TUTORIAL MODUL 2

UJI HIPOTESIS (NORMALITAS DAN NILAI RATAAN)

# Aplikasi Minitab

A. Pengantar Distribusi Seragam (Uniform) dan Distribusi Normal

Baik distribusi uniform dan distribusi normal termasuk ke dalam kategori distribusi probabilitas kontinu.
Kedua tipe distribusi ini diantara yang banyak dipakai di berbagai bidang karena kesederhanaan maupun
kemudahan dalam menerapkannya. Untuk melihat perbedaan pola data dari kedua distribusi tersebut di
dalam aplikasi Minitab maka dapat diikuti langkah-langkah berikut.

1. Cara membangkitkan data dengan pola distribusi uniform. Contoh data berat badan sebanyak 300
data disimpan di kolom C1 dengan nilai minimum 40 dan maksimum 90.

Klik “OK” untuk melihat hasilnya dan beri nama kolom C1 dengan nama “Berat Badan I” seperti
berikut.

s.d 300 record

2. Cara membangkitkan data dengan pola distribusi normal. Contoh variabel berat badan sebanyak
300 data disimpan di kolom C2 dengan nilai rata-rata (mean) 67 dan standar deviasi 10.

1
 Klik “OK” untuk melihat hasilnya dan beri nama kolom C2 dengan nama “Berat Badan II”
seperti berikut.

s.d 300 record

3. Untuk melihat pola data dari kedua variabel berat badan tersebut maka kita bisa memanfaatkan
grafik titik (Dotplot). Lalu pilih Dotplot yang tipe “Simple” seperti berikut ini.

Lalu pilih kedua variabel yang akan kita buat dotplot-nya seperti berikut.

Klik “OK” untuk melihat grafik Dotplot kedua variabel Berat Badan seperti berikut.

2
 Dari tampilan grafik Dotplot di atas dapat diidentifikasi perbedaan pola data antara kedua
variabel. Variabel Berat Badan I memiliki beberapa data yang mana jumlah titik-titiknya hampir
seragam dan beberapa ada yang tidak seragam. Sedangkan variabel berat badan II hampir
menyerupai bentuk kurva normal dengan data paling banyak berada di tengah (nilai rata-rata).
Tentu saja semakin banyak data yang dibangkitkan maka pola data kedua variabel akan terlihat
semakin jelas perbedaanya. Pola ideal dari distribusi seragam adalah untuk semua data (nilai)
akan memiliki jumlah (tinggi) yang seragam, sedangkan disttribusi normal akan menyerupai
lonceng.

B. Uji Normalitas Data

Sebelum menerapkan pengujian hipotesis khususnya untuk uji rataan, pola data dari variabel yang hendak
diuji hendaknya berdistribusi normal. Hal ini karena uji rataan mengasumsikan pola data dari suatu
variabel berdistribusi normal. Oleh karena itu pada bagian ini akan dijelaskan cara melakukan uji
normalitas data di dalam aplikasi Minitab. Sebagai contoh, kita memperoleh data sampel berat 100 buah
produk crackers (sebagai keluaran dari proses di mesin automatic-filling) pada suatu industri makanan.
Langkah-langkah awal:
1. Data sampel produksi kita input di Minitab seperti contoh berikut.

2. Lalu simpan data di Minitab tersebut dengan langkah-langkah sebagai berikut.

3
 3. Lalu simpan data dengan format nama “Nama BP”. Hasilnya pada pojok kiri di aplikasi Minitab
akan tampil nama file yang telah kita buat tersebut.

Nama worksheet dapat juga diubah dengan cara berikut:

Adapun pengujian normalitas data dapat dilakuan dengan dua cara berikut:

1. Menu “Graph”, pilih “Basic Statistics” dan ambil “Graphical Summary” seperti berikut.

Klik “OK” untuk melihat output-nya.

4
 Dapat dilihat bahwa pola data mendekati distribusi normal dimana histogram mendekati garis
kurva normal. Di bagian samping kanan juga ditampilkan hasil uji normalitas dengan metode
Anderson-Darling dimana nilai probabilitas (P-Value) sebesar 0,09 yang lebih besar dari nilai
alfa standar 5% atau 0,05 dimana berarti bahwa data berdistribusi normal. Tambahan juga di
bagian bawah ditampilkan posisi nilai rata-rata (Mean) dan nilai tengah (Median) dimana nilainya
hampir berdekatan.

2. Pada menu “Stat”, pilih “Basic Statistics”, dan ambil “Normality Test”. Metode lain untuk uji
normalitas data yang cukup populer adalah metode Kolmogorov-Smirnov atau KS. Pada “Title”,
tulis nama “Probability Plot – Berat Produk (ons) by (Nama BP)” seperti contoh berikut.

Klik “OK” untuk melihat output-nya.

5
 Dapat dilihat sebaran data (titik) hampir semuanya mendekati garis (hanya beberapa yang jauh
dari garis). Hal ini menunjukkan pola data mendekati distribusi normal. Hasil uji dengan metode
KS menghasilkan nilai P-Value 0,0150 yang lebih besar dari nilai alfa 0,05 sehingga pola data
dinilai berdistribusi normal.

C. Uji Satu Rataan (One-sample t test)

Pada contoh ini misalkan di suatu pabrik ingin diuji apakah berat rata-rata populasi produk dari luaran
mesin X masih sesuai standar 200 ons atau tidak. Dari data sampel berat produk sebanyak 100 data yang
diperoleh secara random maka bisa kita terapkan uji satu rataan.

Langkah-langkah uji sebagai berikut.

1. Membuat hipotesis.
H0: Berat produk rata-rata populasi sama dengan 200 ons.
H1: Berat produk rata-rata populasi tidak sama dengan 200 ons.

2. Menggunakan uji 1-Sample t sebagai berikut

6
 3. Pilih variabel dan masukkan nilai rata-rata yang akan diujikan. Klik Options dan Graphs dengan
memilih opsi-opsi berikut.

4. Klik “OK” untuk melihat output-nya.

Boxplot di atas memperlihatkan posisi nilai rata-rata sampel ( ̅ ) hanya sedikit lebih kecil dari
nilai rata-rata populasi (H0) yang diduga. Hal ini bisa mengindikasikan bahwa berat produk rata-
rata populasi kemungkinan besar akan sama dengan nilai dugaan sebesar 200 ons. Untuk lebih
memastikan lagi, maka dapat dilihat nilai probability (P) sebesar 0,568 yang lebih besar dari nilai
alfa 0,05. Dengan demikian dapat ditarik kesimpulan bahwa H0 diterima yang berarti berat
produk rata-rata di populasinya sama dengan 200 ons.

D. Uji Dua Rataan (Two-independent sample t test)

Pada contoh ini misalkan di pabrik yang sama terdapat dua unit mesin dengan merk X dan mesin merk Y.
Dalam hal ini, performance kedua mesin dapat dinilai dengan menerapkan uji dua rataan berdasarkan data
sampel random berat produk dari luaran kedua mesin sebanyak 100 buah dan data kedua variabel
dianggap independent atau tidak terkait satu sama lain.

7
Langkah-langkah uji sebagai berikut.
1. Membuat hipotesis.
H0: Berat produk rata-rata populasi mesin X sama dengan mesin Y.
H1: Berat produk rata-rata populasi mesin X tidak sama dengan mesin Y.

2. Menggunakan uji 2-Sample t sebagai berikut.

3. Pilih variabel dan masukkan nilai rata-rata yang akan diujikan. Klik Options dan Graphs dengan
memilih opsi-opsi berikut.

4. Klik “OK” untuk melihat output-nya.

8
 Boxplot memperlihatkan berat produk rata-rata sampel ( ̅ ) dari dua mesin tidak berbeda jauh. Hal
ini bisa mengindikasikan bahwa berat produk rata-rata populasi untuk kedua mesin kemungkinan
besar akan sama. Untuk lebih memastikan lagi, maka dapat dilihat nilai probability (P) sebesar
0,387 yang lebih besar dari nilai alfa 0,05. Dengan demikian dapat ditarik kesimpulan bahwa H0
diterima yang berarti berat produk rata-rata populasi untuk mesin X sama dengan mesin Y.

E. Uji Berpasangan (Paired- t test)

Pada contoh ini misalkan mesin merk X mengalami penuruan performance dengan banyaknya produk
yang beratnya menyimpang jauh dari target (200 ons). Oleh karena itu mesin X mengalami perawatan
(maintenance) dan kemudian dioperasikan kembali seperti semula. Hal yang ingin diketahui di sini adalah
apakah berat produk di populasinya antara sebelum dan sesudah dilakukan perawatan sama atau berbeda
secara statistik. Dengan demikian kita bisa menerapkan uji berpasangan untuk kasus ini.

Langkah-langkah uji sebagai berikut.

1. Membuat hipotesis.
H0: Berat produk rata-rata populasi mesin X sebelum dan sesudah dirawat adalah sama.
H1: Berat produk rata-rata populasi mesin X sebelum dan sesudah dirawat adalah tidak sama.

2. Menggunakan uji Paired t sebagai berikut.

9
3. Masukkan masing-masing variabel ke dalam sampel 1 dan 2. Kemudian klik Options sebagai
berikut.

4. Klik “OK” untuk melihat output-nya.

Dapat dilihat bahwa nilai P-Value sebesar 0,015 yang lebih kecil dari nilai alfa 0,05. Dengan
demikian dapat ditarik kesimpulan bahwa H0 ditolak atau H1 diterima yang berarti berat produk
rata-rata populasi mesin X sebelum dan sesudah dirawat adalah tidak sama.

10