Matematika Dan Statistika Komprehensif

Hak Cipta  dan Hak Penerbitan dilindungi Undang-undang
Cetakan pertama, Desember 2016
Penulis : 1. Rudy Hartono, SKM.,M.Kes

2. Rahmat Kamaruddin, S.Si
Pengembang Desain Instruksional : Drs. Pramono Sidi, M.Si
Desain oleh Tim P2M2 :

Kover & Ilustrasi : Sunarti
Tata Letak : Nono Suwarno
Jumlah halaman : 306

 Matematika dan Statistik 
DAFTAR ISI
BAB I: BILANGAN 1
Topik 1.
Pengantar Konsep Bilangan dan Bilangan Bulat ……………........................................ 2
Latihan ………………………………………….............................................................................. 5
Ringkasan …………………………………................................................................................... 6
Tes 1 ……………………………..……......................................................................................... 6
Topik 2.
Pengantar Konsep Bilangan dan Bilangan Bulat ...................................................... 8
Latihan ……………………………………..............................................……............................... 16
Ringkasan ………………………………….................................................................................. 17
Tes 2 ……………………….…………………..……......................................................................... 17
KUNCI JAWABAN TES FORMATIF ............................................................................. 19

DAFTAR PUSTAKA ................................................................................................... 20
BAB II: FUNGSI EKSPONEN DAN LOGARITMA 21
Topik 1.
Keterlibatan Mahasiswa ................................................................................... 22
Latihan ………………………………………….............................................................................. 25
Ringkasan ………………………………….................................................................................. 27
Tes 1 ……………………….…………………..……......................................................................... 27
Topik 2.
Persamaan Fungsi Logaritma 29
Latihan ……………………………………..............................................……............................... 37
Ringkasan ………………………………….................................................................................. 38
Tes 2 ……………………….…………………..……......................................................................... 38
KUNCI JAWABAN TES FORMATIF ............................................................................ 40

DAFTAR PUSTAKA .................................................................................................. 41
BAB III: SATUAN PENGUKURAN DAN KONSENTRASI 42
Topik 1.
Disiplin Dalam Standar Pelayanan Kebidanan ……………………………………………………… 43
Latihan ………………………………………….............................................................................. 46
Ringkasan ………………………………….................................................................................. 48
Tes 1 ……………………….…………………..……......................................................................... 48
iii
Topik 2.
Memahami Konsentrasi 50
Latihan ……………………………………..............................................……............................... 54
Ringkasan ………………………………….................................................................................. 56
Tes 2 ……………………….…………………..……......................................................................... 56

DAFTAR PUSTAKA .................................................................................................. 59
BAB IV: TURUNAN (DERIVATIF) 60
Topik 1.
Definisi dan Rumus-Rumus Turunan ................................................................... 61
Latihan ………………………………………….............................................................................. 63
Ringkasan …………………………………................................................................................... 64
Tes 1 .……………………….…………………..……......................................................................... 65
Topik 2.
Jenis-Jenis Turunan 67
Latihan ..……………………………………..............................................……............................... 76
Ringkasan ..…………………………………................................................................................. 78
Tes 2 .……………………….…………………..……......................................................................... 78

DAFTAR PUSTAKA ................................................................................................... 82
BAB V: PENGGUNAAN TURUNAN 83
Topik 1.
Menentukan Garis Singgung, Garis Normal serta Nilai Maksimum dan Minimum 84
Latihan ………………………………………….............................................................................. 91
Ringkasan …………………………………................................................................................... 93
Tes 1 ……………………….…………………..……......................................................................... 93
Topik 2.
Menentukan Titik Ekstrim 95
Latihan …………………….………………..............................................……............................... 102
Ringkasan ……….……………………………............................................................................... 103
Tes 2 ……………….……….…………………..……......................................................................... 103

DAFTAR PUSTAKA ................................................................................................... 107
iv
 Matematika Statistik 
BAB VI: INTEGRAL 108
Topik 1.
Integral Tak Tentu ............................................................................................. 110
Latihan ………….……………………………………....................................................................... 114
Ringkasan ……..…………………………………........................................................................... 115
Tes 1 ……………………….…………………..……......................................................................... 115
Topik 2.
Integral Tentu 118
Latihan ……………………………………..............................................……............................... 121
Ringkasan ………………………………….................................................................................. 122
Tes 2 ……………………….…………………..……......................................................................... 122
Topik 3.
Integral Parsial dan Penggunaan Integral ............................................................ 124
Latihan ……………………………………..............................................……............................... 136
Ringkasan ………………………………….................................................................................. 136
Tes 3 ……………………….…………………..……......................................................................... 137

DAFTAR PUSTAKA ................................................................................................... 140
BAB VII: STATISTIKA DESKRIPTIF 141
Topik 1.
Konsep Dasar Statistik ...................................................................................... 142
Latihan ………………………………………….............................................................................. 158
Ringkasan ………………………………….................................................................................. 159
Tes 1 ……………………….…………………..……......................................................................... 160
Topik 2.
Konsep Probabilitas 162
Latihan …….………………………………..............................................……............................... 178
Ringkasan ….……………………………….................................................................................. 180
Tes 2 .……………………….…………………..……......................................................................... 180

DAFTAR PUSTAKA ................................................................................................... 184
BAB VIII: STATISTIKA INFERENSIAL 185
Topik 1.
Konsep Dasar Statistika Inferensial .................................................................... 186
v
Latihan ………………………………………….............................................................................. 199

Ringkasan …………………………………................................................................................... 201
Tes 1 ……………………….…………………..……......................................................................... 202
Topik 2.
Statistik Parametrik 205
Latihan ……………………………………..............................................……............................... 233
Ringkasan ………………………………….................................................................................. 237
Tes 2 ……………………….…………………..……......................................................................... 238
DAFTAR PUSTAKA ................................................................................................... 242

LAMPIRAN ……………….............................................................................................. 244
BAB IX: STATISTIKA NON-PARAMETRIK 252
Topik 1.
Konsep Dasar Statistika Non-Parametrik ............................................................... 253
Latihan …………………………………….........…....................................................................... 257
Ringkasan ………………………………….................................................................................. 259
Tes 1 ……………………….…………………..……......................................................................... 259
Topik 2.
Aplikasi Statistik Non Parametrik ....................................................................... 262
Latihan ……………………………………..............................................……............................... 278
Ringkasan ………………………………….................................................................................. 282
Tes 2 ……………………….…………………..……......................................................................... 282

DAFTAR PUSTAKA ................................................................................................... 288
LAMPIRAN .............................................................................................................. 290
vi
 Matematika dan Stastistika 
BAB I
BILANGAN
Rudy Hartono dan Rahmat Kamaruddin
PENDAHULUAN
Dalam menghitung (counting), matematikawan biasanya tidak menghitung jumlah dari

objek-objek dalam suatu koleksi pada suatu waktu, tetapi lebih mencari untuk menentukan
pola-pola dan hubungan di antara objek-objek yang memungkinkan mereka untuk
menghitung dengan cara tidak langsung. Dalam hal ini, menghitung terjadi dalam banyak
bagian dari matematika dan sering melibatkan metode-metode yang cukup canggih.
Pada Bab 1 ini disajikan beberapa topik mengenai bilangan, yang terbagi dalam
beberapa topik yang harus dipelajari sebagai dasar untuk melakukan operasi-operasi dasar
yaitu penjumlahan, pengurangan, perkalian dan pembagian.
Topik 1 pada modul ini dibahas secara detail mengenai konsep bilangan, mulai dari
definisi yang paling sederhana sampai ke yang agak rumit. Pada Topik 1 ini juga dibahas
tentang bilangan bulat beserta sifat-sifat bilangan asli N mulai dari sifat tertutup, sifat
komutatif, sifat asosiatif sifat modulus, sifat distributive dan sifat invers.
Topik 2, memuat tentang bilangan pecahan dan pengembangannya serta bilangan
lainnya yang terdiri dari presentase, bilangan desimal, bilangan real, pertidaksamaan dan
nilai mutlak. Pada Topik 2 ini dilengkapi beberapa contoh soal latihan yang harus saudara
selesaikan sendiri.
Secara keseluruhan, setelah mempelajari modul ini, diharapkan anda dapat:
1. Membuktikan sifat-sifat operasi yang berlaku di antara himpunan-himpunan;
2. Mengenal/menjelaskan macam-macam bilangan dan operasinya;
3. Mengerti sifat-sifat operasi yang berlaku;
4. Mengerti sifat terurut sempurna dalam bilangan asli N ;
5. Mengerti dan dapat menggunakan prinsip pertidaksamaan;
6. Mengerti nilai mutlak dan operasinya.
Sebagai bekal/bahan utama dalam memahami bilangan, pelajari bab ini seteliti
mungkin karena Bab 1 ini merupakan modul dasar untuk itu. Ikuti petunjuk, baik pada
contoh, latihan maupun petunjuk jawaban soal latihan. Apabila dalam satu topik masih
belum dipahami, coba ulang kembali dan begitu seterusnya.
1
Topik 1
Pengantar Konsep Bilangan
dan Bilangan Bulat
Dalam topik ini akan dibahas materi konsep bilangan dan apa yang kita sebut dengan
bilangan bulat. Untuk mempelajari topik ini, ada baiknya kita perhatikan suatu kejadian
sehari-hari yang terjadi di sekitar kita. Coba perhatikan keadaan berikut:
PENGANTAR KONSEP BILANGAN
Di toko pakaian, Anda membeli 5 barang dengan harga Rp17.000, Rp22.000, Rp18.000,
Rp23.000, dan Rp19.000. Berapa kira-kira Anda harus membayar?
Apakah Rp25.000, Rp50.000, Rp100.000, Rp200.000, atau Rp400.000?
Jika Anda melihat harga setiap barang dan kelima barang tersebut, Anda akan melihat
bahwa setiap barang berharga sekitar Rp20.000. Jadi, total harga akan berkisar Rp20.000 × 5
= Rpl00.000. Jika Anda dapat segera memperkirakan harga tersebut, Anda akan dapat
mendeteksi apakah Anda diminta membayar lebih atau kurang. Jika Anda sulit
memperkirakan harga tersebut, Anda dapat menjadi lebih miskin dengan cepat!
Sekarang, mari kita perhatikan contoh di bidang farmasi:
Seorang pasien dengan berat badan 61 kilogram membutuhkan dosis obat 20 miligram per
kilogram berat badan. Perkirakan berapa total obat yang harus diterima pasien? Apakah 200,
400 600, 800, atau 1200 miligram?
Berat badan pasien sekitar 60 kilogram. Jadi, pasien membutuhkan kurang lebih 20 mg
× 60.(Jika Anda tidak dapat langsung mengalikan 60, kalikan dulu dengan 10, lalu kalikan
dengan 6.) Jika pasien memiliki berat badan 10 kilogram,ia akan membutuhkan 20 mg × 10
=200 miligram.
Dengan demikian, pasien keberatan badan 60 kilogram membutuhkan 200 mg × 6 = 1200
miligram. Jadi, jawaban yang kredibel adalah 1200mg.
Perkiraan yang kredibel bukanlah tebakan asal-asalan, tetapi jawaban yang masuk akal
berdasarkan informasi yang diberikan pada Anda. Dalam kasus ini, jawaban yang benar
tentunya 1260 miligram Namun, kemungkinan Anda membahayakan pasien dengan estimasi
banyak 5% dari jawaban yang benar lebih kecil dibandingkan jawaban dengan tingkat
kesalahan 50%, 100%, atau 900%.
Anda mungkin berpikir tidak mungkin Anda memberikan jawaban dengan tingkat
kesalahan 900%, tetapi dosis yang 10 kali lebih tinggi (overdose) atau 10 kali lebih rendah
(underdose) memberi tingkat kesalahan sebesar itu. Kesalahan semacam ini sering kali
terjadi pada mahasiswa yang sangat bergantung pada kalkulator dan menerima jawaban
kalkulator tanpa berpikir panjang. Karena itu, kami mendorong Anda untuk melatih contoh-
contoh soal dalam materi pada bagian ini tanpa menggunakan kalkulator. Selanjutnya,
setelah Anda yakin telah menjawab suatu pertanyaan, tanyakan pada diri anda sendiri,
‘Apakah jawaban ini kredibel?’
2
Untuk memudahkan anda menyelesaikan masalah seperti di atas, selanjutnya anda

akan mempelajari konsep serta sifat-sifat bilangan untuk membantu anda dalam
menyelesaikan beberapa masalah kefarmasian yang berkaitan dengan materi bilangan
Definisi:
Jika a dan b bilangan asli, maka ada suatu bilangan asli yang ditulis sebagai a  b yang
merupakan jumlah dari a dan b .
Juga ada suatu bilangan asli a  b (atau ditulis sebagai a  b atau ab ) yang merupakan hasil
kali dari a dan b .
Sifat-sifat bilangan asli N :

1. Sifat tertutup
N dikatakan tertutup terhadap operasi penjumlahan dan perkalian, karena
jumlah/hasil kali dari setiap 2 (dua) bilangan asli juga merupakan bilangan asli.
Ditulis: Untuk setiap n1 , n2 N,  n1  n2  N dan  n1  n2  N . (notasi  = ada).
2. Sifat komutatif
Untuk setiap n1 , n2  N berlaku:
a. n 1  n2  n2  n 1 (komutatif penjumlahan)
b. n 1  n2  n2  n 1 (komutatif perkalian)
3. Sifat asosiatif
Untuk setiap n1 , n2  N berlaku:
b. n 1  
 n 2  n 3  n1  n 2  n 3  (asosiatif penjumlahan)
b. n 1  
 n 2  n 3  n1  n 2  n 3  (asosiatif perkalian)
4. Sifat modulus
Untuk setiap bilangan asli nN berlaku:
a. n00n (modulus penjumlahan)
0 adalah bilangan kesatuan untuk penjumlahan, 0 N.
b. n 1  1 n (modulus perkalian)
1 adalah bilangan kesatuan untuk perkalian, 1  N .
5. Sifat distributif
Untuk setiap bilangan asli n  N berlaku:
a.  
n1  n2  n 3  n1  n 3  n2  n 3
b. n1   n2  n3   n1  n2  n1  n3
Catatan (1):
Gabungan dari himpunan bilangan asli N dan bilangan nol, yaitu: N 0   0,1,2,...
disebut himpunan bilangan cacah.
3
Definisi:
Sebuah bilangan x disebut negatif (invers penjumlahan) dari bilangan asli a , apabila berlaku
a  x  x  a  0 ditulis x  a .
Himpunan dari semua bilangan negatif di atas, disebut himpunan bilangan bulat negatif atau
x|x  n  n  x  0, n N
I  ..., 3, 2, 1,0,1,2,3,... disebut himpunan bilangan bulat (integer). Semua sifat (1)
sampai dengan (5) di atas berlaku pula untuk I . Untuk I ada tambahan sifat berikut,
6. Sifat Invers
Untuk setiap a  I , terdapat a  I sedemikian sehingga a   a  0 (sifat
invers/berkebalikan dari penjumlahan. Di sini 0  0  0 , sehingga invers dari a nol
adalah nol).
Definisi:
Jika a, b, c adalah bilangan bulat, serta berlaku ab  c , maka a dan b disebut faktor-
faktor (pembagi-pembagi) dari c . sedangkan c disebut kelipatan dari a dan dari b .
Definisi:
Suatu bilangan bulat a disebut genap jika salah satu faktor dari a adalah bilangan 2,
atau 2x | x I . Bilangan yang bukan genap disebut ganjil,atau bilangan ganjil adalah
2x  1| x I
8  2  4 ; dimana 4  I , maka 8 genap.
0  2  0 ; dimana 0  I , maka 0 genap.
15  2  7  1 ; di mana 7  I , makal 5 ganjil.
Definisi:
Suatu bilangan bulat positif disebut majemuk (composite) bila dapat
dinyatakan sebagai hasil kali dua (atau lebih) bilangan bulat positif  1 .
Definisi:
Suatu bilangan bulat positif disebut prima apabila bilangan itu bukan bilangan 1 (satu),
serta bukan bilangan majemuk. Atau dengan perkataan lain: suatu bilangan asli kecuali
1, yang hanya habis dibagi 1 dan bilangan sendiri disebut bilangan prima.
4
Latihan
1) Hasil dari  12 : 3  8   5 adalah ....

a. –20
b. –44
c. 60
d. –160
2) Hasil dari 4  10:2   5 adalah ....
a. –15
b. 35
c. –29
d. –5
3) Hasil dari 10   43  4 adalah ....
a. –37
b. –57
c. –29
d. –19
4) Hasil dari 90:  3  4 adalah ....
a. –120
b. –60
c. 240
d. 160
5) Hasil dari 23  3   9 adalah ....
a. 35
b. –17
c. 29
d. –11
6) Suhu tempat A adalah 100oC di bawah nol, suhu tempat B adalah 200oC di atas nol,
dan suhu tempat C adalah tepat di antara suhu tempat A dan tempat B . Suhu tempat
C adalah…
a. 100oC
b. 300oC
c. 0oC
d. 50oC
7) Dalam kompetisi Matematika, setiap jawaban benar diberi skor 3 , jawaban salah
diberi skor 1 , dan jika tidak menjawab diberi skor 0 . Dari 40 soal yang diujikan, Dedi
menjawab 31 soal, yang 28 soal di antaranya dijawab benar. Skor yang diperoleh Dedi
adalah ….
5
a. 81
b. 84
c. 87
d. 93
Petunjuk Jawaban Latihan
1) Selesaikan terlebih dahulu perkalian dan pembagian, lalu selesaikan penjumlahan dan
pengurangan.
2) 4  10: 2x  5  4  5x  5
6) tempat A 100oC dibawah nol berarti 100oC
Ringkasan
Anda telah mengingat kembali definisi bilangan, pengantar konsep bilangan, mulai dari
definisi bilangan, sifat-sifat dasar bilangan bulat, dan operasi dasar pada bilangan bulat
sampai pada operasi yang lebih luas yang masih berlaku pada sebarang bilangan. Di akhir
bagian ini, diingatkan kembali mengenai gabungan penggunaan sifat-sifat dasar bilangan
bulat. Materi ini menjadi dasar/pengetahuan bagi materi berikutnya, pada topik berikutnya
maupun modul berikutnya.
Tes 1
1) Nilai n dari n   8  14 adalah ....

A. 6
B. –6
C. 22
D. –22
2) Hasil dari penjumlahan bilangan 1 + 2 + 3 + 4 + ... + 64 adalah...

A. 2650
B. 3200
C. 2197
D. 2.080
3) Seekor lumba-lumba melompat samapai ketinggian 3 meer di atas permukaan air laut,
kemudian turun dan menyelam sampai kedalamn 7 meter. Maka jarak puncak
lompatan dengan kedalaman penyelamatan adalah ....
A. 4 meter
B. 7 meter
6
C. 8 meter
D. 10 meter
4) Hasil kali dari bilangan 25   18   10 adalah ....

A. –700
B. 700
C. 540
D. –540
5) Hasil pemabagian dari bilangan 42: 8   15  adalah ....

A. 8
B. –6
C. 9
D. –7
7
Topik 2
Bilangan Pecahan dan
Bilangan-Bilangan Lainnya
Definisi:
1 1
Jika a bilangan bulat, a  0 , maka terdapat suatu bilangan sedemikian sehingga a   1 .
a a
1 1
Bilangan disebut kebalikan (invers) dari a , ditulis juga  a 1 .
a a
Definisi:
a 1
Jika a dan b bilangan bulat dan b  0 , maka terdapat sebuah bilangan  a  yang disebut
b b
hasil bagi dan a oleh b .
a
a disebut pembilang, b disebut penyebut. Jika bukan suatu bilangan bulat, maka ia
b
disebut bilangan pecahan.
Definisi:
Sebagai akibat operasi perkalian, kita dapatkan operasi perpangkatan dan pengakaran.
Bilangan x disebut pangkat n dari bilangan a jika berlaku:
x  a  a  ...  a
n buah
Ditulis juga x  a n
Definisi :
Bilangan x disebut bilangan akar n dari bilangan a jika berlaku:
a  x  x  x
n buah
ditulis a  x atau x  a
n n
Pecahan menyatakan proporsi dari keseluruhan bagian. Sebagai contoh,Anda memiliki disk
drive dengan kapasitas 400 GB dan Anda menyimpan file sebesar 100 GB pada disk drive
tersebut. Bagian dari kapasitas penyimpanan yang telah digunakan pada disc drive tersebut
dapat ditulis sebagai:
100
400
Bilangan di atas garis disebut pembilang, sedangkan bilangan di bawah garis disebut
penyebut. Dalam contoh ini, Anda dapat menganggap 100 sebagai ‘proporsi’ dari
8
‘keseluruhan’ 400. Jika pembilang lebih besar dan penyebut, pecahan disebut “pecahan
kasar (vulgar fraction)”. Sebagai contoh,
18
4
A. MACAM-MACAM PECAHAN
1. Pecahan Setara
100
Jika Anda melihat contoh sebelumnya, perhatikan bahwa jika Anda mengalikan
400
(atau membagi) pembilang dan penyebut dengan bilangan yang sama, pecahan akan tetap
bernilai sama.
100 200 1
Jadi,  (karena kita mengalikan bilangan atas dan bawah dengan 2). Pecahan ini
400 800 4
juga ekuivalen karena sekarang kita membagi pembilang dan penyebut dengan 200.
Perhatikan bahwa dalam modul ini, Anda mungkin akan menemukan pecahan yang agak
25
“jelek”, seperti . Berdasarkan pengalaman, mahasiswa sering kali merasa ngeri jika
0,01
diminta mengevaluasi pecahan semacam ini. Untuk mengevaluasi pecahan ini, prinsipnya
sama dengan sebelumnya, yaitu kalikan bilangan atas dan bawah pecahan hingga diperoleh
bilangan bulat yang mudah ditangani. Perkalian 10 biasanya paling membantu.
25 250 2500
Jadi,    2500 (tiap kali kita mengalikan atas dan bawah dengan 10).
0,01 0,1 1
2. Menyederhanakan Pecahan
Soal pecahan biasanya lebih mudah dikerjakan apabila pembilang dan penyebut
bernilai sekecil mungkin. Nilai tersebut diperoleh dengan membagi pembilang dan penyebut
dengan bilangan yang sama berulang kali untuk memperoleh bilangan bulat yang lebih kecil
sampai proses pembagian tidak dapat diulangi lagi. Biasanya lebih mudah untuk mencoba
membagi pembilang dan penyebut dengan bilangan-bilangan kecil, seperti 2, 3, 4, 5, atau 10.
Contoh 1.2.1:
24
Sederhanakan sesederhana mungkin.
96
Jawab :
a. Perhatikan pembilang dan penyebut,serta periksa apakah keduanya dapat langsung
dibagi.
b. Ulangi sampai diperoleh pecahan yang paling sederhana.
Karena 24 dan 96 merupakan bilangan genap, keduanya dapat dibagi 2.
9
24 12 6 3
Jadi,   
96 48 24 12
3 1
Sekarang pembilang dan penyebut dapat dibagi 3 maka  . Pecahan kini berada dalam
12 4
bentuk paling sederhana.
B. PRESENTASE DAN BILANGAN DESIMAL
1. Persentase
Seperti pecahan, persentase juga menyatakan proporsi dan keseluruhan bagian.
Sebagai contoh, 90% mahasiswa lulus ujian, ini berarti 90 dari 100 mahasiswa yang ikut ujian
berhasil lulus. Perhatikan bahwa “kese1uruhan” di sini tidak harus 100. Jika mahasiswa yang
ikut ujian sebanyak 200 orang dan yang lulus 180 orang, persentase yang lulus juga 90%.
2. Desimal
Desimal adalah cara untuk menyatakan bilangan yang (biasanya) tidak bulat. Tanda
koma digunakan untuk memisahkan bilangan bulat dan bagian desimal yang tidak bulat.
Sebagai contoh, 1,25 gram obat berarti kita memiliki 1 gram obat, ditambah dua per sepuluh
dari 1 gram, dan ditambah 5 per seratus dari 1 gram. Perhatikan jika satu-satunya angka
sebelum koma adalah nol, kita sedang menghitung suatu nilai yang kurang dan satu. Sebagai
contoh. 0,25 gram obat berarti kurang dari 1 gram dan menyatakan dua per sepuluh dan
lima per seratus dari 1 gram seperti sebelumnya.
3. Konversi antara Pecahan dan Desimal

Setiap desimal (atau setiap bilangan bulat) dapat dikonversi menjadi pecahan hanya
dengan meletakkan bilangan desimal itu di atas penyebut 1.
Contoh 1.2.2:
Ubah 0,25 menjadi pecahan paling sederhana
Jawab:
a. Tulis 0,25 sebagai desimal.
b. Buat pecahan setara dengan mengalikan bilangan atas dan bawah dengan 10 sampai
tanda koma desimal hilang.
c. Sederhanakan pecahan tersebut dengan pembagian.
Dengan demikian, 0,25 dapat ditulis menjadi 0,25 1 . Sekarang, evaluasi pecahan ini seperti
cara yang dijelaskan sebelumnya: 0,25 1  2,5 10  25 100 = (bilangan atas dan bawah
dikali 10)
Anda tentu dapat melihat bahwa pecahan ini mudah disederhanakan: 25 100  5 10  1 4
(bilangan atas dan bawah dibagi 5)
10
Pengubahan pecahan menjadi desimal dapat dilakukan dengan membagi pembilang dengan
penyebut. Pembilang mungkin perlu ditulis sebagai desimal dengan memberikan satu atau
lebih angka nol setelah koma untuk dapat melakukan pembagian.
Contoh 1.2.3:
Nyatakan 2 5 dalam bentuk desimal
Jawab:
Cobalah langsung membagi pembilang dengan penyebut. Jika pembilang lebih kecil dari
penyebut, tulis pembilang sebagai desimal dengan satu atau lebih angka nol setelah tanda
koma untuk dapat melakukan pembagian.
Jadi, tulis 2,0 dan bagi dengan 5, Anda akan memperoleh 0,4. Anda juga dapat menulis
2,00 dibagi lima dan memperoleh jawaban 0,40 yang setara dengan 0,4. Pada sejumlah
kasus, Anda tidak akan mendapat jawaban yang berakhir dengan nol dan Anda dapat
menulis jawaban dalam waktu yang tidak terbatas. Sebagai contoh, jika Anda menyatakan
1/3 dalam bentuk desimal, jawabannya adalah 0,33333... dan seterusnya. Dalam modul ini,
kebanyakan jawaban akan diberikan dalam dua tempat desimal (jumlah digit setelah tanda
koma), kecuali proses pembagian dapat diselesaikan dengan sempurna tanpa hasil sisa.
Sebagai contoh, jika Anda menyatakan 1/8 dalam bentuk desimal, Anda akan memperoleh
hasil tepat 0,125.
4. Konversi Antara Pecahan dan Persentase

Konversi pecahan menjadi persentase sangat mudah dilakukan, yaitu hanya dengan
mengalikan pembilang dengan 100 dan mengevaluasi pecahan tersebut seperti
sebelumnya,lalu hasilnya diberi tanda %.
Contoh 1.2.4:
Nyatakan 4 5 dalam bentuk persentase
Jawab:
a. Kalikan pembilang dengan 100.
b. Evaluasi pecahan sebagai bilangan (atau desimal).
c. Beri tanda % setelah nilai hasil.
Jadi, 4 5 menjadi 400 5  80 . Dengan demikian, hasilnya adalah 80%. Perhatikan bahwa
persentase dapat mengandung desimal. Sebagai contoh, 305 100  3,05% .
Konversi persentase menjadi pecahan juga sangat sederhana. Bagi bilangan dengan 100, lalu
nyatakan pecahan dalam bentuk paling sederhana.
Contoh 1.2.5:
Nyatakan 55% dalam bentuk pecahan
11
Jawab:
a. Bagi bilangan dengan 100.
b. Sederhanakan pecahan.
Jadi, 55% menjadi 55 100 . Jika kita sederhanakan, pecahan ini menjadi 11 20 yang
tidak dapat disederhanakan lebih lanjut
5. Konversi Antara Desimal dan Persentase

Cara paling cepat untuk mengonversi desimal menjadi persentase adalah dengan
mengalikan bilangan desimal tersebut dengan 100.lalu memberikan tanda % setelah hasil.
Contoh 1.2.6:
Nyatakan 0,6 dalam bentuk persentase
Jawab:
a. Kalikan dengan 100.
b. Beri tanda %.
0,6 dikali 100 adalah 60%.
Pengubahan persentase menjadi desimal dapat dilakukan hanya dengan membalikkan
tahapan di atas.
Contoh 1.2.7:
Nyatakan 12% dalam bentuk desimal
Jawab:
Bagi dengan 100.
12
Jadi, 12% =  0,12
100
3
Dalam contoh ini, kita dapat menyederhanakan pecahan itu menjadi . Namun,
25
pembagian 100 lebih mudah daripada 25.
Catatan (2):
Bilangan pecahan dapat ditulis dalam bentuk desimal. Uraian desimalnya selalu berakhir
atau berulang.
5
Misalnya: 1 2  0,5 (artinya 1 2  0  ).
10
21 50  0,42 artinya 21 50  0  4 10  2 100 .
2 7  0,285714285714.... angka 285714 berulang  .
Definisi:
Gabungan himpunan bilangan bulat dan himpunan bilangan pecahan disebut himpunan
bilangan rasional Q . Kita dapat mendefinisikan bilangan rasional sebagal bilangan yang
12
dapat dinyatakan sebagai hasil bagi dari dua buah bilangan bulat. Bilangan irrasional (non-
rasional) adalah bilangan yang tidak dapat dinyatakan sebagai hasil bagi dari 2 buah bilangan
bulat atau bilangan yang uraian desimalnya tidak pernah berulang.
Contoh 1.2.8 :
2  1,4142
  3,1415
e  2,7182..... (bilangan Euler yang merupakan bilangan pokok logaritma natural).
Gabungan himpunan bilangan rasional dan himpunan bilangan irrasional disebut himpunan
bilangan nyata (real) R , atau R# .Bilangan yang mengandung faktor satuan khayal I disebut
bilangan khayal (imajiner), di mana i  1 (satuan khayal, i  i  i 2  1 ). Bentuk umumnya
ai , a  R # .
Misalnya 54i ,  2i , dan i  2 .
Bilangan Real
Kita buat sebuah garis lurus. Ambil titik 0 sebagai titik awal (titik nol) yang menyatakan
bilangan nol. Kita buat peraturan bahwa titik-titik di sebelah kanan 0 menyatakan bilangan-
bilangan positif, di sebelah kiri 0 menyatakan bilangan-bilangan negatif. Kemudian kita
tentukan satuannya (unit). Garis ini disebut garis bilangan real (atau garis bilangan) yang
merupakan sistem koordinat pada garis lurus (dimensi satu) dan digambarkan sebagai
berikut:
Setiap bilangan real dapat dinyatakan oleh satu dan hanya satu titik pada garis bilangan dan
setiap titik pada garis bilangan menyatakan satu dan hanya satu bilangan. Semua sifat yang
berlaku pada himpunan bagian dari R# , juga berlaku pada R# .
Misalnya sifat ke-6 adalah:

Untuk setiap a R# , terdapat  a R# , sehingga a   a  0, a  (a)  0 .
Untuk setiap a  0 dan a  R # , terdapat 1 a  R # , sehingga a  1 a  1 .
Pertidaksamaan
Definisi:
a bilangan real,
a  0  a positif ( > dibaca “lebih besar”)
a  0  a negatif ( > dibaca “lebih kecil”)
(  artinya jika dan hanya jika, artinya berlaku baik dibaca dari arah kiri maupun kanan. Jadi
bila definisi di atas dibaca : jika a  0 maka a positif , dan jika a positif, maka a  0 ).
13
Kemudian jika a dan b bilangan real, maka :

a  b  a  b  0 (definisi lebih besar) serta
a  b  a  b  0 (definisi lebih kecil)
abba
pada garis bilangan : jika a  b maka a terletak di sebelah kanan b . notasi : a  b artinya a
lebih kecil atau sama dengan b .
Sifat-sifat :
1) Jika a, b R , maka salah satu dari pernyataan ini benar :
a) a b; b) a  b ; c) a  b
2) Jika a  0 dan b  0 , maka a  b  0 dan ab  0 .
3) Sifat transitif :
Jika a  b dan b  c , maka a  c atau jika a  b dan b  c , maka a  c .
4) Jika a  b dan c bilangan real sebarang, maka a  c  b  c
5) Jika a  b dan c  d , maka a  c  b  d
6) a  0 jika dan hanya jika  a  0
a  0 jika dan hanya jika  a  0
7) Jika a  0 dan b  0 , maka ab  0
a  0 dan b  0 , maka ab  0
a  0 dan b  0 , maka ab  0
8) Jika a  b dan c  0 , maka ab  bc
Jika a  b dan c  0 , maka ab  bc
Contoh 1.2.9 :
Selesaikan pertidaksamaan : x2  5x  24  0 .
Harga nol dari x2  5x  24  0 adalah x1  8 dan x2  3 .
Sebut x 2  5x  24  y , maka
y  0 untuk  3  x  8
y  0 untuk x  3 atau x  8
Jadi, penyelesaian dari pertidaksamaan di atas adalah nilai-nilai x yang memenuhi
3  x  8 atau dapat ditulis sebagai himpunan x |3  x  8 .
Catatan (3):
Interval (selang):
Bilangan a dan b adalah bilangan real dan a  b , maka himpunan bagian dan R# adalah:
A1  x |a  x  b interval buka
A2  x |a  x  b interval tutup-buka
A3  x |a  x  b interval tutup
14
A4  x |a  x  b
Notasi lain adalah: interval buka-tutup
A1   a, b A2  a, b A3  a, b A4   a, b
Catatan (4):
Interval-interval tak hingga.
A  x |x  a  x |  x  a   ,a 
B  x | x  a  x |a  x    a,  B
C  x | x  a  x |  x  a   ,a
D  x | x  a  x |a  x    a, 
E  x | x  R #   x |  x     ,  
Dimana a suatu bilangan real
A, B, C , D, dan E disebut interval tak hingga.
Harga Mutlak
Harga mutlak (absolut) dan suatu hilangan real didefinisikan sebagai:
 a jika a  0
a 
a jika a  0
misalnya: 3  3, karena 3  0
2    2  2, karena  2  0
3 2    
3  2  2  3, karena  
3 2  0
Sifat-Sifat Harga Mutlak

Jika a, b  R # , maka :
1) |a|  0
2) |a|  |a|
3) a2  |a|
4) |a|  b jika dan hanya jika  b  a  b, dimana b  0
5) |a|  b jika dan hanya jika a  b, atau a  b
6) |a  b|  |b  a|
15
7) |a  b|  |b  a|
a a
8)   , b0
b b
9) |a  b|  ||a||b||
10) |a  b|  |a||b|
11) |a  b|  ||a||b||
12) |a  b|  |a||b|
Contoh 1.2.10 :
|2x  3| 7
Berarti : 7  2 x  3  7  10  2 x  4  5  x  2
Latihan
96
1) Bentuk sederhana dari adalah ....
360
8
a.
15
8
b.
30
16
c.
30
4
d.
15
8 1 8
2) Bentuk persen dari bilangan-bilangan pecahan ; ; ; 0,36 berturut-turut
25 4 50
adalah ...
a. 32%, 25%, 16%, 36%
b. 36%, 25%, 16%, 32%
c. 25%, 16%, 32%, 36%
d. 16%, 32%, 36%, 25%
3) Toko A memberikan potongan harga 20% setiap penjualan barang, untuk pembelian
sepasang sepatu, Raisa membayar kepada kasir sebesar Rp40.000,00. Harga sepasang
sepatu sebelum mendapat potongan harga adalah …
4) Himpunan penyelesaian pertidaksamaan x2  x  6  0 adalah ....
a. 2  x  3
b. x  2 atau x  3
c. x  2 atau x  3
d. 2  x  3
5) Selesaikan pertidaksamaan 2x  5 | x  4 adalah ....
16
 1 
a. x  x  4
 3 
b. x 3  x  4
 1 
c. x  x  3
 3 
 1 
d. x  x  3
 4 
2x  1
6) Himpunan penyelesaian dari pertidaksamaan  7 adalah ....
x 3
a. x 2  x  4
b. x 3  x  4
c. x 1  x  4
d. x 1  x  4
Petunjuk Penyelesaian Soal
1) Untuk menyederhanakan, pembilang dan penyebut bagikan dengan KPK kedua

bilangan tersebut
2) Kalikan dengan 100%
Ringkasan
Sampai di sini saudara telah mengingat kembali jenis-jenis bolangan, terdiri dari aturan
bilangan pecahan, dan bilangan-bilangan lainnya, bilangan real,pertidaksamaan,dan harga
mutlak. Selain itu, presentase dan bilangan desimal juga telah dibahas, mulai dari konversi
bilangan desimal ke presentase serta konversi persentase ke bilangan desimal. Dengan bekal
ini, diharapkan topik-topik berikutnya yang memanfaatkan pengertian bilangan itu dan sifat-
sifatnya dapat teratasi dengan baik.
Tes 2
1) Bentuk pecahan dari 45 menit dari 1 jam adalah ....

3
A. bagian dari 1 jam
4
1
B. bagian dari 1 jam
2
1
C. bagian dari 1 jam
3
17
2
D. bagian dari 1 jam
3
3
2) Pecahan yang senilai dengan pecahan adalah ....
14
9
A.
40
9
B.
38
12
C.
56
12
D.
72
7 11
3) Susunan deretan pecahan , 1, dalam urutan naik (dari kecil ke besar) adalah ....
8 12
7 11
A. , 1,
8 12
7 11
B. , ,1
8 12
11 7
C. 1, ,
12 8
11 7
D. , ,1
12 8
4) Dua per lima dari penduduk suatu kota adalah laki-laki. Jika banyak penduduk kota
tersebut 8 juta jiwa, tentukan banyak laki-laki!
A. 3.200.000 jiwa
B. 1.600.000 jiwa
C. 4.000.000 jiwa
D. 3.000.000 jiwa
2
5) Bentuk persen dari dari bilangan adalah ....
15
A. 35 %
1
B. %
3
1
C. 13 %
3
D. 13%
18
Kunci Jawaban Tes
Tes 1
1) B
2) D
3) D
4) A
5) B
Tes 2
1) A
2) C
3) B
4) A
5) C
19
Daftar Pustaka
Ayu Laraswati. 2013. Pengertian Bilangan Desimal Otal dan Biner. (online) Diakses pada
tanggal 10 Juni 2014
http://ayularasswati.wordpress.com/2013/09/16/pengertian-bilangan-desimal-oktal-
dan-biner/
Ainul Wicaskono. 2012. Tugas Matematika Bilangan Bulat dan Ganjil. (online) Diakses pada
tanggal 10 Juni 2014
http://ainulwicaksono.blogspot.com/2012/10/tugas-matematika-bilangan-bulat-
ganjil.html
Anonymous. 2010. Rumus Bilangan Ganjil dan Rumus Bilangan Genap. (online) Diakses
pada tanggal 10 Juni 2014
http://asimtot.wordpress.com/2010/07/25/rumus-bilangan-ganjil-dan-rumus-
bilangan-genap/
Anonymous. 2010. Bilangan Ganjil dan Bilangan Genap. (online) Diakses pada tanggal 10
Juni 2014
http://asimtot.wordpress.com/2010/06/09/bilangan-ganjil-dan-bilangan-genap/
20
BAB II
FUNGSI EKSPONEN DAN LOGARITMA
PENDAHULUAN
Dalam ilmu pengetahuan dan teknologi maupun kehidupan sehari-hari , fungsi

eksponen dan logaritma sering kali digunakan untuk mendeskripsikan suatu peristiwa
pertumbuhan maupun peluruhan. Misalnya uang yang diinvestasikan di sebuah bank,
peluruhan zat radioaktif, pertambahan penduduk dan lain sebagainya. Hal ini dikarenakan
logaritma merupakan invers (kebalikan) dari eksponen. Logaritma juga digunakan untuk
memecahkan masalah eksponen yang sulit dicari akar-akar atau penyelesaiannya.
Pada Bab 2 ini anda akan mempelajari sifat-sifat fungsi eksponen dan logaritma dalam
pemecahan masalah. Untuk mempelajari modul ini, Anda diharapkan telah memahami
pangkat/eksponen, persamaan kuadrat, penyelesaian persamaan kuadrat, menggambar
kurva suatu persamaan kuadrat, trigonometri.
Pada Topik 1 pada modul ini, dibahas mengenai definisi fungsi eksponen dan sifat-
sifatnya serta penggunaannya dalam pemecahan masalah. Pada Topik 2 diperkenalkan
fungsi logaritma, sifat-sifatnya serta operasi-operasi penggunaannya.
Setelah menyelesaikan modul ini, diharapkan Anda mampu menggunakan konsep
fungsi eksponen dan logaritma untuk menyelesaikan persoalan-persoalan matematis. Secara
sistematis, Anda diharapkan mampu :
1. Menjelaskan sifat-sifat fungsi eksponen
2. Menjelaskan sifat-sifat logaritma
3. Menjelaskan bentuk- bentuk persamaan eksponen dan logaritma beserta fungsinya
4. Menjelaskan bentuk-bentuk pertidaksamaan eksponen dan logaritma.
5. Menggunakan sifat-sifat fungsi eksponen dan logaritma dalam pemecahan masalah.
Pahamilah contoh-contoh soal yang ada, dan kerjakanlah semua soal latihan yang ada.
Jika dalam mengerjakan soal Anda menemui kesulitan, kembalilah mempelajari materi yang
terkait atau jika Anda mempunyai kesulitan yang tidak dapat Anda pecahkan, tanyakan
kepada tutor pendamping Anda.
21
Topik 1
Keterlibatan Mahasiswa
Dalam Topik 1 ini akan dibahas materi perpangkatan/eksponen bilangan bulat. Untuk
mempelajari bagian modul ini, ada baiknya kita ingat kembali sifat-sifat bilangan berpangkat
rasional. Bilangan berpangkat merupakan prasyarat mempelajari persamaan eksponen,
fungsi eksponen dan fungsi logaritma. Untuk mengingat kembali tentang bilangan eksponen,
perhatikan beberapa sifat berikut.
A. PENGERTIAN FUNGSI EKSPONEN
Jika a dan b bilangan real, p dan q bilangan rasional maka berlaku hubungan sebagai
berikut :
1
1. ap  aq  apq 7. ap  p
a
p
a  ap
pq q
2. a :a a
p q
8. q
3. (a p )q  a pq 9.
p
ab  p a  p b
a pa
4. (ab)  a .b
p p p
10. p 
b pb
a a 
p p
5. 
   p 11. a0  1
b b 
1
6. ap  p a  0 
a
Pada modul ini akan lebih mendalami tentang perpangkatan yang pangkatnya
merupakan suatu fungsi. Bentuk perpangkatan yang pangkatnya merupakan suatu fungsi
disebut fungsi eksponen.
Fungsi eksponen banyak manfaatnya dalam kehidupan. Misalnya dalam peluruhan
radioaktif, pertumbuhan tanaman, perhitungan bunga tabungan di Bank dan sebagainya.
B. PERSAMAAN FUNGSI EKSPONEN DAN PENERAPANNYA
1. Bentuk a f ( x )  1
Jika a f ( x )  1 dengan a  0 dan a  0 , maka f  x   0
Seperti apakah contoh dan cara menyelesaikan persamaan fungsi eksponen berbentuk
a f ( x )  1 ? Ya, perlu Anda ketahui bahwa: a    1 dengan a  0 , dan a  0 , maka
f x
f  x   0 . Perhatikan contoh berikut ini!
22
Contoh 2.1.1:
Tentukan himpunan penyelesaian dari: uu
35x10  1
Jawab:
35 x 10  1
35 x 10  30
5x  10  0
5x  10
x 2
2. Bentuk a f ( x )  ap
Jika a f ( x )  ap dengan a  0 dan a  0 , maka f  x   p
Contoh 2.1.2 :
Tentukan himpunan penyelesaian dari:
a. 52 x1  625
1
b. 22 x  7 
32
Jawab :
a. 52 x1  625
52 x1  53
2x  1  3
2 x  4 , jadi x  2
1
b. 22 x  7 
32
2 2 x7
 25
2 x  7  5
2x  2
x 1
3. Bentuk a f  x   ag x 
Jika a f  x   ag x  dengan a  0 dan a  0 , maka f  x   g  x 
Contoh 2.1.3 :
9 x  x  27x 1
2 2
a.
25X 2   0,2
1 X
b.
23
Jawab:
9 x  x  27x 1
2 2
a.
32( x  x )  33( x 1)
2 2
2  x 2  x   3x 2  3
2x2  2x  3x2  3
x 2  2x  3  0
 x  3 x  1  0
x  3 x  1
Jadi HP = 1,3
25x 2   0,2
1 x
b.
52 x 2  511 x 
2 x  4  1  x
2 x  x  1  4
x  5
Jadi HP = 5
4. Bentuk a f ( x)  b f ( x )
Jika a f ( x)  b f ( x ) dengan a  0 dan a  1 , b  0 dan b  1 , dan a  b maka f  x   0
Contoh 2.1.4:
6x 3  9x 3
Jawab:
6x 3  9x 3
x 3 0
x 3
Jadi HP = 3
5. Bentuk A(a f ( x ) )2  B(aF ( x ) )  C  0

Dengan memisalkan a    p , maka bentuk persamaan di atas dapat diubah menjadi
f x
persamaan kuadrat : Ap2  Bp  C  0
Contoh 2.1.5 :
22 x  2x3  16  0
Jawab :
22 x  2 x 3  16  0
22 x  2 x  23  18  0
Dengan memisalkan 2 x  p , maka persamaan menjadi
24
p2  8 p  16  0
 p  4  p  4   0
p4
Untuk p  4  2x  4
2x  22
x 2
Jadi HP = 2
Latihan
3n1  3n
1) Bentuk dapat disederhanakan menjadi …
3n  3n1
3
a.
4
3
b.
2
5
c.
4
4
d. 3
1
 x 1  y 1 
2)  1 1  dalam bentuk pangkat adalah …
 x y 
yx yx
a.
yx yx
xy yx
b.
xy yx
yx yx
c.
yx yx
xy yx
d.
xy yx
3) Jika a  2  7 dan a  2  7, a  b  4ab 

a. 28
b. 30
c. 32
d. 34
25
1 x 4  x 3  x 2
4) Jika x  maka nilai 6 
4 x  x 5  x 4
1
a.
16
1
b.
8
1
c.
2
d. 4
x 1  y 1
5) Nyatakan bentuk berikut dalam pangkat positif dan bentuk akar, 1 1

x y
2 2
x y
a.
xy
y x
b.
xy
x y
c.
xy
d. xy  y x 
6) Diketahui 2x  2 x  5 . Nilai 22 x  22 x  ….
a. 23
b. 24
c. 25
d. 26
2 3
7) Jika  p  q 6 dengan p dan q bilangan bulat, maka p  q  ....
2 3
a. 3
b. 2
c. -2
d. -3
8) Nilai x yang memenuhi persamaan 2x 525 x  64 adalah ....

a. -2
b. -1
c. 0
d. 1
26
Ringkasan
Pada topik ini, kita telah mempelajari persamaan eksponen dan fungsi eksponen
dengan menggunakan sifat-sifat fungsi eksponen dalam menyelesaikan persamaan
eksponen. Fungsi eksponen f dengan bilangan pokok a ( a konstan) adalah fungsi yang
didefenisikan dengan rumus : f  x   ax , a  0 dan a  1
Tes 1
1) Nilai dari x agar 32 x  3  0 ....

A. 1
1
B.
2
1
C.
3
1
D.
4
2) Nilai x dari persamaan 35 x 1  27x 3  0 ....

A. 5
B. 6
C. 7
D. 8
3) Cari himpunan penyelesaian dari persamaan eksponen 32 x 2  8  3x  1  0

A. 2
B. -1
C. 0
D. -2
4) Jika f  x   2x 1 tentukan nilai dari f  3 dan f  3 ....

1
A.
2
B. 0,25
C. 0,125
D. 25
5) Carilah himpunan penyelesaian dari persamaan eksponen berikut.

1
3
252 x 1 
1252 x
27
A. ½
B. 5/2
C. 5/3
D. 5/4
28
Topik 2
Persamaan Fungsi Logaritma
Pengertian logaritma sebagai invers (kebalikan) dari perpangkatan, dapat dijelaskan

melalui pembahasan berikut ini:
Contoh 2.2.1:
1. 24  2  2  2  2  16
2. 103  10  10  10  1000
Dari contoh di atas tampak bahwa apabila bilangan pokok dan pangkatnya diketahui maka
dapat ditentukan hasil perpangkatannya. Nah! Permasalahannya adalah bagaimana cara
menentukan pangkat, apabila bilangan pokok dan hasil perpangkatannya diketahui:
Misal :
1. Berapa n , jika 2n  16
2. Berapa x , jika 10x  1000
Jawaban permasalahan tersebut dapat diselesaikan dengan cara yang disebut logaritma.
Nilai n atau x tersebut ditentukan sebagai berikut:
1. 2n  16 maka n  2 log16  2 log24  4
2. 10x  1000 maka x  10 log1000  10 log103  3
Sekarang terlihat bahwa antara logaritma dan perpangkatan terdapat hubungan, yaitu
bahwa logaritma merupakan invers ( kebalikan) dari perpangkatan, sehingga dapat
didefinisikan sebagai berikut :
Definisi :
Logaritma suatu bilangan x dengan bilangan pokok a (ditulis a log x ) adalah eksponen
bilangan berpangkat yang menghasilkan x jika a dipangkatkan dengan eksponen itu.
Dirumuskan :
a
log x  n artinya x  an untuk a  0; a  1 dan x  0
a disebut bilangan pokok
x disebut bilangan logaritma atau numerus dengan x  0
n disebut hasil logaritma atau eksponen dari basis
Untuk lebih memahami konsep ini ikutilah contoh-contoh berikut ini dengan teliti agar kamu
tidak menemui hambatan di kemudian hari .
Contoh 2.2.2 :
Nyatakan dalam bentuk logaritma:
29
1. 34  81
1
2. 3
2  23
3. 0,001  103
Jawab:
1. 34  81  3 log81  4
1 1
2. 3
2  2 3  log 3 2 
3
3
3. 0,001  10  log0,001  3
10
Nyatakan dalam bentuk pangkat

1. 5
log25  2
1
2. 3
log  3
27
3. a
log b  c
Jawab:
1. 5
log25  2  25  52
1 1
2. 3
log  3   33
27 27
3. a
log b  c  b  ac
Tentukan nilai logaritma berikut!

2
1. log32
3
2. log3 3
2 1
3. log 2
2
Jawab :
1. 2
log32  2 log25  5
3 3
2. 3
log3 3  3 log3 2 
2
1 1 1
3. 2
log 2  2 log2 2  
2 2
A. SIFAT-SIFAT LOGARITMA
Ada 7 (tujuh) sifat pada logaritma ini yang akan membantu kamu dalam memecahkan
masalah yang berkaitan dengan logaritma yaitu:
30
Sifat 1
a
log x  a log y  a log xy
Contoh 2.2.3:
Sederhanakanlah !
1. 2
log4  2 log8
1
2. 3
log  3 log81
9
3. 2
log2 2  2 log 4 2
Jawab :
1. 2
log4  2 log8  2 log4  8  2 log32  5
1 1
2. 3
log  3 log81  3 log  81  3 log9  2
9 9
3. 2
log2 2  log 4 2  2 log2 2  4 2  2 log16  4
2
Sifat 2
x
a
log x  a log y  a log
y
Contoh 2.2.4 :
Sederhanakanlah!
1. 2
log16  2 log8
2. log1000  log100
3. 3
log18  3 log6
Jawab :
16 2
1. 2
log16  2 log8  2 log  log2  1
8
1000
2. log1000  log100  log  log10  1
100
18
3. 3
log18  3 log6  3 log  1
6
Sifat 3
a
log x n  n  a log x
31
Contoh 2.2.5 :
Sederhanakan!
1. 2log3  4log3
2. 2log a  2log b
Jawab:
1. 2log3  4log3  log32  log34
 log9  log81
 log9  81
 log729
2. 2log a  2log b  log a2  log b2

 log a2  b2
 log  ab 
2
Ingat :
log2 x  log x  log x  log x 
2
1.
log x 2  2log x
Jadi log2 x  log x 2
1
2. log 1 x 
log x
1
log x 1  log   log x
x
Jadi log x  log x 1
1
Sifat 4
c
log x
1. a
log x  c
log a
1
2. g
log a  a
log g
Contoh 2.2.6:
3
log7  7 log81
Jawab :
log7 log81
1. 3
log7  7 log81  
log3 log7
log 34
=
log 3
32
4log3
4 =
log3
1
2. 3
log7  7 log81  7  7 log81
log3
7
log34 log34
= 7 
log3 log3
= 3 log34  4
Sifat 5
a
a log x
x
Contoh 2.2.7 :
 22 
2
2
log5 log5
1. 4
 
3 3
log2 1 log2
2. 3  3 2
Jawab :
 22   
2
2
log 5 2 2
1. 4 log 5
 2 log 5
 52  25
   
3 3 1
log2 1 log2 3 1
 32  3  32  3
log2 2
2. 3
Sifat 6
Perhatikan uraian berikut untuk menunjukkan sifat 6 logaritma ini :
n log am m  log a m p
1. a p log am    log a
log pn n  log p n
2. Jika m  n maka diperoleh:
pn log an n.log a p
log am    log a
log pn n.log p
Sehingga dapat disimpulkan bahwa :

Untuk p dan a bilangan real positif p  1 maka:
pn m
log a m  p log a
n
pn
log an  p log a
Jika numerus dan bilangan pokok dipangkatkan dengan bilangan yang sama maka hasilnya
tetap.
33
Contoh 2.2.8 :
Hitunglah !
8
1. log16
8
2. log64
3. Jika 3 log5  a hitunglah 25
log27
Jawab :
42 4
3 4
1. 8
log16  2 log24  log2   1 
3 3 3
3 6 4 6
2. 8
log64  2 log26  2 log2   1   2
3 3 3
3. 3
log5  a , maka :
2 3 3 1 3 1 3
25
log27  5 log33   5 log3   3   
2 2 log5 2 a 2a
Sifat 7
Perhatikan uraian di bawah ini!
p
Misalkan n  p log a , maka a  pn , oleh karena n  p log a , maka pn  p log a
 a (karena
a  pn ) sehingga disimpulkan :
p
Untuk p dan a bilangan real p  1 maka p log a
a
Contoh 2.2.9:
Sederhanakan !
2
1. 10log x
3
log a
2. 9
9
log b
3. 27
Jawab :
2 10 2
1. 10log x  10 log x  x 2
3 32
log a2 9
log a2
2. 9 log a
9 9  a2
9 9
log b log b
  33     32  
9
9 1 log b 3
 3 
log b 2
3
4
3. 27 2
     
3 3
=  2x 4
2
 4  am    an 
3
= 9
9
log b n m
 
3
= b 4 sifat 7
= 4
b3 mengubah eksponen ke akar
34
B. MENGGUNAKAN TABEL LOGARITMA
1. Mencari hasil logaritma menggunakan daftar logaritma
N 0 1 2 3 4 5 6 7 8 9
0
.
.
721 .8530
log721,8  2,8530
log72,18  1,8530
log7,218  0,830
Hasil penghitungan logaritma dari satu bilangan akan diperoleh bagian desimal. Bagian
bulat di sebut karakteristik/induk yang diperoleh dari perhitungan, sedang bagian desimal
disebut matise diperoleh dari tabel logaritma. Bilangan pokok pada daftar adalah 10.
Untuk menentukan logaritma bilangan yang lebih besar dari 10 atau antara 0 dan 1
dapat dilakukan dengan cara bilangan itu diubah dalam bentuk baku : a 10n , dengan
1  a  10 dan n bilangan bulat, sehingga :
log  a  10n   log a  log10n
 n  log a
Contoh 2.2.10 :
1. log34000  log  3,4  104 
 log3,4  log10 4  dari tabel log 4,4  0,5315
 0,5315  4
 4,5315
2. log0,284  log 2,84  102 
 log2,84  log10 2  dari tabel log2,84  0,4533
 0,4533  2
Anti Logaritma
Yaitu mencari bilangan logaritma jika diketahui hasil logaritma
N 0 1 2 3 4 5 6 7 8 9
0
.
.
721 .8759
35
Contoh 2.2.11 :
log x  0,8759  x  7,515

Misalnya, carilah nilai x dengan menggunakan daftar logaritma dari 2x  10
Jawab :
log2x  log10 Dari daftar
x log2  log10 log2  0,3010
log10
x
log2
1
x  3,322
0,3010
C. OPERASI PADA LOGARITMA
1. Operasi Perkalian
log a  b  loga logb
Contoh 2.2.12:
Hitunglah 6,28 × 2,536
Jawab:
Jika p  6,28  2,536
log p  log 6,28  2,536
log p  log6,28  log2,536  1,2021
Jadi, p  antilog 1,2021  15,926
2. Operasi Pembagian
a
log  log a  log b
b
Contoh 2.2.13:
Hitunglah 325,6 : 48,5
Jawab:
Jika p  325,6: 48,5
log p  log 325,6: 48,5
36
log p  log325,6  log48,5

 2,5127  1,6857
 0,8270
Jadi, p  anti log0,8270  6,7
3. Operasi Akar dan Pangkat

log an  nlog a
1
log n a  log a
n
Contoh 2.2.14 :
Dengan menggunakan tabel logaritma, tentukan nilai dari soal-soal berikut.
a. 58
47,32
b.
18,6
Jawab :
a. Jika p  58
log p  log 58
 8log 5
log p  8  0,699  5,592
Jadi, p  anti log 5,592  390800
47,32
b. Jika p  , maka
18,6
47,32
log p  log
18,6
1
 log 47,32  18,6 
2
1
  1,6750  1,1643 
2
1
  0,5107   0,2553
2
Jadi, p  anti log 0,2553  1,8001
Latihan
1) Ubah bentuk pangkat pada soal-soal berikut menjadi bentuk logaritma:

a) 23  8
b) 54  625
c) 72  49
37
2) Tentukan nilai dari:

a) 2
log8  3 log9  5 log125
b) 2
log 18  3 log 19  5 log 125
1
3) Tentukan nilai dari

a) 4
log8  27 log9
b) 8
log 4  27 log 19
4) Tentukan nilai dari:
2
a) log8
3
b) log27
5) Diketahui:
log p  A
logq  B
Tentukan nilai dari log p3q2
1) a
log x  na
2) 2
log8  3 log9  5 log125
Ringkasan
Sampai di sini kita telah dikenalkan dengan persamaan dan fungsi logarimat, Logaritma
merupakan invers atau kebalikan dari perpangkatan atau eksponen. Jika 32  9 , maka kita
dapat menuliskannya dalam bentuk logaritma, yaitu 3 log9  2 atau log39  2 . Ingat juga
bahwa jika tidak ditulis atau jika terdapat angka di depan log seperti ini 3log berarti log itu
berbasis 10 yang bisa kita tuliskan seperti ini 10 log . Namun umumnya log basis 10 tidak
dituliskan. Sifat- sifat yang berlaku dalam logaritma inilah yang sering kita hadapi dalam
operasi penyelesaian soal-soal logaritma. Logaritma digunakan untuk menentukan besar
pangkat dari suatu bilangan pokok. Tak hanya dalam bidang studi matematika, logaritma
juga sering digunakan dalam soal perhitungan bidang studi yang lain, misalnya menentukan
orde reaksi dalam pelajaran laju reaksi kimia, menentukan koefisien serap bunyi dalam
pelajaran akustik dan lain sebagainya.
Tes 2
1) Nilai logaritma dari 2 log8  3 log9  5 log125 ....

A. 6
B. 7
38
C. 8
D. 9
2) Diketahui log2 3  a dan log3 5  b , maka log 6 15  ….

A. ab
B. ab
a 1  b 
C.
1a
b 1  a 
D.
1b
3) Jika log3 5  m dan log7 5  n , maka log35 15  ....

1m
A.
1n
1n
B.
1m
m 1  n 
C.
n 1  m 
n 1  m 
D.
m 1  n 
4) Jika a, b, c  1 , maka logabc 3 ab  logabc 3 bc  logabc 3 ac  ....

1
A.
3
2
B.
3
C. 1
4
D.
3
log2 x log 3 x p
5) Jika  p dan  q , x  1, y  1 , maka  ....
log 3 y log2 y q
A. log2 3
B. log3 2
C. log 4 9
log2 3
2
D.
39
Kunci Jawaban Tes
Tes 1
1) B
2) A
3) D
4) B
5) C
Tes 2
1) B
2) C
3) D
4) A
5) C
40
Daftar Pustaka
http://bahanbelajarsekolah.blogspot.co.id/2014/11/rumus-lengkap-logaritma-dan-contoh-
soal.html
http://id.wikipedia.org/wiki/Logaritma
Anonymous. 2011. Bentuk Akar Pangkat dan Logaritma. (online) Diakses pada tanggal 10
Juni 2014
http://matematikaeducation-matematika.blogspot.com/2011/01/bentuk-akar-pangkat-dan-
logaritma.html
Anonymous. 2008. Perpangakatan dan Akar Bilangan. (online) Diakses pada tanggal 10
Juni 2014
http://applikasi.wordpress.com/2008/06/06/perpangkatan-dan-akar-bilangan/
Ali Yaramadon. 2013. Tugas Pengertian dan Macam-macam Bentuk Akar. (online) Diakses
pada tanggal 10 Juni 2014
http://aliyaramadonasman1.blogspot.com/2013/07/tugas-pengertian-dan-macam-
macam_6143.html
Wilson Simangunsong, 2005. Matematika Dasar, Jakarta: Penerbit Erlangga.
41
BAB III
SATUAN PENGUKURAN DAN KONSENTRASI
PENDAHULUAN
Sifat-sifat dari suatu benda atau kejadian yang kita ukur, misalnya panjang benda,
massa benda, lamanya waktu lari mengelilingi sebuah lapangan sering kali kita jumpai, apa
saja yang bias kita ukur dari sebuah buku? Pada sebuah buku dapat kita mengukur massa,
panjang, lebar dan tebal buku. Bagaimanakah kita menyatakan hasil pengukuran panjang
buku?
Di Inggris, system metric merupakan sistem yang kini paling lazim digunakan untuk
menyatakan jumlah (kuantitas) dalam farmasi. Untuk kuantitas tertentu, satuan dasar yang
digunakan adalah gram untuk satuan dasar massa; liter untuk satuan dasar volume; dan mol
untuk satuan dasar jumlah obat. Awalan (prefiks) digunakan untuk menyatakan kuantitas
yang lebih besar atau lebih kecil dari satuan dasar.
Kebanyakan sediaan farmasetika yang digunakan mengandung bahan aktif (obat) yang
terlarut dab terdispersi alam pelarut (solven) atau pengencer (diluen). Berbagai pernyataan
dapat digunakan untuk menjelaskan konsentrasi obat dalam sediaan. Karena itu,
pemahaman tentang pernyataan-pernyataan ini sangat penting dalam praktik farmasi. Selain
itu, pemahaman tentang pernyataan-pernyataan konsentrasi juga penting ketika memeriksa
hasil uji laboratorium klinis karena hasil uji biokimia dapat diberikan dalam berbagai bentuk.
Pada modul ini di Topik 1, kita akan membahas tentang satuan massa, satuan volume
dan satuan jumlah obat. Pada Topik 2, akan dibahas empat cara berbeda untuk menyatakan
konsentrasi, yaitu kuantitas per volume, persentase konsentrasi, bagian dan rasio.
Setelah menyelesaikan modul ini, diharapkan anda mampu menggunakan konsep
satuan pengukuran dan konsentrasi dalam pemecahan masalah dalam kehidupan sehari-
hari. Secara keseluruhan, setelah mempelajari modul ini diharapkan anda dapat :
1. Menyebutkan satuan massa, volume, dan jumlah obat yang biasa digunakan.
2. Mengkonversi satuan massa, volume, dan jumlah obat antara yang lebih besar dan
yang lebih kecil.
3. Memahami empat cara berbeda untuk menyatakan konsentrasi, yaitu kuantitas per
volume, persentase konsentrasi, yaitu kuantitas per volume, persentase konsentrasi,
rasio dan bagian.
4. Mengonversi pernyataan-pernyataan konsentrasi.
42
Topik 1
Satuan Pengukuran
A. SISTEM METRIK
Untuk profesional kesehatan saat ini, sistem metrik merupakan sistem yang kini paling
lazim digunakan untuk menyatakan jumlah (kuantitas) dalam farmasi. Untuk kuantitas
tertentu, satuan dasar yang digunakan adalah gram untuk satuan dasar massa; liter untuk
satuan dasar volume; dan mol untuk satuan dasar jumlah obat. Sistem metrik menggunakan
desimal, yang diterjemahkan menjadi power of tens. Pada sistem metrik terdapat awalan
(prefiks) yang digunakan untuk menyatakan kuantitas yang lebih besar atau lebih kecil dari
satuan dasar. Tabel 3.1 memuat daftar awalan yang paling sering digunakan dalam farmasi
dan contoh untuk setiap awalan.
Tabel 3.1
Awalan yang Digunakan Dalam Sistem Metrik
Awalan Menyatakan Contoh

Kilo Seribu kali lebih besar dan satuan dasar Kilogram
Mili Seribu kali lebih kecil dan satuan dasar Millimeter
Mikro Satu juta kali lebih kecil dan satuan dasar Mikro omo
B. SATUAN MASSA
Satuan massa yang paling lazim digunakan didaftar pada Tabel 3.2.
Tabel 3.2. Satuan Massa
Satuan Singkatan Setara dengan

1 Kilogram Kg 1000 gram
1 Gram G 1000 miligram
1 Miligram Mg 1000 mikrogram
1 Mikrogram  g atau mcg
Massa yang lebih besar atau lebih kecil dari jumlah-jumlah tersebut jarang digunakan dalam
farmasi. Untuk mengubah dari satuan yang lebih kecil ke satuan yang lebih besar (contohnya
miligram ke gram,gram ke kilogram), kita perlu membagi dengan 1000. Sebaliknya, untuk
mengubah dari satuan yang lebih besar ke satuan yang lebih kecil (contohnya kilogram ke
gram,gram ke miligram), kita harus mengalikan dengan 1000 (lihat Gambar 3.1).
43
Gambar 3.1
Konversi antara Satuan-satuan Massa
Contoh 3.1.1:
Jumlahkan 0,0025kg , 1750mgr , 2,5gr , dan 750.000mcgr (berikan jawaban Anda dalam
gram).
Jawab:
1. Ubah setiap kuantitas menjadi gram.
2. Jumlahkan kuantitas yang telah diubah.
0,00250kg   0,00250 1000 gr  2,50gr
1750mgr  1750:1000 gr  1,75gr
2,50gr  2,50gr
750000mgr  750000:1000000 gr  0,75gr
Massa total = 7,50gr
Jawaban: 7,50gr
C. SATUAN VOLUME
Satuan dasar volume adalah liter (L). Satu liter terdiri dari 10 desiliter, atau 100
sentiliter atau 1000 milliliter. Milliliter setara dengan centimeter kubik(cc) walaupun
singkatan yang lebih dipilih adalah ml. Tabel 3.1 mendaftar satuan-satuan volume yang lazim
digunakan dalam farmasi.
Tabel 3.1
Satuan yang digunakan dalam farmasi

1 Liter L 1000 mililiter
1 Mililiter mL 1000 mikroliter
Untuk mengonversi volume dari liter menjadi mililiter, kita harus mengalikan dengan 1000,
sedangkan untuk mengonversi volume dari mililiter menjadi liter, kita harus membagi
dengan 1000 (lihat Gambar 3.2)
44
Gambar 3.2
Konversi Antara Satuan-satuan Volume
Contoh, 3.1.2:
Jumlahkan 3L, 1150mL dan 0,75L . Berikan volume total dalam mL
Jawab:
1. Ubah setiap kuantitas menjadi mililiter.
2. Jumlahkan kuantitas yang telah diubah.
2L  31000mL  3000 mL
1150 mL  1150 mL
0,75L   0,75 1000mL  750 mL
Volume total = 4900 mL
Jawaban: 4900 mL
Contoh 3.1.3 :
Seorang pasien diberi resep 10 mL campuran untuk digunakan empat kali sehari. Berapa
banyak campuran (dalam liter) yang dibutuhkan oleh pasien selama 30 hari?
Jawab:
1. Hitung berapa banyak campuran yang digunakan oleh pasien setiap hari.
2. Hitung berapa banyak campuran yang dibutuhkan oleh pasien selama 30 hari
3. Konversi angka yang diperoleh dan mL ke L
Setiap hari pasien menggunakan 10mL  4  40mL

Selama 30 hari pasien membutuhkan 40mL  30  1200mL
1200 mL  1  0,2L  1,2L
Jawaban: 1,2L
1. Satuan Jumlah Obat

Satuan dasar untuk jumlah obat adalah mol. Satu mol adalah jumlah bahan yang
mengandung 6,02 × 1023satuan formula komponennya (contohnya atom, molekul, atau ion).
Jumlah mol suatu obat dapat langsung dinyatakan sebagai massa karena satu mol suatu
berat obat, dalam gram, sama dengan massa molekul relatif (relative molecular ‘op[]mass,
45
RMM) obat tersebut. Contohnya, 1 mol kalium kiorida (RMM =74,5) memiliki berat 74,5
gram. Tabel 3.4 menunjukkan satuan jumlah obat yang lazim digunakan dalam farmasi.
Tabel 3.4
Satuan Jumlah Obat

Mol Mol 1000 milimol
Milimol mmol 1000 mikromol
Gambar 3.3 menunjukkan konversi antara mol dan milimol, serta konversi satuan-
satuan ini ke dalam satuan massa.
Gambar 3.3
Konversi Antara Satuan-satuan Jumlah Obat
Contoh 3.1.4:
Berapa milimol kalium kiorida (asumsikan RMM  75 ) yang terdapat dalam 150gr obat?
Jawab:
1. Hitung jumlah mol obat.
2. Ubah hasil yang diperoleh ke dalam milimol.
75 gr adalah berat 1 mol kalium klorida
1gr adalah berat 1: 75 mol kalium klorida
150 gram adalah berat 150 : 75 mol kalium klorida = 2 mol
2 mol  2  1000 milimol = (2 × 1000) milimol = 2000 milimol
Jawaban: 2000 milimol
Latihan
1) Hasil jumlah dar 7 kg, 75 g, dan 750.000 mcg adalah .... g

a. 7000
b. 7500
c. 7000,75
d. 7075,75
46
2) Volume total dari 0,04 L, 20 rnL, dan 200 µL adalah .... mL

a. 20
b. 60
c. 60,2
d. 80,2
3) Seorang dokter meresepkan 250mg minosiklin untuk digunakan empat kali sehari
selama 20 hari. Total minosiklin yang dibutuhkan oleh pasien adalah ....
a. 10 g
b. 20 g
c. 30 g
d. 40 g
4) Satu kapsul obat mengandung bahan Fenilpropanolamin hidrokiorida 50 mg.
Berapakah dalam gram yang dibutuhkan untuk membuat 10.000 kapsul ....
a. 50 g
b. 100 g
c. 500 g
d. 1000 g
5) Satu tompok transdermal (transdermal patch) mengandung 8 mgestradiol. Jumlah
gram estradiol yang dibutuhkan untuk membuat 50.000 tompok adalah ....
a. 100 g
b. 200 g
c. 300 g
d. 400 g
6) Suatu inhaler menghantarkan 50 mcgr salmeterol pada setiap hirupan (inhalasi).
Inhaler tersebut mengandung 200inhalasi terukur. Jumlah miligram salmeterol
terkandung dalam inhaler ini adalah ....
a. 10 mg
b. 20 mg
c. 30 mg
d. 40 mg
7) Pasien diberi resep 15mL campuran untuk digunakan dua kali sehari selama 14 hari.
Banyak campuran yang harus diberikan adalah ....
a. 210 mL
b. 400 mL
c. 420 mL
d. 460 mL
7) Setiap kapsul natrium bikarbonat berisi 600 mgr bahan tersebut. Jika pasien
menggunakan tujuh kapsul sehari, jumlah mmol natrium bikarbonat yang digunakan
pasien adalah … (RMM natrium bikarbonat = 84).
a. 5 mmol
b. 50 mmol
47
c. 10 mmol
d. 100 mmol
8) Suatu infus intravena mengandung 30 mmol natrium klorida. Jumlah massa natrium
klorida (dalam gram) yang terkandung dalam infus tersebut adalah … (RMMnatrium
klorida = 60).
a. 0,18 g
b. 1,8 g
c. 18 g
d. 180 g
9) Sebuah tablet efervesen untuk rehidrasi oral mengandung 120 mgnatrium klorida dan
150 mgr kalium kiorida. Jumlah mmol klorida terkandung dalam satu tablet adalah ....
(RMM natrium klorida (NaCl) = 60 dan RMM kalium klorida (KCl) = 75).
a. 1 mmol
b. 2 mmol
c. 3 mmol
d. 4 mmol
Ringkasan
Untuk kuantitas tertentu, satuan dasar yang digunakan adalah gram untuk satuan
dasar massa; liter untuk satuan dasar volume; dan mol untuk satuan dasar jumlah obat.
Sistem metrik menggunakan desimal, yang diterjemahkan menjadi power of ten.
Satuan massa yang paling lazim digunakan adalah kilogram, gram,miligram dan
mikrogram.
Satuan dasar volume adalah liter (L). Satu liter terdiri dari 10 desiliter, atau 100
sentiliter atau 1000 milliliter.
Satuan dasar untuk jumlah obat adalah mol. Satu mol adalah jumlah bahan yang
mengandung 6,02 × 1023 satuan formula komponennya (contohnya atom, molekul, atau ion).
Tes 1
1) Suatu inhaler menghantarkan 50 mikrogram salmeterol pada setiap hirupan (inhalasi).

Inhaler tersebut mengandung 200 inhalasi terukur. Berapa miligram salmeterol
terkandung dalam inhaler ini?
A. 100 g
B. 200 g
C. 300 g
D. 400 g
48
2) Pasien diberi resep 15 mL campuran untuk digunakan dua kali sehari selama 14 hari.
Berapa banyak campuran yang harus diberikan?
A. 0,1 mg
B. 1 mg
C. 10 mg
D. 100 mg
3) Setiap kapsul natrium bikarbonat berisi 600 mg bahan tersebut. Jika pasien
menggunakan tujuh kapsul sehari, berapa mmol natrium bikarbonat yang digunakan
pasien? (RMM natrium bikarbonat = 84).
A. 42 mmol
B. 420 mmol
C. 4,2 mmol
D. 0,42 mmol
4) Suatu infus intravena mengandung 30 mmol natrium klorida. Berapa massanatrium

klorida (dalam gram) yang terkandung dalam infus tersebut? (RMM natrium klorida =
60).
A. 5 mmol
B. 50 mmol
C. 2 mmol
D. 20 mmol
5) Satu tompok transdermal (transdermal patch) mengandung 8 mgestradiol. Berapa

gram estradiol yang dibutuhkan untuk membuat 50.000 tompok?
A. 1,8 g
B. 18 g
C. 0,9 g
D. 9 g
49
Topik 2
Memahami Konsentrasi
A. PERNYATAAN KONSENTRASI
Kebanyakan sediaan farmasetika yang digunakan mengandung bahan aktif(obat) yang

terlarut atau terdispersi dalam pelarut (solven) atau pengencer (diluen). Berbagai
pernyataan dapat digunakan untuk menjelaskan konsentrasi obat dalam sediaan. Karena itu,
pemahaman tentang pernyataan-pernyataan ini sangat penting dalam praktik farmasi. Selain
itu, pemahaman tentang pernyataan-pernyataan konsentrasi juga penting ketika memeriksa
hasil uji laboratorium klinis karena hasil uji biokimia dapat diberikan bentuk. Dalam kegiatan
ini, kita akan membahas empat cara berbeda untuk menyatakan konsentrasi:
1. kuantitas per volume
2. persentase konsentrasi
3. bagian
4. rasio
1. Kuantitas Per Volume

Pernyataan kuantitas per volume digunakan untuk menunjukkan konsentrasi obat
dalam larutan dan untuk hasil uji laboratorium klinis. Pernyataan kuantitas per volume
memberikan jumlah atau berat obat (jumlah dalam mol atau berat dalam gram) dalam
volume larutan. Sebagai contoh, larutan natrium klorida 9gr/L berarti 9 gr natrium klorida
terlarut dalam 1 liter larutan; larutan natrium klorida 1 mmol/L mengandung 1 mmol/L
(ekuivalen dengan 0,058 g) natrium klorida terlarut dalam1 liter larutan.
Contoh 3.2.1:
Berapa berat natrium bikarbonat (dalam gram) dibutuhkan untuk membuat 200 mL larutan
6 gr/L ?
Jawab:
a. Perhatikan pernyataan konsentrasi dan hitung berapa banyak natrium bikarbonat yang
terkandung dalam 1mL larutan.
b. Hitung berapa banyak natrium bikarbonat dibutuhkan untuk membuat 200mL larutan.
6 gr/L berarti 6 gr natrium bikarbonat harus dilarutkan dalam 1L ( 1000mL ) larutan.
Jadi, 6:1000 gr natrium bikarbonat harus dilarutkan dalam 1 mL larutan.
Jadi, 6:1000  200gr natrium bikarbonat harus dilarutkan dalam 200mL larutan.
Jawaban: 1,2gr .
50
Contoh 3.2.2 :
Seorang pasien memiliki kadarkaliurn serum 4 mmol/L .
a. Berapa mmol kalium terkandung dalam 20 mL sampel serum pasien?
b. Berapa miligram kalium terkandung dalam sampel ini? (RMM kalium = 40)
Jawab: a)
1) Perhatikan pernyataan konsentrasi dan hitung berapa milimolkalium terkandung
dalam 1 mL serum.
2) Hitung berapa milimol kalium terkandung dalam 20 mL serum.
4mmol/L berarti 4mmol kalium terkandung dalam 1L serum.
Jadi  4:1000mmol kalium terkandung dalam 1 mL serum.
Karena itu, (4 × 20) ÷ 1000 mmol kalium terkandung dalam 20 mL serum.
80:1000mmol  0,08 mmol
Jawaban: 0,08 mmol
Jawab: b)
Konversi jumlah mmol menjadi mgr dengan mengalikan nilai tersebut dengan RMM (lihat
kegiatan 3.1).
1mmol kalium memiliki berat 40 mgr .
0,08 mmol kalium memiliki berat  0,08  40mgr  3,2mgr .
0,08 mmol kalium terkandung dalam 20 mL serum.
Jawaban: 3,2 mgr kalium terkandung dalam 20 mL serum
2. Persentase Konsentrasi
Persentase dapat digunakan untuk menyatakan konsentrasi obat, baik dalam bentuk
sediaan cair maupun padat. Persentase konsentrasi menjelaskan jumlah bagian obat (dalam
gram atau militer) dalam 100 bagian bentuk sediaan. Ada tiga persentase konsentrasi yang
lazim digunakan. Penggunaan ketiga persentase ini bergantung pada sifat produk.
a. %bv
Persen berat-dalam-volume digunakan untuk menyatakan berat suatu padatan dalam
100 mL produk cair. Sebagai contoh, larutan natrium klorida 1% b v dalam air berarti 1gr
natrium klorida terkandung dalam 100 mL larutan. Untuk membuat larutan ini, 1 gr
natrium klorida dilarutkan dalam sedikit air, kemudian larutan diencerkan hingga 100 mL
dengan air.
b. %bb
Persen berat-dalam-berat digunakan untuk menyatakan berat suatu padatan, atau
kadang-kadang cairan, dalam 100 g produk padat. Sebagai contoh, salep hidrokortison
1% b b berarti 1 gr hidrokortison terkandung dalam 100 gr salep akhir. Untuk membuat
51
produk ini, 1 gr hidrokortison dicampur dengan sedikit basis salep, kemudian produk dibuat
menjadi 100 gr dengan penambahan basis salep lebih lanjut.
b. %v v
Persen volume-dalam-volume digunakan untuk menyatakan volume suatu cairan
dalam 100 mL produk cair. Sebagai contoh, emulsi yang mengandung 50% v v parafin cair
berarti 50mL parafin cair terdapat dalam 100mL emulsi akhir.
Contoh 3.2.3:
Obat kumur mengandung 0,1% b v klorheksidin glukonat. Berapa gram klorheksidin
glukonat terkandung dalam 250 mL obat kumur?
Jawab:
1) Perhatikan pernyataan konsentrasi dan tentukan berapa banyak obat (dalam gram)
terkandung dalam 1 mL produk.
2) Hitung berapa banyak obat terkandung dalam 250 mL produk.
0,1% b v berarti 100 mL obat kumur mengandung 0,1 gr klorheksidin glukonat.
Jadi, 1 mL obat kumur mengandung (0,1c 100) g klorheksidin glukonat.
Karena itu, 250mL obat kumur mengandung  0,1:100   250gr klorheksidin glukonat
= 0,25gr .
Jawaban: 0,25 gr
Contoh 3.2.4:
Berapa berat mikonazol yang dibutuhkan untuk membuat 40 gr krim yang mengandung
2% b b obat?
Jawab:
1) Perhatikan pernyataan konsentrasi dan tentukan berapa banyak obat terkandung
dalam 1 gr produk.
2) Hitung berapa banyak obat terkandung dalam 40 gr produk.
2% b b berarti 100 gr krim harus mengandung 2 gr mikonazol.
Jadi, 1 gr krim harus mengandung 2:100 gr mikonazol.
Karena itu, 40gr krim harus mengandung 2:100  40 gr mikonazol.
Jawaban: 0,8 gr
Contoh 3.2.5:
Berapa banyak minyak kacang (arachis oil) yang dibutuhkan untuk membuat 300 mL emulsi
yang mengandung 30% v v minyak kacang?
52
Jawab:
1) Perhatikan pernyataan konsentrasi dan tentukan berapa banyak minyak kacang yang
terkandung dalam 1 mL produk.
2) Hitung berapa banyak minyak kacang yang terkandung dalam 300 mL produk.
30% v v berarti 100 mL emulsi mengandung 30 mL minyak kacang.
Jadi, 1mL emulsi mengandung 30:100 mL minyak kacang.
Karena itu, 30 mL emulsi mengandung 30:100  300 mL minyak kacang = 90 mL .
Jawaban: 90 mL
3. Rasio Konsentrasi
Rasio konsentrasi terutama digunakan untuk menyatakan konsentrasi larutan yang
sangat encer. Rasio menyatakan jumlah bagian pelarut (biasanya dalam mililiter) yang di
dalamnya terlarut atau terdispersi satu bagian obat (biasanya dalam gram). Jadi, larutan
obat 1: 5000  mengindikasikan 1 gr obat terlarut dalam 5000 mL ( 5L ) larutan.
Contoh 3.2.6:
Berapa miligram adrenalin terkandung dalam 10mL larutan obat 1: 10000 ?
Jawab:
1) Ubah rasio menjadi pernyataan kuantitas per volume.
2) Hitung berapa banyak adrenalin terkandung dalam 1 mL larutan.
3) Hitung berapa banyak adrenalin terkandung dalam 10mL larutan.
Larutan 1:10.000 berarti 1 g adrenalin terlarut dalam 10.000 mL larutan.
Jadi, 1mL larutan akan mengandung 1:10000 gr adrenalin.
Karena itu, 10mL larutan akan mengandung 1:10000 10gr  0,001gr  1mgr
adrenalin.
Jawaban: 1 miligram
4. Bagian sebagai Pernyataan Konsentrasi

Metode pernyataan konsentrasi ini mirip dengan pernyataan rasio. Namun, dalam
pernyataan konsentrasi bagian, simbol rasio diganti dengan kata ‘dalam’. Jadi, larutan
1: 1000 menjadi 1 dalam 1000, tetapi artinya tidak berubah, yaitu 1gr obat terlarut dalam
1000 mL larutan.
Contoh 3.2.7:
Satu ampul 10 mL yang berisi larutan bupivakain hidroklorida 1 dalam 200.000 diberikan
pada pasien. Berapa miligram bupivakain hidroklorida yang diterima pasien?
Jawab:
1) Ubah pernyataan bagian menjadi pernyataan kuantitas per volume.
53
2) Hitung berapa banyak bupivakain hidroklorida terkandung dalam 1 mL larutan.

3) Hitung berapa banyak bupivakain hidroklorida terkandung dalam 10 mL larutan.
Larutan 1dalam 200.000 berarti 1 gr bupivakain hidroklorida terlarut dalam
200000 mL larutan.
Jadi, 1 mL larutan akan mengandung 1:200000 gr bupivakain hidroklorida.
Karena itu, 10mL larutan akan mengandung 1:200000 10gr  0,00005gr  0,05mgr
bupivakain hidroklorida.
Jawaban : 0,05 miligram
B. KONVERSI ANTAR PERNYATAAN KONSENTRASI
Konversi antar pernyataan konsentrasi sering kali perlu dilakukan. Untuk melakukan
hal ini, Anda harus memastikan bahwa Anda memahami makna setiap pernyataan
konsentrasi yang telah dijelaskan sebelumnya.
Contoh 3.2.8:
Suatu larutan mengandung 10mgr obat dalam 5mL larutan. Nyatakan konsentrasi ini
sebagai rasio konsentrasi.
Jawab:
1. Tentukan pernyataan konsentrasi yang diperlukan.
2. Karena yang dibutuhkan adalah rasio konsentrasi, tentukan berapa volume larutan
yang akan mengandung 1 gr obat.
3. Nyatakan konsentrasi sebagai rasio.
10 mgr obat terkandung dalam 5mL larutan.
Jadi, 1mgr obat terkandung dalam  5:10mL larutan.
Karena itu, 1gr terkandung dalam  5:10  1000 mL  500 mL larutan Jawaban: rasio
konsentrasi 1: 500
Latihan
1) Pasien diberi resep suspensi yang mengandung 2 mgr/mL obat. Aturan pakainya
adalah pasien menggunakan 10 mL suspensi tiga kali sehari selama satu minggu.
Jumlah miligram obat yang akan diterima pasien dalam seminggu adalah ....
a. 400 mg obat
b. 410 mg obat
c. 420 mg obat
d. 430 mg obat
54
2) Pasien melarutkan dua tablet, masing-masing mengandung 300 mgr aspirin, dalam
120 mL air. konsentrasi aspirin  % b v  dalam larutan adalah …
a. 0,5 % b/v
b. 5 % b/v
c. 0,1 % b/v
d. 10 % b/v
3) Jumlah gram antibiotik yang dibutuhkan untuk membuat 50 mL larutan antibiotik
0,25%b v adalah ....
a. 0,125 g
b. 0,25 g
c. 0,5 g
d. 1g
4) Obat gosok mengandung 5%v v metilsalisilat. Jumlah metil salisilat yang dibutuhkan
untuk membuat 600 mL obat gosok adalah ..
a. 10 mL
b. 20 mL
c. 30 mL
d. 40 mL
5) Banyaknya hidrokortison yang terdapat dalam 120 gr krim yang mengandung 0,5b b
hidrokortison adalah …
a. 0,3 g
b. 0,6 g
c. 0,9 g
d. 1g
6) Infus natrium klorida 0,9% b v banyak digunakan untuk penggantian elektrolit.
Konsentrasi natrium klorida dalam mmol/L (Anggap RMM natrium klorida = 60) adalah
… mmol/L
a. 10
b. 15
c. 20
d. 25
7) Banyaknya volume larutan adrenalin 1: 20000 yang mengandung 50 mgr obat
adalah ....
a. 1L
b. 2L
c. 3L
d. 4L
8) Konsentrasi % b v suatu larutan natrium bikarbonat 1000 mmol/L (RMM natrium
bikarbonat = 84) adalah .... % b/v
a. 0,84
55
b. 8,4
c. 0,42
d. 4,2
9) Pasien menggunakan 200 mL larutan antiseptik 1: 8000 setiap hari selama 10 hari.
Jumlah gram obat antiseptik yang telah digunakan adalah ….
a. 1g
b. 0,75 g
c. 0,5 g
d. 0,25 g
10) Anda diberi obat serbuk yang mengandung kadar air 10%b b . Berat serbuk yang Anda
butuhkan untuk membuat 5 L larutan berair yang mengandung konsentrasi obat
anhidrat 4%b v adalah ....
a. 111,1 g
b. 222,2 g
c. 121,2 g
d. 221, 2 g
Ringkasan
Sampai di sini saudara telah mempelajari dan mengenal dengan baik beberapa tentang
Konsentrasi, Memahami Konsentrasi diperkenalkan empat cara berbeda untuk
menyelesaikan konsentrasi, yaitu kuantitas per volume, presentase konsentrasi, rasio, dan
bagian. Terdapat istilah % b v , %b b , dan % v v . Pada bagian terakhir disajikan bagaimana
menginterpretasi pernyataan konsentrasi dalam bagian dan mengonvensi pernyataan-
pernyataan konsentrasi.
Tes 2
1) Berapa gram antibiotik yang dibutuhkan untuk membuat 50 mL larutan antibiotik

0,25% b v ?
A. 0,25
B. 0,5
C. 0,125
D. 0,0,2
2) Obat gosok mengandung 5% v v metil salisilat. Berapa banyak metil salisilat yang
dibutuhkan untuk membuat 600 mL obat gosok?
A. 30 mL
B. 60 mL
56
C. 90 mL
D. 120 mL
3) Berapa banyak hidrokortison yang terdapat dalam 120 g krim yang mengandung
0,5%b b hidrokortison?
A. 0,2 g
B. 0,6 g
C. 0,9 g
D. 0,12 g
4) Infus natrium klorida 0,9% b v banyak digunakan untuk penggantian elektrolit.

Nyatakan konsentrasi natrium klorida dalam mmol/L (Anggap RMM natrium klorida =
60).
A. 15 mmol/L
B. 30 mmol/L
C. 45 mmol/L
D. 50 mmol/L
5) Berapa volume larutan adrenalin 1:20.000 yang mengandung 50mg obat?

A. 0,5 L
B. 0,1 L
C. 1L
D. 10 L
57
Kunci Jawaban Tes

Tes 1
1) D
2) C
3) B
4) B
5) A
Tes 2
1) C
2) A
3) B
4) A
5) C
58
Daftar Pustaka
Anonymous. 2010. Sistem Metrik. (online) Diakses pada tanggal 10 Juni 2014.
http://asimtot.wordpress.com/2010/07/25/sistem metrik/
Anonymous. 2010. Konsentrasi. (online) Diakses pada tanggal 10 Juni 2014

http://asimtot.wordpress.com/2010/06/09/konsentrasi/
Dakin & Porter, 1969. Elementary Analysis, 6. Bell and Sons Ltd., London.
Departemen Pendidikan dan Kebudayaan, 1980. Matematika, Jakarta: Sumber Bahagia.
59
BAB IV
TURUNAN (DERIVATIF)
PENDAHULUAN
Dalam Bab 4 tentang turunan akan diuraikan pengantar kepada definisi turunan,
aturan yang ada pada turunan dan penggunaannya.
Pembahasan mengenai turunan telah kita jumpai pada materi kalkulus. Pada bab ini
pembahasan lebih ditekankan pada unsur analisisnya, demikian halnya akan dibahas tentang
kajian analitik (pembuktian) untuk aturan-aturan yang menggunakan turunan.
Selain itu, akan diberikan beberapa contoh dari penggunaan aturan-aturan turunan
yang telah dibuktikan.
Bab 4 ini memuat uraian, contoh, latihan, petunjuk jawaban latihan , rangkuman, dan
soal tes.
1. Bacalah uraian dan contoh dengan cermat dan berulang-ulang sehingga Anda benar-
benar memahami dan materi yang dipelajari.
2. Kerjakan latihan yang tersedia secara mandiri. Apabila dalam kasus atau tahapan
tertentu Anda mengalami kesulitan menjawab, maka pelajarilah rambu-rambu
jawaban latihan. Jika langkah ini belum berhasil menjawab pemasalahan, maka
mintalah bantuan tutor Anda atau orang lain yang lebih memahami.
3. Ulangilah pengerjaan tes sampai anda benar-benar merasa mampu mengerjakan
semua soal dengan benar.
Setelah mempelajari Bab ini, diharapkan Anda mampu memahami konsep turunan.
Secara lebih terperinci, Anda diharapkan mampu:
1. Mencari turunan suatu fungsi dengan menggunakan definisi.
2. Membuktikan suatu teorema turunan fungsi.
3. Memahami aturan rantai untuk fungsi tersusun.
4. Memahami turunan dari fungsi-fungsi invers, turunan fungsi implisit, dan penurunan
dengan bantuan logaritma.
5. Mencari turunan dari fungsi dalam persamaan parameter.
6. Mencari turunan kedua dan turunan yang lebih tinggi.
60
Topik 1
Definisi dan Rumus-Rumus Turunan
Definisi
Pandang suatu fungsi y  f  x  . Misalkan nilai x berubah dengan x sehingga y berubah

dengan y maka y  f  x  x   f  x  . Apabila x  0 , maka didefinisikan:
Turunan pertama dari y terhadap x adalah:
dy y f  x  x   f  x 
 y  f   f   lim 
dx x x
f  x  h  f  x 
Atau bila x  h , menjadi lim
h 0 h
Catatan(1)
Apabila kita mengambil x positif ,kita katakan turunan ke kanan. Sebaliknya, bila x di
ambil negatif, kita katakan turunan ke arah kiri. Pada fungsi terdefenisi dalam interval
a  x  b : pada x  a  b , boleh kita ambil x positif maupun negatif. Tetapi pada x  a ,
x harus positif. Kita tulis:
f  a  x   f  a 
f   a   lim dan pada x  b, x harus negatif, kita tulis:
x 0 x
f  b  x   f  b 
f    b   lim 
x 0 x
Contoh 4.1.1:
Diketahui fungsi f  x   5x3
Maka
f  x  x   f  x  5  x  x   5x 3
3
f   x   lim  lim
x 0 x x 0 x
 lim 15x  15xx  5x   15x
2 2 2
x 0
RUMUS-RUMUS DASAR TURUNAN
1. y  x n , maka y   nx n1
2. y suatu fungsi konstanta, maka y  0
3. y suatu fungsi trigonometri:
a. y  sin x , maka y  cos x
b. y  cos x , maka y   sin x
c. y  tan x , maka y  sec2 x
61
d. y  cot x , maka y   csc2 x

e. y  sec x , maka y  sec x tan x
f. y  csc x , maka y   csc x cot x
4. y suatu fungsi trigonometri:
1
a. y  g log x , maka y 
x lng
1
b. y  ln x , maka y  
x
5. y suatu fungsi eksponen:
a. y  a x , maka y  a x lna
b. y  e x , maka y   e x
6. y suatu fungsi siklometri:
1
a. y  arc sin x , maka y  
1  x2
1
b. y  arc cos x , maka y  
1  x2
1
c. y  arc tan x , maka y  
1  x2
1
d. y  arc cot x , maka y  
1  x2
1
e. y  arc sec x , maka y  
x x2  1
1
f. y  arc csc x , maka y 
x x2  1
Contoh 4.1.2:
y  x 5 , maka y   5x 4
1 2
y  2 , maka y   2 x 3   3
x x
1 1
y  x , maka y  12 x 2 
2 x
Contoh 4.1.3:
1. y  sin x , maka y '  cos x
1
2. y  3log x, maka y ' 
x In 3
3. y = 5, maka y '  0
4.  2x , maka y '  2x ln2
62
Latihan
1) Diketahui fungsi f  x   5x3 . Maka turunan pertama dari fungsi tersebut adalah …
a. 15x 3
b. 15x2
c. 25x3
d. 25x 3
2) Nilai turunan dari y  x 5 adalah ....
a. x4
1 4
b. x
5
c. 5x 4
d. 4x5
1
3) Nilai turunan dari y  adalah ....
x2
1
a.
x3
2
b.
x3
3
c.
x3
2
d.
x
4) Diketahui y  x , maka nilai turunan pertamanya adalah
1
a.
2 x
1
b.
x
c. 2
d. 2 x
5) y  x  5x 4  10 x 2  6 , maka turunan pertama dari fungsi tersebut adalah ....
5
a. x 4  5x3  10x  6
b. x 5  20x 4  20x2  6x
c. 5x 4  20x 3  20 x
d. 5x 6  20 x 5  20 x
Turunan pertama dari fungsi y   3x  2 adalah ….
4
6)
a. 3x  2
b. 12
63
 3x  2 
4
c.
12  3x  2 
3
d.
7) Diketahui y  e 5x , maka nilai y  adalah ….
a. 5x
b. 5e5 x
c. 4e5 x
d. 5
dy
8) Diketahui fungsi f  x   ln3x , maka nilai dari adalah
dx
a. x
1
b.
x
c. lnx
d. y  2x
e2 x
9) Diketahui y  tentukan nilai y  untuk x  2
x 1
Ringkasan
Anda telah mengingat kembali definisi turunan, mulai dari teori turunan, rumus-rumus
dasar turunan dan operasi dasar pada turunan sampai pada operasi yang lebih luas yang
masih berlaku pada sebarang turunan. Di akhir bagian ini, diingatkan kembali mengenai
gabungan penggunaan rumus-rumus dasar turunan. Materi ini menjadi dasar/pengetahuan
bagi materi berikutnya, pada topik berikutnya maupun modul berikutnya
Turunan atau derivatif f  x  ke x adalah fungsi lain f   x  yang nilainya untuk
sebarang x  c adalah :
f  c  h  f c 
f   c   lim
h 0 h
Bila secara umum untuk x  c dan h  x , maka
f  x  x   f  x 
f   x   lim
h0 x
64
Tes 1
1) Nilai turunan dari f  x   x3  5x2  4x  9 adalah ....

A. 3x2  10 x  4
B. x2  10x  4
C. 3x2  10x  4
D. x2  10x  4
2) Nilai turunan dari f  x   2x  3  x 2  1 adalah ....

A. 2x 2  6 x  2
B. 2x 2  6 x  2
C. 6x2  6x  2
D. 6x2  6x  2
x2  4
3) Nilai turunan dari adalah ....
3x  7
3x 2  14 x  12
A.
19 x 2  42 x  49
3x 2  14 x  12
B.
19 x 2  42 x  49
x2  4 x  2
C.
x 2  2x  9
x2  4 x  2
D.
x 2  2x  9
Nilai turunan dari f  x   2x  3 adalah ....

3
4)
A. 72x2  24 x  54
B. 72x2  54 x  24
C. 24 x2  72x  54
D. 24 x2  72x  24
5) Nilai turunan fungsi dari fungsi f  x   6x3 adalah..

A. 6x2
B. 12x2
C. 18x2
D. 6x2
65
2 6
6) Diketahui f  t    3 , maka nilai dari f  t  adalah…
t t
A. t  2t 2
1 2
t 2  2t 3
B. 
t2
t  2t 2
C.
t2
1 t
D.
2t
7) Diketahui f  x   x 3  2x 2 , maka nilai dari f  t  adalah ....

3  4x
A.
3  2x
3  4x
B.
3  2x2
3  2x
C.
3  4x
3  4 x2
D.
3  2x2
Diberikan y   3  4 x  x 2  , nilai dari y  adalah ....

12
8)
A. 2–x
B. 2–y
2 x
C.
y
2y
D.
x
66
Topik 2
Jenis-Jenis Turunan
A. ATURAN RANTAI UNTUK FUNGSI TERSUSUN
Untuk fungsi-fungsi yang bentuknya rumit, di mana y adalah fungsi dari u (atau v) ,
u dan v merupakan fungsi dari x , turunannya kita cari dengan mengembalikannya ke rumus
dasar. Cara pengembaliannya sebagai berikut :
1. Jika berbentuk y  u, maka y   u ,  bilangan .
2. Jika berbentuk y  u  v , maka y  u  v .
3. Jika berbentuk y  uv , maka y  uv  uv .
u uv  uv 
4. Jika berbentuk y  , maka y   .
v v2
Serta gabungan dari bentuk-bentuk tersebut.
Contoh 4.2.1:

1. y  8 x 3 , maka y  8  x 3   24 x 2
2. y  3tan x , maka y   3  tan x   3sec2 x

3. y  x 2  e x , maka y   2x  e x
4. y  x 3  x 2  x  2, maka y  3x 2  2x  1
5. y  x 3 2x , maka y  3x 2 2x  x 3 2x ln2
x 1  cos x  x   sin x  cos x  x sin x
6. y , maka y  
 cos x 
2
cos x cos2 x
Contoh 4.2.2:
1. y  8 x 4  7 x 3  2 x  3, maka y   32 x 3  21x 2  2
 
2. y  3x2e x tan x , maka y   3x 2  e x tan x  3x 2  e x tan x 
 6 xe x tan x  3x 2  e x tan x  e x sec2 x 
 6xe x tan x  3x2e x tan x  3x2e x sec2 x
(dapat dicatat bahwa bila y  UVW , maka y  UVW  UV W  UVW  ).
x2  1 2 x  x  ln x   1  X1   x 2  1 
3. y , maka y  
x  ln x  x  ln x 
2
x 3  2x 2  ln x  x 2  x  1

x 3  2x 2 ln x  x ln2 x
67
Selain dari ke-4 bentuk di atas (serta gabungannya), suatu fungsi mungkin merupakan
suatu fungsi tersusun dari fungsi pada rumus dasar. Untuk mencari turunannya, kita gunakan
suatu rumus yang disebut aturan rantai. Jika y  f  x  yang merupakan suatu fungsi
dy dy du
tersusun y  g u  dan u  h x  , maka:   .
dx du dx
Contoh 4.2.3:
y   3x  2  u4 dimana u  3x  2, maka
4
1.
dy du
y   4u2  3  12u3  12  3 x  2 
3

du dx
2.  
y  5cos x2  1  5cos u dimana u  x 2  1, maka
  5sinu   2 x  10 x sin  x 2  1 

dy du
y  
du dx
1 1
3. y  sinln x , maka y    cosln x    cosln x
x x
4. 
y  e x
3
4
 , maka y  e  3x   3x e
 x3 4 2 2  x 3 4
Catatan (2) :
Secara umum, jika y  f  x  merupakan fungsi tersusun
y  f1 u1  , u1  f2 u2  ,..., un  fn1  x  , maka :
dy dy du1 dun
   
dx du1 dx2 dx
Contoh 4.2.4:

y  ln sin e  x2 1

Penyelesaian :
Misalkan y  lnu1
u1  sine x2 1
 sinu1
u2  e x2 1
 eu3
u3   x 2  1   u4 , u4  x 2  1
Maka :
dy 1 1
 
du1 u1 sin e  x2 1
du1
 cos u2  cos e  x 1
2
du1
68
du2
 eu3  e  x 1
2
du3
du3 1 1
 
du4 2 u4 2 x 2  1
du4
 2x
dux
Jadi,
1 1
y   cos e  x 2 1
 e x 2 1
  2x
sin e  x 2 1
2 x2  1
2 xe  x 2 1
cos e  x 2 1

2 x 2  1 sin e  x 2 1
Catatan (3) :
Secara geometri, turunan pada suatu titik menyatakan koefisien arag (gradient) garis
singgung grafik fungsi pada titik tersebut. Misalkan fungsi y  f  x  , titik P  x1 , y1  pada
f  x1  x   f  x 
grafik dari y  f  x  koefisien arah garis singgung m  f   x1   lim
x 0 x
Contoh 4.2.5:
Tentukan persamaan garis singgung di titik x  2 pada fungsi f  x   3x 4
Penyelesaian:
Koefisien arah garis singgung : m  f  x   12x3  f 2  128  96
Persamaan garis singgung :
y  y1  m x  x1 
karena x1  2, maka y1  324   48 .
Jadi garis singgung tersebut adalah y  96x  144 .
B. TURUNAN DARI FUNGSI-FUNGSI INVERS
Jika y  f  x  kontinu dan monoton naik (atau turun) pada interval a  x  b , maka
terdapat suatu fungsi invers x  f 1  y  yang kontinu juga.
Berlaku:
1
f 1  y  
dy
dx
69
Contoh 4.2.6:
1 3
Diketahui f  x   y  2x  3 . Fungsi inversnya adalah f 1  y   y 
2 2
dy dx 1
Terlihat bahwa,  2 dan 
dx dy 2
Contoh 4.2.7:
2
dx 1 1 1 y 3
f  x   x inversnya x  y dan
1
3 3
   
dy dy  3x 2  3y 3
2
3
dx
dy dx
Terlihat bahwa  3x 2  0 di x  0, sedangkan untuk y  0, tidak ada
dx dy
C. TURUNAN FUNGSI IMPLISIT
Untuk menghitung turunan pertama dari fungsi implisit f  x , y   0 , kita memandang

tiap-tiap suku sebagai suatu fungsi dari x , kemudian menurunkan suku demi suku.
Misalnya untuk fungsi implisit x 2  xy  y 3  0 .
 x   2 x
 y   xy  xy   y  xy 
Bentuk suku y 3 , misalkan y 3  u , maka
du du dy dy
u     3y 2  3y 2 y
dx dy dx dx
Atas kanan  0   0
Jadi turunan pertama dari x 2  xy  y 3  0 adalah
 
2x  y  xy   3y 2 y   0 atau 2x  3y 2 y  2x  y
Jadi,
y 
 2x  y 
 x  3y  2
Contoh 4.2.8:
 cos x  e y  xy 2  0 diturunkan menjadi :
 sin x  e y y   y 2  2 xyy   0
 e y
 2 xy  y   1  sin x  y 2
y 
1  sin x  y  2
 e  2xy 
y
70
D. PENURUNAN DENGAN BANTUAN LOGARITMA (LOGARITHMIC

DIFFERENTIATION)
Pada beberapa fungsi tertentu, lebih mudah apabila mempergunakan logaritma ketika
mencari turunannya, terutama untuk fungsi berbentuk y  uv di mana u dan v fungsi-fungsi
dari x dan fungsi berbentuk:
f  x  f2  x   fn  x 
y 1
g1  x  g2  x   gn  x 
Contoh 4.2.9:
y  x sin x
ln y  ln x sin x  sin x ln x
1 1
y   cos x ln x  sin x
y x
 1 
y   y  cos x ln x  sin x 
 x 
 1 
y   x sin x  cos x ln x  sin x 
 x 
Contoh 4.2.10:
y  x 3e2 x cos2 x , dengan logaritma menjadi:
ln y  3ln x  2 x ln e  2lncos x
 3ln x  2 x  2lncos x
1 3  2 
y   2      sin x 
y x  cos x 
3 
y   y   2  2tan x 
x 
3 
 x 3e2 x cos2 x   2  2tan x 
x 
E. TURUNAN DARI FUNGSI DALAM PERSAMAAN PARAMETER
 x  f  t 
Suatu fungsi dalam persamaan parameter  kita ubah menjadi
 y  g  t 
y  g t  , t  f 1  x 
71
Menurut aturan rantai, berlaku:

dy dy dt dt 1
  , sedangkan  , sehingga diperoleh
dx dt dx dx dx
dt
 dy 
dy  dt 

dx  dx 
 
 dt 
Contoh 4.2.11:
 x  et
Diketahui fungsi 
y  e
3t
Fungsi tersebut dapat kita ubah menjadi y  e3t   et   x 3 , sehingga

3
dy
 3x 2 .
dx
Dengan menggunakan rumus di atas, diperoleh:
 dy 
dy  dt  3e3t
 
dt  dx  e3
 
 dt 
Tetapi kadang-kadang sukar menggunakan cara pertama itu, misalnya:
 x  t  et
Diketahui fungsi 
y  t cos t
Akan menuliskan t sebagai fungsi dari x , maka:

 dy 
dy  dt   cos t  t sint 
  (mudah sekali dihitung)
dt  dx 
 

1  et 
 dt 
F. TURUNAN KEDUA DAN TURUNAN YANG LEBIH TINGGI
1 1 3 3
y  2x 2  6x 3  2x 2  4x 4  9
Jika y  f  x  mempunyai turunan pada suatu interval, maka turunannya adalah y  f   x 

merupakan suatu fungsi baru pada interval tersebut. Jika fungsi yang baru tersebut kita
turunkan, maka turunannya adalah y  f   x  disebut turunan kedua dari y  f  x 
72
terhadap x . Demikian seterusnya untuk yang turunan ketiga y  f   x  , turunan keempat,
kelima, dan seterusnya.
Bermacam-macam notasi yang dapat kita gunakan, antara lain:
y , y , y ,..., y  m  ,...
f , f , f ,..., f  m  ,...
dy d 2 y d 3 y d my
, , ,..., ,...
dx dx 2 dx 3 dx m
Dy , D2 y , D 3 y ,..., D m y ,...
Dx y , Dx2 y , Dx3 y ,..., Dxm y ,...
Dapat dicatat: kita dapat menganggap y sendiri sebagai turunan ke-nol, atau y  
0
Contoh 4.2.12:
Misalnya y  2x 5 , maka y  10 x 4 , y  40 x 3 , y  120 x 2 , dan seterusnya.
Catatan (4):
Turunan yang lebih tinggi untuk fungsi berbentuk uv adalah :
uv   uv  uv
uv   uv  2uv   uv 
uv   uv  3uv   3uv   uv 




m  m  1   m 2 
uv 
m
 u mv  mu m1v   u v     uv  m 
2
m
m
    u  m  k v  k 
k 0  k 
Catatan (5):
Koofesien di atas adalah koofesien binomial (mengikuti segitiga pascal)
 m m!
   Ckm (kombinasi)
k
  k !  m  k !
Aturan di atas disebut aturan Leibnitz.
Contoh 4.2.13:
Tentukan turunan ke-3 dari y  x2 f  x 
73
Jawab :
u  x 2 dan v  f  x 
Misalkan  uv   uv  3uv   3uv   uv 

 0  f  x   3 2   f  x   3 2 x   f   x   x 2  f   x 
Contoh 4.2.14:
x
y  f x  2 , untuk setiap x . Tentukan turunan ketiga.
 x  1
Jawab :
u 1
Bentuk y  diubah ke dalam bentuk y  uv dengan v 
v w
f  x   u v  3u v  3u v  uv
      
 2x    2  x  1
 0  v  3  0  v   3  1  2  x 2  1
3 2 2 2
 x 48 x  x  1   24 x  x  1 
3 2 4 2 3
 48 x 4  x 2  1  48 x 2  x 2  1  6  x 2  1
3 2
  x 2  1
4
48x  48x  x  1  6  x  1 
4 2 2 2 2
  x 2  1  6 x  36 x 2  6 
4 4
Contoh 4.2.15:
Turunan kedua untuk fungsi tersusun:
Asalnya y  u5 , dimana u  x 3  1 . Menurut aturan rantai, diperoleh:
dy dy du
   5u 4  3x 2  15u 4 x 2
dx du dx
dy
Biarkan tetap berbentuk di atas, lalu dilanjutkan menghitung , yaitu:
du
5  Du4  x 2  15u4  Dx 2   60u3  3x 2  x 2  30u4 x
 30u3 x  u  6 x 3  , dengan u  x 3  1
Contoh 4.2.16:
Turunan kedua untuk fungsi implicit:
Diketahui y 3  y  x  0
Turunan pertama:
74
3y 2 y   y   1  0
1
y 
 3y  1
2
Turunan kedua:
6yy y   3y 2 y   y   0
6 y  y  
2
y  
 3y 2
 1
6 y

 3y  1
2 3
Contoh 4.2.17:
Turunan kedua untuk fungsi dalam bentuk parameter, misalnya :
x  t  t 3  p t 
,
y  3t  2t 3  q t 
dy q t  3  6t 2
maka y     h t 
dx p t  1  3t 2
Sehingga diperoleh
 x  p  t 
 sebagai persamaan parameter dari grafik y
 y   h  t 
Dengan cara yang sama, diperoleh:
 3  6t 2 
 2 
d 2 y h  t   1  3t  30t
  
dx 2
p  t  1  3t  1  3t 2 3
2
Catatan (6) :
 x  p  t  berlaku
Secara umum untuk bentuk parameter 
 y  q  t 
p  t  q  t   p t  q t 
y  
 p t  
3
Contoh 4.2.18:
Pada Contoh (4.2.17) :
x  t  t 3 , maka x  1  3t 2 dan x  6t
y  3t  2t 3 ,maka y  3  6t 2dan y  12t
75
Sehingga
dy (3  6t 2 )
 dan
dx (1  3t 2 )
d 2 y (1  3t 2 )(12t )  (6t )(3  6t 2 ) 30t
 
dx 2
(1  3t )
2 3
(1  3t 2 )3
Catatan (7) :
Kita mempergunakan pula istilah hasil bagi diferensial sebagai istilah lain dari turunan.
Sedang “dierensial” mempunyai arti yang sedikit berbeda :
Jika y  f  x  suatu fungsi, maka :
1. Dx disebut dierensial dari x , dimana dx  x
2. Dy disebut dierensial dari y , dimana dy  f  x  dx
( x , y adalah perubahan dari x dan y )
Contoh 4.2.19:
Jika y  f  x   x2 , maka dy  2xdx
Sementara  y  (x  x)2  x 2  2xx   x 
2
Jadi, sebenarnya dy adalah y dengan mengabaikan suku x 2 yang sangat yang sangat
kecil bila x kecil.
Contoh 4.2.20:
Rumus-rumus untuk diferensial tidak berbeda dengan rumus-rumus untuk turunan.
Misalnya :
1. y  2cos x , maka dy  2sin xdx
 2 
2. y  3e2 x  arctan2x , maka dy   6e2 x   dx
 1  4 x2 
Latihan
 x  t 2  2t
1) Turuna pertama dari  adalah …
y  t  5
3
1
a.
4
27
b.
4
c. 27
7
d.
4
76
Diketahui e  x 4
, maka y  adalah ....
3
2)
3
4
a. 3x 2e x
3x 2 e  x 4
3
b.
3x 2 e  x
3
c.
x 2e  x 4
3
d.
3) Diketahui f  x   y  2x  3 . Fungsi inversnya f 1  x  adalah ....
a. 2
1
b.
2
1 3
c. y
2 2
1
d. y 2
2
4) Turunan pertama dari fungsi implisit x  cos x  e y  xy 2  0 adalah ....
1  sin x  y 2
a.
 ey  2xy 
1  sin x  y 2
b.
 ey  2xy 
1  sin x  x 2
c.
 ey  2xy 
1  sin x  y 2
d.
 ey  xy 
5) Dengan logaritma, turunan dari y  x 3e2 x cos x adalah ....
3 
a. x 3e2 x cos2 x   2  2tan x 
x 
3 2x 2
b. x e cos x
3 
c.   2  2tanx 
x 
3 
d. cos2 x   2  2tan x 
x 
x  e t
dy
6) Diketahui fungsi  , maka nilai adalah ….
y  e
3t
dx
a. 3x
b. x2
c. 3x2
d. 6x2
77
7) Turunan ketiga dari y  x2 f  x  adalah ....

a. 6xf   x   6 f   x   f   x 
b. 6  6x  x2
c. f   x   f   x   f   x 
d. 6 f  x   6xf  x   x2 f  x 
x
8) y  F x  2 untuk setiap x , maka turunan ketiga dari fungsi tersebut adalah ….
 x  1
x  1  6x  36x  6 
2 4 4 2
a.
x  1  6 x  36 x  6 
2 4 4 2
b.
x  1  6 x  36 x 
2 4 4 2
c.
x  1  6 x  36 x 
2 4 4 2
d.
Ringkasan
Sampai di sini saudara telah mengingat kembali jenis-jenis turunan, terdiri dari aturan
rantai untuk fungsi tersusun, turunan dari fungsi-fungsi invers,turunan fungsi implisit,
penurunan dengan bantuan logaritma, turunan dari fungsi dalam persamaan parameter,
turunan kedua dan turunan yang lebih tinggi. Selain itu, turunan antar jenis turunan juga
telah dibahas. Dengan bekal ini, diharapkan topik-topik berikutnya yang memanfaatkan
pengertian fungsi dan sifat-sifatnya dapat teratasi dengan baik.
Tes 2
 
1) Jika f  x   sin2  2 x   maka nilai dari f   0  adalah ....
 6
A. 2 3
B. 2
C. 3
D. 2
2) Persamaan garis singgung kurva y  2 x  2 di titik 2,p adalah ....

A. x – 2y  6  0
B. x – 2y – 6  0
C. 2x  2y – 6  0
D. 2x – y  6  0
78
1
3) Turunan ke- n dari f  x   ....
 3x  2 
 1  3n  n!
n
A. f x 
n
 3x  2 
n 1
 1  3n  n!
n
B. f x 
n
 x  2
n 1
3n  n!
C. f n x 
 x  2
n 1
3n  n!
D. f n
x 
 x  2
n 1
4) Suatu peluru ditembakkan ke atas, jika tinggi h meter stelah t detik dirumuskan
dengan ht   120t  5t 2 maka tinggi maksimum yang dicapai peluru tersebut adalah …
A. 270 meter
B. 320 meter
C. 670 meter
D. 720 meter
5) Diketahui f  x   3x3  6x2  4 , nilai dari f   1 adalah ....

A. -21
B. -11
C. 21
D. 11
 x  a  cos t  t sint 
6) Diketahui  , nilai y  adalah ....
y  a  sint  t cos t 
A. tant
2t
B.
1t
C.  tant
1
D. 
t
1
7) Nilai y  dari y    lntan x adalah ....
2sin2 x
A. tan x
B. csc x
C. tan x csc x
D. tan x csc4 x
79
8) y
1
2  
x x 2  a2  a2 ln x  x 2  a2  , maka y adalah ....
A. ax
B. a2  x2
C. ax
a  x 
2
D.
80
Kunci Jawaban Tes
Tes 1
1) A
2) D
3) A
4) C
5) C
6) B
7) D
8) C
Tes 2
1) C
2) A
3) A
4) D
5) C
6) C
7) D
8) B
81
Daftar Pustaka
http://id.wikipedia.org/wiki/Turunan
Razali Muhammad, dkk. 2010. Kalkulus Diferensial. Bogor: Ghalia Indonesia.
Hw, Slamet. 2000. Kalkulus. Surakarta : Muhammadiyah University Press.
82
BAB V
PENGGUNAAN TURUNAN
PENDAHULUAN
alam Modul 5 tentang pemakaian turunan akan diuraikan turunan sebagai salah satu bagian
dari kalkulus banyak digunakan dalam bidang ekonomi dan bisnis, industri, fisika (misalnya
dalam mekanika dan elektro), biologi, ilmu-ilmu sosial, dan sebagainya .
Pembahasan mengenai turunan telah kita jumpai pada materi kalkulus. Pada modul ini
pembahasan lebih ditekankan pada unsur analisis dan pemakaiannya, demikian halnya akan
dibahas tentang kajian analitik (pembuktian) untuk aturan-aturan yang menggunakan
pemakaian turunan.
Selain itu, akan diberikan beberapa contoh dari penggunaan aturan-aturan turunan
yang telah dibuktikan.
Modul 5 ini memuat uraian, contoh, latihan, petunjuk jawaban latihan , rangkuman,
dan soal tes.
1. Bacalah uraian dan contoh dengan cermat dan berulang-ulang sehingga Anda benar-
benar memahami dan materi yang dipelajari.
2. Kerjakan latihan yang tersedia secara mandiri. Apabila dalam kasus atau tahapan
tertentu Anda mengalami kesulitan menjawab, maka pelajarilah rambu-rambu
jawaban latihan. Jika langkah ini belum berhasil menjawab pemasalahan, maka
mintalah bantuan tutor Anda atau orang lain yang lebih memahami.
3. Ulangilah pengerjaan tes sampai Anda benar-benar merasa mampu mengerjakan
semua soal dengan benar.
Setelah mempelajari modul ini, diharapkan Anda mampu memahami konsep turunan.
Secara lebih terperinci, Anda diharapkan mampu :
1. Memahami garis singgung dan garis normal
2. Memahami nilai maksimal dan minimal dalam pemakaian turunan
3. Mampu menghitung nilai ekstrim
4. Mampu memahami pemakaian turunan dalam kehidupan sehari-hari.
83
Topik 1
Menentukan Garis Singgung, Garis Normal serta Nilai
Maksimum dan Minimum
Turunan sebagai salah satu bagian dari kalkulus banyak digunakan untuk
menyelesaikan masalah dalam bidang ekonomi dan bisnis, industri, fisika (misalnya dalam
mekanika dan elektro), biologi, ilmu-ilmu sosial, dan sebagainya. Pada Topik ini akan dibahas
beberapa di antaranya.
A. GARIS SINGGUNG DAN GARIS NORMAL
Jika fungsi f  x  mempunyai suatu turunan pertama f   x0  pada x  x0 yang hingga,

maka grafik y  f  x  mempunyai garis singgung di  x0 , y0  dengan koefisien arah :
m  tan  f   x0 
Jika m  0 maka garis singgung sejajar sumbu X , persamaan: y  y0

Garis singgung tersebut mempunyai persamaan:
y  y0  m x  x0 
Gambar 5.1
Jika f  x  kontinu pada x  x0 tetapi f   x    , maka grafik mempunyai garis singgung

yang sejajar sumbu Y , persamaannya: x  x0 . Sebagai contoh adalah titik B dan titik D
pada gambar.
Garis normal grafik fungsi f  x  pada salah satu titik adalah garis yang tegak lurus garis
singgung pada titik tersebut.
84
Persamaan garis normal di x  x0 :
1
Y  y0    X  x0 
f  x 
Jika garis singgung // sumbu Y maka garis normal //
sumbu X .
Jika garis singgung // sumbu X maka garis normal //
sumbu Y .
Gambar 5.1.2
Contoh 5.1.1:
Tentukan persamaan garis singgung dan garis normal pada y  x 3  2x 2  4 pada titik ...
Jawab:
f (x)  y   3x 2  4 x dan f  2  4
Jadi, garis singgung: y  4  4  x  2 atau y  4 x  4
Garis normal: y  4  
 x  2 atau 4y   x  18
4
Contoh5.1.2:
Tentukan persamaan garis singgung yang melalui titik 2, 2 terhadap hiperbola
x  y  16.
2 2
Jawab:
Misalkan titik P  x0 , y0  adalah titik singgung, maka:
1. x02  y02  16 karena P hiperbola
x x
2. 2x  2yy  0  y  dan m  0
y y0
Garis singgung melalui titik 2, 2 dan  x0 , y0  , sehingga
(y0  2)
m
(x0  2)
x0 (y0  2)

y0 (x0  2)
x02  2 x0  y02  2y0
2 x0  2y0  x02  y02
2 x0  2y0  16
x  8  y3
85
3
Subtitusikan ke (1) diperoleh y0  3, x0  5, dan m 
5
Jadi persamaan garis singgung :
5  x  5
y 3 atau 3y  5x  16
3
Catatan (1):
Sudut perpotongan antara dua buah grafik fungsi didefinisikan sebagai sudut antara kedua
garis singgung pada titik potong kedua grafik tersebut. Untuk menentukan sudut
perpotongan antara dua grafik fungsi, langkahnya sebagai berikut.
1. Tentukan titik potong
2. Tentukan koefisien garis singgung m1 dan m2 pada titik potong tersebut
3. Jika .., maka sudut perpotongan   00
1
Jika m1   , maka sudut perpotongan   900
m2
Jika tidak memenuhi syarat di atas maka:
m1  m2
tan  , dengan  adalah sudut lancip
1  m 1m 2
Contoh 5.1.3:
Tentukan sudut perpotongan antara grafik
y 2  4 x dan 2 x 2  12  5y
Jawab:
y2
y2  4 x  x  disubtitusikan ke 2x 2  12  5y
4
Diperoleh y1  2  x1  1 y2  4  x2  4
Jadi titik potongnya adalah P1 1,2 dan P2  4, 4 
2
Untuk y 2  4 x  2yy  4  y  
y
4x
2 x 2  12  5y  4 x  5y   y   
5
2 1 4
Untuk titik P1 1,2  : m1   1, m2   4   
2 5 5
2 1 4 16
Untuk titik P2  4, 4  : m1    , m2  4.  
4 2 5 5
m  m2
Jadi P1 : tan  1  9 atau   83o40
1  m1m2
86
Catatan (2)
Panjang garis singgung adalah panjang potongan garis singgung di hitung dari titik singgung
sampai titik potong dengan sumbu X . Sedangkan panjang proyeksi potongan garis tersebut
pada sumbu X di sebut panjang subgaris singgung (panjang subtangen).
Panjang garis normal adalah panjang potongan garis normal di hitung dari titik potong
dengan garis singgung sampai titik potong dengan sumbu X . Sedangkan panjang proyeksi
garis tersebut pada sumbu X di sebut panjang subgaris normal (panjang subnormal).
Perhatikan Gambar 5.3

Jika m  tan adalah koefisien arah garis singgung
y
Panjang subtangen (St )  TS  0
m
Panjang subnormal (Sn )  SN |my0 |
Panjang garis singgung TP  TS2  SP2
Panjang garis normal NP  SN2  SP2
Gambar 5.3
Contoh 5.1.4:
Tentukan panjang garis singgung, subtangen, garis normal, dan subnormal dari
xy  2x  y  5 pada titik 2,1
Jawab:
y  xy  2 – y  0  y  
 y  2
 x  1
pada titik 2,1 , y  m  3
y 1
panjang subtangen 0  
m 3
panjang subnormal |my0 | 3
87
2
 1 10
panjang garis singgung   1 
 3 3
panjang garis normal (3)2  12  10
B. MAKSIMA DAN MINIMA
Definisi :
Suatu fungsi f  x  dikatakan naik pada titik x  x0 jika untuk h  0 yang cukup kecil, berlaku
f  x0  h  f  x0   f  x0  h
Fungsi f  x  dikatakan turun pada titik x  x0 jika untuk h  0 yang cukup kecil, berlaku
f  x0  h  f  x0   f  x0  h
Catatan (3)
Telah diketahui bahwa turunan pertama pada titik x  x0 menyatakan koefisien arah garis
singgung pada titik x  x0 , maka definisi dapat kita tulis:
f  x  naik pada titik x  x0 jika f   x0   0
f  x  naik pada titik x  x0 jika f   x0   0
Apabila f   x0   0 dikatakan f  x  mempunyai suatu titik krisis pada x  x0 .
Suatu fungsi f   x  dikatakan naik (monoton naik) pada suatu interval jika f   x0   0 untuk
setiap x pada interval tersebut. Dan fungsi f  x  dikatakan turun pada suatu interval jika
f   x0   0 untuk setiap x pada interval tersebut.
Contoh 5.1.5:
Perhatikan Gambar 5.4 berikut.
Gambar 5.4
f  x  naik pada interval a  x  r dan t  x  u , sedangkan f  x  turun pada interval

r  x  t . Titik kritis dari f  x  tersebut adalah titik R, S, dan T di mana garis singgung pada
titik tersebut horizontal.
88
Catatan (4):
Perhatikan Gambar 5.5 berikut:
Gambar 5.5
Busur dari f  x  pada Gambar 5.5 (a) disebut cembung dan busur dari f  x  pada Gambar
5.5 (b) disebut cekung.
Busur dari f  x  disebut cembung apabila ditarik garis singgung pada suatu titik pada busur,
maka semua titik lain pada busur tersebut terletak di atas garis singgung. Busur dari f  x 
disebut cekung apabila semua titik lain pada busur terletak di bawah garis singgung tersebut.
Dapat ditulis juga:
f  x  di sekitar x  x0 adalah cembung jika f   x0   0 , dan f  x  cekung jika f   x0   0 .
Gambar 5.6 Gambar 5.7
Catatan (5):
Apabila pada x  x0 , busur dari f  x  berubah dari cembung ke cekung atau sebaliknya,
dikatakan bahwa f  x  mempunyai titik belok pada x  x0 .
Dapat ditulis:
P  x0 , f  x0   adalah titik belok dari f  x  jika f   x0   0 dan f   x0   0 .
Contoh 5.1.6:
y  3x 4  10 x 3  12x 2  12x  7
89
Penyelesaian:
y  12x 3  30 x 2  24 x  12
y  36 x 2  60 x  24
Untuk mencari titik belok y  0 , sehingga y  36 x 2  60 x  24  0
1
Dari persamaan ini, diperoleh: x   dan x  2
3
Jika:
1
x   maka y      , berarti cembung
3
1
  x  2 maka y      , berarti cekung
3
x  2 maka y      , berarti cembung
1 1 1
x x    x 2 x 2 x 2
3 3 3
y     , cembung y    , cekung y     , cembung
 1 322 
Titik belok adalah   ,   dan 2, 63 karena pada titik tersebut y berubah tanda.
 3 27 
1
(Juga dapat diselediki bahwa y  72x  60  0 untuk x   maupun x  2 )
3
Definisi:
Fungsi f  x  dikatakan mempunyai harga maksimum relatif f  x0  di x  x0 jika ada q  0
yang cukup kecil, sedemikian sehingga f  x   f  x0  untuk setiap x dengan 0 | x  x0 | q .
Fungsi f  x  dikatakan mempunyai harga minimum relatif f  x0  di x  x0 jika ada q  0
yang cukup kecil, sedemikian sehingga f  x   f  x0  untuk setiap x dengan 0 | x  x0 | q .
Titik  x , f  x  yang merupakan titik maksimum/minimum relatif disebut juga titik ekstrem
0
Catatan (6):
Jika f  x  didefenisikan pada suatu interval tertentu dan terdapat x  x0 pada interval
tersebut sedemikian sehingga f  x0   f  x  untuk setiap x pada interval tersebut, maka
f  x  dikatakan mempunyai maksimum mutlak f  x0  pada titik x  x0
f  x  dikatakan mempunyai minimum mutlak bila f  x0   f  x 
90
Gambar 5.8
Titik R adalah titik maksimum relatif dari f  x  , karena jika diambil q  0 cukup kecil
berlaku f  x   f  r  untuk 0 | x  r | q . Titik T adalah titik minimum relatif. Sedangkan S
bukan titik maksimum maupun minimum relatif.
Pada contoh di atas titik R merupakan titik maksimum mutlak pada interval a  x  u . Titik
T bukan titik minimum mutlak pada interval a  x  u karena f a  f t  . Tetapi jika
diambil interval r  x  u maka T merupakan titik minimum mutlak.
Contoh 5.1.7:
f  x   2x2  5x  4 untuk 1  x  2
5
f   x   4 x  5  0  x  merupakan titik kritis dan juga merupakan titik maksimum relatif
4
(ambil q kecil sekali, misalnya 0,001 maka
5   5 5 
f   0,001   f    f   0,001  .
4  4 4 
5
Dapat dilihat dari gambar, titik x  merupakan satu-satunya titik maksimum relatif dan
4
juga merupakan titik maksimum mutlak. Sedangkan titik minimum mutlak diperoleh pada
titik batas interval yaitu pada x  2 dan pada gambar terlihat bahwa nilai minimum relatif
tidak ada.
Latihan
1) Persamaan garis singgung dan garis normal pada y  x 3  2x 2  4 pada titik (2,4)
adalah ....
a. y  x  18
b. y  x  18
c. 4y  x  18
d. 4y  x  18
91
2) Persamaan garis singgung yang melalui titik (2,-2) terhadap hiperbola x 2  y 2  16

adalah ....
a. 3y  5x  16
b. y  x  16
c. y  3  5x  5
d. y  5x  25
3) Sudut perpotongan antara grafik y 2  4 x dan 2 x 2  12  5y adalah ....
a. 800
b. 810
c. 820
d. 830
4) Panjang garis singgung dari xy  2x  y  5 pada titik (2,1) adalah ....
1
a.
3
b. 3
10
c.
3
d. 10
5) Persamaan garis yang menyinggung parabola y 2  2x  4y  1  0 di (-2,1) adalah ....
a. xy 0
b. x  y 1  0
c. x  y 1  0
d. x  y 1  0
6) Persamaan garis singgung di (2,2) pada x 2  2xy  y 2  2x  y  6  0 adalah …
a. yx 0
b. y  2x  0
c. y  2x  0
d. 2y  x  0
7) Persamaan garis yang menyinggung y  x 3  6 x  2 serta sejajar garis y  6x  2 dan
y  6x  12 adalah ....
a. x  y  14
b. x  y  14
c. 6x  y  14
d. x  6y  14
8) Perkalian dari dua bilangan positif adalah 16. Jumlah kedua bilangan tersebut apabila
jumlah bilangan pertama dengan kuadrat bilangan kedua adalah terkecil adalah …
a. 8
b. 9
c. 10
d. 12
92
Ringkasan
Gradian garis untuk persamaan y  mx  c adalah m

a
 gradien garis untuk persamaan ax  by  c , maka m  
b
 gradien garis jika diketahui dua titik, misal  x1 , y1  dan  x2 , y2  maka untuk mencari
gradien garisnya m 
 y2  y1 
 x2  x1 
Gradien dua garis lurus, berlaku ketentuan :

 jika saling sejajar maka m1  m2
1
 jika saling tegak lurus maka m1  m2  1 atau m1  
m2
 Jika terdapat kurva y  f  x  disinggung oleh sebuah garis di titik  x1 , y1  maka
gradien garis singgung tersebut bisa dinyatakan dengan m  f  x1  . Sementara itu
x1 dan y1 memiliki hubungan y1  f  x1  . Sehingga persamaan garis singgungnya bisa
dinyatakan dengan y  y1  m x  x1  .
Jadi intinya jika kita akan mencari persamaan garis singgung suatu kurva jika diketahui
gradiennya m dan menyinggung di titik  x1 , y1  maka kita gunakan persamaan
y  y1  m x  x1 
Sedangkan jika diketahui 2 titik, misalnya  x1 , y1  dan  x2 , y2  maka untuk mencari
persamaan garis singgung dari dua titik tersebut kita dapat gunakan persamaan
y  y1 x  x1

y2  y1 x2  x1
Tes 1
1) Persamaan garis singgung pada kurva y  2 x 2  6 x  7 yang tegak lurus garis

x  2y  13  0 adalah ....
A. y  2x  15  0
B. y  2x  15  0
C. y  x  15  0
D. y  x  15  0
93
2) Garis singgung pada kurva y  x 2  4 x  3 di titik (1, 0) adalah ....

A. y  2x  4
B. y  2x  4
C. y  2x  2
D. y  2x  2
3) Grafik fungsi f  x   x3  a x2  b x  c hanya turun pada interval 1  x  5 . Nilai

a  b adalah ....
A. -11
B. -12
C. -15
D. -21
4) Persamaan garis singgung pada kurva y  x 3  10 di titik yang berordinat 18 adalah..
A. y  4x  8  0
B. y  4x  8  0
C. y  6x  18  0
D. y  6x  18  0
5) Persamaan garis singgung pada kurva y = y  x 4  5x 2  10 di titik yang berkoordinat

6 .…
A. y  x 4 0
B. y  2x  4  0
C. y  4x  4  0
D. y  6x  4  0
94
Topik 2
Menentukan Titik Ekstrim
CARA MENGHITUNG EKSTREM
Untuk menghitung ekstrem dapat dipergunakan suatu cara yang disebut tes turunan
kedua. Langkah-langkahnya sebagai berikut:
1. Hitung titik kritis x  x0 dari persamaan f   x  .
2. Untuk titik kritis x  x0 maka:
f  x  mempunyai nilai maksimum relatif jika f   x0   0
f  x  mempunyai nilai minimum relatif jika f   x0   0
Contoh 5.2.1:
250 250
f  x   x2  , maka f   x   2 x  2
x x
250
Titik kritis diperoleh dari f   x   0 berarti 2 x   0 , diperoleh x  5
x2
500
f  x   2  dan f   5   6  0
x3
Berarti f  x  mempunyai minimum relatif di x  5 sebesar f  5  75 .
Catatan (7):
Apabila tes turunan kedua tidak kita gunakan atau gagal, pilihan lain adalah tes turunan
pertama. Langkahnya sebagai berikut.
1. Hitung titik kritis x0 dari f   x   0
2. Tentukan suatu interval x0  q  x  x0  q dan tentukan tanda dari f   x  pada interval
tersebut.
a. Jika tanda f   x  berubah dari positif menjadi negatif pada x  x0 maka x  x0
maksimum relatif.
b. Jika tanda f   x  berubah dari negatif menjadi positif pada x  x0 maka titik
x  x0 adalah minimum relatif.
c. Jika f   x  tidak berubah tanda, berarti x  x0 bukan maksimum atau minimum
relatif.
Catatan (8):
F  x  mungkin pula mempunyai ekstrem pada x  x0 meskipun f   x0  tidak ada. Titik x  x0
dimana f  x0  tidak ada juga merupakan titik kritis dari fungsi. Nilai x  x0 ini dipergunakan
untuk langkah (2) pada tes turunan pertama di atas.
95
Contoh 5.2.2:
Diberikan f  x   x 4  2x3  3x2  4x  4
Tentukan nilai maksimum dan minimum (dengan tes turunan pertama).
Jawab:
1
f   x   4x3  6x2  6x  4  0 , diperoleh titik kritis x  2,  , 1 .
2
Kita tentukan tanda dari f   x  di sekitar titik kritis.
Jika x  2 maka f   x  negatif   : turun
1
Jika 2  x   maka f   x  positif    : naik
2
1
Jika   x  1 maka f   x  negatif    : turun
2
Jika x  1 maka f  x  positif   : naik .
f  x     f  x      f  x     f  x     
turun naik turun naik
Dari Catatan (5) dapat disimpulkan bahwa x  2 dan x  1 adalah titik minimum dan
1
x   adalah titik maksimum.
2
Contoh 5.2.3:
2
f  x   2  x 3 maka f   x  
2
1
3x 3
96
Pada titik x  0 , f   x  tidak ada, tetapi f  x   2 , maka x  0 adalah titik kritis (Catatan
(5)).
Kalau diselidiki tanda f   x  di sekitar x  0 maka untuk:
x  0, f  x  negatif  : turun dan untuk x  0, f  x  positif   : naik
Jadi, pada titik x  0 , f   x  berubah tanda dari negatif ke positif, berarti x  0 titik
minimum, dengan nilai sebesar f  0  2 .
Contoh 5.2.4:
Tentukan dua buah bilangan yang jumlahnya 16 dan perkaliannya adalah terbesar.
Jawab:
Misalnya bilangan-bilangan itu p dan q ,
Maka p  q  16 dan hasil kalinya y  pq  p16  p terbesar.
dy
Dan tentukan titik kritis  16  2p  0 , diperoleh p  8 .
dp
d 2y
Dengan tes turunan kedua 2  2  0 , maka p  8 adalah titik maksimum.
dp
Jadi bilangan tersebut p  8 dan q  16  8  8 .
Contoh 5.2.5:
Suatu silinder dengan alas lingkaran memiliki volume 64 satuan volume.
Tentukan ukuran silinder tersebut agar luas bahan sekecil mungkin jika:
1. Silinder terbuka di atas,
2. Silinder tertutup di atas dan di bawah.
Jawab:
1. Misalkan r  jari-jari alas dan t  tinggi silinder .
Volume silinder V   r 2  64
Luas bahan yang dipakai L  luas selimut + luas alas  2 t   r 2
Selalu diusahakan supaya L merupakan fungsi dari satu variabel saja, yaitu dengan
64
mengganti t  2 maka diperoleh :
r
2 r 64 128
L  2 rt   r 2    r2    r2
r 2
r
128
Turunan pertama = 0, maka   r2  0
r
4
Diperoleh titik kritis r  3

97
4
Ada baiknya bila kita melakukan tes turunan kedua untuk memastikan bahwa r  3

adalah titik minimum. Tetapi dalam soal-soal aplikasi seperti ini, mudah dirasakan
bahwa benar fungsi L  r  mempunyai minimum. Jadi tes turunan kedua tidak perlu
kita lakukan.
4 64 4
Jadi, r  3 satuan panjang dan t  2  3 satuan panjang atau t  r
 r 
2. Jika silinder tertutup maka
2 r 64 128
L  2 rt   r 2    r2    r2
r 2
r
dL 128
 2  4 r  0
dr r
32
Diperoleh titik kritis r  3

32 64 32
Jadi, r  3 satuan panjang dan t   23 satuan panjang atau t  2r .
 r 2

Contoh 5.2.6:
Tentukan ukuran dari kerucut lingkaran tegak dengan volume minimum yang menyelubungi
suatu bola berjari-jari 8.
Jawab :
Misalkan jari-jari kerucut = r
Jika AD  x , maka tinggi kerucut.
Perhatikan segitiga ADE siku-siku di E, maka AE  x2  64
Segitiga ABC sebangun dengan segitiga AED , berarti:
r x 8 8 x  8
 maka r 
8  x2  64   x2  64 
 r2  x  8
Volume kerucut : V  . Jika r diganti, diperoleh :
3
64  x  8  16  x  8 
3 2
V 
 3x 2  192   x  8 
dV 16  x  8   x  24 
2
  0 diperoleh titik kritis x  8 dan x  24

 x  8
2
dx
Karena x merupakan suatu panjang, maka kita ambil nilai yang positif, ..
Jadi, tinggi kerucut adalah x  8  24  8  32 dan jari-jari alas r  8 2 .
Contoh 5.2.7:
98
Tentukan ukuran dari persegi panjang dengan luas terbesar yang dapat dibuat di dalam
parabola y 2  4 px yang dibatasi oleh garis x  a (lihat gambar)
Jawab:
Misalkan persegi panjang tersebut PBBP
Jadi, ukuran dari persegi panjang tersebut adalah :
4ap y 2 2a
Panjang: 2y  2 dan lebar a  x  a  
3 4p 3
Contoh 5.2.8:
Tentukan tinggi dari silinder lingkaran tegak yang volumenya tersebar yang dibuat di dalam
bola berjari-jari R .
Jawab :
Misalkan : jari-jari alas silinder = r ,
tinggi silinder = 2t .
volume silinder = V  2 r 2t
pada segitiga MPQ , r 2  R2  t 2
Dengan mengganti r 2 diperoleh
V  2  R2  t 2  t
dV R
 2 R2  6 t 2  0, sehingga t 
dt 3
2
2R  R 
Jadi, tinggi silinder adalah: 2t  dan jari-jari: r  R   
3  3
Contoh 5.2.9:
Sebuah karton berbentuk segitiga sama sisi dengan sisi p. dari karton tersebut dibuat sebuah
prisma segitiga tegak tanpa tutup. Tentukan ukuran prisma supaya isinya sebesar mungkin.
Misalkan tinggi prisma = x dan sisi alas = y dapat dilihat dari gambar
99
AP  QP  x cot30o  x 3 , sehingga v  PQ  AB  AP   QB  p  2x 3

Volume prisma = luas alas × tinggi = luas segitiga sama sisi.
    p  2x 3 
2
y2 x 3
V  PQR  tinggi  atau
4 4
p2 x 3
V  3px 2  3px 3 3
4
dV p2 3
  6 px  9 x 2 3  0
dx 4
p 3 p 3
Diperoleh titik kritis x  dan x 
6 18
Di sini kita melakukan tes turunan kedua pada masing-masing titik kritis.
d 2V p 3 d 2V
  6 p  18 x 3 , untuk x  diperoleh  3p (negatif) minimum, sedangkan
dx 2 6 dx 2
p 3 d 2V p 3
untuk x  di peroleh 2
 3p (positif) , maksimum. Jadi, kita ambil x  sebagai
18 dx 18
2p
tinggi prisma dan sisi alas prisma adalah p  2 x 3  .
3
Catatan (9) :
Tanpa melakukan tes turunan kedua kita juga dapat menentukan bahwa yang diminta
p 3 p 3
adalah x  karena jika di ambil tinggi x  maka didapatkan sisi alas prisma
18 6
y  p  2 x 3  0 , jelas bukan prisma yang diminta.
Contoh (5.2.10):
Sebuah kawat panjangnya p di potong menjadi 2 bagian. Bagian pertama menghubungkan
membentuk sebuah bujur sangkar dan bagian lain membentuk sebuah lingkaran.
Tentukan panjang masing-masing bagian, supaya jumlah luas daerah bujur sangkar dan
lingkaran sekecil mungkin.
Jawab :
Misalkan : Sisi bujur sangkar : x
Jari-jari lingkaran : y
X y
Keliling bujur sangkar : K1  4 x
Keliling lingkaran : K2  2 y
Berlaku hubungan : 4 x  2 y  p (panjang kawat) atau x 

 p  2 y 
4
Jumlah luas bujur sangkar dan lingkaran adalah
L  x 2  2 y 2 dan jika x diganti maka:
100
L
 p  2 y    y 2
2
dan
dL

 p  2 y   2 y  0
2
16 dy 4
p 2p
Diperolehkan titik kritis : y  dan x 
2  8  2  8 
8p 2 p
Jadi, K1  4 x  dan K2  2 y 
2  8  2  8 
Contoh 5.2.11:
Sebuah kerucut lingkaran tegak K1 tingginya t dan jari-jari lingkaran alasnya = r . Sebuah
kerucut lain K2 terletak di dalam kerucut pertama dalam keadaan terbalik di mana
puncaknya berimpit dengan pusat lingkaran alas kerucut terbalik di mana puncaknya
berimpit dengan pusat lingkaran alas kerucut pertama. Tentukan ukuran kerucut tersebut
agar volumenya terbesar.
Jawab :
Misalkan tinggi kerucut K2 adalah x dan jari-jari lingkaran
alasnya y . Perhatikan segitiga PQR maka:
RS ST tx y r t  x 
 atau  atau y  dimana
RP PQ t r t
r dan t konstanta.
( y 2 x)  r 2 x(t  x)2
Volume kerucut K2 : v   dan
3 3t 2
dv  r 2 2
 2 t  4tx  3x 2   0 . dari sini diperoleh x  t dan x 
t
dx 3t 3
sebagai titik kritis.
Jelas x  t tak dapat diambil karena berakibat y  0 dan volume = 0 bukan yang terbesar.
t 2r
Jadi, x  merupakan tinggi kerucut K2 dan jari-jarinya adalah y  .
3 3
Contoh 5.2.12:
Tentukan persamaan garis melalui titik 3,4  yang bersama dengan sumbu-sumbu
koordinat di kuadran pertama membentuk segitiga yang luasnya terkecil  0 .
Jawab :
Misalkan garis memotong sumbu X di Aa,0
dan memotong sumbu Y di B 0, b
x y
Persamaan garis tersebut dapat ditulis:  1
a b
Karena melalui  3,4  , maka memenuhi
101
3 4 3b
  1 atau a 
a b b  4
Luas segitiga ABO adalah

 3b 
2
dan
dL 3b  b  8 
 , sehingga diperoleh b  0 dan b  8
2b  4  db 2  b  4 2
Jelas b  0 tidak diambil berarti b  8 .
3b x y
Untuk b  8 , maka a   6 , sehingga persamaan garisnya adalah   1
b  4 6 8
Latihan
1) Diketahui f  x   3  2x  x2 . Nilai maksimum dari fungsi tersebut adalah ....

a. 4
b. 3
c. 2
d. 1
2) Diketahui f  x   x2  2x  3 . Nilai minimum dari fungsi tersebut adalah ....
a. -1
b. -2
c. -3
d. -4
3) Tinggi dari silinder lingkaran tegak yang volumenya terbesar yang dibuat di dalam bola
berjari-jari R adalah ....
R
a.
3
2R
b.
3
R
c.
3
2R
d.
2
4) Ukuran dari kerucut lingkaran tegak dengan volume minimum yang menyelubungi
suatu bola berjari-jari 8 adalah ....
a. tinggi = 8 dan jari – jari = 2
b. tinggi = 32 dan jari – jari = 8 2
c. tinggi = 24 dan jari – jari = 8 2
d. tinggi = 32 dan jari – jari = 8
5) Diberikan f  x   x 4  2x3  3x2  4x  4 nilai maksimum dan minimum (dengan tes
turunan pertama) adalah ....
102
1
a. x  2 dan x  1 titik minimum dan x   titik maksimum
2
1
b. x  2 dan x  1 titik minimum dan x  titik maksimum
2
1
c. x  1 dan x  2 titik minimum dan x   titik maksimum
2
d. x  2 dan x  1 titik minimum dan x  2 titik maksimum
6) Dua buah bilangan yang jumlahnya 16 dan perkaliannya terbesar adalah …
a. 14 dan 2
b. 12 dan 4
c. 8 dan 8
d. 9 dan 7
Ringkasan
Suatu fungsi f dikatakan naik pada suatu selang jika untuk sembarang dua bilangan x1
dan x2 dalam selang tersebut, x1  x2 mengakibatkan f  x1   f  x2  .
Suatu fungsi f dikatakan turun pada suatu selang jika untuk sembarang dua bilangan
x1 dan x2 dalam selang tersebut, x1  x2 mengakibatkan f  x1   f  x2  .
Suatu fungsi dikatakan naik jika bergerak ke kanan, grafik fungsi tersebut bergerak ke
atas, dan turun jika grafik fungsi tersebut bergerak ke bawah. Sebagai contoh, fungsi di
samping naik pada selang  ,a  , konstan pada selang  a, b , dan turun pada selang  b,  
. Seperti yang ditunjukkan Teorema Uji Fungsi Naik dan Turun di bawah ini, turunan positif
akan mengakibatkan suatu fungsi akan naik, turunan negatif akan mengakibatkan fungsi
tersebut turun, dan turunan nol pada seluruh selang akan mengakibatkan fungsi tersebut
konstan pada selang tersebut.
Misalkan f adalah fungsi yang kontinu pada selang tutup a, b dan terdiferensialkan
pada selang buka  a, b .
1. Jika f   x   0 untuk semua x dalam  a, b , maka f naik pada a, b .
2. Jika f   x   0 untuk semua x dalam  a, b , maka f turun pada a, b .
3. Jika f   x   0 untuk semua x dalam  a, b , maka f konstan pada a, b .
Tes 2
1) Tentukan tinggi dari silinder lingkaran tegak yang volumenya tersebar yang dibuat di
dalam bola berjari-jari R ....
A. 2R 5
B. 2R 2
103
C. 5R 5
D. 5R 2
2) Sebuah karton berbentuk segitiga sama sisi dengan sisi p. dari karton tersebut dibuat
sebuah prisma segitiga tegak tanpa tutup. Tentukan ukuran prisma supaya isinya
sebesar mungkin.
A. 2P 2
B. 2P 5
C. 2P 3
D. 2P 4
3) Sebuah kawat panjangnya p di potong menjadi 2 bagian. Bagian pertama

menghubungkan membentuk sebuah bujur sangkar dan bagian lain membentuk
sebuah lingkaran.
Tentukan panjang masing-masing bagian, supaya jumlah luas daerah bujur sangkar dan
lingkaran sekecil mungkin.
8p 2 p
A. Bagian 1  dan bagian 2 
 2  8   2  8 
8p 2 p
B. Bagian 1  dan bagian 2 
 2  8   2  8 
4p p
C. Bagian 1  dan bagian 2 
 2  8   2  8 
4p p
D. Bagian 1  dan bagian 2 
 2  8   2  8 
4) Sebuah kerucut lingkaran tegak K1 tingginya t dan jari-jari lingkaran alasnya = r .

Sebuah kerucut lain K2 terletak di dalam kerucut pertama dalam keadaan terbalik di
mana puncaknya berimpit dengan pusat lingkaran alas kerucut terbalik di mana
puncaknya berimpit dengan pusat lingkaran alas kerucut pertama. Tentukan ukuran
kerucut tersebut agar volumenya terbesar.
104
t
A. Tinggi  dan jari-jari  2r
3
2r
B. Tinggi  t dan jari-jari 
3
t 3r
C. Tinggi  dan jari-jari 
3 2
t 2r
D. Tinggi  dan jari-jari 
3 3
5) Tentukan persamaan garis melalui titik (3,4) yang bersama dengan sumbu-sumbu
koordinat di kuadran pertama membentuk segitiga yang luasnya terkecil ≠ 0.
x y
A.  0
a b
x y
B.  0
a b
x y
C.  1
a b
x y
D.  1
a b
105
Kunci Jawaban Tes
Tes 1
1) B
2) C
3) D
4) D
5) A
Tes 2
1) A
2) C
3) A
4) D
5) C
106
Daftar Pustaka
http://id.wikipedia.org/wiki/Turunan
Hw, Slamet. 2000. Kalkulus. Surakarta : Muhammadiyah University Press.
Razali, Muhammad, dkk. 2010. Kalkulus Diferensial. Bogor: Ghalia Indonesia.
107
BAB VI
INTEGRAL
PENDAHULUAN
Gottifried Wilhelm von Leibniz (1649) adalah seorang ilmuwan, filsuf matematikawan,
diplomat, pustakawan, dan pengacara berkebangsaan Jerman keturunan Sorb. Leibniz dan
Newton, sama-sama diberi penghargaan atas perannya dalam mengembangkan kalkulus
modern, khususnya dalam pengembangan integral. Menurut catatannya, terobosan sangat
penting terjadi pada 11 November 1675 ketika ia mendemonstrasikan kalkulus integral
pertama kalinya untuk menghitung luas daerah di bawah fungsi y  x . Ia memperkenalkan
beberapa notasi dalam kalkulus yang tetap digunakan sampai sekarang, sebagai contoh
simbol integral  merupakan modifikasi dari huruf diambil dari kata Latin Summa dan
penggunaan huruf d untuk diferensial (turunan) dari kata Latin differentia.
Dalam bab ini, Anda akan mempelajari integral yang di dalamnya menyangkut tentang
merancang aturan integral tak tentu dari aturan turunan. Menghitung integral tak tentu
fungsi aljabar. Menjelaskan integral tentu sebagai luas daerah di bidang datar. Menghitung
integral dengan rumus integral subtitusi, menghitung integral dengan rumus integral parsial.
Pada bab ini terdiri dari 3 topik. Topik 1, memuat tentang integral tak tentu mulai dari
konsep yang merupakan invers atau kebalikan dari pendeferensialan, yaitu anti turunandari
suatu fungsi. Dibahas pula secara detail mengenai rumus-rumus integral tak tentu.
Topik 2, memuat tentang integral tentu yang merupakan suatu konsep yang
berhubungan dengan proses perhitungan luas suatu daerah di bawah suatu kurva yang
batas-batas dari daerah tersebut diketahui. Dijelaskan pula mengenai sifat-sifat integral tak
tentu dalam penyelesaiannya.
Topik 3, kita akan membahas tentang integral parsial dan penggunaan integral.
Memuat penggunaan integral khususnya volume dan luas benda putar yang dibatasi Dua
kurva yang diputar mengelilingi sumbu x .
Setelah Anda mempelajari modul ini diharapkan Anda memahami konsep Integral,
secara sistematis Anda diharapkan mampu:
1. Menjelaskan konsep integral tak tentu
2. Menjelaskan konsep integral tentu
3. Menghitung integral tak tentu dan integral tentu dari fungsi aljabar sederhana
4. Menjelaskan konsep integral parsial dan penggunaannya
108
5. Menjelaskan dan mengerti penggunaan integral khususnya luas dan volume benda
putar
6. Menjelaskan dan menggunakan integral luas dan volume benda putar yang dibatasi
Dua Kurva yang diputar mengelilingi sumbu x .
109
Topik 1
Integral Tak Tentu
PENGERTIAN INTEGRAL TAK TENTU
Integral adalah kebalikan dari proses diferensiasi. Integral ditemukan menyusul

ditemukannya masalah dalam diferensiasi di mana matematikawan harus berpikir
bagaimana menyelesaikan masalah yang berkebalikan dengan solusi diferensiasi. Lambang
integral adalah  .
Integral Tak tentu adalah suatu bentuk anti turunan dari suatu fungsi yang dapat
diturunkan pada selang tertentu. Pada pembahasan Integral tak Tentu akan diperkenalkan
sebagai kebalikan operasi pendeferensial, yakni sebagai bentuk paling umum dari “anti
turunan”.
Jika F  x  adalah sebuah fungsi dengan F   x   f  x  dapat dikatakan bahwa
1. turunan F  x  adalah f  x  dan
2. antiturunan dari f  x  adalah F  x 
Proses menentukan anti turunan dari suatu fungsi f dinamakan integral tak tentu, ditulis
dengan lambang :
 f  x  dx  F  x   c
Perhatikan bagan berikut
Deferensial (turunan) Integral (anti turunan)
Dx  x   1 F  x   Fx 1  x
Dx  x 2  1  2x F (x)  Fx (2 x)  x 2  1
Dx  x 3  1  3x 2 F (x)  Fx (3x 2 )  x 3  c
. .
Dx  x n  c   nx n1 F  x   Fx  nx n1   x n  c
x n11
Dapat dilihat bahwa Fx  nx n1   x n  c  n c
n 1 1
Jadi,
x n1
Fx  x n    c , n  1
n 1
110
Oleh Leibnitz ditulis dengan simbol

x n1
 x ndx   c , n  1
n 1
B. RUMUS INTEGRAL TAK TENTU
1. Jika F  x  adalah fungsi dengan F   x  maka  f  x  dx  F  x   c ; dengan c

sembarang konstanta
Contoh 6.1.1:
Tentukan nilai  4 x 3  2x 2dx
Jawab :
4 3 1 2 21
 4x  2 x 2dx  x  x c
3
31 21
4 2
 x4  x3  c
4 3
2
 x4  x3  c
3
Jadi, dengan menggunakan aturan tersebut, kita tidak perlu mengetahui terlebih
dahulu fungsi awalnya, tetapi cukup diketahui fungsi turunannya. Dengan demikian
jika
2
F   x   4 x 3  2 x 2 , maka F  x   x 4  x 3  c
3
2. Untuk n bilangan rasional dengan n  1 , dan a, c adalah bilangan real maka berlaku
aturan:
1 n 1
 x dx  n  1 x  C
n
a.
a n 1
 ax dx  n  1 x  C
n
b.
Contoh 6.1.2 :
Hitunglah integral berikut
 4x dx  x 3 dx
3
a. c.
1 1
b.  x dx
2
d.  x3
dx
Jawab:
4
 4 x dx  3  1 x
3 1
3
 C  x4  C
111
1 1 1
 x dx   x
2
b. dx  x 21  C   x 1  C    C
2
2  1 x
1 1 2
 x 3 dx   x 2 dx 
3 3 1 5
c. x2  x2  x x  c
3 5 5
1
2 2
1 1 1 21 2
 dx   x 2 dx 
3  3 1
d. x 2  x  c
x 3 3 1 2
 1 
2 2
3. Jika f  x  dan g  x  merupakan dua fungsi yang dapat diintegralkan dan c , k bilangan
real, maka:
a.  dx  x  c
b.  k dx  kx  c
x n 1
 x dx  c
n
c.
n 1
d.  k f  x  dx  k  f  x  dx
e.   f  x   g  x  dx   f  x  dx   g  x  dx
f.   f  x   g  x  dx   f  x  dx   g  x  dx
Contoh 6.1.3:
Tentukan hasil dari
 2  4 x dx
3
a.
  x  1 dx
2
b.
 x 3  2x 
c.   x  dx
Jawab:
 2x x 3 dx   2 x 4 x 2 dx  2 2 x 4 x 2 dx  2 2 x dx  2 x 2 dx
4 3 3 4  23 11
a.
 
 1 11
1 
 2 x 2  c
11
 1 
2 
 
 1 132 
 2  x  c
13
 
2 
4 13
 x2 c
13
112
  x  1 dx   x
2
b. 2
 2 x  1 dx
1 2 1 2 1 1
 x  x xc
21 11
1
 x3  x2  x  c
3
 
 
 x 3  2x   x 3 2x 
  x  dx    x  x 
 
c.  

  x 3  x 2  2x  x
1  12
 dx
 x 
5 1
2
 2 x 2 dx
1 5 1 2 1 1
 x2  x2  c
5 1
1 1
2 2
1 7 2 3
 x2  x2  c
7 3
2 2
2 27 4 23
 x  x c
7 3
2 3 4
 x x  x x c
7 3
4. Misalkan f1  x  , f2  x  ,..., fn  x  adalah fungsi yang dapat diintegralkan. Integral tak
tentu hasil penjumlahan dua fungsi atau lebih sama dengan integral tak tentu dari
masing-masing fungsi, yaitu:
  f  x    f  x     f  x  dx
1 2 n
  f  x  dx   f  x  dx     f  x  dx
1 2 n
Contoh 6.1.4:
 3x  2x2  1 dx
6
Tentukan nilai dari
Jawab:
  3x  2 x 2  1  dx  3 3x dx   2 x 2dx   1 dx
6
6
3 2
 x7  x3  x  c
7 3
Contoh 6.1.5:
113
Carilah nilai f  x  jika f   x   x3  4x2  3 dan f  0  1

Jawab:
f   x   x 3  4 x 2  3 maka f  x    x 3  4 x2  3 dx
1 4
f  x    x 3  4 x 2  3 dx  f  x   x 4  x 3  3x  c
4 3
Karena f  0   1  f  x   0  0  0  c  1, berarti c  1,
1 4 1 4
sehingga f  x   x 4  x 3  3x  c  x 4  x 3  3x  1
4 3 4 3
Latihan
Tentukan hasil dari integral berikut:

1) Tentukan integral dari  4x 3dx
a. x4
b. x3
c. x2
d. 12x2
2) Jika diketahui tentukan integralnya !
a. 4 x2  9x  5  C
2 3 9 2
b. x  x  5x  C
3 2
1 2
c. x  9 x  10  C
3
d. 4 x3  9x2  5x  10  C
1
3) Jika diketahui  dx maka integralnya adalah…
 2 x  1
3
1
a. C
4  2 x  1
2
1
b. C
4 2x  1
2
1
c. C
2  4 x  1
2
1
d. C
2  2 x  1
2
1
4) Integral dari  adalah …
 3x  2 
3 5
114
2
a. C
2  3x  2  3
2
2
b. C
2  x  2  3
2
1
c. C
2  3x  2  3
1
1
d. C
2  3x  2  3
2
5) Hasil dari  8 x 3  3x 2  x  5 dx adalah …

1
a. 2 x 4  x 3  x 2  5x  C
2
1
b. 2x 3  x2  x  5  C
2
c. x  x  x2  5x  Cs
4 3
d. 2x 4  x3  4 x2  5x  C
Ringkasan
Integral Tak tentu adalah suatu bentuk anti turunan dari suatu fungsi yang dapat
diturunkan pada selang tertentu. Integral tak Tentu akan diperkenalkan sebagai kebalikan
operasi pendeferensial, yakni sebagai bentuk paling umum dari “anti turunan”.
Jika F  x  adalah sebuah fungsi dengan F   x   f  x  dapat dikatakan bahwa
1. turunan F  x  adalah f  x  dan
2. antiturunan dari f  x  adalah F  x 
Jika F  x  adalah fungsi dengan F   x  maka  f  x  dx  F  x   c ; dengan c sembarang

konstanta.
Selanjutnya Untuk n bilangan rasional dengan n  1 , dan a , adalah bilangan real
maka berlaku aturan:
1 n 1
 x dx  n  1 x  c
n
1.
a n 1
 ax dx  n  1 x  c
n
2.
Tes 1
1) Jika diketahui maka nilai integralnya adalah ....
115
2
1
A. 2 x  x     5x  c
4 3
2
2
1
B. 2x  2x     10 x  c
4 3
2
2
1
C. 2 x  2 x     5x  c
4 3
2
2
1
D. 2x  2x     10 x  c
4 3
2
2) Jika diketahui  2x  1 x  5 dx , maka nilai integralnya adalah ....

2 3
A. x  9 x 2  15 x  c
3
2 3
B. x  9 x 2  15x  c
3
2 3 9 2
C. x  x  15x  c
3 2
2 3 9 2
D. x  x  15x  c
3 2
1
3) Jika diketahui   2 x  1 3
dx , maka nilai integralnya adalah ....
1
A. c
4  2 x  1
2
1
B. c
4 2x  1
2
1
C. c
2  x  1
2
1
D. c
2  x  1
2
  5x  1 
10
4) Jika diketahui dx maka nilai integralnya adalah ....
1
 5x  1  c
11
A.
55
1
 5x  1  c
11
B.
55
 5x  1  c
11
C.
 5x  1   c
11
D.
116
1
5) Jika diketahui  dx ,maka nilai ntegralnya adalah
 3x  2 
3 5
1
2 c
A.
2  3x  2  3
1
2 c
B.
2  x  2 3
1
2 c
C.
2  x  2  3
1
2 c
D.
2  3x  2 3
117
Topik 2
Integral Tentu
A. PENGERTIAN INTEGRAL TENTU
Pada Topik 2, telah diperkenalkan integral tak tentu dimana batas integral tak di
tentukan. Pada bab ini akan diperkenalkan integral tentu sebagai limit jumlah
reiman,sebagai generalisasi dari proses perhitungan luas daerah tertutup pada bidang
datar,volume benda dan luas permukaan benda putar.
Jika fungsi f kontinu a, b dan fungsi F adalah suatu anti turunan f pada a, b , maka
b
 f  x  dx  F  b  F a 
a
Selanjutnya ditulis F  b   F  a   F  x   a

b
Contoh 6.2.1:
3
Selesaikan   x  4  dx
1
Penyelesaian :
3
 x2 4
  x  4  dx  
1 2
 4x 
 1
 32    1
2

   4  3     4  1  
 2   2 

 33 7 
  
 2 2
40
  20
2
B. SIFAT-SIFATINTEGRAL TENTU
1. Integral tentu sebagai operator linear,yaitu bersifat :

Misal f dan g terintegralkan pada a, b dan k suatu konstanta, maka kf dan f  g
terintegralkan dengan,
b b
a.  k f  x  dx  k  f  x  dx
a a
b b b
b.   f  x   g  x  dx   f  x  dx   g  x  dx
a a a
118
b b
c.  f  x  dx   f  x  dx , a  b
a a
Contoh 6.2.2:
3
Selesaikan  6x 2dx
2
Penyelesaian:
3
3 3
 x3 
2 6 x dx  62 x dx  6  3 
2 2
 2 33  2    38
3
 
2. Sifat penambahan selang

Jika f terintegralkan pada suatu selang tertutup yang mengandung tiga titik
a, b, dan c , maka
c b c
 f  x  dx   f  x  dx   f  x  dx a , b  a , c 
a a b
Tidak tergantung dari urutan a, b, dan c.
Contoh 6.2.3:
4
Hitunglah | x  2| dx
3
Jawab:
Jika f  x   | x  2| berubah nilainya pada titik x  0 , sehingga harus diselesaikan
sebagai berikut,
 x  2, jika x  2
f  x  | x  2|= 
 x  2, jika x  2
4 2 4
| x  2| dx  | x  2| dx  | x  2| dx
3 3 2
2 4
    x  2 dx    x  2 dx
3 2
2 4
 1  1  37
   x 2  2x    x 2  2x  
 2  3  2  2 2
119
3. Sifat Simetri
a. Jika f fungsi genap f  x   f  x  , maka
a a
 f  x  dx  2 f  x  dx
a 0
b. Jika fungsi ganjil f  x    f  x  , maka

a
 f  x  dx  0
a
Contoh 6.2.4:

x
Selesaikan

 cos  4  dx
Jawab:
Sebelum kita menyelesaikan hasil pengintegralan di atas, maka di tentukan terlebih
dulu apakah fungsi tersebut ganjil atau genap
x  x x
f  x   cos    f   x   cos     cos  
4  4 4
x
Karena f  x   f  x  , maka f  x   cos   adalah fungsi genap, sehingga,
4
 
x x
 cos  4  dx  20 cos  4  dx

x x
 8  cos   d 
0 4 4

  x 
 8 sin   
  4 0
   
 8 sin    sin0 
 4 
4 2
Contoh 6.2.5:
3
 x3 
Selesaikan   2  dx
3 
x  2 
Jawab:
Sebelum kita menyelesaikan hasil pengintegralan di atas, maka di tentukan dahulu
apakah fungsi tersebut ganjil atau genap.
120
 x 
3
x3 x3
f x  2 dan f   x      f x
x 2  x   2 x2  2
2
x3
Karena f  x    f  x  , maka f  x   adalah fungsi ganjil, sehingga
x2  2
3
 x3 
  x2  2  dx  0
3 
Latihan
3
  3x  2x  2  dx  40 Nilai
1
1) Hasil dari 2
p
p
2
a. 2
b. 1
c. 1
d. 2
2) Hasil dari  cos5 x dx  
1
a.  cos6 x sin x  C
6
1
b. cos 6 x sin x  C
6
2 1
c. sin x  sin3 x  sin5 x  C
3 5
2 3 1 5
d. sin x  sin x  sin x  C
3 5
  3  2x  dx  
2
3) Hasil dari
1
3  2x   C
3
a. 
2
1
 3  2x   C
3
b.
2
1
 3  2x   C
3
c.
6
1
3  2x   C
3
d.
6
3
x  x  3 dx  
2
4) Hasil dari
0
2
a.
27
27
b.
2
121
14
c.
27
22
d.
14
3
  x  6 x  8  dx  
2
5) Hasil dari
2
2
a.
3
3
b.
2
4
c.
3
3
d.
4
Ringkasan
Pada bab ini telah dijelaskan tentang integral yang meliputi integral tak tentu, integral
tentu serta penggunaan integral dalam kehidupan sehari-hari. Pembaca diharapkan mampu
memahami apa yang termuat dalam modul, baik itu konsep sampai dengan penggunaan
rumus serta penggunaannya dalam kehidupan sehari-hari.
Konsep integral ini merupakan konsep yang mendasar dan sangat diperlukan dalam
penyelesaian soal soal integral,pemecahan masalah yang berkaitan dengan integral. Sering
kali integral muncul dalam masalah kehidupan sehari-hari, dalam menentukan luas benda
putar dan volume benda putar.
Tes 2
3
  3x  2 x  1  dx ....
2
1) Hitunglah nilai dari
2
A. 30
B. 31
C. 32
D. 33
  4 x  6 x  dx ....
4
2) Hitunglah nilai dari

1
A. 20
B. 24
C. 28
D. 32
122
 2
3) Hitunglah nilai dari  sin x dx ....
0
A. 4
B. 2
C. ½
D. ¼
 4
4) Tentukan nilai dari  cos2x dx
0
....
A. 4
B. 6
C. 8
D. 10
e
x 2
5) Tentukan nilai dari dx ....
2
A. 1
B. 2
C. 3
D. 4
123
Topik 3
Integral Parsial dan Penggunaan Integral
A. INTEGRAL PARSIAL
Metode ini didasarkan pada integrasi dari rumus untuk turunan dari hasilkali
dua fungsi, misalkan u  f  x  dan v  g  x  , maka
Dx  f  x  g  x   f  x  Dx g  x   g  x  Dx  f  x 
Atau
f  x  Dx g  x   Dx  f  x  g  x   g  x  Dx  f  x  a
Dengan mengintegrasikan kedua ruas persamaan tersebut diperoleh
 f  x  Dx g  x  dx  f  x g  x    g  x Dx  f  x 
Karena
dv  Dx g  x  dan du  Dx  f  x  , maka persamaan menjadi
 u dv  uv   v du
Contoh 6.3.1:
Hitung 16  x  3 cos 2x    dx
Jawab:
Beberapa cara biasa digunakan untuk menyelesaikan soal integral parsial, dua diantaranya
akan ditunjukkan di sini.
Cara Pertama
Langkah pertama, tentukan dulu mana u dan mana dv , kemudian kita misalkan
 x  3  u (1)
cos 2x    dx  dv (2)
Langkah pertama selesai, kita lihat lagi rumus dasar integral parsial, yaitu:
 u dv  uv   v du
Terlihat di situ kita perlu u , perlu v dan perlu du . u nya sudah ada, tinggal mencari du dan
v nya. Dari persamaan (1), untuk menentukan du , caranya turunkan u nya,
du
u   x  3   1  du  dx
dx
124
Dari persamaan (2), untuk menentukan v ,

dv
dv  cos  2 x    dx atau  cos  2 x   
dx
dv
artinya turunan dari v adalah cos 2x    , untuk mendapatkan v , berarti kita harus
dx
integralkan cos cos 2x    jika lupa, silahkan lihat lagi cara integral pada fungsi
trigonometri,
1
v   cos  2 x    dx  sin  2 x     c
2
Kita rangkum lagi :
1
u   x  3  ; v  sin  2 x    ; du  dx
2
Saatnya kembali ke rumus dasar, masukkan nilai-nilai yang sudah dicari tadi:
16  x  3 cos 2x    dx
Simpan dulu 16 nya, terakhir nanti hasilnya baru di kali 16
  x  3 cos 2x    dx
 uv   v du
1 1
  x  3 sin  2 x      sin  2 x    du
2 2
1 1
  x  3 sin  2 x      sin  2 x    dx
2 2
  x  3 sin  2 x     cos  2 x   
1 1
2 2
1 1
  x  3 sin  2 x     cos  2 x   
2 4
sekarang kalikan dengan 16, dan tambahkan dengan C nya, sehingga diperoleh:
1 1 
 16   x  3 sin  2 x     cos  2 x    
2 4 
1 1 
 16   x  3 sin  2 x     cos  2 x      C
2 4 
 8  x  3 sin  2 x     4cos 2 x     C
Cara Kedua
16  x  3 cos 2x    dx.  ..........
Langkah Pertama
Buat tabel dua kolom terlebih dahulu seperti berikut
125
Tempatkan x  3 di kolom sebelah kiri dan turunkan berturut-turut sampai dapat NOL.
Sementara cos 2x    di sebelahnya integralkan berturut-turut hingga terakhir sejajar
dengan angka nol sebelah kiri.
Kolom pertama
x  3 jika diturunkan hasilnya adalah 1, jika diturunkan hasilnya adalah 0.
Kolom kedua
1 1
cos 2x    jika diintegralkan hasilnya adalah sin  2 x    , kemudian sin  2 x   
2 2
1
diintegralkan, hasilnya adalah:  cos  2 x   
4
Langkah ketiga
Kalikan baris pertama kolom 1 dengan baris kedua kolom dua, dan
baris kedua kolom 1 dengan baris ketiga kolom 2,lebih mudahnya ikuti tanda panah yang
diberikan gambar di atas, jangan lupa sertakan tanda plus atau minusnya.
Sehingga menghasilkan:
 1   1 
16  x  3  sin  2 x      1    cos  2 x       C
 2   4 
= 8 x  3 sin2x     4cos 2x     C 8 x  3 sin2x     4cos 2x     C
Hasilnya sama dengan cara yang pertama, untuk soal-soal berikutnya akan dipakai cara
kedua saja.
126
B. PENGGUNAAN INTEGRAL
1. Luas Daerah Bidang Rata

a. Luas Daerah di atas Sumbu x
Jika y  f  x   0 , maka luas daerah yang dibatasi oleh kurva y  f  x  , garis x  a dan
x  b serta sumbu x dapat ditentukan dengan rumus:
b
L   f  x  dx
a
b. Luas Daerah di bawah Sumbu x
Jika y  f  x   0 (kurva di bawah sumbu x ), maka luas daerah yang dibatasi oleh
kurva y  f  x  , garis x  a dan x  b serta sumbu x dapat ditentukan dengan rumus:
b
L    f  x  dx
a
127
c. Luas Daerah Antara Dua Kurva di Atas Sumbu x
Luas daerah yang dibatasi oleh kurva y  f  x  dan y  g  x  dimana f  x   g  x 

dalam interval x  a dan x  b dapat ditentukan dengan rumus :
b
L    f  x   g  x  dx
a
d. Luas Daerah Antara Dua Kurva di Bawah Sumbu x
Rumus :
b
L    f  x   g  x  dx
a
Contoh 6.3.2:
Luas daerah yang dibatasi oleh kurva y  x  2 , garis x  0 dan x  2 serta sumbu x
adalah ....
128
Jawab:
Cara Pertama :
2
L   x  2 dx
0
1 2
 x2
2 0
1 2 
  2   2 2   0
2 
24
 6 satuan luas
Cara Kedua
Karena gambarnya berbentuk trapesium, maka kita dapat juga menggunakan rumus
luas trapesium.
tinggi trapesium = 2
sisi sejajar 1 = 2
sisi sejajar 2 = 4
maka:
1 1
L   2  4   2   6  2  6 satuan luas
2 2
Luas daerah yang dibatasi kurva y  x 2  3x  4 dan garis y  x  4 adalah ....
Jawab :
Cara Biasa
x 2  3x  4   x  4
x 2  3x  x  4  4  0
x2  4 x  0
x  x  4  0
x  0 x  4
129
a
L    f  x   g  x   dx
b
0
   x 2  4 x  dx
4
1 0
 x 3  2x 2
3 4
1 2
 0    4   2  4  
3
3 
 64 
 0     32 
 3 
 64  96 
0 
 3
32
 kurva berada dibawah sumbu x
3
32

3
Cara Praktis :
D D
Gunakan rumus: L 
6a2
x 2  3x  x  4  4  0
x2  4 x  0
Dari persamaan ini, diperoleh
a  1, b  4, dan c  0
D  b2  4ac
 42  4 1  0 
 16  0
 16
D D
dari rumus L  , diperoleh
6a2
16 16 64 32
L  
6 1
2
6 3
C. VOLUME BENDA PUTAR
Metode yang dapat kita gunakan untuk menghitung volume benda putar
menggunakan integral ada 2, yaitu :
130
1. Metode Cakram
Berdasarkan rumus Volume = Luas Alas × tinggi
Luas Alas di sini selalu berupa lingkaran maka Luas Alas =  r 2 (dimana r adalah jari-jari
putaran), digunakan jika batang potongan yang dipilih tegak lurus dengan sumbu putar
131
2. Metode Cincin Silinder

Menurut pengertian bahwa jika suatu luasan diputar terhadap sumbu tertentu, akan
terbentuk suatu benda putar dengan volume sebesar luasan tersebut dikalikan dengan
keliling putaran. Dikarenakan keliling lingkaran = 2 r , jika luas bidang yang diputar = A ,
maka volume = 2 r  A . digunakan jika batang potongan sejajar dengan sumbu putar
Contoh 6.3.3:
1. Carilah volume benda putar yang terbentuk dari daerah yang dibatasi oleh kurva
y  x 2 , sumbu x, dan 0  x  2 jika diputar terhadap sumbu x?
Jawab:
Menggunakan metode cakram
132
2
Vx    y 2dx
0
2
     x 2  dx
2
0
2
   x 4 dx
0
1  2
   x5 
5 0
 1   1  
   25    0 5  
 5   5  
32 32
   0   satuan volume
5 5
Menggunakan metode cincin silinder
y  x2  x   y
Karena daerah yang diarsir ada di sebelah kanan sumbu x, maka dipilih x  y
4
Vx  2  y  2  x  dy
0
 
4
 2  y 2  y dy
0
 
4
 2  2y  y 2 dy
3
 2 5 4
 2  y 2  y 2 
 5 0
 2 5  2 5 
 2  42   4 2    02   0 2  
 5   5 
 64 
 2  16   0  0 
 5 
 80 64  16 32
 2     2    satuan volume
 5 5  5 5
133
2. Carilah volume benda putar yang terjadi bila daerah yang dibatasi oleh kurva y  x 2
dan garis y  2x diputar mengelilingi sumbu y?
Penyelesaian:
Perpotongan kurva dan garis: x2  2x

x2  2x  0
x  x  2  0
x  0 atau x  2
x  0  y  02  0
x  2  y  22  4
Jadi titik potong kurva dan garis adalah  0,0 dan 2,4 
Menggunakan Metode cakram:
y  x2  x   y
Karena daerah yang diarsir ada di sebelah kanan sumbu x, maka dipilih x  y
(separuh kurva sebelah kanan).
1
y  2x  x  y
2
134
4
Vy     x12  x22  dy
0
 2

 y
4
2 1 
   y  dy
0
 2  
4
 1 
    y  y 2  dy
0
4 
1 1 4
   y2  y3 
2 12  0
 1 1  1 1 
    4 2   4 3     02   0 3  
 2 12  2 12 
 16 64 
    0  0
 2 12 
 16   24 16  8
   8          satuan volume
 3  3 3 3
Menggunakan metode cincin silinder:
2
Vy  2  x  y1  y2  dx
0
2
 2  x  2 x  x 2  dx
0
135
2
 2   2 x 2  x 3  dx
0
2 1 2
 2  x 3  x 4 
3 4 0
 2 1  2 1 
 2  23   24     03   04  
 3 4  3 4 
 16 
 2   4  0  0 
 3 
 16 12  8
 2      satuan volume
 3 3 3
Latihan
1) Tentukan hasil dar i   x  2 sin x    dx

2) Tentukan hasil dari  x 2 cos x dx
3) Hitunglah luas daerah yang dibatasi oleh kurva y  x 2  2 dan y  2x 2  x  4
4) Gambarlah daerah R yang dibatasi oleh kurva-kurva y  x  6, y  x 3 dan 2y  x  0 ,
kemudian hitunglah luasnya.
5) Hitunglah volume benda putar yang terjadi oleh daerah yang dibatasi kurva y  x 2
dan y  6 x  x 2 jika diputar mengelilingi garis x  4 ?
Ringkasan
Pada bab ini telah dijelaskan tentang integral yang meliputi integral tak tentu, integral
tentu serta penggunaan integral dalam kehidupan sehari-hari. Pembaca diharapkan mampu
memahami apa yang termuat dalam modul, baik itu konsep sampai dengan penggunaan
rumus serta penggunaannya dalam kehidupan sehari-hari.
Konsep integral ini merupakan konsep yang mendasar dan sangat diperlukan dalam
penyelesaian soal soal integral,pemecahan masalah yang berkaitan dengan integral. Sering
kali integral muncul dalam masalah kehidupan sehari-hari, dalam menetukan luas benda
putar dan volume benda putar.
136
Tes 3
1) Luas daaerah yang dibatasi kurva y  x 2 dan garis x  y  6 adalah..

A. 20 65 satuan luas
B. 22 satuan luas
C. 24 65 satuan luas
D. 26 satuan luas
Jika f  x    x  2  4 dan g  x    f  x  , luas daerah yang dibatasi oleh kurva f dan g

2
2)
dalam satuan luas adalah ....
A. 19 satuan luas
B. 23 satuan luas
20 13 satuan luas
C.
21 13 satuan luas
D.
3) Luas daerah D yang dibatasi oleh parabola y  x 2 kuadran I, garis x  y  2 dan garis
y  4 adalah ....
A. 12 satuan luas
B. 9 satuan luas
C. 6 satuan luas
D. 3 satuan luas
4) Volume benda putar yang terbentuk dari daerah yang di kuadran I yang dibatasi oleh
kurva x  2 2y 2 , sumbu Y , dan lingkaran x 2  y 2  9 diputar mengelilingi sumbu Y
adalah ....
164
A. satuan volume
15
64
B. satuan volume
15
328
C. satuan volume
15

D. satuan volume
15
137
5) Perhatikan gambar diarsir di bawah ini!
Jika daerah yang diarsir diputar mengelilingi sumbu Y, volume benda putar yang
terjadi adalah…
A. 6 satuan volume
2
B. 6 satuan volume
5
2
C. satuan volume
5
5
D. satuan volume
2
138
Kunci Jawaban Tes
Tes 1
1) A
2) C
3) B
4) B
5) C
Tes 2
1) D
2) B
3) C
4) C
5) B
Tes 3
1) A
2) D
3) D
4) D
5) B
139
Daftar Pustaka
http://kamikita.student.fkip.uns.ac.id/
http://www.matematikastudycenter.com/bank-soal-un-mtk-sma/20-bank-soal-un-sma-
integral-volume-benda-putar#ixzz23PemQAog
Anonim. Integral. http://personal.fmipa.itb.ac.id/hgunawan/files/2008/08/fr-bab-14-

riemann.pdf
Anonim. Notasi Sigma.http://ns1.cic.ac.id/~ebook/ebook/adm/myebook/0004.pdf
Ayres, Jr. Frank ; 1964 ; Differential and Integral Calculus ; New York ; Schaum’s Outline
Series Mc Graw-Hill Book Company
Ayres, Jr. Frank, Lea Prasetio; 1985; Teori dan Soal-soal Diferensial dan Integral Kalkulus;
Jakarta: Penerbit Erlangga.
Dale Varberg, Edwin J.Purcell, I Nyoman Susila ; 2001; Kalkulus jilid 1; Batam: Penerbit
Interaksar.
140
BAB VII
STATISTIKA DESKRIPTIF
Rudy Hartono
PENDAHULUAN
Selamat Anda telah belajar tentang matematika, semoga makin memudahkan anda
mempelajari materi tentang statistik ini. Materi ini adalah tentang statistik. Modul ini
mempelajari tentang statistik deskriptif yaitu statistik yang menyederhanakan data sehingga
lebih mudah untuk memahami data tersebut. Untuk memudahkan dalam mempelajari
statistika, maka perlu diberikan pengantar statistika yang membahas tentang pemahaman
istilah-istilah dalam statistika, klasifikasi dan lain-lain.
Setelah mempelajari modul ini mahasiswa akan dapat :
1. Menjelaskan definisi statistik
2. Membedakan statistik deskriptif dan statistik inferensial
3. Membedakan antara populasi, sampel dan sampling
4. Menyebutkan dan memberikan contoh tentang data dan jenis-jenis data
5. Membedakan skala pengukuran data.
141
Topik 1
Konsep Dasar Statistik
A. DEFINISI STATISTIKA, STATISTIK DAN PARAMETER
Statistika menurut definisinya adalah ilmu pengetahuan yang membahas tentang cara-
cara pengumpulan data, penyajian data, pengolahan data dan penarikan kesimpulan
berdasarkan data tersebut.
Statistik menurut definisi yang benar adalah semua harga, nilai, data atau besaran
yang dipunyai sampel dan biasanya dilambangkan dengan huruf abjad Latin misalnya rata-
rata hitung  X  , simpangan baku  S  , variansi  S 2  dan sebagainya. Statistik ini umumnya
merupakan penduga bagi parameter.
Parameter berasal dari kata para (sama dengan di samping) dan meter (sama dengan
suatu ukuran). Jadi parameter dapat diartikan suatu ukuran, besaran, data atau nilai yang
dipunyai populasi dan sulit untuk diukur. Parameter biasanya dilambangkan dengan huruf
abjad Yunani misalnya nilai rata-rata hitung () simpangan baku ( ) , variansi ( 2 ) dan
sebagainya.
B. PENGGOLONGAN STATISTIKA
Berdasarkan ruang lingkup penerapan statistika dalam penelitian, maka statistika

dapat digolongkan menjadi statistika deskriptif dan statistika inferensial (statistika induktif).
Statistika deskriptif adalah statistika yang membahas tentang cara-cara meringkas,
menyajikan mendeskripsikan suatu data dengan tujuan agar data tersebut mudah
dimengerti dan lebih mempunyai makna. Penyajian suatu data dapat berbentuk daftar
(tabel) dan dalam bentuk diagram (gambar). Deskripsi suatu data dinyatakan dalam bentuk
ukuran pemusatan misalnya rata-rata hitung, modus dan sebagainya. Bentuk lain adalah
ukuran letak misalnya median, kuartil dan sebagainya. Deskripsi lain adalah ukuran
penyebaran misalnya rentang, simpangan baku, koefisien keragaman dan sebagainya.
Statistika inferensial adalah statistika yang dipergunakan untuk menyimpulkan tentang
parameter (populasi) berdasarkan statistik (sampel) atau lebih di kenal untuk proses
generalisasi. Jadi dalam statistika inferensial diperlukan adanya suatu hipotesis.
Penggolongan lain berdasarkan manfaatnya, statistika dibedakan menjadi statistika
terapan yang membahas tentang penerapan statistika untuk menunjang ilmu-ilmu lainnya.
Berikutnya adalah statistika matematik yang membahas tentang perkembangan teori
statistika yang banyak bersifat matematik.
Penggolongan berikutnya berdasarkan asumsi atau syarat-syarat parameter dan skala
data yang akan dianalisis, terdiri atas statistika parametrik dan statistika nonparameterik.
Statistika parametrik memperhatikan tentang syarat-syarat atau asumsi parameter misalnya
variansi sama, data berdistribusi normal dan sebagainya. Data yang dianalisis pada statistika
parametrik skala pengukurannya adalah rasio atau interval.
142
Statistika nonparametrik sesuai dengan namanya merupakan kebalikan dari statistika

parameterik yang telah diuraikan di atas. Jadi tantang asumsi atau syarat-syarat parameter
tidak diperhatikan dan skala datanya berbentuk ordinal atau nominal. Namun demikian data
yang dianalisis, skala pengukurannya bisa berbentuk rasio atau interval, tetapi data tersebut
tidak berdistribusi normal. Oleh karena itu statistika nonparametrik disebut juga sebagai
statistika bebas sebaran (freedisribution). Pada statistika nonparametrik, karena data yang
diuji sering berbentuk ranking atau jenjang, maka statistika nonparametrik sering juga
disebut teknik pengujian rank. Yang perlu mendapat perhatian, bila suatu data memenuhi
syarat untuk diuji dengan statistika parametrik sebaiknya diuji dengan statistika parametrik
pula. Bila data tersebut diuji dengan statistika nonparametrik berarti menyia-nyiakan
informasi, karena kemaknaannya menjadi berkurang, namun hal ini tidak merupakan
keharusan tergantung kepada keperluannya. Statistika nonparametrik di samping
mempunyai kelemahan di atas juga mempunyai keuntungan yaitu perhitungannya relatif
mudah dan memungkinkan untuk membuktikan hipotesis yang tidak terkait dengan
parameternya.
C. POPULASI, SAMPEL DAN SAMPLING
Populasi adalah kumpulan atau totalitas suatu obyek yang akan diduga
karakteristiknya (parameternya). Berdasarkan jumlahnya, populasi dibedakan menjadi
populasi finit dan populasi infinit. Populasi finit adalah populasi yang jumlahnya terbatas
berarti bisa dihitung jumlahnya misalnya staf pengajar Jurusan Kebidanan Politeknik
Kesehatan Makassar, Jumlah bayi yang lahir di RS Pertiwi Makassar periode Januari –
Oktober 2005 dan sebagainya. Populasi infinit adalah populasi yang jumlahnya tidak
terbatas berarti tidak bisa ditentukan jumlahnya misalnya jumlah bakteri, virus, debu dan
sebagainya. Pendapat lain menyatakan bila jumlah populasi itu > 10.000 dimasukkan ke
dalam populasi infinit dan kebalikannya dimasukkan ke dalam populasi finit. Pemahaman
tentang populasi infinit dan finit ini penting, karena jumlah sampel salah satunya tergantung
kepada jenis populasi apakah infinit atau finit.
Sampel adalah bagian dari populasi yang diambil untuk diketahui karakteristiknya dan
proses pengambilannya dinamakan sampling. Tentang macam-macam sampling biasanya
dibicarakan dalam metode penelitian. Bila seluruh populasi itu dijadikan sampel, maka jenis
sampel ini disebut total populasi dan proses pengambilan sampelnya disebut sensus.
D. DATA
Data adalah catatan atas kumpulan fakta. Data merupakan bentuk jamak dari datum,
berasal dari bahasa Latin yang berarti "sesuatu yang diberikan". Dalam penggunaan sehari-
hari data berarti suatu pernyataan yang diterima secara apa adanya. Pernyataan ini adalah
hasil pengukuran atau pengamatan suatu variabel yang bentuknya dapat berupa angka,
kata-kata, atau citra.
143
Berdasarkan keilmuan atau sudut pandang ilmiah, maka fakta dikumpulkan untuk
menjadi data. Data kemudian diolah sehingga dapat diutarakan secara jelas dan tepat
sehingga dapat dimengerti oleh orang lain yang tidak langsung mengalaminya sendiri, hal ini
dinamakan deskripsi. Pemilahan banyak data sesuai dengan persamaan atau perbedaan
yang dikandungnya dinamakan klasifikasi.
Dalam pokok bahasan Manajemen Pengetahuan, data dicirikan sebagai sesuatu yang
bersifat mentah dan tidak memiliki konteks. Dia sekedar ada dan tidak memiliki signifikansi
makna di luar keberadaannya itu. Dia bisa muncul dalam berbagai bentuk, terlepas dari
apakah dia bisa dimanfaatkan atau tidak.
1. Jenis-Jenis Data
Data dapat dibagi menjadi berdasarkan:
a. Cara memperolehnya, maka data dapat dibagi menjadi: data primer adalah data yang
diambil secara langsung dari obyek penelitian oleh peneliti perorangan maupun
organisasi. misalnya: mewawancarai langsung pengunjung ApotikMalifah Farma untuk
meneliti kepuasan konsumen dan data sekunder data yang didapat tidak secara
langsung dari objek penelitian. Dalam hal ini peneliti mendapatkan data yang sudah
jadi yang dikumpulkan oleh pihak lain dengan berbagai cara atau metode baik secara
komersial maupun non komersial. Contohnya adalah pada peneliti yang menggunakan
data statistik hasil penelitian dari mahasiswa diploma tiga, strata satu, strata dua dan
strata tiga minat farmasi, laporan hasil penelitian pakar dan lain-lain.
b. Sumber data. Data ini terdiri atas: data internal yaitu data yang menggambarkan
situasi dan kondisi pada suatu organisasi secara internal, misalnya seorang mahasiswa
Diploma Tiga Jurusan Farmasi Poltekkes Makassar ingin mengumpulkan data tentang
berat badan mahasiswa Jurusan Farmasi Poltekkes Makassar dan data eksternal adalah
data yang menggambarkan situasi serta kondisi yang ada di luar organisasi tersebut,
misalnya mahasiswa Diploma Tiga Farmasi Poltekkes Makassar ingin mengumpulkan
data tentang kepuasan mahasiswa di Diploma Tiga Akademi Farmasi Sandi Karsa
Makassar.
c. Jenis data : data kuantitatif adalah data yang dipaparkan dalam bentuk angka-angka,
misalnya tinggi badan mahasiswa Diploma Tiga Jurusan Farmasi Poltekkes Makassar
dan data kualitatif adalah data yang disajikan dalam bentuk kata-kata yang
mengandung makna atau dengan kata lain adalah bukan dalam bentuk angka,
misalnya warna, suku, bangsa, bahasa, agama, rasa dan lain sebagainya.
d. Sifat data : data diskrit adalah data didapatkan dari hasil menghitung yang hasil
akhirnya adalah bilangan bulat, misalnya jumlah mahasiswa, jumlah balita, jumlah
kuman dan data kontinu adalah data yang didapatkan dari hasil mengukur dan akhir
data menghasilkan bilangan bulat dan atau desimal, misalnya berat badan si A adalah
38,0 Kg dan berat badan si B adalah 39,65 Kg. Berat badan si A menghasilkan bilangan
bulat dan berat badan si B menghasilkan bilangan desimal (pecahan).
e. Waktu pengumpulannya : data crosssection(at a point of time) adalah data yang
menunjukkan titik waktu tertentu, misalnya laporan keuangan Apotik Sana Farma
144
Makassar per 31 Desember 2014dan data berkala (timeseries) adalah data yang
nilainya menggambarkan sesuatu dari waktu ke waktu atau periode tertentu secara
historis,misalnya data timeseries adalah data perkembangan harga obat generik
dengan obat paten dari tahun 2010 sampai 2014.
2. Skala Pengukuran Data

Berdasarkan skala pengukurannya, data dibedakan menjadi data skala rasio (skala
nisbah), interval ( skala selang), ordinal (skala jenjang), dan skala nominal (skala kategorial).
Data skala rasio ciri-cirinya adalah nilainya bersifat absolut (mutlak) dan ciri-ciri yang
dipunyai skala interval, ordinal dan nominal juga dipunyai pada skala rasio serta dapat
dilakukan operasi matematika di dalamnya , /, ,  dan ^ . Contoh data skala rasio
adalah berat badan dalam kilogram, tinggi badan dalam sentimeter dan sebagainya.
Berdasarkan tingkatannya data skala rasio paling tinggi, kemudian berturut-turut adalah
skala interval, ordinal dan yang paling rendah tingkatannya adalah data skala nominal.
Data skala interval mempunyai ciri jarak antara interval satu dengan lainnya adalah
sama dan nilainya tidak bersifat absolut. Ciri-ciri ordinal dan nominal juga ada pada data
skala interval serta dapat dilakukan operasi matematika , /, ,  dan ^ . Contoh hasil
pengukuran terhadap 5 obyek menghasilkan angka 10, 8, 6, 4, dan 2. jadi selisih antara 10
dengan 8 adalah sama dengan selisih 8 dengan 6. Contoh lain adalah hasil pengukuran suhu
dengan skala celcius. Angka 00C berarti tidak menunjukkan suhunya tidak ada, misalnya
kalau diukur dengan skala Kelvin suhu tidak akan 0. Selisih antara 50C dengan 100C adalah
sama dengan selisih antara 100C dengan 150C.
Data skala ordinal, ordinal berasal dari kata ordo yang artinya tataan atau deret. Data
skala ordinal mempunyai arti tingkatan, deret atau jenjang, sifat nominalnya ada dan
nilainya tidak bersifat absolut. Contoh nilai mutu ujian terdiri atas 4, 3, 2, 1 dan 0. selisih
antara nilai mutu 4 dan 3 tidak sama dengan selisih nilai mutu 3 dan 2. Contoh lain hasil
kejuaraan tinju juara 1, 2, 3 dan 4. Selisih kemampuan antara juara 1 dengan 2 tidak sama
dengan selisih juara 2 dan 3. Data ini mempunyai ciri posisi data tidak setara dan tidak bisa
dilakukan operasi matematik di dalamnya , /, ,  dan ^ .
Data skala nominal (kategorial), data tersebut dikategorikan misalnya jenis kelamin
terdiri atas laki-laki dan wanita. Tekanan darah dikategorikan menjadi normal dan tidak
normal. Cara pelayanan dibedakan menjadi luwes, sedang dan judes. Kategori suatu data
sering diberikan nama atau lambang misalnya jenis kelamin laki-laki (= 2) dan wanita ( = 1),
maka skala kategorial disebut pula sebagai skala nominal (berasal dari kata name =
nama).Data nominal mempunyai ciri posisi data setara dan tidak dapat dilakukan operasi
matematika , /, ,  dan ^ .
Pembagian lain data dibedakan menjadi data diskrit dan data kontinu. Data diskrit
adalah data yang diperoleh dengan cara menghitung misalnya jumlah penduduk, jumlah
bidan, jumlah dokter dan lain-lain. Data diskrit tidak mungkin berbentuk pecahan.
Kebalikannya adalah data kontinu yaitu data yang diperoleh dengan cara mengukur misalnya
tekanan darah, kadar hemoglobin, berat badan dan sebagainya. Jadi data kontinu nilainya
bisa berbentuk pecahan ataupun bilangan bulat.
145
3. Penyajian Data
Ada dua cara penyajian data yang sering dilakukan, yaitu :
a. daftar atau tabel,
b. grafik atau diagram.
a. Penyajian Data dalamBentukTabel

Misalkan, hasil ujian akhir semester mata kuliah Bahasa Indonesia 37 mahasiswa
Jurusan Farmasi Poltekkes Makassar disajikan dalam tabel di bawah. Penyajian data pada
Tabel 7.1 dinamakan penyajian data sederhana. Dari Tabel 7.1, Anda dapat menentukan
banyak mahasiswa yang mendapat nilai 9, yaitu sebanyak 7 orang. Berapa orang mahasiswa
yang mendapat nilai 5? Nilai berapakah yang paling banyak diperoleh mahasiswa?
Jika data hasil ujian akhir semester Mata Kuliah Bahasa Indonesia itu disajikan dengan
cara mengelompokkan data nilai mahasiswa, diperoleh tabel frekuensi berkelompok seperti
pada Tabel 7.1.
Tabel 7.1
Penyajian Data Sederhana
Nilai Frekuensi
2 7
4 3
5 5
6 4
7 10
9 7
10 1
Tabel 7.2
Tabel Distribusi Frekuensi
Interval Kelas Turus Frekuensi

1–2 EB 7
3–4 C 3
5–6 EC 8
7–8 EE 10
9–10 EC 8
Jumlah 37
b. Penyajian Data dalam Bentuk Diagram

Kerap kali data yang disajikan dalam bentuk tabel sulit untuk dipahami. Lain halnya jika
data tersebut disajikan dalam bentuk diagram maka Anda akan dapat lebih cepat memahami
data itu. Diagram adalah gambar yang menyajikan data secara visual yang biasanya berasal
146
dari tabel yang telah dibuat. Meskipun demikian, diagram masih memiliki kelemahan, yaitu
pada umumnya diagram tidak dapat memberikan gambaran yang lebih detail.
1) Diagram Batang
Diagram batang biasanya digunakan untuk menggambarkan data diskrit (data
cacahan). Diagram batang adalah bentuk penyajian data statistik dalam bentuk batang
yang dicatat dalam interval tertentu pada bidang cartesius.
Ada dua jenis diagram batang, yaitu
a) diagram batang vertikal, dan
b) diagram batang horizontal.
Contoh 7.1.1:
Selama 1 tahun, Apotik "Malifah Farma" mencatat keuntungan setiap bulan sebagai
berikut.
Tabel 7.3
Keuntungan Apotik "Malifah Farma" per Bulan (dalam jutaan rupiah)
Bulan ke 2,5 1,8 2,6 4,2 3,5 3,3 4,0 5,0 2,0 4,2 6,2 6,2
Keuntungan 1 2 3 4 5 6 7 8 9 10 11 12
a) Buatlah diagram batang vertikal dari data tersebut.
b) Berapakah keuntungan terbesar yang diperoleh Apotik "Malifah Farma" selama 1
tahun?
c) Kapan Apotik "Malifah Farma" memperoleh keuntungan yang sama selama dua
bulan berturut-turut?
Penyelesaian :
a) Diagram batang vertikal dari data tersebut, tampak pada gambar berikut.
Gambar 7.1.
Diagram batang vertikal Keuntungan Apotik "Malifah Farma" per Bulan (dalam juta rupiah)
Gambar 7.1. Diagram batang vertikal Keuntungan Apotik "Malifah Farma" per
Bulan (dalam juta rupiah). Dari diagram tersebut tampak bahwa keuntungan
147
terbesar yang diperoleh Apotik "Malifah Farma" selama 1 tahun adalah sebesar
Rp 6.200.000,00.
b) Apotik "Malifah Farma" memperoleh keuntungan yang sama selama dua bulan
beturut-turut pada bulan ke-11 dan ke-12.
2) Diagram Garis
Pernahkah Anda melihat grafik nilai tukar dolar terhadap rupiah atau pergerakan
saham di TV? Grafik yang seperti itu disebut diagram garis. Diagram garis biasanya
digunakan untuk menggambarkan data tentang keadaan yang berkesinambungan
(sekumpulan data kontinu). Misalnya, jumlah penduduk setiap tahun, perkembangan
berat badan bayi setiap bulan, dan suhu badan pasien setiap jam.
Seperti halnya diagram batang, diagram garis pun memerlukan sistem sumbu datar
(horizontal) dan sumbu tegak (vertikal) yang saling berpotongan tegak lurus. Sumbu
mendatar biasanya menyatakan jenis data, misalnya waktu dan berat. Adapun sumbu
tegaknya menyatakan frekuensi data. Langkah-langkah yang dilakukan untuk membuat
diagram garis adalah sebagai berikut.
a) Buatlah suatu koordinat (berbentuk bilangan) dengan sumbu mendatar
menunjukkan waktu dan sumbu tegak menunjukkan data pengamatan.
b) Gambarlah titik koordinat yang menunjukkan data pengamatan pada waktu t.
c) Secara berurutan sesuai dengan waktu, hubungkan titik-titik koordinat tersebut
dengan garis lurus.
Contoh7.1.2 :
Berikut ini adalah tabel berat badan seorang bayi yang dipantau sejak lahir sampai
berusia 9 bulan.
Usia (bulan) 3,5 4 5,2 6,4 6,8 7,5 7,5 8 8,8 8,6
Berat Badan (kg) 0 1 2 3 4 5 6 7 8 9
a) Buatlah diagram garisnya.
b) Pada usia berapa bulan berat badannya menurun?
c) Pada usia berapa bulan berat badannya tetap?
Jawab:
a) Langkah ke-1
Buatlah sumbu mendatar yang menunjukkan usia anak (dalam bulan) dan sumbu
tegak yang menunjukkan berat badan anak (dalam kg).
Langkah ke-2
Gambarlah titik koordinat yang menunjukkan data pengamatan pada waktu t
bulan.
Langkah ke-3
Secara berurutan sesuai dengan waktu, hubungkan titik-titik koordinat tersebut
dengan garis lurus.
148
Dari ketiga langkah tersebut, diperoleh diagram garis dari data tersebut tampak
pada Gambar 7.2.
Gambar 7.2
Diagram garis berat badan bayi sejak usia 0 – 9 bulan
b) Dari diagram tersebut dapat dilihat bahwa berat badan bayi menurun pada usai
8 sampai 9 bulan.
c) Berat badan bayi tetap pada usia 5 sampai 6 bulan. Darimana Anda memperoleh
hasil ini? Jelaskan.
Observasi: Interpolasi dan Ekstrapolasi Data

Anda dapat melakukan observasi terhadap kecenderungan data yang disajikan pada
suatu diagram garis. Dari observasi ini, Anda dapat membuat perkiraan-perkiraan
dengan cara interpolasi dan ekstrapolasi. Hal ini ditempuh dengan mengganti garis
patah pada diagram garis menjadi garis lurus. Interpolasi data adalah menaksir data
atau memperkirakan data di antara dua keadaan (misalnya waktu) yang berurutan.
Misalkan, dari gambar grafik Contoh soal 2. dapat diperkirakan berat badan bayi pada
usia 5,5 bulan. Coba Anda amati grafik tersebut, kemudian tentukan berat badan bayi
pada usia 5,5 bulan.
Ekstrapolasi data adalah menaksir atau memperkirakan data untuk keadaan (waktu)
mendatang. Cara yang dapat dilakukan untuk ekstrapolasi adalah dengan
memperpanjang ruas garis terujung ke arah kanan. Misalkan, dari gambar grafik soal 2.
dapat diperkirakan berat badan bayi pada usia 10 bulan. Jika garis lurus sudah
ditentukan, Anda dapat menentukan interpolasi data. Untuk ekstrapolasi data, Anda
harus berhati-hati. Menurut diagram garis, berapa kira-kira berat badan bayi pada usia
10 bulan? Berikan alasan Anda.
149
3) Diagram Lingkaran
Untuk mengetahui perbandingan suatu data terhadap keseluruhan, suatu data lebih
tepat disajikan dalam bentuk diagram lingkaran. Diagram lingkaran adalah bentuk
penyajian data statistika dalam bentuk lingkaran yang dibagi menjadi beberapa juring
lingkaran.
Langkah-langkah untuk membuat diagram lingkaran adalah sebagai berikut.
a) Buatlah sebuah lingkaran pada kertas.
b) Bagilah lingkaran tersebut menjadi beberapa juring lingkaran untuk
menggambarkan kategori datanya yang telah diubah ke dalam derajat.
Agar lebih jelasnya, pelajarilah contoh berikut.
Contoh7.1.3 :
Tabel berikut menunjukkan banyaknya mahasiswa Jurusan Farmasi di Poltekkes
Makassar menurut tingkatan pada tahun 2014.
Tingkat Banyaknya
I 150
II 98
III 82
a. Buatlah diagram lingkaran untuk data tersebut.
b. Berapa persen mahasiswa yang berada pada tingkat II ?
c. Berapa persen siswa yang berada pada tingkat III?
Jawab :
a. Jumlah seluruh siswa adalah 330 orang. Seluruh siswa diklasifikasikan menjadi 3
katagori: tingkat I = 150 orang, tingkat II = 98 orang, dan tingkat III = 82 orang.
• Tingkat I = (150/330) x 100% = 45,46%
Besar sudut sektor lingkaran = 45,46% × 360° = 163,66°
• Tingkat II = (98/330) x 100% = 29,7%
• Tingkat III= (82/330) x 100% = 24,85%
Diagram lingkaran ditunjukkan pada Gambar 7.3.
Gambar 7.3
Diagram lingkaran junlah mahasiswa Jurusan Farmasi di Poltekkes Makassar
menurut tingkatan pada tahun 2014
150
b. Persentase mahasiswa yang berada pada tingkat II adalah 29,7 %.

c. Persentase mahasiswa yang berada pada tingkat III adalah 24,85%.
D. TABEL DISTRIBUSI FREKUENSI, FREKUENSI RELATIF DAN

KUMULATIF, HISTOGRAM, POLIGON FREKUENSI, DAN OGIVE
1. Tabel Distribusi Frekuensi

Data yang berukuran besar (n  30) lebih tepat disajikan dalam tabel distribusi
frekuensi, yaitu cara penyajian data yang datanya disusun dalam kelas-kelas tertentu.
Langkah-langkah penyusunan tabel distribusi frekuensi adalah sebagai berikut.
a. Langkah pertama menentukan jangkauan  J  yaitu selisih antara nilai maksimal dan
nilai minimal.
Langkah kedua menentukan banyak kelas K  yang terbentuk yaitu dengan
menggunakan rumus "Sturgess" yaitu: K  1  3,3log n dengan n adalah banyak data.
Banyak kelas harus merupakan bilangan bulat positif hasil pembulatan.
b. Langkah ketiga menentukan panjang interval kelas  I  dengan menggunakan rumus:
J
I
K
c. Langkah keempat menentukan batas-batas kelas. Data terkecil harus merupakan batas
bawah interval kelas pertama atau data terbesar adalah batas atas interval kelas
terakhir.
d. Langkah kelima memasukkan data ke dalam kelas-kelas yang sesuai dan menentukan
nilai frekuensi setiap kelas dengan sistem turus.
e. Langkah keenam menuliskan turus-turus dalam bilangan yang bersesuaian dengan
banyak turus.
Ingatlah:
Menentukan banyak kelas interval dengan aturan Sturges dimaksudkan agar interval tidak
terlalu besar sebab hasilnya akan menyimpang dari keadaan sesungguhnya. Sebaiknya, jika
interval terlalu kecil, hasilnya tidak menggambarkan keadaan yang diharapkan.
Contoh7.1.4 :
Seorang peneliti mengadakan penelitian tentang berat badan dari 35 orang mahasiswa
tingkat II Jurusan Farmasi Poltekkes Makassar.
Data hasil penelitian itu (dalam kg) disajikan berikut ini:
48 32 46 27 43 46 25 41 40 58 16 36
21 42 47 55 60 58 46 44 63 66 28 56
50 21 56 55 25 74 43 37 51 53 39
Sajikan data tersebut ke dalam tabel distribusi frekuensi.
151
Jawab :
a. Jangkauan  J   Xm  Xn  74  16  58 .
b. Banyak kelas K   1  3,3log n  1  3,3log35  6,095  1  3,3log35  6, 095. Banyak
kelas dibulatkan menjadi "6".
J 58
c. Panjang interval kelas  I  adalah I    9,67 . Panjang interval kelas dibulatkan
K 6
menjadi "10".
Dengan panjang interval kelas = 10 dan banyak kelas = 6, diperoleh tabel distribusi
frekuensi seperti pada Tabel 7.1.4. atau Tabel 7.1.5
Cara I:
Batas bawah kelas pertama diambil datum terkecil. Amati Tabel 7.1.4. Dari tabel tersebut
tampak bahwa frekuensi paling banyak dalam interval 46 - 55. Artinya, berat badan
kebanyakan berkisar antara 46 kg dan 55 kg
Tabel 7.4

16–25 E 5
26–35 C 3
36–45 ED 9
46–55 EE 10
56–65 EA 6
66–75 B 2
Jumlah 35
Cara II:
Batas atas kelas terakhir diambil datum terbesar. Amati Tabel 5.
Tabel 7.5

15–24 C 3
25–34 E 5
35–44 ED 9
45–54 EC 8
55–64 EC 8
65–74 B 2
Jumlah 35
152
Dari tabel tampak frekuensi paling sedikit dalam interval 65–74. Artinya, berat badan
antara 65 kg dan 74 kg ada 2 orang. Perhatikan interval kelas yang pertama, yaitu 15 – 24. 15
disebut batas bawah dan 24 disebut batas atas. Ukuran 15 – 24 adalah hasil pembulatan,
ukuran yang sebenarnya terletak pada 14,5 – 24,5. 14,5 disebut tepi bawah kelas (batas
bawah nyata) dan 24,5 disebut tepi atas kelas (batas atas nyata) pada interval kelas 15 – 24.
Dalam menentukan tepi bawah kelas dan tepi atas kelas pada setiap interval kelas,
harus diketahui satuan yang dipakai. Dengan demikian, untuk tepi bawah kelas adalah batas
bawah kelas dikurangi 1/2 satuan ukuran. Jadi, tepi kelas dari interval kelas 15 – 24 menjadi
14,5 – 24,5.
2. Frekuensi Relatif dan Kumulatif

Frekuensi yang dimiliki setiap kelas pada tabel distribusi frekuensi bersifat mutlak.
Adapun frekuensi relatif dari suatu data adalah dengan membandingkan frekuensi pada
interval kelas itu dengan banyak data dinyatakan dalam persen. Contoh: interval frekuensi
kelas adalah 20. Total data seluruh interval kelas = 80 maka frekuensi relatif kelas ini adalah
20 1 1
 , sedangkan frekuensi relatifnya adalah  100%  25% .
80 4 4
Dari uraian tersebut, dapatkah Anda menyatakan rumus frekuensi relatif? Cobalah
nyatakan rumus frekuensi relatif dengan kata-kata Anda sendiri.
Frekuensi relatif dirumuskan sebagai berikut:
frekuensi kelas ke-k
Frekuensi relatif kelas ke-k =
banyak data
Frekuensi kumulatif kelas ke-k adalah jumlah frekuensi pada kelas yang dimaksud
dengan frekuensi kelas-kelas sebelumnya.
Ada dua macam frekuensi kumulatif, yaitu
a. frekuensi kumulatif "kurang dari" ("kurang dari" diambil terhadap tepi atas kelas);
b. frekuensi kumulatif "lebih dari" ("lebih dari" diambil terhadap tepi bawah kelas).
1
Tepi atas = batas atas  satuan pengukuran
2
1
Tepi bawah = batas bawah  satuan pengukuran
2
Contoh7.1.5 :
Dari Tabel 4. untuk interval kelas 46 – 55 (kelas 4), hitunglah
a. frekuensi relatif;
b. frekuensi kumulatif "kurang dari";
c. frekuensi kumulatif "lebih dari".
Jawab :
a. Frekuensi relatif kelas ke-4 = (frekuensi kelas ke-4 / banyak datum) × 100% = 10/35 ×
100% = 28,57%
b. Frekuensi kumulatif "kurang dari" untuk interval kelas 46 – 55
153
= 5 + 3 + 9 + 10 = 27 (kurang dari tepi atas kelas 55,5)

c. Frekuensi kumulatif "lebih dari" untuk interval kelas 46 – 55
= 10 + 6 + 2 = 18 (lebih dari tepi bawah kelas 45,5).
3. Histogram dan Poligon Frekuensi

Histogram merupakan diagram frekuensi bertangga yang bentuknya seperti diagram
batang. Batang yang berdekatan harus berimpit. Untuk pembuatan histogram, pada setiap
interval kelas diperlukan tepi-tepi kelas. Tepi-tepi kelas ini digunakan untuk menentukan titik
tengah kelas yang dapat ditulis sebagai berikut :
1
Titik tengah kelas   tepi kelas  tepi bawah kelas 
2
Poligon frekuensi dapat dibuat dengan menghubungkan titik-titik tengah setiap puncak
persegi panjang dari histogram secara berurutan. Agar poligon "tertutup" maka sebelum
kelas paling bawah dan setelah kelas paling atas, masing-masing ditambah satu kelas.
Contoh7.1.6 :
Tabel distribusi frekuensi hasil ujian matematika Kelas XI SMK Farmasi Yamasi di Makassar
diberikan pada Tabel 6. Buatlah histogram dan poligon frekuensinya.
Tabel 7.6
Tabel distribusi frekuensi hasil ujian matematika
Kelas XI SMK Farmasi Yamasi di Makassar.
Interval Kelas Frekuensi

21–30 2
31–40 3
41–50 11
51–60 20
61–70 33
71–80 24
81–90 7
100
Gambar 7.4
Histogram hasil ujian matematika Kelas XI SMK Farmasi Yamasi di Makassar.
154
Dari histogram tersebut tampak bahwa kebanyakan siswa memperoleh nilai antara
60,5 dan 70,5. Coba Anda ceritakan hal lain dari histogram tersebut.
4. Ogive
Grafik yang menunjukkan frekuensi kumulatif kurang dari atau frekuensi kumulatif
lebih dari dinamakan poligon kumulatif.
Untuk populasi yang besar, poligon mempunyai banyak ruas garis patah yang
menyerupai kurva sehingga poligon frekuensi kumulatif dibuat mulus, yang hasilnya disebut
ogive.
Ada dua macam ogive, yaitu sebagai berikut :
a. Ogive dari frekuensi kumulatif kurang dari disebut ogive positif.
b. Ogive dari frekuensi kumulatif lebih dari disebut ogive negatif.
Contoh7.1.7 :
Tabel 7.7. dan 7.8, berturut-turut adalah tabel distribusi frekuensi kumulatif "kurang dari"
dan "lebih dari" tentang nilai ulangan Biologi Kelas XI SMK Farmasi Yamasi di Makassar.
Tabel 7.7
Tabel Distribusi Frekuensi Kumulatif "Kurang Dari" tentang Nilai Ulangan Biologi
Nilai Frekuensi
< 20,5 0
< 30,5 2
< 40,5 5
< 50,5 16
< 60,5 36
< 70,5 69
< 80,5 93
< 90,5 100
Tabel 7.8
Tabel distribusi frekuensi kumulatif "lebih dari" tentang nilai ulangan Biologi
Nilai Frekuensi
> 20,5 100
> 30,5 98
> 40,5 95
> 50,5 84
> 60,5 64
> 70,5 31
> 80,5 7
> 90,5 0
155
a. Buatlah ogive positif dan ogive negatif dari tabel tersebut.

b. Berapakah jumlah siswa yang mempunyai nilai Biologi kurang dari 85?
c. Berapakah jumlah siswa yang mempunyai nilai Biologi kurang lebih dari 40?
Jawab :
a. Ogive positif dan ogive negatif dari tabel tersebut tampak pada Gambar 7.5.
Gambar 7.5
Kurva Ogif Positif dan Negatif Nilai Ulangan Biologi
Kelas XI SMK Farmasi Yamasi di Makassar
b. Dari kurva ogive positif, tampak siswa yang mempunyai nilai kurang dari 85 adalah
sebanyak 93 orang.
c. Dari kurva ogive negatif, tampak siswa yang mempunyai nilai lebih dari 40 adalah
sebanyak 96 orang.
E. DISTRIBUSI NORMAL
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang
paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah
distribusi normal yang memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga
dijuluki kurva lonceng (bellcurve) karena grafik fungsi kepekatan probabilitasnya mirip
dengan bentuk lonceng. Distribusi normal memodelkan fenomena kuantitatif pada ilmu
alam maupun ilmu sosial. Beragam skor pengujian psikologi dan fenomena fisika seperti
jumlah foton dapat dihitung melalui pendekatan dengan mengikuti distribusi normal.
Distribusi normal banyak digunakan dalam berbagai bidang statistika, misalnya distribusi
samplingrata-rata akan mendekati normal, meski distribusi populasi yang diambil tidak
156
berdistribusi normal. Distribusi normal juga banyak digunakan dalam berbagai distribusi
dalam statistika, dan kebanyakan pengujian hipotesis mengasumsikannormalitas suatu data.
Distribusi normal pertama kali diperkenalkan oleh Abraham deMoivre dalam artikelnya
pada tahun 1733 sebagai pendekatan distribusi binomial untuk n besar. Karya tersebut
dikembangkan lebih lanjut oleh Pierre Simon deLaplace, dan dikenal sebagai teorema
Moivre-Laplace. Laplace menggunakan distribusi normal untuk analisis galat suatu
eksperimen. Metode kuadrat terkecil diperkenalkan oleh Legendre pada tahun 1805.
Sementara itu Gauss mengklaim telah menggunakan metode tersebut sejak tahun 1794
dengan mengasumsikan galatnya memiliki distribusi normal.
Istilah kurva lonceng diperkenalkan oleh Jouffret pada tahun 1872 untuk distribusi
normal bivariat. Sementara itu istilah distribusi normal secara terpisah diperkenalkan oleh
Charles S. Peirce, Francis Galton, dan Wilhelm Lexis sekitar tahun 1875. Terminologi ini
secara tidak sengaja memiliki nama sama.
Distribusi normal baku (standar) adalah distribusi peubah acak dengan rata-rata 0 dan
varian 1. Peubah acak normal baku dilambangkan dengan Z yang merupakan hasil
transformasi dari peubah acak X yang berdistribusi normal. Bentuk transformasi peubah
acak tersebut adalah sebagai berikut :
X 
Z

Oleh karena itu fungsi :
1  1 
f  z   n  z;0,1  exp   z 2 
2  2 
Perbandingan distribusi normal peubah acak x dan dengan distribusi normal standar z:
2
x2  1  x   
1   
P  x1  X  x2   e  2   
dx
2 x1
2
z2 z z
1   2
P  x1  X  x2    n  z;0,1 dz
2 z1
e 2
dz 
z1
P  x1  X  x2   P  z1  Z  z2 
Nilai probabilitas dari P  z1  Z  z2  telah dihitung dan ditabelkan dalam Tabel Z distribusi
normal.
F. PERANAN STATISTIKA DALAM PENELITIAN
Statistika dalam penelitian mempunyai peranan yang sangat penting yaitu :

1. Memudahkan dalam membuat judul penelitian, rumusan masalah, tujuan dan
hipotesis. Seseorang yang kurang menguasai statistika, judul penelitian, rumusan
masalah, tujuan dan hipotesis yang disusun biasanya kurang tajam atau mengambang.
157
2. Validitas dan reliabilitas alat pengumpul data ditentukan, biasanya dipergunakan

korelasi Pearson dan Spearman.
3. Penentuan besar sampel, banyak faktor yang mempengaruhi besarnya sampel
penelitian di antaranya jenis penelitian (deskriptif atau inferensial), jenis populasi (finit
atau infinit), simpangan baku, prevalensi, harga  , harga  , biaya, waktu, tenaga,
jenis percobaan (merusak atau tidak merusak unit percobaan) dan sebagainya.
4. Sangat penting untuk menyimpulkan hasil (generalisasi) khususnya jenis penelitian
inferensial.
Latihan
1) Distribusi yang paling banyak digunakan dalam berbagai analisis statistika adalah
distribusi:
a. Ganda c. Gauss
b. Skewnees d. Portal
2) Distribusi normal sebagai pendekatan distribusi binomial untuk nbesarpertama kali
diperkenalkan oleh:
a. Abraham deMoivre c. Laplace
b. Legendre d. Galton
3) Jika populasi yang besar, poligon mempunyai banyak ruas garis patah yang menyerupai
kurva sehingga poligon frekuensi kumulatif dibuat mulus, yang hasilnya disebut:
a. Ogive c. Histogram
b. Polygon d. Batang
4) Berdasarkan tabel berikut:
Penggunaan
Ciprofloxacin Frekuensi
Tablet
15–24 3
25–34 5
35–44 9
45–54 8
Jumlah 25
Penggunaan Ciprofloxacin tablet terbanyak adalah :
a. 45 – 54 c. 35 – 44
b. 15 – 24 d. 25 – 34
5) Menentukan banyaknya suatu kelas yang terbentuk yaitu dengan menggunakan rumus
yaitu: K  1  3,3log n dengan n adalah banyak data. Rumus tersebut adalah:
a. Phytagoras c. Dalton
b. Sturgess d. Pascal
158
6) Menaksir data atau memperkirakan data di antara dua keadaan yang berurutan
disebut dengan:
a. Counterpolasi data c. Interpolasi data
b. Ekstrapolasi data d. Isolasi data
7) Untuk menaksir atau memperkirakan data untuk keadaan yang akan datang. Cara yang
dapat dilakukan yaitu dengan
a. Polarisasi data c. Interpolasi data
b. Ekstrapolasi data d. Sinkronisasi data
8) Jumlah penduduk, jumlah bidan, jumlah dokter, jumlah kuman termasuk dalam data:
a. Nominal c. Ordinal
b. Diskrit d. Kontinu
9) Data yang dapat berbentuk pecahan atau pun bilangan bulat disebut dengan data:
a. Kontinu c. Interval
b. Rasio d. Diskrit
10) Jika seorang mahasiswa Jurusan Farmasi Tingkat III ingin meneliti dengan
menggunakan data mahasiswa Jurusan Farmasi di Institusi Pendidikan lain, maka data
yang dihasilkan adalah data:
a. Kualitatif c. Internal
b. Diskrit d. Eksternal
Ringkasan
Statistik merupakan suatu teknik, cara atau metoda untuk mengumpulkan, mengolah,
menganalisis dan menarik kesimpulan pada suatu data.
Statistik berdasarkan ruang lingkupnya dibagi menjadi statistik deskriptif dan statistik
inferensial.
Populasi adalah sekumpulan subyek yang hendak diketahui karakteristiknya, sampel
adalah sebagian dari populasi yang mempunyai karakteristik yang sama dan sampling adalah
teknik, cara atau metoda yang digunakan untuk mendapatkan sampel dari suatu populasi.
Data merupakan kumpulan dari beberapa fakta yang nyata, dengan skala pengukuran
data adalah nominal, ordinal, interval dan rasio.
Penyajian data dapat dilakukan dengan berbagai cara antara lain diagram, grafik, tabel
dan sebagainya.
Peranan statistik sangat besar di segala aspek kehidupan.
159
Tes 1
1) Ilmu yang mempelajari tentang cara mengumpulkan, mengolah, menganalisis dan

menarik kesimpulan pada suatu data di sebut dengan ....
A. statistik
B. matematika
C. statistika
D. matematik
2) Sekumpulan fakta yang didapatkan dari suatu penelitian disebut ....

A. data
B. transformasi
C. informasi
D. variabel
3) Untuk merubah data kualitatif menjadi data kuantitatif maka digunakan teknik ....
A. kualifikasi
B. stratifikasi
C. kuantifikasi
D. klasterisasi
4) Data yang diperoleh dari hasil penghitungan populasi di sebut dengan ....
A. statistik
B. variabel
C. parameter
D. skala
5) Estimatevalue adalah nilai yang diperoleh dari hasil perhitungan ....

A. populasi
B. sampel
C. sampling
D. sub populasi
6) Data berikut ini adalah jumlah mahasiswa Jurusan Farmasi Poltekkes Makassar tingkat
I sebanyak 100 orang, tingkat II sebanyak 200 orang dan tingkat III sebanyak 50 orang.
Prosentasi mahasiswa Tingkat Jurusan Farmasi I sebesar ....
A. 25,78%
B. 26,98 %
C. 27,64%
D. 28,57%
160
7) Data diskrit dan kontinu merupakan bagian dari data berdasarkan ....
A. jenisnya
B. sifat
C. sumber data
D. waktu pengumpulan
8) Data yang jumlahnya kecil serta memerlukan suatu kesimpulan sederhana, biasanya
dalam bentuk tulisan atau narasi adalah penyajian data dalam bentuk ....
A. tekstular
B. grafik
C. tabulasi
D. diagram batang
9) Jika variabel dalam bentuk kategorikal yang berfungsi untuk perbandingan frekuensi
distribusi data, maka jenis diagram yang digunakan adalah ....
A. line diagram
B. bar diagram
C. piechart
D. pictogram
10) Untuk melihat trend data dengan variabel numerical, maka jenis diagram yang
digunakan adalah ....
A. curtogram
B. pictogram
C. line diagram
D. piechart
161
Topik 2
Konsep Probabilitas
Rata-rata fenomena massa yang timbul secara berurutan atau serentak seperti
pancaran elektron, panggilan telepon, deteksi radar, kendali mutu, kegagalan sistem,
permainan berbasis kebetulan, mekanika statistik, turbulensi, suara, tingkat kelahiran atau
kematian, herediter banyak terkait dengan teori probabilitas. Dengan pendekatan teori
probabilitas diketahui bahwa bila jumlah pengamatan dari fenomena tersebut di atas
meningkat, maka rata-rata fenomena massa tersebut mendekati nilai konstan. Sebagai
contoh, pada pelemparan mata uang logam, presentasi munculnya sisi muka  M 
mendekati 0,5 atau nilai konstan tertentu. Angka yang sama akan diperoleh bila dilakukan
pelemparan n kali di mana kuantitas n besar. Tujuan dari teori probabilitas adalah untuk
mendeskripsikan dan meramal rata-rata tersebut di atas dengan menghubungkan
probabilitas dengan berbagai macam kejadian.
Probabilitas dari kejadian A di dalam suatu eksperimen A dapat ditafsirkan sebagai-
berikut:
“Jika eksperimen diulang n kali dan kejadian A timbul nA kali, maka dengan derajat
n
kepastian yang tinggi (highdegree of certainty), frekuensi relatif A dari kejadian A adalah
n
mendekati Pr  A ”.
nA
Pr  A   ...............................(1) di mana n cukup besar.
n
Penafsiran probabilitas dengan menggunakan pendekatan definisi frekuensi relatif
seperti tersebut di atas sebetulnya tidak tepat. Ada cara untuk memperbaiki definisi di atas
dengan memberikan muatan probabilitas pada ungkapan “derajat kepastian yang tinggi”.
Pada penyelidikan probabilistik dari suatu fenomena fisika perlu dibedakan tiga hal
sebagai berikut :
Tahap pertama (klasik), yaitu suatu proses di mana Pr  A dari suatu kejadian A tidak dapat
dibuat pasti. Tahap ini berdasarkan rumus (1) di mana Pr  A dihitung dengan menggunakan
pendekatan frekuensi relatif.
Latihan 1, jika suatu dadu digulirkan 10000 kali dan angka 2 muncul sebanyak 1674 kali,
1674
maka Pr  2    0,1674 . Dalam beberapa hal Pr  A diperoleh secara apriori lewat
10000
penalaran yang murni tanpa lewat percobaan. Maka karena dadu mempunyai enam sisi yang
simetris dan jika dadu digulirkan secara jujur maka
1
Pr  2    0,167
6
Tahap kedua (konseptual), di mana probabilitas memenuhi suatu aksioma tertentu. Lewat
penalaran deduktif ditentukan probabilitas Pr  A dari suatu kejadian A dan Pr B dari
162
suatu kejadian B. Pada pengguliran dadu secara jujur dapat dideduksikan bahwa probabilitas
3
kejadian di mana angka ganjil muncul adalah sama dengan  0,5 .
6
Pernyataan yang bisa diberikan adalah sebagai berikut :
1 3
Jika Pr 1   Pr  2     Pr  6   maka Pr  angka ganjil    0,5
6 6
Tahap ketiga (fisik), peramalan secara fisik dilakukan dengan menggunakan hasil pada tahap
kedua. Dalam tahap ini perhitungan probabilitas berdasarkan pendekatan frekuensi relatif
dengan demikian hasilnya tidak tepat jika dadu digulirkan sebanyak 10000 kali maka
diharapkan bahwa angka genap akan muncul sebanyak 5000 kali atau separuh dari jumlah
pengguliran dadu tersebut.
Untuk selanjutnya teori probabilitas berkenaan dengan tahap kedua yaitu dari
probabilitas yang diasumsikan mempunyai nilai tertentu, maka teori probabilitas
menjelaskan bagaimana menurunkan probabilitas lainnya. Dengan demikian proses
penurunan probabilitas bersifat tautologis karena hasilnya sarat dengan asumsi. Contoh
mudah yang mengandung makna tautologis adalah persamaan gerak suatu satelit adalah
termasuk dalam hukum Newton. Tak seorang pun menyangkal kebenaran dari nilai ilmu
mekanika.
Tahap satu dan tiga masuk dalam kajian bidang statistika, walaupun dalam statistika
semua hasil perhitungan dinyatakan dalam pernyataan probabilitas. Ada suatu perbedaan
yaitu pada uji eksperimental akhir diterapkan pada kejadian di mana nilai probabilitasnya
mendekati satu. Dalam hal ini penafsiran frekuensi relatif mengambil bentuk sebagai
berikut:
Jika probabilitas suatu kejadian mendekati satu maka dengan derajat kepastian yang
tinggi kejadian tersebut timbul pada suatu eksperimen tunggal.
Dalam hal ini dikembangkan teknik untuk menentukan jumlah hasil yang mungkin dari
suatu eksperimen tertentu atau untuk menentukan jumlah elemen di dalam suatu himpunan
tanpa menghitung secara langsung. Teknik ini disebut analisis kombinatorial.
Jika suatu prosedur dapat ditampilkan dalam x3 cara yang berbeda, demikian juga
untuk prosedur kedua dapat ditampilkan dalam  cara yang berbeda dan seterusnya untuk
prosedur berikutnya, maka jumlah cara di mana prosedur dapat ditampilkan dalam urutan
adalah merupakan hasil perkalian n  n  n 
1. Notasi Faktorial
n!  1  2  3   n  2   n  1  n . Penting untuk diingat bahwa 0!  1
Contoh 7.2.1:
2!  2  1  2
3!  3  2  1  6
.
.
dan seterusnya
163
2. Permutasi
Permutasi suatu obyek adalah susunan himpunan dari n obyek dalam urutan yang
ditentukan. Jadi suatu susunan k  n obyek dalam urutan yang ditentukan disebut k
permutasi atau permutasi n obyek yang diambil sejumlah k sekaligus. Perlu diperhatikan
bahwa susunan urutan amat penting dalam permutasi. Sebagai contoh adalah suatu
himpunan terdiri dari huruf a, b, c, d . Maka bdca,dcab,acdb adalah permutasi 4 huruf
yang diambil 4 sekaligus. Maka bad ,adb, cbd ,dan bca adalah permutasi 4 huruf yang
diambil 3 sekaligus. Maka ad , cb, da, dan bd adalah permutasi 4 huruf yang diambil 2
sekaligus. Jumlah permutasi n obyek yang diambil k sekaligus dinyatakan dengan rumus
sebagai berikut :
n!
Pn ,k  n   n  1   n  2    n  k  1 
 n  k !
3. Permutasi Dengan Repetisi (Ulangan)

Sering dijumpai jumlah permutasi obyek di mana beberapa diantaranya adalah sama.
Untuk itu perlu disimak dalil sebagai berikut :
Dalil : Jumlah permutasi n obyek, n1 dari padanya sama, n2 dari padanya sama, ..., nr dari
padanya sama adalah:
n!
n1 ! n2 !....nr
Contoh 7.2.2.:
Seseorang ingin membentuk semua kemungkinan 5 huruf dari kata DADDY . Maka didapat
5! = 120 permutasi dari obyek D1 , A, D2 , D3 ,Y . Dalam hal ini 3 D adalah berbeda. Coba amati
6 permutasi sebagai berikut :
D1D2D3 AY
D2D1D3 AY
D3D1D2 AY
D1D3D2 AY
D2D3D1 AY
D3D2D1 AY
akan menghasilkan kata yang sama bila indeks 1, 2, 3, dipindahkan. Angka 6 tersebut berasal
dari 3! = 3*2*1 = 6 cara yang berbeda atas penempatan 3 huruf D pada 3 posisi yang
pertama di dalam permutasi.
5! 5  4  3  2  1 120
Jadi    20 perkataan yang terdiri dari 5 huruf yang berbeda yang
3! 3 2 1 6
dapat dibentuk dengan menggunakan huruf dari kata DADDY .
164
Contoh 7.2.3.:
Ada isyarat berbeda yang dapat dibentuk dari himpunan 4 bendera merah yang berbeda, 3
bendera putih yang berbeda, dan satu bendera biru yang masing-masing terdiri dari 8
bendera yang terpasang di suatu tiang ?. Dalam hal ini dicari jumlah permutasi 8 obyek
yang 4 diantaranya sama (bendera merah), 3 di antaranya sama (bendera putih).
Jawab:
8! 8  7  6  5  4  3  2  1 40320
   280 isyarat yang berbeda.
4!3!1! 4  3  2  1  3  2  1  1 144
4. Kombinasi
Misalkan terdapat himpunan n obyek, maka kombinasi n obyek yang diambil k
sekaligus atau k kombinasi merupakan subhimpunan k elemen. Jadi k kombinasi adalah
pemilihan sebanyak k dari n obyek tanpa mempersoalkan urutan. Sebagai contoh; terdapat
huruf a, b, c , dan d dan diambil 3 sekaligus diperoleh kombinasi abc , acb, cba, cab, cba
sehingga pada kombinasi tidak diperhitungkan. Rumus yang digunakan:
Jumlah kombinasi n obyek yang diambil k sekaligus adalah:
P n!
C n ,k  n ,k 
k ! k ! n  k !
Contoh 7.2.4.:
Terdapat panitia yang terdiri dari 3 anggota dari 8 orang yang ada.
8! 8! 8*7*6*5*4*3*2*1
C8,3     56 panitia yang berbeda.
3!(8  3)! 3!5! 3*2*1*5*4*3*2*1
Pemilihan Pengurus
Contoh 7.2.5.:
Sebanyak 8 anggota pengurus Lembaga Masyarakat Desa dipilih dari 20 orang anggota
Badan Musyawarah Desa. Hitung jumlah kelompok pengurus yang berbeda. Untuk itu
digunakan rumus kombinasi seperti di atas sebagai berikut :
P n!
C n ,k  n ,k 
k ! k ! n  k !
20! 20! 20*19*18*17*16*15*14*13
C20,8     125970
8!(20  8)! 8!12! 8*7*6*5*4*3*2*1
5. Koefisien Binomial
Contoh 7.2.6.:
Sebuah mata uang logam dilempar secara jujur sebanyak 10 kali selanjutnya hitung (a)
probabilitas timbulnya 3M (b) probabilitas timbulnya  3M
Untuk 10 pelemparan mata uang logam, ruang sampel yang terbentuk terdiri dari 210 hasil
yang mungkin yang masing-masing mempunyai probabilitas yang sama. Jumlah susunan
165
 10 
yang berbeda yang terbentuk dari 3M dan 7B adalah  . Dengan demikian probabilitas
3
timbulnya 3M adalah :
 10  10!
 
3 3!(10  3)!
Pr  MMM    10    0,1172
2 210
6. Hipotesis
Hipotesis berasal dari kata hipo yang artinya rendah atau lemah dan tesis adalah
pernyataan. Jadi hipotesis adalah pernyataan atau jawaban untuk menjawab/memecahkan
masalah penelitian, tetapi masih lemah karena belum didukung oleh data dan belum diuji
kebenarannya. Hipotesisi juga dapat didefinisikan secara sederhana sebagai suatu
pernyataan tentative yang menjelaskan terjadinya perilaku, fenomena, atau peristiwa.
Pernyataan hipotesis lazimnya menyangkut prediksi peneliti tentang hubungan variabel-
variabel yang menjadi permasalahan penelitian. Pengelola rumah sakit misalnya, membuat
hipotesis bahwa rata-rata lama tinggal pasien di rumah sakit tersebut adalah enam hari;
petugas kesehatan membuat hipotesis bahwa program pelatihan keterampilan komunikasi
tertentu efektif dalam meningkatkan kemampuan komunikasi pemberi pelayanan kesehatan
dan pasien; seorang dokter membuat hipotesis bahwa sebuah obat baru efektif dalam
menurunkan tekanan darah sebesar 90% dari semua kasus yang mendapatkan obat.
Hipotesis statistik dinyatakan dalam dua bentuk yaitu hipotesis nol / nihil (Ho) dan
hipotesis alternatif (Ha). Hipotesis nol berdasarkan dugaan tak berbeda, tak berhubungan
dan sebagainya, maka pernyataannya biasanya diawali dengan kata-kata tidak terdapat
perbedaan, tidak terdapat hubungan dan sebagainya. Kebalikannya adalah hipotesis
alternatif dengan pernyataannya diawali dengan kata-kata terdapat perbedaan, terdapat
hubungan dan sebagainya. Ho dan Ha bersifat antagonistik, artinya bila Ho diterima maka
otomatis Ha ditolak dan demikian pula sebaliknya.
Kriteria penerimaan atau penolakan hipotesis berdasarkan kepada harga  (alpha =
kesalahan tipe I) yaitu besarnya kesalahan dalam menolak Ho. Besarnya harga alfa ini
disebut sebagai taraf signifikansi atau taraf nyata. Biasanya harga  juga dinyatakan dengan
huruf p (besarnya peluang kesalahan dalam menolak Ho). Dalam penelitian sebenarnya
masih terdapat kesalahan tipe II (= beta), yaitu besarnya kesalahan dalam menerima Ho.
Harga  biasanya dipergunakan untuk menentukan kuasa uji ( 1   = kuasa uji = power of
test). Dalam praktek yang dipakai untuk menentukan apakah Ho dan Ha yang diterima
adalah harga   p  . Besarnya harga  biasanya ditentukan berdasarkan pendekatan
konvensional dari kelaziman bidang penelitiannya. Untuk penelitian bidang hayati harga 
umumnya ditentukan setinggi-tingginya 0,05 atau 5 % dan bidang sosial bisa lebih besar lagi.
7. Statistik Deskriptif
Untuk menyederhanakan suatu data sehingga data tersebut dapat dengan mudah
untuk dipahami atau dimengerti merupakan definisi dari statistik deskriptif. Statistik ini
166
terdiri atas 3 (tiga) bagian yaitu ukuran pemusatan (Central Tendency), ukuran penyebaran
(Dispersi) dan ukuran letak (Fractil).
8. Ukuran Pemusatan
Sekarang kita memasuki bahasan tentang ukuran pemusatan. Ukuran
pemusatanadalah nilai tunggal yang mewakili satu set data, nilai itu menunjukkan pusat nilai
data (Mason, et. Al, 1999). Ukuran pemusatan terdiri atas mean, median dan modus.
Mean adalah rata-rata, juga disebut dengan rerata. Simbol dari mean adalah  X 
dibaca X bar. Mean dipakai untuk menentukan angka/nilai rerata sekumpulan set data baik
dalam bentuk tunggal, perbandingan dua nilai rerata, maupun set data harmonik. Nilai
rerata adalah sebuah angka yang dapat mewakili sebagian besar nilai individu atau unit
analisis setiap individu. Set data bagaimanapun bentuknya hanya akan ada tiga jenis yaitu
tunggal, ganda (berbanding) dan harmonik. Data tunggal adalah data yang bersifat tunggal
dengan jumlah individu atau anggota relatif kecil. Biasanya kurang dari 10, tetapi tidak ada
batasan yang jelas apa yang dimaksud set data kecil. Beberapa ahli statistika menetapkan 11
unit (Siegel, 1997) ada juga yang menetapkan 30 unit analisis (Walpole, 1995). Data dengan
set data perbandingan maksudnya ada dua kelompok data atau lebih tetapi sudah diketahui
nilai reratanya. Misalnya berat badan mahasiswa di kelas A adalah 45,5 kg, berat badan
mahasiswa kelas B adalah 46,5 kg dan berat badan mahasiswa kelas C adalah 50 kg. Kasus
seperti ini adalah kasus rerata perbandingan.Rerata harmonik berbeda dengan rerata
tunggal dan rerata perbandingan.Rerata harmonik adalah rerata yang berubah secara
periodik baik beraturan atau tidak beraturan dalam ukuran waktu tertentu.Pemakaian rerata
harmonik banyak digunakan dalam dunia kesehatan.
Mean dengan data tunggal dapat diketahui dengan menggunakan rumus berikut :
mean  X  
 xi
n
Penjelasan dari rumus diatas adalah bahwa nilai rerata yang ditulis dengan  X  di baca
X bar adalah nilai rerata sebuah set data. Jika semua nilai gugus data dijumlahkan maka itu
ditulis dengan  xi .Tulisan n kecil adalah jumlah semua individu.
Latihan
Ada tiga orang ibu hamil diukur kadar hemoglobinnya masing masing 10,0 mg/dl, 11,0 mg/dl
dan 10,0 mg/dl. Maka nilai rerata dapat dihitung menjadi:
Rerata HB  X  
10,0  11,0  10,0   10,33
3
Perhitungan nilai reratadiatas adalah perhitungan yang digunakan jika set datanya
tunggal. Tugas ahli farmasi lebih banyak berhadapan dengan data dalam bentuk distribusi
frekuensi tunggal.Pemahaman lebih baik untuk menggunakan cara hitung rerata tertimbang
adalah dengan memperhatikan Tabel 7.11 Distribusi Frekuensi Berat Badan Mahasiswa DIII
Farmasi Poltekkes Makassar Tahun 2014 dibawah ini. Pada tabel tersebut diketahui bahwa
tabel tersebut terdiri dari dua kolom dan enam baris.
167
Tabel 7.9
Berat Badan Mahasiwa DIII Farmasi
Berat Badan (Kg) xi Frekuensi fi

45 1
46 4
47 14
48 15
49 3
50 2
Jadi tabel ini termasuk jenis tabel tunggal yang sederhana. Data dalam bentuk set data
tunggal, sehingga untuk menghitung nilai reratanya terlebih dahulu kita menjumlahkan
semua nilai berat badan untuk semua mahasiswa yang diukur berat badannya. Perhitungan
menggunakan rumus berikut ini:
n fi  xi
x
f i
Distribusi frekuensi dengan data tunggal adalah set data yang tidak mempunyai
interval kelas tetapi skalanya adalah data rasio.
Contoh 7.2.7:
Tabel 7.10
Berat Badan Mahasiswa Farmasi Poltekkes Makassar
Berat Badan (Kg) Frekuensi

fi  xi
xi fi
45 1 45
46 4 184
47 14 658
48 15 720
49 3 147
50 2 100
Jumlah    39 1854
Contoh 7.2.8.:
Kasus lain adalah jika data distribusi frekuensi berskala interval, maka perhitungan nilai
reratanya berbeda meskipun prinsipnya sama. Perhatikan tabel berat badan mahasiswa DIII
Farmasi tahun 2014 Kelas A.
168
Tabel 7.11
Berat Badan Mahasiswa DIII Farmasi
Berat Badan (Kg) Frekuensi Titik

fi  xi
xi fi Tengah
35-40 1 37.5 37,5
41-45 4 42,5 170
46-50 14 47.5 665
51-55 15 52,5 787,5
56-60 3 57,5 172,5
61-65 2 62.5 125
Jumlah    39 39 1957.5
Perhatikan bahwa kita membutuhkan nilai tengah disetiap interval kelas.Caranya adalah
dengan menambah tepi bawah kelas dengan tepi atas kelas dibagi dua.Misalnya untuk kelas
pertama tepi kelas bawah adalah 35 dan tepi atas kelas adalah 40. Jadi 35  40 :2  37,5 .
Demikian juga untuk kelas kedua.
1957,5
x  50,19
39
Rerata untuk data perbandingan adalah rerata dari dua atau lebih set data yang sudah
memiliki nilai rerata.
Contoh 7.2.9.:
Rerata mahasiswa Diploma III Jurusan Farmasi Poltekkes Makassar mengunjungi
perpustakaan adalah tingkat I adalah 2, tingkat II adalah 4 dan tingkat III adalah 8. Maka
rerata mahasiswa mengunjungi perpustakaan dalam seminggu adalah tingkat I, II, dan III
dihitung dengan rerata perbandingan. Harus digunakan rumus berikut untuk
menyelesaikannya.
U  n x1  x2  x3
U  3 248 4
Rerata Harmonik adalah rerata yang digunakan pada data yang berubah nilainya antar
waktu.
H
f i
f 
 x i

 i 
169
Tabel 7.12
Nilai Ujian Statistika Jurusan Farmasi 2014
Nilai Ujian Fi
fi xi
xi xi
31-40 1 35,5 0,0282
41-50 2 45,4 0,0440
51-60 5 55,5 0,0901
61-70 15 65,5 0,2290
71-80 25 75,6 0,3311
81-90 20 85,5 0,2339
91-100 12 95,5 0,1256
Jumlah   80 1,0819
Sumber: Sudjana, 1995.
80
Jadi dengan menggunakan rerata harmonis diketahui H   73,94 .
1,0819
9. Median (Nilai tengah)

Median adalah nilai yang berada di tengah pada suatu set data atau nilai yang
membagi dua suatu set data. Median adalah nilai yang menjadi batas 50 persen distribusi
frekuensi bagian bawah dan 50 persen distribusi frekuensi bagian atas. Ringkasnya median
adalah nilai yang membagi distribusi menjadi 2 bagian yang sama yakni 50 persen, 50
persen. Harga median dapat ditentukan dengan beberapa formulasi tergantung pada kasus
yang dihadapi. Hanya dua hal yang perlu dibedakan pada kasus ini yaitu set data ganjil dan
set data genap. Ini jika kita temukan data tunggal.
Median untuk set data ganjil adalah data yang terletak ditengah setelah data tersusun
dari yang terendah ke tertinggi.
Contoh 7.2.10.:
Kadar cholesterol penderita Stroke di RS Daya Makassar adalah 220, 223, 224, 229, 309
(mg/dl), maka mediannya adalah 224 mg/dl karena data ini terletak ditengah. Berbeda
halnya jika set data genap misalnya data kolesterol penderita stroke sebagai berikut; 220,
223, 224, 229, maka mediannya adalah (223+224 )/2 =223,5 mg/dl.
Median untuk data berkelompok adalah sebagai berikut:
 1 
 2n  F 
Me  b  p  
 f 
 
170
Me adalah median dan simbol  b adalah batas bawah kelas median.Ini diketahui
berdasarkan frekuensi paling besar dari semua frekuensi yang ada.Simbol  p adalah
panjang kelas diketahui dengan menghitung selisih tepi atas kelas dengan tepi bawah
kelas.Simbol  n adalah banyaknya data sedangkan simbol  f  adalah frekuensi khusus
kelas median berada.
Contoh 7.2.11:
Tabel 7.13
Distribusi Nilai Ujian Statistika
Nilai Ujian Frekuensi

xi fi
31-40 1
41-50 2
51-60 5
61-70 15
71-80 25
81-90 20
91-100 12
 40  23 
Me  70,5  10    77,3
 25 
Perhatikan nilai 70,5 berasal dari nilai 70  71 / 2  70,5. Adalah sebuah nilai yang terletak
antara tepi kelas atas dengan tepi bawah kelas.
10. Modus (Mode)

Secara sederhana modus didefinisikan nilai yang paling sering muncul atau nilai yang
memiliki frekuensi yang terbanyak. Satu hal yang perlu diingat bahwa modus adalah
persoalan nilai bukannya frekuensi. Frekuensi hanya menunjuk intensitas kemunculan
sesuatu nilai.Pada data tunggal menentukan mode/modus mungkin tidaklah terlampau sulit.
Hanya dengan memperhatikan nilai yang memiliki frekuensi terbanyak maka dapat
diidentifikasi nilai modus/mode dari distribusi data. Hal ini agak berbeda jika berhadapan
dengan data bergolong. Apabila data yang dihadapi bergolong menentukan harga modus
ada 2 pendekatan, yakni pertama, dengan menentukan midpoint atau nilai tengah dari
interval kelas yang memiliki frekuensi terbanyak dan kedua dengan formulasi sebagai
berikut:
 b 
Mo  b  p  1 
 b1  b2 
171
Penjelasan rumus diatas adalah Mo = modus dan simbol  b adalah batas bawah
kelas modus dicirikan sebagai interval kelas dengan frekuensi terbanyak. Simbol  p adalah
panjang kelas modus, simbol  b1  adalah frekuensi kelas modus dikurangi dengan frekuensi
kelas interval sebelum kelas modus. Simbol  b2  adalah frekuensi kelas modus dikurangi
dengan kelas interval dengan tanda kelas yang lebih besar sesudah kelas modus.
Tabel 7.14
Distribusi Nilai Ujian Statistika
Nilai Ujian Frekuensi

xi fi
31-40 1
41-50 2
51-60 5
61-70 15
71-80 25
81-90 20
91-100 12
Dari tabel diatas diketahui
b  70,5; b1  25  15  10; b2  25  20  5; p  10
 10 
Mo  70,5  10    77,17
 10  5 
11. Dispersi (Nilai Penyebaran)

Pemahaman terhadap nilai sebaran mempermudah kita memahami cara melakukan
perhitungan nilai sebaran. Konsep nilai sebaran mendeskripsikan sebuah nilai yang
menunjukkan sebaran data. Sebaran data berguna untuk mengetahui variasi data, sehingga
apabila diperlukan untuk menilai pemerataan maka nilai sebaran akan membantu kita untuk
mengetahui keterwakilan setiap nilai dalam sebuah set data.
Dalam terminologi statistika penyebaran data dapat dilakukan dengan alat statistik
yang disebut variabilitas. Variabilitas sering juga disebut dispersi atau penyebaran. Definisi
ringkas variabilitas adalah derajat penyebaran nilai variabel dari suatu tendensi sentral
tertentu. Pengukuran variabilitas juga memiliki fungsi penting yakni sebagai alat untuk
mengetahui homogenitas dan heterogenitas data. Jika data yang kita hadapi memiliki tingkat
penyebaran yang tinggi berarti data cenderung bersifat heterogen. Pemahaman tentang
homogenitas dan heterogenitas data dalam kelompok sangat penting tidak hanya untuk
kepentingan identifikasi karakter/ ciri kelompok tetapi juga untuk memperoleh pemahaman
tentang perbedaan antara dua kelompok atau lebih. Satu catatan yang perlu dicermati
dalam pengukuran variabilitas bahwa pengukuran ini dapat diterapkan jika data yang
diperoleh dalam bentuk numerik atau berskala interval dan rasio.
172
Pengukuran variabilitas termasuk bidang statistika deskriptif. Pengukuran variabilitas

dapat dimanfaatkan untuk kepentingan praktis misalnya; penyusunan standar nilai baik
untuk kepentingan akademik maupun praktis dengan menggunakan standar deviasi. Untuk
menentukan peloncat tinggi yang diajukan dalam perlombaan seorang pelatih juga
memerlukan alat statistik berupa variabilitas untuk memilihnya. Seorang guru atau
instruktur juga memerlukan informasi tentang perbedaan variabilitas dalam kecakapan mata
pelajaran antar 2 kelas ketika hendak memperlakukan 2 kelas secara berbeda akibat adanya
perbedaan kondisi kelas/murid tersebut. Selain untuk kepentingan praktis pengukuran
variabilitas juga memiliki arti teoritik yang sangat penting. Setidaknya melalui pengukuran ini
dapat dilakukan identifikasi tentang ciri kelompok dan perbedaan antar 2 kelompok atau
lebih.
12. Jenis Pengukuran Variabilitas

Pengukuran variabilitas terdiri atas beberapa pengukuran antara lain: (a) Range; (b)
Mean Deviasi; (c) Standard Deviasi dan (d). Z score atau standar score.
a. Range
Range atau jarak pengukuran adalah selisih antara nilai tertinggi hasil pengukuran dan
nilai terendah hasil pengukuran
R  X tertinggi  X terendah
b. Mean Deviasi (MD)

Mean deviasi atau rata-rata deviasi (penyimpangan) yaitu rata-rata dari deviasi nilai-
nilai dari mean dalam suatu distribusi. Dalam hal ini diambil nilai yang absolut artinya deviasi
baik yang berarah negatif maupun positif semuanya dianggap positif (+)
MD 
 xi  X
n
Penjelasan tentang rumus diatas adalah MD = mean deviasi yang ingin dicari dan
 xi  X adalah harga mutlak atau selisih antara nilai rerata dengan nilai setiap unsur
penyusunnya tanpa nilai negatif.
Contoh 7.2.13:
Perhatikan tabel berikut ini:
Tabel 7.15
Jumlah Sapi Peternak di Desa Lero
Xi Xi  X xi  X
8 -1 1
7 -2 2
10 1 1
11 2 2
173
Perhatikan bahwa berdasarkan hasil perhitungan diketahui nilai rerata jumlah ternak
adalah 9.Jadi selisih antara jumlah masing masing ternak dengan 9 adalah
 1 ,  2 , 1 dan 2 . Setelah dikonversi menjadi nilai mutlak maka semuanya dirubah
6 1
menjadi bilangan bulat positif. Jadi mean deviasinya adalah MD  1
4 2
c. Standar Deviasi (SD)

Standar deviasi (SD) secara matematik dibatasi sebagai akar dari jumlah deviasi
kuadrad dibagi banyaknya individu kurang 1. Pemahaman kita akan lebih mudah jika kita
perhatikan tabel berikut ini:
Contoh 7.2.14:
Tabel 7.16
Berat Daging Kurban Terdidtribusi
Xi  X  xi  x 
2
Xi
8 0 0
7 -1 1
10 2 4
11 3 9
4 -4 16
30
Digunakan rumus standar deviasi berikut ini:

 x x
2
s 1
n 1
Perhatikan bahwa s adalah standar deviasi dan  x1  x  adalah kuadrat dari selisih nilai
2
rerata dengan nilai individu dan n  5 , karena jumlah individunya adalah 5. Pada tabel diatas
30
reratanya adalah 8. Sehingga standar deviasinya adalah s   2,7386 .
4
d. Varians
Varians adalah nilai kuadrat dari simpangan baku (standar deviasi). Jadi jika data diatas
ingin diketahui nilai variansnya maka hanya dikuadratkan nilai simpangan bakunya sebagai
berikut :
Contoh 7.2.15:
 x  x 
2
s 
2 i
 2,73862  7,5
n 1
174
e. Standar Error (Galat Baku)

Galat baku menunjukkan bahwa simpangan baku dibagi akar sejumlah data atau jika
s
simbolkan dengan rumus statistik adalah se  yang berlaku sama terhadap data tunggal
n
dan data kelompok.
f. KoefisienVariasi (CoefisienVarians)
Pada koefisien variasi menunjukkan bahwa simpangan baku dibagi dengan rerata
dikalikan 100 %. Rumus ini juga berlaku untuk data tunggal dan data berkelompok.
13. Fraktil
a. Kuartil
Kuartil adalah nilai yang memisahkan tiap-tiap 25 persen dalam distribusi frekuensi.
Fungsi kuartil untuk menentukan nilai batas tiap 25 persen dalam distribusi yang
dipersoalkan. Oleh sebab itu teknik ini diterapkan jika analisis dilakukan dengan tujuan untuk
membagi distribusi menjadi 4 bagian, selanjutnya menentukan batas tiap 25 persen
distribusi dimaksud.Dalam statistik dikenal ada 3 nilai kuartil yakni; kuartil 1  K1  , kuartil 2
K2  dan kuartil ke 3 K3  .
Kuartil pertama  K1  adalah suatu nilai yang membatasi 25% distribusi bagian bawah
dan 75 % distribusi bagian atas. Kuartil kedua K2  adalah nilai yang membatasi 50%
distribusi bagian bawah dan 50% distribusi bagian atas. Dalam hal ini kuartil kedua dapat
diidentikkan dengan pengukuran median (Md). Kuartil ketiga  K3  adalah nilai yang
membatasi 75% distribusi bagian bawah dan 25% distribusi bagian atas. Asumsi teknik
pengukuran kuartil: data yang diperoleh dari hasil pengukuran dalam bentuk numerik
(angka) dan lazimnya setingkat skala interval.
Cara menentukan kuartil dibedakan menurut data tunggal dan data berkelompok.
Cara menghitung kuartil data tunggal adalah:
i  n  1
Ki 
4
Penjelasan tentang simbol  Ki  adalah Kuartil ke 1, sedangkan simbol  i  adalah angka
1, 2 dan 3 atau K1 , K2 dan K3 . Simbol (i) menunjukkan kuartil ke berapa yang hendak
dihitung; sedangkan (n) menunjukkan jumlah individu atau frekuensi.
Cara menentukan kuartil untuk data berkelompok atau data yang menggunakan kelas
interval. Rumus yang dapat dipakai adalah sebagai berikut:
n
N  cfb
K n  Bb  4 i
Fd
175
Penjelasan tentang rumus diatas adalah  Kn  = nilai kuartil yang dicari K1 , K2 , atau K3  .
Simbol Bb adalah batas bawah nyata dari interval yang mengandung kuartil. Simbol  cfb 
adalah frekuensi kumulatif dibawah interval yang mengandung kuartil. Simbol Fd  adalah:
frekuensi dalam interval kelas yang mengandung kuartil. Simbol (i) adalah lebar interval/
n 
lebar kelas dan simbol  N  adalah: komponen yang menunjuk pada urutan kuartil. Jika
4 
1
N artinya kuartil pertama. N adalah jumlah data.
4
b. Desil
Nilai yang memisahkan distribusi data menjadi 10 bagian. Nilai desil membagi sepuluh
bagian yang sama. Fungsi desil merupakan nilai batas tiap 10% dalam distribusi yang
dipersoalkanmetode ini diterapkan pada kelompok atau distribusi data dibagi menjadi 10
bagian yang sama. Untuk selanjutnya menentukan batas tiap 10 persen dalam distribusi
dimaksud. Dalam statistik dikenal ada 9 nilai desil yakni; desil 1  D1  , desil 2  D2  , desil ke 3
D3  dan seterusnya sampai dengan dersil ke 9 atau D9 .
Cara menentukan harga desil dibedakan menjadi dua cara. Cara menghitung desil
untuk data tunggal berbeda dengan data berkelompok. Cara menghitung desil untuk data
data tunggal atau tanpa frekuensi adalah sebagai berikut:
i  n  1
Di 
10
Penjelasan tentang rumus diatas adalah Di adalah desil ke- i . Dimana simbol (i) adalah
bilangan 1,2,3,4,5,6,7,8,9 yang menunjukkan desilkeberapa yang akan diketahui sedangkan
n = jumlah individu / frekuensi. Apabila kita berhadapan dengan jumlah data berkelompok
maka persentil dapat dilakukan dengan rumus :
n
N  cfb
Dn  Bb  10 i
fd
Penjelasan tentang rumus diatas adalah bahwa Dn = nilai desil yang dicari ( D1 , D2
sampai dengan D9 ). Setelah itu perhatikan simbol Bb = batas bawah dari interval yang
mengandung desil yang ingin dicari dan terletak pada kelas keberapa. Simbol cfb =
frekuensi kumulatif dibawah interval yang mengandung desil dan ( fd) adalah frekuensi
dalam interval kelas yang mengandung desil. Lebar interval kelas selanjutnya ditulis dengan
1
(i).Keterangan tentang N adalah komponen yang menunjuk pada urutan desil. Jika
100
1
N artinya persentil pertama (P1 ) . N adalah jumlah data.
100
176
c. Persentil
Jika desil adalah nilai yang memisahkan distribusi menjadi 10 bagian maka nilai
persentil membagi distribusi menjadi 100 bagian yang sama. Oleh karena itu fungsi persentil
adalah menentukan nilai batas tiap 1 persen dalam distribusi yang dipersoalkan. Teknik ini
diterapkan jika kelompok atau distribusi data dibagi menjadi 100 bagian yang sama, untuk
selanjutnya menentukan batas tiap 1 persen dalam distribusi dimaksud. Dalam statistik
dikenal ada 99 nilai persentil yakni; persentil 1 (P1 ) , persentil 2 (P2 ) , persentil ke-3 (P3 ) dan
seterusnya sampai dengan persentil ke 99 atau P99 .
Persentil pertama (P1 ) adalah suatu nilai yang membatasi 1% distribusi bagian bawah
dan 99 % distribusi bagian atas.
Persentil kedua (P2 ) adalah nilai yang membatasi 2% distribusi bagian bawah dan 98%
distribusi bagian atas. Persentil ke-50 (P50 ) adalah nilai yang membatasi 50% distribusi bagian
bawah dan 50% distribusi bagian atas. Dalam hal ini persentil 50 dapat diidentikkan dengan
pengukuran median ( Me ) dan kuartil ke-2 ( K2 ) serta desil ke 5 atau D5 . Persentil ke 99 ( P99
) adalah nilai yang membatasi 99% distribusi bagian bawah dan 1% distribusi bagian atas.
Asumsi teknik pengukuran persentil adalah bahwa biasanya persentil dipakai pada data yang
diperoleh dari hasil pengukuran dalam bentuk numerik (angka) dan lazimnya setingkat skala
interval. Cara menentukan harga persentil dibedakan menjadi dua cara. Cara menghitung
persentil untuk data tunggal berbeda dengan data berkelompok. Cara menghitung persentil
untuk data data tunggal atau tanpa frekuensi adalah sebagai berikut:
i  n  1
Pi 
100
Penjelasan tentang rumus diatas adalah Pi adalah persentil ke- i . Dimana simbol ( i )
adalah bilangan 1,2,3,4,..99. yang menunjukkan persentilkeberapa yang akan diketahui
sedangkan n = jumlah individu / frekuensi. Apabila kita berhadapan dengan jumlah data
berkelompok maka persentil dapat dilakukan dengan rumus :
n
N  cfb
Pn  Bb  100 i
fd
Penjelasan tentang rumus diatas adalah bahwa Pn =: nilai persentil yang dicari ( P1 , P2
sampai dengan P99 ). Setelah itu perhatikan simbol Bb = batas bawah dari interval yang
mengandung persentil yang ingin dicari dan terletak pada kelas keberapa. Simbol cfb =
frekuensi kumulatif dibawah interval yang mengandung persentil dan  fd  adalah: frekuensi
dalam interval kelas yang mengandung persentil. Lebar interval kelas selanjutnya ditulis
177
1
dengan ( i ).Keterangan tentang N adalah komponen yang menunjuk pada urutan
100
1
persentil. Jika N artinya persentil pertama  P1  . N adalah jumlah data.
100
Latihan
1) Bagian dari matematika yang merupakan cikal bakal statistika adalah :

a. Probabilitas
b. Signifikansi
c. Exactly
d. Rasio
2) Untuk menyederhanakan suatu data sehingga data tersebut mudah untuk dimengerti
maka digunakan statistik:
a. Inferensial
b. Deskriptif
c. Parametrik
d. Non-parametrik
3) 5 3 1 7 6 berdasarkan data tersebut maka nilai mediannya adalah:
a. 1
b. 5
c. 3
d. 7
f 5 10 15 10 5 6
x 10 11 12 13 14 15
4) Berdasarkan data diatas, maka nilai modus sebesar :
a. 10
b. 11
c. 12
d. 15
5) Masih menggunakan tabel diatas. Nilai median sebesar:
a. 10
b. 11
c. 15
d. 12
6) Nilai mean data diatas sebesar:
a. 12,353
b. 15,521
c. 12,917
d. 15,452
178
7) Range data di atas sebesar :

a. 2
b. 3
c. 4
d. 5
Penggunaan Paracetamol Tablet f

15 – 20 5
21 – 25 10
26 – 30 20
31 – 35 10
36 – 40 5
8) Nilai simpangan baku penggunaan Tablet Paracetamol di atas:
a. 5,244
b. 5,367
c. 5,125
d. 5,853
9) Nilai kuartil ke 2 pada penggunaan Tablet Paracetamol di atas sebesar:
a. 25
b. 24
c. 28
d. 27
10) Nilai persentil ke 50 penggunaan Tablet Paracetamol di atas sebesar:
a. 10
b. 15
c. 20
d. 25
Petunjuk dalammenjawab.
Pilihlah salah satu jawaban yang paling tepat dan benar dengan melingkari di depan jawaban
tersebut
Jawaban
1. A 6. A
2. B 7. D
3. B 8. A
4. C 9. C
5. D 10. D
179
Ringkasan
Probabilitas merupakan dasar dari ilmu statistik, tetapi bagian dari matematika.
Hipotesis adalah asumsi, dugaan atau kesimpulan sementara yang masih lemah,
sehingga memerlukan alat untuk menguji hipotesis tersebut. Alat tersebut yang dinamakan
statistik.
Statistik deskriptik adalah statistik yang digunakan untuk menyederhanakan suatu data
sehingga data tersebut mudah untuk dipahami/dimengerti. Pembagian statistik deskriptif
adalah centraltendency (ukuran pemusatan), dispersi (ukuran penyebaran) dan fraktil
(ukuran letak). Ukuran pemusatan terdiri atas mean, median dan modus. Ukran penyebaran
terbagi atas range, simpangan baku, varians, koefisien variasi, dan standarderror. Fraktil
terdiri atas kuartil, desil dan persentil.
Tes 2
1) Sifat dari statistika adalah ....

A. Exact
B. Unpredictable
C. Predictable
D. Probabel
2) Probabilitas dari fenomena fisika terdiri dari hal dibawah ini,kecuali....

A. Klasik
B. Konseptual
C. Fisik
D. Holistik
3) Central tendency (ukuran pemusatan) yang sangat dipengaruhi oleh nilai ekstrem
adalah ....
A. Median
B. Modus
C. Mean
D. Range
4) Besarnya peluang kesalahan dalam menolak Hipotesis nol (Ho)adalah ....

A. α
B. γ
C. β
D. σ
180
5) Power of test dalam pengujian hipotesis dikenal dengan simbol ....

A. α
B. γ
C. β
D. σ
Konsentrasi Larutan HCl f

6 – 10 % 10
11 – 15 % 5
16 – 20 % 20
21 – 25 % 5
26 – 30 % 10
6) Mean konsentrasi larutan HCl di atas adalah ....

A. 16,5
B. 18,5
C. 15,5
D. 17,5
7) Median konsentrasi larutan HCl di atas adalah ....

A. 18
B. 17
C. 16
D. 15
8) Modus konsentrasi larutan HCl di atas adalah ....

A. 15
B. 16
C. 17
D. 18
9) Simpangan baku konsentrasi larutan HCl di atas adalah ....

A. 4,3011
B. 4,7892
C. 4,2671
D. 4,6731
181
10) Desil ke 5 konsentrasi larutan HCl di atas adalah ....

A. 10
B. 20
C. 18
D. 15
182
Kunci Jawaban Tes
Tes 1
1) C
2) C
3) C
4) A
5) C
6) D
7) A
8) A
9) C
10) C
Tes 2
1) D
2) D
3) C
4) A
5) C
6) B
7) A
8) D
9) A
10) C
183
Daftar Pustaka
Djumanta, W. 2008. Mahir Mengembangkan Kemampuan Matematika 2 : untuk Kelas XI

Sekolah Menengah Atas / Madrasah Aliyah. Pusat Perbukuan, Departemen Pendidikan
Nasional, Jakarta. p. 250.
Kuntoro, 2012. Probabilitas. Pustaka Melati Surabaya.
Santoso, Singgih, 2002. Buku Latihan SPSS Statistik Parametrik. PT Elex Media Komputindo
Kelompok Gramedia, Jakarta.
Siegel, S., 1958. NonparametricMethods for theBehavioral Sciences, McGraw-Hill. New York.
Steel, R. G. D. And J. H, 1981. PrinciplesandProsedures of Statistics. 2nd ed. McGraw-HillBook

Co., New York.
Zainuddin, M., 1990. Peranan Statistika Dalam Penelitian Dalam S. Tirtowidardjo dan
Sarmanu (ed). Penataran Dasar-Dasar Metodologi Penelitian, Statistika dan Komputer.
Lembaga Penelitian Unair.
184
BAB VIII
STATISTIKA INFERENSIAL
Rudy Hartono
PENDAHULUAN
Setelah kita mempelajari Bab 7, banyak manfaat statistik yang dapat diaplikasikan
dalam segala bidang, utamanya di bidang farmasi. Bagaimana menyederhanakan data
farmasi, sehingga lebih mudah untuk dipahami dan mengerti utamanya buat melakukan
perencanaan ataupun pengambilan keputusan akan lebih mudah dengan mempelajari
tentang statistik deskriptif.
Bab ini akan menguraikan tentang statistik inferensial. Seperti telah diketahui bersama
bahwa statistik inferensial terbagi atas 2 bagian yaitu statistik parametrik dan statistik non-
parametrik.
Setelah mempelajari bab ini mahasiswa akan dapat :
1. menjelaskan definisi statistik inferensial dan jenis-jenisnya.
2. menjelaskan syarat hipotesis dalam penggunaan statistik parametrik
3. menjelaskan interpretasi uji hiptesis.
4. Menjelaskan prosedur uji statistik.
5. Memahami tingkat kemaknaan, keputusan statistic dan nilai p.
6. Menjelaskan kesalahan pengambilan keputusan statistik.
7. Menjelaskan kuasan statistik dan distribusi pencuplikan.
Sebagai bekal/bahan utama dalam memahami statistik inferensial, pelajari bab ini
seteliti mungkin karena Bab 8 ini merupakan bab dasar untuk memahami bab selanjutnya.
Ikuti petunjuk, baik pada contoh, latihan maupun petunjuk jawaban soal latihan. Apabila
dalam satu topik masih belum dipahami, coba ulang kembali dan begitu seterusnya.
185
Topik 1
Konsep Dasar Statistika Inferensial
A. DEFINISISTATISTIK INFERENSIAL DAN JENIS-JENISNYA
Manfaat utama statistik secara modern adalah melakukan inferensi statistik. Inferensi
statistik adalah penarikan kesimpulan (inferensi) tentang karakteristik populasi dengan
menggunakan informasi yang diperoleh dari suatu sampel yang diambil dari populasi.
Bahasan inferensi statistik mencakup dua hal yaitu : (1) membuat dugaan tentang parameter
populasi dan (2) menguji hipotesis tentang karakteristik populasi.
Masalah utama dalam inferensi statistik adalah bagaimana memastikan bahwa
perbedaan-perbedaan yang teramati antara dua (atau beberapa) sampel betul-betul
mencerminkan perbedaan-perbedaan pada populasi asal sampel. Sewaktu melakukan
inferensi tentang karakteristik populasi selalu terdapat kemungkinan inakurasi penarikan
kesimpulan karena peran peluang atau variasi-variasi pencuplikan (sampling variability).
Namun, peran peluang itu dapat diperkecil dengan memperbesar ukuran sampel. Sebagai
contoh, kita memiliki sebuah populasi terdiri atas 100 kelereng yang setengah bagiannya
berwarna merah dan setengah bagian berwarna biru. Andaikata kita mencuplik sampel
terdiri atas dua kelereng, maka 1 dari 4 kesempatan (1/22) akan memperoleh kelereng
berwarna merah saja (atau biru saja). Artinya, kita membuat kesalahan sebesar 25% dengan
menyimpulkan bahwa populasi kelereng berwarna merah saja ( padahal sesungguhnya
hanya separuh bagian), jika sampel yang kita cuplik hanya berukuran 2 buah. Tetapi
andaikata sampel kita berukuran 10 kelereng, maka akan terdapat kemungkinan sebesar 1
 1 
dari 1024 kesempatan  10  bahwa kelereng yang kita cuplik berwarna merah saja. Artinya,
2 
kita “hanya” membuat kesalahan sebesar 0,10 persen, jika sampel yang kita cuplik
berukuran 10 buah.
Jelas bahwa jika ukuran sampel-sampel diperbesar, variasi-variasi antara sampel akan
makin kecil, presisi akan meningkat, dan kemungkinan untuk secara keliru membuat
kesimpulan dari sampel tentang karakteristik populasi sesungguhnya akan makin kecil.
Sebaliknya, jika ukuran sampel kecil, variasi-variasi antara sampel akan makin besar, presisi
akan berkurang, dan kemungkinan untuk secara keliru membuat kesimpulan dari sampel
tentang karakteristik populasi yang sesungguhnya akan makin besar. Yang akan ditekankan
di sini adalah bahwa peran peluang merupakan salah stu aspek yang perlu dijelaskan dalam
laporan penelitian untuk menilai presisi temuan penelitian kita.
Statistik inferensial adalah jenis statistik yang menganalisis data yang berasal dari
sampel, dan membuat suatu generalisasi (diberlakukan secara umum) kepada
populasi.Dalam statistika inferensia diadakan pendugaan parameter, membuat hipotesis,
serta melakukan pengujian hipotesis tersebut sehingga sampai pada kesimpulan yang
berlaku secara umum. Metode ini disebut juga statistika induktif, karena kesimpulan yang
ditarik didasarkan pada informasi dari sebagian data saja. Pengambilan kesimpulan dari
186
statistika inferensia yang hanya didasarkan pada sebagian data saja yang menyebabkan sifat
tak pasti,memungkinkan terjadi kesalahan dalam pengambilan keputusan,sehingga
pengetahuan mengenai teori peluang mutlak diperlukan dalam melakukan metode-metode
statistika inferensial.
Berdasarkan ruang lingkupnya maka statistik inferensial kemudian dibedakan menjadi
statistik parametrik dan statistik non-parametrik. Statistik parametrik mensyaratkan
terpenuhinya banyak asumsi, yaitu asumsi tentang kenormalan data, homogenitas data, dan
datanya berupa interval atau rasio. Sedangkan statistik non parametrik tidak memerlukan
asumsi-asumsi diatas untuk terpenuhi yaitu data mempunyai data ordinal atau nominal.
Statistik non-parametrik biasa juga disebut dengan statistik bebas distribusi (free
distribution).
B. SYARAT UJI HIPOTESIS DALAM PENGGUNAAN STATISTIK

PARAMETRIK
Uji hipotesis merupakan proses pengujian kemaknaan statistik dan kuantifikasi

besarnya pengaruh variasi pengambilan sampel terhadap hasil-hasil yang teramati dari suatu
penelitian. Para pengambil keputusan sering dihadapkan pada situasi yang disalamnya
pengetahuan tentang (parameter-parameter populasi sangat langkah, sehingga
membuatuhkan suatu startegi pengambilan keputusan berdasarkan probabilitas yang
disebut uji hipotesis. Uji hipotesis membantu para peneliti, klinisi, administrator kesehatan
dalam mengabil keputusan tentang populasi, dengan cara menganalisis data sampel yang
dicuplik dari populasi tersebut.
Secara sederhana hipotesis dapat didefinisikan sebagai suatu pernyataan tentative
yang menjelaskan terjadinya perilaku, fenomena, atau peristiwa. Pernyataan hipotesis
lazimnya menyangkut prediksi peneliti tentang hubungan variabel-variabel yang menjadi
permasalahan penelitian. Pengelola rumah sakit umpamanya, membuat hipotesis bahwa
rata-rata lama rawat inap pasien di rumah sakit tersebut lima hari; petugas kesehatan
masyarakat membuat hipotesis bahwa program pelatihan keterampilan komunikasi tertentu
efektif dalam meningkatkan kemampuan komunikasi pemberi pelayanan kesehatan dan
pasien; seorang dokter membuat hipotesis bahwa sebuah obat baru efektif dalam
menurunkan tekanan darah sebesar 90% dari semua kasus yang mendapat obat.
Definisi lain tentang uji hipotesis menyatakan bahwa suatu metode pengambilan
keputusan yang didasarkan dari analisis data, baik dari percobaan yang terkontrol, maupun
dari observasi (tidak terkontrol). Dalam statistik sebuah hasil bisa dikatakan signifikan secara
statistik jika kejadian tersebut hampir tidak mungkin disebabkan oleh faktor yang kebetulan,
sesuai dengan batas probabilitas yang sudah ditentukan sebelumnya.
Uji hipotesis kadang disebut juga "konfirmasi analisis data". Keputusan dari uji
hipotesis hampir selalu dibuat berdasarkan pengujian hipotesis nol. Ini adalah pengujian
untuk menjawab pertanyaan yang mengasumsikan hipotesis nol adalah benar.
187
Daerah kritis (bahasa Inggris: critical region) dari uji hipotesis adalah serangkaian hasil
yang bisa menolak hipotesis nol, untuk menerima hipotesis alternatif. Daerah kritis ini
biasanya disimbolkan dengan huruf C.
Hipotesis dapat diklasifikasikan menjadi 2 jenis yaitu (1) hipotesis konseptual, dan (2)
hipotesis operasional. Hipotesis konseptual merupakan pemikiran solutif tentang
permasalahan penelitian yang mendorong peneliti untuk melakukan riset . Pemikiran itu
dapat muncul berkaitan dengan teori sebelumnya (deduktif), atau timbul setelah orang
melakukan observasi-observasi dalam kehidupan sehari-hari (induktif). Umpamanya
berdasarkan pengalaman praktek, seorang dokter melihat kemungkinan bahwa suatu
kombinasi obat modern dan tradisional lebih efektif dan membutuhkan dosis yang lebih
rendah untuk menyembuhkan kanker dari pada kalau diberikan secara sendiri-sendiri.
Seorang manajer rumah sakit melihat bahwa program modifikasi perilaku mungkin lebih
efektif dari pada program latihan keterampilan karyawan untuk meningkatkan penampilan
kerja mereka. Dengan uji hipotesis dapat ditetapkan apakah pernyataan-pernyataan itu
cocok dengan data yang dikumpulkan.
Hipotesis konseptual dioperasionalisasikan menjadi hipotesis operasional. Hipotesis
operasional dinyatakan sedemikian rupa sehingga biasa langsung dievaluasi dengan teknik-
teknik statistik sesuai. Oleh karena itu hipotesis operasional disebut juga hipotesis kerja
(hipotesis statistik). Hipotesis statistik adalah sebuah pernyataan tentang parameter yang
menjelaskan suatu populasi (bukan sampel).
Sampai dengan keputusan obyektif apakah hipotesis tertentu cocok atau tidak dengan
data yang dikumpulkan, diperlukan suatu prosedur obyektif penolakan dan penerimaan
hipotesis. Prosedur yang obyektif menjadi penting dalam metode ilmiah, agar ketika seorang
peneliti lain bias mengulanginya (replikasi) dengan metode dan prosedur yang sama.
Statistik adalah angka yang dihitung dari sekumpulan sampel.
Hipotesis nol H0  adalah sebuah hipotesis yang berlawanan dengan teori yang akan
dibuktikan.
Hipotesis alternatif H1  atau hipotesis kerja Ha  adalah sebuah hipotesis (kadang
gabungan) yang berhubungan dengan teori yang akan dibuktikan.
Tes statistik adalah sebuah prosedur yang masukannya adalah sampel dan hasilnya adalah
hipotesis.
Daerah penerimaan adalah nilai dari tes statistik yang menggagalkan untuk penolakan
hipotesis nol.
Daerah penolakan adalah nilai dari tes statistik untuk penolakan hipotesis nol.
Kekuatan Statistik 1    merupakan probabilitas kebenaran pada saat menolak hipotesis
nol.
Tingkat signifikan test   merupakan probabilitas kesalahan pada saat menolak hipotesis
nol.
Nilai P ( P -value) merupakan probabilitas, mengasumsikan hipotesis nol benar.
188
C. INTERPRETASI
Jika nilai p lebih kecil dari tingkat signifikan tes yang diharapkan, maka hipotesis nol
bisa ditolak. Jika nilai p tidak lebih kecil dari tingkat signifikan tes yang diharapkan bisa
disimpulkan bahwa tidak cukup bukti untuk menolak hipotesa nol, dan bisa disimpulkan
bahwa hipotesa alternatif yang benar.
1. Prosedur Uji Hipotesis

a. Data. Data merupakan basis prosedur pengujian. Karena itu sifat-sifat dan skala
pengukuran data perlu diketahui untuk menentukan metode uji yang akan digunakan.
b. Asumsi. Asumsi adalah kondisi model statistik yang melatarbelakangi suatu uji. Setiap
uji dibuat berdasarkan model statistik tertentu dan dengan syarat-syarat pengukuran
variabel tertentu. Kadang-kadang kita dapat menguji apakah kondisi yang diisyaratkan
itu dipenuhi atau tidak. Namun sering kali kita hanya dapat membuat “asumsi” tentang
kondisi hal tersebut. Dalam banyak situasi kita harus biasa nyakin bahwa asumsi-
asumsi yang kita buat itu benar. Uji parametrik pada umumnya membuat asumsi lebih
banyak dari pada nonparametrik. Konsekuensinya, generalisasi penerapan uji
parametric lebih terbatas dari pada uji non-parametrik, tetapi uji parametric memiliki
kuasa statistik lebih besar dari pada uji non-arametrik.
c. Hipotesis. Dalam konteks analisis statistik dikenal istilah hipotesis nol dan hipotesis
alternatif. Jika kita membandingkan keunggulan cara pemberian vaksin Hepatitis B
intradermal dan intramuscular, dan kita mulai dengan asumsi bahwa kedua metode
menghasilkan titer anti bodi sama baiknya, maka asumsi itu disebut hipotesis nol.
Karena itu hipotesis nol sering disebut juga “hipotesis tanpa perbedaan”. Akan tetapi
jika kita berpikir bahwa metode intradermal lebih buruk dari pada metode
intramuscular, maka kita sedang membuat suatu pernyataan yang disebut hipotesis
alternatif. Hipotesis nol, ditulis H 0 , lazimnya merupakan hipotesis yang dicoba untuk
ditolak. Sedangkan hipotesis alternatif, ditulis sebagai H a , lazimnya merupakan
hipotesis yang dicoba untuk diterima.
d. Statistik Uji. Merupakan suatu statistik yang dapat dihitung dari data sampel. Statistik
uji dapat memberi beberapa kemungkinan nilai, nilai yang teramati tergantung pada
sampel yang dicuplik. Statistik uji berfungsi sebagai “pengambil keputusan”, karena
besar kecilnya selalu dipakai untuk memutuskan apakah akan menolak atau tidak
menolak H 0 .
e. Distribusi Pencuplikan Statistik Uji. Merupakan keadaan yang H 0 -nya benar harus
diketahui untuk dipakai sebagai acuan penolakan atau penerimaan hipotesis nol.
Setiap distribusi statistik uji parametrik mempunyai bentuk tertentu. Umpama,
distribusi statistik z mengikuti bentuk distribusi normal, jika hipoteis nol benar dan
asumsi-asumsi dipenuhi. Sebaliknya, distribusi statistik nonparametrik, tidak memiliki
bentuk fungsional distribusi tertentu, sehingga kadang-kadang disebut statistik bebas
distribusi.
189
f. Aturan Pengambilan Keputusan. Semua nilai-nilai statistik uji terletak pada sumbu
horizontal dari grafik distribusi statistik uji, dan dibagi menjadi dua kelompok yaitu (1)
kelompok pertama membentuk daerah penolakan H 0 , dan (2) kelompok kedua
membentuk daerah penerimaan H 0 . Nilai-nilai statistik yang terletak dalam daerah
penolakan adalah nilai-nilai yang kecil kemungkinannya untuk terjadi, jika hipotesis nol
benar. Sedang nilai statistik yang terletak dalam daerah enerimaan adalah nilai-nilai
yang besar kemungkinannya untuk terjadi, jika hipotesis nol benar. Hipotesis nol
ditolak bila nilai statistik uji yang kita hitung dari sampel merupakan salah satu dari
nilai-nilai yang terletak di dalam daerah penolakan. Sedangkan hipotesis nol tidak
ditolak (atau”diterima”) bila nilai statistik uji yang kita hitung dari sampel merupakan
salah satu dari nilai-nilai yang terletak di dalam daerah penerimaan.
g. Penghitungan Statistik. Berdasarkan data dari sampel kita menghitung sebuah nilai
statistik uji dan membandingkan nilai statistik uji itu dalam distribusi pencuplikan, pada
keadaan yang H 0 -nya benar, apakah terletak dalam daerah penerimaan atau
penolakan.
h. Keputusan Statistik. Keputusan statistik akan berupa menolak atau tidak menolak
hipotesis nol. Hipotesis nol ditolak jika nilai statistik uji yang dihitung terletak di dalam
daerah penolakan, dan hipotesis nol tidak ditolak jika nilai statistik uji yang dihitung
terletak di dalam daerah penerimaan.
i. Kesimpulan. Jika H 0 ditolak, kita simpulkan bahwa H a benar. Sebaliknya jika H 0 tidak
ditolak, kita simpulkan bahwa H 0 mungkin benar.
2. Tingkat Kemaknaan
Tingkat kemaknaan (level of significance) adalah suatu konsep penting dalam
pengambilan keputusan menolak atau menerima hipotesis nol. Dalam uji hipotesis, kita
menolak H 0 dan menerima Ha jika nilai statistik memiliki probabilitas untuk terjadi.
Probabilitas tertentu yang dipakai sebagai patokan penolakan dan penerimaan H 0 inilah
yang disebut tingkat kemaknaan   . Nilai-nilai  yang umum misalnya 0,05 dan 0,01.
Tingkat kemaknaan  juga dapat dipandang sebagai cara untuk menetapkan apakah temuan
penelitian dapat dikatakan suatu peristiwa langkah, pada keadaan yang hipotesis nol-nya
benar. Jadi misalnya kita temukan bahwa suatu nilai statistik uji (atau nilai-nilai lainnya yang
lebih ekstrim dari nilai statistik uji tersebut) lebih kecil atau sama dengan  dan H 0 benar,
maka kita dapat mengatakan bahwa temuan itu merupakan peristiwa langkah, dan oleh
karena itu secara probabilistik kita menolak H 0 .
Jelas bahwa probabilitas  menentukan keputusan penolakan dan penerimaan H 0 .
Konsekuensinya, demi alasan-alasan objektivitas, maka  hendaknya sudah ditentukan
sebelum data terkumpul. Pemilihan tingkat kemaknaan hendaknya dilakukan dengan hati-
hati dan mempertimbangkan kemaknaan praktis hasil penelitian kelak. Dalam bedah otak
misalnya, seorang peneliti akan meneliti apakah penggunaan kortikosteroid dosis tinggi lebih
efektif jika dibandingkan dengan tidak menggunakan kortikosteroid untuk mengatasi
190
oedema otak. Kemaknaan praktis penelitian tersebut adalah jika kesimpulan penelitian kelak
membenarkan hipotesis alternatif, maka dampaknya tidak saja pada perubahan manajemen
terapi oedema otak di rumah sakit itu, dampaknya tidak saja pada perubahan manajemen
terapi oedema otak di rumah sakit itu, tetapi juga akibat-akibat sampingan penggunaan
kortikosteroid dosis tinggi pada semua pasien oedema otak selanjutnya. Dengan kasus
seperti ini, peneliti sebaiknya memilih tingkat kemaknaan secara konservatif, misalnya
  0,01 . Dengan memilih   0,01 (tidak 0,05), maka akan diperlukan probabilitas nilai
statistik yang lebih kecil atau sama dengan 0,01, sehingga tidak mudah menolak H 0 dan
mengambil kesimpulan bahwa kortikosteroid dosis tinggi lebih efektif dari pada tanpa
penggunaan kortikosterod.
3. Daerah Penolakan
Daerah penolakan merupakan suatu daerah dalam distribusi pencuplikan nol. Yang
dimaksud dengan distribusi pencuplikan nol ialah distribusi pencuplikan pada keadaan yang
H 0 -nya benar. Daerah penolakan memuat semua nilai-nilai statistik dengan probabilitas
kejadian masing-masing nilai itu, jika H 0 benar, lebih kecil atau sama dengan  .
Gambar 8.1
Daerah Penolakan pada Uji Satu Sisi dan Dua Sisi
Daerah yang diarsir berupa titik-titik adalah daerah penolakan pada uji satu sisi dengan
  5% .
191
Daerah yang diarsir berupa titik-titik adalah daerah penolakan pada uji dua sisi dengan
  5% .
Sifat daerah penolakan dipengaruhi oleh pernyataan hipotesis alternatif (Ha ) . Jika H a
menunjukkan prediksi arah perbedaan, uji yang dilakukan adalah ji satu sisi. Sebaliknya jika
Ha tidak secara khusus menunjukkan arah perbedaan, maka uji yang dilakukan ialah uji dua
sisi. Luas daerah penolakan baik uji satu sisi maupun uji dua sisi adalah sama. Yang berbeda
adalah lokasinya. Pada uji satu sisi, daerah penolakan terletak pada salah satu dari kedua sisi
distribusi pencuplikan. Probabilitas untuk memperoleh suatu nilai statistik di daerah
penolakan itu lebih kecil atau sama dengan  .
Pada uji dua sisi, daerah penolakan terletak pada kedua sisi distribusi pencuplikan.
Probabilitas untuk memperoleh suatu nilai statistik pada salah satu dari dua daerah
1
penolakan itu lebih kecil atau sama dengan 
2
Gambar di atas menyajikan daerah penolakan untuk uji satu sisi dan uji dua sisi. Salah
satu gambar (A) memperlihatkan kurva distribusi pencuplikan yang memuat daerah
penolakan satu sisi dan gambar lainnya (B) memperlihatkan kurva distribusi pencuplikan
yang memuat daerah penolakan dua sisi.
4. Keputusan Statistik
Jika uji statistik menghasilkan suatu nilai statistik yang terletak pada daerah penolakan,
kita menolak H 0 , jika probabilitas kejadian suatu nilai statistik tertentu, pada keadaan yang
H 0 -nya benar, dalam suatu distribusi pencuplikan adalah sangat kecil, kita melihat terdapat
dua alasan yang menjelaskan fakta tersebut. Pertama, H 0 salah (sehingga kita menolak H 0 ).
Kedua H 0 benar (tetapi keputusan kita menolak H 0 ) dan nilai statistik itu kita pandang
sebagai suatu peristiwa langkah untuk terjadi. Dalam proses pengambilan keputusan, yang
sering kita pakai adalah alasan pertama. Pada kesempatan lain tentu saja alasan kedua
mungkin lebih tepat untuk dipakai. Probabilitas untuk alasan kedua, yaitu menolak H 0
meskipun H 0 benar, adalah  , dan kesalahan menolak H 0 yang benar itu disebut kesalahan
tipe I.
a. Nilai p
Dalam laporan hasil penelitian perlu disebutkan probabilitas pasti temuan penelitian.
Probabilitas pasti lazim dikenal sebagai nilai p . Nilai p menunjukkan probabilitas untuk
memperoleh nilai sebesar atau lebih ekstrim dari nilai statistik yang teramati hanya karena
peluang, dengan asumsi H 0 benar. Makin besar nilai statistik uji kemaknaan, makin kecil
nilai p . Tujuan melaporkan nilai p hasil penelitian ialah agar para pembaca dan peneliti
lainnya mendapatkan kesempatan untuk memutuskan sendiri apakah menolak atau
menerima hipotesis nol. Bagi peneliti satu dan lainnya, makna aplikatif suatu penelitian
dapat berbeda. Misalnya, suatu temuan penelitian menghasilkan nilai p  0,002 . Bagi
seorang peneliti, temuan tersebut disimpulkan bermakna, arena tingkat kemaknaan  
192
yang dipakai adalah 0,05. Sebaliknya, pembaca hasil penelitian mungkin menyimpulkan
bahwa temuan tersebut tidak bermakna, sebab pertimbangan kepentingan aplikatif yang
berbeda, ia berpendapat bahwa tingkat kemaknaan   yang lebih pantas di pakai sebagai
patokan adalah 0,01.
Terdapat beberapa isu penting yang perlu diperhatikan dalam membuat interpretasi
hasil uji kemaknaan statistik. Pertama, nilai p hendaknya tidak dipandang sebagai aturan
yang kaku tentang peran peluang dalam suatu hasil penelitian. Nilai p hendaknya hanya
dipandang sebagai petunjuk berapa besar kemungkinan peluang ikut “bermain” terhadap
hasil penelitian. Tidak ada nilai p , bagaimanapun kecilnya, dapat sama sekali menyingkirkan
peran peluang. Katakanlah sebuah studi menemukan bahwa hubungan antara kebiasaan
merokok ibu dan memiliki anak dengan berat badan lahir rendah (BBLR) bermakna pada
p  0,001 . Dengan p  0,001 jelas terdapat 1 di antara 1000 bahwa hasil penelitian tersebut
terjadi hanya karena peluang, dan penelitian yang satu itu kebetulan milik kita. Hanya saja,
dalam kasus ini kita dapat mengatakan bahwa peran peluang agaknya bukan merupakan
alasan yang kuat untuk menjelaskan hubungan kedua variabel tersebut. Sebaliknya,
meskipun nilai p besar, tidak berarti bahwa temuan yang teramati semata-mata terjadi
karena peluang. Kita hanya dapat mengatakan bahwa peran peluang tidak dapat disingkirkan
untuk menjelaskan temuan penelitian. Di samping nilai p , kontribusi ukuran sampel dan
interval keyakinan hendaknya juga diperhatikan dalam membuat interpretasi hasil. Beberapa
praktisi penelitian begitu fanatik dan terbawa arus yang salah dengan patokan
"p  0,05" sampai-sampai timbul pameo yang menyatakan bahwa bagi mereka nilai p
merupakan agama (the religion of p value).
Kedua, perlu dibedakan antara kemaknaan statistik dan kemaknaan praktis (biologis,
klinis dan sebagainya). Perbedaan yang begitu kecil sehingga mempunyai arti klinis bias saja
bermakna secara statistik ( artinya kecil kemungkinan terjadi karena kebetulan), jika sampel
yang dicuplik berukuran cukup besar. Sebaliknya, perbedaan yang besar dan mempunyai arti
klinis penting bias saja tidak pernah mencapai kemaknaan statistic, jika sampel terlalu kecil.
b. Kesalahan pengambilan keputusan statistik

Terdapat 2 jenis kesalahan pada waktu kita membuat keputusan tentang H 0 . Pertama,
kesalahan tipe I, yaitu menolak H 0 padahal sesungguhnya H 0 benar. Kedua, kesalahan tipe
II, yaitu tidak menolak H 0 padahal sesungguhnya H 0 salah. Probabilitas untuk membuat
kesalahan tipe I disebut  . Makin besar probabilitas  , makin besar pula kemungkinan
menolak H 0 secara keliru. Probabilitas untuk membuat kesalahan tipe II disebut  . Makin
besar probabilitas  , makin besar pula kemungkinan tidak menolak H 0 secara keliru. Jadi
 dan  tidak saja menunjukkan suatu jenis kesalahan pengambilan keputusan statistik,
tetapi juga besarnya probabilitas untuk membuat kesalahan itu sehingga ditulis sebagai:
pkesalahan tipe I  
pkesalahan tipe II  
193
Tabel selanjutnya memperlihatkan empat kemungkinan hasil uji hipotesis. Dengan

sajian “tabel kontingensi” kiranya dapat dipahami bahwa antara keempat sel saling
bergantung, termasuk hubungan antara membuat kesalahan tipe I dan kesalahan tipe II.
Antara membuat kesalahan tipe I dan membuat kesalahan tipe II terdapat hubungan
terbalik. Dengan ukuran sampel konstan, jika kita coba mengurangi kesalahan tipe I dengan
menetapkan  pada tingkat yang rendah, probabilitas untuk untuk membuat kesalahan tipe
II akan meningkat. Sebaliknya, jika kita mencoba mengurangi kesalahan tipe II, probabilitas
untuk membuat kesalahan tipe I akan meningkat. Dalam inferensi statistik, seorang peneliti
harus pandai melakukan tawar-menawar dengan pertimbangan sebaik-baiknya tentang
potensi dalam membuat salah satu dari kedua kesalahan tersebut. Jadi, dalam uji hipotesis,
kita harus berusaha membuat keseimbangan optimal antara kedua jenis kesalahan tersebut.
Untuk mencapai keseimbangan itu kita perlu memahami konsep kuasa statistik.
Tabel 8.1
Empat Kemungkinan Hasil Uji Hipotesis
Kebenaran
Kesimpulan Uji Kemaknaan
H 0 Benar H a Benar
Tidak menolak H 0 (secara Benar : H 0 benar, dan kita Kesalahan Tipe II atau  : Ha
statistik tidak bermakna) tidak menolak H 0 benar, tetapi kita tidak
menolak H 0
Menolak H 0 (secara Kesalahan Tipe I atau  : H0 Benar : H a benar, dan kita
statistik bermakna) benar, tetapi kita menolak H 0 menolak H 0
c. Kuasa statistik
Kuasa statistik (power) dapat didefinisikan sebagai probabilitas untuk menolak H 0
ketika H 0 memang salah. Dengan kata lain, kuasa menunjukkan kemampuan untuk dapat
mendeteksi adanya perbedaan bermakna antara kelompok-kelompok yang diteliti, ketika
perbedaan-perbedaan itu memang ada. Kuasa ditulis sebagai berikut :
Kuasa  1  pkesalahan tipe II  1  
Jadi misalnya  ditetapkan sebesar 0,3, artinya terdapat peluang sebesar 30% untuk
membuat kesalahan tipe II dan secara keliru tidak menolak H 0 padahal Ha benar, maka
kuasa dalam penelitian tersebut adalah 1 – 0,3 = 0,7. Dengan kuasa sebesar 70% berarti
penelitian itu mempunyai kemampuan sebesar 70% untuk dapat mendeteksi perbedaan
antara kelompok-kelompok yang diteliti, jika memang terdapat perbedaan.
Kuasa merupakan fungsi dari : (1) jenis uji statistik yang dipilih, (2) sifat dari hipotesis
alternatif, (3) ukuran sampel, (4) varians populasi, (5) tingkat kemaknaan α, dan (6) variabel-
variabel lain yang berkaitan dengan uji statistik yang dipilih.
Karena model matematik yang digunakan pada uji parametrik memakai asumsi lebih
banyak daripada uji nonparametrik, pada umumnya parametrik memiliki kuasa yang lebih
besar dari pada uji nonparametrik. Pernyataan hipotesis alternatif juga menentukan kuasa.
194
Jika H a menunjukkan arah, uji yang digunakan adalah uji satu sisi. Jika H a tidak secara
khusus menunjukkan arah, uji yang digunakan adalah uji dua sisi. Uji satu sisi memiliki kuasa
lebih besar daripada uji dua sisi. Pada umumnya kuasa uji statistik meningkat dengan
bertambahnya ukuran sampel.
d. Distribusi pengambilan
Konsep distribusi pengambilan perlu diketahui untuk memahami inferensi statistik.
Distribusi pencuplikan merupakan suatu distribusi teoritis dari semua nilai-nilai statistik yang
diperoleh dari semua sampel dengan ukuran sama, yang bias diambil secara acak dari
sebuah populasi, pada keadaan yang H 0 -nya benar. Statistik yang dimaksud misalnya mean
sampel, simpang baku sampel, T Mann-Whitney, W Kendall. Yang tercakup dalam distribusi
pengambilan, jika H 0 benar, tidak hanya probabilitas untuk memperoleh nilai sebesar
statistik yang terhitung dari sampel tetapi juga nilai-nilai lainnya yang lebih ekstrim (tidak
konsisten dengan H 0 ) dari nilai statistik tersebut. Distribusi pengambilan, jika H 0 benar,
inilah yang dipakai sebagai acuan untuk mengetahui probabilitas untuk memperoleh nilai
statistik yang kita hitung.
Distribusi pengambilan bias kita bangun secara empiris jika pengambilan berasal dari
populasi yang diskrit dan terbatas (finite). Langkah-langkah untuk membangun sebuah
distribusi pengambilan adalah sebagai berikut :
1) Dari suatu populasi terbatas dengan ukuran N , ambillah semua sampel berukuran n .
2) Hitung statistik sampel yang menjadi perhatian penelitian, misalnya mean sampel.
3) Buatlah daftar semua nilai statistik sampel pada satu kolom, dan daftar frekuensi
kejadian dari semua nilai statistik sampel tersebut pada kolom lainnya.
4) Buatlah histogram distribusi pengambilan dari statistik tersebut. Jika dari masing-
masing titik tengah ditarik garis, kita akan memperoleh polygon distribusi frekuensi.
Sesuai dengan namanya, polygon berarti suatu gambar dengan banyak sudut. Jika
sampel-sampel yang bias dicuplik sangat banyak (sehingga jumlah statistik sampel
sangat besar), polygon distribusi pencuplikan akan kehilangan sudutnya dan
membentuk kurva distribusi frekuensi.
Distribusi pengambilan yang sesungguhnya hampir tidak mungkin kita buat, jika ukuran
populasi N tak terbatas (infinite). Namun distribusi pengambilan dapat didekati dengan
mengambil cukup banyak sampel, masing-masing dengan ukuran n . Jika variabel yang
menjadi perhatian penelitian mempunyai distribusi normal, distribusi pencuplikan dapat
didekati dengan suatu asumsi yang kita percaya kebenarannya. Asumsi tersebut terkenal
dengan nama teorema limit sentral. Teorema limit sentral menyatakan bahwa:jika sebuah
variabel pada populasi didistribusikan dengan mean =  dan simpang baku =  , dan jika
sampel-sampel acak berukuran n diambil dari populasi variabel itu, maka x dari sampel
kurang lebih akan didistribusikan secara normal dengan mean =  dan simpang baku =
 n , jika n besar.
195
Contoh 8.1.1:
Kita akan mempelajari bagaimana mengetahui probabilitas untuk memperoleh sebuah mean
sampel dengan menerapkan pengetahuan tentang : (1) teorema limit sentral, dan (2)
distribusi pencuplikan mean sampel. Misalnya, kita mengetahui populasi berat badan lahir
bayi di Kota Makassar didistribusikan normal dengan   3100g dan   500g . Kita ingin
mengetahui besarnya probabilitas untuk memperoleh mean sampel = 3000 g dari sampel
acak berukuran = 100, yang dicuplik dari populasi tersebut. Dengan menerapkan teorema
limit sentral, distribusi pencuplikan dari mean semua sampel berukuran n = 100 akan
500
mempunyai mean = 3100 (  = 3100) dan simpang baku =  n   50 . Teorema limit
100
sentral juga menyatakan bahwa jika n sampel cukup besar, mean sampel akan
didistribusikan secara normal. Karena variabel didistribusikan normal, statistik uji yang
digunakan adalah z yang mempunyai bentuk formula sebagai berikut:
x   3000  3100
z   2
 n 500 100
Dengan mengacu pada tabel distribusi normal baku, probabilitas untuk memperoleh nilai
sebesar x sampel ialah p = 0,228.
Dalam latihan 1 di atas populasi variabel (berat badan lahir bayi) diasumsikan apakah
distribusi pencuplikan x sampel memiliki bentuk normal pula,jawabannya : ya, asal n
sampel cukup besar. Dalam hal mean sampel, kita bias yakin bahwa distribusi pencuplikan
mendekati normal pada tiga keadaan yaitu : (1) pencuplikan berasal populasi yang memiliki
distribusi normal, baik ukuran sampel besar maupun kecil, (2) pencuplikan berasal dari
populasi yang memiliki distribusi tidak normal, asal ukuran sampel besar, (3) pencuplikan
berasal dari populasi yang bentuk fungsional distribusinya tidak diketahui, asal ukuran
sampel besar.
Contoh 8.1.2.:
Seorang yang dituduh pencuri dihadapkan kepada seorang hakim. Seorang hakim akan
menganggap orang tersebut tidak bersalah, sampai kesalahannya bisa dibuktikan. Seorang
jaksa akan berusaha membuktikan kesalahan orang tersebut.
Dalam kasus ini, hipotesis nol (H0 ) adalah: "Orang tersebut tidak bersalah", dan hipotesis
alternatif ( H1 ) adalah: "Orang tersebut bersalah". Hipotesis alternatif ( H1 ) inilah yang akan
dibuktikan.
Ada dua kondisi yang mungkin terjadi terhadap orang tersebut:
1) Orang tersebut tidak bersalah.
2) Orang tersebut bersalah.
Dan ada dua keputusan yang bisa diambil hakim:

1) Melepaskan orang tersebut.
2) Memenjarakan orang tersebut.
196
H 0 benar, (Orang H a Benar

tersebut tidak (Orang tersebut
bersalah) bersalah)
Menerima H 0 Keputusan yang
(Orang tersebut salah
Keputusan yang Benar
dibebaskan) (Kesalahan Tipe
II)
Menolak H 0
Keputusan yang salah Keputusan yang
(Orang tersebut (Kesalahan Tipe I) Benar
dipenjara)
Dalam kasus ini, ada dua kemungkinan kesalahan yang dilakukan hakim:
1) Memenjarakan orang yang benar (Kesalahan Tipe I)
2) Melepaskan orang yang bersalah (Kesalahan Tipe II)
Rumus
Ada banyak jenis uji hipotesis yang dikenal. Tabel berikut menjelaskan rumus untuk masing-
masing uji hipotesis tersebut.
Nama Rumus Asumsi / Catatan

(Populasi normal atau n  30 )
dan  diketahui.
( z adalah jarak dari rata-rata
sehubungan dengan simpangan
Satu sampel uji x  baku rata-rata). Untuk distribusi
z
 n non-normal memungkinkan
untuk dihitung proporsi terkecil
dalam sebuah populasi yang
berada di dalam k simpangan
baku untuk setiap k .
z
 x1  x2   d0 Populasi normal dan observasi
Satu sampel uji  2
 2
independen dan  1 dan  2
1
 2
n1 n2 diketahui
x  0
Satu sampel uji t , df  n  1 (Populasi normal atau n  30 )
 s 
t   dan  tidak diketahui
 n
d  d0 (Populasi normal dari perbedaan
t , df  n  1
Pasangan uji t  sd  atau n  30 ) dan  tidak
 
 n diketahui
197
t
x  x   d0
,
Dua sampel uji t 1 1 (Populasi normal atau
sp 
test digabung n1 n2 n1  n2  40 ) dan observasi
variansi yang
sp2 
 n1  1 s12   n2  1 s22 , independen dan  1   2 tidak
sama n1  n2  2 diketahui
df  n1  n2  2
t
x x d ,
s s

Dua sampel t - n n (Populasi normal atau
test terpisah  s12 s22 
2
n1  n2  40 ) dan observasi
variansi tidak    independen dan kedua  1   2
df   n1 n2 
sama 2 2 diketahui
 s12   s22 
   
 n1    n2 
n1  1 n2  1
p  p0
Satu proporsi uji z n np0  10 dan n1  p0   10
p0 1  p0 
z
 p1  p2 
Dua proporsi uji
1 1 n1 p1  5 dan n1 1  p1   5 dan
z p 1  p    
H0 : p1  p2  n1 n2  n2 p2  5 dan n2 1  p2   5 dan
x x observasi independen.
digabungkan p 1 2
n  n2
Dua proporsi uji z
 p1  p2   d0 n1 p1  5 dan n1 1  p1   5 dan
z |d 0 |  0 p1 1  p1  p2 1  p2  n2 p2  5 dan n2 1  p2   5 dan

tidak digabung n1 n2 observasi independen.
Dua sampel F Populasi normal
test untuk Diurutkan s12  s22 dan H 0 ditolak
s12
persamaan F jika
s22
variansi  
F  F  , n1  1, n2  1 
2 
 , probabilitas melakukan kesalahan tipe I (menolak hipotesis nol pada saat hipotesis nol
benar)
n = jumlah sampel
n1 = jumlah sampel 1
x = rata-rata sampel
 0 = dugaan rata-rata populasi
198
1 = rata-rata populasi 1
 2 = rata-rata populasi 2
 = simpangan baku populasi
 2 = variansi populasi
s = simpangan baku sampel
k
 = penjumlahan (dari angka sejumlak k )
s2 = Varians sampel
s12 = Simpangan baku sampel 1
s22 = Simpangan baku sampel 2
t = t statistik
df = derajat kebebasan
d = Rata-rata perbedaan sampel
d0 = dugaan rata-rata perbedaan populasi
sd = simpangan baku perbedaan
 2 = Chi-squared statistik
x
p = proporsi sampel, (kecuali ditentukan sebelumnya)
n
p0 = dugaan proporsi populasi
p1 = proporsi 1
p2 = proporsi 2
dp = dugaan perbedaan proporsi
minn1 , n2  = minimum of n1 and n2
x1  n1 p1
x2  n2 p2
Latihan
1) Penarikan kesimpulan tentang karakteristik populasi dengan menggunakan informasi

yang diperoleh dari suatu sampel yang diambil dari populasi disebut ....
A. statistik inferensial
B. statistik deduktif
C. statistik deskriptif
D. matematika
2) Sewaktu melakukan inferensi tentang karakteristik populasi selalu terdapat

kemungkinan inakurasi penarikan kesimpulan karena peran peluang atau variasi-variasi
pencuplikan (sampling variability). Namun, peran peluang itu dapat diperkecil dengan
memperbesar ukuran ....
199
A. sampel
B. sampling
C. populasi
D. variabel
3) Proses pengujian kemaknaan statistik dan kuantifikasi besarnya pengaruh variasi

pengambilan sampel terhadap hasil-hasil yang teramati dari suatu penelitian disebut
uji ....
A. matematik
B. kausalitas
C. hipotesis
D. integral
4) Jika nilai p lebih kecil dari tingkat signifikan tes yang diharapkan, maka hipotesis nol ....
A. ditolak
B. diekstrapolasi
C. diterima
D. disubtitusi
5) Untuk menentukan uji statistik yang akan digunakan, maka variabel yang diteliti perlu
diketahui ....
A. karakteristik
B. kategori
C. skala data
D. profil
6) Probabilitas tertentu yang dipakai sebagai patokan penolakan dan penerimaan H 0

inilah yang disebut tingkat kemaknaan dengan simbol ....
A. α
B. β
C. σ
D. Γ
7) Probabilitas untuk menolak H 0 meskipun H 0 benar, adalah α, dan kesalahan menolak

H 0 yang benar itu disebut kesalahan tipe ....
A. IV
B. III
C. II
D. I
200
8) Probabilitas untuk memperoleh nilai sebesar atau lebih ekstrim dari nilai statistik yang
teramati hanya karena peluang, dengan asumsi H 0 benar disimbolkan dengan nilai ....
A. Ʃ
B. χ
C. p
d. µ
9) Jika pada analisis statistik kesimpulan tidak menolak H 0 padahal sesungguhnya H 0

salah, maka kesalahan ini disebut dengan kesalahan tipe ....
A. I
B. II
C. III
D. IV
10) Kuasa statistik merupakan fungsi dari, kecuali ....

A. uji statistik
B. ukuran sampel
C. hipotesis alternatif
D. mean populasi.
Ringkasan
Inferensi statistik adalah penarikan kesimpulan (inferensi) tentang karakteristik

populasi dengan menggunakan informasi yang diperoleh dari suatu sampel yang diambil dari
populasi.
Statistika inferensia menganalisis pendugaan parameter, membuat hipotesis, serta
melakukan pengujian hipotesis tersebut sehingga sampai pada kesimpulan yang berlaku
secara umum atau disebut dengan generalisasi.
Tingkat kemaknaan (level of significance) adalah suatu konsep penting dalam
pengambilan keputusan menolak atau menerima hipotesis nol.
Kuasa merupakan fungsi dari : jenis uji statistik yang dipilih, sifat dari hipotesis
alternatif, ukuran sampel, varians popula3si, tingkat kemaknaan α, dan variabel-variabel lain
yang berkaitan dengan uji statistik yang dipilih.
Distribusi pencuplikan merupakan suatu distribusi teoritis dari semua nilai-nilai
statistik yang diperoleh dari semua sampel dengan ukuran sama, yang bisa dicuplik secara
acak dari sebuah populasi.
Terdapat 2 jenis kesalahan pada waktu kita membuat keputusan tentang H 0 . Pertama,
kesalahan tipe I, yaitu menolak H 0 padahal sesungguhnya H 0 benar. Kedua, kesalahan tipe
II, yaitu tidak menolak H 0 padahal sesungguhnya H 0 salah.
201
Tes 1
1) Suatu distribusi teoritis dari semua nilai-nilai statistik yang diperoleh dari semua
sampel dengan ukuran sama, yang bias dicuplik secara acak dari sebuah populasi, pada
keadaan yang H 0 -nya benar disebut dengan distribusi ....
A. pencuplikan
B. matematik
C. sampel
D. inferensi
2) Jika sebuah variabel pada populasi didistribusikan dengan mean =  dan simpang
baku =  , dan jika sampel-sampel acak berukuran n dicuplik dari populasi variabel itu,
maka rata-rata dari sampel kurang lebih akan didistribusikan secara normal dengan
mean =  dan simpang baku =  n , jika n besar di sebut dengan teorema limit ....
A. tendency
B. fungsi
C. sentral
D. integral
3) Rumus statistik yang digunakan jika populasi normal, maka untuk uji satu sampel
dengan jumlah sampel lebih dari 30 dan σ diketahui adalah ....
x 
A. z
 n
x  x 
z 1 2
B.
 12  22

n1 n2
z
 x1  x2   d0
C.
 12  22

n1 n2
x 
D. z
 N
4) Penggunaan rumus statistik untuk uji satu sampel dengan jumlah sampel lebih dari 30
dan σ tidak diketahui serta populasi normal adalah ....
x  0
A. t , df  n  1
 s 
 
 n
x 
B. z
 n
202
d  d0
C. t , df  n  1
 sd 
 
 n
z
 x1  x2   d0
D.
 12  22

n1 n2
5) Makin besar probabilitas  , makin besar pula kemungkinan menolak H 0 secara ....
A. benar
B. integrasi
C. keliru
D. pasti
6) Daerah penolakan H 0 memuat semua nilai-nilai statistik dengan probabilitas kejadian

masing-masing nilai itu, jika H 0 benar, lebih kecil atau sama dengan ....
A. σ
B. α
C. µ
D. β
7) Untuk melakukan suatu penelitian, konsekuensinya demi alasan-alasan objektivitas

maka  hendaknya sudah ditentukan pada saat
A. analisis data
B. sementara data terkumpul
C. sesudah data terkumpul
D. sebelum data terkumpul
8) Akibat model matematik yang digunakan pada uji parametrik memakai asumsi lebih
banyak daripada uji nonparametrik, maka kuasa statistik pada uji parametrik memiliki
kuasa yang ....
A. lebih kecil
B. identik
C. lebih besar
D. tidak berbeda
9) Distribusi pencuplikan yang sesungguhnya hampir tidak mungkin kita buat, jika ukuran
populasi ....
A. infinite
B. ferensi
C. finit
D. inferensi
203
10) Jika seorang peneliti ingin meneliti tentang khasiat obat baru untuk penyakit kanker,
maka α yang digunakan secara konservatif sebaiknya sebesar ....
A. 0,01
B. 0,05
C. 0,1
D. 0,001
204
Topik 2
Statistik Parametrik
Setelah kita mengkaji Topik 1, maka Topik 2 ini akan membahas tentang aplikasi
statistik parametrik yaitu sebagai berikut :
1. Uji perbedaan rata-rata 2 kelompok
2. Uji perbedaan rata-rata lebih dari 2 kelompok
3. Uji hubungan antara 2 variabel menggunakan korelasi product moment (Pearson)
4. Uji pengaruh antara 2 variabel menggunakan regresi linier sederhana
Uji Perbedaan Rata-Rata 2 Kelompok

Student’s t test (uji t ) pertama kali ditemukan oleh W. J. Gosset seorang mahasiswa
Perancis pada tahun 1908 dengan nama samaran Student. Prinsip penggunaan uji t adalah
untuk membuktikan signifikan atau tidaknya dua nilai rata-rata.
Syarat-syarat penggunaan uji t :
1. Uji t dipergunakan bila simpangan baku populasinya (  ) tidak diketahui, bila
simpangan baku populasinya diketahui seharusnya dipergunakan uji Z . Buku-buku
lama menyatakan bahwa uji t dipergunakan bila n1 dan n2  30 , tidak tergantung
kepada simpangan baku populasi diketahui atau tidak. Bila ukuran sampel 1 dan 2
tidak sama, selisih keduanya adalah ≤ 50 %.
2. Data mempunyai skala pengukuran ratio atau interval.
3. Data berdistribusi normal. Pembuktian normalitas data ini dapat dipergunakan uji  2 ,
Liliefors, uji Kolmogorof Smirnov 1 sampel dan lain-lain.
Uji dapat dikelompokkan menjadi dua golongan yaitu uji satu sampel dan uji t dua
sampel.
A. UJI T SATU SAMPEL
Uji t satu sampel ini dipergunakan untuk membedakan nilai rata-rata sampel dengan
nilai rata-rata populasi sebagai standarnya.
Rumus-rumus yang dipergunakan untuk uji t adalah sebagai berikut:
x  0
thit 
s
n
x = nilai rata-rata sampel
 0 = nilai rata-rata populasi, biasanya sebagai nilai standar
s = simpangan baku sampel
n = ukuran sampel
205
Bentuk hipotesisnya ada tiga macam yaitu, nilai rata-rata sampel berbeda dengan nilai
rata-rata populasi, lebih besar atau lebih kecil dari nilai rata-rata populasi. Bila hipotesis ini
dirumuskan adalah sebagai berikut :
1. H0 :   0 ; Ha :   0 (uji 2sisi/ekor)
2. H0 :   0 ; Ha :   0 (uji 1 sisi/ekor)
3. H0 :   0 ; Ha :   0
Kriteria penerimaan hipotesisnya adalah :
Untuk hipotesis formula 1, H 0 diterima bila:
t 1 
 thit  t 1 
 1   n 1  1   n 1
 2   2 
Untuk hipotesis formula 2, H 0 diterima bila :

thit  t1 n1
Untuk hipotesis formula 3, H 0 diterima bila:
thit  t1 n1
 n  1 = derajat bebas, dipergunakan untuk melihat tabel t .
Bila t hitung yang diperoleh kebalikan dari kriteria di atas, maka sebaliknya Ha yang
diterima. Bila mempergunakan program komputer H 0 diterima jika probabilitasnya
 p  0,05 .
Contoh 8.2.1:
Masyarakat mengeluh bahwa kadar nikotin rokok X diduga lebih tinggi dari kadar standar
yang ditentukan (kadar standarnya 0  20 mg/batang ). Untuk membuktikan keluhan
masyarakat ini diambil sampel random sebanyak 10 batang dan kadar nikotin per batangnya
masing-masing adalah 22, 21, 19, 20, 21, 22, 22, 21, 22 dan 25. Harga α yang dipergunakan
5%.
Penyelesaian :
H0 : 0  20 mg
Ha : 0  20 mg
X 2
 4645,  X  215, mean  21,5
4645  2152 / 10
s  1,5811
10  1
x  0
thit 
s/ n
21,5  20 1,5
thit    3,000
1,5811 / 10 0,4999
206
t0,959  1,83 . Karena t hitung  t tabel , maka H a diterima berarti keluhan masyarakat
tersebut terbukti benar (kadar nikotin > yang ditulis di dalam label). Berikut ini adalah
contoh perhitungan dengan menggunakan program SPSS.
T-Test
One-Sample Statistics
Std.
N Mean Std. Error Mean
Deviation
NIKOTIN 10 21.5000 1.58114 .50000
One-Sample Test
Test Value = 20
95% Confidence
Interval of the
t Df Sig. (2-tailed) Mean Difference Difference
Lower Upper
NIKOTIN 3.000 9 .015 1.5000 .3689 2.6311
Uji t Dua Sampel

Uji t dua sampel ini dibedakan menjadi uji t dua sampel yang berhubungan dan uji t dua
sampel bebas.
Uji t dua sampel berhubungan

Uji t dua sampel berhubungan di sebut juga sebagai uji t sebelum sesudah (before
after t test) atau uji t dua sampel yang berpasangan (paired t test). Rumus yang
dipergunakan adalah :
d
thit 
s n
d  di
n di 2  ( di)2
s
n(n  1)
s = simpangan baku beda sampel
d = selisih nilai rata-rata 1 dan 2
n = ukuran sampel
Contoh 8.2.2:
Apakah ada pengaruh suntikan depo provera terhadap tekanan darah sistolik?
Wanita A B C D E F G H I J
Sebelum 125 128 130 131 125 137 134 128 135 129
Sesudah 128 127 129 134 127 132 128 130 131 128
207
di -3 1 1 -3 -2 5 6 -2 4 1
2
di 9 1 1 9 4 25 36 4 16 1
H0 : 1  2
H1 : 1  2
d  3  1  1   3    2   5  6   2   4  1  8
d  8   di  106
2
i
10(106)  82
s  3,3267
10(9)
8
t hit = thit   0,76045
3,3267
10
sedang t0,9759  2,262
Hasil yang diperoleh t hitung < t tabel , maka H 0 diterima berarti Depo Provera tidak
berpengaruh nyata terhadap tekanan darah sistolik ( p  0,05 ). Berikut ini adalah hasil
perhitungan dengan program SPSS :
NPar Tests
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
VAR00004
Statistic df Sig. Statistic df Sig.
SEBELUM 1 .124 10 .200* .942 10 .571
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.
T-Test
Paired Samples Statistics
Std.
Mean N Std. Error Mean
Deviation
PRE 130.6000 10 4.22164 1.33500
Pair 1
POST 129.8000 10 1.98886 .62893
Paired Samples Correlations

N Correlation Sig.
Pair 1 SEBELUM & SESUDAH 10 .578 .080
208
Uji t Dua Sampel bebas

Uji t ini akan membandingkan perbedaan dua nilai rata-rata dua kelompok sampel
yang betul-betul bebas atau terpisah. Uji t ini dibedakan
Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Std. Error Difference Sig.
Mean Deviation Mean Lower Upper t df (2-tailed)
Pair 1 SEB -
.80000 3.32666 1.05198 -1.57975 3.17975 .760 9 .466
SES
menjadi 2 kelompok yaitu uji t dengan variansi homogen dan uji t dengan variansi
heterogen. Homogen atau heterogennya kedua variansi diketahui dengan uji F ( F = Fisher).
s2
Fhit  12 di mana s12  s22
s2
H 0 : variansi I = variansi 2 (DATA HOMOGEN)
H a : variansi I ≠ variansi 2 (DATA HETEROGEN)
H 0 diterima berarti kedua variansi homogen
H 0 diterima bila : Fhit  Fa v1 ,v2 
v1  n1  1 dan v2  n2  1
Bila terbukti bahwa kedua sampel berasal dari populasi dengan variansi yang homogen,
maka dipergunakan uji t dengan rumus perhitungan sebagai berikut:
x1  x2
thit 
1 1
s 
n1 n2
(n1  1)s12  (n2  1)s22
s
n1  n2  2
x1 = nilai rata-rata sampel 1, s12 = variansi sampel 1

x2 = nilai rata-rata sampel 2, s22 = variansi sampel 2
s = simpangan baku gabungan dua sampel
H 0 diterima bila :
t 1 
 thit  t 1 
 1   db   1   db 
 2   2 
209
atau
thit  t 1  dan thit  t 1 
 1   db   1   db 
 2   2 
db  n1  n2  2
Contoh 8.2.3:
Terdapat dugaan dari para dokter, bahwa mutu vitamin B 12 buatan pabrik B lebih baik
dibanding dengan vitamin b12 buatan pabrik A. Untuk membuktikan dugaan para dokter ini
kedua kelompok vitamin tersebut disuntikkan secara terpisah kepada masing-masing 10
pasien. Penyuntikan dilakukan secara intramuskular setiap minggu selama 4 bulan. Mutu
atau kurang mutunya vitamin B12 ini ditentukan oleh kadar Hb sesudah disuntik. Kadar Hb
dihitung pada saat satu minggu setelah suntikan terakhir dengan peralatan dan cara yang
sama. Kadar Hb dua kelompok sampel sebelum disuntik tidak berbeda nyata. Buktikan,
apakah dugaan para dokter tersebut terbukti benar. Diketahui harga   5% dan data kadar
Hb-nya adalah sebagai berikut :
Pabrik
A 12,2 11,3 14,7 11,4 11,5 12,7 11,2 12,1 13,3 10,8
B 13,0 13,4 16,0 13,6 14,0 13,8 13,5 13,8 15,5 13,2
H0 :  a   b
Ha : a  b
A : x  12,12 s  1,18115 s2  1,3951 n  10
B : x  13,98 s  0,98522 s  0,97066 n  10
2
1,3951
Fhit   1,4373
0,97066
F0,05 9,9  3,18 , jadi Fhit  Ftabel , maka H 0 diterima artinya varian populasi homogen.
s
10  11,3951  10  1 0,97066 
10  10  2
(12,5559)  (8,73594)
  1,0876
18
12,12  13,98 1,86
t   3,8240
1,0876 1 / 10  1 / 10 0,4864
t0,9518  1,734
Kesimpulan : thit  t tabel  3,8204  1,734 sehingga H a diterima artinya vit B12 buatan
pabrik B memang lebih baik dibandingkan dengan buatan pabrik A. Berikut ini adalah hasil
perhitungan dengan program komputer.
210
T-Test
Group Statistics
PABRIK N Mean Std. Deviation Std. Error Mean

A 10 12.1200 1.18115 .37351
DATA
B 10 13.9800 .98522 .31156
Independent Samples Test
Levene's Test
for Equality of t-test for Equality of Means
Variances
95% Confidence
Sig. (2- Mean Std. Error
F Sig. t df Interval of the
tailed) Difference Difference
Difference
Lower Upper
Equal
variances .317 .581 -3.824 18 .001 1.8600 .48639 2.882 .83813
assumed
DATA Equal
variances
-3.824 17.439 .001 1.8600 .48639 2.884 .83576
not
assumed
NPar Tests
One-Sample Kolmogorov-Smirnov Test
DATA VAR00003
N 10 10
Normal Mean 12.1200 13.9800
Parameters(a,b) Std. Deviation 1.18115 .98522
Most Extreme Absolute .200 .292
Differences Positive .200 .292
Negative -.132 -.160
Kolmogorov-Smirnov Z .633 .923
Asymp. Sig. (2-tailed) .818 .362
a. Test distribution is Normal.

b. Calculated from data.
Bila terbukti bahwa kedua sampel berasal dari populasi dengan variansi yang heterogen
maka rumus perhitungan yang dipergunakan adalah :
x1  x2
thit 
s1 n1  s22 n2
2
211
H 0 diterima bila :
s12t1 s22t2 s12t1 s22t2
 
n1 n2 n1 n2
 thit 
s1 s22
2
s1 s22
2
 
n1 n2 n1 n2
Untuk uji dua ekor :
t1  t 1  dan t2  t 1 
 1   n1 1  1   n2 1
 2   2 
Untuk uji satu ekor :

t1  t1 n1 1 dan t2  t1 n2 1
Contoh 8.2.4:
Data berikut ini adalah pendapatan 15 karyawan Poltekkes Makassar dan 11 orang karyawan
Politani Pangkep (× Rp10.000,00). Buktikan apakah pendapatan kedua karyawan tersebut
berbeda nyata. (diketahui harga   0,05 ).
Poltekkes 35,3 35,9 37,2 33 31,9 33,7 36 35 33,3 33,6 37,9 35,6 29 33,7 35,7
Politani 32,5 34 34,4 31,8 35 34,6 34,6 33,5 31,5 33,8 33,6
Poltekkes :
x1  34,45 s1  2,22 s12  4,95 n1  15
Politani :
x1  33,57 s1  1,17 s12  1,37 n2  11
4,95
Fhit   3,61 F 0,0514,10  2,86
1,37
Variansi kedua sampel tersebut adalah heterogen:

34,45  33,57
thit   1,30525 t0,9514   1,761 dan t0,9510  1,812
4,95 1,37

15 11
4,95 / 15(1,761  1,37 / 11(1,81)
t  1,79
4,95 / 15  1,37 / 11
Hasil perhitungan diperoleh thit  t tabel , maka H 0 diterima berarti pendapatan karyawan
Poltekkes dan Politani tersebut tidak berbeda nyata.
1. Uji Perbedaan Lebih dari 2 Kelompok (Analisis of Varians/ Anova)

Anova bila diterjemahkan ke dalam Bahasa Indonesia artinya adalah sidik ragam atau
analisis ragam, pertama kali diperkenalkan oleh R. A. Fisher pada tahun 1925. Untuk
212
mengenang jasa-jasanya, maka anova di sebut pula sebagai uji F. Karena jasanya dalam
bidang statistika, R. A. Fisher pernah dianugerahi gelar Baronet oleh Ratu Inggris.
Sidik ragam sebenarnya merupakan pengembangan dari uji t untuk dua sampel yang
bebas. Anova dipergunakan untuk mengetahui perbedaan nilai rata-rata lebih dari dua
macam perlakuan dan kontrol dalam hal ini masuk ke dalam perlakuan.
Anova dapat dikelompokkan menjadi anova satu arah dan anova dua arah. Beberapa
persyaratan yang harus dipenuhi pada anova adalah :
a. Normalitas
Data mempunyai skala pengukuran rasio atau interval dan berasal dari populasi
dengan sebaran normal. Uji normalitas dapat dilakukan dengan uji χ 2 (chi-square), kertas
probabilitas, Kolmogorov Smirnov atau uji Liliefors. Data yang menyebar normal bila
digambarkan kurvanya berbentuk simetris seperti lonceng. Bila data tersebut terbukti tidak
menyebar normal, maka bisa didekati dengan cara transformasi data. Bila tetap tidak
memenuhi persyaratan, maka analisisnya bisa dipergunakan uji statistik non parametrik.
b. Homogenitas variansi
Perlu diketahui pangkat dua dari simpangan baku disebut variansi. Untuk mengetahui
apakah variansi dari perlakuan homogen atau tidak dapat dilakukan pengujian dengan uji
Bartlett.
c. Independen
Galat atau kekeliruan bersifat bebas terhadap sesamanya (independen). Dengan kata
lain, bahwa data pengamatan harus bebas satu sama lainnya. Persyaratan ini bisa dipenuhi
bila perlakuan yang diberikan terhadap unit eksperimen dengan cara acak (random). Bila
timbul keragu-raguan tentang acak atau tidaknya perlakuan yang diberikan dapat dilakukan
pengujian dengan uji randomisasi (uji statistik non parametrik).
Anova Satu Arah
Anova satu arah ditemukan pada :
Rancangan Acak Lengkap (RAL)
RAL disebut juga rancangan rambang lugas atau desain acak sempurna (DAS),
completely randomized design atau simple randomized design.
Pada RAL arah semua variabel yang berpengaruh selain perlakuan adalah homogen.
Keuntungan RAL, analisisnya termasuk sederhana dan banyak ulangan ( ni ) boleh sama atau
tidak, bila tidak sama sebaiknya perbedaannya adalah < 50%. Suatu misal terjadi ‘kematian
atau kehilangan unit eksperimen saat percobaan berlangsung tidak menjadi masalah dari
segi analisisnya, asalkan jumlah unit eksperimennya yang hilang < 50%. Kerugian umumnya
kesulitan memperoleh unit eksperimen yang homogen. Demikian pula penanganan variabel
selain perlakuan yang homogen sering kali mengalami kesulitan. Akibatnya tidak jarang
kesulitan dalam penarikan kesimpulan apakah respons yang timbul itu betul-betul dari
perlakuan atau variabel lain yang tidak dikehendaki. RAL sangat cocok untuk penelitian klinik
213
atau penelitian lain dalam laboratorium dan kurang cocok untuk penelitian lapangan atau
survei.
Perlakuan (Variabel Independen)

Data Pengamatan
1 2 ....... k
x11 x21 ....... x k1
x12 x22 ....... xk 2

...... ...... ....... ........
x1n1 x2n2 ....... xknk (variabel dependen)
Total x 1 x 2 ....... x k x T
Nilai rata-rata x1 x2 ....... xk

Jumlah pengamatan n1 n2 ........ nk n i
2 2 2
Variansi s1 s2 ....... sk
Cara perhitungan :
 x 
2
FK 
T
n
JKT   x  FK
2
ij
 x    x   x 
2 2 2
JKP   ...   FK
1 2 k
n1 n2 nk
JK sisa  JKT  JKP
Keterangan :
FK = faktor koreksi
JKT = jumlah kuadrat total
JKP = jumlah kuadrat perlakuan
JK sisa = jumlah kuadrat sisa. Istilah lain ialah jumlah kuadrat galat atau jumlah kuadrat
kekeliruan.
Sumber F v1 ,v2 

db JK KT Fhit
variasi
JKP KTperlakuan
Perlakuan k 1 JKP Ftabel
k 1 KTsisa
 (ni  1) JKsisa
JKsisa
Sisa
(k  1) (ni  1)  (k  1)
Total (n  1)
i JKT
214
db = derajat kebebasan
KT = kuadrat tengah
v1  db perlakuan, merupakan pembilang
v2  db sisa, merupakan penyebut
Bentuk hipotesisnya adalah :

H0 : 1  2    k
H0 : 1  2    k
Penarikan kesimpulannya :
H 0 diterima bila Fhit  F v1 ,v2  dan sebaliknya H a diterima bila Fhit  F v1 ,v2  . Bila H a diterima,
berarti terdapat respons yang berbeda dari bermacam-macam perlakuan. Dengan kata lain
bila H a diterima berarti minimal terdapat sepasang perlakuan yang berbeda. Pasangan-
pasangan mana yang berbeda menyebabkan respons yang berbeda belum diketahui, masih
memerlukan pengujian lebih lanjut setelah anova (multiple comparison).
Menurut Frederik (1955), sebaiknya db sisa dari anova ≥ 20, ketentuan ini dapat
dipergunakan untuk menentukan salah satu cara sederhana untuk menentukan jumlah
ulangan ( ni ), dengan rumus sebagai berikut :
 k  1 ni  1  20 , misalnya jumlah perlakuannya = 4 maka :
20 20
 4  1 ni  1  20   ni  1 
 ni  1   ni  7,7
3 3
maka jumlah ulangan minimalnya sama dengan 8. untuk penentuan jumlah minimal ulangan
cara yang lebih baik akan diuraikan kemudian.
 1 
Menurut Higgins dikoreksi dengan menambahkan =    n dimana f adalah persentasi
1 f 
dari penambahan sampel biasanya 10 – 20 %.
Latihan
Penggunaan anova dengan ulangan yang tidak sama
Ingin diketahui apakah terdapat perbedaan mutu bola lampu listrik buatan pabrik A, B, C
dan pabrik D. Mutu atau tidaknya bola lampu ditentukan oleh daya tahan hidupnya.
Pengambilan contoh dilakukan secara random, bola lampu buatan pabrik A dan B masing-
masing diambil sebanyak 5 buah. Untuk bola lampu buatan pabrik C dan D masing-masing
diambil 4 buah. Bola lampu tersebut dinyalakan dan daya hidupnya diukur (dalam bulan).
Buktikan dengan mempergunakan alfa = 5 %, apakah mutu bola lampu buatan empat pabrik
tersebut terdapat perbedaan?
215
Merek Lampu
Pengamatan
A B C D
12 14 6 9
20 15 16 14
DAYA
23 10 16 18
TAHAN
10 19 20 19
17 22
x i 82 80 58 60 280
x 16.4 16 14.5 15
ni 5 5 4 4 18
280 
2
FK   4355,55
18
JKT  122  202  232  102  172    192  4355,55  382,44
822 802 582 602
JKP      4355,55  10,25
5 5 4 4
JKS  382,44  10,25  372,19
Tabel Anova
Sumber F0 ,05
db JK KT Fhit
variasi
Perlakuan 3 10.25 3.42 0.13 3.34
Sisa 14 372.19 26.58
Total 17 382.44
H0 : A  B  C  D
Ha : A  B  C  D
Nilai dari Fhit  0,13  3,34 , maka H 0 yang diterima. Jadi mutu merek bola lampu listrik
buatan pabrik A, B, C dan D tidak berbeda nyata ( p  0,05 ). Nilai rata-rata daya tahan
tersebut sebenarnya berbeda dan perbedaannya bukan karena merek, tetapi karena faktor
lain yang tidak diketahui. Bila soal tersebut dikerjakan dengan program komputer hasilnya
adalah sebagai berikut :
One way
Te st of Homogeneity of Variance s
VAR00001
Levene
Statistic df 1 df 2 Sig.
.123 3 14 .945
216
ANOV A
VA R00001
Sum of
Squares df Mean Square F Sig.
Betw een Groups 10.244 3 3.415 .128 .942
Within Groups 372.200 14 26.586
Total 382.444 17
Perbedaan rata-rata, mungkin disebabkan oleh :

1) variabel yang dikendalikan tidak betul-betul terkendali
2) perbedaan yang terjadi selama percobaan, misalnya lampu di goyang, voltase naik dan
lain-lain.
Latihan
Penggunaan anova dengan ulangan yang sama
Ingin diketahui apakah terdapat perbedaan mutu obat tidur merek A, B, C dan plasebo. Obat
yang bermutu bila cepat menyebabkan tertidur setelah meminum obat tersebut. Variabel
kendali adalah berat badan, umur, waktu tidur sama, kegiatan, makanan. Taraf signifikansi
yang dipergunakan adalah   5% dan data percobaan (dalam menit) tersebut adalah :
Obat Tidur
Pengamatan
Plasebo A B C
78 55 64 75
91 66 60 93
Mutu 97 49 67 78
82 64 62 71
85 70 66 63
77 68 65 76
x 85 62 64 76
x i 510 372 384 456 1722
17222
FK   123533,50
24
JKT  782  912  972  822  772    762  123553,50
 126808  123553,50
 3254,5
JKP  125646  123553,5  2092,5
JKS  3254,5  2092,5  1162
217
Tabel Anova
Sumber F0 ,05
db JK KT Fhit
variasi
Perlakuan 3 2092.50 697.5 12.005 3.10
Sisa 20 1162 58.1
Total 23 3254.5
Out put SPSS
Oneway
ANOVA
WAKTU
Sum of Squares df Mean Square F Sig.
Between
2092.500 3 697.500 12.005 .000
Groups
Within Groups 1162.000 20 58.100
Total 3254.500 23
Post Hoc Tests

Multiple Comparisons
Dependent Variable: WAKTU
LSD
Mean 95% Confidence Interval
(I) Pabrik (J) Pabrik Std. Error Sig.
Difference (I-J) Lower Bound Upper Bound
Pabrik A 23.0000(*) 4.40076 .000 13.8202 32.1798
Plasebo Pabrik B 21.0000(*) 4.40076 .000 11.8202 30.1798
Pabrik C 9.0000 4.40076 .054 -.1798 18.1798
Pabrik A Plasebo -23.0000(*) 4.40076 .000 -32.1798 -13.8202
Pabrik B -2.0000 4.40076 .654 -11.1798 7.1798
Pabrik C -14.0000(*) 4.40076 .005 -23.1798 -4.8202
Pabrik B Plasebo -21.0000(*) 4.40076 .000 -30.1798 -11.8202
Pabrik A 2.0000 4.40076 .654 -7.1798 11.1798
Pabrik C -12.0000(*) 4.40076 .013 -21.1798 -2.8202
Pabrik C Plasebo -9.0000 4.40076 .054 -18.1798 .1798
Pabrik A 14.0000(*) 4.40076 .005 4.8202 23.1798
Pabrik B 12.0000(*) 4.40076 .013 2.8202 21.1798
* The mean difference is significant at the .05 level.
Nilai Fhit  12,01  3,10 , jadi terdapat perbedaan yang nyata ( p  0,05 ) tentang mutu
obat tidur (plasebo, A, B dan C). Untuk mengetahui obat tidur jenis apa yang mutunya
terbaik perlu pengujian lebih lanjut, yaitu pengujian nilai rata-rata setelah anova (paling
tidak ada sepasang yang berbeda).
218
Pengujian tentang perbedaan nilai rata-rata setelah anova ada bermacam-macam cara
yaitu : uji LSD (least significant different/ beda nyata terkecil), HSD (honestly significant
different/beda nyata jujur), Bonferroni, Sidak, Scheffe, REGWF, REGWQ, SNK (student
newman keul), Tukey, Tukey’s-b, DMRT (Duncan’s multiple range test), Hochberg’s GT2,
Gabriel, Waller-Duncan, Dunnet dan sebagainya. Dari soal di atas maka diberikan contoh
untuk uji LSD (Least Significant Different).
2. Uji LSD
Uji ini disebut pula sebagai uji beda nyata terkecil (BNT), uji ini merupakan
pengembangan dari uji t . Syarat penggunaan uji BNT, hasil uji F (anova) adalah bermakna.
Jumlah ulangannya bisa sama atau tidak, tetapi sebaiknya ulangannya adalah sama. Bila
ulangannya tidak sama, cara pengerjaannya tidak praktis seperti halnya pada uji t . Bila
jumlah ulangannya sama, cara pengujian ini mempergunakan satu nilai pembanding yang
dapat dihitung dengan mempergunakan rumus :
1 1
LSD  t KTsisa   
1 
 1   db 
 n1 n2 
 2 
t nilainya dapat dilihat pada tabel dengan harga   0,05 dan db  dbsisa dari anova.
Jadi
LSD  t0,97520 2(58,1) / 6  2,09 2(58,1) / 6  9,19
Selanjutnya dibuat matriks dengan menyusun secara urut dari nilai terkecil atau dari
nilai terbesar, dari nilai rata-rata respons perlakuan.
Matriks selisih nilai rata-rata

A B C Plasebo
Obat Nilai rata-rata
62 64 76 85
A 62 0 2 14 23
B 64 0 12 21
C 76 0 9
Plasebo 85 0
LSD0,05 = 9,19
Cara membaca matriks, bila selisih antara dua perlakuan minimal sama dengan nilai >
LSD-nya, maka antara dua perlakuan ini adalah berbeda nyata atau sangat nyata. Sebaliknya
bila lebih kecil dibandingkan dengan nilai LSD-nya, maka antara dua perlakuan ini tidak
berbeda nyata.
Selanjutnya untuk memudahkan dalam menyimpulkan hasil pada matriks tersebut
perlu dibuat notasi garis atau notasi huruf.
219
Obat : A B C Plasebo
Nilai rata-rata 62a 64a 76b 85b
Notasi garis
Notasi huruf a a b b
Nilai rata-rata pada baris sama yang diikuti oleh superskrip yang berbeda,
menunjukkan berbeda nyata ( p  0,05 ). Jadi dapat disimpulkan bahwa obat yang paling
bermutu adalah obat A atau obat B.
2. Uji t
Sebenarnya uji setelah anova ini mempunyai banyak kekurangan dibandingkan dengan
uji rata-rata setelah anova lainnya. Karena uji t setelah anova mempergunakan nilai
pembanding t yang berubah-ubah, akibatnya uji ini tidak praktis karena cara-cara
perhitungannya lebih panjang, sehingga peluang terjadinya kesalahan dalam perhitungan
akan lebih besar. Rumus uji t yang dipergunakan adalah sebagai berikut :
x1  x2
thit 
KT .sisa(1 / n1  1 / n2 )
Plasebo >< obat A :
85  62
thit   5,23
58,10(1 / 6  1 / 6)
t0,97510   2,23
Jadi mutu obat A lebih baik dibandingkan dengan plasebo  p  0,05

Plasebo >< obat B
85  64
thit   4,77
58,10(1 / 6  1 / 6)
t0,97510  2,23
Jadi mutu obat B lebih baik dibanding dengan plasebo  p  0,05 Plasebo >< obat C
85  76
thit   2,05
58,10(1 / 6  1 / 6)
t0,97510   2,23
Jadi mutu obat C dan plasebo tidak berbeda nyata  p  0,05

obat C >< obat A :
76  62
thit   3,18
58,10(1 / 6  1 / 6)
t0,97510   2,23
220
Jadi mutu obat A lebih baik dibanding dengan obat C  p  0,05

Antara obat C dengan obat B dan antara obat B dengan obat A bisa dikerjakan sendiri
untuk latihan.
4. Hubungan antara 2 Variabel menggunakan Korelasi Product Moment (Pearson).

Korelasi Pearson (product moment) merupakan salah satu statistika inferensial, yang
dapat dilihat pada bagan berikut, analisis statistik terbagi menjadi dua yaitu statistik
deskriptif dan statistik inferensial. Statistik deskriptif mempelajari penyajian statistik dari
data pada sampel, sedangkan statistik inferensial mempelajari penarikan kesimpulan pada
populasi dari seperangkat data dari sampel. Statistika inferensial terdiri dari uji komparasi
dan uji hubungan. Uji hubungan terdiri dari uji korelasi, uji regresi dan uji asosiasi.
Korelasi adalah hubungan dua variabel rambang (bivariate random) yang berdistribusi
normal yang menyatakan adanya perubahan satu variabel akan diikuti oleh perubahan
variabel lain. Sifat hubungannya adalah linier, karenanya bila hubungan dua variabel itu
nonlinier maka uji korelasi (yang bersifat linier) akan menyebabkan penerimaan Ho yang
menyatakan rho = 0. Macam hubungannya ada dua, yaitu
a. Positif bila perubahan variabel II dari kecil ke besar juga dengan perkataan lain
perubahan kedua variabel searah;
b. Negatif bila perubahan variabel I dari kecil ke besar akan diikuti oleh perubahan
variabel II dari besar ke kecil (perhatikan diagram sebaran pada halaman berikut),
dengan perkataan lain perubahannya berlawanan arah satu sama lain.
Korelasi juga bersifat simetris atau saling mempengaruhi artinya perubahan X diikuti
oleh Y dan sebaliknya perubahan Y juga diikuti oleh X ; dari kenyataan ini kita dapat
menyatakan bahwa korelasi terjadi pada satu sampel dengan pengamatan pada beberapa
variabel.
Koefisien Korelasi
Koefisien korelasi merupakan ukuran kuat hubungan antara variabel X dan Y , yang
dinyatakan dengan huruf r (huruf kecil) untuk sampel dan dengan  untuk populasi. Harga
r beranjak dari 0 sampai +1 (korelasi positif) dan dari -1 sampai 0 (korelasi negatif);
koefisien ini tidak mempunyai satuan.
Perhitungan koefisien korelasi :

Untuk setiap variabel hitunglah jumlah item   X  jumlah kuadrat item   X 2  dan jumlah
perkalian variabel-variabel tersebut   XY  dan cacah pasangan tersebut  n , akan
diperoleh  X ,  X 2 ,  Y ,  Y 2 ,  XY , dan n .
Dari data statistik dasar di atas kita hitung koefisien korelasi dengan rumus sebagai berikut :
221
Rumus komputasi data kasar :

  X  Y 
 XY  n
r
  X 2     
 
 X  
2 2
X 
Y  
2
 n  n 
 
Rumus komputasi deviasi :
r
 xy
  x   y  
2 2
 
 Y 
 xy   XY    X  n
 X 
2
x  X
2 2

n
 Y 
2
 y  Y
2 2

n
Setelah selesai menghitung statistik r maka perlu diuji kemaknaannya berdasarkan

pengujian hipotesis nihilnya yang berbunyi :
H0 :   0 (tidak ada hubungan korelasi antara X dan Y )
Ha :   0 (ada hubungan korelasi antara X dan Y )
Dengan kesalahan I (α ) = 0,05

Macam pengujian H0 :   0
a. Bandingkan dengan titik kritis r dengan db  n  2 dan   0,05 . Bila r  r n2 maka
H 0 ditolak dengan p   .
1r
b. Hitunglah z  dengan rumus: z   0,5ln kemudian hitung  z  dengan rumus:
1r
1 z
 z  hitung z dengan rumus : z 
n3  z
Gunakan titik kritis tabel z area under curve, bila z  z1 atau z  z 1 maka H 0
 1 
2 2
ditolak dengan daftar sederhana z untuk hipotesis bermacam arah:

Dua arah  Satu arah
Z  1,96 0,05 Z  1,65
Z  2,571 0,01 Z  2,326
Z 1 bertanda negatif

2
222
1. Hitung statistik t dengan rumus:

r  n  2
thit  titik kritis gunakan tabel dengan db  n  2 dan kesalahan I   , bila
1  r 2 
t  t 
, maka H 0 ditolak dengan p  
 1  db 
 2
2. Hitung F dengan rumus :

r 2 (n  2)
F titik kritis adalah tabel F distribusi dengan db numerator = 1 dan db
1  r2
denumerator = n  2 .
Bila F  F 1,n2 , maka H 0 ditolak dengan p   .
Estimasi  dari r
Estimasi ini berguna untuk memperkirakan harga  koefisien korelasi di populasi.
Estimasi ini merupakan estimasi interval 95 % untuk   0,05 , yang mempunyai harga
minimum dan harga maksimum.
Harga minimum adalah :
1r 1
0,5ln  z 1 
1  r  1 2   n  3
harga maksimum adalah :
1r 1
0,5ln  z 1  bila H 0 untuk r ditolak dengan p  0,01 maka harga estimasi
1  r  1 2   n  3
juga dihitung untuk   0,01 .
Latihan
Berikut ini adalah data kadar kolesterol darah dalam mg % yang selanjutnya dianggap
sebagai variabel Y dan berat badan dalam kg yang selanjutnya dianggap sebagai variabel X .
Kedua variabel diukur dari 10 orang laki-laki.
Data tersebut disusun kemudian dilengkapi dengan kolom X 2 yang berisi kuadrat dari
masing-masing X , kolom Y 2 yang berisi kuadrat dari masing-masing Y dan terakhir kolom
XY yang berisi hasil perkalian X dan Y . Pada baris terakhir dilengkapi dengan jumlah
masing-masing kolom, hasilnya dapat dilihat pada tabel berikut:
Kolesterol BB
No. Y2 X2 XY
(Y ) (X )
1 150 45 22500 2025 6750
2 175 50 30625 2500 8750
3 180 45 32400 2025 8100
4 250 65 62500 4225 16250
5 225 75 50625 5625 16875
223
Kolesterol BB
No. Y2 X2 XY
(Y ) (X )
6 200 60 40000 3600 12000
7 175 75 30625 5625 13125
8 275 80 75625 6400 22000
9 160 50 25600 2500 8000
10 190 55 36100 3025 10450
 1980 600 406600 37550 122300
n Y X Y 2
X 2
 XY
Koefisien korelasi r dihitung :
  X  Y 
 XY  n
r
  X 2     
 
 X  
2 2

X
Y  
2
 n
 n 
 
(600 x1980)
122300 
r 10
 (600)2  (1980)2  
 37550   406600  
 10  10  
r  0,737
Titik kritis r0,02510  0,632
Karena rhit  rtabel , maka H 0 ditolak dengan p  0,05 , jika tidak ada tabel r maka digunakan tabel t :
r  n  2 0,737 8
thit    3,0841
1  r 
2
1  0,7372
 db  10  2  8  t1 1 0,05 8  t0,9758  2,31 , H 0 ditolak, kesimpulan ada hubungan antara BB
 
 2 
dan Kolesterol.
Kesimpulan : terdapat hubungan korelasi yang bermakna antara berat badan dan kadar
kolesterol darah.
Dari perhitungan komputer (output) program SPSS maka dapat dilihat sebagai berikut :
Correlations
Descriptive Statistics
Mean Std. Deviation N
KOLESTER 198.0000 40.22161 10
BB 60.0000 13.12335 10
224
Correlations
KOLESTER BB
KOLESTER Pearson
1 .737(*)
Correlation
Sig. (2-tailed) . .015
N 10 10
BB Pearson
.737(*) 1
Correlation
Sig. (2-tailed) .015 .
N 10 10
* Correlation is significant at the 0.05 level (2-tailed).
Perhitungan estimasi 
Harga minimum adalah :
1 r 1 1  0,737 1
0,5ln  z1  0,5ln  1,96  0,203
1  r 2  n  3 1  0,737 10  3
( z1 nilainya negatif) dengan harga maksimum adalah :

2
1 r 1 1  0,737 1
0,5ln z 1  0,5ln  1,96  1,684
1  r 1 2   n  3 1  0,737 10  3
(z 1 nilainya positif).
1 
2
Karena harga maksimal  adalah 1, jadi interval konfiden 96% untuk  adalah 0,203 dan 1.
4. Pengaruh antara 2 Variabel menggunakan Regresi Linier Sederhana

Kita berhadapan dengan masalah korelasi bila kita melakukan studi hubungan antara
dua variabel tanpa mempertahankan konstan salah satu variabel tersebut, dan kita
berhadapan dengan masalah regresi bila kita melakukan studi pengaruh terhadap suatu
variabel dan variabel lain dipertahankan konstan pada beberapa tingkat. Pada regresi kita
berhadapan dengan rancangan statistik k-sampel bebas yang membentuk peringkat sebagai
berikut :
a. Variabel X konstan pada setiap tingkatan dan variabel Y merupakan variabel

rambang.
b. Menggunakan asumsi distribusi normal univariat pada X tertentu
c. Hubungannya bersifat asimetris: X Y
225
Terdapat perbedaan masalah regresi pada studi eksperimental dan studi

observasional. Pada eksperimental variabel X dapat dikendalikan oleh peneliti sedang pada
observasional tidak satupun dari variabel X dan Y yang diubah oleh peneliti. Sebetulnya
masalah regresi lebih cocok untuk studi eksperimental dari pada studi observasional
walaupun masalah regresi pada praktek sehari-hari digunakan pada kedua studi.
Pada studi eksperimental, karena variabel bebas ( X ) dimanipulasi oleh peneliti, jika
dapat ditunjukkan bahwa variabel terikat ( Y ) ada hubungan dengan variabel bebas yaitu
dengan adanya koefisien kemiringan (slope = 1 ) populasi tidak sama dengan nol, maka
dapat disimpulkan bahwa hubungan X dan Y dapat menunjang kausalitas artinya dapat
dinyatakan bahwa X menyebabkan Y , dan Y tergantung pada X . Pada studi observasional
hubungan X dan Y tidak menunjang kausalitas, walaupun pada kedua studi kita dapat
meramal harga Y pada suatu harga X tertentu asal X masih dalam batas rentangan harga
X ; artinya interpolasi boleh dilakukan tetapi bukan ekstrapolasi.
a. Hipotesis
Pada masalah regresi secara matematik sama saja dengan kita menentukan garis lurus
ramalan Y   0  1 X dari data-data yang kita kumpulkan. Menurut matematika bahwa bila
menarik garis lurus harus ada dua cara yaitu :
1) Melalui dua titik dengan koordinat tertentu
2) Melalui satu titik dan sudut pengarah (sudut potong) antara garis dengan sumbu X .
Di sini akan digunakan cara nomor 2, sebagai titik ialah titik potong garis dengan
sumbu Y dengan koordinat  0,b0  dan sudut pengarah dalam hal ini adalah tangen sudut
tersebut  b1  .
Pada masalah regresi hipotesis yang akan dibuktikan ada dua buah, hipotesis
ketergantungan atau hubungan  1  dan hipotesis asal garis regresi  0  .
b. Formulasi hipotesis tersebut adalah sebagai berikut :

Hipotesis ketergantungan:
H0 : 1  0  Y tidak tergantung pada X
Ha : 1  0  Y tergantung pada X
Hipotesis asal :
H0 : 1  0  Y berasal dari titik asal  0,0 
Ha : 1  0  Y bukan berasal dari titik asal
b. Komputasi analisis regresi

Seperti pada studi korelasi maka pada studi regresi kita lakukan langkah-langkah
sebagai berikut :
226
  X  , jumlah kuadrat item   X  dan

Untuk setiap variabel hitunglah jumlah item 2
jumlah perkalian variabel-variabel tersebut   XY  dan cacah pasangan tersebut ( n ), akan

diperoleh  X ,  X ,  XY , Y , Y ,  XY
2 2
dan n .
Setelah itu hitunglah variansi dan kovariansi dengan rumus :

 X 
2
x  X
2 2

n
 sebagai variansi X
 Y 
2
 y  Y
2 2

n
 sebagai variansi Y
  X  Y   sebagai kovariansi XY
 xy   XY  n
Perhatikan ! variansi dan kovariansi tertulis dengan huruf kecil !
Menghitung koefisien b1 (kemiringan atau slope)
b1 
 xy
 x2
Menghitung koefisien b0 (titik asal atau intersep atau constant )
b0 
Y  b  X
1
n n
Menghitung galat baku ramalan (standard error of estimate = SEE)
Bila pada statistika deskriptif kita menghitung galat baku atau standar deviasi untuk
suatu seperangkat data maka perhitungan garis regresi diperlukan juga standar deviasi
tetapi dengan nama lain dan rumus lain.
Rumus SEE adalah sebagai berikut:
SEE 
y 2
 b1  xy
n 2
1) Menguji hipotesis ketergantungan:

H0 : 1  0  y tidak tergantung pada X
Ha : 1  0  y tergantung pada X
Untuk itu diperlukan penghitungan seb1 dengan rumus :
SEE
seb1 
 x2
Untuk pengujian H 0 digunakan uji t dengan rumus :
b  1
tb1  1 dengan db  n  2
seb1
227
Titik kritis adalah tabel t . H 0 ditolak bila tb1  t 

1  n2
2
2) Menguji hipotesis asal :

H0 : 1  0  berasal dari titik asal  0,0 
Ha : 1  0  bukan berasal dari titik asal
Untuk itu diperlukan penghitungan seb0 dengan rumus :
 X 
2
 
1  n 
seb0  SEE 
n  x2
Untuk menguji H 0 digunakan uji t dengan rumus :

b  0
tb0  0 dengan db  n  2
seb0
Titik kritis adalah tabel t , di mana H 0 ditolak bila tb0  t n2
Menguji linieritas garis

Untuk keperluan ini diperlukan data berikut :
1) Menghitung koefisien korelasi :
r dihitung dengan cara yang sama seperti pada studi korelasi dengan rumus :
r
 xy kemaknaan r dapat disamakan dengan kemaknaan b1.
  x2   y2 
2) Menguji linieritas garis regresi :
Untuk keperluan ini yang diperlukan adalah r 2 atau coefficient of determination (CD)
yang berarti varian yang dapat diterangkan oleh hubungan X dan Y . Makin besar r 2
makin fit data-data dengan garis regresi itu, dengan perkataan lain makin mungkin
untuk menyatakan bahwa hubungan X dan Y makin mendekati linier.
3. Cara lain adalah melakukan/membuat diagram sebaran hubungan kedua variabel
(diagram plot).
Bila gambaran sekilas memperlihatkan adanya kecenderungan titik-titik hubungan

berada pada satu garis lurus atau sekitar garis lurus maka dapat disimpulkan garis regresinya
linier.
Latihan
Dari data di atas yang kita pakai pada studi korelasi didapatkan harga statistik sebagai
berikut :
10 1980 600 406600 37550 122300
N Y  X Y 2
X 2
 XY
228
 X 
2
6002
x  X
2 2

n
 37550 
10
 1550
 Y 
2
19802
 y 2  Y 2 
n
 406600 
10
 14560
  X  Y   122300   600  1980   3500

 xy   XY  n 10
Koefisien korelasi r dihitung :

  X  Y 
 XY 
n
r
   X     Y  
2 2

  X  
Y  
2 2
 n  n 
  
(600 x1980)
122300 
 10  0,736752312
 600 
2
19802  
 37550   406600  
 10  10  
Coefficient of determination = r 2  0,7367523122 = 0,5428
Koefisien slope = koefisien b1
b1 
 xy  3500  2,258064516 b1   
 x 1550
2 1
Standard error of estimate :
SEE 
y 2
 b1  xy

14560  (2,258064516 x3500)
 28,846088
n 2 8
Koefisien intersep = koefisien b0
b0 
Y  b  X  1980  2,2580645  600  62,516112904 b   
1 0 0
n n 10 10
Uji hipotesis 1 (Ketergantungan)

SEE 28,846088
seb1    0,732691
x 2
1550
229
Untuk pengujian H 0 digunakan uji t dengan rumus :

b  1 2,258064516
tb1  1   3,08188 di mana p  0,05
seb1 0,732691
Uji hipotesis  0 (titik asal)

seb 0  SEE
 X 
2
2
   600 
1  n  1  10 
  28,846088   44,897901
n  x2 10 1550
Untuk menguji H 0 digunakan uji t dengan rumus :

b  0 62,5161
tb0  0   1,39241 p  0,05
seb 0 44,897901
t 1   t0,9758  2,306 t0,9958  3,355
 1   n 2
 2 
Prediksi nilai Y dari harga X tertentu

Prediksi suatu nilai Y dari harga X tertentu tergantung pada kegunaan prediksi
tersebut, di sini terbagi dua yaitu :
Prediksi nilai Y populasi :

Diperlukan seYpop yang rumusnya :
X X
2
1 n
seYpop  SEE 
n  x2
Confident Interval 95 % :
Y  t 1 seYpop  uy . x  Y  t 1 
seYpop
  1  
2  2 
Bila berat badan = 50 kg berapa kadar kolesterolnya ?
2
 600 
 50  
1  10 
seYpop  28,846088   11,70014285
10 1550
230
Hargaprediksi
Ykolester  62,516129  2,258065xBB Y  62,516129  2,258065x50  141,746
Nilai t0,058  2,306
Minimum : 141,746 – 2,306 × 11,7001 = 114,7656
Maximum : 141,746 + 2,306 × 11,7001 = 168,7264
Jadi untuk berat badan 50 kg maka di populasi terdapat kadar kolesterol antara 114,7656
sampai dengan 168,7264.
Prediksi nilai Y individu :

Diperlukan seY ind yang rumusnya :
 X 
2

X 
n 
seYind  SEE  1   
1
n  x2
Confident Interval 95 % :
Y  t 1 seYind  uy . x  Y  t 1 
seYind
  1  
2  2 
Seperti di atas bila berat badan adalah 50 kg maka :

seYind  28,846088
2
 600 
 50  
seYind  1   
1 10 
 31,12860639
10 1550
Harga prediksi
Y = 62,516129 + 2,258065 × 50 = 141,746
t0,058  2,306
Minimum : 141,746 – 2,306 × 31,12860 = 69,9634336
Maximum : 141,746 + 2,306 × 31,12860 = 213,528566
Jadi untuk berat badan sebesar 50 kg pada individu terdapat kadar kolesterol antara
69,963433 dan 213,5285663.
Out put komputer dengan program SPSS dapat dilihat sebagai berikut :
231
Regression
Mean Std. Deviation N
KOLESTER 198.0000 40.22161 10
BB 60.0000 13.12335 10
Correlations
KOLESTER BB
Pearson KOLESTER 1.000 .737
Correlation BB .737 1.000
Sig. (1-tailed) KOLESTER . .008
BB .008 .
N KOLESTER 10 10
BB 10 10
Model Summary
Std. Error
R Adjusted of the
Model R Square R Square Estimate Change Statistics
R Square Sig. F
Change F Change df1 df2 Change
1 .737(a) .543 .486 28.84609 .543 9.498 1 8 .015
a. Predictors: (Constant), BB
ANOVA(b)
Sum of
Model Squares df Mean Square F Sig.
1 Regression 7903.226 1 7903.226 9.498 .015(a)
Residual 6656.774 8 832.097
Total 14560.000 9
a. Predictors: (Constant), BB
b. Dependent Variable: KOLESTER
Coefficients(a)
Unstandardized Standardized 95% Confidence
Model t Sig.
Coefficients Coefficients Interval for B
Std. Lower Upper
B Beta
Error Bound Bound
1 (Constant) 62.516 44.898 1.392 .201 -41.019 166.051
BB 2.258 .733 .737 3.082 .015 .568 3.948
232
Latihan
1) Ingin diketahui asumsi masyarakat tentang garam beriodium. Asumsinya adalah kadar
iodium pada garam kurang dari 30 ppm (part per million). Maka diambillah sampel
garam dapur secara random pada rumah tangga sebanyak 10 rumah tangga secara
acak dengan data sebagai berikut:
17 18 20 25 32 36 19 30 21 28. α yang digunakan sebesar 5%.
Jawab:
Diketahui µ = 30 ppm rata-rata = 24,6 lalu membuat hipotesis yaitu
H0 :   30mg
Ha :   30mg
Menghitung jumlah data     dan jumlah kudrat data     yaitu
2
   246 dan  2
 6444
Setelah itu masukkan ke dalam rumus simpangan baku sebagai berikut:
  
2
 2

n
s
n 1
2472
6505 
 10  6,603
10  1
x  0
thit 
s/ n
24,6  30 5,4
thit    2,586
6,603 2,0881
10
Karena hipotesisnya adalah 1 sisi dan   5% maka nilai t tabel sebesar

t1 n1  t10,05101  t0,959 . Karena tingkat kepercayaan sebesar 0,95 dan derajat bebas
sebesar 9 maka nilai t tabel sebesar 1,83. Nilai t tabel positif dirubah menjadi negatif
juga karena nilai t hitung negatif. Karena thit  t tabel atau 2,586  1,83 , maka H a
diterima berarti keluhan masyarakat tersebut terbukti benar bahwa kadar KIO 3< dari
yang ditulis di dalam label).
2) Suatu studi ingin mengetahui tentang pengaruh suplementasi tablet besi terhadap
kenaikan kadar hemoglobin ibu hamil. Data kadar hemoglobin dengan satuan mg/dl
disajikan sebagai berikut:
Sebelum 9,0 9,2 8,3 7,9 8,8 8,5 8,2 9,4 9,5 9,6
Sesudah 10,1 9,7 9,2 8,5 8,9 8,8 8,6 9,5 9,8 9,6
233
  5% , Apakah terdapat pengaruh pemberian tablet besi terhadap kenaikan kadar

hemoglobin?
Jawab:
Diketahui :
H0 : 1  2
H1 : 1  2
Mencari nilai d yaitu dengan mengurangi data sebelum dengan data sesudah sebagai
berikut :
Sebelum 9,0 9,2 8,3 7,9 8,8 8,5 8,2 9,4 9,5 9,6
Sesudah 10,1 9,7 9,2 8,5 8,9 8,8 8,6 9,5 9,8 9,6
d -1,1 -0,5 -0,9 -0,6 -0,1 -0,3 -0,4 -0,1 -0,3 0
2
d 1,21 0,25 0,81 0,36 0,01 0,09 0,16 0,01 0,09 0
 d   1,1   0,5   0,9    0,6    0,1   0,3

  0,4    0,1   0,3  0
 4, 3
d  1,21  0,25  0,81  0,36
2
i
 0,01  0,09  0,16  0,01  0,09  0

 2,99
n di 2    di 
2
s
n(n  1)
selanjutnya semua nilai yang didapatkan disubtitusi ke dalam rumus di atas sebagai
berikut:
10  2,99    4,3 
2
s  0,3560
10(10  1)
4,3
d 0,356
thit   thit   3,8196
s n 10
sedang nilai t tabel, karena hipotesis 2 sisi dan α = 5% maka adalah
t1 1 n1 atau t1 1 0,05101  t0,959 hal ini menunjukkan bahwa tingkat kepercayaan
2 2
sebesar 0,975 dan derajat kebebasan sebesar 9 maka nilai t tabel sebesar 2,262 (lihat
lampiran tabel t ). Karena nilai t hitung negatif maka nilai t tabel juga dibuat negatif
yaitu -2,262.
Hasil yang diperoleh thit  t tabel atau 3,8196  2,262 , maka H 0 ditolak berarti Tablet
Besi berpengaruh nyata terhadap kenaikan kadar Hb ibu hamil ( p  0,05 ).
3) Apakah terdapat perbedaan kadar Imunoglobulin A (IgA) pada lanjut usia yang
mendapatkan seng sulfat dan sinbiotik dengan data IgA sebagai berikut :
234
Suplemen Kadar IgA (ug/mmol)

Seng sulfat 1,2 1,5 1,0 1,9 2,0 1,7 1,6 1,3 2,0 0,9
Sinbiotik 1,4 1,7 1,3 2,1 2,2 1,9 1,7 1,5 2,2 1,4
Berdasarkan data tersebut di atas tarik kesimpulan dengan tingkat kepercayaan 95%.
Jawab:
H0 : 1  2
Ha : 1  2
Hipotesis tersebut merupakan hipotesis 2 sisi.
Pertama kita mencari varian dari populasi yaitu :
s2
Fhit  12 di mana s12  s22
s2
H 0 : variansi I = variansi 2 (DATA HOMOGEN)
H a : variansi I ≠ variansi 2 (DATA HETEROGEN)
H 0 diterima berarti kedua variansi homogen
H 0 diterima bila : Fhit  Fa v1 ,v2 
v1  n1  1  10  1  9, v2  n2  1  10  1  9
Untuk mendapatkan nilai Fhit , maka akan dicari masing-masing nilai varian kelompok 1
dan kelompok 2 sebagai berikut :
 x 
2
x 2

n
s
n 1
 x 
2
x 2

n
s 
2
n 1
Untuk kelompok seng sulfat :
Nilai  x2  24,25 dan  x  15,1 sedang nilai n  10 , maka
15,1
2
24,25 
s 10  0,4012
10  1
s2   0,4012  0,161
2
Untuk kelompok sinbiotik :

Nilai  x2  31,34 dan  x  17,4 sedang nilai n  10 , maka
17,4 
2
31,34 
s2  10  0,1182
10  1
235
s12
Setelah itu mencari Fhit sebagai berikut: Fhit 
s22
0,161
Fhit   1,3621
0,1182
Karena v1  9, v2  9 dengan   5% maka Ftabel  3,18 .
Kesimpulan: Ftabel  Fhit atau 3,18  1,3621 sehingga H 0 diterima, maka variansi
kelompok seng tidak berbeda dengan variansi kelompok sinbiotik.
Selanjutnya digunakan uji t 2 sampel bebas dengan variansi homogen sebagai berikut:
x x
thit  1 2
1 1
s 
n1 n2
(n1  1)s12  (n2  1)s22

dan nilai s 
n1  n2  2
Pertama mencari nilai simpangan baku beda sampel sebagai berikut :
(10  1)0,161  (10  1)0,1182
s  0,3743
10  10  2
Selanjutnya substitusi ke dalam rumus t hitung sebagai berikut :
1,51  1,74
thit   1,3756
1 1
0,3743 
10 10
Karena hipotesis 2 sisi dengan   5% , maka nilai
1
t tabel  1    n1  n2  2   t1 1  0,0510 10 2  t 0,97510  . Artinya bahwa 0,975 adalah tingkat
2 2
kepercayaan (confidence of interval) dan 18 adalah derajat kebebasan yang

dipergunakan untuk melihat tabel t. Nilai t tabel sebesar 2,101 (terlampir tabel t ),
karena nilai thit negatif, maka nilai t tabel juga dibuat negatif yaitu sebesar – 2,101. Jadi
2,101  1,3756 , maka H 0 diterima akibatnya kesimpulan dari hasil analisis ini
adalah tidak ada perbedaan kadar IgA yang mendapatkan suplementasi seng dan yang
mendapatkan suplemen sinbiotik.
1) Di buat hipotesis nol dan alternatif untuk menentukan apakah uji satu sisi atau dua sisi
(jika hipotesis sesuai diberi skor 5).
2) Menentukan skala data dari variabel yang diteliti (jika skala data sesuai diberi skor 5).
3) Menentukan uji statistik yang sesuai (jika uji statistik sesuai diberi skor 10).
4) Menghitung statistik berdasarkan rumus tersebut (jika hasil akhir benar dan tepat
diberi skor 30).
5) Membandingkan hasil hitung dengan tabel statistik yang sesuai (jika benar dan sesuai
diberi skor 30).
236
6) Membuat kesimpulan (jika kesimpulan sesuai dengan uji statistik maka diberi skor 20).
Ringkasan
Uji beda adalah bagian dari statistik inferensial untuk melihat perbedaan rata-rata
pada kelompok. Uji beda terdiri atas 2 yaitu uji beda 2 kelompok atau biasa disebut uji t dan
uji beda lebih dari 2 kelompok yang biasa disebut analisis of varians (Anova). Persyaratan
data dari variabel yang diteliti adalah data interval dan rasio.
Uji hubungan antara 2 variabel yaitu uji statistik inferensial untuk melihat hubungan
antar variabel bebas dan variabel terikat. Uji statistik ini menggunakan uji korelasi product
moment (Pearson). Persyaratan variabel mempunyai data interval atau rasio.
Uji pengaruh antara 2 variabel yaitu uji statistik inferensial untuk melihat pengaruh
antara variabel bebas terhadap variabel terikat menggunakan regresi linier sederhana.
Persyaratan data dari variabel yang diteliti adalah data interval dan rasio.
Prosedur statistik parametrik dibuat berdasarkan sejumlah asumsi. Sebagai contoh,
umumnya untuk membuat asumsi bahwa sampel dicuplik dari populasi normal, atau paling
sedikit mendekati normal. Karena itu uji parametric seperti uji z , t , r , F dikategorikan
statistik teori normal. Di samping normalitas distribusi populasi, asumsi-asumsi yang
digunakan dalam model matematik uji paramterik adalah:
1. Independensi pemilihan unit sampel dari populasi,
2. Independensi pengamatan unit observasi,
3. Kesamaan varians jika membandingkan dua atau sejumlah sampel,
4. Variabel diukur minimal dalam skala interval.
Validitas penggunaan uji statistik parametrik ditentukan oleh pemenuhan asumsi

tersebut. Jika kondisi itu tidak dipenuhi, validitas hasil penelitian diragukan. Normalitas
distribusi bias diketahui secara visual dengan menampilkan data dalam bentuk histogram
ataupun menghitung statistic deskriptif, misalnya ukuran tendensi sentral dan derajat
kemencengan. Beberapa asumsi bias diuji, misalnya normalitas distribusi dicek dengan uji
kesesuaian kai kuadrat.
Untuk mengatasi penyimpangan asumsi teori normal dapat dilakukan dengan cara :
1. data ditransformasi sehingga distribusi mendekati normal dan varians menjadi lebih
stabil. Tergantung sifat ketidaknormalan data, transformasi data yang dapat dilakukan
adalah : akar kuadrat, logaritma, kebalikan (reciprocal), dan sinus arcus.
2. bebas distribusi, karena tidak bertujuan menduga maupun menguji parameter
populasi, tetapi cukup membandingkan karakteristik populasi-populasi secara umum,
maka metode bebas distribusi juga disebut nonparametrik.
237
Tes 2
1) Studi tentang khasiat simplisia (bahan obat yang berasal dari alam) sebagai antiinfeksi
yang terdiri atas kunyit, kunyit putih dan daun miyana. Variabel yang diukur adalah
jumlah kuman yang mati pada tikus yang mendapatkan infeksi. Data berikut
menunjukkan jumlah kuman yang masih hidup :
Simplisia Jumlah kuman (n x 107)
Kunyit 2,1 1,9 3,0 2,7 2,8 3,1 2,7 1,9 1,8 4,1
Kunyit putih 2,2 1,8 3,1 2,6 2,9 3,0 2,6 1,8 1,6 3,8
Daun miyana 1,9 2,0 3,0 2,8 2,7 2,9 2,8 2,0 1,7 3,9
Harga α sebesar 5%. Tarik kesimpulan berdasarkan data di atas.
2) Seorang peneliti ingin mengetahui hubungan antara kadar kolesterol dengan asam
urat. α yang digunakan sebesar 5%. Berdasarkan hasil penelitian maka diketahui data
sebagai berikut :
kolesterol 90 95 96 97 98 100 99 94 91 93
Asam urat 100 105 110 115 120 125 123 120 115 118
3) Apakah terdapat pengaruh antara berat badan lahir bayi dengan asupan protein ibu
hamil.
Dengan data sebagai berikut:
Berat badan lahir bayi (kg) 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1
Asupan protein (g) 10 11 12 13 14 15 16 17 19 18
Tingkat kepercayaan sebesar 95%. Buat kesimpulan tentang masalah di atas.
Jawaban
1) H 0 : tidak ada perbedaan rata-rata jumlah kuman pada ketiga simplisia
H a : ada perbedaan yang bermakna rata-rata jumlah kuman pada ketiga simplisia
ANOVA
Jumlah Kuman Hidup
Sum of Mean
Squares df Square F Sig.
Between Groups .025 2 .012 .026 .975
Within Groups 12.974 27 .481
Total 12.999 29
Berdasarkan Tabel Anova di atas menunjukkan bahwa nilai Fhit  0,026 . Jika
dibandingkan dengan nilai Ftabel  F v1 ,v2  , di mana v1  dfbetween group  2 dan
v2  dfwithin group  27 dipergunakan untuk melihat tabel statistik. Nilai Ftabel sebesar 3,35.
238
Karena Fhit  Ftabel , maka H 0 diterima artinya tidak ada perbedaan antara kunyit, kunyit
putih dan daun miyana dalam membunuh kuman (anti infeksi).
2) H 0 : tidak ada hubungan antara kadar kolesterol dengan asam urat
H a : ada perbedaan yang bermakna antara kadar kolesterol dengan asam urat
90 100 8100 10000 9000
95 105 9025 11025 9975
96 110 9216 12100 10560
97 115 9409 13225 11155
98 120 9604 14400 11760
100 125 10000 15625 12500
99 123 9801 15129 12177
94 120 8836 14400 11280
91 115 8281 13225 10465
93 118 8649 13924 10974
1151
953 As.
Kolesterol Urat 90921 133053 109846
x y x2 y2 xy
Menggunakan rumus koefisien korelasi Pearson
 xy   n
x y
r
   x     y 
2 2
x  2   y 
2 
 n  n 
  
1151
109846  953 
r 10  0,6503
  953  133053  1151 
 
2 2
 90921 
 10  10 
 
r n 2 0,6503 8
Disubstitusi ke dalam rumus t    2,4211
1  r2 1  0,65032
Setelah itu membandingkan dengan tabel t 1-1/2α (n-2) = t 0,975 (8). Nilai t tabel dengan tingkat
kepercayaan 0,975 dan df = 8 sebesar 2,306.
Karena thit  t tabel , maka H 0 ditolak artinya ada hubungan yang bermakna antara kadar
kolesterol dan asam urat yaitu semakin meningkat kolesterol juga akan meningkatkan
asam urat.
239
3) Hipotesis titik asal

H 0 : y berasal dari titik asal
H a : y tidak berasal dari titik asal
Hipotesis ketergantungan
H 0 : asupan protein ibu hamil tidak mempengaruhi berat badan lahir bayi
H a : asupan protein ibu hamil mempengaruhi berat badan lahir bayi
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .988a .976 .973 .04985
a. Predictors: (Constant), As.Protein
Berdasarkan tabel di atas menunjukkan bahwa R2  0,976 menunjukkan bahwa 97,6%

asupan protein ibu hamil akan mempengaruhi berat badan lahir bayi. Selebihnya 2,4%
variabel lain yang tidak diteliti tetapi ikut mempengaruhi hasil penelitian.
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression .805 1 .805 324.012 .000a
Residual .020 8 .002
Total .825 9
a. Predictors: (Constant), As.Protein
b. Dependent Variable: BBL
Nilai F sebesar 324,021 dengan p  0,000 menunjukkan bahwa besarnya pengaruh

variabel asupan protein terhadap BBL bayi.
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.218 .081 15.009 .000
As.Protein .099 .005 .988 18.000 .000
a. Dependent Variable: BBL
Berdasarkan tabel di atas menunjukkan bahwa nilai konstanta

t  15,009 dan p  0,000 berarti hipotesis titik asal menerima H 0 artinya variabel y
tidak berasal dari titik asal.
240
Hipotesis ketergantungan menunjukkan bahwa asupan protein nilai

t  18 dan p  0,000 artinya adalah asupan protein mempengaruhi BBL Bayi dimana
semakin meningkat asupan protein ibu hamil juga akan meningkatkan berat badan
lahir bayi.
241
Daftar Pustaka
Chandra Budiman, 1995. Pengantar Statistik Kesehatan. Jakarta: EGC.
Dajan Anto, 1986. Pengantar Metode Statistik Jilid II. Jakarta: LP3ES.
Daniel Wayne W., 1989. Statistika Nonparametrik Terapan. Jakarta: Gramedia.
Kuntoro, 2002. Pengantar Teori Probabilitas. Surabaya: Pustaka Melati.
………., 2011. Metode Statistik Edisi Revisi. Surabaya: Pustaka Melati.
Murti Bhisma, 1996. Penerapan Metode Non-Parametrik dalam Ilmu-Ilmu Kesehatan.

Jakarta: Gramedia Pustaka Utama.
Nurgiyantoro Burhan, Gunawan, Marzuki, 2000. Statistik Terapan Untuk Ilmu-Ilmu Sosial.
Yogyakarta: Gadjah Mada University Press.
Saleh Samsubar, 1996. Statistik Nonparametrik Edisi 2. Yogyakarta: BPFE.
Siegel Sidney, 1997. Statistik Nonparametrik untuk Ilmu-Ilmu Sosial. Jakarta: Gramedia.
Sugiyono, 2003. Statistik Nonparametris untuk Penelitian. Bandung: Alfabeta.
Siagian, Dergibson & Sugiarto, 2002. Metode Statistika untuk Bisnis dan Ekonomi, PT
Gramedia Pustaka Utama Jakarta. ISBN 979-655-924-2
Walpole, Ronald E, 1993. Pengantar Statistika, PT Gramedia Pustaka Utama. Jakarta ISBN
979-403-313-8
Ross, Sheldon, 1976. A First Course in Probability.
R. A. Fisher. 1925. Statistical Methods for Research Workers, Edinburgh: Oliver and Boyd,
1925, p.43.
Cramer, Duncan; Dennis Howitt. 2004. The Sage Dictionary of Statistics. p. 76.
ISBN 076194138X.
Lehmann, E.L.; Romano, Joseph P. 2005. Testing Statistical Hypotheses (3E ed.). New York:
Springer.ISBN 0387988645.
242
NIST handbook: Two-Sample t-Test for Equal Means
Steel, R.G.D, and Torrie, J. H., Principles and Procedures of Statistics with Special Reference
to the Biological Sciences., McGraw Hill, 1960, page 350.
Weiss, Neil A. 1999. Introductory Statistics (5th ed.). p. 802. ISBN 0-201-59877-9.
NIST handbook: F-Test for Equality of Two Standard Deviations (Testing standard deviations
the same as testing variances).
243
Lampiran
Lampiran 1
Fungsi Distribusi pada Distribusi Probabilitas t-Student
dk 0,001 0,005 0,01 0,025 0,05 0,10 0,20 0,30 0,40 dk

1 –318,309 –63,657 –31,821 –12,706 –6,314 –3,078 –1,376 –0,727 –0,325 1
2 –22,327 –9,925 –6,965 –4,303 –2,920 –1,886 –1,961 –0,617 –0,289 2
3 –10,215 –5,841 –4,541 –3,182 –2,353 –1,638 –0,978 –0,584 –0,277 3
4 –7,173 –4,604 –3,747 –2,776 –2,132 –1,533 –0,941 –0,569 –0,271 4
5 –5,893 –4,032 –3,365 –2,571 –2,015 –1,476 –0,920 –0,559 –0,267 5
6 –5,208 –3,707 –3,143 –2,447 –1,943 –1,440 –0,906 –0,553 –0,265 6

7 4,785 3,499 2,998 2,365 1,895 1,415 0,896 0,549 0,263 7
8 4,501 –3,355 –2,896 –2,306 –1,860 –1,397 –0,889 –0,546 –0,262 8
9 4,297 –3,250 –2,821 –2,262 –1,833 –1,383 –0,833 –0,543 –0,261 9
10 –4,144 –3,169 2,764 2,228 1,812 1,372 0,879 0,542 0,260 10
11 4,025 –3,106 –2,718 –2,201 –1,796 –1,363 –0,876 –0,540 –0,260 11

12 3,930 –3,055 –2,681 –2,179 –1,782 –1,356 –0,873 –0,539 –0,259 12
13 3,852 –3,012 –2,650 –2,160 –1,771 –1,350 –0,870 –0,538 –0,259 13
14 3,787 –2,977 –2,624 –2,145 –1,761 –1,345 –0,868 –0,537 –0,258 14
15 3,733 2,947 2,602 2,131 1,753 1,341 0,866 0,536 0,258 15
16 3,686 –2,921 –2,583 –2,120 –1,746 –1,337 –0,865 –0,535 –0,258 16

17 3,646 –2,898 –2,567 –2,110 –1,740 –1,333 –0,863 –0,534 –0,257 17
18 3,610 –2,878 –2,552 –2,101 –1,734 –1,330 –0,862 –0,534 –0,257 18
19 3,579 –2,861 –2,539 –2,093 –1,729 –1,328 –0,861 –0,533 –0,257 19
20 3,552 –2,845 –2,528 –2,086 –1,725 –1,325 –0,860 –0,533 –0,257 20
21 3,527 –2,831 –2,518 –2,080 –1,721 –1,323 –0,859 –0,532 –0,257 21

22 3,505 –2,819 –2,508 –2,074 –1,717 –1,321 –0,858 –0,532 –0,256 22
23 3,485 –2,807 –2,500 –2,069 –1,714 –1,319 –0,858 –0,532 –0,256 23
24 3,467 –2,797 –2,492 –2,064 –1,711 –1,318 –0,857 –0,531 –0,256 24
25 3,450 –2,787 –2,485 –2,060 –1,708 –1,316 –0,856 –0,531 –0,256 25
26 3,435 –2,779 –2,479 –2,056 –1,706 –1,315 –0,856 –0,531 –0,256 26

27 3,421 –2,771 –2,473 –2,052 –1,703 –1,314 –0,855 –0,531 –0,256 27
28 3,408 –2,763 –2,467 –2,048 –1,701 –1,313 –0,855 –0,530 –0,256 28
29 3,396 –2,756 –2,462 –2,045 –1,699 –1,311 –0,854 –0,530 –0,256 29
30 3,385 –2,750 –2,457 –2,042 –1,697 –1,310 –0,854 –0,530 –0,256 30
244
31 3,375 –2,744 –2,453 –2,040 –1,696 –1,309 –0,853 –0,530 –0,256 31

32 3,365 –2,738 –2,449 –2,037 –1,694 –1,309 –0,853 –0,530 –0,255 32
33 3,356 –2,733 –2,445 –2,035 –1,692 –1,308 –0,853 –0,530 –0,255 33
34 3,348 –2,728 –2,441 –2,032 –1,691 –1,307 –0,852 –0,529 –0,255 34
35 3,340 –2,724 –2,438 –2,030 –1,690 –1,306 –0,852 –0,529 –0,255 35
dk 0,001 0,005 0,01 0,025 0,05 0,10 0,20 0,30 0,40 dk

36 3,333 –2,719 –2,434 –2,028 –1,688 –1,306 –0,852 –0,529 –0,255 36
37 3,326 –2,715 –2,431 –2,026 –1,687 –1,305 –0,851 –0,529 –0,255 37
38 3,319 –2,712 –2,429 –2,024 –1,686 –1,304 –0,851 –0,529 –0,255 38
39 3,313 –2,708 –2,426 –2,023 –1,685 –1,304 –0,851 –0,529 –0,255 39
40 3,307 –2,704 –2,423 –2,021 –1,684 –1,303 –0,851 –0,529 –0,255 40
41 3,301 –2,701 –2,421 2,020 1,683 1,303 0,850 0,529 0,255 41

42 3,296 –2,698 –2,418 2,018 1,682 1,302 0,850 0,528 0,255 42
43 3,291 –2,695 –2,416 2,017 1,681 1,302 0,850 0,528 0,255 43
44 3,286 –2,692 –2,414 2,015 1,680 1,301 0,850 0,528 0,255 44
45 3,281 –2,690 –2,412 2,014 1,679 1,301 0,850 0,528 0,255 45
46 3,277 –2,687 –2,410 –2,013 –1,679 –1,300 –0,850 –0,528 –0,255 46

47 3,273 –2,685 –2,408 –2,012 –1,678 –1,300 –0,849 –0,528 –0,255 47
48 3,269 –2,682 –2,407 –2,011 –1,677 –1,299 –0,849 –0,528 –0,255 48
49 3,265 –2,680 –2,405 –2,010 –1,677 –1,299 –0,849 –0,528 –0,255 49
50 3,261 –2,678 –2,403 –2,009 –1,676 –1,299 –0,849 –0,528 –02,55 50
51 3,258 –2,676 –2,402 –2,008 –1,675 –1,298 –0,849 –0,528 –0,255 51

52 3,255 –2,674 –2,400 –2,007 –1,675 –1,298 –0,849 –0,528 –0,255 52
53 3,251 –2,672 –2,399 –2,006 –1,674 –1,298 –0,848 –0,528 –0,255 53
54 3,248 –2,670 –2,397 –2,005 –1,674 –1,297 –0,848 –0,528 –0,255 54
55 3,245 –2,668 –2,396 –2,004 –1,673 –1,297 –0,848 –0,527 –0,255 55
56 3,242 –2,667 –2,395 –2,003 –1,673 –1,297 –0,848 –0,527 –0,255 56

57 3,239 –2,665 –2,394 –2,002 –1,672 –1,297 –0,848 –0,527 –0,255 57
58 3,237 –2,663 –2,392 –2,002 –1,672 –1,296 –0,848 –0,527 –0,255 58
59 3,234 –2,662 –2,391 –2,001 –1,671 –1,296 –0,848 –0,527 –0,254 59
60 3,232 –2,660 –2,390 –2,000 –1,671 –1,296 –0,848 –0,527 –0,254 60
61 3,229 –2,659 –2,389 –2,000 –1,670 –1,296 –0,848 –0,527 –0,254 61

62 3,227 –2,657 –2,388 –1,999 –1,670 –1,295 –0,847 –0,527 –0,254 62
63 3,225 –2,656 –2,387 –1,998 –1,669 –1,295 –0,847 –0,527 –0,254 63
64 3,223 –2,655 –2,386 –1,998 –1,669 –1,295 –0,847 –0,527 –0,254 64
65 3,220 –2,654 –2,385 –1,997 –1,669 –1,295 –0,947 –0,527 –0,254 65
245
66 3,218 –2,652 –2,384 –1,997 –1,668 –1,295 –0,847 –0,527 –0,254 66

67 3,216 –2,651 –2,383 –1,996 –1,668 –1,294 –0,847 –0,527 –0,254 67
68 3,214 –2,650 –2,382 –1,995 –1,668 –1,294 –0,847 –0,527 –0,254 68
69 3,213 –2,649 –2,382 –1,995 –1,667 –1,294 –0,847 –0,527 –0,254 69
70 3,211 –2,648 –2,381 –1,994 –1,667 –1,294 –0,847 –0,527 –0,254 70
71 3,209 –2,647 –2,380 –1,994 –1,667 –1,294 –0,847 –0,527 –0,254 71

72 3,207 –2,646 –2,379 –1,993 –1,666 –1,293 –0,847 –0,527 –0,254 72
73 3,206 –2,645 –2,379 –1,993 –1,666 –1,293 –0,847 –0,527 –0,254 73
74 3,204 –2,644 –2,378 –1,993 –1,666 –1,293 –0,847 –0,527 –0,254 74
75 3,202 –2,643 –2,377 –1,992 –1,665 –1,293 –0,846 –0,527 –0,254 75
dk 0,001 0,005 0,01 0,025 0,05 0,10 0,20 0,30 0,40 dk

76 3,201 –2,642 –2,376 –1,992 –1,665 –1,293 –0,846 –0,527 –0,254 76
77 3,199 –2,641 –2,376 –1,991 –1,665 –1,293 –0,846 –0,527 –0,254 77
78 3,198 –2,640 –2,375 –1,991 –1,665 –1,292 –0,846 –0,527 –0,254 78
79 3,197 –2,640 –2,374 –1,990 –1,664 –1,292 –0,846 –0,527 –0,254 79
80 3,195 –2,639 –2,374 –1,990 –1,664 –1,292 –0,846 –0,526 –0,254 80
81 3,194 –2,638 –2,373 –1,990 –1,664 –1,292 –0,846 –0,526 –0,254 81

82 3,193 –2,637 –2,373 –1,989 –1,664 –1,292 –0,846 –0,526 –0,254 82
83 3,191 –2,636 –2,372 –1,989 –1,663 –1,292 –0,846 –0,526 –0,254 83
84 3,190 –2,636 –2,372 –1,989 –1,663 –1,292 –0,846 –0,526 –0,254 84
85 3,189 –2,635 –2,371 –1,988 –1,663 –1,292 –0,846 –0,526 –0,254 85
86 3,188 –2,634 –2,370 –1,988 –1,663 –1,291 –0,846 –0,526 –0,254 86

87 3,187 –2,634 –2,370 –1,988 –1,663 –1,291 –0,846 –0,526 –0,254 87
88 3,185 –2,633 –2,369 –1,987 –1,662 –1,291 –0,846 –0,526 –0,254 88
89 3,184 –2,632 –2,369 –1,987 –1,662 –1,291 –0,846 –0,526 –0,254 89
90 3,183 –2,632 –2,368 –1,987 –1,662 –1,291 –0,846 –0,526 –0,254 90
91 3,182 –2,631 –2,368 –1,986 –1,662 –1,291 –0,846 –0,526 –0,254 91

92 3,181 –2,630 –2,368 –1,986 –1,662 –1,291 –0,846 –0,526 –0,254 92
93 3,180 –2,630 –2,367 –1,986 –1,661 –1,291 –0,846 –0,526 –0,254 93
94 3,179 –2,629 –2,367 –1,986 –1,661 –1,291 –0,845 –0,526 –0,254 94
95 3,178 –2,629 –2,366 –1,985 –1,661 –1,291 –0,845 –0,526 –0,254 95
96 3,177 –2,628 –2,366 –1,985 –1,661 –1,290 –0,845 –0,526 –0,254 96

97 3,176 –2,627 –2,365 –1,985 –1,661 –1,290 –0,845 –0,526 –0,254 97
98 3,175 –2,627 –2,365 –1,984 –1,661 –1,290 –0,845 –0,526 –0,254 98
246
99 3,175 –2,626 –2,365 –1,984 –1,660 –1,290 –0,845 –0,526 –0,254 99

100 3,174 –2,626 –2,364 –1,984 –1,660 –1,290 –0,845 –0,526 –0,254 100
3,090 –2,576 –2,326 –1,960 –1,645 –1,282 –0,842 –0,524 –0,253 
dk 0,60 0,70 0,80 0,90 0,95 0,975 0,99 0,995 0,999 dk

1 0,325 0,727 1,376 3,078 6,314 12,706 31,821 63,657 318,309 1
2 0,289 0,617 1,961 1,886 2,920 4,303 6,965 9,925 22,327 2
3 0,277 0,584 0,978 1,638 2,353 3,182 4,541 5,841 10,215 3
4 0,271 0,569 0,941 1,533 2,132 2,776 3,747 4,604 7,173 4
5 0,267 0,559 0,920 1,476 2,015 2,571 3,365 4,032 5,893 5
6 0,265 0,553 0,906 1,440 1,943 2,447 3,143 3,707 5,208 6

7 0,263 0,549 0,896 1,415 1,895 2,365 2,998 3,499 4,785 7
8 0,262 0,546 0,889 1,397 1,860 2,306 2,896 3.355 4,501 8
9 0,261 0,543 0,883 1,383 1,833 2,262 2,821 3,250 4,297 9
10 0,260 0,542 0,879 1,372 1,812 2,228 2,764 3,169 4,144 10
0,260 0,540 0,876 1,363 1,796 2,201 2,718 3,106 4,025 11

0,259 0,539 0,873 1,356 1,782 2,179 2,681 3,055 3,930 12
0,259 0,538 0,870 1,350 1,771 2,160 2,650 3,012 3,852 13
0,258 0,537 0,868 1,345 1,761 2,145 2,624 2,977 3,787 14
0,258 0,536 0,866 1,341 1,753 2,131 2,602 2,947 3,733 15
0,258 0,535 0,865 1,337 1,746 2,120 2,583 2,921 3,686 16

0,257 0,534 0,863 1,333 1,740 2,110 2,567 2,898 3,646 17
0,257 0,534 0,862 1,330 1,734 2,101 2,552 2,878 3,610 18
0,257 0,533 0,861 1,328 1,729 2,093 2,539 2,861 3,579 19
0,257 0,533 0,860 1,325 1,725 2,086 2,528 2,845 3,552 20
0,257 0,532 0,859 1,323 1,721 2,080 2,518 2,831 3,527 21

0,256 0,532 0,858 1,321 1,717 2,074 2,508 2,819 3,505 22
0,256 0,532 0,858 1,319 1,714 2,069 2,500 2,807 3,485 23
0,256 0,531 0,857 1,318 1,711 2,064 2,492 2,797 3,467 24
0,256 0,531 0,856 1,316 1,708 2,060 2,485 2,787 3,450 25
0,256 0,531 0,856 1,315 1,706 2,056 2,479 2,779 3,435 26

0,256 0,531 0,855 1,314 1,703 2,052 2,473 2,771 3,421 27
0,256 0,530 0,855 1,313 1,701 2,048 2,467 2,763 3,408 28
0,256 0,530 0,854 1,311 1,699 2,045 2,462 2,756 3,396 29
0,256 0,530 0,854 1,310 1,697 2,042 2,457 2,750 3,385 30
247
0,256 0,530 0,853 1,309 1,696 2,040 2,453 2,744 3,375 31

0,255 0,530 0,853 1,309 1,694 2,037 2,449 2,738 3,365 32
0,255 0,530 0,853 1,308 1,692 2,035 2,445 2,733 3,356 33
0,255 0,529 0,852 1,307 1,691 2,032 2,441 2,728 3,348 34
0,255 0,529 0,852 1,306 1,690 2,030 2,438 2,724 3,340 35
0,255 0,529 0,852 1,306 1,688 2,028 2,434 2,719 3,333 36

0,255 0,529 0,851 1,305 1,687 2,026 2,431 2,715 3,326 37
0,255 0,529 0,851 1,304 1,686 2,024 2,429 2,712 3,319 38
0,255 0,529 0,851 1,304 1,685 2,023 2,426 2,708 3,313 39
0,255 0,529 0,851 1,303 1,684 2,021 2,423 2,704 3,307 40
dk 0,60 0,70 0,80 0,90 0,95 0,975 0,99 0,995 0,999 dk

0,255 0,529 0,850 1,303 1,683 2,020 2,421 2,701 3,301 41
0,255 0,528 0,850 1,302 1,682 2,018 2,418 2,698 3,296 42
0,255 0,528 0,850 1,302 1,681 2,017 2,416 2,695 3,291 43
0,255 0,528 0,850 1,301 1,680 2,015 2,414 2,692 3,286 44
0,255 0,528 0,850 1,301 1,679 2,014 2,412 2,690 3,281 45
0,255 0,528 0,850 1,300 1,679 2,013 2,410 2,687 3,277 46

0,255 0,528 0,849 1,300 1,678 2,012 2,408 2,685 3,273 47
0,255 0,528 0,849 1,299 1,677 2,011 2,407 2,682 3,269 48
0,255 0,528 0,849 1,299 1,677 2,010 2,405 2,680 3,265 49
0,255 0,528 0,849 1,299 1,676 2,009 2,403 2,678 3,261 50
0,255 0,528 0,849 1,298 1,675 2,008 2,402 2,676 3,258 51

0,255 0,528 0,849 1,298 1,675 2,007 2,400 2,674 3,255 52
0,255 0,528 0,848 1,298 1,674 2,006 2,399 2,672 3,251 53
0,255 0,528 0,848 1,297 1,674 2,005 2,397 2,670 3,248 54
0,255 0,527 0,848 1,297 1,673 2,004 2,396 2,668 3,245 55
0,255 0,527 0,848 1,297 1,673 2,003 2,395 2,667 3,242 56

0,255 0,527 0,848 1,297 1,672 2,002 2,394 2,665 3,239 57
0,255 0,527 0,848 1,296 1,672 2,002 2,392 2,663 3,237 58
0,254 0,527 0,848 1,296 1,671 2,001 2,391 2,662 3,234 59
0,254 0,527 0,848 1,296 1,671 2,000 2,390 2,660 3,232 60
0,254 0,527 0,848 1,296 1,670 2,000 2,389 2,659 3,229 61

0,254 0,527 0,847 1,295 1,670 1,999 2,388 2,657 3,227 62
0,254 0,527 0,847 1,295 1,669 1,998 2,387 2,656 3,225 63
0,254 0,527 0,847 1,295 1,669 1,998 2,386 2,655 3,223 64
0,254 0,527 0,847 1,295 1,669 1,997 2,385 2,654 3,220 65
248
0,254 0,527 0,847 1,295 1,668 1,997 2,384 2,652 3,218 66

0,254 0,527 0,847 1,294 1,668 1,996 2,383 2,651 3,216 67
0,254 0,527 0,847 1,294 1,668 1,995 2,382 2,650 3,214 68
0,254 0,527 0,847 1,294 1,667 1,995 2,382 2,649 3,213 69
0,254 0,527 0,847 1,294 1,667 1,994 2,381 2,648 3,211 70
0,254 0,527 0,847 1,294 1,667 1,994 2,380 2,647 3,209 71

0,254 0,527 0,847 1,293 1,666 1,993 2,379 2,646 3,207 72
0,254 0,527 0,847 1,293 1,666 1,993 2,379 2,645 3,206 73
0,254 0,527 0,847 1,293 1,666 1,993 2,378 2,644 3,204 74
0,254 0,527 0,846 1,293 1,665 1,992 2,377 2,643 3,202 75
0,254 0,527 0,846 1,293 1,665 1,992 2,376 2,642 3,201 76

0,254 0,527 0,846 1,293 1,665 1,991 2,376 2,641 3,199 77
0,254 0,527 0,846 1,292 1,665 1,991 2,375 2,640 3,198 78
0,254 0,527 0,846 1,292 1,664 1,990 2,374 2,640 3,197 79
0,254 0,526 0,846 1,292 1,664 1,990 2,374 2,639 3,195 80
dk 0,60 0,70 0,80 0,90 0,95 0,975 0,99 0,995 0,999 dk

0,254 0,526 0,846 1,292 1,664 1,990 2,373 2,638 3,194 81
0,254 0,526 0,846 1,292 1,664 1,989 2,373 2,637 3,193 82
0,254 0,526 0,846 1,292 1,663 1,989 2,372 2,636 3,191 83
0,254 0,526 0,846 1,292 1,663 1,989 2,372 2,636 3,190 84
0,254 0,526 0,846 1,292 1,663 1,988 2,371 2,635 3,189 85
0,254 0,526 0,846 1,291 1,663 1,988 2,370 2,634 3,188 86

0,254 0,526 0,846 1,291 1,663 1,988 2,370 2,634 3,187 87
0,254 0,526 0,846 1,291 1,662 1,987 2,369 2,633 3,185 88
0,254 0,526 0,846 1,291 1,662 1,987 2,369 2,632 3,184 89
0,254 0,526 0,846 1,291 1,662 1,987 2,368 2,632 3,183 90
0,254 0,526 0,846 1,291 1,662 1,986 2,368 2,631 3,182 91

0,254 0,526 0,846 1,291 1,662 1,986 2,368 2,630 3,181 92
0,254 0,526 0,846 1,291 1,661 1,986 2,367 2,630 3,180 93
0,254 0,526 0,845 1,291 1,661 1,986 2,367 2,629 3,179 94
0,254 0,526 0,845 1,291 1,661 1,985 2,366 2,629 3,178 95
0,254 0,526 0,845 1,290 1,661 1,985 2,366 2,628 3,177 96
0,254 0,526 0,845 1,290 1,661 1,985 2,365 2,627 3,176 97
0,254 0,526 0,845 1,290 1,661 1,984 2,365 2,627 3,175 98
0,254 0,526 0,845 1,290 1,660 1,984 2,365 2,626 3,175 99
0,254 0,526 0,845 1,290 1,660 1,984 2,364 2,626 3,174 100
 0,253 0,524 0,842 1,282 1,645 1,960 2,326 2,576 3,090 ∞
249
Lampiran 2
Tabel 2 Distribusi F
250
251
BAB IX
STATISTIKA NON-PARAMETRIK
Rudy Hartono
PENDAHULUAN
Setiap bahasan metode mengkombinasikan konsep, prosedur, contoh-contoh soal,

latihan-latihan soal, maupun jawaban latihan soal. Tujuannya adalah agar memudahkan
pembaca memahami konsep, membiasakan diri dengan prosedur dan formula metode
statistik non-parametrik, maupun melihat persoalan-persoalan yang bias dipecahkan dengan
metode-metode itu. Latihan soal beserta jawabannya memungkinkan mahasiswa untuk
dapat belajar sendiri.
Setelah kita mempelajari Bab VIII, banyak manfaat statistik parametrik yang dapat
diaplikasikan dalam segala bidang, utamanya di bidang farmasi. Aplikasi di bidang
statistiknon-parametrik. Bagaimana menyederhanakan data farmasi, sehingga lebih mudah
untuk dipahami dan mengerti utamanya buat pengambilan keputusan akan lebih mudah
dengan mempelajari tentang statistik deskriptif.
Setelah mempelajari bab ini mahasiswa akan dapat :
1. Menjelaskan definisi statistik non-parametrik
2. menjelaskan syarat-syarat penggunaan statistik non-parametrik
3. kelebihan dan kekurangan statistik nonparametrik
4. menganalisis dan menarik kesimpulan menggunakan uji wilcoxon, Mc Nemar dan
Mann Whitney
5. menganalisis dan menarik kesimpulan menggunakan korelasi spearman.
6. Menganalisis dan menarik kesimpulan menggunakan uji chi square
252
Topik 1
Konsep Dasar Statistika Non-Parametrik
DEFINISI STATISTIK NON-PARAMETRIK
Statistik inferensial merupakan alat untuk merancang penelitian, menganalisis data,

dan menarik kesimpulan tentang populasi dari data sampel. Namun sebelum melakukan
proses generalisasi tersebut, kita perlu mengetahui sifat-sifat data sampel itu sendiri.
Statistik deskriptif berfungsi mengembangkan indikator dan ukuran yang dapat
menggambarkan karakteristik data yang telah dikumpulkan dan ditabulasi. Ukuran statistik
yang lazim dipakai untuk menggambarkan data penelitian dan survei ialah ukuran tendensi
sentral, ukuran dispersi, ukuran fraktil, ukuran hubungan (dalam hal ini korelasi) dan lain-
lain.
Statistik inferensial berdasarkan ruang lingkupnya terdiri atas statistik parameterik dan
statistik non-parametrik. Statistik parametrik telah dibahas pada Bab 7 sebelumnya.
Statistik non parametrik adalah statistik yang tidak menggunakan asumsi distribusi
normal sehingga lebih mudah dalam menyelesaikannya serta data dari variabel yang diukur
adalah data kualitatif (nominal atau ordinal) atau biasa disebut juga dengan statistik bebas
distribusi (free distribution).
1. Istilah - Istilah
Konsep dan metode tentang statistik yang diterapkan ke dalam ilmu biologi, farmasi,
kesehatan, dan kedokteran bidang ilmu tersebut merupakan bagian dari Biostatistik.
Observasi yang biasa juga disebut dengan pengamatan adalah suatu peristiwa yang
disertai dengan pengukuran atau perhitungannya, contohnya dosis obat paracetamol adalah
suatu peristiwa atau kejadian dan 500 mg adalah pengukuran.
Unit observasi yang juga disebut unit pengamatan merupakan sumber pengamatan,
contohnya orang atau obyek. Istilah yang lebih khas adalah individu atau subyek.
Populasi merupakan sekumpulan subyek yang hendak diketahui karakteristiknya atau
keseluruhan dari subyek ataupun elemen penelitian lainnya (contohnya benda dan
pengukuran-pengukurannya). Definisi populasi harus jelas dan ketat, sehingga mudah untuk
menghitung atau mengukurnya, contohnya semua balita di Kota Makassar, semua lanjut usia
yang berumur 60 – 70 tahun, semua wanita usia subur yang belum menikah, semua
penderita psikosomatik, dan semua dokter Pegawai Tidak tetap (PTT) di Sulawesi Selatan.
Populasi statistik dapat juga berupa panjang badan, kadar vitamin A dalam serum,
pembacaan hasil titrasi, jumlah sel eritrosit dalam darah manusia, dan lain sebagainya.
Populasi terdiri atas 2 yaitu pertama populasi yang dapat dihitung (finite) dan kedua populasi
yang tidak terhitung dan tak terbatas (infinite).
253
Unit sampel adalah setiap anggota populasi.

Sampel merupakan sebagian dari populasi yang mempunyai karakteristik yang sama
atau kelompok dari unit-unit sampel. Misalnya kita mempunyai populasi terdiri atas orang
yang resinten terhadap antibiotik di Indonesia. Jika data yang digunakan untuk menganalisis
hanya orang di 5 propinsi di Indonesia, berarti kita hanya memiliki sebagian dari orang yang
resisten terhadap antibiotik pada popualsi, dan disebut dengan sampel. Beberapa teknik
dalam mengambil sampel dari suatu populasi, cara, teknik atau metode ini disebut sampling
(pencuplikan). Tujuan dari sampling adalah supaya didapatkan suatu sampel yang mewakili
(representatif) tentang ciri khas populasi dimana variabel-variabelnya akan dikumpulkan
datanya.
Data merupakan suatu set nilai yang dicatat dari sebuah atau lebih unit pengamatan.
Di sisi lain data adalah kumpulan dari beberapa fakta.
Variabel merupakan suatu konsep atau fenomena alam yang mempunyai variasi nilai.
Misalnya variabel kadar parasetamol dalam 1 sendok teh dalam bentuk sirup, umur pasien
yang mengunjungi apotik di suatu rumah sakit, dan usia balita yang mengunjungi dokter
spesialis anak di Makassar.
Parameter merupakan suatu ukuran yang digunakan untuk menggambarkan
karakteristik atau hubungan antar variabel populasi, contohnya rata-rata, varians,
simpangan baku, dan proporsi. Misalnya rata-rata lama waktu tunggu pasien untuk
mengambil obat, atau angka kelahiran, angka kesakitan dan angka kematian. Istilah
parameter yang digunakan selalu berhubungan dengan populasi dan sering dirancukan
dengan istilah statistik yang mengarah ke sampel.
Peluang atau disebut juga dengan probabilitas adalah frekuensi relatif atau rata-rata
peluang terjadinya suatu peristiwa yang dapat diharapkan secara rata-rata atau dalam
jangka panjang. Misalnya : peluang untuk sembuh setelah berobat dengan teknologi tinggi,
peluang interaksi penggunaan beberapa obat pada satu kali minum, peluang kegagalan
pengobatan jika menggunakan obat-obat yang belum terstandarisasi. Peluang dinyatakan
dalam bentuk angka, mulai dari 0 hingga 1. Contohnya, probabilitas untuk memperoleh bayi
laki-laki adalah sekali dalam 10 kehamilan atau 1/10, probabilitas memperoleh siswa yang
mempunyai Intelectual Questions (IQ) 200 adalah 1 dari 50 anak atau 1/50.
Nilai Sentral tendensi adalah ukuran pusat tendensi yang menggunakan
kecenderungan nilai-nilai pengamatan memusat pada suatu titik. Ukuran tendensi sentral
yaitu mean, median dan modus. Ketiga nilai sentral tendensi tersbut adalah yang terpenting.
Modus merupakan nilai atau angka yang mempunyai frekuensi kemunculan yang tersering
atau terbanyak. Mean merupakan rerata aritmatik yang bisa diperoleh dengan
menambahkan seluruh nilai dalam sampel dan membaginya dengan seluruh sampel. Median
merupakan nilai atau angka yang berada di tengah suatu set data yang telah diurutkan
(array). Contoh dapat dilihat kembali pada Bab 7 yang telah dibahas sebelumnya.
Ukuran dispersi atau disebut juga ukuran penyebaran yang menggambarkan sejauh
mana nilai-nilai pengamatan menyebar dari rerata aritmatiknya. Ukuran dispersi yang
penting adalah simpangan baku dan kuadrat dari simpangan baku yang disebut varians.
254
Semakin besar nilai simpangan baku menunjukkan bahwa makin lebar penyebaran dari nilai-
nilai observasi.
Statistik non-parametrik yaitu statistik bebas sebaran (tidak mensyaratkan bentuk
sebaran parameter populasi, baik normal atau tidak). Selain itu, statistik non-parametrik
biasanya menggunakan data kualitatif, yakni nominal dan ordinal.
2. Model Matematik
Penggunaan model matematik tertentu selalu menyangkut sifat populasi dan cara
mengambil sampel pada populasi. Setiap uji statistik yang menggunakan suatu uji statistik
baru bisa dikatakan valid (sahih) jika ada 2 asumsi berikut ini yang dipenuhi sebagai berikut :
a. Asumsi model matematik uji
b. Teknik pengukuran variabel
Semakin kuat asumsi yang mendasari suatu uji, makin sempit generalisasi
penerapannya, semakin kecil kemungkinan kesalahan inferensi, dan semakin besar kuasa
statistik ujinya. Kebalikannya, semakin sedikit asumsi mendasari suatu uji semakin luas
generalisasi penerapannya, semakin besar kemungkinan kesalahan inferensi dan semakin
kecil kuasa statistik uji tersebut. Uji parametrik, contohnya uji t dan F, menggunakan
sejumlah asumsi yang kuat. Jika semua asumsi bisa dipenuhi , uji t atau uji F mempunyai
kuasa yang lebih besar dari pada uji non parametric yang penggunaannya sama. Istilah lain
adalah lebih mampu untuk menolak Ho, ketika Ho memang salah dari pada uji non
parametric yang menggunakan asumsi lebih sedikit. Supaya penggunaan uji t memiliki kuasa
yang besar, paling tidak kondisi-kondisi di bawah ini perlu dipenuhi :
a. Pengamatan dilakukan independen, artinya nilai satu pengamatan tidak boleh
mempengaruhi nilai pengamatan lainnya.
b. Sampel berasal dari populasi yang mempunyai distribusi normal
c. Dalam analisis dua kelompok, populasi-populasi asal kedua kelompok memiliki varians
yang sama, atau sedikitnya rasio varians keduanya diketahui
d. Variabel diukur minimal dalam skala interval.
Jika data yang akan dianalisis memenuhi asumsi di atas, penggunaan uji statistic
parametric, misalnya uji t dan uji F tersebut di atas, adalah pilihan utama, sebab mempunyai
kuasa yang lebih besar dari pada uji non parametric. Selanjutnya apa yang dapat dilakukan
jika situasi tersebut tidak dapat dipenuhi. Bagaimana jika populasi tidak berdistribusi
normal? Bagaimana jika variabel tidak diukur dalam skala interval? Dan bagaimana jika
varians populasi tidak sama, saat akan dibandingkan sejumlah kelompok?
Secara empiris menunjukkan bahwa sebagian data riset mengandung sedikit
penyimpangan asumsi, tanpa memberikan perbedaan pengaruh terhadap keputusan
statistik. Sampai saat ini belum adanya standar baku tentang kapan penyimpangan asumsi
bisa dikatakan “sedikit” sehingga “boleh tidak terpenuhi” dan kapan dikatakan “banyak”
sehingga “hasil analisis tidak valid”. Situasi saat ini uji statistik non paramterik mempunyai
255
peran penting sebagai uji alternatif yang setara. Uji statistic non parametric dapat memiliki
kuasa statistik yang sebanding dengan uji parametric, asalkan besar sampel cukup besar.
3. Variabel dan Skala Pengukuran

Seperti telah diketahui sebelumnya bahwa variabel adalah suatu konsep atau
fenomena alam yang mempunyai variasi nilai. Di mana variasi nilai tersebut dapat diukur
baik secara kualitatif maupun kuantitatif. Berdasarkan metode riset dengan rancangan
eksperimen murni, variasi nilai dapat dimanipulasi menurut keperluan penelitian. Observasi
dan pengukuran variabel akan menghasilkan data. Misalnya suatu penelitian melihat
pengaruh kontrasepsi oral terhadap tekanan darah sistolik. Pada penelitian ini kontrasepsi
oral merupakan suatu variabel yang secara kualitatif dapat diamati dan akan menghasilkan
data kategoarikal yaitu menggunakan kontrasepsi oral dan tidak menggunakan kontrasepsi
oral.
Cara klasifikasi variabel akan sangat penting dalam pembagian menurut tingkat
pengukuran. Berdasarkan teknik ini variabel diklasifikasikan menjadi: variabel nominal,
ordinal, interval dan rasio.
Variabel nominal tidak lain adalah kategori yang diberi nama. Kategori tersebut dapat
diurutkan maupun diberi peringkat. Tidak dapat dibedakan apakah kategori yang satu
mempunyai tingkat yang lebih tinggi dengan kategori yang lain. Misalnya : seks, suku,
bangsa, negara, nama, alamat, warna, suku dan lain sebagainya.
Variabel ordinal merupakan kategori yang dapat diurutkan atau diberi peringkat.
Sudah dapat dibedakan antara kategori satu dengan kategori lainnya, tetapi tidak dapat
diketahui besarnya perbedaan tersebut. Misalnya peringkat kelas (peringkat I, II, II dan
seterusnya), nilai prestasi mahasiswa (A, B, C, D dan E), skala sikap (sangat setuju, setuju,
kurang setuju, tidak setuju, sangat tidak setuju).
Variabel interval adalah variabel yang perbedaan antara nilai pengamatan yang satu
dengan lainnya dapat diketahui dengan pasti dan merupakan bentuk angka/bilangan,
mempunyai nilai nol tidak mutlak/absolut. Misalnya suhu dalam derajat Celsius, pendapatan,
pengeluaran, dan lain sebagainya.
Variabel rasio merupakan bagian dari variabel interval tetapi mempunyai nilai nol yang
mutlak/absolut. Contohnya tinggi badan, berat badan, luas, waktu. Sebagaimana variabel
rasio tinggi badan si Alif 195 cm tidak hanya boleh dikatakan berselisih 65 cm dengan tinggi
badan si Andi 130 cm, tetapi dapat juga dibuat kesimpulan bahwa tinggi si Alif adalah 1,5 kali
tinggi badan si Andi.
4. Syarat Penggunaan Statistik Non-Parametrik

Statistik non-parametrik dapat digunakan jika memenuhi syarat sebagai berikut :
a. Data tidak berdistribusi normal
b. Umumnya data berskala nominal dan ordinal
c. biasanya pada penelitian kesehatan atau kedokteran/farmasi
d. Umumnya jumlah sampel kecil
256
Kelebihan dan kekurangan statistik non-parametrik

Kelebihan:
a. Tidak membutuhkan asumsi normalitas.
b. Secara umum metode statistik non-parametrik lebih mudah dikerjakan dan lebih
mudah dimengerti jika dibandingkan dengan statistik parametrik karena statistika non-
parametrik tidak membutuhkan perhitungan matematik yang rumit seperti halnya
statistik parametrik.
c. Statistik non-parametrik dapat digantikan data numerik (nominal) dengan jenjang
(ordinal).
d. Kadang-kadang pada statistik non-parametrik tidak dibutuhkan urutan atau jenjang
secara formal karena sering dijumpai hasil pengamatan yang dinyatakan dalam data
kualitatif.
e. Pengujian hipotesis pada statistik non-parametrik dilakukan secara langsung pada
pengamatan yang nyata.
f. Walaupun pada statistik non-parametrik tidak terikat pada distribusi normal populasi,
tetapi dapat digunakan pada populasi berdistribusi normal.
Kekurangan :
a. Statistik non-parametrik terkadang mengabaikan beberapa informasi tertentu.
b. Hasil pengujian hipotesis dengan statistik non-parametrik tidak setajam statistik
parametrik.
c. Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi studi seperti
pada statistik parametrik. Hal ini dikarenakan statistik non-parametrik mendekati
eksperimen dengan sampel kecil dan umumnya membandingkan dua kelompok
tertentu.
d. Meski konsep dan prosedur non-parametrik sederhana, tetapi pekerjaan hitung-
menghitung bisa membutuhkan banyak waktu jika ukuran sampel yang dianalisis besar
Latihan
1) Metode analisis data yang tidak memerlukan asumsi distribusi normal disebut dengan
statistik ....
A. parametrik
B. non parametrik
C. inferensial
D. deskriptif
2) Jika untuk menguji hipotesis tetapi variabel yang diukur menghasilkan data kualitatif
maka selayaknya digunakan statistik ....
A. inferensial
B. non parametrik
C. parametrik
D. deskriptif
257
3) Ukuran statistik yang sering digunakan untuk menggambarkan data penelitian dan
survey, kecuali ....
A. Tendensi sentral
B. Fraktil
C. Dispersi
D. Adiksi
4) Statistik deskriptif berfungsi menggambarkan karakteristik data yang telah

dikumpulkan dan ditabulasi untuk mengembangkan ....
A. indikator
B. presisi
C. prevalensi
D. prediksi
5) Konsep maupun metode tentang statistik yang diterapkan ke dalam ilmu biologi,
farmasi, kesehatan, dan kedokteran bidang ilmu tersebut merupakan bagian dari ....
A. biostatistik
B. biografi
C. biosains
D. bioteknologi
6) Dosis obat natrium diklofenak adalah suatu peristiwa dan 25 mg adalah pengukuran,
contoh tersebut merupakan ....
A. observasi
B. konsep
C. fenomena
D. kategori
7) Individu atau obyek adalah unit ....

A. konsep
B. observasi
C. kategori
D. fenomena
8) Sekumpulan subyek yang hendak diketahui karakteristiknya disebut dengan ....

A. sampel
B. populasi
C. sampling
D. sub populasi
258
9) Populasi yang jumlahnya tidak terhitung dan tak terbatas disebut dengan ....
A. infinite
B. future
C. finite
D. infuture
10) Semua penderita HIV/AIDS di dunia, merupakan populasi ....

A. finite
B. infinite
C. constan
D. constanta
Ringkasan
Statistik non parametrik adalah statistik yang tidak menggunakan asumsi distribusi
normal sehingga lebih mudah dalam menyelesaikannya serta data dari variabel yang diukur
adalah data kualitatif (nominal atau ordinal) atau biasa disebut juga dengan statistik bebas
distribusi (free distribution).
Populasi merupakan sekumpulan subyek yang hendak diketahui karakteristiknya atau
keseluruhan dari subyek ataupun elemen penelitian lainnya (contohnya benda dan
pengukuran-pengukurannya).
Unit sampel adalah setiap anggota populasi.
Sampel merupakan sebagian dari populasi yang mempunyai karakteristik yang sama
atau kelompok dari unit-unit sampel.
Variabel merupakan suatu konsep atau fenomena alam yang mempunyai variasi nilai.
Parameter merupakan suatu ukuran yang digunakan untuk menggambarkan
karakteristik atau hubungan antar variabel populasi.
Statistik non-parametrik dapat digunakan jika memenuhi syarat sebagai berikut :
1. Data tidak berdistribusi normal
2. Umumnya data berskala nominal dan atau ordinal
3. biasanya pada penelitian kesehatan atau kedokteran/farmasi
4. Umumnya jumlah sampel kecil
Tes 1
1) Tujuan dari sampling adalah agar didapatkan tentang ciri khas populasi di mana
variabel-variabelnya akan dikumpulkan datanya pada suatu sampel yang ....
A. representatif
B. prediktif
C. konstruktif
D. fakultatif
259
2) Suatu set nilai yang dicatat dari sebuah atau lebih unit pengamatan disebut ....
A. fakta
B. informasi
C. data
D. isu
3) Rata-rata lama waktu tunggu pasien untuk mengambil obat merupakan contoh dari ....
A. peluang
B. parameter
C. variabel
D. indikator
4) Statistik pada akhirnya membuat kesimpulan mengarah ke sampel, sedangkan yang

mengarah ke populasi adalah ....
A. indikator
B. probabilitas
C. variabel
D. parameter
5) Frekuensi relatif peluang terjadinya suatu peristiwa yang dapat diharapkan secara rata-
rata atau dalam jangka panjang disebut ....
A. probabilitas
B. matematik
C. exactly
D. inferensial
6) Yang termasuk dalam nilai sentral tendensi di bawah ini adalah ....
A. range
B. simpangan baku
C. modus
D. varians
7) Tidak termasuk dalam nilai penyebaran di bawah ini adalah ....

A. mean
B. standar error
C. median
D. modus
8) Setiap uji statistik yang menggunakan suatu uji statistik baru bisa dikatakan valid
(sahih) jika dipenuhi oleh, kecuali ....
A. asumsi model matematik uji
260
B. teknik peningkatan variabel

C. hipotesis
D. parameter
9) Data kuantitatif pada suatu variabel tetapi tidak mempunyai distribusi yang normal,
maka untuk menguji hipotesis harus menggunakan statistik ....
A. inferensial
B. parametrik
C. non parametrik
D. deskriptif
10) Mendekati eksperimen dengan sampel kecil dan umumnya membandingkan dua
kelompok tertentu, maka hasil statistik non-parametrik tidak dapat di ....
A. ekstrapolasi
B. polarisasi
C. ekstradisi
D. tradisi
261
Topik 2
Aplikasi Statistik Non Parametrik
Aplikasi penggunaan statistik non parametrik setelah mempelajari konsep dasarnya

sebagai berikut yaitu Uji Wilcoxon, Uji Mc Nemar, Uji Mann Whitney, Korelasi Spearman dan
Uji Chi Square.
A. UJI WILCOXON
Uji Wilcoxon terdiri atas tiga macam yaitu uji jenjang bertanda Wilcoxon, uji jumlah
jenjang Wilcoxon dan uji jumlah jenjang berstrata Wilcoxon.
1. Uji Jenjang Bertanda Wilcoxon (Wilcoxon’s Signed Rank Test).

Uji ini ditemukan oleh Frank Wilcoxon pada tahun 1945. Uji ini disebut pula sebagai uji
pasangan bertanda Wilcoxon (Wilcoxon’s Pairs Sign Rank Test). Uji jenjang bertanda
Wicoxon merupakan pengembangan dari uji tanda. Di samping tanda + atau – perbedaan
pada uji ini juga memperhatikan nilai beda. Persyaratan datanya sama dengan uji tanda.
Cara analisis uji jenjang bertanda Wilcoxon adalah sebagai berikut :
a. Berikan jenjang (rank) untuk tiap Y  X  dari terkecil ke terbesar tanpa
memperhatikan tanda beda. Bila ada dua atau lebih nilai Y  X  sama besarnya, maka
jenjang untuk tiap-tiap Y  X  adalah jenjang rata-ratanya.
b. Beri tanda + atau – pada tiap-tiap jenjang dan beda 0 tidak diperhatikan.
c. Jumlahkan T  semua jenjang bertanda + dan -.
d. Jumlah jenjang T  yang terkecil bandingkan dengan T  n . H 0 ditolak bila : Thit  T n .
Contoh : Pengaruh penyuluhan terhadap sanitasi pasar yang telah diuji dengan uji tanda
tersebut di atas akan diuji dengan uji jenjang bertanda Wilcoxon.
Penyuluhan Beda Rank

Penjual + -
Sebelum  X  Sesudah Y  Y  X  Y  X 
A 23 21 -2 5 3.5 3.5
B 40 48 +8 9 9 9
C 35 45 +10 10 10 10
D 24 22 -2 4 3.5 3.5
E 17 19 +2 3 3.5 3.5
F 32 37 +5 6 6 6
G 27 29 +2 2 3.5 3.5
H 32 38 +6 7 7.5 7.5
I 25 24 -1 1 1 1
262
Penyuluhan Beda Rank

Penjual + -
J 30 36 +6 8 7.5 7.5
K 41 30 -11 11 11 11
T 47 19
T  19
T0,0511  11
H 0 diterima, jadi penyuluhan tidak memperbaiki sanitasi pasar. Berikut out put SPSS dari
data di atas :
N Mean Std. Deviation Minimum Maximum
PRE 11 29.6364 7.35218 17.00 41.00
POST 11 31.7273 9.83962 19.00 48.00
Wilcoxon Signed Ranks Test
Ranks
N Mean Rank Sum of Ranks
POST - PRE Negative
4(a) 4.75 19.00
Ranks
Positive
7(b) 6.71 47.00
Ranks
Ties 0(c)
Total 11
a POST < PRE
b POST > PRE
c POST = PRE
Test Statistics(b)
POST - PRE
Z -1.252(a)
Asymp. Sig. (2-tailed) .211
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test
Bila n  25 , maka perhitungannya dengan uji Z yaitu:

n(n  1)(2n  1)
T 
24
263
n(n  1)
T 
4
T   T
Zhit 
T
H 0 diterima bila : Zhit  Z 1 1 
  
2 2 
2. Uji Jumlah Jenjang Wilcoxon(Wilcoxon’s Rank Sum Test)

Uji jumlah jenjang bertanda Wilcoxon dipergunakan untuk membandingkan
perbedaan antara dua sampel bebas. Uji ini mirip dengan uji t untuk dua sampel bebas.
Langkah-langkah analisisnya sebagai berikut :
a. Gabungkan kedua sampel dan berikan jenjang tiap tiap anggotanya dari yang terkecil
ke terbesar. Bila ada dua atau lebih nilai yang sama besarnya berikan jenjang rata-
ratanya.
b. Jumlahkan masing-masing cuplikan misalnya T1 dan T2
c. Nilai T yang terkecil bandingkan dengan T  n1 ,n2 
d. Kriteria pengambilan keputusan adalah : H 0 ditolak bila T  T n1 ,n2 
Contoh :
Data berikut ini adalah nilai tarik suara darma wanita FK dan FKG masing-masing sebanyak
10 orang. Buktikan apakah terdapat perbedaan kualitas suara tersebut   0,05 .
Nama Nilai Rank Nama Nilai Rank

peserta peserta
FK FKG
A 16 7 7.5 K 16 8 7.5
B 12 2 2 L 15 6 5.5
C 18 10 10 M 19 14 13.5
D 19 12 13.5 N 23 18 18
E 14 4 4 O 25 19 19
F 13 3 3 P 21 17 17
G 18 9 10 Q 26 20 20
H 19 13 13.5 R 20 16 16
I 15 5 5.5 S 18 11 10
J 10 1 1 T 19 15 13.5
T1  70 T2  140
T1  70 dan T0,0510,10  78 , maka H 0 ditolak, jadi kualitas suara tersebut berbeda nyata.
Apabila n1 atau n2 atau keduanya > 20, maka analisisnya dengan uji Z.
264
n(n1  n2  1)  2T
Zhit 
n1n2 (n1  n2  1)
3
Di mana :
N = jumlah sampel dengan jumlah jenjang terkecil ( T )
T = jumlah jenjang terkecil
H 0 diterima bila Zhit  Z 1 1 
  
2 2 
Ranks
kelompok N Mean Rank Sum of Ranks
kualitas suara paduan suara FK 10 7.00 70.00
paduan suara FKG 10 14.00 140.00
Total 20
Test Statistics(b)
kualitas suara
Mann-Whitney U 15.000
Wilcoxon W 70.000
Z -2.662
Asymp. Sig. (2-tailed) .008
Exact Sig. [2*(1-tailed
.007(a)
Sig.)]
a Not corrected for ties.
b Grouping Variable: kelompok
3. Uji Jumlah Jenjang Berstrata Wilcoxon (Wilcoxon’s Stratified Rank Sum Test)
Uji ini dipergunakan untuk membandingkan dua perlakuan pada beberapa kelompok /
strata dan jumlah sampel  n pada tiap-tiap kelompok itu sama. Kalau dibandingkan dengan
uji statistika parametrik, uji jumlah jenjang berstrata Wilcoxon mirip uji F pada rancangan
acak kelompok.
Langkah-langkah analisisnya mirip dengan uji jumlah bertanda Wilcoxon.
Perbedaannya, bahwa pemberian jenjang dilakukan pada tiap-tiap strata secara terpisah.
Selanjutnya jenjang untuk tiap-tiap perlakuan dijumlahkan. Jumlah jenjang yang terkecil T 
dibandingkan dengan T g ,n
265
Kriteria penarikan keputusan adalah :

H 0 ditolak bila T  T g ,n
g = jumlah strata
n = jumlah sampel tiap-tiap strata.
Contoh :
Data berikut ini adalah nilai libido dua kelompok penderita impotensia yang berbadan
gemuk dan kurus setelah disuntik hormon testoteron buatan pabrik A dan B.
Buktikan apakah kualitas testoteron buatan pabrik A dan B tersebut berbeda
  0,01
Hormon Testoteron
Berat
Pabrik A Pabrik B
Badan
(Nilai) (Rank) (Nilai) (Rank)
Gemuk 14 1 26 10
19 5,5 25 9
18 3,5 21 8
19 5,5 20 7
15 2 18 3.5
Kurus 18 7 19 8,5
12 2 16 5,5
10 1 15 4
13 3 23 10
16 5,5 19 8,5
T1  36 T2  74
T  36
T0,012,5  38 , maka H 0 ditolak berarti kualitas testoteron buatan pabrik A dan B tersebut
berbeda nyata.
Untuk membuktikan perbedaan libido antara penderita gemuk dengan kurus yang
disuntik hormon testoteron A dan B cukup dengan uji jumlah jenjang Wilcoxon.
B. UJI MC NEMAR
Uji Mc Nemar merupakan uji perbandingan dua variabel yang berpasangan atau
variabel – variabel yang memenuhi rancangan penelitian before – after. Kedua variabel itu
harus berskala nominal dan dikotomi, misalnya setuju – tidak setuju, mati – hidup, dan
sebagainya.
Pada buku-buku tertentu maka uji ini disebut uji simetri yang bertujuan membuktikan
hipotesis probabilitas “setuju” sebelum perlakuan sama dengan sesudah perlakuan :
P setuju sebelum  P setuju sesudah
266
Model ini didasarkan pada kenyataan bahwa ada beberapa kasus yang mengalami
perubahan “ tanggap “ setelah diberi suatu perlakuan. Untuk keperluan ini maka kita akan
menghitung setiap perubahan sikap pada setiap kasus artinya kita akan menghitung :
1. Berapa orang yang asalnya setuju menjadi tak setuju
2. Berapa orang yang asalnya setuju tetap setuju
3. Berapa orang yang asalnya tak setuju menjadi setuju
4. Berapa orang yang asalnya tak setuju tetap tak setuju
Angka-angka itu kita masukkan dalam format tabel kategorik 2 × 2 sebagai berikut :
Sesudah
Sikap Setuju Tak Setuju
Setuju A B
Sebelum
Tak Setuju C D
Syarat penggunaan:
Harga harapan (setengah dari jumlah yang mengalami perubahan sikap) harus lebih
dari atau sama dengan 5. atau bila dituliskan dalam bahasa matematik syarat itu berbunyi :
BC
5
2
Bila syarat itu tidak dipenuhi maka penyelesaiannya menggunakan Binomial Test.
Rumus yang digunakan : (bila syarat dipenuhi)
 B  C  1
2
 2
 (Mc.Nemar)
BC
Untuk uji signifikansinya digunakan tabel chi kuadrat dengan derajat bebas  db  1
dan   0,05 H 0 ditolak bila hitung  0,051  tabel .
2 2
Contoh :
Berikut ini adalah hasil suatu penelitian perubahan sikap pemuka masyarakat terhadap
dihapuskannya restribusi sampah (data fiktif) :
Perubahan sikap Cacah

Setuju – setuju 16
Setuju – tidak 11
Tidak – tidak 1
Tidak – setuju 4
 11  4  1
2
 2
  2,4
11  4
0,05
2

1 3,841
267
Jadi H 0 diterima, artinya probabilitas “setuju” pada keadaan sebelum penyuluhan

sama dengan setelah penyuluhan.
Berikut ini tampilan komputer dengan menggunakan program SPSS:
Test Statistics (a)
SEBELUM & SESUDAH
SESUDAH
SEBELUM
Setuju Tidak setuju
Setuju 16 11
Tidak
4 1
setuju
Test Statistics (b)

SEBELUM & SESUDAH
N 32
Exact Sig. (2-tailed) .118(a)
a Binomial distribution used.

b McNemar Test
C. UJI MANN WHITNEY
Uji Mann – Whitney sama dengan uji jumlah jenjang Wilcoxon, perbedaannya
terutama dipergunakan untuk dua sampel yang berukuran tidak sama. Namun demikian, uji
Mann-Whitney juga dapat digunakan untuk menguji dua sampel berukuran sama. Bila
sampel 1 dan 2 masing-masing adalah n1 dan n2 maka langkah-langkah pengujiannya
adalah sebagai berikut :
1. Gabungkanlah kedua sampel dan beri jenjang dari tiap nilai terkecil sampai nilai
terbesar.
2. Hitunglah jumlah jenjang masing-masing sampel misalnya T1 dan T2
n  n  1
U1  n1n2  1 1  T1
2
n (n  1)
U2  n1n2  2 2  T2
2
Nilai U yang terkecil bandingkan dengan U n1 ,n2  . Dengan kriteria penarikan
kesimpulan adalah : H 0 diterima bila Uhit  U n1 ,n2  .
Contoh :
Ingin diketahui mutu pakan ayam lokal buatan pabrik A dan buatan pabrik B. Pakan buatan
pabrik A diberikan secara terpisah kepada 12 ekor ayam dan pakan buatan pabrik B
268
diberikan kepada 9 ekor ayam lainnya. Pertambahan berat badan (gram) tertera di bawah
ini.
Pakan A 72 75 72 76 80 82 78 78 73 71 70 70
Pakan B 77 82 84 81 74 79 83 83 83
Buktikan apakah ada perbedaan mutu kedua pakan tersebut di atas?   0,05 .
Pakan A 72 75 72 76 80 82 78 78 73 71 70 70
Rank 4,5 8 4,5 9 14 16,5 11,5 11,5 6 3 1,5 1,5
Pakan B 77 82 84 81 74 79 83 83 83
Rank 10 16,5 21 15 7 13 19 19 19
T1  91,5 dan T2  139,5

12(13)
U1  (12)(9)   91,5  94,5
2
9(10)
U2  (12)(9)   139,5  13,5
2
U0,0512,9  26
Karena 13,5 < 26 , maka H 0 ditolak. Kesimpulan terdapat perbedaan mutu pakan ayam
buatan pabrik A dan buatan pabrik B. Out put komputer dapat dilihat sebagai berikut :
Mann-Whitney Test
Ranks
KEL N Mean Rank Sum of Ranks

BB 1.00 12 7.63 91.50
2.00 9 15.50 139.50
Total 21
Te st Statis ticsb
BB
Mann-Whitney U 13.500
Wilcoxon W 91.500
Z -2.886
As ymp. Sig. (2-tailed) .004
Exact Sig. [2*(1-tailed a
.002
Sig.)]
a. Not c orrected f or ties.
b. Grouping Variable: KEL
269
D. UJI KORELASI SPEARMAN
Uji ini sebagai alternatif dari uji korelasi Pearson dengan asumsi di mana sampel
berasal dari populasi mempunyai distribusi normal bivariat tak terpenuhi. Dalam hal ini
seorang peneliti berhadapan dengan data yang terhimpun di dalam satu variabel dengan
subyek sebanyak N 1, 2, 3,...,N  . Tiap subyek mempunyai dua variabel yang masing-masing
mempunyai skala ukuran ordinal atau lebih tinggi (interval, rasio) di mana asumsi pada
paragraf pertama tidak terpenuhi.
Teori
Misalkan subyek 1,2,...,N mempunyai variabel VAR-1 dan VAR – 2. Skor dari masing-
masing variabel diganti dengan peringkat. Bila ada skor yang sama (ties) maka dibuat rata-
rata peringkat. Sebaiknya untuk aturan / contoh ties lihat uji Friedman.
Untuk setiap subyek dihitung di yaitu selisih antara peringkat pada dua variabel pada subyek
N
ke – i , kemudian masing-masing di pangkatkan dua: di2 dan dijumlahkan: d
i 1
2
i . Untuk lebih
jelasnya lihat tabel berikut:
Skor Peringkat di di2

Skor Skor ... ... ... ...
Skor Skor ... ... ... ...
. .
. .
. .
Skor Skor ... ... ... ...
Maka koefisien korelasi Spearman (rs) dapat dihitung dengan menggunakan rumus :
N
6 di2
rs  1  i 1
di mana N = jumlah subyek
N N 3
Seperti koefisien korelasi Pearson, rs mempunyai nilai antara -1 sampai dengan +1. Cara
penafsiran sama dengan r .
Ties pada setiap variabel dihitung dengan rumus :
g
Tx    ti3  ti  di mana t = size of ties
i 1
g
Ty    ti3  ti 
i 1
T  Ty 
N  N   6 di2 
N
3 x
2
Rumus rs  i 1
N  N   Tx  Ty   N 3  N   TxTy
3 2
270
Untuk menguji H0 : s rho spearman  0 , bila N  4 dan

 = 0,25 – 0,0005 (uji satu arah)
= 0,50 – 0,001 (uji dua arah)
Lihat tabel Q (buku Sidney Siegel). Selanjutnya H 0 ditolak bila rshit  rs tabel .
Untuk sampel besar, dipakai uji statistik Z  rs N  1
Kriteria H 0 ditolak bila Zhit  Z 1 atau Zhit  Z 1 .
1  
2 2
Contoh :
Seorang peneliti ingin mempelajari hubungan tingkat pengetahuan (knowledge) dan praktek
aturan lalu lintas pada mereka yang mengajukan permohonan surat izin mengemudi (SIM)
sebanyak 12 subyek dipilih, pengetahuan diperoleh dari ujian teori dan praktek diperoleh
dari ujian praktek (road test). Masing-masing mempunyai skor 0 – 150. Selanjutnya H 0 :
tidak ada hubungan antara pengetahuan dan praktek aturan lalu lintas diuji dengan
menggunakan   0,05 (uji dua arah).
Pengetahuan Praktek PERINGKAT

di di2
(variabel 1) (Variabel 2) Variabel 1 Variabel 2
82 42 2 3 -1 1
98 46 6 4 2 4
87 39 5 2 3 9
40 37 1 1 0 0
116 65 10 8 2 4
113 88 9 11 -2 4
111 86 8 10 -2 4
83 56 3 6 -3 9
85 62 4 7 -3 9
126 92 12 12 0 0
106 54 7 5 2 4
117 81 11 9 2 4
di  52
2
271
Correlations
PENGETAH PRAKTEK
Spearman' PENGETAH Correlation Coefficient 1.000 .818(**)
s rho Sig. (1-tailed) . .001
N 12 12
PRAKTEK Correlation Coefficient .818(**) 1.000
Sig. (1-tailed) .001 .
N 12 12
** Correlation is significant at the 0.01 level (1-tailed).
E. UJI CHI SQUARE (KAI KUADRAT)
Uji chi square adalah satu jenis uji komparatif non parametris yang dilakukan pada dua
variabel, di mana skala data kedua variabel adalah nominal. (Apabila dari 2 variabel, ada 1
variabel dengan skala nominal maka dilakukan uji chi square dengan merujuk bahwa harus
digunakan uji pada derajat yang terendah).
Prinsip-prinsip penggunaan :
1. Hanya dapat dipergunakan pada data kualitatip.
2. Dapat dipergunakan pada sampel dari berbagai macam ukuran (sample size) selama
tidak menyimpang ketentuan butir 9 dan 10. juga dapat dipergunakan pada berbagai
macam kategori.
3. Hitungan akhir selalu melibatkan angka sebenarnya (frekuensi) bukan prosen atau
proporsi.
4. Untuk setiap kategori, perbedaan nilai pengamatan (observed value) dan nilai harapan
(expected value) dihitung, selanjutnya dikuadratkan dan dibagi dengan nilai harapan
 fo  fe 
2
sehingga secara keseluruhan rumus perhitungan  2

menjadi :
fe

dengan
ketentuan f0 harga yang diamati dan fe adalah harga harapan ; makin besar sample
size makin besar harga  2 sehingga kuadrat mempunyai tendensi meningkat dengan
meningkatnya sample size. Jumlah kategori mempengaruhi besar df (derajat bebas)
yang juga akan mempengaruhi bentuk : distribusi teoritis chi-quadrat. Makin besar df
makin besar pula titik kritisnya pada tingkat kepercayaan tertentu.
5. bila kita ingin membandingkan 2 atau lebih distribusi sampel maka uji yang sesuai
adalah r  c contingency chi square. Data disusun menurut r -baris  r  2,3,..., k  dan
menurut c -kolom  c  2,3,..., k  dan menurut harapan diperoleh dari perkalian
jumlah total setiap sampel dengan proporsi yang sesuai pada distribusi total.
6. bila distribusi sampel berasal dari satu populasi maka uji yang sesuai adalah Goodness
of fit test. Dalam hal ini nilai harapan diperoleh dari proporsi distribusi populasi dan
mempunyai db  r  1 atau db  k  1 .
7. bila kita ingin mengetahui asosiasi atau korelasi diantara 2 variabel dari data kualitatif,
maka lakukan uji chi kuadrat dulu dengan rumus diatas. Jika ternyata dalam pengujian
272
H 0 , kita menolak H 0 , maka kita dapat melanjutkan dengan menghitung koefisien

2
kontingensi dengan rumus : = c  dengan c selalu > 0.
2  N
8. Distribusi sampling chi kuadrat akan sesuai dengan distribusi teoritis chi kuadrat bila :
nilai harapan setiap sel tidak boleh kurang dari satu. Cacah sel yang mempunyai nilai
harapan < 5 tidak melebihi 20 % jumlah sel seluruhnya (Rule of The Thumb). Aturan ini
berdasarkan pengalaman dari pakar penelitian dan atau statistik di seluruh dunia.
9. Jika tidak sesuai dengan ketentuan di atas, kategori-kategori tertentu yang sesuai
digabung, sehingga cacah sel lebih sedikit hingga nilai harapan baru memenuhi syarat.
Sering penggabungan ini menyebabkan sel dalam tabel tinggal 2 × 2 dan bila toh
masih tidak memenuhi syarat maka uji statistik yang digunakan adalah Fisher’s Exact
Test.
10. Untuk db  1 diperlukan koreksi yang disebut Yate’s Correction for Continuity.
Besarnya koreksi itu ialah 0,5 hingga rumus itu menjadi:
2
 N
N  ad  bc  
 fo  fe  0,5  
2
2
 c2  
fe m 1m 2 n 1n 2
11. Pada umumnya chi-kuadrat hanya dapat dipergunakan untuk uji independensi antar
faktor pada satu sampel dengan faktor yang bersifat bebas (independen). Chi kuadrat
tidak dapat digunakan pada correlated sample (misal rancangan penelitian sebelum –
sesudah pada data kualitatif) dan dalam hal ini harus mempergunakan Mc Nemar
Simetry
Chi Square atau modifikasinya.

Rule of the thumb uji  2 :
a. Tidak boleh ada nilai harapan < 1
b. Nilai harapan: 5  e  0 bisa asal tidak lebih dari 20% jumlah sel yang
mengandung nilai tersebut.
k  r chi kuadrat
Uji chi kuadrat yang termasuk dalam analisis kategorik yang berlaku hanya untuk data
berskala nominal, baik nominal yang asli ataupun nominal hasil transformasi. Seperti yang
kita telah ketahui bahwa untuk data berskala interval atau rasio yang berdistribusi normal
kita gunakan analisis parameterik dan untuk data berskala ordinal atau berskala interval
yang berdistribusi tidak normal atau tidak diketahui macam distribusinya kita gunakan uji
non-parametrik.
Analisis kategorik merupakan analisis data berskala nominal yang diklasifikasi silangkan
dalam bentuk tabel kategorik B kali K ( B  K ). B dalam hal ini adalah baris dan K adalah
kolom, dengan ketentuan B minimal 2 kategori begitu juga K minimal 2. Analisis ini
mempeljari pendekatan chi-kuadrat untuk sampel besar, koefisien asosiasi dan metode
Fisher untuk sampel kecil.
273
Kegunaan analisis kategorik:

1. Pada sampel-sampel bebas digunakan uji homogenitas proporsi pada masing-masing
sampel.
2. Pada satu sampel digunakan uji independensi bila faktor-faktor yang dipelajari bersifat
bebas (independent factor), dan digunakan uji simetri McNemar bila faktor-faktor yang
dipelajari berkaitan (related factor).
Uji Homogenitas Untuk K Sampel

Uji ini dipergunakan untuk menguji H 0 : tidak terdapat perbedaan distribusi kategori
sebanyak r dari k – sampel.
Syarat :
1. Kita berhadapan dengan k sampel bebas
2. Sampel tersebut mempunyai data kualitatif yang terbagi dalam r – kategori
3. Memenuhi syarat penggunaan uji chi kuadrat pada umumnya
Seperti pada perhitungan chi kuadrat pada umumnya, bila syarat penggunaan uji chi
kuadrat terpenuhi, maka rumus perhitungan ialah seperti rumus 1, dan distribusi
samplingnya mendekati distribusi chi kuadarat dengan db   k  1 r  1
Hipotesis yang diuji :
H 0 : sebanyak k populasi mempunyai distribusi sama
H a : paling sedikit satu dari k populasi mempunyai distribusi yang berbeda dengan yang
lain.
Contoh :
Dua sampel terdiri dari 100 pria dan 100 wanita, kepada mereka ditanyakan apakah setuju
atau tidak terhadap pernyataan “wanita mempunyai hak dan kewajiban yang sama dengan
pria”, hasilnya ialah dari pria 30 orang setuju dan 70 tidak sedang dari wanita 45 orang
setuju dan 55 tidak.
Jika pria dari populasi 1 dan wanita dari populasi 2, dapat dinyatakan bahwa peluang setuju
untuk populasi ke i = Pi ( i = 1, 2, jadi untuk uji homogenitas dua populasi kita menguji H 0
yang berbunyi : P1  P2 .
Tabel 9.1
Kerangka Hubungan
S T Jumlah
Pria a b n1
Wanita c d n2
Jumlah m1 m2 N
274
a c
Di mana p1  dan p2  . Statistik pengujiannya adalah  2 seperti pada rumus pertama
n1 n2
yaitu :
2
 n
n  ad  bc  
2  
2
m1m2n1n2
Untuk n1 dan n2 besar maka  2 mendekati distribusi chi kuadrat dengan derajat bebas
db  1 , H 0 ditolak bila  2   2 1 . Setelah data dimasukkan dalam tabel maka terlihat
sebagai berikut :
Tabel 9.2
Hubungan Sex dan Tanggapan
S T Jumlah
Pria 30 70 100
Wanita 45 55 100
Jumlah 75 125 200
Kita hitung statistik  2 :

2
 n
n  ad  bc  
2  200  30  55  70  45  100 
2
 
2    4,1813
m1m2n1n2 75  125  100  100
Untuk   0,05 dan db  1 maka  20,051  3,841 . Karena  2   20,051 maka H 0

ditolak berarti P1  P2 .
Kita menyelidiki hasil biakan kuman stafilokokus yang terdiri dari 4 strain, yaitu strain I, II, III
dan NT (No Typing). Sampel diambil dari luka-luka dari para pekerja tambang. Selanjutnya
dibiakkan dalam pembenihan yang berbeda yaitu pembenihan H, E dan L maka dalam hal ini
k  3 dan r  4 , hasilnya sebagai berikut :
Tabel 9.3
Pembenihan Stafilokokus
H E L
Strain Subtotal
Obs Exp Obs Exp Obs Exp
I 34 30,9 47 45,9 22 26,3 103
II 19 23,4 41 34,8 18 19,8 78
III 12 12,3 14 18,3 15 10,4 41
IV 7 5,4 5 8,0 6 4,6 18
Subtotal 72 107 61 240
(GT)
275
1. Hitung harga harapan (expected) dengan mengalikan subtotal baris yang bersangkutan
dengan subtotal kolom yang bersangkutan kemudian dibagi dengan grand total (GT),
misalnya untuk menghitung harga harapan I – H didapat dengan mengalikan 103
(subtotl baris) dengan 72 (subtotal kolom) dan dibagi dengan 240 (GT) hasilnya ialah :
72
103   30,9 . Dengan cara yang sama kita hitung harga harapan setiap sel dan
240
hasilnya tercantum dalam tabel 3.
2. Dengan rumus 1 kita hitung chi kuadrat hasilnya:
 34  30,9   6  4,6 
2 2
 
2
    8,183
30,9 4,6
3. db   4  1 3  1  6   0,05
4. Dari tabel chi kuadrat kita dapatkan  20,056  12,59
5. Karena  2  12,59 maka H 0 diterima dengan p  0,05
6. Kesimpulan : tidak terdapat perbedaan distribusi strain kuman stafilokokus pada ketiga
pembenihan (H, E dan L).
Uji Chi Kuadrat Untuk Dependensi dan Asosiasi / Korelasi

Uji ini dipakai untuk menguji H 0 : apakah variabel X dan Y independen satu sama
lain.
Uji ini dipakai bila:
1. kita berhadapan dengan satu sampel
2. masing-masing individu/elemen dalam sampel tersebut mempunyai dua variabel
x dan y yang masing-masing merupakan data kualitatip (atau disebut atribut)
3. masing-masing variabel dibagi menjadi dua atau lebih kategori.
4. bila kita akan menguji korelasi/asosiasi dari 2 variabel tersebut kita harus melakukan
pengujian chi kuadrat dulu, bila dalam pengujian itu H 0 ditolak, yang berarti
menerima H a yang berbunyi : variabel X dan Y dependen satu sama lain, maka
dilanjutkan dengan menghitung kuat hubungan dengan rumus sebagai berikut :
2
C C = contingency coeficient
2  N
Sifat-Sifat C :
Bila tidak terdapat hubungan antara kedua variabel maka C  0 dan C tidak dapat
mencapai nilai 1, karena bila k  r batas atas harga C merupakan fungsi jumlah
kategori ( k ) dengan demikian:
k 1
Cmax 
k
Cmax bergantung pada besarnya k dan r , jadi dua nilai C yang berasal dari tabel 3 × 3
tidak dapat dibandingkan (not comparable).
276
Proses penghitungan C
1. hitung chi kuadrat dari tabel kontingensi yang tersedia dengan mengingat syarat
perhitungan chi kuadrat
2. buktikan bahwa H 0 ditolak atau diterima
3. hitung C dan Cmax
C
4. hitung C corrected dengan rumus : C corr 
Cmax
Contoh :
Seorang ahli bedah saraf menyelidiki hubungan antara jenis tumor otak dengan letaknya di
otak. Untuk itu diselidiki 200 penderita tumor yang diselidiki :
Keganasan tumor : ganas, jinak, borderline. Letak tumor yang diselidiki : occipital (bagian
belakang), temporo-occipital (bagian kanan-kiri dan pelipis), frontal (depan).
Akan di uji H 0 : tidak terdapat hubungan antara jenis tumor dengan letak tumor tersebut.
Hasilnya sebagai berikut :
Tabel 9.4
Hubungan Jenis Tumor Otak dan Letaknya
Ganas Jinak Borderline

Letak Subtotal
Obs Exp Obs Exp Obs Exp
Occipital 100 70,79 8 4,57 9 21,64 103
Frontal 10 29,04 25 10,08 13 8,88 48
temporal 11 21,18 9 7,35 15 6,48 35
Subtotal 121 42 37 200
(GT)
Cara :
1. Lakukan uji chi kuadrat setelah mempersiapkan nilai harapan masing-masing sel.
2. Hitung signifikansi chi kuadrat yang didapat dengan membandingkan hasil chi kuadrat
dengan tabel chi dengan ketentuan db   k  1 r  1  3  13  1  4 dan   0,05
Hasil hitungan chi kuadrat :
 2  88,09 0,05
2
 4   9,4 ternyata H 0 ditolak.
3. Lanjutkan dengan menghitung C dengan rumus 2 hasilnya:
2 88,09
C   0,55
 N
2
88,09  200
277
k 1 31
4. Hitung Cmax dengan rumus sebagai berikut: Cmax    0,82 dengan
k 3
0,55
Ccorr   0,67 di mana Ccorr  0,75 = kuat, 0,5 – 0,75 = cukup kuat. Artinya dari
0,82
hasil perhitungan C corr bahwa hubungan cukup kuat.
Uji  untuk Asosiasi

Uji  hampir sama dengan uji C bedanya ialah bahwa uji  hanya untuk tabel kategorik 2 ×
2, dan nilai minimal 0 (nol) dan maksimal 1 (satu). Pada tabel yang lebih besar dari 2 × 2
tidak dapat digunakan uji asosiasi  karena nilainya mungkin lebih besar dari 1.
Cara:
1. Seperti pada perhitungan koefisien kontingensi C maka cara penghitungan chi
kuadrat. Bila H 0 ditolak pada tingkat chi kuadrat baru dilanjutkan penghitungan
koefisien  .
2
2. Untuk menghitung koefisien  digunakan rumus :  
N
Latihan
1) Yang bukan termasuk Uji Wilcoxon adalah ....

A. Uji jenjang bertanda Wilcoxon
B. Uji jumlah jenjang Wilcoxon
C. Uji jenjang berstrata Wilcoxon
D. Uji jumlah jenjang berstrata Wilcoxon.
2) Uji jenjang bertanda Wicoxon merupakan pengembangan dari uji ....

A. Tanda
B. Hubungan
C. Beda
D. Pengaruh
3) Uji jumlah jenjang bertanda Wilcoxon dipergunakan untuk membandingkan perbedaan

antara dua sampel bebas. Uji ini mirip dengan uji ....
A. t satu sampel
B. t dua sampel bebas
C. t dua sampel berpasangan
D. anova
4) Uji yang dipergunakan untuk membandingkan dua perlakuan pada beberapa

kelompok/strata dan jumlah sampel pada tiap-tiap kelompok itu sama. Kalau
278
dibandingkan dengan uji statistika parametrik, uji jumlah jenjang berstrata Wilcoxon
setara dengan ....
A. Uji t
B. uji χ2
C. Uji r
D. Uji F
5) Uji Mc Nemar merupakan uji perbandingan dua variabel yang berpasangan atau
variabel-variabel yang memenuhi rancangan penelitian before – after. Kedua variabel
itu harus berskala ....
A. Nominal dan dikotomi
B. Interval
C. Ordinal
D. Rasio
6) Uji Mann – Whitney sama dengan uji jumlah jenjang Wilcoxon, perbedaannya
terutama dipergunakan untuk dua sampel yang berukuran tidak sama ....
A. sama
B. sejajar
C. tidak sama
D. tidak sejajar
7) Uji ini sebagai alternatif dari uji korelasi Pearson dengan asumsi di mana sampel
berasal dari populasi mempunyai distribusi normal bivariat tak terpenuhi. Uji ini
adalah ....
A. Wilcoxon
B. Mc Nemar
C. Spearman
D. Mann Whitney
8) Uji komparatif non parametris yang dilakukan pada dua variabel, di mana skala data
kedua variabel adalah nominal atau kategorik disebut dengan uji ....
A. Mc Nemar
B. Chi Square
C. Mann Whitney
D. Spearman
9) Cacah sel yang mempunyai nilai harapan < 5 tidak melebihi 20% jumlah sel seluruhnya
merupakan salah satu syarat dari uji kai kuadrat disebut dengan ....
A. Rule of The Thumb
B. Rule of the Bom’s
279
C. Rule of the Jungle

D. Rule of the Spons
10) Yang termasuk uji asosiasi dibawah ini adalah ....

A. Mc Nemar
B. Yate’ Correction
C. Mann Whitney
D. Coefisien phi
11) Suatu studi ingin melihat pengaruh pemberian captopril dan diuretika terhadap
tekanan darah sistolik. Sampel terdiri atas 10 pasien mendapat captopril dengan dosis
6,25 mg dan diuretika. Pasien diukur tekanan darah sistolik sebelum pemberian obat
(x) dan 70 menit sesudah pemberian obat (y). Hasil terlihat pada tabel berikut:
Tabel Tekanan darah Sistolik Pasien sebelum dan sesudah pemberian captopril dan
diuretika
Pasien A B C D E F G H I J
Tekanan Sebelum 175 179 165 170 162 180 177 178 140 176
darah sesudah 140 143 135 133 162 150 182 139 173 141
Apakah pengobatan tersebut efektif untuk menurunkan tekanan darah pasien-pasien
itu, pada tingkat kemaknaan 0,05.
Jawab :
Ho : pengobatan tidak efektif untuk menurunkan tekanan darah
Ha : pengobatan efektif untuk menurunkan tekanan darah
Karena variabel tekanan darah adalah skala data interval, tetapi data tidak
berdistribusi normal, maka dianalisis menggunakan Uji Jenjang Bertanda Wilcoxon.
Cara analisis Uji Jenjang Bertanda Wilcoxon adalah sebagai berikut :
a. Berikan jenjang (rank) untuk tiap Y  X  dari terkecil ke terbesar tanpa
memperhatikan tanda beda. Bila ada dua atau lebih nilai Y  X  sama besarnya,
maka jenjang untuk tiap-tiap Y  X  adalah jenjang rata-ratanya.
b. Beri tanda + atau – pada tiap-tiap jenjang dan beda 0 tidak diperhatikan.
c. Jumlahkan T  semua jenjang bertanda + dan –.
d. Jumlah jenjang T  yang terkecil bandingkan dengan T  n . H 0 ditolak bila :
Thit  T n .
Tekanan Darah Beda Rank

Penjual + -
A 175 140 -35 6 5,5 5.5
B 179 143 -36 7 7 7
C 165 135 -30 3 2,5 2,5
D 170 133 -37 8 8 8
280
Tekanan Darah Beda Rank

Penjual + -
E 162 162 0 - -
F 180 150 -30 2 2,5 2,5
G 177 182 +5 1 1 1
H 178 139 -39 9 9 9
I 140 173 +33 4 4 4
J 176 141 -35 5 5,5 5,5
T 5 40
Nilai T hitung yang terkecil adalah 5, sedangkan nilai T tabel dengan jumlah sampel 10
dengan α = 5% sebesar 8. Kesimpulan Ho ditolak artinya pengobatan dengan captopril
dan diuretika efektif menurunkan tekanan darah.
12) Hasil penelitian tentang pengaruh pemakaian estrogen terhadap kejadian kanker
endometrium. Sebanyak 317 wanita dengan kanker endometrium (kasus)
dibandingkan dengan 317 wanita tanpa kanker endometrium (control). Wanita dari
kedua kelompok tersebut kemudian diteliti riwayatnya apakah sebelum diagnosis
kanker menggunakan estrogen (paling sedikit 6 bulan lamanya) atau tidak memakai
estrogen. Data sebagai berikut :
Tabel Data Studi Pengaruh Estrogen terhadap Kanker Endometrium dengan rancangan
kasus-kontrol dan pencocokan.
Kontrol
Total
Estrogen Tanpa Estrogen
Kasus
Estrogen 25 95 120
Tanpa estrogen 10 130 140
Total 35 225 260
Jawab:
Ho : tidak ada pengaruh yang bermakna antara esterogen terhadap kanker endometrium
Ha : ada pengaruh yang bermakna antara esterogen terhadap kanker endometrium
Karena rancangan kasus kontrol dan pencocokan maka uji yang digunakan adalah Mc
Nemar:
 B  C  1
2
 2
 (Mc.Nemar)
BC
( 95  10  1)2
χ2   7,161
95  10
0,05
2
1  3,841 (nilai tabel)
Kesimpulan : karena kai kuadrat hitung lebih besar dari kai kuadrat tabel artinya Ho ditolak,
maka terdapat pengaruh yang bermakna antara estrogen terhadap kanker endometrium.
281
Ringkasan
Pemilihan statistik non-parametrik dapat langsung dilakukan jika jumlah sampel sangat
kecil atau skala data dari variabel yang diteliti adalah nominal atau ordinal. Dapat juga data
interval atau rasio tetapi distribusi data tidak normal atau disebut juga statistik bebas
distribusi, karena prosedur pengujiannya tidak berdasarkan asumsi distribusi populasi
normal.
Jenis-jenis statistik non-parametrik adalah sebagai berikut :
1. Untuk uji beda:
a. Uji beda 2 sampel adalah Uji Wilcoxon, Uji Mann-Whitney, Uji Mc. Nemar
b. Uji beda lebih dari 2 sampel adalah Uji Kruskal Wallis dan Uji Friedman
2. Untuk uji hubungan antar variabel: terdapat Uji Korelasi Spearman, Uji Chi Square
3. Untuk uji pengaruh antar variabel: terdapat Uji Regresi Logistik.
4. Uji Asosiasi: koefisien Kontingensi, Koefisien Phi.
Tes 2
1) Kai kuadrat tidak dapat digunakan pada correlated sample (misal rancangan penelitian
sebelum – sesudah) pada data kualitatif dan dalam hal ini harus mempergunakan uji ....
A. Mc Nemar Simetry
B. Mann Whitney
C. Mc Nemar
D. Yate’s correction
2) Uji  hampir sama dengan uji C bedanya ialah bahwa uji  hanya untuk tabel
kategorik ....
A. 4×3
B. 3×2
C. 3×3
D. 2 × 2
3) Jika data berskala ordinal atau berskala interval yang berdistribusi tidak normal atau
tidak diketahui macam distribusinya kita gunakan uji ....
A. Non-parametrik
B. Parametrik
C. Kai kuadrat
D. Yate’s correction
4) Bila distribusi sampel berasal dari satu populasi maka uji yang sesuai adalah ....
A. Goodness of fit test
282
B. Goodness of testimony
C. Goodness of profit test
D. Goodness of try out Test
5) Apabila penggabungan sel menyebabkan sel dalam tabel tinggal 2 × 2 dan jika masih
tidak memenuhi syarat maka uji statistik yang digunakan adalah uji
A. Fisher’s Exact
B. Spearman
C. Mc Nemar
D. Mann Whitney
6) Uji korelasi Spearman dengan asumsi di mana sampel berasal dari populasi
mempunyai distribusi normal bivariat tak terpenuhi dan merupakan alternative dari uji
korelasi ....
A. Bivariat
B. Pearson
C. Kontingensi
D. Phi
7) Fisher’s Exact Test adalah uji yang digunakan untuk menguji kemaknaan hubungan
antara dua variabel kategorikal menggunakan pendekatan ....
A. Matematis
B. Inferensi
C. Probabilitas
D. Integral
8) Uji alternatif yang digunakan jika jumlah sampel yang kecil untuk tabel silang 2 × 2
adalah ....
A. Yate’s correction
B. Exact Fhiser test
C. Koefisien Phi
D. Koefisien Kontingensi
9) Analisis non parametrik hasil pengukuran pada subyek atau analisis yang sama,
sebelum dan sesudah memperoleh perlakuan atau intervensi atau analisis hasil
observasi kasus dan kontrol dengan pencocokan menggunakan uji ....
A. Mann Whitney
B. Wilcoxon
C. Kai Kuadrat
D. Mc Nemar
283
10) Yang termasuk uji parametrik di bawah ini adalah ....

A. Korelasi Pearson
B. Koefisien Kontingensi
C. Korelasi Spearman
D. Koefisien Phi
11) Sebelas pasien dari rumah sakit A dan Sembilan pasien dari rumah sakit B yang
menjalani prosedur operasi yang sama mengikuti sebuat studi. Variabel yang menjadi
perhatian adalah waktu operasi (dalam menit) sebagaimana terlihat pada tabel
berikut.
Tabel Waktu (dalam menit) yang diperlukan dalam ruang operasi di rumah sakit A dan
di rumah sakit B
Rumah Sakit A (x) Rumah Sakit B(y)

35 45
30 38
33 42
39 50
41 48
29 51
30 32
36 37
45 46
40
31
Dapatkah ditarik kesimpulan bahwa waktu operasi di rumah sakit B lebih lama dari
pada di rumah sakit A?
Jawab :
Ho : Waktu operasi di Rumah Sakit B sama dengan di Rumah Sakit A
Ha : Waktu operasi di Rumah Sakit B lebih lama dari pada di Rumah Sakit A
Data dianggap tidak berdistrubusi normal, dan jumlah data berbeda sehingga
menganalisisnya menggunakan uji Mann Whitney yaitu Gabungkanlah kedua sampel
dan beri jenjang dari tiap nilai terkecil sampai nilai terbesar.
Hitunglah jumlah jenjang masing-masing sampel misalnya T1 dan T2
n  n  1
U1  n1n2  1 1  T1
2
n (n  1)
U2  n1n2  2 2  T2
2
284
Nilai U yang terkecil bandingkan dengan U n1 ,n2  . Dengan kriteria penarikan
kesimpulan adalah : H 0 diterima bila Uhit  U n1 ,n2  .
Rumah Sakit Peringkat Rumah Sakit Peringkat

A (x) B(y)
35 7 45 15
30 3 38 10
33 6 42 13
39 11 50 18
41 12 48 17
29 1 51 19
30 2 32 5
36 8 37 9
45 14 46 16
40 12
31 4
T1 80 T2 122
Jika disubtitusi ke rumus U1 =

U2 =
Yang digunakan sebagai nilai U yang terkecil yaitu 22 sedangkan nilai U tabel sebesar
23 berarti Ho ditolak karena U hitung < U tabel artinya waktu operasi di Rumah Sakit B
lebih lama dari pada di Rumah Sakit A.
12) Teori Perilaku Skinner mulai banyak diterapkan untuk membentuk perilaku hidup
sehat. Telah dilakukan obeservasi perilaku konsumen dalam pemakaian garam
beriodium di sejumlah kota di Sulawesi Selatan. Selanjutnya dilakukan obeservasi
perilaku pemakaian garam beriodium pada 1000 konsumen di sejumlah pasar modern
dan tradisional, sebelum dan sesudah intervensi pemasaran sosial. Dengan tingkat
kemaknaan 5%, dapatkan anda membuktikan bahwa intervensi tersebut berhasil
mengubah perilaku konsumsi garam beriodium. Hasilnya tampak pada data berikut :
Sebelum
Garam Bukan garam Total
Beriodium beriodium
Garam 300 300 600
Sesudah Beriodium
Bukan garam 150 250 400
beriodium
Total 450 550 1000
285
Jawab :
Ho : Intervensi tidak merubah perilaku konsumsi garam beriodium
Ha : Intervensi merubah perilaku konsumsi garam beriodium
Karena data before after, maka digunakan uji Mc Nemar
 B  C  1
2
 2
 (Mc.Nemar)
BC
( 95  10  1)2
χ2   7,161
95  10
0,05
2
1  3,841 (nilai tabel)
Kesimpulan : karena kai kuadrat hitung lebih besar dari kai kuadrat tabel artinya Ho ditolak,
maka intervensi merubah perilaku konsumsi garam beriodium.
286
Kunci Jawaban Tes Formatif
Tes 1
1) A
2) C
3) B
4) D
5) A
6) C
7) A
8) A
9) C
10) A
Tes 2
1) A
2) D
3) A
4) A
5) A
6) B
7) C
8) B
9) D
10) A
287
Daftar Pustaka
Chandra Budiman, 1995. Pengantar Statistik Kesehatan. Jakarta: EGC.
Dajan Anto, 1986. Pengantar Metode Statistik Jilid II. Jakarta: LP3ES.
Daniel Wayne W. 1989. Statistika Nonparametrik Terapan. Jakarta: Gramedia.
Kuntoro, 2002. Pengantar Teori Probabilitas. Surabaya: Pustaka Melati.
………., 2011. Metode Statistik Edisi Revisi. Surabaya: Pustaka Melati.
Murti Bhisma, 1996. Penerapan Metode Non-Parametrik dalam Ilmu-Ilmu Kesehatan.

Jakarta: Gramedia Pustaka Utama.
Nurgiyantoro Burhan, Gunawan, Marzuki, 2000. Statistik Terapan Untuk Ilmu-Ilmu Sosial.
Yogyakarta: Gadjah Mada University Press.
Saleh Samsubar, 1996. Statistik Nonparametrik Edisi 2. Yogyakarta: BPFE.
Siegel Sidney, 1997. Statistik Nonparametrik untuk Ilmu-Ilmu Sosial. Gramedia.
Sugiyono, 2003. Statistik Nonparametris untuk Penelitian. Bandung: Alfabeta.
Siagian, Dergibson & Sugiarto, 2002. Metode Statistika untuk Bisnis dan Ekonomi, PT
Gramedia Pustaka Utama Jakarta. ISBN 979-655-924-2
Walpole, Ronald E, 1993. Pengantar Statistika, PT Gramedia Pustaka Utama. Jakarta ISBN
979-403-313-8
Ross, Sheldon, 1976. A First Course in Probability.
R. A. Fisher 1925. Statistical Methods for Research Workers, Edinburgh: Oliver and Boyd,
1925, p.43.
Cramer, Duncan; Dennis Howitt. 2004. The Sage Dictionary of Statistics. p. 76.
ISBN 076194138X.
Lehmann, E.L.; Romano, Joseph P. 2005. Testing Statistical Hypotheses (3E ed.). New York:
Springer.ISBN 0387988645.
288
NIST handbook: Two-Sample t-Test for Equal Means
Steel, R.G.D, and Torrie, J. H., Principles and Procedures of Statistics with Special Reference to
the Biological Sciences., McGraw Hill, 1960, page 350.
Weiss, Neil A. 1999. Introductory Statistics (5th ed.). p. 802. ISBN 0-201-59877-9.
NIST handbook: F-Test for Equality of Two Standard Deviations (Testing standard deviations
the same as testing variances)
289
Lampiran
Lampiran 1
Fungsi Distribusi pada Distribusi Probabilitas Khi-Kuadrat
dk 20,001 20,005 20,01 20,025 20,05 20,10 20,20 20,30 20,40 20,50 dk
1 0,000 0,000 0,000 0,001 0,004 0,016 0,064 0,148 0,275 0,455 1
2 0,002 0,010 0,020 0,051 0,103 0,211 0,446 0,713 1,022 1,386 2
3 0,024 0,072 0,115 0,216 0,352 0,584 1,005 1,424 1,869 2,366 3
4 0,091 0,207 0,297 0,484 0,711 1,064 1,649 2,195 2,753 3,357 4
5 0,210 0,412 0,554 0,831 1,145 1,610 2,343 3,000 3,655 4,351 5
6 0,381 0,676 0,872 1,237 1,635 2,204 3,070 3,828 4,570 5,348 6
7 0,598 0,989 1,239 1,690 2,167 2,833 3,822 4,671 5,493 6,346 7
8 0,857 1,344 1,646 2,180 2,733 3,490 4,594 5,527 6,423 7,344 8
9 1,152 1,735 2,088 2,700 3,325 4,168 5,380 6,393 7.357 8,343 9
10 1,479 2,156 2,558 3,247 3,940 4,865 6,179 7,267 8,295 9,342 10
11 1,834 2,603 3,053 3,816 4,575 5,578 6,989 8,418 9,237 10,341 11
12 2,214 3,074 3,571 4,404 5,226 6,304 7,807 9,034 10,182 11,340 12
13 2,617 3,565 4,107 5,009 5,892 7,042 8,634 9,926 11,129 12,340 13
14 3,041 4,075 4,660 5,629 6,571 7,790 9,467 10,821 12,078 13,339 14
15 3,483 4,601 5,229 6,262 7,261 8,547 10,307 11,721 13,030 14,339 15
16 3,942 5,142 5,812 6,908 7,962 9,312 11,152 12,624 13,983 15,338 16
17 4,416 5,697 6,408 7,564 8,672 10,085 12,002 13,531 14,937 16,338 17
18 4,905 6,265 7,015 8,231 9,390 10,865 12,857 14,440 15,893 17,338 18
19 5,407 6,844 7,633 8,907 10,117 11,651 13,716 15,352 16,850 18,338 19
20 5,921 7,434 8,260 9,591 10,851 12,443 14,578 16,266 17,809 19,337 20
21 6,447 8,034 8,897 10,283 11,591 13,240 15,445 17,132 18,768 20,337 21
22 6,983 8,643 9,542 10,982 12,338 14,041 16,341 18,101 19,729 21,337 22
23 7,529 9,260 10,196 11,689 13,091 14,848 17,168 19,021 20,690 22,337 23
24 8,085 9,886 10,856 12,401 13,848 15,659 18,062 19,943 21,652 23,337 24
25 8,649 10,520 11,524 13,120 14,611 16,473 18,940 20,867 22,616 24,337 25
26 9,222 11,160 12,198 13,844 15,379 17,292 19,820 21,792 23,579 25,336 26
27 9,803 11,808 12,879 14,573 16,151 18,114 20,703 22,719 24,544 26,336 27
28 10,391 12,461 13,565 15,308 16,928 18,939 21,588 23,647 25,509 27,336 28
29 10,986 13,121 14,256 16,047 17,708 19,768 22,475 24,577 26,475 28,336 29
30 11,588 13,787 14,953 16,791 18,493 20,599 23,364 25,508 27,442 29,336 30
31 12,196 14,458 15,655 17,539 19,281 21,434 24,255 26,440 28,409 30,336 31
290
32 12,811 15,134 16,362 18,291 20,072 22,271 25,148 27,373 29,376 31,336 32
33 13,431 15,815 17,074 19,047 20,867 23,110 26,042 28,307 30,344 32,336 33
34 14,057 16,501 17,789 19,806 21,664 23,952 26,938 29,242 31,313 33,336 34
35 14,688 17,192 18,509 20,569 22,465 24,797 27,836 30,178 32,282 34,336 35
36 15,324 17,887 19,233 21,336 23,269 25,643 28,735 31,115 33,252 35,336 36
37 15,965 18,586 19,960 22,106 24,075 26,492 29,635 32,053 34,222 36,336 37
38 16,611 19,289 20,691 22,878 24,884 27,343 30,537 32,992 35,192 37,335 38
39 17,262 19,996 21,426 23,654 25,695 28,196 31,441 33,932 36,163 38,335 39
40 17,916 20,707 22,164 24,433 26,509 29,051 32,345 34,872 37,134 39,335 40
dk 20,001 20,005 20,01 20,025 20,05 20,10 20,20 20,30 20,40 20,50 dk
41 18,575 21,421 22,906 25,215 27,326 29,907 33,251 35,813 38,105 40,335 41
42 19,239 22,138 23,605 25,999 28,144 30,765 34,157 36,755 39,077 41,335 42
43 19,906 22,859 24,398 26,785 28,965 31,625 35,065 37,698 40,050 42,335 43
44 20,576 23,584 25,148 27,575 29,787 32,487 35,974 38,641 41,022 43,335 44
45 21,251 24,311 25,901 28,366 30,612 33,350 36,884 39,585 41,995 44,335 45
46 21,929 25,041 26,657 29,160 31,439 34,215 37,795 40,529 42,948 45,335 46
47 22,610 25,775 27,416 29,956 32,268 35,081 38,708 41,474 43,942 46,335 47
48 23,295 26,511 28,177 30,755 33,098 35,949 39,620 42,420 44,915 47,335 48
49 23,983 27,349 28,941 31,555 33,930 36,818 40,534 43,366 45,889 48,335 49
50 24,674 27,991 29,707 32,357 34,764 37,689 41,449 44,313 46,864 49,335 50
51 25,368 28,735 30,475 33,162 35,600 38,560 42,365 45,261 47,838 50,335 51
52 26,065 29,481 31,246 33,968 36,437 39,433 43,281 46,209 48,913 51,335 52
53 26,765 30,230 32,018 34,276 37,276 40,308 44,199 47,157 49,788 52,335 53
54 27,468 30,981 32,793 35,586 38,116 41,183 45,117 48,106 50,764 53,335 54
55 28,173 31,735 33,570 36,398 38,958 42,060 46,036 49,055 51,739 54,335 55
56 28,881 32,490 34,350 37,212 39,801 42,937 46,955 50,005 52,715 55,335 56
57 29,592 33,248 35,131 38,027 40,646 43,816 47,875 50,956 53,691 56,335 57
58 30,305 34,008 35,913 38,844 41,492 44,696 48,797 51,906 54,667 57,335 58
59 31,020 34,770 36,698 39,662 42,339 45,577 49,718 52,858 55,643 58,335 59
60 31,738 35,534 37,485 40,482 43,188 46,459 50,641 53,809 56,620 59,335 60
61 32,439 36,300 38,273 41,303 44,038 47,342 51,564 54,761 57,597 60,335 61
62 33,181 37,068 39,063 42,126 44,889 48,226 52,487 55,714 58,574 61,335 62
63 33,906 37,838 39,855 42,950 45,741 49,111 53,412 56,666 59,551 62,335 63
64 34,633 38,610 40,649 43,776 46,595 49,996 54,336 57,620 60,528 63,335 64
65 35,362 39,383 41,444 44,603 47,450 50,883 55,262 58,573 61,506 64,335 65
291
66 36,093 40,158 42,240 45,431 48,305 51,770 56,188 59,527 62,484 65,335 66
67 36,826 40,935 43,038 46,261 49,162 52,659 57,115 60,481 63,461 66,335 67
68 37,561 41,713 43,838 47,092 50,020 53,548 58,042 61,436 64,440 67,335 68
69 38,298 42,494 44,639 47,924 50,879 54,438 58,970 62,391 65,418 68,334 79
70 39,036 43,275 45,442 48,758 51,739 55,329 59,898 63,346 66,396 69,334 70
71 39,777 44,058 46,246 49,592 52,600 56,221 60,827 64,302 67,375 70,334 71
72 40,519 44,843 47,051 50,428 53,462 57,113 61,756 65,258 68,353 71,334 72
73 41,264 45,629 47,858 51,265 54,325 58,006 62,686 66,214 69,332 72,334 73
74 42,010 46,417 48,666 52,103 55,189 58,900 63,616 67,170 70,311 73,334 74
75 42,757 47,206 49,475 52,942 56,054 59,795 54,547 68,127 71,290 74,334 75
76 43,507 47,997 50,286 53,782 56,920 60,690 65,478 69,084 72,270 75,334 76
77 44,258 48,788 51,097 54,623 57,786 61,586 66,409 70,042 73,249 76,334 77
78 45,010 49,582 51,910 55,466 58,654 62,483 67,431 70,999 74,228 77,334 78
79 45,764 50,376 52,725 56,309 59,522 63,380 68,274 71,957 75,208 78,334 79
80 46,520 51,172 53,540 57,153 60,391 64,278 69,207 72,915 76,188 79,334 80
dk 20,001 20,005 20,01 20,025 20,05 20,10 20,20 20,30 20,40 20,50 dk
81 47,277 51,969 54,357 57,998 61,261 65,176 70,140 73,874 77,168 80,334 81
82 48,036 52,767 55,174 58,845 62,132 66,076 71,074 74,833 78,148 81,334 82
83 48,796 53,567 55,993 59,692 63,004 66,976 72,008 75,792 79,128 82,344 83
84 49,557 54,368 56,813 60,540 63,876 67,876 72,943 76,751 80,108 83,334 84
85 50,320 55,170 57,634 61,389 64,749 68,777 73,878 77,710 81,089 84,334 85
86 51,085 55,973 58,456 62,239 65,623 69,679 74,813 78,670 82,069 85,334 86
87 51,850 56,777 59,279 63,089 66,498 70,581 75,749 79,630 83,050 86,334 87
88 52,617 57,582 60,103 63,941 67,737 71,484 76,685 80,590 84,031 87,334 88
89 53,386 58,389 60,928 64,793 68,249 72,387 77,622 81,550 85,012 88,334 89
90 54,155 59,196 61,754 65,647 69,126 73,291 78,558 82,511 85,993 89,334 90
91 54,926 60,005 62,581 66,501 70,003 74,196 79,496 83,472 86,974 90,334 91
92 55,698 60,815 63,409 67,356 70,882 75,100 80,433 84,433 87,955 91,334 92
93 56,472 61,625 64,238 68,211 71,760 76,006 81,371 85,394 88,936 92,334 93
94 57,246 62.437 65,068 69,068 72,640 76,912 82,309 86,356 89,917 93,334 94
95 58,022 63,250 65,898 69,925 73,520 77,818 83,248 87,317 90,899 94,334 95
96 58,799 64,063 66,730 70,783 74,401 78,725 84,187 88,279 91,881 95,334 96
97 59,577 64,878 67,562 71,642 75,282 79,633 85,126 89,241 92,862 96,334 97
98 60,356 65,694 68,396 72,501 76,164 80,541 86,065 90,204 93,844 97,334 98
99 61,137 66,510 69,230 73,361 77,046 81,449 87,005 91,166 94,826 98,334 99
100 61,918 67,328 70,065 74,222 77,929 82,358 87,945 92,129 95,808 99,334 100
292
dk 20,50 20,60 20,70 20,80 20,90 20,95 20,975 20,99 20,995 20,999 dk
1 0,455 0,708 1,074 1,642 2,706 3,841 5,024 6,635 7,879 10,828 1
2 1,386 1,833 2,408 3,219 4,605 5,991 7,378 9,210 10,597 13,815 2
3 2,366 2,946 3,665 4,642 6,251 7,815 9,348 11,345 12,838 16,266 3
4 3,357 4,045 4,878 5,989 7,779 9,488 11,143 13,277 14,860 18,467 4
5 4,351 5,132 6,064 7,289 9,236 11,070 12,832 15,086 16,750 20,515 5
6 5,348 6,211 7,231 8,558 10,645 12,592 14,449 16,812 18,548 22,458 6
7 6,346 7,283 8,383 9,803 12,017 14,067 16,013 18,475 20,278 24,322 7
8 7,344 8,351 9,524 11,030 13,362 15,507 17,535 20,090 21,955 26,124 8
9 8,343 9,414 10,656 12,242 14,684 16,919 19,023 21,666 23,589 27,877 9
10 9,342 10,473 11,781 13,442 15,987 18,307 20,483 23,209 25,188 29,588 10
11 10,341 11,530 12,899 14,631 17,275 19,675 21,920 24,725 26,757 31,264 11
12 11,340 12,584 14,011 15,812 18,549 21,026 23,337 26,217 28,299 32,909 12
13 12,340 13,636 15,119 16,985 19,812 22,362 24,736 27,688 29,819 34,528 13
14 13,339 14,685 16,222 18,151 21,064 23,685 26,119 29,141 31,319 36,123 14
15 14,339 15,733 17,322 19,311 22,307 24,996 27,488 30,578 32,801 37,697 15
16 15,338 16,780 18,418 20,465 23,542 26,296 28,845 32,000 34,267 39,252 16
17 16,338 17,824 19,511 21,615 24,769 27,587 30,191 33,409 35,718 40,790 17
18 17,338 18,868 20,601 22,760 25,989 28,869 31,526 34,805 37,156 42,312 18
19 18,338 19,910 21,689 23,900 27,204 30,144 32,852 36,191 38,582 43,820 19
20 19,337 20,951 22,775 25,037 28,412 31,410 34,170 37,566 39,997 45,315 20
21 20,337 21,991 23,858 26,171 29,615 32,671 35,479 38,932 41,401 46,797 21
22 21,337 23,031 24,939 27,301 30,813 33,924 36,781 40,289 42,796 48,268 22
23 22,337 24,069 26,018 28,429 32,007 35,172 38,076 41,638 44,181 49,728 23
24 23,337 25,106 27,096 29,553 33,196 36,415 39,364 42,980 45,558 51,178 24
25 24,337 26,143 28,172 30,675 34,382 37,652 40,646 44,314 46,928 52,620 25
26 25,336 27,179 29,246 31,795 35,563 38,885 41,923 45,642 48,290 54,052 26
27 26,336 28,214 30,319 32,912 36,741 40,115 43,195 46,963 49,645 55,476 27
28 27,336 29,249 31,391 34,027 37,916 41,337 44,461 48,278 50,993 56,892 28
29 28,336 30,283 32,461 35,139 39,087 42,557 45,722 49,588 52,336 58,301 29
30 29,336 31,316 33,530 36,250 40,256 43,773 46,979 50,692 53,672 59,703 30
31 30,336 32,349 34,598 37,359 41,422 44,985 48,232 52,191 55,003 61,098 31
32 31,336 33,381 35,665 38,466 42,585 46,194 49,480 53,486 56,328 62,487 32
33 32,336 34,413 36,731 39,572 43,745 47,400 50,725 54,776 57,648 63,870 33
34 33,336 35,444 37,795 40,676 44,903 48,602 51,966 56,061 58,964 65,247 34
35 34,336 36,475 38,859 41,778 46,059 49,802 53,203 57,342 60,275 66,619 35
293
36 35,336 37,505 39,922 42,879 47,212 50,998 54,437 58,619 61,581 67,985 36
37 36,336 38,535 40,984 43,978 48,363 52,192 55,668 59,892 62,883 69,346 37
38 37,335 39,564 42,045 45,076 49,513 53,384 56,896 61,162 64,181 70,703 38
39 38,335 40,593 43,105 46,173 50,660 54,572 58,120 62,428 65,476 72,055 39
40 39,335 41,622 44,165 47,269 51,805 55,758 59,342 63,691 66,766 73,402 40
dk 20,50 20,60 20,70 20,80 20,90 20,95 20,975 20,99 20,995 20,999 dk
41 40,355 42,651 45,224 48,363 52,949 56,942 60,561 64,950 68,053 74,745 41
42 41,335 43,479 46,282 49,456 54,090 58,124 61,777 66,206 69,336 76,084 42
43 42,335 44,706 47,339 50,548 55,230 59,303 62,990 67,459 70,616 77,418 43
44 43,445 45,734 48,396 51,639 56,369 60,481 64,201 68,709 71,893 78,749 44
45 44,335 46,761 49,452 52,729 57,505 61,656 65,410 69,957 73,166 80,077 45
46 45,335 47,787 50,507 53,818 58,641 62,830 66,617 71,201 74,436 81,400 46
47 46,335 48,814 51,562 54,906 59,774 64,001 67,821 72,443 75,704 82,720 47
48 47,335 49,840 52,616 55,993 60,907 65,171 69,023 73,683 76,969 84,037 48
49 48,335 50,866 53,670 57,079 62,038 66,339 70,222 74,919 78,231 85,350 49
50 49,335 51,892 54,723 58,164 63,167 67,505 71,420 76,154 79,490 86,661 50
51 50,335 52,917 55,775 59,248 64,295 68,669 72,616 77,386 80,747 87,968 51
52 51,335 53,942 56,827 60,332 65,422 69,832 73,810 78,616 82,001 89,272 52
53 52,335 54,967 57,879 61,414 66,548 70,993 75,002 79,843 83,253 90,573 53
54 53,335 55,992 58,930 62,496 67,673 72,153 76,192 81,069 84,502 91,872 54
55 54,335 57,016 59,980 63,577 68,796 73,311 77,380 82,292 85,749 93,167 55
56 55,335 58,040 61,031 64,658 69,919 74,468 78,567 83,513 86,994 94,460 56
57 56,335 59,064 62,080 65,737 71,040 75,624 79,752 84,733 88,236 95,751 57
58 57,335 60,088 63,129 66,816 72,160 76,778 80,936 85,950 89,477 97,039 58
59 58,335 61,111 64,178 67,894 73,279 77,931 82,117 87,166 90,715 98,324 59
60 59,335 62,135 65,227 68,972 74,397 79,082 83,298 88,379 91,952 99,607 60
61 60,335 63,158 66,274 70,049 75,514 80,232 84,476 89,591 93,186 100,888 61
62 61,335 64,181 67,322 71,125 76,630 81,381 85,654 90,801 94,419 102,166 62
63 62,335 65,204 68,369 72,201 77,745 82,529 86,830 92,010 95,649 103,442 63
64 63,335 66,226 69,416 73,276 78,860 83,675 88,004 93,217 96,878 104,716 64
65 64,335 67,249 70,462 74,351 79,973 84,821 89,177 94,433 98,105 105,988 65
66 65,335 68,271 71,508 75,424 81,085 85,965 90,349 95,626 99,330 107,258 66
67 66,335 69,293 72,554 76,498 82,197 87,108 91,529 96,828 100,554 108,525 67
68 67,335 70,315 73,600 77,571 83,308 88,250 92,689 98,028 101,776 109,791 68
69 68,334 71,337 74,645 78,643 84,418 89,391 93,856 99,227 102,996 111,055 69
70 69,334 72,358 75,689 79,715 85,527 90,531 95,023 100,425 104,215 112,317 70
294
71 70,334 73,380 76,734 80,786 86,635 91,670 96,189 101,621 105,432 113,577 71
72 71,334 74,401 77,778 81,857 87,743 92,808 97,353 102,816 106,648 114,835 72
73 72,334 75,422 78,821 82,927 88,850 93,945 98,516 104,010 107,862 116,091 73
74 73,334 76,443 79,865 83,997 89,956 95,081 99,678 105,202 109,074 117,364 74
75 74,334 77,464 80,908 85,066 91,061 96,217 100,839 106,393 110,286 118,599 75
76 75,334 78,485 81,951 86,135 92,166 97,351 101,999 107,583 111,495 119,850 76
77 76,334 79,505 82,994 87,203 93,270 98,780 103,158 108,771 112,704 121,100 77
78 77,334 80,526 84,036 88,271 94,374 99,880 104,316 109,958 113,911 122,348 78
79 78,334 81,546 85,078 89,338 95,476 100,980 105,473 111,144 115,117 123,594 79
80 79,334 82,566 86,120 90,405 96,578 102,079 106,629 112,329 116,321 124,839 80
dk 20,50 20,60 20,70 20,80 20,90 20,95 20,975 20,99 20,995 20,999 dk
81 89,334 83,586 87,161 91,472 97,680 103,010 107,783 113,512 117,524 126,082 81
82 81,334 84,606 88,202 92,538 98,780 104,139 108,937 114,695 118,726 127,324 82
83 82,334 85,626 89,243 93,604 99,880 105,267 110,090 115,876 119,927 128,565 83
84 83,334 86,646 90,284 94,669 100,980 106,395 111,242 117,057 121,126 129,804 84
85 84,334 87,665 91,325 95,734 102,079 107,522 112,393 118,236 122,325 131,041 85
86 85,334 88,685 92,365 96,799 103,177 108,648 113,544 119,414 123,522 132,277 86
87 86,334 89,704 93,405 97,863 104,139 109,773 114,693 120,591 124,718 133,512 87
88 87,334 90,723 94,445 98,927 105,267 110,898 115,841 121,767 125,912 134,745 88
89 88,334 91,742 95,484 99,991 106,395 112,022 116,989 122,942 127,106 135,977 89
90 89,334 92,761 96,524 101,054 107,522 113,145 118,136 124,116 128,299 137,208 90
91 90,334 93,780 97,563 102,117 108,661 114,268 119,282 125,289 129,490 138,438 91
92 91,334 94,799 98,602 103,179 109,756 115,390 120,427 126,462 130,681 139,666 92
93 92,334 95,818 99,641 104,241 110,850 116,511 121,571 127,633 131,871 140,893 93
94 93,334 96,836 100,679 105,303 111,944 117,632 122,715 128,803 133,059 142,119 94
95 94,334 97,855 101,717 106,364 113,038 118,752 123,858 129,973 134,246 143,343 95
96 95,334 98,873 102,755 107,425 114,131 119,871 125,000 131,141 135,433 144,576 96
97 96,334 99,892 103,793 108,486 115,223 120,990 126,141 132,309 136,619 145,789 97
98 97,334 100,910 104,831 109,574 116,315 122,108 127,282 133,476 137,803 147,010 98
99 98,334 101,928 105,868 110,607 117,407 123,225 128,422 134,642 138,987 148,230 99
100 99,334 102,946 106,906 111,667 118,498 124,342 129,561 135,807 140,169 149,449 100
295
Lampiran 2
Tabel Nilai Kritis J pada Uji Wilcoxon
n  = 0,01  = 0,05
6 -- 0
7 -- 2
8 0 4
9 2 6
10 3 8
11 5 11
12 7 14
13 10 17
14 13 21
15 16 25
16 20 30
17 23 35
18 28 40
19 32 46
20 38 52
21 43 59
22 49 66
23 55 73
24 61 81
25 68 89
296
Lampiran 3
Tabel Nilai Kritis untuk Statistik U

Pada Uji Mann-Whitney
 = 0,025 pada satu ujung atau  = 0,05 pada dua ujung
N1/n2 9 10 11 12 13 14 15 16 17 18 19 20
1
2 0 0 0 1 1 1 1 1 2 2 2 2
3 2 3 3 4 4 5 5 6 6 7 7 8
4 4 5 6 7 8 9 10 11 11 12 13 13
5 7 8 9 11 12 13 14 15 17 18 19 20
6 10 11 13 14 16 17 19 21 22 24 25 27
7 12 14 16 18 20 22 24 26 28 30 32 34
8 15 17 19 22 24 26 29 31 34 36 38 41
9 17 20 23 26 28 31 34 37 39 42 45 48
10 20 23 26 29 33 36 39 42 45 48 52 55
11 23 26 30 33 37 40 44 47 51 55 58 62
12 26 29 33 37 41 45 49 53 57 61 65 69
13 28 33 37 41 45 50 54 59 63 67 72 76
14 31 36 40 45 50 55 59 64 67 74 78 83
15 34 39 44 49 54 59 64 70 75 80 85 90
16 37 42 47 53 59 64 70 75 81 86 92 98
17 39 45 51 57 63 67 75 81 87 93 99 105
18 42 48 55 61 67 74 80 86 93 99 106 112
19 45 52 58 65 72 78 85 92 99 106 113 119
20 48 55 62 69 76 83 90 98 105 112 119 127
297

Matematika Dan Statistika Komprehensif

Diunggah oleh

Informasi Dokumen

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

Matematika Dan Statistika Komprehensif

Diunggah oleh

Hak Cipta:

Format Tersedia

Hak Cipta  dan Hak Penerbitan dilindungi Undang-undang

Cetakan pertama, Desember 2016

Penulis : 1. Rudy Hartono, SKM.,M.Kes

Pengembang Desain Instruksional : Drs. Pramono Sidi, M.Si

Desain oleh Tim P2M2 :

Jumlah halaman : 306

KUNCI JAWABAN TES FORMATIF ............................................................................. 19

BAB II: FUNGSI EKSPONEN DAN LOGARITMA 21

KUNCI JAWABAN TES FORMATIF ............................................................................ 40

BAB III: SATUAN PENGUKURAN DAN KONSENTRASI 42

KUNCI JAWABAN TES FORMATIF ............................................................................ 58

BAB IV: TURUNAN (DERIVATIF) 60

KUNCI JAWABAN TES FORMATIF ............................................................................ 81

BAB V: PENGGUNAAN TURUNAN 83

KUNCI JAWABAN TES FORMATIF ............................................................................ 106

BAB VI: INTEGRAL 108

KUNCI JAWABAN TES FORMATIF ............................................................................ 139

BAB VII: STATISTIKA DESKRIPTIF 141

KUNCI JAWABAN TES FORMATIF ............................................................................ 183

BAB VIII: STATISTIKA INFERENSIAL 185

Latihan ………………………………………….............................................................................. 199

DAFTAR PUSTAKA ................................................................................................... 242

BAB IX: STATISTIKA NON-PARAMETRIK 252

KUNCI JAWABAN TES FORMATIF ............................................................................ 287

Dalam menghitung (counting), matematikawan biasanya tidak menghitung jumlah dari

PENGANTAR KONSEP BILANGAN

Untuk memudahkan anda menyelesaikan masalah seperti di atas, selanjutnya anda

Sifat-sifat bilangan asli N :

1) Hasil dari  12 : 3  8   5 adalah ....

Petunjuk Jawaban Latihan

1) Nilai n dari n   8  14 adalah ....

2) Hasil dari penjumlahan bilangan 1 + 2 + 3 + 4 + ... + 64 adalah...

4) Hasil kali dari bilangan 25   18   10 adalah ....

5) Hasil pemabagian dari bilangan 42: 8   15  adalah ....

B. PRESENTASE DAN BILANGAN DESIMAL

3. Konversi antara Pecahan dan Desimal

4. Konversi Antara Pecahan dan Persentase

5. Konversi Antara Desimal dan Persentase

Misalnya sifat ke-6 adalah:

Kemudian jika a dan b bilangan real, maka :

Sifat-Sifat Harga Mutlak

5) Selesaikan pertidaksamaan 2x  5 | x  4 adalah ....

1) Untuk menyederhanakan, pembilang dan penyebut bagikan dengan KPK kedua

1) Bentuk pecahan dari 45 menit dari 1 jam adalah ....

Kunci Jawaban Tes

Dalam ilmu pengetahuan dan teknologi maupun kehidupan sehari-hari , fungsi

A. PENGERTIAN FUNGSI EKSPONEN

B. PERSAMAAN FUNGSI EKSPONEN DAN PENERAPANNYA

f  x   0 . Perhatikan contoh berikut ini!

5. Bentuk A(a f ( x ) )2  B(aF ( x ) )  C  0

persamaan kuadrat : Ap2  Bp  C  0

3) Jika a  2  7 dan a  2  7, a  b  4ab 

8) Nilai x yang memenuhi persamaan 2x 525 x  64 adalah ....

1) Nilai dari x agar 32 x  3  0 ....

2) Nilai x dari persamaan 35 x 1  27x 3  0 ....

3) Cari himpunan penyelesaian dari persamaan eksponen 32 x 2  8  3x  1  0

4) Jika f  x   2x 1 tentukan nilai dari f  3 dan f  3 ....

5) Carilah himpunan penyelesaian dari persamaan eksponen berikut.

Pengertian logaritma sebagai invers (kebalikan) dari perpangkatan, dapat dijelaskan

Nyatakan dalam bentuk pangkat

Tentukan nilai logaritma berikut!

2. 2log a  2log b  log a2  log b2

Sehingga dapat disimpulkan bahwa :

B. MENGGUNAKAN TABEL LOGARITMA