Full
Full
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Oleh :
Petronela Yuni Iswari
NIM: 133114001
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
A Thesis
Presented as a Partial Fulfillment of the Requirements
to Obtain the Degree of Sarjana Sains
Mathematics Study Program
Written by :
Petronela Yuni Iswari
Student Number: 133114001
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
Kedua orangtua, Bapak Hendricus Bagyo dan Ibu Margaretta Istikomah, S.Pd, serta
kakak Heribertus Henta Nooristyanto, S.T yang selalu mendokan, memberi kasih
sayang, serta menjadi penyemangat dalam hidup saya.
“Aku tahu, bahwa Engkau sanggup melakukan segala sesuatu, dan tidak ada
rencana-Mu yang gagal.” (Ayub 42:2)
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Pencilan adalah nilai ekstrim yang muncul di dalam suatu analisis data. Adanya
pencilan dapat mengakibatkan bias kesimpulan atas hasil analisis. Untuk
mendeteksi pencilan digunakan metode grafis, Boxplot, Uji Grubbs, dan Uji MAD.
Penulisan skripsi ini bertujuan untuk menduga selang kepercayaan rata-rata
populasi dengan kondisi adanya pencilan. Untuk menyimpulkan hasil analisis pada
data yang memuat pencilan digunakan statistik robust (kekar) yang menghasilkan
kesimpulan data tetap akurat meskipun dalam keadaan yang tidak ideal. Statistik
robust yang digunakan adalah penduga median (Fraiman, et al) dan penduga 𝑀
(penduga Huber). Dalam skripsi ini digunakan empat metode selang kepercayaan,
yaitu metode selang kepercayaan dengan penduga rata-rata, median (Kendall and
Stuart), median (Fraiman, et al), dan penduga Huber. Selang kepercayaan robust
dengan simulasi data acak diperoleh dari distribusi Normal, Cauchy, dan Chi-
Square dengan ukuran 𝑛 = 10, 50, 100, dan 500 untuk setiap distribusi. Hasil
simulasi menunjukkan bahwa selang kepercayaan robust bagi parameter lokasi
dengan penduga median (Fraiman, et al) dan penduga Huber adalah selang
kepercayaan robust yang insensitif terhadap adanya pencilan. Hal ini disebabkan
karena hasil dari standard error (galat standar) dan lebar selang kepercayaan yang
tetap, meskipun nilai pencilan semakin besar untuk setiap ukuran sampel yang
diberikan.
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus yang selalu
mencurahkan rahmat dan Roh KudusNya sehingga penulis mampu mengerjakan
dan menyelesaikan skripsi ini dengan baik. Skripsi ini dibuat dengan tujuan
memenuhi salah satu syarat dalam menyelesaikan studi Strata satu (S1) dan
memperoleh gelar Sarjana Sains (S.Si.) pada Program Studi Matematika, Fakultas
Sains dan Teknologi, Universitas Sanata Dharma Yogyakarta.
Penulis menyadari bahwa proses penulisan skripsi ini melibatkan banyak
pihak untuk membantu dalam menghadapi berbagai macam tantangan, kesulitan
dan hambatan selama proses penulisan skripsi. Oleh karena itu, pada kesempatan
ini penulis mengucapkan terima kasih kepada:
1. Bapak Ir. Ig. Aris Dwiatmoko, M.Sc., selaku dosen pembimbing skripsi
yang telah meluangkan waktu, tenaga, dan pikiran, serta dengan penuh
kesabaran telah memberikan masukan, nasihat dan arahan kepada
penulis.
2. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D., selaku Dekan
Fakultas Sains dan Teknologi.
3. Bapak YG. Hartono, S.Si., M.Sc., Ph.D., selaku Kaprodi Matematika.
4. Ibu M. V. Any Herawati, S.Si., M.Si., selaku Wakaprodi Matematika
dan Dosen Pembimbing Akademik angkatan 2013.
5. Romo Prof. Dr. Frans Susilo, S.J., Bapak Dr. rer. nat. Herry P.
Suryawan, S.Si., M.Si., Bapak Ir. Ig. Aris Dwiatmoko, M.Sc., Bapak
Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D., Bapak YG. Hartono, S.Si.,
M.Sc., Ph.D., Ibu M. V. Any Herawati, S.Si., M.Si., dan Ibu Lusia
Krismiyati Budiasih, S.Si., M.Si., selaku dosen Prodi Matematika yang
telah memberikan banyak pengetahuan dan pengalaman kepada penulis
selama proses perkuliahan.
6. Perpustakaan Universitas Sanata Dharma dan Bapak/Ibu
dosen/karyawan Fakultas Sains dan Teknologi yang telah banyak
membantu selama penulis berkuliah.
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN JUDUL...........................................................................................i
HALAMAN JUDUL DALAM BAHASA INGGRIS ........................................ii
HALAMAN PERSETUJUAN PEMBIMBING .................................................iii
HALAMAN PENGESAHAN .............................................................................iv
HALAMAN PERSEMBAHAN .........................................................................v
PERNYATAAN KEASLIAN KARYA .............................................................vi
ABSTRAK ..........................................................................................................vii
ABSTRACK .......................................................................................................viii
LEMBAR PERNYATAAN PERSETUJUAN ...................................................ix
KATA PENGANTAR ........................................................................................x
DAFTAR ISI .......................................................................................................xii
DAFTAR TABEL ...............................................................................................xvi
DAFTAR GAMBAR ..........................................................................................xvii
BAB I PENDAHULUAN ...................................................................................1
A. Latar Belakang....................................................................................1
B. Rumusan Masalah ..............................................................................2
C. Pembatasan Masalah...........................................................................3
D. Tujuan Penulisan ................................................................................3
E. Manfaat Penulisan ..............................................................................4
F. Metode Penulisan ...............................................................................4
G. Sistematika Penulisan .........................................................................4
BAB II PENDUGAAN PARAMETER ..............................................................6
A. Statistika .............................................................................................6
B. Distribusi Probabilitas ........................................................................11
1. Variabel Acak ..............................................................................11
2. Fungsi Probabilitas bagi Variabel Acak .......................................12
3. Fungsi Distribusi Kumulatif .........................................................14
4. Karakteristik Distribusi Probabilitas ............................................14
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
adalah data yang memiliki perbedaan cukup ekstrim bila dibandingkan dengan
data lainnya (Barnett, 1978: v). Pengaruh pencilan pada proses analisis data,
salah satunya adalah terhadap nilai rata-rata dan standar deviasi. Adanya
pencilan dapat menunjukkan kesalahan pengukuran dalam distribusi data, serta
dapat menyebabkan variansi data menjadi besar, selang data menjadi lebar, dan
rata-rata tidak dapat menunjukkan nilai yang sebenarnya (bias). Oleh karena
itu, akan lebih baik jika pencilan dihapuskan supaya tidak ada kejanggalan
dalam analisis data, tetapi diupayakan terlebih dahulu untuk menyelidiki
penyebab adanya pencilan. Di sisi lain, adakalanya pencilan tidak dapat
dihapuskan begitu saja karena pencilan dapat memberikan suatu informasi
yang tidak dapat diberikan oleh data lainnya.
Skripsi ini akan membahas tentang selang kepercayaan yang robust
(kekar). Sifat robust (kekar) sendiri memiliki kinerja yang baik dalam
menghasilkan pendugaan yang dapat mencapai kebenaran yang memuaskan
dengan selang kepercayaan yang cenderung lebih sempit. Kata “robust”
(kekar) seringkali muncul di dalam proses analisis data yang menginginkan
pencilan tetap ada, namun tidak menyebabkan adanya kejanggalan. Dengan
demikian, akan diperoleh selang kepercayaan baru yang menjadikan selang
kepercayaan dapat tetap kekar untuk digunakan dalam pendugaan rata-rata
populasi. Akan diperkenalkan selang kepercayaan robust bagi parameter lokasi
dengan penduga median dan penduga Huber. Selang kepercayaan robust bagi
parameter lokasi dengan penduga Median dibedakan menjadi dua berdasarkan
galat standar yang diberikan oleh Fraiman, et al (2001) dengan Kendall dan
Stuart (2001).
B. Rumusan Masalah
Perumusan masalah yang akan dibicarakan pada skripsi ini adalah:
1. Bagaimana cara mengetahui data yang mengandung pencilan?
2. Apa pengaruh pencilan dalam pendugaan selang kepercayaan rata-rata
populasi?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
C. Pembatasan Masalah
Penulis akan membatasi penulisan agar menjadi lebih terarah dan tidak
menyimpang dari masalah yang akan dibahas, yaitu:
1. Data yang digunakan dalam penulisan hanyalah data yang mengandung
pencilan univariat.
2. Metode yang digunakan dalam pengujian sifat robust yang dimiliki oleh
suatu penduga hanya dengan menggunakan kurva sensitivitas.
3. Penulis hanya menggunakan dua penduga robust dengan menggunakan
penduga median (Fraiman, et al) dan penduga M (Huber) bagi parameter
lokasi.
4. Galat standar dan lebar selang yang dihasilkan dari selang kepercayaan
bagi suatu penduga akan dibandingkan dengan galat standar dan lebar
selang yang dihasilkan dari selang kepercayaan bagi penduga lainnya.
D. Tujuan Penulisan
Tujuan yang ingin dicapai penulis, selain untuk memenuhi syarat skripsi
dalam Program Studi Matematika Universitas Sanata Dharma, juga untuk:
1. Mengetahui penduga robust dalam menduga parameter lokasi untuk data
yang memuat pencilan.
2. Mengetahui seberapa robust (kekar) selang kepercayaan yang terbentuk
dari suatu data yang memuat pencilan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
E. Manfaat Penulisan
Manfaat dari penulisan skripsi ini adalah sebagai berikut:
1. Penulis memperoleh pengetahuan baru selama mengerjakan tulisan ini.
2. Pembaca mendapat gambaran tentang pendugaan selang kepercayaan
bagi rata-rata populasi dengan kondisi adanya pencilan di dalam suatu
data.
3. Skripsi ini dapat dijadikan referensi bagi penganalisis lain.
F. Metode Penulisan
Metode penulisan yang digunakan penulis dalam penulisan skripsi ini
adalah metode studi pustaka, yaitu dengan membaca dan mempelajari buku-
buku atau jurnal yang berkaitan dengan pendugaan selang kepercayaan rata-
rata populasi, pencilan, serta sifat robust (kekar) dari selang kepercayaan.
G. Sistematika Penulisan
Skripsi ini ditulis menggunakan sistematika berikut:
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 PENDUGAAN PARAMETER
A. Statistika
B. Distribusi Probabilitas
C. Distribusi Sampling
D. Pendugaan Parameter
E. Konsistensi Penduga
F. Metode Kemungkinan Maksimum
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
G. Pencilan
BAB III SELANG KEPERCAYAAN ROBUST
A. Statistik Robust
B. Pengujian Robustness
C. Penduga M
D. MAD (Median Absolute Deviation)
E. Selang Kepercayaan yang Robust bagi Parameter Lokasi
BAB IV SELANG KEPERCAYAAN ROBUST DENGAN SIMULASI
DATA ACAK
BAB V PENUTUP
A. Kesimpulan
B. Saran
DAFTAR PUSTAKA
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
PENDUGAAN PARAMETER
A. Statistika
Teknik statistik hampir digunakan dalam setiap fase kehidupan banyak
orang di berbagai bidang. Contohnya, para ahli ekonomi yang mengamati
berbagai indeks kesehatan ekonomi selama periode waktu dan menggunakan
informasi tersebut untuk meramalkan kondisi ekonomi di masa depan, serta
pelaksanaan survey yang dirancang untuk mengumpulkan data pada hari
pemilihan dan meramalkan hasil pemilu.
Definisi dari statistika sendiri muncul dari para statistikawan. Stuart dan
Ord (1991) menyatakan: "Statistika adalah cabang dari metode ilmiah yang
berkaitan dengan data yang diperoleh dengan menghitung atau mengukur sifat
dari populasi. Rice (1995) dalam komentarnya mengenai eksperimen dan
aplikasi dalam statistika, menyatakan bahwa statistika pada dasarnya berkaitan
dengan prosedur untuk menganalisis data, terutama data yang memiliki karakter
acak. Freund dan Walpole (1987) menyatakan statistika adalah ilmu yang
mendasarkan kesimpulan pada data yang diamati dan seluruh masalah dalam
membuat keputusan dalam menghadapi ketidakpastian. Mood, Graybill, dan
Boes (1974) mendefinisikan statistika sebagai teknologi dari metode ilmiah dan
menambahkan bahwa statistika berkaitan dengan desain eksperimen dan
penyelidikan, serta statistika inferensi. Dari beberapa definisi tersebut dapat
disimpulkan bahwa statistika adalah sekumpulan metode untuk merencanakan
eksperimen, mengumpulkan data, menganalisis, menafsirkan dan mengambil
kesimpulan berdasarkan data.
Pengambilan sampel dari populasi yang akan diteliti diperlukan untuk
mengambil kesimpulan.
6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Definisi 2.1
Populasi adalah kumpulan yang lengkap dari semua elemen (nilai, orang, benda,
hasil, dan lain-lain) yang menjadi pusat perhatian untuk dipelajari dan diteliti.
Lengkap berarti mencakup semua obyek yang akan diambil kesimpulannya.
Definisi 2.2
Sampel adalah himpunan bagian dari populasi yang menjadi perhatian kita.
Definisi 2.3
Parameter adalah karakteristik dari populasi yang biasa dinyatakan dalam suatu
nilai/konstanta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Definisi 2.4
Statistik adalah fungsi dari variabel-variabel acak yang diamati dalam sampel
dan dinyatakan dalam suatu bilangan.
Ada beberapa contoh statistik, yaitu rata-rata sampel 𝑥̅ , standar deviasi sampel
𝑠, dan proporsi sampel 𝑝̂ . Parameter 𝜇, 𝜎 2 dan 𝑝 adalah parameter yang nilainya
sama sekali tidak terpengaruh atau dipengaruhi oleh pengamatan sampel acak.
Statistik yang paling umum digunakan adalah mean (rata-rata), median (nilai
tengah) dan modus.
Definisi 2.5
Misalkan pengamatan di dalam sampel berukuran 𝑛 adalah 𝑥1 , 𝑥2 , … , 𝑥𝑛 .
Rata-rata sampel dilambangkan dengan 𝑥̅ yang didefinisikan sebagai
𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 ∑𝑛𝑖=1 𝑥𝑖
𝑥̅ = = .
𝑛 𝑛
Definisi 2.6
Diberikan pengamatan sampel 𝑥1 , 𝑥2 , … , 𝑥𝑛 . Sampel disusun dari data yang
nilainya terkecil hingga data yang nilainya terbesar, maka nilai tengah (median)
sampel adalah:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Definisi 2.7
Modus sampel adalah nilai dari sampel yang paling sering muncul atau memiliki
frekuensi yang paling besar.
Ukuran variasi yang lebih umum digunakan dalam statistika adalah variansi
yang merupakan fungsi deviasi (atau jarak) ukuran sampel dari rata-ratanya.
Definisi 2.8
Variansi dari sampel berukuran 𝑛, diberikan sebagai berikut
2
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠 = .
𝑛−1
Variansi populasi yang sesuai, dilambangkan dengan 𝜎 2 .
Definisi 2.9
Standar deviasi dari sampel berukuran 𝑛 adalah akar kuadrat positif dari variansi
yang diberikan sebagai berikut
𝑠 = √𝑠 2 .
Standar deviasi populasi yang sesuai, dilambangkan dengan 𝜎 = √𝜎 2 .
Contoh 2.1
Dari hasil penelitian mengenai nilai ujian matematika dari 50 mahasiswa
diperoleh data sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
42 74 68 54 78 57 83 71 41 89
64 50 76 100 90 74 59 89 98 23
84 64 90 95 33 45 71 87 66 67
57 78 62 38 79 65 87 67 42 74
71 50 34 57 90 69 59 23 74 34
Carilah rata-rata, median, modus, variansi serta standar deviasi dari sampel
penelitian tersebut.
Solusi:
Rata-rata Sampel
∑50
𝑖=1 𝑥𝑖 3292
𝑥̅ = = = 65.8.
50 50
Median Sampel
Data penelitian yang sudah urut adalah sebagai berikut:
23 23 33 33 34 38 41 42 42 45
50 50 54 57 57 57 59 59 62 64
64 65 66 67 67 68 69 71 71 71
74 74 74 74 76 78 78 79 83 84
87 87 89 89 90 90 90 95 98 100
sehingga diperoleh,
1 1
𝑥̃ = (𝑥25 + 𝑥26 ) = (67 + 68) = 67.5.
2 2
Modus Sampel
Nilai yang sering muncul dalam pengamatan sampel adalah 74, yaitu sebanyak
empat kali. Oleh karena itu, modus sampel dari pengamatan adalah 74.
Variansi Sampel
2
∑50
𝑖=1(𝑥𝑖 − 65.8)
2
19080.04
𝑠 = = = 389.3886.
49 49
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
B. Distribusi Probabilitas
1. Variabel Acak
Definisi 2.10
Variabel acak adalah fungsi bernilai bilangan real yang domainnya adalah
ruang sampel.
Definisi 2.11
Variabel acak 𝑋 dikatakan variabel acak diskrit jika himpunan dari
kemungkinan hasilnya adalah terbilang. Jika hal ini tidak terpenuhi, maka
variabel acak 𝑋 disebut variabel acak kontinu.
Contoh 2.2
Para statistikawan menggunakan perencanaan pengambilan sampel untuk
menerima atau menolak sekumpulan barang. Misalnya, salah satu rencana
pengambilan sampel yaitu sampel diambil secara acak sebanyak 10 dari
100 barang. Dari 100 barang tersebut terdapat 12 barang yang rusak.
Misalkan 𝑋 adalah variabel acak yang didefinisikan sebagai banyaknya
barang yang ditemukan rusak dalam sampel dari 10 barang. Dalam hal ini,
variabel acak bernilai 0,1,2, . . . ,9,10.
Contoh 2.3
Pusat survey melakukan percobaan dengan mengirimkan surat pada para
responden dan melihat proporsi responden dalam merespon surat tersebut.
Misalkan 𝑋 adalah variabel acak yang didefinisikan sebagai proporsi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Contoh 2.4
Pengiriman 20 laptop ke toko pengecer berisi 3 yang rusak. Apabila
ada sekolah yang membeli laptop secara acak sebanyak 2 laptop,
temukanlah distribusi probabilitas untuk banyaknya laptop yang
rusak.
Solusi:
Misalkan 𝑋 adalah variabel acak yang nilainya 𝑥, yaitu kemungkinan
banyaknya laptop rusak yang dibeli oleh sekolah. Kemudian 𝑥 hanya
dapat berisi nilai 0,1, dan 2, sehingga diperoleh
(30)(17
2
) 136
𝑝(0) = 𝑃(𝑋 = 0) = = ,
(20
2
) 190
(31)(17
1
) 51
𝑝(1) = 𝑃(𝑋 = 1) = = ,
(20
2
) 190
(32)(17
0
) 3
𝑝(2) = 𝑃(𝑋 = 2) = = .
(20
2
) 190
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Contoh 2.5
Misalkan suhu dalam ℃ yang diuji dalam pengontrolan laboratorium
adalah suatu variabel acak kontinu 𝑋 yang mempunyai fungsi
probabilitas
𝑥2
𝑓(𝑥) = { 3 , 𝑑𝑎𝑛 − 1 < 𝑥 < 2,
0 , lainnya.
a) Periksalah bahwa 𝑓(𝑥) adalah fungsi probabilitas.
b) Temukan 𝑃(0 < 𝑋 ≤ 1).
Solusi:
a) Dengan jelas, 𝑓(𝑥) ≥ 0.
Untuk memeriksa syarat kedua dalam Definisi 2.13, diperoleh
∞ 2 𝑥2 𝑥3
∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−1 𝑑𝑥 = | 2 = 1.
3 9 −1
1 𝑥2 𝑥3 1 1
b) 𝑃(0 < 𝑋 ≤ 1) = ∫0 𝑑𝑥 = | = 9.
3 9 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Contoh 2.6
Diberikan fungsi probabilitas sebagai berikut
1 2
𝑓(𝑥; 𝜇, 𝜎) = 𝑒 −(1/2) [(𝑥−𝜇)/𝜎] .
𝜎√2𝜋
Misalkan 𝑦 = 𝑥 − 𝜇, maka fungsi 𝑓(𝑥; 𝜇, 𝜎) dapat ditulis sebagai
1 2
ℎ(𝑦; 𝜎) = 𝑒 −(1/2) [𝑦/𝜎] .
𝜎√2𝜋
Dengan demikian, 𝜇 adalah parameter lokasi.
Contoh 2.7
Jika 𝑋~𝑁(0, 𝜃), maka 𝑋 − 𝜃~𝑁(−𝜃, 𝜃) mempunyai distribusi yang tidak
bebas dari 𝜃. Dengan demikian, 𝜃 adalah bukan parameter lokasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Definisi 2.16
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah variabel acak dari suatu distribusi dengan
fungsi probabilitas 𝑓(𝑥; 𝜇); 𝜇 ∈ Ω, Ω adalah ruang parameter. Penduga
𝑡(𝑥1 , … , 𝑥𝑛 ) didefinisikan sebagai ekuivarian lokasi jika dan hanya jika
𝑡(𝑥1 + 𝑐, … , 𝑥𝑛 + 𝑐) = 𝑡(𝑥1 , … , 𝑥𝑛 ) + 𝑐,
untuk semua nilai 𝑥1 , … , 𝑥𝑛 dan sebuah konstanta 𝑐.
Dengan kata lain, penambahan konstanta 𝑐 pada variabel acak akan
menambah nilai dugaan sebesar 𝑐.
Definisi 2.17
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah variabel acak dari suatu distribusi dengan
fungsi probabilitas 𝑓(𝑥; 𝜇); 𝜇 ∈ Ω, Ω adalah ruang parameter. Penduga
𝑡(𝑥1 , … , 𝑥𝑛 ) didefinisikan sebagai invarian lokasi jika dan hanya jika
𝑡(𝑥1 + 𝑐, … , 𝑥𝑛 + 𝑐) = 𝑡(𝑥1 , … , 𝑥𝑛 ),
untuk semua nilai 𝑥1 , … , 𝑥𝑛 dan sebuah konstanta 𝑐.
Dengan kata lain, penambahan konstanta 𝑐 pada variabel acak tidak akan
mengubah nilai penduga.
Contoh 2.8
Apakah 𝑥̅ adalah penduga invarian atau ekuivarian lokasi?
Solusi:
Misalkan 𝑡(𝑥1 , … , 𝑥𝑛 ) = 𝑥̅ .
Kemudian,
∑𝑛𝑖=1(𝑥𝑖 + 𝑐)
𝑡(𝑥1 + 𝑐, … , 𝑥𝑛 + 𝑐) =
𝑛
∑𝑛𝑖=1 𝑥𝑖 + 𝑛𝑐
=
𝑛
= 𝑥̅ + 𝑐
= 𝑡(𝑥1 , … , 𝑥𝑛 ) + 𝑐.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Contoh 2.9
Apakah 𝑠 2 adalah penduga invarian atau ekuivarian lokasi?
Solusi:
2
𝑛
∑𝑖=1 𝑥𝑖
∑𝑛
𝑖=1(𝑥𝑖 −( ))
𝑛
Misalkan 𝑡(𝑥1 , … , 𝑥𝑛 ) = 𝑠 2 = .
𝑛−1
Kemudian,
2
∑𝑛 𝑥 + 𝑐
∑𝑛𝑖=1 (𝑥𝑖 + 𝑐 − ( 𝑖=1 𝑛𝑖 ))
𝑡(𝑥1 + 𝑐, … , 𝑥𝑛 + 𝑐) =
𝑛−1
2
∑𝑛𝑖=1(𝑥𝑖 + 𝑐 − (𝑥̅ + 𝑐))
=
𝑛−1
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
=
𝑛−1
2
∑𝑛 𝑥𝑖
∑𝑛𝑖=1 (𝑥𝑖 − ( 𝑖=1
𝑛 ))
=
𝑛−1
= 𝑠2
= 𝑡(𝑥1 , … , 𝑥𝑛 ).
Oleh karena penambahan konstanta 𝑐 pada variabel acak tidak
mengalami perubahan nilai dugaan 𝑠 2 , maka 𝑠 2 adalah penduga invarian
lokasi dan tidak ekuivarian.
Definisi 2.18
Misalkan 𝑓(𝑥; 𝜃) adalah sembarang fungsi probabilitas suatu variabel
acak 𝑋. Keluarga fungsi probabilitas 𝑓(𝑥/𝜃)⁄𝜃 , untuk 𝜃 > 0, parameter
𝜃 adalah parameter skala bagi 𝑓(𝑥) jika dan hanya jika distribusi dari 𝑥⁄𝜃
tidak bergantung pada 𝜃.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Contoh 2.10
Diberikan fungsi probabilitas sebagai berikut
1 −(𝑥/𝜃)
𝑓(𝑥) = 𝑒 .
𝜃
Misalkan 𝑦 = 𝑥/𝜃, maka keluarga fungsi probabilitas 𝑓(𝑥/𝜃)⁄𝜃 dapat
ditulis sebagai
𝑓(𝑦) 1 −(𝑦)
= 𝑒
𝜃 𝜃
Definisi 2.19
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah variabel acak dari suatu distribusi dengan
fungsi probabilitas 𝑓(𝑥; 𝜇); 𝜇 ∈ Ω, Ω adalah ruang parameter. Penduga
𝑡(𝑥1 , … , 𝑥𝑛 ) didefinisikan sebagai ekuivarian skala jika dan hanya jika
𝑡(𝑐𝑥1 , … , 𝑐𝑥𝑛 ) = 𝑐𝑡(𝑥1 , … , 𝑥𝑛 ),
untuk semua nilai 𝑥1 , … , 𝑥𝑛 dan sebuah konstanta 𝑐 > 0.
Definisi 2.20
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah variabel acak dari suatu distribusi dengan
fungsi probabilitas 𝑓(𝑥; 𝜇); 𝜇 ∈ Ω, Ω adalah ruang parameter. Penduga
𝑡(𝑥1 , … , 𝑥𝑛 ) didefinisikan sebagai invarian skala jika dan hanya jika
𝑡(𝑐𝑥1 , … , 𝑐𝑥𝑛 ) = 𝑡(𝑥1 , … , 𝑥𝑛 ),
untuk semua nilai 𝑥1 , … , 𝑥𝑛 dan sebuah konstanta 𝑐 > 0.
Dengan kata lain, penduga bersifat invarian terhadap skala jika nilainya
tidak mengalami perubahan dengan adanya perkalian dengan 𝑐.
Contoh 2.11
Apakah 𝑥̅ adalah penduga invarian atau ekuivarian terhadap skala?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
Solusi:
Misalkan 𝑡(𝑥1 , … , 𝑥𝑛 ) = 𝑥̅ .
Kemudian,
∑𝑛𝑖=1 𝑐𝑥𝑖
𝑡(𝑐𝑥1 , … , 𝑐𝑥𝑛 ) =
𝑛
𝑐 ∑𝑛𝑖=1 𝑥𝑖
=
𝑛
= 𝑐𝑥̅
= 𝑐𝑡(𝑥1 , … , 𝑥𝑛 ).
Oleh karena penambahan konstanta 𝑐 pada variabel acak akan mengubah
nilai dugaan 𝑥̅ , maka 𝑥̅ adalah penduga ekuivarian terhadap skala dan tidak
invarian.
Teorema 2.1
Diberikan 𝑎, 𝑏 suatu konstanta, 𝐸(𝑎𝑋 + 𝑏) = 𝑎𝐸(𝑋) + 𝑏.
Bukti:
Berdasarkan Definisi 2.21, diperoleh:
untuk variabel acak diskrit,
19
= 𝑎 ∑ 𝑥 𝑝(𝑥) + 𝑏 ∑ 𝑝(𝑥)
𝑥 𝑥
= 𝑎𝐸(𝑋) + 𝑏.
Untuk variabel acak kontinu,
∞
𝐸(𝑎𝑋 + 𝑏) = ∫ (𝑎𝑥 + 𝑏)𝑓(𝑥)𝑑𝑥
−∞
∞ ∞
= 𝑎 ∫ 𝑥𝑓(𝑥)𝑑𝑥 + 𝑏 ∫ 𝑓(𝑥)𝑑𝑥
−∞ −∞
= 𝑎𝐸(𝑋) + 𝑏. ∎
Lemma 2.1
Diberikan 𝑎 = 0, maka 𝐸(𝑏) = 𝑏.
Bukti:
Untuk variabel acak diskrit,
𝐸(𝑏) = ∑𝑥 𝑏𝑝(𝑥) = 𝑏 ∑𝑥 𝑝(𝑥) = 𝑏(1) = 𝑏 .
Untuk variabel acak kontinu,
𝑥𝐸(𝑏) = ∫ 𝑏𝑓(𝑥)𝑑𝑥 = 𝑏 ∫ 𝑓(𝑥)𝑑𝑥 = 𝑏. ∎
Lemma 2.2
Diberikan 𝑏 = 0, maka 𝐸(𝑎𝑋) = 𝑎𝐸(𝑋).
Bukti:
Untuk variabel acak diskrit,
𝐸(𝑎𝑋) = ∑𝑥 𝑎𝑥𝑝(𝑥) = 𝑎 ∑𝑥 𝑥𝑝(𝑥) = 𝑎𝐸(𝑋).
Untuk variabel acak kontinu,
𝐸(𝑎𝑋) = ∫ 𝑎𝑥𝑓(𝑥)𝑑𝑥 = 𝑎 ∫ 𝑥𝑓(𝑥)𝑑𝑥 = 𝑎𝐸(𝑋). ∎
Teorema 2.2
Misalkan 𝑋 adalah variabel acak dengan fungsi probabilitas 𝑝(𝑥) dan
𝑔1 (𝑋), 𝑔2 (𝑋), … , 𝑔𝑘 (𝑋) adalah 𝑘 buah fungsi dari 𝑋; maka
𝐸[𝑔1 (𝑋) + 𝑔2 (𝑋) + ⋯ + 𝑔𝑘 (𝑋)]
= 𝐸[𝑔1 (𝑋)] + 𝐸[𝑔2 (𝑋)] + ⋯ + 𝐸[𝑔𝑘 (𝑋)].
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Bukti:
Akan dibuktikan dengan 𝑘 = 2, tetapi langkah tetap sama untuk setiap 𝑘.
Menurut Definisi 2.21, diperoleh:
untuk 𝑋 diskrit,
= ∑ 𝑔1 (𝑥)𝑝(𝑥) + ∑ 𝑔2 (𝑥)𝑝(𝑥)
𝑥 𝑥
Untuk 𝑋 kontinu,
∞
𝐸[𝑔1 (𝑋) + 𝑔2 (𝑋)] = ∫ [𝑔1 (𝑥) + 𝑔2 (𝑥)]𝑝(𝑥)𝑑𝑥
−∞
∞ ∞
= ∫ 𝑔1 (𝑥)𝑓(𝑥)𝑑𝑥 + ∫ 𝑔2 (𝑥)𝑓(𝑥)𝑑𝑥
−∞ −∞
Contoh 2.12
Diberikan 7 komponen sebagai sampel yang terdiri atas 4 komponen tidak
rusak dan 3 komponen rusak. Penguji mengambil sampel secara acak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Diperoleh:
(30)(43) 4
𝑝(0) = (73)
= 35,
(31)(42) 18
𝑝(1) = (73)
= 35,
(32)(41) 12
𝑝(2) = (73)
= 35,
(33)(40) 1
𝑝(3) = (73)
= 35.
𝑥=0
4 1
= (0 − 1.3)2 ( ) + ⋯ + (3 − 1.3)2 ( )
35 35
= 0.49.
Contoh 2.13
Diberikan variabel acak 𝑋 yang mempunyai fungsi kontinu sebagai
berikut:
(3⁄8)𝑥 2 , 0 ≤ 𝑑𝑎𝑛𝑥 ≤ 2
𝑓(𝑥) = {
0 , 𝑑𝑎𝑛lainnya
Temukanlah nilai harapan dan variansi bagi 𝑋.
Solusi:
Menurut definisi nilai harapan dan variansi, diperoleh:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
2 3 3 1 2
𝜇 = 𝐸(𝑋) = ∫0 𝑥 (8) 𝑥 2 𝑑𝑥 = (8) (4) 𝑥 4 ] = 1.5.
0
2 3
𝜎 2 = 𝑉(𝑋) = ∫0 (𝑥 − 1.5)2 (8) 𝑥 2 𝑑𝑥
3 2
= ( ) ∫ (𝑥 2 − 3𝑥 + 2.25)𝑥 2 𝑑𝑥
8 0
3 2
= ( ) ∫ (𝑥 4 − 3𝑥 3 + 2.25𝑥 2 )𝑑𝑥
8 0
2
3 1 3 2.25 3
= ( ) (( ) 𝑥 5 − ( ) 𝑥 4 + ( ) 𝑥 )]
8 5 4 3
0
3 5 9 4 6.75 3 2
=( 𝑥 − 𝑥 +( ) 𝑥 )] = 0.15.
40 32 24 0
Teorema 2.3
Misalkan 𝑋 adalah variabel acak diskrit dengan fungsi probabilitas 𝑝(𝑥)
dan rata-rata 𝐸(𝑋) = 𝜇; maka
𝑉(𝑋) = 𝜎 2 = 𝐸[(𝑋 − 𝜇)2 ] = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2.
Bukti:
𝑉(𝑋) = 𝜎 2 = 𝐸[(𝑋 − 𝜇)2 ]
= 𝐸(𝑋 2 − 2𝜇𝑋 + 𝜇 2 )
= 𝐸(𝑋 2 ) − 2𝜇𝐸(𝑋) + 𝐸(𝜇 2 )
= 𝐸(𝑋 2 ) − 2𝜇 2 + 𝜇 2
= 𝐸(𝑋 2 ) − 𝜇 2
= 𝐸(𝑋 2 ) − [𝐸(𝑋)]2 . ∎
23
Definisi 2.23
Variabel acak 𝑋 dikatakan berdistribusi Normal jika dan hanya jika untuk
𝜎 > 0 dan −∞ < 𝜇 < ∞, fungsi probabilitas dari 𝑋 adalah
1 2 /(2𝜎 2 )
𝑓(𝑥) = 𝜎√2𝜋 𝑒 −(𝑥−𝜇) , −∞ < 𝑥 < ∞.
Teorema 2.4
Jika 𝑋 adalah variabel acak berdistribusi Normal dengan parameter 𝜇 dan
𝜎, maka
𝐸(𝑋) = 𝜇 dan 𝑉(𝑋) = 𝜎 2 .
Bukti:
Rata-rata dari distribusi Normal diberikan dengan
∞ 1 𝑥−𝜇 2
𝑥−𝜇
𝑒 −2( )
𝐸(𝑋 − 𝜇) = ∫ 𝜎 𝑑𝑥.
−∞ √2𝜋𝜎
24
∞ ∞
𝜎2 −
𝑧2 𝑧2
𝐸[(𝑋 − 𝜇) 2]
= (−𝑧𝑒 2| + ∫ 𝑒 − 2 𝑑𝑧)
√2𝜋 −∞ −∞
= 𝜎 2 (0 + 1) = 𝜎 2 . ∎
Contoh 2.15
Skor prestasi untuk ujian masuk perguruan tinggi memiliki rata-rata 75
dan standar deviasi 10. Hitunglah 𝑃(80 < 𝑋 < 90).
Solusi:
Ingat bahwa
𝑋−𝜇
𝑍= .
𝜎
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Dengan demikian,
80 − 75 𝑋 − 𝜇 90 − 75
𝑃(80 < 𝑋 < 90) = 𝑃 ( < < )
10 𝜎 10
= 𝑃(0.5 < 𝑍 < 1.5)
= 𝑃(𝑍 > 0.5) − 𝑃(𝑍 > 1.5)
= 0.3085 − 0.0668
= 0.2417
Hasil tersebut dapat diperoleh dengan menggunakan Tabel 𝑍 (terlampir).
Contoh 2.16
Misalkan 𝑍 adalah variabel acak Normal dengan rata-rata 0 dan standar
deviasi 1.
a) Temukan 𝑃(𝑍 > 2).
b) Temukan 𝑃(−2 ≤ 𝑍 ≤ 2).
Solusi:
a) Karena 𝜇 = 0 dan 𝜎 = 1, maka dengan menggunakan Tabel
distribusi Normal, diperoleh 𝑃(𝑍 > 2) = 0.0228.
b) Karena fungsi probabilitas Normal simetri pada rata-rata
𝜇 = 0, maka dengan menggunakan Tabel 𝑍 (terlampir), diperoleh
𝑃(−2 ≤ 𝑍 ≤ 2) = 1 − 2(𝑃(𝑍 > 2))
= 1 − 2(0.0228) = 0.9544.
26
Teorema 2.5
Jika 𝑋 adalah variabel acak berdistribusi chi-square dengan derajat bebas
𝑣, maka nilai harapan (rata-rata) dan variansinya adalah
𝜇 = 𝐸(𝑋) = 𝑣 dan 𝜎 2 = 𝑉(𝑋) = 2𝑣.
Bukti:
1
Misalkan 𝑐 = 𝑣 .
22 Γ(𝑣⁄2)
∞ 𝑣 𝑥
−1 −
𝐸(𝑋) = ∫ 𝑥𝑐𝑥 2 𝑒 2 𝑑𝑥
0
∞ 𝑣 𝑥
= 𝑐 ∫ 𝑥 2 𝑒 −2 𝑑𝑥
0
𝑥 ∞ ∞
𝑣 𝑣 𝑣 𝑥
= 𝑐 {[−2𝑥 2 𝑒 −2 ] + ∫ 2 𝑥 2−1 𝑒 −2 𝑑𝑥}
0 0 2
∞ 𝑣 𝑥
= 𝑐 {(0 − 0) + 𝑣 ∫ 𝑥 2−1 𝑒 −2 𝑑𝑥}
0
∞ 𝑣 𝑥
= 𝑣 ∫ 𝑐𝑥 2−1 𝑒 −2 𝑑𝑥
0
∞
𝐸(𝑋 2) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥
−∞
∞ 𝑣 𝑥
= ∫ 𝑥 2 𝑐𝑥 2−1 𝑒 −2 𝑑𝑥
0
∞ 𝑣 𝑥
= 𝑐 ∫ 𝑥 2+1 𝑒 −2 𝑑𝑥
0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
𝑥 ∞ ∞
𝑣 𝑣 𝑣 𝑥
= 𝑐 {−2𝑥 2+1 𝑒 −2 ] + ∫ 2 ( + 1) 𝑥 2 𝑒 −2 𝑑𝑥}
0 0 2
∞ 𝑣 𝑥
= 𝑐 {(0 − 0) + (𝑣 + 2) ∫ 𝑥 2 𝑒 −2 𝑑𝑥}
0
∞ 𝑣 𝑥
= 𝑐(𝑣 + 2) {∫ 𝑥 2 𝑒 −2 𝑑𝑥 }
0
𝑥 ∞ ∞
𝑣 𝑣 𝑣 𝑥
= 𝑐(𝑣 + 2) {[−2𝑥 2 𝑒 −2 ] + ∫ 2 𝑥 2−1 𝑒 −2 𝑑𝑥}
0 0 2
∞ 𝑣 𝑥
= 𝑐(𝑣 + 2) {(0 − 0) + 𝑣 ∫ 𝑥 2−1 𝑒 −2 𝑑𝑥}
0
∞ 𝑣 𝑥
= 𝑣(𝑣 + 2) {∫ 𝑐𝑥 2−1 𝑒 −2 𝑑𝑥}
0
∞
= 𝑣(𝑣 + 2){∫0 𝑥𝑓(𝑥)𝑑𝑥 } = 𝑣(𝑣 + 2),
[𝐸(𝑋)]2 = 𝑣 2
28
Definisi 2.25
Fungsi pembangkit momen dari variabel acak 𝑋 diberikan dengan 𝐸(𝑒 𝑡𝑋 )
dan dinotasikan dengan 𝑀𝑋 (𝑡), 𝑡 ∈ ℝ. Oleh karena itu,
Contoh 2.18
Temukanlah FPM dari Contoh 2.12 dan Contoh 2.13.
Solusi:
Untuk Contoh 2.12, diperoleh:
𝑡𝑋 𝑡𝑥
𝑀𝑋 (𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑝(𝑥)
𝑥
4 18 𝑡 12 2𝑡 1
= + 𝑒 + 𝑒 + 𝑒 3𝑡 .
35 35 35 35
1
= (4 + 18𝑒 𝑡 + 12𝑒 2𝑡 + 𝑒 3𝑡 ); 𝑡 ∈ ℝ.
35
3 2 2 𝑡𝑥
= ∫ 𝑥 𝑒 𝑑𝑥
8 0
29
2
3 𝑥 2 𝑒 𝑡𝑥 2 2
𝑀𝑋 (𝑡) = {[ ] − ∫ 𝑥𝑒 𝑡𝑥 𝑑𝑥}
8 𝑡 0 𝑡 0
3 4𝑒 2𝑡 2 2
= [( ) − ∫ 𝑥𝑒 𝑡𝑥 𝑑𝑥 ]
8 𝑡 𝑡 0
2
3 4𝑒 2𝑡 2 𝑥𝑒 𝑡𝑥 1 2 𝑡𝑥
𝑀𝑋 (𝑡) = [( )− ( ] − ∫ 𝑒 𝑑𝑥)]
8 𝑡 𝑡 𝑡 0 𝑡 0
2
3 4𝑒 2𝑡 2 2𝑒 2𝑡 1 𝑒 𝑡𝑥
= [( )− ( − [ ] )]
8 𝑡 𝑡 𝑡 𝑡 𝑡 0
3 4𝑒 2𝑡 2 2𝑒 2𝑡 1 𝑒 2𝑡 1
= [( )− ( − ( − ))]
8 𝑡 𝑡 𝑡 𝑡 𝑡 𝑡
3 4𝑒 2𝑡 2 2𝑒 2𝑡 𝑒 2𝑡 1
= [( )− ( − 2 + 2 )]
8 𝑡 𝑡 𝑡 𝑡 𝑡
3 4𝑒 2𝑡 4𝑒 2𝑡 2𝑒 2𝑡 + 2
= [ − 2 + ]
8 𝑡 𝑡 𝑡3
3 2 2𝑡
2𝑒 2𝑡 𝑒 2𝑡 + 1
= [ (2𝑒 − + )]
8 𝑡 𝑡 𝑡2
3 2𝑒 2𝑡 𝑒 2𝑡 + 1
= (2𝑒 2𝑡 − + ).
4𝑡 𝑡 𝑡2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
C. Distribusi Sampling
Kesimpulan pada statistika pada dasarnya berkaitan dengan generalisasi
dan dugaan yang diperoleh dari sampel. Oleh karena itu, sampel yang diamati
harus memiliki distribusi probabilitas.
Definisi 2.26
Distribusi probabilitas dari statistik disebut sebagai distribusi sampling.
31
Teorema 2.7
Misalkan 𝑋 dan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah variabel acak dengan FPM 𝑚(𝑡) dan
𝑚1 (𝑡), 𝑚2 (𝑡), 𝑚3 (𝑡), …, dan seterusnya.
Jika
lim 𝑚𝑛 (𝑡) = 𝑚(𝑡), ∀𝑡 ∈ ℝ,
𝑛→∞
∑𝑛
𝑖=1 𝑋𝑖 −𝑛𝜇
𝑛
√𝑛 ∑𝑖=1 𝑋𝑖 −𝑛𝜇 1
= √𝑛 ( )= ( ) = (∑𝑛𝑖=1 𝑧𝑖 ),
𝑛𝜎 𝑛 𝜎 √𝑛
𝑋𝑖 −𝜇
dengan 𝑧𝑖 = .
𝜎
Karena variabel acak 𝑥𝑖 saling bebas dan berdistribusi secara identik, maka
𝑧𝑖 dengan 𝑖 = 1,2, . . . , 𝑛 juga saling bebas dan berdistribusi secara identik
dengan 𝐸(𝑧𝑖 ) = 0 dan 𝑉(𝑧𝑖 ) = 1.
Karena fpm dari banyaknya variabel acak saling bebas masing-masing
adalah hasil kali dari masing-masing fpm, maka
𝑛
𝑚∑ 𝑍𝑖 (𝑡) = 𝑚𝑍1 (𝑡) × 𝑚𝑍2 (𝑡) … × 𝑚𝑍𝑛 (𝑡) = [𝑚𝑍1 (𝑡)]
dan
𝑡 𝑡 𝑛
𝑚𝑈𝑛 (𝑡) = 𝑚∑ 𝑍𝑖 ( 𝑛) = [𝑚𝑍1 ( 𝑛)] .
√ √
32
sehingga
𝑛
𝑚′′𝑍1 (𝜉𝑛 ) 𝑡 2
𝑚𝑈𝑛 (𝑡) = [1 + ( ) ]
2 √𝑛
𝑛
𝑚′′𝑍1 (𝜉𝑛 )𝑡 2 𝑡
= [1 + ] , dengan 0 < 𝜉𝑛 < .
2𝑛 √𝑛
Akhirnya diperoleh,
𝑛
𝑚′′𝑍1 (𝜉𝑛 )(𝑡 2 ⁄2) 2 ⁄2)
lim 𝑚𝑈𝑛 (𝑡) = lim [1 + ] = 𝑒 (𝑡 ,
𝑛→∞ 𝑛→∞ 𝑛
2. Distribusi 𝑡
Definisi 2.27
𝑥̅ −𝜇 (𝑛−1)𝑠2
Misalkan 𝑍 = 𝜎/ adalah variabel acak Normal standar dan 𝑊 =
√ 𝑛 𝜎2
Lemma 2.3
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 sebagai variabel acak saling bebas berdistribusi
Normal dengan rata-rata 𝜇 dan standar deviasi 𝜎; maka variabel acak 𝑇 =
𝑥̅ −𝜇
berdistribusi 𝑡 dengan derajat bebas 𝑣 = 𝑛 − 1.
𝑠/√𝑛
Bukti:
Berdasarkan Definisi 2.27,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
𝑍 (𝑥̅ − 𝜇)⁄(𝜎/√𝑛)
𝑇= =
√𝑊/𝑣 √[(𝑛 − 1)𝑠 2 /𝜎 2 ]⁄(𝑛 − 1)
√𝑛(𝑥̅ − 𝜇)⁄𝜎
=
√𝑠 2 /𝜎 2
Contoh 2.19
Temukan 𝑃(−𝑡0.025 < 𝑇 < 𝑡0.025 ).
Solusi:
Dari tabel distribusi 𝑡 (terlampir) diperoleh,
𝑃(−𝑡0.025 < 𝑇 < 𝑡0.025 ) = 1 − 0.05 − 0.025 = 0.925.
D. Pendugaan Parameter
Pendugaan adalah pokok bahasan dalam statistika yang berhubungan
dengan pendugaan nilai-nilai parameter berdasarkan data yang diukur/data
empiris yang berasal dari sampel acak. Tujuan dari percobaan atau penelitian
statistik adalah untuk menduga satu atau lebih parameter yang relvan. Pendugaan
parameter adalah suatu proses untuk membuat kesimpulan tentang parameter
populasi berdasarkan sampel acak.
1. Pendugaan (Estimasi)
Di dalam statistika, pendugaan-pendugaan dilakukan untuk
menyimpulkan karakteristik dari populasi (parameter).
34
35
𝜃 𝜃̂
Gambar 2.2. Distribusi Nilai Dugaan
Definisi 2.30
Misalkan 𝜃̂ adalah penduga titik dari parameter 𝜃, maka 𝜃̂ adalah
penduga tak bias bagi 𝜃 jika 𝐸(𝜃̂) = 𝜃. Jika 𝐸(𝜃̂ ) ≠ 𝜃, maka 𝜃̂
dikatakan penduga yang bias bagi 𝜃.
Definisi 2.31
Bias dari penduga titik 𝜃̂ didefinisikan sebagai 𝐵(𝜃̂ ) = 𝐸(𝜃̂) − 𝜃.
Contoh 2.20
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah sampel acak dengan 𝐸(𝑥𝑖 ) = 𝜇 dan
2 1
𝑉(𝑥𝑖 ) = 𝜎 2 . Tunjukkan bahwa 𝑠 ′ = 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 adalah
1
penduga bias bagi 𝜎 2 dan bahwa 𝑠 2 = 𝑛−1 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 adalah
36
Solusi:
𝑛 𝑛
= ∑ 𝑥𝑖2 − 2𝑥̅ ∑ 𝑥𝑖 + ∑ 𝑥̅ 2
𝑖=1 𝑖=1 𝑖=1
𝑛
sehingga,
𝑛 𝑛 𝑛
= ∑ 𝐸[𝑥𝑖2 ] − n𝐸[𝑥̅ 2 ]
𝑖=1
= ∑[𝑉(𝑥𝑖 ) + 𝜇 2 ] − 𝑛[𝑉(𝑥̅ ) + 𝜇 2 ]
𝑖=1
𝑛
𝜎2
= ∑(𝜎 2 + 𝜇 2 ) − 𝑛 ( + 𝜇 2 )
𝑛
𝑖=1
𝜎2
= 𝑛(𝜎 2 + 𝜇 2 ) − 𝑛 ( + 𝜇2)
𝑛
= 𝑛𝜎 2 + 𝑛𝜇 2 − 𝜎 2 − 𝑛𝜇 2
= (𝑛 − 1)𝜎 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
1
= [(𝑛 − 1)𝜎 2 ]
𝑛−1
𝑛−1 2
= 𝜎 = 𝜎2,
𝑛−1
sehingga 𝑠 2 adalah penduga tak bias bagi 𝜎 2 karena 𝐸(𝑠 2 ) = 𝜎 2 .
Definisi 2.32
Rata-rata kuadrat galat (Mean Square Error) dari penduga titik 𝜃̂
adalah
2
𝑀𝑆𝐸(𝜃̂) = 𝐸 [(𝜃̂ − 𝜃) ].
Definisi 2.33
2
Variansi penduga titik 𝜃̂ adalah 𝑉(𝜃̂) = 𝐸 [(𝜃̂ − 𝐸(𝜃̂ )) ].
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Teorema 2.8
Jika 𝐵(𝜃̂) menunjukkan bias dari penduga titik 𝜃̂, maka
2
𝑀𝑆𝐸(𝜃̂) = 𝑉(𝜃̂ ) + [𝐵(𝜃̂ )] .
Bukti:
Petunjuk:
(𝜃̂ − 𝜃) = [𝜃̂ − 𝐸(𝜃̂)] + [𝐸(𝜃̂) − 𝜃] = [𝜃̂ − 𝐸(𝜃̂)] + 𝐵(𝜃̂).
Dengan menggunakan petunjuk di atas, diperoleh:
2
𝑀𝑆𝐸(𝜃̂) = 𝐸 [(𝜃̂ − 𝜃) ]
Tabel 2.2. Nilai Harapan dan galat standar Beberapa Penduga Titik
Parameter Penduga
Ukuran Galat standar
Sasaran Titik ̂
𝐸(𝜃 )
Sampel 𝜎𝜃
𝜃 ̂
𝜃
𝜎
𝜇 𝑛 𝑋̅ 𝜇
√𝑛
𝑋 𝑝𝑞
𝑝 𝑛 𝑝̂ = 𝑝 √
𝑛 𝑛
𝜎2 𝜎2
𝜇1 − 𝜇2 𝑛1 dan 𝑛2 𝑋̅1 − 𝑋̅2 𝜇1 − 𝜇2 √ 1 + 2
𝑛1 𝑛2
𝑝1 𝑞1 𝑝2 𝑞2
𝑝1 − 𝑝2 𝑛1 dan 𝑛2 𝑝̂1 − 𝑝̂2 𝑝̂1 − 𝑝̂2 √ +
𝑛1 𝑛2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
40
Definisi 2.34
Selang kepercayaan satu sisi yang dinyatakan dengan
𝑃(𝜃̂𝐿 ≤ 𝜃) = 1 − 𝛼
akan menghasilkan selang kepercayaan satu sisi bawah, yaitu
[𝜃̂𝐿 , ∞), dan
𝑃(𝜃 ≤ 𝜃̂𝑈 ) = 1 − 𝛼
akan menghasilkan selang kepercayaan satu sisi atas, yaitu
(−∞, 𝜃̂𝑈 ].
Contoh 2.21
Diberikan pengamatan tunggal 𝑋 dari distribusi eksponensial dengan
rata-rata 𝜃. Gunakan 𝑋 untuk membentuk selang kepercayaan bagi
𝜃 dengan koefisien kepercayaan 0.90.
Solusi:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
diketahui.
𝑋
2) 𝑈 = 𝜃
𝑓𝑢 (𝑢) = ⋯ ?
Untuk 𝑥 < 0, 𝐹(𝑥) = 0.
Untuk 𝑥 ≥ 0,
0 𝑥
1 𝑡 1 𝑡 𝑥
𝐹(𝑥) = ∫ 0 𝑑𝑡 + ∫ ( ) 𝑒 − ⁄𝜃 𝑑𝑡 = (−𝜃)𝑒 − ⁄𝜃 ]
−∞ 0 𝜃 𝜃 0
𝑥⁄
= −𝑒 − 𝜃 + 1.
0 , 𝑑𝑎𝑛𝑥 < 0
𝐹(𝑥) = { −𝑥⁄
−𝑒 𝜃 + 1, 𝑑𝑎𝑛𝑥 ≥ 0
𝑋
𝐹𝑢 (𝑢) = 𝑃(𝑈 ≤ 𝑢) = 𝑃 ( ≤ 𝑢)
𝜃
𝑢𝜃⁄
= 𝑃(𝑋 ≤ 𝑢𝜃) = 𝐹(𝑢𝜃) = −𝑒 − 𝜃 +1
= −𝑒 −𝑢 + 1.
0 , 𝑑𝑎𝑛𝑢 < 0
𝐹𝑢 (𝑢) = { −𝑢
−𝑒 + 1, 𝑑𝑎𝑛𝑢 ≥ 0
0 , 𝑑𝑎𝑛𝑢 < 0
𝑓𝑢 (𝑢) = {
𝑒 −𝑢 , 𝑑𝑎𝑛𝑢 ≥ 0
𝑓𝑢 (𝑢) tidak bergantung pada 𝜃.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
0.05
0.05
0.90
u
a b
43
Dengan demikian, diperoleh batas bawah dan batas atas untuk selang
𝑋 𝑋
kepercayaan 𝜃 adalah 2.996 dan 0.051.
Contoh 2.22
Misalkan 𝜃̂ adalah statistik berdistribusi Normal dengan rata-rata 𝜃
dan galat standar 𝜎𝜃 . Temukan selang kepercayaan bagi 𝜃 yang
memiliki koefisien kepercayaan (1 − 𝛼).
Solusi:
̂ −𝜃
𝜃
Nilai 𝑍 = berdistribusi Normal. Sekarang, pilih dua nilai di
𝜎𝜃
̂
44
−𝑧𝛼 ⁄2 0 𝑧𝛼 ⁄2
̂ −𝜃
𝜃
Dengan mensubstitusi nilai 𝑍 = , diperoleh
𝜎𝜃
̂
̂ −𝜃
𝜃
𝑃 (−𝑧𝛼⁄2 ≤ ≤ 𝑧𝛼⁄2 ) = 1 − 𝛼.
𝜎𝜃
̂
Dengan cara yang sama, dapat ditentukan pula 100(1 − 𝛼)% batas
kepercayaan satu sisi, yaitu
100(1 − 𝛼)% batas bawah bagi 𝜃 = 𝜃̂ − 𝑧𝛼 𝜎𝜃̂ .
100(1 − 𝛼)% batas atas bagi 𝜃 = 𝜃̂ + 𝑧𝛼 𝜎𝜃̂ .
Contoh 2.23
Suatu supermarket mencatat waktu belanja 64 sampel acak dari
konsumen yang datang. Rata-rata dan variansi dari ke-64 konsumen
tersebut adalah 33 dan 256 menit. Tentukan penduga waktu rata-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
akan menjadi
𝜎 𝑠
𝑥̅ ± 𝑧𝛼⁄2 ( ) ≈ 𝑥̅ ± 𝑧𝛼⁄2 ( )
√𝑛 √𝑛
Dengan menggunakan Tabel Z (terlampir), diperoleh
𝑧𝛼⁄2 = 𝑧0.05 = 1.645; oleh karena itu, batas kepercayaannya adalah
𝑠 16
𝑥̅ − 𝑧𝛼⁄2 ( 𝑛) = 33 − 1.645 ( ) = 29.71l,
√ √64
𝑠 16
𝑥̅ + 𝑧𝛼⁄2 ( 𝑛) = 33 + 1.645 ( ) = 36.29.
√ √64
E. Konsistensi Penduga
Definisi 2.36
Penduga 𝜃̂𝑛 dikatakan sebagai penduga konsisten bagi 𝜃 jika ∀𝜀 > 0,
lim 𝑃(|𝜃̂𝑛 − 𝜃| ≤ 𝜀) = 1,
𝑛→∞
atau
lim 𝑃(|𝜃̂𝑛 − 𝜃| > 𝜀) = 0.
𝑛→∞
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
Teorema 2.9
Suatu penduga tak bias 𝜃̂𝑛 bagi 𝜃 adalah penduga konsisten bagi 𝜃 jika
lim 𝑉(𝜃̂𝑛 ) = 0.
𝑛→∞
Bukti:
Jika 𝑋 adalah sembarang variabel acak dengan 𝐸(𝑋) = 𝜇 dan 𝑉(𝑋) = 𝜎 2 < ∞
dan ∀𝑘 > 0, dapat digunakan Teorema Tchebysheff yang menyatakan bahwa
1
𝑃(|𝑋 − 𝜇| > 𝑘𝜎) ≤ .
𝑘2
Bukti Teorema Tchebysheff terdapat pada buku Wackerly, et al. (2008).
Mathematical Statistics with Applications. Seventh Edition. Duxbury: Thomson
Brooks/Cole. Halaman: 208.
Karena 𝜃̂𝑛 adalah penduga tak bias bagi 𝜃, itu menunjukkan bahwa
𝐸(𝜃̂𝑛 ) = 𝜃.
Dengan demikian,
𝑉(𝜃̂𝑛 )
0 ≤ 𝑃(|𝜃̂𝑛 − 𝜃| > 𝜀) ≤ .
𝜀2
Bila lim 𝑉(𝜃̂𝑛 ) = 0, maka untuk 𝑛 → ∞,
𝑛→∞
𝑉(𝜃̂𝑛 )
lim 0 ≤ lim 𝑃(|𝜃̂𝑛 − 𝜃| > 𝜀) ≤ lim = 0.
𝑛→∞ 𝑛→∞ 𝑛→∞ 𝜀 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
Contoh 2.24
Misalkan 𝑋𝑖 adalah variabel acak berdistribusi Normal dengan 𝑖 = 1,2, . . 𝑛, rata-
rata 𝜇 dan variansi 𝜎 2 . Tunjukkan bahwa 𝑋̅ adalah penduga konsisten bagi 𝜇.
Solusi:
Akan diperiksa terlebih dahulu apakah 𝑋̅ merupakan penduga tak bias bagi 𝜇.
1 1 1
𝐸(𝑋̅) = 𝐸 ( ∑ 𝑋𝑖 ) = [𝐸(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 )] = ∙ 𝑛𝜇 = 𝜇.
𝑛 𝑛 𝑛
Terbukti bahwa 𝑋̅ adalah penduga tak bias bagi 𝜇.
Selanjutnya akan ditunjukkan bahwa 𝑋̅ adalah penduga konsisten bagi 𝜇.
1 1
𝑉(𝑋̅) = 𝑉 ( ∑ 𝑋𝑖 ) = 2 [𝑉(𝑋1 ) + 𝑉(𝑋2 ) + ⋯ + 𝑉(𝑋𝑛 )]
𝑛 𝑛
1 2
𝜎2
= ∙ 𝑛𝜎 = .
𝑛2 𝑛
𝜎2
lim 𝑉(𝑋̅) = lim = 0.
𝑛→∞ 𝑛→∞ 𝑛
48
Di sisi lain ketika ketiga bola berwarna merah, maka peluang terpilihnya
tiga bola merah secara acak adalah
(32)
= 1.
(32)
Oleh karena itu, dipilih tiga bola merah sebagai penduga dari banyaknya
bola merah di dalam kotak karena nilai dugaan ini merupakan penduga yang
memaksimumkan probabilitas dari sampel yang diamati. Hal ini jika
dibandingkan dengan dua bola merah, tiga bola merah mempunyai probabilitas
1
yang lebih besar, yaitu 1 > 3. Tentu saja kemungkinan terdapat dua bola merah
pada kotak juga benar, tetapi hasil yang diamati memberikan kepercayaan yang
lebih untuk tiga bola merah di dalam kotak.
Contoh tersebut mengilustrasikan sebuah metode untuk menemukan sebuah
penduga yang dapat diaplikasikan pada berbagai situasi. Secara teknis, metode ini
disebut Metode Kemungkinan Maksimum. Metode tersebut diperkenalkan
pertama kali oleh R. A. Fisher (1912) yang menghasilkan penduga yang sangat
baik bagi parameter 𝜃 untuk sampel berukuran besar.
Definisi 2.37
Diberikan pengamatan saling bebas 𝑥1 , 𝑥2 , … , 𝑥𝑛 yang merupakan variabel acak
kontinu berukuran 𝑛 dengan fungsi probabilitas 𝑓(𝑥|𝜃) dan 𝜃 adalah parameter
yang tidak diketahui. Misalkan fungsi kemungkinan tergantung pada 𝑘 buah
parameter, yaitu 𝜃1 , 𝜃2 , … , 𝜃𝑘 , maka tujuan dari metode kemungkinan maksimum
adalah untuk menentukan penduga dari 𝜃 yang memaksimumkan fungsi
likelihood
𝑛
49
𝑙 = ln 𝐿(𝜃).
Nilai parameter 𝜃 dapat diperoleh dengan memaksimumkan fungsi log-
likelihood. Hal tersebut dilakukan dengan mencari turunan parsial pertama dari
fungsi log-likelihood-nya terhadap setiap parameternya. Sehingga, MLE 𝜃̂
merupakan penyelesaian dari persamaan berikut:
𝜕𝑙
= 0.
𝜕𝜃
Misalkan terdapat 𝑘 buah parameter yang tidak diketahui, maka pendugaan
parameter 𝜃𝑖 dengan Metode Kemungkinan Maksimum adalah
𝜕𝑙
= 0,
𝜕𝜃𝑖
dengan 𝑙 = ln(𝜃1 , 𝜃2 , … , 𝜃𝑘 ), 𝑖 = 1,2, … , 𝑘.
Contoh 2.25
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah sampel acak berdistribusi Normal dengan rata-rata
𝜇 dan variansi 𝜎 2 . Temukanlah 𝜇̂ dan 𝜎̂ 2 dengan menggunakan Metode
Kemungkinan Maksimum.
Solusi:
Karena 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah sampel acak kontinu berdistribusi Normal dengan
rata-rata 𝜇 dan variansi 𝜎 2 , maka fungsi probabilitasnya didefinisikan sebagai
1 1
𝑓(𝑥) = exp [(− ) (𝑥 − 𝜇)2 ] , − ∞ < 𝑥 < ∞.
𝜎√2𝜋 2𝜎 2
Berdasarkan Definisi MLE, diperoleh
𝐿(𝜇, 𝜎 2 ) = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 |𝜇, 𝜎 2 )
50
𝑛 𝑛
1 2 1
=( 2
) exp [− 2 ∑(𝑥𝑖 − 𝜇)2 ].
2𝜋𝜎 2𝜎
𝑖=1
𝑛
𝑛 1 1
= [ln ( 2
)] − 2 ∑(𝑥𝑖 − 𝜇)2
2 2𝜋𝜎 2𝜎
𝑖=1
𝑛
𝑛 𝑛 1
= − ln(𝜎 2 ) − ln(2𝜋) − 2 ∑(𝑥𝑖 − 𝜇)2
2 2 2𝜎
𝑖=1
𝑛
𝜕 ln[𝐿(𝜇, 𝜎 2 )] 𝑛 1
= − 2 + 4 ∑(𝑥𝑖 − 𝜇)2
𝜕𝜎 2 2𝜎 2𝜎
𝑖=1
Jika turunan parsial terhadap 𝜇 dan 𝜎 2 disamakan dengan nol, maka diperoleh:
𝑛
1
∑(𝑥𝑖 − 𝜇) = 0
𝜎2
𝑖=1
∑(𝑥𝑖 − 𝜇) = 0
𝑖=1
∑ 𝑥𝑖 − 𝑛𝜇 = 0
𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
∑𝑛𝑖=1 𝑥𝑖
𝜇 = = 𝑥̅
𝑛
𝑛
𝑛 1
− 2 + 4 ∑(𝑥𝑖 − 𝜇)2 = 0
2𝜎 2𝜎
𝑖=1
𝑛
1 𝑛
4
∑(𝑥𝑖 − 𝜇)2 = 2
2𝜎 2𝜎
𝑖=1
𝑛
1
∑(𝑥𝑖 − 𝜇)2 = 𝑛
𝜎2
𝑖=1
𝑛
1
𝜎 2 = ∑(𝑥𝑖 − 𝜇)2 .
𝑛
𝑖=1
1
𝜇 = 𝑥̅ dan 𝜎 2 = 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 .
G. Pencilan
1. Definisi Pencilan
Pencilan seringkali ada di dalam proses pengolahan data. Banyak
peneliti menganggap bahwa pencilan akan menjadikan pendugaan terjadi
kesalahan (error), sehingga diperlukan pendeteksian pencilan.
Definisi yang tepat dari pencilan sering tergantung pada asumsi data
dan metode deteksi yang diterapkan. Namun, beberapa definisi dianggap
cukup untuk berbagai jenis data dan metode. Hawkins (1980)
mendefinisikan pencilan sebagai satu atau lebih pengamatan yang nilainya
menyimpang jauh dari pengamatan lain yang menimbulkan kecurigaan
bahwa pengamatan dihasilkan oleh mekanisme yang berbeda. Barnet dan
Lewis (1994) mendefinisikan pencilan sebagai suatu pengamatan yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Contoh 2.26
Sebuah toko mempunyai rincian banyaknya barang yang terjual beserta
harganya yang disajikan dalam Tabel 2.3. Dengan 𝑋 = banyaknya buku
yang terjual dan 𝑌 = harga barang (dalam ribuan).
Tabel 2.3. Banyaknya barang yang terjual dan harga barang
Pengamatan X Y
1 19 792
2 17 807
3 14 812
4 11 829
5 18 835
6 35 850
7 9 855
53
860
840
820
Y
800
780
0 10 20 30 40
X
Contoh 2.27
Pada penelitian Badan Pusat Statistik (BPS) Provinsi D. I. Yogyakarta
telah diperoleh data produksi hasil hutan rimba menurut jenisnya pada
tahun 2001-2015 yang disajikan dalam tabel berikut:
54
Produksi Produksi
No Tahun Hasil Hutan No Tahun Hasil Hutan
(m3) (m3)
5 2005 54.89 13 2013 195.65
6 2006 17.76 14 2014 266.66
7 2007 5.10 15 2015 14.50
8 2008 1120.62
Sumber: BPS Provinsi D. I. Yogyakarta
www.yogyakarta.bps.go.id/linkTabelStatis/view/id/49
Dengan menggambar grafik produksi hasil hutan rimba terhadap
waktu, akan terlihat apakah data tersebut mengandung data pencilan atau
tidak, sehingga diperoleh
1200
Produksi Hasil Hutan
1000
800
600
(m3)
400
200
0
2001 2003 2005 2007 2009 2011 2013 2015
Tahun
Berdasarkan Gambar 2.7 terlihat bahwa data tahun 2001, 2008 dan 2009
jauh di atas data yang lain pada umumnya. Hal ini diperkuat dengan letak
titik pada grafik yang mencolok pada data tahun 2001, 2008 dan 2009,
sehingga data tersebut bila dibandingkan dengan data lainnya memiliki
perbedaan yang sangat signifikan dan dapat diduga sebagai pencilan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
2. Pengaruh Pencilan
Data pengamatan yang mengandung pencilan akan mengganggu
proses analisis data. Keberadaan pencilan dapat berpengaruh pada proses
perhitungan statistik yang akan berdampak pada hasil kesimpulan.
Melalui data pengamatan, diperoleh informasi-informasi penting
yang dapat membantu proses perhitungan. Informasi tersebut dapat berupa
rata-rata. Pada contoh 2.26 diperoleh rata-rata dari keseluruhan
pengamatan sebesar 825.7143. Di sisi lain, jika pengamatan yang
merupakan pencilan (pengamatan ke-6) tidak diikutsertakan dalam proses
perhitungan rata-rata, maka diperoleh rata-rata sebesar 821.667. Pada
contoh berikutnya (contoh 2.27) akan dicari pula rata-rata data. Diperoleh
rata-rata dari keseluruhan pengamatan sebesar 252.0013. Apabila
pengamatan yang merupakan pencilan (pengamatan tahun 2001, 2008, dan
2009) tidak diikutsertakan dalam perhitungan, maka diperoleh rata-rata
sebesar 78.1525. Hal ini terlihat bahwa dari kedua contoh tersebut
menunjukkan adanya perbedaan antara rata-rata keseluruhan pengamatan
dalam data dengan rata-rata data yang dihitung tanpa mengikutsertakan
pencilan. Jadi, keberadaan pencilan dapat memberikan perbedaan pada
perhitungan/hasil analisis data. Perbedaan yang terjadi akibat
meningkatnya pendugaan variansi (pengukuran semakin meluas), selang
data menjadi lebar dan rata-rata yang dihitung tidak dapat menunjukkan
nilai yang sebenarnya (bias).
Seringkali pencilan dihilangkan/dihapuskan untuk meningkatkan
akurasi dari pendugaan. Akan tetapi dalam praktiknya, hal tersebut tidak
dianjurkan karena terkadang pencilan dapat memiliki informasi yang
sangat berguna. Kehadiran data pencilan dapat menunjukkan individu atau
kelompok yang memiliki perilaku/nilai sangat berbeda dari situasi standar
dibanding dengan kumpulan pengamatan yang lain pada data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
3. Pendeteksian Pencilan
3.1. Metode Grafis
Pencilan dapat dilihat berdasarkan grafis (gambar). Dengan
memplot data penelitian ke-i (i=1,2,…,n) dengan n adalah
banyaknya data penelitian, dapat diketahui data tersebut memuat
pencilan atau tidak. Apabila terdapat satu atau beberapa data yang
terletak jauh dari pola grafis pada kumpulan data keseluruhan, maka
hal ini dapat diidentifikasi bahwa data mengandung pencilan.
Metode ini mempunyai keuntungan, yaitu sangat mudah dipahami
karena tidak perlu menggunakan perhitungan rumit untuk mencari
pencilan, serta tampilannya yang menarik karena menampilkan data
secara grafis. Di sisi lain, terdapat pula kelemahan melalui metode
ini, yaitu keputusan bahwa suatu data disebut pencilan sangat
bergantung pada subyektivitas peneliti. Hal ini dikarenakan hanya
mengandalkan visualisasi grafis dan untuk itu dibutuhkan seseorang
yang ahli dan berpengalaman dalam menginterpretasikan grafis
tersebut.
Untuk lebih jelasnya, akan diperlihatkan identifikasi data
pencilan yang terdapat pada contoh berikut.
Contoh 2.28
Dalam suatu penelitian diketahui data jumlah wisatawan
mancanegara dan pengunjung asing yang masuk melalui pintu
Makassar pada tahun 2007 yang disajikan dalam tabel berikut.
57
No Bulan X No Bulan X
4 April 78 14 Februari 79
5 Mei 154 15 Maret 94
6 Juni 36 16 April 78
7 Juli 178 17 Mei 67
8 Agustus 99 18 Juni 112
9 September 323 19 Juli 430
10 Oktober 88
1200
1000
800
600
400
200
0
0 5 10 15 20
Bulan
58
59
60
𝑥
Data titik terbesar dari
1.5 IQR di atas 𝑄3
𝑄3
𝑄2 Pencilan
𝑄1
61
Contoh 2.29
Tabel 2.6. Durasi (dalam menit) periode aktif dari Geyser Old
Faithful
42 45 49 50 51 51 51 51 53 53
55 55 56 56 57 58 60 66 67 67
68 69 70 71 72 73 73 74 75 75
75 75 76 76 76 76 76 79 79 80
80 80 80 81 82 82 82 83 83 84
84 84 85 86 86 86 88 90 91 93
62
Contoh 2.30
Tabel 2.7 memberikan informasi tentang ukuran ketebalan dalam
̇ , dari lapisan oksida untuk 24 wafers (Navidi, 2011:
angstrom (𝐴)
36). Sembilan kali pengukuran dilakukan pada setiap wafer.
Wafers tersebut diproduksi di dalam dua pengukuran secara
terpisah dengan 12 wafers berada di dalam setiap pengukuran.
Kedua belas wafers di dalam setiap pengukuran terdiri dari
beberapa jenis yang berbeda dan diproses dalam beberapa lokasi
tungku yang berbeda. Tujuan dalam mengumpulkan data adalah
untuk menentukan apakah ketebalan lapisan oksida salah satunya
dipengaruhi oleh jenis wafer atau lokasi tungku. Oleh karena itu,
hal yang menjadi sorotan dalam percobaan ini adalah jenis wafer
dan lokasi tungku sebagai faktor-faktornya, dan ketebalan lapisan
oksida sebagai hasilnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
64
Solusi:
Langkah pertama dalam analisis ini adalah membuat sebuah
Boxplot untuk data di masing-masing penilaian untuk membantu
menentukan apakah ditemukan pencilan dan apakah salah satu
pengamatan harus dihapus?
Hasil Boxplot disajikan pada Gambar 2.11.
65
Definisi 2.38
Statistik uji Grubbs diberikan dengan
maks|𝑋𝑖 − 𝑋̅|
𝐺=
𝑠
dengan 𝑋𝑖 adalah pengamatan ke-𝑖, 𝑋̅ dan 𝑠 adalah rata-rata dan
standar deviasi sampel. (Dan, E. D., and Ijeoma, O. A., 2013: 11)
66
(𝑛−1) 𝑡2 ⁄
(𝛼 𝑛,𝑛−2)
H0 ditolak jika 𝐺 > √𝑛−2+𝑡 2 ,
√𝑛 (𝛼⁄𝑛,𝑛−2)
Contoh 2.31
Diketahui data penelitian sebagai berikut
Tabel 2.8. Data Boiler
1200 2566 3120 3728 4206 6500
1206 2635 3137 3748 4268 6565
1515 2680 3163 3775 4526 6928
1965 2735 3211 4006 5651 7606
2048 2974 3698 4065 6454 14791
2000 2972 3590 4023 6387 10825
Temukanlah pencilan di dalam data Boiler tersebut.
Solusi:
Dengan menggunakan Program R (lampiran 1), diperoleh data ke-
30 dan 36, yaitu 14791 dan 10825 terdeteksi sebagai pencilan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
mutlak dari (𝑥𝑖 − 𝑥̃𝑗 (𝑥𝑗 )). (Rousseeuw dan Croux, 1993)
68
BAB III
SELANG KEPERCAYAAN ROBUST
A. Statistika Robust
Bidang statistika robust menjadi penting dalam beberapa dekade terakhir.
Banyak peneliti menggunakan metode statistik 𝑟𝑜𝑏𝑢𝑠𝑡 yang klasik dan
pengembangan teori komprehensif dari kekekaran (𝑟𝑜𝑏𝑢𝑠𝑡𝑛𝑒𝑠𝑠), karena ada
keuntungan dari statistik 𝑟𝑜𝑏𝑢𝑠𝑡.
Dengan digunakannya metode robust, hasil yang diharapkan meskipun
dalam kondisi yang tidak ideal (seperti variansi data terlalu besar dan terdapat
pencilan) akan tetap akurat. Banyak ahli statistik mengatakan bahwa analisis data
statistik harus selalu mempertimbangkan aspek "𝑟𝑜𝑏𝑢𝑠𝑡". Apa yang dimaksud
" 𝑟𝑜𝑏𝑢𝑠𝑡"?
Menurut Kamus Oxford, kata robust dapat didefinisikan sebagai berikut.
(a) (of an object) study in construction.
‘a robust metal cabinet’
(b) (of a system, organization, etc.) able to withstand or overcome adverse
conditions.
‘the country's political system has continued to be robust in spite of its economic
problems’
(c) Uncompromising and forceful.
‘he took quite a robust view of my case’
69
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
yang dapat diandalkan, teori statistik diperlukan untuk jenis penyimpangan model
parametrik. Statistik nonparametrik membolehkan berbagai variasi distribusi
probabilitas, sehingga asumsi distribusi Normal tidak lagi relevan. Namun, ada
juga asumsi yang harus dipenuhi dalam statistik nonparametrik, seperti simetri
dan kontinuitas mutlak. Penyimpangan dari prasyarat ini menyebabkan hasil yang
bias dan terdistorsi. Sifat robust di dalam statistika umumnya menunjukkan
ketidaksensitivan pada penyimpangan di sekitar suatu model probabilistik yang
mendasari (Hoaglin, et al: 2). Statistik robust dapat dilihat sebagai pendekatan
terhadap teori pendugaan model parametrik.
Statistik yang robust adalah cara tepat untuk meringkas hasil, ketika
diduga ada sebagian kecil dalam data yang merupakan pencilan. Sebagian besar
penduga parameter lokasi (misalnya, rata-rata) dan parameter skala (misalnya,
standar deviasi) tergantung pada asumsi implisit, misalnya data merupakan
sampel acak berdistribusi Normal. Tetapi, diketahui bahwa data analitik seringkali
bermula dari suatu model. Distribusi dari suatu data seringkali berbentuk sangat
miring dan terkadang memuat pencilan.
B. Pengujian Robustness
Kurva Sensitivitas
Kurva sensitivitas menunjukkan pengaruh nilai tambahan pada suatu
pengamatan terhadap penduga. Misalkan ada sebuah penduga yang didefinisikan
untuk sampel yang berukuran sembarang 𝑛. Untuk sampel yang berukuran 𝑛 − 1
dengan variabel acak 𝑥1 , … , 𝑥𝑛−1 akan menduga 𝑇𝑛−1 (𝑥1 , … , 𝑥𝑛−1 ). Perubahan
nilai dugaan terjadi ketika adanya suatu nilai yang sama dengan 𝑥 dari sebuah
pengamatan ke-𝑛, yaitu 𝑇𝑛 (𝑥1 , … , 𝑥𝑛−1 , 𝑥) − 𝑇𝑛−1 (𝑥1 , … , 𝑥𝑛−1 ). Kita dapat
membuat perbandingan ukuran sampel dengan mempertimbangkan perubahan
secara proporsional dalam ukuran sampel. Kita bagi perubahan nilai dugaan
dengan 1/𝑛 atau ekuivalen dengan mengalikannya dengan 𝑛. Hasilnya berupa
kurva sensitivitas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Definisi 3.1
Kurva sensitivitas dari penduga 𝑇𝑛 , didefinisikan untuk 𝑛 = 2,3, …, pada sampel
𝑥1 , … , 𝑥𝑛−1 adalah
𝑆𝐶(𝑥; 𝑥1 , … , 𝑥𝑛−1 , 𝑇𝑛 ) = 𝑛{𝑇𝑛 (𝑥1 , … , 𝑥𝑛−1 , 𝑥) − 𝑇𝑛−1 (𝑥1 , … , 𝑥𝑛−1 )}.
Contoh 3.1
Diberikan pengamatan sampel 𝑥1 , … , 𝑥𝑛−1. Pengamatan sampel dengan
penambahan 𝑥, yaitu 𝑥1 , … , 𝑥𝑛−1 , 𝑥. Tentukanlah kurva sensitivitas dari penduga
rata-rata sampel.
Solusi:
∑𝑛
𝑖=1 𝑥𝑖
Penduga 𝑇𝑛 = 𝑥̅ = .
𝑛
Nilai
tambahan
Contoh 3.2
Diberikan data pengamatan sampel berukuran 𝑛 − 1 sebagai berikut.
𝒊 1 2 3 4 5 6 7 8 9
𝒙𝒊 5 6 7 8 9 10 11 12 13
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Tentukanlah kurva sensitivitas dari penduga rata-rata sampel tersebut dengan nilai
tambahan yang berbeda-beda, yaitu 90, 150, 225, 450.
Solusi:
Dengan menggunakan rumus yang telah diperoleh pada Contoh 3.1,
untuk 𝑥𝑛 = 90 * untuk 𝑥𝑛 = 150
𝑛 𝑛−1 𝑛 𝑛−1
𝑛 𝑛
𝑆𝐶(𝑥) = ∑ 𝑥𝑖 − ∑ 𝑥𝑖 𝑆𝐶(𝑥) = ∑ 𝑥𝑖 − ∑ 𝑥𝑖
𝑛−1 𝑛−1
𝑖=1 𝑖=1 𝑖=1 𝑖=1
= 306 − 90 = 531 − 90
= 216 = 441
450
350
SC (x)
250
150
50
0 100 200 300 400
Xn
Dari Gambar 3.1 terlihat bahwa semakin besar nilai tambahan pada data
pengamatan, semakin besar pula nilai dari sensitivitas kurva untuk rata-rata.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Contoh 3.3
Misalkan 𝑛 = 2𝑚 + 1 adalah bilangan ganjil dan penduganya adalah median.
Misalkan 𝑥(1) < ⋯ < 𝑥(𝑛−1) adalah statistik terurut bagi sampel 𝑥1 , … , 𝑥𝑛−1.
Kemudian
1
𝑇𝑛−1 (𝑥1 , … , 𝑥𝑛−1 ) = [𝑥 + 𝑥(𝑚+1) ],
2 (𝑚)
dan
1 𝑛
𝑛 {𝑥(𝑚) − [𝑥(𝑚) + 𝑥(𝑚+1) ]} = [𝑥(𝑚) − 𝑥(𝑚+1) ] jika 𝑥 < 𝑥(𝑚) ,
2 2
1
𝑆𝐶(𝑥) = 𝑛 {𝑥 − [𝑥(𝑚) + 𝑥(𝑚+1) ]} jika 𝑥(𝑚) ≤ 𝑥 ≤ 𝑥(𝑚+1) ,
2
1 𝑛
𝑛 − + 𝑥(𝑚+1) ]} = [𝑥(𝑚+1) − 𝑥(𝑚) ] jika 𝑥 > 𝑥(𝑚+1) .
{ {𝑥(𝑚+1) 2 [𝑥(𝑚) 2
SC (x)
Xn
Contoh 3.4
Diberikan data pengamatan statistik terurut pada sampel berukuran 𝑛 − 1 sebagai
berikut.
𝒊 1 2 3 4 5 6 7 8
𝒙𝒊 5 6 7 8 9 10 11 12
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
Tentukanlah kurva sensitivitas dari penduga median sampel tersebut dengan nilai
tambahan yang sama seperti nilai tambahan pada Contoh 3.2, yaitu 90, 150, 225,
450.
Solusi:
Karena 𝑛 = 9 adalah bilangan ganjil, maka 𝑚 = 4.
Dengan menggunakan rumus pada Contoh 3.3,
untuk 𝑥 = 90 * untuk 𝑥 = 150
𝑛 𝑛
𝑆𝐶(𝑥) = [𝑥(𝑚+1) − 𝑥(𝑚) ] 𝑆𝐶(𝑥) = [𝑥(𝑚+1) − 𝑥(𝑚) ]
2 2
= 4.5(9 − 8) = 4.5(9 − 8)
= 4.5 = 4.5
= 4.5(9 − 8) = 4.5(9 − 8)
= 4.5 = 4.5
5
4
3
SC (x)
2
1
0
0 100 200 300 400
Xn
Dari gambar 3.3 terlihat bahwa semakin besar nilai tambahan pada data
pengamatan, maka nilai dari kurva sensitivitas untuk median adalah suatu nilai
yang konstan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Definisi 3.2
Penduga 𝑀, 𝑇𝑛 (𝑥1 , … , 𝑥𝑛 ) sebagai fungsi 𝜌 dan sampel 𝑥1 , … , 𝑥𝑛 adalah nilai 𝑡
yang meminimalkan fungsi tujuan ∑𝑛𝑖=1 𝜌(𝑥𝑖 ; 𝑡).
76
𝜌(𝑥; 𝑡) = (𝑥 − 𝑡)2 .
Carilah nilai 𝑡.
Solusi:
Akan dicari terlebih dahulu turunan dari 𝜌(𝑥; 𝑡) terhadap 𝑡, yaitu:
𝑑𝜌(𝑥; 𝑡)
𝜌′ (𝑥; 𝑡) = = −2(𝑥 − 𝑡)
𝑑𝑡
Selanjutnya mencari nilai 𝑡 yang memenuhi:
𝑛
∑ 𝜓(𝑥𝑖 ; 𝑡) = 0
𝑖=1
𝑛
∑(𝑥𝑖 − 𝑡) = 0
𝑖=1
𝑛
∑ 𝑥𝑖 − 𝑛𝑡 = 0
𝑖=1
∑𝑛𝑖=1 𝑥𝑖
𝑡= = 𝑥̅ .
𝑛
Karena 𝑡 = ∑𝑛𝑖=1 𝑥𝑖 ⁄𝑛 menyelesaikan persamaan tersebut, maka 𝑇𝑛 benar sebagai
penduga rata-rata sampel. Gambar 3.4 menunjukkan fungsi 𝜌 dan 𝜓 untuk rata-
rata sampel.
(a)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
(b)
Gambar 3.4. Penduga dengan fungsi tujuan kuadrat residual.
(a) Fungsi Tujuan, 𝜌(𝑥; 𝑡) = (𝑥 − 𝑡)2 ; (b) Fungsi 𝜓, 𝜓(𝑥; 𝑡) = 𝑥 − 𝑡.
Definisi 3.3
Misalkan diberikan nilai mutlak 𝑥 yang dinotasikan dengan |𝑥|. Turunan dari nilai
mutlak 𝑥 adalah sebuah fungsi signum yang didefinisikan dengan:
+1 ,𝑥 > 0
sgn(𝑥) = { 0 ,𝑥 = 0
−1 , 𝑥 < 0.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
Contoh 3.7
Temukan turunan 𝑓′(𝑥) dari 𝑓(𝑥) = |𝑥 − 1|.
Solusi:
Misalkan 𝑢 = 𝑥 − 1, diperoleh turunan dari 𝑓(𝑥) adalah sebagai berikut:
+1 ,𝑥 > 1
sgn(𝑢) = { 0 ,𝑥 = 1
−1 , 𝑥 < 1.
Selanjutnya akan dicari solusi untuk Contoh 3.6. Turunan dari 𝜌(𝑥; 𝑡) = |𝑥 − 𝑡|
adalah sebagai berikut:
𝜓(𝑥; 𝑡) = sgn(𝑥 − 𝑡),
dengan 𝑢 = 𝑥 − 𝑡,
+1 ,𝑥 > 𝑡
sgn(𝑢) = { 0 ,𝑥 = 𝑡
−1 , 𝑥 < 𝑡.
Rumus
𝑛 𝑛
∑ 𝜓(𝑥𝑖 ; 𝑡) = ∑ sgn(𝑥𝑖 − 𝑡)
𝑖=1 𝑖=1
menghitung setiap pengamatan yang lebih dari 𝑡 akan bernilai +1 dan setiap
pengamatan yang kurang dari 𝑡 akan bernilai −1, sehingga 𝑡 = median yang
menghasilkan jumlahan nol. Gambar 3.5 menunjukan 𝜌 dan 𝜓 sebagai fungsi
tujuan mutlak residual.
(a)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
(b)
Gambar 3.5. Pendugaan dengan fungsi tujuan mutlak residual.
(a) Fungsi Tujuan, 𝜌(𝑥; 𝑡) = |𝑥 − 𝑡|; (b) Fungsi 𝜓, 𝜓(𝑥; 𝑡) = sgn(𝑥 − 𝑡).
80
Contoh 3.8
Diketahui data sebagai berikut:
Melalui Gambar 3.6 dapat terlihat bahwa data memuat pencilan pada 𝑥 = 9.9.
Langkah selanjutnya adalah menghitung nilai MAD yang memerlukan tahap-
tahap sebagai berikut.
(a) Urutkan setiap pengamatan dalam data dari yang terkecil sampai yang
terbesar, sehingga diperoleh
4.2 4.5 4.9 5.2 5.6 6.2 9.9
81
(a)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
(b)
Gambar 3.7. (a) Kurva Sensitivitas untuk MAD; (b) Kurva
Sensitivitas untuk Standar Deviasi.
Dari grafik tersebut dapat dibaca bahwa adanya pencilan yang sangat kecil
atau sangat besar tidak berpengaruh terhadap MAD (insensitif), tetapi
berpengaruh pada standar deviasi (sensitif).
83
dengan 𝑡 adalah titik 100 (1 − 𝛼/2)% dari distribusi 𝑡 pada derajat bebas
𝑛 − 1. Selang tersebut adalah selang kepercayaan bagi penduga lokasi dan skala
yang lebih efisien untuk distribusi Normal.
Apa yang terjadi jika data tidak berdistribusi Normal, tetapi dari distribusi
yang miring? Karena kedua 𝑥̅ dan 𝑠 mempunyai efisiensi yang rendah, maka
kemungkinan selang akan bervariasi dari sampel yang satu dengan yang lainnya.
Nilai dari rata-rata dan variansi sampel mungkin cukup besar dan cenderung
memberikan selang yang relatif lebar. Oleh karena itu, digunakan cara alternatif
untuk menemukan selang kepercayaan yang 𝑟𝑜𝑏𝑢𝑠𝑡. Berikut diperkenalkan dua
selang kepercayaan robust bagi parameter lokasi, yaitu selang kepercayaan robust
dengan penduga median dan penduga Huber.
Definisi 3.4
Selang kepercayaan robust bagi parameter lokasi dengan penduga median
diberikan dengan
𝑥̃ ± 𝑡1−𝛼⁄2;𝑛−1 𝑆𝐸(𝑥̃),
dengan 𝑥̃ adalah median sampel dan 𝑆𝐸(𝑥̃) adalah galat standar bagi median.
Galat standar bagi median yang diberikan oleh Fraiman et al (2001) adalah
sebagai berikut:
𝑠∗
𝑆𝐸(𝑥̃) = ,
√𝑛
dengan 𝑠 ∗ = (𝑥𝑎 − 𝑥𝑏 )⁄3.4641. Nilai 𝑎 dan 𝑏 dapat diperoleh dengan:
𝑛 √3𝑛 𝑛 √3𝑛
𝑎=2+ dan 𝑏 = 2 − .
2 2
Galat standar bagi median yang diberikan oleh Kendall dan Stuart (2001)
adalah sebagai berikut:
𝜋 𝑠
𝑆𝐸(𝑥̃) = √ × 𝑆𝐸(𝑥̅ ) = 1.2533 × ,
2 √𝑛
dengan 𝑆𝐸(𝑥̅ ) adalah galat standar bagi rata-rata dan 𝑠 adalah standar deviasi
sampel.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
Definisi 3.5
Selang kepercayaan robust berdasarkan penduga Huber diberikan dengan
𝐻𝑢𝑏𝑒𝑟 ± 𝑡1−𝛼⁄2;𝑛−1 (𝑠𝐻𝑢𝑏𝑒𝑟 ),
dengan Huber adalah penduga 𝑀 bagi lokasi dan 𝑠𝐻𝑢𝑏𝑒𝑟 adalah galat standar bagi
penduga Huber yang diberikan dengan
𝑀𝐴𝐷(𝑥)
𝑠𝐻𝑢𝑏𝑒𝑟 =
1.486
BAB IV
SELANG KEPERCAYAAN ROBUST
DENGAN SIMULASI DATA ACAK
85
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
87
88
Keterangan:
Metode selang kepercayaan (SK) yang digunakan, yaitu
1. SK dengan penduga µ menurut Definisi 2.33
2. SK robust dengan penduga median (Fraiman, et al) menurut Definisi 3.4
3. SK robust dengan penduga median (Kendall dan Stuart) menurut Definisi
3.4
4. SK robust dengan penduga Huber menurut Definisi 3.5
Dari temuan yang diperoleh pada Tabel 4.13 di atas dapat disimpulkan bahwa
statistik untuk setiap ukuran sampel rata-rata dan median (Kendall dan Stuart, 2001)
sangat sensitif terhadap kehadiran pencilan, yang ditunjukkan dengan semakin
besarnya galat standar dan semakin lebarnya selang kepercayaan. Sebaliknya, hal
ini tidak terjadi pada penduga robust median (Fraiman, et al) dan penduga Huber.
Kedua penduga menghasilkan galat standar dan lebar selang kepercayaan yang
tetap, meskipun nilai pencilan semakin besar (penduga tidak sensitif terhadap
pencilan). Penduga robust median (Fraiman, et al) adalah penduga robust yang
lebih baik dari penduga Huber, karena memiliki galat standar yang lebih kecil dan
lebar selang kepercayaan yang relatif lebih sempit.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
KESIMPULAN DAN SARAN
A. Kesimpulan
Hasil simulasi data acak dari distribusi Normal, Cauchy, dan Chi-Square
dengan ukuran sampel 𝑛 = 10, 50, 100, 500 untuk setiap distribusi, menemukan
bahwa selang kepercayaan bagi parameter lokasi dengan penduga rata-rata dan
median yang menggunakan galat standar dari Kendall dan Stuart (2001) sangat
sensitif terhadap pencilan. Hal ini terlihat dari semakin besar nilai pencilan,
semakin besar galat standar dan semakin lebar selang kepercayaan untuk setiap
ukuran sampel. Sebaliknya hal ini tidak terjadi pada selang kepercayaan robust bagi
parameter lokasi dengan penduga median yang menggunakan galat standar dari
Fraiman, et al (2001) dan penduga Huber. Kedua penduga menghasilkan galat
standar dan lebar selang kepercayaan yang tetap, meskipun nilai pencilan semakin
besar (penduga tidak sensitif terhadap pencilan). Akan tetapi dari antara penduga
median dengan menggunakan galat standar dari Fraiman, et al (2001) dan penduga
Huber, penduga robust yang paling baik adalah penduga median dengan
menggunakan galat standar dari Fraiman, et al. Hal ini dikarenakan penduga
median tersebut menghasilkan galat standar yang kecil dan membentuk selang
kepercayaan yang relatif lebih sempit.
B. Saran
Penulis sadar bahwa dalam penulisan skripsi ini masih banyak kekurangan.
Oleh sebab itu, penulis mengharapkan kelak ada yang melanjutkan penelitian ini.
Tulisan ini hanya membahas penyelesaian selang kepercayaan robust bagi
parameter lokasi dengan penduga median yang menggunakan galat standar dari
Fraiman, et al (2001), penduga median yang menggunakan galat standar dari
Kendall dan Stuart (2001), dan penduga Huber. Penulis berharap di waktu yang
akan datang, ada yang melanjutkan penulisan ini dengan metode yang lain dan lebih
baik. Misalnya, selang kepercayaan robust bagi parameter skala dengan suatu
penduga yang robust.
89
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR PUSTAKA
Acuna, Edgar., and Rodriguez, Caroline. On Detection of Outliers and Their Effect
in Supervised Classification. Mayaguez: Department of Mathematics.
(https://www.researchgate.net/publication/228965221_On_Detection_Of_Out
liers_And_Their_Effect_In_Supervised_Classification)
Barnett, Vic., and Lewis, T. (1978). Outliers In Statistical Data. First Edition.
Chichester: John Wiley dan Sons.
Cetin, Meral., and Aktas, Serpil. (2008). Confidence Interval Based on Robust
Estimators. Digital Commons, 7 (1): 253-258.
90
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
Leys, C., et al. (2013). Detecting Outliers: Do Not Use Standard Deviation Around
The Mean, Use Absolute Deviation Around The Median. Journal of
Experimental Social Psychology, 3.
Navidi, William. (2011). Statistics for Engineers and Scientists. Third Edition. New
York: The McGraw-Hill Companies.
Staudte, R. G., and Sheater, S. J. (1990). Robust Estimation and Testing. New York:
John Wiley dan Sons.
92
Walpole , R. E., et al. (2012). Probability dan Statistics for Engineers dan
Scientists. Ninth Edition. New York: Prentice Hall.
93
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Berikut ini merupakan list code pada program statistika R versi 3.3.3.
Lampiran 1
Contoh 2.31. Uji Grubbs
> x=scan(file.choose(),skip=0)
Read 36 items
>x
[1] 1200 2566 3120 3728 4206 6500 1206 2635 3137 3748 4268 6565
[13] 1515 2680 3163 3775 4526 6928 1965 2735 3211 4006 5651 7606
[25] 2048 2974 3698 4065 6454 14791 2000 2972 3590 4023 6387 10825
> shapiro.test(x)
data: x
#Pengujian dengan 𝜶 = 𝟎. 𝟎𝟓
> library(outliers)
> library(ggplot2)
> grubbs.flag=function(x) {
+ outliers=NULL
+ test=x
94
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
+ pv <- grubbs.result$p.value
+ pv <- grubbs.result$p.value
+}
+}
> grubbs.flag(x)
X Outlier
1 1200 FALSE
2 2566 FALSE
3 3120 FALSE
4 3728 FALSE
5 4206 FALSE
6 6500 FALSE
7 1206 FALSE
8 2635 FALSE
9 3137 FALSE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
96
10 3748 FALSE
11 4268 FALSE
12 6565 FALSE
13 1515 FALSE
14 2680 FALSE
15 3163 FALSE
16 3775 FALSE
17 4526 FALSE
18 6928 FALSE
19 1965 FALSE
20 2735 FALSE
21 3211 FALSE
22 4006 FALSE
23 5651 FALSE
24 7606 FALSE
25 2048 FALSE
26 2974 FALSE
27 3698 FALSE
28 4065 FALSE
29 6454 FALSE
30 14791 TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
31 2000 FALSE
32 2972 FALSE
33 3590 FALSE
34 4023 FALSE
35 6387 FALSE
36 10825 TRUE
#Plot Pencilan
> ggplot(grubbs.flag(x),aes(x=X,color=Outlier,fill=Outlier))+
+ geom_histogram(binwidth=diff(range(x))/30)+
+ theme_bw()
Lampiran 2
Contoh 3.8. Uji MAD
> x=c(4.5,4.9,5.6,4.2,6.2,5.2,9.9)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
Lampiran 3
Simulasi BAB IV
99
> t=qt(1-(alpha/2),df=n-1)
>t
[1] 1.833113
#Pembentukan Data Setelah Diberi Nilai Tambahan
> ax1=c(a,x[1])
> ax2=c(a,x[2])
> ax3=c(a,x[3])
> ax4=c(a,x[4])
> ax5=c(a,x[5])
#Cek Pencilan dengan Metode Boxplot
> par(mfrow=c(2,3))
> boxplot(ax1)
> boxplot(ax2)
> boxplot(ax3)
> boxplot(ax4)
> boxplot(ax5)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
100
101
> SEmedian.Fraiman.ax4=abs((ax4[o]-ax4[p])/(3.4641*sqrt(n)))
> SEmedian.Fraiman.ax4
[1] 0.2008196
> SEmedian.Fraiman.ax5=abs((ax5[o]-ax5[p])/(3.4641*sqrt(n)))
> SEmedian.Fraiman.ax5
[1] 0.2008196
#Galat standar bagi Median menurut Kendall and Stuart
> SEmedian.Kendall.ax1=sqrt(pi/2)*SExbar.ax1
> SEmedian.Kendall.ax1
[1] 1.539304
> SEmedian.Kendall.ax2=sqrt(pi/2)*SExbar.ax2
> SEmedian.Kendall.ax2
[1] 2.692395
> SEmedian.Kendall.ax3=sqrt(pi/2)*SExbar.ax3
> SEmedian.Kendall.ax3
[1] 5.141287
> SEmedian.Kendall.ax4=sqrt(pi/2)*SExbar.ax4
> SEmedian.Kendall.ax4
[1] 10.12421
> SEmedian.Kendall.ax5=sqrt(pi/2)*SExbar.ax5
> SEmedian.Kendall.ax5
[1] 11.37411
#Galat standar bagi Huber
> SEhuber.ax1=mad(ax1)/1.486
> SEhuber.ax1
[1] 1.486048
> SEhuber.ax2=mad(ax2)/1.486
> SEhuber.ax2
[1] 1.486048
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
> SEhuber.ax3=mad(ax3)/1.486
> SEhuber.ax3
[1] 1.486048
> SEhuber.ax4=mad(ax4)/1.486
> SEhuber.ax4
[1] 1.486048
> SEhuber.ax5=mad(ax5)/1.486
> SEhuber.ax5
[1] 1.486048
#Mencari Nilai Median
> median.ax1=median(ax1)
> median.ax1
[1] 9.541907
> median.ax2=median(ax2)
> median.ax2
[1] 9.541907
> median.ax3=median(ax3)
> median.ax3
[1] 9.541907
> median.ax4=median(ax4)
> median.ax4
[1] 9.541907
> median.ax5=median(ax5)
> median.ax5
[1] 9.541907
#Mencari Nilai Penduga Huber
> require(MASS)
> huber.ax1=huber(ax1)
> huber.ax1
$mu
[1] 9.829877
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
$s
[1] 2.208268
> huber.ax2=huber(ax2)
> huber.ax2
$mu
[1] 9.829877
$s
[1] 2.208268
> huber.ax3=huber(ax3)
> huber.ax3
$mu
[1] 9.829877
$s
[1] 2.208268
> huber.ax4=huber(ax4)
> huber.ax4
$mu
[1] 9.829877
$s
[1] 2.208268
> huber.ax5=huber(ax5)
> huber.ax5
$mu
[1] 9.829877
$s
[1] 2.208268
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
104
105
106
> left.Kendall.ax2
[1] 4.606443
> right.Kendall.ax2=median.ax2+(t*SEmedian.Kendall.ax2)
> right.Kendall.ax2
[1] 14.47737
#Selang Kepercayaan Robust bagi parameter lokasi dengan penduga Huber
> left.huber.ax2=huber.ax2$mu-(t*SEhuber.ax2)
> left.huber.ax2
[1] 7.105782
> right.huber.ax2=huber.ax2$mu+(t*SEhuber.ax2)
> right.huber.ax2
[1] 12.55397
107
> left.Fraiman.ax3
[1] 9.173782
> right.Fraiman.ax3=median.ax3+(t*SEmedian.Fraiman.ax3)
> right.Fraiman.ax3
[1] 9.910032
#Selang Kepercayaan Robust bagi parameter lokasi dengan penduga median
(SE Kendall and Stuart)
> right.Kendall.ax3=median.ax3+(t*SEmedian.Kendall.ax3)
> right.Kendall.ax3
[1] 18.96647
> left.Kendall.ax3=median.ax3-(t*SEmedian.Kendall.ax3)
> left.Kendall.ax3
[1] 0.1173469
#Selang Kepercayaan Robust bagi parameter lokasi dengan penduga Huber
> left.huber.ax3=huber.ax3$mu-(t*SEhuber.ax3)
> left.huber.ax3
[1] 7.105782
> right.huber.ax3=huber.ax3$mu+(t*SEhuber.ax3)
> right.huber.ax3
[1] 12.55397
108
sample estimates:
mean of x
17.52117
#Selang Kepercayaan Robust bagi parameter lokasi dengan penduga median
(SE Fraiman et al)
> right.Fraiman.ax4=median.ax4+(t*SEmedian.Fraiman.ax4)
> right.Fraiman.ax4
[1] 9.910032
> left.Fraiman.ax4=median.ax4-(t*SEmedian.Fraiman.ax4)
> left.Fraiman.ax4
[1] 9.173782
#Selang Kepercayaan Robust bagi parameter lokasi dengan penduga median
(SE Kendall and Stuart)
> left.Kendall.ax4=median.ax4-(t*SEmedian.Kendall.ax4)
> left.Kendall.ax4
[1] -9.016914
> right.Kendall.ax4=median.ax4+(t*SEmedian.Kendall.ax4)
> right.Kendall.ax4
[1] 28.10073
#Selang Kepercayaan Robust bagi parameter lokasi dengan penduga Huber
> left.huber.ax4=huber.ax4$mu-(t*SEhuber.ax4)
> left.huber.ax4
[1] 7.105782
> right.huber.ax4=huber.ax4$mu+(t*SEhuber.ax4)
> right.huber.ax4
[1] 12.55397
#Selang Kepercayaan untuk data ax5
#Selang Kepercayaan Biasa
> t.test(ax5)
One Sample t-test
data: ax5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
110
Lampiran 4
Plot simulasi data acak dari Distribusi Normal (n=10, µ=10, σ=2) antara nilai
tambahan (x) terhadap Galat standar (SE)
> x=c(20,30,50,90,100) #nilai tambahan
> SExbar=c(1.228187,2.14822,4.102154,8.077951,9.075225)
> SEmedian.Fraiman=c(0.2008196,0.2008196,0.2008196,0.2008196,0.2008196)
> SEmedian.Kendall=c(1.539304,2.692395,5.141287,10.12421,11.37411)
> SEhuber=c(1.486048,1.486048,1.486048,1.486048,1.486048)
> plot(x, SExbar, type="o", col="blue", pch="o", lty=1, ylim=c(0,15),
ylab="Galat standar")
> points(x,SEmedian.Fraiman, col="red", pch="*")
> lines(x, SEmedian.Fraiman, col="red", lty=2)
> points(x, SEmedian.Kendall, col="brown", pch="+")
> lines(x, SEmedian.Kendall, col="brown", lty=3)
> points(x, SEhuber, col="black", pch="^")
> lines(x, SEhuber, col="black", lty=4)
>
legend(21,14,legend=c("SExbar","SEmedian.Fraiman","SEmedian.Kendall","SEh
uber"), col=c("blue","red","brown","black"),pch=c("o","*","+","^"),lty=c(1,2,3,4),
ncol=1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
111
Gambar 4.1. Galat standar dari Distribusi Normal (n=10, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
112
Tabel 4.2. Pembangkitan Data dari Distribusi Normal (n=50, µ=10, σ=2)
Gambar 4.2. Galat standar dari Distribusi Normal (n=50, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
113
Tabel 4.3. Pembangkitan Data dari Distribusi Normal (n=100, µ=10, σ=2)
Gambar 4.3. Galat standar dari Distribusi Normal (n=100, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
114
Tabel 4.4. Pembangkitan Data dari Distribusi Normal (n=500, µ=10, σ=2)
Gambar 4.4. Galat standar dari Distribusi Normal (n=500, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
115
Gambar 4.5. Galat standar dari Distribusi Cauchy (n=10, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
116
Tabel 4.6. Pembangkitan Data dari Distribusi Cauchy (n=50, µ=10, σ=2)
Gambar 4.6. Galat standar dari Distribusi Cauchy (n=50, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
117
Tabel 4.7. Pembangkitan Data dari Distribusi Cauchy (n=100, µ=10, σ=2)
Gambar 4.7. Galat standar dari Distribusi Cauchy (n=100, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
118
Tabel 4.8. Pembangkitan Data dari Distribusi Cauchy (n=500, µ=10, σ=2)
Gambar 4.8. Galat standar dari Distribusi Cauchy (n=500, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
119
Gambar 4.9. Galat standar dari Distribusi Chi-Square (n=10, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
120
Tabel 4.10. Pembangkitan Data dari Distribusi Chi-Square (n=50, µ=10, σ=2)
Gambar 4.10. Galat standar dari Distribusi Chi-Square (n=50, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
121
Tabel 4.11. Pembangkitan Data dari Distribusi Chi-Square (n=100, µ=10, σ=2)
Gambar 4.11. Galat standar dari Distribusi Chi-Square (n=100, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
122
Tabel 4.12. Pembangkitan Data dari Distribusi Chi-Square (n=500, µ=10, σ=2)
Gambar 4.12. Galat standar dari Distribusi Chi-Square (n=500, µ=10, σ=2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
123
TABEL 𝒁
z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3.8 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.7 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.6 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.001 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.001 0.001
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.002 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.003 0.0029 0.0028 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.004 0.0039 0.0038 0.0037 0.0036
-2.5 0.0062 0.006 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
-2.4 0.0082 0.008 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.011
-2.1 0.0179 0.0174 0.017 0.0166 0.0162 0.0158 0.0154 0.015 0.0146 0.0143
-2 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.025 0.0244 0.0239 0.0233
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
-1.5 0.0668 0.0655 0.0643 0.063 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.102 0.1003 0.0985
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.123 0.121 0.119 0.117
-1 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.166 0.1635 0.1611
-0.8 0.2119 0.209 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.7 0.242 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.5 0.3085 0.305 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.281 0.2776
-0.4 0.3446 0.3409 0.3372 0.3336 0.33 0.3264 0.3228 0.3192 0.3156 0.3121
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.352 0.3483
-0.2 0.4207 0.4168 0.4129 0.409 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
0 0.5 0.496 0.492 0.488 0.484 0.4801 0.4761 0.4721 0.4681 0.4641
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
124
(lanjutan) TABEL 𝒁
125
TABEL DISTRIBUSI-𝒕
𝜶
df
0.25 0.2 0.15 0.1 0.05 0.025 0.02 0.01 0.005 0.0025 0.001 0.0005
1 1 1.376 1.963 3.078 6.31 12.7 15.9 31.82 63.65 127.3 318.3 636.619
2 0.817 1.061 1.386 1.886 2.92 4.303 4.849 6.965 9.925 14.08 22.33 31.599
3 0.765 0.979 1.25 1.638 2.353 3.182 3.482 4.541 5.841 7.453 10.22 12.924
4 0.741 0.941 1.19 1.533 2.132 2.776 2.999 3.747 4.604 5.598 7.173 8.61
5 0.727 0.92 1.156 1.476 2.015 2.571 2.757 3.365 4.032 4.773 5.893 6.869
6 0.718 0.906 1.134 1.44 1.943 2.447 2.612 3.143 3.707 4.317 5.208 5.959
7 0.711 0.896 1.119 1.415 1.895 2.365 2.517 2.998 3.499 4.029 4.785 5.408
8 0.706 0.889 1.108 1.397 1.86 2.306 2.449 2.896 3.355 3.833 4.501 5.041
9 0.703 0.883 1.1 1.383 1.833 2.262 2.398 2.821 3.25 3.69 4.297 4.781
10 0.7 0.879 1.093 1.372 1.812 2.228 2.359 2.764 3.169 3.581 4.144 4.587
11 0.697 0.876 1.088 1.363 1.796 2.201 2.328 2.718 3.106 3.497 4.025 4.437
12 0.696 0.873 1.083 1.356 1.782 2.179 2.303 2.681 3.055 3.428 3.93 4.318
13 0.694 0.87 1.079 1.35 1.771 2.16 2.282 2.65 3.012 3.372 3.852 4.221
14 0.692 0.868 1.076 1.345 1.761 2.145 2.264 2.624 2.977 3.326 3.787 4.14
15 0.691 0.866 1.074 1.341 1.753 2.131 2.249 2.602 2.947 3.286 3.733 4.073
16 0.69 0.865 1.071 1.337 1.746 2.12 2.235 2.583 2.921 3.252 3.686 4.015
17 0.689 0.863 1.069 1.333 1.74 2.11 2.224 2.567 2.898 3.222 3.646 3.965
18 0.688 0.862 1.067 1.33 1.734 2.101 2.214 2.552 2.878 3.197 3.61 3.922
19 0.688 0.861 1.066 1.328 1.729 2.093 2.205 2.539 2.861 3.174 3.579 3.883
20 0.687 0.86 1.064 1.325 1.725 2.086 2.197 2.528 2.845 3.153 3.552 3.85
21 0.686 0.859 1.063 1.323 1.721 2.08 2.189 2.518 2.831 3.135 3.527 3.819
22 0.686 0.858 1.061 1.321 1.717 2.074 2.183 2.508 2.819 3.119 3.505 3.792
23 0.685 0.858 1.06 1.319 1.714 2.069 2.177 2.5 2.807 3.104 3.485 3.768
24 0.685 0.857 1.059 1.318 1.711 2.064 2.172 2.492 2.797 3.091 3.467 3.745
25 0.684 0.856 1.058 1.316 1.708 2.06 2.167 2.485 2.787 3.078 3.45 3.725
26 0.684 0.856 1.058 1.315 1.706 2.056 2.162 2.479 2.779 3.067 3.435 3.707
27 0.684 0.855 1.057 1.314 1.703 2.052 2.158 2.473 2.771 3.057 3.421 3.69
28 0.683 0.855 1.056 1.313 1.701 2.048 2.154 2.467 2.763 3.047 3.408 3.674
29 0.683 0.854 1.055 1.311 1.699 2.045 2.15 2.462 2.756 3.038 3.396 3.659
30 0.683 0.854 1.055 1.31 1.697 2.042 2.147 2.457 2.75 3.03 3.385 3.646
40 0.681 0.851 1.05 1.303 1.684 2.021 2.123 2.423 2.704 2.971 3.307 3.551
50 0.679 0.849 1.047 1.299 1.676 2.009 2.109 2.403 2.678 2.937 3.261 3.496
60 0.679 0.848 1.045 1.296 1.671 2 2.099 2.39 2.66 2.915 3.232 3.46
80 0.678 0.846 1.043 1.292 1.664 1.99 2.088 2.374 2.639 2.887 3.195 3.416
100 0.677 0.845 1.042 1.29 1.66 1.984 2.081 2.364 2.626 2.871 3.174 3.39
1000 0.675 0.842 1.037 1.282 1.646 1.962 2.056 2.33 2.581 2.813 3.098 3.3
∞ 0.674 0.841 1.036 1.282 1.645 1.96 2.054 2.326 2.576 2.807 3.09 3.291