RESUME PENGUJIAN HIPOTESIS

METODOLOGI PENELITIAN

DOSEN PENGAMPU
Raudhatul Hidayah, Dr.,SE,ME,Ak,CA

KELOMPOK 2

Aafiyah Dwi Syahfitri (2110533053)

Aksan Maulana (2110533017)
Ana Suryani (2110531054)
Azzahra Primadenis (2110537001)
Adinda Puty Bungsu (2110533014)
Alisha Shafira (2110533016)
Clara Chintya (2110533018)
Mei Bagus Ivan Toro (2110531047)
Miranda Sisilia (2110532019)
Nadillah Rahmadani (2110533022)
Rania Rama (2110533015)
Rachel Orvala (2110533051)
Rahman Syarif Masri (2010533012)
Ruri Khaira (2110532021)
Widyasti Mewinda (2110532023)

DEPARTEMEN AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ANDALAS
2023

1
BAB I PEMBAHASAN 3
Introduction 3
The Logic of Hypothesis Testing ( awal- type eror I) 4
The Logic of Hypothesis Testing ( type eror ii sampai akhir) 6
Tests of Significance ( Types of Tests-Nonparametric Tests ) 11
Tests of Significance (Two-Related-Samples Tests- non parametic ) 14
Tambahan materi 15

BAB II PENUTUP 16
Kesimpulan 16

2
 A. Introduction

Penggunaan penalaran induktif dan deduktif merupakan hal mendasar dalam pengujian
hipotesis, proses pembuktian bahwa suatu hipotesis (asumsi yang tidak didukung tentang
hubungan antara dua variabel) adalah valid. Penalaran induktif bergerak dari fakta-fakta
spesifik menuju kesimpulan-kesimpulan yang bersifat umum namun tentatif. Kita tidak
pernah bisa benar-benar yakin bahwa kesimpulan induktif itu sempurna. Dengan bantuan
perkiraan probabilitas, kita dapat mengkualifikasikan hasil kita dan menyatakan tingkat
kepercayaan yang kita miliki terhadap hipotesis ini. Inferensi statistik adalah penerapan
penalaran induktif. Hal ini memungkinkan kita untuk bernalar dari bukti yang ditemukan
dalam data sampel hingga kesimpulan yang ingin kita buat tentang populasi sasaran.

Statistik inferensial adalah kategori kedua dari dua kategori utama prosedur statistik, yang
lainnya adalah statistik deskriptif. Peneliti menggunakan statistik deskriptif ketika
mengeksplorasi data. Di bawah judul statistik inferensial, ada dua topik:
1. Estimasi nilai populasi.
2. Menguji hipotesis statistik.

Setelah merinci hipotesis dalam rencana analisis awal, tujuan pengujian hipotesis adalah
untuk menentukan keakuratan hipotesis karena Anda telah mengumpulkan data sampel,
bukan sensus. Gambar dibawah memperlihatkan tentang hubungan antara strategi desain,
aktivitas pengumpulan data, analisis pendahuluan, dan pengujian hipotesis.

Peneliti mengevaluasi keakuratan hipotesis dengan menentukan kemungkinan statistik bahwa

data sampel mengungkapkan perbedaan yang sebenarnya, bukan kesalahan pengambilan
sampel secara acak. Kami mengevaluasi pentingnya perbedaan yang signifikan secara
statistik dengan mempertimbangkan signifikansi praktis dari setiap perubahan yang kami
ukur.

Ada dua pendekatan untuk pengujian hipotesis:

1. Pendekatan yang lebih banyak digunakan adalah pendekatan klasik atau teori sampling.
Statistik klasik ditemukan di semua buku statistik utama dan banyak digunakan dalam
aplikasi penelitian. Pendekatan ini mewakili pandangan obyektif tentang probabilitas dimana
pengambilan keputusan sepenuhnya bergantung pada analisis data pengambilan sampel yang
tersedia. Hipotesis ditetapkan, kemudian ditolak atau gagal ditolak, berdasarkan data sampel
yang dikumpulkan.

2. Pendekatan kedua dikenal dengan statistik Bayesian, yang merupakan perpanjangan dari
pendekatan klasik. Analisis ini juga menggunakan data pengambilan sampel, namun lebih
dari sekadar mempertimbangkan semua informasi lain yang tersedia.
Perkiraan subjektif ini didasarkan pada pengalaman umum dan bukan pada data spesifik yang
dikumpulkan. Berbagai aturan pengambilan keputusan ditetapkan, perkiraan biaya dan
lainnya dapat diperkenalkan, dan hasil yang diharapkan dari kombinasi elemen-elemen ini
digunakan untuk menilai alternatif keputusan.

3
Signifikansi Statistik

Mengikuti pendekatan statistik klasik, kami menerima atau menolak hipotesis berdasarkan
data yang dikumpulkan dari sampel saja. Karena setiap sampel hampir pasti akan sedikit
berbeda dari populasinya, kita harus menilai apakah perbedaan tersebut signifikan atau tidak
signifikan secara statistik.

Suatu perbedaan memiliki signifikansi statistik jika terdapat alasan kuat untuk meyakini
bahwa perbedaan tersebut tidak hanya mewakili fluktuasi pengambilan sampel secara acak.

Contohnya Honda, Toyota, Chrysler, Nissan, Ford, dan perusahaan otomotif lainnya
memproduksi kendaraan hybrid menggunakan teknologi canggih yang menggabungkan
mesin gas kecil dengan motor listrik. Kendaraan dijalankan dengan motor listrik dengan
kecepatan lambat tetapi beralih ke motor bensin dan motor listrik pada kecepatan kota dan
jalan raya yang lebih tinggi. Strategi periklanan mereka berfokus pada penghematan bahan
bakar. Katakanlah Toyota hybrid mampu mempertahankan kecepatan rata-rata sekitar 60 mil
per galon (mpg) dengan deviasi standar 10 mpg. Misalkan peneliti menemukan dengan
menganalisis semua kendaraan produksi bahwa mpg sekarang adalah 61. Apakah perbedaan
ini signifikan secara statistik dari 60? Tentu saja demikian, karena perbedaannya didasarkan
pada sensus kendaraan dan tidak ada pengambilan sampel acak. Telah dibuktikan secara
meyakinkan bahwa rata-rata populasi telah berubah dari 60 menjadi 61 mpg. Meskipun
penelitian signifikan secara statistiknya, apakah penelitian signifikan secara praktis
merupakan pertanyaan lain. Jika seorang manajer menilai bahwa variasi ini tidak terlalu
penting, maka hal ini tidak mempunyai signifikansi praktis. Sebuah perusahaan riset ternama
di dunia mengatakan bahwa pertanyaan paling penting yang bisa diajukan seorang peneliti
adalah, "Lalu apa?"

Karena akan terlalu mahal untuk menganalisis semua kendaraan pabrikan secara berkala,
kami melakukan pengambilan sampel. Asumsikan sampel sebanyak 25 mobil dipilih secara
acak dan rata-rata mpg dihitung sebesar 64. Apakah ini signifikan secara statistik?
Jawabannya tidak pasti. Hal ini penting jika ada alasan kuat untuk meyakini bahwa rata-rata
mpg dari total populasi telah meningkat dari 60 menjadi 64. Karena bukti hanya terdiri dari
sampel, pertimbangkan kemungkinan kedua: bahwa ini hanyalah kesalahan pengambilan
sampel secara acak dan dengan demikian tidak signifikan. Tugasnya adalah memutuskan
apakah hasil dari sampel ini signifikan atau tidak secara statistik. Untuk menjawab
pertanyaan ini, kita perlu mempertimbangkan lebih jauh logika pengujian hipotesis

B. The Logic of Ana Hypothesis Testing ( awal- type eror I)

Logika Pengujian Hipotesis Dalam pengujian signifikansi klasik, dua jenis hipotesis
digunakan.

1. Hipotesis nol (H0) digunakan untuk pengujian.

Analis biasanya menguji untuk menentukan apakah tidak ada perubahan dalam populasi yang
diminati atau apakah ada perbedaan nyata. Mengapa tidak menyatakan hipotesis dalam
bentuk positif? Mengapa tidak menyatakan bahwa perbedaan antara statistik sampel dan
parameter populasi disebabkan oleh beberapa alasan? Sayangnya, hipotesis jenis ini tidak
dapat diuji secara pasti.

4
Bukti yang konsisten dengan hipotesis yang dinyatakan dalam bentuk positif hampir tidak
pernah dapat dianggap sebagai dasar konklusif untuk menerima hipotesis tersebut.
Temuan yang konsisten dengan hipotesis jenis ini mungkin juga konsisten dengan hipotesis
lain, dan dengan demikian tidak menunjukkan kebenaran hipotesis yang diberikan.
Misalnya, sebuah koin diduga bias Koin dibalik ●
100 kali dan hasilnya adalah 52 sisi atas. Tidaklah tepat untuk langsung menyimpulkan
bahwa koin bias hanya karena lebih dari jumlah yang diharapkan dari 50 sisi atas dihasilkan.
Alasannya adalah itu
 52 kepala konsisten dengan hipotesis bahwa koin itu adil.
 Di sisi lain, membalik 85 atau 90 sisi atas dalam 100 membalik tampaknya
bertentangan dengan hipotesis koin yang adil. Dalam hal ini, akan ada yang kuat
kasus untuk koin yang bias. Dalam hal ini, akan ada kasus yang kuat untuk koin yang
bias.

Dalam contoh kendaraan hibrida, hipotesis nol menyatakan bahwa parameter populasi 60
mpg tidak berubah.

2. Hipotesis alternatif (HA) menyatakan bahwa telah terjadi perubahan rata-rata mpg
(yaitu, statistik sampel 64 menunjukkan nilai populasi mungkin tidak lagi 60).
Hipotesis alternatif adalah kebalikan logis dari hipotesis nol.
Contoh mobil hibrida dapat dieksplorasi lebih lanjut untuk menunjukkan bagaimana konsep-
konsep ini digunakan untuk menguji signifikansi• * Hipotesis nol (H0): Tidak ada perubahan
dari rata-rata 60 mpg.
Hipotesis alternatif (HA) dapat mengambil beberapa bentuk, tergantung pada tujuan para
peneliti.
HA mungkin dalam bentuk "tidak sama" atau "lebih besar dari" atau "kurang dari": * MPG
rata-rata telah berubah dari 60.* Rata-rata mpg mengalami peningkatan (penurunan) dari
60.Jenis hipotesis alternatif ini sesuai dengan pengujian berekor dua dan berekor satu.
Tes dua arah, atau tes non directional, mempertimbangkan dua kemungkinan: rata-rata bisa
lebih dari 60 mpg, atau bisa juga kurang dari 60.
Dalam Pameran 14-3, diagram pertama mewakili hipotesis non directional, dan yang kedua
adalah hipotesis terarah dari varietas" lebih besar dari"

Hypotheses for Exhibit 14-3 may be expressed in the following form:

Null H0: μ = 60 mpg
Alternative HA: μ ≠ 60 mpg (not the same)
or
Null H0: μ ≤ 60 mpg
Alternative HA: μ > 60 mpg (greater than)
or
Null H0: μ ≥ 60 mpg
Alternative HA: μ < 60 mpg (less than)

5
Dalam menguji hipotesis ini, peneliti mengadopsi aturan keputusan ini: Tidak mengambil
tindakan korektif jika analisis menunjukkan bahwa seseorang tidak dapat menolak hipotesis
nol.Perhatikan bahasa "tidak dapat menolak "daripada" menerima " hipotesis nol.
Dikatakan bahwa hipotesis nol tidak akan pernah dapat dibuktikan dan, oleh karena itu, tidak
dapat diterima."Di sini, sekali lagi, kita melihat pengaruh penalaran induktif.
Pengujian statistik hanya memberikan peluang untuk (1) menyangkal (menolak) atau (2)
gagal menolak hipotesis.Dalam pembahasan ini, penerimaan yang kurang formal berarti
"gagal menolak" hipotesis nol.Dalam menerima atau menolak hipotesis nol, kita dapat
membuat keputusan yang salah.Hipotesis nol dapat diterima ketika seharusnya ditolak atau
ditolak ketika seharusnya diterima.

Masalah-masalah ini diilustrasikan dengan analogi dengan sistem hukum Amerika.2 Dalam
sistem peradilan kita, ketidakbersalahan orang yang didakwa dianggap sampai bukti bersalah
yang tidak diragukan lagi dapat dibuktikan.Dalam pengujian hipotesis, ini adalah hipotesis
nol; seharusnya tidak ada perbedaan antara praduga tak bersalah dan hasilnya kecuali bukti
yang bertentangan diberikan.Setelah bukti membuktikan tanpa keraguan bahwa
ketidakbersalahan tidak dapat dipertahankan lagi, diperlukan keyakinan yang adil.
Ini sama dengan menolak hipotesis nol dan menerima hipotesis alternatif.
Keputusan atau kesalahan yang salah adalah dua kemungkinan hasil lainnya.Kita dapat
menghukum orang yang tidak bersalah secara tidak adil, atau kita dapat membebaskan orang
yang bersalah.Nilai tersebut disebut tingkat signifikansi dan merupakan probabilitas untuk
menolak hipotesis nol yang sebenarnya.Dalam sistem peradilan kita, lebih penting untuk
mengurangi kemungkinan menghukum orang yang tidak bersalah daripada membebaskan
orang yang bersalah.Demikian pula, pengujian hipotesis lebih menekankan pada pengurangan
kesalahan Tipe I daripada kesalahan Tipe II.

C. The Logic of Hypothesis Testing ( type eror ii sampai akhir)

Tests of Significance
A. Jenis Uji Signifikansi
a. Parametrik
Uji parametrik digunakan apabila data berasal dari pengukuran interval dan
rasio. Teknik parametrik merupakan tes pilihan jika asumsinya terpenuhi,
karena teknik ini lebih kuat dibandingkan tes nonparametrik. Asumsi untuk uji
parametrik antara lain sebagai berikut:
 Pengamatan harus independen—artinya, pemilihan satu kasus tidak
boleh berdampak peluang kasus lain untuk dimasukkan ke dalam
sampel.
 Observasi harus diambil dari populasi yang berdistribusi normal.
 Populasi-populasi ini harus mempunyai varian yang sama.
 Skala pengukuran harus minimal interval sehingga operasi aritmatika
dapat digunakan dengan mereka.
b. Non Parametrik
Uji nonparametrik digunakan untuk menguji hipotesis dengan data nominal
dan ordinal.

B. Cara Memilih Uji Signifikansi

6
 Dalam upaya memilih uji signifikansi tertentu, peneliti harus mempertimbangkan
setidaknya tiga pertanyaan
1) Apakah pengujian melibatkan satu sampel, dua sampel, atau k (lebih dari dua)
sampel?
2) Jika ada dua sampel atau k sampel yang terlibat, apakah masing-masing kasus bersifat
independen atau berkaitan?
3) Apakah skala pengukurannya nominal, ordinal, interval, atau rasio?

Pertanyaan tambahan mungkin muncul setelah jawaban atas pertanyaan ini diketahui:

4) Berapa ukuran sampelnya?

5) Jika ada beberapa sampel, apakah ukurannya sama?
6) Apakah datanya sudah diberi bobot?
7) Apakah datanya sudah diubah?

C. Memilih Uji Signifikansi Menggunakan Kriteria Pilihan

Dalam bagian ini, kami menggunakan tiga pertanyaan yang dibahas dalam
bagian terakhir (lihat poin-poin) untuk mengembangkan klasifikasi dari tes dan
pengukuran parametrik dan nonparametrik utama. Karena tes parametrik lebih disukai
karena kekuatannya ketika asumsinya terpenuhi, kami membahasnya terlebih dahulu
dalam setiap subbagian: tes sampel tunggal, tes sampel dua, tes sampel k- (lebih dari
dua)

D. Uji Sampel Tunggal

Uji sampel tunggal digunakan ketika kita memiliki satu sampel dan ingin
menguji hipotesis bahwa sampel tersebut berasal dari populasi tertentu. Dalam hal ini,
kita akan menemukan pertanyaan seperti ini:
 Apakah ada perbedaan antara frekuensi yang diamati dan frekuensi yang kita
harapkan, berdasarkan beberapa teori?
 Apakah ada perbedaan antara proporsi yang diamati dan yang diharapkan?

7
  Apakah masuk akal untuk menyimpulkan bahwa sampel diambil dari populasi
dengan distribusi tertentu yang ditentukan (normal, Poisson, dan lain
sebagainya)?
 Apakah ada perbedaan yang signifikan antara beberapa ukuran kecenderungan
pusat (X‾) dan parameter populasinya (μ)?

Uji Parametrik
Z test atau t-test digunakan untuk menentukan signifikansi statistik antara rata-rata
distribusi sampel dan parameter.
Distribusi Z dan distribusi t berbeda. Distribusi t memiliki area ekor yang lebih besar
daripada yang ditemukan dalam distribusi normal. Ini adalah kompensasi atas kurangnya
informasi tentang standar deviasi populasi.Meskipun standar deviasi sampel digunakan
sebagai figur proxy, ketidaktepatannya membuat perlu untuk pergi lebih jauh dari 0 untuk
memasukkan persentase nilai dalam distribusi t yang harus ditemukan dalam normal standar.

Ketika ukuran sampel mendekati 120, standar deviasi sampel menjadi perkiraan yang
sangat baik dari standar deviasi populasi (σ); di luar 120, distribusi t dan Z hampir identik.

Beberapa aplikasi nyata khas dari uji sampel tunggal adalah:

 Menemukan saldo bulanan rata-rata pemegang kartu kredit dibandingkan
dengan saldo bulanan rata-rata lima tahun lalu.
 Membandingkan tingkat kegagalan komputer dalam uji 20 jam untuk
spesifikasi kualitas.
 Mengungkap proporsi orang yang akan berbelanja di distrik baru
dibandingkan dengan proporsi populasi yang diasumsikan.
 Membandingkan pendapatan produk rata-rata tahun ini dengan pendapatan
tahun lalu.
Contoh:
Dengan sampel 100 kendaraan, para peneliti menemukan bahwa rata-rata mil
per galon untuk mobil adalah 52,5 mpg, dengan deviasi standar 14. Apakah hasil ini
menunjukkan bahwa rata-rata populasi mungkin masih 50?
Dalam masalah ini, kita hanya memiliki standar deviasi sampel (s). Ini harus
digunakan sebagai ganti dari standar deviasi populasi (σ). Ketika kita mengganti s
untuk σ, kita menggunakan distribusi t, terutama jika ukuran sampel kurang dari 30.
Kami mendefinisikan t sebagai

Tes signifikansi ini dilakukan dengan mengikuti prosedur enam langkah yang
direkomendasikan sebelumnya:

1) Hipotesis nol.
H0: = 50 mil per galon (mpg)
HA:> 50 mpg (tes satu sisi)
2) Tes statistik.
Pilih t-test karena datanya adalah pengukuran rasio. Asumsikan populasi yang
mendasari adalah normal dan kita telah secara acak memilih sampel dari
populasi kendaraan produksi.
3) Tingkat signifikansi.

8
 Biarkan α = 0,05, dengan n = 100.

4) Nilai Terhitung

5) Nilai uji kritis

Didapatkan dengan memasukkan tabel nilai kritis t, dengan derajat kebebasan
(d.f.) sebanyak 99 dan nilai tingkat signifikansi sebesar 0.05. Kami
mendapatkan nilai kritis sekitar 1.66 (diinterpolasi antara d.f. = 60 dan d.f. =
120 di Pameran D-2).
6) Interpretasi
Dalam hal ini, nilai terhitung lebih besar dari nilai kritis (1.786 > 1.66),
sehingga kami menolak hipotesis nol dan menyimpulkan bahwa rata-rata mpg
telah meningkat.

Uji Non-Parametrik
Chi-Square Test
Uji chi-square (χ²) adalah sebuah metode statistik yang digunakan untuk
menguji apakah terdapat hubungan signifikan antara dua variabel kategorikal (non-
numerik). Uji chi-square dapat digunakan untuk menguji apakah distribusi frekuensi
dari dua variabel kategorikal bersifat independen atau tergantung satu sama lain.
Rumus yang digunakan untuk menghitung Uji chi-square:

Dimana :

Ada distribusi χ2 yang berbeda untuk setiap jumlah derajat kebebasan (d.f.),
yang didefinisikan sebagai (k − 1) atau jumlah kategori dalam klasifikasi dikurangi 1:

d.f. = k – 1

Dengan tabel kontingensi chi-square dari dua sampel atau berbagai sampel k,
kita memiliki baik baris maupun kolom dalam tabel cross-classification. Dalam kasus
tersebut, d.f. didefinisikan sebagai baris dikurangi 1 (r − 1) kali kolom dikurangi
1 (c − 1):
d.f. = (r − 1)(c − 1)
Contoh :
Universitas Metro tertarik untuk membentuk klub makan kampus yang hanya
untuk anggota. Sebuah survei minat mahasiswa dalam klub diambil. Kami
mewawancarai 200 mahasiswa dan mengetahui niat mereka untuk bergabung dengan
klub. Kami ingin menganalisis hasilnya berdasarkan pengaturan tempat tinggal (jenis
dan lokasi hunian mahasiswa dan pengaturan makan). 200 tanggapan diklasifikasikan
ke dalam empat kategori yang ditunjukkan dalam tabel yang menyertainya.

9
Apakah variasi ini menunjukkan adanya perbedaan signifikan di antara kelompok-kelompok
mahasiswa ini, atau apakah ini hanya variasi sampel? Lanjutkan seperti berikut:
1) Hipotesis Nol
H0 : Oi = Ei .Proporsi dalam populasi yang berniat untuk bergabung dengan klub ini
tidak tergantung pada pengaturan tempat tinggal. Dalam HA: Oi ≠ E proporsi dalam
populasi yang berniat untuk bergabung dengan klub tergantung pada pengaturan
tempat tinggal.
2) Uji statistik
Gunakan uji χ2 satu sampel untuk membandingkan distribusi yang diamati dengan
distribusi yang diasumsikan. Uji χ2 digunakan karena tanggapan diklasifikasikan ke
dalam kategori nominal dan terdapat observasi yang cukup.
3) Tingkatsignifikansi.
Biarkan α = 0,05.
4) Nilai yang dihitung.

Hitung distribusi yang diharapkan dengan menentukan proporsi dari 200 mahasiswa
yang diwawancarai berada di setiap kelompok. Kemudian terapkan proporsi ini pada
jumlah orang yang berniat untuk bergabung dengan klub. Selanjutnya, hitung hal-hal
berikut:

5) Nilai uji kritis. Masukkan tabel nilai-nilai kritis χ2 (lihat Tabel D-3), dengan 3 d.f.,
dan peroleh
nilai 7.82 untuk α = 0.05.
6) Interpretasi
Nilai yang dihitung (9.89) lebih besar dari nilai kritis (7.82), sehingga hipotesis nol
ditolak dan kami menyimpulkan bahwa berniat untuk bergabung tergantung pada
pengaturan tempat tinggal.

10
 D. Uji Dua Sampel Independen
Uji dua sampel independen adalah jenis uji statistik yang digunakan untuk
membandingkan dua sampel independen satu sama lain. Uji ini berguna ketika ingin
menentukan apakah terdapat perbedaan signifikan antara dua kelompok atau sampel
yang tidak tergantung satu sama lain. Contoh penggunaan Two-Independent-Samples
Tests dapat ditemukan dalam berbagai konteks, seperti riset bisnis di mana
perbandingan dilakukan antara dua kelompok pelanggan atau produk yang berbeda
untuk menentukan apakah ada perbedaan yang signifikan antara mereka.

Uji Parametrik
Uji Z dan uji t sering digunakan sebagai uji parametrik untuk sampel
independen, meskipun uji F juga dapat digunakan. Uji Z digunakan untuk ukuran
sampel besar (lebih dari 30 untuk kedua sampel independen) atau dengan ukuran
sampel yang lebih kecil ketika data terdistribusi normal dan varians populasi
diketahui. Rumus untuk uji Z adalah:

Dengan ukuran sampel yang kecil, populasi yang terdistribusi secara normal, dan
asumsi varian populasi yang sama, uji t adalah yang tepat:

Di mana (μ1 − μ2) adalah perbedaan antara dua rata-rata populasi, dan Sp^2 terkait
dengan perkiraan varians bersama:

Contoh :
pertimbangkan sebuah masalah yang mungkin dihadapi oleh seorang manajer di
KDL, sebuah perusahaan media yang sedang mengevaluasi calon eksekutif akun.
Manajer ingin menguji efektivitas dua metode pelatihan untuk eksekutif akun baru.
Perusahaan memilih 22 calon, yang secara acak dibagi menjadi dua kelompok
eksperimental. Satu kelompok menerima pelatihan tipe A dan kelompok lainnya
menerima pelatihan tipe B. Kemudian, calon-calon tersebut ditugaskan dan dikelola
tanpa mempertimbangkan pelatihan yang mereka terima. Pada akhir tahun, manajer
meninjau kinerja karyawan dalam kelompok-kelompok ini dan menemukan hasil
berikut:

Mengikuti prosedur pengujian standar, kita akan menentukan apakah satu metode
pelatihan lebih unggul dibandingkan yang lain:
1) Hipotesis nol.
H0: Tidak ada perbedaan dalam hasil penjualan yang dihasilkan oleh dua
metode pelatihan.

11
 HA: Metode pelatihan A menghasilkan hasil penjualan yang lebih unggul
dibandingkan metode B.
2) Uji statistik.
Uji t dipilih karena data setidaknya berskala interval dan sampelnya
independen.
3) Tingkat signifikansi. α = 0,05 (uji satu arah).
4) Nilai yang dihitung.

Terdapat n − 1 derajat kebebasan dalam setiap sampel, sehingga total derajat

kebebasan adalah
d.f. = (11 − 1 ) + (11 − 1)= 20

5) Nilai uji kritis.

Masukkan Lampiran D, Pameran D-2 dengan derajat kebebasan = 20, uji satu
arah, α = 0,05. Nilai kritisnya adalah 1,725.
6) Interpretasi.
Karena nilai yang dihitung lebih besar dari nilai kritis (1,97 > 1,725), tolak
hipotesis nol dan simpulkan bahwa metode pelatihan A lebih unggul.

Non-Parametrik
Uji chi-square (χ2) sesuai untuk situasi di mana diperlukan pengujian perbedaan antara
sampel-sampel. Ini sangat berharga untuk data nominal tetapi dapat digunakan dengan
pengukuran ordinal. Ketika data parametrik telah dikurangi menjadi kategori, mereka sering
kali diperlakukan dengan χ2 meskipun ini mengakibatkan kehilangan informasi. Persiapan
untuk menyelesaikan masalah ini sama seperti yang disajikan sebelumnya meskipun
rumusnya sedikit berbeda:

dimana :

Contoh:
TopFlight sedang mengimplementasikan kebijakan tempat kerja bebas asap rokok dan
tertarik untuk mengetahui apakah merokok mempengaruhi kecelakaan kerja. Karena
perusahaan memiliki laporan lengkap tentang kecelakaan di tempat kerja, diambil sampel
nama pekerja dari mereka yang terlibat dalam kecelakaan selama tahun terakhir. Sampel
serupa dari pekerja yang tidak melaporkan kecelakaan dalam setahun terakhir diambil.
Anggota kedua kelompok diwawancarai untuk menentukan apakah masing-masing adalah
perokok atau bukan, dan jika perokok, apakah orang tersebut mengklasifikasikan dirinya
sebagai perokok berat atau sedang. Hasilnya muncul dalam tabel berikut, dengan nilai yang
diharapkan dihitung seperti yang ditunjukkan.

12
Prosedur pengujian adalah sebagai berikut:
1) Hipotesis nol.
H0: Tidak ada hubungan dalam kejadian kecelakaan di tempat kerja antara perokok
dan bukan perokok.
HA: Ada hubungan dalam kejadian kecelakaan di tempat kerja antara perokok dan
bukan perokok.
2) Uji statistik. χ2 sesuai, tetapi mungkin membuang sebagian data karena pengukuran
tampaknya bersifat ordinal.
3) Tingkat signifikansi. α = 0,05, dengan d.f. = (3 − 1) (2 − 1) = 2
4) Nilai yang dihitung.
Distribusi yang diharapkan diberikan oleh total marjinal tabel. Jika tidak ada
hubungan antara kecelakaan dan merokok, akan ada proporsi perokok yang sama di
kedua kelompok kecelakaan dan nonkecelakaan. Jumlah observasi yang diharapkan
dalam
Setiap sel dihitung dengan mengalikan dua total margin yang umum untuk sel tertentu
dan membagi hasil perkalian tersebut dengan n. Sebagai contoh

5) Nilai uji kritis. Lihat di Lampiran D, Pameran D-3, dan temukan nilai kritis 7.01
dengan α = .05 dan d.f. = 2.
6) Interpretasi. Karena nilai yang dihitung lebih besar dari nilai kritis, hipotesis nol
ditolak.

Agar chi-square beroperasi dengan baik, data harus berasal dari sampel acak dari
distribusi multinomial, dan frekuensi yang diharapkan tidak boleh terlalu kecil. Sebelumnya,
kami mencatatkan peringatan tradisional bahwa frekuensi yang diharapkan (Ei) di bawah 5
tidak boleh menyusun lebih dari 20 persen dari sel-sel, dan tidak ada sel yang boleh memiliki
Ei kurang dari 1. Beberapa penelitian berpendapat bahwa pembatasan-pembatasan ini terlalu
ketat.

13
di mana huruf-huruf tersebut mewakili sel-sel yang ditunjuk sebagai

Ketika koreksi kontinuitas diterapkan pada data yang ditunjukkan dalam Pameran 14-9,
nilai χ2 yang diperoleh adalah 5,25. Tingkat signifikansi yang diamati untuk nilai ini adalah
0,02192. Jika tingkat signifikansi telah ditetapkan pada 0,01, kita akan menerima hipotesis
null. Namun, jika kita menghitung χ2 tanpa koreksi, nilai tersebut akan menjadi 6,25, yang
memiliki tingkat signifikansi diamati sebesar 0,01242. Beberapa peneliti mungkin tergoda
untuk menolak null pada tingkat ini. (Namun perhatikan bahwa nilai kritis χ2 pada 0,01
dengan 1 derajat kebebasan adalah 6,64. Lihat Lampiran D, Pameran D-3.) Literatur
berselisih mengenai kelebihan koreksi Yates, tetapi jika tidak ada yang lain, contoh ini
menunjukkan bahwa sebaiknya berhati-hati saat menginterpretasikan tabel 2 × 2.9 Kesalahan
untuk memihak pada sisi konservatif akan sejalan dengan diskusi sebelumnya mengenai
Kesalahan Tipe I.
Uji Mantel-Haenszel dan rasio kemungkinan juga muncul dalam Pameran 14-9. Yang
pertama digunakan dengan data ordinal; yang terakhir, berdasarkan teori likelihood
maksimum, menghasilkan hasil yang mirip dengan χ2 Pearson."

Dalam jenis χ2 yang lain, tabel 2 × 2, suatu koreksi yang dikenal sebagai koreksi Yates
untuk kontinuitas diterapkan ketika ukuran sampel lebih dari 40 atau ketika sampel berada
antara 20 dan 40 dan nilai-nilai Ei adalah 5 atau lebih. (Kami menggunakan koreksi ini
karena distribusi kontinu sedang mendekati distribusi diskrit dalam tabel ini. Ketika Ei kecil,
pendekatan ini tidak selalu baik.) Rumus untuk koreksi ini adalah:

E. Tests of Significance (Two-Related-Samples Tests- non parametic)

Tes Parametrik

Uji sampel terkait-k diperlukan untuk situasi di mana (1) faktor pengelompokan memiliki
lebih dari dua level, (2) observasi atau subjek dicocokkan atau partisipan yang sama diukur
lebih dari satu kali, dan (3) datanya minimal interval. Dalam uji eksperimen pemasaran atau
desain ex post facto dengan k sampel, seringkali subjek perlu diukur beberapa kali.
Pengukuran berulang ini adalah disebut cobaan. Misalnya, beberapa pengukuran dilakukan
dalam studi harga saham, produk yang dievaluasi berdasarkan keandalan, inventaris,
penjualan, dan ukuran kinerja produk. Hipotesis untuk situasi ini dapat diuji dengan model
linier umum univariat atau multivariat. Yang terakhir ini berada di luar jangkauan ruang
lingkup diskusi ini.

ANOVA pengukuran berulang adalah jenis khusus dari analisis varians n-arah. Dalam desain
ini, pengukuran berulang dari masing-masing subjek terkait sama seperti pada uji-t terkait
ketika hanya dua pengukuran yang saling berhubungan.
hadir. Dalam hal ini, setiap subjek berfungsi sebagai kontrolnya sendiri yang memerlukan
penilaian efek varians dalam subjek secara berbeda dibandingkan varians antar kelompok
dalam faktor seperti pemilihan maskapai penerbangan atau kursi.

Efek dari ukuran-ukuran yang berkorelasi dihilangkan sebelum perhitungan rasio F.

Model ini merupakan solusi yang tepat untuk data yang disajikan pada Gambar 14-12. Anda
akan mengingatnya contoh satu arah dan dua arah hanya dianggap sebagai peringkat pertama
layanan dalam penerbangan. Asumsikan sebentar Penilaian diperoleh setelah satu minggu

14
dengan mewawancarai kembali responden yang sama. Kami sekarang memiliki dua uji coba
variabel dependen, dan kami tertarik pada pertanyaan umum yang sama dengan ANOVA satu
arah, dengan tambahan bagaimana perjalanan waktu mempengaruhi persepsi terhadap
layanan dalam penerbangan.

Mengikuti prosedur pengujian, kami menyatakan:

1. Hipotesis nol.
(1) Maskapai Penerbangan: H0
: μA1 = μA2 = μA3
(2) Peringkat: H0
: μR1 = μR2
(3) Peringkat × maskapai penerbangan: H0
: (μR2A1 − μR2A2 − μR2A3) = (μR1A1 − μR1A2 − μR1A3)

Untuk hipotesis alternatif, kami akan menggeneralisasi pernyataan yang tidak dimiliki
semua kelompok cara yang sama untuk masing-masing dari tiga hipotesis.

2. Uji statistik. Uji F untuk pengukuran berulang dipilih karena kami memiliki uji coba
terkait pada pengujian tersebut variabel terikat untuk k sampel, menerima asumsi
analisis varians, dan memiliki data interval.

3. Tingkat signifikansi. Misalkan α = 0,05 dan d.f. = [maskapai penerbangan (2, 57),
peringkat (1, 57), peringkat berdasarkan maskapai penerbangan (2, 57)].

4. Nilai yang dihitung. Lihat ringkasan pada Gambar 14-18.

5. Nilai uji kritis. Masukkan Lampiran D, Gambar D-8, dengan d.f. (2, 57), α = 0,05 dan
(1, 57), α = 0,05.
Nilai kritisnya adalah 3,16 (2, 57) dan 4,01 (1, 57).

6. Interpretasi. Hasil statistik tersebut merupakan dasar untuk menolak ketiga hipotesis
nol dan menyimpulkan bahwa terdapat perbedaan yang signifikan secara statistik
antara rata-rata dalam ketiga kasus tersebut. Kami menyimpulkan bahwa persepsi
layanan dalam penerbangan dipengaruhi secara signifikan oleh berbagai maskapai
penerbangan, interval antara kedua ukuran mempunyai pengaruh yang signifikan
terhadap peringkat, dan ukuran-ukuran tersebut interval waktu dan maskapai
penerbangan berinteraksi secara signifikan.

Tes Nonparametrik

Ketika k sampel terkait telah diukur pada skala nominal, uji Cochran Q adalah tes yang baik
pilihan.13 Tes ini memperluas tes McNemar, yang telah dibahas sebelumnya, untuk
penelitian yang memiliki lebih dari dua sampel. Ini menguji hipotesis bahwa proporsi kasus
dalam suatu kategori adalah sama untuk beberapa kasus terkait kategori.
Jika datanya setidaknya ordinal, analisis varians dua arah Friedman dapat digunakan. Itu
menguji sampel yang cocok, memberi peringkat pada setiap kasus dan menghitung peringkat
rata-rata untuk setiap variabel di semua kasus.

15
Ia menggunakan peringkat ini untuk menghitung statistik pengujian. Produknya adalah tabel
dua arah yang mewakili baris-barisnya subjek dan kolom mewakili kondisi perawatan.14
Lihat Lampiran C untuk tes nonparametrik tambahan.

Kesimpulan

1. Penalaran induktif dan deduktif adalah hal mendasar dalam pengujian hipotesis. Penalaran
induktif bergerak dari fakta-fakta spesifik menuju kesimpulan yang bersifat umum namun
tentatif. Inferensi statistik, yang merupakan penerapan penalaran induktif, memungkinkan
kita untuk membuat kesimpulan tentang populasi sasaran berdasarkan bukti yang ditemukan
dalam data sampel.

2. Statistik inferensial adalah kategori kedua dari dua kategori utama prosedur statistik, yang
lainnya adalah statistik deskriptif. Statistik inferensial melibatkan estimasi nilai populasi dan
pengujian hipotesis statistik.

3. Terdapat dua pendekatan umum dalam pengujian hipotesis: pendekatan klasik atau teori
sampling, dan pendekatan Bayesian. Pendekatan klasik menggunakan analisis data sampel
yang tersedia untuk membuat keputusan, sementara pendekatan Bayesian juga
mempertimbangkan informasi lain yang tersedia dan menggunakan perkiraan subjektif untuk
menilai alternatif keputusan.

4. Signifikansi statistik digunakan untuk menentukan apakah perbedaan antara data sampel dan
parameter populasi merupakan hasil dari fluktuasi pengambilan sampel secara acak atau
memiliki arti yang signifikan secara statistik.

5. Pentingnya suatu perbedaan secara statistik tidak selalu berarti memiliki signifikansi praktis.
Evaluasi signifikansi praktis bergantung pada penilaian subjektif terhadap pentingnya
perbedaan tersebut dalam konteks yang relevan.

6. Pengujian hipotesis melibatkan logika pengujian yang membedakan antara dua jenis
hipotesis: hipotesis nol (H0) yang digunakan untuk pengujian dan hipotesis alternatif.
Hipotesis nol sering kali dirumuskan untuk menguji apakah tidak ada perubahan dalam

16
 populasi yang diminati atau apakah tidak ada perbedaan nyata, sementara hipotesis alternatif
menyatakan bahwa terdapat perbedaan nyata antara populasi yang diminati.

17