BAB 3

STATISTIKA INFERENSI

Statistika inferensial adalah cabang statistika yang memanfaatkan berbagai alat analisis
untuk menarik kesimpulan tentang data populasi dari data sampel. Terlepas dari statistika
inferensial, statistik deskriptif membentuk cabang lain dari statistik. Statistika inferensial
membantu menarik kesimpulan tentang populasi sementara statistik deskriptif merangkum fitur-
fitur kumpulan data.
Ada dua jenis utama statistik inferensial - pengujian hipotesis dan analisis regresi. Sampel
yang dipilih dalam statistik inferensial harus mewakili seluruh populasi. Pada bab ini, akan
dipelajari lebih lanjut tentang statistik inferensial, jenisnya, contohnya, dan melihat rumus
pentingnya.
3.1 Definisi Statistika Inferensial
Statistika inferensial membantu mengembangkan pemahaman yang baik tentang data
populasi dengan menganalisis sampel yang diperoleh darinya. Statistika inferensial membantu
dalam membuat generalisasi tentang populasi dengan menggunakan berbagai tes dan alat
analitis. Untuk memilih sampel acak yang akan mewakili populasi secara akurat, banyak teknik
pengambilan sampel yang digunakan. Beberapa metode yang penting adalah simple random
sampling, stratified sampling, cluster sampling, dan teknik sampling sistematik.
Dalam setiap teknik pengambilan sampel tersebut, peneliti berusaha untuk memastikan
bahwa data yang dikumpulkan dari sampel tersebut mewakili populasi. Selanjutnya, penting juga
untuk memeriksa keabsahan data dengan menerapkan berbagai tes analitik. Tes ini diterapkan
pada sampel dan seluruh populasi untuk memastikan bahwa data signifikan secara statistik. Ada
berbagai jenis statistik inferensial yang digunakan dalam analisis data, seperti analisis regresi,
ANOVA, statistik multivariat, dan masih banyak lagi. Dengan bantuan alat analisis tersebut,
peneliti dapat menentukan hubungan antar variabel secara akurat.
Interpretasi yang benar dari hasil analisis statistik sangat penting. Jika kesimpulan yang salah
dibuat karena penerapan uji statistik yang tidak tepat, maka hasilnya mungkin tidak valid. Oleh
karena itu, penting untuk memilih uji statistik yang tepat untuk pertanyaan penelitian.
Statistika nferensial dapat didefinisikan sebagai bidang statistik yang menggunakan alat
analisis untuk menarik kesimpulan tentang suatu populasi dengan memeriksa sampel acak.
Tujuan dari statistika inferensial adalah untuk membuat generalisasi tentang suatu populasi.
Dalam statistik inferensial, statistik diambil dari data sampel (misalnya, mean sampel) yang
digunakan untuk membuat kesimpulan tentang parameter populasi (misalnya, mean populasi).
3.2 Jenis-jenis Statistika Inferensial
Statistika inferensial dapat diklasifikasikan ke dalam pengujian hipotesis dan analisis regresi.
Pengujian hipotesis juga mencakup penggunaan interval kepercayaan untuk menguji parameter
dari suatu populasi. Diberikan di bawah ini adalah berbagai jenis statistik inferensial.
Statistika Inferensi
Pengujian Hipotesis Analisis Regresi
Uji Z Regresi Linier
Uji F Regresi Nominal
Uji t Regresi Logsitik
Uji ANOVA Regresi Ordinal
Uji Rangking
Bertanda Wilcoxon
Uji U Mann-Whitney

3.3 Pengujian Hipotesis

Pengujian hipotesis adalah jenis statistika inferensial yang digunakan untuk menguji asumsi
dan menarik kesimpulan tentang populasi dari data sampel yang tersedia. Pengujian hipotesis
melibatkan pengaturan hipotesis nol dan hipotesis alternatif diikuti dengan melakukan uji
statistik signifikansi. Kesimpulan diambil berdasarkan nilai statistik uji, nilai kritis, dan interval
kepercayaan. Sebuah uji hipotesis dapat uji satu arah : arah kiridan arah kanan, dan hipotesis dua
arah.
Kesimpulan adalah jawaban kalimat yang meliputi apakah cukup bukti atau tidak
(berdasarkan keputusan), tingkat signifikansi, dan apakah klaim asli didukung atau ditolak.
Kesimpulan didasarkan pada klaim asli, yang mungkin merupakan hipotesis nol atau
alternatif. Keputusan selalu didasarkan pada hipotesis nol

Klaim Awal
"Tolak" "Terima"
Keputusan H0 H1
Tolak H0 Ada cukup bukti pada tingkat Ada cukup bukti pada tingkat
"CUKUP" signifikansi alfa untuk menolak signifikansi alfa untuk mendukung
klaim bahwa (masukkan klaim asli klaim bahwa (masukkan klaim asli di
di sini) sini)

Gagal menolak H0 Tidak ada cukup bukti pada tingkat Tidak ada cukup bukti pada tingkat
"TAK CUKUP" signifikansi alfa untuk menolak signifikansi alfa untuk mendukung
klaim bahwa (masukkan klaim asli klaim bahwa (masukkan klaim asli di
di sini) sini)

Diberikan di bawah ini adalah tes hipotesis penting tertentu yang digunakan dalam statistik
inferensial.
 Berikut ini akan dijelaskan cara menentukan apakah tes tersebut adalah uji ekor kiri, ekor
kanan, atau dua ekor. Jenis pengujian ditentukan dengan Hipotesis Alternatif ( H1 )
Uji Satu Arah : Kiri
H1: parameter < nilai
Perhatikan pertidaksamaan menunjuk ke kiri
Aturan Keputusan: Tolak H0 jika statistik uji. < nilai kritis.

Uji Satu Arah : Kanan

H1: parameter > nilai
Perhatikan pertidaksamaan menunjuk ke kanan
Aturan Keputusan: Tolak H0 jika statistik uji. > nilai kritis.
Uji Dwi-arah
H1: parameter bertanda tidak sama dengan
Cara lain untuk menulis tidak sama adalah < atau >
Perhatikan titik pertidaksamaan pada kedua ruas
Aturan Keputusan: Tolak H0 jika statistik uji. < nilai kritis (kiri ) atau statistik uji. > nilai
kritis (kanan)
Aturan keputusan dapat diringkas sebagai berikut:
 Tolak H0 jika statistik uji jatuh di daerah kritis
 (Tolak H0 jika statistik uji lebih ekstrim dari nilai kritis)
Berikut adalah langkah-langkah untuk melakukan pengujian hipotesis
1) Tulis klaim awal dan identifikasi apakah itu hipotesis nol atau hipotesis alternatif.
2) Tuliskan hipotesis nol dan alternatifnya. Gunakan hipotesis alternatif untuk
mengidentifikasi jenis tes.
3) Tuliskan semua informasi dari masalah.
4) Temukan nilai kritis menggunakan tabel
5) Hitung statistik uji
6) Buat keputusan untuk menolak atau gagal menolak hipotesis nol. Gambar yang
menunjukkan nilai kritis dan statistik uji mungkin berguna.
7) Tulis kesimpulannya.
3.3.1 Uji Z
Uji Z: Uji z digunakan pada data yang mengikuti distribusi normal dan memiliki ukuran sampel
lebih besar atau sama dengan 30. Uji z digunakan untuk menguji apakah rata-rata sampel dan
populasi sama ketika varians populasi diketahui. Hipotesis berekor kanan dapat disusun sebagai
berikut:

 Hipotesis Nol: H 0 : μ=μ 0

Hipotesis Alternatif: H 1 : μ > μ0
x −μ
 Statistik Uji: z= dimana x adalah rata-rata sampel, μ adalah rata-rata populasi, σ
σ /√ n
adalah simpangan baku populasi dan n adalah ukuran sampel.
 Kriteria Keputusan: Jika z statistik > z nilai kritis maka tolak H 0.
3.3.2 Uji t Student
Uji t digunakan jika data berdistribusi t student dan ukuran sampel lebih kecil dari 30. Uji t
digunakan untuk membandingkan rata-rata sampel dan populasi ketika varians populasi tidak
diketahui. Uji hipotesis untuk statistik inferensial diberikan sebagai berikut:
 Hipotesis Nol: H 0 : μ=μ 0
Hipotesis Alternatif: H 1 : μ > μ0
x−μ
 Statistik Uji: z= dimana x adalah rata-rata sampel, μ adalah rata-rata populasi, s
s/√n
adalah simpangan baku sampel dan n adalah ukuran sampel.
 Kriteria Keputusan: Jika t statistik > t nilai kritis maka tolak H 0.
3.3.3 Uji F
Uji F digunakan untuk memeriksa apakah ada perbedaan antara varians dari dua sampel atau
populasi. Uji hipotesis f berekor kanan dapat disusun sebagai berikut:
2 2
 Hipotesis Nol: H 0 :σ 1=σ 2
Hipotesis Alternatif: H 1 : σ 21 >σ 22
2
σ1 2 2
 Statistik Uji: z= 2 dimana σ 1adalah ragam populasi pertama, σ 2 adalah ragam populasi
σ 2
populasi kedua.
 Kriteria Keputusan: Jika F statistik > t nilai kritis maka tolak H 0.
3.3.4 Confidence Interval:
Interval kepercayaan membantu dalam memperkirakan parameter populasi. Misalnya,
interval kepercayaan 95% menunjukkan bahwa jika pengujian dilakukan 100 kali dengan sampel
baru di bawah kondisi yang sama maka perkiraan dapat diharapkan berada dalam interval yang
diberikan 95 kali. Selanjutnya, interval kepercayaan juga berguna dalam menghitung nilai kritis
dalam pengujian hipotesis.
 Selain uji ini, uji lain yang digunakan dalam statistik inferensial adalah uji ANOVA, uji
peringkat bertanda Wilcoxon, uji Mann-Whitney U, uji Kruskal-Wallis H, dll.

3.4 Analisis Regresi

Analisis regresi adalah prosedur statistik yang memungkinkan Anda membuat prediksi
tentang variabel hasil (atau kriteria) berdasarkan pengetahuan tentang beberapa variabel
prediktor. Untuk membuat model regresi, pertama-tama Anda harus mengumpulkan (banyak)
data pada kedua variabel, mirip dengan apa yang akan Anda lakukan jika Anda sedang
melakukan korelasi. Kemudian Anda akan menentukan kontribusi variabel prediktor terhadap
variabel hasil. Setelah Anda memiliki model regresi, Anda akan dapat memasukkan skor
individu pada variabel prediktor untuk mendapatkan prediksi skor mereka pada variabel hasil.

- Contoh: Anda ingin mencoba memprediksi apakah seorang mahasiswa akan kembali untuk
tahun kedua berdasarkan berapa banyak kegiatan di kampus yang dia hadiri. Anda harus
mengumpulkan data tentang berapa banyak kegiatan yang dihadiri siswa dan kemudian apakah
siswa tersebut kembali untuk tahun kedua atau tidak. Jika kehadiran dan retensi aktivitas secara
signifikan terkait satu sama lain, maka Anda dapat membuat model regresi di mana Anda dapat
mengidentifikasi siswa yang berisiko (dalam hal retensi) berdasarkan berapa banyak aktivitas
yang telah mereka hadiri.

- Contoh: Anda ingin mencoba mengidentifikasi siswa yang berisiko gagal Aljabar Perguruan
Tinggi berdasarkan skor mereka pada penilaian matematika sehingga Anda dapat mengarahkan
mereka ke layanan khusus di kampus. Anda akan mengelola penilaian matematika pada awal
semester dan kemudian mencocokkan skor setiap siswa pada penilaian matematika dengan nilai
akhir mereka dalam kursus. Pada akhirnya, data Anda mungkin menunjukkan bahwa penilaian
matematika berkorelasi secara signifikan dengan nilai akhir mereka, dan Anda dapat membuat
model regresi untuk mengidentifikasi siswa yang berisiko tersebut sehingga Anda dapat
mengarahkan mereka ke tutor dan sumber daya lain di kampus.
Gagasan di balik regresi adalah bahwa ketika ada korelasi linier yang signifikan, dapat
menggunakan garis untuk memperkirakan nilai variabel dependen untuk nilai-nilai tertentu dari
variabel independen.
Persamaan regresi seharusnya hanya digunakan

 Bila ada korelasi linier yang signifikan. Artinya, ketika menolak hipotesis nol bahwa
rho=0 dalam uji hipotesis korelasi.
  Nilai variabel bebas yang digunakan dalam pendugaan mendekati nilai aslinya. Artinya,
tidak boleh menggunakan persamaan regresi yang diperoleh dengan menggunakan x
antara 10 dan 20 untuk memperkirakan y ketika x adalah 200.
 Persamaan regresi tidak boleh digunakan dengan populasi yang berbeda. Artinya, jika x
adalah tinggi badan laki-laki, dan y adalah berat badan laki-laki, maka tidak boleh
menggunakan persamaan regresi untuk memperkirakan berat badan perempuan.
 Persamaan regresi tidak boleh digunakan untuk memperkirakan nilai bukan dari kerangka
waktu tersebut. Jika data berasal dari tahun 1960-an, mungkin tidak valid pada tahun
1990-an.
Dengan asumsi bahwa telah diputuskan bahwa terdapat persamaan regresi karena ada
korelasi linier yang signifikan antara dua variabel, persamaannya menjadi: y '=ax+ b atau
y '=a+bx (beberapa buku menggunakan y-topi alih-alih y-aksen).

a adalah kemiringan dari persamaan regresi:

b adalah titik potong y dari persamaan regresi:

Garis regresi kadang-kadang disebut "garis yang paling sesuai". Karena "paling cocok"
dengan data, masuk akal jika garis melewati rata-rata.
Persamaan regresi adalah garis dengan kemiringan a yang melalui titik (x , y ).
Cara lain untuk menulis persamaan adalah

Dengan menerapkan sedikit aljabar, akan didapat rumus untuk a dan b yang akan digunakan
pada persamaan regresi
Sy
Juga ternyata kemiringan garis regresi dapat ditulis sebagai a=r . Karena simpangan baku
Sx
tidak boleh negatif, tanda kemiringan ditentukan oleh tanda koefisien korelasi. Hal ini sesuai
dengan pernyataan yang dibuat sebelumnya bahwa kemiringan garis regresi akan memiliki
kemiringan yang sama dengan koefisien korelasi.