One-Sample Tests

for Hypotesis
Kelompok 5
Kelompok 5

ADITYA PRAYOGA ANANDA FAIZ MUHAMMAD FAIZ SAMUEL RUDOLF

MAKMUR NAUFAL AZMI W. J.S

12010122140312 12010122140292 12010122130146 12010122130112

Materi
Melakukan pengujian hipotesis
Menjelaskan proses
01 pengujian hipotesis.
04 tentang rata-rata populasi
dengan standar deviasi diketahui

Menerapkan prosedur enam

02 langkah untuk menguji hipotesis.
05 Mencari nilai-P dalam uji hipotesis

Membedakan antara uji Melakukan pengujian hipotesis

03 hipotesis satu ekor dan dua ekor. 06 tentang rata-rata populasi dengan
standar deviasi tidak diketahui
 Pengujian Hipotesis

Pengujian hipotesis dimulai dengan pernyataan, atau asumsi, tentang

parameter populasi-seperti rata-rata populasi.

Hipotesis adalah Pernyataan tentang parameter populasi yang harus

diverifikasi.

Uji Hipotesis adalah Sebuah prosedur yang didasarkan pada bukti sampel
dan probabilitas untuk menentukan apakah hipotesis merupakan
pernyataan yang masuk akal.
Prosedur Enam Langkah
Untuk Menguji Hipotesis
Ada prosedur enam langkah yang mensistematisasikan pengujian hipotesis. Pengujian hipotesis
yang digunakan oleh para ahli statistik tidak memberikan bukti bahwa sesuatu itu benar, dengan
cara yang digunakan oleh ahli matematika untuk "membuktikan" sebuah pernyataan. Ini
memberikan semacam "bukti tanpa keraguan," seperti halnya sistem pengadilan. Oleh karena itu,
ada aturan khusus tentang bukti, atau prosedur, yang yang harus diikuti. Langkah-langkahnya
ditunjukkan dalam diagram berikut.
Langkah 1:
Nyatakan Hipotesis Nol (H0) dan Hipotesis Alternatif (H1)
Langkah pertama adalah menyatakan hipotesis yang sedang diuji. Hipotesis nol
dikembangkan untuk tujuan pengujian. Kita akan menolak atau gagal menolak
hipotesis nol. Hipotesis nol adalah pernyataan yang tidak ditolak kecuali jika data
sampel kita data sampel kita memberikan bukti yang meyakinkan bahwa pernyataan
tersebut salah. Untuk membuktikan bahwa hipotesis nol benar, parameter populasi
harus diketahui.

Sedangkan, Hipotesis Alternatif adalah pernyataan yang diterima jika data sampel
memberikan bukti yang cukup bahwa hipotesis nol adalah salah. distribusi normal
standar.
Contoh:
Sebuah artikel baru-baru ini mengindikasikan usia rata-rata pesawat komersial AS
adalah 15 tahun. Untuk melakukan uji statistik terkait pernyataan ini, langkah
pertama yang harus dilakukan adalah menentukan hipotesis nol dan hipotesis
alternatif. Hipotesis nol mewakili kondisi saat ini atau yang dilaporkan. Hipotesis nol
dituliskan sebagai berikut: H0: μ = 15. Hipotesis alternatifnya adalah bahwa
pernyataan tersebut tidak benar, yaitu H1: μ ≠ 15. Penting untuk diingat bahwa tidak
peduli bagaimana pun masalahnya dinyatakan, hipotesis nol akan selalu
mengandung tanda sama dengan. Tanda Tanda sama dengan (=) tidak akan
pernah muncul dalam hipotesis alternatif. Mengapa? Karena hipotesis nol hipotesis
nol adalah pernyataan yang sedang diuji, dan kita membutuhkan nilai tertentu
untuk dimasukkan ke dalam perhitungan kita. Kita beralih ke hipotesis alternatif
hanya jika data menunjukkan bahwa hipotesis nol tidak benar.
Langkah 2:
Pilih Tingkat Signifikansi
Langkah selanjutnya adalah menyatakan tingkat signifikansi (α). Tingkat Signifikansi
adalah probabilitas menolak hipotesis nol ketika hipotesis itu benar. Sebagai
probabilitas, tingkat signifikansi harus antara 0 dan 1.

Ada kemungkinan dua jenis

kesalahan, antara lain:
kesalahan Tipe I, yaitu
hipotesis nol ditolak padahal
seharusnya tidak ditolak,
dan kesalahan Tipe II, yaitu
hipotesis nol tidak ditolak
padahal seharusnya
hipotesis nol ditolak.
Langkah 3:
Pilih Statistik Uji
Nilai Statistik Uji adalah nilai yang ditentukan dari informasi sampel, yang
digunakan untuk memutuskan apakah akan menolak hipotesis nol.

Dalam pengujian hipotesis untuk rata-rata (μ) ketika σ diketahui, statistik

uji z dihitung dengan:
Langkah 4:
Merumuskan Aturan Keputusan
Aturan keputusan adalah pernyataan tentang kondisi spesifik di mana hipotesis nol ditolak
dan kondisi di mana hipotesis nol tidak ditolak. Wilayah atau daerah penolakan
mendefinisikan lokasi dari semua nilai yang sangat besar atau sangat kecil sehingga
probabilitas kemunculannya di bawah hipotesis nol yang benar agak jauh.
Perhatikan grafik di samping:
Area di mana hipotesis nol tidak ditolak berada di
sebelah kiri 1,645.
Area penolakan berada di sebelah kanan 1,645.
Uji satu sisi (one-tailed test) sedang diterapkan.
Tingkat signifikansi 0,05 dipilih.
Distribusi sampling dari statistik z mengikuti distribusi
probabilitas normal.
Nilai 1,645 memisahkan wilayah di mana hipotesis nol
ditolak dan di mana hipotesis nol tidak ditolak.
Nilai 1,645 adalah nilai kritis.

Nilai kritis adalah titik pemisah antara wilayah di mana hipotesis nol ditolak dan daerah yang tidak ditolak.
Langkah 5:
Buat Keputusan
Langkah kelima dalam pengujian hipotesis adalah menghitung nilai statistik uji,
membandingkan nilainya dengan nilai kritis, dan mengambil keputusan untuk
menolak atau tidak menolak hipotesis nol.

Langkah 6:
Interpretasikan Hasilnya
Langkah terakhir dalam prosedur pengujian hipotesis adalah
menginterpretasikan hasilnya. Prosesnya tidak berakhir pada nilai statistik
sampel atau keputusan menolak atau tidak menolak hipotesis nol.
 Uji Hipotesis
Satu Ekor dan Dua Ekor
 Gambar Ini menunjukkan tes satu sisi. Disebut
uji satu sisi karena daerah penolakan hanya
terdapat pada salah satu ekor kurva. Dalam hal
ini, ia berada di ekor kanan atau atas kurva.

Gambar ini menggambarkan situasi dimana

daerah penolakan berada di ekor kiri (bawah)
dari distribusi normal standar.
Rimberio Co

Membedakan Uji Hipotesis

Satu Ekor dan Dua Ekor

Satu Ekor Dua Ekor

Uji hipotesis satu ekor hanya memiliki
satu wilayah penolakan.
Hipotesis nol dan satu selalu
menggunakan simbol lebih dari atau
kurang dari.
Uji hipotesis dua ekor memiliki dua wilayah
penolakan .
Hipotesis nol menggunakan simbol sama
dengan, dan hipotesis satu menggunakan
simbol tidak sama dengan
Bisnis Startup
Presentasi
Pengujian Hipotesis: Standar Deviasi
Penduduk Diketahui
 Tes Dua Sisi
Sebuah contoh akan menunjukkan rincian prosedur pengujian hipotesis enam
langkah. Kami juga kita juga ingin menggunakan uji dua sisi. Artinya, kita tidak
peduli apakah hasil sampel lebih besar atau lebih kecil dari rata-rata populasi
yang diusulkan. Sebaliknya, kami tertarik pada apakah berbeda dari nilai yang
diusulkan untuk rata-rata populasi. Kita mulai, seperti yang seperti yang kita
lakukan pada bab sebelumnya, dengan situasi di mana kita memiliki informasi
historis tentang populasi dan bahkan mengetahui deviasi standarnya.
Contoh
Soal
Jamestown Steel Company memproduksi dan merakit meja dan peralatan kantor lainnya di beberapa
pabrik di negara bagian New York bagian barat. Produksi mingguan meja Model A325 di pabrik
Fredonia mengikuti distribusi probabilitas normal dengan rata-rata 200 dan deviasi standar 16. Baru-
baru ini, karena perluasan pasar, metode produksi baru telah diperkenalkan dan karyawan baru
dipekerjakan. Wakil presiden
manufaktur ingin menyelidikinya apakah telah ada amengubahdalam produksi mingguan meja
Model A325. Apakah jumlah rata-rata meja yang diproduksi di pabrik Fredonia berbeda dari 200 pada
tingkat signifikansi 0,01 dan sample rata-rata 203,5?

Jawaban
Cari nilai z 03 Lakukan uji statistik
01 Nyatakan H0 dan H1 02 Tingkat signifikan(0,01)
Karena ini termasuk dua ekor,
H0: μ = 200 jadi : 0,5 -

α/2
H1: μ ≠ 200 0,5 - 0,01/2 = 0,495
Cari nilai yang paling
mendekati 0,495 di dalam = 1,55
tabel
Nilai z = 2,58
Aturan keputusannya adalah: Jika nilai z yang dihitung tidak
berada di antara -2,576 dan 2,576, tolak hipotesis nol. Jika z
berada di antara -2,576 dan 2,576, jangan tolak hipotesis nol.

Karena Z sebesar 1,55 tidak >2,58 dan tidak <-2,58, jadi

kami tidak menolak H0.

Jadi dapat disimpulkan bahwa dari

hasil perhitungan rata-rata dan
standar deviasi, metode produksi baru
dan penambahan karyawan baru tidak
menghasilkan perubahan yang
signifikan pada produksi
Contoh Ilustrasi
Tes Satu Sisi
Untuk mengilustrasikan pengujian satu sisi, mari kita ubah masalahnya. Misalkan wakil
presiden ingin mengetahui apakah telah terjadi meningkatkan dalam jumlah unit yang
dirakit. Dapatkah kita menyimpulkan, karena metode produksi yang lebih baik, bahwa
jumlah rata-rata meja yang dirakit dalam 50 minggu terakhir adalah lebih dari 200?
Lihatlah perbedaan cara rumusan masalah. Dalam kasus pertama, kami ingin
mengetahui apakah ada perbedaan dalam jumlah rata-rata yang berkumpul, tapi
sekarang kita ingin tahu apakah sudah ada meningkatkan. Karena kami menyelidiki
pertanyaan yang berbeda, kami akan menetapkan hipotesis kami secara berbeda.
Perbedaan terbesar terjadi pada hipotesis alternatif. Sebelumnya, kami menyatakan
hipotesis alternatif sebagai “berbeda dari”; sekarang kami ingin menyatakannya
sebagai “lebih besar dari”. Dalam simbol:
Nilai kritis uji satu sisi berbeda dengan uji dua sisi pada tingkat signifikansi yang sama.
Pada contoh/solusi sebelumnya, kita membagi tingkat signifikansi menjadi dua dan
menempatkan setengahnya di bagian bawah dan setengahnya lagi di bagian atas.
Dalam pengujian satu sisi, kami menempatkan semua wilayah penolakan dalam satu sisi

Untuk uji satu sisi, nilai kritis dari z adalah 2.326 dengan α = 0,01.
 Nilai-P Dalam Uji Hipotesis
Dalam menguji hipotesis, kami membandingkan statistik pengujian dengan nilai kritis.
Keputusan dibuat untuk menolak atau tidak menolak hipotesis nol. Jadi, misalnya, jika nilai
kritisnya adalah 1,96 dan nilai statistik uji yang dihitung adalah 2,19, keputusannya adalah
menolak hipotesis nol.

Nilai-P adalah probabilitas untuk mengamati nilai sampel yang sama ekstrimnya dengan, atau
lebih ekstrim dari nilai yang diamati, dengan asumsi bahwa hipotesis nol adalah benar.

Menentukan p-value tidak hanya menghasilkan keputusan mengenai H0, tetapi juga memberi
kita wawasan tambahan tentang kekuatan keputusan. Nilai p yang sangat kecil, seperti .0001,
menunjukkan bahwa ada sedikit kemungkinan H0 benar. Di sisi lain, nilai p-value sebesar .2033
berarti bahwa H0 tidak ditolak, dan ada sedikit kemungkinan bahwa H0 salah.

Untuk menghitung nilai-p, kita perlu menggunakan tabel z

Contoh Ilustrasi
Untuk mengilustrasikan cara menghitung nilai-p, kita akan menggunakan contoh di mana kita
menguji hipotesis nol bahwa rata-rata jumlah meja yang diproduksi per minggu di Fredonia
adalah 200. Kami tidak menolak hipotesis nol karena statistik uji z yang dihitung sebesar 1,547
jatuh berada di antara -2,576 dan 2,576. Kami sepakat untuk tidak menolak hipotesis nol jika
statistik uji z jatuh di wilayah ini. Dengan membulatkan 1,547 menjadi 1,55 dan menggunakan
tabel z, maka probabilitas untuk menemukan nilai z sebesar 1,55 atau lebih adalah 0,0606, yang
ditemukan sebesar 0,5000 - 0,4394. Dengan kata lain, probabilitas untuk mendapatkan x lebih
besar dari 203,5 jika μ = 200 adalah 0,0606. Untuk menghitung nilai-p, kita perlu
memperhatikan wilayah yang kurang dari -1,55 sebagai serta nilai yang lebih besar dari 1,55
(karena daerah penolakan ada di kedua ekor). Nilai Nilai p-value dua ekor adalah .1212,
ditemukan oleh 2(.0606). Nilai p-value sebesar .1212 lebih besar dari tingkat signifikansi 0,01
yang diputuskan pada awalnya, sehingga H0 tidak ditolak. Adapun rinciannya adalah
ditampilkan dalam grafik berikut. Perhatikan untuk uji hipotesis dua sisi, nilai p-value diwakili
oleh area di kedua ekor distribusi. Maka nilai p-value dapat dengan mudah dibandingkan
dengan tingkat signifikansi. Aturan keputusan yang sama digunakan seperti pada uji satu sisi.
 Menginterpretasikan Bobot Bukti Terhadap H0
Jika p-value kurang dari:
(a) .10, kita memiliki beberapa bukti bahwa
H0 tidak benar.
(b) .05, kita memiliki bukti kuat bahwa H0
tidak benar.
(c) .01, kita memiliki bukti yang sangat kuat
bahwa H0 tidak benar.
(d) .001, kita memiliki bukti yang sangat kuat
bahwa H0 tidak benar.

Nilai-p adalah cara untuk menyatakan kemungkinan bahwa H0 salah. Namun, jika p-value
kurang dari tingkat signifikansi, maka kita menolak H0; jika lebih besar dari tingkat signifikansi,
maka kita tidak menolak H0. Selain itu, jika nilai p-value sangat besar, maka kemungkinan
besar H0 benar. Jika nilai p-value kecil, maka kemungkinan besar H0 tidak benar. Kotak
berikut ini akan membantu untuk menginterpretasikan
Pengujian Hipotesis: Standar Deviasi
Penduduk Tidak Diketahui

x adalah rata-rata sampel.

μ adalah rata-rata populasi yang dihipotesiskan.
s adalah deviasi standar sampel.
n adalah jumlah observasi dalam sampel.
 Karakteristik Utama
Distribusi T
Dalam kondisi seperti ini, prosedur statistik yang benar adalah mengganti
distribusi normal standar dengan distribusi t. Untuk meninjau, karakteristik
utama dari distribusi t adalah:
Distribusi ini merupakan distribusi kontinu.
Distribusi ini berbentuk lonceng dan simetris.
Terdapat keluarga distribusi t. Setiap kali derajat kebebasan berubah,
distribusi baru tercipta
Ketika jumlah derajat kebebasan meningkat, bentuk distribusi t mendekati
bentuk distribusi normal standar.
Distribusi t lebih datar, atau lebih menyebar, daripada distribusi normal
standar.
Contoh
Soal 1
Departemen Klaim Perusahaan Asuransi McFarland melaporkan biaya rata-rata
untuk memproses klaim adalah $60. Perbandingan industri menunjukkan jumlah
ini lebih besar dibandingkan kebanyakan perusahaan asuransi lainnya, sehingga
perusahaan menerapkan langkah-langkah pemotongan biaya. Untuk
mengevaluasi dampak dari tindakan pemotongan biaya, supervisor Departemen
Klaim memilih sampel acak dari 26 klaim yang diproses bulan lalu dan mencatat
biaya untuk memproses setiap klaim. Contoh informasi dilaporkan di bawah ini.

Pada tingkat signifikansi 0,01, apakah masuk akal untuk menyimpulkan bahwa
biaya rata-rata untuk memproses suatu klaim kini kurang dari $60?
Jawab:

Tingkat Signifikansi: .01

(Uji Satu Sisi)
Dalam hal ini jumlah observasi dalam
sampel adalah 26, dan kita
mengambil sampel 1 populasi, jadi
ada 26 – 1 = 25 derajat kebebasan.

Karena ini adalah uji satu sisi dan

daerah penolakan berada di ekor kiri,
nilai kritisnya negatif. Aturan
keputusannya adalah tolak H0 jika
nilai t kurang dari -2.485.
 Dari keluaran Minitab, biaya rata-rata per klaim
untuk sampel 26 observasi adalah $56.423. Deviasi
standar sampel ini adalah $10,041. Kami
memasukkan nilai-nilai ini ke dalam rumus dan
menghitung nilainya T

Karena –1.816 terletak pada daerah sebelah

kanan nilai kritis – 2,485, hipotesis nol tidak
ditolak pada tingkat signifikansi 0,01.
 Menginterpretasikan hasilnya. Sampel klaim dapat dipilih dari populasi dengan
biaya rata-rata sebesar $60 per klaim. Dengan kata lain, selisih dari Perbedaan
sebesar $3,577 ($56,423 - $60,00) antara rata-rata sampel dan rata-rata populasi
dapat disebabkan oleh kesalahan pengambilan sampel. Hasil pengujian tidak
memungkinkan manajer Departemen Klaim untuk menyimpulkan bahwa langkah-
langkah pemotongan biaya telah efektif.
Contoh
Soal 2
Bandara Internasional Myrtle Beach menyediakan tempat parkir ponsel di
mana orang dapat menunggu pesan untuk menjemput penumpang yang
datang. Untuk memutuskan apakah tempat parkir ponsel mempunyai cukup
tempat parkir, pengelola parkir bandara perlu mengetahui apakah waktu rata-
rata di tempat tersebut lebih dari 15 menit. Sampel dari 12 pelanggan baru-baru
ini menunjukkan bahwa mereka berada di tempat tersebut dalam jangka
waktu berikut, dalam hitungan menit.

Pada tingkat signifikansi 0,05, apakah masuk akal untuk menyimpulkan bahwa
waktu rata-rata dalam lot tersebut lebih dari 15 menit?
Jawab:
α = 0,05
(Uji Satu Sisi)

Dalam hal ini jumlah observasi

dalam sampel adalah 12, dan kita
mengambil sampel 1 populasi, jadi
ada 12 – 1 = 11 derajat kebebasan.
Hipotesis nol yang menyatakan rata-rata populasi kurang dari atau sama
dengan 15 menit ditolak karena telah dihitung T nilai 2,818 terletak pada area
sebelah kanan 1,796. Kami menyimpulkan bahwa waktu yang dihabiskan
pelanggan di tempat parkir lebih dari 15 menit. Hasil ini menunjukkan bahwa
bandara mungkin perlu menambah lebih banyak tempat parkir.
THANKYOU!
Any Question?