BAB XI STATISTIKA NON-PARAMETRIK atistik Parametrik dan Non-Parametril Sebagian besar buku-buku pengantar statistik menekankan bahasan tentang statistika deskriptif dan statistika inferensial parametrik. Prosedur statistika parametrik dibuat berdasarkan sejumlah asumsi. Sebagai contoh, kita pada umumnya membuat asumsi bahwa sampel diambil dari populasi normal. Karena itu uji parametrik seperti uji 2, t, x7 dan F dikategorikan statistika teori normal. Di samping normalitas distribusi populasi, asumsi- asumsi yang digunakan dalam mode] matematik uji parametrik ialah: 1. Independensi pemilihan unit sampel dari populasi. 2. Independensi pengamatan unit observasi. 3. Kesamaan varians jika membandingkan dua atau sejumlah sampel. 4. Variabel diukur paling sedikit dalam skala interval. Validitas penggunaan uji statistika parametrik ditentukan oleh pemenuhan asumsi tersebut. Jika kondisi itu tidak dipenuhi, validitas hasil penelitian diragukan. Normalitas distribusi bisa diketahui secara visual dengan menampilkan data dalam bentuk histrogram ataupun menghitung statistik deskriptif, misalnya ukuran tendensi sentral dan derajat kemencengan. Beberapa asumsi bisa diyji, misalnya normalitas distribusi dicek dengan ji kesesuaian chi-kuadrat. Pertanyaan yang kemudian, apakah yang dapat kita lakukan bila (tampaknya) asumsi normalitas tersebut tidak valid? Berapa hasil studi empiris mengungkapkan bahwa kadar penemuan asumsi penelitian-penelitian yang sudah dilakukan bervariasi, mulai dari mendckati sempurna, sedikit menyimpang, sampai sangat menyimpang. Penyimpangan ringan dalam hal tertentu masih dapat diterima, misalnya syarat normalitas pada uji P. ‘Terdapat dua cara dalam mengatasi penyimpangan asumsi teori normal: Pertama, data kita transformasi sehingga distribusi mendekati normal dan varians menjadi lebih stabil. ‘Tergantung pada sifat ketidaknormalan data, transformasi data yang dapat dilakukan ialah: akar kuadrat, logaritmik, kebalikan (reciprocal), dan sinus arkus. Kedua, barangkali kita lebih suka memilih metode statistika yang hanya sedikit membuat dugaan tentang populasi asal sampel. Metode semacam ini dibuat bebas distribusi. Karena tidak bertujuan menduga maupun menguji parameter popvlasi, tetapi cukup membandingkan karakteristik populasi-populasi secara umum, maka metode bebas distribusi juga disebut non- parametrik, Kita akan tinjau kelebihan dan kekurangan metode statistika non-parametrik. Kelebihan kurangan Statistika Non-Parametrik Keuntungan menggunakan prosedur statistika non-parametrik: 1. Jika ukuran sampel kecil, tidak ada pilinan lain yang lebih baik daripada menggunakan metoda statistika non-parametrik, kecuali jika distribusi populasi jelas normal. 2. Memerlukan sedikit asumsi, umumnya metoda non-parametrik lebih relevan pada situasi- situasi tertentu, sehingga Kemungkinan penerapannya lebih luas. Di samping itu, Kemungkinan dipergunakakan secara salah (karena pelanggaran asumsi) lebih kecil daripada metoda parametrik. 3. Metoda non-parametrik dapat digunakan meskipun data diukur dalam skala ordinal maupun peringkat.Bab XI Statistika Non-Porametrik xI-2 4, Metoda non-parametrik dapat digunakan meskipun data diukur dalam skala nominal (katagorikal). Sebaliknya tidak ada teknik parametrik yang dapat diterapkan untuk data semacam itu. _ 5, Beberapa, uji statistika non-parametrik dapat menganalisis perbedaan sejumiah sampel. Beberapa uji statistika parametrik dapat dipakai untuk persoalan serupa, tetapi menuntut pemenuhan sejumlah asumsi yang hampir tidak mungkin diwujudkan. Uji statistika non-parametrik mudah dilakukan meskipun tidak terdapat komputer. Analisa data dapat diselesaikan hanya dengan menggunakan kalkulator tangan. Metoda non- parametrik pantas disebut teknologi tepat guna yang masih dibutuhkan di negara-negara berkembang (dan terbelakang). Pada umumnya para peneliti dengan dasar matematika yang kurang, merasakan bahwa konsep dan metoda non-parametrik mudah dipahami. Kekurangan menggunakan prosedur statistika non-parametrik: . Fleksibilitas terhadap skala pengukuran variabel, kadang-kadang mendorong peneliti memilih metode non-parametrik, meskipun situasinya memungkinkan untuk menggunakan metode parametrik. Didasarkan pada asumsi yang lebih sedikit, metoda non-parametrik secara statistik kurang kuat daripada metode parametrik. Jika asumsi untuk metode parametrik terpenuhi, dengan ukuran sampel yang sama, metoda non-parametrik tidak memiliki kuasa (power) daripada metode parametrik. . Penyederhanaa data (data reduction) dari skala rasio atau interval ke dalam ordinal atau nominal, merupakan pemborosan informasi yang sudah dikumpulkan. Meskipun konsep dan prosedur non-parametrik sedethana, tetapi pekerjaan hitung menghitung bisa membutuhkan banyak waktu jika ukuran sampel yang dianalisis besar. ad 2 xv = 11.3. Skala Pengukuran Terdapat 4 (empat) skala pengukuran, yaitu: . Nominal: kategori yang diberi nama, katagori ini tidak dapat diurutkan ataupun diberi peringkat. Contoh: status perkawinan, ras, daerah tempat tinggal Ordinal: kategori yang dapat diurutkan atau yang diberi peringkat. Contoh: a. Status sosial ekonomi (atas, sedang, rendah). b. Opini dengan skala Likert (setuju, ragu-ragu, tidak setuju). Interval: bila jarak atau perbedaan antar nilai pengamatan satu dan pengamatan lainnya dapat diketahui dengan pasti, namun nilai titik nolnya relatif. Contoh: a. Temperatur (skala celcius) b. Tekanan darah Nilai nol baik untuk temperatur maupun tekanan darah hanya berdasarkan kesepakatan (relatif). Rasio: interval yang mempunyai titik nol absolut. Contoh: tinggi badan, berat badan. x » oBab XI Statistika Non-Parametrik ‘Tingkat Pengukuran Sifat-sifat angka cima | Interval Keunikan Ya Ya Unutan’ Ya Ya Ya Jarak Antara Titik Diketahui Tidak Ya Ya Titik Nol (seimbang) Tidak Tidak Ya 11.4. Teknik-teknik Statistika Non-Parametrik Teknik-teknik statistika non-parametrik yang dapat digunakan adalah sebagai berikut: 1. Kasus Satu Sampel. a. Uji Binomial b. Uji Chi-Kuadrat (Uji Kesesuaian) ©. Uji Kolmogorov-Smirnov 2. Kasus Dua Sampel Berpasangan. a. Uji Me Nemar b. ‘anda . Uji Peringkat-Bertanda Wilcoxon 3. Kasus Dua Sampel Independen. a, Uji Pasti Fisher b. Uji Chi-Kuadrat (Uji Independensi) c. Uji Median 4. Uji U Mann Whitney 4. Kasus K sampel Berpasangan. a. Uji Q-Cochran b. Analisis Varian Ranking Dua Arah Friedman 5. Kasus K Sampel Independen. a. Uji Chi-Kuadrat (Uji Homogenitas) b. UjiMedian ~ Uji Run (Uji Random) Uji Pasti Fisher 2 S Uji Walsh . Uji Randomisasi ° Uji Kolmogorov-Smirnov Uji Run Wald-Walfowitz Uji Reaksi Ekstrem Moses Uji Randomisasi Feme c. Analisis Varian Ranking Satu Arah Kruskal-Wallis 6. Ukuran Korelasi dan Pengujianaya. a. Koefisien Kontigensi b. Koefisien Korelasi Rank Spearman Korelasi Ranking Partial c. Koefisit Kendall d. Koefisien Konkordansi Kendall e. Koefisien PHI Koefisien ¥ Cramer Ratio Odds dan Uji Mantel- Haenszel Koefisien Kappa Cohen e e Materi yang akan diuraikan berikut ini adalah langkah-langkah perhitungan untuk teknik statistika: 1. Uji Kesesuaian Kolmogorov-Smirnov (1 sampel) 2. Uji Random 3. Uji TandaBab XI Statistika Non-Parametrik xr. 4 11.4.1. Uji Kesesuaian Kolmogorov-Smirnov Asumsi: sampel yang tersedia adalah sampel acak sederhana dari sebuah distribusi populasi kontinu. Pengujian dapat dilakukan bila variabel diukur paling sedikit dalam skala orditial. Uji kesesuaian Kolmegorov-Smirnov dapat diterapkan pada: 1, Menguji apakah sampel mengikuti suatu bentuk distribasé populasi teoritis. 2, Menguji apakah dua buah sampel berasal dari dua populasi yang identik, (Pembahasan hanya akan menyangkut point 1). Prinsip dari pengujian ini adalah menghitung selisih absolut antara fungsi distribusi frekuensi kumulatif sammpel [Fs(x)] dan fungsi distribusi frekuensi kumulatif teoritis [F(x)] pada masing-masing interval kelas. Nilai selisih absolut terbesar antara Fs(x) dan Ft(x) yang kita sebut deviasi maksimum D, D = maksimum | Fs(x) - Ft(x) |, kemudian dibandingkan dengan nilai kritis pada tabel distribusi, pada ukuran n sampel dan c tertentu. Hy ditolak bila nilai teramati D maks lebih besar atau sama dengan nilai kritis. Langkah-langkah perhitungan: . Pengujian: uji kesesuaian (bahwa sampel berasal dari distribusi populasi teoritis) 2. Ho : F(x) = F(x) untuk semua x dari -co sampai dengan +0 Hy : F(x) # Ft(x) untuk paling sedikit sebuah x a=...% |. Statistika uji Deas = maksimum | Fs(x)— Ft(x) | Fic): distribusi frekuensi komulatif sampel Fy : distribusi frekuensi komulatif teoretis « Nilai kritis > Daset Kesimpulan: Terima Ho jika Drax < Diss ° = aw Contoh 11.1. Data berat otak dengan sampel 10 pasien dewasa, hasil otopsi (dalam gram) adalah sebagai berikut : 1233, 904, 1039, 973, 1001, 920, 1012, 1086, 1140, 1168. Ujilah dengan a = 5% apakah data berat otak berasal dari populasi yang berdistribusi normal? Jawab: . Pengujian: uji kesesuaian (bahwa populasi asal sampel data berat otak berdistribusi normal). ). Ho : Fe(x) = Ft(x) Hy : FQ) # Fx) a= 5%. |. Statistika uji. = maksimum | Fs(x)— Ft(x) | xv ay Frek Komolatif = op = DAGKI-W AX? -(OXI? n-l ? noBob XI Statistika Non-Parametrik xI- 5 Xi | Feek(fi} | FrekKum | Fs(x) Zi Ft) D 904 1 i 0.100 =133 0.0918 [0.0082 920 1 2 0.200 =118 0.1190 0.081 973 1 3 0.300 0.69 02451_| 0.0549 i001 i 4 0.400 0.43 0.3336 | 0.0664 i612 t 3 0.500 033 03707_[_ 0.1293 1039 : 6 0.600 0.08 0.4681 mB] e 1086 1 7 0.700 0.36 0.6406 |” 0.0594 1140 1 8 0.800 0.86 0.8051 0.0051 1168 i 9 900 1.12 0.8686 | 0.0314 1233 1 10 1.000 172 1 o 10476 i0 x =1047,6 s=107,942 Dmax = 0.1319 5. Nilai kritis n = 10, Dia =599= D kritis (Lihat di tabel) = 0.410, 6. Kesimpulan, Dmax < Da (0.1319 ( 0.410), terima Ho, ini berarti sampel berat otak berasal dari populasi yang berdistribusi normal. Contoh 11.2 Pelemparan sebuah dadu sebanyak 12 kali menghasilkan keluar mata 1,2,3,4,5,6 masing- masing sebanyak 2, 3, 1, 2, 2, 2 kali, Ujilah dengan a =5% apakah pelemparan dadu berdistribusi_ seragam? Jawab: 1. Pengujian: uji kesesuaian (bahwa populasi asal sampel berdistribusi seragam). 2. Ho : Fs(x) = Ft(x) Hy": F(x) # F(x) 3. a=5%, 4, Statistika uji. Mata dadu | Frek (fi) | Frek kum | Fs(x) Ft(x) D 1 2 2 22 wi2 0 2 3 3 S712 42 | _wi2 1 3 1 6 62 {| 6/12 a 4 2 8 8/12 wiz 0 3 2 10 TO/12 To/12 0 6 2 2 PAZ we 0 12 a Dmax = 1/12 $, Nilai kritis n = 12, Dje«syj" D kritis (lihat di tabel) = 0.375. 2 . Kesimpulan. Dmax < Da, terima Ho, ini berarti distribusi data pelemparan dadu berdistribusi seragam.Bab XI Statistika Non-Parametrik xI-6 11.4.2. Uji Random (Uji Runtun) Kita ingin menguji sampel yang diambil dari sebuah populasi adalah random. Teknik yang akan disajikan berdasarkan pada banyaknya RUN yang ditampilkan oleh suatu sampel RUN didefinisikan sebagai suatu urutan lambang-lambang yang sama, yang diikuti serta mengikuti lambang-lambang yang berbeda, atau tidak mengikuti atau diikuti lambang apapun. Contoh : Hea tee te + MAA 66M Ada sebanyak 7 RUN, r~ 7, ny (urmlah bertanda +) = 6, np (jumlah bertanda -) = 8 A. Untuk ukuran sampel (n, dan n2) masing-masing < 20 Langkab-langkah pengujian: 1. Pengujian: ujj random. 2. Ho : data pengamatan bersifat random. Hy : data pengamatan bersifat tidak random |. Tentukan banyaknya run (r ), my, dan nz. Tentukan nilai kritis r dari tabel F (tabel harga-harga kritis r dalam tes run). . Kesimpulan, Terima Ho, jika nilai r observasi terletak diantara nilai-nilai kritis. ‘Tolak Ho, jika r observasi < nilai kritis atau r observasi 2 nilai kritis. Contoh 11.3 Dalam suatu jalur produksi industri, kecacatan barang diperiksa secara berkala. Barisan berikut menyatakan barang yang cacat C, dan yang tidak cacat T, yang dihasilkan oleh jalur tersebut: CCTTTCTTCCTTTTTCCCTTCTITT Gunakan uji runtun dengan taraf keberartian 0,05 untuk menentukan apakah produk cacat terjadi secara acak atau bukan. Jawab: 1, Pengujian: uji random. 2. Ho : produk cacat terjadi secara random Hy : produk cacat terjadi secara tidak random 3. Banyaknya run (1), my, dan nz. yee 1234 5 6 7 8 9 10 r= 10, ny Gumlah bertanda C) = 9, n Gumlah bertanda T)~ 16 4. Nilai kritis r dari tabel F (tabel harga-harga kritis r dalam tes run). Tabel Fy rkritis =7 Fabel Fy r kritis= 18 5. Kesimpulan, Nilai r observasi tertetak diantara nilai- produk cacat terjadi secara acak, ilai kritis (7 < 10 < 18) maka terima Ho, artinya B, Untuk ukuran sampel (ny dan nz) masing-masing > 20 Langkah-langkah pengujian: 1, Pengujian: uji random. 2. Ho : data pengamatan bersifat random Hy : data pengamatan bersifat tidak randomBob XI Statistika Non-Parametrik, xE-7 ‘Tolak Ho > Tolak Ho 2m. (2.ny.ny —ny =) (ay +my)7 (ny +n -D mm =banyaknya sampel salah satu grup a = banyaknya sampel grup lain 6. Kesimpulan, Tolak Ho jika Ziung> Zao atAU Zpinng <~ Zar ‘Terima Ho jika = Zua% < Zaions < Zar Contoh 11.4 Data urutan pria dan wanita yang sedang antri di depan loket: P WP W PPP W WP WP WP WPPPP WP WP W PP WW WP WP WP WP W PP PPPP W P W PP Ujilah dengan cz = 5% (dua sisi) apakah urutan data tersebut random ? Jawab : 1. Pengujian: uji random. 2. Ho: urutan pria dan wanita dalam barisan random Hy : urutan pria dan wanita dalam barisan tidak random 3. 0=5%. Distribusi: Z > Z2; - Tolak Ho + }-> Tolak Ho “1,96 1,96 T . Statistik uji. P W PW PPP WW PW P W P W PPPP W P W P W PP YZ) BDAY (SY )_ (7) 8) (910) (1112) (13) (14)(15)(16)(17)18)(19) www P W PW P W PP W PP W PPPP W P W PP (20) (21)(22)(23}(24)(25)(26)(27) (28)(29) (30) (31) (32) (33) (34) G5).Bob XI Statistika Non-Porametrik xI-8 m= 30(pria) np = 20 (wanita) Rumus Z hitung: 25 .ny.n> @mny nn) — {9.30,20(2.3020~30-20) cp yy, : 2. rn 2) 12.30.20.(2.30.20 - 30. 20) _ 3356 (ny +my)*(ny +9 1) 0+ 20)2(30+ 20-1) 35 - 25 ze = fo oe = 2,980 cy 3,356 6. Kesimpulan. Tolak Ho, bahwa dalam barisan di depan Joket itu urutan pria dan wanita tidak random. 11.4.3, Uji Tanda Metoda uji tanda hanya mendasar pada bagaimana arah perbedaan itu dan tidak memanfaatkan informasi besarnya perbedaan itu sendiri. Prinsip dari uji tanda adalah if, S$ (N\pxgn-x N NI pad= 2 (E)rot* (2)-aeth N = banyaknya pasangan sampel x = banyaknya tanda yang lebih sedikit diantara kelompok tanda positif dan kelompok tanda negatif, P= proporsi terjadinya tanda yang lebih sedikit diantara kelompok tanda positif dan kelompok tanda negatif| Q=proporsi terjadinya tanda yang lebih banyak diantara kelompok tanda positif dan kelompok tanda negatif| Keputusan statistika ditentukan dengan melihat berapa probabilitas komulatif untuk memperoleh tanda sebanyak x atau Kurang, dari n percobaan, bila Ho benar (yaitu p=q p= xfs S()]ON@)" Untuk sampel kecil, probabilitas yang berhubungan dengan terjadinya tanda positif (+) dan tanda negatif (-) didekati dengan distribusi binomial. Prosedur uji tanda: - Pengujian: uji tanda, 2. Ho: P(H {= 2 <]P() Hy :PQ[ # < >]PQ) an ay Kesimpulan: Terima Ho jika P(x) > a.Bob XI Statistika Non-Parametrik xI-9 Hipotesis satu sisi: A. Ho : PCH) = PC) Hy : P(+) > P() tanda (+) > tanda (-)->k (-) B. Ho : PC) = P) Hy, : BG) < P(-) tanda (-) > tanda (+)>k (4) Hipotesis dua sisi: Ho: PCH) = PC) Hy: P+) PG) Catatan > Hy : p(+) > p(), tolak Hp jika probabilitas untuk memperoleh tanda negatif sebanyak k atau kurang, lebih kecil atau sama dengan a. Hy : p(+) < p(), tolak Ho jika probabilitas untuk memperoleh tanda positif sebanyak k atau kurang, lebih kecil atau sama dengan ot. Hy : p+) # p@) tolak Ho jika probabilitas untuk memperoleh tanda positif atau negatif (pilih yang lebih sedikit jumlahnya ) sebanyak k atau Kurang, lebih kecil atau sama dengan a. Contoh 11.5 Data sampel terdiri dari 15 penderita asma menjalani eksperimen untuk mempelajari efek ‘obat baru’ terhadap fungsi paru, Fungsi paru diketahui dengan mengukur volume (dalam liter) eksperisi paksa selama 1 detik. Hasil pengukuran sebelum dan sesudah terapi terlihat dalam tabel. Kita ingin mengetahui apakah pengobatan tersebut efektif untuk meningkatkan fungsi paru dengan alfa 0,05? Subjek | Sebehim | Sesudah i 1.69 1.69 2 2.77 2.22 3 1.00 3.07 4 1.66 3.35 5 2.00 2.00 6 215 3.15 7 231 235 8 1.23 2.00 9 1.34 1.20 10 1.25 241 i 1.22 2.20 12 Lis 2.02 B 2.35 3.22 14 251 4.02 15 1.02 2.35 Catatan: obat tersebut efektif jika volume paru setelah terapi lebih besar.Bab XI Statistika Non-Parametrik XE-10 Jawab: Pengujian: uji tanda (efektifitas pengobatan). 2. Ho : P(+) = P(-), pengobatan dengan cara baru tidak efektif’ Hy: P(+) < P(), pengobatan dengan cara baru efektif 3. a= 5%. 4. Statistik hitung. = Pasangan |1]2|3|4[5|6 9] 10 | 11 | 12 | 13 [ 14 | a5 Tanda [ol+{-[- [0] - +/-'t-{|-[-]- |- 3,X=2, p=0.5,q=05 yi - p-@sxpaiog-Ff estos Gk p= 0,0112 . Kesimpulan, p=0,0112 <= 5%), tolak Ho, berarti pengobatan dengan cara baru efektif. Untuk ukuran sampet besar digunakan pendekatan kurva normal dengan mean distribusi = YAN dan standar deviasi o= AVN. Untuk mendapatkan pendekatan yang baik digunakan koreksi kontinuitas dengan menambah atau mengurangi banyaknya tanda observasi dengan 0,5. 7 REDIAM _OEDAIN 6 tNBab XI Statistika Non-Parametrik xI- Latihan Soal 1. Berikut ini disajikan nilai titik tengah serta frekuensi dari tiap kelas yang terdapat dalam distribusi frekuensi "Berat Barang" Kiriman yang diterima oleh sebuah perusahaan ekspedisi. Median [| 130 [139 148 157 166 175 | 184 Imi Peti 5 1 20 41 is | 7 6 Berdasarkan data tersebut dapatkah anda menarik kesimpulan bahwa distribusi berat barang berdistribusi normal. Gunakan statistika non-parametrik dengan a = 1 %. JAWAB: Uji kesesuaian (bahwa populasi asal sampel berdistribusi nornal). -Ft(x) untuk semua x dari -co sampai dengan +20 's(x)#F1(x) = untuk paling sedikit sebuah x 1%, Uji Statistik. Xi_| f [Frum] Fs) Fe) [ D [130 | 5 | 0.046 |-240| 0.0179 | 0.0284 139 | 11 | 16 | 0.148 |-1.39| 0.0823 | 0.0658 148_| 20 | 36 | 0.333 |-0.67] 0.2514 | 0.0819 757 | 4_|_77_[ 0.713 | 0.05 | 05199 | 0.1937 | <=> 166 | 18 | 95 | 0.880 | 0.76 | 0.764 | 0.1032, 175 [7 | 102 | 0.944 | 18 | 0.9306 | 0.0138 184 [6 | 108 | 1.000 | 2.20 | 0.9861 | 0.0139 x=156417 s=12.565 Dmax = 0.1931 Nilai Kritis n = 108, Djg=19»=D kritis (ihat di tabel) = 1-63 9.157 ay 2 5. vi0s 6. Kesimpulan. Dmax > Da. (0.1931 > 0.157), tolak Ho, ini berarti sampel berat barang tidak berasal dari populasi yang berdistribusi normal. pe PT. Kereta Api Indonesia ingin mengetahui apakah keterlambatan pemberangkatan Kereta Parahyanganterdistribusi secara normal. PT. KAI mempertimbangkan bahwa keterlambatan yang terjadi di stasiun yang dikelolanya (baik di Bandung maupun di Jakarta) mempunyai rata-rata 3 menit dan standar deviasi 1 menit. Data keterlambaiaa pemberangkatan kereta dalam kurun waktu pengamatan adalah sebagai berikut: No. Pengamatan [1 [2 [3 [4 [5 [6 |7|8 [9 |10 ]11|12|13 [14 [15 ]16 fanee 36 [30 [28] 08 [2.7] 42 [1 ]29|33 [a8 [t9|3 | 39] 4728 =| Ujilah hipotesis (dengan statistika non-parametrik) bahwa distribusi keterlambatan pemberangkatan kereta adalah normal dengan rata-rata 3 menit dengan standar deviasi | menit. (Gunakan alfa 5%). 3. Suatu perusahaan cat menyatakan bahwa suatu zat tambahan baru akan memperpendek waktu pengeringan cat akriliknya. Untuk menguji pemystaan ini 10 potong papan dicat Tiap papan dicat setengahnya dengan cat yang biasa sedangkan setengahnya lagi denganBab XI Statistika Non-Porametrik XE 12 cat yang mengandung zat tambahan baru. Waktu pengeringan dalam jam tercatat sebagai berikut: Waktu pengeringan Gam) _| Papan (—Zat bars Biasa 1 6.4 BB ins: 2 5.8 58 3 74 78 4 5.5 5.7 5 6.3 6.0 6 78 8.4 ¥ 8.6 8.8 8 8.2 84 . 70 73 10 4.9 5.8 Gunakan uji tanda dengan alfa tidak lebih dari 5% untuk menguji hipotesis bahwa zat tambahan baru tidaklah lebih baik daripada yang biasa dalam memperpendek waktu pengeringan cat jenis tersebut. 4, Dalam suatu jalur produksi industri, kecacatan barang diperiksa cecara berkala. Barisan berikut menyatakan barang yang cacat C, dan yang tidak cacat T, yang dihasilkan oleh jalur tersebut: CCTTTCTTCCTTTTTCCCTTCTTTTCTCTTTCCCT Gunakan uji runtun dengan taraf keberartian 0,05, untuk menentukan apakah produk cacat terjadi secara acak atau bukan. . Pada proses pembuatan produk “bola sepak” dilakukan pemeriksaan dengan melakukan sampling. Jumlah produk yang dijadikan sampel adalah 4 buah, dan pemeriksaan tersebut dilakukan sebanyak 50 kali. Banyaknya produk yang harus dikerjakan ulang (rework) dalam pemeriksaan pada bulan Januari 2002 adalah sebagai berikut: [+ [enh ji atas_berpola Ujilah dengan menggunakan Statistika Non-Parametr distribusi binomial? Gunakan ¢= 15%. * Sebuah perusahaan sepatu sepak bola yang mempunyai 8 Tintasan, sedang berusaha untuk mengendalikan mutunya dengan mengambil sampel secara acak untuk diuji bagaimana mutu sepatu. yang dihasilkan, Salah satu metoda adalah dengan pelemparan mata uang, dengan kesepakatan bahwa, jika mata uang yang dilemparkan kemudian yang keluar adalah angka maka produk tersebut harus diambil untuk dijadikan sebagai sampel, dengan syarat bahwa koin yang dipergunakan tersebut harus seimbang (peluang munculnya angka atau gambar adalah sama). Untuk tujuan tersebut maka koin yang hendak dipakai harus divji terlebih dahulu keseimbangannya. Asumsi mengatakan bahwa koin seimbang jika sampel yang diambil mengikuti pola distribusi binomial. Ada delapan koin yang akan diuji dan dilantunkan, kemudian kemunculan sisi angkanya dicatat pada tabel sebagai berikut:Bab XI Statistika Non-Porametrik XE-13, Keminoalan 8 F 6 “5 4 3 a 1 0 sist angka buah { buah | buah | buah | buah | buah | buah | buah | buah koin | koin | koin | koin | koin | koin | koin | koin | koin Frekuensi 4 6 23 58 34 | 40 25 20 5 x Dengan taraf signifikansi 15%, ujilah dengan uji Kolmogorov-Smimov apakah pelemparan kedelapan koin tersebut berdistribusi binomial sehingga dapat diasumsikan seimbang? Salah seorang mahasiswa TI sedang melakukan penelitian mengenai lamanya waktu inspeksi/pemeriksaan yang dilakukan di PT. Ukar Sejahtera. Untuk melakukan pengolahan data lanjutan, ia harus mengetahui apakah lamanya waktu pemeriksaan tersebut berdistribusi normal atau tidak. Berikut data 100 sampel waktu pemeriksaan yang dibutuhkan (dalam menit) yang diperolch mahasiswa tersebut sclama 3 bulan terakhir. No| Waktu(menit) | F 1 9 - % 5 2) 97 - 103 | 14 3 { 104 - 110 | 28 4] Ul - U7 | 32 S| Ug - 125 | 17 6} 126 - 131 2 7 {| 132 - 138 | 2 Jumlah 100 Untuk permasalahan di atas, dengan menggunakan Statistika Non-Parametrik ujilah apakah distribusi di atas berdistribusi normal (g= 1%) jika diketahui rata-rata waktu pemeriksaan adalah 110 cm dan standar deviasi 10 cm?