Resume Kelompok 3 Offering M :

1. Ainaya Anggi Pinardiningtyas (170431622140)

2. Ashif K Chumaida Sari (170431622067)
3. Ayu Afriningati (170431622007)
4. Amilusholihah (170431622087)

BAB 10
Uji Satu Sampel Hipotesis (One-Sample
Tests of Hypothesis)
10.1 Pendahuluan
Bab 9 melanjutkan studi inferensi statistik dengan mengembangkan interval kepercayaan.
Interval kepercayaan adalah rentang nilai yang di perkirakan akan terjadi populasi
parameter. Di bagian terakhir bab ini, kami menjelaskan kemungkinan kesalahan akibat
pengambilan sampel dalam pengujian hipotesis.

10.2 Apa Itu Hipotesis?

Sebuah hipotesis menunjukan pernyataan tentang suatu populasi. Data kemudian
digunakan untuk mengecek kewajaran pernyataan tersebut. Dalam sistem hukum
Amerika Serikat, seseorang tidak bersalah hingga terbukti bersalah. Juri (hakim)
menghipotesa bahwa seseorang dibebankan dengan kejahatan (terdakwa) adalah innocent
dan subject hipotesis untuk verivikasi dengan review bukti dan mendengarkan kesaksian
sebelum mencapai keputusan. Dalam analisis statistika, kami membuat klaim — yaitu,
pernyataan hipotesis — mengumpulkan data, dan kemudian datanya digunakan untuk
menguji pernyataan tersebut. Kami mendefinisikan hipotesis statistika sebagai berikut.
HIPOTESIS Pernyataan tentang subject populasi parameter untuk diverifikasi
10.3 Apa Pengujian Hipotesis?
Pengecekan hipotesis digunakan untuk pernyataan, atau asumsi, tentang
parameter populasi — seperti rata-rata populasi. Pernyataan ini disebut sebagai hipotesis.
PENGUJIAN HIPOTESIS Sebuah prosedur berdasarkan bukti sampel dan
teori probabilitas untuk menentukan apakah hipotesis merupakan pernyataan yang
masuk akal.

10.4 Five-Step Procedure for Testing a Hypothesis

Lima Prosedur untuk Pengujian Hipotesis.
Ada prosedur lima langkah yang mensistematisasikan pengujian hipotesis; ketika kita sampai ke
langkah 5, kami siap untuk menolak atau tidak menolak hipotesis. Oleh karena itu, ada aturan
bukti spesifik, atau prosedur, yang diikuti. Itu langkah-langkahnya ditunjukkan pada diagram
berikut. Kami akan membahas secara rinci masing – masing tangga.

STEP 1 STEP 2 STEP 3 STEP 4 STEP 5

State null Take a

Select a
and Identify the Formulate a sample,
level of
alternate test statistic decision rule arrive at
significance
hypotheses decision

Step 1: State the Null Hypothesis (H0) and the Alternate Hypothesis (H1) (Tetapkan Hipotesis
Nol (H0) dan Hipotesis Alternatif (H1))
Langkah pertama adalah menyatakan hipotesis yang diuji. Ini disebut hipotesis nol,
menunjuk H0, dan membaca "H sub nol." Huruf kapital H adalah hipotesis, dan subscript nol
menyiratkan "tidak ada perbedaan." Biasanya ada istilah "tidak" atau "tidak" dalam hipotesis nol,
artinya ada “tidak ada perubahan.” Misalnya, nol hipotesisnya adalah bahwa jumlah rata-rata
jarak tempuh yang digerakkan pada ban berikat baja tidak berbeda dari 60.000. Hipotesis nol
akan ditulis H0: µ = 60.000.

Hipotesis nol adalah pernyataan yang tidak benar ditolak kecuali data sampel kami
memberikan bukti meyakinkan bahwa itu salah. Kita harus menekankan bahwa, jika hipotesis
nol tidak ditolak berdasarkan sampel data, kita tidak bisa mengatakan bahwa hipotesis nol itu
benar. Untuk benar-benar menentukannya, kita harus menguji, mensurvei, atau menghitung
setiap item dalam populasi. Ini biasanya tidak layak. Alternatifnya adalah dengan mengambil
sampel dari populasi.

Untuk mendefinisikan apa yang dimaksud dengan hipotesis nol:

NULL HYPOTHESIS Pernyataan tentang nilai parameter populasi dikembangkan

untuk tujuan pengujian bukti numerik.

Hipotesis alternatif menjelaskan apa yang akan Anda simpulkan jika Anda menolak hipotesis
nol. Ini ditulis H1 dan dibaca "H sub satu." Ini juga disebut sebagai hipotesis penelitian. Hipotesis
alternatif diterima jika data sampel memberikan kami dengan bukti statistik yang cukup bahwa
hipotesis nol salah.

ALTERNATE HYPOTHESIS Pernyataan yang diterima jika data sampel

memberikan bukti yang cukup bahwa hipotesis nol salah.

Contoh berikut akan membantu memperjelas apa yang dimaksud dengan hipotesis nol dan
hipotesis alternatif. Artikel terbaru menunjukkan usia rata-rata komersial AS Pesawat adalah 15
tahun. Langkah pertama adalah menentukan hipotesis nol dan alternatif. Hipotesis nol mewakili
kondisi saat ini atau yang dilaporkan. Ada tertulis H0: µ = 15. Alternatif hipotesis adalah bahwa
pernyataan itu tidak benar, yaitu, H1: µ ≠ 15. Penting untuk ingat bahwa tidak peduli bagaimana
masalah tersebut dinyatakan, hipotesis nol akan selalu mengandung tanda sama dengan. Tanda
sama dengan (=) tidak akan pernah muncul dalam hipotesis alternatif. Karena hipotesis nol
adalah pernyataan yang sedang diuji, dan kita perlu nilai spesifik untuk dimasukkan dalam
perhitungan kami. Kami beralih ke hipotesis alternatif hanya jika data menunjukkan hipotesis nol
tidak benar.

Step 2: Select a Level of Significance (Pilih Tingkat Signifikansi)

Setelah menyiapkan hipotesis nol dan hipotesis alternatif, langkah selanjutnya adalah nyatakan
tingkat signifikansi. Pilih tingkat signifikansi atau risiko.
 TINGKAT PENTINGNYA Peluang untuk menolak hipotesis nol saat itu adalah
benar.

Tingkat signifikansi ditetapkan α, huruf Yunani alfa. Terkadang juga disebut tingkat risiko. Ini
mungkin istilah yang lebih tepat karena itu adalah risiko yang Anda ambil dari menolak hipotesis
nol ketika itu memang benar.

Untuk menggambarkan bagaimana mungkin untuk menolak hipotesis yang sebenarnya,

anggaplah perusahaan manufaktur komputer pribadi menggunakan sejumlah besar papan sirkuit
tercetak. Pemasok menawar di papan, dan yang dengan penawaran terendah diberikan kontrak
yang cukup besar. Misalkan kontrak menentukan komputer itu departemen jaminan kualitas
pabrik akan mencicipi semua pengiriman papan sirkuit yang masuk. Jika lebih dari 6 persen dari
papan sampel adalah di bawah standar, pengiriman akan ditolak. Hipotesis nol adalah bahwa
pengiriman masuk papan berisi 6 persen atau kurang papan di bawah standar. Alternatifnya
Hipotesisnya adalah bahwa lebih dari 6 persen dewan adalah cacat.

Sampel 50 papan sirkuit diterima 21 Juli dari Allied Electronics mengungkapkan bahwa 4 papan,
atau 8 persen, di bawah standar. Itu pengiriman ditolak karena melebihi maksimum 6 persen
papan sirkuit tercetak dibawah standar. Jika kiriman sebenarnya di bawah standar, maka
keputusan untuk mengembalikan papan ke pemasok sudah benar. Namun, anggaplah 4 papan
sirkuit tercetak di bawah standar dipilih dalam sampel 50 adalah satu-satunya papan di bawah
standar dalam pengiriman 4.000 papan. Hanya itu saja 1/10 dari 1 persen rusak (4/4.000 = .001).
Dalam hal itu, kurang dari 6 persen dari seluruh pengiriman tidak lancar dan menolak
pengiriman adalah kesalahan. Di Dalam hal pengujian hipotesis, kami menolak hipotesis nol
bahwa pengiriman tidak di bawah standar ketika kita seharusnya menerima hipotesis nol.
Dengan menolak yang benar hipotesis nol, kami melakukan kesalahan Tipe I. Probabilitas
melakukan Tipe I kesalahan adalah α.

TYPE I ERROR Menolak hipotesis nol, H0, ketika itu benar.

Probabilitas melakukan jenis kesalahan lain, yang disebut kesalahan Tipe II, ditunjuk oleh huruf
Yunani beta (β).

TYPE II ERROR Menerima hipotesis nol saat itu salah.

Perusahaan yang memproduksi komputer pribadi akan melakukan kesalahan Tipe II jika, tidak
diketahui pabriknya, pengiriman papan sirkuit cetak yang masuk berasal Allied Electronics
mengandung 15 persen papan di bawah standar, belum termasuk pengiriman diterima. Misalkan
2 dari 50 papan dalam sampel (4 persen) yang diuji di bawah standar, dan 48 dari 50 adalah
papan yang baik. Menurut untuk prosedur yang dinyatakan, karena sampel mengandung kurang
dari 6 persen di bawah standar papan, pengiriman diterima. Bisa jadi itu kebetulan ke-48 papan
bagus yang dipilih dalam sampel adalah satu-satunya yang dapat diterima di seluruh pengiriman
terdiri dari ribuan papan. Dalam retrospeksi, peneliti tidak dapat mempelajari setiap item atau
individu dalam populasi. Jadi, ada kemungkinan dua jenis kesalahan - kesalahan Tipe I, di mana
hipotesis nol ditolak ketika seharusnya diterima, dan kesalahan Tipe II, dimana hipotesis nol
tidak ditolak ketika seharusnya ditolak. Kita sering merujuk pada probabilitas dari dua
kemungkinan kesalahan ini sebagai alpha, α, dan beta, β. Alpha (α) adalah probabilitas membuat
kesalahan Tipe I, dan beta (β) adalah probabilitas membuat kesalahan Tipe II. Tabel berikut
merangkum keputusan yang dapat diambil dan dilakukan peneliti konsekuensi yang mungkin.

Null Hypothesis Researcher

Does Not Reject H0 Rejects H0
H0 is true Correct Decision Type error I
H0 is false Type error II Correct decision

Step 3: Select the Test Statistic (Pilih Uji Statistik yang Sesuai)

Ada banyak statistik uji. Dalam bab ini, kami menggunakan z dan t sebagai statistik pengujian.
Dalam bab-bab selanjutnya, kita akan menggunakan statistik uji seperti F dan χ2, yang disebut
chi-square.

STATISTIK UJI Nilai, ditentukan dari informasi sampel, digunakan untuk

menentukan apakah akan menolak hipotesis nol.
Dalam pengujian hipotesis untuk rata-rata (µ) ketika σ diketahui, statistik uji z dihitung oleh:

MENGUJI RATA RATA , σ DIKETAHUI

X́ −µ
z= (10-1)
σ /√n

Nilai z didasarkan pada distribusi sampling X́ yang mengikuti normal distribusi dengan rata-rata
µx́ sama dengan µ, dan standar deviasi σ X́ , yang sama untuk σ/√ n. Dengan demikian kita dapat
menentukan apakah perbedaan antara X́ danµadalah signifikan secara statistik dengan
menemukan jumlah standar deviasi berasal dari X́ , menggunakan formula (10–1).

Step 4: Formulate the Decision Rule (Merumuskan Aturan Keputusan)

Aturan keputusan adalah pernyataan dari kondisi spesifik di mana hipotesis nol ditolak dan
kondisi di mana tidak ditolak. Wilayah atau wilayah of rejection mendefinisikan lokasi semua
nilai yang begitu besar atau sangat kecil itu probabilitas kemunculan mereka di bawah hipotesis
nol sejati agak jauh. Bagan 10–1 menggambarkan daerah penolakan untuk uji signifikansi yang
akan terjadi dilakukan nanti dalam bab ini.
CHART 10–1 Sampling Distribution of the Statistic z, a Right-Tailed Test, .05 Level of
Significance

Perhatikan dalam bagan bahwa:

• Area di mana hipotesis nol tidak ditolak berada di sebelah kiri 1,65. Kami akan jelaskan cara
mendapatkan nilai 1,65 segera.
• Area penolakan ada di sebelah kanan 1,65.
• Tes satu sisi sedang diterapkan. (Ini juga akan dijelaskan nanti.)
• Tingkat signifikansi 0,05 dipilih.
• Distribusi sampling statistik z mengikuti probabilitas normal distribusi.
• Nilai 1,65 memisahkan daerah di mana hipotesis nol ditolak dan di mana itu tidak ditolak.
• Nilai 1,65 adalah nilai kritis.

NILAI KRITIS Titik pemisah antara wilayah tempat hipotesis nol ditolak dan wilayah
di mana itu tidak ditolak.
Step 5: Make a Decision (Buat Keputusan)
Langkah kelima dan terakhir dalam pengujian hipotesis adalah menghitung statistik uji,
membandingkan ke nilai kritis, dan membuat keputusan untuk menolak atau tidak menolak nol
hipotesa. Mengacu pada Bagan 10-1, jika, berdasarkan informasi sampel, z dihitung menjadi
2,34, hipotesis nol ditolak pada tingkat signifikansi 0,05. Itu keputusan untuk menolak H0 dibuat
karena 2.34 terletak di wilayah penolakan, yaitu, melebihi 1,65. Kami akan menolak hipotesis
nol, dengan alasan itu sangat tidak mungkin bahwa nilai z yang dihitung sebesar ini adalah
karena kesalahan pengambilan sampel (kesempatan). Seandainya nilai yang dihitung adalah 1,65
atau kurang, katakanlah 0,71, hipotesis nol akan tidak bisa ditolak. Akan beralasan bahwa nilai
komputasi sekecil itu bisa dikaitkan dengan kebetulan, yaitu kesalahan pengambilan sampel.
Sebagaimana dicatat, hanya satu dari dua keputusan yang dimungkinkan dalam pengujian
hipotesis — baik menerima atau menolak hipotesis nol. Harus ditekankan kembali bahwa selalu
ada kemungkinan bahwa hipotesis nol ditolak ketika tidak boleh ditolak (kesalahan Tipe I). Juga,
ada yang bisa didefinisikan kemungkinan hipotesis nol diterima saat harus ditolak (kesalahan
Tipe II).
IKHTISAR LANGKAH-LANGKAH DALAM PENGUJIAN HIPOTESIS
1. Tetapkan hipotesis nol (H0) dan hipotesis alternatif (H1).
2. Pilih tingkat signifikansi, yaitu, α.
3. Pilih statistik uji yang sesuai.
4. Merumuskan aturan keputusan berdasarkan langkah 1, 2, dan 3 di atas.
5. Buat keputusan tentang hipotesis nol berdasarkan informasi sampel. Menginterpretasikan hasil
tes.

10.5 One-Tailed and Two-Tailed Tests of Significance

Tes Signifikansi Satu Sisi dan Dua Sisi
Lihat Bagan 10–1. Ini menggambarkan tes satu sisi. Wilayah penolakan hanya di bagian kanan
(atas) dari kurva. Untuk mengilustrasikan, anggaplah itu departemen pengemasan di General
Foods Corporation khawatir bahwa beberapa kotak Grape Nuts secara signifikan kelebihan berat
badan. Sereal dikemas dalam kotak 453 gram, jadi nol hipotesisnya adalah H0: µ ≤ 453. Ini
dibaca, “mean populasi (µ) sama dengan atau kurang dari 453. "Hipotesis alternatif, oleh karena
itu, H1: µ > 453. Ini dibaca," µ adalah lebih besar dari 453. ”Perhatikan bahwa tanda
ketimpangan dalam hipotesis alternatif (>) menunjukkan ke wilayah penolakan di sisi atas.
(Lihat Bagan 10-1.) Juga perhatikan bahwa nol hipotesis termasuk tanda sama dengan. Yaitu, H0:
µ ≤ 453. Kondisi kesetaraan selalu muncul di H0, tidak pernah dalam H1.

CHART 10–2 Sampling Distribution for the Statistic z, Left-Tailed Test,.05 Level of
Significance

Bagan 10–2 menggambarkan situasi di mana wilayah penolakan berada di sisi kiri
(bawah) dari distribusi normal standar. Sebagai ilustrasi, perhatikan masalah mobil produsen,
perusahaan penyewaan mobil besar, dan organisasi lain yang membeli ban dalam jumlah besar.
Mereka ingin ban rata-rata, katakanlah, 60.000 mil pakai dalam penggunaan normal. Oleh karena
itu, mereka akan menolak pengiriman ban jika tes mengungkapkan bahwa usia rata-rata ban
secara signifikan di bawah 60.000 mil. Mereka dengan senang hati menerima pengiriman jika
usia rata-rata lebih besar dari 60.000 mil. Mereka tidak peduli kemungkinan ini. Mereka hanya
peduli jika mereka memiliki sampel bukti untuk disimpulkan bahwa ban akan rata-rata berguna
kurang dari 60.000 mil. Jadi, tesnya adalah didirikan untuk memenuhi kekhawatiran produsen
mobil bahwa usia rata-rata ban tidak kurang dari 60.000 mil. Pernyataan ini muncul dalam
hipotesis alternatif. Hipotesis nol dan alternatif dalam kasus ini ditulis H0: µ ≥ 60.000 dan H1: µ
< 60.000.

Salah satu cara untuk menentukan lokasi wilayah penolakan adalah dengan melihat
arahnya di mana tanda ketimpangan dalam hipotesis alternatif menunjuk (baik < atau >). Di
masalah ini, menunjuk ke kiri, dan karena itu daerah penolakan berada di sisi kiri.

Singkatnya, sebuah tes adalah satu-sisi ketika hipotesis alternatif, H1, menyatakan arah, seperti:

 H0: Pendapatan rata-rata pialang saham perempuan kurang dari atau sama dengan $
65.000 per tahun.
 H1: Pendapatan rata-rata pialang saham wanita lebih besar dari $ 65.000 per tahun. Jika
tidak ada arah yang ditentukan dalam hipotesis alternatif, kami menggunakan tes dua sisi.
Mengubah masalah sebelumnya untuk diilustrasikan, kita dapat mengatakan:
 H0: Pendapatan rata-rata pialang saham perempuan adalah $ 65.000 per tahun.
 H1: Pendapatan rata-rata pialang saham perempuan tidak sama dengan $ 65.000 per
tahun.

Jika hipotesis nol ditolak dan H1 diterima dalam kasus dua sisi, rerata Penghasilan bisa secara
signifikan lebih besar dari $ 65.000 per tahun atau bisa juga secara signifikan kurang dari $
65.000 per tahun. Untuk mengakomodasi dua kemungkinan ini, 5 persen area penolakan dibagi
secara merata menjadi dua sisi dari distribusi sampling (2.5 persen masing-masing). Bagan 10–3
menunjukkan dua area dan nilai kritis. Perhatikan bahwa total area dalam distribusi normal
adalah 1,0000, ditemukan oleh 0,9500 + .0250 + .0250.
CHART 10–3 Regions of Nonrejection and Rejection for a Two-Tailed Test,.05 Level of
Significance

10.6 Menguji Rata-Rata Populasi : Diketahui Standar Deviasi Populasi

Dua tes beruntun (Saling Berkesinambungan)

Pada contoh yang akan dibahas menunjukkan rincian prosedur pengujian hipotesis lima
langkah. Kita juga akan (menguji dari dua sisi yang berbeda) menggunakan tes yang saling
berkesinambungan. Artinya, kita tidak perlu memperdulikan hasil dari sampel yang lebih besar
atau lebih kecil dari rata-rata populasi. Tetapi, kita lebih menekankan pada perbedaan nilai yang
dihasilkan oleh rata-rata dari populasi.
Contoh :
Perusahaan Jamestown Steel memproduksi dan merakit meja dan peralatan kantor
lainnya di beberapa pabrik di New York bagian barat. Meja A325 di Pabrik Fredonia mengikuti
distribusi normal dengan probabilitas rata-rata 200 dan deviasi standar 16. Baru-baru ini, karena
adanya ekspansi pasar, metode produksi yang baru telah diperkenalkan dan memperkejakan
tenaga kerja baru. Wakil presiden bidang manufaktur ingin menyelidiki apakah telah ada
perubahaan dalam produksi mingguan meja model A325. Artinya, jumlah rata-rata meja yang
diproduksi di Pabrik Fredonia apakah berbeda dari 200 pada tingkat yang signifikan 0.01?
Dalam contoh tersebut, kita mengetahui dua informasi penting yaitu :
1. Populasi produksi mingguan bergantung pada distribusi normal
2. Standar deviasi dari distribusi normal dalam setiap minggu adalah 16 meja
Jadi, kita dapat menyelesaikan masalah tersebut dengan rumus Z dan menggunakan
prosedur pengujian hipotesis statistik untuk menyelidiki apakah tingkat produksi telah berubah
menjadi 200 dalam setiap minggu.
 Langkah 1 :
Nyatakan hipotesis nol dan hipotesis alternatif. Pada hipotesis nol rata-rata populasi
adalah 200. Dan pada hipotesis alternatif rata-ratanya berbeda dari 200 atau rata-
ratanya bukan 200. Kedua hipotesis tersebut dapat ditulis sebagai berikut :
H0 : µ = 200
H1 : µ ≠ 200
Ini adalah two-tailed test karena hipotesis alternatif tidak menghasilkan (petunjuk)
jawaban. Dengan kata lain, hipotesis tersebut tidak dapat menyatakan apakah berarti
produksi lebih dari 200 atau kurang dari 200. Wakil presiden hanya ingin tahu
tingkat produksi berbeda dari 200.
 Langkah 2 :
Pilih tingkat yang signifikan. Seperti, yang telah ditunjukkan dalam masalah,
tingkat signifikan 0,01. Itu berarti α, kemungkinan terjadi kesalahan pada tipe I
dan kemungkinan hipotesis nol tidak benar.
 Langkah 3 :
Pilih uji statistik. Gunakan uji statistik Z ketika yang diketahui standar deviasi
dari populasi. Ubah data produksi menjadi standar unit (nilai z) yang
memungkinkan penggunaanya tidak hanya dalam masalah ini tetapi juga dalam
masalah pengujian hipotesis lainnya. Untuk Z dengan formula 1-10 diulang dari
bawah dengan berbagai huruf yang diidentifikasi.

X́ −µ
z=
σ /√n
 Dimana :
X́ = rata-rata sampel
µ = rata-rata populasi
σ = Standar deviasi dari populasi
√ n = jumlah sampel

 Langkah 4 :
Memutuskan rumus sesuai aturan. Rumus diputuskan dengan menemukan nilai
kritis Z dari lampiran B.1. Karena ini merupakan tes dua sisi, maka setengah dari
0.01 atau 0.0005 berada di setiap ujung sisi. Daerah dimana H 0 tidak ditolak,
lokasinya berada di antara dua ekor, oleh karena itu (.99.) lampiran B.1 adalah
berdasarkan setengah area di bawah kurva, atau 0.5000. Kemudian 0.5000 –
0.0050 adalah 0.4950, jadi 0.4950 adalah area antara 0 dan nilai kritis. Lokasi
0.4950 berada pada badan tabel. Nilai terdekat dari 0.4950 adalah 0.4951.
Kemudian baca nilai kritis pada baris dan kolom yang sesuai dengan 0.4951 yaitu
2.58 (2.5 + 0.8) . Untuk memudahkan pemahaman, lampiran B.1, area di bawah
kurva normal, diulangi pada penutup bagian dalam.
Semua aspek dari masalah tersebut ditunjukkan pada diagram berikut :

Kurva aturan keputusan untuk tingkat signifikan 0.01

Aturan keputusan : menolak hipotesis nol dan menerima hipotesis alternatif (yang
menyatakan bahwa rata-rata populasi tidak 200) jika nilai yang dihitung dari z
 tidak antara -2.58 dan +2.58. Tidak menolak hipotesis nol apabila nilainya antara
-2.58 dan +2.58.
 Langkah 5 :
Buat keputusan dan interpretasikan hasilnya. Ambil sampel dari populasi
(produksi mingguan), menghitung z, menerapkan aturan keputusan, dan sampai
pada keputusan untuk menolak H0 atau tidak menolak H0. Rata-rata dari meja yang
diproduksi tahun lalu (50 per minggu, karena pabrik ditutup untuk liburan) adalah
203.5. Standard deviasi dari populasi adalah 16 meja per minggu. Menghitung
nilai z dari rumus berikut :
x́−µ 203.5−200
z= = = 1.55
σ /√n 16/ √ 50
Karena 1.55 tidak masuk dalam wilayah penolakan, H0 tidak ditolak. Kita dapat
menyimpulkan bahwa rata-rata populasi tidak berbeda dari 200. Jadi, kami dapat
melaporkan kepada presiden pabrik bahwa bukti sampel tidak menunjukkan
perubahan 200 per minggu pada laju produksi di Pabrik Fredonia. Perbedaan 3.5
unit antara nilai tingkat produksi mingguan, dan tahun lalu dikaitkan dengan
sampling eror. Informasi ini dirangkum dalam bagan berikut :

Apakah tingkat perakitan masih 200 per minggu? Tidak tentu. Secara
teknis, kita gagal membuktikan hipotesis nol. Artinya, gagal membantah hipotesis
bahwa rata-rata dari populasi adalah 200 itu belum tentu benar. Seperti yang
terdapat dalam pengantar bab, kesimpulannya sejalan dengan sistem peradilan
Amerika. Maksudnya, misalkan seseorang dituduh melakukan kejahatan tetapi
dibebaskan oleh juri. Jika seseorang dibebaskan kesimpulannya, adalah berarti
tidak ada cukup bukti untuk membuktikan bahwa orang tersebut bersalah. Itulah
 yang dimaksud dalam pengujian hipotesis statistik saat menolak hipotesis nol.
Penafsiran yang benar adalah bahwa kita telah gagal bantah (membuktikan)
hipotesis nol.
Kami memilih tingkat signifikansi 0,01 dalam kasus ini, sebelum
membuat aturan keputusan dan mengambil sampel dari populasi. Ini adalah
startegi yang tepat. Tingkat signifikan harus ditentukan oleh peneliti, tetapi harus
ditentukan sebelum mengumpulkan bukti sampel dan tidak berubah berdasarkan
bukti sampel (tidak berubah ketika sudah ada bukti sampel) .
Bagaimana prosedur pengujian hipotesis yang baru dijelaskan
dibandingkan dengan confidence interval yang dibahas pada bab sebelumnya?
Ketika dilakukan tes hipotesis mengenai produksi meja, kami mengubah unit nilai
yang dihitung dari uji statistik (1.55) dengan nilai kritis (-2.58 dan 2.58). Karena
nilai yang dhitung berada di wilayah di mana hipotesis nol tidak ditolak, sehingga
kami menyimpukan bahwa rata-rata populasi bisa 200. Untuk menggunakan
pendekatan confidence interval, disisi lain, kami akan mengembangkan
confidence interval, berdasarkan formula (9-1). Lihat halaman 302. Lihat halaman
302. Interval dari 197.66 ke 209.34, dapat ditemukan 203.5 ± 2.58 (16/ √ 50 ¿.
Perhatikan nilai populasi yang diusulkan 200, dalam interval (jarak). Oleh karena
itu, kita dapat menyimpulkan bahwa rata-rata populasi bisa jadi 200.
Secara umum, H0 ditolak jika confidence interval tidak termasuk dalam
nilai hipotesis. Dan sebaliknya, jika termasuk dalam nilai maka H0 tidak ditolak.
Jadi, “jangan menolak wilayah” untuk uji hipotesis yang setara dengan nilai
populasi yang terdapat dalam confidence interval. Perbedaan utama antara
confidence interval dan “wilayah yang ditolak” tes hipotesis adalah apakah jarak
dipusatkan disekitar sampel ( X́ ¿, atau disekitar 0, seperti dalam uji hipotesis.

A One – Tailed Test

Dalam contoh sebelumnya, difokuskan pada peloparan kepada wakil presiden apakah ada
perubahan dalam jumlah rata-rata produksi meja di Pabrik Fredonia. Disini tidak diperdulikan
apakah perubahan produksinya naik atau turun.
 Untuk mengilustrasikan tes satu sisi, kita harus mengubah permasalahannya. Misalkan,
wakil presiden ingin tahu apakah telah terjadi peningkatan jumlah unit produksi. Kita dapat
menyimpulkan, karena metode produksi yang ditingkatkan, angka rata-rata meja yang dirakit
dalam 50 minggu terakhir lebih banyak dari 200? Terlihat perbedaan dalam cara merumuskan
masalah. Awalnya kita ingin mengetahui perbedaan jumlah rata-rata rakitan, dan sekarang kita
ingin mengetahui apakah terjadi peningkatan dalam produksi. Maka kita akan menyiapkan
hipotesis yang berbeda. Perbedaan terbesar berada pada hipotesis alternatif. Sebelumnya kita
menyatakan hipotesis alternatif dengan “berbeda dari” sekarang kita menyatakannya dengan
“lebih dari”. Simbolnya :
A two – tailed test : A one-tailed test:
H0 : µ = 200 H0 : µ ≤ 200
H1 : µ ≠ 200 H1 : µ > 200
Nilai kritis untuk uji satu sisi berbeda dari tes dua sisi di tingkat signifikansi yang sama.
Pada contoh sebelumnya, tingkat signifikan dibagi setengah yang diletakkan pada setengah dari
sisi yang rendah dan setengah dari sisi yang atas. Dalam tes satu sisi, kami letakkan semua
daerah penolakan di satu sisi. Lihat bagan berikut:

CHART 10–5 Rejection Regions for Two-Tailed and One-Tailed Tests, α = 0.01

Untuk uji tes satu sisi, nilai kritis adalah 2.33, ditemukan :
1. Mengurangi 0,01 dari 0,5000, dan
2. Menemukan nilai z yang sesuai dengan 4900.
10.7 Nilai-p dalam Uji Hipotesis
Dalam uji hipotesis, kita mencocokkan uji statistik dengan nilai kritis. Sebuah keputusan
dibuat untuk menolak hipotesis nol atau tidak menolaknya. Jadi misalkan diketahui nilai kritis
1.96 dan nilai yang dihitung dari uji statistik adalah 2.19, decision (memutuskan untuk) menolak
hipotesis nol.
Dalam beberapa tahun terakhir, ketersediaan perangkat lunak komputer mendorong
informasi tambahan yang sering melaporkan penolakan atau penerimaan. Maksudnya, seberapa
yakin kita dalam menolak hipotesis nol?. Pendekatan ini melaporkan peluang (dengan asumsi
bahwa hipotesis nol itu benar) untuk mendapatkan nilai uji statistik yang sama ekstremnya
dengan nilai yang diperoleh sebenarnya. Proses ini membandingkan peluang yang disebut nilai-
p, dengan tingkat signifikansi. Jika nilai-p lebih kecil dari tingkat signifikansi, H 0 ditolak. Jika
lebih besar dari tingkat signifikansi maka H0 diterima (tidak ditolak).

Nilai-p. peluang mengamati nilai sampel yang ekstrim, atau lebih

ekstrim dari nilai yang diamati, memberikan hipotesis nol yang
benar.

Nilai-p tidak hanya menghasilkan keputusan mengenai H0, tetapi juga menambah
wawasan tentang kekuatan keputusan. Nilai p yang sangat kecil seperti 0.0001, menunjukkan ada
sedikit kemungkinan H0 benar. Disisi lain, nilai p dari 0.2033 berarti bahwa H0 tidak ditolak, dan
ada kemungkinan kecil itu salah.
Bagaimana kita menghitung nilai p?. Sebagai ilustrasi, kita akan menggunakan contoh
dimana kita menggunakan uji hipotesis nol bahwa jumlah rata-rata meja yang diproduksi dalam
setiap minggu di Fredonia adalah 200. Kami tidak menolak hipotesis nol karena nilai z dari 1.55
berada di wilayah antara -2.58 dan 2.58. Kami setuju dengan hipotesis nol jika nilai yang
dihitung z berada di wilayah ini. Ditemukan peluang nilai z 1.55 atau lebih adalah 0.0606,
ditemukan oleh 0.5000 – 0.4394. dengan kata lain, peluang mendapatkan lebih besar dari 203.5
jika 200 adalah 0.0606. Untuk menghitung nilai-p, kita perlu memperhatikan wilayah kurang
dari -1.55 juga untuk nilai yang lebih besar dari 1.55 (karena wilayah penolakan berada di kedua
sisi). Pada tes dua sisi nilai p adalah 0.1212, ditemukan 2(0.0606). nilai p dari 0.1212 lebih besar
dari level signifikan 0.01, jelas diketahui dari awal, sehingga H 0 tidak ditolak. Untuk lwbih
detailnya ditunjukkan dalam grafik berikut :
 Secara umum, area tersebut digandakan dalam tes dua sisi. Maka nilai-p dapat dengan
mudah dibandingkan dengan tingkat yang signifikan. Aturannya sama, seperti keputusan yang
digunakan dalam tes satu sisi.
Nilai p adalah cara untuk menyatakan peluang bahwa H0 salah. Tapi bagaimana cara kita
menginterpretasikan nilai p? kita telah mengatakan bahwa jika nilai-p kurang dari tingkat
signifikan, maka H0 ditolak. Jika lebih besar dari tingkat signifikan, maka H 0 tidak ditolak. Juga,
jika nilai p sangat besar, maka kemungkinan H0 benar. Jika nilai p kecil, maka kemungkinan H0
tidak benar.

10.8 Pengujian untuk Mean Populasi: Standar Deviasi Populasi Tidak

Diketahui
Dalam contoh sebelumnya, kita tahu σ, standar deviasi populasi, dan bahwa populasi mengikuti
distribusi normal. Namun dalam kebanyakan kasus, standar deviasi populasi tidak diketahui.
Dengan demikian, σ harus didasarkan pada studi sebelumnya atau diperkirakan oleh standar
deviasi sampel, s. Deviasi standar populasi dalam contoh berikut tidak diketahui, sehingga
standar deviasi sampel digunakan untuk memperkirakan σ

Untuk menemukan nilai uji statistik, kami menggunakan distribusi t dan merevisi rumus
[10-1] sebagai berikut:

−μ
MENGUJI MEAN, σ TIDAK DIKETAHUI t= [10-2]
s/√n
dengan n ̶ 1 derajat kebebasan, di mana:
x adalah mean sampel
𝜇 adalah mean populasi yang dihipotesiskan
s adalah standar deviasi sampel
n adalah jumlah pengamatan dalam sampel.
Karakteristik utama distribusi t adalah:
 Ini adalah distribusi berkelanjutan.
 Berbentuk lonceng dan simetris.
 Ada keluarga distribusi t. Setiap kali derajat kebebasan berubah, distribusi baru dibuat.
 Ketika jumlah derajat kebebasan meningkat, bentuk distribusi t mendekati distribusi
normal standar.
 Distribusi t lebih datar, atau lebih tersebar, daripada distribusi normal standar.

Contoh berikut menunjukkan detailnya.

CONTOH Departemen Klaim Perusahaan Asuransi McFarland melaporkan biaya rata-
rata untuk memproses klaim adalah $ 60. Perbandingan industri
menunjukkan jumlah ini lebih besar daripada kebanyakan perusahaan
asuransi lain, sehingga perusahaan melembagakan langkah-langkah
pemotongan biaya. Untuk mengevaluasi efek dari langkah-langkah
pemotongan biaya, Pengawas Departemen Klaim memilih sampel acak dari
26 klaim yang diproses bulan lalu. Informasi sampel dilaporkan sebagai
berikut.

$45 $49 $62 $40 $43 $61

48 53 67 63 78 64
48 54 51 56 63 69
58 51 58 59 56 57
38 76

Pada tingkat signifikansi 0,01, apakah masuk akal untuk menyimpulkan

bahwa biaya rata-rata (mean) untuk memproses klaim sekarang kurang dari
$ 60?
SOLUSI Kami akan menggunakan prosedur pengujian hipotesis lima langkah.
LO6  Langkah 1 : Sebutkan hipotesis nol dan hipotesis alternatif.
Melakuka Hipotesis nol adalah bahwa rata-rata populasi adalah setidaknya $60.
n tes Hipotesis alternatif adalah bahwa rata-rata populasi kurang dari $60.
hipotesis Kami dapat menyatakan hipotesis nol dan alternatif sebagai berikut:
tentang H 0: π ¿ $ 60
rata-rata
H 1: π < $ 60
populasi.
Tes ini satu arah karena kami ingin menentukan apakah telah terjadi
pengurangan biaya. Ketidaksamaan dalam hipotesis alternatif menunjuk
ke daerah penolakan di ekor kiri distribusi.
 Langkah 2 : Pilih tingkat signifikansi. Kami memutuskan pada tingkat
signifikansi 0,01.
 Langkah 3 : Pilih uji statistik. Uji statistik dalam situasi ini adalah
distribusi t. Mengapa? Pertama, masuk akal untuk menyimpulkan
bahwa distribusi biaya per klaim mengikuti distribusi normal. Kami
dapat mengkonfirmasi ini dari histogram di tengah output Minitab
berikut. Amati distribusi normal yang ditumpangkan pada distribusi
frekuensi.

Kami tidak tahu standar deviasi populasi. Jadi kami mengganti standar
deviasi sampel. Nilai statistik uji dihitung dengan rumus (10-2):
 −μ
t=
s/√n

 Langkah 4 : Merumuskan aturan keputusan. Nilai kritis t diberikan

dalam Lampiran B.2, yang sebagian ditunjukkan dalam Tabel 10-1.
Lampiran B.2 juga diulang di sampul belakang bagian dalam teks.
Kolom paling kiri dari tabel diberi label "df" untuk derajat kebebasan.
Jumlah derajat kebebasan adalah jumlah total pengamatan dalam sampel
dikurangi jumlah populasi sampel, ditulis n-1. Dalam hal ini, jumlah
pengamatan dalam sampel adalah 26, dan kami mengambil sampel 1
populasi, jadi ada 26-1= 25 derajat kebebasan. Untuk menemukan nilai
kritis, pertama temukan baris dengan derajat kebebasan yang sesuai.
Baris ini diarsir dalam Tabel 10-1. Selanjutnya, tentukan apakah tes itu
“satu-ekor” atau “dua-ekor”. Dalam hal ini, kami memiliki tes satu kali
detail, jadi temukan bagian dari tabel yang berlabel "satu-ekor."
Temukan kolom dengan tingkat signifikansi yang dipilih. Dalam contoh
ini, tingkat signifikansi adalah 0,01. Turunkan kolom berlabel "0,01"
hingga memotong baris dengan kebebasan 25 derajat. Nilainya adalah
2,485. Karena ini adalah tes satu sisi dan wilayah penolakan berada di
ekor kiri, nilai kritisnya negatif. Aturan keputusan adalah menolak H 0
jika nilai t adalah kurang dari -2,485.
TABEL 10-1 Bagian dari Tabel Distribusi t
 Langkah 5 : Buat keputusan dan interpretasikan hasilnya. Dari
keluaran Minitab, di sebelah kanan histogram, biaya rata-rata (mean) per
klaim untuk sampel dari 26 pengamatan adalah $ 56,42. Simpangan
baku (s) dari sampel ini adalah $ 10,04. Kami memasukkan nilai-nilai
ini dalam rumus (10–2) dan menghitung nilai t:
−μ $ 56,42−$ 60
t= = =−1.818
s/√n $ 10,04/ √ 26
Karena −¿1,818 terletak di wilayah di sebelah kanan nilai −2.485kritis
hipotesis nol tidak ditolak pada tingkat signifikansi 0,01. Kami belum
menunjukkan bahwa langkah-langkah pemotongan biaya mengurangi biaya
rata-rata per klaim menjadi kurang dari $ 60. Dengan kata lain, perbedaan $
3,58 ($ 56,42 −¿$ 60) antara rata-rata sampel dan rata-rata populasi dapat
disebabkan oleh kesalahan pengambilan sampel. Nilai yang dihitung dari t
ditunjukkan pada Bagan 10–6. Itu adalah di wilayah di mana hipotesis nol
tidak ditolak.
 BAGAN 10–6 Wilayah Penolakan, Distribusi t, .01 Level Signifikansi

Dalam contoh sebelumnya, mean dan standar deviasi dihitung menggunakan Minitab. Contoh
berikut menunjukkan detail ketika mean sampel dan standar deviasi sampel dihitung dari data
sampel.

CONTOH Panjang rata-rata (mean) batang penyeimbang kecil adalah 43 milimeter.

Pengawas produksi prihatin bahwa penyesuaian mesin yang memproduksi
batang telah berubah. Dia meminta Departemen Teknik untuk menyelidiki.
Teknisi memilih sampel acak masing-masing 12 bar dan mengukur.
Hasilnya dilaporkan di bawah dalam milimeter.

42 39 42 45 43 40 39 41
40 42 43 42

Apakah masuk akal untuk menyimpulkan bahwa telah terjadi perubahan

dalam panjang rata-rata batang? Gunakan tingkat signifikansi 0,02.
SOLUSI Kita mulai dengan menyatakan hipotesis nol dan hipotesis alternatif.
LO6 H 0: ℼ = 43
Melakuka
H 1: ℼ ≠ 43
n tes
Hipotesis alternatif tidak menyatakan arah, jadi ini adalah tes dua sisi. Ada
hipotesis
tentang 11 derajat kebebasan, ditemukan oleh n ̶ 1 = 12 ̶ 1=11. Nilai t adalah
rata-rata 2,718, ditemukan dengan merujuk pada Lampiran B.2 untuk tes dua sisi,
populasi. menggunakan tingkat signifikansi 0,02, dengan kebebasan 11 derajat.
Aturan keputusan adalah: Tolak hipotesis nol jika t dihitung di sebelah kiri ̶
2,718 atau di kanan 2,718. Informasi ini dirangkum dalam Bagan 10–7.

BAGIAN 10–7 Wilayah Penolakan, Tes Dua Ekor, Distribusi t Siswa,

α=.02
Kami menghitung standar deviasi sampel menggunakan rumus (3-11).

Mean, X , adalah 41,5 milimeter, dan standar deviasi, s, adalah 1,784

milimeter. Rinciannya ditunjukkan pada Tabel 10–2.
TABEL 10–2 Perhitungan Penyimpangan Standar Sampel
 498
X= = 41.5 mm
12

35
s = √ ∑ ¿ ¿ ¿ ¿ ¿=
√ 12−1
=

1.784

Sekarang kita siap untuk menghitung nilai t, menggunakan rumus (10–2).

−μ 41.5−43.0
t= = =−2.913
s / √ n 1.784 / √ 12
Hipotesis nol bahwa rata-rata populasi adalah 43 milimeter ditolak karena t
hitung sebesar ̶ 2,913 terletak di area di sebelah kiri ̶ 2,718. Kami
menerima hipotesis alternatif dan menyimpulkan bahwa rata-rata populasi
(population mean) bukan 43 milimeter. Mesin di luar kendali dan perlu
penyesuaian.

Langkah-langkah untuk menghasilkan output berikut ditunjukkan di bagian Perintah Software di

akhir bab ini.
Fitur tambahan dari sebagian besar paket perangkat lunak statistik adalah melaporkan nilai-p,
yang memberikan informasi tambahan tentang hipotesis nol. Nilai-p adalah probabilitas dari nilai
t yang ekstrim seperti yang dihitung, mengingat bahwa hipotesis nol itu benar. Menggunakan
data dari contoh bar counterbalance sebelumnya, nilai-p dari 0,014 adalah kemungkinan pada
nilai t 2,91 atau kurang ditambah kemungkinan pada nilai t 2,91 atau lebih besar, diberikan
populasi rata-rata 43. Dengan demikian, membandingkan nilai p -nilai ke tingkat signifikansi
memberitahu kita apakah hipotesis nol hampir ditolak, nyaris ditolak, dan sebagainya.

Nilai p dari 0,014 adalah area yang lebih gelap atau teduh dan tingkat signifikansi adalah area
total yang diarsir. Karena nilai p 0,014 kurang dari tingkat signifikansi 0,02, hipotesis nol
ditolak. Seandainya nilai-p lebih besar dari tingkat signifikansi — katakanlah, .06, .19, atau .57
— hipotesis nol tidak akan ditolak. Jika tingkat signifikansi awalnya telah dipilih sebagai 0,01,
hipotesis nol tidak akan ditolak.
Dalam contoh sebelumnya, hipotesis alternatif adalah dua sisi, sehingga ada daerah penolakan di
kedua ekor bawah (kiri) dan ekor atas (kanan). Untuk menentukan nilai-p, perlu untuk
menentukan area di sebelah kiri 2,913 untuk distribusi t dengan 11 derajat kebebasan dan
menambahkannya nilai area di sebelah kanan 2,913, juga dengan 11 derajat kebebasan.

Dalam hal ini, kami akan melaporkan area hanya dari satu sisi. Dalam contoh penyeimbang, jika
H1 dinyatakan sebagai 43, ketidaksetaraan akan menunjuk ke kiri. Dengan demikian, kami akan
melaporkan nilai p sebagai area di sebelah kiri 2,913. Nilai ini adalah 0,007, ditemukan oleh
0,014 2. Dengan demikian, nilai p untuk uji satu sisi adalah 0,007.

Bagaimana kita bisa memperkirakan nilai p tanpa komputer? Untuk menggambarkan, ingat
bahwa, dalam contoh mengenai panjang penyeimbang, kami menolak nol hipotesis yang ℼ=43
dan menerima hipotesis alternatif yang ℼ≠43. Level signifikansi adalah 0,02, jadi secara logis
nilai p kurang dari 0,02. Untuk memperkirakan nilai p lebih akurat, buka Lampiran B.2 dan
temukan baris dengan 11 derajat kebebasan. Nilai t yang dihitung dari 2,913 adalah antara 2,718
dan 3,106. (Sebagian dari Lampiran B.2 direproduksi sebagai Tabel 10-3.) Tingkat signifikansi
dua-ekor yang sesuai dengan 2,718 adalah 0,02, dan untuk 3,106 adalah 0,01. Oleh karena itu,
nilai-p adalah antara 0,01 dan 0,02. Praktik yang biasa dilakukan adalah melaporkan bahwa nilai-
p lebih kecil dari dua tingkat signifikansi. Jadi kami akan melaporkan, "nilai p kurang dari 0,02."
10.9 Tes Mengenai Proporsi (Tests Concerning Proportions)
Ingatlah bahwa proporsi adalah rasio dari jumlah keberhasilan dengan jumlah
pengamatan. Kami membiarkan X merujuk pada jumlah keberhasilan dan n jumlah
pengamatan, sehingga proporsi keberhasilan dalam jumlah percobaan tetap adalah X/n.
Dengan demikian, rumus untuk menghitung proporsi sampel, p, adalah p X/n.

Beberapa asumsi harus dibuat dan syarat dipenuhi sebelum menguji proporsi populasi.
Untuk menguji hipotesis tentang proporsi populasi, sampel acak dipilih dari populasi.
Diasumsikan bahwa asumsi binomial yang dibahas dalam Bab 6 dipenuhi: (1) data sampel
yang dikumpulkan adalah hasil perhitungan; (2) hasil percobaan diklasifikasikan ke dalam
salah satu dari dua kategori yang saling eksklusif — "sukses" atau "gagal"; (3) probabilitas
keberhasilan sama untuk setiap percobaan; dan (4) uji coba bersifat independen, artinya hasil
dari satu uji coba tidak mempengaruhi hasil uji coba lainnya. Tes yang akan kami lakukan
segera sesuai ketika nℼ dan n (1- ℼ) setidaknya 5. n adalah ukuran sampel, dan ℼ merupakan
proporsi populasi. Ini mengambil keuntungan dari fakta bahwa distribusi binomial dapat
diperkirakan oleh distribusi normal.

CONTOH Misalkan pemilihan sebelumnya di negara bagian tertentu mengindikasikan

perlunya calon gubernur untuk menerima setidaknya 80 persen suara di
bagian utara negara bagian untuk dipilih. Gubernur yang berkuasa tertarik
untuk menilai peluangnya untuk kembali ke kantor dan rencananya untuk
melakukan survei terhadap 2.000 pemilih terdaftar di bagian utara negara
bagian itu.
Dengan menggunakan prosedur pengujian hipotesis, nilai peluang pemilihan
gubernur kembali.
SOLUSI Situasi mengenai pemilihan gubernur ini memenuhi persyaratan binomial.
 Hanya ada dua kemungkinan hasil. Artinya, pemilih sampel akan
memilih atau tidak memilih gubernur.
 Probabilitas keberhasilan adalah sama untuk setiap percobaan.
Dalam hal ini, kemungkinan pemilih sampel tertentu akan
mendukung pemilihan ulang adalah 0,80.
 Uji coba bersifat independen. Ini berarti, misalnya, kemungkinan
sampel pemilih ke-23 akan mendukung pemilihan ulang tidak
terpengaruh oleh apa yang dilakukan pemilih ke-24 atau ke-52.
  Data sampel adalah hasil perhitungan. Kami akan menghitung
jumlah pemilih yang mendukung pemilihan kembali dalam sampel
2.000.
Kita dapat menggunakan perkiraan normal untuk distribusi binomial, yang
dibahas pada Bab 7, karena n π dan n ( 1 ̶ π) melebihi 5. Dalam hal ini, n ̶
2.000 dan π ̶ .80 (π adalah proporsi suara dalam bagian utara negara
bagian, atau 80 persen, perlu dipilih). Dengan demikian, n π ̶ 2.000 (.80) ̶
1.600 dan n(1 ̶ π) ̶ 2.000 (1 ̶ .80) ̶ 400. Baik 1.600 dan 400 lebih besar dari
5.
Langkah 1 : Sebutkan hipotesis nol dan hipotesis alternatif. Hipotesis
nol, H 0, adalah proporsi populasi 0,80 atau lebih besar. Hipotesis alternatif,
H 1, adalah bahwa proporsinya kurang dari 0,80. Dari sudut pandang praktis,
gubernur petahana hanya peduli ketika proporsinya kurang dari 0,80. Jika
sama dengan atau lebih besar dari 0,80, ia tidak akan memiliki masalah;
yaitu, data sampel akan menunjukkan bahwa ia mungkin akan dipilih
kembali. Hipotesis-hipotesis ini ditulis secara simbolis sebagai:

H 0: π ¿
0,80
H 1: π < 0,80
H 1: menyatakan arah. Dengan demikian, seperti yang disebutkan
sebelumnya, tes ini adalah satu-sisi dengan tanda ketidaksetaraan yang
menunjuk ke sisi dari distribusi yang berisi wilayah penolakan.
Langkah 2 : Pilih tingkat signifikansi. Tingkat signifikansi adalah 0,05.
Ini adalah kemungkinan bahwa hipotesis yang benar akan ditolak.
Langkah 3 : Pilih uji statistik. z adalah statistik yang sesuai, ditemukan
oleh:

P−π
z=
UJI HIPOTESIS, SATU PROPORSI π (1−π ) [10-3]

di mana:
√ n

π adalah proporsi populasi.

p adalah proporsi sampel.
n adalah ukuran sampel.
Langkah 4 : Merumuskan aturan keputusan. Nilai kritis atau nilai-nilai z
membentuk titik pemisah atau titik-titik antara daerah di mana H 0: ditolak
dan di mana ia tidak ditolak. Karena hipotesis alternatif menyatakan arah,
ini adalah uji satu sisi. Tanda ketidaksetaraan menunjuk ke kiri, jadi hanya
sisi kiri kurva yang digunakan. (Lihat Grafik 10–8.) Level signifikansi
diberikan sebagai 0,05 pada langkah 2. Probabilitas ini ada di sisi kiri dan
menentukan wilayah penolakan. Area antara nol dan nilai kritis adalah
0,4500, ditemukan oleh 0,5000 ̶ .0500. Mengacu pada Lampiran B.1 dan
mencari 0,4500, kami menemukan nilai kritis z adalah 1,65. Oleh karena itu,
aturan keputusannya adalah: Tolak hipotesis nol dan terima hipotesis
alternatif jika nilai yang dihitung dari z jatuh di sebelah kiri ̶ 1,65; jika tidak
jangan menolak H 0.

Diagram 10-8 Wilayah Penolakan untuk Tingkat Signifikansi 0,05, Uji Satu
Sisi (One-Tailed Test)
Langkah 5 : Buat keputusan dan interpretasikan hasilnya. Pilih sampel
dan buat keputusan tentang H 0. Sebuah survei sampel terhadap 2.000
pemilih potensial di bagian utara negara bagian itu mengungkapkan bahwa
1.550 berencana untuk memilih gubernur yang sedang menjabat. Apakah
proporsi sampel 0,775 (ditemukan oleh 1.550/2.000) cukup dekat dengan
0,80 untuk menyimpulkan bahwa perbedaannya adalah karena kesalahan
pengambilan sampel? Pada kasus ini:
 p adalah .775, proporsi dalam sampel yang berencana untuk memilih
gubernur.
 n adalah 2.000, jumlah pemilih yang disurvei.
 π adalah 0,80, proporsi populasi yang dihipotesiskan.
 z adalah uji statistik yang terdistribusi normal ketika hipotesis benar dan
asumsi lainnya benar.
Menggunakan rumus (10–3) dan komputasi z :
1,550
P−π −0.80
z= 2.000 0.775−0.80
π (1−π ) = = = ̶ 2.80
√ n
√ 0.80(1−0.80)
2,000
√ 0.0008

Nilai yang dihitung dari z ( ̶ 2,80) berada di wilayah penolakan,

sehingga hipotesis nol ditolak pada tingkat 0,05. Perbedaan 2,5 poin
persentase antara sampel persen (77,5 persen) dan persen populasi yang
dihipotesiskan di bagian utara negara bagian yang diperlukan untuk
membawa negara (80 persen) secara statistik signifikan. Ini mungkin bukan
karena variasi pengambilan sampel. Dengan kata lain, bukti pada titik ini
tidak mendukung klaim bahwa gubernur yang berkuasa akan kembali ke
rumah gubernur selama empat tahun lagi.
Nilai p adalah probabilitas menemukan nilai z kurang dari ̶ 2,80. Dari
Lampiran B.1, probabilitas nilai z antara nol dan ̶ 2,80 adalah .4974. Jadi
nilai-p adalah 0,0026, ditemukan oleh 0,5000 ̶ 0,4974. Gubernur tidak dapat
percaya diri akan pemilihan ulang karena nilai-p kurang dari tingkat
signifikansi.
10.10 Error Tipe II
Ingat bahwa tingkat signifikan diidentifikasi dengan simbol α, hipotesis probabilitas nol
ditolak ketika itu benar. disebut dengan kesalahan Tipe I. Tingkat signifikan yang paling umum
ditetapkan oleh peneliti pada awal tes adalah 0,05 dan 0,01
Pada saat pengujian hipotesis ada juga kemungkinan bahwa hipotesis nol tidak ditolak
ketika itu sebenarnya salah. sehingga, kami menyebut hipotesis nol yang salah. Ini disebut
kesalahan Tipe II. Probabilitas kesalahan Tipe II diidentifikasi oleh huruf Yunani beta (β).
Contoh berikut menggambarkan detail penentuan nilai µ.

CONTOH :
Western Wire Products membeli besi untuk membuat pinset. Berdasarkan pengalaman
masa lalu menunjukkan bahwa rata-rata kekuatan daya tarik dari semua pengiriman yang masuk
adalah 10.000 psi dan standar deviasinya, σ adalah 400 psi.
Untuk mengetahui determinasi tentang arus masuk besi, Western Wire Products
menetapkan peraturan yang ditetapkan oleh inspektur kontrol kualitas: dengan mengambil 100
sampel batang besi. Pada tingkat signifikan 0,05, jika kekuatan rata-rata sampel X́ turun antara
9,922 psi dan 10,078 psi, dalam posisi ini. Kalau tidak, banyak yang harus ditolak. ”Lihat grafik
10–9, bagian A. Ini menunjukkan daerah di mana setiap banyak ditolak dan ia tidak ditolak.
Rata-rata dari distribusi ini ditentukan μ0. Sisi kurva (Tails the curve) menunjukan kemungkinan
membuat Kesalahan Tipe I (Type Error I), yaitu, menolak tali besi yang masuk padahal
sebenarnya itu adalah tali yang baik, dengan rata-rata 10.000 psi.
 Diagram 10-9. Diagram menunjukan Error Tipe 1 dan Tipe 2
Misalkan rata-rata populasi yang tidak diketahui dari banyaknya yang masuk, penetapan
µ₁adalah 9,900 pon. Berapa probabilitas bahwa inspektur kontrol kualitas akan tidak menolak
pengiriman (Type II Error) ?

SOLUSI :
Kemungkinan untuk melakukan Type II Error yang mewakili bagian yang diarsir di
Bagan B, dapat dihitung dengan menentukan bagian di bawah kurva normal yang terletak di atas
9.220 pon. Jika hanya meninjau secara singkat, rata-rata sampel harus menentukan probabilitas
rata-rata sampel antara 9900 dan 9922. Kemudian, kemungkinannya tidak terlalu besar 0.5000
(yang mewakili semua daerah yang di atas rata-rata 9.900) untuk kesalahan Tipe II.
Angka standar pada (nilai z) dengan jarak rata-rata tali yang masuk (9,900) dengan
penetapan μ1, dan X c Nilai yang menunjukan nilai kritis yaitu 9,922 dihitung sebagai berikut :

X c −μ1
Type II Error Z= [10-4]
σ /√n

Dengan n = 100 dan σ = 400, nilai dari z adalah 0,55 :

X c −μ 1 9,922−9,900 22
z= = = 40
= 0,55
σ/√n 400 / √ 100

Area bawah kurva antara 9,900 dan 9,922 (nilai z = 0,55) adalah 0.2088. Area bawah kurva
yang diatas 9,922 pound adalah (0.5000 – 0.2088), atau 0.2912; ini merupakan menyebabkan
kesalahan type II yang menerima masuk banyak batang baja ketika rata- rata populasi adalah
9.900 psi.
Ilustrasi lainnya, table 10.10, Region C. Sejumlah besar kemungkinan yang diterima
membatasi rata-rata populasi yaitu 10.120 untuk mencari peluang.
X c −μ 1 10,078−10,120
z= = = -1,05
σ/√n 400 / √ 100

Peluang z lebih kecil -1,05 adalah 0,1469 yang ditemukan 0,5000 – 0,3531. Jadi, β atau
probabilitas Error Tipe 2 adalah 0,1469.
 Diagram 10.10. contoh lain Error tipe 1 dan tipe 2
Dan dengan menggunakan metode yang diuraikan di diagram 10-9 Region B.dan 10.10
Region C, sebenarnya kemungkinan (probabilitas) untuk menerima hipotesis yang benar tetapi
faktanya salah dapat ditentukan dengan nilai dari μ1.
Probabilitas kesalahan tipe II diperlihatkan di kolom tengah Tabel 10–4 untuk nilai-nilai
terpilih dari 𝜇, yang diberikan di kolom kiri. Kolom kanan memberikan probabilitas tidak
membuat kesalahan Tipe II, yang juga dikenal sebagai kekuatan pengujian (the power of a test).