Pengujian Hipotesis Pertemuan Minggu Ke 1 Dan 2

PENGUJIAN HIPOTESIS
Tujuan Instruksional Umum :

1. Mahasiswa mampu memahami apa yang dimaksud dengan Hipotesis atau
dugaan sementara
2. Mahasiswa mampu memahami berbagai pengujian hipotesis
3. Mahasiswa mampu memahami pengujian hipotesis untuk sample besar dan
sample kecil
Tujuan Instruksional Khusus :

1. Mahasiswa mampu untuk membuat hipotesis nol dan hipotesis alternative
baik untuk satu arah maupun untuk dua arah
2. Mahasiswa mampu menghitung pengujian hipotesis untuk satu rata-rata dan
dua rata-rata untuk data dengan sample besar dan kecil
3. Mahasiswa mampu menghitung pengujian hipotesis untuk satu proporsi, dua
proporsi dan lebih dari tiga proporsi untuk data dengan sample besar dan
kecil
Pertemuan minggu ke 1 dan 2.

BAB 1 : PENGUJIAN HIPOTESIS
A. Pendahuluan
Hipotesis pada dasarnya merupakan suatu proposisi atau anggapan yang mungkin benar
dan sering digunakan sebagai dasar pembuatan keputusan atau pemecahan persoalan
untuk dasar penelitian lebih lanjut.
B. Jenis Kesalahan (Type of Error)

Ada dua jenis kesalahan yang bias terjadi di dalam pengujian hipotesis. Kesalahan bisa
terjadi karena kita menolak hipotesis nol padahal hipotesis nol itu benar atau menerima
hipotesis nol padahal hipotesis nol itu salah. Kesalahan yang disebabkan karena kita
menolak hipotesis nol padahal hipotesis nol itu benar disebut kesalahan jenis pertama
atau type 1 error. Sebaliknya kesalahan yang disebabkan karena kita menerima
hipotesis nol padahal hipotesis itu salah disebut kesalahan jenis 2 atau type 2 error.
Situasi
Ho Benar Ho Salah
Keputusan
Terima Ho Keputusan tepat (1 – α) Kesalahan jenis 2 (β)
Tolak Ho Kesalahan jenis 1 (α) Keputusan tepat (1 – β)
C. Perumusan Hipotesis
Hipotesis yang berupa anggapan/pendapat dapat didasarkan atas :
a) Teori
b) Pengalaman
c) Ketajaman berpikir. Orang yang cerdas sering mempunyai pendapat tentang
pemecahan suatu persoalan
Hipotesis dinyatakan dalam Ho dan Ha atau H1 sebagai alternatifnya. Ho selalu

dinyatakan dalam bentuk :
Ho ; d = 0
dan hipotesis alternatif mempunyai bentuk
a) H1 ; d < 0
b) H1 ; d > 0
c) H1 ; d ≠ 0
(a)dan (b) disebut pengujian satu arah (one tail) dan (c) disebut pengujian dua arah (two
tail test).
Gambar pengujian dua arah :
The Standard Normal Distribution

0 .8
0 .7 .475
0 .6
0 .5
0 .4
0 .3
.025 .025
0 .2
0 .1
0 .0
-1.96 1.96 z
Daerah
Daerah tolak Ho penerimaan
Daerah tolak Ho
Ho
Daerah kritis untuk pengujian satu arah

0 .4
0 .3
f(z
0 .2
)
0 .1
0 .0
-5 0 5
z 2.32
6
Daerah Penerimaan Ho Daerah penolakan Ho

Daerah kritis pengujian satu arah
0.4
0.3 0.95
f(z
0.2
)
0.1
0.0
-5 0 5
- z
1.645
Daerah Daerah Penerimaan

Penolakan Ho Ho
D. Pengujian Hipotesis Tentang Rata-rata

1. Pengujian Hipotesis Satu Rata-rata
Urutan yang perlu diperhatikan dalam pengujian hipotesis tentang satu rata- rata
adalah sebagai berikut :
i. Rumuskan hipotesis
H0 : μ = μ0
H1 : μ < μ0 atau μ > µ0 atau μ ≠ µ0
ii. Tentukan nilai α = tingkat nyata (significan level) = probabilitas untuk
melakukan kesalahan jenis I dan cari nilai Zα atau Zα/2 dari Tabel Normal
iii. Hitung Z0 sebagai kriteria pengujian, rumus
X
Z0 0
untuk n ≥30
n
Jika n < 30 maka Z0, Zα atau Zα/2 diganti dengan t0, tα atau tα/2.
Dengan rumus to adalah :
X 0
t0
s
n
Dengan derajat kebebasan n – 1.
iv. Pengujian hipotesis dan pengambilan kesimpulan
1. H0 : μ = μ0 apabila Z0 > Zα, Ho ditolak
H1 : μ > μ0 apabila Z0 ≤ Zα, Ho diterima
2. H0 : μ = μ0 apabila Z0 < - Zα, Ho ditolak
H1 : μ < μ0 apabila Z0 ≥ - Zα, Ho diterima
3. H0 : μ = μ0 apabila Z0 > Zα/2 atau Z0 < -Zα/2, Ho ditolak
H1 : μ ≠ μ0 apabila -Zα/2 ≤ Z0 ≤ Zα/2, Ho diterima
Contoh 1:
Sebuah perusahaan alat olah raga mengembangkan jenis batang pancing sintetik, yang
dikatakan mempunyai kekuatan dengan rata-rata 8 kg dan simpangan baku 0,5 kg.
Ujilah hipotesa yang menyatakan bahwa rata-rata kekuatan batang pancing adalah 8
kg dengan alternative lebih besar dari 8 kg bila suatu sample 50 batang pancing itu
setelah dites memberikan kekuatan rata-rata 8,4 kg. Gunakan α = 5%.
Jawab :
H0 : μ = 8 kg
H1 : μ > 8 kg
α = 5%, Zα = 1,64 dari tabel normal
X 0 (8,4 8) 50
Z0 = 5,6
0,5
n
α = 5%
Z = 1,64 Z0 = 5,6
Oleh karena Z0 > Zα, maka H0 ditolak, yang berarti bahwa rata-rata kekuatan batang
pancing adalah lebih dari 8 kg.
Contoh 2:
Waktu rata-rata yang diperlukan permahasiswa untuk mendaftar ulang pada semester
ganjil di suatu perguruan tinggi adalah 20 menit dengan simpangan baku 5 menit. Suatu
prosedur pendaftaran baru yang menggunakan mesin antrian sedang dicoba. Bila
sample 12 mahasiswa memerlukan waktu pendaftaran rata-rata 8 menit dengan
simpangan baku 3,2 menit dengan system baru tersebut, ujilah hipotesis yang
menyatakan bahwa rata-ratanya sekarang tidak sama dengan 20 menit. Gunakan α =
5%.
Jawab :
n = 12, x = 8 menit, s =3,2 menit, µo = 20 menit

H0 : μ = 20 menit
H1 : μ ≠ 20 menit
X 0 8 20
t0 = 12,9
s 3,2
n 12
α = 0,05 dan derajat kebebasan = n – 1 = 12 – 1 = 11
t α/2(n -1) = t 0,025(11) = 2,2010 dan - t 0,025(11) = - 2,2010
Daerah Kritis :
- 2,2010 2,2010
Kesimpulan :
Karena t0 = - 12,9 < -tα/2 - -2,2010 maka H0 ditolak. Berarti bahwa rata-rata lamanya
pendaftaran studi dengan menggunakan mesin antrian tidak sama dengan 20 menit,
bahkan hanya membutuhkan waktu 8 menit, jadi sebaiknya diberlakukan system
pendaftaran yang baru dengan mesin antrian.
2. Pengujian Hipotesis Dua Rata – rata.
Dalam praktek, seringkali ingin diketahui apakah ada perbedaan yang berarti dari dua
rata-rata populasi. Misalnya
a. Kecepatan dalam mengerjakan suatu pekerjaan antara pekerja pria dan wanita
b. Kekuatan dua jenis besi berani
c. Lamanya menyala bola lampu merek A dan B
Perumusan Hipotesisnya adalah sebagai berikut :
H0 : μ1 – μ2 = 0 atau μ1 = μ2 (Tidak ada perbedaan, atau sama)
(1) Ha : μ1 – μ2 > 0 (ada perbedaan μ1 > μ2 )
(2) Ha : μ1 – μ2 < 0 (ada perbedaan μ1 < μ2 )
(3) Ha : μ1 – μ2 ≠ 0 (μ1 berbeda dengan μ2 )
a). Bila n > 30 (sample besar)

2 2
X1 X2 1 2
Z0 = X1 X 2 = jika
X1 X 2
n1 n2
2 2 2 2
1 dan 2 tidak diketahui dapat diestimasi dengan s1 dan s 2
b). Bila n ≤ 30 (sample kecil)
X1 X2 n1n2 (n1 n2 2)
t0 =
(n1 1) s1
2
(n2 1) s 2
2 n1 n2
t0 mempunyai distribusi t dengan derajat kebebasan sebesar n1 + n2 -2.
Contoh :
Seorang pemilik toko yang menjual 2 macam bola lampu merek A dan B, berpendapat
bahwa tak ada perbedaan rata-rata lamanya menyala bola lampu kedua merek tersebut
dengan alternative ada perbedaan. Untuk menguji pendapatnya dilakukan percobaan
dengan menyalakan 100 buah bola lampu merek A dan 50 buah bola lampu merek B,
sebagai sample acak. Ternyata bola lampu merek A dapat menyala rata-rata selama 952
jam, sedangkan merek B 987 jam, masing-masing dengan simpangan baku sebesar 85
jam dan 92 jam. Dengan menggunakan α = 5%, ujilah pendapat tersebut.
Jawab :
H0 : μ1 – μ2 = 0
Ha : μ1 – μ2 ≠ 0
n1 = 100, X 1 = 952, σ1 = 85
n2 = 50, X 2 = 987, σ2 = 92
n2 = 50, X 2 = 987, σ2 = 92
X1 X2 952 987
Z0 = = 2,25
σ1
2
2
2
852 92 2
n1 n2 100 50
Untuk α = 5%, Z α/2 = 1,96
-Zα/2 = -1,96 Zα/2 = 1,96
Kesimpulan :
Karena Z0 = -2,25 < -Zα/2 = - 1,96 maka H0 ditolak. Berarti rata-rata lamanya menyala
bola lampu dari kedua merek tersebut tidak sama.
3. Pengujian Hipotesis Rata-rata, Variance Tidak Diketahui

a. Uji beda rata-rata sampel besar (n >30). (( 1 2 tidak diketahui)
Digunakan rumus:
(X1 X 2 ) ( 1 2 )
Z
2 2
s1 s 2
n1 n2
s2= Varian sample
Kasus: “Pendapatan sebelum dan sesudah promosi sama??
Anda disuruh untuk menguji pernyataan tersebut, pada = 5 %, kemudian anda
mengamati selama 36 hari sebelum ada promosi, dengan rata-rata penjualan Rp. 13,17
dan standar deviasi Rp. 2,09. Setelah ada promosi: Rata-rata pendapatan Rp 7,55 dan
St.deviasi Rp. 1,09.
Langkah Pengujian hipotesa:

1. Merumuskan hipotesa:
Ho = 1- 2=0
Ha = 1- 2 0
2. Menentukan taraf nyata ( 5%). Nilai kritis Z /2 = Z0,025 =1,96
Lihat tabel luas wilayah kurva normal.
-Zα/2 = -1,96 Zα/2 = 1,96
3. Alat Uji
(X1 X 2 ) ( 1 2 ) = 13,95
Z
2 2
s 1 s2
n1 n2
4. Kriteria
Lihat kurva diatas.
Tolak Ho Tolak Ho
-1,96 1,96
5. Keputusan
Tolak Ho, artinya tidak cukup bukti untuk mendukung pernyataan diatas, yang
mengatakan, bahwa rata-rata pendapatan perusahaan sebelum dan sesudah promosi
sama
b. Uji beda rata-rata sampel kecil (n <30). ( 1 2 tidak diketahui)
Digunakan rumus:
(X1 X 2 ) ( 1 2 )
thit
(n1 1)S12 (n 2 1)S22 1 1
( n1 n 2 ) 2 n1 n2
Ujilah pernyataan: Obat “X” dan obat “Y” memiliki efek yang sama terhadap
penurunan berat badan?
Obat “X”
Ana 5.5
Ani 6.0
Anu 4.0
Ano 4.0
Ane 4.5
Bada 5.0
Badi 5.0
Badu 5.5
Bado 5.5
Bade 5.0 Obat “Y”
DONA 5.0
DONI 5.5
DONU 5.0
DONO 4.0
DONE 3.5
TOGA 3.0
TOGI 3.5
TOGU 4.0
TOGO 4.0
TOGE 3.5
Langkah-langkah pengujian hipothesis

1. Rumuskan Hipothesis:
Ho = 0 : Obat “X” dan “Y” memiliki efek yang sama terhadap penurunan berat
badan.
Ha 0: Obat “X” dan “Y” memiliki efek yang TIDAK sama terhadap
penurunan berat badan.
2. Menentukan Taraf nyata ( ) = 5 %

3. Memilih Statistik Uji yang sesuai
(X1 X 2 ) ( 1 2 )
thit
(n1 1)S12 (n 2 1)S22 1 1
( n1 n 2 ) 2 n1 n2
Mencari T hitung
(5 4,1) (0)
thit 2,714
(10 1)(0,67) 2 (10 1)(0,81) 2 1 1
(10 10) 2 10 10
dimana derajat bebas db= (n1 +n2) - 2 , Sebesar 2,1009

3. Menentukan kriteria keputusan
Tolak Ho
- t /2= - 2,1 t /2= 2,1 t hit= 2,714
5. Keputusan
Tolak Ho, sehingga pernyataan kedua jenis obat tersebut memberi efek penurunan
berat badan yang sama tidak dapat diterima.
4. Pengujian Hipotesis Rata-rata Data Berpasangan

Data berpasangan adalah data yang memiliki dua perlakuan berbeda pada objek atau
sampel yang sama
Misalnya.
Pengaruh Produktivitas sebelum dan sesudah pelatihan bagi Badu. Jadi disini ada dua
perlakuan, pada sampel yang sama. Data seperti ini disebut data tidak bebas atau non-
independent.
Alat Uji Statistik

d
t hit
sd / n
Dengan standar deviasi,
( d )2
d2
Sd n
n 1
Dimana,
t : Nilai distribusi t
: Nilai rata-rata perbedaan antara pengamatan berpasangan
Sd : Standar deviasi dari perbedaan antara pengamatan berpasangan
n : Jumlah pengamatan berpasangan
d : Perbedaan antara data berpasangan
Kasus. Bagaimana dampak Bom di Indonesia terhadap harga saham?

Prsh Harga Sebelum bom Hrg. sesudah Bom
A 9 5
B 5 5
C 7 6
D 6 4
E 8 6
F 7 4
G 4 2
H 4 1
I 3 3
J 7 6
Penyelesaian:
1. Perumusan Hipotesa
Ho : d = 0
Ha : d 0
2.Menentukan taraf nyata 5 %. Nilai t-Student dengan taraf nyata % % uji satu arah
dengan derajat bebas(db) n-1 = 9 adalah 2,262
3. Melakukan Uji statistik
2 (d ) 2
d
Sd n
n 1
Sebelum Sesudah d d2
9 5 -4 16
5 5 0 0
7 6 -1 1
6 4 -2 4
8 6 -2 4
7 4 -3 9
4 2 -2 4
4 1 -3 9
3 3 0 0
7 6 -1 1
2 ( d )2
d 48 ( 18) 2 / 10
Sd n → Sd 1,32
n 1 10 1
d 1,8
t hit t hit 0,432
sd / n → 1,32 / 10
Kriteria Keputusan
Tolak Ho
- 0,432 1,833
Keputusan
Tolak Ho ( d = 0) berati terima Ha ( d 0) Berarti harga saham sebelum dan
sesudah ada bom tidak sama.
5. Pengujian Hipotesis untuk Proporsi

a. Pengujian Hipotesis untuk Satu Proporsi
Dalam praktek, yang harus diuji seringkali berupa pendapat tentang proporsi
(persentase). Misalnya persentase barang yang rusak = 10%, nasabah yang tidak puas
= 25%, penduduk suatu daerah yang buta huruf = 15%, dan lain sebagainya.
Pengujian hipotesis dinyatakan dalam proporsi.
Perumusan hipotesis sebagai berikut :
H0 : p = p0
H1 : p > p0, atau p < p0, atau p ≠ p0
Cara pengujiannya sama dengan pengujian rata-rata.
X
p0
X npO n
Z0 =
np0 (1 p 0 ) p 0 (1 p 0 )
n
Dimana : n = banyaknya elemen sample
X = banyaknya elemen sample dengan karakteristik tertentu
P0 = proporsi hipotesis.
Contoh soal :
Seorang pemborong menyatakan bahwa di 70% rumah-rumah yang baru dibangun di
kota Yogyakarta dipasang suatu alat pendeteksi gempa bumi. Apakah anda setuju
dengan pernyataan tersebut bila diantara 15 rumah baru yang diambil sebagai sample
secara acak ternyata terdapat 8 rumah yang menggunakan alat pendeteksi gempa
bumi tersebut. Gunakan taraf nyata 0,10.
Jawab :
X = rumah yang menggunakan alat pendeteksi gempa bumi = 8
n = 15
H0 : p0 = 0,7
H1 : p0 ≠ 0,7
α = 0,10, maka Zα/2 = Z0,05 = 1,645
X 8
p0 0,7
n 15 0,16
Z0 = 0,13
p0 (1 p 0 ) 0,7(1 0,7) 1,18
n 15
Daerah kritis :
-1, -1,645 -0,13 1,645
Kesimpulan :
Karena Z0 terletak antara –Zα/2 dan Z α/2 maka terima H0, yang berarti bahwa tidak
ada alasan yang kuat untuk meragukan pernyataan pemborong di atas.
b. Pengujian Hipotesis untuk Dua Proporsi

Untuk menguji proporsi dari dua populasi digunakan suatu pengujian hipotesis yang
menggunakan perumusan hipotesis sebagai berikut :
H0 : p1 - p2 = 0 atau p1 = p2 dengan
H1 : p1 - p2 > 0 atau p1 > p2
p1 - p2 < 0 atau p1 < p2
p1 - p2 ≠ 0 atau p1 ≠ p2
Dengan rumus untuk
X1 X2
( )
n1 n2
Z0 =
X1 X2 X1 X2 1 1
( )(1 )( )
n1 n2 n1 n 2 n1 n2
Contoh :
Sebuah pabrik rokok memproduksi dua merek rokok yang berbeda. Ternyata 56 orang
diantara 200 perokok menyukai merek A dan 29 diantara 150 perokok menyukai merk
B. Dapatkah kita menyimpulkan pada taraf nyata 0,06 bahwa merek A terjual lebih
banyak daripada merek B?
Jawab :
x1 56 x 29
p1 = ; p2 = 2
n1 200 n2 150
H0 : p1 – p2 = 0 atau p1 = p2
H1 : p1 – p2 > 0 atau p1 > p2
α = 0,06, Zα = 1,55
X1 X2
( )
n1 n2
Z0 =
X1 X2 X1 X2 1 1
( )(1 )( )
n1 n2 n1 n 2 n1 n2
56 29
( )
200 150 0,086
Z0 = 40,18
56 29 56 29 1 1 0,00214
( )(1 )( )
200 150 200 150 200 150
Daerah kritis
Z = 1,55 Z = 40,18
Kesimpulan :
Karena Z0 = 40,18 > Zα = 1,55 maka tolak H0. Yang berarti proporsi penjualan rokok
merek A lebih banyak daripada penjualan rokok merek B.
ANALISIS VARIANS

1. Mahasiswa mampu memahami apa yang dimaksud dengan Analisis Varians
2. Mahasiswa mampu memahami kegunaan Analisis Varians.
3. Mahasiswa mampu memahami beberapa pengujian di dalam Analisis
Varians

1. Mahasiswa mampu untuk menghitung Analisis Varians
2. Mahasiswa mampu menghitung Analisis Varians satu arah
3. Mahasiswa mampu menghitung pengujian untuk kesamaan beberapa rata-
rata dan varians
Pertemuan minggu ke 3.
Distribusi F (Fisher)
Rasio ragam dari dua populasi yang bersifat bebas, dapat diduga dari rasio varians
sampel. Dan rasio ini akan memiliki bentuk sebaran (distrbusi). Sebaran ini disebut
sebaran F (Fisher), dengan derajat bebas (db1)= n1 -1 dan db2 = (n2-1)
Sebaran F digunakan untuk menguji apakah dua atau lebih sampel berasal dari populasi
yang memiliki varians yang sama?
Pada gambar di atas terlihat bahwa distribusi dengan derajat bebas pembilang 5 dan
penyebut 5 yang ditulis df(5,5) mempunyai distribusi F yang berbeda dengan distribusi
df(20,7) dan df(29,28).
CIRI CIRI DISTRIBUSI F
Distribusi F memiliki beberapa karakteristik, yaitu antara lain:
1. Distribusi F tidak pernah mempunyai nilai negatif sebagaimana pada distribusi Z.
Distribusi Z mempunyai nilai positif di sisi kanan dan negatif sisi kiri nilai
tengahnya. Distribusi F seluruhnya adalah positif atau menjulur ke positif
(positively skewed) dan merupakan distribusi kontinu yang menempati seluruh titik
di kurva distribusinya.
2. Nilai distribusi F mempunyai rentang dari tidak terhingga sampai 0. Apabila nilai F
meningkat, maka distribusi F mendekati sumbu X, namun tidak pernah menyentuh
sumbu X tersebut
Distribusi F juga memerlukan syarat yaitu:
(a) populasi yang diteliti mempunyai distribusi yang normal,
(b) populasi mempunyai standar deviasi yang sama, dan
(c) sampel yang ditarik dari populasi bersifat bebas serta diambil secara acak.
BAB 3: ANALYSIS OF VARIANCES (ANOVA)
A. Pendahuluan
ANOVA pada dasarnya merupakan suatu metode yang menguraikan sumber
keragaman (varian) dari suatu perbedaan rata-rata lebih dari dua populasi. Dengan
mempergunakan metode analisa varians kita kan dapat mengambil suatu kesmpulan
apakah sample tersebut berasal dari populasi yang memiliki nilai rata-rata yang sama
atau tidak. Analisa Varian diperkenalkan oleh RA Fisher pada tahun 1920. oleh karena
itu lebih sering dikenal dengan nama distribusi F atau F-test.
B. Perumusan Hipotesis
(Contoh dengan 3 kelompok sample) :
H0 : 1 2 3
Ha : 1 2 3
C. Konsep Dasar Analisa Varian

a. Varian antar sample (Among sample means)
2
Varian antar sample dinotasikan dengan S a . Varian antar sampel adalah varian
diantara nilai rata-rata sampel 1, sampel 2, sampel 3 dan seterusnya, tergantung dari
jumlah kelompok sampel yang diuji. Dimana :
2
2 x x
Sa
n 1
b. Varian dalam sample (Within sample means)
2
Varian dalam sample dinotasikan dengan S w . Yaitu menghitung rata-rata dari
setiap varian pada setiap kelompok sampel. Dimana :
2 2 2
2 S1 S2 ......... Sn
Sw
n
D. Pengujian Statistik F
Statistik F merupakan rasio dari varians antar sampel sebagai penduga varians populasi
yang pertama dengan varians dalam sampel. Dirumuskan :
2
nS a
F 2
Sw
Sedangkan untuk F tabelnya adalah sebagai berikut :
Df 1 = Derajat kebebasan pembilang (numerator) = (k - 1 )
Df 2 = Derajat kebebasan penybeut (denominator) = (n – k)
Contoh : Analisa Varian dengan Jumlah Sampel Sama

Berikut ini adalah data dari produksi kaset yang mampu dihasilkan oleh 15 karyawan
(dalam unit) dengan metode yang berbeda.
Metode I Metode II Metode III
15 22 18
18 27 24
19 18 16
22 21 22
11 17 15
Hipotesis :
H0 : 1 2 3
Ha : 1 2 3
Terima H0 jika F Hitung < F Tabel

Tolaj H0 jika F hitung > F tabel
F Hitung :
15 22 18
18 27 24
19 18 16
22 21 22
11 17 15
85 105 95
x1 17 x2 21 x3 19
Langkah 1 : Menghitung rata-rata setiap kelompok sampel (lihat hasil pada tabel
diatas)
Langkah 2 : Menghitung varians antar sampel

2
x x x x x x
17 19 -2 4
21 19 2 4
19 19 0 0
8
2 8
Sa 4
(3 1)
Langkah 3 : Menghitung varians dalam sampel
x 17 x2 21 x3 19
x x x x x
2 x x x x x
2 x x x x x
2
15 -2 4 22 1 1 18 -1 1
18 1 1 27 6 36 24 5 25
19 2 4 18 -3 9 16 -3 9
22 5 25 21 0 0 22 3 9
11 -6 36 17 -4 16 15 -4 16
70 62 60
2 70
S1 17.5
5 1
2 62
S2 15.5
5 1
2 60
S3 15
5 1
2 17.5 15.5 15 48
SW 16
3 3
Langkah 4 : Menghitung F hitung

2
nS a 5 4 20
F 2
1,25
Sw 16 16
F Tabel ;
Dengan taraf nyata 5%, derajat kebebasan pembilang = k – 1 = 3 – 1 = 2 dan dengan
derajat kebebasan penyebut = n – k = 15 – 3 = 12 maka nila F tabel = 3,89
Kesimpulan :
Karena nilai F hitung < F tabel atau 1,25 < 3,89 maka terima H0 atau tidak terdapat
perbedaan produktifitas radio yang dihasilkan dengan 3 metode yang berbeda.
Contoh : Analisa Varian dengan Jumlah Sampel Tidak Sama

Berikut ini adalah persentase absensi karyawan yang diambil dari lima perusahaan yang
berbeda, dimana setiap perusahaan diambil jumlah sampel yang berbeda.
Perusahaan Persentasi Absensi Jumlah anggota sampel
A 8 9 10 11 7 9 6
B 7 6 8 7 7 5
C 8 7 9 8 4
D 6 5 7 3
E 11 10 2
Hipotesis :
H0 : 1 2 3 4 5
Ha : 1 2 3 4 5
F Hitung
Langkah 1 : Varians antar sampel
2
x x (***) x x x x
9 8 1 1
7 8 -1 1
8 8 0 0
6 8 -2 4
10.5 8 2.5 6.25
12.25
2 12.25
Sa 3.06
5 1
karena jumlah anggota sampel setiap kelompok berbeda, maka perhitungan x

menjadi :
(9 6) (7 5) (8 4) (6 3) (10.5 2) 160
x 8
6 5 4 3 2 20
Langkah 2 : Menghitung varians dalam sampel
Perusahaan A Perusahaan B Perusahaan C Perusahaan D Perusahaan E
x 9 x 7 x 8 x 6 x 10
n 6 n 5 n 4 n 3 n 2
x x x x x
2 x x x x x
2 x x x x x
2 x x x x x
2 x x x x x
2
8 -1 1 7 0 0 8 0 0 6 0 0 11 1 1
9 0 0 6 -1 1 7 -1 1 5 -1 1 10 0 0
10 1 1 8 1 1 9 1 1 7 1 1
11 2 4 7 0 0 8 0 0
7 -2 4 7 0 0
9 0 0
10 2 2 2 1
Dengan hasil tabel diatas maka :

2 10
S1 2
6 1
2 2
S2 0.5
5 1
2 2
S3 0.67
4 1
2 2
S4 1
3 1
2 0.5
S5 0. 5
2 1
2 2 0.5 0.67 1 0.5 4.67
Sw 0.934
5 5
Langkah 4 : Menghitung F Hitung

2
Sa 3,09
F 2
3.26
Sw 0.934
F Tabel
Dengan taraf nyata 5%, derajat kebebasan pembilang = k – 1 = 5 – 1 = 4 dan dnegan
derajat kebebasan penyebut = n – k = 20 – 5 = 14 maka nilai F tabel = 3.06
Kesimpulan
Karena nilai F hitung > F tabel atau 3.26 > 3.06 maka tolak H0 atau terdapat
perbedaan yang signifikan persentase absensi diantara ke lima perusahaan tersebut.
E. One Way-ANOVA Test

Contoh :
Misalkan ada sejumlah 5 Populasi yang bersifat independent dan memiliki sebaran
normal, rata-rata dan varians. Kita ingin menguji apakah kelima populasi tersebut
memiliki rata-rata yang sama? Kemudian kita ambil sampel dari kelima populasi
tersebut.
Untuk mempermudah pengujian, digunakan tabel ANOVA berikut :

Sumber variasi Jumlah Kuadrat Derajat Bebas Kuadrat tengah F hit
Antar kolom JKK K–1 A A/B

Galat JKG N–k B
Total JKT
Dimana;
JKK = Jumlah kuadrat Kolom
JKG = Jumlah kuadrat Galat
JKT = Jumlah kuadrat Total
K = Jumlah perlakuan atau jumlah
N = n1 + n2 + n3 . Dst
A = JKK/K – 1
B = JKG/N – k
JKK, Jumlah kuadrat antar perlakuan atau antar kelompok sering disebut Sum of square
treatment, adalah pangkat dua dari faktor pembeda.Dicari dengan rumus sbb:
Ti 2 T
JKK
n N
Ti = Total per kelompok
T = T1+T2+T3
N = n1 + n2 + n3
JKG = JKT-JKK
2 { T) 2
JKT X i
N
Kasus:
Dari 5 tablet obat sakit kepala yang berbeda diberikan kepada 25 orang yang sakit
kepala (pusing). Setelah beberapa jam, obat itu dapat mengurangi rasa sakit. Ke-25
orang tersebut dibagi secara acak kedalam 5 kelompok dan masing-masing diberi satu
jenis obat. Berikut data lamanya minum obat tersebut dengan berkurangnya rasa sakit.
Obat
A B C D E
5 9 3 2 7
4 7 5 3 6
8 8 2 4 9
6 6 3 1 4
3 9 7 4 7
∑ 26 39 20 14 33 132
Mean 5,2 7,8 4,0 2,8 6,6 5,28

Dengan menggunakan Anova dan taraf nyata 5 %, Ujilah pendapat yang mengatakan
bahwa rata-rata kelima obat tersebut memberikan efek yang sama. Langkah langkah
pengujian hipotesa adalah sbb:
1. Merumuskan hipotesa:
Ho: 1= 2= 3= 4
Ha: 1 2 3 4
2. Menetukan Alpha, misal 5%
3. Tentukan wilaya kritik: f > f , dengan db1= k-1 dan db2 = k(n-1) = f0,05 (
4:20)=2,87
2 { T) 2
JKT X i
N
{132) 2
JKT 52 42 ..7 2 137
25
{26) 2 (39) 2 ....... 332 1322

JKK 79,440
5 25
Tabel analisanya sebagai berikut:

Sumber Jumlah Derajat Kuadrat F hit
variasi Kuadrat Bebas tengah
Antar kolom 79,440 4 19,860 6,90
Galat 57,6 20 2,880
Total 137 24
Tolak Ho
2,87 6,9
Keputusan:
Tolak Ho, artinya rata-rata lamanya tablet dapat mengurangi rasa sakit, tidak sama untuk
semua orang.
QUIZ
1. Sebuah biro perjalanan di jogja mengadakan penelitian tentang pariwisata di jogja

dan ingin memperkirakan pengeluaran rata-rata para wisatawan asing yang
berkunjung di jogja. Untuk keperluan ini diambil 100 sampel wisatawan asing yang
akan dijadikan responden dalam penelitian ini. Dari hasil penelitian didapat hasil
bahwa rata-rata pengeluaran setiap pengunjung adalah $500 per wisatawan perhari.
Jika didapat bahwa standard deviation adalah sebesar $100, maka dengan interval
keyakinan sebesar 95% buatlah estimasi atau pendugaan rata-rata seluruhpopulasi
pengeluaran wisatawan asing di Jogja per hari!
2. Sebuah random sample dipilih dari 100 pedagang kaki lima di Pasar Mingggu, dari
seluruh pedangan kaki lima di Pasar Minggu. Rata-rata tingkat keuntungan yang
diperoleh adalah 20% dengan deviasi standard 2%. Dengan menggunakan interval
keyakinan sebesar 95%, berapa tingkat keuntungan seluruh populasi pedangan kaki
lima di Pasar Minggu?
3. Suatu penelitian dilakukan oleh sebuah perguruan tinggi swasta terhadap ketepatan
pembayaran SPP dari para mahasiswanya. Dari 100 orang mahasiswa yang diteliti
ternyata 30 orang mahasiswa melakukan pembayaran SPP tidak tepat waktu.
Dengan tingkat interval keyakinan 95%, tentukan pendugaan interval proporsi dari
mahasiswa yang melakukan pembayaran tidak tepat waktu!
4. Penelitian lain dilakukan terhadap sampel 16 orang mahasiswa asing yang

berkunjung ke Jakarta. Menunjukkan pengeluaran 16 mahasiswa tersebut adalah
sebesar $500 seminggu, dengan standard deviasi $100, dan tingkat keyakinan 95%,
berapakah interval pengeluaran rata-rata seluruh populasi mahasiswa asing di
Jakarta perminggunya?
5. Perusahaan farmasi cepat sehat memproduksi 3 jenis obat diet, Diet A; Diet B dan
Diet C. Berikut ini data penurunan berat badan dari masing-masing obat diet.
Dimana sampel pasien dengan obat diet A ada 5 orang, sample Pasien dengan obat
diet B ada 6 orang dan sample pasien obat diet C ada 7 orang. Dari data tersebut
dengan alpha 5%, apakah terdapat perbedaan rata-rata penurunan berat badan
dengan obat diet yang berbeda ?
Diet A Diet B Diet C
7 11 4
8 9 6
7 9 5
9 8 8
9 12 5
11 8
6
6. Berikut ini adalah data produktivitas karyawan dari 3 pabrik yang berbeda. Masing-
masing pabrik diambil 5 sampel karyawan. Ujilah pada alpha 5% apakah terdapat
perbedaan produktivitas karyawan di 3 cabang pabrik yang berbeda?
Pabrik A Pabrik B Pabrik C
19 22 18
18 27 24
19 30 18
22 21 22
16 17 17
7. Seorang manajer produksi yang menghasilkan pompa air ingin membandingkan
efisiensi waktu perakitan pompa A dan POmpa B. untuk pompa A diambil sample
sebanyak 10 buah, didapat rata-rata waktu perakitannya adalah 20 menit dengan
standar deviasi sebesar 3 menit. Sedangkan pompa B diambil sample 15 unit
ternyata membutuhkan rata-rata waktu perakitan 21 menit dengan standar deviasi 2
menit. Dengan menggunakan taraf nyata 5%, apakah terdapat perbedaan rata-rata
waktu perakitan pompa A dengan pompa B?
UJI CHI-SQUARE

4. Mahasiswa mampu memahami apa yang dimaksud dengan Uji Chi Square.
5. Mahasiswa mampu memahami kegunaan Uji Chi Square.
6. Mahasiswa mampu memahami beberapa pengujian di dalam Uji Chi Square.

4. Mahasiswa mampu untuk menghitung Uji Chi Square.
5. Mahasiswa mampu menghitung pengujian hipotesis untuk uji independensi
dan uji kecocokan (Uji Goodness of Fit)
BAB 4: Chi Square Test
A. Pendahuluan
Pengujian dengan menggunakan Chi Square diterapkan pada kasus dimana akan diuji
apakah frekuensi data yang diamati (frekuensi/data observasi) sama atau tidak dengan
frekuensi harapan atau frekuensi secara teoritis
B. Test of Independensi
Uji ini digunakan untuk menentukan apakah ada hubungan antara dua faktor (variabel).
Apabila dua variabel tersebut mempunyai keterkaitan disebut bersifat tidak bebas (Non-
independent). Sebaliknya, jika kedua variabel tersebut TIDAK mempunyai keterkaitan
dikatakan bersifat Independent (tidak saling mempengaruhi)
Alat uji yang digunakan:
2 ( fo fe )2
fe
Dimana :
χ2 : Chi Square
Fo : Frekuensi Observasi
Fe : Frekuensi Ekspektasi
Kasus :
Dari 100 karyawan di PT XYZ, 60 adalah pria dan 40 adalah wanita. Dari 60 orang pria
ternyata 10 menyukai pakaian warna merah muda, 20 menyukai warna putih dan 30
menyukai warna biru. Sedangkan dari 40 orang karyawan wanita, 20 menyukai warnal
merah muda, 10 menyukai warna putih dan 10 menyukai warna biru. Dengan tingkat
kepercayaan 95% apakah terdapat hubungan antara pemilihan warna dengan jenis
kelamin?
JAWAB :
1. Hipotesa
H0 : Pilihan warna pakaian dan jenis kelamin saling independen (tidak ada
hubungan)
Ha : Pilihan warna pakaian dan jenis kelamin tidak saling independen (ada
hubungan)
2 2 2
Terima H0 jika Nilai hitung < Nilai table dan tolak H0 jika Nilai hitung >
2
Nilai tabel.
2
2. Nilai tabel
2
Derajat kebebasan = (r-1)(c-1) = (3-1)(2-1) = 2 dengan taraf nyata 5% maka nilai
tabel = 5.991
2
3. Nilai hitung
2 ( fo fe )2
fe
Frekuensi Observasi (Fo)

Warna pakaian Pria Wanita Jumlah
Merah Muda 10 20 30
Putih 20 10 30
Biru 30 10 40
Jumlah 60 40 100
Frekuensi Ekspektasi (Fe)

Warna pakaian Pria Wanita
Merah Muda 30x60/100 = 18 30x40/100 = 12

Putih 18 12
Biru 24 16
Maka :
2
2 10 18 (20 12) 2 (20 18) 2 (10 12) 2 (30 24) 2 (10 16) 2
18 12 18 12 24 16
2
13.19
4. Kesimpulan :
2 2
Nilai hitung > Nilai tabel atau 13.19 > 5.99 maka tolak H0 atau antara
pemilihan warna pakaian tidak saling independen (ada hubungan)
B. Goodness of Fit
Uji Goddness of Fit bertujuan untuk mengetahui apakah sebuah distribusi data dari
sampel mengikuti sebuah distribusi teoritis tertentu atau tidak..Goodness of Fit akan
membandingkan dua distribusi data, yaitu yang teoritis (frekuensi harapan) dan yang
sesuai kenyataan (frekuensi observasi).
Kasus :
Berikut ini adalah hasil survey terhadap 1000 perokok terhadap 5 merek rokok yang
mereka pilih :
Preferensi Merk rokok Jumlah Konsumen (fo)
A 210
B 310
C 170
D 85
E 225
Jumlah 1000
a. Ujilah apakah preferensi konsumen dalam memilih merek rokok sama pada
alpha 5%!
b. Ujilah apakah yang memilih rokok merek A 20%, merek B 30%, merek C 15%,
merek D 10% dan merek E 25% pada alpha 5%?
JAWAB :
1. Hipotesa
H 0 : PA PB Pc PD PE
a.
H 1 : PA PB PC PD PE
H 0 : PA 0.2; PB 0.3; Pc 0.15; PD 0.1; PE 0.25

b.
H 1 : PA 0.2; Pb 0.3; PC 0.15; PD 0.1; PE 0.25
2 2 2
Terima H0 jika Nilai hitung < Nilai table dan tolak H0 jika Nilai hitung >
2
Nilai tabel.
2
2. Nilai tabel
Derajat kebebasan = k -1 = 5 – 1 = 4 dengan taraf nyata 5% maka nilai 2

tabel =
9.4888
2
3. Nilai hitung
2 ( fo fe )2
fe
2
Untuk nilai hitung a :
Preferensi Jumlah Fe ( fo fe ) ( fo fe )2 fo fe
2
Merk Konsumen Jika

fe
rokok (fo) p1=p2=p3=p
4=p5=0.2
A 210 200 10 100 0.5
B 310 200 110 12100 60.5
C 170 200 -30 900 4.5
D 85 200 -115 13225 66.125
E 225 200 25 625 3.125
134,75
Jumlah 1000 1000
2
Untuk nilai hitung b :
Preferensi Jumlah Fe ( fo fe ) ( fo fe )2 fo fe
2
Merk Konsumen JIka

fe
rokok (fo) P1 = 0.2; P2 = 0.3;
P3 = 0.15; P4 = 0.1
dan P5= 0.25
A 210 200 10 100 0,5
B 310 300 10 100 0,3333
C 170 150 20 400 2,6667
D 85 100 -15 225 2,25
E 225 250 -25 625 2,5
Σ = 8,25
Jumlah 1000 1000
Contoh soal :
1. Sebuah perguruan tinggi swasta yakin bahwa untuk mata kuliah statistika,
persentasi mahasiswa yang akan mendapat nilai A adaslah 10%, nilai B adalah 20%,
nilai C adalah 40%, nilai D 20 % dan yang mendapat nilai E sebesar 10%. Dari
hasil ujian akhir sebanyak 50 mahasiswa didapat hasil sebagai berikut :
Nilai Jumlah mahasiswa

A 10
B 10
C 10
D 14
E 6
Jumlah 50
Dengan melihat hasil tersebut, benarkah pernyataan dosen perguruan tinggi swasta
tersebut pada alpha 5%?
2. Berikut ini dilakukan penelitian untuk mengetahui apakah terdapat hubungan antara
status dengan pengeluaran per bulan. Dari 200 mahasiswa 100 mengaku punya
pacar, dan sisanya jomblo. Dari 100 mahasiswa yang punya pacar , 83 mengaku
pengeluaran besar, 5 pengeluaran sedang dan 12 pengeluaran tetap rendah.
Sedangkan dari mahasiswa yang jomblo, 87 mengaku pengeluaran tinggi, 11
pengeluaran sedang dan 2 pengeluaran rendah. Ujilah pada alpha 10% apakah
terdapat hubungan antara status dengan tingkat pengeluaran mahasiswa?
REGRESI DAN KORELASI

1. Mahasiswa mampu memahami apa yang dimaksud dengan Regresi dan
Korelasi
2. Mahasiswa mampu memahami regresi linier sederhana.
3. Mahasiswa mampu memahami korelasi linier dan parsial
4. Mahasiswa mampu memahami pengujian koefisien regresi.
5. Mahasiswa mampu memahami pengujian koefisien korelasi

1. Mahasiswa mampu untuk membuat persamaan garis regresi dan korelasi
2. Mahasiswa mampu menghitung koefisien regresi linier sederhana
3. Mahasiswa mampu menghitung koefisien korelasi linier sederhana dan
parsial
4. Mahasiswa mampu menghitung pengujian hipotesis untuk uji koefisien
regresi dan korelasi.
Pertemuan minggu ke 5 dan 6.

ANALISIS KORELASI DAN REGRESI SEDERHANA
A. Analisis Korelasi Sederhana

1. Pendahuluan
Pengertian dari analisis korelasi adalah suatu analisis untuk mengetahui kuat tidaknya
hubungan yang terjadi antara variabel bebas [X] dan variabel terikat [Y]. Kuat tidaknya
hubungan kedua variabel yang berbeda ini diukur dengan koefisien korelasi dan diberi
simbol huruf [r], dimana nilainya antara -1 s/d +1 [ -1 < r < +1 ].
Gambar : Koefisien Korelasi

Kuat negatif Kuat Positif
-1 0 +1
Lemah negatif Lemah positif
Netral (r = 0)
Keterangan :
- Jika 0 < r < 0,50 yaitu dari r = 0,50 mendekati r = 0 bahwa r lemah positif berarti
hubungan variabel bebas [X] dan variabel terikat [Y] dapat dikatakan lemah yaitu
pengaruhnya relatif kecil dan mempunyai arah perubahan yang sama atau searah.
Maksudnya bila variabel bebas [X] mengalami perubahan naik maka variabel terikat
[Y] akan berubah naik, dan sebaliknya jika variabel bebas besarnya turun, maka nilai
variabel terikat mengalami penurunan. Di samping itu pengaruh tersebut relatif tidak
terlalu sensitif.
- Jika +0,51 < r < +1 yaitu dari r = +0,51 mendekati r = +1, bahwa r dikatakan kuat
positif berarti hubungan kedua variabel itu relatif sangat sensitif terhadap perubahan
yang terjadi pada variabel bebas. Bila variabel bebas berubah maka variabel terikat
segera berubah pula dimana perubahan tersebut berjalan searah dan hubungan ini
disebut hubungan linear sempurna.
- Jika 0 > r > -0,50 yaitu dari r = -0,50 mendekati r = 0 bahwa dikatakan r lemah
negatif berarti hubungan kedua variabel relatif tidak terlalu sensitif terhadap
perubahan yang terjadi pada variabel bebasnya. Di samping itu perubahan tersebut
berjalan tidak searah atau mempunyai arah yang berlawanan. Bila nilai variabel
bebas dinaikan maka nilai variabel terikat justru mengalami penurunan dan
sebaliknya jika nilai variabel bebas diturunkan, nilai variabel terikat mengalami
kenaikan.
- Jika -0,51 > r > -1 yaitu dari r = -0,51 mendekati atau sama dengan r = -1 dikatakan
hubungan variabel bebas dan variabel terikat kuat negatif yang berarti sangat sensitif
terhadap perubahan yang terjadi pada variabel bebas. Namun perubahan tersebut
saling berlawanan satu sama lain seperti pada 0 > r > -0,50 dan hubungan demikian
dikatakan hubungan linear tidak sempurna.
- Jika r = 0 berarti kedua variabel tidak mempunyai hubungan apapun dan persamaan
fungsi regresi yang terbentuk hanyalah faktor hubungan angka saja.
2. Koefisien Determinasi dan Koefisien Korelasi dalam Regresi Linier Sederhana

Indeks determinasi atau koefisien determinasi digunakan untuk mengukur derajat
hubungan yang terjadi antara variabel bebas [independent variable] dengan variabel
terikat [dependent variable] bila kedua variabel tersebut mempunyai hubungan regresi
linear yaitu Y = f [X].
Koefisien determinasi dilambangkan dengan r kuadrat [r2] yang besarnya 0 < r2 < +1
dalam bentuk persen yaitu 0% < r2 < 100%. Jika r2 = +1 atau r2 = 100%, maka variasi
yang terjadi pada variabel terikat/dependent variable [Y] hasil observasi secara riil
dapat dijelaskan 100% oleh variabel bebas/independent variable [X] dengan regresi
linear Y atas X. Karena titik variasi Y jika digambar grafik akan mendekati titik garis
regresi yang dibuat.
Jika r2 = 0 atau r2 = 0%, variasi variabel terikat Y tidak dapat dijelaskan semua oleh
variabel bebas X dengan regresi linear Y atas X dan titik-titik variasi Y akan menjauhi
garis regresi.
Formulasi koefisien determinasi yaitu :
r= n ΣXY – [ΣX] [ΣY]

√ n ΣX² - [ΣX]² [-n ΣY² [ΣY]]
Contoh :
Data PT.KALI CILIWUNG diketahui :
ΣXY = 8.240 ΣY = 600 ΣX = 63 ΣX² = 913 ΣY² = 76.000
Σ [Y – Y’] 2 = 120,808 Y = 600/5 = 120
Σ [Y – Y’] 2
[100 – 120]2 = 400
[80 – 120]2 = 1.600
[120 – 120]2 = 0
[160 – 120]2 = 1.600
[140 – 120]2 = 400
Jumlah = 4.000
Perhitungan Koefisien Determinasi :

r= n ΣXY – [ΣX] [ΣY] = 5[8.240] – [63] [600]
√ n ΣX² - [ΣX]² [-n ΣY² [ΣY]] √[5[913] – [63]2 ] [5[76.000] – [600]2 ]
r= 3.400 = 3.400 = 0,984

√[596] – [20.000 ] 3.452,5353
Berarti hubungan kedua variabel [X dan Y] adalah kuat positif dan sangat sensitif
terhadap perubahan yang terjadi.
B. Analisis Regresi Linier Sederhana

1. Pendahuluan
Analisis regresi mempunyai pengertian suatu analisis tentang hubungan, yaitu seberapa
jauh hubungan antara variabel bebas (independent variable) dan variabel tidak bebas /
terikat (dependent variable). Analisis regresi juga disebut sebagai suatu analisis statistik
yang memanfaatkan hubungan antara dua variabel atau lebih.
Dimana variabel bebas adalah variabel yang berdiri bebas dan biasanya variabel yang
mudah didapat dan besar kecilnya nilai variabel tersebut tidak dipengaruhi oleh variabel
yang lain atau disebut juga prediktor. Misal : variabel bebas dinyatakan
X1,X2,X3,........,Xn sebagai prediktor yang akan mempengaruhi besar kecilnya variabel
terikat.
Sedangkan variabel terikat adalah variabel yang nilainya dipengaruhi oleh variabel yang
lain dalam hal ini variabel bebas atau diesbut juga variabel Respon yang disimbolkan
dengan huruf Y.
Dalam suatu analisis untuk mengetahui hubungan atau seberapa jauh hubungan antar
variabel dengan menggunakan satu variabel bebas dan satu variabel terikat dinamakan
analisis Regresi Linear Sederhana. Sedangkan jika analisis tersebut menggunakan satu
variabel terikat dan lebih dari satu variabel bebas [X1,X2,X3,........,Xn] dinamakan
analisis Regresi Berganda [Multiple Regression Analisys].
Y = f [X] ……….Y = a + bX
Dimana :
Y = variabel terikat
a = konstanta [nilai tetap] pada saat nilai veriabel bebas [X] = 0
b = koefisien arah garis / gradien / lereng garis
X = variabel bebas
Misal : Y = 10 + 0,5X
Pada saat besar variabel bebas [X] = 0 maka besar variabel terikat Y = 10. Jika nilai X
berubah sebesar satu satuan, berarti nilai Y akan berubah sebesar 0,5 satuan. Jika nilai x
berubah sebesar dua satuan berarti nilai Y akan berubah sebesar satusatuan dan
seterusnya, perubahan tersebut tinggal mengalikan antara koefisien arah garis [b]
dengan variabel bebas [X].
Semakin besar perubahan yang terjadi pada variabel bebas akan semakin besar pula
tingkat perubahan yang terjadi pada variabel terikat Y. Namun perubahan tersebut
ditentukan pula besar kecilnya koefisien arah garis / gradien / lereng garis. Baik
perubahan berupa penurunan atau peningkatan, persamaan fungsional dapat digunakan
untuk memprediksi atau mengestimasi nilai-nilai variabel terikat pada periode yang
akan datang.
Berbeda dengan hubungan fungsional, hubungan statistik merupakan hubungan tidak

sempurna. Observasi atau hasil pengamatan langsung pada objek untuk hubungan
statistik tidak tepat jatuh pada hubungan kurva. Dengan kata lain analisis regresi
digunakan untuk menyatakan dua hal yaitu :
1. Pengaruh variabel bebas terhadap variabel terikat yang fluktuatif yang terbentuk
sistematis.
2. Titik-titik observasi yang berpencar di sekitar kurva.
Y Garis Regresi Y Garis Regresi

. . ..
. . ... ..
. .. . . . . . . . .
. . . . . . .. . . . Dist. Prob
. . .
. ..
X X
2. Bentuk Fungsional Persamaan Regresi

Persamaan regresi kebanyakan sebelumnya tidak diketahui. Dengan menggunakan data
masa lampau atau periode yang lalu dapat ditentukan persamaan regresi. Ini merupakan
suatu pendekatan yang baik dan pendek. Namun cukup memuaskan guna mengestimasi
nilai data masa mendatang.
Untuk keperluan estimasi tersebut ada 2 metode yang dapat dipakai yaitu :
a. Metode tangan bebas
Metode ini kelebihannya dapat dengan mudah menentukan nilai estimasi masa yang
akan datang dengan cara menarik garis bebas dengan perkiraan nilai garis tersebut
mendekati garis data atau titik-titik data sesungguhnya. Tingkat kemiringan garis
yang dibuat sangat mempengaruhi nilai estimasi yang didapat, tergantung si
pembuat / estimator.
Biasanya ketepatan dalam estimasi sangat ditentukan oleh faktor pengalaman

estimator. Dengan kata lain semakin banyak pengalaman, semakin tepat atau
mendekati kebenaran.
Di samping kelebihan, metode ini ada kelemahannya yaitu tidak berdasarkan

perhitungan ilmiah atau rasional. Hanya berdasarkan faktor pengalaman dan
mungkin kebiasaan. Padahal belum tentu benar dan tidak dapat
dipertanggungjawabkan secara ilmiah. Maka unsur subyektifitas estimator sangat
dominan.
Contoh : Titik-titik adalah letak data riil
Y Garis Regresi untuk estimasi
Y1
Nilai estimasi / proyeksi
X
X1
b. Metode kuadrat terkecil sederhana [Method of Ordinary Least Square Simple]
Metode ini mempunyai dasar bahwa jumlah pangkat dua [kuadrat] dari jarak antara
titik-titik dengan garis regresi yang sedang dicari harus sekecil mungkin. Model
persamaan regresi sederhana metode kuadrat terkecil sebagai berikut :
ŷ = a + bX
Jika diketahui sejumlah data, untuk mencari persamaan regresi di atas dengan
menggunakan dua cara yaitu :
1. Dua persamaan normal.
Persamaan I : ΣY = an + b ΣX
Persamaan II : ΣXY = a ΣX + b ΣX2
2. Cara langsung.
a = [ΣX2] [ΣY] – [ΣX] [ΣXY]
n ΣX2 – [ΣX]2
b = n [ΣXY] - [ΣX] [ΣY]

n ΣX2 – [ΣX]2
Nilai estimasi / taksiran / proyeksi untuk Y adalah : ŷ = a + bx
Titik-titik di sekitar garis regresi merupakan letak data yang sesungguhnya. Berarti
dengan garis regresi mempunyai jarak tertentu. Data-data tersebut hanya berada di
sekitar garis regresi atau estimasi yang diharapkan [Expected estimation]. Ada yang
berada di atas garis regresi berarti nilai estimasi lebih kecil daripada data
sesungguhnya / kenyataan. Namun ada juga titik data berada di bawah garis regresi
berarti nilai estimasi lebih besar dari data sesungguhnya.
Contoh :
PT. KALI CILIWUNG menjual motor bekas merk DOCOCKNO. Diketahui lima
tahun berturut-turut tingkat penjualan dan biaya iklan sebagai berikut :
Tahun 1995 1996 1997 1998 1999

Penjualan [juta Rp.] 100 80 120 160 140
Biaya iklan 8 7 12 20 16
Diminta :
b. Buatlah persamaan regresi sederhana!
c. Jika biaya iklan tahun 2000 sebesar Rp. 25.000.000,- berapa proyeksi penjualan
yang diharapkan tahun 2000 ?
d. Gambarlah garis regresi dan titik letak data!
Jawab :
a. Kita dapat menggunakan salah satu cara dari dua alternatif formulasi di atas.
Misal dengan cara pertama. Namun sebelumnya ditentukan terlebih dahulu
variabel terikat dan variabel bebas. Secara rasional penjualan dipengaruhi oleh
iklan atau sebaliknya iklan mempengaruhi penjualan. Dengan demikian
penjualan merupakan variabel terikat [dependent variable/ Y]. Sedangkan biaya
iklan tentu variabel bebas [independent variable/ X].
Tahun Y X X2 XY
1995 100 8 64 800
1996 80 7 49 560
1997 120 12 144 1440
1998 160 20 400 3200
1999 140 16 256 2240
Jumlah 600 63 913 8240
I. ΣY = an + b ΣX II. ΣXY = a ΣX + ΣX2
600 = 5a + 63 b 8240 = 63a + 913b
Untuk mencari a dan b dieliminasi yaitu dinolkan salah satu nilai a atau b.
600 = 5a + 63b [x63] 37.800 = 315ª + 3.969b

8240 = 63a + 913b [x5] 41.200 = 315ª + 4.565b –
-3400 = -596b
b = 5,7
Pergunakan salah satu dari dua persamaan di atas untuk mencari nilai a :
Persamaan I :600 = 5a + 63b b = 5,7
600 = 5a + 63 [5,7]
600 = 5a + 359,1
a = 240,9 = 48,18
5
Jadi persamaan regresi adalah :
ŷ = a + bX
ŷ = 48,18 + 5,7X
b. Diketahui biaya iklan tahun 2000 sebesar Rp. 25.000.000,- maka proyeksi
penjualan yang diharapkan tahun 2000.
ŷ = 48,18 + 5,7X  X = 25 [juta Rp]

ŷ = 48,18 + 5,7[25]
ŷ = 190,68 atau Rp. 190.680.000,-
Jika dicari dengan cara langsung sebagai berikut :
a = [ΣX2] [ΣY] – [ΣX] [ΣXY] = [913[600]] – [63] [8240]

n ΣX2 – [ΣX]2 5[913] – [63]2
= 547.800 – 519.120 = 28.680 = 48,12

4.565 – 3.969 596
[Selisih disebabkan adanya pembulatan bilangan pecahan dalam perkalian]
b = n ΣXY – [ΣX] [ΣY] = 5[8.240] – [63] [600]

n ΣX2 – [ΣX]2 5[913] – [63]2
b = 3.400 = 5,7
596
Hasil dari cara pertama dan kedua sama !
c. Gambar garis regresi dan letak data.

Untuk menggambar garis regresi ditentukan terlebih dulu nilai proyeksi volume
penjualan dari tahun 1995 s/d 1999 dengan persamaan regresi diatas :
Y95 = 48,18 + 5,7[8] = 93,78

Y96 = 48,18 + 5,7[7] = 88,08
Y97 = 48,18 + 5,7[12] = 116,58
Y98 = 48,18 + 5,7[20] = 162,18
Y99 = 48,18 + 5,7[16] = 139,38
REGRESI DAN KORELASI

6. Mahasiswa mampu memahami apa yang dimaksud dengan Regresi dan
Korelasi
7. Mahasiswa mampu memahami regresi linier berganda
8. Mahasiswa mampu memahami korelasi linier berganda dan parsial
9. Mahasiswa mampu memahami pengujian koefisien regresi.
10. Mahasiswa mampu memahami pengujian koefisien korelasi

1. Mahasiswa mampu untuk membuat persamaan garis regresi dan korelasi
2. Mahasiswa mampu menghitung koefisien regresi berganda
3. Mahasiswa mampu menghitung koefisien korelasi linier berganda dan
parsial
4. Mahasiswa mampu menghitung pengujian hipotesis untuk uji koefisien
regresi dan korelasi.
ANALISIS KORELASI DAN REGRESI BERGANDA
A. Analisis Korelasi Berganda

1. Pendahuluan
Pengertian dari analisis korelasi berganda adalah suatu analisis untuk mengetahui
seberapa kuat hubungan yang terjadi antara variabel bebas [X] dan variabel terikat [Y].
Kuat tidaknya hubungan kedua variabel yang berbeda ini diukur dengan koefisien
korelasi dan diberi simbol huruf [R], dimana nilainya antara -1 s/d +1 [ -1 < R < +1 ].
Gambar : Koefisien Korelasi

Kuat negatif Kuat Positif
-1 0 +1
Lemah negatif Lemah positif
Netral (R = 0)
Keterangan :
- Jika 0 < R < 0,50 yaitu dari R = 0,50 mendekati R = 0 bahwa R lemah positif berarti
hubungan variabel bebas [X] dan variabel terikat [Y] dapat dikatakan lemah yaitu
pengaruhnya relatif kecil dan mempunyai arah perubahan yang sama atau searah.
Maksudnya bila variabel bebas [X] mengalami perubahan naik maka variabel terikat
[Y] akan berubah naik, dan sebaliknya jika variabel bebas besarnya turun, maka nilai
variabel terikat mengalami penurunan. Di samping itu pengaruh tersebut relatif tidak
terlalu sensitif.
- Jika +0,51 < R < +1 yaitu dari R = +0,51 mendekati R = +1, bahwa R dikatakan kuat
positif berarti hubungan kedua variabel itu relatif sangat sensitif terhadap perubahan
yang terjadi pada variabel bebas. Bila variabel bebas berubah maka variabel terikat
segera berubah pula dimana perubahan tersebut berjalan searah dan hubungan ini
disebut hubungan linear sempurna.
- Jika 0 > R > -0,50 yaitu dari R = -0,50 mendekati R = 0 bahwa dikatakan R lemah
negatif berarti hubungan kedua variabel relatif tidak terlalu sensitif terhadap
perubahan yang terjadi pada variabel bebasnya. Di samping itu perubahan tersebut
berjalan tidak searah atau mempunyai arah yang berlawanan. Bila nilai variabel
bebas dinaikan maka nilai variabel terikat justru mengalami penurunan dan
sebaliknya jika nilai variabel bebas diturunkan, nilai variabel terikat mengalami
kenaikan.
- Jika -0,51 > R > -1 yaitu dari R = -0,51 mendekati atau sama dengan R = -1 dikatakan
hubungan variabel bebas dan variabel terikat kuat negatif yang berarti sangat sensitif
terhadap perubahan yang terjadi pada variabel bebas. Namun perubahan tersebut
saling berlawanan satu sama lain seperti pada 0 > R > -0,50 dan hubungan demikian
dikatakan hubungan linear tidak sempurna.
- Jika R = 0 berarti kedua variabel tidak mempunyai hubungan apapun dan persamaan
fungsi regresi yang terbentuk hanyalah faktor hubungan angka saja.
2. Koefisien Determinasi dan Koefisien Korelasi dalam Regresi Linier Berganda

Indeks determinasi atau koefisien determinasi digunakan untuk mengukur derajat
hubungan yang terjadi antara variabel bebas [independent variable] dengan variabel
terikat [dependent variable] bila kedua variabel tersebut mempunyai persamaan regresi
linear yaitu Y = a + b1 X1 + b2 X2 + b3X3 + … + bk Xk
Koefisien determinasi dilambangkan dengan R kuadrat [R2] yang besarnya 0 < R2 < +1
dalam bentuk persen yaitu 0% < R2 < 100%. Jika R2 = +1 atau R2 = 100%, maka variasi
yang terjadi pada variabel terikat/dependent variable [Y] hasil observasi secara riil
dapat dijelaskan 100% oleh variabel bebas/independent variable [X] dengan regresi
linear Y atas X. Karena titik variasi Y jika digambar grafik akan mendekati titik garis
regresi yang dibuat.
Jika R2 = 0 atau R2 = 0%, variasi variabel terikat Y tidak dapat dijelaskan semua oleh
variabel bebas X dengan regresi linear Y atas X dan titik-titik variasi Y akan menjauhi
garis regresi.
Formulasi koefisien determinasi yaitu :
(Yˆ Y ) 2 atau 2
n(a. Y b1 . YX 1 b2 YX 2 ) ( Y )2
R 2 R
(Y Y ) 2 n. Y2 ( Y )2
Contoh :
PERMINTAAN DIPENGARUHI HARGA DAN PENDAPATAN
Nomor Permintaan (Y) Harga Pendapatan (Rp
Sampel Minyak ( minyak (X1) (X2)
1 3 8 10
2 4 7 10
3 5 7 8
4 6 7 5
5 6 6 4
6 7 6 3
7 8 6 2
8 9 6 2
9 10 5 1
10 10 5 1
Untuk mendapatkan koefisien regresi, perlu dihitung : Y, X1, X2, X1Y, X12,
X1 X2, X2Y, X22
Y X1 X2 YX1 YX2 X12 X22 X1X2
3 8 10 24 30 64 100 80
4 7 10 28 40 49 100 70
5 7 8 35 40 49 64 56
6 7 5 42 30 49 25 35
6 6 4 36 24 36 16 24
7 6 3 42 21 36 9 18
8 6 2 48 16 36 4 12
9 6 2 54 18 36 4 12
10 5 1 50 10 25 1 5
10 5 1 50 10 25 1 5
X1 = X2 X1Y= X2Y= X12= X22= X1 X2
Y=68 63 =46 409 239 405 324 = 317
Dengan metode eliminasi
68 = 10a + 63b1+ 46b2 …(1)
409 = 63a + 405b1+ 317b2 …(2)
239 = 46a + 317b1+ 324b2 …(3)
Untuk mendapatkan nilai koefisien regresi a, b1, dan b2 dapat dilakukan dengan
Subtitusi antar persamaan
-428,4 = -63a –396,9 b1-289,8b2 …persamaan 1 dikalikan – 6,3
409 = 63a + 405b1 + 317b2 …..…………………. (2)
-19,4 = 0 + 8,1b1 + 27,2b2 ……………………. (4)
312,8 = -46a –289,8 b1 - 211,6b2 Persamaan 1 dikalikan –4,6
239 = 46a + 317b1 + 324b2 ………………………..... (3)
-73,8 = 0 + 27,2b1 + 112,4b2 ………………………. (5)
Dari persamaan diatas, nilai b2 adalah = -8,65/21,06 = -0,41. Setelah menemukan
nilai b2, nilai b1 dapat dicari dengan mempergunakan persamaan 4 atau 5.
-19,4 = 0 + 8,1b1 + 27,2(-0,41) ……… (4)
19,4 = 8,1b1 - 11,18
8,1b1 = -19,4 + 11,18
8,1 b1 = - 8,22
b1 = -8,22/8,1 = -1,015
68 = 10a + 63 (-1,015) + 46(-0,41)……………………….. (1)
68 = 10a - 63,96 – 18,90
10a = 63 + 92,86
a = 150,86/10 = 15,086
Dengan menemukan nilai koefisien regresi a, b1, dan b2 maka persamaan regresinya
dapat dinyatakan sebagai berikut:
Y = 15,086 – 1,015X1 – 0,41 X2
2
10 Y b1 . YX 1 b2 YX 2 ) ( Y )2
R
n. Y2 ( Y )2
10 (15,086)(68) 1,015(409) (0,41)(239) (68) 2

R2
(10)(516) (68) 2
R2 0,939
B. Analisis Regresi Linier Sederhana

1. Pendahuluan
Analisis regresi mempunyai pengertian suatu analisis tentang hubungan, yaitu seberapa
jauh hubungan antara variabel bebas (independent variable) dan variabel tidak bebas /
terikat (dependent variable). Analisis regresi juga disebut sebagai suatu analisis statistik
yang memanfaatkan hubungan antara dua variabel atau lebih.
Dimana variabel bebas adalah variabel yang berdiri bebas dan biasanya variabel yang
mudah didapat dan besar kecilnya nilai variabel tersebut tidak dipengaruhi oleh variabel
yang lain atau disebut juga prediktor. Misal : variabel bebas dinyatakan
X1,X2,X3,........,Xn sebagai prediktor yang akan mempengaruhi besar kecilnya variabel
terikat.
Sedangkan variabel terikat adalah variabel yang nilainya dipengaruhi oleh variabel yang
lain dalam hal ini variabel bebas atau diesbut juga variabel Respon yang disimbolkan
dengan huruf Y.
Dalam suatu analisis untuk mengetahui hubungan atau seberapa jauh hubungan antar
variabel dengan menggunakan satu variabel bebas dan satu variabel terikat dinamakan
analisis Regresi Linear Sederhana. Sedangkan jika analisis tersebut menggunakan satu
variabel terikat dan lebih dari satu variabel bebas [X1,X2,X3,........,Xn] dinamakan
analisis Regresi Berganda [Multiple Regression Analisys].
Y = f [X] ……….Y = a + bX
Dimana :
Y = variabel terikat
a = konstanta [nilai tetap] pada saat nilai veriabel bebas [X] = 0
b = koefisien arah garis / gradien / lereng garis
X = variabel bebas
Misal : Y = 10 + 0,5X
Pada saat besar variabel bebas [X] = 0 maka besar variabel terikat Y = 10. Jika nilai X
berubah sebesar satu satuan, berarti nilai Y akan berubah sebesar 0,5 satuan. Jika nilai x
berubah sebesar dua satuan berarti nilai Y akan berubah sebesar satusatuan dan
seterusnya, perubahan tersebut tinggal mengalikan antara koefisien arah garis [b]
dengan variabel bebas [X].
Semakin besar perubahan yang terjadi pada variabel bebas akan semakin besar pula
tingkat perubahan yang terjadi pada variabel terikat Y. Namun perubahan tersebut
ditentukan pula besar kecilnya koefisien arah garis / gradien / lereng garis. Baik
perubahan berupa penurunan atau peningkatan, persamaan fungsional dapat digunakan
untuk memprediksi atau mengestimasi nilai-nilai variabel terikat pada periode yang
akan datang.
Berbeda dengan hubungan fungsional, hubungan statistik merupakan hubungan tidak
sempurna. Observasi atau hasil pengamatan langsung pada objek untuk hubungan
statistik tidak tepat jatuh pada hubungan kurva. Dengan kata lain analisis regresi
digunakan untuk menyatakan dua hal yaitu :
3. Pengaruh variabel bebas terhadap variabel terikat yang fluktuatif yang terbentuk
sistematis.
4. Titik-titik observasi yang berpencar di sekitar kurva.
Y Garis Regresi Y Garis Regresi

. . ..
. . ... ..
. .. . . . . . . . .
. . . . . . .. . . . Dist. Prob
. . .
. ..
X X
2. Bentuk Fungsional Persamaan Regresi

Persamaan regresi kebanyakan sebelumnya tidak diketahui. Dengan menggunakan data
masa lampau atau periode yang lalu dapat ditentukan persamaan regresi. Ini merupakan
suatu pendekatan yang baik dan pendek. Namun cukup memuaskan guna mengestimasi
nilai data masa mendatang.
Untuk keperluan estimasi tersebut ada 2 metode yang dapat dipakai yaitu :
c. Metode tangan bebas
Metode ini kelebihannya dapat dengan mudah menentukan nilai estimasi masa yang
akan datang dengan cara menarik garis bebas dengan perkiraan nilai garis tersebut
mendekati garis data atau titik-titik data sesungguhnya. Tingkat kemiringan garis
yang dibuat sangat mempengaruhi nilai estimasi yang didapat, tergantung si
pembuat / estimator.
Biasanya ketepatan dalam estimasi sangat ditentukan oleh faktor pengalaman
estimator. Dengan kata lain semakin banyak pengalaman, semakin tepat atau
mendekati kebenaran.
Di samping kelebihan, metode ini ada kelemahannya yaitu tidak berdasarkan

perhitungan ilmiah atau rasional. Hanya berdasarkan faktor pengalaman dan
mungkin kebiasaan. Padahal belum tentu benar dan tidak dapat
dipertanggungjawabkan secara ilmiah. Maka unsur subyektifitas estimator sangat
dominan.
Contoh : Titik-titik adalah letak data riil
Y Garis Regresi untuk estimasi
Y1
Nilai estimasi / proyeksi
X
X1
d. Metode kuadrat terkecil sederhana [Method of Ordinary Least Square Simple]
Metode ini mempunyai dasar bahwa jumlah pangkat dua [kuadrat] dari jarak antara
titik-titik dengan garis regresi yang sedang dicari harus sekecil mungkin. Model
persamaan regresi sederhana metode kuadrat terkecil sebagai berikut :
ŷ = a + bX
Jika diketahui sejumlah data, untuk mencari persamaan regresi di atas dengan
menggunakan dua cara yaitu :
3. Dua persamaan normal.
Persamaan I : ΣY = an + b ΣX
Persamaan II : ΣXY = a ΣX + b ΣX2
4. Cara langsung.
a = [ΣX2] [ΣY] – [ΣX] [ΣXY]
n ΣX2 – [ΣX]2
b = n [ΣXY] - [ΣX] [ΣY]

n ΣX2 – [ΣX]2
Nilai estimasi / taksiran / proyeksi untuk Y adalah : ŷ = a + bx
Titik-titik di sekitar garis regresi merupakan letak data yang sesungguhnya. Berarti
dengan garis regresi mempunyai jarak tertentu. Data-data tersebut hanya berada di
sekitar garis regresi atau estimasi yang diharapkan [Expected estimation]. Ada yang
berada di atas garis regresi berarti nilai estimasi lebih kecil daripada data
sesungguhnya / kenyataan. Namun ada juga titik data berada di bawah garis regresi
berarti nilai estimasi lebih besar dari data sesungguhnya.
Contoh :
PT. KALI CILIWUNG menjual motor bekas merk DOCOCKNO. Diketahui lima
tahun berturut-turut tingkat penjualan dan biaya iklan sebagai berikut :
Tahun 1995 1996 1997 1998 1999

Penjualan [juta Rp.] 100 80 120 160 140
Biaya iklan 8 7 12 20 16
Diminta :
e. Buatlah persamaan regresi sederhana!
f. Jika biaya iklan tahun 2000 sebesar Rp. 25.000.000,- berapa proyeksi penjualan
yang diharapkan tahun 2000 ?
g. Gambarlah garis regresi dan titik letak data!
Jawab :
d. Kita dapat menggunakan salah satu cara dari dua alternatif formulasi di atas.
Misal dengan cara pertama. Namun sebelumnya ditentukan terlebih dahulu
variabel terikat dan variabel bebas. Secara rasional penjualan dipengaruhi oleh
iklan atau sebaliknya iklan mempengaruhi penjualan. Dengan demikian
penjualan merupakan variabel terikat [dependent variable/ Y]. Sedangkan biaya
iklan tentu variabel bebas [independent variable/ X].
Tahun Y X X2 XY
1995 100 8 64 800
1996 80 7 49 560
1997 120 12 144 1440
1998 160 20 400 3200
1999 140 16 256 2240
Jumlah 600 63 913 8240
I. ΣY = an + b ΣX II. ΣXY = a ΣX + ΣX2
600 = 5a + 63 b 8240 = 63a + 913b
Untuk mencari a dan b dieliminasi yaitu dinolkan salah satu nilai a atau b.
600 = 5a + 63b [x63] 37.800 = 315ª + 3.969b

8240 = 63a + 913b [x5] 41.200 = 315ª + 4.565b –
-3400 = -596b
b = 5,7
Pergunakan salah satu dari dua persamaan di atas untuk mencari nilai a :
Persamaan I :600 = 5a + 63b b = 5,7
601 = 5a + 63 [5,7]
601 = 5a + 359,1
a = 240,9 = 48,18
5
Jadi persamaan regresi adalah :
ŷ = a + bX
ŷ = 48,18 + 5,7X
e. Diketahui biaya iklan tahun 2000 sebesar Rp. 25.000.000,- maka proyeksi
penjualan yang diharapkan tahun 2000.
ŷ = 48,18 + 5,7X  X = 25 [juta Rp]

ŷ = 48,18 + 5,7[25]
ŷ = 190,68 atau Rp. 190.680.000,-
Jika dicari dengan cara langsung sebagai berikut :
a = [ΣX2] [ΣY] – [ΣX] [ΣXY] = [913[600]] – [63] [8240]

n ΣX2 – [ΣX]2 5[913] – [63]2
= 547.800 – 519.120 = 28.680 = 48,12

4.565 – 3.969 596
[Selisih disebabkan adanya pembulatan bilangan pecahan dalam perkalian]
b = n ΣXY – [ΣX] [ΣY] = 5[8.240] – [63] [600]

n ΣX2 – [ΣX]2 5[913] – [63]2
b = 3.400 = 5,7
596
Hasil dari cara pertama dan kedua sama !
f. Gambar garis regresi dan letak data.

Untuk menggambar garis regresi ditentukan terlebih dulu nilai proyeksi volume
penjualan dari tahun 1995 s/d 1999 dengan persamaan regresi diatas :
Y95 = 48,18 + 5,7[8] = 93,78

Y96 = 48,18 + 5,7[7] = 88,08
Y97 = 48,18 + 5,7[12] = 116,58
Y98 = 48,18 + 5,7[20] = 162,18
Y99 = 48,18 + 5,7[16] = 139,38
STATISTIKA NON PARAMETRIK I

1. Mahasiswa mampu memahami apa yang dimaksud dengan Statistika
Non Parametrik
2. Mahasiswa mampu memahami kegunaan dari Statistika Non Parametrik
3. Mahasiswa mampu memahami pengujian-pengujian yang dilakukan
didalam Statistika Non Parametrik

1. Mahasiswa mampu untuk menghitung Uji Tanda (Sign Test)
2. Mahasiswa mampu menghitung Uji Mann Whitney
3. Mahasiswa mampu menghitung Uji Wilcoxon (Wilcoxon Rank Test)
4. Mahasiswa mampu menghitung uji Kruskal Wallis
STATISTIKA NON PARAMETRIK I
A. Pendahuluan
* Metode Non Parametrik = statistic bebas distribusi
* Dua asumsi tentang sampel yaitu :
~ Observasi sampel harus independen dan random
~ Variabel harus continue
* Metode ini berguna apabila sifat observasi datanya hanya dapat dinyatakan dalam
urutan (order) atau pangkat (rank) tetapi tidak dapat diukur pada skala kuantitatif.
B. Berbagai Macam Uji Non-Parametrik

1. Pengujian Tanda (the sign test)
Uji Tanda I
• Jika data berbentuk ordinal (peringkat)
• Melihat apakah ada beda sampel yang satu dengan yang lain.
• Pada uji tanda tidak memperhatikan besarnya perbedaan, tetapi hanya tanda
“Positip” atau”negatif” dan apabila tidak ada perbedaan diberikan tanda “Nol”.
Langkah-langkah uji tanda
1. Merumuskan hipotesa
2. Memilih taraf nyata atau
3. Menghitung frekuensi tanda, yaitu yang mempunyai tanda + atau - , sementara
tanda Nol tidak dipergunakan.
4. Menentukan nilai “r” yaitu jumlah objek yang memiliki jumlah paling kecil.
5. Menentukan probablitas hasil sampel yang di observasi, dengan rumus:
P(r ) C rn P r Q n r
6. Kesimpulan: Menerima Ho, apabila taraf nyata ( ) < probablitas hasil sampel dan
menolak Ho apabila taraf nyata ( ) > probablitas hasil sampel
a. Pengujian dengan sample kecil
H0 : P = P0 atau H0 : P = 0,50
H1 : P ≠ P0 atau H1 : P ≠ 0,50
Contoh :
Nomor Jml Produk rusak Jml Produk rusak Tanda
Partai per partai = X1 per partai = X2 X1 – X2
01 138 135 +
02 135 139 -
03 130 140 -
04 180 165 +
05 146 115 +
06 135 136 -
07 148 135 +
08 165 163 +
09 190 193 -
10 110 85 +
11 137 130 +
12 163 150 +
13 160 162 -
14 129 119 +
15 149 150 -
16 206 173 +
17 165 151 +
18 119 125 -
19 167 155 +
20 125 130 -
1. H0 : P = 0,50 ; P > 0,50

2. α = 0,05
3. Stat. Uji : X = Sp = jumlah tanda positif (+)
4. Daerah Kritis :
Dari table binomial kumulatif untuk n = 20, p = 0,5
Nilai yang mendekati α = 0,05 adalah 0,058 untuk X = r = 14
Maka daerah kritis adalah X ≥ 14, tolak H0
5. Hasil Observasi sampel ialah X = Sp = 12
6. Kesimpulan :
Karena 12 < 14 maka H0 : P = 0,50 ; H0 diterima.
Maka tidak cukup alasan guna menolak Hipotesis yang menyatakan bahwa jumlah
produk rusak per partai dari hasil penggunaan mesin M1 dan M2 adalah identik.
b. Pengujian dengan Sampel Besar ( n > 30)

μx = np = 20 . 0,50 = 10
1. H0 : μx = 10 ; H1 : μx ≠ 10
2. α = 0,05
X - np
3. Stat. Uji : Z =
np(1 p)
4. Daerah Kritis :
Z > Zα/2 dan Z < - Zα/2 atau
Z > 1,96 dan Z < - 1,96
5. τx = √ np (1- p)
= √ 20 . 0,5 . 0,5 = 2,23607
Z = 12 -10 = 0,89443
2,23607
Karena 0,89443 < 1,96 maka kita tidak ada alasan guna menolak H0 : μx = 10, Maka
Hal ini berarti jumlah produk rusak per partai dari kedua mesin adalah identik.
Uji Tanda II
a. Uji Tanda satu sample
Contoh Soal : berikut ini adalah hasil penelitian dari jajak pendapat mengenai lokasi
yang diinginkan oleh beberapa pedagang kaki lima
Nomor Pedagang Lokasi Yang dikehendaki Tanda
1 Lokasi baru +
2 Lokasi baru +
3 Lokasi lama 0
4 Lokasi baru +
5 Lokasi lama 0
6 Lokasi lama 0
7 Lokasi baru +
8 Lokasi lama 0
9 Lokasi lama 0
10 Lokasi lama 0
11 Lokasi baru +
12 Lokasi baru +
13 Lokasi lama 0
14 Lokasi lama 0
15 Lokasi lama 0
16 Lokasi baru +
17 Lokasi lama 0
18 Lokasi lama 0
19 Lokasi lama 0
20 Lokasi baru +
Rata-rata :
np
20 0,5
Standar Deviasi :
npq np(1 p)
20 0,5 0,5
2,24
Jumlah tanda + = 8.
H0 : diduga jumlah pedagang yang memilih lokasi baru sama dengan jumlah
pedagang yang memilih lokasi lama
Ha : Diduga jumlah pedang yang memilih lokasi lama tidak sama dengan jumlah
pedangan yang memilih lokasi baru
X
Z
8 10
Z 0.9
2,24
Kesimpulan : Terima H0
b. Uji Tanda dua sample
Contoh : berikut ini adalah hasil tes statistic mahasiswa dengan dua dosen yang
berbeda
Mahasiswa Dosen A Dosen B
1 90 80
2 85 75
3 70 67
4 80 85
5 60 67
6 55 50
7 72 75
8 67 70
9 56 50
10 78 74
11 82 80
12 66 63
13 65 60
14 89 90
15 75 80
16 84 87
17 77 75
18 50 56
19 88 90
20 97 87
Mahasiswa Dosen A Dosen B Perbedaan
1 90 80 -
2 85 75 -
3 70 67 -
4 80 85 +
5 60 67 +
6 55 50 -
7 72 75 +
8 67 70 +
9 56 50 -
10 78 74 -
11 82 80 -
12 66 63 -
13 65 60 -
14 89 90 +
15 75 80 +
16 84 87 +
17 77 75 -
18 50 56 +
19 88 90 +
20 97 87 -
H0 : Tidak ada perbedaan nilai antara mahasiswa yang diajar dosen A

dengan mahasiswa yang diajar dosen B
Ha : Tidak ada perbedaan nilai antara mahasiswa yang diajar dosen A
dengan mahasiswa yang diajar dosen B
2. Pengujian Pangkat Bertanda ( Wilcoxon’s signed rank test)
1. Uji Tanda Wilcoxon hanya melihat perbedaan dan arah tanpa melihat besarnya
perbedaan.
2. Berikut adalah langkah-langkah dalam Wilcoxon Signed-rank test
Langkah – Langkah :
1. Merumuskan hipotesa
2. Menentukan nilai kritis. Nilai kritis diperoleh dengan mempergunakan tabel uji
peringkat bertanda Wilcoxon. Dan sebelumnya memilih taraf nyata (merupakan
tingkat toleransi terhadap kesalahan kita terhadap sampel = ).
3. Menentukan nilai statistik Wilcoxon, dengan cara :
– Membuat perbedaan data berpasangan tanpa memperhatikan tanda.
– Memberikan ranking, tanpa memperhatikan tanda
– Memisahkan nilai ranking yang positif dan negatif.
– Menjumlahkan nilai rangking yang positif dan negatif. Nilai terkecil
merupakan nilai statistik Wilcoxon.
4. Menentukan keputusan. Jika nilai statistik Wilcoxon < nilai kristis, maka Tolak Ho
dan terima H1, begitu sebaliknya.
a. Pengujian dengan Sampel Kecil
Contoh :
Nomor Jml. Produk rusak dari M1 & M2 Pangkat Bertanda = τ
Pas X1 X2 X1 – X2 Pangkat Negatif Positif
01 138 135 +3 5,5 +5,5
02 135 139 -4 7 -7
03 130 140 -10 11,5 -11,5
04 180 165 +15 17 +17
05 146 115 +31 19 +19
06 135 136 -1 1,5 -1,5
07 148 135 +13 14,5 +14,5
08 165 163 +2 3,5 +3,5
09 190 193 -3 5,5 -5,5
10 110 85 +2,5 18 +18
11 137 130 +7 10 +10
12 163 150 +13 14,5 +14,5
13 160 162 -2 3,5 -3,5
14 129 119 +10 11,5 +11,5
15 149 150 -1 1,5 -1,5
16 206 173 +33 20 +20
17 165 151 +14 16 +16
18 119 125 -6 9 -9
19 167 155 +12 13 +13
20 125 130 -5 8 -8
-47,5 +162,5
Uji Hipotesa :
1. H0 : Jml produk rusak per partai M1 = Jml Produk rusak per partai M2
H1 : Jml produk rusak per partai M1 ≠ Jml Produk rusak per partai M2
2. α = 0,05
3. Stat. Uji τ : hasil penjumlahan yang terkecil dari nilai –nilai pangkat bertanda
yang sama.
Untuk contoh soal : τ = 47,5
4. Daerah Kritis :
Untuk n = 20, α = 0,05 ; pada tabel XIII, secara dua arah sehingga nilai kritisnya
adalah 52.
Maka daerah Kritis : τhit ≤ 52, H0 ditolak.
5. Hasil Observasi Sampel :
τ = 47,5 , karena τhit < 52 maka H0 ditolak
6. Kesimpulan : Jml produk rusak per partai dari M1 ≠ Jml Produk rusak per partai
dari M2
b. Pengujian dengan Sampel Besar

Jika pasangan n ternyata sama = atau lebih besar daripada 8 maka distr. Var. Random
τ akan kurang lebih normal dengan rata-rata :
E (τ ) = n (n+1)
4
∂ (τ ) = √ n (n+1) (2n+1)
24
Stat.Uji : Z = τ – E (τ )
∂ (τ )
Contoh :
1. H0 : Jml produk rusak per partai M1 = Jml Produk rusak per partai M2
2. H1 : Jml produk rusak per partai M1 ≠ Jml Produk rusak per partai M2
3. α = 0,05
4. Stat. Uji : Z = τ – E (τ )
∂ (τ )
5. Daerah Kritis :
Z > Zα/2 dan Z < - Zα/2 atau
Z > 1,96 dan Z < - 1,96
6. E (τ ) = 20 (20 +1) = 105
4
∂ (τ ) = √{20(20+1)} {2 (20+1)}
24
= 26,7862
Z = 47,5 – 105 = -2,33329
26,7862
Karena – 2,33329 > -1,96 maka kita seharusnya menolak hipotesis yang menyatakan
bahwa Jml produk rusak per partai dri M1 sama dengan Jml Produk rusak per partai
dari M2 .
3. Pengujian Mann-Withney U
Untuk menguji hipotesis nol yang menyatakan bahwa tidak ada perbedaan yang
sesungguhnya antara kedua kelompok data dan dimana data tersebut diambil dari dua
sampel yang tidak saling terkait.
Prosedur pengujian Mann – Whitney
1. Menyatakan hipotesis dan α
2. Menyusun peringkat data tanpa memperhatikan kategori sample
3. Menjumlahkan peringkat menurut tiap kategori sample dan menghitung statistik U.
n 1 (n1 1)
Stat. U n 1n 2 R1
2
n 2 (n 2 1)
atau U n 1n 2 R2
2
dimana :
R1 : jml peringkat yang diberikan pada sampel dengan jml n1
R2 : jml peringkat yang diberikan pada sampel dengan jml n2
~ Penarikan kesimpulan statistik mengenai hipotesis nol.
Contoh :
Gaji sarjana yang berkonsentrasi di bidang manajemen pemasaran dan sarjana yang
berkonsentrasi di bidang keuangan yang telah lulus 10 tahun lalu, diberikan dalam tabel
berikut :
Konsentrasi Pendapatan Peringkat Konsentrasi Pendapatan Peringkat
Pemasaran tahunan pendapatan keuangan tahunan pendapatan
(ribuan) (ribuan)
Ali 22,4 (14) 14 Lee 21,9 (13) 13
Ani 17,8 (3) 2 Leman 16,8 (1) 1
Ira 26,5 (15) 15 Frank 28,0 (16) 16
Sari 19,3 (7) 7 David 19,5 (9) 9
Tomi 18,2 (5) 4,5 Toni 18,2 (4) 4,5
Budi 21,1 (12) 12 Sam 17,9 (3) 3
Fani 19,7 (10) 10 Carter 35,8 (17) 17
Kiki 43,5 (18) 18 Wati 20,5 (11) 11
Tita 18,7 (6) 6
Laura 19,4 (8) 8
n1 = 8 R1 = 82,5 n2 = 10 R2 = 88,5
1. H0 : Gaji alumni dari kedua konsentrasi sama
H1 : Gaji alumni dari konsentrasi pemasaran lebih tinggi daripada konsentrasi
keuangan
2. α = 0,01
3. Uji Stat :
µ = 8.10 + 8.9 – 82,5 = 33,5
2
atau
µ = 8.10 + 10.11 – 88,5 = 46,5
2
Nilai µ terkecil = n1n2 – nilai µ terbesar

= 8.10 – 46,5
= 33,5
4. Daerah Kritis :
µ terkecil ≤ nilai dalam tabel µ , tolak H0
5. Kesimpulan : karena 33,5 > 13, maka terima H0.
Maka tidak terdapat perbedaan gaji yang nyata antara alumni konsentrasi pemasaran
dan alumni konsentrasi keuangan.
Uji Mann Whitney II
H0 : A B
Ha : A B
Rata-rata Populasi:
n1 n2
U
2
Standard Deviasi
n1 n2 (n1 n2 1)
12
Rata-rata Sampel :
n1 (n1 1)
X1 n1 n 2 R1
2
n 2 (n 2 1)
X 2 n1 n 2 R2
2
X 1 dan X 2 dipilih yang nilainya paling kecil
Z hitung :
X U
Z
Contoh : berikut ini adalah data penjualan setelah beriklan di TV dan setelah
beriklan diradio.
Toko Radio TV
A 70 20(2)
B 72 23
C 69 21(3)
D 68 19(1)
E 71 24
F 73 27
G 75 26
H 77 25
I 76 28
J 80 30
K 79 29
L 90 37
M 91 33
O 94 31
P 95 32
Q 96 34
R 97 36
S 99 39
T 100 40
H0: tidak terdapat perbedaan jumlah penjualan setelah beriklan di TV dengan Radio
Ha: terdapat perbedaan jumlah penjualan setelah beriklan di TV dengan Radio
Ranking :
Toko Radio TV
A 70 20
B 72 23
C 69 21
D 68 19
E 71 24
F 73 27
G 75 26
H 77 25
I 76 28
J 80 30
K 79 29
L 90 37
M 91 33
O 94 31
P 95 32
Q 96 34
R 97 36
S 99 39
T 100 40
(20) (20)
U 200
2
20 20 (20 20 1)
16400 2 36.39
12
20 (20 1)
X1 20 20 610 0
2
20 (20 1)
X2 20 20 210 400
2
0 200
Z 5,14
36.39
Kesimpulan : Terima Ha
LAtihan Soal
Contoh : berikut ini adalah data nilai kinerja dari dua kelompok karyawan yang
sudah ditraining dan yang belum di training
Sudah ditraining Belum Ditraining

(6 Karyawan) (7 Karyawan)
78 67
67 65
89 80
90 90
89 74
76 77
82
Apakah terdapat perbedaan penilaian kinerja antara karyawan yang sudah ditraining
dengan karywan yang belum ditraining ?
4. Pengujian Kruskal-Wallis
Merupakan generalisasi uji dua sampel Wilcoxon untuk k > 2 sampel. Uji ini digunakan
untuk menguji hipotesis nol (H0) bahwa k contoh bebas (sampel bebas) itu berasal dari
populasi yang identik.
k
h= 12 Σ ri2 - 3 (n+1)
n (n+1) i=1 n1
bila h > X2α, k-1 maka H0 ditolak pada taraf nyata α ,bila h ≤ X2α, k-1 terima H0 .
Contoh :
Dalam percobaan untuk menentukan sistem peluru kendali yang terbaik, dilakukan
pengukuran pada laju pembakaran bahan bakarnya. Datanya setelah dikodekan
diberikan dalam tabel berikut. Gunakan uji Kruskal Wallis dan taraf nyata 0,05 untuk
menguji hipotesis bahwa laju pembakaran bahan bakar sama untuk ketiga sistem
tersebut.
Jawab :
Laju pembakaran bahan bakar
Sistem Peluru Kendali
1 2 3
24,0 23,2 18,4
16,7 19,8 19,1
22,8 18,1 17,3
19,8 17,6 17,3
18,9 20,2 19,7
17,8 18,9
18,8
19,3
1. H0 : µ1 = µ2 = µ3 H1 : ketiga nilai tengah tidak semuanya sama.

2. α = 0,05
3. Daerah Kritis : h > X20,05 ; 3-1 = 5,991
4. Uji Stat : dalam tabel diatas kita ubah pengamatan itu menjadi peringkat dan
kemudian menjumlahkan semua peringkat untuk masing-masing sistem.
Peringkat bagi Data Laju pembakaran bahan bakar

Sistem Peluru Kendali
1 2 3
19 18 7
1 14,5 11
17 6 2,5
14,5 4 2,5
9,5 16 13
r1 = 61,0 5 9,5
R2 = 63,5 8
12
r3 = 65,5
n1 = 5 , n2 = 6 , n3 = 8
r1 = 61 ; r2 = 63,5 ; r3 = 65,5
maka diperoleh nilai uji stat :

h = 12 [ 612 + 63,52 + 65,52 ] – (3) (20)
19.20 5 6 8
= 1,66
5. Kesimpulan :
Karena h = 1,66 tidak jatuh dalam daerah kritis yaitu h > 5,991 berarti kita tidak
mempunyai bukti yang cukup untuk menolak hipotesis bahwa laju pembakaran bahan
bakar sama untuk ketiga sistem peluru kendali itu.
Uji Kruskal Walis II
H 0 : tidak terdapat perbedaan dari k kelompok sample

Ha : terdapat perbedaan dari k kelompok sample
Dengan menggunakan table Chi Square ( df = k -1)
12 Rk 2
H 3( N 1)
N ( N 1) nk
Contoh :
Beriut ini adalah jumlah output yang dihasilkan oleh 3 kelompok karyawan, yang
belum ditraining, yang sedang diraining dan yang sudah ditraining
Belum diraining Sedang ditraining Sudah ditraining

(5 karyawan) (5 karyawan) (4 karyawan)
96 82 114
128 124 149
83 132 166
61 135 147
101 109
Ranking :
Belum ditraining Sedang ditraining Sudah ditraining
(5 karyawan) (5 karyawan) (4 karyawan)
96(4) 82(2) 114(7)
128(9) 124(8) 149(13)
83(3) 132(10) 166(14)
61(1) 135(11) 147(12)
101(5) 109(6)
H0 :
Ha :
Chi Square table :

12 22 2 37 2 46 2
H 3(14 1)
14(14 1) 5 5 4
H 6.28
Kesimpulan :
STATISTIKA NON PARAMETRIK II

4. Mahasiswa mampu memahami apa yang dimaksud dengan Statistika
Non Parametrik
5. Mahasiswa mampu memahami kegunaan dari Statistika Non Parametrik
didalam Statistika Non Parametrik

5. Mahasiswa mampu untuk menghitung Uji korelasi rank Spearman
6. Mahasiswa mampu menghitung Uji Kosmolgorov Smirnov
7. Mahasiswa mampu menghitung Uji Kendall Concordance

STATISTIKA NON PARAMETRIK II
5. Pengujian Korelasi Spearman
Nilai Korelasi :
6 d i2
Rs 1
n(n 2 1)
Uji Korelasi
H0 : =0 (tidak terdapat korelasi)

Ha : 0 (terdapat korelasi)
rs n 2
thitung
2
1 rs
Contoh :
Hasil ujian matematika dan bahasa dari 12 siswa sekolah lanjutan:
No.Siswa 1 2 3 4 5 6 7 8 9 10 11 12
Matematika 0 0 1 1 3 4 5 6 7 8 8 12
Bahasa 42 46 39 37 65 88 86 56 62 92 54 81
Apakah terdapat hubungan antara nilai matematika dengan nilai bahasa?
Jawab :
Nomor SKOR Ranking

di di2
Siswa Mat = X Bahasa = Y Mat : X Bahasa : Y
01 0 42 1,5 3 -1,5 2,25
02 0 46 1,5 4 -2,5 6,25
03 1 39 3,5 2 1,5 2,25
04 1 37 3,5 1 2,5 6,25
05 3 65 5 8 -3 9
06 4 88 6 11 -5 25
07 5 86 7 10 -3 9
08 6 56 8 6 2 4
09 7 62 9 7 2 4
10 8 92 10,5 12 -1,5 2,25
11 8 54 10,5 5 5,5 30,25
12 12 81 12 9 3 9
109,5
Nilai Korelasi :
6(109,5)
Rs 1
12(12 2 1)
t hitung :
Nomor SKOR PANGKAT

di di2
# #
Siswa Mat = X Bahasa = Y Mat : X Bahasa : Y
01 0 42 1,5 3 -1,5 2,25
02 0 46 1,5 4 -2,5 6,25
03 1 39 3,5 2 1,5 2,25
04 1 37 3,5 1 2,5 6,25
05 3 65 5 8 -3 9
06 4 88 6 11 -5 25
07 5 86 7 10 -3 9
08 6 56 8 6 2 4
09 7 62 9 7 2 4
10 8 92 10,5 12 -1,5 2,25
11 8 54 10,5 5 5,5 30,25
12 12 81 12 9 3 9
109,5
123 12 23 2 23 2 23 2
Σ X2 = 141,5
12 12 12 12
123 12
Σ Y2 = 0 143
12
(141,5 143 109,5)

rs = 0,6151
2 (141,5)(143)
b. Pengujian Koef. Korelasi Pangkat Spearman
1. H0 : ρs = 0 H1 : ρ s ≠ 0
2. α = 0,05
rs n 2
3. Stat. Uji t = dengan d.f = n – 2
2
1 rs
4. Daerah Kritis ialah t > t0,025,10 dan t < - t0,025,10 atau t > 2,228 dan t < - 2,228
0,6151 10
5. t = 3,125
1 0,61512
Karena t = 3,125 > 2,228 maka tolak H0

6. Uji Kolmogorov Smirnov
Uji Kenormalan: Apakah data tersebut memiliki distribusi normal atau tidak
Menguji hipotesis komparatif dua sampel independen yang telah disusun pada tabel
distribusi frekuensi kumulatif dengan menggunakan kelas-kelas interval
Selain Uji Mann-Whitney, uji untuk mengetahui ada tidaknya perbedaan yang signifikan
untuk dua sampel yang independent juga dapat diuji dengan Kolmogorov-Smirnov
Misalkan Anda ingin mengetahui apakah ada perbedaan nilai ujian antara siswa yang duduk
di belakang dengan yang duduk didepan.
Berikut data nilai mahasiswa yang duduk dibelakang dan duduk didepan.
Duduk di Belakang Duduk didepan
No Nama Nilai No Nama Nilai
01 6,5 01 6
02 7,5 02 7
03 8 03 7
04 6 04 8
05 5 05 8
06 7 06 8,5
07 7,5 07 8,5
08 8 08 9
09 8,5 09 6,5
10 6 10 7
Data dimasukkan dalam distribusi frekuensi
Duduk Frekuensi kumulatif
Nilai Beda Rasio

Belakang Depan Belakang Depan
5 1 0 1 0 1 0,1
6 2 1 3 1 2 0,2
6,5 1 1 4 2 2 0,2
7 1 3 5 5 0 0
7,5 2 0 7 5 2 0,2
8 2 2 0 7 2 0,2
8,5 1 2 10 9 1 0,1
9 0 1 10 10 0 0
Nilai selisih terbesar adalah 2 (ini menjadi nilai KS hit) Selisih terbesar dari frekuwnsi
kumulatif kedua kelompok tersebut adalah 0,2 untuk nilai positif (Diffrences Positive),
sedangkan untuk nilai negatif (Diffrences negative), tidak ada atau nol.
Dari tabel Kolmogorov-Smirnov untuk 5 % dan jumlah pengamatan 10 pasang adalah
7 (Nilai ini merupakan KStab)
 Karena KS hit (2) < KS tab (7) maka terima Ho. Dengan kata lain ada perbedaan nilai
ujian antara siswa yang duduk di belakang dengan yang duduk didepan.
Kasus 2: Anda ingin mengetahui apakah suatu data memiliki sebaran normal atau tidak?
Berikut contoh dari pertumbuhan total revenue (TR) salesmen anda

Thn 1 2 3 4 5 6 7 8
TR 3,2 2,6 3,2 3,2 2,2 2.0 2.3 2.1 20,8 2,6 0,49
Alat statistik yang digunakan untuk mengetahui apakah data yang dikumpulkan mempunyai
sebaran atau distribusi normal atau tidak adalah: Kolmogorov-Smirnov
Tahapan Pengujian hipotehesis
Langkah 1. Merumuskan hipotesa
Ho : Data berasal dari populasi yang memiliki sebaran normal
H1 : Data berasal dari populasi yang tidak memiliki sebaran normal
Langkah 2. Menentukan nilai kritis ataupun taraf nyata
Langkah 3. Menentukan alat Uji
Dmax P ( z ) P ( e)
P(e) = nilai harapan
Xi X
P( Z )
s
Langkah 4 Kriteria Pengujian
Terima Ho jika Dmax D
Tolak Ho jika Dmax > dari D
Langkah 5. : Menarik kesimpulan

Keputusan: Dmax = 0,7458 Dtab. (0,05) n=8 = 6 Terima Ho, artinya data nilai Total
revenue tidak memiliki sebaran normal
Anda ingin mengetahui apakah total revenue (TR) salesmen memiliki sebaran normal?
( X i X )2
.
n 1
0,53
Dari data TR: Rata ( ) 2,6 dan =0,53
Urut TR Z = (Xi- )/ Ztab P(e)
1 2.0 (2,0 - 2,6)/0,53 =- 0,8708 0,125 0,7458
1,13
2 2.1 (2,1 - 2,6)/0,53 =- 0,8264 0,250 0,5764
0,94
3 2,2 (2,2 - 2,6)/0,53 =- 0,7734 0,375 0,3984
0,75
4 2.3 (2,3 - 2,6)/0,53 =- 0,7123 0,5 0,2157
0,56
5 2,6 (2,6 - 2,6)/0,53 = 0,50 0,625 0,125
0,00
6 3,2 (3,2 - 2,6)/0,53 = 0,8708 0,75 0,1208
1,13
7 3,2 (3,2 - 2,6)/0,53 = 0,8708 0,875 0,0042
1,13
8 3,2 (3,2 – 2,6)/0,53= 1,13 0,8708 1 0,1292
1
P (e) n
1 1
P (e) n 8 0,125
1 2
P (e) n 8 0,250
1 3
P (e) n 8 0,375
Dengan SPSS, angka hasil pengujian yang digunakan adalah angka sig. (signifikansi) dari
angka statistik Kolmogorov-Smirnov
jika sig. > 0,05 maka data tersebut berdistribusi normal. Akan tetapi jika sig. < 0,05 maka
data berdistribusi tidak normal
Print out SPSS: Statistik Kolmogorov-Smirnov
Variabel Kualitas Produk
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
QLTY .132 100 .000 .968 100 .017
a. Lilliefors Significance Correction
Dari Tabel test of normality terlihat angka Kolmogorov-Smirnov adalah sebesar 0,132
dengan tingkat signifikansi atau sig. 0,000 < 0,05
Ini menunjukkan bahwa sebaran data variabel kualitas produk dapat dipastikan memiliki
distribusi yang tidak normal

2. Uji Kendal
Korelasi Kendal Tau digunakan untuk mencari hubungan dan menguji hipotesis
antara dua variabel atau lebih dan datanya berbentuk ordinal atau ranking.
Untuk menghitung korelasi Kendall ( ), rumusnya adalah sebagai berikut:
2S
=
n (n -1)
Dimana
• =Korelasi Kendall Tau
• S=Selisih Jumlah > y Dikurangi Jumlah < y.
• n=Jumlah Observasi.
Korelasi parsial Kendall: Hubungan antara dua variabel, dimana variabel lain
dianggap konstan
xy - xz yz
xy.z =
[1- ( xz )
2
][1- ( yz )
2
]
Selanjutnya dilakukan pengujian signifikansi dengan cara membandingkan antara z
hitung dengan z tabel. Adapun untuk menentukan z hitung
n(n-1)
Z hit = 3
2 (2n + 5)
Dimana :
Z = Angka z hitung atau z statistik.
t = Korelasi Kendall Tau.
= Korelasi parsial Kendall Tau.
n = Jumlah Observasi.
Keputusan :
Jika Zhit < Ztab maka TERIMA Ho
Jika Zhit Ztab maka TOLAK Ho

Uji Kendall of Concordance (kecenderungan)
H0 : Setiap responden memiliki kecenderungan yang sama dalam meranking
jawaban
Ha : Setiap responden memiliki kecenderungan yang TIDAK sama dalam
meranking jawaban
Tabel Chi Square (df = n -1)
2
2
12 R2 3n k n 1
kn(n 1)
Contoh :
Berikut ini adalah jawaban responden terhadap ranking pilihan perguruan tinggi di
Jakarta Barat (1 = untuk yang paling dipilih, 8 = yang paling tidak dipilih)
Calon UNTAR UI TRISAKTI STEKPI UMB ATMA SUPRA UPN
Mahasiswa
A 3 2 1 5 8 6 7 4
B 2 5 1 3 4 7 6 8
C 4 3 2 1 7 5 8 6
Ranking
Calon UNTAR UI TRISAKTI STEKPI UMB ATMA SUPRA UPN
Mahasiswa
A 3 2 1 5 8 6 7 4
B 2 5 1 3 4 7 6 8
C 4 3 2 1 7 5 8 6
R 9 10 4 9 19 18 21 18
2
2 12(1728) 3 8 3(8 1)
15
3(8)(8 1)
Kesimpulan :
DECISION MAKING THEORY I
7. Mahasiswa mampu memahami apa yang dimaksud dengan Teori
Pengambilan Keputusan.
8. Mahasiswa mampu memahami kegunaan dari Teori Pengambilan
Keputusan.
didalam Teori Pengambilan Keputusan.
8. Mahasiswa mampu untuk mengambil keputusan dengan resiko.
9. Mahasiswa mampu untuk mengambil keputusan dalam ketidakpastian.
10. Mahasiswa mampu menghitung Margin Analysis.

DECISION MAKING THEORY I
A. Pengambilan Keputusan dengan Resiko
Pengambilan keputusan dengan resiko.(risk) adalah keputusan yang diambil
terhadap alternatif-alternatif yang tersedia dimana masing-masing alternatif memiliki
nilai peluang.
Langkah-langkah pada pengambilan keputusan yang beresiko:
1. Mengidentifikasi berbagai macam alternatif
2. Menduga probablitas terhadap setiap alternatif yang ada
3. Menyusun hasil atau payoff untuk semua alternatif yang ada
4. Mengambil keputusan terhadap hasil yang terbaik
Example :
Anda ingin melakukan investasi di pasar modal, dengan modal sebesar Rp30.000. Ada
3 perusahaan yang sedang anda pelajari, yaitu Saham PT. ANA. Saham PT. Badu dan
Saham PT. Cono. Berikut matriks hasil atau payoff dari ketiga saham tersebut.
Prsh Harga Jumlah Kondisi baik/lbr Kondisi buruk/lbr
saham saham Dividen Total Dividen Total
PT.ANA 200/lbr 150 50 7500 15 2250
PT.BADU 300/lbr 100 70 7000 21 2100
PT.CONO 500/lbr 60 95 5700 32 1920
Saham perusahaan mana yang anda beli?
1. Kriteria Expected value-EV

Yaitu rata-rata tertimbang dari payoff untuk setiap alternatif dengan probablitas
setiap peristiwa. Nilai EV dicari dengan rumus :
EV = payoff x Probablitas suatu peristiwa
EV anda untuk ketiga saham adalah sbb:
Perhitungan EV
Prsh K. Baik K. Buruk Perhitungan EV Nilai EV
(P= 0.5) . (P= 0.5)
PT.ANA 7500 2250 (7500x0,5)+ 2250x0,5 4875
PT.BADU 7000 2100 (7000x0,5)+ 2100x0,5 4550
PT.CONO 5700 1920 (5700x0,5)+ 1920x0,5 3810
Nilai EV yang terbesar merupakan keputusan yang terbaik, dari nilai EV maka
keputusan investasi anda adalah untuk membeli saham PT.ANA.
2. Kriteria Expected Oppurtunity Loss (EOL)
Kriteria Expected Oppurtunity Loss (EOL) mempunyai prinsip
meminimumkan kerugian (loss) yang disebabkan oleh pemilihan alternatif
tertentu.atau pemilihan alternatif yang bukan terbaik. EOL dihitung untuk setiap
peristiwa dengan pertama kali mengidentifikasi tindakan terbaik untuk setiap
peristiwa.EOL lanjutan Expected value-EV. Dari hasil EV mana yang terbaik? Yang
terbaik diberikan nilai Nol dan berfungsi sebagai pengurang. Nilai Expected
Oppurtunity Loss (EOL) yang paling kecil adalah yang terbaik sebagi keputusan.
Dicari dengan rumus:
EOL = Oppurtunity Loss x Probablitas suatu peristiwa

Berdasarkan contoh diatas, hitunglah EOL dan investasi mana yang terbaik?
Berikut adalah perhitungan EOL
Saham OL baik OL buruk Nilai EOL
PT.ANA 7500*-7500= 0 2250*-2250=0 0x0,5 + 0x0,5 = 0
PT.BADU 750 -7000=500 2250 - 500x0,5 + 150x0,5=375
2100=150
PT.CONO 7500 - 2250 -1920 1800x0,5
5700=1800 =330 +330x0,5=1065
Cat. *7500 dan 2250 sebagai pengurang, karena nilai yang terbesar (terbaik) pada
peristiwa baik dan buruk. Dengan melihat nilai EOL, nilai EOL yang paling kecil
adalah Nol, berarti saham PT ANA direkomendasikan untuk anda beli.
B. Pengambilan Keputusan dalam Ketidakpastian
Keputusan dalam ketidakpastian menunjukkan tidak adanya probablitas atau
informasi yang sempurna tentang suatu kejadian. Ada 5 kriteria dalam pengambilan
keputusan dalam kondisi ketidakpastian.
1. Kriteria Laplace
Kriteria ini mengatakan, setiap peristiwa diasumsikan mempunyai probablitas yang
sama. Keputusan yang akan diambil apabila hasil perkalian antara hasil dengan
probablitas adalah yang tertinggi

Contoh :
Berikut adalah deviden yang dibagikan oleh 3 perusahaan yang ada di BEJ yaitu ANA,
BADU DAN CONO. Dividen dibagikan berdasarkan keuntungan dan juga berdasarkan
kondisi ekonomi yaitu kondisi ekonomi dalam krisis, normal dan boom. Tabel
selengkapnya adalah sbb :
Perusahaan Kondisi perekonomian
Boom Normal Krisis
ANA 1180 488 250
BADU 2000 1356 300
CONO 4463 1666 185
Pada kondisi diatas ada tiga peristiwa dan diasumsikan memiliki probablitas yang sama
(Kriteria Laplace), sehingga setiap peristiwa memiliki nilai probablitas 1/3, sehingga
nilai yang diharapkan (expected value-EV) dari setiap alternatif adalah :
Perusahaan Perhitungan nilai expected value-EV
Boom Normal Krisis
ANA 1180x0,3 + 488x0,3 + 250x 0,3 =639
BADU 2000x0,3 + 1356x0,3 + 300x0,3 = 1219
CONO 4463x0,3 + 1666x0,3 + 185x0,3= 2015
Hasil perhitungan expected value-EV yang terbesar adalah perusahaan CONO
2. Kriteria Maximin
Dalam kondisi penuh ketidakpastian pengambilan keputusan sebaiknya bersifat Pesimis
terhadap masa depan dan memilih hasil yang terbaik yang bernilai maksimum dari
kondisi yang pesimis. (yang terbaik dari terburuk).
Dari data diatas, kondisi terburuk adalah kondisi perekonomian yang krisis, dan
keputusan yang terbaik atas kriteria maximin adalah memilih perusahaan Badu.
3. Kriteria maximax
Kriteria ini kebalikan dari kriteria yang maximin. Kriteria ini menyarankan
pengambilan keputusan bersifat optimis, dan memilih hasil yang maksimum dari
alternatif yang terbaik. Dari contoh diatas, kondisi yang optimis adalah kondisi
perekonomian yang Boom dan keputusan yang terbaik adalah memilih perusahaan
Cono, karena memiliki nilai yang terbesar.
4. Kriteria Hurwicz
Kriteria ini merupakan kompromi dari pendekatan kriteria maximin dan
maximax. Kriteria ini menghendaki koefisien Optimisme (coefficient Optimism).
Koefisien ini memiliki nilai antara 0-1. Nilai Nol untuk kondisi yang sangat pesimis dan
nilai 1 untuk kondisi yang Optimis. Apabila koefisien optimis adalah “a”, maka
koefisien pesimis adalah “b”, dimana b = 1 - a. Kriteria ini menyarankan bahwa
alternatif yang terbaik adalah nilai yang tertinggi dari hasil perkalian antara hasil atau
payoff dengan koefisien optimisme.
Contoh :
Dari data diatas, menurut penelitian ternyata koefisien optimisme 0,63. Bagaimanan
keputusan anda?
Prsh Boom Normal Krisis Perhitungan EV
ANA 1180 Diabaikan 250 1180x0,63 + 250x0,37= 836
BADU 2000 300 2000x0,63 + 300x0,37 =1371
CONO 4463 185 4463x0,63 + 185x0,37 =2880
Berdasarkan pada kriteria Hurwicz, keputusan yang terbaik adalah memilih nilai EV
yang tertinggi yaitu Perusahaan CONO
5. Kriteria minimax regret
Kriteria ini merupakan pengembangan dari kriteria oppurtinity loss (OL).
Prinsip dari pendekatan ini adalah menghitung regret (penyesalan) yang terjadi akibat
tidak memilih alternatif maksimum pada setiap kondisi (OL). Kriteria ini memilih
alternatif dengan regret minimum (lakukan yang terbaik pada kondisi yang terburuk).
Pendekatan minimax regret dilakukan dengan mengurangkan setiap alternatif dengan
alternatif maksimumnya. Kemudian nilai OL pada setiap kondisi dipilih yang
maksimum. Alternatif keputusan yang diambil adalah nilai regret yang minimum. Nilai
hasil atau payoff yang tertinggi diberikan nilai Nol, dan nilai lainnya merupakan selisih
antara nilai alternatif tertinggi dengan nilai pada alternatif tersebut.
Perusahaan Nilai OL pada kondisi
Boom Normal Krisis
ANA 4463-1180=3283 1666-488=1178 300-250=50
BADU 4463-2000=2463 1666-1356=310 300-300=0
CONO 4463-4463=0 1666-1666=0 300-185=115

Untuk memilih keputusan yang terbaik adalah memilih nilai minimum dari regret maksimi
untuk setiap alternatif, sehingga yang dipilih adalah CONO.
Perusahaan Nilai minimax regret maksimum untuk semua kondisi
ANA 3283
BADU 2463
CONO 115
DECISION MAKING THEORY II

10. Mahasiswa mampu memahami apa yang dimaksud dengan Teori
Pengambilan Keputusan.
11. Mahasiswa mampu memahami kegunaan dari Teori Pengambilan
Keputusan.
didalam Teori Pengambilan Keputusan.

11. Mahasiswa mampu untuk memahami Decision Tree Analysis.
12. Mahasiswa mampu untuk memahami Utility Theory dan Expected
Utility Criterion.

DECISION MAKING THEORY II
A. Decision Tree Analysis
Ada 3 alternatif saham perusahaan yang akan anda beli sahamnya, dimana probablitas
Boom adalah 0,63 dan probablitas krisis adalah 0,37 untuk ketiga perusahaan tersebut.
Prsh Boom Krisis
ANA 1180 250
BADU 2000 300
CONO 4463 185
Dengan menggunakan pohon keputusan akan dapat ditentukan saham perusahaan mana
yang akan dibeli

Membe
li
saham
2880
ANA BADU CONO
1180x0,63 + 2000x0,63 + 4463x0,63 +
250x 0,37 300x 0,37 185x 0,37
=836 =1371 =2880
0,63 0,37 0,63 0,37 0,63 0,37

BOOM KRISIS BOOM KRISIS BOOM KRISIS
1180 250 2000 300 4463 185
B.Utility Theory dan Expeted Utility Criterion
1. Bagaimana anda mengambil keputusan berdasarkan kriteria yang ada?
2. Utility Theory dan Expeted Utility Criterion adalah teknik mengambil keputusan
berdasarkan kriteria yang telah ditentukan sebelumnya.
3. Multi Attribute Utility (MAU) models salah satu alat yang digunakan untuk
mengambil keputusan lebih dari satu atribut yaitu dengan cara menilai utility dari
setiap atribut.
4. Dalam model ini diperkirakan utility atribut dari alternatif yang ada.
1.Pengertian Atribut
Atribut adalah ciri atau kharakteristik dari suatu objek. Misalnya, seorang
manajer dalam rangka memilih seorang pegawai yang akan dipromosikan ke posisi
yang lebih tinggi, memakai kriteria latar belakang yang bersangkutan sebagai patokan
utama.
Latar belakang pegawai diukur dengan atribut lama pengalaman kerja.
Selanjutnya dilihat hubungan dengan utility dari alternatif tersebut. Masing masing
kriteria diberikan bobot.
Contoh.
Untuk lebih jelasnya perhatikan contoh berikut. Misalnya anda ingin mencari karyawan.
Anda menggunakan dua kriteria dalam pengambilan keputusan., yaitu 1. Latar belakang
dan 2. Gaji yang diinginkan. Latar belakang memiliki tiga atribut, yaitu
a. Pendidikan,
b. Usia dan
c. Pengalaman kerja.
Dan kriteria yang anda gunakan sbb:
No Atribut Kriteria Bobot No Atribut Kriteria Bobot
01 Pendidikan < S1 0,1 03 P.Kerja < 2 Thn 0,1
>S1 0,2 > 2 Thn 0,5
02 Usia < 24 0,7
> 24 0,3
Berikut adalah skema yang dipakai, dimanaKeputusan

angka yang ada didalam kurung
untuk
menunjukkan proporsi bobot untuk masing-masing atribut bagi seorang calon karyawan
Calon
LATAR Gaji yang

BELAKA diinginkan
NG (0,4)
(0,6)
Pendidikan Usia (0,3) Pengalama Gaji (0,4)

(0,2) n
(0,5)
Bobot: Bobot Bobot Bobot

0,6x0,2=0,1
2
0,6x0,3= 0,6x0,5= 0,4
1,8 0,3
Total skor calon ANA adalah 0,12 + 1,8 + 0,3 + 0,4 = 2,62 Dengan cara yang sama
untuk calon yang lain. Skor paling tinggi adalah calon karyawan yang akan diputuskan
untuk diterima.
C. Sensitivity Analysis (sensitivity of the analysis)
• Apabila suatu keputusan sudah dibuat, satu alternatif keputusan sudah dipilih
berdasarkan satu atau lebih kriteria yang dipakai.
• Jika ada keberatan terhadap keputusan maka akan lebih ditujukan terhadap asumsi
yang mendasarinya dari pada metodologinya.
• Untuk mengurangi kesalahan asumsi dalam merumuskan keputusan, digunakan
analisa sensistivitas
Contoh.
Misalkan anda ditempatkan pada posisi untuk mengambil keputusan, apakah
membangun gudang besar atau kecil. Probablitas sukses 0,65 dan probablitas gagal
membangun gudang adalah 0,35. Jika pembangunan gagal anda tetap membayar uang
konsultan sebesar 3500 dan 2000 untuk gudang kecil.
Sesuai dengan keterangan diatas, apa yang sebaiknya anda lakukan?
Situasi masa depan
Alternatif Sukses (S) Gagal (G)
Gudang besar 18000 3500
Gudang kecil 11500 2000

Pohon keputusan bagi pembangunan gudang
KEPUTUSAN:
GUDANG
BESAR
10475
GUDANG
BESAR GUDANG KECIL
18000x0,65 + 11500 x 0,65 +
-3500x 0,35 -2000 x 0,35
=10475 =6775
SUKSES (0,65) GAGAL(0,35) SUKSES (0,65) GAGAL(0,35)

18.000 -3500 11.500 -2000
QUALITY CONTROL

13. Mahasiswa mampu memahami apa yang dimaksud dengan Quality
Control.
14. Mahasiswa mampu memahami kegunaan dari Quality Control.
didalam Quality Control.

13. Mahasiswa mampu untuk menerapkan Statistical Process Control.
14. Mahasiswa mampu untuk menerapkan Control Charts for Process
Means.
15. Mahasiswa mampu untuk menerapkan Control Charts for Process
Variability.
16. Mahasiswa mampu untuk menerapkan Control Charts for Attributes.
QUALITY CONTROL
a. Statistical process control
Proses pengendalian dengan statistika (Statistical process control)
mengembangkan apa yang disebut diagram kontrol (control diagram). Dengan maksud
untuk melihat variasi atau fluktuasi antara nilai sebenarnya dengan nilai yang
diharapkan, dan apakah masih dalam batasan yang normal atau terkendali dalam suatu
proses produksi
Tujuan dari Statistical process control adalah untuk mengontrol mutu barang
dan jasa yang dihasilkan sesuai dengan ketentuan . Hal ini dilakukan dengan
menggunakan sampling. Untuk menentukan apakah suatu nilai masih dalam batas
kendali atau tidak, dikenal dengan diagram kontrol.
68,26%
96,44%
97,74%
μ-3σ μ-2σ μ-1σ μ μ+1σ μ+2σ μ+3σ
Batas kontrol mutu (LCL dan UCL) = rata-rata 3
LCL= lower control limit UCL=upper control limit
Batas kepercayaan 99,74 % menunjukkan bahwa apabila ada pengisian 1000 gelas air
maka akan ada 997 gelas pada kisaran interval LCL sampai UCL.
B. Control Charts for Process Means.
Salah satu diagram control untuk menampilkan fluktuasi rata-rata sampel
dari proses produksi adalah Diagram rata-rata. Diagram ini berfungsi melihat batas
bawah dan batas atas nilai rata-rata setiap pengambilan sampel, apakah dari setiap
sampel tersebut normal atau tidak. Dimana batas bawah (lower control limit= LCL) dan
batas atas (upper control limit = UCL), dicari dengan rumus :
UCL = X + A2R dan LCL = X - A2R
Dimana :
UCL = upper control limit dan LCL = lower control limit
X = Nilai tengah diagram atau rata rata dari rata-rata.
A2 = Faktor peta kendal dan
R = Nilai rata rata rentang.
Contoh:
Misalkan anda sebagai produsen air mineral yang menghasilkan ribuan gelas setiap
hari. Setiap gelas berisi 240 ml air. Untuk menjamin mutu dan memastikan bahwa isi
air dalam gelas masih dalam batasan normal dilakukan 5 kali pengambilan sampel dan
setiap pengambilan ada 4 gelas sampel. Berikut adalah data yang diperoleh Ex. 4 Gelas
Auqa sebagai sampel.
Jam Gelas sampel
1 2 3 4
07.00 241 243 242 241

11.00 243 239 240 240
16.00 239 242 241 244
21.00 243 246 241 238
02.00 239 240 239 239
Langkah pertama adalah mencari rata-rata dari rata-rata
Jam Gelas sampel Rata-rata
1 2 3 4
07.00 241 243 242 241 241,75

11.00 243 239 240 240 240,05
16.00 239 242 241 244 241,05
21.00 243 246 241 238 240,00
02.00 239 240 239 239 239,25
Rata-rata dari rata-rata. 1205/5 = 241
Langkah kedua, adalah menghitung rata-rata rentang ( nilai tertinggi dikurang nilai
terkecil) dari seluruh sampel.
Jam Tertinggi Terendah Rentang (R)
07.00 243 241 2
11.00 243 239 5
16.00 244 239 4
21.00 246 238 8
02.00 240 239 1
Rata-rata rentang 20/5=4
Langkah ketiga adalah menghitung UCL dan LCL
UCL = X + A2R
UCL = 241 + 0,729 (4) = 243,96
0,729 dari tabel Kendal, dengan n=4 dan peta rata-rata untuk A2
LCL = X - A2R
LCL = 241 - 0,729 (4) = 238,08
Sehingga bentuk diagram rata-rata controlnya adalah sbb:
243
241
238
07.00 11.00 16.00 21.00 02.00
Dari diagram diatas, pengisian air masih dalam batas normal

C. Control Charts for Process Variability.
Untuk melihat variasi atau keragaman dari rentang sampel digunakan
diagram rentang (Control Charts for process variability). Dimana nilai UCL dan LCL
dicari dengan rumus sbb:
UCL = D4R
LCL = D3R
R = Nilai rata rata rentang dan D4 , D3 = Faktor peta kendal diagram kontrol
Contoh diagram rentang
Jam Volume air dalam gelas Rentang
1 2 3 4 Tinggi Rendah Beda
07.00 241 243 242 241 243 241 2
11.00 243 239 240 240 243 239 5
16.00 239 242 241 244 244 239 4

21.00 243 246 241 238 246 238 8
02.00 239 240 239 239 240 239 1
Rata-rata rentang (R) = R/n 20/5 = 4
UCL = D4R = 2,11 x 4 = 8,46
LCL = D3R = 0 x 4 = 0
Nilai 2,11 dan 0 dilihat dari tabel faktor peta kendal. Dari nilai diatas, bila nilai rentang
(selisih nilai tertingi dengan terkecil) antara 0 s/d 8,46, dikatakan proses produksi masih
berjalan normal. Dari diagram berikut tampak bahwa siklus pada malam hari yaitu jam
21 dan 02 lebih besar dari siang hari.
D. Control Charts for Attributes
Pengendalian dengan diagram atribut (Control Charts for atributes) adalah
diagram kontrol yang dapat diklasifikasikan secara dikotomi. Misalnya baik memenuhi
syarat atau tidak. Usaha yang layak atau tidak. Diagram ini dinamakan juga diagram
proporsi karena menunjukkan suatu proporsi. Untuk menentukan batas bawah dan batas
atas dicari dengan rumus sbb :
UCL = Þ+3 Þ(1- Þ)/n dan LCL = Þ-3 Þ(1- Þ)/n
Dimana:
Þ = rata-rata proporsi ke-cacat-an
n = banyaknya sampel
Contoh :
.Misalkan anda sebagai kepala Quality control di pabrik sepatu,yang menggunakan
mesin pemotong dengan ketepatan 0,1 cm. Apabila potongan > 0,1 Cm maka dianggap
“cacat”. Berikut adalah jumlah yang cacat selama satu hari dalam 3 shift kerja. Dengan
menggunakan Control Charts for atributes, apakah kondisi proses produksinya normal
atau tidak? Jika jumlah yang cacat selama satu hari sbb:
Ex.Jumlah cacat
Jam shift Produksi Jumlah yang cacat
07.00 – 1–5.00 1760 48
15.00 – 23.00 1026 13
23.00 – 07.00 1101 52
Langkah 1. menghitung proporsi rata-rata
Jam shift Produksi Jumlah yang Proporsi
cacat
07.00 – 1–5.00 1760 48 48/1760 = 0,03
15.00 – 23.00 1026 13 13/1026 = 0,01
23.00 – 07.00 1101 52 52/1101 = 0.05
Þ= p/n = (0,03+0,01+0,05)/3 = 0,03
Langkah 2. Menghitung nilai LCL dan UCL
UCL = Þ+3 Þ(1- Þ)/n = 0,03 + 3 0,03(1-0,03)/3 = 0,32
LCL = Þ-3 Þ(1- Þ)/n = 0,03 - 3 0,03(1-0,03)/3 = -0,261

Dari nilai LCL dan UCL diatas, proporsi yang cacat antara -0,261 sampai 0,32 dapat
dikatakan normal. Apabila diluar interval tersebut tidak normal. Dari data didapat
bahwa proporsi terkecil adalah 0,01 dan terbesar adalah 0,05, dimana kedua nilai ini
berada dibawah 0,32 dan diatas - 0,261, sehingga proses produksi berjalan normal.

Pengujian Hipotesis Pertemuan Minggu Ke 1 Dan 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pengujian Hipotesis Pertemuan Minggu Ke 1 Dan 2

Diunggah oleh

Hak Cipta:

Format Tersedia

PENGUJIAN HIPOTESIS

Tujuan Instruksional Umum :

Tujuan Instruksional Khusus :

Pertemuan minggu ke 1 dan 2.

B. Jenis Kesalahan (Type of Error)

Hipotesis dinyatakan dalam Ho dan Ha atau H1 sebagai alternatifnya. Ho selalu

The Standard Normal Distribution

Daerah kritis untuk pengujian satu arah

Daerah Penerimaan Ho Daerah penolakan Ho

Daerah Daerah Penerimaan

D. Pengujian Hipotesis Tentang Rata-rata

n = 12, x = 8 menit, s =3,2 menit, µo = 20 menit

a). Bila n > 30 (sample besar)

b). Bila n ≤ 30 (sample kecil)

Untuk α = 5%, Z α/2 = 1,96

-Zα/2 = -1,96 Zα/2 = 1,96

3. Pengujian Hipotesis Rata-rata, Variance Tidak Diketahui

Langkah Pengujian hipotesa:

Lihat tabel luas wilayah kurva normal.

-Zα/2 = -1,96 Zα/2 = 1,96

Langkah-langkah pengujian hipothesis

2. Menentukan Taraf nyata ( ) = 5 %

dimana derajat bebas db= (n1 +n2) - 2 , Sebesar 2,1009

- t /2= - 2,1 t /2= 2,1 t hit= 2,714

4. Pengujian Hipotesis Rata-rata Data Berpasangan

Alat Uji Statistik

Kasus. Bagaimana dampak Bom di Indonesia terhadap harga saham?

5. Pengujian Hipotesis untuk Proporsi

-1, -1,645 -0,13 1,645

b. Pengujian Hipotesis untuk Dua Proporsi

Tujuan Instruksional Umum :

Tujuan Instruksional Khusus :

C. Konsep Dasar Analisa Varian

Contoh : Analisa Varian dengan Jumlah Sampel Sama

Terima H0 jika F Hitung < F Tabel

Langkah 2 : Menghitung varians antar sampel

Langkah 4 : Menghitung F hitung

Contoh : Analisa Varian dengan Jumlah Sampel Tidak Sama

karena jumlah anggota sampel setiap kelompok berbeda, maka perhitungan x

Dengan hasil tabel diatas maka :

Langkah 4 : Menghitung F Hitung

E. One Way-ANOVA Test

Untuk mempermudah pengujian, digunakan tabel ANOVA berikut :

Antar kolom JKK K–1 A A/B

Mean 5,2 7,8 4,0 2,8 6,6 5,28

{26) 2 (39) 2 ....... 332 1322

Tabel analisanya sebagai berikut:

Antar kolom 79,440 4 19,860 6,90

Galat 57,6 20 2,880

1. Sebuah biro perjalanan di jogja mengadakan penelitian tentang pariwisata di jogja

4. Penelitian lain dilakukan terhadap sampel 16 orang mahasiswa asing yang

Tujuan Instruksional Umum :

Tujuan Instruksional Khusus :

Frekuensi Observasi (Fo)

Frekuensi Ekspektasi (Fe)

Merah Muda 30x60/100 = 18 30x40/100 = 12

H 0 : PA 0.2; PB 0.3; Pc 0.15; PD 0.1; PE 0.25

Derajat kebebasan = k -1 = 5 – 1 = 4 dengan taraf nyata 5% maka nilai 2

Merk Konsumen Jika

Merk Konsumen JIka

Nilai Jumlah mahasiswa

Tujuan Instruksional Umum :

Tujuan Instruksional Khusus :