PENDAHULAN
A. Pengertian
Istilah statistik berasal dari bahasa latin “status” yang artinya suatu negara. Suatu kegiatan
pengumpulan data yang ada hubungannya dengan kenegaraan, misalnya data mengenai
penduduk, data mengenai penghasilan dan sebagainya, yang lebih berfungsi untuk melayani
keperluan administrasi. Sedangkan Statistik dalam Bahasa Inggris berasal dari kata statistics
yang artinya suatu ilmu yang mempelajari cara-cara pengumpulan data, penyajian, analisis dan
pengambilan keputusan yang berdasarkan pada data yang terkumpul tersebut.
B. Penggolongan Statistik
1. Statistik Deskriptif
Adalah statistik yang tikat pekerjaannya mencakup cara-cara menghimpu, menyusun atau
mengatur, mengolah, menyajikan dan menganalisis data angka agar dapat memberikan
gambaran yang teratur, ringkas dan jelas mengenai suatu gejala atau peristiwa tertentu.
2. Statistik Induktif / Statistik Inferensial
Adalah statistik yang menyediakan aturan atau cara yang dapat dipergunakan sebagai alat
dalam rangka mencoba menarik kesimpulan yang bersifat umum dari sekumpulan data yang
telah disusun dan diolah. Statistika inferensial merupakan langkah akhir dari tugas statistika
karena dalam setiap penelitian kesimpulan inilah yang diinginkan. Statistika inferensial harus
berdasar pada statistika deskriptif, sehingga kedua-duanya harus ditempuh secara benar agar
kita mendapatkan kegunaan maksimal dari statistika ini.
Yang masih tercakup dalam statistika inferensial adalah statistik parametrik dan non-
parametrik. Statistik parametrik merupakanstatistika inferensial yang mempertimbangkan nilai
dari satu parameter populasi atau lebih dan umumnya membutuhkan data yang skala
pengukuran minimalnya adalah interval dan rasio. Statistika parametrik adalah suatu ukuran
tentang parameter, artinya ukuran seluruh populasi dalam penelitian yang harus diperkirakan
dari apa yang terdapat di dalam sampel (karakteristik populasi).
1
b. Kegunaan Statistik
1) memperoleh gambaran baik gambaran secara khusus maupun gambaran secara umum
tentang suatu gejala, keadaan atau peristiwa.
2) Mengikuti perkembangan atau pasang surut mengenai gejala, keadaan atau peristiwa
tersebut dari waktu ke waktu.
3) Melakukan pengujian, apakah gejala yang satu berbeda dengan gejala yang lain ataukah
tidak, jika terdapat perbedaan itu merupakan perbedaan yang berarti atau perbedaan itu
terjadi hanya secara kebetulan saja.
4) Mengetahui apakah yang satu ada hubungannya dengan gejala lain.
5) Menyusun laporan yang berupa data kuantitatif dengan teratur, ringkas dan jelas.
6) Menarik kesimpulan secara logis, mengambil keputusan secara tepat dan mantap.
D. Pembagian Statistik
Data menurut waktu pengumpulannya :
- Data Cross Section : Data yang dikumpulkan dalam suatu periode tertentu.
Contoh : hasil sensus pendudk Indonesia tahun2010 menggambarkan keadaan Indonesia
tahun 2010 menurut umur, jenis kelamin, agama, tingkat pendidikan dan sebagainya.
- Data Time Series : Data yang dikumpulkan dari waktu ke waktu. Tujuannnya adalah untuk
menggambarkan perkembangan suatu kegiatan dari waktu ke waktu.
Contoh : perkembangan produksi kedelai selama lima tahun terakhir.
Data yang salah apabila digunakan sebagai dasar pengambilan keputusan, akan menghasilkan
keputusan yang salah. Oleh kerana itu diperlukan beberapa kriteria data yang baik dan dapat
digunakan sebagai dasar pengambilan keputrusan, antara lain :
a. Objektif
Data yang objektif berarti data yang disajikan harus sesuai dengan keadaan yang
sebenarnya.
Contoh : Harga atuan barang Rp 500.000 dilaporkan Rp 600.000, walaupun ada kuitansi
tetapi tetap tidak objektif.
b. Representatif (mewakili)
Data harus mewakili objek yang diamati.
Contoh : jika laporan produksi padi dari swah-sawah yang subur saja, tentu hal ini tidak
mewakili.
c. Kesalahan Sampling (sampling error) kecil
Suatu perkiraan (estimate) dikatakan (mempunyai tingkat ketelitian yang tinggi) apabila
terdapat kesalahan sampling yang kecil.
Ketiga syarat tersebut sering disebut syarat data yang dapat diandalkan (reliable). Sedangkan
kedua syarat berikutlebih menunjukan manfaat atau kegunaannya, yaitu :
• Tepat Waktu
Apabila data yang dipergunakan untuk melakukan pengendalian atau evaluasi, maka
syarat tepat waktu ini penting seklai agar sempat dilakukan penyesuaian atau koreksi
seperlunya jika terdapat kesalahan atau penyimpangan.
• Relevan
Data yang dikumpulkan harus ada hubungannya dengan masalah yang akan dipecahkan.
Contoh : pemerintah mencari data faktor-faktor yang mempengaruhi penurunan
produksi kedelai beberapa tahun terakhir
2
E. Variabel Penelitian dan Pengukurannya
Dalam bahasa sehari-hari, variabel penelitian sering diartikan sebagai ”faktor-faktor yang
dikaji dalam penelitian”. Menurut konsep aslinya yang dimaksud variabel adalah konsep yang
memiliki keragaman nilai. Meskipun demikian pemahaman yang mengartikan variabel sebagai
faktor-faktor yang akan dikaji dalam penelitian juga dapat diterima mengingat bahwa kegiatan
penelitian memang terpusat pada upaya memahami, mengukur, dan menilai keterkaitan antar
variabel-variabel tersebut. Tentang hal ini perlu diperhatikan bahwa variabel penelitian bukanlah
dikembangkan atau dirumuskan berdasarkan angan-angan atau intuisi peneliti, tetapi harus
ditetapkan berdasarkan kajian pustaka. Itu juga berlaku pada penelitian Grounded maupun
Penelitian Partisipatif.
Bedanya adalah dalam penelitian pada umumnya variabel lebih mengacu pada teori dan atau
hasil-hasil penelitian yang telah biasa dilakukan tentang Topik atau Judul yang sama. Sedang
dalam penelitian Grounded dan Partisipatif lebih mengacu pada data/fakta penagalaman empiris
baik yang dilakukan oleh praktisi maupun para peneliti setempat.
Ragam Variabel
a. Keragaman Variabel Menurut Kedudukan Atau Fungsinya
Dalam penelitian inferensial dibedakan adanya dua macam variabel utama yaitu variabel
terpengaruh (dependent variabel) dan variabel pengaruh (independent variabel).
Variabel pengaruh adalah variabel yang keberadaanya dalam kerangka berpikir bersifat
menentukan atau mempengaruhi variabel terpengaruh dan sebaliknya variabel
terpengaruh adalah variabel yang keberadaanya senantiasa dipengaruhi atau tergantung pada
tiap-tiap atau keseluruhan variabel-variabel pengaruh. Dengan kata lain ”nilai” variabel
terpengaruh sangat dipengaruhi oleh besarnya nilai masing-masing atau keseluruhan variabel
pengaruh yang terkait.
b. Keragaman variabel menurut skala pengukurannya
Dilihat dari ragam skala pengukurannya variabel dapat dibedakan dalam variabel diskrit
yaitu variabel-variabel yang hanya dapat diukur dengan skala nominal dan variabel continuous
yaitu variabel yang dapat diukur dengan menggunakan skala-skala: ordinal, interval maupun
rasio.
• Skala nominal
Yang dimaksud skala nominal adalah skala pengukuran yang hanya menunjukan
perbedaan tanpa jarak yang jelas. Kepada variabel tersebut dapat diberi nilai skor, tapi skor
tersebut hanya menunjukkan kode perbedaan dan bukannya menunjukkan jarak (lebih besar,
lebih tinggi).
Misalnya, variabel agama:
Islam: 5 Hindu: 2
Kristen: 4 Budha: 1
Katolik: 3
Angka atau nilai yang diberikan hanyalah sekedar menunjukan perbedaan bahwa 5
bukanlah 3 atau 1 bukanlah 4. Tetapi itu tidak berarti bahwa islam lebih tinggi kedudukannya
dibanding katolik atau budha lebih tinggi rendah dibanding kristen.
Berkaitan dengan skala pengukuran nominal tersebut karena tidak menunjukan jarak
maka tidak boleh: dijumlah, dikurangkan, dibagi atau dikalikan. Karena itu
penggunaan dummy-variabel dalam analisis Regresi (misal untuk jenis kelamin) yang
memberikan nilai ya=1 dan tidak=0 atau 10 dan 1 perlu dicermati lebih lanjut karena pria
3
dibanding wanita tidaklah 1:0 atau 10:1. Oleh karena dalam menentukan gambaran umum
tidak boleh menggunakan nilai rataan (mean) melainkan hanya dengan melihat sebaran
frekuensi yaitu dengan menetapkan frekuensi yang tersebar (modus). Sehingga pernyataanya
bukan lagi: rata-rata penduduk Indonesia melainkan sebagian besar penduduk Indonesia.
• Skala ordinal
Berbeda dengan skala nominal skala ordinal adalah skala pengukuran yang disamping
menunjukkan perbedaan juga menunjukkan jenjang atau tingkatan tetapi jarak antar skala atau
jenjang/skala tidak sama.
Pengukuran skala ini juga dapat menggunakan nilai skor, tapi skor yang diberikan juga
tidak boleh dijumlahkan, dikurangkan, dibagi atau dikalikan.
Contoh, tingkat kecerdikan:
Manusia: 10 Tikus: 4
Kancil: 8 Kelinci: 3
Kera: 7 Semut: 1
Pada contoh tersebut pemberian nilai skor yang lebih tinggi tidak saja memiliki
perbedaan tetapi sekaligus juga menunjukkan kelebihan atau aras yang lebih tinggi dibanding
yang bernilai skor lebih rendah.
Meskipun perbedaan kecerdikan manusia dan kancil = 2, sementara perbedaan antara
kera dan kancil = 1, bukan berarti perbedaan kecerdikan yang dimiliki manusia dan kancil =
2x perbedaan antara kancil dan kera.
Demikian pula meskipun skor kecerdikan manusia = 10 sementara kera = 5 dan kelinci
= 3 itu tidak berarti bahwa kecerdikan manusia = kecerdikan kera + kecerdikan kelinci.
Berkaitan dengan sifat-sifat skala ordinal tersebut maka penarikan nilai rataan (mean)
juga tidak dapat dilakukan melainkan cukup hanya dengan mengukur nilai tengah (median)
atau tendensi sentralnya. Pengukuran rataan hanya bisa dilakukan manakala dilakukan
pembobotan terlebih dahulu kemudian dilakukan penjumlahan serta penilain rataannya.
4
Suatu variabel boleh jadi variabel bebas pada satu penelitian tetapi variabel tak bebas
pada penelitian lain. Misalnya konservatisme politik (variabel bebas) diselidiki pengaruhnya
pada proses pembuatan keputusan. Pada penelitian lain, afiliasi dengan kelompok dianggap
mempengaruhi konservatisme politik (variabel tak bebas). Jadi sebetulnya klasifikasi
variabel dalam variabel bebas dan variabel tak bebas bergantung pada maksud penelitian.
2) variabel aktif dan variabel atribut
Dalam penelitian eksperimental kita berhadapan dengan variabel yang dapat kita
manipulasikan dan variabel yang sudah jadi dan tidak dapat kita kendalikan. Kita dapat
mengendalikan temperatur ruangan, atau tingkat hukuman yang diberikan guru pada murid,
atau jumlah frekuensi kekerasan dalam acara televisi, atau jumlah insentif dalam kampanye
Keluarga Berencana. Tapi kita tidak dapat mengendalikan umur, tingkat kecerdasan, status
sosial, atau jenis kelamin. Variabel dalam kelompok contoh pertama disebut variabel aktif;
dalam contoh kedua disebut variabel atribut. Satu-satunya cara meneliti variabel atribut
tertentu ialah mengelompokkan subyek penelitian dalam kategori variabel atribut tertentu
dan membandingkannya dengan subyek penelitian dalam kategori variabel atribut yang lain.
3) variabel kontinyu dan variabel diskret
Variabel kontinyu adalah variabel yang secara teoritis dapat mempunyai nilai yang
bergerak tak terbatas antara dua nilai. Tinggi orang boleh jadi 1.5 m; 1,534 m; 1,5348 m dan
seterusnya, bergantung pada kecermatan pengukuran. Variabel diskret hanya mempunyai
satu nilai tertentu saja. Jumlah anak yang dimiliki adalah variabel diskret yang mempunyai
nilai 1,2,3,4,5 dan seterunya dan tidak mungkin 1,5; 1,37; atau 2,5. dalam variabel diskret
tidak ada nilai pecahan.
Umur X
Tinggi badan X
Jumlah anggota X
produktivitas X
Pendefinisian atau pemberian pengertian yang jelas terhadap variabel tersebut sangat
diperlukan karena merupakan panduan bagi pengukuran dan data yang diperlukan serta perumusan
instrumen pengumpulan datanya.
Berkaitan dengan penetapan ukuran-ukuran tersebut ada dua pendekatan yang dapat
dilakukan yaitu pendekatan ”ethic” yang dikembangkan peneliti dengan konsep atau pandangan
diluar obyek yang diteliti, dan pendekatan ”emic” yang dikembangkan dari obyek yang diteliti atau
menurut ukuran yang disepakati oleh obyek peneliti itu sendiri.
Pengukuran skala ini sangat penting kaitannya dengan alat analisis yang akan digunakan.
Oleh sebab itu segera setelah perumusan definisi dan pengukuran variabel ini perlu dilakukan kaji
ulang terhadap Judul Penelitian yang diajukan.
Contoh: Judul tentang Pengaruh perlu segera diganti dengan Hubungan, manakala skala
pengukuran tidak dapat dilakukan seluruhnya dengan skala interval/rasio.
5
Definisi Variabel
Pengertian variabel
Variabel adalah konsep yang memiliki keragaman nilai.Tentang hal ini perlu diperhatikan
bahwa variabel penelitian bukanlah dikembangkan atau dirumuskan berdasarkan angan-angan atau
intuisi peneliti, tetapi harus ditetapkan berdasarkan kajian pustaka
Ragam Variabel
1. Keragaman Variabel Menurut Kedudukan Atau Fungsinya
Variabel pengaruh adalah variabel yang keberadaanya dalam kerangka berpikir bersifat
menentukan atau mempengaruhi variabel terpengaruh . Variabel terpengaruh adalah variabel
yang keberadaanya senantiasa dipengaruhi atau tergantung pada tiap-tiap atau keseluruhan
variabel-variabel pengaruh.
✓ Skala ordinal
Berbeda dengan skala nominal skala ordinal adalah skala pengukuran yang
disamping menunjukkan perbedaan juga menunjukkan jenjang atau tingkatan tetapi
jarak antar skala atau jenjang/skala tidak sama. Pengukuran skala ini juga dapat
menggunakan nilai skor, tapi skor yang diberikan juga tidak boleh dijumlahkan,
dikurangkan, dibagi atau dikalikan
✓ Skala interval dan rasio
Skala interval adalah skala yang mempunyai jarak jika dibanding dengan jarak
lain sedang jarak itu diketahui dengan pasti. Skala rasio adalah skala perbandingan.
Skala ini dalam hubungan antar sesamanya merupakan ”sekian kali”
3. Pengukuran definisi variabel dan pengukurannya
Yang dimaksud dengan definisi variabel adalah pengertian yang diberikan kepada setiap
variabel penelitian termasuk indikator parameternya. Berdasarkan banyak nilai, ada variabel
dikotomi (dua nilai) atau politomi (banyak nilai). Sedangkan dalam penelitian variabel dibagi
dalam tiga kategori yaitu: (1) variabel bebas dan tidak bebas, (2) variabel aktif dan atribut,
dan (3) variabel kontinyu dan diskret.
6
BAB II
STATISTIK PARAMATRIK
A. Pendahuluan
Saat kita hendak melakukan suatu riset, seringkali kita dihadapkan pada pilihan metode.
Metode statistik apakah yang cocok digunakan dalam riset kita tersebut. Dalam mempelajari
statistik, biasanya kita langsung dihadapkan pada metode statistik parametrik, padahal tidak
semua data cocok diolah dengan statistik parametrik. Walaupun perkembangan statistik
parameter sudah sedemikian canggih namun statistik parametrik memiliki beberapa
kekurangan, misalnya pada masalah-masalah sosial yang memiliki skala nominal dan rasio,
statistik parametrik tidak mampu mengukur dengan baik. Kalaupun bisa, hal tersebut
merupakan upaya yang berlebihan (excessively method). Maka Statistik parametrik digunakan
jika kita telah mengetahui model matematis dari distribusi populasi suatu data yang akan
dianalisis. Jika kita tidak mengetahui suatu model distribusi populasi dari suatu data dan jumlah
data relatif kecil atau asumsi kenormalan tidak selalu dapat dijamin penuh,maka kita harus
menggunakan statistik non parametrik (statistik bebas distribusi).
B. Pengertian
Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis sebaran atau
distribusi data, yaitu apakah data menyebar secara normal atau tidak. Dengan kata lain, data
yang akan dianalisis menggunakan statistik parametrik harus memenuhi asumsi normalitas.
Pada umumnya, jika data tidak menyebar normal, maka data seharusnya dikerjakan dengan
metode statistik non-parametrik, atau setidak-tidaknya dilakukan transformasi terlebih dahulu
agar data mengikuti sebaran normal, sehingga bisa dikerjakan dengan statistik
parametrik. Statistika Parametrik (Metode Kuantitatif) adalah metode statistika yang
menyangkut pendugaan parameter, pengujian hipotesis, pembentukan selang kepercayaan, dan
hubungan antara dua sifat (peubah) atau lebih bagi parameterparameter yang mempunyai
sebaran (distribusi normal) tertentu yang diketahui.
C. Prosedur Penggunaan
Prosedur penggunaan statistika parametrik harus mempertimbangkan:
1. Penentuan Hipotesis
2. Pemilihan uji statistika (alat analisis)
3. Penentuan
4. Taraf Nyata αdan ukuran cuplikan (n)
5. Menentukan sebaran cuplikan (Sampling distribution)
6. Penentukan daerah penolakan Ho
7. Pengambilan keputusan dan penarikan kesimpulan.
D. Keunggulan dan Kelemahan Statistik Parametrik
Keunggulan :
1. Syarat syarat parameter dari suatu populasi yang menjadi sampel biasanya tidak diuji dan
dianggap memenuhi syarat, pengukuran terhadap data dilakukan dengan kuat.
2. Observasi bebas satu sama lain dan ditarik dari populasi yang berdistribusi normal serta
memiliki varian yang homogen.
7
Kelemahan :
8
BAB III
DISTRIBUSI SAMPLING
1. Pendahuluan
Rata-Rata : (my) x
Selisih 2 Rata-rata 1 − 2 : nilai mutlak x1 − x 2 : nilai mutlak
9
Sampel Acak = Contoh Random → dipilih dari populasi di mana setiap anggota populasi
memiliki peluang yang sama terpilih menjadi anggota ruang sampel.
• Beberapa Teknik Penarikan Sampel :
a. Penarikan Sampel Acak Sederhana (Simple Randomized Sampling)
Pengacakan dapat dilakukan dengan : undian, tabel bilangan acak, program komputer.
b. Penarikan Sampel Sistematik (Systematic Sampling)
Tetapkan interval lalu pilih secara acak anggota pertama sampel
Contoh : Ditetapkan interval = 20
Secara acak terpilih : Anggota populasi ke-7 sebagai anggota ke-1 dalam
sampel
maka :
Anggota populasi ke-27 menjadi anggota ke-2 dalam sampel
Anggota populasi ke-47 menjadi anggota ke-3 dalam sampel, dst.
c. Penarikan Sampel Acak Berlapis (Stratified Random Sampling)
Populasi terdiri dari beberapa kelas/kelompok. Dari setiap kelas diambil sampel secara
acak.
Perhatikan !!!!
Antar Kelas bersifat (cenderung) berbeda nyata (heterogen). Anggota dalam suatu kelas
akan (cenderung) sama (homogen).
Contoh :
Dari 1500 penumpang KA (setiap kelas memiliki ukuran yang sama) akan diambil
150 orang sebagai sampel, dilakukan pendataan tentang tingkat kepuasan, maka
sampel acak dapat diambil dari :
Kelas Eksekutif : 50 orang
Kelas Bisnis : 50 orang
Kelas Ekonomi : 50 orang
d. Penarikan Sampel Gerombol/Kelompok (Cluster Sampling)
Populasi juga terdiri dari beberapa kelas/kelompok, Sampel yang diambil berupa kelompok
bukan individu anggota
Perhatikan !!!!
Antar Kelas bersifat (cenderung) sama (homogen). Anggota dalam suatu kelas akan
(cenderung) berbeda (heterogen).
Contoh :
Terdapat 40 kelas untuk tingkat II Jurusan Ekonomi-GD, setiap kelas terdiri dari 100 orang.
Populasi mahasiswa kelas 2, Ekonomi-UGD = 40 100 = 4000.
Jika suatu penelitian dilakukan pada populasi tersebut dan sampel yang diperlukan = 600
orang, dilakukan pendataan mengenai lama waktu belajar per hari maka sampel dapat
diambil dari 6 kelas.... Dari 40 kelas, ambil secara acak 6 kelas.
e. Penarikan Sampel Area (Area Sampling)
Prinsipnya sama dengan Cluster Sampling.
Pengelompokan ditentukan oleh letak geografis atau administratif.
10
Contoh : Pengambilan sampel di daerah JAWA BARAT, dapat dilakukan dengan
memilih secara acak KOTAMADYA tempat pengambilan sampel, misalnya terpilih,
Kodya Bogor, Sukabumi dan Bandung,
Sampel acak menjadi dasar penarikan sampel lain. Selanjutnya, pembahasan akan menyangkut
Penarikan Sampel Acak.
• Penarikan Sampel Acak dapat dilakukan dengan 2 cara, yaitu :
a. Penarikan sampel tanpa pemulihan/tanpa pengembalian : setelah didata, anggota
sampel tidak dikembalikan ke dalam ruang sampel
b. Penarikan sampel dengan pemulihan : bila setelah didata, anggota sampel
dikembalikan ke dalam ruang sampel.
• Berdasarkan Ukurannya, maka sampel dibedakan menjadi :
a. Sampel Besar jika ukuran sampel (n) 30
b. Sampel Kecil jika ukuran sampel (n) < 30
Distribusi Penarikan Sampel = Distribusi Sampling
• Jumlah Sampel Acak yang dapat ditarik dari suatu populasi adalah sangat banyak.
• Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel.
• Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat tergantung dari sampel
yang kita ambil.
• Karena statistik sampel adalah peubah acak maka ia mempunyai distribusi yang kita sebut
sebagai : Distribusi peluang statistik sampel = Distribusi Sampling = Distribusi Penarikan
Sampel
Statistik sampel yang paling populer dipelajari adalah Rata-Rata ( x )
(masih ingat kan, keunggulan rata-rata dibandingkan modus dan median ? )
2. Distribusi Sampling Rata-Rata
Beberapa notasi :
n : ukuran sampel N : ukuran populasi
x : rata-rata sampel : rata-rata populasi
s : standar deviasi sampel : standar deviasi populasi
x : rata-rata antar semua sampel
x : standar deviasi antar semua sampel = standard error = galat baku
11
2.1 Distribusi Sampling Rata-rata Sampel Besar
DALIL 1
JIKA
Sampel:
berukuran = n 30 diambil DENGAN PEMULIHAN dari
rata-rata = x
Populasi berukuran = N
Terdistribusi NORMAL
Rata-rata = ; simpangan baku =
MAKA
Distribusi Rata-rata akan mendekati distribusi Normal dengan :
x−
x = dan x = dan nilai z =
n n
DALIL 2
JIKA
Sampel:
berukuran = n 30 diambil TANPA PEMULIHAN dari
rata-rata = x
Populasi berukuran = N
Terdistribusi NORMAL
Rata-rata = ; simpangan baku =
MAKA
Distribusi Rata-rata akan mendekati distribusi Normal dengan :
N −n x−
x = dan x = dan nilai z =
n N −1 N −n
( / n )
N −1
N −n
• disebut sebagai FAKTOR KOREKSI populasi terhingga.
N −1
• Faktor Koreksi (FK) akan menjadi penting jika sampel berukuran n diambil dari populasi
berukuran N yang terhingga/ terbatas besarnya
• Jika sampel berukuran n diambil dari populasi berukuran N yang sangat besar maka FK akan
N −n
mendekati 1 → 1 , hal ini mengantar kita pada dalil ke-3 yaitu DALIL LIMIT
N −1
PUSAT = DALIL BATAS TENGAH = THE CENTRAL LIMIT THEOREM
12
Dalil 3 ( DALIL LIMIT PUSAT)
JIKA
Sampel:
berukuran = n diambil dari
rata-rata = x
Populasi berukuran = N yang BESAR
distribusi : SEMBARANG
Rata-rata = ; simpangan baku =
MAKA
Distribusi Rata-rata akan mendekati distribusi Normal dengan :
x−
x = dan x = dan nilai z =
n n
• Dalil Limit Pusat berlaku untuk : - penarikan sampel dari populasi yang sangat besar,
- distribusi populasi tidak dipersoalkan
• Beberapa buku mencatat hal berikut : Populasi dianggap BESAR jika ukuran sampel
n
KURANG DARI 5 % ukuran populasi atau 5%
N
Dalam pengerjaan soal DISTRIBUSI SAMPLING RATA-RATA perhatikan asumsi-asumsi
dalam soal sehingga anda dapat dengan mudah dan tepat menggunakan dalil-dalil tersebut!
Contoh 1:
PT AKUA sebuah perusahaan air mineral rata-rata setiap hari memproduksi 100 juta gelas air
mineral. Perusahaan ini menyatakan bahwa rata-rata isi segelas AKUA adalah 250 ml dengan
standar deviasi = 15 ml. Rata-rata populasi dianggap menyebar normal.
1. Jika setiap hari diambil 100 gelas AKUA sebagai sampel acak DENGAN
PEMULIHAN, hitunglah :
a. standard error atau galat baku sampel tersebut?
b. peluang rata-rata sampel akan berisi kurang dari 253 ml?
253 − 250 3
z= = = 2.0
15
. 15
.
Jadi P( x < 253) = P(z < 2.0) = 0.5 + 0.4772 = 0.9772 = 97.72%
N = 500 x = = 165 = 12 n = 36
n 36
Catatan = = 0.072 = 7.2% > 5% → Dalil Limit Pusat tidak dapat digunaka
N 500
Ditanyakan : P( x < 160) = P(z < ?)
N −n 500 − 36 464
FK = = = = 0.929... = 0.964...
N −1 500 − 1 499
12
GALAT BAKU x = x FK = 0.964... = 2 x 0.964... = 1.928...
n 36
14
160 − 165
z= = −2.59...
1928
. ...
P( x < 160) = P(z < -2.59) = 0.5 - 0.4952 = 0.0048
DISTRIBUSI t
• Distribusi Sampling didekati dengan distribusi t Student = distribusi t (W.S. Gosset).
• Lihat Buku Statistika-2, hal 177
Distribusi-t pada prinsipnya adalah pendekatan distribusi sampel kecil dengan distribusi
normal.
Dua hal yang perlu diperhatikan dalam Tabel t adalah 1. derajat bebas (db)
2. nilai
• Derajat bebas (db) = degree of freedom = v = n - 1.
n : ukuran sampel.
• Nilai adalah luas daerah kurva di kanan nilai t atau
luas daerah kurva di kiri nilai -t
• Nilai → 0.1 (10%) ; 0.05 (5%) ; 0.025(2.5%) ; 0.01 (1%) ; 0.005(0.5%)
Nilai terbatas karena banyak kombinasi db yang harus disusun!
• Kelak Distribusi t akan kita gunakan dalam PENGUJIAN HIPOTESIS
2.5% 95 % 2.5%
-2.306 0 2.306
15
Arti Gambar di atas nilai t sampel berukuran n = 9, berpeluang 95% jatuh dalam selang
-2.306 < t < 2.306.
Peluang t >2.306 = 2.5 % dan Peluang t < -2.306 = 2.5 %
Coba cari nilai t tabel untuk beberapa nilai db dan yang lain!
• Dalam banyak kasus nilai simpangan baku populasi () tidak diketahui, karenanya nilai
diduga dari nilai simpangan baku sampel (s)
DALIL 4
JIKA
Sampel:
ukuran KECIL n < 30 diambil dari
rata-rata = x simp. baku = s
Populasi berukuran = N
terdistribusi : NORMAL
Rata-rata =
MAKA
Distribusi Rata-rata akan mendekati distribusi-t dengan :
s x−
x = dan x = dan nilai t=
n s n
pada derajat bebas = n-1 dan suatu nilai
Contoh 3 :
Manajemen PT. BETUL menyatakan bahwa 95% rokok produksinya rata-rata mengandung
nikotin 1.80 mg, data tersebar normal. Yayasan Konsumen melakukan pengujian nikotin terhadap
9 batang rokok dan diketahui rata-rata sampel = 1.95 mg nikotin dengan standar deviasi = 0.24 mg.
Apakah hasil penelitian Yayasan Konsumen mendukung pernyataan Manajemen PT. BETUL?
Jawab : 95 % berada dalam selang → berarti 5 % berada di luar selang;
2.5 % di kiri t dan 2.5% di kanan t
= 2.5 % = 0.025
n = 9 → db = n - 1 = 8
t tabel (db, ) = t-tabel(8; 0.025) = 2.306
Jadi 95 % berada dalam selang -2.306 < t < 2.306
16
x− . − 180
195 . 015
.
t= =t= = = 1875
.
s n 0.24 9 0.08
Nilai t hitung = 1.875 berada dalam selang -2.306 < t < 2.306
jadi hasil penelitian Yayasan Konsumen masih sesuai dengan pernyataan manajemen PT JARUM.
DALIL 5
JIKA
Dua (2) Sampel
berukuran n1 dan n2 diambil dari
rata-rata = x1 dan x2 Dua (2) Populasi berukuran BESAR
Rata-rata 1 dan 2
Ragam 12 dan 2 2
MAKA
Distribusi Rata-rata akan mendekati distribusi Normal dengan :
12 2 2
x − x = 1 − 2 dan standard error = x −x = + dan
1 2 1 2
n1 n2
x1 − x2 − 1 − 2
z=
nilai z 12 2 2
+
n1 n2
Contoh 4:
Diketahui rata-rata IQ mahasiswa Eropa = 125 dengan ragam = 119 sedangkan rata-rata IQ
mahasiswa Asia = 128 dengan ragam 181. diasumsikan kedua populasi berukuran besar
Jika diambil 100 mahasiswa Eropa dan 100 mahasiswa Asia sebagai sampel, berapa peluang
terdapat perbedaan IQ kedua kelompok akan kurang dari 2?
17
Jawab :
Populasi
Parameter populasi ke-1 (Mhs. Eropa) populasi ke-2 (Mhs. Asia)
Rata-rata () 125 128
Ragam (²) 119 181
Beda 2 Rata-rata = x − x = 1 − 2
1 2
= 125 − 128 = − 3 = 3
P( x 1 − x2 <2 ) = P ( z < ?)
x1 − x2 − 1 − 2 2−3 −1
z= = = = −0.577... −0.58
12 2 2 119 181 3
+ +
n1 n2 100 100
Soal Latihan
1. Kecepatan maksimum 2000 mobil mempunyai rata-rata 135,5 km/jam dengan simpangan baku
5,2 km/jam. Jika sampel sebesar 150 mobil dipilih secara acak tanpa pengembalian, hitung
probabilitas kecepatan maksimum rata-rata dari 150 mobil tersebut yang lebih besar dari 136,1
km/jam! (dalil 2)
2. Di suatu universitas diketahui rata-rata tinggi badan mahasiswa laki-laki adalah 164 cm dengan
simpangan baku 5,3 cm. Sedangkan mahasiswa perempuan tinggi badannya rata-rata 153 cm
dengan simpangan baku 5,1 cm. Dari dua populasi tersebut diambil sampel acak yang saling
bebas masing-masing 150 orang, berapa probabilitas rata-rata tinggi mahasiswa laki-laki paling
sedikit 12 cm lebihnya daripada rata-rata tinggi mahasiswa perempuan? (dalil 5)
3. Pada suatu pengiriman barang yang terdiri dari 2000 tube elektronika telah diketahui terdapat
600 unit tube yang tidak memenuhi standar mutu. Jika sampel acak sebanyak 500 unit dipilih
dari populasi tersebut tanpa pengembalian, berapakah probabilitas sampel populasi yang tidak
memenuhi standar mutu : (dalil 1)
a. akan kurang dari 150/500
b. antara 144/500 sampai dengan 145/500
c. lebih besar dari 164/500
18
BAB IV
PROBABILITAS
Peluang
Peluang suatu kejadian yang diinginkan adalah perbandingan banyaknya titik sampel kejadian
yang diinginkan itu dengan banyaknya anggota ruang sampel kejadian tersebut. Peluang disebut
juga dengan nilai kemungkinan.
Definisi Peluang
Teori probabilitas merupakan cabang ilmu matematika yang dipergunakan dan yang
mempelajari tentang tingkah laku dari faktor-faktor untung-untungan. Faktor untung-untungan
biasanya dihubungkan dengan pengertian tentang kemungkinan atau peluang (probability). Hal itu
disebabkan hasilnya tidak mutlak sehingga kita hanya dapat menyatakan kemungkinan atau tingkat
kepastian timbulnya suatu kejadian. Kemungkinan atau tingkat kepastian tersebut tidak dapat
diduga dengan pasti akan tetapi dapat dianalisis atas dasar logika ilmiah.
Ruang Sampel
Tiap hasil dalam ruang sampel disebut unsur atau anggota ruang sampel tersebut atau dengan
singkat suatu titik sampel. Bila ruang sampel mempunyai unsur yang banyaknya berhingga, maka
anggotanya dapat dituliskan pada tanda kurung awal yang masing-masing unsurnya dipisah oleh
koma. Jadi ruang sampel adalah kumpulan semua hasil yang mungkin dari suatu percobaan
statistika. (Walpole, 2012:36)
Contoh: Suatu percobaan melempar dadu, bila yang diselidiki adalah nomor yang muncul pada
permukaan dadu, ruang sampelnya adalah S = {1, 2, 3, 4, 5, 6}. Bila yang diselidiki adalah nomor
genap atau ganjil, ruang sampelnya adalah S = {Ganjil, Genap}.
Probabilitas Bersyarat
Probababilitas bersyarat dituliskan dengan p(A|B) yang menyatakan probabilitas A bila
diketahui B, dimana A dan B menyatakan kejadian acak. Probabilitas bersyarat dapat dihitung
menggunakan:
𝑝(𝐴|𝐵) = 𝑝𝑝(𝐴,𝐵)
(𝐴)
(2-1)
Sumber: Achmad Basuki. 2004.
Contohnya adalah probabilitas terambilnya 2 bola merah dalam kotak yang berisi 5 bola merah
dan 3 bola hijau, dimana bola pertama yang diambil tidak dikembalikan sebelum bola kedua
diambil.
20
1 1
( × )
P (A|B)= 𝑃 (𝐴)(𝐵)
×𝑃 (𝐵)
= 8 7
1 = 1
8
7
Permutasi
Permutasi adalah suatu susunan objek yang berbeda-beda. Satu permutasi berbeda dari yang
lainnya jika susunan urutan atau isinya berbeda-beda. (Walpole, 2012:47)
Permutasi Menyeluruh
Permutasi menyeluruh adalah penyusunan obyek kedalam suatu urutan tertentu. Komposisi
yang dapat dicari dengan menggunakan rumus:
𝑛𝑃𝑛 = 𝑛! (2-2)
(Walpole, 2012:47)
Contoh: Huruf A, B, C, D, dan E akan dibuat sebuah kata (tidak harus bermakna). Banyaknya
cara untuk membuat sebuah kata yang terdiri dari 5 huruf dengan memperhatikan urutan:
nPn=n! = 5! = 5x4x3x2x1 = 120 cara
Permutasi Sebagian
Permutasi sebagian adalah penyusunan sebagian obyek ke dalam suatu urutan tertentu. Jumlah
permutasi suatu kelompok yang terdiri atas n obyek yang berbeda yang kemudian diambil
sekaligus sebanyak r tanpa pengulangan akan sebanyak:
𝑛!
𝑛𝑃𝑟 = (𝑛−𝑟)! (2-3)
(Walpole, 2012:48)
Contoh: Huruf A, B, C, D, dan E akan dibuat sebuah kata (tidak harus bermakna). Banyaknya
cara untuk membuat sebuah kata yang terdiri dari 3 huruf dengan memperhatikan urutan adalah
5P3 = n! / (n-r)! = 5! / (5-3)! = 60 kata.
Permutasi Keliling
Permutasi yang terjadi pada sekelompok objek yang membentuk suatu lingkaran disebut
permutasi keliling. Jumlah permutasi dari n objek yang disusun dalam suatu lingkaran adalah
(𝑛 − 1)! (2-4)
(Walpole, 2012:49)
Contoh: Sebuah rumah makan jepang akan menata 7 piring masakan yang berbeda di sebuah
meja yang berbentuk lingkaran. Banyaknya cara menata masakan tersebut dengan memperhatikan
urutannya itu (n-1)! = (7-1)! = 6! = 720 cara.
Kombinasi
Kombinasi adalah suatu susunan dari objek yang berbeda-beda, yang mana satu kombinasi
berbeda dengan yang lainnya hanya jika isi dari susunannya berbeda. (Runger and Montgomery,
2011:26)
21
Kombinasi Menyeluruh
Kombinasi menyeluruh adalah penyusunan semua objek ke dalam suatu tempat dengan urutan
yang tidak diperhatikan. (Runger and Montgomery, 2011:26)
Contoh: Dalam suatu kelompok SRK terdapat 6 orang anggota. Seorang asisten SRK akan
memanggil 6 orang di kelompok tersebut. Jadi, hanya ada satu cara untuk menentukan orang-orang
yang akan menghadap asisten tersebut.
Kombinasi Sebagian
Kombinasi sebagian adalah penyusunan sebagian obyek ke dalam suatu tempat dengan urutan
yang tidak diperhatikan. Jumlah kombinasi dari suatu kelompok yang terdiri dari n obyek yang
berbeda yang kemudain diambil sekaligus sebanyak r tanpa pengulangan, maka akan diperoleh
cara sebanyak:
𝑛!
𝑛𝐶𝑟 = (𝑛−𝑟) 𝑟!
(2-6)
(Runger and Montgomerry, 2011:27)
Contoh: Seorang seniman memiliki 4 macam warna untuk melukis. Dia ingin mencampur dua
warna menjadi satu. Banyaknya cara untuk mencampur warna tersebut adalah
4C2 = (4−2)!2!
4!
= 6 𝑐𝑎𝑟𝑎
22
BAB V
UJI HIPOTESIS
1. PENDAHULUAN
• Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.
• Pengujian hipotesis berhubungan dengan penerimaan atau penolakan suatu hipotesis.
• Kebenaran (benar atau salahnya ) suatu hipotesis tidak akan pernah diketahui dengan pasti,
kecuali kita memeriksa seluruh populasi. (Memeriksa seluruh populasi? Apa mungkin?)
• Lalu apa yang kita lakukan, jika kita tidak mungkin memeriksa seluruh populasi untuk
memastikan kebenaran suatu hipotesis?
• Kita dapat mengambil sampel acak, dan menggunakan informasi (atau bukti) dari sampel itu
untuk menerima atau menolak suatu hipotesis.
Penerimaan suatu hipotesis terjadi karena TIDAK CUKUP BUKTI untuk MENOLAK
hipotesis tersebut dan BUKAN karena HIPOTESIS ITU BENAR
dan
Penolakan suatu hipotesis terjadi karena TIDAK CUKUP BUKTI untuk MENERIMA hipotesis
tersebut dan BUKAN karena HIPOTESIS ITU SALAH.
• Landasan penerimaan dan penolakan hipotesis seperti ini, yang menyebabkan para statistikawan
atau peneliti mengawali pekerjaan dengan terlebih dahulu membuat hipotesis yang diharapkan
ditolak, tetapi dapat membuktikan bahwa pendapatnya dapat diterima.
Contoh 1.
Sebelum tahun 1993, pendaftaran mahasiswa Universtas GD dilakukan dengan pengisian
formulir secara manual. Pada tahun 1993, PSA Universitas GD memperkenalkan sistem
pendaftaran "ON-LINE".
Seorang Staf PSA ingin membuktikan pendapatnya “bahwa rata-rata waktu pendaftaran dengan
sistem ON-LINE akan lebih cepat dibanding dengan sistem yang lama” Untuk membuktikan
pendapatnya, ia akan membuat hipotesis awal, sebagai berikut :
Hipotesis Awal : rata-rata waktu pendaftaran SISTEM "ON-LINE" sama saja dengan
SISTEM LAMA.
Staf PSA tersebut akan mengambil sampel dan berharap hipotesis awal ini ditolak, sehingga
pendapatnya dapat diterima!
Contoh 2 :
Manajemen PERUMKA mulai tahun 1992, melakukan pemeriksaan karcis KRL lebih intensif
dibanding tahun-tahun sebelumnya, pemeriksaan karcis yang intensif berpengaruh positif
terhadap penerimaan PERUMKA. Untuk membuktikan pendapat ini, hipotesis awal yang
diajukan adalah :
Contoh 3.
(Kerjakan sebagai latihan!!!)
Eko Nomia S.E., seorang akuntan memperbaiki sistem pembebanan biaya di perusahaan tempatnya
bekerja. Ia berpendapat setelah perbaikan sistem pembebanan biaya pada produk maka rata-
rata harga produk turun. Bagaimana ia menyusun hipotesis awal penelitiannya?
Hipotesis Awal : .........?
PENJELASAN
• Hipotesis Awal yang diharap akan ditolak disebut : Hipotesis Nol ( H0 )
Hipotesis Nol juga sering menyatakan kondisi yang menjadi dasar pembandingan.
• Penolakan H0 membawa kita pada penerimaan Hipotesis Alternatif ( H1 ) (beberapa buku
menulisnya sebagai H A )
• Nilai Hipotesis Nol ( H0 ) harus menyatakan dengan pasti nilai parameter.
H0 → ditulis dalam bentuk persamaan
• Sedangkan Nilai Hipotesis Alternatif ( H1 ) dapat memiliki beberapa kemungkinan.
H1 → ditulis dalam bentuk pertidaksamaan (< ; > ; )
PERHATIKAN :
• Penolakan atau Penerimaan Hipotesis dapat membawa kita pada 2 jenis kesalahan (kesalahan=
error = galat), yaitu :
24
1. Galat Jenis 1 → Penolakan Hipotesis Nol ( H0 ) yang benar
Galat Jenis 1 dinotasikan sebagai
juga disebut → taraf nyata uji
Catatan : konsep dalam Pengujian Hipotesis sama dengan konsep konsep
pada Selang Kepercayaan
2. Galat Jenis 2 → Penerimaan Hipotesis Nol ( H0 ) yang salah
Galat Jenis 2 dinotasikan sebagai
Catt : keterangan terperinci mengenai nilai dan , dapat anda temukan dalam bab
10, Pengantar Statistika, R. E. Walpole)
• Prinsip pengujian hipotesa adalah perbandingan nilai statistik uji (z hitung atau t hitung)
dengan nilai titik kritis (Nilai z tabel atau t Tabel)
• Titik Kritis adalah nilai yang menjadi batas daerah penerimaan dan penolakan hipotesis.
• Nilai pada z atau t tergantung dari arah pengujian yang dilakukan.
Nilai tidak dibagi dua, karena seluruh diletakkan hanya di salah satu sisi selang
misalkan :
H0 : = 0 *)
H1 : 0
Wilayah Kritis **) : z < − z atau t < − t( db; )
25
luas daerah terarsir
ini =
-z atau - t(db;) 0
misalkan :
H0 : = 0 *)
H1 : 0
Wilayah Kritis **) : z > z atau t > t( db, )
0 z atau t (db;)
Contoh 7.
26
Contoh Uji Dua Arah
a. H0 : = 50 menit a. H0 : = 3 juta
H1 : 50 menit H1 : 3 juta
misalkan :
H0 : = 0 *)
H1 : 0
Wilayah Kritis **) : z < − z dan z > z
2 2
atau
t − t( db , dan t t ( db;
2) 2)
1. Tentukan H0 dan H1
2* Tentukan statistik uji [ z atau t]
3* Tentukan arah pengujian [1 atau 2]
4* Taraf Nyata Pengujian [ atau /2]
5. Tentukan nilai titik kritis atau daerah penerimaan-penolakan H0
6. Cari nilai Statistik Hitung
7. Tentukan Kesimpulan [terima atau tolak H0 ]
27
*) Urutan pengerjaan langkah ke2, 3 dan 4 dapat saling dipertukarkan!
1. = 0 x − 0 0 → z − z
z= 0 → z z
/ n z − z
sampel besar 0 → dan
n 30 2
dapat diganti z z
2
dengan s
2. = 0 x − 0 0 → t < − t( db; )
t= 0 → t > t( db, )
s / n
0 → t − t( db , dan
sampel kecil 2)
n<30 t t ( db;
2)
db = n-1
3. 1 − 2 = d 0 1 − 2 d 0 → z − z
x1 − x2 − d 0
z=
(12 / n1 ) + ( 22 / n2 ) 1 − 2 d 0 → z z
sampel-sampel Jika 1 dan 2
2 2
tidak 1 − 2 d 0 → z − z dan
2
besar diketahui → gunakan z z
n1 30 2
s1 dan s2
2 2
n2 30
28
H0 Nilai Uji Statistik H1 Wilayah Kritis
4. 1 − 2 = d 0 x1 − x2 − d 0 1 − 2 d 0 → t −t
t=
( s12 / n1 ) + (s22 / n2 ) 1 − 2 d 0 → t t
sampel -sampel
kecil 1 − 2 d 0 →
n1 < 30
t − t( db ,
n2 < 30 2)
dan t t ( db;
2)
db = n1 + n2 − 2
3.2.1 Uji Hipotesis Rata-rata Sampel Besar
Contoh 8 :
Dari 100 nasabah bank rata-rata melakukan penarikan $495 per bulan melalui ATM, dengan
simpangan baku = $45. Dengan taraf nyata 1% , ujilah :
a) apakah rata-rata nasabah menarik melalui ATM kurang dari $500 per bulan ?
b} apakah rata-rata nasabah menarik melalui ATM tidak sama dengan $500 per bulan ?
(Uji 2 arah, /2 = 0.5%, statistik uji=z)
Jawab :
Diketahui: x = 495 s = 45 n=100 0 =500 =1%
Daerah penolakan H0 =
luas daerah terarsir
ini = = 1%
Daerah penerimaan H0
-2.33 0
29
b) Coba anda kerjakan sebagai latihan ! ( H1 : 500; Uji 2 arah, /2 = 0.5%, statistik
uji=z)
Contoh 9 :
Seorang job-specialist menguji 25 karyawan dan mendapatkan bahwa rata-rata penguasaan
pekerjaan kesekretarisan adalah 22 bulan dengan simpangan baku = 4 bulan. Dengan taraf nyata
5% , ujilah :
a) Apakah rata-rata penguasaan kerja kesekretarisan lebih dari 20 bulan?
b) Apakah rata-rata penguasaan kerja kesekretarisan tidak sama dengan 20 bulan?
Jawab:
Diketahui : x = 22 s=4 n = 25 0 = 20 = 5%
a) Ditinggalkan sebagai latihan ( H1 : > 20; uji 1 arah, =5%, statistik uji = t, db = 24)
b) 1. H0 : = 20 H1 : 20
2* statistik uji : t → karena sampel kecil
3* arah pengujian : 2 arah
4* Taraf Nyata Pengujian = = 5% = 0.05
/2 = 2.5% = 0.025
5. Titik kritis
db = n-1 = 25-1 = 24
Titik kritis → t − t( db , ) dan t t ( db; )
2 2
6. Statistik Hitung
x − 0 22 − 20 2
t= = = = 2.5
s / n 4 / 25 0.8
7. Kesimpulan : t hitung = -2.5 ada di daerah penolakan H0
H0 ditolak, H1 diterima ,
rata-rata penguasaan pekerjaan kesekretarisan 20 bulan
Daerah penerimaan H0
-2.064 0 2.064
30
3.2.3 Uji Hipotesis Beda 2 Rata-rata Sampel Besar
Contoh 10 :
Berikut adalah data nilai prestasi kerja karyawan yang mendapat training dengan yang tidak
mendapat training.
Jawab : = 5 % d0 = 0
a) 1. H0 : 1 − 2 = 0 H1 : 1 − 2 > 0
2* statistik uji : z → karena sampel besar
3* arah pengujian : 1 arah
4* Taraf Nyata Pengujian = = 5%
5. Titik kritis → z > z5% → z > 1.645
6. Statistik Hitung
x1 − x2 − d 0 300 − 302 − 0 2 2 2
z= = = = = = 4
( s / n1 ) + ( s / n2 )
2
1
2
2
(4 / 40) + (4.5 / 30) . + 015
01 . 0.25 0.5
7. Kesimpulan : z hitung = 4 ada di daerah penolakan H0
H0 ditolak, H1 diterima → beda rata-rata prestasi kerja > 0
b) Coba anda kerjakan sebagai latihan ( H1 : 1 − 2 0; Uji 2 arah, /2 = 2.5%, statistik
uji=z)
Contoh 11 :
Berikut adalah data kerusakan produk yang dibuat oleh karyawan shift malam dan siang.
Jawab : = 1 % d0 = 10
32
Soal
1. Sebuah toko buku setiap harinya dapat menjual buku sebagai berikut :
68, 74, 74, 72, 72, 66, 74, 72, 80, 66, 64, 40, 76, 76, 90
Jika dipakai α = 5%, dapatkah diyakini bahwa toko buku tersebut dapat menjual di atas
60 buku setiap harinya?
2. Sebuah perusahaan baru saja membuka dua buah supermarket di dua tempat yang
berbeda. Pihak manajemen perusahaan tersebut ingin mengetahui apakah mean penjualan
per hari dari dua supermarket tersebut berbeda. Sebuah sampel diambil dari supermarket
pertama berupa 35 hari kerja menghasilkan mean penjualan perhari sebesar $53,70
dengan standar deviasi $2,90. Sebuah sampel diambil dari supermarket kedua berupa 30
hari kerja menghasilkan mean penjualan per hari sebesar $58,45 dengan standar deviasi
$3,10. Dengan tingkat signifikansi 1%
3. Seorang peneliti ingin mengetahui apakah perusahaan pembuat mesin bubut rata-rata
masih tetap memproduksi 30 buah mesin bubut per harinya atau lebih kecil dari itu. Data-
data sebelumnya diketahui bahwa standar deviasinya 25. Kemudian sebagai alat penguji,
diambil sampel penelitian sebanyak 100 dan diperoleh rata-rata produksi mesin bubut 27
buah.
Apakah nilai tersebut masih dapat diterima sehingga produksi mesin bubut 30 buah per
harinya? Ujilah dengan taraf nyata 5%.
4. Populasi balok kayu jati pada sebuah pabrik meiliki panjang rata-rata 80 cm dengan
simpangan baku 7 cm. Setelah 3 tahun beroperasi, konsumen meragukan panjang balok
kayu jati tersebut. Guna meyakinkan keabsahan hipotesis itu, seorang peneliti mengambil
sampel acak 100 balok kayu jati dengan panjang yang berbeda beda dan diperoleh hasil
perhitungan panjang rata-rata ikan adalah 83 cm dan standar deviasinya tetap.
Apakah ada alasan untuk meragukan bahwa rata rata panjang balok kayu jati yang
dihasilkan sama dengan 80 cm pada taraf signifikan 5% ?
33
BAB VI
UJI VALIDITAS DAN RELIABILITAS
A. Uji Validitas
Validitas a dalah ke tepa tan ata u kecermata n s uatu i nstrument dala m pengukuran. Dalam
pengujian i nstr ument pengumpulan da ta, validi tas dibe daka n me njadi vali ditas factor d a n vali ditas
item. Vali ditas fa ktor diukur bila item yang dis usun me ngguna kan lebi h dar i satu faktor (a ntara fa ktor
satu dengan ya ng lain ada kesa maan. Pengukura n validi tas faktor i ni dengan cara me ngkorelasi kan
antara skor fa ktor ( penjumlahan item dalam sa tu fa ktor) de nga n skor total fa ktor ( total kesel uruhan
faktor). Pe ngukuran validitas i tem dengan cara me ngkorelasika n a ntara s kor item dengan skor total
item. Vali ditas item ditunjukkan de ngan ada nya korelasi atau dukungan ter hadap i tem total (s kor
total). Bila kita me ngguna kan le bih dari satu fa ktor, berarti pe ngujia n vali ditas ite m dengan cara
mengkorelasika n antara skor i tem de nga n skor fa ktor, ke mudia n dila njutkan mengkorelasi kan a ntara
item dengan skor total fa ktor (pe njumla hand ari beberapa fa ktor). Dari hasil perhi tunga n korelasi
akan di da pat sua tu koefisien korelasi yang diguna kan untuk me ngukur tingkat validi tas s uatu i tem
dan menentukan apa kah sua tu ite m la yak di gunaka n a tau ti dak. Dalam mene ntuka n la ya k a tau
tida knya suatu ite m ya ng di gunaka n, biasa nya diguna kan uji si gnifi ka nsi vali d jika ber korelasi
signifi kan terhada p skor total. Te kni k pe ngujia n SPSS sering diguna kan untuk u ji vali ditas a dalah
mengguna kan korelasi Bivariate Pearson (Produk Momen Pearson) dan Corrected Ite m-Total
Correlation.
Ketera ngan :
rxy = koefisie n korelasi an tara varia bel X da n Y
N = jumla h responde n
ΣX = jumlah s kor butir s oal
ΣY = jumlah s kor total s oal
ΣX 2 = jumla h s kor kuadra t butir soal
ΣY2 = jumla h s kor total kua drat butir s oal
Nilai r hitung dicocokka n de ngan r tabel product mome nt pada taraf signifi kan 5%. Ji ka r hitung l ebih
besar dari rtabel 5%. Ma ka butir soal terse but vali d.
B. UJI RELIABILITAS
Uji reliabilitas diguna kan untuk me nge tahui konsiste nsi alat ukur, apaka h alat pengukur ya ng
digunaka n dapa t diandalka n dan tetap konsisten ji ka pengukuran tersebut diula ng. Ada be berapa
metode pe ngujia n reliabili tas di antaranya me tode tes ula ng, formula Flana gan, Cronba ch’s Al pha,
metode formula KR ( Kuder-Richar dson) – 20, KR – 21, dan me tode A nova Hoyt. Me tode yang sering
34
digunaka n dalam pe nelitia n adalah me tode Cronbach’s Alpha. Metode ini sa ngat cocok diguna kan
pada s kor dikotomi ( 0 da n 1) dan aka n me nghasilka n perhi tungan ya ng setara dengan mengguna kan
metode KR- 20 da n Anova Hoyt. Reliabili tas berarti dapa t dipercaya” Artinya, ins trume n da pat
memberika n hasil yang tepat. Alat ukur instr ument dika tegori kan reliabel jika menunjukkan konsta nta
hasil pengukura n dan mempunyai kete tapan hasil pe ngukuran se hingga ter bukti bahwa ala t ukur i tu
benar-benar dapa t diper tanggung jawabkan ke benarannya .
Untuk me ngukur relia bilitas s kala a tau kuosioner dapa t di guna ka n rum us Cronbach’s Al pha se bagai
berikut:
Formula
Ketera ngan :
rtt = koefisisie n reliabili tas ins trume nt ( total tes)
k = ba nya knya butir pertanyaa n ya ng sa hih
Σδ2b = j umlah varian butir
Σδ2t = varian skor total
Perhitunga n uji relia bilitas s kala diterima, ji ka hasi l perhi tunga n rhitung > rtabel 5%.
Untuk me ngukur reliabil itas tes menggunaka n rumus KR-20. Kare na s kor tes bersifat di kotomi yai tu
untuk jawaban benar diberi s kor 1 da n jawaba n salah diberi skor 0. A dapun rumus KR - 20 a dalah
sebagai beri kut.
Formula:
Ketera ngan :
rtt = reliabili tas tes
k = ba nya knya butir s oal ya ng sa hih
νt = varian total
Kate gori koefisie n reliabili tas ( Guil ford, 1956: 145) a dalah se bagai berikut:
0,80 < r11 1,00 reliabilitas sanga t ti nggi
0,60 < r11 0,80 reliabilitas ti nggi
0,40 < r11 0,60 reliabilitas sedang
35
0,20 < r11 0,40 reliabilitas renda h
-1,00 r11 0,20 relia bilitas sanga t rendah ( tida k reliable)
Metoda
36
STS TS S SS
No Pernya taan
1 2 3 4
1 Tujuan belajar me ngajar terca pai apa bila
siswa tuntas dala m belajar
2 Saya ya kin denga n kemampuan diri sendiri
dalam mencapai keber hasilan pengajaran
37
1. UJI VA LIDITA S
Langka h – la ngkah:
a. Memasukka n skor angke t ke tabel bantu dengan program e xcel
NO BUT IR PERNYA TA A N
TOTA L
RESPO NDE N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 4 4 1 4 4 3 4 4 4 3 3 3 4 4 1 50
2 4 4 2 4 4 1 4 4 4 3 3 2 4 4 4 51
3 3 4 3 3 3 2 3 3 3 4 4 4 3 3 3 48
4 3 3 4 3 3 3 3 3 3 4 4 3 3 3 2 47
5 4 3 4 4 4 3 4 4 4 3 3 3 4 4 4 55
6 4 3 3 4 4 3 4 4 4 4 4 3 4 4 4 56
7 3 3 3 1 3 4 1 3 3 4 4 4 3 3 1 43
8 3 3 1 3 3 4 3 3 3 3 3 4 3 3 3 45
9 4 4 1 4 4 3 4 4 2 2 3 3 4 4 4 50
10 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 58
11 4 3 3 4 4 4 3 3 4 3 4 4 4 3 3 53
12 3 4 4 3 3 3 2 3 3 3 3 3 3 4 2 46
13 3 4 3 2 3 3 4 4 3 3 4 3 3 4 4 50
14 3 3 1 3 3 4 3 4 1 1 4 4 3 3 3 43
15 4 3 4 4 4 3 3 3 4 4 3 3 4 3 2 51
16 4 4 4 4 4 3 4 4 4 3 3 3 4 4 4 56
17 3 3 1 3 3 3 3 4 3 4 4 3 3 3 3 46
18 3 3 4 3 3 4 3 3 2 2 3 4 3 3 1 44
19 4 3 4 4 4 4 2 3 3 4 3 4 4 3 4 53
20 4 4 3 4 4 3 3 4 3 4 3 3 4 4 2 52
21 3 4 3 3 3 3 3 3 4 3 3 3 3 4 3 48
22 4 3 4 4 4 4 4 3 2 2 4 4 4 3 1 50
23 4 4 3 1 4 4 4 3 3 4 4 4 4 4 3 53
24 3 4 3 3 3 3 3 4 4 3 3 3 3 3 3 48
25 3 3 3 3 3 3 4 4 4 3 4 3 3 3 2 48
26 4 3 4 4 4 4 4 3 2 2 4 4 4 4 4 54
27 3 4 4 2 3 3 4 3 3 4 3 3 3 3 2 47
28 3 4 3 3 3 3 3 3 4 4 3 3 3 3 3 48
29 3 3 3 3 3 3 4 3 3 3 4 3 3 3 4 48
30 4 4 4 4 4 4 3 4 3 4 3 4 4 4 3 56
31 4 4 4 4 4 4 3 4 3 4 3 4 4 4 2 55
32 3 4 4 3 3 3 3 3 4 3 3 3 3 3 4 49
38
b. Mendefi nisi kan variabel dalam SPSS
d.Menganalisis data
Kli k Anal yze - Correlate - Bivariate
39
e. Masukkan semua i tem ke kota k Variables
40
f. Kli k OK da n Tampil kan hasil a nalisis
Correlations
Butir Butir Butir Butir Butir Butir Butir Butir Butir Butir Butir Butir Butir Butir Butir Total
Soal 1 Soal 2 Soal 3 Soal 4 Soal 5 Soal 6 Soal 7 Soal 8 Soal 9 Soal 10 Soal Soal Soal Soal Soal Skor
11 12 13 14 15
** ** ** ** **
Pears on Correlation 1 ,063 ,150 ,634 1,000 ,139 ,344 ,313 ,120 ,079 -,126 ,115 1,000 ,564 ,123 ,826
Butir Soal 1 Sig. (2-tailed) ,733 ,413 ,000 ,000 ,447 ,054 ,081 ,512 ,667 ,492 ,532 ,000 ,001 ,501 ,000
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
* * **
Pears on Correlation ,063 1 ,024 -,058 ,063 -,352 ,146 ,255 ,263 ,218 -,434 -,273 ,063 ,506 ,073 ,228
Butir Soal 2 Sig. (2-tailed) ,733 ,894 ,751 ,733 ,048 ,427 ,159 ,145 ,231 ,013 ,131 ,733 ,003 ,690 ,209
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
*
Pears on Correlation ,150 ,024 1 ,077 ,150 ,185 -,080 -,325 ,167 ,275 -,079 ,158 ,150 ,036 -,102 ,392
Butir Soal 3 Sig. (2-tailed) ,413 ,894 ,675 ,413 ,310 ,663 ,070 ,361 ,127 ,666 ,387 ,413 ,846 ,579 ,026
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
** ** * ** **
Pears on Correlation ,634 -,058 ,077 1 ,634 -,085 ,266 ,357 ,145 -,153 -,296 -,094 ,634 ,283 ,172 ,570
Butir Soal 4 Sig. (2-tailed) ,000 ,751 ,675 ,000 ,644 ,141 ,045 ,429 ,402 ,100 ,608 ,000 ,117 ,345 ,001
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
** ** ** ** **
Pears on Correlation 1,000 ,063 ,150 ,634 1 ,139 ,344 ,313 ,120 ,079 -,126 ,115 1,000 ,564 ,123 ,826
Butir Soal 5 Sig. (2-tailed) ,000 ,733 ,413 ,000 ,447 ,054 ,081 ,512 ,667 ,492 ,532 ,000 ,001 ,501 ,000
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
* * **
Pears on Correlation ,139 -,352 ,185 -,085 ,139 1 -,244 -,207 -,415 -,132 ,193 ,821 ,139 -,114 -,289 ,079
Butir Soal 6
Sig. (2-tailed) ,447 ,048 ,310 ,644 ,447 ,178 ,257 ,018 ,471 ,289 ,000 ,447 ,536 ,108 ,669
41
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
* * *
Pears on Correlation ,344 ,146 -,080 ,266 ,344 -,244 1 ,372 ,100 -,245 ,141 -,296 ,344 ,372 ,292 ,441
Butir Soal 7 Sig. (2-tailed) ,054 ,427 ,663 ,141 ,054 ,178 ,036 ,586 ,177 ,442 ,100 ,054 ,036 ,105 ,012
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
* * ** *
Pears on Correlation ,313 ,255 -,325 ,357 ,313 -,207 ,372 1 ,138 -,059 -,071 -,302 ,313 ,498 ,174 ,371
Butir Soal 8 Sig. (2-tailed) ,081 ,159 ,070 ,045 ,081 ,257 ,036 ,451 ,747 ,699 ,093 ,081 ,004 ,342 ,037
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
* ** ** *
Pears on Correlation ,120 ,263 ,167 ,145 ,120 -,415 ,100 ,138 1 ,519 -,247 -,487 ,120 ,138 ,131 ,371
Butir Soal 9 Sig. (2-tailed) ,512 ,145 ,361 ,429 ,512 ,018 ,586 ,451 ,002 ,172 ,005 ,512 ,451 ,475 ,037
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
**
Pears on Correlation ,079 ,218 ,275 -,153 ,079 -,132 -,245 -,059 ,519 1 -,040 -,073 ,079 ,020 -,097 ,286
Butir Soal
Sig. (2-tailed) ,667 ,231 ,127 ,402 ,667 ,471 ,177 ,747 ,002 ,829 ,693 ,667 ,914 ,596 ,112
10
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
*
Pears on Correlation -,126 -,434 -,079 -,296 -,126 ,193 ,141 -,071 -,247 -,040 1 ,318 -,126 -,197 -,023 -,055
Butir Soal
Sig. (2-tailed) ,492 ,013 ,666 ,100 ,492 ,289 ,442 ,699 ,172 ,829 ,076 ,492 ,279 ,899 ,767
11
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
** **
Pears on Correlation ,115 -,273 ,158 -,094 ,115 ,821 -,296 -,302 -,487 -,073 ,318 1 ,115 -,187 -,269 ,052
Butir Soal
Sig. (2-tailed) ,532 ,131 ,387 ,608 ,532 ,000 ,100 ,093 ,005 ,693 ,076 ,532 ,306 ,137 ,776
12
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
** ** ** ** **
Pears on Correlation 1,000 ,063 ,150 ,634 1,000 ,139 ,344 ,313 ,120 ,079 -,126 ,115 1 ,564 ,123 ,826
Butir Soal
Sig. (2-tailed) ,000 ,733 ,413 ,000 ,000 ,447 ,054 ,081 ,512 ,667 ,492 ,532 ,001 ,501 ,000
13
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
** ** ** * ** ** **
Pears on Correlation ,564 ,506 ,036 ,283 ,564 -,114 ,372 ,498 ,138 ,020 -,197 -,187 ,564 1 ,236 ,623
Butir Soal
Sig. (2-tailed) ,001 ,003 ,846 ,117 ,001 ,536 ,036 ,004 ,451 ,914 ,279 ,306 ,001 ,194 ,000
14
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
Butir Soal Pears on Correlation ,123 ,073 -,102 ,172 ,123 -,289 ,292 ,174 ,131 -,097 -,023 -,269 ,123 ,236 1 ,343
15 Sig. (2-tailed) ,501 ,690 ,579 ,345 ,501 ,108 ,105 ,342 ,475 ,596 ,899 ,137 ,501 ,194 ,055
42
N
Pears on Correlation 32
,826
** 32
,228 32*
,392 32
,570
** 32
,826
** 32
,079 32*
,441 32*
,371 32*
,371 32
,286 32
-,055 32
,052 32
,826
** 32
,623
** 32
,343 32
1
Total Skor Sig. (2-tailed) ,000 ,209 ,026 ,001 ,000 ,669 ,012 ,037 ,037 ,112 ,767 ,776 ,000 ,000 ,055
N 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32 32
**. Correlation is s ignificant at the 0.01 level (2 -tailed).
*. Correlation is s ignificant at the 0.05 level (2 -tailed).
43
Dari hasil ana lisis di dapa t nilai s kor i tem de nga n s kor total. Nilai ini ke mudian kita ba ndingka n denga n nilai
r tabel. R ta bel dicari pa da signifi klan 5% denga n uji 2 sisi dan n=32 ma ka di da pat r tabel sebesar 0.349.
ji ka nilai r hasil a nalisis kura ng dari ( <) r ta bel, maka da pat disimpul kan bahwa i tem-item terse but tida k
ber korelasi signifi kan denga n s kor total ( dinyata kan tida k valid) dan harus di keluar kan a tau diperbai ki.
Tabel Rangkuman Hasil Uji Vali ditas Moti vasi Berpres tasi
NO R
BUTIR HITUNG KETERANGAN INTEPRESTASI
1 0,826 ≥ 0,349 Valid
2 0,228 < 0,349 T idak Valid
3 0,392 ≥ 0,349 .................
4 0,570 ≥ 0,349 ................
5 0,826 ≥ 0,349 ................
6 0,079 < 0,349 ................
7 0,441 ≥ 0,349 ................
8 0,371 ≥ 0,349 ................
9 0,371 ≥ 0,349 ................
10 0,286 < 0,349 ...............
11 0,055 < 0,349 ...............
12 0,052 < 0,349 ................
13 0,826 ≥ 0,349 ..................
14 0,623 ≥ 0,349 .................
15 0,343 < 0,349 ...................
(Jika r tabel ..
< r hitung maka i nstrument pengujian valid)
44
c. Memasukka n selur uh variabel yang va lid ( dari hasil pengujian validitas) ke kota k i tems
d. Kli k Statist ic, pa da Descriptives pili h For klik Sca le If Ite m De leted
Klik Cont inue
45
Kli k OK dan Keluar hasil analisis:
Reliabilit y Statistics
Cronbach's N of Item s
Alpha
,741 9
Item-Total Statistics
Dari hasil a nalisis di da pat nilai Alpha sebesar 0.741, se dangkan nila i r kritis (uji 2 sisi) pada signifi kansi
5% de nga n n = 32 (df=n-2= 30), di da pat sebesar 0.3494,. maka da pat disim pul kan ba hwa butir -butir
instrume nt peneli tian tersebut relia ble.
46
BAB VII
Analisis Varians = Analysis of Variance = ANOVA
1. Pendahuluan
1.1 Distribusi F
0 F tabel +
Pemilihan tipe ANOVA tergantung dari rancangan percobaan (experiment design) yang kita pilih .
43
a. ANOVA 1 arah:
Sampel dibagi menjadi beberapa kategori dan ulangan
kolom = kategori
baris = ulangan/replika
Cat : Dalam banyak kasus untuk mempermudah perhitungan, ulangan untuk setiap
kategori dibuat sama banyak
Contoh : Terdapat 4 metode diet dan tiap metode dibagi menjadi 3 blok.
Blok berupa kelompok umur.
Contoh : Terdapat 4 metode diet dan tiap metode dibagi menjadi 3 blok.
44
Blok berupa kelompok umur.
Dengan pengulangan dalam tiap blok seperti ini, interaksi antara kolom dan baris dapat
diketahui.
Contoh : Terdapat 4 metode diet dan tiap metode dibagi menjadi 3 blok, dan tiap
blok diulang 3 kali
1. 4 Tabel ANOVA
Untuk memudahkan perhitungan ANOVA, kita dapat membuat tabel ANOVA, sebagai berikut:
45
Sumber Jumlah derajat Kuadrat f hitung f tabel
Keragaman Kuadrat (JK) bebas Tengah (KT)
(SK) (db)
k ni
T**2 T*2i T**2
x
k
− JKK = −
2
JKT = ij
i=1 j =1 N i=i ni N
JKG = JKT-JKK
46
Contoh 1:
Terdapat 4 metode diet, berikut adalah data 10 orang sampel yang didata rata-rata penurunan
berat badan, setelah sebulan melakukan diet.
JKK 40.67
KTK = = = 13.55
k −1 3
JKG 19.33
KTG = = = 3.22
N −k 6
4. Wilayah kritis : Penolakan H0 jika F hitung > F tabel; F hitung > 4.76
Penerimaan H0 F hitung < F tabel; F hitung < 4.76
5. Kesimpulan :
Karena F hitung ada di daerah penerimaan (F hitung < F tabel) maka H0 terima, Setiap metode
memberikan rata-rata penurunan berat badan yang sama
Pada rancangan percobaaan dengan ANOVA jenis ini, setiap kategori mempunyai banyak blok
yang sama, sehingga jika banyak kolom = k
dan banyak baris/blok = r
maka banyak data = N = r x k
48
=
2
Rata-rata JKK db s K = KTK = f hitung db numer2=
Kolom numer2 = JKK KTK db denum =
=
k-1 k −1 KTG f tabel =
r
T**2
k
Ti*2 T**2
r
JKT = x − 2
ij JKB = −
i=1 j =1 rk i =i k rk
k
T*2j T**2
JKK = − JKG = JKT-JKB-JKK
i=i r rk
di mana : k : banyaknya kolom r : banyaknya baris/blok
xij : data pada baris ke-i, kolom ke-j Ti* : total (jumlah) baris ke-i
T* j : total (jumlah) kolom ke-j T** : total (jumlah) seluruh pengamatan
Contoh 2: Terdapat 4 metode diet dan 3 golongan usia peserta program diet
Berikut data rata-rata penurunan berat peserta keempat metode dalam
tiga kelompok umur.
Metode-1 Metode-2 Metode-3 Metode- Total Baris
4
<20 thn 5 6 2 3 T = 16 1*
20 -40 2 7 5 3 T2* = 17
>40 thn 7 3 4 3 T3* = 17
Total T*1 = 14 T*2 =16 T*3 = 11 T*4 =9 Total
Kolom pengamatan
T** =50
Ujilah pendapat yang menyatakan bahwa keempat metode diet dalam ketiga kelompok umur
memberikan rata-rata penurunan berat badan yang sama.
Buktikan jawaban saudara dengan pengujian varians, dengan tingkat nyata = 1 %
Solusi :
r.k -1=
Total JKT = 3x4-1=11
35.67
k
T*2j
T**2 (142 + 162 + 112 + 9) 502 654 2500
JKK = −
= - = - =
i=i r rk 3 12 3 12
218 - 208.33 = 9.67
50
4. ANOVA 2 Arah dengan Interaksi
Efek interaksi diperoleh setelah setiap kolom [perlakuan] dan blok [baris] diulang.
Interaksi dinyatakan sebagai perkalian Baris x Kolom [BK].
r k n
T2 T 2
i ** 2
JKT = x
T***
2
ijm − ***
JKB = i =1
−
i =1 j =1 m = 1 rkn kn rkn
k r k r k
T*2j*
j =1 T 2 Tij2*
i =1 j = 1
T 2
i ** T
j =1
2
* j* 2
T***
JKK = − ***
JK[ BK ] = − i =1
− +
rn rkn n kn rn rkn
JKG = JKT - JKB - JKK - JK[BK]
Perhatikan : Sebagian Notasi dalam JKT, JKB dan JKK digunakan dalam penghitungan
JK[BK]
di mana :
r : banyak baris i = 1,2,3,...r
k : banyak kolom j = 1,2,3....k
n : banyak ulangan m = 1,2,3,...n
xijm : data pada baris ke-i, kolom ke-j dan ulangan ke-m
51
Ti** : Total baris ke-i
T* j* : Total kolom ke-j
Tij* : Total Sel di baris ke-i dan kolom ke-j
T*** : Total keseluruhan pengamatan
Contoh 3:
Terdapat 4 metode diet, 3 kelompok umur dan 3 ulangan. Berikut adalah data rata-rata penurunan
berat badan setelah 1 bulan melakukan diet. Ujilah apakah penurunan berat badan sama untuk
setiap metode diet, kelompok umur dan interaksi dengan taraf uji 5 %?
metode metode 1 metode- metode- metode-
2 3 4
kel. umur
< 20 tahun, #1 5 0 3 4
#2 4 2 4 2
#3 5 1 8 2
20-40 tahun,#1 5 4 2 5
#2 6 2 2 3
#3 2 1 4 2
>40 tahun, #1 4 5 2 6
#2 4 5 1 4
#3 5 0 2 4
r = 3, k = 4, n=3
Solusi :
1. H0 : Semua perlakuan [metode diet, kelompok umur, interaksi] memberikan penurunan
berat badan yang bernilai sama
H1 : Ada suatu perlakuan [suatu metode diet, kelompok umur, interaksi] memberikan
penurunan berat badan yang bernilai tidak sama
2. =5%
3. Statistik Uji : F
4, 5, 6 : Selesaikan Tabel Data dan Tabel ANOVA
53
Tabel ANOVA
2.53
Total JKT = [r.k.n] -1=
[3 x 4 x 3]-1
116 = 35
7. Kesimpulan :
Perhitungan menunjukkan bahwa rata-rata penurunan berat badan pada Baris [Kel. Umur] dan
Interaksi tidak berbeda [masih dianggap sama] sedangkan rata-rata penurunan berat badan dalam
Kolom [metode diet] dapat dikatakan berbeda.
54
Soal ANOVA
1) Suatu penelitian dilakukan untuk mengetahui apakah terdapat pengaruh perbedaan kartu debit
terhadap penggunaannya. Data di bawah ini adalah jumlah uang yang dibelanjakan ibu rumah
tangga menggunakan kartu debit (dalam $). Empat jenis kartu kredit dibandingkan:
2) Pusat riset otomotif ingin mengetahui apakah dari 3 jenis sepeda motor yang diteliti menempuh
jarak yang berbeda untuk setiap 1 liter bensin yang dikonsumsi. Secara random dipilih 5 sepeda
motor untuk masing-masing jenis sepeda motor dan diperoleh data sebagaimana ditunjukkan pada
Tabel 1. Jika diuji pada tingkat signifikansi 5 %, apakah terdapat perbedaan dari rata-rata jarak
tempuh untuk setiap konsumsi 1 liter bensin?
Tabel 1. Jarak yang ditempuh (km) untuk setiap liter bensin
3) Seorang konsultan mesin dari perusahaan penyalur atau DEALER kendaraan diminta untuk
mengkaji apakah ada perbedaan rata-rata efisiensi pemakaian BBM (kilometer/liter) antara
tiga merek mobil. Disamping itu, ia diminta juga untuk mengkaji apakah ada perbedaan rata-
rata efisiensi pemakaian BBM yang disebabkan oleh kapasitas mesin. Dari hasil pengumpulan
data yang dilakukan konsultan tersebut diperoleh data sebagai berikut :
55
56
BAB VIII
ANALISIS REGRESI DAN KORELASI
1. PENDAHULUAN
57
2. REGRESI LINIER SEDERHANA
• Metode Kuadrat terkecil (least square method): metode yang paling populer untuk
menetapkan persamaan regresi linier sederhana.
X X
i =1
i
i =1
n n
y
i =1
i x
i =1
i
a = y − bx sehingga a= −b
n n
n : banyaknya pasangan data
yi : nilai peubah tak bebas Y ke-i
xi : nilai peubah bebas X ke-i
Contoh 2:
Berikut adalah data Biaya Promosi dan Volume Penjualan PT BIMOIL perusahaan Minyak Gosok.
X Y
Tahun Biaya Promosi Volume Penjualan xy x² y²
(Juta Rupiah) (Ratusan Juta Liter)
1992 2 5 10 4 25
1993 4 6 24 16 36
1994 5 8 40 25 64
1995 7 10 70 49 100
1996 8 11 88 64 121
x = 26 y = 40 xy = 232 x² =158 y² = 346
n=5
58
n
n n
n xi yi − xi yi
i =1 i =1 i =1 (5 232) − (26 40) 1160 − 1040 120
b= b= = = = 105263
. ... =
n
n 2
(5 158) − (26 2 ) 790 − 676 114
n x − xi
2
i =1 i =1
i
1,053
n n
y
i =1
i x
i =1
i
a= −b
n n
40 26
a= − 105263
. ... = 8 − (105263
. ...5.2) = 8 − 5.4736... = 2.5263.... = 2,530
5 5
Jika nilai r mendekati +1 atau r mendekati -1 maka X dan Y memiliki korelasi linier yang
tinggi.
Jika nilai r = 0 maka X dan Y tidak memiliki relasi (hubungan) linier (dalam kasus r
mendekati 0, anda dapat melanjutkan analisis ke regresi eksponensial).
59
n
n n
n xi yi − xi yi
i =1 i =1 i =1
r=
n n
2
n n
2
n xi − xi n yi − yi
2 2
i =1 i =1 i =1 i =1
R = r2
Contoh 4:
Lihat Contoh 2, setelah mendapatkan persamaan Regresi Y = 2.530 + 1.053 X, hitung koefisien
korelasi (r) dan koefisien determinasi (R). Gunakan data berikut (lihat Contoh 2)
n
n n
n xi yi − xi yi
i =1 i =1 i =1
r=
n n 2 n
2 2
2
n
n xi − xi n yi − yi
i =1 i =1 i =1 i =1
R = r 2 = 0.9857...2 = 0,97165....= 97 %
Nilai R = 97% menunjukkan bahwa 97% proporsi keragaman nilai peubah Y (volume penjualan)
dapat dijelaskan oleh nilai peubah X (biaya promosi) melalui hubungan linier. Sisanya, yaitu 3 %
dijelaskan oleh hal-hal lain.
• Pembahasan akan meliputi regresi linier dengan 2 Variabel Bebas (X1 dan X2) dan 1 Variabel
Tak Bebas (Y).
• Bentuk Umum : Y = a + b1 X1 + b2 X2
Y : peubah tak-bebas a : konstanta
X1 : peubah bebas ke-1 b1 : kemiringan garis ke-1
X2 : peubah bebas ke-2 b2 : kemiringan garis ke-2
60
n n n
(ii)
a x1i + b1 x1i + b 2 x2i x1i = x1i yi 2
i =1 i =1 i =1 i =1
n n n n
(iii)
a x2i + b1 x2i x1i + b 2 x2i 2 = x2i yi
i =1 i =1 i =1 i =1
Contoh 5:
Berikut adalah data Volume Penjualan (juta unit) mobil dihubungkan dengan variabel biaya
promosi (X1 dalam juta rupiah/tahun) dan variabel biaya penambahan asesoris (X2 dalam ratusan
ribu rupiah/unit).
2 3 4 6 8 12 4 9 16
3 4 5 12 15 20 9 16 25
5 6 8 30 40 48 25 36 64
6 8 10 48 60 80 36 64 100
7 9 11 63 77 99 49 81 121
8 10 12 80 96 120 64 100 144
x 1 x 2
= y x x 1 2
x 1
y= x 2
y= x 1
2
= x 2
2
= y
2
=
=31 40 =50 =239 296 379 187 306 470
n=6
x = 31 1 x 2
= 40 y = 50
x x = 239
1 2 x 1
y = 296 x y = 379
2
x =187 x y = 470
2 2 2
1 2
=306
61
Sehingga didapatkan tiga persamaan berikut:
(i) 6a + 31 b1 + 40 b2 = 50
(ii) 31 a + 187 b1 + 239 b2 = 296
(iii) 40 a + 239 b1 + 306 b2 = 379
Kemudian
(iii) 40 a + 239 b1 + 306 b2 = 379 6
(i) 6a + 31 b1 + 40 b2 = 50 40
360 b2 = 270
b2 = 0,75
Dapatkan Nilai (b1) dan nilai (a) dengan melakukan substitusi, sehingga:
(v) 194 b1 + 236 b2 = 274
Perhatikan b2 = 0.75
194 b1 + 236 (0,75) = 274
194 b1 + 177 = 274
194 b1 = 97
b1 = 0,50
(i) 6a + 31 b1 + 40 b2 = 50
62
6a = 4,5
a = 0,75
Sehingga Persamaan Regresi Berganda
a + b1 X1 + b2 X2 dapat ditulis sebagai 0,75 + 0,50 X1 + 0,75 X2
• Koefisien Determinasi Sampel untuk Regresi Linier Berganda diberi notasi sebagai berikut
2
R y.12
• Sedangkan Koefisien Korelasi adalah akar positif Koefisien Determinasi atau
2
ry.12 = Ry.12
• Rumus
Ry2.12 = 1 − JKG
( n −1) s 2y
JKG : Jumlah Kuadrat Galat
sy² : Jumlah Kuadrat y (terkoreksi)
di mana
s y2 =
n y 2 − ( y ) 2
n(n − 1)
JKG = y 2 − a y − b1 x1 y − b2 x 2 y
Contoh 6:
Jika diketahui (dari Contoh 4)
n=6
x = 31
1 x 2
= 40 y = 50
x x = 239
1 2 x 1
y = 296 x y = 379
2
x = 187 x y = 470
2 2 2
1 2
= 306
2
Maka tetapkan R y.12 dan jelaskan arti nilai tersebut!
s =
2
n y 2 − ( y ) 2
=
6(470) − (50) 2 2820 − 2500 320
= = = 10.667
y
n(n − 1) 6(6 − 5) 30 30
0.25 0.25
Ry2.12 = 1 − JKG
= 1− = 1−
( n −1) s 2y
5 10.667 53.333
63
= 1 – 0,0046875
= 0,9953125
= 99,53%
2
Nilai R y.12 = 99,53% menunjukkan bahwa 99,53% proporsi keragaman nilai peubah Y (volume
penjualan) dapat dijelaskan oleh nilai peubah X (biaya promosi) dan X2 (biaya aksesoris) melalui
hubungan linier.
Sisanya sebesar 0,47% dijelaskan oleh hal-hal lain.
SOAL
1) Sebuah penelitian dilakukan untuk mengetahui apakah ada pengaruh makanan ikan (tiap hari
dalam sebulan) [X1] dan panjang ikan (mm) [X2] terhadap berat ikan (kg) [Y] di Mina Sejahtera.
Data sebagai berikut:
No X1 X2 Y
1 8 125 37
2 10 137 41
3 7 100 34
4 12 122 39
5 9 129 40
6 10 128 42
7 7 98 38
8 8 103 42
9 11 130 40
10 8 95 36
11 10 115 41
12 8 105 38
64
2) Berikut tabel pengeluaran dan pendapatan rumah tangga di RT 5 RW 2, Sukamaju, Bogor
RUMAH TANGGA
VARIABEL
I II III IV V VI VII
Pengeluaran (Y) 3 5 6 7 4 6 9
Pendapatan (X1) 5 8 9 10 7 7 11
4 3 2 3 2 4 5
Jumlah Anggota Keluarga (X2)
Pertanyaan :
a. Carilah Nilai Koefisien Korelasinya !
b. Jelaskan makna hubungannya !
65
BAB IX
STATISTIK NON PARAMETRIK
1. PENDAHULUAN
66
SUKSES tergantung dari apa yang ditanyakan (ingin diuji) dalam soal.
Jika yang ingin diuji A > B maka SUKSES adalah banyak tanda (+)
Jika yang ingin diuji A < B maka SUKSES adalah banyak tanda (–)
Contoh 1a:
Berikut adalah nilai preferensi konsumen terhadap 2 Merk Sabun Mandi. Dengan taraf nyata 1%,
ujilah apakah proporsi preferensi konsumen pada kedua merk bernilai sama?
Jika kita asumsikan LUXE lebih disukai dibanding GIVE maka SUKSES dalam sampel adalah p
= proporsi banyak tanda (+) dalam sampel
banyak positif 8
p= = = 0.62
n 13
q = 1 – p = 1 - 0.62 = 0.38
Karena ingin diuji proporsi yang suka LUXE = GIVE maka p0 = q 0 = 0.50
67
Langkah Pengujian:
1. H0 : p0 = 0.50 H1 : p0 0.50
2. Statistik Uji : z
3. Uji: 2 Arah
4. Taraf Nyata Pengujian = = 1% → /2 = 0.5% = 0.005
5. Daerah Penolakan H0
z < − z0.005 → z < -2.575 dan z > z0.005 → z > 2.575
◼◼◼ ◼◼◼
-2.575 0 2.575
0.87
7. Kesimpulan:
z hitung = 0.87 ada di daerah penerimaan H0 H0 diterima
Proporsi konsumen yang menyukai LUXE masih sama dengan yang menyukai
GIVE.
Contoh 1b:
Dengan menggunakan data pada Tabel 1 dan taraf nyata 1% ujilah apakah proporsi preferensi
konsumen pada sabun LUXE dibanding sabun GIVE sudah lebih dari 0.30?
p0 = 0.30
p0 = 1 - 0.30 = 0.70
68
5. Daerah Penolakan H0
z > z0.01 → z > 2.33
Daerah penolakan H0
◼◼◼
0 2.33
2.52
7. Kesimpulan:
z hitung = 2.52 ada di daerah penolakan H0 ,
H0 ditolak H1 diterima
Proporsi konsumen yang menyukai LUXE sudah lebih dari 0.30
Uji ini merupakan alternatif uji beda 2 rata-rata Parametrik dengan menggunakan t (Sampel-
sampel berukuran kecil).
Langkah pertama pengujian ini adalah pengurutan nilai mulai dari yang terkecil hingga terbesar.
Pengurutan dilakukan tanpa pemisahan kedua sampel.
Peringkat (R) =
urutan data yg bernilai sama
banyak data yg bernilai sama
69
Contoh 2a: Berikan peringkat (ranking) data dalam tabel berikut ini!
Dalam perhitungan hanya R1 yang digunakan, karena ia menjadi subyek dalam H0 dan H1 :
(a) H0 : 1 = 2 dan H1 : 1 2
70
Uji 1 arah dengan daerah penolakan z < − z
(b) H0 : 1 = 2 dan H1 : 1 2
Uji 1 arah dengan daerah penolakan z > z
(c) H0 : 1 = 2 dan H1 : 1 2
Uji 2 arah dengan daerah penolakan yaitu z < − z /2 dan z > z /2
Contoh 2b:
Berdasarkan Tabel 2 (lihat Contoh 2a), ujilah dengan taraf nyata 5%, apakah (peringkat) nilai
mahasiswa Fak, Ekonomi lebih besar dibanding mahasiswa Ilmu Komputer?
1. H0 : 1 = 2 H1 1 2
2. Statistik Uji : z
3. Uji 1 Arah
4. Taraf Nyata Pengujian = = 5% = 0.05
5. Daerah Penolakan H0
z > z0.051 → z > 1.645
Daerah penolakan H0
◼◼◼
0 1.645
6. Nilai statistik Uji :
R1 = 117 R2 = 93
n1 = 10 n2 = 10
n1 (n1 + n2 + 1) 10 (10 + 10 + 1) 10 21 210
R = = = = = 105
1
2 2 2 2
n1 n2 (n1 + n2 + 1) 10 10 21 2100
R = = = = 175 = 13.2287...
12 12 12
R1 − R1 117 − 105 12
z= = = = 0.90711... 0.91
R 1
175 13.228...
71
7. Kesimpulan:
z hitung = 0.91 ada di daerah penerimaan H0 , H0 diterima
(Peringkat) nilai UAS Statistika 2 di Fakultas Ekonomi = Fakultas Ilmu Komputer.
Prinsip pengerjaannnya sama dengan Uji Peringkat 2 Sampel Mann-Whitney, hanya fokus kini
dialihkan sampel dengan ukuran terkecil.
n1 = ukuran sampel ke 1
n2 = ukuran sampel ke 2
n1 n2 ukuran sampel ke 1 selalu lebih kecil dari sampel ke 2
W = jumlah peringkat pada sampel berukuran terkecil
n1 (n1 + n2 + 1)
Nilai Ekspektasi (W) = E(W) =
2
n1 n2 (n1 + n2 + 1)
Standar Error = SE =
12
W − E (W
Statistik Uji z=
SE
Penetapan urutan, peringkat dan H0 dan H1 sama dengan Uji Mann-Whitney
Departemen Q Departemen Z
Income Urutan Rangking Income Urutan Ranking
(ribu USD/tahun) (ribu
USD/tahun)
6 1 1 12 3 3
10 2 2 13 4 4
15 7 6 15 5 6
32 10 10 15 6 6
W= 19 20 8 8
31 9 9
38 11 11
40 12 12
Dengan taraf nyata 5% ujilah apakah (peringkat) pendapatan di departemen Q lebih kecil
dibandingkan departemen Z?
1. H0 : 1 = 2 H1 1 2
2. Statistik Uji : z
3. Uji 1 Arah
4. Taraf Nyata Pengujian = = 5% = 0.05
72
5. Daerah Penolakan H0
z < – z0.051 → z < –1.645
Daerah penolakan H0
◼◼◼
–1.645 0
n1 n2 (n1 + n2 + 1) 4 8 13 416
SE= = =
12 12 12
= 34.666... = 58878
. ... 589
.
W − E (W 19 − 26
z= = = −119
.
SE 589
.
7. Kesimpulan:
z hitung = –1.19 ada di daerah penerimaan H0 , H0 diterima
Peringkat Pendapatan di kedua departemen sama
Dua Uji terakhir (Mann-Whitney dan Wilcoxon) ditujukan untuk 2 sampel yang saling bebas
(independen), sedangkan Uji Peringkat Spearman ditujukan untuk penetapan peringkat data
berpasangan.
Konsep dan interpretasi nilai Korelasi Spearman ( Rs ) sama dengan konsep Koefisien Korelasi
pada Regresi (Linier Sederhana).
73
Statistik Uji z = RS ( n −1 )
Penetapan H0 dan H1 : Terdapat 3 alternatif H0 dan H1 :
Contoh 5:
Dua orang pakar (ahli) diminta memberikan peringkat kinerja pada 10 Bank di Indonesia.
Peringkat diberikan mulai dari bank terbaik = peringkat 1 sedang yang terburuk diberi peringkat
10. Hasilnya disajikan dalam Tabel 4.
Dengan taraf nyata 5% ujilah apakah apa korelasi antara peringkat yang diberikan kedua pakar?
1. H0 : R = 0 H1 : R 0
2. Statistik Uji : z
3. Uji 2 Arah
74
4. Taraf Nyata Pengujian = = 5% → /2 = 2.5% = 0.025
5. Daerah Penolakan H0
z < − z0.025 → z < -1.96 dan z > z0.025 → z > 1.96
◼◼◼ ◼◼◼
-1.96 0 1.96
7. Kesimpulan:
z hitung = 2.01 ada di daerah penolakan H0 H0 ditolak,
H0 ditolak H1 diterima
Ada korelasi/ada kecocokan pemberian peringkat oleh kedua pakar,
Catatan akhir:
Terdapat banyak ragam perhitungan Statistika Non-parametrik lainnya, mahasiswa sangat
dianjurkan mempelajari sendiri berbagai teknik perhitungan Statistika Non Parametrik tersebut.
75
BAB X
UJI CHI SQUARE
Pendahuluan
Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara :
frekuensi observasi/yg benar-benar terjadi/aktual
dengan
frekuensi harapan/ekspektasi
Contoh :
1. Sebuah dadu setimbang dilempar sekali (1 kali) berapa nilai ekspektasi sisi-1, sisi-2,
sisi-3, sisi-4, sisi-5 dan sisi-6 muncul?
2. Sebuah dadu setimbang dilempar 120 kali berapa nilai ekspektasi sisi-1, sisi-2, sisi-3,
sisi-4, sisi-5 dan sisi-6 muncul?
76
1.2. Bentuk Distribusi Chi Kuadrat (²)
Pengertian pada Uji ² sama dengan pengujian hipotesis yang lain, yaitu luas daerah penolakan
H0 atau taraf nyata pengujian
0 +
2. Uji Kecocokan
Contoh 1 :
Pelemparan dadu 120 kali, kita akan menguji kesetimbangan dadu . Dadu setimbang jika setiap
sisi dadu akan muncul 20 kali.
H0 : setiap sisi akan muncul = 20 kali.
H1 : ada sisi yang muncul 20 kali.
77
Contoh 2 :
2.2 Rumus ²
(oi − ei ) 2
k
=
2
i =1 ei
k : banyaknya kategori/sel, 1,2 ... k
oi : frekuensi observasi untuk kategori ke-i
ei : frekuensi ekspektasi untuk kategori ke-i
kaitkan dengan frekuensi ekspektasi dengan nilai/perbandingan dalam H0
2.3 Perhitungan ²
Contoh 3 :
Pelemparan dadu sebanyak 120 kali menghasilkan data sebagai berikut :
frekuensi 20 20 20 20 20 20
observasi 20 22 17 18 19 24
Solusi :
1. H0 : Dadu setimbang → semua sisi akan muncul = 20 kali.
H1 : Dadu tidak setimbang → ada sisi yang muncul 20 kali.
2. Statistik Uji ²
3. Nilai = 5 % = 0.05
k = 6 ; db = k - 1 = 6-1 = 5
4. Nilai Tabel ²
k = 6 ; db = k - 1 = 6-1 = 5
db = 5; = 0.05 → ² tabel = 11.0705
5. Wilayah Kritis = Penolakan H0 jika ² hitung > ² tabel (db; )
² hitung > 11.0705
6. Perhitungan ²
78
(oi − ei ) 2
k
=
2
i =1 ei
(catatan : Gunakan tabel seperti ini agar pengerjaan lebih sistematik)
kategori : oi ei ( oi - ei ) ( oi - ei )² ( oi - ei )²/ ei
sisi-1 20 20 0 0 0
sisi-2 22 20 2 4 0.20
sisi-3 17 20 -3 9 0.45
sisi-4 18 20 -2 4 0.20
sisi-5 19 20 -1 1 0.05
sisi-6 24 20 4 16 0.80
120 120 --------- -------------- 1.70
² hitung = 1.70
7. Kesimpulan :
² hitung = 1.70 < ² tabel
Nilai ² hitung ada di daerah penerimaan H0
H0 diterima; pernyataan dadu setimbang dapat diterima.
Contoh 4 :
Sebuah mesin pencampur adonan es krim akan menghasilkan perbandingan antara Coklat : Gula :
Susu : Krim = 5 : 2 : 2 : 1. Jika 500 kg adonan yang dihasilkan, diketahui mengandung 275 kg
Coklat, 95 kg Gula, 70 kg Susu dan 60 kg Krim, apakah mesin itu bekerja sesuai dengan
perbandingan yang telah ditentukan? Lakukan pengujian dengan taraf nyata = 1 %.
Solusi :
1. H0 : perbandingan Coklat : Gula : Susu : Krim = 5 : 2 : 2 : 1
H1 : perbandingan Coklat : Gula : Susu : Krim 5 : 2 : 2 : 1
2. Statistik Uji ²
3. Nilai = 1 % = 0.01
4. Nilai Tabel ²
k = 4; db =k -1 = 4-1= 3
db = 3; = 0.01 → ² tabel = 11.3449
5. Wilayah Kritis = Penolakan H0 jika ² hitung > ² tabel (db; )
² hitung > 11.3449
6. Perhitungan ²
k
(oi − ei ) 2
2 =
i =1 ei
kategori : oi ei ( oi - ei ) ( oi - ei )² ( oi - ei )²/ ei
Coklat 275 250*) 25 625 2.50
Gula 95 100 -5 25 0.25
Susu 70 100 -30 900 9.00
Krim 60 50 10 100 2.00
500 500 ----------- -------- 13.75
79
*) Perbandingan Coklat : Gula : Susu : Krim = 5 : 2 : 2 :1
Dari 500 kg adonan → Nilai ekspektasi Coklat = 5/10 x 500 = 250 kg
Nilai ekspektasi Gula = 2/10 x 500 = 100 kg
Nilai ekspektasi Susu = 2/10 x 500 = 100 kg
Nilai ekspektasi Krim = 1/10 x 500 = 50 kg
² hitung = 13.75
7. Kesimpulan :
² hitung > ² tabel ( 13.75 > 11.3449)
H0 ditolak, H1 diterima.
Perbandingan Coklat : Gula : Susu : Krim 5 : 2 : 2 :1
Data dalam pengujian ketergantungan dan beberapa proporsi disajikan dalam bentuk Tabel
Kontingensi.
Bentuk umum Tabel Kontingensi → berukuran r baris x k kolom
r,k
(oij − eij ) 2
=
2
i,j =1 eij
derajat bebas = (r-1)(k-1)
r : banyak baris
k : banyak kolom
oi,j : frekuensi observasi baris ke-i, kolom ke-j
ei,j : frekuensi ekspektasi baris ke-i, kolom ke-j
80
3.3 Perhitungan ²
Contoh 5 :
Kita akan menguji kebebasan antara faktor gender (jenis kelamin) dengan jam kerja di suatu
pabrik. Tabel kontingensi dapat dibuat sebagai berikut :
pria wanita Total Baris
Kurang dari 25 jam/minggu 2.33 2.67
2 3 5
25 sampai 50 jam/minggu 6.07 6.93
7 6 13
lebih dari 50 jam/minggu 5.60 6.40
5 7 12
Total Kolom 14 16 Total Observasi=
30
*) Nilai dalam kotak kecil adalah frekuensi ekspektasi
Perhatikan cara mendapatkan frekuensi ekspektasi!
Solusi :
1. H0 : Gender dan Jam kerja saling bebas
H1 : Gender dan Jam kerja tidak saling bebas
2. Statistik Uji = ²
3. Nilai = 5 % = 0.05
4. Nilai Tabel ² db = 2; = 0.05 → ² tabel = 5.99147
5. Wilayah Kritis : Penolakan H0 → ² hitung > ² tabel
² hitung > 5.99147
6. Perhitungan ²
16 x 12
wanita, > 50 jam = = 6.40
30
81
Selesaikan Tabel perhitungan ² di bawah ini.
kategori : oi ei ( oi - ei ) ( oi - ei )² ( oi - ei )²/ ei
P, < 25 2 2.33 -0.33 0.1089 0.1089/2.33 = 0.0467
P, 25 - 50 7 6.07 0.93 0.8649 0.1425
P, > 50 5 5.60 -0.60 0.36 0.0643
W, < 25 3 2.67 0.33 0.1089 0.0408
W, 25-50 6 6.93 -0.93 0.8649 0.1249
W, >50 7 6.40 0.60 0.36 0.0563
------ ----- -------- --------- ² hitung = 0.4755
7. Kesimpulan
Contoh 6 :
Berikut adalah data proporsi penyiaran film(satuan pengukuran dalam persentase (%) jam siaran
TV) di 3 stasiun TV. Apakah proporsi pemutaran Film India, Kungfu dan Latin di ketiga stasiun
Tv tersebut sama? Lakukan Pengujian proporsi dengan Taraf Nyata = 2.5 %
82
3. Nilai = 2.5 % = 0.025
4. Nilai Tabel ² db = 4; = 0.025 → ² tabel = 11.1433
5. Wilayah Kritis : Penolakan H0 → ² hitung > ² tabel
² hitung > 11.1433
6. Perhitungan ²
frekuensi harapan untuk
10 10 10 8
India, ATV = = 4.17 Kungfu, ATV = = 3.33
24 24
10 6
Latin, ATV = = 2.50
24
7 10 78
India, BTV = = 2.92 Kungfu,BTV = = 2.33
24 24
76
Latin,BTV = = 175
.
24
7 10 78
India,CTV= = 2.92 Kungfu,CTV = = 2.33
24 24
7x6
Latin, CTV = = 1.75
24
kategori : oi ei ( oi - ei ) ( oi - ei )² ( oi - ei )²/ ei
Ind,ATV 4.5 4.17 0.33 0.1089 0.1089/4.17 = 0.0261
Kf,ATV 2.5 3.33 -0.83 0.6889 0.2069
Lat,ATV 3.0 2.50 0.50 0.2500 0.1000
Ind,BTV 3.5 2.92 -0.58 0.3364 0.1152
Kf,BTV 1.0 2.33 -1.33 1.7689 0.7592
Lat,BTC 2.5 1.75 0.75 0.5625 0.3214
Ind,CTV 2.0 2.92 -0.92 0.8464 0.2899
Kf,CTV 4.5 2.33 2.17 4.7089 2.0201
Lat,CTV 0.5 1.75 -1.25 1.5625 0.8929
24 ------ ------- --------- ² hitung = 4.7317
83
SOAL
1. Seorang peneliti ingin mengetahui kemungkinan beberapa deterjen yang dipakai oleh ibu-ibu di
sebuah desa. Berdasarkan pengamatan ditemukan 36 memakai rinso , 29 memakai daia, 22
memakai attack, dan 13 memakai wings.
Rumusan masalah: Apakah ada kecenderungan ibu-ibu sebuah desa dalam memakai deterjen?
H0 : kemungkinan ibu-ibu sebuah desa memakai deterjen yang sama.
Ha : kemungkinan ibu-ibu sebuah desa tidak memakai deterjen yang sama.
α = 0,05
84
DAFTAR PUSTAKA
Subagyo, Pangestu dan Djarwanto. 2014. Statistik Induktif. Yogyakarta: BPFE UGM.
85