Statistik - Effek Size PDF
Statistik - Effek Size PDF
Skripsi
Oleh:
NIM: 133114008
YOGYAKARTA
2017
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Thesis
in Mathematics
By:
YOGYAKARTA
2017
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
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.
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.
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
A. Kesimpulan……………………………………………………………..156
B. Saran……………………………………………………………………157
DAFTAR PUSTAKA
LAMPIRAN
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel 2.2 Data Tingkat TCDD dalam Plasma dan Jaringan Lemak……………50
Tabel 3.2 Nilai Kenyamanan untuk Pengujian Satu Kelompok Sebelum dan
Sesudah Percobaan………….………………………………………112
Tetap…………………………………………………….…………..134
Acak………………………………………….……………………..138
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Tertentu………………………………...………………………...56
Gambar 2.2 Kurva Kemungkinan Hasil Data Kedua Jenis Pohon dari
Gambar 3.1 Perbedaan Rata-rata Percobaan Insomnia Studi Lucky dan Noluck
dengan Selang Kepercayaan 95%...................................................91
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
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
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.
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.
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. Kesimpulan
B. Saran
DAFTAR PUSTAKA
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
A. Statistika Inferensial
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
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
Pada subbab ini akan dijelaskan fungsi pembangkit momen yang berkaitan
dengan Teorema dalam distribusi sampling.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Definisi 2.1.7. Fungsi pembangkit momen dari variabel 𝑋 diberikan oleh 𝐸(𝑒 𝑡𝑋 )
dan dinotasikan oleh 𝑚𝑋 (𝑡). Dengan kata lain,
𝑑𝑘
𝑚 (𝑡)|𝑡=0 = 𝜇′𝑘 .
𝑑𝑡𝑘 𝑋
Bukti:
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.
1 1
𝑓(𝑥) = exp [− ( 2 ) (𝑥 − 𝜇)2 ] , −∞ < 𝑥 < ∞
𝜎√2𝜋 2𝜎
∞
exp[−(𝑥 − 𝜇)2 /2𝜎 2 ]
𝑚(𝑡) = 𝐸(𝑒 𝑡𝑥 ) = ∫ 𝑒 𝑡𝑥 ( ) 𝑑𝑥.
−∞ 𝜎√2𝜋
∞
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 .
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
11
Penyelesaian:
𝑥 (𝑣/2)−1 𝑒 −𝑥/2
𝑓(𝑥) = 𝑣/2 ,𝑥 > 0
2 Γ(𝑣/2)
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:
∞ ∞ 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
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
13
1
𝑚𝑍 2 (𝑡) = 1/2
= (1 − 2𝑡)−1/2 .
(1 − 2𝑡)
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
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
Bukti:
𝑈 = ∑ 𝑎𝑖 𝑋𝑖 = 𝑎1 𝑋1 + 𝑎2 𝑋2 + ⋯ + 𝑎𝑛 𝑋𝑛 ,
𝑖=1
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 .
𝜎𝑖 2 𝑡 2
𝑚𝑋𝑖 (𝑡) = exp (𝜇𝑖 𝑡 + ).
2
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,
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
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.
17
𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1
akan berdistribusi Normal dengan rata-rata 𝜇𝑋̅ = 𝜇 dan variansi 𝜎𝑋̅ 2 = 𝜎 2 /𝑛.
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
1 1 1
= (𝜇) + ⋯ + (𝜇) = (𝑛𝜇) = 𝜇
𝑛 𝑛 𝑛
dan
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:
−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
= 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
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
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
𝑏𝑛 𝑛
lim (1 + ) = 𝑒𝑏. (2.1)
𝑛→∞ 𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
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. ∎
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.
Probabilitas bahwa sampel acak dari 16 lampu akan memiliki rata-rata hidup
kurang dari 775 jam adalah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
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?
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.
𝑛
(𝑛 − 1)𝑆 2 1
𝑊= 2
= 2 ∑(𝑋𝑖 − 𝑋̅)2
𝜎 𝜎
𝑖=1
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
(𝑛 − 1)𝑆 2 (𝑋1 − 𝑋2 )2 𝑋1 − 𝑋2 2
𝑊= = = ( ) .
𝜎2 2𝜎 2 √2𝜎 2
1𝜇 − 1𝜇 = 0
dan variansi
(1)2 𝜎 2 + (−1)2 𝜎 2 = 2𝜎 2 .
Oleh karena
𝑋1 − 𝑋2
𝑍=
√2𝜎 2
(𝑛 − 1)𝑆 2 𝑋1 − 𝑋2 2
𝑊= = ( ) = 𝑍2
𝜎2 √2𝜎 2
25
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
26
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
(𝑛 − 1)𝑆 2
𝑊=
𝜎2
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
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.
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.
28
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
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 .
𝑛1 𝑛2
∑
𝑋̅1 = 𝑖=1
𝑋1𝑖
dan ̅2 = ∑𝑖=1 𝑋2𝑖.
𝑋
𝑛 1 𝑛 2
𝑛1
∑ 𝑋1𝑖 𝑡𝑋11 𝑡𝑋12 𝑡𝑋1𝑛1
𝑡 𝑖=1
𝑚𝑋̅1 (𝑡) = 𝐸 (𝑒 𝑛1 ) = 𝐸 (𝑒 𝑛1 𝑒 𝑛1 …𝑒 𝑛1 ),
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 .
30
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
Tentukan 𝑃(𝑋̅𝐴 − 𝑋̅𝐵 > 1), dengan 𝑋̅𝐴 dan 𝑋̅𝐵 adalah rata-rata waktu pengeringan
untuk sampel berukuran 𝑛𝐴 = 𝑛𝐵 = 18.
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
𝑋̅𝐴 − 𝑋̅𝐵 − 0
𝑃(𝑋̅𝐴 − 𝑋̅𝐵 > 1) = 𝑃 >3
1
√
( 9 )
= 1 − 0.9987 = 0.0013.
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.
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).
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,
34
𝑃(𝜃̂𝐿 ≤ θ) = 1 − 𝛼.
𝑃(𝜃 ≤ 𝜃̂𝑈 ) = 1 − 𝛼.
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:
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
𝑋−𝜇
𝑃 (−1.96 < < 1.96) = 0.95, 𝜎=1
𝜎
Jadi, selang kepercayaan 95% bagi 𝜇 adalah 𝑋 − 1.96 < 𝜇 < 𝑋 + 1.96.
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
dengan kata lain, 𝜃̂𝐿 dan 𝜃̂𝑈 adalah batas bawah dan batas atas selang kepercayaan
(1 − 𝛼)100% bagi 𝜃.
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.
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
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.
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.
38
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
𝑠
𝑥̅ ± 𝑡𝛼/2 ,
√𝑛
dengan 𝑡𝛼/2 adalah nilai 𝑡 yang memiliki derajat bebas 𝑣 = 𝑛 − 1 (𝑛 < 30).
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:
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
𝑠
𝑥̅ ± 𝑡𝛼/2 .
√𝑛
2
∑8𝑖=1 𝑋𝑖 8
∑ (𝑋𝑖 −𝑥̅ )
𝑥̅ = = 2959, 𝑠 = √ 𝑖=1𝑛−1 = 39.1 dan 𝑣 = 𝑛 − 1 = 7.
𝑛
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.
40
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
𝜎1 2 𝜎2 2 𝜎1 2 𝜎2 2
(𝑥̅1 − 𝑥̅2 ) − 𝑧𝛼/2 √ + (𝑥̅ )
≤ 𝜇1 − 𝜇2 ≤ 1 − 𝑥̅2 + 𝑧𝛼/2 √ + ,
𝑛1 𝑛2 𝑛1 𝑛2
41
𝑥̅𝐵 − 𝑥̅𝐴 = 42 − 36 = 6.
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.
42
Dibentuk pula variabel acak lainnya yang berdistribusi Chi-Square dengan derajat
bebas 𝑛1 − 1 dan 𝑛2 − 1, yaitu
Penduga titik dari variansi 𝜎 2 yang tidak diketahui dapat diperoleh dengan
menggabungkan variansi sampel, dinotasikan dengan penduga gabungan (pooled
estimator), yaitu
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
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.
44
Prosedur Pengukuran
Standar 32 37 35 28 41 44 35 31 34
Baru 35 31 29 25 34 40 27 32 31
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
𝑠𝑝 = √𝑠𝑝 2 = 4.716.
1 1 1 1
3.66 − (2.12)(4.716)√ + ≤ 𝜇1 − 𝜇2 ≤ 3.66 + (2.12)(4.716)√ + ,
9 9 9 9
45
nilai negatif dan positif, maka kedua metode pelatihan tidak dapat dikatakan
memiliki waktu yang berbeda dengan yang lain.
2
𝑆 2 𝑆2 2
( 𝑛1 + )
1 𝑛2
𝑣= 2 2 2 .
𝑆1 𝑆2 2
[( 𝑛 ) /(𝑛1 − 1)] + [( 𝑛 ) /(𝑛2 − 1)]
1 2
𝑃(−𝑡𝛼/2 ≤ 𝑇′ ≤ 𝑡𝛼/2 ) ≈ 1 − 𝛼
46
𝑠1 2 𝑠2 2 𝑠1 2 𝑠2 2
(𝑥̅1 − 𝑥̅2 ) − 𝑡𝛼/2 √ + ≤ 𝜇1 − 𝜇2 ≤ (𝑥̅1 − 𝑥̅2 ) + 𝑡𝛼/2 √ + ,
𝑛1 𝑛2 𝑛1 𝑛2
2
𝑠 2 𝑠2 2
( 𝑛1 + 𝑛2
)
1
𝑣= .
𝑠 2 2 𝑠 2 2
[( 𝑛1 ) /(𝑛1 − 1)] + [( 𝑛2 ) /(𝑛2 − 1)]
1 1
atau
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
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.
2
3.072 0.82
( + )
15 12
𝑣= 2 = 16.3 ≈ 16.
3.072 0.82 2
[( ) /(14)] + [( 12 ) /11]
15
48
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 .
𝐷𝑖 = 𝑋1𝑖 − 𝑋2𝑖 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Karena kedua observasi diambil dari unit percobaan sampel yang tidak
independen, maka
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
̅ − 𝜇𝐷
𝐷
𝑃 (−𝑡𝛼/2 < < 𝑡𝛼/2 ) = 1 − 𝛼.
𝑆𝑑 /√𝑛
𝑠𝑑 𝑠𝑑
𝑑̅ − 𝑡𝛼/2 < 𝜇𝐷 < 𝑑̅ + 𝑡𝛼/2 ,
√𝑛 √𝑛
50
Tabel 2.2 Data Tingkat TCDD dalam Plasma dan Jaringan Lemak.
TCDD TCDD
Veteran d(i)
(plasma) (jar.lemak)
51
𝑛
1 2 168.4220
𝑠𝑑 = √ ∑(𝑑𝑖 − 𝑑̅ ) = √ = 2.9773.
𝑛−1 19
𝑖=1
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.
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
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.
Salah satu dari dua kesimpulan yang dapat diperoleh pada pengujian
hipotesis statistik, di antaranya:
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
𝐻1 : 𝜇 ≠ 4.
𝐻0 : 𝜇 = 4.
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
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
𝐻0 : 𝜇 = 74,
𝐻1 : 𝜇 ≠ 74.
Hipotesis alternatif memiliki dua kemungkinan nilai yaitu, 𝜇 < 74 atau 𝜇 > 74.
73 74 75 𝑥̅
57
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
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
73−74 75−74
= 𝑃(𝑍 < 4.9/√49 | 𝜇 = 74 ) + 𝑃(𝑍 > 4.9/√49 | 𝜇 = 74 )
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
73−74 75−74
= 𝑃(𝑍 < 4.9/√100 | 𝜇 = 74 ) + 𝑃(𝑍 > 4.9/√100 | 𝜇 = 74 )
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,
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
73−76 75−76
= 𝑃 (4.9/√100 < 𝑍 < 4.9/√100)
= 0.0207 − 0 = 0.0207.
Nilai dari 𝛽 menunjukkan probabilitas yang cukup kecil, ketika 𝑛 = 100, untuk
tidak menolak hipotesis nol, ketika 𝐻0 salah.
73−74.5 75−74.5
= 𝑃 (4.9/√100 < 𝑍 < 4.9/√100)
60
𝑯𝟎 benar 𝑯𝟎 salah
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
72.5−74 75.5−74
= 𝑃(𝑍 < | 𝜇 = 74 ) + 𝑃(𝑍 > | 𝜇 = 74 )
4.9/√49 4.9/√49
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
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.
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.
1 − 𝛽 = 1 − 0.845 = 0.155.
Hal ini berarti pengujian akan benar menolak hipotesis nol hanya 15.5%.
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.
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
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
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.
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.
65
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.
66
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
𝐻0 : 𝜇 = 3300,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
𝐻1 : 𝜇 > 3300,
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
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.
𝐻0 : 𝜇 = 100,
𝐻1 : 𝜇 ≠ 100,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
nilai 𝑃.
101−100
𝑧= = 0.05,
20
dengan
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.
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
𝐻0 : 𝜃 ≥ 𝜃0 ,
𝐻1 : 𝜃 < 𝜃0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
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.
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 .
70
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.
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.
𝐻0 : 𝜇 = 1.2,
𝐻1 : 𝜇 ≠ 1.2.
72
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 .
Pada subbab ini akan dibahas pengujian hipotesis rata-rata satu populasi untuk
sampel besar dan sampel kecil.
𝐻0 : 𝜇 = 𝜇0 ,
𝐻1 : 𝜇 ≠ 𝜇0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
𝑋̅ − 𝜇0
𝑍=
𝜎/√𝑛
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 .
75
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.
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
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).
Nilai 𝑃 adalah
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
𝐻0 : 𝜇 = 𝜇0 ,
𝐻1 : 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
Karena nilai 𝑃 = 0.0059 < 0.01, maka 𝐻0 ditolak pada tingkat signifikansi
0.01 dan memperkuat kesimpulan di atas.
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
𝑥̅ − 𝜇0
| | ≤ 𝑧𝛼/2 . (2.5)
𝜎/√𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
𝜎 𝜎
𝑥̅ − 𝑧𝛼/2 ≤ 𝜇0 ≤ 𝑥̅ + 𝑧𝛼/2 .
√𝑛 √𝑛
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
80
Pengujian hipotesis dua arah bagi rata-rata satu populasi di atas diberikan
sebagai berikut:
𝐻0 : 𝜇 = 𝜇0 ,
𝐻1 : 𝜇 ≠ 𝜇0 ,
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.
81
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
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
𝑠 𝑠
𝑥̅ − 𝑡𝛼/2 ≤ 𝜇 ≤ 𝑥̅ + 𝑡𝛼/2 .
√𝑛 √𝑛
Pengujian hipotesis dua arah bagi rata-rata satu populasi diberikan sebagai
berikut:
𝐻0 : 𝜇 = 𝜇0 ,
𝐻1 : 𝜇 ≠ 𝜇0 ,
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
𝑠 𝑠
𝑥̅ − 𝑡𝛼/2 ≤ 𝜇0 ≤ 𝑥̅ + 𝑡𝛼/2 .
√𝑛 √𝑛
83
𝑠 𝑠
𝑥̅ − 𝑡𝛼/2 ≤ 𝜇0 ≤ 𝑥̅ + 𝑡𝛼/2 atau 3.06 ≤ 𝜇 ≤ 3.78.
√𝑛 √𝑛
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.
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.
1. 𝐻0 : 𝜎1 2 = 𝜎2 2 .
2. 𝐻1 : 𝜎1 2 ≠ 𝜎2 2 .
3. Tentukan nilai 𝛼.
4. Statistik uji
𝑆𝑚𝑎𝑥 2
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = ,
𝑆𝑚𝑖𝑛 2
85
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 ,
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 .
Pengujian hipotesis dua arah bagi dua rata-rata populasi di atas diberikan oleh
𝐻0 : 𝜇1 − 𝜇2 = 𝑑0 ,
𝐻1 : 𝜇1 − 𝜇2 ≠ 𝑑0 ,
(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
87
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
(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.
Pengujian hipotesis dua arah bagi dua rata-rata populasi di atas diberikan oleh
𝐻0 : 𝜇1 − 𝜇2 = 𝑑0 ,
𝐻1 : 𝜇1 − 𝜇2 ≠ 𝑑0 ,
(𝑥̅1 − 𝑥̅2 ) − 𝑑0
𝑡′ = ,
𝑠1 2 𝑠2 2
√( 𝑛 ) + ( 𝑛 )
1 2
2
𝑠 2 𝑠2 2
( 𝑛1 + )
1 𝑛2
𝑣= .
𝑠 2 2 𝑠2 2 2
[( 𝑛1 ) /(𝑛1 − 1)] + [( 𝑛 ) /(𝑛2 − 1)]
1 2
89
𝐻0 : 𝜇𝐷 = 𝑑0 ,
𝐻1 : 𝜇𝐷 ≠ 𝑑0 ,
𝑑̅ − 𝑑0
𝑡= , (2.9)
𝑠𝑑 /√𝑛
BAB III
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.
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
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
92
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.
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.
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.
Premis 1: Jika hipotesis nol benar, maka nilai statistik uji ini
𝑥̅ − 𝜇
𝑡=
𝑠/√𝑛
tidak terjadi.
95
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.
97
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:
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
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.
⊿ = 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 .
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
Jika standar deviasi kedua populasi diasumsikan tidak sama, maka variansi 𝐷
adalah
𝑆1 2 𝑆2 2
𝑉𝐷 = + .
𝑛1 𝑛2
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.
50 + 50
𝑉𝐷 = (5.0249)2 = 1.01
(50)(50)
dan
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
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.
102
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.
103
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.
𝐻0 : 𝜇 = 𝜇0 ,
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
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.
34 66
54 38
33 35
44 55
45 48
53 39
37 65
26 32
38 57
58 41
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.
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.
Misalkan hipotesis nol pada pengujian hipotesis rata-rata dua populasi adalah
𝐻0 : 𝜇1 = 𝜇2 .
𝑥̅2 − 𝑥̅1
𝑡= ,
1 1
𝑠𝑝 √𝑛 + 𝑛
1 2
dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
107
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.
𝑘
(𝑛𝑗 − 1)𝑠 2𝑗
𝑠𝑝𝑜𝑜𝑙𝑒𝑑 = √∑ .
(𝑛𝑗 − 1)
𝑖=1
1 1
𝑑 = 𝑡√ + . (3.2)
𝑛1 𝑛2
𝑥̅2 − 𝑥̅1
𝑑= ,
𝑠
dengan
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
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
109
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,
𝑑𝑓 = 𝑛𝐾 − 1 = 9,
𝑑𝑢𝑛𝑏 = 𝐽 x 𝑑, (3.3)
dengan
3
𝐽=1− (3.4)
4𝑑𝑓 − 1
𝑉𝑑𝑢𝑛𝑏 = 𝐽2 x 𝑉𝑑 ,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
110
𝑆𝐸𝑑𝑢𝑛𝑏 = √𝑉𝑑𝑢𝑛𝑏 ,
𝑛1 + 𝑛2 𝑑2
𝑉𝑑 = + . (3.5)
𝑛1 𝑛2 2(𝑛1 + 𝑛2 )
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 ,
𝐻0 : 𝜇𝐷 = 0,
𝐻1 : 𝜇𝐷 ≠ 0,
𝑑̅
𝑡= ,
𝑠𝑑 /√𝑛
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
𝑑̅
𝑑= . (3.7)
𝑠𝑎𝑣
𝑑̅
𝑑= .
𝑠𝑑
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
𝑠𝑎𝑣 = 11.93
𝑑̅ 4.1
𝑑= = = 0.32.
𝑠𝑝𝑟𝑒 12.88
113
𝑑̅ 4.1
𝑑= = = 0.34.
𝑠𝑎𝑣 11.93
𝑑̅ 4.1
𝑑= = = 1.15.
𝑠𝑑 3.57
𝐻0 : 𝛿 = 0,
𝐻0 : 𝛿 ≠ 0,
𝑑−𝛿
𝑍= ,
𝑆𝐸𝑑
𝑆𝐸𝑑 = √𝑉𝑑 ,
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
𝑑−𝛿
𝑃 (−𝑧𝛼/2 < < 𝑧𝛼/2 ) = 1 − 𝛼.
𝑆𝐸𝑑
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
114
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
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
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
1 1 1 1
−𝑡 ∗ α/2 √ + < 𝛿 < 𝑡 ∗ α/2 √ + ,
𝑛1 𝑛2 𝑛1 𝑛2
𝜇1 − 𝜇0
𝛿= ,
𝜎
adalah
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
116
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.
117
Lucky (𝑁 = 44)
Noluck (𝑁 = 36)
MA
-2 0 2 4 6 8
Gambar 3.2 Forest Plot yang Menggabungkan Hasil Lucky, Noluck dan
Kombinasi Meta-Analisis (MA)
118
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
𝑌𝑖 = 𝛿 + 𝜀𝑖 ,
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
Batas bawah dan batas atas kepercayaan 95% untuk estimasi keseluruhan effect
size adalah
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
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
121
size adalah homogen di semua studi, maka model ini memberikan hasil yang sama
dengan model efek tetap.
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 ).
𝑄 − 𝑑𝑓
𝑇2 = , (3.19)
𝐶
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)
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.
𝑄 − 𝑑𝑓
𝐼2 = x 100%. (3.23)
𝑄
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
dan 𝑉𝑌𝑖 adalah variansi untuk studi ke-i dan 𝑇 2 adalah estimasi sampel dari 𝜏 2 .
∑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
Batas bawah dan batas atas kepercayaan 95% untuk keseluruhan effect size
diestimasi sebagai
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
𝑃𝑅 = 1 − 𝛷(±|𝑍𝑅 |),
dengan tanda ‘+’ digunakan jika perbedaannya adalah arah yang diharapkan,
tanda ‘−‘ sebaliknya.
124
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.
𝑛1𝑖 + 𝑛2𝑖 𝑑𝑖 2
𝑉𝑖 = + , (3.35)
𝑛1𝑖 𝑛2𝑖 2(𝑛1𝑖 + 𝑛2𝑖 )
dengan 𝑛1𝑖 dan 𝑛2𝑖 adalah kedua ukuran sampel untuk studi ke-i.
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.
126
BAB IV
127
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
128
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.
𝑑̅
𝑑= ,
𝑠𝑎𝑣
𝑠𝑝𝑟𝑒 2 + 𝑠𝑝𝑜𝑠𝑡 2
𝑠𝑎𝑣 = √ , (4.1)
2
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )
𝑠=√ , (4.2)
𝑛−1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
130
(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.
(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,
(1). 0.973913043 (2). 0.973913 (3). 0.962025 (4). 0.9846154 (5). 0.9846154.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
131
𝑑𝑢𝑛𝑏 = 𝐽 x 𝑑,
(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
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
(1). 0.0335849 (2). 0.1722768 (3). 0.0568231 (4). 0.0216058 (5). 0.0226455.
(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
1
𝑊𝑖 = ,
𝑉𝑌𝑖
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
(1) 20.95 (2) 4.08 (3) 12.69 (4) 31.87 (5) 30.40.
𝑌𝑖 𝑉𝑌𝑖 𝑊𝑖 𝑊𝑖 𝑌𝑖 𝑊𝑖 𝑌𝑖 2 𝑊𝑖 2
∑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 .
[0.335434 0.6556954]
𝑀 0.4955647
𝑍= = = 6.065711.
𝑆𝐸𝑀 0.08169935
135
𝑄 − 𝑑𝑓
𝑇2 = ,
𝐶
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
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
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
(1). 21.2 (2). 15.2 (3). 19.9 (4). 21.9 (5). 21.8.
Variansi
Effect antar Total
Skripsi Size Variansi Studi Variansi Bobot 𝑊𝑖𝑅 𝑌𝑖𝑅
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 .
[0.2461738 1.292225]
𝑀𝑅 0.769199
𝑍𝑅 = = = 2.882518.
𝑆𝐸𝑀𝑅 0.26685
Nilai 𝑃 0.003945102
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
139
Untuk mengetahui variasi data maka dapat dilihat pada grafik funnel plot,
yang dapat dilihat pada gambar 4.1.
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.
140
Gambar 4.2 Forest Plot Data Berpasangan untuk Model Efek Tetap (sebelah kiri)
dan Model Efek Acak (sebelah kanan)
141
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
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
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
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 .
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.
144
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
(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,
(1). 0.9889299 (2). 0.9903537 (3). 0.9923274 (4). 0.9842932 (5). 0.9930394.
𝑑𝑢𝑛𝑏 = 𝐽 x 𝑑,
(1). 0.6881293 (2). 0.4931976 (3). 0.4208382 (4). -0.4492436 (5). 0.4471327.
dengan
𝑆𝐸𝑑 = √𝑉𝑑 .
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.
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.
(1). 0.0606013 (2). 0.05155003 (3). 0.04089927 (4). 0.08208312 (5). 0.03728518.
(1). 0.059267 (2). 0.0505603 (3). 0.04027407 (4). 0.07952485 (5). 0.03676794.
(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
𝑊𝑖 = ,
𝑉𝑌𝑖
147
Untuk data 1,
1
𝑊1 = = 16.87279.
0.059267
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
(1). 16.7 (2). 19.5 (3). 24.5 (4). 12.4 (5). 26.9.
𝑌𝑖 𝑉𝑌𝑖 𝑊𝑖 𝑊𝑖 𝑌𝑖 𝑊𝑖 𝑌𝑖 2 𝑊𝑖 2
148
∑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]
𝑀 0.378521
𝑍= = = 3.808856.
𝑆𝐸𝑀 0.09937918.
149
Nilai 𝑃 0.000139
150
𝑄 − 𝑑𝑓
𝑇2 = ,
𝐶
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
151
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.
Variansi
Effect antar Total
Data Size Variansi Studi Variansi Bobot 𝑊𝑖𝑅 𝑌𝑖𝑅
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
(1). 18.9 (2). 20.2 (3). 21.8 (4). 16.6 (5). 22.5.
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
𝑀𝑅 0.3476344
𝑍𝑅 = = = 2.112594.
𝑆𝐸𝑀𝑅 0.1645534
Nilai 𝑃 0.000139
154
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 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
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.
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
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
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.
Field, A., Hole, G. (2003). How to design and report experiments. London: Sage.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
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.
Walpole, R. E., et al. (2012). Probability & Statistics for Engineers & Scientists
(Ninth Edition). Boston: Pearson-Prentice Hall.
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).
2 5.000.000 5.000.000 0
5 3.800.000 3.800.000 0
24 1.000.000 1.000.000 0
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.
> ks.test(Prastiwi$Diff,pnorm,mean(Prastiwi$Diff),sd(Prastiwi$Diff))
data: Prastiwi$Diff
> ks.test(Indriastuti$Diff,pnorm,mean(Indriastuti$Diff),sd(Indriastuti$Diff))
data: Indriastuti$Diff
> ks.test(Adi$Diff,pnorm,mean(Adi$Diff),sd(Adi$Diff))
data: Adi$Diff
> ks.test(Setyawan$Diff,pnorm,mean(Setyawan$Diff),sd(Setyawan$Diff))
data: Setyawan$Diff
> ks.test(Sekararum$Diff,pnorm,mean(Sekararum$Diff),sd(Sekararum$Diff))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
data: Sekararum$Diff
>
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$Diff))
> dat
> sd.av
> n=5
> N = dat$n.Pairs
> J = 1- 3/(4*N-5)
> d = dat$m.Diff/sd.av
>d
[1] 0.1228804 2.8873191 0.6217477 0.4007299 0.5143516
> dunb= J*d
> dunb
> var.d=(1/dat$n.Pairs)+(d^2/(2*dat$n.Pairs))
> lowCI.d=d-1.96*sqrt(var.d)
> upCI.d=d+1.96*sqrt(var.d)
> cbind(lowCI.d,dunb,upCI.d)
> w = 1/var.dunb
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
> M = sum(rel.w*dunb)
>M
[1] 0.4955647
> lowCI.M
[1] 0.335434
> upCI.M
[1] 0.6556954
> z = M/se.M
>z
[1] 6.065711
> pval
[1] 1.313708e-09
> library(metafor)
> summary(model.FE)
Fixed-Effects Model (k = 5)
Model Results:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> forest(model.FE)
> Q = sum(w*dunb^2)-(sum(w*dunb))^2/tot.w
> tau2
[1] 0.304584
> wR = 1/(var.dunb+tau2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
> MR = sum(rel.wR*dunb)
> MR
[1] 0.7691995
> se.MR
[1] 0.2668498
> lowCI.MR
[1] 0.2461738
> upCI.MR
[1] 1.292225
> zR = MR/se.MR
> zR
[1] 2.882518
> pval.R
[1] 0.003945102
> sumTab
> library(metafor)
> summary(model.RE)
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
> x1=rnorm(35,120,14)
> x1
> y1=rnorm(35,120,14)
> y1
> x2=rnorm(40,120,14)
> x2
> y2=rnorm(40,120,14)
> y2
> x3=rnorm(50,120,14)
> x3
[50] 119.03332
> y3=rnorm(50,120,14)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
> y3
[50] 131.50800
> x4=rnorm(25,120,14)
> x4
> y4=rnorm(25,120,14)
> y4
> x5=rnorm(55,120,14)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
> x5
> y5=rnorm(55,120,14)
> y5
Lampiran 4
Berikut ini merupakan kode program R versi 3.3.2 untuk uji homogenitas
variansi, uji 𝑡 dan penyajian data.
> 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)
Df F value Pr(>F)
68
> levene.test(sampel2,group2)
Df F value Pr(>F)
78
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
> levene.test(sampel3,group3)
Df F value Pr(>F)
98
> levene.test(sampel4,group4)
Df F value Pr(>F)
48
> levene.test(sampel5,group5)
Df F value Pr(>F)
108
> 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
3.205576 17.181073
sample estimates:
125.2073 115.0140
>
t.test(sampel2~group2, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat2)
0.678295 12.108489
sample estimates:
124.8040 118.4106
>
t.test(sampel3~group3, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat3)
0.3609533 10.8953272
sample estimates:
123.8393 118.2111
>
t.test(sampel4~group4, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat4)
-14.992311 1.642124
sample estimates:
118.1740 124.8491
>
t.test(sampel5~group5, alternative='two.sided', conf.level=.95, var.equal=TRUE,d
ata=dat5)
0.9622474 11.0261580
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
sample estimates:
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)
>
colnames(dat)=c("m.Eksperimen","sd.Eksperimen","n.Eksperimen","m.Kontrol","
sd.Kontrol","n.Kontrol")
> dat
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.
> 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
> var.dunb=(J^2)*var.d
> lowCI.d=d-1.96*sqrt(var.d)
> upCI.d=d+1.96*sqrt(var.d)
> w = 1/var.dunb
> rel.w
> M = sum(rel.w*dunb)
>M
[1] 0.378521
> z = M/se.M
>z
[1] 3.808856
> pval
[1] 0.0001396111
> library(metafor)
> result.smdf
Fixed-Effects Model (k = 5)
Model Results:
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> forest(result.smdf)
> Q = sum(w*dunb^2)-(sum(w*dunb))^2/tot.w
>Q
[1] 10.66608
> df
[1] 4
> tau2
[1] 0.0813
> wR = 1/(var.dunb+tau2)
> rel.wR
> MR = sum(rel.wR*dunb)
> MR
[1] 0.3476344
> lowCI.MR=MR-1.96*se.MR
> upCI.MR=MR+1.96*se.MR
> zR = MR/se.MR
> zR
[1] 2.112594
> pval.R
[1] 0.03463556
> library(metafor)
> result.smdr
Random-Effects Model (k = 5; tau^2 estimator: DL)
Model Results:
---
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
Lampiran 7