PROBABILITA

PENGERTIAN

Menurut Mandendhall dan reinmuth, 1982 di dalam bukunya

Statistk For Management. Probabilita adalah suatu nilai yang

dipergunakan untuk mengukur tingkat kemungkinan terjadi suatu

kejadian yang acak / radom.

Kata probabilitas sering di pertukarkan dengan istilah lain

seperti peluang dan kemungkinan. Secara umum probabilitas

merupakan peluang bahwa sesuatu akan terjadi.

Ada 3 kata kunci yang harus di ketahui dalam mempelajari

probabilitas, yaitu experimen, hasil (out come) dan kejadian atau

peristiwa (event). Ketiga istilah tersebut dalam ilmu Statistik

mempunyai arti yang spesifik.

a) P (A) = , P (A) > 0, sebab x > 0, n > 0

P (Ā) = 1 - atau

1
Contoh :

sebuah experimen dilakukan dengan menanyakan kepada 500 orang

mahasiswa, apakah mereka akan membeli ‘Apple Computer’ jenis

baru atau tidak. Dari experimen tersebut akan terdapat beberapa

kemungkinan hasil misalnya kemungkinan pertama ada sebanyak 200

mahasiswa akan membeli. Kemungkinan kedua ada sebanyak 300

mahasiswa akan membeli.

Maka :

- Probabilita untuk kemungkinan x 100% = 40%

atau dari 500 mahasiswa, yang akan membeli ‘Apple Computer’

mempunyai probabiliti 40% atau 0,4

- Probabilita untuk kemungkinan kedua x 100% = 60%

yaitu dari 500 mahasiswa yang akan membeli ‘Apple Computer’

probabilitinya sebesar 60% atau 0,60.

2
  Pendekatan Perhitungan Probabilitas

Dasar perumusan probabilita dapat di bedakan tiga cara :

Pendekatan Klasik

Perhitungan probabilita secara klasik didasarkan kepada asumsi

bahwa seluruh hasil dari suatu experimen mempunya kemungkinan

(peluang) yang sama

Misal :

Ada suatu kejadian A dapat terjadi sebanyak ‘X’ cara seluruh ‘n’ cara.

Jika ada ‘n’ badang dan ‘m’ barang yang rusak atau P (A) maka

barang yang tidak rusak adallah (n-x) atau P (Ā)

Sehingga dirumuskan :

b) P (A) = , P (A) > 0, sebab x > 0, n > 0

P (Ā) = 1 - atau

c) P (Ā) = 1 – P (A)
Ā = bukan A (bukan barang yang rusak)
Ā = komplemen A

Dalam buku lain P (A) =

Contoh :
Kepala pabrik menyatakan bahwa dari 100 barang yang di
produksinya ada 25 yang rusak. Kemudian seseorang pembeli
mengambil sebuah secara acak.
Berapakah Probabilitasnya bahwa barang tersebut rusak ?

3
Penyelesaian :
n = 100 ; banyaknya barang produksi
m = 25 ; banyaknya barang yang rusak
E= ; kejadian barang rusak

P (E) = = = 0,25 = 25%

Perhitungan probabilitas seperti di atas adalah perhitungan secara

klasik harus mengetahui kejadian secara keseluruhan yang dalam
prakteknya sukar dilaksanakan.

 Konsep Frekwensi Relatif

Konsep ini menjelaskan bahwa probabilitas suatu kejadian

merupakan limit dari frekuensi relatif kajadian tersebut yang secara
teoritis berlaku untuk ‘n’ yang / tidak terhingga (j. Suprapto, 2000 :
311).
Bila :
fr = frekwensi reatif
xi = kejadian i
atau
Probabilitas terjadinya = Jumlah / frekuensi terjadinya kejadian tsb.dimasa lalu Suatu kejadian
Jumlah Observasi

4
Contoh :
1. Sebuah studi yang di lakukan terhadap 750 lulusan sekolah bisnis
dari suatu Universitas. Studi ini menunjukkan bahwa 300 dari
jumlah lulusan tersebut, bekerja tidak sesuai jurusan.
Beberapa probabilitasnya ?
Beberapa probabilitas lulusan yang bekerja sesuai jurusan ?
Penyelesaian :
n = 750 ; fi = 300

Jadi P (Xi) =

2. pada suatu penelitian terhadap 65 karyawan yang bekarja di

perusahaan swasta, salah satu karateristk yang di nyatakan adalah
besarnya upah bulanan, data yang diperoleh sebagai berikut :

Tabel Tingkat Upah Bulanan (dalam ribuan/$)

x 250 350 450 550 650 750 850
f 8 10 16 14 10 5 2

Pertanyaan :
a. Beberapakah besarnya probabilitas karyawan yang upahnya Rp.
450 ribu dan Rp. 850 ribu ?
b. Beberapakah besarnya probabilitas karyawan yang upahnya Rp.
350 ribu dan Rp. 750 ribu

5
Jawaban :

a. Jadi P (Xi) =

P (Xi) = P (X2) =

= 0,2462 = 0,0308

Jawaban :

b. Jadi P (Xi) =

P (Xi) = P (X2) =

= 0,1538 = 0,0769

Probabilita Subyektif
 Probabilita Subyektif didasarkan atas penilaian
seseorang dalam menyatakan tingkat kepercayaan. Jika tidak ada
pengalaman / pengamatan masa lalu sebagai dasar untuk dasar
perhitungan probabilitas, maka pernyataan probabilitas tersebut
dikatakan subyektif.

KEJADIAN / PERISTIWA DAN NOTASI HIMPUNAN

 Kalau suatu experimen dilakukan dengan
melemparkan 2 keping mata uang logam Rp. 50 sebanyak dua
kali, maka hasil experimen itu mempunyai probabilita /
kemungkinan hasil sebagai berikut :

6
 S = { AA, AB, BA, BB }
 Hasil yang berbeda-beda dari suatu experimen
disebut titik sampel dari contoh ada 4 hasil yang berbeda, jika ada
4 titik sampel. Sedangkan himpunan dari seluruh kemungkinan
hasil disebut ruang sampel (S).
 Kalau kita melempar 2 buah dadu akan
diperoleh 2 buah sampel :

Tabel Ruang sampel untuk pelemparan 2 buah dadu

II
1 2 3 4 5 6
I

1 1.1 1.2 1.3 1.4 1.5 1.6

2 2.1 2.2 2.3 2.4 2.5 2.6

3 3.1 3.2 3.3 3.4 3.5 3.6

4 4.1 4.2 4.3 4.4 4.5 4.6

5 5.1 5.2 5.3 5.4 5.5 5.6

6 6.1 6.2 6.3 6.4 6.5 6.6

Untuk pelemparan 2 buah dadu, ada 36 titik sampel pada contoh

diatas maka kemungkinannya :

Pelemparan 2 keping uang logam = 22

Pelemparan 2 buah dadu = 62

Notasi Himpunan

7
 Himpunan dari seluruh kejadian yang ada di
sebut himpunan semesta (Universalset). Himpunan bagian yang
paling kecil dari suatu himpunan disebut himpunan kosong (null
set) dengan simbol Ø.
 Himpunan kosong tidak mempunyaianggota
atau elemen.
Misal : seseorang tidak mungkin mempunyai dua jenis kelamin
maka:
Ø = { X;X= laki-laki dan X = perempuan}
Atau orang tidak mungkin hidup dan mati sekaligus.
Ø = {X;X = hidup dan X= mati}

Komplemen suatu Kejadian

 Misalnya dari suatu penelitian terhadap 100
barang ternyata ada10 yang rusak.
Maka :
S = seluruh himpunan ( =100 )
A = barang yang rusak ( =10 )
Ā = barang yang tidak rusak ( 100-10=90 )
P (Ā) = 1 - P (A)

P(A) = = 0,1

P(Ā) = 1 – 01 = 0,9

Interseksi dua kejadian

8
 Suatu kejadian A dan B, yang sering ditulis A
∩ B ( dibaca A interseksi B) artinya selain anggota / elemen A
juga elemen B, maka :
A ∩ B= { x ; x A dan x B}
Dengan demikian maka perhitungan probabilita menggunakan
Interseksi dua kejadian, sebagai berikut :
P ( A ∩ B) = P (A) . P (B)

Contoh :
Bila dua helai kartu dipilih secara random dan secara berturut-
turut dari setumpuk kartu bridge dan bila kartu pertama
dikembalikan sebelum memilih kartu ke dua. Berapa probabilita
kartu jantung dan kartu kedua yang menghasilkan bukan kartu
as ?
Penyelesaian :
Bila untuk peristiwa pertama P (A) dan peristiwa kedua P (B)

Maka : P (A) =

P (B) = 1 -

=1-

Sehingga :
P (A ∩ B) = P (A) . P (B)

Union dua kejadian

AUB={x;x A dan X Є B atau X AB }

9
Mutually Exclusive
 Adalah kejadian yang tidak bisa terjadi
bersama-sama.
Misalnya seseorang tidak bisa sekaligus berada di dua tempat
( kejadian yang saling meniadakan).
 Bila berada di tempat yang satu adalah
kejadian A di tempat lain adalah kejadian B, maka probabilitasnya
:

Perhitungan Probability menggunakan Mutually Exclusive "U" :

P ( A U B ) = P (A) + P (B)
P ( A U B U C ) = P (A) + P (B) + P (C)

“ U ” di baca "atau" → P (A U B) di baca P ( A atau B)

Contoh :
Dalam pelemparan sebuah dadu, berapakah probabilitas
munculnya mata dadu 2 atau 4 atau 6
Penyelesaian :
Bila probabilitas ; munculnya dadu 2 adalah P (A)
Bila probabilitas ; munculnya dadu 4 adalah P (B )
Bila probabilitas ; munculnya dadu 6 adalah P (C )
Maka : P (A) = 1/6, P(B) = 1/6 dan P (C) =1/6

10
Sehingga : P ( A U B U C ) = P (A) + P (B) + P (C)
= 1/6 + 1/6 +1/6
= 3/6

Contoh :
Dalam pelemparan sebuah dadu, berapakah probabilitas
munculnya mata dadu 3 atau 5
Penyelesaian :
Bila probabilitas ; munculnya dadu 3 adalah P (A)
Bila probabilitas ; munculnya dadu 5 adalah P (B )
Maka : P (A) = 1/6, P(B) = 1/6
Sehingga : P ( A U B ) = P (A) + P (B)
= 1/6 + 1/6
= 2/6

Tidak Exclusive Bersama "U"

P (A U B ) = P (A) + P (B) - P (A∩B)
P (AUBUC) = P(A) + P(B) + P(C) – P(A∩B) – P(A∩C) –
P(B∩C) + P(A∩B∩C)
Contoh :
Dalam sebuah populasi yang terdiri dari pembaca majalah, %
pembaca majalah A, B dan C serta kombinasinya adalah sebagai
berikut :

A = 9,8 % A dan B = 5,1 %

11
 B = 22,9 % A dan C = 3,7 %
C = 12,1 % B dan C = 6,0 %
A dan B dan C = 2,4%

a. Berapakah probabilitas seorang yang akan di pilih secara

random dari populasi tersebut ialah pembaca A atau B ?
b. Berapakah % dari populasi yang ternyata membaca paling
sedikit satu dari pada majalah tersebut ?

Penyelesaian :

a. P(AUB) = P(A) + P(B) - P(A∩B)

= 9,8% + 22,9% - 5,1%
= 27%

b. P(AUBUC) = P(A) + P(B) + P(C) – P(A∩B) – P(A∩C) –

P(B∩C)
+ P(A∩B∩C)
= 9,8% + 22,9% + 12,1% - 5,1% - 3,7% - 6% + 24%
= 32,4%

Probabilitas Bersyarat
Probabilita terjadinya kejadian A dengan syarat bahwa B sudah
atau akan terjadi disebut probabilita bersyarat.
Misalnya : A = saya akan pesta, kalau B = lulus ujian
B = hasil produksi akan meningkat, kalau A=penggunaan
pupuk ditingkatkan
Pada umumnya probabilita bersyarat rumusnya sebagai berikut :

P(A/B) = probabilita terjadinya A, dengan syarat B terjadi

12
P(B/A) = probabilita terjadinya B, dengan syarat A terjadi

Contoh :
Seluruh mahasiswa satu universitas = 1000 orang (N)
Himpunan A mewakili 200 mahasiswa lama (a)
Himpunan B mewakili 350 mahasiswa putri (b)
Sedangkan 80 dari mahasiswa putri merupakan mahasiswa lama (c)
Apabila dari 1000 mahasiswa tersebut di pilih satu secara random,
berapakah probabilitasnya bahwa mahasiswa tersebut mahasiswa lama
dengan dengan syarat putri.

Pemecahan :

P(A/B) = P(lama/putri) =

Dengan argumentasi yang sama, probalita bahwa mahasiswa yang

dipilih secara random tersebut mahasiswa putri dengan syarat juga
mahasiwa lama, maka :

P(B/A) = P(putri/lama) =

Aturan umum dari perkalian probabilita bersyarat

sebagai berikut :

P (A∩B) = P (A) . P (B / A) = P (B) . P (A / B)

P (A) = Probabilita A terjadi
P(B/A) = Probabilita B terjadi dengan syarat A terjadi
P (B) = probabilita B terjadi

13
P (A/B) = Probabilita A terjadi dengan syarat B terjadi

Contoh :
Kita mengambil tiga kali secara random dari satu set kartu bridge. Setiap
selesai pengambilan kartu tersebut tidak dikembalikan kembali. Dengan
demikian hasil pengambilan berikutnya akan dipengaruhi oleh hasil
pengambilan sebelumnya.
Beberapa probabilita bahwa pertama, kedua dan ketiga masing-masing
menghasilkan diamond (red).

Pemecahan :
S = 52 kartu
A = pengambilan pertama kartu diamond
P (A) = 13 / 52 ( ada 13 diamond diantara 52 kartu )
P (B / A) = pengambilan kedua diamond dengan syarat bahwa
pengambilan kartu pertama juga diamond.
P (B /A) = 12 / 51 ( diamond tinggal 12, seluruh kartu tinggal 51 )
P(C /A∩B) = pengambilan ke tiga juga diamon dengan syarat bahwa
pengambilan pertama dan kedua diamond.
P ( C /A∩B) = 11 / 50 ( diamond tinggal 11, seluruhnya kartu tinggal 50)

P ( A∩B∩C) = P(A) . P (B/A) . P (C/A∩B)

= 13/52 . 12/51 . 11/50
= 0,0132

Aturan umum dari perkalian probabilita bersyarat

sebagai berikut :
P (A∩B) = P (A) . P (B / A) = P (B) . P (A / B)

14
P ( A∩B∩C) = P(A) . P (B/A) . P (C/A∩B)

Teori Bayes
Teori I : bila (A1,A2,A3,A4……An) merupakan sekatan dari ruang S
dan bila setiap peristiwa A1, A2, A3, A4,…..An memiliki probabilita = 0,
maka P(A)= P (A1) P(A /A1) + P (A2) P (A /A2)+….+P (An) P (A /An)

Contoh :
Diterima tidaknya suatu usul pembuatan baru terminal di kota
Bojonegoro tergantung kepada hasil pemilihan 4 calon ketua Bapeda, yaitu
calon A1, A2, A3, dan A4 dimana mempunyai probabilita untuk terpilih
masing-masing sebesar 0,30; 0,20; 0,40; 0,10.
Kalau calon yang terpilih A 1, A2, A3, A4 maka probabilita bahwa prroyek
tersebut akan dietujui oleh para calon masing-masing sebesar P(A /A 1) =
0,35; P(A /A2) = 0,85; P (A /A3) = 0,45 dan P ( A /A4) = 0,15. berapa
besarnya probabilita bahwa proyek tersebut disetujui ?

Pemecahan :
A = proyek disetujui kalau A1 terpilih atau A2 terpilih atau A3 terplh
atau A4 terpilih.
P (A) = P(A1) P(A /A1)+P(A2) P (A /A2)+ P(A3) P (A /A3)+ P(A4) P (A /A4)
= (0,30) (0,35)+(0,20) (0,85)+(0,40) (0,45)+(0,10) (0,15)
= 0,47

15
Teory II : kita anggap suatu himpunan lengkap dari pada kejadian yang
terbag habis A1, A2, A3, …….Ak ( k = 1, 2, 3,…..n) , terjadinya salah satu
kejadian katakan Ak, merupakan salah satu syarat yang di perlukan untuk
terjadinya kejadian lainnya, misalnya A yang sudah diketahui sebagai hasil
syarat bahwa A sudah diketahui sebagai hasil observasi. “ THE
POSTERIOR PROBABILITY ” kejadian Ak dengan syarat bahwa A
sudah akan terjadi dapat dihitung berdasarkan rumus bayes sebagai berikut :
P (A) = 13/52, Pengambilan kedua juga diamond dengan syarat bahwa
pengambilan kartu pertama juga diamond.
P (B /A ) = 12/51 (diamond tinggal 12, seluruh kartu tinggal 51)
P(C /A∩B)= Pengambilan ke tiga juga diamond dengan syarat bahwa
pengambilan pertama dan kedua diamond.
P(C/A∩B) = 11 /50 ( diamond tinggal 11, seluruhnya kartu tinggal 50)
P(A∩B∩C) = P(A) . P(B/A) . P(C/A∩B)
= 13/52 . 12/51 . 11/50
= 0.0129
Teori Bayes
P(A∩B∩C) = P(A) . P(B/A) . P(C/A∩B)
Probabilita Bersyarat
P(A∩B∩C) = P(A) . P(B/A) . P(C/A∩B)

P(Ak/A) =

Prosterior probability adalah probalita yang dihitung berdasarkan informasi

yang diperoleh dari hasil observasi ( sampling).

Contoh :

16
Dalam soal di atas dinyatakan beberapa probabilitanya bahwa calon
kedua dipilih ?
Penyelesaian :
P(Ak/A) =

Jadi probabilitabahwa calon kedua terpilih sebesar 36,17 %

Contoh :
Sebuah rumah makan menggolongkan langganannya sebagai
pedagang, pegawai, pelajar dengan perbandingan 8 : 13 : 4
Probabilita seorang pedagang memesan kue 0,03 ; makan 0,5 dan
mamesan minuman 0,8. Probabilita seorang pedagang memesan kue
0,45 ; makan 0,4 dan mamesan minuman 0,85. Probabilita seorang
pelajar memesan kue 0,5 ; makan 0,2 dan mamesan minuman 0,85.
Bila suatu hari ada yang memesan kue berapa probabilita pemesanan
kue itu seorang pedagang, pegawai, dan pelajar.
Penyelesaian :
P(A1) = 8/25 = 0,32 P(A/A1) = 0,3
P(A2) = 13/25 = 0,52 P(A/A2) = 0,45
P(A3) = 4/25 = 0,16 P(A/A3) = 0,5

P(A1/A) =

= = 0,39

17
P(A3/A) =

= = 0,195

Probabilitas seseorang memesan kue adalah pelajar sebesar 19,5 %

VARIABEL RANDOM DAN NILAI HARAPAN

Variabel Random
Variabel random merupakan suatu kwantitas variabel yang
nilainya tergantung diskrit dan variabel continue.
Ada beberapa definisi variabel diskrit antara lain :
- Variable diskrit yaitu variabel yang nilainya tidak dapat diwakili
oleh seluruh titik dalam suatu interval
- Variabel diskrit adalah variabel yang hanya dapat diutarkan
dengan nilai-nilai atau harga-harga yang terbatas jumlah dan
biasanya dikatakan dalam bilangan bulat.
- Variabel diskrit yaitu terdiri dari variabel perhitungan sederhana
dari sejumlah unsur yang memiliki atribut atau ciri yang ingin kita
ketahui.
Contoh :
- Hasil perhitungan pemilu di salah satu TPS ada 320 terdiri dari
220 Golkar, 60 PPP, 40 PDI.
- Dari 150 petani yang diteliti ada 95 orang yang tidak memiliki
sawah sendiri, 55 lainnya memiliki sawah.
Ada berapa definisi mengenai variabel continue :

18
- Variabel continue adalah suatu variabel yang nmilainya dapat
diwakili oleh seluruh titik dalam interval.
- Variabel continue adalah suatu variabel yang dapat diutarakan
dengan sembarang harga yang terdapat dalam interval / kelompok
interval tertentu.
- Variabel continue adalah variabel yang diperoleh dari hasil
pengukuran ciri-ciri populasi atas dasar skala continue.
Contoh :
- Pengukuran tinggi mahasiswa 165,5 cm
- Pengukuran berat muatan suatu truk 7,75 ton
- Pengukuran banyaknya bahan untuk membuat celana, panjang
131,5cm

Nilai Harapan Atau Harapan Matematika

Nilai x yang diharapkan adalah jumlah dari pada perkalian-

perkalian E1, E2,….Ek. Merupakan peristiwa yang independent dan
lengkap terbatas, sedangkan peristiwa diatas. Andaikan seorang
memenangkan sejumlah uang X1 bila E1 terjadi x2 bila E2 terjadi xk
bila Ek terjadi maka harapan matematis orang tersebut untuk
memperoleh kemenangan E (x) dapat dirumuskan sebagai :
E (x) = x1 . p1 + x2 . p2 +….xk . pk
Dalam serangkaian percobaan yang cukup besar E ( x ) sebenarnya
menyatakan kemenangan rata-rata bagian tiap-tiap percobaan.
Pemakaian rumus di atas adalah khuus perjudian, asuransi dan lain-
lain.

19
 Contoh :
Jika seseorang membeli sebuah undian ia dapat memenangkan
hadiah pertama Rp. 5.000.000,- atau kedua Rp, 2.000.000,- dengan
probabilita 0,002 dan 0,004.
Berapa seharusnya harga pantas untuk kupon itu ?
Pemecahan :
E (x) = p1 x1 + p2 x2
= 0,002 (Rp. 5.000.000) + 0,004 (Rp. 2.000.000)
= Rp. 10.000 + Rp. 8.000
= Rp. 18.000,-
Contoh :
Seorang pengusaha akan membuka cabangnya disalah satu
tempat antara bandung dan surabaya, ia telah mendapat keterangan,
bahwa di bukanya cabang di bandung akan menghasilkan Rp. 5. juta
tiap bulannya, dengan peluang 75 %, jika usahanya tidak berhasil ia
akan menderita rugi 1,5 juta tiap bulan. Peluang berhasil apabila
membuka cabang di surabaya adalah 50% dengan memperoleh
keuntungan tiap bulan sebesar Rp. 8 juta dan bila gagal, akan
menderita rugi Rp. 2 juta sebaliknya pengusaha itu akan membuka
cabangnya ?

Pemecahan :
Jelas kiranya, bahwa pengusaha itu akan membuka cabangnya
di tempat yang diberikan harapan keuntungan yang terbaik. Jadi pada
tempat yang memberikan E positif dan terbesar.

20
E (x1) = (0,75) (Rp.5.juta) + (0,25) (-Rp.1,5. juta)
= Rp. 3.750.000 – Rp. 375.000
= Rp. 3.375.000

E (x2) = (0,5) (Rp. 8 juta) + (0,5) (-Rp. 2 juta )

= Rp. 4.000.000 – 1.000.000
= Rp. 3.00.000
Ternyata bahwa pembukaan di Bandung memberikan harapan yang
lebih menguntungkan.

Contoh :
Seorang jutawan mengangsurasikan jiwanya selama setahun
kepada perusahaan Asuransi jiwa. Probabilita jutawan tersebut dapat
hidup selama setahun adalah 0,995.
Bila perusahaan asuransi itu menjual polis asuransi sebesar Rp.
15 juta kepada jutawan itu untuk jangka setahun premi sebesar Rp.
100.000,- berapakah harapan keuntungan secara matematis yang di
peroleh perusahaan Asuransi tersebut.
Pemecahan :
Probabilita hidup = 0,995
Probabilita mati = 1 – 0,995
= 0,005
Bila mati : kerugian perusahaan :
x1 = (15.000.000-100.000) = 14.900.000
p1 = 0,005

21
Bila hidup : keuntungan perusahan :
x2 = 100.000
p2 = 0,995
E (x) = p1x1 + p2x2
= (0,005) . (-14.900.000) + (0,995) (100.000)
= (-74.500) + 99.500
= 25.000

Jadi harapan keuntungan ecara matematis sebesar Rp. 25.000

Nilai Harapan
 Nilai harapan variabel acak diskrit adalah rata-rata tertimbang
terhadap seluruh kemungkinan hasil dimana penimbangannya adalah
nilai probabilita yang dihubungkan dengan setiap hasil (out come).
E (x) =

Variance σ2 dari suatu variabel yang random x, yang fungsi probabilitasnya

p(x) adalah :

σ2 = E (x - )2 =

dimana : x1 = nilai ke –i dari variabel acak x

p(xi) = probabilitas terjadinya xi

Contoh :

22
 Seorang penjual mobil sebagai sales Agent merk mobil tertentu,
berdasarkan pengalamannya dapat menjual mobil sebanyak x dengan
probabilita sebesar p (x) dalam satu bulan.
Data yang dia miliki adalah berikut :

10 20 40 60 120
X1
P(x) 0,33 0,27 0,22 0,1 0,08

a). berapakah banyaknya mobil yang dia harapkan dapat menjualnya dalam
satu bulan.
b). hitung simpangan baku (standart deviasi)

Pemecahan :
a).

x p(x) x.p(x)

10 0,33 3,3
20 0,27 5,4
40 0,22 9,9
60 0,1 6,0
120 0,08 9,6

( jumlah ) ∑ 33,1

Atau :

= 10. (0,33) + 20. (0,27) + 40. (0,22) + 60. (0,1) + 120. (0,08)
= 3,3 + 5,4 + 8,8 + 6 + 9,6
= 33,1

23
 Kita membayangkan kalau penjualan dilakukan berkali-kali dari bulan
kebulan dalam jumlah yang banyak sekali, maka secara rata-rata dapat
dijual sebanyak 33,1 mobil.
Apabila penjualan dilakukan selama N = 50 bulan, maka selama
waktu tersebut diharapkan dapat menjual sebanyak
N.E (x) = 50 x 33,1
= 1.655 mobil

b). variance : σ 2 = E (x - )2 =

σ2 = (xi - )2 . p(x)
= {(10-33,1)2.0,33 + (20-33,1)2.0,27 + (40-33,1)2.0,22
+ (60-33,1) 2 . 0,1 + (120-33,1)2 . 0,08}
= 176,1 + 46,33 + 10,47 + 72,36 + 604,13
= 750,38

Standar deviasi = σ (standar deviasi adalah akar dari varians)

Maka σ =
= 27,39

24
 DISTIBUSI TEORITIS

Distribusi Binomial
Difinisi Eksperimen Binomial
Satu atau serangkaian eksperimen dinamakan ekperimen binominal bila
dan hanya bila ekperimen yang bersangkutan terdiri dari percobaan-percobaan
bernaoulli atau binomial.
Pada umumnya suatu eksperimen dikatakan eksperimen binominal kalau 4
syaratnya sebagai berikut :
1. Setiap percobaan mempunyai 2 hasil yang katagorikan menjadi sukses atau
gagal.
2. Probabilita sukses ada pada setiap percobaan
3. Setiap percobaan harus bersifat independent
4. Jumlah percobaan yang merupakan komponen eksperimen binomial harus
tertentu.

25
Jika probabilita sukses p dan probabilita gagal (1-p) maka probabilita untuk
memperoleh x sukses dalam ‘n’ trial adalah :
Rumus Distribusi Binomial :
P (x,n) = pX . ( 1- p )n-x

Rumus ini merupakan daripada suatu jenis distribusi teoritis yang terkenal dengan
Distribui Binomial.

distribusi koefisien binomial =

Catatan Rumus-rumus (J. Supranto,2000 : 34-35)

1. Koefisien Binomial : =

2. Distribusi Binomial : P (x,n) = px . (1-p)n-x

3. Probabilita Distribusi Binomial :

Pr = . Px . (1-p)n-x

atau : Pr = . Px . (1-p)n-x

4. 0! = 1! = 1 dan P0 = 1
(1-p) = q  (dalam Literatur lain)

26
Contoh :
Hitunglah probabilita untuk mendapatkan 4 gambar burung didalam 10
lemparan coin.
Diketahui : n = 10, x = 4, p = ½ ; (1 – p) = q = ½

= P = = 210

P= . px . qn-x  P = 210 . (½)4 . (½)6 = 0,2051

Jadi probabilita untuk memperoleh 4 gambar burung dalam 10 lemparan satu coin
= 0,2051

Contoh :
Seorang penjual mengatakan bahwa seluruh barang dagangannya yang
dibungkus rapi ada yang rusak sebanyak 20 %. Seorang pembeli, membeli barang
tersebut sebanyak 8 buah dan pilihannya secara random. Kalau x = banyaknya
barang tidak rusak ( bagus ).
a. Hitunglah semua probabilita untuk memperoleh x
b. Buat probabilita kumulatifnya
c. Berapa probabilitanya bahwa dari 8 buah barang yang dibelinya ada 5
barang rusak.
d. P (x < 5), p (2 < x< 5), p (x < 8), p (x > 4)
Pemecahan :
Hasil perhitungan untuk menjawab a dan b langsung dimasukkan dalam tabel
berikut :
Diketahui : p = probabilita bagus = 0,8
(1-p)= probabilita rusak = 0,2 = q
n = 8→ observasi ( barang yang dibeli)
x = bagus / tidak rusak
n-x = rusak

27
 Tabel Distribusi Probabilita Binomial
Dan Kumulatifnya

x n-x Pr = . px . (1-p)n-x F(x)

. px . (1-p)n-x = Pr Probabilitas Kumulatif

0 8 1 (0,8)0 (0,2)8 = 0,0000 0,0000

1 7 8 (0,8)1 (0,2)7 = 0,0001 0,0001

2 6 28 (0,8)2 (0,2)6 = 0,0011 0,0012

3 5 56 (0,8)3 (0,2)5 = 0,0092 0,0104

4 4 70 (0,8)4 (0,2)4 = 0,0459 0,0563

5 3 56 (0,8)5 (0,2)3 = 0,1468 0,2031

6 2 28 (0,8)6 (0,2)2 = 0,2936 0,1967

7 1 8 (0,8)7 (0,2)1 = 0,3355 0,8322

8 0 1 (0,8)8 (0,2)0 = 0,1678 1,0000

c. 5 rusak berarti x = 3
p(x=3) = 0,0092 (lihat dalam tabel)
d. p(x≤5) = p(0) + p(1) + p(2) + p(3) + p(4) + p(5)
= 0,2031, probabilita kita untuk mendapatkan paling banyak 5
barang bagus.
= p (2 < x < 5) = p(2) + p(3) + p(4) + p (5) = 0,0011 + 0,0092 +
0,0459 = 0,0563, probabilita mendapatkan 2 buah barang
bagus atau lebih akan tetapi kurang dari 5.
p(x < 8) = 1 (probabilita untuk mendapatkan paling banyak 8 barang
bagus)
p(x > 4) = 1 – p(x < 3) = 1 - P(3) = 1 - 0,0104 = 0,9896

Probabilita untuk mendapatkan paling banyak 3 barang bagus.

28
 Apabila n makin besar, perhitungan probabilita binomial sangat
membosankan dan memakan waktu, maka dari itu didalam praktek harus
menggunakan tabel nomial. Apabila p > 0,50 persoalan hanya dibalik, yaitu
menjadi x gagal dan (n-x) sukses peranan p bukan probabilita sukses tetapi
probabilita gagal.

Rata-rata, Variance & Deviasi Standar Distribusi Binomial

Distribusi binomal, sebagaimana juga distribusi lainnya, mempunyai

ukuran-ukuran ini umumnya dinyatakan sifat distribusi itu. Ukuran-ukuran ini
pada umumnya dinyatakan oleh parameter yang terdapat dalam distribusi. Untuk
distribusi biominal, parameternya ialah n dan p. tetapi n dapat di tentukan lebih
dahulu, yakni banyak percobaan yang dilakukan atau banyak objek yang diteliti,
maka sebetulnya parameter untuk ditibusi binomial itu hanya p.
Bila p merupakan probabilita sukses pada tiap-tiap percobaan dari sebuah
eksperimen biomial, maka rata-rata dari pada jumlah sukses dalam sejumlah n
percobaan dapat di berikan :
= E(x) = np
2
= E { x – E(x) }
= E (x – np)2
atau

2
= npq

maka =

n.p adalah rata-rata untuk distribusi biomial, sehingga kita peroleh hasil akhir
yang menyatakkan bahwa rata-rata ( µ ). Akibatnya, kita dapat memperkirakan
sekian persen dari peristiwa berada antara dua harga tertentu. Misalnya kita dapat
menyatakkan 90% peristiwa yang diteliti akan terjadi antara sekian s/d sekian.

29
Contoh :
Suatu mata uang logam dilemparkan keatas sebanyak n = 4 kali. Jika x adalah
banyaknya gambar burung yang muncul, carilah nilai rata-rata E (x) dan
simpangan bakunya.
Penyelesaian :
p (x) = ½ dan q (x) = ½ , n = 4
Rata-rata  E (x) = n . p
= 4 (1/2) = 2
Varians  2
=n.p.q
= 4 . ½ . ½ = 1 sehingga = =1

Suatu mata uang logam dilemparkan keatas sebanyak n = 6 kali. Jika x adalah
banyaknya gambar burung yang muncul, carilah nilai rata-rata E (x) dan
simpangan bakunya.
Penyelesaian :
p (x) = ½ dan q (x) = ½ , n = 6
Rata-rata  E (x) = n . p
= 6 (1/2) = 2
Varians  2
=n.p.q
= 6 . ½ . ½ = 1,5 sehingga = = 1,22

sebuah dadu dilemparkan keatas sebanyak n = 2 kali. Jika x adalah munculnya

mata dadu 5, carilah nilai rata-rata E (x) dan simpangan bakunya.
Penyelesaian :
p (x) = 1/6 dan q (x) = 5/6 , n = 2
Rata-rata  E (x) = n . p
= 2 (1/6) = 2/6 = 1/3
Varians  2
=n.p.q
= 2 . 1/6 . 5/6 = 0,28 sehingga = = 0,53

Distribusi Poison

30
 Suatu bentuk distribusi binomial yang mempunyai kalkulasi distribusi
probabilitas dengan kemungkinan sukses (p) sangat kecil dan jumlah eksperimen
(n) sangat besar (J. Suprapto,2000 : 40-44).

Pr (x) =

dimana : = rata-rata distribusi

= 0, 1, 2,…. ~
e = konstanta 2,71828

Contoh :
Seseorang akan menjual mobil mewahnya memasang iklan suatu surat
kabar yang dapat mencapai 100.000 pembaca. Dengan anggapan probabilitas
bahwa seseorang yang membaca iklan tersebut berniat akan membeli mobilnya
sebesar :
P = 1/50.000. jika ada 2 orang yang berniat membeli mobil tersebut
(p = 0,00002) dan x = banyaknya pembaca yang berniat membeli mobil tersebut,
berapakah p (x=0), p(x=1), p (x=2), p (x=3), p (x=4)
Penyelesaian : = E (x) = np

Jika = rata-rata distribusi poison = E (x) = np = 100.000 x =2

x Pr (x) =

0 P (0) = 0,1353

1 P (1) = 0,2707

2 P (2) = 0,2707

31
 3 P (3) = 0,1804

4 P (4) = 0,0902

5 P (5) = 0,0361

6 P (6) = 0,0120

7 P (7) = 0,0034

8 P (8) = 0,0009

9 P (9) = 0,0002

Contoh :
Seorang pemilik pabrik rokok akan melakukan promosi penjualan rokok merek A
dengan iklan khusus. diantara 1000 batang rokok terhadap 5 batang yang diberi
tulisan berhadiah dan dicampur secara acak dengan rokok lainnya. Setiap pembeli
rokok merek A yang memperoleh batang rokok dengan tulisan berhadiah akan
mendapatkan hadiah yang menarik. Apabila x = batang rokok dengan tulisan
berhadiah dari satu bungkus rokok merek A yang setiap bungkusnya berisi 20
batang.
Berapakah P(x=0), P(x=1), P(x=2), P(x=3), P(x=4)
Penyelesaian :

Pr (x) =

n = 20 = banyaknya batang rokok perbungkus sebagai sampel acak

P (batang rokok berhadiah) = P (sukses)

P (sukses) = P = = 0,001

= rata-rata distribusi = E (x) = np

= np = 20 x 0,001 = 0,02

32
 Pr (x) =

Maka tabel Poison

x 0 1 2 3 4
Pr (x) 0,9048 0,0905 0,0045 0,0002 0,0000

Probabilitas untuk mendapatkan 4 batang rokok berhadiah tidak mungkin, karena

probabilitas mendapatkan 1 ( satu) batang rokok berhadiah = 0,0950 = 9%

- Merupakan distribusi kontinu yang mensyaratkan variabel yang

diukur harus kontinu.
Misal : - jumlah curah hujan
- hasil ujian
- tinggi badan
- isi botol coca-cola

f(x) = , untuk < x <

dimana : = 3,14159
σ = simpangan buku =
µ = rata-rata x
e = 2,71828

33
- jika jarak dari masing-masing x diukur dengan simpangan baku σ,
maka kira-kira 68% berjarak µ - σ, 95% berjarak
- = rata-rata distribusi = E (x) = np - σ dan 99% 3 - σ, atau :
P (µ -1σ < x < µ + 1 σ) = + 68% (68,26%)
P (µ - 2σ < x < µ + 2 σ) = + 95% (95,46%)
P (µ - 3σ < x < µ + 3 σ) = + 99% (99,74%)

- Gambar kurva normal :

 Untuk keperluan perhitungan probabilita, luas kurva normal

disamakan dengan 1 satuan (100%).
 Luas sebelah kiri titk 0 (nol) = 50%
 Luas sebelah kanan titik 0(nol) = 50%

34
 Distribusi Normal Standart
Z=

Bila x berada diantara x1 dan x2 maka :

Z1 = dan Z2 =

Contoh :
Bila x merupakan variabel random yang memiliki distribusi normal,
dengan rata-rata 26 dan deviasi standatr σ = 14.
Berapakah variabel normal x bila produksi yang siap jual berada
diantara 18,4 dan 59,8 masing-masing masuk kedalam variabel normal
standart ?
Maka akan memperoleh :

Z=

Z1 = = -0,54

Z2 = = 2,41

p(18,4 < x < 59,8) = p (-0,54 < Z < 2,41)

= 0,2054 + 0,4920
= 0,6974
Jadi probabilita (18,4 < x < 59,8) = 69,74%

35
Gambar : kurva perhitungan Soal diatas

Contoh :
Masa hidup batu baterai yang dihasilkan oleh suatu perusahaan mendekati
distribusi normal. Rata-rata masa hidupnya 325 jam, sedangkan simpangan baku
45 jam.
Tentukan :
a. Persentase batu baterai yang masa hidupnya antara 275 dan 375 jam.
b. Juga untuk masa hidup paling sedikit 350 jam.
c. Pada nilai masa hidup diatas bilangan itu (350 jam) tergolong 20 % produksi
terbaik, berapakah X ?

Penyelesaian :

a). µ = 325 jam

σ = 45 jam
jika X = masa hidup paling sedikit 350 jam. Tergolong pada 20%
produksi terbaik.
Dengan mengambil X1 = 275 jam dan X2 = 375 jam, kita dapat menentukan nilai
Z agar tabel distribusi normal dapat digunakan.

36
Jadi untuk :
X1 = 275 jam

Z1 =

Z1 = = -1,11

X2 = 375 jam

Z2 =

Z2 = = 1,11

P(275 < x < 375) = p(-1,11 < Z < 1,11)

= 0,3665 + 0,3665
= 0,733
Jadi kira-kira 73,3% dari produksi batu baterai diharapkan akan memmpunyai
masa hidup antara 275 dan 375 jam.

b). Untuk masa hidup baterai paling sedikit 350 jam

Z = = 0,55

P ( 350 < x ) = p ( Z < 0,55 )

= 0,5 – 0,2008 = 0,2992

jadi ada 29,92 % batu baterai yang hidupnya palng sedikit 350 jam.

37
c). Misalnya nilai yang dimaksud X jam, dan batu baterai dengan masa hidup
lebih dari X adalah batu baterai termasuk produksi terbaik, yang besarnya
adalah 20%.

Luas daerah antara 0 dan Z dalam tabel kurva harga Z = 0,84, berapa x ?
z = 0,84 (luas 0  z + 30%)

z =

0,84 =

0,84(45) = x - 325
-x = -325 – 37,8
x = 325 + 37,8
= 362,8 jam
Masa hidup yang dimaksud 362,8 jam, sehingga 20% dari produksi baterai (batu
baterai), masa hidupnya lebih dari nilai tersebut.

Contoh :
Nilai ujian Statistik FE.UNIGORO mempunyai rata-rata 60 dan standar
deviasi = 20. jika distribusi angka-angka ujian tersebut kurang lebih mempunyai
distribusi normal, dibawah angka berapakah kita akan memperoleh 15% dari
seluruh distribusi angka-angka tersebut ?

Penyelesaian :

38
µ = 60 dan σ = 20, bila pada distribusi normal kita akan memperoleh 15% dari
seluruh distribusi/komulatifnya ialah – 1,036
maka :

z =

-1,036 =

-20,8 = x - 60
x = 39,2

Hubungan Antara Distribusi Normal dan

Distribusi Binomial

Apabila probabilita = 0,5 dan cukup besar, maka distibusi binomial akan
mendekati distribusi normal.
Disamping itu luas kurva normal dapat juga dipakai untuk menghitung probabilita
binomial, meskipun n dan p q

Contoh :
Hitunglah probabilita untuk memperoleh 6 gambar burung dari 15 lemparan
sebuah uang logam.

Penyelesaian : n = 15
x = 6
n–x = 15 – 6 = 9
p = ½

39
 q =1–p
q =1- ½ =½

probabilita distrbusi binomial :

Pr = P . P(x, n)

dimana …….. P = , dan P(x, n) = px . qn-x

Sehingga :

Pr = . px . qn-x

Probabilita bila kita hitung dengan rumus binomial :

Pr = p . (1/2)6 . (1/2)9

= . (1/2)6 . (1/2)9

= 1.2.3.4.5.6.7.8.9.10.11.12.13.14.15 x (0,5)6 . (0,5)9

1.2.3.4.5.6. (1.2.3.4.5.6.7.8.9)

= x (0,5)6 . (0,5)9

= x (0,015625) . (0,001953)

= 5.005 x 0,000030517
= 0,15274

Probabilita diatas kita hitung dengan rumus binomial, sekarang kalau kita hitung
dengan kurva normal. Yang harus diingat bahwa persoalan diatas merupakan
variabhel diskrit.

40
Tlh dikethui diatas :

Probabilita bila kita hitung dengan rumus distribusi normal :

n = 15
p = ½
q = ½
µ = n.p
= 15 . ½ = 7,5
0
σ =√n.p.q
= √ 15 . ½ . ½
= √ 3,75
= 1,93
X1 = 5,5 merupakan batas bawah dari nilai X
X2 = 6,5 merupakan batas atas dari nilai X

Z1 = = - 1,036 area = 0,3438

Z2 = = - 0,518 area = 0,1985

Area petak B = 0,3438 – 0,1985 = 0,15

dihitung menggunakan distribusi binomial = 0,15274

Dibandingkan dengan cara diatas maka ternyata selisihnya kecil sekali = 0,00274
Dari contoh soal ditas menunjukan bahwa kita dapat menghitung
probabilita dengan 2 cara :

1. Menggunakan rumus distribusi binomial

Pr = p . px . qn-x

2. Menggunakan Kurva Normal

z = dimana : µ = np

41
 σ = √ npq

0
Dengan catatan bahwa probabilita tidak mendekati 0 atau 1 kalau probabilita
mendekati 0 dan 1 gunakan rumus poisson.
Sekarang timbul pertanyaan dinamakah letak kelebihan penggunaan kurva normal
di bandingkan dengan ditribusi binomial. Untuk menjawab pertanyaan diatas
marilah kita lihat contoh soal sebagai berkut :

Contoh :
Probabilita seorang mahasiwa akan menjawab pertanyaan yang diajukan
kepadanya sebesar 0,25 maka hitunglah probabilita untuk mendapatkan paling
sedikit 20 jawaban atas 100 pertanyaan diajukan kepadanya ;

Penyelesaian :
Diketahui p = 0,25 → q = 1- p
= 1- 0,25 = 0,75
n = 100
X1 = 20; X2 = 21 ; X3 = 22…………x81 = 100

Dengan demikian kita hitung probabilita untuk setiap x > 20, lalu kita jumlahkan.
Kalau kita gunakan rumus binomial, maka perhitungan akan terlalu banyak yakni
81 kali perhitung dengan rumus itu. bila diajukan 1000 pertanyaan berarti suatu
pekerjaan sebanyak itu akan dapat dimudahkan atau disederhanakan bilamana kita
menggunakan kurva normal.
Disini hanya sekali saja kita menghitungnya. Yakni menghitung sebelah kanan.
n = 100
X1 = 20
p = 0,25
q = 0,75
µ = n. p

42
 = 100. 0,25
= 25
σ = √ n. p. q
= √ 100. 0,25 . 0,75
= √ 18,75
= 4,33

Z=

Z= = -1,27

luas = 0,3980

probabilita untuk mendapatkan paling sedikit 20 = 0,5 + 0,3980

= 0,8980
jadi untuk mendapatkan paling sedikit 20 jawaban sebesar 89,80 %

SAMPLING DISTRIBUSI

Seperti kita ketahui bahwa tujuan pokok dari statistik induktif adalah
menarik kesimpulan kesimpulan ( inference ) tentang populasi berdasarkan hasil–
hasil dari sampel.
Pengertian– pengertian pokok dari beberapa istilah :
1. Population adalah keseluruhan bahan atau data yang kita selidiki.
Misal : Mahasiswa, Konsumen, mobil dan lain-lain
2. Sampel adalah bagian dari populasi yang diambil untuk diteliti
3. Parameter adalah ukuran–ukuran yang dapat dari populasi dan biasanya
ditulis dengan simbul huruf yunani.

43
 4. Statistik adalah ukuran–ukuran yang dapat dari sampel dan biasanya
ditulis dengan simbul huruf biasa ; misalnya : x, s, md, mo.

 Infinite artinya tidak terhingga berapa besar / jumlah.

Misalnya : Mahasiswa ; pengertian mahasiswa ini meliputi mahasiswa

yang pernah ada seluruh dunia

 Finite artinya terhingga, tarbatas baik jumlahnya maupun tempatnya.

Misalnya : Jumlah Mahasiswa Unigoro th. 2009 : pengertian ini adalah ada
batasnya, yaitu tempat, jumlah dan waktunya.

Sebenarnya untuk menarik kesimpulan tentang populasi kita dapat

meneliti keseluruhan anggota popilation tersebut, seperti yang kita jalankan yaitu
sensus atau dinamakan juga exhaustive sampling. Meneliti keseluruhan anggota
populasi mengandung bahaya bahwa penelitian yang demikian itu akan bersifat
merusak, maka kita perlu mengabil sampel. Misalnya : untuk mengetahui berapa
umur / daya tahan rata – rata bola lampu philip, lalu semua bola lampu yang
diprodusir dites satu persatu sampai akhirnya semuanya jadi rusak dan tidak laku
dijual, cara yang demikian itu merugikan.

Dalam hal – hal tertentu, misalnya untuk populasi yang tak terhingga,
maka kita tidak mungkin melakukan sensus. Kita harus melakukan sampling
artinya harus mengambil sampel dari populasi.

Keuntungan yang utama melakukan sampling dibanding sensus

adalah :

1. Reduced Cost : Menghemat biaya–biaya ; oleh karena obyek / data yang

diteliti jauh lebih sedikit.

44
2. Greater Speed : Menghemat waktu dan tenaga : data dapat segera
dikumpulkan diolah dan diteliti sehingga hasilnya
dengan cepat dapat dipergunakan .
3. Greater Accuracy
Meskipun data yang diambil itu hanya merupakan bagian dari populasi,
namun kualitasnya atau hasil–hasilnya dapat lebih baik dan lebih tepat dari
pada sensus, sebab pengolahan data tidak memerlukan tenaga yang
banyak, sehingga oleh karenanya dapatlah pegolahan data itu diserahkan
kepada tenaga–tenaga yang betul– betul ahli dan terlatih.Jadi jelaslah atas
pertimbangan uang, waktu dan tenaga maka kita melakukan sampling.

Selanjutanya persoalan yang perlu kita pecahkan adalah bagaimana

cara metode kita mengambil agar supaya hasilnya nanti benar–benar dapat
dipertanggung jawabkan / dipercaya pada dasarnya ada dua macam metode /
cara pengambilan sampel yaitu :

1. Probabilita Method
2. Non probabilita Method

Pilihan terhadap metode ini tergantung dari keadaan daftar anggota

populasi yang diteliti dan tujuan penelitian.

1. Probabilita Method ( pengambilan sampel dan peluang )

Pengambilan keuntungan sampel / contoh dengan peluang
mempunyai keuntungan penting yaitu bahwa resiko bias karena pengambilan
contoh itu dapat ditekan sekecil mungkin. Keuntungan lain ialah bahwa dari
contoh itu dapat ditarik kesimpulan–kesimpulan mengenai populasi yang teliti
dengan tingkat kepercayaan yang dapat dihitung dengan alasan ini, beberapa
cara pengambilan sampel dengan pelung lebih disukai. Pengambilan sampai
dengan pelung tidak dapat dilaksanakan.

45
Random Sampel
Misalnya akan mengambil sampel besar 10 orang mahasiswa
Unigoro yang jumlahnya 100 orang. Tiap nama mahasiswa kita ganti dengan
nomor urut 1 s/d 100 dan ditulis pada kertas sobekan, digulung dimasukkan
dalam kotak lalu dikocok–kocok kemudian diambil 10 gulung : nomor–nomor
yang terampil telah merupakan mahasiswa terpilih sebagai anggota sampel
dan pengambilan mana suka.

Tabel Random Numbers

Tentukan besarnya populasi ( N ), terdiri dari beberapa angka
berilah nomor urut untuk tiap anggota populasi itu kemudian tentukan
besarnya sampel ( n ) dan menunjuk secara random (manasuka) sesuatu angka
pada tabel, lalu diurutkan kebawah.

Stratified Sampling
Pengambilan sampel Stratified dilakukan dengan terlebih dahulu
membagi populasi dalam beberapa sifat populasi yang menjadi paehatian
peneliti. Kemudian cara acak dapat dipakai untuk memilih sampel pada tiap
golongan.

Multistag Sampling
Pengambilan sampel dilakukan dengan bertahap, dalam pengambilan
dua tahap misalnya, pekerjaan pada tahap pertama ialah menyusun nama-
nama desa yang diinginkan. Pada tahap kedua pekerjaan dimulai dengan
membuat daftar nama petani sampai desa- desa tersebut.

46
2. Non probabilita Method (pengambilan sampel tanpa peluang)
Cara ini digunakan hanya untuk / bila pengambilan sampel dengan
peluang tidak dapat dilaksanakan. Alasanya ialah karena sampel yang terpilih
pada pelung mungkin kurang mewakili populasi dan ketelitian sifat atau statistik
yang dihasilkan.

Accidental Sampling (pengambilan sampel kebetulan)

Pengambilan sampel kebetulan dilakukan oleh peneliti dengan cara

menentukan orang–orang yang secara kebetulan ditemui atau diinginkan.

Purposive Sampling (pengambilan sengaja)

Pengambilan sampel sengaja, peneliti menemukan dengan sengaja

sampel yang akan diteliti dengan tujuan menyajikan atau menggambarkan
beberapa sifat di dalam populasi.

3. Sampling Distribution
Di dalam praktek, peneliti berdasarkan sampling, mengingat akan
segi–segi dan kepraktisannya. Bila kita ingin, menyelidiki ukuran rata –
ratanya (mean), maka tiap sampel akan menghasilakan x yang merupakan
taksiran dari pada ц. Apabila kita mengambil banyak sampel maka distribusi
dari sekian banyak x akan mempunyai mean ( over all mean ) yang amat
mendekati dengan mean sesungguhnya yakni ц.

Suatu distribusi yang menunjukkan probability unuk memperoleh

berbagai nilai x dinamakan “ Theoritical Sampling Distribution of “ x ”
(distribusi sampling rata – rata).

Distribusi Sampling Rata – rata

47
 Apabila mempunyai sebuah populasi terbatas, katakanlah berukuran
N, dengan parameter rata-rata ц dan standart deviasi ό.

Kumpulkan semua rata-rata hitung x dari semua masing-masing berukuran n

yang dapat diambila dari populasi itu (pengambilan sampel dilakukan tanpa
pengambilan). Jadi hal ini telah membentuk distribusi sampling rata – rata x

Jelaslah bahwa distribusi sampling ini merupakan kumpulan dari

bilangan–bilangan yang masing–masing merupakan rata–rata hitung, dari
distribusi sampling iniput kita masih dapat menghitung dan standar deviasi.
Rata–rata hitung ini, yakni rata–rata hitung dan untuk distribusi sampling
rata–rata.

Untuk membedakan dengan rata- rata hitung sampel yang diberi simbul x dan
rata–rata hitung populasi ц x. Demikian juga agar berbeda dari standar deviasi
sampel s dan standar deviasi populer ό maka rata–rata hitung diberikan notasi
ό x.

Supaya jelas mengenai distribusi sampling rata– rata diberikan.

Contoh sebagai berikut :

Misalnya kita menerima 10 karung berisi kedelai, setelah ditimbang ternyata

berat bersihnya :

Tabel : Berat Bersih 10 Karung Kedelai ( dalam kg )

No. karung Berat ( kg )

1 103
2 104
3 102
4 103
5 104
6 103
7 102
8 102
9 103
10 104
Jumlah 1.030

48
Kalau ke 10 karung pengiriman ini merupakan populasi, maka mudah
ditentukan berat bersih rata–rata tiap karung :

= 103 Kg

Tabel : untuk penghitungan

No Xi µ (Xi - Xrata rata) (Xi – Xrata rata)2

1 103 103 0 0
2 104 103 1 1
3 102 103 -1 1
4 103 103 0 0
5 104 103 1 1
6 103 103 0 0
7 102 103 -1 1
8 102 103 -1 1
9 103 103 0 0

49
 10 104 103 1 1

Jumlah ∑(Xi – Xrata rata)2

Ʃ 1.030 6

= = 0,81 Kg

Sekarang, ambilah semua sampel yang mungkin masing – masing berukuran 2.

Jika pengambilan ini dilakukan tanpa pengembalian, maka semua sampel yang
mungkin ada 45 buah, cara menghitungnya :

Rumus perhitungan sampel untuk populasi :

= 45

Jika ke 45 buah sampel yang mugkin ini dituliskan, dan untuk tiap sampel
dipeoleh dihitung rata–rata berat bersihnya maka hasilnya sebagai berikut :

50
No. Karung Data dalam Rata - rata
Sampel Sampel Sampel (Xi – Xrata rata)2

(1;2) ( 103 ; 104 ) 103,5 0,25

(1;2) ( 103 ; 102 ) 103,5 0,25
(1;2) ( 103 ; 103 ) 103 0
(1;2) ( 103 ; 104 ) 103,5 0,25
(1;2) ( 103 ; 103 ) 103 0
(1;2) ( 103 ; 102 ) 103,5 0,25
(1;2) ( 103 ; 102 ) 103,5 0,25
(1;2) ( 103 ; 103 ) 103 0
(1;2) ( 103 ; 102 ) 103,5 0,25
(2;2) ( 104 ; 103 ) 103 0
(2;2) ( 104 ; 104 ) 103,5 0,25
(2;2) ( 104 ; 103 ) 103, 0
(2;2) ( 104 ; 102 ) 103 0,25
(2;2) ( 104 ; 102 ) 103,5 0

51
(2;2) ( 104 ; 103 ) 103 0
(2;2) ( 104 ; 104 ) 103 0,25
(2;2) ( 104 ; 104 ) 103,5 0
(3;2) ( 102 ; 103 ) 103,5 0,25
(3;2) ( 102 ; 102 ) 103 0,25
(3;2) ( 102 ; 104 ) 103,5 0
(3;2) ( 102 ; 103 ) 103 0,25
(3;2) ( 102 ; 102 ) 103,5 0
(3;2) ( 102 ; 102 ) 103 0,25
(3;2) ( 102 ; 103 ) 103,5 0,25
(4;2) ( 103 ; 104 ) 103 0
(4;2) ( 103 ; 103 ) 103,5 0,25
(4;2) ( 103 ; 102 ) 103,5 0
(4;2) ( 103 ; 102 ) 103 0,25
(4;2) ( 103 ; 103 ) 103,5 0
(4;2) ( 103 ; 104 ) 103,5 0,25
(5;2) ( 104 ; 103 ) 103 0,25
(5;2) ( 104 ; 102 ) 103 0
(5;2) ( 104 ; 102 ) 103,5 0,25
(5;2) ( 104 ; 103 ) 103 0
(5;2) ( 104 ; 104 ) 103,5 0,25
(6;2) ( 103 ; 102 ) 103 0,25
(6;2) ( 103 ; 102 ) 103,5 0
(6;2) ( 103 ; 102 ) 103 0
(6;2) ( 103 ; 104 ) 103,5 0,25
(7;2) ( 102 ; 102 ) 103 0
(7;2) ( 102 ; 103 ) 103,5 0,25
(7;2) ( 102 ; 102 ) 103 0
(8;2) ( 102 ; 103 ) 103,5 0,25
(8;2) ( 102 ; 104 ) 103 0
(9;2) ( 10 ; 104 ) 103,5 0,25
Jumlah 4.635 12

52
Jumlah semua rata – rata dari 45 sampel itu 4.635, sehingga rata–rata ke 45 rata–
rata sampel adalah :

= 103

Standar deviasi, dari ke 45 rata- rata sampel diperoleh :

atau

= = 0,53

Dari uraian di atas nampak bahwa harga ц atau Xrata rata = 103 dan ini sama dengan
harga rata – rata populasi ц sebesar 103.

Dalam hal ini berlaku ц x = ц ; jadi rata – rata untuk distribusi sampling
rata- rata (ц x ) sama dengan rata – rata populasi dari sampel – sampel itu diambil.

Demikian pula mengenai standar deviasi untuk distribusi sampling, yakni

x dan terhadap hubungan tertentu pula.

Telah di dapat bahwa = 0,81 dan x = 0,53

Jika dengan n = 2 dan N = 10 maka didapat :

= 0,81/1,42 . 0,94

= 0,53

Rumus ini berlaku bila ukuran sampel n cukup besar di bandingkan dengan
ukuran populasi N.

53
Bila ukuran n relatif kecil dibandingkan dengan N, maka hubungan antara x
dan adalah :

Sebagai pegangan sering dipakai, kita gunakan n/N > 5% berarti sampel cukup
besar ; n/N < 5% berarti sampel (n) relatif kecil.

Dari uraian diatas dapat disimpulkan bahwa :

Diambil dari populasi dengan ц x dan standar deviasi , maka distribusi

sampling rata- rata ц x dan standar deviasi / jika n/N < 5% sedang apabila
n/N > 5% standar deviasinya :

Standar deviasi distribusi sampling rata-rata x merupakan ukuran pencaran

distribusi rata – rata dan biasa dinamakan selisih standar (standar error).

Selisih standar ini menyatakan berapa besar rata – rata sampel diharapkan akan
berbeda dari sampel yang satu ke yang lain.

Perhatikan kembali contoh diatas yang datanya ada pada tabel 4.11 dan
harga rata – ratanya untuk semua sampel n = 2 dituliskan dalam tabel untuk
memperoleh distribusi sampling rata – rata seperti tabel dibawah ini :

54
 Tabel : Distribusi Frekuensi Rata–rata Sampel

Rata – rata Frekuensi

102 3

102,5 12

103 15

103,5 12

104 3

Jumlah 45

Anggaplah ke 45 rata – rata ini mempunyai probabilita yang sama, masing

– masing probabilitanya adalah 1/45, karena ada 3 buah diantara 45 maka
probabilita harga rata – rata itu adalah 3 / 45, = 1/15.

Demikian juga probabilita untuk semua sampel dengan n = 12 akan

mempunyai rata – rata. (N,n) = (10,2) adalah 12/45 atau 4/ 15 selama dalam
distribusi itu ada 12 buah rata–rata. Dan begitu seterusnya untuk rata–rata lainnya,
akan diperoleh seperti tertera dalam tabel :

Tabel : Perhitungan Probabilita

Rata - rata Probabilita

55
 102 1/15

102,5 4/15

103 5/15

103,5 4/15

104 1/15

Jumlah 15/15

Dari distribusi sudah dihitung misalnya, probabilita harga rata – rata sebuah
sampe berukuran 2 paling sedikit ( ≤ ) 103 ; besarnya ternyata 1/15 + 4/15 +
5/15 = 10/15 atau 2/3 Probabilita rata- rata semua sampel dengan n = 2 paling
sedikit 102 ; dan paling banyak 103,5 adalah 4/15 + 5/15 + 4/15 = 13/15 ; tapi
tidak selalu tabel seperti diatas bisa dibuat, karena ini hanya mungkin jika sampel
– sampel itu diambil dari sebuah populasi terbatas dan tidak terlalu banyak,
apalagi tak terbatas sampel yang dapat diambil dari sebuah populasi jelaslah
bahwa tabel seperti diatas tidak dapat dibuat. Meskipun demikian kita masih bisa
mencari probabilita harga rata – rata sebuah sampel yang berukuran n berada
dalam batas – batas tertentu. Untuk sampel – sampel yang berukuran n berada
dalam batas – batas tertentu. Untuk sampel – sampel yang berukuran cukup besar,
ternyata distribusi sampling rata – rata memenuh dalil yang disebut dalil batas
memusat ( The Central Limit Theorem ).

Jika random sampel dipilih dari populasi dengan rata – rata ц dan
standar deviasi dan jika besarnya sampel n bertambah secara tidak terbatas
maka rata – rata sampelnya akan memilih distribusi yang mendekati distribusi
sampling rata – rata iniput mempunyai rata – rata dan simpangan baku.

56
 Biasanya distribusi yang diperoleh belum tertentu standar, untuk itu
perhitungan – perhitungan perlu disebut – sebut menjadi standar dengan
transformasi.

Apabila n/N < 5% …. Z =

/ jika n/N < 5%

Jika n/N > 5% …. Z =

Dengan menggunakan The Central Limit Theorem dan rumus tersebut diatas, kita
dapat menghitung probabilita rata – rata sebuah sampel berbeda dalam batas –
batas yang diketahui.

Contoh :

Biro jasa barang ingin menghitung probabilita bahwa rata – rata barang yang
dipaketkan kurang dari 20 kg. Apabila dalam kendaraan angkutan paket ada 60
barang titipan diteliti satu persatu akan memperoleh rata- rata sebenarnya ц= 22
kg dengan standar deviasi = 8 kg. Berdasarkan keterangan ini berapa besarnya
nilai probabilitas bahwa rata – rata berat paket yang diangkut kurang dari 20 kg.

Pemecahan : X = 20 kg

= 22 kg

= 8 kg

Z= = -1,941

p ( x < 20 kg ) = p ( z < - 1,941 )

57
 p ( x < -1,941 ) = 0,5 – 0,4738 = 0,0262
Jadi probabilita barang paket kurang dari 20 kg adalah sebesar 2,62%

Distribusi sampling tentang proporsis

Proporsi populasi dinyatakan sebagai P = x/N sedangkan proporsi sampel

dinyatakan P = x/n. jika sampel random sebesar n dipilih populasi binomial
dengan cara pemulihan, maka distribusi probabilita binomial dengan fungsi
probabilita:
P (x/n < p) = (n/x) px ( 1-p)n-1
Rata – rata :
E (p) = ц p = n.p / n  p/n = p

Variance :
V = (p) = z p atau V = (p) = npq
Standar Deviasi :
p= p (1-p) / n  karena ( 1-p) = q
maka p= pq/n

jika n/N < 5%

p=

jika n/N > 5%

p=

58
 jika sampel relatif kecil dibanding dengan populasi katakanlah kurang
dari 5%, maka faktor koreksi bagi populasi terbatas diatas diabaikan karena faktor
koreksi tersebut akan mendekati 1.
Distribusi sampling p bagi random yang dipilih dengan pemulihan akan
mendekati distribusi normal. Distribusi sampling p bagi sampel random yang
dipilih tanpa pemulihan akan mempunyai distribusi binomia asal p dihitung
dengan faktor koreksi. Alhasil, kedua sampling diatas akan menghasilkan
distribusi sampling p yang dapat diubah kedalam bentuk normal.
Jika sampel n besar, variabel random p diatas dapat di ubah kedalam
bentuk normal standar.

Z=

Sebaliknya jika n relatif kecil dibandingkan dengan populasi pendekatan dengan

distribusi normal harus menggunakan faktor koreksi kontinuitas sebesar + ½ n
atau – ½ n sehingga bentuk pengubahan variasi randomnya kedalam normal
standar.

Z=

Contoh :
Dari suatu proses pembuatan batu bata ledok kulon pada setiap hari kerja
ternyata 95% dinyatakan baik, sedangkan 5% dinyatakan rusak, selama proses
berlangsung; untuk penelitian diambil sampel terdiri 100 batu bata.
Pertanyaan :
1. Tentukan rata rata proporsi produksi yang rusak, dan standar deviasinya.
2. Berapakah probabilita produk rusak dari sebuah sampel, jika terdapat
paling sedikit 10% yang rusak.
3. Berapa ukuran sampel paling sedikit, agar jika mengambil sampel cukup
banyak dengan ukuran tersebut, proporsi kerusakannya diharapkan akan
berbeda tidak lebih dari 3%.

59
Pemecahannya :
p = 0,05
n = 100
1. Oleh karena populasi tidak diketahui maka :
= p = 0,05
Jadi rata rata proporsi batu bata yang rusak = 5%
p= pq/n
= (0,05. 0,95)/100
p = 0,0218
Jadi standar deviasi proporsi barang rusak = 2,18%

2. Dengan menggunakan distribusi normal, untuk mengetahui paling sedikit

10% yang rusak :

Z=

= 2,29
p (p < 0,1) = p (z < 2,29)
= 0,5 – 0,489
= 0,011
Jadi probabilita paling sedikit 10% rusak sebesar 1,1%

3. Menentukan jumlah sampel

< 3%
= 0,03
0,0475/n = 9/10.000
9n = 475
n > 53
Jadi paling sedikit sampel berukuran 53

60
Distribusi Sampling Beda Rata – rata

Rumus : Z =

Dimana :

Dan E ( ∆x ) = цx1 – x2 = ц1 – ц2

Di dalam penelitian sering kita ingat mengetahui apakah ada perbedaan

yang berarti antara rata – rata dua sampel atau tidak ada perbedaan dari kedua
sampel itu.
Misalnya : penelitian tentang pemakaian bahwa bahan untuk dua jenis sepedah
montor. Jenis 1 ternyata mempunyai rata – rata pemakaian 1 liter dengan jarak 40
km, rata – rata jenis kedua pemakaian 1 liter dengan jarak 50 km. Apakah hasil ini
menyatakan perbedaan yang berarti mengenai pemakaian bahan bakar, karena
jenis sepedah motor itu.
Persoalan diatas dapat dipecahkan dengan distribusi beda rata – rata. Apabila dua
sampel dipilih dari dua populasi dan bila sampel pertama n1 dengan rata ц1 dan
deviasi standar 1 sedangkan sampel kedua sebesar µ2 dan deviasi standar 2 -
maka beda antara kedua rata –rata sampel dapat dinyatakan dengan ∆x dan
distribusi secara normal dengan rata – rata.

E ( ∆x ) = цx1 – x2 = ц1 – ц2

Devisiasi standar :

Didistribusi secara normal :

61
 Z=

Contoh soal :
Dua jenis sepeda motor mempunyai rata – rata pemakaian bahan bakar
untuk jenis I = 50 km/ liter sedangkan jenis II = 40 km/liter dan memiliki
variance jenis I = 12 km sedangkan variance jenis II = 8 km. Seandainya sampel
random n1 = 6 dan n2 = 8. Berapakah probabilita pemakaian 1 liter pada sepeda
motor jenis I akan lebih besar 15 km dari pemakaian 1 liter untuk jenis II.

Penyelesaiannya :
ц x1 – x2 = ц1 - ц2
= 50 – 40
= 10
x1-x2 =
=
= 1,73

Z =

= = 2,89

Px1-x2 > 15 = p ( z > 2,89 )

= 0,5 – 0,4981
= 0,0019

Ternyata probabilita daya tempuh rata – rata sepeda motor jenis I akan
lebih besar 15 km dari daya tempuh rata – rata jenis II hanyalah sebesar
0,19%.

62
Distribusi Sampling Beda Proporsi

Apabila dua sampel random dipilih dari dua populasi dan bila sampel
pertama sebesar n1 dengan p1 sedangkan sampel kedua sebesar n2 dengan p2, maka
beda sampel proporsi p dapat didistribusikan dengan rata – rata.
E ( ∆x ) = цp1-p2= p1 – p2
Diviasi standar

jika n1 dan n2 cukup besar, maka distribusi sampling tentang p1 dan p2 diatas akan
mendekati distribusi normal dan variabel randomnya dapat diubah kedalam
variabel standar.

Dengan demikian probabilitanya dapat dihitung dengan bantuan tabel luas kurva
normal.

Contoh soal :
Perusahaan A dan B menghasilkan suatu barang. Biasanya barang yang
dihasilkan perusahaan A mengalami kerusakan sekitar 7%.
Sedangkan perusahaan B mengalami kerusakan 6%. Dari barang – barang
yang dihasilkan oleh kedua perusahaan itu, diambil random sampel masing –
masing sebanyak 100 barang. Berapakah probabilitanya bahwa kerusakan barang

63
dari perusahaan A akan berbeda lebih dari 0,5% bila dibandingkan kerusakan
barang yang dihasilkan oleh perusahaan B.

Pemecahannya :
p1 = 0,07 n1 = 100
p2 = 0,06 n2 = 100
p1 – p2 = p 1 - p2
= 0,07 – 0,06 = 0,01

=
= 0,03485

Oleh karena perbedaan yang dimaksud bisa lebih besar atau lebih kecil, maka
probabilitanya dapat dinyatakan :

P ( -0,005 < p1-p2 < 0,005 ) = P ( -0,43 < z < -0,14 )

Z1 = = - 0,4304

Z2 = = - 0,1435

P ( -0,005 < (p1 - p2) < 0,005 ) = p ( - 0,43 < z < -0,14 )
= 0,1664 – 0,0557
= 0,1107

64
jadi probabilita kerusakan barang yang dihasilkan perusahaan A akan berbeda
lebih dari 0,5% bila dibandingkan kerusakan barang yang dihasilkan oleh
perusahaan B adalah sebesar 11,07 %

MASALAH PERKIRAAN

Statistik Induktif yang akan kita bahas sekarang ini adalah mengenai
perkiraan (Estimasi) yang merupakan bagian yang terpenting dan menjadi pusat
ilmu Statistik modem.
Dalam pelajaran filsalfat, kita mengenal 2 modem untuk menarik
kesimpulan, yaitu metode deduksi dan induksi.
1. Deduksi :Dari hal – hal yang umum ( yakni dalil – dalil ) lalu kita tari
kesimpulan untuk hal – hal yang khusus.
Misalnya : Premis 1 tiap manusia akan mati ( umum )
Premis 2 paijo adalah seorang manusia ( khusus )
2. Induksi : Kebalikan daripada Deduksi, di sini kita berpangkal pada hal –
hal yang khusus lalu menarik kesimpulan yang bersifat
umum.
Misalnya : Premis 1 paijo, paimin, paidi dan paiman adalah manusia
( khusus )
Premis 2 paijo, paimin, paidi, dan paiman tiap hari makan.
Kesimpulannya manusia tiap hari makan

65
Letak perbedaan antara kedua methode tersebut adalah bahwa kesimpulan dari
deduksi itu telah masuk dalam premis sebelumnya ( Close System ).
Sedang kesimpulan pada induksi itu lebih luas dari pada premis – premis
sebelunya, jadi sesuatu yang baru dimasukkan ( Open System ).
Kebaikan induksi adalah apabila kesimpualan itu betul maka ini berarti
pengetahuan kita bertambah, sedangkan kekurangannya, belum ada kepastian
sampai dimana tentang betul tidaknya kesimpulan tersebut. Kalau betul, lalu
kepastiannya itu berada prosen.
Disinilah ilmu statistik memegang peranan, yaitu menentukan tingkat
kepastiannya. Ilmu statistik kebanyakan menggunakan methode induksi dan inilah
yang disebut statistik induktif atau statistik inferens yakni menarik kesimpulan
tentang sifat – sifat populasi berdasarkan sifat – sifat populasi berdasarkan yang
dipewroleh dari sampel.
Adapun Statistik Induktif berbentuk 2 macam:
1. Masalah perkiraan ( estimasi )
2. Pengujian hipotesa
Perkiraan atau etimasi adalah membuat perkiraan tentang besaran – besaran
populasi ( parameter ) berdasarkan yang didapat dari sampel.
Jadi berdasarkan x kita memperkirakan besarnya S.
Berdasarkan md kita memperkirakan besarnya Md.

Ada 2 macam perkiraan ( estimasi ) :

1. Point Estimation
Artinya menunjuk suatu nilai tertentu sebagai taksiran dari pada
parameter.
Misalnya : rata – rata lamanya waktu yang digunakan oleh seseorang
untuk membuat batu bata 200 biji adalah 6 jam.
Kelemahannya adalah kita terlalu optimis, bahwa perkiraan kita itu benar –
benarsama dengan ukuran yang akan kita cari.

66
 2. interval Estimation
Artinya kita menentukan batas – batas ( limits ), yaitu antara sekian
sampai sekian, didalam batas – batas mana parameter yang kita estimasi
itu kira – kira akan terletak. Ini disertai dengan derajat kepastian yang
dinyatakan dalam prosentase.
Misalnya : kita 95% yakin ( kita dapt menyatakan dengan probabilitas
95% ) bahwa interval dari 5 s/d 6 jam mengandung waktu rata – rata yang
senyatanya, yang digunakan seseorang untuk membuat 500 biji batu bata.
Derajat kepastiannya ( degree of certainty ) itu disebut “ Confidence
Coeffisien ” sedang batas – batasnya dinamakan “ Confidence Interval ”

Perkiraan interval untuk rata – rata

Untuk membuat harus ditentukan dahulu besarnya confidence coefficient (

level of confidence ) maksudnya adalah bersarnya tingkat keyakinan/kepercayaan
yang diberi simbul 1 – ά
Besarnya 1 – ά = 0,90 maka ά = 10%
1 – ά = 0,99 maka ά = 1%
1 – ά = 0,95 maka ά = 5%
perhatikan suatu kurva normal sebagai berikut :
( luas Kurva normal = 1 atau 100% )

Rumus :
Sampel besar : n > 30, sampel dilakukan dengan pengembalian ( with replacement
)

67
 x– . <

Jika sampel diambil tanpa pengembalian kembali ( without replacement )

, maka rumus diatas diubah menjadi :

x– . <

Apabila sampel kecil ( n ≤ 30 ) diambil dari populasi dengan pengambilan tidak

diketahui, maka berlaku rumus sebagai berikut :

s=

sx =

s = perkiraan
t /2 didapat dari tabel t dengan menggunakan degree of freedom atau derajat
kebebasan sebesar = (n –1)

Contoh :
Suatu ketika peneliti mengetahui berapa lama waktu yang digunakan oleh
seorang pembuat batu bata untuk menyelesaikan 500 biji. Dari 40 pengajin batu
bata ternyata diketahui rata – rata lamanya waktu untuk membuat 500 biji batu
bata adalah 5,5 jam standar deviasi 1,5 jam.
Hitunglah 95% confidence interval.

Pemecahan :
n = 40

68
 = 1,5
X rata-rata = 5,5
1- α= 95% α = 5% = 1,96

x– . <

5,5 – 1,96 . 1,5 / < µ < 5,5 + 1,96 . 1.5 /

5,035 < µ < 5,965

atau µ = 5 s/d 6 jam

Contoh :
Seratus orang calon mahasiswa ilmu statistik sebagai sampel acak yang sudah
mengikuti test IQ, mempunyai rata – rata IQ 110 dan diketahui mempunyai
simpangan baku 20. dengan tingkat keyakinan sebesar 95%.
Buatlah pendugaan interval dari rata – rata IQ tersebut.
Penyelesaian :
n = 100 Xrata-rata = 110 dan = 20
1- α = 95% α = 5%
α /2 = 2,5% sehingga Z α/2 = 1,96 ( tabel )

Maka :

X- . <

110 - 1,96.

110-1,96 (2) < µ < 110 + 1,96 (2)

110-3,92 < µ < 110 + 3,92

106,08 < µ < 113,92

Contoh :
Lima orang mahasiswa sebuah PTS dipilih secara acak untuk diukur tingginya,
akan dikirim ke PON :

69
 X = tinggi mahasiswa dalam cm
X1 = 160, x2 = 170, x3 = 165, x4 = 175, x5 = 180
Buatlah pendugaan interval tentang rata – rata, tinggi mahasisa tersebut dengan
probabilita 0,95
Penyelesaian :
Diketahui : X1 = 160, x2 = 170, x3 = 165, x4 = 175, x5 = 180
n=5 ( sampel kecil n ≤ 30 )

Xrata-rata = = 170

Df= ( n – 1) = 5 –1 = 4
1 – α = 0,95 , α = 5%
α /2 = 2,5%  t α/2,df = 2,7664

s=

s= = 7,9057

sx = = 3,53

maka :

170 – 2,776 ( 3,53 ) < µ < 170 + 2,7764 ( 3,53 )

170 – 9,8 < µ < 170 + 9,8

160,12 < µ < 179,8

Kalau ingin mengubah probabilita atau tingkat kepastiaanya/keyakinannya

menjadi 98% , 99% , atau 68%.

Menurut tabel :
Area 98%, Z yang korespond adalah 2,33
99%, Z yang korespond adalah 2,58

70
 68%, Z yang korespond adalah 1
50%, Z yang korespond adalah 0,67
90%, Z yang korespond adalah 1,64
95%, Z yang korespond adalah 1,96

Apakah artinya pertanyaan bahwa dengan probabilita 0,95% rata – rata lamanya
waktu yang digunakan oleh pengrajin batu bata untuk membuat 500 biji batu bata
terletak antara 5 s/d 6 jam ?
Apakah pasti bahwa lamanya waktu itu benar – banar antara batas itu saja?
Tentunya jawabannya tidak.

Lamanya waktu mungkin kurang, atau lebih dari batas – batas itu akan tetapi
dengan menggunakan metode itu kita yakin atau dapat kita pastikan bahwa
didalam jangka panjang perkiraan itu akan sangat mendekati dengan kenyataan
sesungguhnya. Jadi misalnya didalam 1000 kejadian maka 950 diantaranya akan
mempunyai interval 5 s/d 6 jam, demikianlah makna pernyataan diatas.
Didalam memperkirakan besarnya parameter kita tentu saja melakukan
kesalahan – kesalahan atau error.
Besarnya error ini adalah sebesar perbedaan antara x dengan µ
Dari ketidaksamaan dimuka, dapat ditulis bahwa :

E=±

Hal ini berarti bahwa, apabila x itu di gunakan sebagai suatu taksiran dari µ , kita
dapat menyatakan dengan probabilita 0,95, bahwa kesalahan kita adalah terletak
diantara :

71
Dengan mengganti ini dengan s ( s merupakan taksiran ), maka kita
peroleh suatu dalil : apabila x yaitu rata – rata dari suatu random sampel sebesar n
yang 30, digunakan sebagai suatu taksiran dari pada ц , kita dapat menyatakan

dengan suatu probabilita sebesar 1,96

Dalam contoh diatas, maka besarnya kesalahan adalah :

± 1,96. = 0,465 jam

Contoh :
Suatu random sampel dari 36 buah ban mobil, diketahui rata – rata dapat dipakai
sejauh 22.000 km dengan standar deviasi 1.500 km
a. Buatlah 98% Confidence interval mengenai umur rata-rata ban
tersebut
b. Apakah yang dapat kita nyatakan dengan suatu probabilita 0,95
tentang kemungkinan besarnya kesalahan ( error ) bila kita taksir bahwa
rata-rata umur satu ban yang dibuat perusahaan-perusahaan itu adalah
22.000 km?

Pemecahannya:
a. n = 36
x = 22.000 km
= 1.500 km
probabilita 98% , maka = 2,33
µ=x± . (σ / )

µ=x± . (1500 / )
= 22.000 ± 2.33 . (250)
= 22.000 ± 582,5

72
 = 21.417,5 km  22.582,5 km

jadi dengan 98% confidence interval, maka rata – rata umur ban itu
terletak antara 21.417,5 km s/d 22.585,5 km

b. Dengan probabilita 95%, maka besarnya kesalahan adalah kurang dari E =

. /
E = 1,96 . (1500 / )
= 1,96 . (250)
= 490
c. Dalam soal diatas dengan probabilita berapakah kita dapat menyatakan
bahwa perkiraan kita mengenai rata – rata umur ban mobil itu berada
dalam batas – batas 490 km dari rata – rata yang sebenarnya ?
Untuk itu kita harus mencari nilai dan area dalam tabel kurva
normal.
X - µ = 490 .... ?

X-µ= . /
490 = . 1500 /
. 1500 / = 490
= 490/250
= 1,8
Menurut tabel kurva normal maka yang sesuai dengan = 1,8 adalah
0,4641. Jadi probabilitanya = 2.(0,4641) = 0,9282

Berdasarkan teori – teori dimuka dapat juga menghitung besarnya

sampel yang diinginkan guna mempertahankan derajat kepastian yang
diinginkan. Kita ingin bahwa makin besar n, maka hasilnya makin dapat
dipercaya, tetapi biayanya juga bertambah.

Contoh :

73
 Kita ingin memperkirakan biaya yang dikeluarkan untuk
mahasiswa F.E Universitas X semester I, dimana kita menginginkan dengan
derajat kepastian sebesar 95% bahwa perkiraan kita itu akan berbeda dari
biaya yang dikeluarkan yang sebenarnya paling banyak Rp. 10.000,-
persoalannya berapa besarnya sampel yang harus kita ambil ?

Pemecahannya :
Besarnya kesalahan kita kurang dari 1,96 /
Probabilita 0,95 maka = 1,96
Besarnya kesalahan (E) Rp. 10.000,- ; belum diketahui, maka perlu
diperkirakan lebih dahulu berdasarkan penelitian – penelitian yang pernah
dilakukan misalnya = 50.000
Maka :
E = 1,96 /

10.000 = 1,96

10.000 √n = 1,96 (50.000)

= 9,8
n = (9,8)2
= 96,04
Jadi besarnya sampel = 96 orang ( paling sedikit yang harus ambil )

Kalau besarnya Estimasi itu kita sebut E maka :

E = 1,96 / → n = ( 1,96 . /E )2

74
Kalau dikehendaki probabilita/ derajat kepastian yang lain maka kita tinggal
mengganti angka 1,96 dalam rumus itu dengan angka Z lain yang korespond
dengan probabilita yang kita inginkan

Contoh soal :
Suatu badan sosial ingin mengetahui berapa besarnya pendapatan rata-rata
tukang becak sehari di kota B. Diambil sampel sebesar 25 orang dan ternyata
pendapatan perhari Rp. 2.200,- dan standar deviasi Rp. 400,- bila dikendaki 95%
confidence interval, maka berapakah perkiraan itu?

Pemecahannya :
x = 2.200
s = 400
n = 25
1- = 95% → = 5%
df = n – 1 = 25 – 1 = 24

x-t /2,df .s/ <µ<x+t /2,df .s/

= 2.200 - t 0,025,24.400 / < µ < 2.200 + t 0,025,24.400 /

= 2.200 - 2,064. 400 / < µ < 2.200 + 2,064. 400 /

µ = 2.200 ± 2.064.(80)

µ = 2.200 ± 165,12

µ = 2.034,88 → 2,365,12

jadi dengan probabilita 99,5%, maka kita menyatakan bahwa besarnya

pendapatan rata – rata tiap hari dari tukang becak terletak diantara Rp.
2.035,- sampai dengan Rp. 2.365,-

75
Contoh soal :
Sebuah penelitian ingin mengetahui rata – rata tinggi mahasiswa secara random
dan setelah diukur terdapat X1= 165, X2 = 170, X3 = 168, X4 = 158, X6 = 175, X7
= 180, X8 = 180, X9 = 155, X10 = 162

Buatlah perkiraan interval tentang rata – rata tinggi mahasiswa F.E Unigoro
dengan confident level sebesar 99%.
Pemecahannya :

Xrata-rata =

X = 1/10 (165 + 170 + 168 + 160 + 158 + 175 + 180 + 150 + 155 + 162)
= 1/10 (1643)
= 164,3

s=

Tabel. Perhitungan "s" (perkiraan deviasi standar)

Xi Xrata-rata (Xi- Xrata-rata) (Xi- Xrata-rata)2

165 164,3 0,7 0,49

170 164,3 5,7 32,49
168 164,3 3,7 13,69
160 164,3 -4,3 18,49
158 164,3 -6,3 39,69
175 164,3 10,7 114,49
180 164,3 15,7 246,49
150 164,3 -14,3 204,49
155 164,3 9,3 86,49
162 164,3 2,3 5,29
∑ (Xi- Xrata-rata)2
762,1

S=

76
 S=
= 9,20

Karena n < 30, maka dipergunakan distribusi - t

1 – α = 99%
α = 1% → α/2 = 0,005
tα/2,df = t0,005,n-1 dari tabel t dipeoroleh nilai t = 3,25
x - tα/2,df. s / < µ < x + tα/2,df. s /
164,3 – 3,25 . 9,2 / < µ < 164,3 + 3,25 . 9,2
164,3 – 9,45 < µ < 164,3 + 9,45
154,85 < µ < 173,75
Interval antara 154,85 cm dan 173, 75 cm akan terdapat rata – rata tinggi
mahasiswa F.E Unigoro dengan probabilita 99%.

Perkiraan Interval beda dua rata – rata

Kalau kita dua populasi norma, yang pertama dengan rata – rata µ1 dan

deviasi 1 sedangkan yang kedua dengan rata – rata µ2 dan deviasi standar 2.

Berdasarkan sampel random dari tiap populasi akan diperkirakan nilai µ1 –

µ2 dengan memakai beda rata – rata sampel x1-x2.

Apabila n > 30 dan > diketahui, perkiraan itu dapat dinyatakan dengan :

(x1-x2) – Z α/2 . (x1-x2) < (µ1 – µ2) < (x1-x2 ) + Z α/2 . (x1-x2)

Bila (x1-x2) = tidak diketahui, perkiraan menjadi sebagai

berikut :

( x1-x2 ) – t α/2,df s ( x1-x2 ) < (µ1 – µ2) < (x1-x2 ) + t α/2,df s ( x1-x2 )

s ( x1-x2 ) =

77
tά/2 diperoleh dari tabel ; dengan menggunakan derajat kebebasan sebesar
df = n1+ n2 - 2

Contoh :
Dua pengusaha lampu akan meneliti produk yang dihasilkannya. Dari
pengusaha, lampu I diteliti 125 buah dan dicatat masa pakaiannya. Ternyata rata -
ratanya 1300 jam dan deviasi standar 60 jam. Barang yang dihasilkan pengusaha
II diteliti sebanyak 100 buah ternyata rata – ratanya 1200 jam dengan deviasi
standar 50 jam. Dengan menggunakan confidence level 90% akan dihitung
perkiraan interval beda rata–ratanya masa pakai dari kedua produk lampu tersebut.

Pemecahannya :
Diketahui :
n1 = 125 n2 = 100
x1 = 1300 x2 = 1200
s1 = 60 jam s2 = 50 jam
1 – α = 90%
α = 10% → Zα/2 = 1,64
Apabila 1 2 dan besarnya tidak diketahui, maka besarnya 1 dan 2

berturut – turut diganti dengan s1 dan s2 oleh karena n > 30, digunakan pendekatan
dengan distribusi normal.

(x1-x2) – 1 - 2 < (x1 – x2) +

(1,300-1,200) – < 1 - 2 < (1,300-1,200) +

100 – 1,64 (7,32) < 1 - 2 < 100 + 1,64 (7,32)

78
100 – 12 < 1 - 2 < 100 + 12
88 < 1 - 2 < 112
Jadi dengan probabilita 90%, masa pakai produk tersebut mempunyai
interval antara 88 jam dan 112 jam

Contoh soal :
Untuk mengetahui apakah ada perbedaan rata – rata gaji bulanan dari dua
perusahaan A dan B, maka telah dilakukan wawancara terhadap 10 orang
karyawan yang dipilih secara random sebagai sampel dari masing – masing
perusahaan. Buatlah perkiraan interval beda rata – rata gaji tersebut dengan
confidence level 95%.

Tabel daftar gaji per bulan dari 10 karyawan dari perusahaan A dan B

Gaji ( upah ) per bulan dalam ribuan

rupiah
Karyawan
Perusahaan A Perusahaan B

1 55 45
2 61 39
3 65 31
4 51 40
5 53 50
6 49 55
7 57 61
8 59 53
9 45 49
10 50 48
Jumlah 545 471

Penyelesaian :

79
 Daftar Gaji Perusahaan A ( dalam ribuan )

Karyawan A Gaji / Bl .
Xrata-rata (xi – Xrata-rata) (xi – Xrata-rata)2
(Rp.) xi
1 55 0,5 0,25
2 61 6,5 42,25
3 65 10,5 110,25
4 51 -3,5 12,25
5 53 54,5 -1,5 2,25
6 49 -5,5 30,25
7 57 2,5 6,25
8 59 4,5 20,25
9 45 -9,5 90,25
10 50 -4,5 20,25
Σ 10 545 Σ (Xi – Xrata-rata)2
334,5

Daftar Gaji Perusahaan B ( dalam ribuan )

Karyaman B Gaji / Bl .
Xrata-rata (xi – Xrata-rata) (xi – Xrata-rata)2
(Rp.) xi
1 45 -2,1 4,41
2 39 -8,1 65,61
3 31 -16,1 259,21
4 40 -7,1 50,41
5 50 47,1 2,9 8,41
6 55 7,9 62,41
7 61 13,9 193,21
8 53 5,9 34,81
9 49 1,9 3,61
10 48 0,9 0,81
Σ 10 471 Σ (Xi – Xrata-rata)2
682,9

Penyelesaian :

80
X1 rata-rata =

X2 rata-rata =

. 334,5 = 37,16

. 682,9 = 75,87

s(x1-x2) =

s(x1-x2) = √

= 7,5(0,44)

= 3,3

*untuk ά = 5% → tά/2,df yaitu t 0,025 ; 18 = 2,101

( x1 – x2 ) – tά/2,df .s( x1 – x2 ) < (µ1 – µ2) < ( x1 – x2 ) + tά/2,df.s( x1 – x2 )

(54,5 – 47,1) – 2,1011 ( 3,3 ) < (µ1 – µ2) < (54,5 - 47,1) + 2,1011 (3,3 )

74 – 6,93363 < (µ1 – µ2) < 74 + 6,93363

67,1 < (µ1 – µ2) < 80,9

Jadi interval antara $ 67,1 sampai dengan $ 80,9 akan memuat beda rata –
rata gaji per bulan antara karyawan perusahaan A dan B dengan
probabilita 95%.

81
Perkiraan Interval untuk Proporsi
Pada setiap peneliti elemen – elemen populasi/ sampel dikategorikan
sesuai dengan karakteristik tertentu.
Contoh : Setuju dan Tidak Setuju
Rusak dan Tidak Rusak dsb.
Jika x = banyaknya elemen dengan karakteristik tertentu, maka p = x/n →
estimasi/perkiraan merupakan perkiraan p (proporsi sebenarnya dari pada elemen
– elemen dengan karakteristik tertentu ).
Misal : Suatu pemilihan ketua umum dalam suatu organisasi diambil sampel 20
orang dari jumlah tersebut 5 orang menyatakan tidak setuju.
Maka p = x/n = 5/20 = 0,25
Perkiraan orang yang tidak setuju 25%.
Untuk memperkirakan confidence Interval untuk p, maka rumusnya adalah:

x/n - < p < x/n +

Contoh soal :

Seorang pengusaha sabun ingin mengetahui bagaimanakah konsumsi

sabun mandi oleh mahasiswa dikota B. dari suatu sampel yang terdiri dari 100
orang mahasiswa 60% memilih sabun V, lainnya memilih L dan G. Hitunglah
besarnya proporsi yang sesungguhnya dari mahasiswa kota B yang memakai
sabun V, gunakan 95% convidence interval.

82
Pemecahaan :
x/n = 60% = 0,6
1 – x/n = 1 – 0,6 = 0,4
n = 100 ; Zά/2 = 1,96

x/n - < P < x/n +

0,6 – 1,96 < p < 0,6 + 1,96

0,6 – 0,096 < p < 0,6 + 0,096

0,504 < p < 0,696
50,4% < p < 69,6%

Jadi besarnya proporsi itu 50,4% s/d 69,6%.

Bila x/n sampel proporsi digunakan sebagai point estimation untuk p, maka

besarnya error ( kesalahan ) adalah E = -p

Dengan demikian kita peroleh dalil sebagai berikut :

Jika x/n. adalah sampel proporsi yang kita teliti dari random sampel yang besar
digunakan sebagai taksiran dari p, maka kita dapat menyatakan dengan probabilita
95% bahwa besarnya kesalahan kita adalah kurang dari :

E = ( + ) 1,96

Pada contoh soal diatas, maka besarnya expektasi itu akan kurang dari :

E = ( + ) 1,96 = 0,096 atau 9,6%

atau 60% → 69,6%

Beda + 9,6%
Catatan : 1,96 → merupakan Z ά /2

83
 Rumus Estimasi untuk menghitung besarnya sampel

Dengan menggunakan dalil diatas kita dapat pula menghitung n ( sampel size)
apabila telah diketahui besarnya eror dan confidence levelnya. Apabila besarnya
confidence levelnya 95% dan x/n digunakan sebagai estimasi 'p', maka error (E)
adalah :

E = 1,96

E/1,96 =

(E/1,96)2 =

n(E/1,96)2 = x/n (1-x/n)

n = x/n (1-x/n) .

Sehingga :
n = (1,96/E)2 . x/n (1-x/n)
Oleh karena itu x/n (1-x/n) paling besar nilainya ¼
Rumus diatas dapat diubah sebagai berikut :

n ≤ ¼ (1,96/E)2

Contoh 1:
Seorang kepala pabrik bertanggung jawab tentang mutu barang ingin
mengestimasi besarnya proporsi / presentase barang yang rusak. Dia ingin 95%

yakin bahwa pendugaan proporsi p = untuk mengestimasi p, dengan E = 0,04

, hitunglah sampel yang diperlukan

Penyelesaian :

84
 n=¼

n = 0,25

= 0,25
= 0,25 (2401)
= 600

Jadi untuk mendapatkan pendugaan proporsi dengan kesalahan besar ± 0,04

paling sedikit harus menyelidiki sebanyak n = 600 buah barang.

Contoh soal 2 :
Kita ingin mengetahui berapa proporsi mahasiswa Unigoro yang naik
sepeda motor kalau pergi kuliah. Bila dikehendaki 95% yakin bahwa besarnya
kesalahan itu paling banyak 5%, maka berapakah besarnya sampel yang harus kita
ambil ?

Pemecahannya :
E = 0,05
95 % confidence level, berarti Z α/2 = 1,96
n ≤ ¼ ( 1,96/0,05)2
n ≤ ¼ ( 1.536.44)
n ≤ 384,16
jadi besarnya sampel yang harus diambil itu paling banyak 384 mahasiswa
.

Perkiraan Interval tentang Beda Dua Proporsi

Untuk beda proporsi dapat dirumuskan sebagai berikut :

(p1 – p2) - Z α/2 s(p1 – p2) < p1 – p2 < (p1 – p2) + Z α/2 s(p1 – p2)
untuk n < 30

85
s(p1 – p2) =

Contoh 1 :
BKKBN melakukan penelitian di dua daerah (D1 dan D2 ) untuk mengetahui
apakah ada perbedaan antara prosentase penduduk yang setuju ikut KB di daerah
tersebut. Kemudian dibuat pendugaan interval mengenai besarnya selisih /
perbedaan prosentase tersebut. Di daerah D1 dan D2 masing-masing dilakukan
wawancara terhadap 120 orang antara lain menanyakan apakah mereka setuju KB
atau tidak. Dari D1 ada 90 orang dan D2 ada 78 orang yang setuju KB. Buatlah
pendugaan interval dari perbedaan prosentase tentang pendapat penduduk yang
setuju dengan KB dikedua daerah tersebut, dengan α = 10%.

Penyeleaian :

Diketahui : p1 =
p1 - p2 = 0,75 – 0,65 = 0,1
p2 =

= 0,059
Z α/2 = 1,65

Maka :
(p1 – p2) - Z α/2 s(p1 – p2) < p1 – p2 < (p1 – p2) + Z α/2 s(p1 – p2)
0,10 – 1,65(0,059) < p1 – p2 < 0,10 + 1,65 (0,059)
0,10 – 0,09735 < p1 – p2 < 0,10 + 0,09735
0,0265 < P1 – P2 < 0,19735

86
Jadi interval antara 0,3% dan 19,7% akan memuat perbedaan prosentase
penduduk yang setuju KB dari dua daerah tersebut dengan probabilita 90%.

Contoh 2 :
Suatu penelitian mengenai kesukaan konsumen terhadap sabun mandi cap
singa telah dilakukan oleh perusahaan industri sabun yang bersangkutan.
Berdasarkan pendapatan rata-rata per bulan para konsumen dibagi ke dalam 2
golongan yaitu golongan yang mampu dan golongan yang kurang mampu. Sampel
random sebesar 450 keluarga dipilih dari golongan pertama, sedangkan sampel
random sebesar 550 keluarga konsumen dipilih dari golongan kedua. Pada
golongan pertama, 250 keluarga konsumen menyatakan suka pada sabun cap
singa sedangkan pada golongan kedua terdapat 210 keluarga konsumen yang suka
sabun tersebut.
Buatlah interval keyaknan sebesar 95% guna menduga beda proporsi kedua
golongan di atas yang menyukai sabun cap Singa.
Pemecahan :
n1 = 450 p1 = 250/450 = 0,555
n2 = 550 p2 = 210/550 = 0,381
Z α/2 = 1,96

(p1 – p2) - Z α/2 Ѕ(p1 – p2) < p1 – p2 < (p1 – p2) + Z α/2 Ѕ(p1 – p2)

Ѕ(p1 – p2) =

= 0,0234 + 0,0207
= 0,0441
Maka :

87
(0,555-0,381) – 1,96 (0,0441) < P1 – P2 < (0,555 – 0,381) + 1,96 (0,041)
0,174 - 0,0864 < P1 – P2 < 0,174 – 0,0864
0,0876 < P1 – P2 < 0,2604
8,76% < P1 – P2 < 26,04%

PENGUJIAN HIPOTESIS

Definisi
Hipotesis pada dasarnya merupakan suatu proposisi atau anggapan yang
mungkin benar dan sering digunakan sebagai dasar pembuatan keputusan /
pemecahan persoalan atau untuk dasar penelitian lebih lanjut.

Perumusan Hipotesis
Hipotesis yang berupa anggapan / pendapat dapat didasarkan atas :
a).Teori
b). Pengalaman
c). Ketajaman berfikir
Orang yang cerdas sering mempunyai pendapat tentang pemecahan
suatu persoalan.

88
Pengujian Hipotesis
 Pengujian Hipotesis Satu Rata-rata
1. Perumusan Hipotesis
I. H0 : µ = µ 0
Ha : µ > µ 0

II. H0 : µ = µ0
Ha : µ < μ0

III. H0 : µ = µ0
H a : µ ≠ µ0

Daerah yang diarsir adalah daerah penolakan hipotesis (Ho)

2. tentukan nilai alfa ( α ) yaitu tingkat nyata ( significant level)

bisa dilihat pada tabel Distribusi “ Z “ atau “ t ”

3. hitung ZO sebagai kriteria pengujian

Z0 =

4. pengujian hipotesis dan aturan perumusan (kesimpulan)

I. H0 : µ = µ 0 bila Z0 > Zα , maka H0 ditolak.
Ha : µ > µ 0 bila Z0 ≤ Zα , maka H0 diterima.

89
 II. H0 : µ = µ 0 bila Z0 > -Zα , maka H0 ditolak
Ha : µ < µ 0 bila Z0 ≥ -Zα , maka H0 diterima
III. H0 : µ = µ0 bila Z0 > Zα atau Z0 < -Zα maka H0 ditolak
H0 : µ ≠ µ0 bila -Zα/2 ≤ Z0 ≤ Zα/2 , maka H0 diterima.

Contoh :
Menurut pendapat seorang pejabat Dep Sos, rata-rata penerimaan perhari
anak-anak penjual koran disuatu ibu kota provinsi sebesar Rp. 7.000,-
dengan alternatif lebih besar dari itu. Simpangan baku dari penerimaan
Rp. 1.600,-. Untuk menguji pendapatnya, diambil 256 anak yang dipilih
secara acak, ternyata diketahui rata-rata penerimaan mereka Rp. 7.100,- .
dengan menggunakan α = 5%. Ujilah pendapat tersebut !
Penyelesaian : HO : μ = μ0
Ha : μ > μ0
Diketahui : X = 7100 n = 256
µ = 7000 σ = 1.600

α = 5%, Zα = 1,64 ( dari tabel normal )

Maka : Z0 = Kesimpulan :
Oleh karena Z0 = 1 < Zα =
1,64 maka H 0 diterima,
= = 1 berarti bahwa rata-rata
penerimaan anak-anak penjual
koran adalah sebesar Rp.
7.000,- perhari bisa diterima.

Contoh :
Direktur keuangan suatu perusahaan asing berpendapat, bahwa rata-rata
pengeluaran untuk biaya hidup perhari bagi karyawan perusahaan tersebut

90
adalah sebesar $ 1760 dengan alternatif tidak sama dengan itu. Untuk
menguji pendapat tsb dilakukan wawancara terhadap 25 orang karyawan
yang dipilih secara acak sebagai sampel, ternyata rata-rata pengeluaran
perhari adalah sebesar $ 1700 dengan simpangan baku $ 100, dengan α =
0,05 ujilah pendapt tersebut !
Penyelesaian : H0 : µ = µ0
 Ha : µ ≠ μ 0
Diketahui : µ 0 = $ 1760 s = 100
x = $ 1700 n = 25
= 0,05 df = (n-1) = 25 – 1 = 24
Maka: t α/2 , df = t 0,025 ; 24 = 2,064

Sehingga : t0 =

= = -3 Kesimpulan :
Karena nilai to = -3 < -t α/2 = -
2,0639 maka Ho ditolak.
Berarti rata-rata pengeluaran
perhari karyawan perusahaan
asing tersebut tidak sama
dengan
$ 1760.

Pengujian Hipotesis Perbedaan Dua rata-rata

Perumusan Hipotesis
 HO : µ1 - µ2 = 0 atau HO : µ1 = µ2 ( tidak ada perbedaan)
1. Ha : µ1 - µ2 > 0 ada perbedaan µ1 > µ2

91
2. Ha : µ1 - µ2 < 0 ada perbedaan µ1 < µ2
3. Ha : µ1 - µ2 ≠ 0 (µ1 tidak sama dengan µ2 ,
atau µ1 berbeda dari µ2 )

1. HO : µ1 - µ2 = 0 atau HO : µ1 = µ2 ( tidak ada perbedaan)

Ha : µ1 - µ2 > 0 ada perbedaan µ1 > µ2
2. HO : µ1 - µ2 = 0 atau HO : µ1 = µ2 ( tidak ada perbedaan)
Ha : µ1 - µ2 < 0 ada perbedaan µ1 < µ2
3. HO : µ1 - µ2 = 0 atau HO : µ1 = µ2 ( tidak ada perbedaan)
Ha : µ1 - µ2 ≠ 0 (µ1 tidak sama dengan µ2 atau µ1
berada dari µ2 )

PENGUJIAN :
a) Bila sampel besar n > 30

Maka ZO =

Dimana σ x1 – x2 =

Apabila dan tidak diketahui, dapat di estimasi

dengan :

92
 sx1-x2 =

b) Bila sampel kecil n ≤ 30

t0 =

Derajat kebebasan atau df = n1 + n2 - 2

Contoh :
Seorang pemilik toko menguji bola lampu merek A dan B, berpendapat
bahwa tak ada perbedaan rata-rata lamanya menyala bola lampou kedua
merk tersebut, dengan pendapat alternatif ada perbedaan (tak sama).
Guna menguji pendapatnya dilakukan experimen dengan menyalakan 100
buah lampu merk A dan 50 buah merk B sebagai sampel acak. Ternyata
bola lampu merk A dapat menyala rata-rata 952 jam dan merk B 987 jam,
masing-masing dengan simpangan baku 85 jam dan 92 jam.
Dengan menggunakan α = 0,05 ujilah pendapat tersebut !
Penyelesaian :
H0 : μ 1 - μ 2 = 0
Ha : μ1 - μ2 ≠ 0
n1 = 100 n2 = 50
σ1 = 85 jam σ2 = 92 jam
X1 = 952 jam X2 = 987 jam
Maka :

93
 Z=

. = 0,05
Zα/2 = 1,96
Kesimpulan :
Karena Zo = - 2,25 < - Zα/2 = -1,96 maka Ho
ditolak. Berarti rata-rata lamanya menyala
bola lampu kedua merk tersebut tidak sama

Contoh :
Seorang petugas pengawas mutu rokok dari Dep Kes berpendapat
bahwa tidak ada perbedaan rata-rata nikotin yang dikandung oleh
batang rokok merk A, dan B. Dengan alternatif ada perbedaan (tidak
sama). Untuk menguji pendapatnya itu, kemudian diteliti sebanyak 10
batang rokok merk A dan 8 batang merk B sebagai sampel acak. Dari
penelitian ternyata rata-rata nikotin rokok merk A. 23,1 mg dan
simpangan baku 1,5 mg; untuk rokok merk B rata-rata nikotin 22,7
mg dengan simpangan baku 1,7 mg. Ujilah pendapat tersebut dengan
menggunakan α = 0,05.

94
Penyelesaian :
H 0 : μ1 - μ2 = 0
H a : μ1 - μ2 ≠ 0
n1 = 10 n2 = 8
x1 = 23,1 mg x2 = 22,7 mg
s1 = 1,5 mg s2 = 1,7 mg
α = 0,05.
Df = n1 + n2 – 2= 10 + 8 –2 = 16
Sehingga t α/2, df = t0,025 ; 16 = 2,12

Maka :

t0 =

= = 0,0629 . (8,4326)

= 0,53

Kesimpulan :
Karena to = 0,53 < t α/2 = 2,12 maka
Ho diterima. Berarti memang tidak
ada perbedaan rata-rata nikotin yang
dikandung oleh batang rokok merk
A dan B tersebut.

95
Contoh :
Seorang pejabat BKPM berpendapat bahwa tidak ada perbedaan
rata-rata modal perusahaan asing dan nasional, dengan alternatif
ada perbedaan. Untuk menguji pendapat tersebut dilakukan
penelitian dengan sampel acak 8 perusahaan nasional dan 6
perusahaan asing.
Hasil penelitian kepemilikan modal sebagai berikut :
Nasional 5 7 8 3 4 9 6 5
(x1)
Asing 6 5 4 7 8 6
(x2)

Dengan α = 5% ujilah pendapat tersebut !

Penyelesaian :
H0 : μ1 - μ2 = 0  (μ1 = μ2)
Ha : μ1 - μ2 ≠ 0  (μ1 ≠ μ2 )

xrata-rata 1 =

xrata-rata 2 =

= (0,7656+1,2656+…..+0,7656) = 4,120

96
 = (0+1+4+1+4+0) = 2

t0 =

t0 =

t0 = -0,128

Maka: t α/2 , df = t 0,025 ; 12 = 2,179

= = = -0,128

Kesimpulan :
Karena to = -0,128 > t α/2 = -2,179
maka Ho diterima. Berarti pendapat
bahwa rata-rata modal perusahaan
nasional sama dengan perusahaan
asing dapat diterima.

97
 Pengujian Hipotesis Perbedaan
Lebih dari Dua Rata-rata

Varians antara rata-rata sampel

Keterangan :

Kalau rumus diatas kita kalikan n

Maka :

Merupakan rumus yang pertama penduga σ2, dimana k-1 = df

Keterangan :
nj = untuk semua j
Artinya setiap sampel mempunyai jumlah elemen yang sama.

98
atau :
Dimana : k(n-1) = derajat kebebasan = df

Sehingga Rumus Uji F :

Keterangan :
Fo mempunyai derajat kebebasan (k-1) dan k(n-1)
Apabila α sudah di tentukan nilainya
Maka : F α ; (k-1) , k(n-1)  dapat dilihat dari tabel

Jika Fo > Fα (vi,v2) maka Ho ditolak

Fo ≤ Fα (v1,v2) maka Ho diterima
V1 =(k-1)
V2 = k (n-1)

F α ; (k-1) , k(n-1) K
r
i
t
e
daerah r
penolakan Ho
i
99 a
 Fα ; v1, v2

Didalam pengujian hipotesa ini walaupun yang diuji ada tidaknya

perbedaan rata-rata antara n sampel dari k populasi akan tetapi analisanya disebut
analisa variace sampel yang lainnya, maka tak ada perbedaan. Biasanya disajikan
dalam analisa variance (Anova).

Sumber Derajat Jumlah

Rata-rata
variance kebebasan quadrat

Antar sampel k–1 n ∑(xj –x)2 n ∑(xj-x)2/ k-1

Dalam sampel k ( n-1 ) ∑∑ (xij – xj) 2 ∑∑(xij-xj)2 / k (n-1)

fH =

fH = n ∑(xj-x)2 / k-1
∑∑(xij-xj)2 / k (n-1)

Contoh soal :
Seorang ahli pemasaran berpendapat bahwa tidak ada perbedaan
rata-rata harga suatu jenis barang dari 3 pasar dengan alternatif ada

100
perbedaan. Untuk keperluan pengujian pendapatnya itu dilakukan penelitian
terhadap barang / minggu, selama 4 minggu dan hasilnya sebagai berikut :

Tabel harga suatu jenis barang ( ribuan rupiah )

Pasar P1 P2 P3 X
Minggu
I 22 22 25
II 21 25 29
III 26 24 28
IV 23 25 30

23 24 28 25
Xrata-rata

Rata-rata X1 X2 X3 X1 ,X2 ,X3

Dengan menggunakan α = 5% ujilah pendapat tersebut.

Penyelesaian :

{ (23-25)2 + (24-25)2 + (28-25)2 }

= ½ (4+1+9) = 7
= n x 7 = 4 x 7 = 28

(xij – xj)2

= (xij – xj)2 }

= { (x11-x1)2+(x21-x1)2+(x31-x1)2+(x41-x1)2 } + { (x12-x2)2+(x22-

x2)2+

(x32-x2)2+(x42-x2)2 } + { (x13-x3)2+(x23-x3)2+(x33-x3)2+(x43-x3)2 } ]

= [ { (22-23)2+(21-23)2+(26-23)2+(23-23)2 } + { (22-24)2+(25-

24)2+

101
 (24-24)2+(25-24)2} + { (25-28)2+(29-28)2+(28-28)2+(30-28)2} ]

= 3,78

= 7,4074 = 7,41

= F0,05(k-1), k(n-1)
= F0,05 ; (2),(9)
= 4,26

F α ; (k-1) , k(n-1) K
r
i
t
e
r
i
a

4,26

Kesimpulan :

Karena Fo = 7,41 > F0,05 (2),(9) = 4,26 maka Ho ditolak, berarti ada
perbedaan rata-rata harga di tiga pasar tersebut

102
 Pengujian Hipotesis tentang Proporsi

Dalam praktek sering kali pendapat tentang proporsi (prosentase) yang harus di
uji.
Misalnya : prosentase barang yang rusak 10%
Mahasiswa FE. Unigoro yang belum bayar uang kuliah 30%

Pengujian hipotesanya dinyatakan dalam proporsi, sbb :

HO : P = PO
Ha : p > po
Ha : p < po
Ha : p ≠ po
RUMUS :

ZH =

Dimana :
n = banyak elemen sampel
x = banyaknya elemen sampel dengan karateristik tertentu
po = proporsi hipotesis
Contoh 1:
Seorang pejabat Bank berpendapat, bahwa petani peminjam kredit yang
belum mengembalikan kreditnya adalah sebesar 70%, dengan alternatif
lebih kecil dari itu. Untuk menguji pendapatnya, diteliti sebanyak 225 orang
petani peminjam kredit. Ternyata ada 150 orang yang belum
mengembalikan kredit. Dengan α = 10%, ujilah pendapat tersebut.

Penyelesaian :
H0 : p = p0 = 70% = 0,70 n = 225 x = 150

103
Ha : p < p 0 α = 10% Z α = 1,64
Maka :

Z0 =

Z0 =
-1,64

Karena Zo = -1,091 < Zα = -1,64 maka Ho diterima . Berarti

pendapat tersebut benar.

Contoh 2 :
Seorang pejabat BKKBN berpendapat bahwa 40% penduduk suatu desa
yang tidak setuju ikut KB dengan alternatif tidak sama dengan itu. Untuk
menguji pendapatnya, telah telah di teliti sebanyak 400 orang sebagai
sampel acak, ternyata ada 152 orang yang tidak ikut KB. Dengan
menggunakan α = 1 %, ujilah pendapat tersebut.

Penyelesaian :
H0 : P = 40% = 0,40 n= 400 x = 152
H0 : p ≠ 40% α=1 Z = 2,58
Maka :

Z0 =

104
 =

Karena – Z α/2 ≤ ZO ≤ Z α/2 , yaitu –2,58 ≤ -0,82

≤ 2,58, maka Ho, diterima, berarti pendapat
bahwa 40% penduduk desa tersebut tidak
setuju ikut KB diterima.

Pengujian Hipotesis tentang Perbedaan Dua

Proporsi

Dapat dirumuskan sebagai berikut :

Ho : P1 – P2 = 0 artinya P1 = P2=P
Ha : P1 - P2 > 0 artinya p1 > p2
Ha : P1 - P2 < 0 artinya p1 < p2
Ha : P1 - P2 ≠ 0 artinya p1 ≠ p2
Dimana :

P1 = dan P2 = masing-masing merupakan penduga P1 dan P2

tetapi karena P1 = P2 = P, maka atau merupakan penduga P.

105
- Karena P lebih baik diestimasi dengan , maka

merupakan ( - )

sehingga

Contoh :
Seorang pejabat Dirjen Pajak berpendapat bahwa prosentase wajib
pajak yang belum membayar pajak dari dua daerah adalah sama,
dengan alternatif tidak sama. Untuk menguji pendapatnya diteliti
sebanyak 200 wajib pajak dari daerah yang satu, ternyata ada 7 orang
yang belum membayar. Sedangkan dari 400 orang dari daerah yang
lain ada 10 orang yang belum membayar pajak. Dengan menggunakan
α = 5%, ujilah pendapatan tersebut.
Penyelesaian :
HO : P1 = P2 Ho : P1 – P2 = 0 artinya P1 = P2=P
Ha : p1 ≠ p2 Ha : P1 - P2 ≠ 0 artinya p1 ≠ p2

x1 = 7 0,035 x2 = 10 0,025
n1 = 200 n2 = 400
= 5%
= 1,96
Maka :

106
 =

Karena ZO = 0,7 < Z α/2 = 1,96,

maka Ho diterima. Berarti
Contoh :
prosentase wajib pajak yang
belum membayar dari dua daerah
adalah sama.

Contoh :
Seorang direktur pemasaran berpendapat bahwa proporsi barang yang terjual
adalah sama untuk suatu jenis barang dengan merk berbeda, yaitu barang merk A
dan B dengan alternatif ada perbedaan. Setelah dilakukan pengecekan barang
merk A sejumlah 200 yang tidak laku 50 buah dan 200 barang merk B yang tidak
laku 70 buah. Dengan menggunakan α = 0,1, ujilah pendapat tersebut.

Penyelesaian :
HO : P1 - P2
Ha : p1 ≠ p2

107
Merk A Merk B

= 200, =0,35

KESIMPULAN :
Karena ZO = -2,183 < Z α/2 = -164, maka HO ditolak. Berarti ada
perbedaan prosentase barang yang tidak laku dari merk Adan B.

108
 Pengujian Hipotesis Tentang Perbedaan Lebih
dari Dua Proporsi

Dirumuskan :
HO : P1 = P2 =………….Pj =….= Pk (= P)
Ha : tidak semuanya sama
(paling sedikit ada dua yang tidak sama)

Sampel 1 Sampel 2 Sampel 3 Sampel k Jumlah

Banyaknya
n11 n12 n1j n1k n1
“sukses”

Banyaknya
n21 n.22 n2j n2k n2
“ tidak sukses”

Jumlah n.1 n.2 nj n.k n

Dimana :

eij =

109
 i = 1,2  ( baris)
j = 1,2…k  ( kolom)

Untuk menguji hipotesis :

Dengan kai kuadrat :

Kriteria :
- Jika maka H0
ditolak
- Jika maka H0
diterima
df = (k-1)

Contoh :
Seorang pemilik pabrik berpendapat bahwa prosentase barang produksi
yang rusak selama 3 hari berturut-turut sama. Maksudnya p1 = p2 = p3,
yaitu prosentase barang yang rusak dari hari pertama sama dengan hari
kedua dan juga hari ketiga. Dengan menggunakan α = 5% ujilah

110
 pendapat tersebut, dan setelah diteliti ternyata diperoleh data sebagai
berikut :

Hari
pertama kedua ketiga Jumlah

Rusak 12 15 6 33

Tidak
88 105 74 267
rusak

Jumlah 100 120 80 300

Penyelesaian :
H0 : p1 = p2 = p3 = (p)
Ha : tidak semuanya sama ( paling sedikit ada dua yang tidak sama )
df (k-1) α = 5% , df = 0,05 ; 2 = 5,991

Yaitu: eij =

Maka :

e11 =

e12 =

e13 =

e21 = n.1 – e11 = 100 – 11 = 89

e22 = n.2 – e12 = 120 – 13,2 = 106,8
e23 = n.3 – e13 = 80 – 8,8 = 71,2
Sehingga :

111
=

= 1,397

Karena = 1,394 < = 5,991 maka Ho diterima.

Berarti prosentase produksi dari hari pertama sama dengan
hari kedua dan sama dengan hari ketiga.

Diagram uji hipotesis :

K
r
i
t
e
r
i
a

1,397

Contoh :
Seorang pejabat dari BKKBN berpendapat bahwa tidak ada perbedaan
prosentae penduduk yang setuju KB dari empat tingkat pendidikan dengan
alternatif ada perbedaan. Untuk menguji pendapatnya itu, telah diteliti
sebanyak 1600 orang penduduk dari berbagai tingkat pendidikan hasilnya :

112
 SLTP SLA S1 S2 Jumlah

Setuju KB 312 348 243 297 1200

Tak setuju KB 108 152 37 83 400

Jumlah 420 500 300 380 1600

Dengan α = 1% (= 0,01) ujilah pendapat tersebut

Penyelesaian :
Ho : p1 = p2 = p3 = p4 (= p)
Ha : tidak semuanya sama (paling sedikit ada dua yang tidak sama)
α = 1% (=0,01) , x0,01(3) = 11,341
Maka :

 eij =

e11 =

e12 =

e13 =

e14 =

 e21 = n.1 – e11 = 420 – 315 = 105

e22 = n.2 – e12 = 500 – 375 = 125
e23 = n.3 – e13 = 300 – 225 = 75
e24 = n.4 – e14 = 380 – 385 = 95

113
Sehingga :

= 15,572
Karena = 15,572 > = 11,341 maka H0 ditolak.
Berarti prosentase penduduk yang setuju KB tidak sama
untuk semua tingkatan pendidikan

K
r
i
t
e
r
i
a

11,341

 “ r ” byk Cortingency table

adalah alat untuk menguji hipotesis lebih dari dua kategori.
Misal : puas, cukup puas, dan tidak puas. ( uji hipotesis diatas
untuk dua kategori yaitu sukses dan tidak sukses ).
Contoh :
Ada 4 buah Bank yaitu B1, B2, B3, B4 Nasabah dari keempat Bank tersebut
ditanya apakah mereka sudah puas dengan pelayanan dari Bank-Bank

114
tersebut. Jawaban mereka dikategorikan menjadi tiga yaitu : puas, cukup
puas, dan tidak puas. Ada pendapat yang menyatakan bahwa proporsi
nasabah yang puas, cukup puas dan tidak puas sama untuk semua Bank,
dengan alternatif tidak sama. Untuk menguji pendapat tersebut dilakukan
penelitian yang datanya sebagai berikut :

Bank
B1 B2 B3 B4 Jumlah
Jawaban
Puas 65 112 85 80 342
Cukup puas 27 67 60 44 198
Tidak puas 8 21 15 16 60
Jumlah 100 200 160 140 600

Penyelesaian :
H0 = P11 = P12 = P13 = P14 n = 600 = 5%
P21 = P22 = P23 = P14 n.1 = 100 n.2 = 200
P31 = P32 = P33 = P14 n.3 = 160 n.4 = 140
n1. = 342 n2. = 198 n3. = 60
Ha = tidak semua proporsi sama

 eij =

e11 =

e12 =

e13 =

e14 =

 e21 =

115
 e22 =

e23 =

e24 =

 e31 =

e32 =

e33 =

e34 =

= 4,570
dan = 12,592

Kesimpulan :
Karena = 4,570 < Xα = 12,592 maka Ho diterima.
Berarti proporsi dari nasabah yang puas, cukup puas dan tidak puas
adalah sama untuk
Bank 1,2,3 dan 4.
116
 K
r
i
t
e
r
i
a

4,570

Pengujian Hipotesis Tentang Varians

Pengujian hipotesis tentang varians pada dasarnya sama seperti
pengujian hipotesis tentang rata-rata dan proposi. Rumusnya
mengikuti kai-kuadrat (X20 dengan derajat kebebasan ( degree of
freedom ) df = ( n-1).

117
Yaitu :

= = x2 (n-1)

 perumusan hipotesis, adalah sebagai berikut :

HO : σ2 =
Ha : σ2 >
Ha : σ2 <
Ha : σ2 ≠

Contoh :
Seorang pemilik perusahaan makanan ternak ingin mengetahui apakah jenis
makanan baru dapat mengurangi variasi berat ternak. Pemilik perusahaan tersebut
beranggapan setelah ternak diberi pakan tersebut selama 3 bulan, akan tercapai
variasi berat, yang dinyatakan dalam varians sebesar 1600 pon, dengan alternatif
lebih kecil dari itu. Untuk menguji pendapatannya dipilih 30 ekor ternak yang
hampir sama beratnya, sebagai sampel acak kemudian diberi makanan baru
tersebut selama 3 bulan. Setelah 3 bulan dilakukan penimbangan. Ternyata
diperoleh varians berat badan sebesar 1000 pon. Dengan menggunakan α = 0,025
ujilah pendapatan tersebut.

Penyelesaian :
HO : σ2 =

Ha : σ2 <

n = 30 S2 = 1000 σ2 = 1600 = 0,025  = 45,722

Maka :

118
 = = 18,125 45,722

Keterangan :
Untuk α berada di sebelah kanan kurva
maka di ganti (1 - α).

Kesimpulan : karena = 18,125 > = 45,722 maka H0 di

terima. Berarti anggapan pemilik perusahaan makanan ternak
yang menyatakan bahwa varians ternak sebesar 1000 pon,
dapat diterima.

Pengujian Hipotesis Untuk Dua Varians

Hipotesisnya dapat dirumuskan :
H0 : = ( - = 0)
Ha : ≠ ( - ≠ 0)

Rumusnya : Dimana F0 mengikuti F dengan

df = (n1-1), (n2-1)

F0 =

F0 disebut F observasi dan dipergunakan sebagai kriteria pengujian

= dan =

dan varians sampel merupakan penduga dan

Tabel F hanya memberikan nilai F yang besar untuk kurva sebelah kanan
(right hand tail). Itulah sebabnya kita harus membuat varians sampel
dengan nilai yang besar sebagai pembilang (numerator) dan nilai yang kecil

119
sebagai penyebut (denominator) dalam menghitung F0 = jadi usahakan

agar selalu >

Contoh :
Seorang insiyur peternakan mempunyai anggapan bahwa variasi berat
badan ternak yang diberi sejenis makanan ternak dari dua merk / pabrik
yang berbeda : A dan B adalah sama, dengan alternatif tidak sama. Untuk
menguji pendapatnya diambil 50 ekor ternak sebagai sampel acak 25 ekor
diberi makanan A dan 25 ekor diberi makanan B. Setelah 3 bulan, berat
badan ternak-ternak tersebut ditimbang dan varians beratnya dihitung.
Dengan makanan A,varians berat badan ternak 900 pon, dengan pakan B
1400 pon. Dengan α = 0,05 (5%) ujilah pendapat tersebut.

Penyelesaian :
H0 : =
Ha : ≠
nA = nB = 25, = 900 = 1400
karena > maka = dan = dan nB = n1 ; nA =
n2

F0 = = = 1,555

= F0,05(n1-1)(n2-1)
= F0,05(24)(24) = 1,98

Kesimpulan :
Karena F0 = 1,555 < Fα = 1,98 maka H0
diterima. Berarti tak ada perbedaan variasi
120makanan dari
berat ternak akibat pemberian
merk pakan ternak yang berbeda.
Kategori FE FH FT FK

Sudah bayar 42 31 56 28

Belum bayar 16 82 47 21

Menunggak 13 26 39 19

121
 STATISTIK
TABEL KURVA NORMAL

Areas under the normal curve

z .00 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.0 .000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0507 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0910 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1225 .1263 .1263 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1625 .1664 .1664 .736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2094 .2054 .2008 .2123 .2157 .2190 .2224

0.6 .2257 .2291 .2324 .2357 .2357 .242 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2673 .2734 .2764 .2798 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2967 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3238 .3289 .3315 .3340 .3365 .3389
0.1 .3413 .3438 .3461 .3438 .3438 .3531 .3554 .3577 .3599 .3621
0
.3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.1 .3849 .3865 .3888 .3907 .3925 .3844 .3962 .3980 .3997 .4015
1.2 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.3 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.4 .4332 .4345 .4357 .4370 .4251 .4394 .4409 .4418 .4429 .4441

122
 1.5
.4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.6 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.7 .4641 .4649 .4656 .4664 .4671 .4678 .4986 .4693 .4699 .4706
1.8 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
1.9 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.0
.4821 .4836 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.1 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.2 .4893 .4896 .4898 .4901 .4904 .4906 .1909 .4911 .4913 .4916
2.3 .4918 .4920 .4922 .4925 .1927 .4929 .4931 .1932 .4934 .4936
2.4 .1938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.5
.4953 .4995 4956 4951 .4959 .4960 .4961 4962 .4963 .4964
2.6 .4965 .4996 4967 4968 .4969 .4970 .4971 4972 .4973 .4974
2.7 .4974 .4975 4976 4977 .4977 4978 .4979 4979 .4980 .4981
2.8 .4981 .4982 4982 4983 .4984 .4984 .4985 4985 .4986 .4986
2.9 .4987 .4987 4982 4988 .4988 .4989 .4989 4989 .4990 .4990
3.0
This table is abriged version of table IV R.A. Fisher, Statistical Metthods for
Research Workes, published by oliver and boyd Ltd., Edinburg.

TABEL : DISTRIBUSI " t ”

t-Distribution

df t.100 t.0,05 t.0,025 t.010 t.005

1 3.078 6.314 12.706 31.821 63.657
2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.182 4.541 5.841
4 1.535 2.132 2.766 3.747 4.604
5 1.476 2.105 2.571 3.365 6.032

6 1.440 1.843 2.447 3.143 3.707

7 1.415 1.895 2.365 2.998 3.499
8 1.397 1.86 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
10 1.372 1.812 2.228 2.749 3.169

11 1.363 1.796 2.201 2.718 3.106

12 1.356 1.782 2.179 2.681 3.055
13 1.35 1.771 2.16 2.896 3.012

123
 14 1.345 1.761 2.145 2.821 2.977
15 1.341 1.753 2.131 2.764 2.974

16 1.337 1.746 2.12 2.583 2.921

17 1.333 1.74 2.11 2.567 2.298
18 1.33 1.734 2.101 2.650 2.878
19 1.328 1.729 2.093 2.624 2.861
20 1.325 1.725 2.086 2.602 2.845

21 1.323 1.721 2.808 2.518 2.831

22 1.321 1.717 2.074 2.567 2.819
23 1.319 1.714 2.069 2.552 2.807
24 1.318 1.711 2.064 2.539 2.797
25 1.316 1.708 2.060 2.528 2.787

26 1.315 1.706 2.808 2.518 2.779

27 1.314 1.703 2.074 2.508 2.774
28 1.313 1.701 2.069 2.500 763
29 1.311 1.696 2.064 2.492 2.756
30 1.282 1.645 2.060 2.485 2.576
This table is abriged version of table IV R.A. Fisher, Statistical Metthods for
Research Workes, published by oliver and boyd Ltd., Edinburg.

124
TABEL : KAI – KUADRAT
( CHY – SQUARE )

df .10 .05 .025 0.01 0.05

1 2.706 3.841 5.024 6.635 7.879
2 4.605 5.991 7.378 9.321 10.597
3 6.251 7.815 9.348 11.345 12.838
4 7.779 9.488 11.448 13.277 14.860
5 9.236 11.707 12.832 15.086 15.750

6 10.645 12.592 14.449 16.817 18.548

7 12.017 14.067 16.013 18.475 20.278
8 13.362 15.507 17.535 20.090 21.955
9 14.684 16.919 19.023 21.666 23.589
10 15.987 18.307 20.483 23.209 25.188

11 17.275 19.675 21.920 34.725 26.257

12 18.549 21.026 23.337 26.217 28.300

125
 13 19.812 22.362 24.736 27.088 29.819
14 21.064 23.685 26.119 29.141 31.319
15 32.307 24.996 27.488 30.578 32.801

16 23.542 26.296 28.845 32.000 34.267

17 24.769 27.587 30.191 33.409 35.718
18 25.989 28.869 31.526 34.805 37.156
19 27.204 30.144 32.852 36.191 38.582
20 28.412 31.410 34.170 37.566 39.997

21 29.615 32.671 35.479 38.932 41.474

22 30.818 33.924 36.781 40.289 42.796
23 32.007 35.172 38.076 41.638 44.181
24 33.196 36.415 39.364 42.98 45.558
25 34.382 37.652 40.646 44.314 46.928

26 35.363 38.885 41.923 45.642 48.29

27 36.741 40.113 43.194 46.963 49.4650
28 37.916 41.337 44.641 48.278 50.993
29 39.087 42.557 45.722 49.588 52.336
30 40.256 43.773 46.979 50.892 53.627

This table is abriged version of table IV R.A. Fisher, Statistical

Metthods for Research Workes, published by oliver and boyd Ltd.,
Edinburg.

STATISTIK - II
( RINGKASAN MATERI TAHUN 2018 )

126
 Oleh :
Retno Muslinawati, SE, MM

FAKULTAS EKONOMI
UNIVERSITAS BOJONEGORO
2018

127