STATISTIKA NONPARAMETRIK

UJI SATU SAMPEL

Oleh :

Kelompok 2

Lisa Syahria Hasiru (413417018)

Muftih Alwi Aliu (413417025)
Chairunnisa Y. Tilolango (413417027)
Karmila Thalib (413417033)

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI GORONTALO
TAHUN 2019
 KATA PENGANTAR

Puji syukur Alhamdulillah kami panjatkan ke hadirat Tuhan Yang Maha Esa, karena
telah melimpahkan rahmat-Nya berupa kesempatan dan pengetahuan sehingga makalah ini
bisa selesai pada waktunya. Terima kasih juga kami ucapkan kepada teman-teman yang telah
beekontribusi dengan memberikan ide-ide sehingga makalah ini bias disusun dengan baik dan
rapi. Kami berharap semoga makalah ini bisa menambah pengetahuan para pembaca. Namun
terlepas dari itu, kami memahami bahwa makalah ini masih jauh dari kata sempurna,
sehingga kami sangat mengharapkan kritik serta saran yang bersifat membangun demi
terciptanya makalah selanjutnya yang lebih baik.

Gorontalo, 02 September 2019

Kelompok 2

2
 DAFTAR ISI

KATA PENGANTAR.....................................................................................................................2
DAFTAR ISI...................................................................................................................................3
BAB I PENDAHULUAN................................................................................................................4
1.1. Latar Belakang.............................................................................................................4
1.2. Rumusan Masalah.......................................................................................................4
1.3. Tujuan..........................................................................................................................5
BAB II PEMBAHASAN.................................................................................................................5
2.1. Tes Binomial...............................................................................................................5
2.2. Tes Satu Sampel Chi-Kuadrat...................................................................................12
2.3. Tes Run Satu Sampel.................................................................................................16
2.4. Tes Satu Sampel Kolmogorov-Smirnov....................................................................22
BAB III PENUTUP.......................................................................................................................26
3.1. Kesimpulan................................................................................................................26
3.2. Saran..........................................................................................................................26
DAFTAR PUSTAKA

3
 BAB I
PENDAHULUAN
1.1. Latar Belakang
Ada empat tes untuk satu sampel, yaitu tes binomial, tes satu sampel chi-
kuadrat, tes satu sampel kolmogorov-smirnov, dan tes run satu sampel. Tes-tes ini
akan dapat meberitahukan kepada kita apakah suatu sampel mungkin berasal dari
populasi tertentu. Tes-tes ini berbeda dengan tes dua sampel yang mungkin lebih
terkenal, yang membandingkan dua sampel dan menguji mungkin tau tidakkah kedua
sampel itu berasal dari populasi yang sama. Tes satu-sampel biasanya bertipe
goodness of fit. Dalam kasus yang khusus ini, kita menarik suatu sampel random dan
kemudian menguji hipotesis bahwa sampel ini ditarik dari suatu populasi dengan
distribusi tertentu (specified). Dengan demikian, tes satu sampel ini dapat menjawab
pertanyaan-pertanyaan seperti berikut : adakah perbedaan yang berarti (signifikan)
dalam lokasi (kecenderungan sentral) antara sampel dan populasinya ? adakah
perbedaan yang berarti antara frekuensi-frekuensi yang diamati dan frekuensi yang
kita harapkan berdasarkan prinsip tertentu ? adakah perbedaan yang berarti antara
proporsi yang diamati dengan proporsi yang diharapkan ? adakah alasan untuk
percaya bahwa sampel ini adalah sampel random dari populasi tertentu yang diketahui
?

Dalam kasus satu sampel, teknik parametric akan menerapkan suatu tes t pada
perbedaan antara rata-rata (sampel) dengan rata-rata (populasi) yang diharapkan.
Pendek kata, tes t ini menganggap bahwa observasi-observasi atau skor-skor dalam
sampelnya berasal dari suatu populasi yang berdistribusi normal. Tes t itu juga
menuntut bahwa observasi-observasi tersebut diukur setidak-tidaknya dalam suatu
skala interval.

Ada banyak jenis data yang tidak dapat menggunakan tes t. pembuat
eksperimen mungkin menemukan bahwa : (a) anggapan-anggapan dan tuntutan-
tuntutan tes t tidak realistis untuk datanya, (b) lebih disukai, bila menghindari
anggapan-anggapan tes t itu dan dengan demikian dapat diperoleh kesimpulan-
kesimpulan yang lebih umum sifatnya, (c) data penelitian pada dasarnya dalam bentuk
ranking dan dengan demikian tidak sesuai untuk dianalisa dengan tes t, (d) datanya
mungkin hanya bersifat klasifikasi atau enumerative (cacah) dan dengan demikian
tidak sesuai untuk dianalisis dengan tes t, atau (e) pembuat eksperimen bukan hanya
berminat pada perbedaan-perbedaan lokasi saja, tetapi berharap untuk
memperlihatkan jenis perbedaan yang lainnya juga. Dalam hal-hal seperti itu pembuat
eksperimen mungkin memlih untuk menggunakan salah satu tes statistic
nonparametrik satu sisi.

1.2. Rumusan Masalah

Apa yang membedakan tes binomial, tes satu sampel chi-kuadrat, tes satu sampel
kolmogorov-smirnov, dan tes run satu sampel ?

4
1.3. Tujuan
Untuk mengetahui perbedaan dari tes binomial, tes satu sampel chi-kuadrat, tes satu
sampel kolmogorov-smirnov, dan tes run satu sampel.

BAB II
PEMBAHASAN
2.1. Tes Binomial
Uji binomial adalah salah satu uji statistik yang digunakan untuk
melakukan analisis mengenai nilai peluang suatu kejadian yang diambil dari
populasi yang memiliki dua kategori. Dalam kehidupan sehari-hari terkadang kita
menemukan kondisi populasi yang tidak selalu sama. Ada populasi populasi yang
komponen atau elemennya berbentuk seperti kelas-kelas atau kategori-kategori.
Terkadang kita diharapkan melakukan penelitian mengenai peluang suatu kejadian
yang terjadi pada populasi yang memiliki kondisi demikian. Contohnya, lelaki dan
perempuan, buta huruf dan melek huruf, anggota dan bukan anggota, di sekolah
dan di luar sekolah, menikah dan bujang, terlembagakan dan lepas.

Untuk populasi apa saja yang terdiri dari dua kelas, jika kita mengetahui
proporsi kasus-kasus dalam satu kelas adalah P, maka kita mengetahui proporsi
kelas yang satunya lagi 1-P atau biasa dilambangkan Q. Nilai P dapat bervariasi
antara populasi yang satu dengan populasi yang lain, nilai itu pasti untuk populasi
yang tertentu. Tetapi kalaupun kita tahu nilai untuk suatu populasi tertentu, kita
tidak dapat berharap bahwa, suatu sampel random observasi dari populasi itu akan
menggambarkan dengan tepat proporsi P dalam satu kelas dan proporsi Q dalam
kelas lainnya. Akibat-akibat random dalam pengambilan sampel biasanya
mencegah sampel itu untuk memberikan gambaran yang tepat dan pasti tentang
populasi P dan Q.

Probabilitas untuk memperoleh x obyek dalam satu kategori dan N-x obyek
dalam kategori lainnya dihitung dengan :

N
p ( x)    P x Q N  x
x

Dimana ;

N N!
 x
  x !( N  x )!

5
Catatan :
1. P = proporsi “sukses”
2. Q = 1-P
3. N = banyak keseluruhan kasus yang ditarik secara independen yang digunakan
dalam suatu tes statistik
4. x = banyak kasus dalam salah sebuah di antara kelompok-kelompok yang ada
5. N! = N factorial
6. p = kemungkinan yang berkaitan dengan terjadinya di bawah H0 suatu harga
seekstrem atau lebih ekstrem dari harga observasi

Misalkan sebuah dadu yang seimbang dilemparkan lima kali. Bagaimanakah

kemungkinan bahwa secara pasti dua diantara lima lemparan itu akan
menghasilkan “enam” ?
N = banyak lemparan dadu = 5
x = banyak munculnya “enam” = 2
P = proporsi yang diharapkan untuk “enam” = 1/6
Q = 1-P = 1-1/6 = 5/6

N
p( x)    P xQ N  x
x
2 3
5!  1   5 
p (2)       0,16
2!3!  6   6 

Penerapan rumus itu terhadap masalahnya menunjukkan kepada kita bahwa

kemungkinan untuk secara pasti mendapat dua “enam” ketika melemparkan dadu
yang seimbang sebanyak lima kali adalah p = 0.16.

Kalau mengerjakan penelitian, pertanyaan kita biasanya bukan “berapakah

kemungkinan akan diperolehnya secara eksak nilai yang telah diamati ?”
melainkan, biasanya mempertanyakan “berapakah kemungkinan untuk
memperoleh nilai-nilai yang diobsevasi atau nilai-niali yang ekstrem ?” untuk
menjawab pertanyaan-pertanyaan seperti ini, distribusi sampling binomialnya
adalah :

x
 N  i N i
  P Q
i 0  i 

Dengan perkataan lain, kita menjumlahkan kemungkinan nilai yang diobservasi

dengan kemungkinan-kemungkinan nilai yang lebih ekstrem.

6
Bagaimanakah mengetahui kemungkinan akan memperoleh paling banyak dua
“enam” jika sebuah dadu yang seimbang dilemparkan sebanyak lima kali ?
N=5
x=2
P = 1/6
Q = 5/6
kemungkinan untuk mendapatkan paling banyak dua “enam” adalah p(x ≤ 2).
Kemungkinan untuk memperoleh 0 “enam” adalah p(0). Kemungkinan untuk
mendapatkan 1 “enam” adalah p(1). Kemungkinan untuk mendapatkan 2 “enam”
adalah p(2)

p( x  2)  p(0)  p (1)  p(2)

Artinya, kemungkinan untuk memperoleh dua “enam” atau kurang dari dua adalah
jumlah tiga harga kemungkinan yang disebutkan di atas

0 5
5!  1   5 
p (0)       0, 40
0!5!  6   6 
1 4
4!  1   5 
p (1)       0, 40
1!4!  6   6 
2 3
5!  1   5 
p (2)       0,16
2!3!  6   6 

Dan dengan demikian,

p ( x  2)  p(0)  p(1)  p(2)

 0, 40  0, 40  0,16
 0,96

Kita telah menentukkan bahwa kemungkinan di bawah H0 untuk memperoleh dua

“enam” atau kurang kalau sebuah dadu yang seimbang dilemparkan lima kali
adalah p = 0,96.

Dalam prakteknya test binomial dapat dilakukan dengan cara yang lebih
sederhana, dimana untuk membuktikan H0 dilakukan dengan cara
membandingkan nilai p dalam table yang didasarkan pada N dan nilai yang
terkecil dalam tabel itu dengan taraf kesalahan yang kita tetapkan sebesar 1%.
Misalnya jumlah sampel dalam pengamatan ada 20, dan kategori yang terkecil (x)
pada sampel itu = 4, maka berdasarkan Tabel IV lampiran harga p = 0,006.

7
 Selanjutnya bila taraf kesalahan α = 0,01, maka ketentuan yang digunakkan dalam
pengujian hipotesis adalah apabila harga p lebih besar dari α maka H0 diterima
dan Ha ditolak. H0 suatu hipotesis yang menunjukkan tidak adanya perbedaan data
sampel dengan data populasi.

A. Untuk tes binomial sampel-sampel kecil :

Dalam kasus satu sampel, kalau suatu kelas terdiri dari dua kategori yang
digunakkan, situasi umum adalah bahwa P sama dengan ½. Tabel D pada lampiran
menyajikan kemungkinan-kemungkinan satu sis berkaitan dengan terjadinya
bermacam-macam harga yang seekstrem x di bawah hipotesis nol bahwa P = Q =
½. Untuk tabel D, ambil x = yang lebih kecil diantara frekuensi-frekuensi yang
diobservasi. Tabel ini berguna bila N = 25 atau kurang. Kalau tabel ini kita
gunakkan, kita tidak perlu memakai rumus di atas. Jika P ≠ Q, rumus di atas harus
dipakai. Tabel D menyaikan kemungkinan-kemungkinan yang berkaitan dengan
terjadinya bermacam-macam harga yang sekecil x untuk bermacam-macam harga
N (dari 5 hingga 25). Misalnya, andaikan kita mengobservasi tujuh kasus yang
termasuk dalam satu kategori, sedangkan tiga kasus lain masuk dalam kategori
lainnya. Di sini N = 10 dan x = 3. Tabel D menunjukkan bahwa kemungkinan
satu-sisi akan terjadinya x yang ≤ 3 di bawah H0 jika N = 10 adalah p = 0,172.

Harga p yang disajikan dalam tabel D adalah satu-sisi. Sebuah tes satu-sisi
dipergunakkan bila kita telah meramalkan sebelumnya yang manakah di antara
kedua kategori akan memuat banyak kasus yang lebih kecil. Jika ramalan yang
dibuat hanyalah bahwa kedua frekuensinya akan berlainan, yang dipakai adalah
tes dua sisi. Untuk suatu tes dua sisi, p yang dihasilkan oleh tabel D dikalikan dua
kali. Jadi untuk N = 10 dan x = 3 kemungkinan dua sisi yang berkaitan dengan
kejadian di bawah H0 suatu harga seekstrem x semacam itu adalah p = 20,172 =
0,344.

 Contoh soal :

Dilakukan h penelitian untuk mengetahui bagaimana kecenderungan masyarakat

dalam memilih mobil untuk keluarga. Berdasarkan 24 anggota sampel yang dipilih
secara random ternyata 14 orang memilih mobil berbahan bakar bensin dan 10
orang memilih mobil berbahan bakar solar.

Jawaban :

 Hipotesis :
H0 : p1 = p2 = 0,5, bahwa peluang masyarakat dalam memilih dua jenis mobil
yaitu jenis bensin dan solar adalah sama, yaitu 50%.

8
 H1 : p1 ≠ p2 ≠ 0,5, bahwa peluang masyarakat dalam memilih dua jenis mobil
yaitu jenis bensin dan solar tidak sama.
 Test statistik :
Tes binomial dipilih karena datanya ada dalam dua kategori diskrit dan designnya
bertipe 1 sampel.
 Tingkat signifikan :
Ditetapkan α = 0,01, N = banyaknya kasus = 24.
 Daerah penolakan :
H0 ditolak jika harga p < α(0,01)
 Perhitungan :
Hasil pengumpulan data tersebut dapat disusun ke dalam tabel berikut

Alternatif pilihan Frekuensi yang memilih

Mobil jenis bensin 14

Mobil jenis solar 10

Jumlah 24

Dalam kasus ini jumlah sampel independen (N) = 24, karena yang memilih jenis
mobil bensin ada 14 dan diesel ada 10. Frekuensi terkecilnya (x) = 10.
Berdasarkan pada Tabel IV lampiran dengan N = 24, x = 10, maka koefisien
binomialnya = 0,271.

 Kesimpulan :
Bila taraf kesalahan α ditetapkan 1% yang berarti = 0,01, maka ternyata harga p
sebesar 0,271 lebih besar dari 0,01 (0,271 > 0,01) , maka H0 diterima dan Ha
ditolak. Jadi kesimpulannya adalah kemungkinan masyarakat dalam memilih dua
jenis mobil adalah sama yaitu 50%.

 Untuk tes binomial sampel-sampel besar :

Tabel D tidak dapat dipergunakan kalau N lebih besar dari 25. Sungguhpun
demikian, dapat ditunjukan bahwa jika N lebih besar, distribusi binomial
cenderung mendekati distribusi Normal. Kecenderungan ini kuat bila P mendekati
½, tetapi lemah jika P mendekati 0 atau 1. Artinya, makin besar kesenjangan
antara P dan Q, maka seharusnya N makin besar sebelum pendekatan distribusi
Normal dapat digunakan secara berarti. Kalau P mendekati 0 atau 1, berdasarkan
pengalaman dapat dikatakan bahwa NPQ harus sekurang-kurangnya 9 sebelum tes
statistic yang berdasarkanu dapat pendekatan normal itu dapat diterapkan. Dalam

9
batasan-batasan itu, distribusi sampling x diperkirakan normal, dengan mean = NP
NPQ
dan deviasi standar = , oleh karena itu H0 dapat diuji dengan rumus :

x   z x  NP
z 
2 NPQ

z kurang lebih berdistribusi Normal dengan Mean nol dan Varian = 1.

Pendekatan itu menjadi sangat baik jika diterapkan pula koreksi kontinyuitas. Koreksi
ini perlu karena distribusi normal adalah untuk suatu variable kontinu, sedangkan
untuk distribusi binomial untuk variable diskrit. Untuk mengadakan koreksi
konityuitas, kita anggap frekuensi x seperti yang terdapat dalam rumus merupakan
suatu interval. Batas bawah interval itu setengah unit dibawah dari frekuensi yang
diobservasi, dan batas atasnya adalah setengah unit di atas frekuensi yang diobservasi.
Koreksi kontinyuitas itu terjadi dengan pengulangan 0,5 terhadap selisih antara nilai x
yang diobservasi dan nilai yang diharapkan : µx = NP. Oleh sebab itu, kalau x < µx
tambahkan 0,5 pada x. Dan bila x > µx kita kurangkan 0,5 pada x. sehingga selisih
yang diobservasi kita perkecil dengan 0,5. Maka z menjadi :

z
 x  0,5  NP
NPQ

Dimana x + 0,5 digunakan jika x < NP dan x - 0,5 dipakai jika x > NP. Nilai z
yang didapatkan dengan penerapan rumus dapat dipandang berdistribusi Normal
dengan mean = 0 dan varian = 1. Oleh karenanya, signifikansi harga z yang diperoleh
dapat ditentukan dengan melihat tabel A dalam lampiran. Tabel A menyajikan
kemungkinan satu sisi yang dikaitkan dengan terjadinya harga-harga x yang se-extrem
harga x observasi dibawah H0. (jika yang diperlukan adalah tes dua sisi maka p yang
diberikanJolehJtabelFAtitutharuslahtditkalikant2.)

Untuk menunjukkan seberapa baik pendekataan ini bila P = ½ meskipun untuk

N < 25, kita dapat menerapkannya pada data pembuatan simpul tali yang dibicarakan
terdahulu. Dalam kasus itu N = 18, x = 2, dan P = Q =1/2. Untuk data tersebut x < NP,
(2 < 9) dan dengan rumus di atas maka :

(2  0,5)  (18)(0,5)
Z  3, 07
(18)(0,5)(0,5)

Tabel A menunjukkan bahwa suatu z yang se-extrem -3,07 memiliki suatu

kemungkinan satu sisi yang berkaitan dengan terjadinya p 0,0011 dibawah H0. Pada
hakikatnya ini sama saja kemungkinan yang kita perolah dengan analisis yang lain,

10
 yang menggunakan suatu tabel yang berisikan kemungkinan-kemungkinan yang
eksak.

 Contoh Soal :

Seorang pengusaha restoran ingin melakukan penelitian terhadap masyarakat

mengenai selera masakan tradisional yang mereka sukai. Hasil penelitian terhadap 30
responden di restoran tradisional memberikan data sebagai berikut :

24 orang menyukai masakan Jawa, dan

6 orang menyukai masakan Padang.
Ujilah dugaan bahwa lebih banyak orang yang suka dengan masakan Jawa
dibandingkan dengan masakan Padang! Gunakan taraf nyata sebesar 5%.

Jawaban :

 Hipotesis :
H0 : ρ1 = ρ2 = 0,5 (Masakan Jawa dan Masakan Padang sama-sama diminati)
H1 : ρ1 > ρ2 (Masakan Jawa lebih diminati daripada masakan Padang)
 Tes Statistik :
Tes binomial dipilih karena datanya ada dalam dua kategori diskrit dan designnya
bertipe 1 sampel.
 Tingkat Signifikan :

α = 0,05 dan N = 30 , P = 0,5 dan Q = 0,5

 Daerah Penolakan :

H0 ditolak jika harga p < α

 Pehitungan :

z
 x  0,5  NP
NPQ
(6  0,5)  (30)(0,5)
Z  3,10
(30)(0,5)(0,5)

 Kesimpulan :
Berdasarkan pengujian di atas, dapat disimpulkan bahwa ternyata masakan Jawa lebih
diminati daripada masakan Padang.

2.2. Tes Satu Sampel Chi-Kuadrat

11
 Uji Chi-square adalah salah satu statistik uji yang dapat digunakan untuk
menguji apakah frekuensi yang diamati cukup mendekati frekuensi yang diharapkan,
sehingga mempunyai kemungkinan besar untuk terjadi di bawah H0.

Uji Chi-square digunakan untuk melakukan pengujian terhadap dua

kelompok data dimana variabel independen maupun dependennya merupakan data
kategorik. Uji Chi-square juga dapat dikatakan sebagai uji proporsi untuk dua atau
lebih kasus dimana datanya bersifat diskrit. Mungkin masih sulit untuk dipahami
penjelasan tersebut.

Misalkan kita sebagai peneliti hendak melakukan uji terhadap perilaku

mahasiswa. Karakter yang akan diuji adalah perilaku mahasiswa yang
dikategorikan menjadi dua kategori. Kategori tersebut adalah mahasiswa yang
mendukung program kampus dan acuh terhadap program kampus. Kondisi
tersebut memungkinkan kita untuk melakukan uji hipotesis mengenai perbedaan
perilaku mahasiswa tersebut dilihat dari frekuensinya.

Uji Chi square dapat digunakan untuk menguji :

2
1. Uji X untuk ada tidaknya hubungan antara dua variable (Independency
test).
2
2. Uji X untuk homogenitas antar-sub kelompok (Homogenitas test).
2
3. Uji X untuk bentuk distribusi (Goodness of fit).

Uji Chi square merupakan salah satu teknik yang termasuk dalam tipe
Goodness of fit. Goodness of Fit adalah suatu teknik yang menunjukkan bahwa suatu
tes dapat digunakan untuk menguji apakah terdapat perbedaan yang signifikan antara
objek yang diamati dengan objek yang dikategorikan sebagai harapan berdasarkan
hipotesis nol (H₀). Dalam uji Chi square skala data yang digunakan adalah skala
nominal. Umumnya data yang digunakan untuk uji Chi square merupakan data dari
variabel yang berskala nominal. Oleh karena itu penentuan derajat bebas didasarkan
pada derajat bebas terendah.

Untuk dapat membandingkan sekelompok frekuensi yang diamati dengan

kelompok frekuensi yang diharapkan, tentunya kita harus dapat menyatakan frekuensi
manakah yang kita harapkan itu. Hipotesis-nol menyatakan proporsi obyek yang jatuh
dalam masing-masing kategori di dalam populasi yang ditetapkan. Ini berarti, dari
hipotesis-nolnya kita dapat membuat deduksi berapakah frekuensi-frekuensi yang
2
diharapkan. Teknik X menguji apakah frekuensi yang diamati cukup mendekati
frekuensi yang diharapkan sehingga mempunyai kemungkinan besar untuk terjadi di
bawah H0. Hipotesis-nol dapat diuji dengan :

12
 k
(oi  Ei ) 2
x 
2

i 1 Ei
Dimana,
Oi = nilai setiap kasus dalam kateori ke-i
Ei = expected value dari kategori I apabila H benar
0
k


i1 = penjumlahan untuk semua kategori (k)
dimana Ei = N/k

 Contoh soal :

Misalkan dalam pilkada Jakarta, calon gubernur nomor urut 1 ingin mengetahui
proposri orang yang mendukungnya di 7 kelurahan di jakarta. Diyakini 95% di 7
wilayah tersebut memiliki sebaran pendukung yang sama. Jumlah pendukung
tercatat dalam tabel berikut

Kelurahan Pendukung

1 29
2 19
3 18
4 25
5 17
6 18
7 22

Jawaban :
 Hipotesis :
H0 : Tidak terdapat perbedaan pendukung antara masing-masing kelurahan.
H1 : Terdapat perbedaan antara pendukung di masing-masing kelurahan.

 Test statistik :
Karena kita akan membandingkan data dari suatu sampel dengan populasi tertentu
yang ditetapkan yang cocok adalah tes satu sampel. Tes X 2 dipilih karena hipotesis
yang diuji berkaitan dengan suatu perbandingan mengenai frekuensi yang diamati

13
 dengan frekuensi yang diharapkan dalam kategori-kategori yang diskrit (kategori-
kategori itu adalah ketujuh wilayah).

 Tingkat signifikan :
Kita tentukan α = 0,05, N = 148.

 Daerah penolakan :
2
X hitung  X tabel
2
H0 jika 
Tolak 
Dengan db = 6 dan α = 0,05

 Perhitungan :

2
X hitung
 Tentukan nilai  terlebih dahulu

(oi  Ei ) 2
k
x 2

i 1 Ei

maka;

 29  21  19  21  22  21

2 2 2

X 2
   ...   5.63
21 21 21

2
X hitung
Jadi, nilai adalah 5.63

2

X tabel
Selanjutnya tentukan nilai

Tabel Chi-square (table C)

14
 X (2db;a )  X (6;0.05)
2
Dari tabel diperoleh =12.592
2
Jadi, berdasarkan table C nilai
X tabel adalah 12.592

 Kesimpulan :
2
X hitung  X tabel
2
Ingat area penolakan : Tolak H0 jika 
2
X hitung  X tabel
2
Karena Tolak H0 jika maka:
Kesimpulannya adalah, H0 gagal ditolak. Artinya, tidak terdapat perbedaan
pendukung antara masing masing kelurahan.

Jumlah :
Pendukung Ei
148 147

2.3. Tes Run Satu Sampel

Jika seorang pembuat eksperimen ingin sampai pada kesimpulan tertentu
mengenai suatu populasi dengan menggunakan informasi yang terkandung dalam
sampel yang diambil dari populasi itu, maka sampelnya harus sampel random. Dalam
tahun-tahun belakangan ini telah dikembangkan beberapa teknik yang memungkinkan
kita menguji hipotesis bahwa suatu sampel adalah sampel random. Teknik-teknik ini
didasarkan atas urutan (order) dimana skor-skor atau observasi-observasi itu satu per
satu diperolah.

Teknik yang disajikan disini didasarkan pada banyak run yang ditampilkan
oleh suatu sampel. Run didefinisikan sebagai suatu urutan lambang-lambang yang

15
sama, yang diikuti serta mengikuti lambang-lambang yang berbeda, atau tidak
mengikuti atau diikuti lambang apa pun.

Sebagai contoh, kita misalkan suatu rangkaian skor tambah atau kurang yang muncul
dalam urutan ini :

++---+----++-+
Sampel skor ini bermula ini dengan suatu run yang terdiri dari 2 tambah.
Suatu run yang terdiri dari 3 kurang mengikutinya. Kemudian muncul suatu run lagi
yang terdiri dari 1 tambah. Ini kemudian diikuti dengan sebuah run terdiri dari 4
kurang, dan sesudahnya dating sebuah run terdiri dari 2 tambah, dan seterusnya. Kita
dapat mengelompokkan skor-skor itu menjadi beberapa run dengan menggaris-
bawahi serta memberikan nomor pada tiap-tiap urutan lambing yang sama :

++---+----++-+
1 2 3 4 5 6 7

Kita lihat bahwa seluruhnya ada 7 run: r = banyak run = 7.

Jumlah keseluruhan run dalam sampel sembarang ukuran member

petunjuk tentang mungkin-tidaknya sampel yang kita hadapai adalah sampel
random. Jika hanya sedikit sekali run, maka kiranya ada trend waktu atau sebagai
akibat dari kurangnya independensi. Jika terjadi run yang banyak sekali,
kemungkinannya ialah bahwa skor-skor itu terpengaruh oleh fluktuasi (perubahan
terus-menerus) jangka pendek yang siklis dan sistematis.

Sebagai contoh, misalkan sebuah mata uang dilemparkan 20 kali dan kita saksikan
munculnya urutan muka (M) dan belakang (B) sebagai berikut :

MBMBMBMBMBMBMBMBMBMB

Di sini terdapat terlalu banyak run. Dalam kasus ini, dengan r = 20 ketika
N = 20, akan beralasan juga untuk menolak hipotesis bahwa mata uangnya “baik”.
Tidak satu pun dari kedua urutan di atas itu yang tampaknya merupakan rangkaian
random M dan B.

Perhatikanlah bahwa analisis kita yang berlandaskan urutan kejadian-

kejadian itu memberikan kepada kita petunjuk yang tidak diberikan oleh frekuensi
kejadian-kejadian itu. Dalam kedua kasus ini, muncul 10 M dan 10 B. Jika skor-
2
skor itu dianalisis menurut frekuensinya, yakni dengan menggunakan tes X atau
tes binomial, tidak kita dapatkan alasan untuk mencurigai “kebaikan”

16
(keseimbangan) mata uang itu. Hanya tes run yang memusatkan perhatian pada
urutan kejadian, yang dapat mengungkapkan kurangnya kerandoman (“keacakan”)
skor-skor itu, dan dengan demikian menyingkapkan pula kemungkinan kurangnya
“kebaikan” (“keseimbangan”) mata uang itu.

Distribusi sampling harga-harga r yang dapat kita harapkan dari sampel-

sampel random yang diulang kita ketahui. Dengan mengunakan distribusi
sampling ini kita dapat memutuskan apakah suatu sampel tertentu yang kita
observasi memiliki run yang lebih atau kurang jika dibandingkan dengan run yang
mungkin terjadi dalam suatu sampel random.

Misalkan n1 = banyak elemen suatu jenis, dan n2 = banyak elemen jenis

yang lain. Yaitu n1 mungkin banyak sisi muka (M) dan n2 Banyak sisi belakang
(B). Atau, mungkin pula n1 banyak tanda tambah dan n2 banyak tanda kurang. N =
jumlah total kejadian yang diamati = n1 + n2.

Untuk menggunakan tes run sampel pertama-tama kita amati kejadian –

kejadian n1 dan n2 dalam urutan dimana kejadian – kejadian muncul, dan kita
tentukan harga r, yakni banyak run yang ada.

Sampel-sampel kecil. Jika, baik n1 maupun n2 sama dengan atau lebih

kecil daripada 20, maka tabel VII pada lampiran memberikan harga-harga kritis r
di bawah H0 untuk α = 0.05. ini merupakan harga kritis distribusi sampling r
dibawah H0. Jika harga r observasi jatuh diantara kedua harga kritis, H 0 diterima.
Jika harga r observasi sama atau lebih ekstrem dari satu di antara harga kritis itu,
H0 ditolak. Ada dua tabel yang disajikan: VIIa dan VIIb. Tabel VIIa memberikan
harga r yang sedemikian kecil hingga kemungkinan yang berkaitan dengan harga-
harga r yang begitu besarnya sehingga kemungkinan yang berkaitan dengan
munculnya harga-harga di bawah H0 adalah p = 0,025.

Sembarang harga r observasi yang sama atau lebih kecil daripada harga
yang ditunjukan dalam Tabel VIIa atau yang sama, atau lebih besar daripada harga
yang ditunjukan dalam tabel VIIb ada di dalam daerah penolakan untuk α = 0.05.

Sebagai contoh, dalam lemparan pertama mata uang yang kita bicarakan
diatas, kita dapat dua run: satu run yang terdiri dari 10 M diikutib dengan satu run
yang terdiri dari 10 B. disitu n1 = 10 dan r =2. Tabel VII menunjukan bahwa
harga-harga n1 dan n2 ini, suatusampel random diharapkan memuat lebih dari 6
run tetapi kurang dari 16. Setiap r observasi sama atau lebih kecil 6, atau sama
atau lebih besar dari 16. Setiap r observasi atau lebih kecil 6, atau sama atau lebih
besar dari 16, ada di dalam daerah penolakan untuk α = 0,05. Harga r observasi,
yakni 2, adalah lebih kecil dari 6 ; jadi pada tingkat signifikansi 0,05 kita menolak

17
 H0 yang menyatakan bahwa mata uang itu menghasilkan urutan M dan B yang
random.

Jika kita menggunakan tes satu sisi, yakni apabila arah penyimpangan dari
ke-random-an (keacakan) itu telah kita ramalkan, maka hanya satu dari dua tabel
itu yang kita periksa. Jika ramalan kita akan diobservasi run yang terlalu sedikit,
maka tabel F1 memberikan haega-harga kritis bagi r. jika r yang diobservasi
dibawah tes satu sisi semacam itu sama atau lebih kecil dari yang ditunjukkan
dala tabel F1, H0 dapat ditolak pada tingkat signifikansi α = 0.025. Jika kita akan
terjadi terlalu banyak run, tabel F11 memberikan harga-harga kritis r yang
signifikan pada tingkat 0.025.

Kita ambil sebagai contoh kasus urutan kedua lemparan mata uang tadi.
Misalkan kita telah membuat ramalan karena alasan apapun bahwa matab uang itu
akan menghasilkan banyak run. Kita amati bahwa r = 20 untuk n 1 = 10 dan n2 =10.
Karena harga r kita yang kita amati sama atau lebih besar dari pada yang
ditunjukkan dalam tabel F11 maka kita dapat menolak H0 padatingkat α = 0.025
dan menyimpulkan bawa mata uang itu “tidak baik” lebih berat ke arah yang
diramalkan.

 Contoh soal :
 Untuk sampel kecil :

Dalam suatu kantin diperusahaan elektronika, terdapat sekelompok karyawan

wanita yang sedang makan siang. Dari sekelompok karyawan itu ada 24 orang
diambil secara random, selanjutnya diwawancarai, kapan akan mengambil cuti
hamil. Dalam pertanyaan itu disediakan dua alternatif jawaban yaitu akan
mengambil cuti besar sebelum melahirkan atau sesudah melahirkan. Wawancara
dilakukan secara berurutan, yaitu mulai dari No. 1 dan berakhir no. 24.

Hasil wawancara ditunjukkan pada tabel. Tanda (®) berarti mengambil cuti
sebelum melahirkan, dan tanda (©) berarti mengambil cuti setelah melahirkan.
Berdasarkan tabel tersebut, maka dapat dihitung jumlah run (r) = 15. Cara
menghitung run seperti contoh di atas.

HASIL WAWANCARA SEKELOMPOK WANITA DALAM MEMILIH

CUTI BESAR SEBELUM MELAHIRKAN DAN SESUDAH
MELAHIRKAN

No. Jawaban No. Jawaban

1. ® 13. ©

2. ® 14. ®

18
 3. © 15. ®

4. ® 16. ©

5. © 17. ®

6. ® 18. ©

7. © 19. ©

8. © 20. ®

9. ® 21. ©

10. ® 22. c

11. © 23. ®

12. © 24. ®

Jawaban :

 Hipotesis :
H0 : urutan pilihan dalam memilih cuti hamil karyawan bersifat random (urutannya
bergantian/tidak mengelompokkan).
H1 : urutan pilihan dalam memilih cuti hamil karyawan bersifat tidak random
(mengelompok).

 Test statistik :
Karena hipotesis ini berkaitan dengan kerandoman satu urutan observasi dipilih tes
run satu sampel.

 Tingkat signifikan :
Kita pilih α = 0,05, N = banyak subyek = 24. Karena skor-skor ini akan ditandai
® atau © bergantung pada apakah skor itu ada di atas atau di bawah skor tengah
dalam kelompok itu, maka n1 = 12 dan n2 = 12.

 Daerah penolakan :
Karena H1 tidak meramalkan arah deviasi dari kerandoman, maka digunakkan tes
dua sisi. H0 akan ditolak pada tingkat signifikansi 0,05 jika r observasi sama atau
lebih kecil daripada harga yang sesuai dengan tingkat signifikansinya yang tersaji
dalam tabel VIIB. Untuk n1 = 12 dan n2 = 12, tabel VIIa dan VIIb menunjukkan

19
 bahwa daerah penolakan terdiri dari semua harga r yang sama atau lebih kecil
daripada 7 dan semua harga r yang sama atau lebih besar daripada 19.

 Kesimpulan :
Pada contoh di atas, jumlah sampel (N) = 24 dan n1 = 12 dan n2 = 12. (N = n1+ n2).
Berdasarkan VIIa dan VIIb (harga-harga kritis r), untuk n1 = 12 dan n2 = 12, maka
harga r yang kecil = 7 (tabel VIIa Lampiran) dan r yang besar = 19 (tabel VIIb
lampiran). Jumlah run 15 ternyata terletak pada angka 7 s/d 19, yaitu pada daerah
penerimaan H0. Dengan demikian H0 diterima dan Ha ditolak. Hal ini berarti 24
wanita yang diwawancarai tersebut bersifat random. Jadi karyawan wanita dalam
perusahaan elektronika itu dalam mengambil cuti hamil bervariasi, ada yang
sebelum melahirkan dan sesudah melahirkan. Peluang mengambil cuti sebelum
dan sesudah melahirkan sama yaitu 50%.

Sampel-sampel Besar. Jika n1 dan n2 lebih dari 20 (berarti N = 40) maka Tabel
VIIa dan VIIb tidak dapat digunakan, karena distribusi yang terjadi mendekati
distribusi normal. Oleh karena itu sebagai gantinya, pengujian hipotesis
menggunakan rumus z

 2n n 
r   1 2  1  0,5
z
r  r
  n1  n2 
r 2n1n2  2n1n2  n1  n2 
 n1  n2   n1  n2  1
2

 Contoh Soal:
 Untuk sampel besar:
Penelitian dilakukan untuk mengetahui apakah antrian pria dan wanita dalam
memberi suara dalam pemilu itu bersifat random atau tidak (random di sini berarti
antrian itu tidak direkayasa). Berdasarkan pengamatan terhadapa yang antri yang
paling depan sampai yang paling belakang ditemukan urutan sebagai berikut.

P WW PP W P WW PP WW P W P WW PP
WWW P W PW P W PPP W PP W P WWW

Jawaban :

 Hipotesis :
H0 : antrian dalam memberikan suara pemilih bersifat random (independen/tidak
direkayasa)

20
 H1 : antrian dalam memberikan suara pemilih bersifat tidak random.

 Test statistik :
Karena hipotesis ini berkaitan dengan kerandoman satu urutan observasi dipilih tes
run satu sampel.

 Tingkat signifikan :
α = 0,05, dan N = 40

 Daerah penolakan :
Jika nilai z hitung < 0,05, maka H0 ditolak dan H1 diterima.

 Perhitungan :
Jumlah orang yang antri (N) = 40 orang, terdiri atas 21 wanita (W) dan 19 pria (P).
pada data di atas terdapat jumlah run = 26. Taraf kesalahan ditetapkan 5%. Harga
z dapat dihitungkan dengan rumus

 2n n 
r   1 2  1  0,5
z
r  r
  n1  n2 
r 2n1n2  2n1n2  n1  n2 
 n1  n2   n1  n2  1
2

 2.19.21 
26    1  0,5
z  19  21   1, 78
2.19.21 2.19.21  19  21
 19  21  19  21  1
2

 Kesimpulan :
Berdasarkan harga z hitung = 1,78, maka harga z dalam tabel XIV = 0,0375.
Harga ini ternyata lebih kecil dari harga α yang ditetapkan 5% atau 0,05 (0,0375 <
0,05).
Berdasarkan hal tersebut di atas, ternyata harga z hitung lebih kecil dari 0,05
(kesalahan yang ditetapkan). Hal ini berarti H0 ditolak dan H1 diterima. Jadi
urutan antrian itu tidak bersifat random. Kesimpulan ini dapat digeneralisasikan.

2.4. Tes Satu Sampel Kolmogorov-Smirnov

Tes satu sampel kolmogorov-Smirnov adalah suatu tes goodness-of-fit.
Artinya, yang diperhatikan tingkat kesesuaian antara distribusi serangkaian harga

21
sampel (skor yang di observasi) dengan suatu distribusi teoretis tertentu. Tes ini
menetapkan apakah skor-skor dalam sampel dapat secara masuk akal dianggap
berasal dari suatu populasi dengan distribusi teoretis itu.

Singkatnya, tes ini mencakup perhitungan distribusi frekuensi kumulatif yang

akan terjadi dibawah distribusi teoretisnya, serta membandingkan distribusi frekuens
itu dengan distribusi frekuensi kumulatif hasil observasi. Distribusi teoretis tersebut
merupakan representasi dari apa yang diharapkan dibawah h0. Tes ini menetapkan
suatu titik dimana kedua distribusi itu yakni yang teoretis dan yang ter-observasi
memiliki perbedaan yang terbesar. Dengan melihat distribusi samplingnya dapat kita
ketahui apakah perbedaan yang besar itu mungkin terjadi karena kebetulan saja.
Artinya distribusi sampling itu menunjukan apakah perbedaan besar yang diamati itu
mungkin terjadi apakah obeservasi-observasi itu benar-benar suatu sampel random
dari distribusi teoretis itu.

Misalkan F0(X) = suatu fungsi distribusi frekuensi kumulatif yang sepenuhnya

ditentukan, yakni distribusi kumulatif teoretis dibawah H 0. Artinya, untuk harga N
yang sembarang besasrnya, F0(X) adalah proporsi kasus yang diharapkan mempunyai
skorJyangJsamaJatauJkurangJdariJpadaJX.
Misalkan SN(X) = distribusi frekuensi kumulatif yang diobservasi dari suatu
sampel random dengan N observasi. Dimana X adalah sembarang skor yang mungkin
SN(X) = k/N, dimana K = banyak observasi yang sama atau kurang dari X.
Dibawah hipotesi-nol bahwa sampel itu telah ditarik dari distribusi teoretis
tertentu, maka diharapkan bahwa untuk setiap harga X, SN(X) harus jelas mendekati
F0(X). Artinya, dibawah H0 kita mengharapkan selisih antara Sn(X) dan F0(X) adalah
kecil, dan ada dalam batas-batas kesalahan random. Tes Kolmogorov-Smirnov
memusatkan perhatian pada penyimpangan (deviasi) terbesar. Harga F0(X) – SN(X)
terbesar dinamakan deviasi maksimum,

D  maksimum Fo ( X )  S N ( X )

Distibusi sampling D dibawah H0 diketahui. Tabel E pada lampirang memberikan

harga-harga kritis tertentu distribusi sampling itu. Perhatikanlah bahwa signifikansi
suatuJhargaJDNtertentuJadalahJbergantungJpadaJN.
Sebagai contoh misalkan kita temukan dengan penggunaan rumus (4.6) bahwa
D = 9,325 bila N = 15. Tabel E menunjukan bahwa D ≥ 0,235 memiliki kemungkinan
akan terjadi ( dua sisi) antara p = 0,10 dan 0,5. Jika N diatas 35, kita menetapkan
harga kritis D dengan pembagian-pembagian yang ditunjukan pada tabel E. Misalnya,
kalau seorang peneliti menggunakan N = 43 kasus dan menetapkan α = 0,05. Tabel E
1,36
menunjukan bahwa setiap D yang sama atau lebih besar dari akan signifikan.
√N
Artinya setiap harga D yang ditetapkan dengan rumus (4.6) yang sama dengan atau
1,36
lebih besar dari = 0,207 akan signifikan pada tingkat 0,05 (tes dua sisi).
√N

22
 Harga-harga kritis untuk tes-tes satu sisi belum ditabelkan secara memadai.
Untuk mengetahui metode dalam menemukan kemungkinan yang berkaitan dalam tes
satu sisi pembaca dapat melihat Birnbaum dan Tingey (1951) dan Goodman
(1954:166)

 Contoh soal :
Suatu penelitian tentang berat badan peserta pelatihan kebugaran fisik/jasmani dengan
sampel sebanyak 27 orang diambil secara random, didapatkan data sebagai berikut :
78, 78, 95, 90, 78, 80, 82, 77, 72, 84, 68, 67, 87, 78, 77, 88, 97, 89, 97, 98, 70, 72, 70,
69, 67, 90, 97
Selidikilah dengan α = 5%, apakah data tersebut di atas diambil dari populasi yang
berdistribusi normal ?

Jawaban :
 Hipotesis :
H0 : tidak beda dengan populasi normal.
H1 : ada beda dengan populasi normal.

 Tes Statistik :
Tes satu sampel Kolmogorov-Smirnov dipilih karena peneliti ingin membandingkan
distribusi skor yang diobservasi pada suatu skala ordinal, dengan satu distribusi
teoretis.

 Tingkat Signifikansi :
Dipilih α = 0,05. N = banyak data berat badan peserta = 27.

 Daerah Penolakan :
Tolak  Ho, jika Dmaks  ≥ Etabel

 Perhitungan :
_
X 
Z i Fo ( X ) SN ( X ) F0 ( X )  S N ( X )
No. Xi SD
1 67 -1.39 0.0823 0.07407 0.0082

2 67 -1.39 0.0823 0.07407 0.0082

3 68 -1.29 0.0985 0.11111 0.0126

4 69 -1.20 0.1170 0.14815 0.0311

5 70 -1.10 0.1357 0.22222 0.0865

6 70 -1.10 0.1357 0.22222 0.0865

7 72 -0.90 0.1841 0.29630 0.1122

23
 8 72 -0.90 0.1841 0.29630 0.1122

9 77 -0.42 0.3372 0.37037 0.0332

10 77 -0.42 0.3372 0.37037 0.0332

11 78 -0.32 0.3745 0.51852 0.1440

12 78 -0.32 0.3745 0.51852 0.1440

13 78 -0.32 0.3745 0.51852 0.1440

14 78 -0.32 0.3745 0.51852 0.1440

15 80 -0.13 0.4522 0.55556 0.1034

16 82 0.07 0.5279 0.59259 0.0647

17 84 0.26 0.6026 0.62963 0.0270

18 87 0.55 0.7088 0.66667 0.0421

19 88 0.65 0.7422 0.70370 0.0385

20 89 0.75 0.7734 0.74074 0.0327

21 90 0.85 0.7995 0.81481 0.0153

22 90 0.85 0.7995 0.81481 0.0153

23 95 1.33 0.9082 0.85185 0.0563

24 97 1.53 0.9370 0.96296 0.0260

25 97 1.53 0.9370 0.96296 0.0260

26 97 1.53 0.9370 0.96296 0.0260

27 98 1.62 0.9474 1.00000 0.0526

Rata-rata 81,2963        
SD 10,2837        

 Kesimpulan :
Karena Dmaks  = 0,1440 < Etabel  = 0,2540, jadi H0 diterima, berarti sampel yang
diambil dari populasi yang berdistribusi normal.

24
 BAB III
PENUTUP
3.1. Kesimpulan
Dalam menguji hipotesis mengenai apakah suatu sampel ditarik dari populasi
dengan distribusi tertentu, peneliti boleh menggunakan salah satu di antara tes-tes
2
bertipe goodness of fit, yakni tes binomial, tes satu-sampel X , atau tes satu-sampel
Kolmogorov-Smirnov. Pilihan atas tes-tes itu harus ditentukan oleh : (a) banyak
kategori dalam pengukuran yang dilakukan, (b) tingkat pengukurannya, (c) ukuran
sampel, dan (d) kekuatan tes statistik itu.

Tes binomial dapat digunakkan kalau hanya terdapat 2 kategori dalam

klasifikasi data yang ada. Semata-mata tes ini bermanfaat untuk digunakkan jika
2
ukuran sampelnya begitu kecil sehingga tes X tidak mungkin diterapkan.
2
Tes X harus digunakkan bila data ada dalam kategori-kategori yang terpisah-
pisah, dan bila frekuensi yang diharapkan cukup besar. Baik tes binomial maupun tes
X 2 dapat digunakkan dengan data yang diukur dalam skala nominal atau ordinal.

Tes run satu sampel adalah untuk tes ke-random-an munculnya kejadian
menurut waktu terjadinya, atau urutan skor-skor dalam sampel. Tidak ada satupun
pernyataan umum mengenai efisiensi tes ke-random-an berdasarkan run ini dapat
diberikan secara bermakna.

Tes Kolmogorov-Smirnov harus dipakai kalau kita dapat menganggap bahwa

variable yang kita periksa mempunyai distribusi kontinyu. Tetapi, kalaupun tes ini
digunakkan jika distribusi populasinya, yakni F0 ( X ) , tidak kontinyu, kesalahan yang
muncul dalam pernyataan kemungkinan ada dalam arah yang “aman”. Artinya, jika
tabel yang menganggap bahwa F0 ( X ) adalah kontinyu dipakai untuk menguji suatu
variable yang tidak kontinyu, maka tes ini menjadi tes konservatif : kalau H 0 ditolak,
maka keputusan itu dapat benar-benar kita yakini kebenarannya.

25
3.2. Saran
Dalam merumuskan hipotesis tentunya kita perlu menetapkan rumusan masalah
dengan tepat sehingga kita mampu membuktinya dengan fakta dan data yang tepat
pula.

DAFTAR PUSTAKA

Siegel, Sydney. 1985. Statistik Nonparametrik Untuk Ilmu-Ilmu Sosial. Jakarta : PT.
Gramedia.

Sugiyono. 2017. Statistika Untuk Penelitian. Bandung : Alfabeta.

http://statmat.id/panduan-penggunaan-uji-binomial-untuk-kasus-satu-sampel/

http://statmat.id/panduan-uji-chi-square-kasus-satu-sampel/

http://arini2992.blogspot.com/2011/04/metode-kolmogorov-smirnov-untuk-uji.html?m=1

https://sandikodjati.blogspot.com/2010/11/tes-binomial-uji-statistik-non.html

26
LAMPIRAN

Tabel C

Tabel tes Run VIIa

27
Tabel tes Run VIIb

28
Tabel A atau tabel XIV (tabel tes binomial sampel besar)

Tabel D atau tabel IV (tabel tes binomial sampel kecil)

29
Tabel E

30