Uji Independent Sample t-test

secara manual
Diterbitkan pada 8 September 2016oleh Aris Dianto
Uji independent sample t-test adalah salah satu cara untuk mengetahui apakah dua kelompok
sampel memiliki perbedaan rata-rata secara signifikan atau tidak, ada banyak cara untuk
melaksankan uji-t tersebut, bisa dengan menggunakan software olah data
statitstik  semisala SPSS, MINITAB, dengan perhitungang menggunakan micorosoft
excel maupun bisa dengan perhitungan manual.

Pada kesempatan ini, saya akan sedikit berbagi bagaimana mencari nilai uji-t dengan
langkah-langkah secara manual. berikut rumus uji independent sample t-test ( Uji-t) :

Berdasarkan rumus tersebut dapat diketahui, ada 3 jenis nilai yang harus terlebih dahulu kita
persiapkan, yaitu :

 Xi : adalah rata-rata skor / nilai kelompok i.

 ni : adalah jumlah responden kelompok i
 si2 : adalah variance skor kelompok i.

Sebagai contoh, kita asumsikan peneliti mempunyai 2 (dua) kelompok sampel yang masing-
masing terdiri dari 10 responden sebagai berikut :
langkah pertama cari nilai rata-rata dari setiap kelompok sampel, jika dengan cara manual
bisa dengan menggunakan cara jumlah skor kelompok i / jumlah responden, dan jika
berbantuan software micorsoft excel  bisa menggunakan rumus average.  berdasarkan
langkah tersebut diperoleh :

 skor rata-rata kelompok eksperimen = 69,2000

 skor rata-rata kelompok kontrol = 69,6000

selanjutnya cari nilai standart variance / simpangan baku, jika menggunakan software

micorosft excel   gunakan rumus function  stdev. berdasarkan perhitungan dengan microsoft
excel diperolehh nilai standart variance / simpangan baku sebagai berikut :

 standar variance kelompok eksperimen = 16,17236

 standart variance kelompok kontrol = 11,72083

Setelah semua nilai diketahi, masukkan kedalam rumus yang telah ditentukan di atas, maka
diperoleh nilai sebagai berikut :

Setelah disederhakankan lagi, maka akan diperoleh nilai sebagai berikut :

Berdasarkan nilai tersebut, maka diperoleh nilai t hitung sebesar = -0.5669. untuk mengetahui

apakah nilai t hitung signifikan atau tidak, konsultasikan dengan tabel t,  dengan df = n-2. jika
nilai t hitung > t tabel maka signifikan, dan sebaliknya jika nilai t hitung < t tabel maka
tidak signifikan.
Uji hipotesis proporsi dua populasi adalah pengujian dua proporsi yang masing-
masing proporsi tersebut berasal dari dua populasi yang berbeda serta independen.

Pengujian dua proporsi digunakan ketika akan membandingkan apakah proporsi

pada populasi pertama lebih kecil, sama atau lebih besar dibandingkan proporsi
pada populasi kedua.

Misalnya ada orang tua yang akan memasukkan anaknya ke SMA. Dia masih
menimbang-nimbang apakah akan dimasukkan ke sekolah A atau sekolah alternatif
lain yaitu sekolah B. Ia merasa yakin menyekolahkan anaknya ke sekolah A apabila
proporsi siswa yang lulus ke perguruan tinggi negeri dari sekolah A lebih tinggi
daripada dari sekolah B.

Oleh karena itu, untuk mengetahui hal tersebut perlu dilakukan pengambilan sampel
lulusan dari sekolah A dan sampel lulusan dari sekolah B. Selanjutnya sampel
tersebut digunakan untuk melakukan pengujian secara statistik apakah proporsi
siswa yang lulus ke perguruan tinggi negeri dari sekolah A lebih besar secara
signifikan dari pada dari sekolah B.

Syarat sampel untuk melakukan pengujian proporsi dua populasi adalah sampel
yang diambil harus acak (random) dan berasal dari populasi yang independen.

Berikut adalah beberapa tahapan dalam melakukan uji hipotesis dua populasi.

1. Hipotesis

Hipotesis uji proporsi dua populasi terdiri dari dua bentuk, yaitu hipotesis uji dua
arah (uji dua sisi) dan hipotesis uji satu arah (uji satu sisi).

Uji dua arah digunakan untuk mengetahui apakah dua populasi memiliki proporsi
yang sama atau tidak, sedangkan uji satu sisi digunakan untuk mengetahui apakah
populasi pertama memiliki proporsi yang lebih kecil atau lebih besar dibandingkan
dengan proporsi pada populasi kedua.

Hipotesis untuk uji dua arah adalah

Ho: P1 = P2
H1: P1 ≠ P2

Hipotesis untuk uji satu arah adalah

Ho: P1 ≥ P2
H1: P1 < P2

atau

Ho: P1 ≤ P2
H1: P1 > P2

P1 adalah proporsi pada populasi 1

P2 adalah proporsi pada populasi 2
2. Tingkat Kepercayaan atau Tingkat Signifikansi

Tingkat kepercayaan yang sering digunakan dalam pengujian statistik adalah 95

persen atau (1 – α) = 0,95.

Tingkat kepercayaan bisa dikurangi sesuai dengan jenis penelitian yang dilakukan,
misalnya misalnya 90 persen. Selain itu bisa juga diperbesar jika menginginkan
tingkat ketelitian yang lebih tinggi, misalnya menjadi 99 persen.

Jika disebutkan bahwa tingkat kepercayaan yang digunakan adalah 95 persen atau
(1 – α) = 0,95, maka tingkat signifikansinya adalah 5 persen α = 0,05.

3. Statistik Uji

Statistik uji yang digunakan dalam uji proporsi dua populasi adalah

dimana

Keterangan:
 adalah proporsi pada sampel 1
 adalah proporsi pada sampel 2
 adalah proporsi gabungan
x1 adalah banyaknya sukses pada sampel 1
x2 adalah banyaknya sukses pada sampel 2
n1 adalah banyaknya sampel 1
n2 adalah banyaknya sampel 2

4. Daerah Kritis

Daerah kritis adalah daerah yang digunakan untuk menolak atau tidak menolak Ho.
Titik kritis untuk uji dua arah adalah –Zα/2 dan Zα/2, sedangkan untuk uji satu arah
adalah  –Zα  untuk Ho: P1 ≥ P2 dan Zα untuk Ho: P1 ≤ P2. (Lihat Tabel  Z).
5. Keputusan

Keputusan untuk uji dua arah adalah tolak Ho apabila z < –Zα/2 atau z > Zα/2.

 
Keputusan untuk uji satu arah adalah
1. Untuk Ho: P1 ≥ P2 dan  H1: P1 < P2, tolak Ho apabila z < –Zα
2. Untuk Ho: P1 ≤ P2 dan  H1: P1 > P2, tolak Ho apabila z > Zα.

Contoh Soal No. 1

Mahasiswa jurusan pertanian ditugaskan untuk menguji formula pupuk terbaru

untuk tanaman cabe. Mereka mengelompokkan tanaman-tanaman cabe menjadi
dua kelompok.. Kelompok tanaman cabe pertama diberi pupuk dan kelompok
tanaman cabe kedua tidak diberi pupuk. Dari 250 batang tanaman cabe yang diberi
pupuk, mati sebanyak 15 batang. Sedangkan dari 200 batang tanaman cabe yang
tidak diberi pupuk, juga mati sebanyak 15 batang. Dengan tingkat kepercayaan 95
persen, apakah pemberian pupuk formula terbaru pada cabe akan menjadi lebih baik
daripada tidak diberi pupuk?

Jawab:

Dari soal di atas diketahui

x1 = 15
x2 = 15
n1 = 250
n2 = 200

Langkah-langkah yang dilakukan untuk menyelesaikannya adalah sebagai berikut.

1. Tentukan terlebih dahulu hipotesis yang digunakan

Dari persoalan di atas ingin diketahui apakah pemberian pupuk formula terbaru pada
cabe akan berdampak lebih baik daripada tidak diberi pupuk.

Maksud dari pernyataan tersebut adalah ingin diketahui apakah proporsi mati pada
cebe yang diberi pupuk lebih rendah dari proporsi mati pada cabe yang tidak diberi
pupuk.

Misalkan P1 adalah proporsi mati cabe yang diberi pupuk dan P2 adalah proporsi
mati cabe yang tidak diberi pupuk, maka H1 : P1 < P2.

Dengan demikian hipotesis yang digunakan adalah

Ho: P1 ≥ P2
H1: P1 < P2

2. Tingkat Kepercayaan

Telah disebutkan bahwa tingkat kepercayaan yang digunakan dalam penelitian

adalah 95 persen atau (1 – α) = 0,95, dengan demikian tingkat signifikansinya adalah
5 persen atau α = 0,05.

3. Statistik Uji

Pengujian tersebut merupakan uji proporsi dua populasi, maka statistik uji yang
digunakan adalah uji z,

Sebelum menggunakan rumus tersebut, tentukan terlebih dahulu komponen-

komponen yang digunakan.

Selanjutnya menghitung nilai z,

4. Daerah Kritis

Karena pengujian di atas adalah pengujian satu arah, maka tingkat signifikansi yang
digunakan adalah α = 0,05. Dengan demikian daerah kritis adalah nilai di bawah –
Z0,05 = –1,645 (Lihat Tabel Z).

5. Keputusan

Telah diketahui bahwa z = –0,057 dan –Z0,05 = –1,645, oleh karena itu arena z < –
Z0,05 maka keputusannya adalah tolak Ho.

6. Kesimpulan

Berdasarkan data pengujian pemberian dan tanpa pemberian pupuk formula terbaru
pada cabe, maka dengan tingkat kepercayaan 95 persen, proporsi mati cabe yang
diberi pupuk lebih sedikit dibandingkan proporsi mati cabe yang tidak diberi pupuk.

Dengan demikian, pemberian pupuk formula terbaru pada cabe akan menjadi lebih
baik daripada tidak diberi pupuk.

Uji Hipotesis Rata-Rata

Dua Populasi
Suatu penelitian sering kali menggunakan dua sampel atau lebih sebagai

objek penelitiannya. Tujuannya adalah untuk melihat ada-tidaknya

perbedaan setelah sampel-sampel tersebut diberi perlakuan berbeda.

Oleh Tju Ji Long · Statistisi

Suatu penelitian sering kali menggunakan dua sampel atau lebih sebagai

objek penelitiannya. Tujuannya adalah untuk melihat ada-tidaknya

perbedaan setelah sampel-sampel tersebut diberi perlakuan berbeda.

Untuk itu, dilakukan pengujian hipotesis rata-rata dua populasi.

Terdapat beberapa kondisi yang perlu diperhatikan dalam pengujian

hipotesis rata-rata dua populasi yakni ketika varians sama dan diketahui,
varians sama dan tidak diketahui, varians tidak sama dan tidak diketahui,

serta kondisi untuk pengamatan berpasangan.

Varians Sama dan Diketahui

Misalkan dua sampel acak independen masing-masing dengan

ukuran n1n1 dan n2n2 ditarik dari populasi dengan rata-

rata μ1μ1 dan μ2μ2 dan varians σ21σ12 dan σ22σ22. Kita tahu bahwa

peubah acak

mempunyai distribusi normal standard. Di sini kita mengasumsikan

bahwa n1n1 dan n2n2 cukup besar sehingga Teorema Limit Pusat (Central

Limit Theorem) berlaku. Tentu saja, jika dua populasi tersebut

berdistribusi normal, maka statistik di atas akan berdistribusi normal

bahkan untuk n1n1 dan n2n2 yang kecil. Selain itu, jika kita bisa

mengasumsikan bahwa σ1=σ2=σσ1=σ2=σ, maka statistik di atas menjadi

Dua statistik di atas menjadi dasar untuk pengembangan prosedur uji yang

melibatkan dua rata-rata. Hipotesis nol untuk selisih dua rata-rata bisa

dituliskan sebagai
Tentu saja, hipotesis alternatifnya bisa berupa dua arah atau satu arah,

yakni

Jadi, untuk uji hipotesis dua rata-rata dengan variansnya diketahui, kita

menghitung nilai ¯¯¯x1x¯1 dan ¯¯¯x2x¯2, lalu menggunakan statistik uji

berikut

Untuk uji dua arah, maka kita tolak Ho dan

menerima H1:μ1−μ2≠d0H1:μ1−μ2≠d0 apabila z>zα/2z>zα/2 atau z<−zα/2z<

−zα/2. Sedangkan untuk uji satu arah maka kita tolak Ho dan

menerima H1:μ1−μ2>d0H1:μ1−μ2>d0 apabila z>zαz>zα dan

menerima H1:μ1−μ2<d0H1:μ1−μ2<d0 apabila z<zαz<zα. Kita nyatakan ini

dalam tabel berikut.

Tabel 1. Pengujian hipotesis rata-rata dua populasi untuk varians sama dan

diketahui
Varians Sama Tetapi Tidak Diketahui

Jika kita dapat mengasumsikan bahwa kedua populasi adalah berdistribusi

normal dan bahwa σ1=σ2=σσ1=σ2=σ, maka uji-t gabungan (pooled t-test)

dapat digunakan. Kita nyatakan ini lebih lanjut dalam definisi berikut.

Definisi:

Untuk hipotesis dua arah

Kita tolak Ho pada tingkat signifikansi αα ketika statistik hitung

di mana

lebih besar dari tα/2;n1+n2−2tα/2;n1+n2−2 atau kurang

dari −tα/2;n1+n2−2−tα/2;n1+n2−2.
Hipotesis, statistik uji dan wilayah kritis penolakannya untuk pengujian

hipotesis rata-rata dua populasi di mana varians sama dan tak diketahui

dinyatakan dalam tabel berikut.

Tabel 2. Pengujian hipotesis rata-rata dua populasi untuk varians sama

tetapi tidak diketahui

Contoh Soal:

Sebuah pelajaran matematika diberikan pada 12 siswa dengan metode

pengajaran yang biasa. Kelas lain yang terdiri atas 10 siswa diberi pelajaran

yang sama tetapi dengan metode yang menggunakan bahan yang telah

terprogramkan.

Pada akhir semester murid kedua kelas itu diberikan ujian yang sama.

Kelas pertama mencapai nilai rata-rata 85 dengan simpangan baku 4,

sedang kelas yang menggunakan bahan yang terprogramkan memperoleh

nilai rata-rata 81 dengan simpangan baku 5.

Ujilah hipotesis bahwa kedua metode mengajar matematika itu sama,

dengan menggunakan taraf nyata 0,10. Asumsikan bahwa kedua populasi

itu menghampiri sebaran normal dengan ragam yang sama.

Pembahasan:

Misalkan μ1μ1 dan μ2μ2 adalah nilai rata-rata semua siswa yang mungkin

mengambil pelajaran tersebut dengan kedua cara mengajar. Dengan

menggunakan langkah-langkah dalam prosedur pengujian hipotesis, kita

peroleh

1. H0:μ1=μ2H0:μ1=μ2 atau μ1−μ2=0μ1−μ2=0.

2. H1:μ1≠μ2H1:μ1≠μ2 atau μ1−μ2≠0μ1−μ2≠0.

3. α=0,10α=0,10.

4. Wilayah kritis: t<−1,725t<−1,725 atau t>1,725t>1,725, sedangkan

dalam hal ini

dengan v=20v=20 derajat bebas.

5. Perhitungan:

Dengan demikian
 6. Keputusan: Tolak Ho dan simpulkan bahwa kedua metode mengajar

tidak sama. Karena nilai t hitung jatuh di wilayah kritik bagian

kanan, kita dapat menyimpulkan bahwa metode mengajar biasa lebih

baik daripada metode dengan bahan terprogramkan.

Varians Tidak Sama dan Tidak DiKetahui

Terdapat situasi di mana kita tidak dapat mengasumsikan

bahwa σ1=σ2σ1=σ2. Jika dua populasi adalah normal, maka statistik

akan mendekati distribusi-t dengan derajat bebas

Akibatnya, prosedur pengujian tidak menolak Ho ketika

Hipotesis, statistik uji dan wilayah kritis penolakannya untuk pengujian

hipotesis rata-rata dua populasi di mana varians tak sama dan tak

diketahui dinyatakan dalam tabel berikut.

Tabel 3. Pengujian hipotesis rata-rata dua populasi untuk varians tidak

sama dan tidak diketahui

Pengamatan Berpasangan

Pengujian dua rata-rata bisa dicapai saat data dalam bentuk pengamatan

berpasangan. Dalam struktur berpasangan ini, kondisi dua populasi

(perlakuan) ditetapkan secara acak di dalam unit yang homogen.

Penghitungan selang kepercayaan bagi μ1−μ2μ1−μ2 dalam situasi dengan

pengamatan berpasangan di dasarkan pada peubah acak

di mana ¯¯¯¯¯DD¯ dan SdSd adalah peubah-peubah acak yang menyatakan

rata-rata dan standar deviasi perbedaan pengamatan dalam unit

percobaan. Seperti dalam kasus pooled t-test, asumsinya adalah

pengamatan dari tiap populasi berdistribusi normal.

Masalah dua-sampel ini secara esensi direduksi menjadi masalah satu-

sampel dengan menggunakan perbedaan hitung (computed

differences) d1,d2,…,dnd1,d2,…,dn. Oleh karena itu, hipotesis direduksi

menjadi

Statistik uji hitung kemudian diberikan oleh

Wilayah kritis dibangun dengan menggunakan distribusi t dengan n – 1

derajat bebas.

Hipotesis, statistik uji dan wilayah kritis penolakannya untuk pengujian

hipotesis rata-rata dua pengamatan berpasangan (paired observations)

dinyatakan dalam tabel berikut.

Tabel 4. Pengujian hipotesis rata-rata dua pengamatan berpasangan

Contoh soal:
Untuk mengetahui apakah keanggotaan dalam organisasi mahasiswa

mempunyai akibat baik atau buruk pada nilai seseorang, nilai mutu rata-

rata berikut ini telah dikumpulkan selama periode 5 tahun;

Dengan mengasumsikan bahwa populasinya normal, ujilah pada taraf

nyata 0,025 apakah keanggotaan dalam organisasi mahasiswa berakibat

buruk pada nilai yang dicapai seseorang.

Pembahasan:

Misalkan μ1μ1 dan μ2μ2 masing-masing adalah nilai mutu rata-rata bagi

siswa anggota dan bukan anggota organisasi mahasiswa. Dengan mengikuti

langkah-langkah dalam prosedur pengujian hipotesis, diperoleh

1. H0:μ1=μ2H0:μ1=μ2 atau μD=μ1−μ2=0μD=μ1−μ2=0.

2. H1:μ1<μ2H1:μ1<μ2 atau μD=μ1−μ2<0μD=μ1−μ2<0.

3. α=0,025α=0,025.

4. Wilayah kritik: t<−2,776t<−2,776, yang dalam hal ini

dengan v=4v=4 derajat bebas.
5. Perhitungan:

Kita peroleh ¯¯¯d=−0,5/5=−0,1d¯=−0,5/5=−0,1 dan

Dengan mengambil akarnya kita

memperoleh sd=0,14142sd=0,14142. Dengan demikian,

6. Keputusan: Terima Ho dan simpulkan bahwa keanggotaan organisasi

bagi mahasiswa tidak memberikan pengaruh yang berarti pada nilai

yang dicapainya.

7. Berikut ini adalah versi HTML dari

file http://kiayati.staff.gunadarma.ac.id/Downloads/files/38855/bahan-latihan-spss-untuk-ai-
bag-2.pdf. Google membuat versi HTML dokumen secara otomatis saat kami meng-crawl
web.
8. Kiat: Untuk mencari istilah penelusuran Anda di halaman ini dengan cepat,
tekan Ctrl+F atau ⌘-F (Mac) dan gunakan bilah cari.
Page 1
9. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
10. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
11. PENGUJIAN HIPOTESIS DUA SAMPEL
12. Tujuan
13. Mahasiswa mampu memahami pengujian hipotesis untuk parameter populasi
berdasarkan
14. dua buah sampel.
15. Dasar Teori
16. Uji Rata-rata Dua Sampel yang Saling Bebas untuk Sampel Kecil
17. Uji hipotesis dengan menggunakan uji t dapat dilakukan untuk membandingkan dua
rata-
18. rata hitung sampel sehingga bisa ditentukan apakah sampelnya diambil dari populasi-
populasi
19. normal dengan rata-rata yang sama. Untuk melakukan uji ini diperlukan tiga asumsi:
20. 1. Populasi harus berdistribusi normal atau mendekati distribusi normal.
21. 2. Kedua populasi harus independen
22. 3. Varians populasi adalah sama (
23. 2
24. 2
25. 2
26. 1

27. σ
28. σ =
29. ), tetapi tidak diketahui
30. Prosedur Pengujian Hipotesis:
31. Uji 1 arah
32. Hipotesis:
33. H0 :
34. 0
35. 2
36. 1

37. )
38. (
39. D
40. =
41. - μ
42. μ
43. Ha :
44. 0
45. 2
46. 1

47. )
48. (
49. D
50. >
51. - μ
52. μ
53. atau Ha :
54. 0
55. 2
56. 1

57. )
58. (
59. D
60. <
61. - μ
62. μ
63. Uji 2 arah
64. Hipotesis:
65. H0 :
66. 0
67. 2
68. 1

69. )
70. (
71. D
72. =
73. - μ
74. μ
75. Ha :
76. 0
77. 2
78. 1

79. )
80. (
81. D
82. ≠
83. - μ
84. μ
85. Statistik uji:
86. │
87. │
88. ⎠
89. ⎞
90. │
91. │
92. ⎝
93. ⎛
94. +
95. -
96. -
97. =
98. 2
99. 1
100. 2
101. 0
102. 2
103. 1

104. 1
105. 1
106. )
107. (
108. n
109. n
110. s
111. D
112. xx
113. t
114. p

115. dimana:
116. 1

117. x : Rata-rata hitung sampel pertama

118. 2

119. x : Rata-rata hitung sampel kedua

120. 1

121. n  : Jumlah sampel pertama

122. 2

123. n  : Jumlah sampel kedua

124. 2
125. p

126. s : Penduga gabungan varians populasi

127. dengan:
128. 2
129. ))(1
130. ())(1
131. (
132. 2
133. 1
134. 2
135. 2
136. 2
137. 2
138. 1
139. 1
140. 2

141. -
142. +
143. -
144. +
145. -
146. =
147. nn
148. s
149. n
150. s
151. n
152. sp
153. dimana:
154.

Page 2
155. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
156. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
157. 2
158. 1

159. s  : varians sampel pertama

160. 2
161. 2

162. s  : varians sampel kedua

163. 1
164. 2
165. 1

166. -
167. +
168. nn
169. adalah derajat bebas.
170. Daerah penolakan:
171. 2
172. ,
173. 2
174. 1
175. -
176. +

177. > nn
178. ttα
179. (atau
180. 2
181. ,
182. 2
183. 1
184. -
185. +

186. -
187. <
188. nn

189. ttα
190. )
191. atau Pvalue < α
192. Daerah penolakan:
193. 2
194. ,2/
195. 2
196. 1
197. -
198. +

199. >
200. nn

201. ttα
202. atau Pvalue < α
203. Uji Dua Sampel Berpasangan untuk Sampel Kecil
204. Langkah-langkah untuk pengujian hipotesis dua sampel yang saling bebas dan
dua
205. sampel yang berpasangan pada dasarnya adalah sama, perbedaannya terletak
pada nilai statistik
206. uji t.
207. Uji 1 arah
208. Hipotesis:
209. H0 :
210. 0
211. 2
212. 1

213. )
214. (
215. D
216. =
217. - μ
218. μ
219. Ha :
220. 0
221. 2
222. 1

223. )
224. (
225. D
226. >
227. - μ
228. μ
229. atau Ha :
230. 0
231. 2
232. 1

233. )
234. (
235. D
236. <
237. - μ
238. μ
239. Uji 2 arah
240. Hipotesis:
241. H0 :
242. 0
243. 2
244. 1

245. )
246. (
247. D
248. =
249. - μ
250. μ
251. Ha :
252. 0
253. 2
254. 1

255. )
256. (
257. D
258. ≠
259. - μ
260. μ
261. Statistik uji:
262. n
263. s
264. Dd
265. n
266. Dd
267. t
268. d
269. d
270. 0
271. 0

272. -
273. ≈
274. -
275. =
276. σ
277. di mana : d  : rata-rata selisih antar 2 sampel
278. d

279. s  : standar deviasi selisih 2 sampel

280. dengan:
281. 1
282. )
283. (
284. 2
285. 2

286. -
287. -
288. =
289. ∑
290. ∑
291. n
292. n
293. d
294. d
295. sd
296. Daerah penolakan:
297. 1,
298. -

299. > n
300. ttα
301. (atau
302. 1,
303. -

304. -
305. <
306. n

307. ttα
308. )
309. atau Pvalue < α
310. Daerah penolakan:
311. 1,2/
312. -

313. >
314. n

315. ttα
316. atau Pvalue < α
317. Penggunaan SPSS untuk Pengujian Hipotesis Dua Sampel
318. Uji t Dua Sampel yang Saling Bebas Menggunakan SPSS
319. Contoh 1 :
320. Manager Penjualan PT. Duta Makmur ingin mengetahui apakah ada perbedaan
prestasi
321. penjualan roti rasa durian berdasarkan tingkat pendidikan salesman.
322. Pendidikan Sales Rasa Durian
323.

Page 3
324. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
325. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
326. Sarjana
327. 300
328. Sarjana
329. 320
330. Sarjana
331. 324
332. Sarjana
333. 315
334. Sarjana
335. 400
336. Sarjana
337. 420
338. Akademi
339. 398
340. Akademi
341. 375
342. Akademi
343. 364
344. Akademi
345. 325
346. Akademi
347. 410
348. Akademi
349. 425
350. Penyelesaian :
351. 1. Masukkan data dalam cell
352. 2. Klik Variable View, masukkan variabel yang dibutuhkan seperti yang
terlihat pada Gambar
353. 1.
354. Gambar 1 Variabel View untuk Data Penjualan
355. 3. Klik Data, input data ke dalam jendela Editor, pada
variabel Salesman masukkan data
356. sesuai kode berikut:
357. 1 = salesman-sarjana
358. 2 = salesman-akademi
359. Catatan: Perhitungan dalam SPSS selalu untuk tipe data numerik. Untuk itu,
variabel
360. salesman harus dijadikan numerik.
361. 4. Dari menu utama, pilih Analyze > Compare Means > Independent-
Samples T Test.
362. Muncul kotak dialog Gambar 2.
363.

Page 4
364. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
365. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
366. Gambar 2 Kotak Dialog Independent Samples T Test
367. 5. Masukkan variabel Durian pada Test Variable(s).
368. 6. Grouping Variable, pengelompokan ada pada variabel Salesman, maka
masukkan variabel
369. Salesman.
370. 7. Klik pada Define Group, seperti Gambar 3.
371. Gambar 3 Kotak Dialog Define Groups
372. • Untuk Group 1 isi dengan 1, yang berarti berisi tanda 1 atau ”salesman-
sarjana”.
373. • Untuk Group 1 isi dengan 2, yang berarti grup berisi tanda 2 atau
“salesman-akademi”.
374. 8. Setelah selesai, pilih Continue > OK maka keluarannya sebagai berikut:
375. Kesimpulan:
376. Dengan 0.05 untuk kasus di atas diketahui nilai t-tabel adalah -1.812. Karena
pada keluarannya
377. diperoleh t-hitung = -1.439 > t-tabel = -1.812 maka terima H0. Jadi dapat
disimpulkan bahwa
378.

Page 5
379. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
380. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
381. tidak terdapat perbedaan antara prestasi penjualan roti durian dengan tingkat
pendidikan
382. salesman.
383. Catatan: Penarikan kesimpulan pengujian hipotesis dengan software SPSS
menggunakan
384. statistik uji t, karena output SPSS tidak menampilkan P-value.
385. Uji t Dua Sampel yang Berpasangan Menggunakan SPSS
386. Contoh 2:
387. Produsen Obat diet ingin mengetahui apakah obat yang diproduksinya
mempunyai efek terhadap
388. penurunan berat badan konsumen. Sebuah sampel yang terdiri dari 10 orang
masing-masing
389. diukur berat badannya, kemudian setelah sebulan meminum obat tersebut,
kembali diukur berat
390. badannya.Ujilah pada taraf nyata sebesar 10% apakah obat diet tersebut
berpengaruh terhadap
391. penurunan berat badan.
392. No Sebelum Sesudah No Sebelum Sesudah
393. 1 76.85
394. 76.22 6 88.15
395. 82.53
396. 2 77.95
397. 77.89 7 92.54
398. 92.56
399. 3 78.65
400. 79.02 8 96.25
401. 92.33
402. 4 79.25
403. 80.21 9 84.56
404. 85.12
405. 5 82.65
406. 82.65 10 88.25
407. 84.56
408. Penyelesaian:
409. 1. Masukkan data dalam cell.
410. 2. Dari menu utama, pilih Analyze > Compare-means > Paired-Samples T
test.
411. 3. Pindahkan variabel sebelum dan sesudah ke kotak Paired
variables dengan mengklik dua
412. kali pada variabel tersebut (lihat Gambar 4).
413. Gambar 4 Kotak Dialog Paired-Samples T Test
414. 4. Klik OK, maka hasilnya sebagai berikut:
415.

Page 6
416. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
417. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
418. Hipotesis:
419. H0 :
420. sesudah
421. sebelum

422. μ
423. μ
424. -
425. =0
426. Ha :
427. sesudah
428. sebelum

429. μ
430. μ
431. -
432. ≠ 0
433. Hipotesis awal (H0) mengatakan bahwa rata-rata berat badan sebelum minum
obat sama dengan
434. rata-rata berat badan sesudah minum obat. Sebaliknya, Hipotesis alternatif
mengatakan bahwa
435. rata-rata berat badan sebelum minum obat tidak sama dengan rata-rata berat
badan sesudah
436. minum obat
437. Daerah penolakan:
438. Uji 2 arah:
439. Tolak H0 apabila
440. 1,2/
441. -

442. >
443. n

444. ttα
445. atau Pvalue < α
446. H0 ditolak apabila
447. 1,2/
448. -

449. >
450. n

451. ttα
452. atau jika t bernilai negatif apabila
453. 1,2/
454. -

455. -
456. <
457. n

458. ttα
459. .
460. Kesimpulan:
461. Dari keluaran di atas diperoleh nilai statistik uji t = 1.646. Dengan taraf nyata
sebesar 10 % dan
462. derajat
463. bebas
464. 9110
465. 1
466. =
467. -
468. =
469. -
470. n
471. ,
472. diperoleh
473. 833.1
474. 9,05.0
475. 1,2/

476. =
477. =
478. -

479. t
480. t  n
481. α
482. .
483. Karena
484. )833.1
485. 646.1(
486. 9,05.0
487. <
488. <
489. tt
490. maka terima H0. Jadi dapat disimpulkan bahwa tidak ada perbedaan
491. antara berat badan konsumen sebelum dan sesudah meminum obat diet. Yang
berarti bahwa obat
492. diet tersebut tidak mempunyai efek untuk menurunkan berat badan.
493.

Page 7
494. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
495. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
496. Latihan 1:
497. 1. Manajer penjualan PT. Duta Makmur ingin mengetahui apakah ada
perbedaan prestasi
498. penjualan Roti Kacang berdasarkan Gender Salesman. Berikut datanya:
499. Gender
500. Jumlah Roti Kacang yang
501. terjual
502. Pria
503. 234
504. Pria
505. 220
506. Pria
507. 281
508. Pria
509. 256
510. Pria
511. 238
512. Pria
513. 210
514. Pria
515. 310
516. Wanita
517. 250
518. Wanita
519. 245
520. Wanita
521. 220
522. Wanita
523. 287
524. Wanita
525. 254
526. Ujilah data di atas menggunakan SPSS dengan level toleransi sebesar 5% dan
interpretasi
527. hasilnya
528. 2. Untuk menghadapi persaingan dengan perusahaan roti lain, roti produksi
PT. Duta Makmur
529. yang selama ini dikemas secara sederhana akan diubah kemasannya. Untuk itu
pada 15
530. daerah penjualan yang berbeda, dilakukan pengamatan dengan mencatat
penjualan Roti
531. dengan kemasan lama (kemasan 1), kemudian kemasan diganti dengan
kemasan yang lebih
532. atraktif (kemasan 2), dan kemudian dicatat tingkat penjualan roti dengan
kemasan yang baru
533. pada 15 daerah yang sama.
534. daerah kemasan 1 kemasan 2 daerah kemasan 1 kemasan 2
535. 1
536. 23
537. 26
538. 9
539. 24
540. 22
541. 2
542. 30
543. 26
544. 10
545. 26
546. 25
547. 3
548. 26
549. 29
550. 11
551. 22
552. 24
553. 4
554. 29
555. 28
556. 12
557. 24
558. 26
559. 5
560. 31
561. 30
562. 13
563. 27
564. 29
565. 6
566. 26
567. 31
568. 14
569. 22
570. 28
571. 7
572. 28
573. 32
574. 15
575. 26
576. 23
577. 8
578. 29
579. 27
580. Dengan data yang ada, apakah pengubahan kemasan membuat rata-rata
penjualan roti
581. menjadi berbeda. Uji pada taraf keberartian 1% serta interpretasikan hasilnya.
582. Lakukan perhitungan secara manual dan menggunakan SPSS.
583.

Page 8
584. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
585. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
586. REGRESI LINIER SEDERHANA
587. Tujuan
588. Mahasiswa mampu menganalisa relasi antara dua variabel melalui metode
statistika
589. sederhana yaitu scatter plot, regresi dan korelasi.
590. Dasar Teori
591. Regresi Linear Sederhana
592. Suatu persamaan dikembangkan untuk menyatakan hubungan antara dua
variabel dan
593. memperkirakan nilai variabel tak bebas Y berdasarkan variabel bebas X. Suatu
teknik yang
594. digunakan untuk membangun suatu persamaan garis lurus dan menemukan
nilai perkiraannya
595. disebut analisis regresi. Dan persamaan garis lurus tersebut
dinamakan persamaan regresi.
596. Bentuk umum dari persamaan regresi adalah:
597.bX
598.aY +
599. =
600.ˆ
601. dimana:
602. Y
603. ˆ
604. : nilai prediksi dari variabel Y berdasarkan nilai variabel X yang dipilih.
605. a : titik potong (intercept) Y. Merupakan nilai perkiraan bagi Y ketika X = 0.
606. atau a adalah nilai perkiraan bagi Y ketika garis regresi memotong sumbu
607. 0
608. =
609. X
610. b : kemiringan garis, atau perubahan rata-rata Y
611. ˆ
612. untuk setiap unit perubahan pada
613. variabel bebas X.
614. X : sembarang nilai variabel bebas yang dipilih.
615. Rumus untuk b dan a adalah:
616. (
617. ) ( )( )
618. (
619. ) ( )
620. 2
2

621. ∑
622. ∑
623. ∑
624. ∑
625. ∑
626. -
627. -
628. =
629. i
630. i
631. i
632. i
633. ii
634.X
635.X
636.n
637.Y
638.X
639.YX
640.n
641.b
642.n
643.X
644.b
645.n
646.Y
647.a
648. i
649. i

650. ∑
651. ∑
652. -
653. =
654. Korelasi
655. Analisis korelasi adalah teknik statistika yang digunakan untuk mengukur
keeratan
656. hubungan (korelasi) antara dua objek. Salah satu ukuran untuk menyatakan
keeratan hubungan
657.

Page 9
658. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
659. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
660. adalah koefesien korelasi. Koefesien bernilai antara -1 sampai 1. Rumus untuk
koefesien korelasi
661. adalah:
662. (
663. ) ( )( )
664. ∑
665. ∑
666. ∑
667. ∑
668. ∑
669. ∑
670. ∑
671. -
672. -
673. -
674. =
675.])
676.()
677.(][)
678.()
679.([
680. 2
681. 2
682. 2
683. 2
684. i
685. i
686. i
687. i
688. i
689. i
690. ii
691.Y
692.Y
693.n
694.X
695.X
696.n
697.Y
698.X
699.YX
700.n
701.r
702. Penggunaan SPSS untuk Regresi Linier Sederhana
703. Contoh 1:
704. PT. Cemerlang dalam beberapa bulan gencar mempromosikan sejumlah
peralatan elektronik
705. dengan membuka outlet-outlet di berbagai daerah. Berikut adalah data
mengenai penjualan dan
706. biaya promosi yang dikeluarkan di 15 daerah di Indonesia.
707. Daerah
708. Sales (juta Rupiah) Promosi (juta Rupiah)
709. Jakarta
710. 205
711. 26
712. Tangerang
713. 206
714. 28
715. Bekasi
716. 254
717. 35
718. Bogor
719. 246
720. 31
721. Bandung
722. 201
723. 21
724. Semarang
725. 291
726. 49
727. Solo
728. 234
729. 30
730. Yogya
731. 209
732. 30
733. Surabaya
734. 204
735. 24
736. Purwokerto
737. 216
738. 31
739. Madiun
740. 245
741. 32
742. Tuban
743. 286
744. 47
745. Malang
746. 312
747. 54
748. Kudus
749. 265
750. 40
751. Pekalongan
752. 322
753. 42
754. a. Tentukan persamaan regresinya dan berilah kesimpulan.
755. b. Bentuk diagram pencarnya (Scatter Plot).
756. Penyelesaian :
757. 1. Untuk membuat diagram pencar (scatter plot), pilih menu Graphs –
Scatter. Klik pilihan
758. Define, masukkan variabel “Sales“ ke kotak Y axis dan masukkan variabel
“Promosi“ ke
759. kotak X Axis. Selanjutnya klik OK. Untuk menunjukkan garis regresinya,
double klik pada
760. gambar tersebut sehingga muncul Chart Editor. Klik pada gambar
761. dan isikan nilai
762. intercept dan slopenya. Klik OK
763.
 Page 10
764. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
765. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
766. Gambar 1 Diagram Pencar
767. 2. Klik menu Analyze > Regression > Linier sehingga muncul Gambar 12.2
768. 3.
769. Gambar 2 Kotak Dialog Linier Regression
770. Pengisian Kotak Dialog :
771. o Dependent (variabel tak bebas) adalah variabel yang akan diprediksi.
Masukkan variabel
772. sales pada kota Dependent.
773. o Independent(s) (variabel bebas). Masukkan variabel promosi dalam kotak
774. Independent(s).
775. o Case Labels (keterangan pada kasus). Karena kasus yang didasarkan pada
daerah-daerah
776.
777.
maka masukkan variabel daerah pada kotak Case Labels.
60.00
778. 40.00
779. 20.00
780. Promosi (Juta Rupiah)
781. 320.00
782. 300.00
783. 280.00
784. 260.00
785. 240.00
786. 220.00
787. 200.00
788. Sa
789. les
790. (Juta R
791. upiah)

792.

Page 11
793. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
794. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
795. o Method atau cara memasukkan seleksi variabel.
796. o Untuk melengkapi hasil analisis seperti jenis statistik, grafik (plot residual
dan
797. sebagainya) dapat dilakukan melalui tombol Statistics dan Graphs.
798. o Block; digunakan apabila akan menganalisis dan membuat model lebih dari
satu kali.
799. o Selection Variable; digunakan untuk memilih dasar model dengan aturan
tertentu yang
800. diatur dalam rule.
801. Catatan: Untuk menyimpan peubah-peubah baru hasil analisis dapat
dilakukan melalui
802. tombol Save.
803. 4. Klik OK maka hasilnya sebagai berikut.
804.

Page 12
805. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
806. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
807. Gambar 2 Keluaran Regresi dengan SPSS
808. Keterangan:
809. Dari keluaran di atas dapat diketahui bahwa nilai intercept atau a = 111.253
dengan slope  atau b
810. = 3.891. Sehingga persamaan regresinya adalah:
811. Ý = a + bX
812. Ý = 111.253 + 3.891 (X)
813. Dengan koefesien korelasi R = 0.916, yang berarti ada hubungan yang erat
antara penjualan
814. dengan biaya produksi. Dimana nilai determinasi R
815. 2
816. = 0,839 menyatakan bahwa 83.9 %
817. keragaman data promosi produksi disebabkan oleh banyaknya penjualan dan
selebihnya
818. dipengaruhi oleh faktor lain yang tidak dimasukkan ke dalam model.
819. Hasil uji F dapat dilihat pada tabel ANOVA. Terlihat bahwa signifikansi
pengujian (Sig.) =
820. 0,000. Dengan menggunakan α = 0,05 , karena nilai Sig < α , maka hipotesis
nol ditolak. Hal ini
821. berarti bahwa promosi berpengaruh terhadap penjualan produksi tersebut.
822. Menampilkan Data dan Garis Regresi
823. Untuk menampilkan plot dari garis regresi dapat dilakukan dengan cara:
824. 1. Pada langkah di atas jangan mengklik OK terlebih dahulu, tapi lanjutkan
dengan mengklik
825. Save dan muncul kotak dialog seperti pada Gambar 3.
826.

Page 13
827. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
828. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
829. Gambar 3 Kotak Dialog Save
830. 2. Tandai Unstandardized pada kotak Predicted Values, kemudian
pilih Continue.
831. 3. Klik OK, kemudian pada data editor secara otomatis akan ditampilkan
peubah baru (Pre_1)
832. yaitu data hasil prediksi berdasarkan model yang dipilih.
833. 4. Pilih menu Graphs > Scatter > Simple > Define maka akan tampil kotak
dialog seperti pada
834. Gambar 4:
835. Gambar 4 Kotak Dialog Simple Scatter Plot
836. 5. Klik OK sehingga muncul tampilan scatter plot untuk regresi linear (lihat
Gambar 12.5).
837.

Page 14
838. Created by: Ayu Kustiani R (02811100), Dewi Novianti (0281110014), Dhani Fitri Yanthi (0281110015) dan Ismi
Amalia
839. (0281110032) - Jurusan Matematika FMIPA Unsyiah, April 2007 (Edisi Revisi)
840. Gambar 5 Plot Regresi Linear dengan SPSS
841. Latihan 1 :
842. 1. Seorang Insinyur sedang berusaha menyelidiki hubungan antara suhu
dengan aktivitas
843. Uranium di perusahaan tempatnya bekerja PT. Chernofillex, karena itu dia
melakukan
844. pencatatan data selama beberapa hari di reaktor tempatnya bekerja dengan
cara mengutak-
845. atik suhu reaksi dan mencatat aktivitas Uranium dengan alat pengukur
aktivitas radio aktif
846. Geleger-mullesz dan didapat hasil sebagai berikut :
847. Suhu
848. Aktivitas
849. 50
850. 45
851. 60
852. 65.5
853. 70
854. 70.4
855. 80
856. 85.3
857. 90
858. 97.5
859. 100
860. 110.6
861. 110
862. 122.5
863. 120
864. 135.3
865. 130
866. 147.5
867. 140
868. 160
869. 150
870. 172.5
871. 160
872. 185
873. 170
874. 197.5
875. a. Tentukan persamaan regresinya dan berilah kesimpulan.
876. b. Buatlah diagram pencar (scatter plot) antara aktivitas dan suhu.
877. Apakah ada hubungan yang signifikan antara suhu dan aktivitas Uranium