Tugas Kelompok Dosen Pengampuh

Probabilitas dan Statistika SUWANTO SANJAYA, ST

DISTRIBUSI DAN PENGUJIAN

Disusun Oleh
ABDULLAH ARIEF (10951005565)

Kelas
A (Semester III)

FAKULTAS SAINS DAN TEKNOLOGI

JURUSAN TEKNIK INFORMATIKA
UNIVERSITAS ISLAM NEGERI
SULTAN SYARIF KASIM
RIAU
2010

1
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Probabilitas dan Statistika banyak berperan penting dalam kehidupan
kita sehari-hari. Pada dasarnya Probabilitas dan Satatistika merupakan alat
bantu untuk member gambaran atas suatu kejadian melalui bentuk yang
sederhana, baik merupa angka-angka maupun grafik-grafik. Dan teori
probabilitas berkembang dari permainan gamblang, dimana setiap tebakan
mengandung unsur kemungkinan keluar maupun tidak mungkin keluar,
secara spesifik pernyataan tersebut dapat diartikan sebagai gambaran sebuah
pernyataan yang biasa kita sebut probabilitas.
Dan dalam hal ini penulis mencoba untuk menjelaskan keterkaitan
tentang distribusi dan pengujian yang terdapat pada probabilitas, sehingga
menjadi bahan materi yang baik untuk dapat dipelajari kita bersama dalam
penerapan kehidupan sehari-hari.

1.2 Rumusan Masalah

Beberapa yang menjadi topik sentral permasalahan dalam makalah ini

yang akan dibahas adalah:

1.2.1 Apa itu distribusi probabilitas ?

1.2.2 Apa saja yang termasuk distribusi probabilitas ?
1.2.3 Bagaimana pengujian probabilitas tersebut ?

2
 KATA PENGANTAR

Puji syukur alhamdulillah penulis sampaikan atas kehadirat Allah SWT. yang
telah melimpahkan rahmat dan karunia-Nya, sehingga penulis dapat
menyelesaikan makalah ini dengan baik. Shalawat dan salam tak lupa pula penulis
sampaikan kepada Nabi Muhammad SAW yang diutus untuk menjadi rahmat
sekalian alam. Seiring dengan itu, tidak lupa penulis ucapkan terimakasih kepada
dosen pembimbing yang telah memberikan motivasi dalam menyelesaikan
makalah ini.

Dalam makalah ini menjelaskan secara ringkas mengenai DISTRIBUSI dan

PENGUJIAN PROBABILITAS. Akan tetapi, Penulis menyadari akan kekurangan
dari makalah ini. Karena “Tak ada gading yang tak retak”. Setiap kesalahan tidak
akan luput dalam penulisan makalah ini. Oleh karena itu, saran dan masukan dari
berbagai pihak sangat penulis harapkan untuk penyempurnaan makalah ini dan
semoga dengan selesainya makalah ini dapat berguna bagi pembaca.

Penulis

3
 DAFTAR ISI

KATA PENGANTAR.......................................................................................... i
DAFTAR ISI......................................................................................................... ii

BAB I PENDAHULUAN.................................................................................... 1
1.1 Latar Belakang…………………………………………………….……… 1
1.2 Rumusan Masalah……………………………………………………...… 1

BABII PEMBAHASAN....................................................................................... 2
A. Distribusi Probabilitas……………………………………………….…….. 2
B. Distribusi Probabilitas Diskrit……………………………………………... 2
C. Fungsi Distribusi Untuk Variabel Acak……….……..……………………. 3
D. Fungsi Distribusi Variabel Acak Diskrit.…...…………………...………… 4
E. Distribusi Probabilitas Kontinu………………...………………………….. 6
F. Variabel-variabel Acak Kontinu…………………………………………… 6
G. Distribusi Probabilitas Gabungan………………………………………….. 8
H. Pengujian Probabilitas……………………………….…………………… 13

BAB III PENUTUP............................................................................................. 21

A. KESIMPULAN….......................................................................................... 21
B. SARAN............................................................................................................ 21

DAFTAR PUSTAKA......................................................................................... iii

4
 BAB II
PEMBAHASAN

DISTRIBUSI PROBABILITAS
Kunci aplikasi probabilitas dalam statistik adalah memperkirakan terjadinya
peluang/probabilitas yang dihubungkan dengan terjadinya peristiwa tersebut
dalam beberapa keadaan. Jika kita mengetahui keseluruhan probabilitas dari
kemungkinan outcome yang terjadi, seluruh probabilitas kejadian tersebut akan
membentuk suatu distribusi probabilitas.
Distribusi Probabilitas secara umum terbagi dalam 3, yaitu :
1. Distribusi Probabilitas Diskrit
2. Distribusi Probabilitas Kontinu
3. Distribusi Probabilitas gabungan

DISTRIBUSI PROBABILITAS DISKRIT

Misalkan X adalah variable acak diskrit, dan misalkan kemungkinan nilai-
nilainya adalah disusun dalam suatu urutan tertentu. Misalkan juga
nilai-nilai ini memiliki probabilitas yang dinyatakan oleh

k = 1, 2, ..

Ada baiknya disini kta berkenalan dulu dengan fungsi probabilitas ,

dikenal juga sebagai distribusi probabilitas, yaitu untuk x = , persamaan ini
tereduksi menjadi persamaan (1) sementara untuk nilai-nilai dari x, f (x) = 0.
Secara umum, f (x) adalah fungsi probabilitas jika
1. f (x)
2.

di mana jumlah pada mnomor 2 dihitung untuk semua nilai x yang mungkin.

Contoh 1

5
 Asumsikan sebuah koin logam dilemparkan dua kali sehingga ruang sampelnya
adalah S = {KK, KE EK, EE}. Misalkan X menyatakan banyaknya kepala yang
muncul. Untuk setiap titik sampel kita dapat mengasosiasikan suatu bilangan
untuk X sebagaimana tampak pada table lemparan koin , jadi sebagai contoh
untuk KK=2 kepala, sementara untuk EK= 1 kepala, untuk EK=1 kepala, dan EE=
tidak ada,, maka X adalah variable acak.

Tabel 1
Titik sampel KK KE EK EE
X 2 1 1 0

P(KK)= 1/4 P(KE)=1/4 P(EK)=1/4 P(EE)=1/4

Maka
P(X=0) = P(EE) = 1/4
P(X=1) = P(KE EK)=P(KE)+P(EK) = 1/2
P(X=2) = P(KK)= 1/4

Maka fungsi probabilitasnya adalah sebagaimana tampak pada tabel

X 0 1 2
F (x) 1/4 1/2 1/4

FUNGSI DISTRIBUSI UNTUK VARIABEL ACAK

Fungsi Distribusi Kumulatif / Fungsi Distribusi, untuk suatu variabel acak X
didefinisikan sebagai :
F(X) = P(X

Di mana x adalah sembarang bilangan riil, yaitu - .

Fungsi distribusi F(x) memiliki sifat-sifat berikut ini :

1. F(x) tidak mengecil (nondecreasing) [artinya, F(x) ≤ F(y) jika x ≤ y].

6
 2.

3. F(x) kontinu dari kanan [artinya, untuk semua

x].

FUNGSI DISTRIBUSI UNTUK VARIABEL ACAK DISKRIT

Fungsi distribusi untuk suatu variabel acak diskrit X dapat diperoleh dari
fungsi probabilitasnya dengan memperhatikan bahwa, untuk semua x dalam (-
∞,∞),

Di mana jumlah tersebut adalah untuk semua nilai u yang dipakai oleh X untuk
mana u ≤ x. Jika X hanya memiliki nilai-nilai , , …, xn yang berjumlah finit,
maka fungsi distribusinya adalah

Contoh. (a) Tentukanlah fungsi distribusi untuk variabel acak X pada contoh 1
(b) Gambarlah grafiknya.

(a)Fungsi distribusinya adalah

7
(b)Grafik F(x) adalah

Dalam fungsi distribusi di atas secara umum berlaku :

1. Besarnya lompatan pada 0, 1, 2 adalah 1/4,1/2,1/4 yang tidak lain adalah

probabilitas dari tabel 1, kita dapat memperoleh fungsi probabilitas dari
fungsi distribusi.

2. Karena tampilan grafik di atas seperti itu, fungsi ini biasa disebut fungsi
tangga atau fungsi langkah.

3. Saat kita bergerak dari kiri ke kanan(yaitu menaiki tangga), fungsi

disribusi bias tetap sama atau bias juga meningkat dengan nilai dari 0 ke 1.
Karena itu fungsi tersebut dikatakan sebagai fungsi yang bertambah
secara monoton.

Sesuai dari keterangan di atas dan dari sifat-sifat fugnsi distribusi jelaslah
bahwa fungsi probabilitas dari suatuvariabel acak diskrit dapat diperoleh dari
fungsi distribusi dengan memperhatikan bahwa

8
DISTRIBUSI PROBABILITAS KONTINU
Variabel X dapat menyandang himpunan nilai kontinu. Dalam hal ini polygon
frekuensi-relatif dari satu sampel akan menjadi sebuah kurva kontinu (secara
teoritis atau untuk kasus terbatas dari suatu populasi), yang memiliki persamaan Y
= p(X) seperti gambar :

Total luas area di bawah kurva ini dan dibatasi oleh sumbu X sama dengan 1, dan
luas area di bawah kurva di antara garis-garis X = a dan X = b (luas yang diarsir)
akan memberikan probabilitas bahwa X terletak di antara a dan b, yang
dinyatakan sebagai Pr{a<X<b}.
Kita sebut p(X) sebagai fungsi kerapatan (densitas) probabilitas, atau singkatnya
fungsi kerapatan. Dan jika fungsi seperti ini diberikan maka kita katakana bahwa
distribusi probabilitas kontinu untuk X telah tersefinisikan. Variabel X selanjutnya
disebut sebagai Variabel Acak Kontinu.

VARIABEL-VARIABEL ACAK KONTINU

Suatu variabel acak nondiskrit X dikatakan kontinu mutlak (absolutely
continuous), atau biasa disingkat kontinu saja, jika fungsi distribusinya dapat
dinyatakan sebagai

(persamaann 1)

9
Di mana fungsi f (x) memiliki sifat-sifat
1. f(x) ≥ 0

2.

Sesuai dengan di atas diketahui bahwa jika X adalah suatu variabel acak
kontinu, maka probabilitas bahwa X memiliki suatu nilai khusus adalah nol,
sementara probabilitas interval bahwa X terletak antara dua nilai yang berbeda,
misalnya a dan b, ditentukan oleh

(persamaan 2)

Contoh 1 . Jika seseorang dipilih secara acak dari suatu kelompok besar pria
dewasa, probabilitas bahwa ia memiliki tinggi X yang tepat 68 ini (yaitu, 68,000
… inci) adalah nol. Akan tetapi, ada probabilitas yang lebih besar daripada nol
bahwa X terletak antara 67,000 … inci dan 68,500 inci, misalnya.
Suatu fungsi f(x) yang memenuhi persyaratan di atas disebut sebagai suatu
fungsi probabilitas / distribusi probabilitas untuk suatu variabel acak kontinu,
tetapi lebih sering disebut sebagai suatu fungsi kepadatan probabilitas atau
disingkat fungsi kepadatan. Suatu fungsi f(x) yang memenuhi sifat 1 & 2 di atas,
akan secara otomatis merupakan suatu fungsi kepadatan, dan dengan demikian
probabilitas-probabilitas yang dibutuhkan dapat diperoleh dari persamaan 2 di
atas.

Contoh 2. (a) Tentukanlah konstanta c sedemikian rupa sehingga fungsi

Adalah suatu fungsi kepadatan, dan (b) hitunglah P(1<X<2).

(a) Mengingat f(x) memenuhi sifat 1 jika c 0, maka f(x) harus memenuhi
sifat 2 agar dapat menjadi suatu fungsi kepadatan. Sekarang

Dan karena persamaan ini harus sama dengan 1, kita memperoleh c = 1/9

10
 (b)

Jika f(x) kontinu, yang merupakan suatu asumsi yang harus kita ambil kecuali
jika dinyatakan berbeda, probabilitas bahwa X sama dengan suatu nilai
tertentu adalah pada Persamaan 2 dengan . Jadi, pada Contoh ke 2

DISTRIBUSI PROBABILITAS GABUNGAN

Konsep-konsep di atas dengan mudah digeneralisasi untuk dua atau lebih
variabel acak. Mari kita lihat kasus tipikal dari dua variabel yang keduanya diskrit
atau keduannya kontinu. Dalam kasus di mana satu variabelnya diskrit sementara
yang lainnya kontinu, kita dapat dengan mudah membuat modifikasi yang sesuai.
Generalisasi untuk lebih dari dua variabel juga dapat dilakukan.
1. KASUS DISKRIT

Jika X dan Y adalah dua variabel acak diskrit, kita mendefinisikan fungsi
probabilitas gabungan X dan Y sebagai
P(X= x, Y= y) = f (x,y)

Dimana 1. F (x,y) 0

2. ∑ ∑ f(x,y) =1

x y

dengan kata lain, jumlah dari seluruh nilai x dan y adalah satu.

Misalkan X dapat diasumsikan sebagai salah satu dari m nilai x1, x2, …,
xm dan Y dapat diasumsikan sebagai salah satu dari n nilai y1, y2, …, yn.
Maka probabilitas dari kejadian di mana X = xj dan Y= yk ditentukan oleh
P(X = xj, Y = yk) = f (xj, yk)

11
 Suatu fungsi probabilitas gabungan untuk X dan Y dapat
dinyatakan oleh tabel gabungan sebagaimana yang tampak pada tabel
berikut. Dimana probabilitas X = xj diperoleh dengan menjumlahkan
semua entri-entri dalam baris yang bersesuaian dengan xi dan ditentukan
oleh
P(X = xj ) = f1 (xj) = f (xj, yk)

Untuk j = 1, 2, …, m, hasil ini ditulis sebagai total entri pada kolom atau
marjin paling kanan dari tabel di atas. Dengan cara yang sama,
probabilitas bahwa Y = yk, diperoleh dengan menjumlahkan semua entri
dalam kolom yang sesuai dengan yk dan di tentukan oleh

P(X = yk ) = f2 (yk) = f (xj, yk)

Untuk k = 1, 2, …, n, hasil ini ditulis sebagai total pada baris akhir atau
marjin paling bawah pada tabel di atas.
Karena probabilitas (15) dan (16) diperoleh dari marjin-marjin hasil tabel,
kita seringkali menyebut f1 (xj) dan di dalam f2(yk) [atau hanya f1 (x) dan f2

12
 (y)], berturut-turut sebagai fungsi-fungsi probabilitas marjinal dari X dan
Y. perlu juga dicatat juga bahwa

f (xj)= 1 f ( yk)= 1

Yang dapat ditulis

m n
∑ ∑ f(xj,yk) =1
j=1 k=1

ini tidak lain merupakan pernyataan bahwa probabilitas total dari semua
entri adalah 1. Total keseluruhan sebesar 1 tertulis pada sudut kanan
bawah dari tabel.
Fungsi distribusi gabungan dari X dan Y didefinisikan oleh

Dalam tabel diatas, F(x,y) adalah jumlah dari semua entri di mana
xj dan yk .

1. KASUS KONTINU.

Kasus di mana kedua variabel adalah kontinu dapat dipecahkan secara

mudah dengan menggunakan analogi dari kasus diskrit dengan
menggantikan jumlah dengan integral. Jadi fungsi probabilitas gabungan
untuk variabel-variabel acak X dan Y (atau lebih umum disebut fungsi
kepadatan gabungan dari X dan Y) didefinisikan oleh
1. f(x,y) 0

2.

Secara grafis z = f(x,y) merepresentasikan suatu permukaan, yang

disebut sebagai permukaan probabilitas, sebagaimana tampak pada

13
 Gambar. Jumlah volume yang dilingkupi oleh permukaan ini dan bidang
xy adalah sama dengan 1 sesuai dengan sifat 2 di atas. Probabilitas bahwa
X terletak di antara a dan b sementara Y terletak di antara c dan d dapat
ditentukan secara grafis oleh volume yang tampak diarsir pada Gambar
dan secara matematis oleh

(persamaan 1)

Secara lebih umum, jika A merepresentasikan suatu kejadian, aka nada

suatu daerah pada bidang xy yang bersesuaian dengannya. Dalam
kasus semacam ini kita dapat menentukan probabilitas A dengan
melakukan integrasi terhadap , yaitu,
(persamaan 2)

14
Fungsi distribusi gabungan X dan Y dalam kasus ini didefinisikan oleh
(Persamaan 3)

Maka, mengikuti analogi sesuai persamaan ,

yang berarti, fungsi kepadatan diperoleh dengan melakukan diferensiasi fungsi

distribusi terhadap x dan y. Dari persamaan 3 kita memperoleh
(Persamaan 4)

(Persamaan 5)

Kita menyebut persamaan 4 dan 5 sebagai fungsi distribusi marjinal, atau

disingkat fungsi distribusi, dari X dan Y secar berturut-turut. Turunan dari
persamaan 4 dan 5 terhadap x dan y disebut sebagai fungsi kepadatan
marjinal, atau biasa disingkat fungsi kepadatan, dari X dan Y dan
ditentukan oleh

15
 PENGUJIAN PROBABILITAS

Kebanyakan orang beranggapan bahwa tujuan utama titik analisis statistik

adalah untuk membuktikan, atau menyangkal sebuah pendapat.

MENYATAKAN HIPOTESIS
Satu kegunaan utama statistik adalah menguji hipotesis ilmiah. Pertama-tama,
penyidik membentuk sebuah hipotesis penelitian yang menyatakan sebuah
harapan untuk diuji. Kemudian penyidik menurunkan sebuah pernyataan yang
berlawanan dengan hipotesis penelitian. Pernyataan ini disebut hipotesis nol
(dalam notasi : H0) yang sebenarnya diuji adalah hipotesis nol, bukan hipotesis
penelitian. Jika hipotesis nol bisa ditolak, maka hipotesis nol tersebut diambil
sebagai bukti hipotesis penelitian (juga disebut hipotesis alternative, didalam
notasi Ha). Karena uji-uji individu jarang bersifat meyakinkan, maka biasanya
tidak dikatakan bahwa hipotesis penelitian telah ”dibuktikan” melainkan hanya
telah didukung.

16
Sebuah contoh hipotesis penelitian yang membandingkan dua kelompok mungkin
terlihat seperti berikut :
Keahlian matematika murid-murid kelas 4 SD kartika berada berbeda
dengan keahlian matematika murid-murid kelas 4 SD Maju.
Atau dalam notasi : Ha : 1 2

Atau kadang-kadang : Ha : 1 2 0

Hipotesis nolnya adalah :

Murid-murid kelas 4 SD Kartika sama ahlinya dalam matematika dengan
murid-murid kelas 4 SD Maju.

Dalam notasi : H0 : Ha : 1 2

Atau : H0 : 1 2 0

Beberapa hipotesis penelitian bersifat lebih spesifik karena tidak hanya

memprediksi perbedaannya saja tetapi juga perbedaan dalam arah tertentu :
Murid –murid kelas 4 SD Kartika lebih ahli matematika dari murid-murid
kelas 4 SD Maju.

Dalam notasi : Ha : Ha : 1 2

Atau : Ha : 1 2 0

Hipotesis nol yang menemaninya harus sama-sama spesifik sehingga semua

kemungkinan nya terpenuhi :
Murid-murid kelas 4 SD Kartika lebih buruk dalam bidang matematika,
atau sama dengan murid-murid kelas 4 SD Maju.

Dalam notasi : H0 : Ha : 1 2

17
 Atau : H0 : 1 2 0

STATISTIK UJI
Pengujian hipotesis meliputi penggunaan sebaran bagian yang sudah
diketahui, seperti sebaran normal, untuk memperkirakan probabilitas
ditemukannya suatu nilai sebagai hasil peluang. Peneliti biasa nya bertaruh bahwa
probabolitasnya akan rendah karena itu berarti hasil ujinya tidak selalu kebetulan
tetapi benar-benar terjadi karena teori penelitiannya benar. Sebagai contoh, kamu
bukannya tidak beruntungketika mendapatkan satu kardus kue yang hanya berisi
lima kue kering, tetapi karena kesalahan pengepakan.
Untuk menguji hipotesisnya, kamu harus menentukan terlebih dahulu
bilangan yang akan dingunakan untuk menentukan apakah hipotesis nol nya
ditolak atau tidak. Bilangan ini kadang-kadang disebut nilai kritis atau niali yang
ditabelkan karena dapat dicari pada table. Nilai tersebut mewakili aras
probabilitas yang akan kamu gunakan untuk menguji hipotesis. Jika statistik uji
yang dihitung mempunyai probabilitas lebih kecil dari pada yang dipunyai nilai
kritis, maka hipotesis nolnya akan ditolak.
Sebagai contoh, anggaplah kamu ingin menguji teori bahwa cahaya
matahari membantu mencegah depresi. Satu hipotesis yang diturunkan dari teori
ini mungkin menyatakan bahwa berdasarkan catatan rumah sakit, jumlah depresi
di daerah yang lebih banyak disinari matahari lebih rendah dari pada rerata
nasional adalah 17 per 10.000. kamu ingin mengambil purata contoh catatan
rumah sakit tentang jumlah depresi di daerah yang lebih banyak disinari matahari
dan membandingkannya dengan rerata nasional.

Hipotesis penelitianmu :

Purata catatan tahunan tentang banyak depresi dari rumah sakit yang ada
di daerah yang lebih banyak disinari cahaya matahari kurang dari 17 per
10.000.

18
 Dalam notasi : Ha : 1 17 per 10.000

Hipotesis nolnya adalah :

Purata catatan tahunan tentang banyaknya depresi dari rumah sakit yang
ada di daerah lebih banyak disinari cahaya matahari sama dengan atau
lebih dari 17 per 10.000.

Dalam notasi : H0 : 1 17 per 10.000

Langkah berikutnya yang harus kamu lakukan adalah memilih aras

probabilitas untuk ujian. Kamu mengetahui bahwa purata contohnya harus lebih
rendah dari 17 per 10.000 untuk menolak hipotesis nolnya, tetapi seberapa
rendah ? kamu bias menetapkan aras probabilitas 95 persen. Artinya, jikia purata
catatan tahunan tentang banyaknya depresi dari jumlah rumah sakit yang ada di
derah yang lebih banyak di sinari matahari sangat rendah sehingga peluang
mendapatkan banyaknya depresi dari contoh yang dipilih secara acak peluang
kurang dai 5 persen, maka kamu akan menolak hipotesis nol dan menyimpulkan
bahwa ada sebuah bukti untuk mendukung hipotesis bahwa terkena matahari akan
mengurangi resiko terkenanya depresi.

UJI SATU EKOR DAN DUA EKOR

Pada contoh sebelumnya, kita menguji hipotesis penelitian yang
memprediksikan tidak hanya purata contoh akan berbeda dari purata populasi.,
tetapi juga berbeda dalam sebuah arah khusus yaitu akan lebih rendah. Uji ini
disebut uji berarah atau uji satu ekor karena keseluruhan bagian penolakan
berada satu ekor sebaran.

Beberapa hipotesis hanya memprediksi bahwa satu nilai akan berbeda dari
nilai yang lainnya, tanpa memprediksikan mana yang lebih tinggi. Uji hipotesis
sperti ini adalah tidak-berarah atau dua ekor karena statistik uji ekstrem dalam

19
kedua ekor sebaran (positif atau negatif) akan mengarah ke penolakan hipotesis
nol yang menyatakan tidak adanya perbedaan.

Anggaplah kamu berprasangka bhawa penampilan uji keahlian sebuah kelas

tidak mewakili orang-orang yang telah mengikuti ujian tersebut. Skor rerata
nasional untuk ujian itu adalah 74.

Hipotesis penelitiannya :

Purata skor kelas pada ujian tersebut bukanlah 74.

Atau dalam notasi : Ha : 74

Hipotesis nolnya adalah :

Purata skor kelas pada ujian adalah 74.
Dalam notasi : H0 : 1 74
Seperti contoh yang terakhir, kamu memutuskan untuk menggunakan tingkat
probabilitas 95 persen untuk ujian. Kedua ujian mempunyai bagian penolakan,
yaitu lima persen, atau 0,05. Akan tetapi, pada contoh ini, bagian penolakannya
harus dibagi antara kedua skor sebaran 0,025 di bagian ekor atas dan 0.025 di
bagian ekor bawah. Karena hipotesismu hanya menetapkan satu perbedaan, bukan
arah. Kamu akan menolak hipotesis nol yang menyatakan tidak adanya perbedaan
jika purata contoh kelas tersebut sangat lebih besar atau sangat lebih kecil dari
purata populasi 74. Pada contoh sebelumnya, hanya purata contoh yang lebih
rendah dari purata populasi yang akan mengarah ke penolakan hipotesis nol.

Dalam prakteknya, kamu harus menggunakan uji satu ekor hanya saat kamu
mempunyai alasan yang lebih untuk berharap bahwa perbedaannya akan berada
dalam arah terytentu. Ujian dua ekor lebih konservatif dari tujuan satu ekor karena
menggunakan statistik uji yang lebih ekstrem untuk menolak hipotesis nol.

Galat Tipe I dan II

20
 Kamu telah menggunakan probabilitas untuk memutuskan apakah sebuah uji
statistic menyediakan bukti yang mendukung atau menolak perkiraanmu. Jika
kemungkinan mendapatkan satatistik uji yang disyaratkan dari populasi sangat
kecil, maka kamu menolak hipotesis nol nya dan mengatakan bahwa kamu telah
mendukung dugaan mu bahwa contoh yang kamu uji berada dari populasi.
Akan tetapi, kamu bias juga salah. Bahkan jika kamu memilih aras
probabilitas 95 persen dan berarti ada 5 persen peluang, atau 1 dalam 20, kamu
bias menolak hipotesis nol pada kenyataan benar. Kamu juga bias berlaku
sebaliknya; kamu mungkin gagal menolak hipotesis nol yang pada kenyataannya
salah. Kedua galat ini berturut-turut disebut tipe I dan tipe II. Table 6-1
menyajikan empat keluaran yang mungkin dari setiap hipotesis yang berdasarkan
(1) apakah hipotesis nolnya diterima atau ditolak dan (2) apakah pada
kenyataannya hipotesis nolnya benar.

Tabel 6-1 Tipe-Tipe Galat Statistik

H0 sebenarnya :

Benar Salah

Uji menolak H0 galat Tipe I benar

Keputusan menerima H0 benar galat Tipe II

Galat tipe I sering kali diakhiri oleh huruf yunani alfa (α) dan galat tipe II
diwakili huruf yunani beta (β). Dalam memilih aras probabilitas untuk sebuah uji,
kamu sebenarnya sedang memutuskan seberapa banyak kamu ingin mengambil
resiko untuk melakukan galat tipe I menolak hipotesis nol yang pada
kenyataannya benar. Untuk alasan ini, daerah dalam bagian penolakan kadang-

21
kadang disebut aras alfa daerah tersebut mrnyatakan kemungkinan melakukan
galat Tipe I.
Untuk menggambarkan galat tipe II atau β, perlu untuk membayangkan
sebaran yang dekat dengan sebaran hipotesis nol, yaitu sebaran kedua untuk
alternative yang benar (lihat gambar 6-3). Jika hipotesis alternatifnya benar, tetapi
kamu gagal menolak hipotesis nol untuk semua nilai statistik uji yang jauh
disebelah kiri nilai kritis, maka daerah kurva hipotesis alternatifnya (hipotensi
benar) berada disebelah kiri nilai kritis yang mewakili persentase waktu bahwa
kamu akan membuat galat tipe II.

Galat tipe I dan tipe II berbanding terbalik: ketika salah stunya naik, yang lain
akan turun. Galat tipe I atau α (alfa) biasanya dilakukan oleh peneliti pada awal
proses. Laju galat tipe II untuk uji yang disaratkan lebih sulit untuk diketahui
karena perlu memperkirakan sebaran hipotesis alternatifenya, yang biasanya tidak
diketahui.

Konsep yang terkait adalah kuasa, yaitu probabilitas bahwa sebuah uji akan
menolak hipotesis nol yang pada kenyataannya salah. Kamu bias melihat dari
gambar 6-3 bahwa kuasa adalah 1 dikurangi laju galat tipe II (β). Nilai kuasa yang
tinggi adalah yang diinginkan. Seperti β, kuasa bias sulit untuk diperkirakan
dengan tepat, tetapi peningkatan ukuran contoh selalu meningkatkan kuasa.

KENYATAAN
Bagaimana kamu mengetahui seberapa besar keyakinanmu untuk
memasukkan keluaran sebuah uji hipotesis? Ahli statistik memberikan ukuran itu
dengan kenyataan statistik, atau kemungkinan mendapatkan hasil yang
disyaratkan oleh peluang. Konsep ini telah dinyatakan dengan menggunakan
beberapa istilah: probabilitas, daerah kurva, laju galat tipe I, dan seterusnya.
Penyajian dengan kenyataan lain yang sering digunakan adalah huruf p (untuk
probabilitas) dan sebuah bilangan diantara 0 dan 1. Ada beberapa cara untuk
mrujuk aras kenyataan bagi suatu uji, dan penting untuk menjadi terbiasa
dengannya. Sebagai contoh, semua pernyataan berikut ini adalah sama:

22
 Hasil temuan tepat pada aras 0,05.
Aras kepercayaan adalah 95 persen
Aras alfa 0.05.
α=0,05
Ada 1 dari 20 peluang untuk mendapatkan hasil ini.
Area bagian penolakan adalah 0,05.
Nilai-p adalah 0,05.
p=0,05

Semakin kecil aras nyarta p, semakin kuat ujinya dan semakin besar
kemungkinan bahwa kesimpulan benar. Aras nyata biasanya dipilih dengan
pertimbangan factor-faktor lain yang mengakibatkan dan di akibatkan oleh nya,
seprti ukuran conton, perkiraan ukuran dari akibat yang diuji, dan konsekuensi
membuat kesalahan. Aras nyata umum adalah 0,05 (1 peluang dalam 20), 0,01 (1
peluang dalam 100), dan 0,001 (1 peluang dalam 1.000)
Hasil uji hipotesis seperti yang telah dilihat, adalah hipotesis nol ditolak atau
tidak. Aras nyata untuk uji diatur terlebih dahulu oleh peneliti dalam memilih nilai
uji kritis. Tetapi, jika hasil penghitungan statistic uji cukup besar (atau kecil).
Untuk menolak hipotesis nol, biasanya digunakan nilai p yang diteliti
(sebenarnya) untuk melaporkan statistik.

23
 BAB III
PENUTUP

A. KESIMPULAN

Distribusi dan pengujian memiliki peran yang erat satu sama lain dalam
penentuan suatu data byang diperoleh daalam probabilitas. Distribusi ini
tergolong atas yang bersifat diskrit dan juga kontinu. Hal ini tidak lepas pula
dalam penentuan uji statistika yang dipakai dalam kehidupan sehari-hari. Dan
oleh karena itu, maka stiap data yang dihasilkan baik diskrit ataupun kontinu
harus dilakukan pengujian hipotesisnya.

B. Saran

Kami selaku pemakalah mohon maaf atas segala kekurangan yang terdapat
dalam makalah ini, oleh karena itu kami mengharapkan kritik dan saran dari
teman-teman semua agar makalah ini dapat dibuat dengan lebih baik lagi.

24
 DAFTAR PUSTAKA

http://berandakami.files.wordpress.com/2008/10/distribusi_probabilitas.pdf.
Amiyella Endista dalam format persentasi.

Murray R. Spiegel, Ph.D., dkk. 2004. Probabilitas dan Statistik (edisi ke-2).
Jakarta : Erlangga

Murray R. Spiegel, Ph.D., dkk. 2007. Statistik (edisi ke-3). Jakarta : Erlangga

David H. Voelker, MA., dkk. 2004. Seri Matematika Keterampilan Statistika.

Bandung : Pakar Raya

25