar error dari keseluruhan effect size (persamaan 3.28)
adalah

1 1
𝑆𝐸𝑀𝑅 = √ 5 =√ = 0.26685.
∑𝑖=1 𝑊𝑖𝑅 14.0432

Berdasarkan persamaan (3.29) dan (3.30), batas bawah dan batas atas
kepercayaan 95% untuk keseluruhan effect size dengan model efek acak
diestimasi sebagai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

138

𝐿𝐿𝑀𝑅 = 𝑀𝑅 − 1.96𝑆𝐸𝑀𝑅 ,

𝑈𝐿𝑀𝑅 = 𝑀𝑅 + 1.96𝑆𝐸𝑀𝑅 .

Jadi, selang kepercayaan 95% untuk keseluruhan effect size adalah

[0.2461738 1.292225]

Dengan menggunakan persamaan (3.31), nilai 𝑧 untuk menguji hipotesis nol


adalah

𝑀𝑅 0.769199
𝑍𝑅 = = = 2.882518.
𝑆𝐸𝑀𝑅 0.26685

Nilai 𝑃 pada persamaan (3.32) untuk menguji hipotesis nol adalah

𝑃 = 2[1 − 𝛷(|𝑍|)] = 2[1 − 𝛷(|2.882518|)] = 0.003945102.

Tabel 4.5 Meta-Analisis Rata-rata Selisih Pendapatan Usaha Kecil, Menengah


Sebelum dan Sesudah Mendapatkan Kredit dengan Model Efek Acak

Data Bobot (%) SMD Tetap 95% CI

1 21.2% 0.12 [-0.24,0.48]


2 15.2% 2.812 [2.07,3.7]
3 19.9% 0.598 [0.15,1.09]
4 21.9% 0.395 [0.11,0.69]
5 21.8% 0.506 [0.22,0.81]

Total SMD 0.769


95% CI [0.246,1.292]
Heterogenitas < 0.0001

Nilai 𝑃 0.003945102
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

139

Tabel 4.5 memperlihatkan bahwa analisis model efek acak menghasilkan


nilai gabungan SMD (standardized mean difference) sebesar 0.769 dengan selang
kepercayaan (CI) 95% [0.246, 1.292]. Oleh karena

nilai 𝑃 = 0.0039 < 𝛼 = 0.05,

maka keputusan pengujian hipotesis menggunakan model efek acak adalah


hipotesis nol ditolak, sehingga ada efek besar pada perbedaan rata-rata selisih
pendapatan usaha kecil, menengah sebelum dan sesudah mendapatkan kredit.
Variasi antar-data adalah heterogen, hal ini dapat dilihat dari nilai 𝑃 pada uji
heterogenitas adalah 0, lebih kecil daripada 0.05.

Untuk mengetahui variasi data maka dapat dilihat pada grafik funnel plot,
yang dapat dilihat pada gambar 4.1.

Gambar 4.1 Funnel Plot Meta-Analisis Data Berpasangan

Gambar 4.1 menunjukkan bahwa variasi data skripsi yang heterogen (kelima data
tidak simetris), artinya apabila analisis dilakukan pada populasi, waktu, tempat
dan kondisi yang berbeda maka hasilnya akan berbeda. Oleh karena itu, bias
publikasi berperan penting dalam meta-analisis ini.

Hasil meta-analisis untuk data berpasangan ditampilkan pada forest plot,


yang dapat dilihat pada gambar 4.2.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

140

Gambar 4.2 Forest Plot Data Berpasangan untuk Model Efek Tetap (sebelah kiri)
dan Model Efek Acak (sebelah kanan)

B. Meta-Analisis pada Data Independen


Pengambilan data dilakukan secara hipotetik, yaitu data berdistribusi Normal
dibangkitkan secara acak dengan rata-rata populasi 120, standar deviasi populasi
14 dan ukuran sampel berturut-turut adalah 35, 40, 50, 25, 55. Data dapat dilihat
pada Lampiran 3. Meta-analisis dilakukan untuk mengestimasi effect size yang
diperoleh dengan menggabungkan nilai keseluruhan efek pada kelima data
tersebut. Semua perhitungan dilakukan dengan menggunakan program R versi
3.3.2 (Listing program ada pada Lampiran 4 dan 5).

1. Pengujian Hipotesis Rata-rata Kelompok Eksperimen dan Kontrol


Misalkan 𝑥𝑖 , 𝑖 = 1,2, … ,5 adalah sampel kelompok eksperimen yang dibangkitkan
secara acak dari data berdistribusi Normal dengan rata-rata populasi 120, standar
deviasi populasi 14 dan ukuran sampel berturut-turut adalah 35, 40, 50, 25, 55.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

141

Sedangkan 𝑦𝑖 , 𝑖 = 1,2, … ,5 adalah sampel kelompok kontrol yang dibangkitkan


secara acak dari data berdistribusi Normal dengan rata-rata populasi 120, standar
deviasi populasi 14 dan ukuran sampel berturut-turut adalah 35, 40, 50, 25, 55.
Data ke-i adalah data sampel 𝑥𝑖 dan 𝑦𝑖 dengan 𝑖 = 1,2, … ,5 yang akan dilihat
effect sizenya.

Uji Homogenitas Variansi dengan Uji Levenne

Uji homogenitas variansi dilakukan untuk memenuhi asumsi pengujian


hipotesis dengan uji 𝑡, yaitu variansi kedua populasi sama besar. Langkah-langkah
pengujian sebagai berikut:

1. 𝐻0 : 𝜎𝑥𝑖 2 = 𝜎𝑦𝑖 2 , 𝑖 = 1,2, … ,5.


2. 𝐻1 : 𝜎𝑥𝑖 2 ≠ 𝜎𝑦𝑖 2 , 𝑖 = 1,2, … ,5.
3. 𝛼 = 0.05.
4. Statistik uji: Uji F
5. Wilayah kritis: 𝐻0 ditolak bila nilai 𝑃 < 0.05,
6. Perhitungan
Tabel 4.6 Uji Homogenitas Variansi dengan Uji Levenne

Data Nilai 𝑃

1 0.4858 > 𝛼

2 0.4454 > 𝛼

3 0.4776 > 𝛼

4 0.8247 > 𝛼

5 0.6193 > 𝛼
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

142

7. Kesimpulan
Pada tabel 4.6, nilai 𝑃 > 𝛼, maka hipotesis nol gagal untuk ditolak,
artinya kedua variansi populasi sama besar.

Dari lima data yang ada, pengujian hipotesis rata-rata dua populasi
dilakukan sebagai berikut

1. Hipotesis nol dan hipotesis alternatif


𝐻0 : 𝜇𝑥𝑖 = 𝜇𝑦𝑖 ,

𝐻1 : 𝜇𝑥𝑖 ≠ 𝜇𝑦𝑖 ,

dengan 𝜇𝑥𝑖 , 𝜇𝑦𝑖 adalah rata-rata populasi untuk data ke- 𝑖 = 1,2, … ,5.

2. 𝛼 = 0.05
3. Dengan menggunakan persamaan (2.7) dan (2.8), statistik uji untuk
pengujian hipotesis rata-rata dua populasi adalah
(𝑥̅1 − 𝑥̅2 ) − 𝑑0 𝑠1 2 (𝑛1 − 1) + 𝑠2 2 (𝑛2 − 1)
𝑡= , 𝑠𝑝 2 = ,
𝑠𝑝 √(1/𝑛1 ) + (1/𝑛2 ) 𝑛1 + 𝑛2 − 2

dengan derajat bebas 𝑣 = 𝑛1 + 𝑛2 − 2.

4. Daerah kritis: 𝐻0 ditolak jika |𝑡| > 𝑡0.025 (𝑣)


5. Perhitungan:
Tabel 4.7 Uji 𝑡 dengan Tingkat Signifikansi 0.05

Data 𝑡 𝑣 𝑡𝛼 (𝑣)

1 2.9109 68 2

2 2.2271 78 2

3 2.1205 98 1.99

4 -1.6137 48 2.021

5 2.3612 108 1.99


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

143

6. Kesimpulan: Pada tabel 4.7, nilai |𝑡| untuk data ke-1,2,3 dan 5 selalu lebih
besar dari 𝑡0.025 (𝑣). Oleh karena itu, hipotesis nol ditolak dan ada
perbedaan yang signifikan antara rata-rata populasi data 𝑥𝑖 dan 𝑦𝑖 , dengan
𝑖 = 1,2,3,5. Sementara itu, nilai |𝑡| untuk data ke-4 kurang dari 𝑡0.025 (𝑣)
sehingga tidak ada perbedaan yang signifikan antara rata-rata populasi
data 𝑥4 dan 𝑦4 .

Dengan menggunakan pertidaksamaan (2.3), selang kepercayaan bagi


𝜇𝑥𝑖 − 𝜇𝑦𝑖 adalah

(1). [3.205576 17.181073]

(2). [0.678295 12.108489]

(3). [0.3609533 10.8953272]

(4). [-14.992311 1.642124]

(5). [0.9622474 11.0261580].

Oleh karena selang kepercayaan bagi 𝜇𝑥4 − 𝜇𝑦4 memuat nilai 0, maka kesimpulan
uji hipotesis perbedaan rata-rata dua populasi adalah tidak ada perbedaan yang
signifikan antara rata-rata populasi data 𝑥4 dan 𝑦4 . Selain itu, selang kepercayaan
pada nomor (1), (2), (3) dan (5) tidak memuat nilai 0, sehingga kesimpulannya
adalah ada perbedaan yang signifikan antara rata-rata populasi data 𝑥𝑖 dan 𝑦𝑖 ,
dengan 𝑖 = 1,2,3,5.

2. Meta-analisis 𝒅 pada Data Independen


Pemenuhan asumsi homogenitas variansi yang terpenuhi mengakibatkan
bahwa standardizer yang dipilih pada kasus ini adalah standar deviasi sampel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

144

gabungan (𝑠𝑝 ). Misalkan 𝛿 adalah perbedaan rata-rata populasi antara kelompok


eksperimen dan kelompok kontrol. Untuk sampel independen, effect size
perbedaan rata-rata yang distandardisasi (𝑑) dapat dihitung menggunakan

𝑥̅2 − 𝑥̅1
𝑑= , (4.3)
𝑠𝑝

dengan 𝑥̅2 adalah rata-rata sampel kelompok eksperimen 𝑥𝑖 , 𝑥̅1 adalah rata-rata
sampel kelompok kontrol 𝑦𝑖 , 𝑖 = 1,2, … ,5, dan

(𝑛1 − 1)𝑠1 2 + (𝑛2 − 1)𝑠2 2


𝑠𝑝 = √ . (4.4)
𝑛1 + 𝑛2 − 2

Berdasarkan persamaan (4.4), hasil perhitungan standar deviasi sampel gabungan


adalah

(1). 14.64911 (2). 12.83810 (3). 13.27103 (4). 14.62513 (5). 13.31256.

Nilai dari 𝑥̅2 − 𝑥̅1 dapat dihitung sebagai selisih rata-rata antara sampel
kelompok eksperimen dan kelompok kontrol. Nilai dari 𝑥̅2 − 𝑥̅1 berturut-turut
adalah

(1). 10.193325 (2). 6.393391 (3). 5.628140 (4). -6.675093 (5). 5.994202.
Dengan menggunakan persamaan (4.3), effect size 𝑑 pada kelima skripsi adalah

(1). 0.6958322 (2). 0.4980014 (3). 0.4240921 (4). -0.4564124 (5). 0.4502668.

Karena 𝑑 adalah penduga yang bias bagi 𝛿, maka faktor pengoreksi pada
persamaan (3.4), yaitu

3
𝐽 =1− ,
4𝑑𝑓 − 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

145

dengan

𝑑𝑓 = 𝑛1 + 𝑛2 − 2,

pada kelima data nilai 𝐽 berturut-turut adalah

(1). 0.9889299 (2). 0.9903537 (3). 0.9923274 (4). 0.9842932 (5). 0.9930394.

Dengan menggunakan persamaan (3.3), penduga tak bias bagi 𝛿, yaitu

𝑑𝑢𝑛𝑏 = 𝐽 x 𝑑,

pada kelima data nilai 𝑑𝑢𝑛𝑏 adalah

(1). 0.6881293 (2). 0.4931976 (3). 0.4208382 (4). -0.4492436 (5). 0.4471327.

Selang kepercayaan 95% bagi 𝛿 dapat dihitung dengan menggunakan


pertidaksamaan (3.8), yaitu

𝑑 − 1.96 𝑆𝐸𝑑 < 𝛿 < 𝑑 + 1.96 𝑆𝐸𝑑 ,

dengan

𝑆𝐸𝑑 = √𝑉𝑑 .

Dengan menggunakan persamaan (3.35), variansi 𝑑 adalah

𝑛1𝑖 + 𝑛2𝑖 𝑑𝑖 2
𝑉𝑖 = + ,
𝑛1𝑖 𝑛2𝑖 2(𝑛1𝑖 + 𝑛2𝑖 )

dengan 𝑛1𝑖 dan 𝑛2𝑖 adalah kedua ukuran sampel untuk data ke-i =1,2,…,5.

Dengan menggunakan persamaan (3.36), variansi 𝑑𝑢𝑛𝑏 untuk dua populasi


independen adalah

𝑉𝑖′ = 𝐽2 x 𝑉𝑖 ,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

146

dengan 𝐽 adalah faktor pengoreksi untuk mengonversi 𝑑 ke 𝑑𝑢𝑛𝑏 dan 𝑉𝑖′ adalah
variansi 𝑑𝑢𝑛𝑏 untuk data ke-i.

Variansi 𝑑 (𝑉𝑖 , 𝑖 = 1,2, … ,5) pada masing-masing data adalah

(1). 0.0606013 (2). 0.05155003 (3). 0.04089927 (4). 0.08208312 (5). 0.03728518.

Variansi 𝑑𝑢𝑛𝑏 pada masing-masing data adalah

(1). 0.059267 (2). 0.0505603 (3). 0.04027407 (4). 0.07952485 (5). 0.03676794.

Standar error (𝑆𝐸𝑑𝑢𝑛𝑏 ) pada masing-masing data adalah

(1). 0.2434482 (2). 0.2248562 (3). 0.2006840 (4). 0.2820015 (5). 0.1917497.
Dengan demikian, pada masing-masing data, selang kepercayaan 95% bagi 𝛿
adalah

(1). [0.21333253 1.1783319]

(2). [0.05299063 0.9430122]

(3). [0.02771013 0.820474]

(4). [-1.0179554 0.1051306]

(5). [0.07180313 0.8287305].

a. Model Meta-Analisis Efek Tetap untuk Data Independen


Misalkan 𝑌𝑖 adalah effect size perbedaan rata-rata yang distandardisasi (𝑑𝑢𝑛𝑏 ).
Dengan menggunakan persamaan (3.11), bobot masing-masing studi dalam
model efek tetap adalah

1
𝑊𝑖 = ,
𝑉𝑌𝑖

dengan 𝑉𝑌𝑖 adalah variansi 𝑑𝑢𝑛𝑏 untuk data ke-i = 1,2,…,5.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

147

Untuk data 1,

1
𝑊1 = = 16.87279.
0.059267

Proses perhitungan dapat dilihat pada tabel 4.8.

Persentase bobot relatif pada model efek tetap dapat dihitung sebagai
berikut

𝑊𝑖
Relatif.w = ∑5 x 100%, 𝑖 = 1,2, … ,5. (4.5)
𝑖=1 𝑊𝑖

Berdasarkan persamaan (4.5), persentase bobot relatif (%) pada masing-masing


data adalah

(1). 16.7 (2). 19.5 (3). 24.5 (4). 12.4 (5). 26.9.

Tabel 4.8 Perhitungan Data Independen dengan Model Efek Tetap

Data Effect Size Variansi Bobot Perhitungan

𝑌𝑖 𝑉𝑌𝑖 𝑊𝑖 𝑊𝑖 𝑌𝑖 𝑊𝑖 𝑌𝑖 2 𝑊𝑖 2

1 0.688129 0.059267 16.8728 11.6107 7.99 284.69

2 0.493197 0.050560 19.7784 9.75464 4.81 391.18

3 0.420838 0.040274 24.8299 10.4494 4.40 616.52

4 -0.449243 0.079524 12.5747 -5.6491 2.54 158.12

5 0.447132 0.036767 27.1976 12.1609 5.44 739.71

Jumlah 101.253 38.3265 25.17 2190.23


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

148

Berdasarkan tabel 4.8 dan persamaan (3.12), rata-rata terbobot untuk


keseluruhan effect size dengan model efek tetap dapat dihitung sebagai

∑5𝑖=1 𝑊𝑖 𝑌𝑖 38.3265
𝑀= = = 0.378521,
∑5𝑖=1 𝑊𝑖 101.253

dengan standar error dari keseluruhan effect size (persamaan 3.14) adalah

1 1
𝑆𝐸𝑀 = √ 5 =√ = 0.09937918.
∑𝑖=1 𝑊𝑖 101.253

Berdasarkan persamaan (3.15) dan (3.16), batas bawah dan batas atas
kepercayaan 95% untuk keseluruhan effect size dalam model efek tetap diestimasi
sebagai

𝐿𝐿𝑀 = 𝑀 − 1.96𝑆𝐸𝑀 ,

𝑈𝐿𝑀 = 𝑀 + 1.96𝑆𝐸𝑀 .

Jadi, selang kepercayaan 95% untuk keseluruhan effect size dalam model efek
tetap adalah

[0.1837378 0.5733041]

Dengan menggunakan persamaan (3.17), nilai 𝑧 untuk menguji hipotesis nol


adalah

𝑀 0.378521
𝑍= = = 3.808856.
𝑆𝐸𝑀 0.09937918.

Nilai 𝑃 pada persamaan (3.18) untuk menguji hipotesis nol adalah

𝑃 = 2[1 − 𝛷(|𝑍|)] = 2[1 − 𝛷(|3.808856|)] = 0.000139.


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

149

Tabel 4.9 Perbedaan Rata-rata (Standardized Mean Difference/ SMD) Kelompok


Eksperimen dan Kelompok Kontrol dengan Model Efek Tetap

Data Bobot (%) SMD Tetap 95% CI

1 16.70% 0.688 [0.21,1.17]


2 19.50% 0.493 [0.05,0.94]
3 24.50% 0.421 [0.02,0.82]
4 12.40% -0.449 [-1.01,0.11]
5 26.90% 0.447 [0.07,0.83]

Total SMD 0.379


95% CI [0.184,0.573]

Nilai 𝑃 0.000139

Tabel 4.9 memperlihatkan bahwa analisis model efek tetap menghasilkan


nilai gabungan SMD sebesar 0.379 dengan selang kepercayaan (CI) 95%
[0.184,0.573]. Oleh karena

nilai 𝑃 = 0.000139 < 𝛼 = 0.05,

maka keputusan pengujian hipotesis menggunakan model efek tetap adalah


hipotesis nol ditolak, sehingga ada efek sedang pada perbedaan rata-rata
kelompok eksperimen dan kelompok kontrol. Untuk melihat apakah model
penggabungan effect size dengan model efek tetap sudah tepat atau belum, maka
pada subbab selanjutnya perlu dicari nilai heterogenitas antar-data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

150

b. Model Meta-Analisis Efek Acak untuk Data Independen


Misalkan 𝑌𝑖 adalah effect size perbedaan rata-rata yang distandardisasi (𝑑𝑢𝑛𝑏 ).
Model efek acak menggunakan asumsi bahwa studi heterogen. Oleh karena itu,
metode DerSimonian dan Laird digunakan untuk mengestimasi variansi antar
studi 𝜏 2 . Dengan menggunakan persamaan (3.19), penduga dari 𝜏 2 adalah

𝑄 − 𝑑𝑓
𝑇2 = ,
𝐶

berdasarkan tabel 4.8, perhitungan 𝑄 dan 𝐶 adalah

𝑘 2
(∑𝑘𝑖=1 𝑊𝑖 𝑌𝑖 )
2 38.32652
𝑄 = ∑ 𝑊𝑖 𝑌𝑖 − = 25.17347 − ( ) = 10.66608,
∑𝑘𝑖=1 𝑊𝑖 101.253
𝑖=1

𝑘
∑𝑘𝑖=1 𝑊𝑖 2
𝐶 = ∑ 𝑊𝑖 − 𝑘 = 79.62214,
∑𝑖=1 𝑊𝑖
𝑖=1

𝑑𝑓 = 5 − 1 = 4.

Dengan demikian, nilai variansi antar studi (𝑇 2 ) digunakan untuk semua studi,
dengan

10.66608 − 4
𝑇2 = = 0.0837.
79.62214

Oleh karena nilai 𝑄 > 𝑑𝑓, maka pendugaan terhadap 𝜏 2 cukup besar dan data
heterogen sehingga model efek acak lebih cocok digunakan. Dengan cara yang
sama, heterogenitas dapat diukur dengan menggunakan persamaan (3.23),

𝑄 − 𝑑𝑓 10.66608 − 4
𝐼2 = x 100% = x 100% = 62.5%.
𝑄 10.66608

Persentase 𝐼 2 yang besar menunjukkan bahwa adanya perbedaan populasi antar


studi sebanyak 62.5% (studi heterogen).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

151

Dengan menggunakan persamaan (3.24), bobot pada masing-masing data


dalam model efek acak adalah

1
𝑊𝑖𝑅 = ,
𝑉𝑌𝑖𝑅

dengan

𝑉𝑌𝑖𝑅 = 𝑉𝑌𝑖 + 𝑇 2 ,

dan 𝑉𝑌𝑖 adalah variansi untuk data ke-i =1,2,…,5 dan 𝑇 2 adalah estimasi sampel
dari 𝜏 2 .

Untuk data 1,

1 1
𝑊1𝑅 = = = 6.993571.
𝑉𝑌1𝑅 0.1405

Untuk data 2 hingga kelima, proses perhitungan dapat dilihat pada tabel 4.10.

Tabel 4.10 Perhitungan Data Independen dengan Model Efek Acak

Variansi
Effect antar Total
Data Size Variansi Studi Variansi Bobot 𝑊𝑖𝑅 𝑌𝑖𝑅

𝑌𝑖𝑅 𝑉𝑌𝑖 𝑇2 𝑉𝑌𝑖 + 𝑇 2 𝑊𝑖𝑅

1 0.688 0.0593 0.0837 0.143 6.9936 4.812

2 0.4931 0.0506 0.0837 0.1343 7.4470 3.673

3 0.4208 0.0403 0.0837 0.124 8.0648 3.394

4 -0.4492 0.0795 0.0837 0.1632 6.1257 -2.752

5 0.44713 0.0368 0.0837 0.1205 8.299 3.711

Jumlah 36.9306 12.838


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

152

Persentase bobot relatif pada model efek acak dapat dihitung sebagai berikut

𝑊𝑖𝑅
Relatif.wR = ∑5 x 100%, 𝑖 = 1,2, … ,5. (4.6)
𝑖=1 𝑊𝑖𝑅

Berdasarkan persamaan (4.6), persentase bobot relatif (%) pada masing-masing


data adalah

(1). 18.9 (2). 20.2 (3). 21.8 (4). 16.6 (5). 22.5.

Berdasarkan tabel 4.10 dan persamaan (3.26), rata-rata terbobot untuk


keseluruhan effect size dengan model efek acak dapat dihitung sebagai

∑5𝑖=1 𝑊𝑖𝑅 𝑌𝑖𝑅 12.83835


𝑀𝑅 = = = 0.3476344,
∑5𝑖=1 𝑊𝑖𝑅 36.9306

dengan penduga standar error dari keseluruhan effect size (persamaan 3.28)
adalah

1 1
𝑆𝐸𝑀𝑅 = √ =√ = 0.1645534.
∑5𝑖=1 𝑊𝑖𝑅 36.9306

Berdasarkan persamaan (3.29) dan (3.30), batas bawah dan batas atas
kepercayaan 95% untuk keseluruhan effect size dengan model efek acak
diestimasi sebagai

𝐿𝐿𝑀𝑅 = 𝑀𝑅 − 1.96𝑆𝐸𝑀𝑅 ,

𝑈𝐿𝑀𝑅 = 𝑀𝑅 + 1.96𝑆𝐸𝑀𝑅 .

Jadi, selang kepercayaan 95% untuk keseluruhan effect size dengan model efek
acak adalah

[0.02510981 0.670159]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

153

Dengan menggunakan persamaan (3.31), nilai 𝑧 untuk menguji hipotesis nol


adalah

𝑀𝑅 0.3476344
𝑍𝑅 = = = 2.112594.
𝑆𝐸𝑀𝑅 0.1645534

Nilai 𝑃 pada persamaan (3.32) untuk menguji hipotesis nol adalah

𝑃 = 2[1 − 𝛷(|𝑍|)] = 2[1 − 𝛷(|2.112594|)] = 0.03463556.

Tabel 4.11 Perbedaan Rata-rata (Standardized Mean Difference/ SMD) Kelompok


Eksperimen dan Kelompok Kontrol dengan Model Efek Acak

Data Bobot (%) SMD Acak 95% CI

1 18.90% 0.688 [0.21,1.17]


2 20.20% 0.493 [0.05,0.94]
3 21.80% 0.421 [0.02,0.82]
4 16.60% 0.449 [-1.01,0.11]
5 22.50% 0.447 [0.07,0.83]

Total SMD 0.348


95% CI [0.025,0.67]
Heterogenitas 0.0347

Nilai 𝑃 0.000139

Tabel 4.11 memperlihatkan bahwa analisis model efek acak menghasilkan


nilai gabungan SMD sebesar 0.348 dengan selang kepercayaan (CI) 95% [0.025,
0.67]. Oleh karena

nilai 𝑃 = 0.000139 < 𝛼 = 0.05,


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

154

maka keputusan pengujian hipotesis menggunakan model efek acak adalah


hipotesis nol ditolak, sehingga ada efek sedang pada perbedaan rata-rata
kelompok eksperimen dan kelompok kontrol. Variasi antar-data adalah heterogen,
hal ini dapat dilihat dari nilai 𝑃 pada uji heterogenitas adalah 0.03, lebih kecil
daripada 0.05. Forest plot untuk kedua model dapat dilihat pada gambar 4.3 dan
gambar 4.4.

Gambar 4.3 Forest Plot Data Independen untuk Model Efek Tetap

Gambar 4.4 Forest Plot Data Independen untuk Model Efek Acak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

155

Untuk mengetahui variasi data maka dapat dilihat pada grafik funnel plot,
yang dapat dilihat pada gambar 4.5.

Gambar 4.5 Funnel Plot Meta-Analisis Perbedaan Rata-rata Kelompok


Eksperimen dengan Kelompok Kontrol.

Gambar 4.5 menunjukkan bahwa variasi data yang heterogen (kelima data tidak
simetris), artinya apabila analisis dilakukan pada populasi, waktu, tempat dan
kondisi yang berbeda maka hasilnya akan berbeda. Oleh karena itu, bias publikasi
berperan penting dalam meta-analisis ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB V

KESIMPULAN DAN SARAN

A. Kesimpulan
Penerapan effect size pada hasil-hasil penelitian bersamaan dengan
pengujian signifikansi statistik merupakan pertimbangan penting, salah satunya
dalam dunia sosial. Hasil penerapan effect size pada hasil-hasil penelitian
dirangkum dalam dua model meta-analisis, yaitu model efek tetap dan model efek
acak. Model efek acak lebih cocok diterapkan pada studi yang bersifat heterogen.
Hal ini disebabkan oleh tujuan penggunaan model efek acak adalah generalisasi.
Pemilihan model meta-analisis tidak boleh hanya didasarkan pada nilai
heterogenitas, namun perlu memperhatikan tujuan utama penelitian dan sumber
penggabungan penelitian.

Penulis memberikan contoh hasil meta-analisis yang diterapkan pada data


berpasangan dengan penstandarnya adalah standar deviasi rata-rata sampel (𝑠𝑎𝑣 )
dan data independen yang penstandarnya adalah deviasi sampel gabungan (𝑠𝑝 ).
Hasil akhir meta-analisis dengan model efek acak pada data berpasangan
ditunjukkan oleh nilai rata-rata terbobot keseluruhan effect size sebesar 0.769
dengan selang kepercayaan 95% [0.2461738 1.292225] dan nilai 𝑃 = 0.0039
kurang dari 0.05. Hal ini menunjukkan bahwa penggabungan 5 skripsi memiliki
perbedaan rata-rata yang distandardisasi sebesar 0.769. Jika ditelusuri lebih lanjut,
rata-rata pendapatan usaha kecil dan menengah sesudah mendapatkan kredit 0.769
kali lebih besar daripada rata-rata pendapatan sebelum mendapatkan kredit.

Hasil akhir meta-analisis dengan model efek acak pada kelima data
berdistribusi Normal yang dibangkitkan secara hipotetik ditunjukkan oleh nilai
rata-rata terbobot keseluruhan effect size sebesar 0.348 dengan selang kepercayaan
95% [0.025, 0.67] dan nilai 𝑃 = 0.000139 kurang dari 0.05. Hal ini menunjukkan
bahwa penggabungan 5 data memiliki perbedaan rata-rata yang distandardisasi
0.348. Jika ditelusuri lebih lanjut, rata-rata kelompok eksperimen 0.348 kali lebih
besar daripada rata-rata kelompok kontrol.

156
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Analisis sensitifitas dengan funnel plot menunjukkan bahwa hasil meta-


analisis memiliki bias publikasi. Artinya, apabila analisis dilakukan pada populasi,
waktu, tempat dan kondisi yang berbeda maka hasilnya akan berbeda. Bias
publikasi ini dapat dikurangi dengan membatasi sumber penelitian yang
dikumpulkan dan jenis penggabungan penelitian. Pelaporan nilai effect size pada
suatu penelitian dapat memfasilitasi peneliti untuk melakukan meta-analisis
berikutnya dan membantu peneliti di masa depan untuk merumuskan hasil dari
penelitian sejenis serta lebih memahami bagaimana temuan penelitian sesuai
dengan literatur penelitian yang ada.

B. Saran
Hasil penelitian yang melibatkan pengujian hipotesis harus disertai dengan
pelaporan nilai effect size di dalamnya. Lebih lanjut, tanpa memperhatikan metode
statistik yang digunakan, Cohen’s 𝑑 seharusnya dipresentasikan dalam hasil
penelitian. Hasil penelitian tidak hanya mengacu pada kriteria Cohen, namun
penginterpretasian hasil juga harus mempertimbangkan penelitian sebelumnya.
Pada contoh hasil meta-analisis, sampel yang digunakan hanya berasal dari skripsi
di program studi Akuntansi dan Pendidikan Ekonomi. Meta-analisis berikutnya
perlu memperluas sampel dengan menyertai penelitian lain yang ada di jurnal
untuk meningkatkan kualitas penelitian.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR PUSTAKA

Adi, A. R. S. A. (2012). Perbedaan Omset Penjualan, Jumlah Tenaga Kerja,


Biaya Produksi, dan Keuntungan pada Pelaku Usaha Mikro Kecil dan
Menengah di Kota Yogyakarta Sebelum dan Sesudah Mendapat Kredit dari
Lembaga Keuangan Koperasi. Yogyakarta: Universitas Sanata Dharma.

American Psychological Association Task Force on Statistical Inference. (1999).


Publication manual of the American Psychological Association (Fifth
Edition). Washington, DC: Author.

Borenstein, M., et al. (2009). Introduction to Meta-Analysis. Chichester: Wiley.

Chen, D. G. dan Peace, K. E. (2013). Applied Meta-analysis with R. Boca Raton:


CRC Press.

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (Second
Edition). Hillsdale, N.J: Erlbaum.

Cohen, J. (1994). The earth is round (p < .05). American Psychologist, 49: 997-
1003.

Cumming, G. (2012). Understanding The New Statistics Effect Sizes, Confidence


Intervals, and Meta-Analysis. New York: Routledge.

Ferguson, C. J. (2009). An Effect Size Primer: A Guide for Clinicians and


Researchers. Professional Psychology, 40(5): 532-538.

Field, A., Hole, G. (2003). How to design and report experiments. London: Sage.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Field, A. (2005). Discovering statistics using SPSS (Second Edition). London:


Sage.

Glass, G. V. (1976). Primary, Secondary and Meta-analysis of Research.


Educational Researcher, 5(10): 3-8.

Hedges, L. V. dan Olkin, I. (1985). Statistical methods for meta-analysis.


Orlando, FL: Academic Press.

Hunt, M. (1997). How science takes stock: The story of meta-analysis. New York:
Russell Sage Foundation.

Indriastuti, Novia. (2012). Pengaruh Pemberian Kredit oleh Badan Usaha Kredit
Pedesaan (BUKP) terhadap Pendapatan Penjualan Usaha Mikro.
Yogyakarta: Universitas Sanata Dharma.

Johnson, R. A., Miller, I., Freund, J. (2005). Probability and Statistics for
Engineers (Seventh Edition). New Jersey: Pearson-Prentice Hall.

Julie, Hongkie. (1999). Teorema Limit Pusat dan Terapannya. Yogyakarta:


Universitas Sanata Dharma.

Keppel, G. dan Wickens, T. D. (2004). Design and Analysis: a Researcher’s


Handbook. Upper Saddle River, NJ: Pearson-Prentice Hall.

Kirk, R. (1996). Practical significance: A concept whose time has come.


Educational and Psychological Measurements, 56: 746-759.

Mendenhal, W., Beaver, R. J., Beaver. B. M. (2009). Introduction to Probability


& Statistics (Thirteenth Edition). Pacific Grove, CA: Brooks/Cole.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Nakagawa, S. dan Cuthill, I. C. (2007). Effect size, confidence interval and


statistical significance: a practical guide for biologists. Biological Reviews,
82: 591-605.

Nindrea, R. D. (2016). Pengantar Langkah-langkah Praktis Studi Meta-Analisis.


Yogyakarta: Gosyen Publishing.

Olejnic, S. dan Algina, J. (2003). Generalized eta and omega squared statistics:
Measures of effect size for some common research designs. Psychological
Methods, 8(4): 434-447.

Prastiwi, Hanun. (2013). Studi Komparasi Perkembangan Usaha Mikro dan Kecil
Masyarakat, Sebelum dan Sesudah Mendapatkan Kredit dari LKM-Kube
“Sejahtera” Kecamatan Pandak Kabupaten Bantul. Yogyakarta:
Universitas Sanata Dharma.

Santoso, A. (2010). Studi Deskriptif Effect Size Penelitian-penelitian di Fakultas


Psikologi Universitas Sanata Dharma. Jurnal Penelitian, 14(1): 1-17.

Schwab, A., et al. (2011). Researchers Should Make Thoughtful Assessments


Instead of Null-Hypothesis Significance Tests. Organization Science, 22
(4): 1105-1120.

Sekararum, Maria. (2008). Peran Kredit Bank Perkreditan Rakyat bagi


Pendapatan Usaha Kecil. Yogyakarta: Universitas Sanata Dharma.

Setyawan, S. E. (2000). Peran Badan Usaha Kredit Pedesaan (BUKP) bagi


Pengembangan Usaha Kecil di Pedesaan. Yogyakarta: Universitas Sanata
Dharma.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Snyder, P. dan Lawson, S. (1993). Evaluating results using corrected and


uncorrected effect size estimates. Journal of Experimental Education, 61:
334-349.

Thompson, B. (1998). Statistical Significance and Effect Size Reporting: Portrait


of a Possible Future. Research In The Schools, 5(2): 33-38.

Wackerly, D. D., Mendenhall, W., Scheaffer, R. L. (2008). Mathematical


Statistics with Applications (Seventh Edition). Belmont, CA: Brooks/Cole.

Walpole, R. E., et al. (2012). Probability & Statistics for Engineers & Scientists
(Ninth Edition). Boston: Pearson-Prentice Hall.

Wilkinson & Task Force on Statistical Inference. (1999). Statistical methods in


psychological journals: Guidelines and explanations. American
Psychologist, 54: 594-604.

Williams, David. (1991). Probability with Martingales. New York: Cambridge


University Press.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

LAMPIRAN

Lampiran 1

Berikut ini merupakan data kelima skripsi di Program Studi Akuntansi dan
Pendidikan Ekonomi Universitas Sanata Dharma yang diakses melalui database
library.usd.ac.id. Data diinput dalam Microsoft Office Excel 2007 (.csv).

1. Data Skripsi Prastiwi (2013)

Diff adalah rata-rata selisih pendapatan sesudah mendapatkan kredit dengan


pendapatan sebelum mendapatkan kredit.

𝑛 Sebelum Sesudah Diff

1 6.000.000 7.000.000 1.000.000

2 5.000.000 5.000.000 0

3 3.500.000 4.000.000 500.000

4 30.000.000 32.000.000 2.000.000

5 3.800.000 3.800.000 0

6 1.500.000 1.800.000 300.000

7 1.000.000 1.800.000 800.000

8 1.000.000 1.300.000 300.000

9 2.600.000 3.000.000 400.000

10 1.500.000 2.000.000 500.000

11 13.000.000 15.000.000 2.000.000

12 800.000 1.000.000 200.000

13 13.000.000 14.000.000 1.000.000

14 700.000 900.000 200.000

15 3.000.000 3.900.000 900.000

16 10.000.000 12.000.000 2.000.000

17 50.000.000 56.000.000 6.000.000

18 6.500.000 8.000.000 1.500.000


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

19 6.000.000 9.000.000 3.000.000

20 2.500.000 4.500.000 2.000.000

21 3.000.000 5.000.000 2.000.000

22 20.000.000 24.000.000 4.000.000

23 3.000.000 4.500.000 1.500.000

24 1.000.000 1.000.000 0

25 2.500.000 3.000.000 500.000

26 8.000.000 10.000.000 2.000.000

27 1.200.000 1.800.000 600.000

28 30.000.000 37.000.000 7.000.000

29 1.500.000 2.000.000 500.000

30 12.000.000 13.000.000 1.000.000

2. Data Skripsi Indriastuti (2012)

𝑛 Sebelum Sesudah Diff

1 420.000 750.000 330.000

2 375.000 575.000 200.000

3 460.000 700.000 240.000

4 550.000 800.000 250.000

5 460.000 650.000 190.000

6 550.000 1.000.000 450.000

7 600.000 900.000 300.000

8 700.000 1.000.000 300.000

9 500.000 1.000.000 500.000

10 500.000 850.000 350.000

11 375.000 775.000 400.000

12 450.000 850.000 400.000


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

13 450.000 1.000.000 550.000

14 450.000 800.000 350.000

15 550.000 1.100.000 550.000

16 625.000 975.000 350.000

17 460.000 710.000 250.000

18 500.000 825.000 325.000

19 625.000 945.000 320.000

20 375.000 875.000 500.000

21 375.000 580.000 205.000

22 450.000 750.000 300.000

23 450.000 800.000 350.000

24 500.000 750.000 250.000

25 550.000 1.000.000 450.000

26 500.000 820.000 320.000

27 375.000 700.000 325.000

28 500.000 700.000 200.000

29 625.000 1.100.000 475.000

30 460.000 700.000 240.000

3. Data Skripsi Adi (2012)

𝑛 Sebelum Sesudah Diff

1 8.550.000 10.200.000 1.650.000

2 9.100.000 11.600.000 2.500.000

3 4.250.000 5.900.000 1.650.000

4 6.000.000 7.690.000 1.690.000

5 5.750.000 6.500.000 750.000

6 4.150.000 4.750.000 600.000


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

7 8.300.000 9.600.000 1.300.000

8 7.350.000 9.120.000 1.770.000

9 3.740.000 5.700.000 1.960.000

10 4.500.000 5.250.000 750.000

11 5.230.000 6.300.000 1.070.000

12 5.600.000 6.400.000 800.000

13 6.700.000 7.600.000 900.000

14 7.350.000 8.600.000 1.250.000

15 6.000.000 6.750.000 750.000

16 8.120.000 9.970.000 1.850.000

17 4.250.000 5.900.000 1.650.000

18 3.410.000 4.260.000 850.000

19 3.150.000 4.100.000 950.000

20 3.410.000 4.200.000 790.000

21 6.100.000 6.750.000 650.000

4. Data Skripsi Setyawan (2000)

𝑛 Sebelum Sesudah Diff

1 250.000 350.000 100.000

2 100.000 200.000 100.000

3 100.000 125.000 25.000

4 175.000 225.000 50.000

5 220.000 250.000 30.000

6 100.000 110.000 10.000

7 150.000 180.000 30.000

8 200.000 250.000 50.000

9 150.000 175.000 25.000


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

10 130.000 225.000 95.000

11 125.000 160.000 35.000

12 150.000 180.000 30.000

13 100.000 130.000 30.000

14 200.000 250.000 50.000

15 130.000 150.000 20.000

16 120.000 140.000 20.000

17 110.000 125.000 15.000

18 200.000 240.000 40.000

19 500.000 600.000 100.000

20 300.000 350.000 50.000

21 300.000 350.000 50.000

22 350.000 400.000 50.000

23 350.000 425.000 75.000

24 300.000 360.000 60.000

25 370.000 430.000 60.000

26 325.000 450.000 125.000

27 500.000 700.000 200.000

28 300.000 425.000 125.000

29 300.000 500.000 200.000

30 600.000 700.000 100.000

31 350.000 500.000 150.000

32 450.000 600.000 150.000

33 330.000 410.000 80.000

34 380.000 525.000 145.000

35 700.000 900.000 200.000

36 350.000 450.000 100.000


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

37 300.000 400.000 100.000

38 545.000 650.000 105.000

39 700.000 930.000 230.000

40 600.000 750.000 150.000

41 750.000 900.000 150.000

42 550.000 625.000 75.000

43 550.000 600.000 50.000

44 550.000 625.000 75.000

45 270.000 300.000 30.000

46 280.000 300.000 20.000

47 300.000 350.000 50.000

48 450.000 550.000 100.000

49 625.000 675.000 50.000

50 400.000 475.000 75.000

5. Data Skripsi Sekararum (2008)

𝑛 Sebelum Sesudah Diff

1 4.500.000 6.000.000 1.500.000

2 1.500.000 1.950.000 450.000

3 3.900.000 4.950.000 1.050.000

4 900.000 1.950.000 1.050.000

5 1.200.000 1.500.000 300.000

6 1.200.000 1.800.000 600.000

7 1.500.000 2.400.000 900.000

8 1.050.000 1.500.000 450.000

9 1.500.000 1.950.000 450.000

10 1.200.000 1.500.000 300.000


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

11 1.200.000 1.950.000 750.000

12 1.950.000 3.000.000 1.050.000

13 3.900.000 4.800.000 900.000

14 1.350.000 1.800.000 450.000

15 3.000.000 3.900.000 900.000

16 900.000 1.800.000 900.000

17 900.000 1.200.000 300.000

18 1.200.000 1.500.000 300.000

19 1.350.000 1.950.000 600.000

20 900.000 1.650.000 750.000

21 1.200.000 1.650.000 450.000

22 3.600.000 4.800.000 1.200.000

23 4.800.000 6.000.000 1.200.000

24 1.050.000 1.950.000 900.000

25 1.500.000 1.950.000 450.000

26 4.500.000 6.000.000 1.500.000

27 4.500.000 6.000.000 1.500.000

28 2.100.000 3.000.000 900.000

29 3.450.000 4.200.000 750.000

30 1.200.000 1.800.000 600.000

31 1.500.000 1.950.000 450.000

32 1.650.000 2.550.000 900.000

33 1.950.000 2.700.000 750.000

34 1.200.000 1.650.000 450.000

35 3.000.000 3.900.000 900.000

36 2.250.000 3.000.000 750.000

37 2.550.000 3.000.000 450.000


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

38 4.950.000 6.000.000 1.050.000

39 1.650.000 2.400.000 750.000

40 900.000 1.500.000 600.000

41 4.950.000 6.000.000 1.050.000

42 4.200.000 4.800.000 600.000

43 1.200.000 1.800.000 600.000

44 1.950.000 2.400.000 450.000

45 2.400.000 3.000.000 600.000

46 1.950.000 3.000.000 1.050.000

47 3.900.000 4.800.000 900.000

48 1.500.000 2.250.000 750.000

49 900.000 1.350.000 450.000

50 4.800.000 5.550.000 750.000

6. Buka Data Microsoft Office Excel yang Telah Diinput di program R versi
3.3.2

> Prastiwi=read.csv(file.choose(),header=T)

> Indriastuti=read.csv(file.choose(),header=T)

> Adi=read.csv(file.choose(),header=T)

> Setyawan=read.csv(file.choose(),header=T)

> Sekararum=read.csv(file.choose(),header=T)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Lampiran 2

Berikut ini merupakan kode program R untuk uji normalitas, penyajian data,
perhitungan effect size pada data kelima skripsi dan hasil perhitungan meta-
analisis dengan menggunakan model efek tetap dan model efek acak.

1. Uji Normalitas dengan Kolgomorov-Smirnov

> ks.test(Prastiwi$Diff,pnorm,mean(Prastiwi$Diff),sd(Prastiwi$Diff))

One-sample Kolmogorov-Smirnov test

data: Prastiwi$Diff

D = 0.23927, p-value = 0.06444

alternative hypothesis: two-sided

> ks.test(Indriastuti$Diff,pnorm,mean(Indriastuti$Diff),sd(Indriastuti$Diff))

One-sample Kolmogorov-Smirnov test

data: Indriastuti$Diff

D = 0.16459, p-value = 0.3907

alternative hypothesis: two-sided

> ks.test(Adi$Diff,pnorm,mean(Adi$Diff),sd(Adi$Diff))

One-sample Kolmogorov-Smirnov test

data: Adi$Diff

D = 0.18506, p-value = 0.4683

alternative hypothesis: two-sided

> ks.test(Setyawan$Diff,pnorm,mean(Setyawan$Diff),sd(Setyawan$Diff))

One-sample Kolmogorov-Smirnov test

data: Setyawan$Diff

D = 0.17159, p-value = 0.1053

alternative hypothesis: two-sided

> ks.test(Sekararum$Diff,pnorm,mean(Sekararum$Diff),sd(Sekararum$Diff))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

One-sample Kolmogorov-Smirnov test

data: Sekararum$Diff

D = 0.1337, p-value = 0.3331

alternative hypothesis: two-sided

2. Penyajian Data dengan Program R versi 3.3.2

>
Prastiwi=c(mean(Prastiwi$Sebelum),sd(Prastiwi$Sebelum),mean(Prastiwi$Sesud
ah),sd(Prastiwi$Sesudah),30,mean(Prastiwi$Diff))

>
Indriastuti=c(mean(Indriastuti$Sebelum),sd(Indriastuti$Sebelum),mean(Indriastut
i$Sesudah),sd(Indriastuti$Sesudah),30,mean(Indriastuti$Diff))

>
Adi=c(mean(Adi$Sebelum),sd(Adi$Sebelum),mean(Adi$Sesudah),sd(Adi$Sesud
ah),21,mean(Adi$Diff))

>
Setyawan=c(mean(Setyawan$Sebelum),sd(Setyawan$Sebelum),mean(Setyawan$
Sesudah),sd(Setyawan$Sesudah),50,mean(Setyawan$Diff))

>
Sekararum=c(mean(Sekararum$Sebelum),sd(Sekararum$Sebelum),mean(Sekarar
um$Sesudah),sd(Sekararum$Sesudah),50,mean(Sekararum$Diff))

> dat = as.data.frame(rbind(Prastiwi,Indriastuti,Adi,Setyawan,Sekararum))

> colnames(dat) = c("m.Pre","sd.Pre","m.Post","sd.Post","n.Pairs","m.Diff")

> dat

m.Pre sd.Pre m.Post sd.Post n.Pairs m.Diff

Prastiwi 8120000 11130089.69 9576666.7 12536833.5 30 1456666.7

Indriastuti 492000 84767.43 832666.7 143723.5 30 340666.7

Adi 5762381 1845472.58 7006666.7 2145787.3 21 1244285.7

Setyawan 332700 180716.29 413400 220116.9 50 80700

Sekararum 2247000 1348294.84 3000000 1571168.8 50 753000


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> sd.av = sqrt(((dat$sd.Pre^2)+(dat$sd.Post^2))/2)

> sd.av

[1] 11854347.1 117987.2 2001271.1 201382.5 1463979.2

> n=5

> N = dat$n.Pairs

> J = 1- 3/(4*N-5)

> d = dat$m.Diff/sd.av
>d
[1] 0.1228804 2.8873191 0.6217477 0.4007299 0.5143516
> dunb= J*d

> dunb

[1] 0.1196748 2.8119977 0.5981370 0.3945648 0.5064385

> var.d=(1/dat$n.Pairs)+(d^2/(2*dat$n.Pairs))

> var.dunb = (J^2)*var.d

> lowCI.d=d-1.96*sqrt(var.d)

> upCI.d=d+1.96*sqrt(var.d)

> cbind(lowCI.d,dunb,upCI.d)

lowCI.d dunb upCI.d

[1,] -0.2363133 0.1196748 0.4820741

[2,] 2.0737966 2.8119977 3.7008415

[3,] 0.1545308 0.5981370 1.0889646

[4,] 0.1126309 0.3945648 0.6888289

[5,] 0.2194020 0.5064385 0.8093011

3. Perhitungan Meta-Analisis dengan Model Efek Tetap

> w = 1/var.dunb
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> tot.w = sum(w)

> rel.w = w/tot.w

> M = sum(rel.w*dunb)

>M

[1] 0.4955647

> var.M = 1/tot.w

> se.M = sqrt(var.M)

> lowCI.M = M-1.96*se.M

> lowCI.M

[1] 0.335434

> upCI.M = M+1.96*se.M

> upCI.M

[1] 0.6556954

> z = M/se.M

>z

[1] 6.065711

> pval = 2*(1-pnorm(abs(z)))

> pval

[1] 1.313708e-09

> library(metafor)

> model.FE<- rma(dunb, var.dunb, method="FE", measure="SMD")

> summary(model.FE)

Fixed-Effects Model (k = 5)

logLik deviance AIC BIC AICc

-15.6335 37.9655 33.2670 32.8765 34.6004


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Test for Heterogeneity:

Q(df = 4) = 37.9655, p-val < .0001

Model Results:

estimate se zval pval ci.lb ci.ub

0.4956 0.0817 6.0657 <.0001 0.3354 0.6557 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> forest(model.FE)

4. Heterogenitas Effect Size

> Q = sum(w*dunb^2)-(sum(w*dunb))^2/tot.w

> df= n-1

> C = tot.w - sum(w^2)/tot.w

> tau2 = (Q-df)/C

> tau2

[1] 0.304584

5. Perhitungan Meta-Analisis dengan Model Efek Acak

> wR = 1/(var.dunb+tau2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> tot.wR = sum(wR)

> rel.wR = wR/tot.wR

> MR = sum(rel.wR*dunb)

> MR

[1] 0.7691995

> var.MR = 1/tot.wR

> se.MR = sqrt(var.MR)

> se.MR

[1] 0.2668498

> lowCI.MR = MR - 1.96*se.MR

> lowCI.MR

[1] 0.2461738

> upCI.MR = MR + 1.96*se.MR

> upCI.MR

[1] 1.292225

> zR = MR/se.MR

> zR

[1] 2.882518

> pval.R = 2*(1-pnorm(abs(zR)))

> pval.R

[1] 0.003945102

> sumTab = data.frame(SMD = round(dunb,4),lowCI = round(lowCI.d,4),upperCI


= round(upCI.d,4),pctW.fixed = round(rel.w*100,2),pctW.random =
round(rel.wR*100,2))

> rownames(sumTab) = rownames(dat)


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> sumTab

SMD lowCI upperCI pctW.fixed pctW.random

Prastiwi 0.1197 -0.2363 0.4821 20.95 21.17

Indriastuti 2.8120 2.0738 3.7008 4.08 15.22

Adi 0.5981 0.1545 1.0890 12.69 19.94

Setyawan 0.3946 0.1126 0.6888 31.87 21.87

Sekararum 0.5064 0.2194 0.8093 30.40 21.81

> library(metafor)

> model.RE<- rma(dunb, var.dunb, method="DL", measure="SMD")

> summary(model.RE)

Random-Effects Model (k = 5; tau^2 estimator: DL)


logLik deviance AIC BIC AICc
-7.4825 21.6636 18.9651 18.1840 24.9651

tau^2 (estimated amount of total heterogeneity): 0.3046 (SE = 0.2665)


tau (square root of estimated tau^2 value): 0.5519
I^2 (total heterogeneity / total variability): 89.46%
H^2 (total variability / sampling variability): 9.49

Test for Heterogeneity:


Q(df = 4) = 37.9655, p-val < .0001

Model Results:
estimate se zval pval ci.lb ci.ub
0.7692 0.2668 2.8825 0.0039 0.2462 1.2922 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> forest(model.RE)

> funnel(model.RE)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Lampiran 3

Berikut ini merupakan data independen berdistribusi Normal yang


dibangkitkan secara hipotetik melalui program R versi 3.3.2. Pengujian hipotesis
pada keempat data diasumsikan signifikan dan satu data tidak signifikan. Meta-
analisis dilakukan untuk mengestimasi effect size dari kelima data tersebut.

1. Data Berdistribusi Normal yang Dibangkitkan Secara Hipotetik

> x1=rnorm(35,120,14)

> x1

[1] 142.73180 133.64160 137.91543 127.04481 134.93512 163.23808 111.99330

[8] 129.58068 115.25493 143.80132 148.52458 122.05689 136.91831 129.23504

[15] 123.02598 119.60322 122.74415 119.93836 118.18762 103.91416


149.41061

[22] 116.51850 131.99683 121.67993 99.51958 131.27712 148.02795 126.21861

[29] 111.88403 116.37566 106.76355 127.73487 93.44861 94.05003 123.06455

> y1=rnorm(35,120,14)

> y1

[1] 103.23966 127.56010 124.61971 100.75458 87.71961 110.69320 140.73139

[8] 101.22746 109.25053 109.14670 126.01070 99.34998 110.43253 120.33634

[15] 124.71073 97.49233 120.90670 119.96740 144.25814 112.29892 106.77433

[22] 95.11539 113.40566 140.03133 126.46819 111.09344 123.28663 104.34525

[29] 115.33178 114.62363 102.35177 109.04503 118.44353 135.14818


119.31859

> x2=rnorm(40,120,14)

> x2

[1] 112.77828 124.76272 144.87365 117.51560 113.92556 140.76362 117.47837

[8] 106.70953 117.53519 134.82065 146.98314 120.97548 122.17958 129.51306

[15] 95.50349 127.92651 129.47762 118.90719 124.22097 117.27563 130.49162


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

[22] 120.29240 123.64791 144.99219 123.43910 136.75767 117.20200


118.34045

[29] 143.47702 114.25877 129.13256 112.65260 139.67688 111.72512


131.19996

[36] 111.35765 145.89593 126.76714 135.99436 110.73329

> y2=rnorm(40,120,14)

> y2

[1] 131.28719 120.36768 105.77885 129.98784 109.31418 112.44139 137.87768

[8] 117.27134 141.45105 120.99906 123.18585 115.49620 110.16687 121.72994

[15] 128.96870 118.54851 103.18574 133.95222 134.16183 130.15568


121.38602

[22] 131.98998 120.68631 102.94306 126.76292 122.21475 129.68937


115.60235

[29] 102.30001 114.59890 96.08491 97.54549 106.98162 95.13663 104.44225

[36] 138.37219 91.21682 107.73668 141.34078 123.06597

> x3=rnorm(50,120,14)

> x3

[1] 131.63652 122.91643 145.45729 116.56031 132.31744 107.76710 112.29348

[8] 146.52895 132.89130 128.58778 112.43440 126.44310 121.19138 138.86838

[15] 136.67056 124.85554 126.64458 110.24736 126.88454 109.73845


125.88560

[22] 150.56983 125.62915 91.61998 133.91093 123.98028 136.23216 140.46058

[29] 111.94976 109.76050 106.95594 136.57587 138.21150 100.18272


127.40883

[36] 120.18239 117.85640 100.71999 115.48983 130.82044 117.12016


118.13394

[43] 136.79475 115.56626 98.29371 144.53219 145.32230 109.04295 132.78666

[50] 119.03332

> y3=rnorm(50,120,14)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> y3

[1] 147.83840 92.67358 121.54238 132.68769 123.53382 104.65769 130.47874

[8] 125.84043 115.26361 112.49331 105.16432 109.21466 127.16679 135.23832

[15] 98.53706 109.09693 117.63656 114.96338 130.37183 105.11275 131.80506

[22] 110.94184 113.41095 86.27831 135.17717 109.21646 112.41014 110.83375

[29] 110.07676 122.34413 121.99011 102.64644 132.45225 127.92542


129.41484

[36] 114.68198 91.10790 117.70676 123.40856 138.02540 128.57602 116.55264

[43] 112.76810 111.43605 125.68357 115.37092 131.87023 115.87505


119.54974

[50] 131.50800

> x4=rnorm(25,120,14)

> x4

[1] 113.35733 125.14672 102.85252 110.98206 105.48052 140.58821 119.54112

[8] 116.70304 135.57994 112.54513 135.14843 130.95545 134.10345 109.45547

[15] 131.25337 104.24832 112.43259 134.48479 108.52405 128.56785


117.74898

[22] 96.81778 104.02075 131.04960 92.76292

> y4=rnorm(25,120,14)

> y4

[1] 147.96881 120.39546 128.69081 137.27654 98.99308 92.41842 139.67673

[8] 128.94645 142.55636 122.62621 139.71258 117.17080 116.83343 130.68958

[15] 131.89502 122.53569 146.59078 118.63567 120.05133 92.62113 136.39825

[22] 138.50727 118.25646 104.42617 127.35469

> x5=rnorm(55,120,14)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> x5

[1] 106.76597 120.03006 114.11598 129.81369 131.88848 128.11385 103.37962

[8] 137.50936 123.47789 126.96299 130.45159 105.32659 125.47219 141.67309

[15] 162.96198 127.94145 129.29061 134.64428 119.58000 128.66220


110.68570

[22] 97.14506 115.52528 122.19081 122.06410 117.21028 138.14851 132.98823

[29] 131.77800 125.86892 125.82018 131.64150 112.00750 134.71850


109.85498

[36] 137.44785 142.38577 119.27231 99.55225 129.22558 133.95633 121.60594

[43] 113.19061 113.30490 109.38754 124.88095 132.40154 104.33827


134.30362

[50] 141.09523 114.46723 154.31160 108.44182 129.37758 121.86789

> y5=rnorm(55,120,14)

> y5

[1] 107.29819 114.49790 125.58829 130.36368 141.52269 98.88041 110.57453

[8] 145.86932 104.60350 112.03059 142.84126 104.44202 128.20357 130.11938

[15] 120.65445 128.22006 117.06278 122.90797 115.98615 107.34458


116.93099

[22] 97.13816 106.11089 118.78050 119.60689 126.44957 106.65153 130.26875

[29] 129.70956 109.96984 128.93101 104.94438 98.97440 112.41212 104.92901

[36] 97.69217 128.74121 109.75359 145.48902 149.74951 125.04031 133.12686

[43] 124.23704 123.70587 124.27825 123.79799 99.56769 133.40300 116.15075

[50] 96.49465 111.30195 113.75085 98.98993 116.40738 118.34617


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Lampiran 4

Berikut ini merupakan kode program R versi 3.3.2 untuk uji homogenitas
variansi, uji 𝑡 dan penyajian data.

1. Uji Homogenitas Variansi

> library(Rcmdr)

> sampel1=c(x1,y1)

> sampel2=c(x2,y2)

> sampel3=c(x3,y3)

> sampel4=c(x4,y4)

> sampel5=c(x5,y5)

> group1=as.factor(c(rep(1,length(x1)),rep(2,length(y1))))

> group2=as.factor(c(rep(1,length(x2)),rep(2,length(y2))))

> group3=as.factor(c(rep(1,length(x3)),rep(2,length(y3))))

> group4=as.factor(c(rep(1,length(x4)),rep(2,length(y4))))

> group5=as.factor(c(rep(1,length(x5)),rep(2,length(y5))))

> levene.test(sampel1,group1)

Levene's Test for Homogeneity of Variance (center = median)

Df F value Pr(>F)

group 1 0.4912 0.4858

68

> levene.test(sampel2,group2)

Levene's Test for Homogeneity of Variance (center = median)

Df F value Pr(>F)

group 1 0.5883 0.4454

78
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> levene.test(sampel3,group3)

Levene's Test for Homogeneity of Variance (center = median)

Df F value Pr(>F)

group 1 0.5083 0.4776

98

> levene.test(sampel4,group4)

Levene's Test for Homogeneity of Variance (center = median)

Df F value Pr(>F)

group 1 0.0496 0.8247

48

> levene.test(sampel5,group5)

Levene's Test for Homogeneity of Variance (center = median)

Df F value Pr(>F)

group 1 0.2482 0.6193

108

2. Pengujian Hipotesis Rata-rata Dua Populasi dengan Uji 𝒕

> dat1=cbind(sampel1,group1)

> dat2=cbind(sampel2,group2)

> dat3=cbind(sampel3,group3)

> dat4=cbind(sampel4,group4)

> dat5=cbind(sampel5,group5)

>
t.test(sampel1~group1, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Two Sample t-test

data: sampel1 by group1

t = 2.9109, df = 68, p-value = 0.004869

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

3.205576 17.181073

sample estimates:

mean in group 1 mean in group 2

125.2073 115.0140

>
t.test(sampel2~group2, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat2)

Two Sample t-test

data: sampel2 by group2

t = 2.2271, df = 78, p-value = 0.02882

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

0.678295 12.108489

sample estimates:

mean in group 1 mean in group 2

124.8040 118.4106

>
t.test(sampel3~group3, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat3)

Two Sample t-test

data: sampel3 by group3

t = 2.1205, df = 98, p-value = 0.03649


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

0.3609533 10.8953272

sample estimates:

mean in group 1 mean in group 2

123.8393 118.2111

>
t.test(sampel4~group4, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat4)

Two Sample t-test

data: sampel4 by group4

t = -1.6137, df = 48, p-value = 0.1132

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

-14.992311 1.642124

sample estimates:

mean in group 1 mean in group 2

118.1740 124.8491

>
t.test(sampel5~group5, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat5)

Two Sample t-test

data: sampel5 by group5

t = 2.3612, df = 108, p-value = 0.02001

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

0.9622474 11.0261580
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

sample estimates:

mean in group 1 mean in group 2

124.3732 118.3790

3. Penyajian Data

> Data1=c(mean(x1),sd(x1),35,mean(y1),sd(y1),35)

> Data2=c(mean(x2),sd(x2),40,mean(y2),sd(y2),40)

> Data3=c(mean(x3),sd(x3),50,mean(y3),sd(y3),50)

> Data4=c(mean(x4),sd(x4),25,mean(y4),sd(y4),25)

> Data5=c(mean(x5),sd(x5),55,mean(y5),sd(y5),55)

> dat = as.data.frame(rbind(Data1,Data2,Data3,Data4,Data5))

>
colnames(dat)=c("m.Eksperimen","sd.Eksperimen","n.Eksperimen","m.Kontrol","
sd.Kontrol","n.Kontrol")

> dat

m.Eksperimen sd.Eksperimen n.Eksperimen m.Kontrol sd.Kontrol n.Kontrol

Data1 125.2073 15.83617 35 115.0140 13.35698 35

Data2 124.8040 12.13542 40 118.4106 13.50426 40

Data3 123.8393 13.80511 50 118.2111 12.71455 50

Data4 118.1740 13.65497 25 124.8491 15.53483 25

Data5 124.3732 13.12314 55 118.3790 13.49931 55


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Lampiran 5

Berikut ini merupakan kode program R versi 3.3.2 untuk perhitungan effect
size dan perhitungan meta-analisis dengan menggunakan model efek tetap dan
model efek acak.

1. Perhitungan Effect Size 𝒅

> pooled.sd = sqrt(((dat$n.Eksperimen-1)*dat$sd.Eksperimen^2+(dat$n.Kontrol-


1)*dat$sd.Kontrol^2)/(dat$n.Eksperimen+dat$n.Kontrol-2))

> n=5

> N = dat$n.Eksperimen+dat$n.Kontrol

> J = 1- 3/(4*N-9)

> d = (dat$m.Eksperimen-dat$m.Kontrol)/pooled.sd
>d
[1] 0.6958322 0.4980014 0.4240921 -0.4564124 0.4502668
>
var.d=(dat$n.Eksperimen+dat$n.Kontrol)/(dat$n.Eksperimen*dat$n.Kontrol)+(d^
2/(2*(dat$n.Eksperimen+dat$n.Kontrol)))

> dunb= J*d

> dunb

[1] 0.6881293 0.4931976 0.4208382 -0.4492436 0.4471327

> var.dunb=(J^2)*var.d

> lowCI.d=d-1.96*sqrt(var.d)

> upCI.d=d+1.96*sqrt(var.d)

> cbind(lowCI.d, dunb, upCI.d)

lowCI.d dunb upCI.d

[1,] 0.21333253 0.6881293 1.1783319

[2,] 0.05299063 0.4931976 0.9430122

[3,] 0.02771013 0.4208382 0.820474


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

[4,] -1.01795540 -0.4492436 0.1051306

[5,] 0.07180313 0.4471327 0.8287305

2. Perhitungan Meta-Analisis dengan Menggunakan Model Efek Tetap

> w = 1/var.dunb

> tot.w = sum(w)

> rel.w = w/tot.w

> rel.w

[1] 0.1666394 0.1953355 0.2452253 0.1241904 0.2686095

> M = sum(rel.w*dunb)

>M

[1] 0.378521

> var.M = 1/tot.w

> se.M = sqrt(var.M)

> lowCI.M = M-1.96*se.M

> upCI.M = M+1.96*se.M

> z = M/se.M

>z

[1] 3.808856

> pval = 2*(1-pnorm(abs(z)))

> pval

[1] 0.0001396111

> library(metafor)

> result.smdf <- rma(m1 = m.Eksperimen, m2 = m.Kontrol,sd1 = sd.Eksperimen,


sd2 = sd.Kontrol,n1 = n.Eksperimen, n2 = n.Kontrol,method = "FE", measure =
"SMD",data = dat)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> result.smdf

Fixed-Effects Model (k = 5)

Test for Heterogeneity:

Q(df = 4) = 10.3629, p-val = 0.0347

Model Results:

estimate se zval pval ci.lb ci.ub

0.3798 0.1003 3.7866 0.0002 0.1832 0.5763 ***

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> forest(result.smdf)

3. Heterogenitas Effect Size

> Q = sum(w*dunb^2)-(sum(w*dunb))^2/tot.w

>Q

[1] 10.66608

> df= n-1

> df

[1] 4

> C = tot.w - sum(w^2)/tot.w


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> tau2 = (Q-df)/C

> tau2

[1] 0.0813

4. Perhitungan Meta-Analisis dengan Menggunakan Model Efek Acak

> wR = 1/(var.dunb+tau2)

> tot.wR = sum(wR)

> rel.wR = wR/tot.wR

> rel.wR

[1] 0.1893706 0.2016492 0.2183773 0.1658709 0.2247319

> MR = sum(rel.wR*dunb)

> MR

[1] 0.3476344

> var.MR = 1/tot.wR

> se.MR = sqrt(var.MR)

> lowCI.MR=MR-1.96*se.MR

> upCI.MR=MR+1.96*se.MR

> zR = MR/se.MR

> zR

[1] 2.112594

> pval.R = 2*(1-pnorm(abs(zR)))

> pval.R

[1] 0.03463556

> library(metafor)

> result.smdr <- rma(m1 = m.Eksperimen, m2 = m.Kontrol,sd1 = sd.Eksperimen,


sd2 = sd.Kontrol,n1 = n.Eksperimen, n2 = n.Kontrol,method = "DL", measure =
"SMD",data = dat)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> result.smdr
Random-Effects Model (k = 5; tau^2 estimator: DL)

tau^2 (estimated amount of total heterogeneity): 0.0814 (SE = 0.0948)


tau (square root of estimated tau^2 value): 0.2854
I^2 (total heterogeneity / total variability): 61.40%
H^2 (total variability / sampling variability): 2.59

Test for Heterogeneity:


Q(df = 4) = 10.3629, p-val = 0.0347

Model Results:

estimate se zval pval ci.lb ci.ub


0.3491 0.1638 2.1315 0.0330 0.0281 0.6701 *

---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

> forest(result.smdr)

> funnel(result.smdr)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Lampiran 6

Tabel Z (Tabel Probabilitas Normal Standar di Sisi Kiri Kurva Normal)

Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07

-3 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011

-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015

-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021

-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028

-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038

-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051

-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068

-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089

-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116

-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150

-2 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192

-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244

-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307

-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384

-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475

-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582

-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708

-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853

-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020

-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210

-1 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423

-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660

-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922

-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514

-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843

-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192

-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557

-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936

-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325

0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721

0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675

0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064

0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443

0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808

0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157

0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486

0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794

0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078

0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340

1 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577

1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790

1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980

1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147

1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292

1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418

1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525

1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616

1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693

1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756

2 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850

2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884

2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911

2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932

2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949

2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962

2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972

2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979

2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985

3 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Lampiran 7

Tabel Probabilitas Distribusi 𝑡

𝑡.1 𝑡.05 𝑡.025 𝑡.01 𝑡.005 𝑑𝑓

3.078 6.314 12.706 31.821 63.657 1

1.886 2.920 4.303 6.965 9.925 2

1.638 2.353 3.182 4.541 5.841 3

1.533 2.132 2.776 3.747 4.604 4

1.476 2.015 2.571 3.365 4.032 5

1.440 1.943 2.447 3.143 3.707 6

1.415 1.895 2.365 2.998 3.499 7

1.397 1.860 2.306 2.896 3.355 8

1.383 1.833 2.262 2.821 3.250 9

1.372 1.812 2.228 2.764 3.169 10

1.363 1.796 2.201 2.718 3.106 11

1.356 1.782 2.179 2.681 3.055 12

1.350 1.771 2.160 2.650 3.012 13

1.345 1.761 2.145 2.624 2.977 14

1.341 1.753 2.131 2.602 2.947 15

1.337 1.746 2.120 2.583 2.921 16

1.333 1.740 2.110 2.567 2.898 17

1.330 1.734 2.101 2.552 2.878 18

1.328 1.729 2.093 2.539 2.861 19

1.325 1.725 2.086 2.528 2.845 20

1.323 1.721 2.080 2.518 2.831 21

1.321 1.717 2.074 2.508 2.819 22

1.319 1.714 2.069 2.500 2.807 23

1.318 1.711 2.064 2.492 2.797 24


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

1.316 1.708 2.060 2.485 2.787 25

1.315 1.706 2.056 2.479 2.779 26

1.314 1.703 2.052 2.473 2.771 27

1.313 1.701 2.048 2.467 2.763 28

1.311 1.699 2.045 2.462 2.756 29

1.282 1.645 1.960 2.326 2.576 inf.

Anda mungkin juga menyukai