Statistik Hipotesis

Diktat Mata Kuliah Statistik Bidang Sosek (PPK 342) 1
1. PENGUJIAN HIPOTESIS STATISTIKA
Pengujian hipotcsis dalam statistika merupakan salah satu langkah yang

paling penting untuk pengambilan kcsimpulan. Langkah pengujian hipotesis
merupakan bagian dari statistika inferensia, yaitu metode statistika yang
berhubungan dengan penarikan kesimpulan atas data statistik. Sedangkan
statistika deskriptif yang merupakan bagian lain yang dipelajari dalam pelajaran
Statistika, relatif lebih sederhana, hanya mendeskrifsikan data secara umum tanpa
membuat kesimpulan atas data populasinya. Statistika deskriftif misalnya
membahas tentang; ukuran pemusatan (nilai tengah, nilai maksimum, nilai
minimum, median) dan ukuran persebaran (range, standar deviasi dan ragam) dari
suatu sebaran data statistik, yang tanpa perlu membuat kesimpulan atas data.
Pentingnya pengujian hipotesis statistika adalah untuk membuat atau
menarik kesimpulan atas suatu data statistik yang sedang diamati agar dapat
berlaku dan dipercaya secara statistik bagi populasinya. Penggunaan data sampel
dilakukan untuk mengetahui ciri populasi. Hal ini karena sangat sulit untuk
mengukur data yang berasal dari populasi, dan kalaupun bisa, maka akan tidak
sebanding dengan biaya, tenaga dan waktu yang dikeluarkan. Oleh karena itulah
penggunaan data yang berasal dari sampel untuk penarikan kesimpulan
merupakan hal yang sangat bermanfaat. Namun untuk membuat kesimpulan atas
populasi, maka diperlukan uji statsitika untuk melihat sejauh mana kesimpulan
yang diputuskan dapat dipercaya. Oleh karena pentingnnya pengujian hipotesis,
maka pada bab ini akan dibahas langkah-langkah dalam merumuskan hipotesis
statistik dan bagaimana menerapakan uji hipotesis tersebut.
A. Tahap-tahap Pengujian Hipotesis Statistika
Dalam pengujian hipotesis statistika, uji statisitka hipotesisnya disebut

dengan hipotesis nol. penggunaan istilah nol ini mengindikasikan bahwa hasil
pengamatan kita dibandingkan dengan hipotesis yang dibuat tidak berbeda atau
sama persis secara statistik. Ini berarti perbedaan antara nilai yang dihipotesiskan
Jurusan Sosial Ekonomi Pertanian

Fakultas Pertanian Universitas Sriwijaya
dan hasil uji sama dengan nol. Sedangkan apabila terjadi perbedaan antara nilai
yang dihipotesiskan dengan nilai hasil pengamatan, maka ini berarti nilainya tidak
sama dengan nol atau berbeda. Oleh karena itulah dalam perumusan hipotesis
akan disebut dengan Hipotesis Nol (Ho) dan lawannya disebut Hipotesis Satu
(H1) atau (Ha) yang disebut juga dengan hipotesis alternatif.
Hipotesis nol merupakan hipotesis dimana arah perhatian yang kita

tujukan. Hipotesis Nol lebih umum dinyatakan dalam bentuk pernyataan "tidak
berbeda" dari nilai tertentu dari parameter suatu populasi. Sedangkan hipotesis
alternatifnya (H1) merupakan pernyataan tentang parameter populasi yang
berlawanan dengan hipotesis nol. Hipotesis nol dinyatakan dalam suatu parameter
spesifik dengan angka tertentu, misalnya dalam bentuk parameter nilai rata-rata
pendapatan µρ = 20. Oleh karena itulah hipotesis nol dirumuskan selalu dengan
tanda sama dengan (=), sedangkan hipotesis alternatifnya memiliki tiga
kemungkinan tanda selain sama dengan tersebut, yaitu (1) lebih besar dari (>), (2)
lebih kecil dari (<), atau (3) tidak sama dengan (#). Pilihan tanda pertama dan
kedua (> dan <) untuk hipotesis alternatif merupakan uji satu arah, sedangkan
tanda yang ketiga merupakan uji dua arah.
Prosedur yang digunakan dalam melakukan uji hipotesis statistika
terdiri dari lima langkah atau tahap. Pembahasan kelima tahap tersebut
menggunakan contoh kasus tentang suatu pernyataan bahwa “Pendapatan
petani plasma kelapa sawit di Sumatera Selatan per bulannya minimal Rp 1,5
juta". Pernyataan tersebut merupakan pernyataan hipotesis atau dugaan
sementara, yang harus dibuktikan kebenarannya. untuk itu berikut ini akan
diuraikan satu per satu tahapan dalam melakukan pengujian hipotesis
statistika.

1. Rumuskan hipotesis nol (Ho)
Berrdasarkan pernyataan di atas, maka hipotesis nol (Ho) adalah

pernyataan itu sendiri, yang dapat dituliskan sebagai berikut:
Ho: µ =1,5
Arti tanda sama dengan tersebut mencakup juga nilai yang berada di atas
nilai tersebut (di atas Rp 1,5 juta), sedangkan lambang µ rnerupakan
parameter untuk nilai rata-rata populasi yang akan diuji . Hal ini sesuai
dengan pernyataan kalimat di atas bahwa pendapatan petani plasma kelapa
sawit per bu!an "minimal Rp 1,5 juta". Kenapa hipotesis nol harus ditulis
dengan tanda sama dengan ?. Hal ini karena sesuai dengan prinsip hipotesis
nol bahwa kita mengharapkan nilai hasil pengumpulan datanya tidak berbeda
atau sama dengan hipotesis yang telah kita buat. Namun dalam tanda sama
dengan tersebut masih terkandung nilai yang berada di atas dan di bawahnya.
Oleh karena itulah dalam penulisan hipotesis nol, kadang-kadang
dicantumkan tanda pertidaksamaan dalam kurung dibelakang nilai hipotesis
nolnya. Sehingga untuk kasus contoh di atas dapat ditulis sebagai berikut:
Ho : µ = 1,5 ( ≥ )
2. Rumuskan hipotesis alternatifnya (H1)
Apabila kita menolak hipotesis nol, maka berarti kita menerima
hipotesis alternatifnya. Hipotesis alternatif merupkan pernyataan tentang
populasi yang sama dengan hipotesis nol. Umumnya pernyataan da!am
hipotesis alternatif adalah pernyataan spesifik yang berbeda dengan nilai pada
hipotesis nol. Oleh karena itu, apabila mengikuti contoh kasus di atas, maka
hipotesis alternatif dari pernyataan tersebut adalah: "pendapatan petani
plasma per bulan lebih kecil dari Rp 1,5 juta" atau apabila ditulis dalarn
bentuk hipotesis alternatifnya adalah:
H1 : µ < 1,5
Kenapa hipotesis alternatifnya ditulis dengan tanda lebih kecil dari (<) ?. Hal
ini dapat dijelaskan bahwa dalam pernyataan hipotesis nolnya dikatakan
bahwa pendapatan petani minimal atau paling sedikit atau lebilh besar dari atau
sama dengan Rp 1,5 juta. Ini berarti lawan dari pernyataan tersebut adalah
lebih kecil dari, yang merupakan pernyataan untuk hipotesis alternatifnya.
Penolakan hipotesis nol atau menerima hipotesis alternatifnya tidak

berarti hipotesis yang kita buat salah. Namun ini bararti bahwa kita tidak
cukup bukti untuk menerima hipotesis yang kita buat tersebut. Pengujian
hipotesis statistika ini dapat diilustrasikan pada kasus pengadilan terhadap
terdakwa, yang menganut azaz "praduga tak bersalah". Seseorang baru
dikatakan bersalah apabila telah cukup bukti yang meyakinkan bahwa ia
memang bersalah. Namun apabila tidak cukup bukti yang meyakinkan atas
kesalahan yang dituduhkan, maka ia bebas dari tuntutan untuk dimasukkan ke
dalam penjara.
Penerimaan atau pcnolakan suatu hipotesis nol akan berdampak pada
empat kcmungkinan keputusan. Keempat kemungkinan keputusan tersebut seperti
dicantumkan pada tabel berikut:
Tabel 1 . Empat kemungkinan hasil pengu.jian hipotesis
Hipotesis Nol adalah:

Keputusan
Bcnar Salah
Terima Ho Keputusan benar tipe A (α) Kesalahan tipe II
Tolak Ho Kesalahan tipe I Keputusan Benar tipe B (β)
Dari tabel di atas terlihat bahwa, "keputusan benar tipe A" yaitu apabila
hipotesis nol benar dan kita putuskan untuk menerimanya. "Keputusan benar tipe
B" adalah apabila hipotesis nol salah dan kita putuskan untuk menolaknya.
"Kesalahan tipe 1" adalah apabila hipotesis nol benar dan kita putuskan
menolaknya, sedangkan "Kesalahan tipe 11" adalah apabila hipotesis nol salah
dan kita putuskan menerimanya.
Suatu keputusan yang kita buat sebaiknya selalu keputusan yang benar.
Akan tetapi, secara statistik hal tersebut tidak mungkin karena keputusan yang
kita buat berdasarkan informasi yang berasal dari sampel. Terdapat beberapa
kemungkinan kesalahan yang dapat dilakukan, misalnya kesalahan dalam

pengambilan contoh (sampel), kesalahan dalam pencatatan dan beberapa faktor
yang tidak dapat terkontrol. Namun cara yang terbaik untuk mengontrol resiko ini
adalah dengan menentukan peluang kesalahan yang dapat ditolelir. Peluang untuk
melakukan "kesalahan tipe 1" (menolak Ho padahal Ho benar) disebut dengan
"Alpha" atau dilambangkan dengan α , sedangkan peluang untuk melakukan
"kesalahan tipe 11" (menerima Ho padahal Ho salah) disebut dengan "Beta" atau
dilambangkan dengan β .
3. Menentukan kreteria uji
Tahap pada penentuan kreteria uji terdiri dari:
a. Menentukan uji statistik yang relevan
Penentuan uji yang cocok sesuai dengan permasalahan yang dikemukakan
dalam hipotesis statistikanya. Apabila kembali kepada contoh kasus di atas,
pernyataan hipotesis nol menyatakan bahwa "pendapatan petani plasma kelapa
sawit di Sumatera Selatan per bulannya minimal Rp 1,5 juta" menunjukkan bahwa
yang akan diuji adalah variabel pendapatan. Dalam variabel pendapatan harus
diidentifikasi parameter apa yang akan diuji. Dari pernyataan hipotesis di atas,
walaupun tidak secara inplisit dinyatakan parameter apa yang akan diuji, namun
dapat dinyatakan parameter tersebut adalah pendapatan rata-rata dari populasi
petani plasma kelapa sawit. Apabila sudah diketahui nilai rata-rata yang akan
diuji, maka ini berarti uji yang relevan adalah uji nilai tengah, yaitu uji z atau t.
Uji statistika inilah yang akan dipakai untuk mengambil keputusan apakah
menerima atau menolak Ho.
b. Menentukan suatu tingkat kepercayaan α
Penentuan tingkat kepercayaan α sangat tergantung pada permasalahan dan
bidang yang dihadapi. Untuk permasalahan dan bidang yang memerlukan tingkat
ketelitian yang sangat tinggi, maka tingkat kepercayaan yang dipakai juga harus
tinggi. Misalnya pada pembuatan komponen pesawat terbang, maka tingkat
kepercayaan yang digunakan harus lebih tinggi, misalnya 0,00001. Demikian juga
untuk penelitian yang dilakukan di laboratorium atau penelitian lain yang

bcberapa variabelnya diperkirakan berpengaruh di kontrol dengan baik, maka

tingkat kepercayaan juga harus tinggi. Biasanya dalam penelitian di laboraturium
atau lapangan yang dikontrol digunakun tingkat kepercayaan ( α ) 0,05 (5%) dan
0,01 ( 1%). Sedangkan untuk penelitian yang menyangkut masyarakat, seperti
penelitian dalam bidang sosial ekonomi pertanian, maka tingkat kepcrcayaan
sebesar 30% masih bisa diterima.
c. Menentukan wilayah kritis
Penentuan wilayah kritis adalah satu keterangan nilai untuk uji statistik yang
akan digunakan dalam mengambil keputusan apakah menolak atau menerima
hipotesis nol. Dalam penentuan wilayah kritis ini kita harus tahu terlebih dahulu
berdasarkan hipotesis yang akan diuji, apakah uji hipotesisnya satu arah atau dua
arah. Uji hipotesis satu arah, menunjukkan adanya keyakinan yang kuat arah
penolakan hipotesis apabila tidak cukup bukti untuk menerima Ho. Arah tersebut
dapat berada pada sisi kiri kurva maupun sisi kanannya. Sedangkan uji dua arah,
didasarkan atas belum begitu yakinnya kita akan kemungkinan arah penolakan
hipotesis nol yang dibuat. (ini berarti pada uji dua arah ada dua kemungkinan
daerah penolakan, yaitu di sebelah kiri dan sebelah kanan kurva. Berikut ini
digambarkan daerah penolakan satu arah dan dua arah dengan menggunakan
kurva sebaran normal Z.
0 Zα Z -Z α / 2 + Zα / 2 Z
wilayah kritis u_ji satu arah wilayah kritis uji dua arah
4. Penentuan nilai uji statistika
Setelah kreteria uji ditentukan, langkah selanjutnya mencari nilai uji
statistikanya. Nilai uji statistika ini sering juga disebut nilai uji statistika hitung.
Langkah keempat ini merupakan lanjutan dari point pertama dari langkah ketiga,
yaitu apabila telah diketahui statistik ujinya, maka tinggal melakukan perhitungan
untuk mendapatkan nilai uji statistikanya. Misalkan dari contoh kasus di atas
statistik uji yang digunakan adalah uji z, maka rumus uji z adalah sebagai berikut
χ −µ
Ζ=
σ/ n
Hasil pcrhitungan yang mendapatkan nilai z inilah yang disebut nilai uji
statistika. Nilai ini kemudian dibandingkan dengan nilai z tabel pada tingkat
kepercayaan tertentu untuk menentukan menolak atau menerima hipotesis
nol. Pada bab berikut akan lebih banyak dibahas mengenai nilai uji statistika
ini.
5. Mcmbuat kcputusan dan inteprestasi hasil

Setelah didapat nilai uji statistika, maka nilai ini dibandingkan dengan
nilai tabelnya. Kemudian nilai tabel ini digambarkan pada kurva untuk
menentukan wilayah kritis penolakan dan penerimaan hipotesis nol. Apabila
nilai uji statistika terletak pada daerah penerimaan, maka kita putuskan untuk
mcnerima Ho, demikian juga sebaliknya apabila nilai ini jatuh pada wilnyah
penolakan, maka diputuskan untuk menolak Ho. Apabila kita menerima Ho,
ini berarti kita tidak cukup kuat untuk dapat menolak hipotesis nol yang
dibuat. Ini berarti apa yang dihipotesiskan pada hipotesis nol adalah sama
dengan hasil pengujian yang dilakukan. Sebaliknya apabila menolak Ho,
berarti ada cukupan alasan yang kuat untuk menyatakan memang ada
perbedaan antara hipotesis nol dengan alternatif tinggal arahnya kemana.
Kalau ujinya dua arah, arahnya bisa lebih kecil dari atau lebih besar dari,
sedangkan untuk uji satu arah sudah jelas arahnya sesuai dengan hipotesis
alternatifnya. Sehingga apabila sudah jelas arah penolakan pada wilayah
kritis, maka dapat diinterpretasikan hasil uji tersebut dengan berpedoman
pada keputusan yang diambil tersebut. Misalnya untuk contoh kasus kita di
atas, diputuskan untuk menolak Ho pada tingkat kepercayaan 10%, ini berarti
bahwa pendapatan petani plasma kelapa sawit di Sumatera Selatan per
bulannya kurang dari Rp 1,5 juta.

B. Perumusan Hipotesis Statistika
Pada bagian A, telah dibicarakan mengenai tahap-tahap dalam

melakukan uji hipotesis statistika, namun pembahasan yang dilakukan masih
bersifat umum. Untuk itulah agar lebih mudah memahami bagaimana
merumuskan hipotesis statistika suatu permasalahan penelitian, maka pada
bagian ini akan dibahas secara rinci bagaimana merumuskan hipotesis nol
dan alternatif. Agar lebih mudah memahami bagaimana merumuskan
hipotesis dengan benar, maka akan digunakan beberapa contoh permasalahan
penelitian.
Contoh: 1
Seorang peneliti ingin mcmbuktikan pernyataan Menteri Pertanian
bahwa, harga dasar gabah yang berlaku sekarang telah dapat dinikmati petani
apabila dibandingkan dengan harga pokoknya. Secara lebih spesifik, peneliti
tersebut ingin menguji pernyataan menteri apakah harga pokok rata-rata
untuk menghasilkan gabah dalam bentuk Gabah Kering Panen (GKP) masih
Icbih rendah dibandingkan dengan harga dasar gabah ratarata sebesar Rp
1100 per kilogram GKP sekarang. Tentukan hipotesis nol dan alternatifnya.
Jawab:
Untuk membentuk hipotesis, pcrtama-tama kita perlu mengidentifikasi
parameter populasi dalam pernyataan tersebut dan nilai yang akan
dibandingkan. "Harga pokok gabah rata-rata" adalah parameter populasi yaitu
µ dan "Rp 1100 per kilogram" adalah nilai spesifik yang akan dibandingkan.
Peneliti tersebut ingin mengetahui berapa besar harga pokok gabah yang
sebenarnya di lapangan. Ini berarti berhubungan dengan nilai Rp 1100
sebagai pembanding. Oleh karena itu terdapat tiga kemungkinan tanda untuk
hipotesis nol dan alternatifnya, yaitu :(1) µ >1100, (2) µ < 1100 dan
(3) µ = 1100. Ketiga pernyataan tersebut mesti diseleksi menjadi dua, satu
pernyataan yaitu "apa yang ingin peneliti itu tunjukkan dari pernyataan menteri
pertanian" dan satu lainnya adalah lawannya. Alternatif I ( µ < 1100)

mencerminkan pernyataan menteri pertanian yang ingin dibuktikan pencliti

"harga pokok gabah rata-rata lebih rendah dari dari Rp 1100 per kilogram".
Scdangkan µ > 1100 dan µ = 1100 ( ≥ ) adalah alternatifnya. Oleh karena
hipotesis nol harus dalam bentuk tanda sama dengan, maka µ = 1100 adalah
Ho dan H1 adalah µ < I 100.
Contoh 2:
Petani berpendapat bahwa harga pokok untuk mcnghasilkan gabah tidak
sama dengan harga dasarnya di Sumatera Selatan. 'T'entukan hipotesis nol dan
alternatifnya.
Jawab:
Pernyataan di atas mengandung kata " tidak sama dengan " tentang
parameter Populasi yang akan diukur, dan ini bcrarti lawannya pasti "sama
dengan". Sehingga kita dapat (langsung menentukan hipotesis nol yaitu µ = 1
100 atau dalam bentuk rumusan hipotesis Ho : µ = 1100. Hipotesis alternatif
adalah tidak sama dengan atau dapat ditulis H1 : µ # 1100.
C. Latihan Soal:
l. Prosedur uji hipotesis memiliki banyak kesamaan dengan prosedur
pada pengadilan. Hipotesis Nol menyatakan bahwa "tertuduh adalah tidak
bersalah" yang akan diuji.
a. Deskripsikan situasi pada masing-masing empat kemungkinan yang
dihasilkan akibat dari keputusan menolak atau menerima hipotesis nol
b. Jika tertuduh dibebaskan, apakah ini "bukti" bahwa ia tidak bersalah '?
c. Jika tertuduh terbukti bersalah, apakah ini "bukti" ia bersalah ?
Jawab :
Ho : Tertuduh tidak bersalah.
Ha : Tertuduh bersalah
a. Empat kemungkinan akibat dari keputusan menolak atau menerima
Ho.

1. Benar type A - Tolak Ho, Ho benar

- terima Ho, Ho benar - tertuduh tidak bersalah,
- tertuduh tidak bersalah, ditahan
dibebaskan 4. Benar type B
2. Kesalahan type 2 - tolak Ho, Ho benar
- terima Ho, Ho salah - tertuduh salah, ditahan
- tertuduh salah, dibebaskan
3. Kesalahan type 1
b. Ya
c. Ya
2. Jika nilai µ dan β dapat dikontrol secara statistik, maka tentukan mana
pasangan probabilitas yang akan digunakan jika anda akan melakukan terjun
payung
a. α = 0,001 dan β = 0, 10
b. α = 0,05 dan β = 0,05
c. α = 0,10 dan β = 0,001 .
Jawab :
Ho : Penerjun payung akan terjun dengan selamat
Ha : Penerjun payung tidak akan terjun dengan selamat
Kesalahan type 1 : Penerjun selamat dikatakan tidak selamat
Kesalahan type 2 : Penerjun payung tidak selamat dikatakan selamat
Kesalahan yang fatal adalah kesalahan type 2, oleh karena itu probabilitas
β sebaiknya lebih kecil dari probabilitas α.
Jadi jawaban yang tepat adalah c. α = 0,10 dan β = 0,001
3. Rumuskan Hipotesis Nol dan Hipotesis Alternatif dari pernyataan berikut:
a. Rata-rata produktivitas padi sawah di Sumatera Selatan tidak lebih dari
5 ton/ha

b. Rata-rata pendapatan petani karet rakyat pengahasil Bokar mutu rendah

di Sumatera Selatan kurang dari Rp 700 ribu per bulan
c. Rata-rata pendapatan petani kopi di Sumatera Selatan maksimum Rp 500
ribu per bulan
d. Rata-rata harga karct yang ditcrima petani tidak kurang dari Rp 2000 per
kg
e. Rata-rata pengeluaran kcluarga petani untuk pendidikan tidak lebih 10
persen dari total pengeluaran keiuarga.
Jawab :
a. Ho : µ = 5 (≤)
Ha : µ > 5
b. Ho : µ = 700 (<)
Ha : µ ≥ 700
c. Ho : µ = 500 (≤)
Ha : µ > 500
d. Ho : µ = 2.000 (≥)
Ha : µ < 2.000
e. Ho : µ = 10 (≤)
Ha : µ > 10
4. Tentukan kreteria uji (nilai kritis dan wilayah kritis untuk Z) yang akan
digunakan untuk uji hipotesis nol pada tingkat kepercayaan tertentu berikut
ini:
a. Ho : µ = 20
H1 : µ # 20
α = 0,10
b. Ho : µ = 24
H1 : µ > 24
α = 0,01
c. Ho : µ = 10,5
H1 : µ > 10,5
α = 0,05
d. Ho : µ = 35
H1 : µ # 35
α = 0,05
e. Ho : µ = 14,6
H1 : µ # 14,6
α = 0,02
Jawab :
a. Ho : µ = 20
Ha : µ ≠ 20
α = 0,10
Z α/2 = Z0,05 = -0,5199 0 Z α/2 = Z0,05 = 0,5199
b. Ho : µ =24
Ha : µ > 24
α = 0,10
α =0,01
0 Z(0,01) =2,33
Z ≥ 2,33
c. Ho : µ = 10,5
Ha : µ = 10,5

α = 0,05
α =0,05
Z0,05 = -1,645
Z ≤ -1,645
d. Ho : µ = 35
Ha : µ ≠ 35
α = 0,001
α/2 =0,0005
-3,27 0 3,27
Z ≤ -3,27 Z ≥ 3,27
e. Ho : µ = 14,6
Ha : µ ≠ 14,6
α = 0,02
5. Seorang peneliti tertarik u n t u k m e l a k u k a n penclitian mengenai tingkat

kcsejahteraan petani karet rakyat di Sumatera Selatan, yang adalah bagian
terbesar dari mata pencaharian pcnduduk. Menurut informasi yang ia

kumpulkan bahwa, tingkat kesejahteraan petani tidak lebih besar dari pada
pendapatan minimum kehidupan di pedesaan yang sebesar Rp 3,2 juta
per tahun. Untuk membuktikan kebenaran informasi tersebut, ia mengambil
21 petani karet rakyat secara random dan dicatat
pendapatan berikut rata-rata per tahun. Data pendapatan petani karet rakyat
(Rp juta/ tahun) seperti berikut :
3,1 3,2 2,6 3,4 2,7 3,3 2,9
3,0 3,5 2,9 3,3 2,8 3,1 3,7
3,5 2,7 3,0 3,0 2,9 3,0 2,5
Berdasarkan data di atas dengan menggunakan α = 0,05 dapatkah peneliti
tersebut menerima pernyataan yang ia buat sebelumnya !.
Jawab :
1. Ho : µ = 3,2 (µ ≥ 3,2)
2. Ha : µ < 3,2
3. α = 0,05
wilayah penolakan
Zα = - 0,5195 0
_ 2
⎛ ⎞
∑⎜ χi − χ ⎟
4. σ = ⎝ ⎠
n −1
_
n = 21 χ = 3,052
σ = 0,32
_
χ − µ 3,05 − 3,2 − 0,15
Z= = = = −2,14
σ / n 0,32 / 21 0,07
Zhit < Ztabel = terima Ho
Kesimpulan : Pendapatan petani lebih besar dari pada pendapatan minimum
kehidupan di desa.

II. UJI STATISTIK PARAMETRIK UNTUK KASUS SATU POPULASI
A. Analisis Nilai Tengah Populasi
Lebih sering di jumpai bahwa pada kasus-kasus penelitian dilapangan

untuk mendapatkan simpangan baku populasi tidak mungkin. Hal ini karena lebih
sering populasi penelitian berukuran besar., sehingga kalaupun dapat diperlukan
tenaga,waktu dan biaya relatif banyak. Oleh karena itu cara yang dapat dilakukan
yaitu dengan menggunakan sampel (sebagian dari populasi) dan mengukur
simpanganbakunya. Untuk itu kaidah-kaidah atau prinsip-prinsip dalam
mengambil sampel harus benar , sehingga akan didapat sample yang representatif.
Untuk kasus data populasi tidak diketahui, pendekatan dapat dilakukan dengan
menggunakan sebaran ‘t – Student’. Persyaratannya adalah, data tersebut
diperkirakan menyebar normal dengan jumlah contoh yang dianjurkan tidak
kurangdari 30 contoh. Rumus uji t ini adalah sebagai berikut :
x −µ
t=
s/ n
Dimana :
x : adalah nilai rata-rata sample
µ : adalah rata-rata populasi
s : adalah simpangan baku
n : jumlah sample
Sifar-sifat sebaran t :
1. Terdistribusi dengan nilai tengan 0
2. Terdistribusi secaa simetris sekitar nilai tengahnya.
3. Terdistribusi dengan ragam > dari 1 akan tetapi bila jumlah contoh
diperbesar maka ragam akan bergerak mendekati nilai 1.
4. memiliki puncak yang tidak mencapai maksimum, dan ekor yanglebih
landai bila dibandingkan dengan sebaran normal.

5. Terdistribusi dalam suatu bentuk tertentu yang berada untuk setiap ukuran
contoh. Akan tetapi mendekati sebaran normal dengan berambahnya
ukuran contoh/ Sampel
Gambar sebaran t :
Sebaran normal
Sebaran t, n= 2
Karena sebaran t memiliki sifat bahwa untuk masing-masing

ukuransample memiliki sebaran t tersendiri, maka tiap ukuransample juga
memiliki nilai kritis t masing-masing. Hal ini berbeda dengan sebaran z, nilai
kritis z tidak tergantung pada ukuran sample. Oleh karena itu tabel nilai kritis
distribusi t student (Lampiran) lebih lengkap dibandingkan tabel sebaran normal
z. Pada sisi sebelah kiri tabel t terdapat “df” yaitu singkatan dari “Degree Of
Freedom” atau derajat bebas (db). Nilai derajat bebas ini didapat dari nilai n-1.
Untuk mendapatkan nilai kritis sebaran t, dua unsur yang harus diketahui
yaitu tingkat kepercayaan (α)dan jumlah sampe (n). Apabila n diketahui, maka
derajat bebad (db) sebaran t dapat dihitung yaitu db = n – 1. Jadi apabila ukuran
sample (n) = 11 dan α = 0,05 maka nilai t tabel ditulis sebagai berikut : t(db, α)
atau t ( 10: 0,05) = 1,81.
α = 0,05
0 t (10.0,05) = 1,81
Contoh :
Berdasarkan informasi dari dinas tanaman pangan dan holtikultura pemerintah
propinsi Sumsel, produksi padi lahan pasang surut 4,5 ton per ha per musim.
Untuk membuktikan kebenaran data diatas, seorang peneliti menanyaisecara acak
30 orang petani padi dilahan pasang surut tentang produksi yang mereka hasilkan.
Dari 30 sampel diperoleh data rata-rata produksi padi 3,975 ton per ha dengan
simpangan baku 2,87 ton per ha. Berdasarkan data temuan penelitian tersebut
benarkah informasi dari dinas tanaman pangan dan holtikultura tersebut pada α =
0,10.
Jawab :
Diketahui : α = 0,10 x = 3,975
s = 2,87 n = 30
Hipotesis :
1. Ho : µ = 4,5
2. Ha : µ ≠ 4,5
3. α = 0,10. Karena uji 2 arah, maka untuk menentukan wilayah kritisnya,
nilai tingkat kepercayaan nya dibagi. Sehingga nilai α menjadi 0,05 di ekor
kiri dan 0,05 di ekor kanan. Selanjutnya, berdasarkan tabel t diperoleh
nilai t (29. 0,05) = ± 1,70 atau bila di gambar dalam bentuk nilai kritis
sebagai berikut :
α/2 = 0,05
α/2 = 0,05
x −µ 3,975 − 4,5
4. t = = = -1
s/ n 2,87 / 30

Bandingkan nilai kritis dengan t hitung pada diagram berikut :
-1,70 -1 0 1,70 t
5. Kesimpulan : karena nilai t hitung berada pada wilayah penerimaan, maka
diputuskan untuk terima H0, artinya produksi rata-rata didaerah tersebut
sebesar 4,5ton/Ha.
B. Analisa Proporsi
Uji proporsi digunakan untuk kasus yang menyangkut data dalam bentuk
presentase. Proporsi atau prosentase populasi atau probabilitas yang berhubungan
dengan munculnya suatu kejadian, semua tercakup dalam parameter binomial P. P
adalah peluang (probabilitas) populasi untuk sukses pada suatu percobaan tunggal
dalam percobaan binomial. Variabel random x adalah jumlah sukses yang terjadi
dalam suatu himpunan percobaan (n), sedangkan p’ didefinisikan sebagai
probabilitas dari parameter binomial, maka dapat diketahui bahwa :
1. µ = n.p
2. σ= n. p.q
3. q = 1-p
4. p’ = x / n dimana x adalah jumlah sukses dalam suatu himpunan
percobaan
5. σ p = npq n = npqn 2 = pq n
'
dimana σp’ = standar error dari distribusi p’
Distribusi x dianggap mendekati normal apabila jumlah sampel (n) lebih dari 20
dan juka nilai np dan nq masing-masing lebih dari 5.

Sebagai pengetahuan, patut untuk dipahami bahwa nilai pengamatan p’

memiliki beberapa ciri berikut :
1. Kira-kira menyebar normal
2. Mempunyai nilai tengah µp sama dengan p
3. Mempunyai standar error σp sama dengan pq / n
4. Pendekatan pemecahan bagi analisis untuk proporsi ini dapat dilakukan
dengan menggunakan sebaran Z sebagai berikut :
p '− p
Z=
pq / n
nilai p yang dipergunakan dalam rumus di atas adalah nilai yang dinyatakan
dalam hipotesis nol.
Contoh :
Petani di suatu desa menyatakan bahwa paling sedikit 15% petani di desa mereka
tidak menggunakan pupuk berimbang dalam menjalankan kegiatan usahatani.
Untuk mencek kebenaran berita tersebut seorang peneliti mewawancarai 200
orang petani. Hasilnya 17 orang dari mereka memang tidak menggunakan pupuk
berimbang. Apakah kenyataan ini sudah cukup kuat untuk menolak pernyataaan
tersebut ? gunakan α = 0,10.
Jawab :
1. H0 : p = 0,15 (atau p > 0,15)
2. Ha : p < 0,15
3. α : 0,10
Z0,10 = 1,28.
Karena arah penolakan hipotesis adalah di ekor kiri (tanda < pada hipotesis
alternatif). Maka nilai z menjadi -1,28. wilayah dan nilai kritisnya dapat
digambarkan berikut ini.

<15% > 15% tidak menggunakan pupuk

berimbang
α : 0,10
-z0,10=-1,28 0 z
x 17
4. p' = = = 0,085
n 200
q = 1-p
= 1- 0,15
= 0,85
maka :
p'− p 0,085 − 0,15
Z= = = −2,60
pq / n (0,15)(0,85)
200
-2,6 -1,28 0 z
5. kesimpulan : karena nilai z hasil perhitungan (z-hitung) terletak diwilayah

penolakan, maka diputuskan untuk menolak H0, artinya petani di desa tersebut
kurang dari 15% yang tidak menggunakan pupuk berimbang.
C. Analisis Ragam Dan Simpangan Baku

Seringkali permasalahan yang muncul menuntut kita untuk membuat
kesimpulan tentang keragaman. Sebagai contoh, perusahaan benih kelapa sawit
berkepentingan agar keragaman dormansi benihnya dapat dikontrol, jangan
sampai benih yang dibibit dipolibag memiliki umur yang berbeda-beda. Ini berarti
kita harus mengontrol ragam σ2 atau simpangan baku σ diantara benih tersebut.
Jumlah benih yang tumbuh penting, tetapi yang juga lebih penting adalah
keseragaman tumbuhnya benih tersebut. Apabila keragaman tumbuhnya benih

tersebut tinggi, maka bibit yang dihasilkan juga akan beragam umurnya, yang
pada akhirnya akan mempengaruhi keseragaman umur tanaman kelapa sawit
dilapangan. Oleh karena itu keseragaman dormansi benih harus dikontrol agar
dihasilkan ragam yang sekecil mungkin.
Untuk melakukan analisis tentang ragam atau standar deviasi ini, maka
pendekatan yang akan dilakukan dengan menggunakan sebaran Chi-kuadrat (λ2).
Uji statistik yang dilakukan adalah sebagai berikut :
χ2 =
(n − 1)s 2
σ2
Dimana : s2 = ragam contoh
n = jumlah contoh
σ2 = ragam populasi yang dinyatakan dalam H0
db = n-1
Sifat-sifat sebaran Chi-kuadrat :
1. Tidak bernilai negatif, melainkan nol atau diatas nol
2. Tidak simetris melainkan condong kekanan
3. berbeda-beda untuk setiap nilai derajat bebas, dimana db = n-1
Berikut ini digambarkan beberapa sebaran Chi-kuadrat
Db = 1
Db = 4
Db = 10
Db = 20
0
∞ → λ2
Nilai kritis Chi-kuadrat diperoleh dari Tabel Chi-kuadrat (Lampiran). Nilai
kritis akan diidentifikasi dengan dua nilai, yaitu derajat bebas (db) dan wilayah
dibawah kurva (ekor dikiri maupun kanan). Lambang yang digunakan untuk
mengindentifikasi nilai kritis Chi-kuadrat adalah λ2 (db, α), yang berarti nilai
kritis Chi-kuadrat dengan db derajat bebas dan α merupakan wilayah diekor
kanan, seperti ditunjukkan pada gambar berikut.
Sebaran Chi-kuadrat
0 λ2 (n-1,α) atau λ2 (db,α) λ2
Cara menentukan nilai kritis dan wilayah kritis pada sebaran Chi kiuadrat sebagai
berikut :
Misal, untuk mencari nilai kritis pada ekor kanan, cara nilai kritis dari λ2
(20. 0,05)
Jawab :
Pada Tabel Chi kuadrat akan dijumpai nilai kritis tersebut λ2 (20. 0,05) = 31,4
yang diperoleh dari tabel sebagai berikut :
Db α
...... 0,050 .......
.
.
.
20 31,4
.
.
Untuk niali kritis di ekor kiri, carai nilai kritis dari λ2 (14. 0,90).
Jawab: Pada Tabel Chi Kuadrat akan dijumpai nilai kritis untuk λ2 (14. 0,90) =
7,79 yang diperoleh dari tabel sebagai berikut :

Db α
...... 0,90 .......
.
.
.
14 7,79
.
.
Catatan :
Apabila db>2 , maka “Nilai Tengah” dari sebaran Chi Kuadrat adalah db. Letak
“Nilai Tengah” sebaran Chi Kuadrat berada pada sebelah kanan “modus’, yaitu
nilai dimana kurva mencapai titik tertinggi. Untuk menggambarkan letak nilai
tengah, modus dan db sebaran Chi Kuadrat lihat gambar berikut
modus
0 db
mean
Contoh :
Sebuah perusahaan pesitsida ingin mengontrlol pembotolan pestisida agar ragam
pada pembotolan itu tidak melebihi 0,0004 liter. Untuk upaya itu diambil 28
botol sebagai sampel, setelah dicek ternyata ragamnya mencapai 0,0010 liter.
Apakah anda dapat menyimpulkan bahwa ragam pada proses pembotolan itu telah
melebihi standar? gunakan α 0,05

Jawab:
1. H0 : σ2 = 0,0004 (<)
2. Ha : σ2 > 0,0004
3. α = 0,05 n = 28 db = 27
Wilayah kritis (wilayah penolakan hipotesis nol) di ekor/sisi sebelah
kanan, ini berarti niali kritis sebaran Chi Kuadrat adalah λ2 (27. 0,05) = 40,1 yang
kita dapatkan dari tabel. Perhatikan nilai dan wilayah kritisnya :
Masih dalam kontrol luar kontrol

(σ2 = 0,0004 liter)
α= 0,05
0 27 λ2(27.0,05)=40,1 λ2
4. λ2 =
(n − 1)s 2 = (28 − 1)(0,0010) =67,5
σ2 0,0004
Gambar nilai dan wilayah kritisnya adalah :
67,5
0 27 40,1 λ2
5. Kesimpulan : Karena nilai Chi Kuadrat hitung berada pada wilayah

penolakan,maka diputuskan untuk menolak H0, artinya
proses pembotolan pestisida telah berada diluar kontrol
yang ditentukan.

Soal-soal latihan
1. Pemerintah menetapkan bahwa kebutuhan Hidup Minimum (KHM)untuk
masyarakat di indonesia pada tahun 2003 adalah Rp7.2 juta per tahun per
orang. Dari suatu survei di suatu desa pertanian yang mayoritas penduduknya
berusahatani karet diperoleh data pendapatan per orang per tahun untuk 25
sampel sebagai berikut :
6,5 6,0 8,5 6,8 6,9
8,0 7,5 8,2 6,5 7,5
9,0 6,8 7,0 7,5 7,0
10,0 7,2 7,0 8,5 8,1
berdasarkan data di atas, dapatkah membuat kesimpulan bahwa pendapatan
petani di desa tersebut telah memenuhi KHM yang ditentukan pemerintah?
Gunakan α = 0,05
2. Sebuah pabrik yang memproduksi cangkul melakukan riset pemasaran. Dari

500 cangkul yang dibeli petani responden, 89 cangkul bergagang panjang.
Apakah dapat ditarik suatu kesimpulan bahwa tidak lebih dari 15% petani
di desa itu menggunakan cangkul bergagang panjang ? α = 0,10
3. Simpangan baku dari rata-rata temperatur tahunan pada kebun percobaan

fakultas Pertanian Unsri di Gelumbang adalah 150C selama periode 50
tahun. Dengan menggunakan temperatur rata-rata pada 15 hari pertama
selama15 bulan, simpangan baku tahunan dihitung sebesar 10,50C. Apakah
variasai temperatur tahunan pada tahun terakhir telah mengalami
penurunan? Gunakan α = 0,10
4. Seorang pengusaha agribisnis penghasil bibit sayuran mencantumkan pada

kemasannya bahwa bibit tersebut akan menghasilkan panenan tinggi dan
juga waktu panen yang bersamaan. Untuk kesamaan waktu panen bibit ini
dijamin memiliki standar deviasi tidak lebih dari 2,3 hari untuk 60 hari umur

sayuran. Apabila seorang petani menanam bibit ini dan diperoleh data
waktu panen dari 15 sampel tanaman sebagai berikut :
65 61 63 60 66 62 58 61
64 66 63 62 65 58 63
dapatkah disimpulkan bahwa bibit sayuran tersebut menghasilkan waktu
panen yang sesuai jaminan yang tercantum pada kemasannya pada α = 0,05

III. UJI STATISTIKA PARAMETRIK UNTUK

KASUS DUA POPULASI
Pengertian Contoh Bebas dan Terikat
Uji statistik parametrik kasus dua populasi adalah uji yang digunakan
dengan tujuan untuk membandingkan dua nilai statistik dalam menduga nilai
parameter populasinya. Untuk melakukan uji ini kita perlu menarik contoh dari
dua populasi yang mewakili setiap contoh tersebut. Karakteristik dua populasi ini
bisa sama (homogen) atau dianggap sama atau bahkan berbesa sama sekali dari
segi faktor yang mempengaruhi variabel yang akan diukur dan dibandingkan
tersebut. Data variabel yang sama akan menghasilkan nilai yang berbeda apabila
karakteristik populasinya juga berbeda. Hal ini akan berimplikasi pada
kesimpulan yang akan dihasilkan dalam pengujian hipotesis statistiknya. Oleh
karena itu perlu dibedakan asal sampel yang harus diambil datanya. Apabila dua
data yang akan dikumpulkan berasal sampel yang sama, maka itu dikatakan data
berasal dari sampel terikat (dependent samples) atau berpasangan (paired
samples). Demikian juga sebaliknya apabila data yang dikumpulkan berasal dari
populasi yang berbeda, maka kasus ini disebut dengan dua sampel bebas.
Contoh :
1. Kita tertarik untuk melihat dampak pencabutan subsidi pupuk tahun 2001
terhadap pendapatan petani padi. Untuk itu kita kumpulkan data dengan
mewawancarai 30 petani tadi yang menanam padi sebelum dan sesudah
pencabutan subsidi. Petani tersebut ditanya berapa besar pendapatannya
sebelum dan sesudah pencabutan subsidi. Misalnya data untuk pendapatan
sebelum subsidi dicabut ditanyakan pendapatan tahun 2000, sedangkan untuk
setelah subsidi dicabut data pendapatan tahun 2001. Dalam hal ini contoh-
contoh yang diperoleh dikatakan contoh dari dua populasi yang terikat.
2. Seorang peneliti tertarik untuk mengetahui apakah ada perbedaan pendapatan
antara petani yang menggunakan pupuk Urea prill dengan Urea Tablet. Untuk
tujuan ini ia mewawancarai sebanyak 40 orang petani yang menggunakan

pupuk Urea Prill dan 35 orang juga yang menggunakan pupuk Urea Tablet
dan dicatat pendapatan masing-masing selama musim tanaman rendengan.
Dalam kasus ini, data yang diperoleh merupakan data dari dua himpunan
contoh yang berasal dari dua populasi yang bebas.
Penarikan Kesimpulan untuk Dua Nilai tengah Contoh Bebas
Untuk Contoh Ukuran Besar

(n1 > 30; n2 >30)
Apabila dua himpunan contoh bebas dengan ukuran n1 dan n2 (masing-

masing n > 30), yang diambil secara acak dari dua populasi besar yang bebas
µ1
dengan nilai tengah dan µ 2 dan ragam σ 1 2 dan σ 2 2 maka distribusi selisih
x2
dua nilai tengah contoh x1 − x 2 memiliki karakteristik sebagai berikut :

1) Kira-kira menyebar normal
2) Memiliki nilai tengah µ x = µ1 − µ 2
1 − x2
2
3) Memiliki standar error σ x1 − x2 = σ 1 2 / n1 + σ 2 2 ( )( n2 )
Sehingga uji statistik yang akan dipakai adalah uji Z :
Z=
(x − x )− (µ − µ )
1 2 1 2
………………………………………… (3.1)
2
(σ n )+ ⎛⎜⎜σ n ⎞⎟⎟
1
2
1
2
2
⎝ ⎠
Rumus (3.1) ini dapat digunakan jika σ 1 dan σ 2 diketahui. Namun biasanya σ 1 2
2
dan σ 2 sulit untuk diketahui, oleh karena itu yang digunakan adalah ragam
sampel S12 dan S22 , sehingga uji statistik yang akan digunakan adalah :
Z=
(x 1 )
− x2 − (µ1 − µ 2 )
………………………………………… (3.2)
2 2
⎛ S1 ⎞ ⎛ S 2 ⎞
⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟
⎝ n1⎠ ⎝ n 2⎠
Dimana S12 dan S22 adalah ragam contoh untuk masing-masing populasi yang
diuji.
Untuk Contoh Ukuran Kecil

(n1 < 30, n2 < 30)
Apabila ukuran contoh yang kita ambil relatif kecil (n1 ≤ 30), N2 ≤ 30 dan
populasi diperkirakan berasal dari suatu populasi yang didistribusi normal, maka
sebelum uji dilaksanakan, hal pertama yang harus dilakukan yaitu menguji ragam
contoh dari kedua populasi tersebut terlebuh dahulu. Uji keragaman ini gunannya
untuk mengetahui apakah kedua ragam asal sampel tersebut sama atau tidak sama,
yang dalam bentuk hipotesis dapat dirumuskan sebagai berikut :
1) σ1 2 = σ2 2
2) σ 2 ≠ σ 2
1 2
Pengujian ini dilakukan menggunakan uji-F dengan hipotesis : Ho : σ1 2 = σ2 2 dan

H : 2) σ 2 ≠ σ 2. Bila kesimpulannya terima H berarti ragam populasi pertama
a 1 2 o
dapat dianggap sama dengan ragam populasi kedua (yang selanjutnya disebut
KASUS I). Sebaliknya bila kesimpulan tolak Ho , berarti ragam dari kedua
populasi itu kita anggap berbeda itu kita anggap berbeda (disebut sebagai KASUS
II). Pemecahan masalah untuk kedua kasus ini, adalah dengan menggunakan
sebaran t-student, namun rumus keduanya berbeda
t=
(x 1 )
− x 2 − (µ1 − µ 2 )
……………………………………. (3.3)
Sp ⎛⎜ 1 ⎞⎟ + ⎛⎜ 1 ⎞⎟
⎝ n1 ⎠ ⎝ n2 ⎠

dimana :
(n1 − 1)s12 + (n2 − 1)s2 2 ……………………………………. (3.4)

Sp =
n1 + n2 − 2
Dan db = n1 + n2 – 2
KASUS II :
t=
(x1 )
− x2 − (µ1 − µ 2 )
……………………………………. (3.5)
2 2
⎛ s1 ⎞ ⎛ s 2 ⎞
⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟
⎝ n1⎠ ⎝ n 2⎠
dengan derajat bebas dipilih dari nilai terkecil antara : (n1-1) derajat bebas
penyebut (dbpn) atau (n2-1) derajat bebas pembilang (dbpm).
Penentuan pilihan untuk menggunakan KASUS I atau KASUS II, dalam
uji ini adalah dengan menggunakan uji-F sebagai berikut :
2
s1
F= 2
, yang dibandingkan dengan F-tabel
s2
Untuk mendapatkan nilai F – tabel, harus dicari terlebih dahulu derajat bebas
untuk pembilang (dbpm) dan penyebut (dppn) pada tabel F. Berikut ini contoh
mendapatkan nilai F-tabel tersebut. Misalkan ukuran sampel pertama (n1) adalah
10 dan sampel kedua (n2) adalah 20 dengan tingkat kepercayaan ( α ) 0,05. Maka
nilai kritis satu arah untuk F-tabel adalah : F (9, 10; 0,05) = 2,42. Untuk melihat
dalam tabel F seperti berikut ini :

Derajat bebas pembilang

…………………..9…………………….
d .
b .
.
p .
e . 2,24
n .
y .
e 19
b .
u .
t .
Untuk uji dua arah, maka nilai alpha dibagi dua. Daerah kritis untuk uji dua arah
seperti digambarkan berikut ini.
α/2 α /2
F(dbpn, dbpm, 1- α / 2) F(dbpm, dbpn, 1- α /

Catatan :
1. Pada uji F, gunakan ragam sampel yang bernilai relatif lebih besar sebagai
pembilang (pm), yang bernilai kecil sebagai penyebut (pn).
2. Untuk uji F dua arah, apabila nilai ekor kanan wilayah kritis telah didapat,
maka nilai ekor kirinya dapat diperoleh dengan menggunakan rumus :

1
F(dbpn,dbpm,1- α / 2) = ........................................ (3.6)
F(dbpm,dbpn, α / 2)
Contoh :
1. Sebuah penelitian memperoleh data sebagai berikut :
Pupuk N Pendapatan rata-rata Simpangan baku
(Rp juta/Ha) pendapatan (Rp juta/Ha)
Prill 40 2,03 0,6
Tablet 40 2,21 0,6
Ujilah apakah pendapatan petani yang menggunakan pupuk Urea Prill lebih
rendah dibandingkan dengan pupuk Urea Tablet, α = 0,05
Jawab :
Karena kasus ini sampel ukuran besar (n > 30), maka langsung dilakukan uji
hipotesis dua nilai tengah dengan hipotesis sebagai berikut :
H0 : µA = µB (atau µA - µB= 0)
Ha : µA < µB (atau µA - µB < 0)
α = 0,05, Z0,05 = 1.645
( x A − xB ) − (µ A − µ B )
Z=
(σ A2 / n A ) + (σ B2 / n B )
(2,03 − 2,21) − 0
Z= = −1,34
(0,6) 2 / 40 + (0,6) 2 / 40
α = 0,05
– 1,65 – 1,34 0 Z

Kesimpulan :
Terima H0, artinya bahwa pendapatan petani padi yang menggunakan pupuk Urea
Prill memang lebih rendah dibandingkan petani yang menggunakan pupuk Urea
Tablet.
2. Dari dua desa dengan jenis tanah yang berbeda, kita peroleh data sebagai
berikut :
Perlakuan n Produksi padi Ragam
(x) (s2)
Desa A 30 2,03 33,95
Desa B 30 2,21 24,97
Apakah produksi padi di desa B yang memilki jenis tanah lebih baik mampu
menghasilkan produksi padi yang lebih tinggi ?, gunakan α = 0,10
Jawab :
Kasus ini merupakan kasus data sampel ukuran kecil, maka langkah-langkah
penyelesaiannya adalah :
Langkah I
Menentukan apakah penyelesaian akan menggunakan KASUS I atau KASUS II

dengan menggunakan uji keragaman (uji-F)
Ho : σA2 = σB2 atau σA2 / σB2 = 1
Ha : σA2 ≠ σB2
33,95
F = = 1,387
24,97

F (nB – 1, nA – 1, α / 2 )
F (29,29, 0,05) = 1,85
α / 2 = 0,05
α / 2 = 0,05
0 0,54 1,387
Kesimpulan :
Terima Ho, berarti kita dapat menyatakan bahwa σA2 = σB2 dan penyelesaian
akan dilakukan dengan kasus I.
Langkah II :
H0 : µA2 = µB2 (atau µA2 - µB2 = 0)
Ha : µA 2 < µB 2
db = nA + nB - 2 = 58
t (58, 0,10) = 1,28
(30 − 1)33,95 + (30 − 1)24,97 984,55 + 724,13

Sp = = = 5,43
30 + 30 − 2 58
( X A − X B ) − (µ A − µ B ) (2,03 − 2,21) − 0
t= = = −0,128
Sp (1 / n A ) + (1 / n B ) 5,43 0,066
– 1,28 – 0,128 0

Kesimpulan :
Terima Ho, artinya produksi padi untuk Desa A dan Desa B tidak berbeda nyata
3. Bila dari contoh soal nomor satu diatas, kita peroleh data sebagai berikut :
Perlakuan n Produksi padi Ragam
(x) (s2)
Sebelum penyuluhan 30 2,03 33,95
Sesudah penyuluhan 30 2,21 17,87
Apakah produksi padi setelah dilakukan penyuluhan lebih tinggi dibandingkan

dengan sebelum dilakukan penyuluhan ?, gunakan α = 0,10
Jawab:
Karena ukuran sampel 30, maka langkah-langkah pengujian adalah :
Langkah I
Menentukan apakah penyelesaian akan menggunakan KASUS I atau KASUS II.

Ho : σA2 = σB2 atau σA2 / σB2 = 1
Ha : σA2 ≠ σB2
33,95
F = = 1,889
17,97
0 0,54 F (29, 29, 0,05) = 1,85

F = 1,899

Kesimpulan :
Tolak Ho, berarti σA2 ≠ σB2 , dan penyelesaian akan dilakukan dengan KASUS II.
Langkah II :
H0 : µA2 = µB2 (atau µA2 - µB2 = 0)
Ha : µA 2 < µB 2
α : 0,10
n1 – 1 : 29 dan n2 – 1 = 29, jadi db = 29 db paling kecil
t (29, 0, 10) = 1,31
( X A − X B ) − (µ A − µ B ) (2,03 − 2,21) − 0 − 0,18
t= = = = −1,86
2
A
2
(S / n A ) + (S / nB )
B
33,95 17,87 1,3143
+
30 30
– 1,86 – 1,31
Kesimpulan :
Tolak Ho, artinya telah terjadi kenaikan produksi padi setelah penyuluhan
berlangsung.
A. Penarikan Kesimpulan untuk Dua Ragam dari Dua Contoh Bebas
Penyelesaian masalah ini dilakukan persis sama dengan penyelesaian

untuk memilih kasus I dan kasus II, pada penarikan kesimpulan untuk dua nilai
tengah contoh bebas berukuran kecil. Pengujian dilakukan dengan uji F seperti
yang telah ditunjukkan.
2
s1
F= 2
s2
Dimana untuk F tabel dihitung sebagai berikut

F(dbpm, dbpn, 1- α ) = 1 db pn , db pm,α
( )
F
Dbpn = n1 -1, dbpm = n2 – 1
Sifat-sifat nilai F :
1. Tidak bernilai negatif, bernilai nol atau positif
2. Sebaran F tidak simetris
3. Sebaran F berbeda-beda sesuai dengan derajat besarnya masing-masing
Bentuk sebaran F kira-kira sebagai berikut :

1. Daerah penolakan sisi (ekor) kanan
Pm = pembilang
Pn = penyebut
α
0
F(dbpm, dbpn, α )

2. Daerah penolakan sisi (ekor) kiri
1- α
0 Fdbpn, dbpm, 1- α )
Contoh :
Suatu studi mengenai dampak bantuan kredit permodalan yang diberikan kepada
petani dilakukan di Desa A. Dalam studi diambil dua kelompok sampel, yaitu
petani yang mendapat bantuan dan tidak mendapat bantuan kredit. Data
pendapatan rata-rata dua kelompok tersebut ternyata sama yaitu Rp 6,5 juta per
tahun. Data hasil studi secara lengkap seperti pada tabel berikut :
Kelompok petani n Pendapatan rata-rata (Rp 000/th) S2 (Rp 000/th)

Mendapat kredit 30 6.500 105,4
Tidak mendapat kredit 32 6.500 136,3
Mengingat rata-rata pendapatan petani sama, maka peneliti untuk melihat

dampak bantuan kredit dilihat dari ragam pendapatannya? Ujilah dengan uji dwi
arah pada α = 0,05
Jawab :
2
HB : σ B = σ B atau σ B
2 2
=1
α12

2
atau σ B
2 2+
HB : σ B = σ 1 =1
α12
Untuk uji dwi arah pada α = 0,05 maka :
F (29, 31, 0,025) = 2,07 dan
F (31, 29, 0,975) = ½,07 = 0,48
α = 0,025 α = 0,025
2 2
0 0,48 0,48
Perhitungan :
2
SB 105,4
F* = 2
= = 0,77
S1 136,3
Dengan demikian nilai F* berada di daerah penerimaan.
Kesimpulan :
Terima Ho, berarti ragam dari pendapatan antara kedua kelompok tani berbeda.

IV. ANALISIS STATISTIKA PARAMETRIK UNTUK KASUS DUA

CONTOH TIDAK BEBAS
A. Analisis untuk Dua Nilai Tengah Contoh Tidak Bebas
Prosedur pengujian yang dilakukan pada bagian ini, sangat berbeda

dengan cara-cara yang telah dikemukakan terdahulu. Pasangan bagian ini data
yang diperoleh umumnya merupakan data yang berpasangan, misalnya :
1.Kemampuan membajak sebelum dan sesudah penyuluhan
2.Produksi pada sebidang sawah, dengan penggunaan pupuk A dan pupuk B pada
dua musim yang berbeda
Kedua data yang berpasangan yang diperoleh dari hasil pengamatan
tersebut, dapat diuji dan ditarik kesimpulan dengan asumsi bahwa faktor-faktor
lain dianggap sama.
Pengujian dapat dilakukan dengan menggunakan sebaran t yang dapat
dirumuskan sebagai berikut :
d − µd
t=
sd
n
Dimana :
1. db = n-1
2. d = selisih nilai tengah pengamatan rata-rata
d=
∑ (x 2 − x1 )
=
∑d
n n
2
3. s d =
( )
n ∑ d 2 − (∑ d )
(n − 1)
4. µ d = beda nilai tengah
5. n = jumlah pengamatan yang berbeda
Nilai pengamatan d yang diperoleh dari contoh, diasumsikan kira-kira
menyebar normal dengan nilai tengah populasi µ d dan simpanan baku σ 2 .

Karena simpangan baku populasi σ d tidak diketahui, maka nilainya diperkirakan
berdasarkan simpangan baku contoh Sd.

Contoh :
Seorang sosiologi mempelajari pengaruh penerapan sistem penyluhan yang baru
terhadap jam kerja wanita tani per minggu. Hasilnya diperoleh nilai sebagai
berikut :
Desa Air Beliti
N 1 2 3 4 5 6 7 8 9 10
Sebelum
penyuluhan 12 15 25 27 30 41 17 18 21 20
X1
Sesudah
penuluhan 14 16 26 26 28 35 19 22 21 25
X2
Desa Air Sugihan

N 11 12 13 14 15 16 17 18 19 20
Sebelum
penyuluhan 29 35 41 27 19 20 21 22 25 25
X1
Sesudah
penuluhan 30 31 33 37 32 35 31 29 29 31
X2
Desa Air Mas

N 21 22 23 24 25 26 27 28 29 30
Sebelum
penyuluhan 27 29 31 40 42 45 32 33 39 30
X1
Sesudah
penuluhan 30 31 31 39 36 37 37 35 36 36
X2
Dapatkah kita membuat kesimpulan pada tingkat α = 5%, bahwa

penyuluhan tersebut mampu membuat wanita tani bekerja lebih aktif di sawah?

Jawab :
α = 0,05
0 1,70 t = 1,92
d − µd 2−0
t= = =1,92
Sd 5,68
n 30 0
Jadi t berada pada daerah kritik. Kesimpulan tolak Ho, artinya penyuluhan tersebut
telah mampu membuat wanita tani di 3 desa contoh bekerja lebih aktif di sawah
N 1 2 3 4 5 6 7 8 9 10
x1 – x2 2 1 1 -1 -2 -6 -2 4 0 5
d2 1 1 1 1 4 36 4 15 0 25
N 11 12 13 14 15 16 17 18 19 20
x1 – x2 1 -4 -8 10 13 15 10 7 4 6
d2 1 16 64 100 169 225 100 49 16 36
N 21 22 23 24 25 26 27 28 29 30
x1 – x2 3 2 0 -1 -6 -8 5 2 -3 6
d2 9 4 0 1 36 64 25 4 9 36

∑ d = 60
2
∑ d = 1056
2
( (∑ d ) = 3600
d =
∑ d = 60 = 2
n 30
2
Sd =
(
n ∑ d 2 − (∑ d ) )
n(n − 1)
30(1056 ) − 4900 26780

= = = 5,68
30(29 ) 870
Atau,
Sd =
(∑ d ) − nd 2 2
=
1056 − 120
= 5,68
(n − 1) 29
Contoh soal :
Seorang peneliti mempelajari pengaruh penerapan sistem penyuluhan yang baru
terhadap kemampuan membajak petani sebelum dan sesudah penyuluhan.
Hasilnya diperoleh nilai sebagai berikut :
Desa Gunung Agung :
N x1 sebelum penyuluhan x2 sesudah penyuluhan d d2
1 10 11 1 1
2 12 14 2 4
3 22 24 2 4
4 25 24 -1 1
5 27 26 -1 1
6 35 30 -5 25
7 20 22 2 4
8 21 20 -1 1
9 23 23 0 0
10 19 25 6 36

11 27 29 2 4
12 33 30 -3 9
13 39 34 -5 25
14 25 36 11 121
15 17 38 21 441
16 18 39 21 441
17 19 32 13 169
18 20 27 7 49
19 23 27 4 16
20 23 30 7 49
Petani Produktifitas padi bila menggunakan

Pupuk Urea Prill Pupuk Urea Tablet (d) d2
(ton/ha) (ton/ha) X2 – X1
1 6,6 7,0 0,4 0,16
2 6,8 7,1 0,3 0,09
3 7,0 7,0 0 0
4 6,5 6,0 -0,5 0,25
5 7,0 7,4 0,4 0,16
6 6,3 6,8 0,5 0,25
7 8,0 7,7 -0.,3 0,09
8 5,7 6,0 0,3 0,09
9 6,8 7,4 0,6 0,36
10 4,9 5,5 0,6 0,36
11 6,9 7,0 0,1 0,01
12 6,8 6,1 -0,7 0,49
13 7,0 7,4 0,4 0,16
14 6,1 6,0 -0,1 0,01
15 7,1 7,0 -0,1 0,01
16 6,5 6,8 0,3 0,09

17 8,0 7,5 -0,5 0,25

18 5,7 6,2 0,5 0,25
19 6,5 7,2 0,7 0,49
20 6,9 7,5 0,6 0,36
21 7,0 7,0 0 0
22 5,6 7,1 1,5 2,25
23 6,0 7,0 1 1
24 6,6 6,0 -0,6 0,36
25 5,5 7,4 1,9 3,61
26 6,3 6,5 0,2 0,04
27 8,0 7,2 -0,8 0,64
28 5,4 6,0 0,6 0,36
29 4,8 6,4 1,6 2,56
30 4,9 6,5 1,6 2,56
10,5 17,31
∑ d = 10,5
2
∑ d = 13,71
2
∑ (d ) = 110,25
d = 0,35
n(∑ d 2 ) − (∑ qd ) 2
Sd =
n(n − 1)
519,3 − 110,25
=
870
= 0,686
Ho : µ A = µB
Hi : µ A > µB
t(0,05 ; 29) = 1,699

d − µd
t= 1,699
Sd / n
Lakukanlah pada pengujian a = 0,02 , untuk melihat apakah penelitian dari pihak
importer menunjukkan jumlah barang yang rusak lebih besar dari yang
diperkirakan oleh pihak produsen
Jawab :
Pa = Pb atau Pa – Pb = 0 ( tidak berbeda )
pa > Pb atau Pa – Pb > 0 ( claim importer )
pa − pb
Z=
pq[(1/ n1) + (1/ n2)]
28
P’a = 300 = 0,06 P’b = = 0,047
500 600
Selanjutnya p, diperkirakan sebagai berikut :
30 + 28
P= = 0,053 q = 1 – 0,053 = 0,947
500 + 600
0,06 − 0,047
Maka : Z = = 0,956
(0,053)(0,947)(1/ 500 + 1/ 600)
α = 0,02
0 0,956 2,05

B.Analisis untuk Dua Proporsi
Uji ini dilakukan bila kita ingin membandingkan proporsi dari contoh.
Pendekatan ini dilakukan dengan menggunakan sebaran Z
Pa − Pk
Z=
pq (1 / n1 ) + (1 / n 2 )
Dimana,
1. Probabilitas yang diamati adalah p = x/n
2. q’ = 1 – p’
3. p adalah peluang untuk sukses dalam satu percobaan yang mengikuti
peluang binomial dengan n ulangan populasi bebas. Distribusi contoh ( p1
– p2) diperkirakan berdistribusi normal, dengan nilai tengah (p1 – p2) dan
p1 (q)1 p 2 q 2
standar error = +
n1 n2
4. Hipotesis nol ditulis : p1 = p2 atau p1 – p2 = 0, bila p tidak diketahui, maka
dapat diinterpolasi sebagai berikut :
x1 + x2
p' =
n1 + n2
Contoh :
Suatu percobaan membuat alat-alat pertanian ditolak olen emporter, karena
peralatan yaang dikapalkan pada periode pengiriman terakhir
menunjukkan jumlah barang yang rusak melebihi jumlah barang yang
ditolerir. Untuk mengecek kembali, dan menyatakan perbandingan dengan
hasil pengamatan para importer, perusahaan pembuat telah mengirimkan
seorang peneliti. Hasil yang diperoleh adalah sebagai berikut :

Pelaksana penelitian Jumlah contoh Jumlah barang

yang rusak
Importir (a) 500 30
Produsen (b) 600 28
Lakukan padaa pengujian α = 0,02 , untuk melihat apakah penelitian dari

pihak importir menunjukkan jumlah barang yang rusak lebih besar dari
yang diperkirakan oleh pihak produsen.
Jawab :
10,5 17,31
∑ d = 10,5
2
∑ d = 13,71
2
∑ (d ) = 110,25
d = 0,35
n(∑ d 2 ) − (∑ qd ) 2
Sd =
n(n − 1)
519,3 − 110,25
=
870
= 0,686
Ho : µ A = µB
Hi : µ A > µB
t(0,05 ; 29) = 1,699
d − µd
t= 1,699
Sd / n
0,35 − 0
= = 2,8 2,8
0,686 / 30
V. STATISTIKA NON PARAMETRIK
Banyak uji statistika yang dapat digunakan dalam rangka penarikan

kesimpulan, misalnya Uji-t, Uji-F, regresi, dan korelasi yang didasarkan atas
asumsi parameter populasi (seperti : µ,σ) diketahui atau dapat diduga dari nilai
contoh (sampel) yang ada. Dengan menggunakan pengetahuan tentang sebaran
contohnya, maka dapat disusun kaidah keputusan uji hipotesis yang akan
dilakukan. Metode Statistika seperti ini disebut dengan statistika PARAMETRIK,
sebab dalam hal ini diperlukan identifikasi parameter dari populasi, penduga, dan
sebaran dari contohnya. Pada umumnya ada beranggapan bahwa contoh kita
tersebut tersebar normal atau mendekati sebaran normal berdasarkan Dalil Limit
Pusat.
Jika sebaran contoh atau populasi tidak dapat diduga atau diketahui
distribusi datanya, maka kita tidak dapat melakukan uji parametrik. Oleh karena
itu, agar dapat melakukan uji parametrik, kita harus dapat menduga atau menguji
terlebih dahulu apakah data berasal dari populasi yang sebarannya normal (dengan
menggunakan uji-uji kenormalan) atau tidak.
Pengambilan keputusan melalui uji hipotesis dapat juga dilakukan tanpa
mengetahui kenormalan sebaran, yaitu dengan menggunakan statistika non
parametrik. Pfaffenberger dan Patterson (1981) menyatakan bahwa statistika non
parametrik adalah yang memenuhi paling sedikit satu dari tiga persyaratan sebagai
berikut :
1. Data yang ada merupakan data nominal
2. Data yang merupakan data ordinal
3. Data yang ada merupakan data interval atau ratio tetapi sebaran
populasinya tidak diketahui.
Steel dan Torrie (1980), dan Jhonson (1976) menyatakan bahwa
dibandingkan dengan statistik parametrik, statistika non parametrik mempunyai
keunggulan yaitu : 1) dapat digunakan untuk data berbagai sebaran, 2) lebih tepat
digunakan bagi data dengan skala nominal atau ordinal, dan 3) sering (walaupun
tidak selalu) lebih cepat dan lebih mudah digunakan, sebab data dapat tanpa
pangkat atau tanda. Walaupun demikian statistika non parametrik mempunyai

kelemahan, yaitu hilangnya informasi dari data yang ada sehingga memperbesar
kesalahan type II (lebih besar kemungkinan menerima Ho padahal Ho itu salah).
Kenormalan
Untuk melihat apakah data yang ada berasal dari populasi yang menyebar
normal, dapat dilakukan dengan beberapa cara, yaitu uji statistika, Goodness of fit
dan grafis. Uji statistika dapat digunakan antara lain : Uji Liliefors dan
D’Agustino. Goodness of fit dilakukan dengan cara membandingkan data ada
dengan data yang seharusnya jika data berasal dari populasi yang menyebar
normal. Cara grafis dilakukan dengan membandingkan grafik frekuensi komulatif
dari data yang ada dengan grafik frekuensi komulatif seandainya data tersebar
secara normal. Untuk membicarakan beberapa metode itu pada kuliah ini tidak
akan dibahas. Namun kepada anda hanya akan diperkenalkan satu metode yang
sering dipergunakan dalam menguji kenormalan suatu data sebelum dilakukan uji
statistika, yaitu uji Liliefors.
Uji Liliefors
Untuk melihat apakah data yang ada menyebar normal atau tidak,
pertama-tama harus dirumuskan dulu hipotesis dalam pengujian ini. Hipotesis
yang digunakan adalah :
1. Sampel berasal dari populasi normal, dan
2. Sampel bukan berasal dari populasi normal
dengan kaidah keputusan :
jika : L ≤ Lα (n) terima Ho
L > Lα (n) tolak Ho
Dimana : L = Maks F( z i ) − S ( z i )
= Nilai beda mutlak maksimum diantara F (z i) – S (z i)

untuk i = 1, 2, 3, ... n

Zi =
(xi − x )
S
banyaknya zi ≤ Zmaks
Szi =
n
Contoh 1 :
Hasil pengamatan terhadap pendapatan petani (Rp/minggu) di desa A adalah
sabagai berikut : 1000 1500 1600 1450 1725 1560 1650 1700. Lakukanlah uji
hipotesis nol bahwa data tersebut berasal dari populasi dengan sebaran normal
pada taraf uji α = 0,05 dan α = 0,01.
Jawab :
Ho : data menyebar normal
H1 : data tidak menyebar normal
α = 0,05 dan α = 0,01
L0,05 = 0,285
L0,01 = 0,331
Diketahui : x = 1523,125 S = 231,493
Tabel data untuk uji Liliefors
No Xi Zi F(zi) S(zi) F( z i ) − S ( z i )
1 1000 -2,26 0,0119 0,125 0,1131

2 1500 -0,10 0,4602 0,375 0,0852
3 1600 0,33 0,6293 0,625 0,0043
4 1450 -0,32 0,3745 0,250 0,1245
5 1725 0,87* 0,8078 1,000 0,1922**
6 1560 0,16 0,5636 0,500 0,0636
7 1650 0,55 0,7088 0,750 0,0412
8 1700 0,76 0,7704 0,875 0,1046
Keterangan :
* = Nilai zi maksimum
** = Nilai L
Jika nilai L, pada tabel uji Liliefors yang sebesar 0,1922 dan dibandingkan dengan
L tabel (L0,05(8) = 0,285, maka L < L0,05(8)), ini berarti kita memutuskan untuk
menerima Ho, yang berarti bahwa data pendapatan petani contoh berasal dari
populasi dengan sebaran normal, sehingga uji statistika parametrik dapat kita
terapkan.
Contoh 2 :
Dari hasil penagamatan terhadap pendapatan 6 orang petani (Rp/minggu) di desa
Banyu Mas sebagai berikut : 1000, 1200, 1500, 1350, 1650, 1800.
Lakukanlah uji hipotesis nol bahwa data tersebut berasal dari populasi dengan
sebaran normal pada taraf uji α = 0,05 dan α = 0,01
Jawaban :
Ho = Data menyebar normal
Hi = Data tidak menyebar normal
α = 0,05 dan α = 0,01
L0,05(8) = 0,285
L0,01(8) = 0,311
_
Diketahui : x = 1523,125
s = 231,493
No Xi Zi F(zi) S(zi) F( z i ) − S ( z i )
1 1000 -2,26 0,0119 0,125 0,1131

2 1200 -1,39 0,0823 0,250 0,1677
3 1500 -0,09 0,4641 0,500 0,0359
4 1350 -0,74 0,2296 0,375 0,1454
0,54
5 1650 0,7054 0,750 0,0446
6 1700 0,76 0,7764 0,875 0,0986
7 1600 0,33 0,6293 0,625 0,0043
8 1800 1,19* 0,8830 1,000 0,1170
Keterangan :
* = Nilai zi maksimum = 1,19
** = Nilai L = 0,1677

Nilai L, pada tabel uji liliefors yang sebesar 0,1677 dan dibandingkan dengan L
tabel (L0,05(8) = 0,285, maka L < L0,05(8)), ini berarti kita memutuskan untuk
menerima Ho yang berarti bahwa data pendapatan petani contoh berasal dari
populasi dengan sebaran normal.


Statistik Hipotesis

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistik Hipotesis

Diunggah oleh

Hak Cipta:

Format Tersedia

Diktat Mata Kuliah Statistik Bidang Sosek (PPK 342) 1

1. PENGUJIAN HIPOTESIS STATISTIKA

Pengujian hipotcsis dalam statistika merupakan salah satu langkah yang

A. Tahap-tahap Pengujian Hipotesis Statistika

Dalam pengujian hipotesis statistika, uji statisitka hipotesisnya disebut

Jurusan Sosial Ekonomi Pertanian

Hipotesis nol merupakan hipotesis dimana arah perhatian yang kita

Jurusan Sosial Ekonomi Pertanian

1. Rumuskan hipotesis nol (Ho)

Berrdasarkan pernyataan di atas, maka hipotesis nol (Ho) adalah

Penolakan hipotesis nol atau menerima hipotesis alternatifnya tidak

Hipotesis Nol adalah:

kemungkinan kesalahan yang dapat dilakukan, misalnya kesalahan dalam

Jurusan Sosial Ekonomi Pertanian

bcberapa variabelnya diperkirakan berpengaruh di kontrol dengan baik, maka

5. Mcmbuat kcputusan dan inteprestasi hasil

Jurusan Sosial Ekonomi Pertanian

B. Perumusan Hipotesis Statistika

Pada bagian A, telah dibicarakan mengenai tahap-tahap dalam

Jurusan Sosial Ekonomi Pertanian

mencerminkan pernyataan menteri pertanian yang ingin dibuktikan pencliti

Jurusan Sosial Ekonomi Pertanian

1. Benar type A - Tolak Ho, Ho benar

Jurusan Sosial Ekonomi Pertanian

b. Rata-rata pendapatan petani karet rakyat pengahasil Bokar mutu rendah

Z α/2 = Z0,05 = -0,5199 0 Z α/2 = Z0,05 = 0,5199

Jurusan Sosial Ekonomi Pertanian

5. Seorang peneliti tertarik u n t u k m e l a k u k a n penclitian mengenai tingkat

terbesar dari mata pencaharian pcnduduk. Menurut informasi yang ia

Jurusan Sosial Ekonomi Pertanian

II. UJI STATISTIK PARAMETRIK UNTUK KASUS SATU POPULASI

A. Analisis Nilai Tengah Populasi

Lebih sering di jumpai bahwa pada kasus-kasus penelitian dilapangan

Jurusan Sosial Ekonomi Pertanian

Karena sebaran t memiliki sifat bahwa untuk masing-masing

Jurusan Sosial Ekonomi Pertanian

Bandingkan nilai kritis dengan t hitung pada diagram berikut :

dimana σp’ = standar error dari distribusi p’

Jurusan Sosial Ekonomi Pertanian

Sebagai pengetahuan, patut untuk dipahami bahwa nilai pengamatan p’

Jurusan Sosial Ekonomi Pertanian

<15% > 15% tidak menggunakan pupuk

5. kesimpulan : karena nilai z hasil perhitungan (z-hitung) terletak diwilayah

C. Analisis Ragam Dan Simpangan Baku

Jurusan Sosial Ekonomi Pertanian

0 λ2 (n-1,α) atau λ2 (db,α) λ2

Jurusan Sosial Ekonomi Pertanian

Jurusan Sosial Ekonomi Pertanian

Masih dalam kontrol luar kontrol

Gambar nilai dan wilayah kritisnya adalah :

5. Kesimpulan : Karena nilai Chi Kuadrat hitung berada pada wilayah

Jurusan Sosial Ekonomi Pertanian

2. Sebuah pabrik yang memproduksi cangkul melakukan riset pemasaran. Dari

3. Simpangan baku dari rata-rata temperatur tahunan pada kebun percobaan

4. Seorang pengusaha agribisnis penghasil bibit sayuran mencantumkan pada

Jurusan Sosial Ekonomi Pertanian

Jurusan Sosial Ekonomi Pertanian

III. UJI STATISTIKA PARAMETRIK UNTUK

Pengertian Contoh Bebas dan Terikat

tujuan ini ia mewawancarai sebanyak 40 orang petani yang menggunakan

Penarikan Kesimpulan untuk Dua Nilai tengah Contoh Bebas

Untuk Contoh Ukuran Besar

Apabila dua himpunan contoh bebas dengan ukuran n1 dan n2 (masing-