Statistik Bidang Sosek (Bab1-5)

Diktat Mata Kuliah Statistik Bidang Sosek 1
MODUL
STATISTIK BIDANG
SOSIAL EKONOMI
(1-5)
Jurusan Sosial Ekonomi Pertanian

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

hipotesis nol. penggunaan istilah nol ini mengindikasikan bahwa hasil pengamatan kita
dibandingkan dengan hipotesis yang dibuat tidak berbeda atau sama persis secara
statistik. Ini berarti perbedaan antara nilai yang dihipotesiskan dan hasil uji sama
dengan nol. Sedangkan apabila terjadi perbedaan antara nilai yang dihipotesiskan
dengan nilai hasil pengamatan, maka ini berarti nilainya tidak sama dengan nol atau

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

itu sendiri, yang dapat dituliskan sebagai berikut:
Ho: μ =1,5
Arti tanda sama dengan tersebut mencakup juga nilai yang berada di atas nilai
tersebut (di atas Rp 1,5 juta), sedangkan lambang μ rnerupakan parameter untuk
nilai rata-rata populasi yang akan diuji . Hal ini sesuai dengan pernyataan kalimat
di atas bahwa pendapatan petani plasma kelapa sawit per bu!an "minimal Rp 1,5

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

hipotesis yang kita buat salah. Namun ini bararti bahwa kita tidak cukup bukti
untuk menerima hipotesis yang kita buat tersebut. Pengujian hipotesis statistika ini
dapat diilustrasikan pada kasus pengadilan terhadap terdakwa, yang menganut azaz
"praduga tak bersalah". Seseorang baru dikatakan bersalah apabila telah cukup
bukti yang meyakinkan bahwa ia memang bersalah. Namun apabila tidak cukup bukti
yang meyakinkan atas kesalahan yang dituduhkan, maka ia bebas dari tuntutan untuk
dimasukkan ke dalam penjara.

Penerimaan atau pcnolakan suatu hipotesis nol akan berdampak pada empat
kcmungkinan keputusan. Keempat kemungkinan keputusan tersebut seperti
dicantumkan pada tabel berikut:
Tabel 1 . Empat kemungkinan hasil pengu.jian hipotesis
Hipotesis Nol adalah:

Keputusan
Bcnar Salah
Terima Ho Keputusan benar tipe A (α) Kesalahan tipe II
Tolak Ho Kesalahan tipe I Keputusan Benar tipe B (β)
Dari tabel di atas terlihat bahwa, "keputusan benar tipe A" yaitu apabila
hipotesis nol benar dan kita putuskan untuk menerimanya. "Keputusan benar tipe B"
adalah apabila hipotesis nol salah dan kita putuskan untuk menolaknya. "Kesalahan tipe
1" adalah apabila hipotesis nol benar dan kita putuskan menolaknya, sedangkan
"Kesalahan tipe 11" adalah apabila hipotesis nol salah dan kita putuskan menerimanya.
Suatu keputusan yang kita buat sebaiknya selalu keputusan yang benar. Akan
tetapi, secara statistik hal tersebut tidak mungkin karena keputusan yang kita buat
berdasarkan informasi yang berasal dari sampel. Terdapat beberapa kemungkinan
kesalahan yang dapat dilakukan, misalnya kesalahan dalam pengambilan contoh
(sampel), kesalahan dalam pencatatan dan beberapa faktor yang tidak dapat terkontrol.
Namun cara yang terbaik untuk mengontrol resiko ini adalah dengan menentukan
peluang kesalahan yang dapat ditolelir. Peluang untuk melakukan "kesalahan tipe 1"
(menolak Ho padahal Ho benar) disebut dengan "Alpha" atau dilambangkan dengan α ,
sedangkan peluang untuk melakukan "kesalahan tipe 11" (menerima Ho padahal Ho
salah) disebut dengan "Beta" atau dilambangkan dengan β .

3. Menentukan kreteria uji
Tahap pada penentuan kreteria uji terdiri dari:
a. Menentukan uji statistik yang relevan
Penentuan uji yang cocok sesuai dengan permasalahan yang dikemukakan dalam
hipotesis statistikanya. Apabila kembali kepada contoh kasus di atas, pernyataan
hipotesis nol menyatakan bahwa "pendapatan petani plasma kelapa sawit di Sumatera

Selatan per bulannya minimal Rp 1,5 juta" menunjukkan bahwa yang akan diuji adalah
variabel pendapatan. Dalam variabel pendapatan harus diidentifikasi parameter apa
yang akan diuji. Dari pernyataan hipotesis di atas, walaupun tidak secara inplisit
dinyatakan parameter apa yang akan diuji, namun dapat dinyatakan parameter tersebut
adalah pendapatan rata-rata dari populasi petani plasma kelapa sawit. Apabila sudah
diketahui nilai rata-rata yang akan diuji, maka ini berarti uji yang relevan adalah uji
nilai tengah, yaitu uji z atau t. Uji statistika inilah yang akan dipakai untuk mengambil
keputusan apakah menerima atau menolak Ho.
b. Menentukan suatu tingkat kepercayaan α
Penentuan tingkat kepercayaan α sangat tergantung pada permasalahan dan bidang
yang dihadapi. Untuk permasalahan dan bidang yang memerlukan tingkat ketelitian
yang sangat tinggi, maka tingkat kepercayaan yang dipakai juga harus tinggi. Misalnya
pada pembuatan komponen pesawat terbang, maka tingkat kepercayaan yang digunakan
harus lebih tinggi, misalnya 0,00001. Demikian juga untuk penelitian yang dilakukan di
laboratorium atau penelitian lain yang bcberapa variabelnya diperkirakan berpengaruh
di kontrol dengan baik, maka tingkat kepercayaan juga harus tinggi. Biasanya dalam
penelitian di laboraturium atau lapangan yang dikontrol digunakun tingkat kepercayaan
( α ) 0,05 (5%) dan 0,01 ( 1%). Sedangkan untuk penelitian yang menyangkut
masyarakat, seperti penelitian dalam bidang sosial ekonomi pertanian, maka tingkat
kepcrcayaan sebesar 30% masih bisa diterima.
c. Menentukan wilayah kritis
Penentuan wilayah kritis adalah satu keterangan nilai untuk uji statistik yang akan
digunakan dalam mengambil keputusan apakah menolak atau menerima hipotesis nol.
Dalam penentuan wilayah kritis ini kita harus tahu terlebih dahulu berdasarkan hipotesis
yang akan diuji, apakah uji hipotesisnya satu arah atau dua arah. Uji hipotesis satu arah,
menunjukkan adanya keyakinan yang kuat arah penolakan hipotesis apabila tidak cukup
bukti untuk menerima Ho. Arah tersebut dapat berada pada sisi kiri kurva maupun sisi
kanannya. Sedangkan uji dua arah, didasarkan atas belum begitu yakinnya kita akan
kemungkinan arah penolakan hipotesis nol yang dibuat. (ini berarti pada uji dua arah
ada dua kemungkinan daerah penolakan, yaitu di sebelah kiri dan sebelah kanan kurva.

Berikut ini digambarkan daerah penolakan satu arah dan dua arah dengan menggunakan
kurva sebaran normal Z.
0 Zα Z -Z α /2 + Z α /2 Z
wilayah kritis u_ji satu arah wilayah kritis uji dua arah
4. Penentuan nilai uji statistika
Setelah kreteria uji ditentukan, langkah selanjutnya mencari nilai uji statistikanya.
Nilai uji statistika ini sering juga disebut nilai uji statistika hitung. Langkah keempat ini
merupakan lanjutan dari point pertama dari langkah ketiga, yaitu apabila telah diketahui
statistik ujinya, maka tinggal melakukan perhitungan untuk mendapatkan nilai uji
statistikanya. Misalkan dari contoh kasus di atas statistik uji yang digunakan adalah uji
z, maka rumus uji z adalah sebagai berikut
χ −μ
Ζ=
σ /√n
Hasil pcrhitungan yang mendapatkan nilai z inilah yang disebut nilai uji
statistika. Nilai ini kemudian dibandingkan dengan nilai z tabel pada tingkat
kepercayaan tertentu untuk menentukan menolak atau menerima hipotesis nol.
Pada bab berikut akan lebih banyak dibahas mengenai nilai uji statistika ini.
5. Mcmbuat kcputusan dan inteprestasi hasil

Setelah didapat nilai uji statistika, maka nilai ini dibandingkan dengan nilai
tabelnya. Kemudian nilai tabel ini digambarkan pada kurva untuk menentukan
wilayah kritis penolakan dan penerimaan hipotesis nol. Apabila nilai uji statistika
terletak pada daerah penerimaan, maka kita putuskan untuk mcnerima Ho,
demikian juga sebaliknya apabila nilai ini jatuh pada wilnyah penolakan, maka
diputuskan untuk menolak Ho. Apabila kita menerima Ho, ini berarti kita tidak
cukup kuat untuk dapat menolak hipotesis nol yang dibuat. Ini berarti apa yang

dihipotesiskan pada hipotesis nol adalah sama dengan hasil pengujian yang
dilakukan. Sebaliknya apabila menolak Ho, berarti ada cukupan alasan yang kuat
untuk menyatakan memang ada perbedaan antara hipotesis nol dengan alternatif
tinggal arahnya kemana. Kalau ujinya dua arah, arahnya bisa lebih kecil dari atau
lebih besar dari, sedangkan untuk uji satu arah sudah jelas arahnya sesuai dengan
hipotesis alternatifnya. Sehingga apabila sudah jelas arah penolakan pada wilayah
kritis, maka dapat diinterpretasikan hasil uji tersebut dengan berpedoman pada
keputusan yang diambil tersebut. Misalnya untuk contoh kasus kita di atas,
diputuskan untuk menolak Ho pada tingkat kepercayaan 10%, ini berarti bahwa
pendapatan petani plasma kelapa sawit di Sumatera Selatan per bulannya kurang
dari Rp 1,5 juta.
B. Perumusan Hipotesis Statistika
Pada bagian A, telah dibicarakan mengenai tahap-tahap dalam melakukan uji

hipotesis statistika, namun pembahasan yang dilakukan masih bersifat umum.
Untuk itulah agar lebih mudah memahami bagaimana merumuskan hipotesis
statistika suatu permasalahan penelitian, maka pada bagian ini akan dibahas secara
rinci bagaimana merumuskan hipotesis nol dan alternatif. Agar lebih mudah
memahami bagaimana merumuskan hipotesis dengan benar, maka akan digunakan
beberapa contoh permasalahan penelitian.
Contoh: 1
Seorang peneliti ingin mcmbuktikan pernyataan Menteri Pertanian bahwa,
harga dasar gabah yang berlaku sekarang telah dapat dinikmati petani apabila
dibandingkan dengan harga pokoknya. Secara lebih spesifik, peneliti tersebut ingin
menguji pernyataan menteri apakah harga pokok rata-rata untuk menghasilkan
gabah dalam bentuk Gabah Kering Panen (GKP) masih Icbih rendah dibandingkan
dengan harga dasar gabah ratarata sebesar Rp 1100 per kilogram GKP sekarang.
Tentukan hipotesis nol dan alternatifnya.
Jawab:
Untuk membentuk hipotesis, pcrtama-tama kita perlu mengidentifikasi
parameter populasi dalam pernyataan tersebut dan nilai yang akan dibandingkan.

"Harga pokok gabah rata-rata" adalah parameter populasi yaitu μ dan "Rp 1100
per kilogram" adalah nilai spesifik yang akan dibandingkan. Peneliti tersebut ingin
mengetahui berapa besar harga pokok gabah yang sebenarnya di lapangan. Ini
berarti berhubungan dengan nilai Rp 1100 sebagai pembanding. Oleh karena itu
terdapat tiga kemungkinan tanda untuk hipotesis nol dan alternatifnya, yaitu :(1) μ
>1100, (2) μ < 1100 dan (3) μ = 1100. Ketiga pernyataan tersebut mesti
diseleksi menjadi dua, satu pernyataan yaitu "apa yang ingin peneliti itu tunjukkan
dari pernyataan menteri pertanian" dan satu lainnya adalah lawannya. Alternatif I (
μ < 1100) mencerminkan pernyataan menteri pertanian yang ingin dibuktikan
pencliti "harga pokok gabah rata-rata lebih rendah dari dari Rp 1100 per kilogram".
Scdangkan μ > 1100 dan μ = 1100 ( ¿ ) adalah alternatifnya. Oleh karena hipotesis
nol harus dalam bentuk tanda sama dengan, maka μ = 1100 adalah Ho dan H 1
adalah μ < I 100.
Contoh 2:
Petani berpendapat bahwa harga pokok untuk mcnghasilkan gabah tidak sama
dengan harga dasarnya di Sumatera Selatan. 'T'entukan hipotesis nol dan
alternatifnya.
Jawab:
Pernyataan di atas mengandung kata " tidak sama dengan " tentang parameter
Populasi yang akan diukur, dan ini bcrarti lawannya pasti "sama dengan". Sehingga
kita dapat (langsung menentukan hipotesis nol yaitu μ = 1 100 atau dalam bentuk
rumusan hipotesis Ho : μ = 1100. Hipotesis alternatif adalah tidak sama dengan
atau dapat ditulis H 1 : μ # 1100.
C. Latihan Soal:
l. Prosedur uji hipotesis memiliki banyak kesamaan dengan prosedur pada
pengadilan. Hipotesis Nol menyatakan bahwa "tertuduh adalah tidak bersalah" yang
akan diuji.
a. Deskripsikan situasi pada masing-masing empat kemungkinan yang
dihasilkan akibat dari keputusan menolak atau menerima hipotesis nol

b. Jika tertuduh dibebaskan, apakah ini "bukti" bahwa ia tidak bersalah '?
c. Jika tertuduh terbukti bersalah, apakah ini "bukti" ia bersalah ?
Jawab :
Ho : Tertuduh tidak bersalah.
Ha : Tertuduh bersalah
a. Empat kemungkinan akibat dari keputusan menolak atau menerima Ho.
1. Benar type A 3. Kesalahan type 1

- terima Ho, Ho benar - Tolak Ho, Ho benar
- tertuduh tidak bersalah, - tertuduh tidak bersalah,
dibebaskan ditahan
2. Kesalahan type 2 4. Benar type B
- terima Ho, Ho salah - tolak Ho, Ho benar
- tertuduh salah, dibebaskan - tertuduh salah, ditahan
b. Ya
c. Ya
2. Jika nilai μ dan β dapat dikontrol secara statistik, maka tentukan mana
pasangan probabilitas yang akan digunakan jika anda akan melakukan terjun payung
a. α = 0,001 dan β = 0, 10
b. α = 0,05 dan β = 0,05
c. α = 0,10 dan β = 0,001 .

Jawab :
Ho : Penerjun payung akan terjun dengan selamat
Ha : Penerjun payung tidak akan terjun dengan selamat
Kesalahan type 1 : Penerjun selamat dikatakan tidak selamat
Kesalahan type 2 : Penerjun payung tidak selamat dikatakan selamat
Kesalahan yang fatal adalah kesalahan type 2, oleh karena itu probabilitas β
sebaiknya lebih kecil dari probabilitas α.
Jadi jawaban yang tepat adalah c. α = 0,10 dan β = 0,001

3. Rumuskan Hipotesis Nol dan Hipotesis Alternatif dari pernyataan berikut:

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

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

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

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

Lebih sering di jumpai bahwa pada kasus-kasus penelitian dilapangan untuk

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

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

3. α = 0,10. Karena uji 2 arah, maka untuk menentukan wilayah kritisnya, nilai
tingkat kepercayaan nya dibagi. Sehingga nilai α menjadi 0,05 di ekor kiri dan
0,05 di ekor kanan. Selanjutnya, berdasarkan tabel t diperoleh nilai t (29. 0,05) =
± 1,70 atau bila di gambar dalam bentuk nilai kritis sebagai berikut :
α/2 = 0,05
α/2 = 0,05
x̄ −µ 3,975−4,5
4. t = s/ √ n = 2,87/ √ 30 = -1
Bandingkan nilai kritis dengan t hitung pada diagram berikut :
-1,70 -1 0 1,70 t
5. Kesimpulan : karena nilai t hitung berada pada wilayah penerimaan, maka
diputuskan untuk terima H0, artinya produksi rata-rata didaerah tersebut sebesar
4,5ton/Ha.
B. Analisa Proporsi
Uji proporsi digunakan untuk kasus yang menyangkut data dalam bentuk
presentase. Proporsi atau prosentase populasi atau probabilitas yang berhubungan
dengan munculnya suatu kejadian, semua tercakup dalam parameter binomial P. P
adalah peluang (probabilitas) populasi untuk sukses pada suatu percobaan tunggal
dalam percobaan binomial. Variabel random x adalah jumlah sukses yang terjadi dalam

suatu himpunan percobaan (n), sedangkan p’ didefinisikan sebagai probabilitas dari

parameter binomial, maka dapat diketahui bahwa :
1. µ = n.p
2. σ = √ n. p.q
3. q = 1-p
4. p’ = x / n dimana x adalah jumlah sukses dalam suatu himpunan percobaan
5.
σ p' =
√ npq
n
=√ npqn =
2
√ pq
n
dimana σp’ = standar error dari distribusi p’
Distribusi x dianggap mendekati normal apabila jumlah sampel (n) lebih dari 20 dan
juka nilai np dan nq masing-masing lebih dari 5.
Sebagai pengetahuan, patut untuk dipahami bahwa nilai pengamatan p’ memiliki
beberapa ciri berikut :
1. Kira-kira menyebar normal
2. Mempunyai nilai tengah µp sama dengan p
3. Mempunyai standar error σp sama dengan √ pq/n

4. Pendekatan pemecahan bagi analisis untuk proporsi ini dapat dilakukan dengan
menggunakan sebaran Z sebagai berikut :
p '− p
Z=
√ pq/n
nilai p yang dipergunakan dalam rumus di atas adalah nilai yang dinyatakan dalam
hipotesis nol.
Contoh :
Petani di suatu desa menyatakan bahwa paling sedikit 15% petani di desa mereka tidak
menggunakan pupuk berimbang dalam menjalankan kegiatan usahatani. Untuk mencek
kebenaran berita tersebut seorang peneliti mewawancarai 200 orang petani. Hasilnya 17
orang dari mereka memang tidak menggunakan pupuk berimbang. Apakah kenyataan
ini sudah cukup kuat untuk menolak pernyataaan tersebut ? gunakan α = 0,10.

Jawab :
1. H0 : p = 0,15 (atau p > 0,15)
2. Ha : p < 0,15
3. α : 0,10
Z0,10 = 1,28.
Karena arah penolakan hipotesis adalah di ekor kiri (tanda < pada hipotesis alternatif).
Maka nilai z menjadi -1,28. wilayah dan nilai kritisnya dapat digambarkan berikut ini.
<15% > 15% tidak menggunakan pupuk

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

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

Seringkali permasalahan yang muncul menuntut kita untuk membuat

kesimpulan tentang keragaman. Sebagai contoh, perusahaan benih kelapa sawit
berkepentingan agar keragaman dormansi benihnya dapat dikontrol, jangan sampai
benih yang dibibit dipolibag memiliki umur yang berbeda-beda. Ini berarti kita harus
mengontrol ragam σ2 atau simpangan baku σ diantara benih tersebut. Jumlah benih yang
tumbuh penting, tetapi yang juga lebih penting adalah keseragaman tumbuhnya benih
tersebut. Apabila keragaman tumbuhnya benih tersebut tinggi, maka bibit yang
dihasilkan juga akan beragam umurnya, yang pada akhirnya akan mempengaruhi
keseragaman umur tanaman kelapa sawit dilapangan. Oleh karena itu keseragaman
dormansi benih harus dikontrol agar dihasilkan ragam yang sekecil mungkin.
Untuk melakukan analisis tentang ragam atau standar deviasi ini, maka
pendekatan yang akan dilakukan dengan menggunakan sebaran Chi-kuadrat (λ 2). Uji
statistik yang dilakukan adalah sebagai berikut :
( n−1 ) s 2
χ2 = σ2
Dimana : s2 = ragam contoh
n = jumlah contoh
σ2 = ragam populasi yang dinyatakan dalam H0
db = n-1
Sifat-sifat sebaran Chi-kuadrat :
1. Tidak bernilai negatif, melainkan nol atau diatas nol
2. Tidak simetris melainkan condong kekanan
3. berbeda-beda untuk setiap nilai derajat bebas, dimana db = n-1
Berikut ini digambarkan beberapa sebaran Chi-kuadrat
Db = 1
Db = 4
Db = 10

Db = 20
0 ∞ → λ2
Nilai kritis Chi-kuadrat diperoleh dari Tabel Chi-kuadrat (Lampiran). Nilai kritis
akan diidentifikasi dengan dua nilai, yaitu derajat bebas (db) dan wilayah dibawah
kurva (ekor dikiri maupun kanan). Lambang yang digunakan untuk mengindentifikasi
nilai kritis Chi-kuadrat adalah λ2 (db, α), yang berarti nilai kritis Chi-kuadrat dengan db
derajat bebas dan α merupakan wilayah diekor kanan, seperti ditunjukkan pada gambar
berikut.
Sebaran Chi-kuadrat
0 λ2 (n-1,α) atau λ2 (db,α) λ2
Cara menentukan nilai kritis dan wilayah kritis pada sebaran Chi kiuadrat sebagai
berikut :
Misal, untuk mencari nilai kritis pada ekor kanan, cara nilai kritis dari λ2
(20. 0,05)
Jawab :
Pada Tabel Chi kuadrat akan dijumpai nilai kritis tersebut λ 2 (20. 0,05) = 31,4 yang
diperoleh dari tabel sebagai berikut :
Db α
...... 0,050 .......
.
.
.
20 31,4
.
.

Untuk niali kritis di ekor kiri, carai nilai kritis dari λ2 (14. 0,90).
Jawab: Pada Tabel Chi Kuadrat akan dijumpai nilai kritis untuk λ 2 (14. 0,90) = 7,79
yang diperoleh dari tabel sebagai berikut :
Db α
...... 0,90 .......
.
.
.
14 7,79
.
.
Catatan :
Apabila db>2 , maka “Nilai Tengah” dari sebaran Chi Kuadrat adalah db. Letak “Nilai
Tengah” sebaran Chi Kuadrat berada pada sebelah kanan “modus’, yaitu nilai dimana
kurva mencapai titik tertinggi. Untuk menggambarkan letak nilai tengah, modus dan db
sebaran Chi Kuadrat lihat gambar berikut
modus
0 db
mean
Contoh :
Sebuah perusahaan pesitsida ingin mengontrlol pembotolan pestisida agar ragam pada
pembotolan itu tidak melebihi 0,0004 liter. Untuk upaya itu diambil 28 botol sebagai
sampel, setelah dicek ternyata ragamnya mencapai 0,0010 liter. Apakah anda dapat

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

(σ2 = 0,0004 liter)
α= 0,05
0 27 λ2(27.0,05)=40,1 λ2
( n−1 ) s 2 ( 28−1 ) (0 ,0010)

4. λ2 = σ2 = 0 ,0004 =67,5
Gambar nilai dan wilayah kritisnya adalah :
67,5
0 27 40,1 λ2
5. Kesimpulan : Karena nilai Chi Kuadrat hitung berada pada wilayah

penolakan,maka diputuskan untuk menolak H0, artinya proses
pembotolan pestisida telah berada diluar kontrol yang ditentukan.
Soal-soal latihan
1. Pemerintah menetapkan bahwa kebutuhan Hidup Minimum (KHM)untuk
masyarakat di indonesia pada tahun 2003 adalah Rp7.2 juta per tahun per orang.
Dari suatu survei di suatu desa pertanian yang mayoritas penduduknya berusahatani
karet diperoleh data pendapatan per orang per tahun untuk 25 sampel sebagai
berikut :
6,5 6,0 8,5 6,8 6,9
8,0 7,5 8,2 6,5 7,5
9,0 6,8 7,0 7,5 7,0
10,0 7,2 7,0 8,5 8,1
berdasarkan data di atas, dapatkah membuat kesimpulan bahwa pendapatan petani
di desa tersebut telah memenuhi KHM yang ditentukan pemerintah? Gunakan α =
0,05
2. Sebuah pabrik yang memproduksi cangkul melakukan riset pemasaran. Dari

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

fakultas Pertanian Unsri di Gelumbang adalah 150C selama periode 50 tahun.
Dengan menggunakan temperatur rata-rata pada 15 hari pertama selama15 bulan,

simpangan baku tahunan dihitung sebesar 10,50C. Apakah variasai temperatur

tahunan pada tahun terakhir telah mengalami penurunan? Gunakan α = 0,10
4. Seorang pengusaha agribisnis penghasil bibit sayuran mencantumkan pada

kemasannya bahwa bibit tersebut akan menghasilkan panenan tinggi dan juga
waktu panen yang bersamaan. Untuk kesamaan waktu panen bibit ini dijamin
memiliki standar deviasi tidak lebih dari 2,3 hari untuk 60 hari umur sayuran.
Apabila seorang petani menanam bibit ini dan diperoleh data waktu panen dari 15
sampel tanaman sebagai berikut :
65 61 63 60 66 62 58 61
64 66 63 62 65 58 63
dapatkah disimpulkan bahwa bibit sayuran tersebut menghasilkan waktu panen
yang sesuai jaminan yang tercantum pada kemasannya pada α = 0,05
III. UJI STATISTIKA PARAMETRIK UNTUK

KASUS DUA POPULASI
Pengertian Contoh Bebas dan Terikat
Uji statistik parametrik kasus dua populasi adalah uji yang digunakan dengan
tujuan untuk membandingkan dua nilai statistik dalam menduga nilai parameter
populasinya. Untuk melakukan uji ini kita perlu menarik contoh dari dua populasi yang
mewakili setiap contoh tersebut. Karakteristik dua populasi ini bisa sama (homogen)
atau dianggap sama atau bahkan berbesa sama sekali dari segi faktor yang
mempengaruhi variabel yang akan diukur dan dibandingkan tersebut. Data variabel
yang sama akan menghasilkan nilai yang berbeda apabila karakteristik populasinya juga
berbeda. Hal ini akan berimplikasi pada kesimpulan yang akan dihasilkan dalam
pengujian hipotesis statistiknya. Oleh karena itu perlu dibedakan asal sampel yang harus

diambil datanya. Apabila dua data yang akan dikumpulkan berasal sampel yang sama,
maka itu dikatakan data berasal dari sampel terikat (dependent samples) atau
berpasangan (paired samples). Demikian juga sebaliknya apabila data yang
dikumpulkan berasal dari populasi yang berbeda, maka kasus ini disebut dengan dua
sampel bebas.
Contoh :
1. Kita tertarik untuk melihat dampak pencabutan subsidi pupuk tahun 2001 terhadap
pendapatan petani padi. Untuk itu kita kumpulkan data dengan mewawancarai 30
petani tadi yang menanam padi sebelum dan sesudah pencabutan subsidi. Petani
tersebut ditanya berapa besar pendapatannya sebelum dan sesudah pencabutan
subsidi. Misalnya data untuk pendapatan sebelum subsidi dicabut ditanyakan
pendapatan tahun 2000, sedangkan untuk setelah subsidi dicabut data pendapatan
tahun 2001. Dalam hal ini contoh-contoh yang diperoleh dikatakan contoh dari dua
populasi yang terikat.
2. Seorang peneliti tertarik untuk mengetahui apakah ada perbedaan pendapatan antara
petani yang menggunakan pupuk Urea prill dengan Urea Tablet. Untuk tujuan ini ia
mewawancarai sebanyak 40 orang petani yang menggunakan pupuk Urea Prill dan
35 orang juga yang menggunakan pupuk Urea Tablet dan dicatat pendapatan
masing-masing selama musim tanaman rendengan. Dalam kasus ini, data yang
diperoleh merupakan data dari dua himpunan contoh yang berasal dari dua populasi
yang bebas.
Penarikan Kesimpulan untuk Dua Nilai tengah Contoh Bebas
Untuk Contoh Ukuran Besar

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

> 30), yang diambil secara acak dari dua populasi besar yang bebas dengan nilai tengah

μ1
x2 dan μ2 dan ragam σ 1 2 dan σ 22 maka distribusi selisih dua nilai tengah contoh
x 1 − x2 memiliki karakteristik sebagai berikut :

1) Kira-kira menyebar normal
μx − x2= μ 1−μ2
2) Memiliki nilai tengah 1
3) Memiliki standar error

σ x −x =
1 2 √( σ 1
2 ¿ n1 ) + ( σ 2 / n2 )2
2
Sehingga uji statistik yang akan dipakai adalah uji Z :
( x1 − x 2 ) −( μ1 − μ2 )
Z=
√ ( )
σ 2
2
( σ 2 / n1 ) +
1 n2
………………………………………… (3.1)
σ
Rumus (3.1) ini dapat digunakan jika σ 1 dan σ 2 diketahui. Namun biasanya 1 2 dan
σ
22 sulit untuk diketahui, oleh karena itu yang digunakan adalah ragam sampel S 12 dan
S22 , sehingga uji statistik yang akan digunakan adalah :
( x 1 − x 2 ) − ( μ 1 − μ2 )
Z=
√( ) ( )
S 2 S 2
1 2
+
n1 n2
………………………………………… (3.2)
Dimana S12 dan S22 adalah ragam contoh untuk masing-masing populasi yang diuji.
Untuk Contoh Ukuran Kecil

(n1 < 30, n2 < 30)
Apabila ukuran contoh yang kita ambil relatif kecil (n 1  30), N2  30 dan
populasi diperkirakan berasal dari suatu populasi yang didistribusi normal, maka
sebelum uji dilaksanakan, hal pertama yang harus dilakukan yaitu menguji ragam

contoh dari kedua populasi tersebut terlebuh dahulu. Uji keragaman ini gunannya untuk
mengetahui apakah kedua ragam asal sampel tersebut sama atau tidak sama, yang dalam
bentuk hipotesis dapat dirumuskan sebagai berikut :
1) 1 2 = 2 2
2) 1 2 ¿ 2 2
Pengujian ini dilakukan menggunakan uji-F dengan hipotesis : Ho : 1 2 = 2 2 dan Ha : 2)

1 2 ¿ 2 2. Bila kesimpulannya terima Ho berarti ragam populasi pertama dapat
dianggap sama dengan ragam populasi kedua (yang selanjutnya disebut KASUS I).
Sebaliknya bila kesimpulan tolak Ho , berarti ragam dari kedua populasi itu kita anggap
berbeda itu kita anggap berbeda (disebut sebagai KASUS II). Pemecahan masalah untuk
kedua kasus ini, adalah dengan menggunakan sebaran t-student, namun rumus keduanya
berbeda
( x1 −x 2 ) −( μ1 −μ2 )
t=
Sp
(√ 1 n )+(1 n )
1 2 ……………………………………. (3.3)
dimana :
Sp=
√ ( n1 −1 ) s 12 + ( n2 −1 ) s 22
n 1 +n2 −2 ……………………………………. (3.4)
Dan db = n1 + n2 – 2
KASUS II :
( x1 −x 2 ) −( μ1 −μ2 )
t=
√( ) ( )
s 2 s 2
1 2
+
n1 n2
……………………………………. (3.5)

dengan derajat bebas dipilih dari nilai terkecil antara : (n 1-1) derajat bebas penyebut
(dbpn) atau (n2-1) derajat bebas pembilang (dbpm).
Penentuan pilihan untuk menggunakan KASUS I atau KASUS II, dalam uji ini
adalah dengan menggunakan uji-F sebagai berikut :
s
12
s
F= 22 , yang dibandingkan dengan F-tabel
Untuk mendapatkan nilai F – tabel, harus dicari terlebih dahulu derajat bebas untuk
pembilang (dbpm) dan penyebut (dppn) pada tabel F. Berikut ini contoh mendapatkan
nilai F-tabel tersebut. Misalkan ukuran sampel pertama (n 1) adalah 10 dan sampel kedua
(n2) adalah 20 dengan tingkat kepercayaan ( α ) 0,05. Maka nilai kritis satu arah untuk
F-tabel adalah : F (9, 10; 0,05) = 2,42. Untuk melihat dalam tabel F seperti berikut ini :
Derajat bebas pembilang

…………………..9…………………….
d .
b .
.
p .
e . 2,24
n .
y .
e 19
b .
u .
t .
Untuk uji dua arah, maka nilai alpha dibagi dua. Daerah kritis untuk uji dua arah seperti
digambarkan berikut ini.

α/2 α /2
F(dbpn, dbpm, 1- α / 2) F(dbpm, dbpn, 1- α /

Catatan :
1. Pada uji F, gunakan ragam sampel yang bernilai relatif lebih besar sebagai
pembilang (pm), yang bernilai kecil sebagai penyebut (pn).
2. Untuk uji F dua arah, apabila nilai ekor kanan wilayah kritis telah didapat, maka
nilai ekor kirinya dapat diperoleh dengan menggunakan rumus :
1
F(dbpn,dbpm,1- α / 2) = ........................................ (3.6)
F(dbpm,dbpn, α / 2)
Contoh :
1. Sebuah penelitian memperoleh data sebagai berikut :
Pupuk N Pendapatan rata-rata Simpangan baku
(Rp juta/Ha) pendapatan (Rp juta/Ha)
Prill 40 2,03 0,6
Tablet 40 2,21 0,6
Ujilah apakah pendapatan petani yang menggunakan pupuk Urea Prill lebih rendah
dibandingkan dengan pupuk Urea Tablet, α = 0,05
Jawab :
Karena kasus ini sampel ukuran besar (n > 30), maka langsung dilakukan uji hipotesis
dua nilai tengah dengan hipotesis sebagai berikut :
H0 : µA = µB (atau µA - µB= 0)
Ha : µA < µB (atau µA - µB < 0)

α = 0,05, Z0,05 = 1.645
( x A −x B )−( μ A −μB )
Z=
√(σ 2A /n A )+(σ 2B / n B )
(2 , 03−2, 21 )−0
Z= =−1 , 34
√(0,6 )2 /40+(0,6 )2 /40
α=0 ,05
– 1,65 – 1,34 0 Z
Kesimpulan :
Terima H0, artinya bahwa pendapatan petani padi yang menggunakan pupuk Urea Prill
memang lebih rendah dibandingkan petani yang menggunakan pupuk Urea Tablet.
2. Dari dua desa dengan jenis tanah yang berbeda, kita peroleh data sebagai berikut :
Perlakuan n Produksi padi Ragam
(x) (s2)
Desa A 30 2,03 33,95
Desa B 30 2,21 24,97
Apakah produksi padi di desa B yang memilki jenis tanah lebih baik mampu
menghasilkan produksi padi yang lebih tinggi ?, gunakan α = 0,10
Jawab :
Kasus ini merupakan kasus data sampel ukuran kecil, maka langkah-langkah
penyelesaiannya adalah :
Langkah I
Menentukan apakah penyelesaian akan menggunakan KASUS I atau KASUS II dengan

menggunakan uji keragaman (uji-F)
Ho : σA2 = σB2 atau σA2 / σB2 = 1
Ha : σA2 ≠ σB2
33,95
F = = 1,387
24,97
F (nB – 1, nA – 1, α / 2 )
F (29,29, 0,05) = 1,85
α / 2 = 0,05
α / 2 = 0,05
0 0,54 1,387
Kesimpulan :
Terima Ho, berarti kita dapat menyatakan bahwa σ A2 = σB2 dan penyelesaian akan
dilakukan dengan kasus I.
Langkah II :
H0 : µA2 = µB2 (atau µA2 - µB2 = 0)
Ha : µA2 < µB2
db = nA + nB - 2 = 58
t (58, 0,10) = 1,28
Sp=
√ 30+30−2
=
58 √
(30−1 )33 , 95+(30−1 )24 ,97 984 , 55+724 , 13
=5 , 43
( X A −X B )−(μ A −μ B ) (2 , 03−2 , 21)−0

t= = =−0 , 128
Sp √(1/ n A )+(1/nB ) 5 , 43 √ 0 , 066

– 1,28 – 0,128 0
Kesimpulan :
Terima Ho, artinya produksi padi untuk Desa A dan Desa B tidak berbeda nyata
3. Bila dari contoh soal nomor satu diatas, kita peroleh data sebagai berikut :
Perlakuan n Produksi padi Ragam
(x) (s2)
Sebelum penyuluhan 30 2,03 33,95
Sesudah penyuluhan 30 2,21 17,87
Apakah produksi padi setelah dilakukan penyuluhan lebih tinggi dibandingkan dengan
sebelum dilakukan penyuluhan ?, gunakan α = 0,10
Jawab:
Karena ukuran sampel 30, maka langkah-langkah pengujian adalah :
Langkah I
Menentukan apakah penyelesaian akan menggunakan KASUS I atau KASUS II.

Ho : σA2 = σB2 atau σA2 / σB2 = 1
Ha : σA2 ≠ σB2
33,95
F = = 1,889
17,97

0 0,54 F (29, 29, 0,05) = 1,85

F = 1,899
Kesimpulan :
Tolak Ho, berarti σA2 ≠ σB2 , dan penyelesaian akan dilakukan dengan KASUS II.
Langkah II :
H0 : µA2 = µB2 (atau µA2 - µB2 = 0)
Ha : µA2 < µB2
α : 0,10
n1 – 1 : 29 dan n2 – 1 = 29, jadi db = 29 db paling kecil
t (29, 0, 10) = 1,31
( X A −X B )−(μ A −μ B ) (2 , 03−2 , 21)−0 −0 ,18
t= = = =−1 , 86
√ A A B B
√
( S 2
/n )+(S 2
/n ) 33 , 95 17 ,87 1 , 3143
+
30 30
– 1,86 – 1,31
Kesimpulan :
Tolak Ho, artinya telah terjadi kenaikan produksi padi setelah penyuluhan berlangsung.
A. Penarikan Kesimpulan untuk Dua Ragam dari Dua Contoh Bebas

Penyelesaian masalah ini dilakukan persis sama dengan penyelesaian untuk

memilih kasus I dan kasus II, pada penarikan kesimpulan untuk dua nilai tengah contoh
bebas berukuran kecil. Pengujian dilakukan dengan uji F seperti yang telah ditunjukkan.
s
12
s
F= 22
Dimana untuk F tabel dihitung sebagai berikut

1
( db pn , db pm, α )
F(dbpm, dbpn, 1- α )= F
Dbpn = n1 -1, dbpm = n2 – 1

Sifat-sifat nilai F :
1. Tidak bernilai negatif, bernilai nol atau positif
2. Sebaran F tidak simetris
3. Sebaran F berbeda-beda sesuai dengan derajat besarnya masing-masing
Bentuk sebaran F kira-kira sebagai berikut :

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

Mendapat kredit 30 6.500 105,4
Tidak mendapat kredit 32 6.500 136,3
Mengingat rata-rata pendapatan petani sama, maka peneliti untuk melihat dampak
bantuan kredit dilihat dari ragam pendapatannya? Ujilah dengan uji dwi arah pada α =
0,05
Jawab :
σ
B2
σ = σ atau =1
B2 B2 α
HB : 1
2
σ
B2
σ = σ atau =1
B2 1 2+ α
HB : 1
2
Untuk uji dwi arah pada α = 0,05 maka :

F (29, 31, 0,025) = 2,07 dan
F (31, 29, 0,975) = ½,07 = 0,48

α α
=0 , 025 =0 , 025
2 2
0 0,48 0,48
Perhitungan :
S
B2 105 , 4
= =0 ,77
S 136 ,3
F* = 12
Dengan demikian nilai F* berada di daerah penerimaan.

Kesimpulan :
Terima Ho, berarti ragam dari pendapatan antara kedua kelompok tani berbeda.

IV. ANALISIS STATISTIKA PARAMETRIK UNTUK KASUS DUA CONTOH

TIDAK BEBAS
A. Analisis untuk Dua Nilai Tengah Contoh Tidak Bebas
Prosedur pengujian yang dilakukan pada bagian ini, sangat berbeda dengan cara-
cara yang telah dikemukakan terdahulu. Pasangan bagian ini data yang diperoleh
umumnya merupakan data yang berpasangan, misalnya :
1.Kemampuan membajak sebelum dan sesudah penyuluhan
2.Produksi pada sebidang sawah, dengan penggunaan pupuk A dan pupuk B pada dua
musim yang berbeda
Kedua data yang berpasangan yang diperoleh dari hasil pengamatan tersebut,
dapat diuji dan ditarik kesimpulan dengan asumsi bahwa faktor-faktor lain dianggap
sama.
Pengujian dapat dilakukan dengan menggunakan sebaran t yang dapat
dirumuskan sebagai berikut :
d−μd
t=
sd
√n
Dimana :
1. db = n-1
2. d = selisih nilai tengah pengamatan rata-rata

∑ ( x 2−x 1) ∑ d
d= =
n n
√
2
n ( ∑ d2 )−( ∑ d )
sd=
3. ( n−1 )
4.
μd = beda nilai tengah
5. n = jumlah pengamatan yang berbeda
Nilai pengamatan d yang diperoleh dari contoh, diasumsikan kira-kira menyebar
normal dengan nilai tengah populasi μd dan simpanan baku σ 2 . Karena simpangan
baku populasi
σ d tidak diketahui, maka nilainya diperkirakan berdasarkan simpangan
baku contoh Sd.

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

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

N 21 22 23 24 25 26 27 28 29 30
Sebelum
penyuluha 27 29 31 40 42 45 32 33 39 30
n X1

Sesudah
penuluhan 30 31 31 39 36 37 37 35 36 36
X2
Dapatkah kita membuat kesimpulan pada tingkat α = 5%, bahwa penyuluhan

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

d2 1 16 64 100 169 225 100 49 16 36
N 21 22 23 24 25 26 27 28 29 30
x1 – x2 3 2 0 -1 -6 -8 5 2 -3 6
d2 9 4 0 1 36 64 25 4 9 36
∑ d=60
∑ d 2=1056
(( ∑ d )2=3600
d̄=
∑ d =60 =2
n 30
√ n ( ∑ d 2 ) −( ∑ d )
2
Sd =
n ( n−1 )
=
√ 30 ( 1056 )−4900
30 ( 29 )
=
26780
870
=5 , 68
√
Atau,
Sd =
Contoh soal :
√ ( ∑ d 2 ) −nd 2
( n−1 )
=
√ 1056−120
29
=5 , 68
Seorang peneliti mempelajari pengaruh penerapan sistem penyuluhan yang baru

terhadap kemampuan membajak petani sebelum dan sesudah penyuluhan. Hasilnya
diperoleh nilai sebagai berikut :
Desa Gunung Agung :
N x1 sebelum penyuluhan x2 sesudah penyuluhan d d2
1 10 11 1 1
2 12 14 2 4
3 22 24 2 4

4 25 24 -1 1
5 27 26 -1 1
6 35 30 -5 25
7 20 22 2 4
8 21 20 -1 1
9 23 23 0 0
10 19 25 6 36
11 27 29 2 4
12 33 30 -3 9
13 39 34 -5 25
14 25 36 11 121
15 17 38 21 441
16 18 39 21 441
17 19 32 13 169
18 20 27 7 49
19 23 27 4 16
20 23 30 7 49
Petan Produktifitas padi bila menggunakan

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

11 6,9 7,0 0,1 0,01

12 6,8 6,1 -0,7 0,49
13 7,0 7,4 0,4 0,16
14 6,1 6,0 -0,1 0,01
15 7,1 7,0 -0,1 0,01
16 6,5 6,8 0,3 0,09
17 8,0 7,5 -0,5 0,25
18 5,7 6,2 0,5 0,25
19 6,5 7,2 0,7 0,49
20 6,9 7,5 0,6 0,36
21 7,0 7,0 0 0
22 5,6 7,1 1,5 2,25
23 6,0 7,0 1 1
24 6,6 6,0 -0,6 0,36
25 5,5 7,4 1,9 3,61
26 6,3 6,5 0,2 0,04
27 8,0 7,2 -0,8 0,64
28 5,4 6,0 0,6 0,36
29 4,8 6,4 1,6 2,56
30 4,9 6,5 1,6 2,56
10,5 17,31
∑ d=10,5
∑ d 2=13 ,71
∑ (d)2=110 ,25
d = 0,35
Sd = √ n ( ∑ d 2 )−( ∑ qd )2
n(n−1)

= √ 519,3−110 ,25
870
= 0,686
Ho : μ A =μ B
Hi : μA > μB
t(0,05 ; 29) = 1,699
d−μd
t = Sd / √ n 1,699
Lakukanlah pada pengujian a = 0,02 , untuk melihat apakah penelitian dari pihak
importer menunjukkan jumlah barang yang rusak lebih besar dari yang diperkirakan
oleh pihak produsen
Jawab :
Pa = Pb atau Pa – Pb = 0 ( tidak berbeda )
pa > Pb atau Pa – Pb > 0 ( claim importer )
pa − pb
Z= √ pq [ ( 1/n 1 )+ (1 /n2 ) ]
300 28
P’a = 500 = 0,06 P’b = 600 = 0,047
Selanjutnya p, diperkirakan sebagai berikut :
30+28
P = 500+600 = 0,053 q = 1 – 0,053 = 0,947
0 , 06−0 ,047
Maka : Z = √( 0 , 053 ) ( 0 , 947 ) ( 1/500+1/600 ) = 0,956

α=0,02
0 0,956 2,05
B.Analisis untuk Dua Proporsi
Uji ini dilakukan bila kita ingin membandingkan proporsi dari contoh. Pendekatan
ini dilakukan dengan menggunakan sebaran Z
P a−P k
Z=
√ pq(1/n1 )+(1/n2 )
Dimana,
1. Probabilitas yang diamati adalah p = x/n
2. q’ = 1 – p’
3. p adalah peluang untuk sukses dalam satu percobaan yang mengikuti peluang
binomial dengan n ulangan populasi bebas. Distribusi contoh ( p 1 – p2)
diperkirakan berdistribusi normal, dengan nilai tengah (p 1 – p2) dan standar error
= √ p1 (q )1
n1
+
p2 q 2
n2
4. Hipotesis nol ditulis : p1 = p2 atau p1 – p2 = 0, bila p tidak diketahui, maka dapat

diinterpolasi sebagai berikut :
x 1+ x 2
p'=
n 1 +n2
Contoh :
Suatu percobaan membuat alat-alat pertanian ditolak olen emporter, karena
peralatan yaang dikapalkan pada periode pengiriman terakhir menunjukkan
jumlah barang yang rusak melebihi jumlah barang yang ditolerir. Untuk
mengecek kembali, dan menyatakan perbandingan dengan hasil pengamatan

para importer, perusahaan pembuat telah mengirimkan seorang peneliti. Hasil

yang diperoleh adalah sebagai berikut :
Pelaksana penelitian Jumlah contoh Jumlah barang

yang rusak
Importir (a) 500 30
Produsen (b) 600 28
Lakukan padaa pengujian α=0,02 , untuk melihat apakah penelitian dari pihak
importir menunjukkan jumlah barang yang rusak lebih besar dari yang
diperkirakan oleh pihak produsen.
Jawab :
10,5 17,31
∑ d=10,5
∑ d 2=13 ,71
∑ (d)2=110 ,25
d = 0,35
Sd = √ n ( ∑ d 2 )−( ∑ qd )2
n(n−1)
= √ 519,3−110 ,25
870
= 0,686
Ho : μ A =μ B
Hi : μA > μB
t(0,05 ; 29) = 1,699

d−μd
t = Sd / √ n 1,699
0,35−0
= 0,686 / √30 = 2,8 2,8
V. STATISTIKA NON PARAMETRIK
Banyak uji statistika yang dapat digunakan dalam rangka penarikan kesimpulan,
misalnya Uji-t, Uji-F, regresi, dan korelasi yang didasarkan atas asumsi parameter
populasi (seperti : μ,σ) diketahui atau dapat diduga dari nilai contoh (sampel) yang ada.
Dengan menggunakan pengetahuan tentang sebaran contohnya, maka dapat disusun
kaidah keputusan uji hipotesis yang akan dilakukan. Metode Statistika seperti ini
disebut dengan statistika PARAMETRIK, sebab dalam hal ini diperlukan identifikasi
parameter dari populasi, penduga, dan sebaran dari contohnya. Pada umumnya ada
beranggapan bahwa contoh kita tersebut tersebar normal atau mendekati sebaran normal
berdasarkan Dalil Limit Pusat.
Jika sebaran contoh atau populasi tidak dapat diduga atau diketahui distribusi
datanya, maka kita tidak dapat melakukan uji parametrik. Oleh karena itu, agar dapat
melakukan uji parametrik, kita harus dapat menduga atau menguji terlebih dahulu
apakah data berasal dari populasi yang sebarannya normal (dengan menggunakan uji-uji
kenormalan) atau tidak.
Pengambilan keputusan melalui uji hipotesis dapat juga dilakukan tanpa
mengetahui kenormalan sebaran, yaitu dengan menggunakan statistika non parametrik.
Pfaffenberger dan Patterson (1981) menyatakan bahwa statistika non parametrik adalah
yang memenuhi paling sedikit satu dari tiga persyaratan sebagai berikut :
1. Data yang ada merupakan data nominal
2. Data yang merupakan data ordinal

3. Data yang ada merupakan data interval atau ratio tetapi sebaran populasinya tidak
diketahui.
Steel dan Torrie (1980), dan Jhonson (1976) menyatakan bahwa dibandingkan
dengan statistik parametrik, statistika non parametrik mempunyai keunggulan yaitu : 1)
dapat digunakan untuk data berbagai sebaran, 2) lebih tepat digunakan bagi data dengan
skala nominal atau ordinal, dan 3) sering (walaupun tidak selalu) lebih cepat dan lebih
mudah digunakan, sebab data dapat tanpa pangkat atau tanda. Walaupun demikian
statistika non parametrik mempunyai kelemahan, yaitu hilangnya informasi dari data
yang ada sehingga memperbesar kesalahan type II (lebih besar kemungkinan menerima
Ho padahal Ho itu salah).
Kenormalan
Untuk melihat apakah data yang ada berasal dari populasi yang menyebar
normal, dapat dilakukan dengan beberapa cara, yaitu uji statistika, Goodness of fit dan
grafis. Uji statistika dapat digunakan antara lain : Uji Liliefors dan D’Agustino.
Goodness of fit dilakukan dengan cara membandingkan data ada dengan data yang
seharusnya jika data berasal dari populasi yang menyebar normal. Cara grafis dilakukan
dengan membandingkan grafik frekuensi komulatif dari data yang ada dengan grafik
frekuensi komulatif seandainya data tersebar secara normal. Untuk membicarakan
beberapa metode itu pada kuliah ini tidak akan dibahas. Namun kepada anda hanya akan
diperkenalkan satu metode yang sering dipergunakan dalam menguji kenormalan suatu
data sebelum dilakukan uji statistika, yaitu uji Liliefors.
Uji Liliefors
Untuk melihat apakah data yang ada menyebar normal atau tidak, pertama-tama
harus dirumuskan dulu hipotesis dalam pengujian ini. Hipotesis yang digunakan
adalah :
1. Sampel berasal dari populasi normal, dan
2. Sampel bukan berasal dari populasi normal
dengan kaidah keputusan :

jika : L ≤ Lα (n) terima Ho

L > Lα (n) tolak Ho
|F( z i ) − S( z i )|
Dimana : L = Maks
= Nilai beda mutlak maksimum diantara F (z i) – S (z i)
untuk i = 1, 2, 3, ... n
( xi − x̄ )
Zi =
S
banyaknya zi ≤ Zmaks
Szi =
n
Contoh 1 :
Hasil pengamatan terhadap pendapatan petani (Rp/minggu) di desa A adalah sabagai
berikut : 1000 1500 1600 1450 1725 1560 1650 1700. Lakukanlah uji hipotesis nol
bahwa data tersebut berasal dari populasi dengan sebaran normal pada taraf uji α = 0,05
dan α = 0,01.
Jawab :
Ho : data menyebar normal
H1 : data tidak menyebar normal
α = 0,05 dan α = 0,01
L0,05 = 0,285
L0,01 = 0,331
Diketahui : x = 1523,125 S = 231,493

Tabel data untuk uji Liliefors
No Xi Zi F(zi) S(zi) |F( z i ) − S( z i )|

1 1000 -2,26 0,0119 0,125 0,1131
2 1500 -0,10 0,4602 0,375 0,0852
3 1600 0,33 0,6293 0,625 0,0043
4 1450 -0,32 0,3745 0,250 0,1245
5 1725 0,87* 0,8078 1,000 0,1922**

6 1560 0,16 0,5636 0,500 0,0636

7 1650 0,55 0,7088 0,750 0,0412
8 1700 0,76 0,7704 0,875 0,1046
Keterangan :
* = Nilai zi maksimum
** = Nilai L
Jika nilai L, pada tabel uji Liliefors yang sebesar 0,1922 dan dibandingkan dengan L
tabel (L0,05(8) = 0,285, maka L < L0,05(8)), ini berarti kita memutuskan untuk menerima Ho,
yang berarti bahwa data pendapatan petani contoh berasal dari populasi dengan sebaran
normal, sehingga uji statistika parametrik dapat kita terapkan.
Contoh 2 :
Dari hasil penagamatan terhadap pendapatan 6 orang petani (Rp/minggu) di desa Banyu
Mas sebagai berikut : 1000, 1200, 1500, 1350, 1650, 1800.
Lakukanlah uji hipotesis nol bahwa data tersebut berasal dari populasi dengan sebaran
normal pada taraf uji α = 0,05 dan α = 0,01
Jawaban :
Ho = Data menyebar normal
Hi = Data tidak menyebar normal
α = 0,05 dan α = 0,01
L0,05(8) = 0,285
L0,01(8) = 0,311
¿
Diketahui : x = 1523,125
s = 231,493
No Xi Zi F(zi) S(zi) |F( z i ) − S( z i )|

1 1000 -2,26 0,0119 0,125 0,1131
2 1200 -1,39 0,0823 0,250 0,1677
3 1500 -0,09 0,4641 0,500 0,0359
4 1350 -0,74 0,2296 0,375 0,1454
5 1650 0,54
0,7054 0,750 0,0446
6 1700 0,76 0,7764 0,875 0,0986

7 1600 0,33 0,6293 0,625 0,0043

8 1800 1,19* 0,8830 1,000 0,1170
Keterangan :
* = Nilai zi maksimum = 1,19
** = Nilai L = 0,1677
Nilai L, pada tabel uji liliefors yang sebesar 0,1677 dan dibandingkan dengan L tabel
(L0,05(8) = 0,285, maka L < L0,05(8)), ini berarti kita memutuskan untuk menerima Ho yang
berarti bahwa data pendapatan petani contoh berasal dari populasi dengan sebaran
normal.


Statistik Bidang Sosek (Bab1-5)

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

Statistik Bidang Sosek (Bab1-5)

Diunggah oleh

Hak Cipta:

Format Tersedia

Diktat Mata Kuliah Statistik Bidang Sosek 1

Jurusan Sosial Ekonomi Pertanian

1. PENGUJIAN HIPOTESIS STATISTIKA

A. Tahap-tahap Pengujian Hipotesis Statistika

Dalam pengujian hipotesis statistika, uji statisitka hipotesisnya disebut dengan

Jurusan Sosial Ekonomi Pertanian

1. Rumuskan hipotesis nol (Ho)

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

Jurusan Sosial Ekonomi Pertanian

Penolakan hipotesis nol atau menerima hipotesis alternatifnya tidak berarti

Jurusan Sosial Ekonomi Pertanian

Hipotesis Nol adalah:

salah) disebut dengan "Beta" atau dilambangkan dengan β .

Jurusan Sosial Ekonomi Pertanian

Jurusan Sosial Ekonomi Pertanian

5. Mcmbuat kcputusan dan inteprestasi hasil

Jurusan Sosial Ekonomi Pertanian

Pada bagian A, telah dibicarakan mengenai tahap-tahap dalam melakukan uji

Jurusan Sosial Ekonomi Pertanian

Jurusan Sosial Ekonomi Pertanian

1. Benar type A 3. Kesalahan type 1

b. α = 0,05 dan β = 0,05

c. α = 0,10 dan β = 0,001 .

Jurusan Sosial Ekonomi Pertanian

3. Rumuskan Hipotesis Nol dan Hipotesis Alternatif dari pernyataan berikut:

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

Jurusan Sosial Ekonomi Pertanian

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

Jurusan Sosial Ekonomi Pertanian

A. Analisis Nilai Tengah Populasi

Jurusan Sosial Ekonomi Pertanian

Lebih sering di jumpai bahwa pada kasus-kasus penelitian dilapangan untuk

Karena sebaran t memiliki sifat bahwa untuk masing-masing ukuransample

Jurusan Sosial Ekonomi Pertanian

Bandingkan nilai kritis dengan t hitung pada diagram berikut :

Jurusan Sosial Ekonomi Pertanian

suatu himpunan percobaan (n), sedangkan p’ didefinisikan sebagai probabilitas dari

3. Mempunyai standar error σp sama dengan √ pq/n

Jurusan Sosial Ekonomi Pertanian

<15% > 15% tidak menggunakan pupuk

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

C. Analisis Ragam Dan Simpangan Baku

Jurusan Sosial Ekonomi Pertanian

Seringkali permasalahan yang muncul menuntut kita untuk membuat

Jurusan Sosial Ekonomi Pertanian

0 λ2 (n-1,α) atau λ2 (db,α) λ2

Jurusan Sosial Ekonomi Pertanian

Jurusan Sosial Ekonomi Pertanian

Masih dalam kontrol luar kontrol

( n−1 ) s 2 ( 28−1 ) (0 ,0010)

Gambar nilai dan wilayah kritisnya adalah :

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

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

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

Jurusan Sosial Ekonomi Pertanian

simpangan baku tahunan dihitung sebesar 10,50C. Apakah variasai temperatur

4. Seorang pengusaha agribisnis penghasil bibit sayuran mencantumkan pada

III. UJI STATISTIKA PARAMETRIK UNTUK

Pengertian Contoh Bebas dan Terikat

Jurusan Sosial Ekonomi Pertanian

Penarikan Kesimpulan untuk Dua Nilai tengah Contoh Bebas

Untuk Contoh Ukuran Besar

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

Jurusan Sosial Ekonomi Pertanian