Bahan Ajar Statistik Perminyakan Ps - TPM 2022

BAHAN AJAR (EDISI I: 2019)
BAHAN AJAR
Edisi-3: Tahun 2022
(Digunakan khusus hanya di lingkup JTM-Polnam)
Penyusun:
Pattiselanno Markus
Pattiasina Nanse Henny
PS. Teknik Produksi Migas

Jurusan Teknik Mesin
POLITEKNIK NEGERI AMBON
2022
POLNA JTM/PS.Teknik Produksi
PRAKATA
Puji syukur kami panjatkan kepada Tuhan yang maha kuasa, karena kasih-Nya staf pengajar
Jurusan Teknik Mesin telah dapat menyelesaikan Bahan Ajar ini, sebagai materi inti yang akan
digunakan pada proses belajar mengajar secara terbatas, hanya khusus digunakan pada Jurusan
Teknik Mesin Politeknik Negeri Ambon.
Kami menyadari bahwa apa yang telah dilakukan saudara-saudara sangat membantu kami dalam
menata Jurusan Teknik Mesin untuk mencapai hasil yang lebih baik. Kiranya apa yang dicapai hari
ini akan menjadi bermakna untuk mahasiswa dan semua pihak yang membutuhkan.
Kami menyampaikan apresiasi yang tinggi kepada karya saudara-saudara, karena saudara telah
dapat mempersembahkan sesuatu yang dimiliki untuk kemajuan almamater tercinta.
Kasih Tuhan menyertai saudara-saudara.
Ambon, Maret 2022

Ketua Jurusan Teknik
Mesin
Buku Ajar: STATISTIK PERMINYAKAN / i

Buku Ajar: STATISTIK PERMINYAKAN / i

KATA PENGANTAR
Segala puji, hormat dan kemuliaan dipersembahkan kepada Tuhan Yang Maha Kuasa, karena oleh
pimpinan-Nya, limpahan berkat, hikmat, dan pengetahuan bagi kami, sehingga bahan ajar ini telah
selesai dikerjakan sebagaimana mestinya.
Seperti yang kita sadari bersama bahwa saat ini Statistik mengambail peran penting dalam banyak
bidang sains dan teknik, terutama dalam penelitian-penelitian ilmiah keteknikan, maupun dalam
penerapannya di bidang industri. Dalam banyak hal, pengolahan dan analisis data senantiasa
membutuhkan penerapan metode statistik tertentu, yang pemakaiannya memberi dasar bagi
penjelasan yang logis mengenai hubungan-hubungan yang terdapat antara variabel-variabel
yang menjadi kajian.
Materi buku ini dipilih sesuai kebutuhan mahsiswa jurusan teknik mesin atau mahasiswa pendidikan
vokasi, dengan pertimbangan saat lulus pendidikan dan masuk ke dunia kerja, mereka akan terlibat
dalam pengumpulan dan analisis data dan akan diminta untuk berpikir secara kritis tentang hasilnya.
Akibatnya, mereka perlu memperoleh pengetahuan tentang konsep dasar dari deskripsi data dan
inferensi statistik dan akrap dengan metode statistik yang akan digunakan pada bidang kerjanya.
Materi bahan ajar ini dihimpun dari berbagai sumber dan disusun untuk digunakan hanya dalam
lingkup terbatas, khusus digunakan oleh mahasiswa D4 Politeknik Jurusan Teknik Mesin POLNAM
sebagai buku panduan pembelajaran statistik, dengan demikian materinya dipilih sesuai
kebutuhan khusus mahasiswa Politeknik / pendidikan vokasi sebagai mahasiswa yang fokus pada
penerapan ilmu.
Dalam buku ini dibahas dasar-dasar statistik, statistik deskriptif, prinsip-prinsip teorema limit pusat,
teknik estimasi (pendugaan), uji hipotesis untuk sampel tunggal dan sampel ganda, uji analisis varians, dan
teknik-teknik regresi dan korelasi linier sederhana. Agar anda mendapatkan informasi yang lengkap
guna pengembangan pengetahuan, disarankan anda dapat merujuk ke buku refersensi yang
dicantumkan.
Semua kerja yang telah dilakukan ini dapat terujud karena dukungan dari berbagai pihak di
Politeknik Negeri Ambon pada umumnya, dan khususnya JurusanTeknik Mesin, karena itu pada
kesempatan ini kami menyampaikan terima kasih yang tak terhingga kepada:
 Direktur Politeknik Negeri Ambon yang telah memrogramkan kegiatan ini.
 Wakil Direktur Bidang Akademik, Politeknik Negeri Ambon dalam arahannya, saat kegiatan
ini dilaksanakan.
 Ketua Jurusan Teknik Mesin Sebagai Tim Pengarah yang mengarahkan hal-hal teknis tentang
format penulisan bahan ajar ini.
 Ketua Program Studi (D4) Teknik Produksi Migas.
 Semua pihak yang telah membantu memberikan masukan untuk melengkapi materi bahan ajar
ini.
Apapun hasil yang dicapai sampai saat ini, tentunya masih memiliki kekurangan, sehingga kritik dan
saran sangat diharapkan untuk perbaikan buku ini diwaktu mendatang. Semoga buku ini dapat
membantu mahasiswa dan semua pihak yang membutuhkan.
Ambon, Maret 2022

Penyusun
Bahan Ajar: STATISTIK PERMINYAKAN / Kata i

DAFTAR ISI
PRAKATA i
KATA PENGANTAR ii
DAFTAR ISI iii
BAB I Pendahuluan 1
1.1 Definisidan Pengertian 2
1.2 Peranan Statistik dan Penerapannya di Bidang Teknik 6
1.3 Metode Pemecahan Masalah secara Statistik 11
1.4 Peranan Komputer dalam Statistik 14
BAB II StatistikDeskriptif 18
2.1 Pengumpulan, Pengorganisasian, dan Penyajian Data 19
2.2 Distribusi Frekuensi dan Presentas iGrafik 22
2.3 Ukuran Pemusatan 28
2.4 Deviasi Standard / Simpangan Baku 33
2.5 Varians 35
BAB III Estimasi 42
3.1 Pengertian dan Konsep Dasar Estimasi 43
3.2 Estimasi Mean Populasi 47
3.3 Estimasi Propors iPopulasi 59
3.4 Estimasi Varians Populasi 61
3.5 Penentuan Ukuran Sampel 65
BAB IV Uji Hipotesis Sampel Tunggal 72
4.1 Prosedur Umum Uji Hipotesis 73
4.2 Uji Hipotesis Mean dengan Sampel Tunggal 76
4.3 Uji Hipotesis Persentase dengan Sampel Tunggal 82
4.4 Uji Hipotesis Varians dengan Sampel Tunggal 84
4.5 Nilai P pada Uji Hipotesis 85
BAB V Uji Hipotesis Sampel Ganda 93
5.1 Uji Hipotesis Varians dengan Sampel Ganda 94
5.2 Uji Hipotesis Mean dengan Sampel Ganda 98
5.3 Uji Hipotesis Persentase dengan Sampel Ganda 115
BAB VI Uji Beberapa Analisis Inferensial Lainnya 121
6.1 Analisis Varians (ANOVA) 122
6.2 Tabel ANOVA SatuFaktor 128
6.3 Uji Chi-Kuadrat 129
6.4 Uji Keselarasan Fungsi 131
6.5 Uji Tabel Kontingensi 134
BAB VII Regresidan Korelasi Linier Sederhana 140
7.1 Konsep-konsep Pendahuluan 141
7.2 Analisis Regresi Linier Sederhana 142
7.3 Uji-uji Relasidan Interval Prediksi 147
7.4 Analisis Korelasi Linier Sederhana 154
DaftarPustaka 162
Bahan Ajar: STATISTIK PERMINYAKAN / Daftar i

BAB I
PENDAHULUAN
Capaian Pembelajaran Matakuliah:

Mahasiswa dapat:
 Menjelaskan arti dari terminologi-terminologi penting dalam ilmu statistik seperti; statistik,
populasi, sampel, parameter, variabel, statistik deskriptif, dan statistik inferensial
 Menjelaskan peranan statistik dan penerapannya di bidang teknik
 Menjelaskan langkah-langkah dasar dalam metode pemecahan masalah secara statistik
 Menjelaskan Peran Komputer dalam Statistik
Materi:
1.1 Definisi dan Pengertian

1.2 Peranan Statistik dan Penerapannya di Bidang Teknik
1.3 Metode Pemecahan Masalah Secara Statistik
1.4 Peranan Komputer dalam Statistik
1.5 Soal-soal Latihan
1
Bahan Ajar: STATISTIK PERMINYAKAN / BAB-1:
Sub-Capaian Pembelajaran Matakuliah - 1:

 Menjelaskan kembali arti dari terminologi-terminologi penting dalam ilmu statistik seperti;
statistik, populasi, sampel, parameter, variabel, statistik deskriptif, dan statistik
inferensial.
1.1 Definisi dan Pengertian
1.1.1 Statistik:
Secara umum, statistik adalah suatu metode ilmiah dalam mengumpulkan, mengklasifikasikan,
meringkas, menyajikan, menginterpretasikan, dan menganalisis data guna mendukung
pengambilan kesimpulan yang valid dan berguna, sehingga dapat menjadi dasar pengambilan
keputusan yang masuk akal.
Dalam pengertian terbatas, terminologi statistik digunakan untuk menyebutkan data itu
sendiri, atau fakta berupa angka yang dihasilkan dari data, yang menggambarkan
karakteristik suatu sampel. Dalam pengertian ini muncullah istilah-istilah seperti: statistik
kendaraan impor, statistik pegawai negeri, statistik kecelakaan lalu-lintas.
1.1.2 Populasi:
Populasi adalah kumpulan dari keseluruhan pengukuran objek, atau individu yang sedang
dikaji. Jadi pengertian populasi dalam statistik tidak terbatas pada sekelompok/kumpulan orang-
orang, namun mengacu pada seluruh ukuran, hitungan, atau kuantitas yang menjadi fokus
perhatian suatu kajian. Suatu pengamatan/survey terhadap seluruh anggota populasi disebut
sensus.
Contoh 1.1
 Dalam suatu penelitian mengenai profil fisik mahasiswa Politeknik bidang rekayasa, populasi
yang dapat diteliti antara lain adalah populasi ukuran tinggi dan populasi berat badan
seluruh mahasiswa dari tujuh departemen (T. Sipil, T. Mesin, T. Elektro, T. Metalurgi, T.
Migas, T. Industri, dan T. Arsitektur).
 Kegiatan pengendalian mutu di suatu pabrik manufaktur yang memproduksi elemen-elemen

mesin mengkaji populasi kondisi baut yang diproduksi dalam sehari untuk menentukan
jumlah baut yang rusak dan tidak rusak.
2
1.1.3 Sampel
Sampel adalah sebagian, atau subset (himpunan bagian), dari suatu populasi. Populasi dapat
berisi data yang besar sekali jumlahnya, yang mengakibatkan tidak mungkin atau sulit
dilakukan pengkajian terhadap seluruh data tersebut, sehingga pengkajian dilakukan terhadap
sampel-nya saja.
Contoh 1.2
 Untuk memudahkan penelitian mengenai profil fisik mahasiswa Politeknik bidang rekayasa,
digunakan sampel tinggi badan, dan sampel berat badan masing-masing 25 mahasiswa
dari tujuh departemen (T. Sipil, T. Mesin, T. Elektro, T. Metalurgi, T. Migas, T. Industri, dan
T. Arsitektur).
 Guna menghemat biaya dan waktu kegiatan pengendalian mutu di suatu pabrik manufaktur
yang memproduksi elemen-elemen mesin, diambillah sampel kondisi baut sejumlah 10
buah dalam setiap batch yang diproduksi untuk menentukan jumlah baut yang rusak dan
tidak rusak.
Tentu saja karena sampel hanyalah sebagian dari populasi, data yang diperoleh tidaklah lengkap.
Namun, jika pengambilan sampel dilakukan dengan mengikuti kaidah-kaidah ilmiah, maka
biasanya sangat mungkin diperoleh hasil-hasil dari sampel yang cukup akurat untuk
menggambarkan populasi yang diperlukan dalam kajian yang dilakukan.
1.1.4 Parameter dan Statistik
Parameter adalah bilangan/angka yang menggambarkan karakteristik suatu populasi, sedangkan

statistik adalah bilangan/angka yang menggambarkan karakteristik suatu sampel. Seringkali
sebuah parameter dari suatu populasi tidak bisa/sulit diketahui, sehingga yang digunakan adalah
statistik dari sampelnya.
Contoh 1.3
 Seandainya dari pengukuran tinggi badan seluruh (populasi) mahasiswa Politeknik bidang
rekayasa, diperoleh nilai rata-rata(average/arithmetic mean) tinggi badan adalah 170 cm,
maka "170" adalah sebuah parameter.
 Sedangkan jika nilai rata-rata yang diperoleh dari pengukuran 175 orang mahasiswa yang
mewakili 7 departemen (sampel) adalah 171 cm, maka "171" adalah sebuah statistik.
3
1.1.5 Variabel
Variabel adalah suatu simbol (lambang), misalnya X, H, r, a, dan sebagainya, yang dapat bernilai
berapapun dari sekumpulan nilai yang telah dijelaskan terlebih dahulu.
Kumpulan (himpunan) nilai yang telah dijelaskan itu disebut sebagai domain/ranah dari variabel
yang bersangkutan.
Variabel dibedakan atas dua jenis yaitu variabel kontinu dan variabel diskrit. Suatu variabel yang
secara teoritis bisa bernilai berapapun di antara dua nilai yang diketahui disebut variabel
kontinu, sedangkan yang tidak bisa disebut variabel diskrit.
Contoh 1.4
 Variabel yang menyatakan ukuran diameter sebuah ban mobil adalah sebuah variabel
kontinu karena bisa bernilai 50 Cm; 50,2 Cm; 50,25 Cm; dst., tergantung dari tingkat
keakuratan pengukurannya.
 Variabel N yang menyatakan jumlah anak dalam sebuah keluarga adalah sebuah variabel
diskrit karena hanya bisa bernilai 0, 1, 2, 3, ... dst, namun tidak bisa 2,5 atau 3,23 dst.
Data yang bisa digambarkan dengan suatu variabel kontinu disebut sebagai data kontinu,
sedangkan data yang bisa digambarkan dengan suatu variabel diskrit disebut data diskrit. Secara
umum, data kontinu diperoleh dari suatu pengukuran (measurement) sedangkan data diskrit
diperoleh dari pencacahan (enumeration/counting).
 Jumlah Uang di Dompet anda vs Ukuran Dompet Anda ?

 Jumlah Kaki anda vs ukuran sepatu anda ?
4
1.1.6 Statistik Deskriptif/Deduktif
Tahapan aktifitas statistik yang meliputi kegiatan mengumpulkan, mengklasifikasikan, meringkas,

menginterpretasikan, dan menyajikan data dalam suatu kelompok yang terbatas, tanpa menganalisis
dan menarik kesimpulan yang bisa berlaku bagi kelompok yang lebih luas merupakan ruang
lingkup dari statistik deskriptif atau statistik deduktif.
1.1.7 Statistik Inferensial/Induktif
Proses pengambilan kesimpulan mengenai parameter populasi (biasanya adalah kuantitas yang
tidak diketahui nilainya), berdasarkan informasi yang diperoleh dari statistik sampel (kuantitas
yang diketahui nilainya) merupakan ruang lingkup dari statistik inferensial atau statistik induktif.
Konsep-konsep statistik inferensial memungkinkan seseorang melakukan analisis dengan

menggunakan data dari sampel untuk memperkirakan (mengestimasi) sebuah parameter populasi
yang tidak diketahui.
Karena pengambilan kesimpulan dengan cara seperti itu tidaklah mutlak kepastiannya, maka kata
"kemungkinan/probabilitas" sering digunakan dalam menyatakan kesimpulannya. Dalam kaidah
pengambilan kesimpulan secara statistik yang akan dibahas kemudian, pernyataan
"kemungkinan/probabilitas" ini tersirat dalam terminologi "derajat kepercayaan (level of
confidence)".
5
Contoh 1.5
 Jika berat rata-rata dan 25 sampel kontainer yang dikapalkan adalah 7,1 ton (statistik), maka
berat rata-rata dari seluruh 1000 kontainer yang harus dikapalkan tersebut dapat
diperkirakan kemungkinan antara 6,9 sampai 7,3 ton (parameter).
 Seorang analis QA dapat menggunakan statistik inferensial untuk mengetahui kebenaran

pernyataan produsen lampu pijar A yang mengatakan bahwa lampunya bisa tahan pakai
sekitar 800 jam. Namun timbul dugaan bahwa masa pakai lamnpu tersebut telah berubah. Maka
dilakukan pengujian terhadap 50 lampu untuk menentukan hal ini. Ternyata diperoleh rata-
ratanya masa pakainya 792 jam. Ini berarti rata-ratanya masa pakainya dapat berkisar antara
791 jam sampai dengan 801 jam.
6

 Memahami dan menjelaskan peranan statistik dan penerapannya di bidang teknik
1.2 Peranan Statistik dan Penerapannya di Bidang Teknik
1.2.1Perlunya Statistik pada Bidang Teknik
Ada beberapa alasan mengapa statistik diperlukan dalam kehidupan masyarakat modern. Dua
alasan yang utama adalah:
 Menggambarkan hubungan-hubungan antara variabel-variabel
Pada banyak kegiatan, jumlah data yang dikumpulkan, diproses, dan disajikan kepada khalayak
ramai sering sangat banyak sekali, sehingga membingungkan. Jadi sangat penting bagi kita
untuk dapat mengidentifikasikan dan menggambarkan dari data ini hubungan-hubungan yang
terdapat antara variabel-variabel yang ada.
Contoh 1.6
 Seorang konsultan manajemen perusahaan yang bergerak dalam industri berat ingin
membandingkan pengembalian investasi kliennya untuk tahun ini dengan angka -angka
tahun lalu yang berkaitan. Dengan prinsip-prinsip statistik deskriptif dia dapat meringkas
data pendapatan dan biaya dari kedua periode. Berdasarkan kajiannya itu dia
menyajikan suatu rekomendasi kepada kliennya.
 Seorang petugas jawatan kesehatan publik ingin mengetahui apakah ada hubungan
antara terhirupnya asap rokok oleh bukan perokok, terhadap meningkatnya penyakit
asma yang diderita anak-anak. Dia dapat menggunakan metode statistik yang disebut
teknik korelasi terhadap data dalam jumlah yang besar dan menyimpulkan bahwa asap
rokok yang terhirup oleh orang-orang yang bukan perokok sekalipun, ternyata dapat
berpengaruh buruk terhadap kesehatan mereka.
7
 Alat Bantu Pengambilan Keputusan

Metode statistik memungkinkan orang untuk membuat keputusan yang lebih baik dalam
menghadapi ketidakpastian.
Contoh 1.7
 Seorang insinyur di bagian kendali mutu, di pabrik pembuat alat penyemprot cat otomatis
mengetahui bahwa terdapat variasi mutu dari produk yang dihasilkan. Variasi dalam
kecepatan penyemprotan dan pola semprotan alat ini dapat ditolerir jika tidak me-
lampaui suatu batasan tertentu lebih dari satu persen.
Dengan teknik sampling (pengambilan sampel) yang tepat, dan dengan pengujian
penyemprotan sejumlah kecil alat penyemprot cat yang diambil secara acak dan jalur
produksi yang sedang berjalan, insinyur tersebut dapat mengambil kesimpulan yang dapat
dipercaya mengenai kualitas alat penyemprot cat yang dihasilkan oleh jalur produksi
tersebut.
 Seorang manajer personalia suatu pabrik, mencatat bahwa pelamar kerja yang memiliki
nilai tinggi dalam ujian penguasaan manual kerja cenderung bekerja dengan baik dalam
merakit sebuah produk. Sementara yang nilainya rendah cenderung kurang produktif.
Dengan menerapkan suatu teknik statistik yang dikenal dengan sebutan analisis regresi,
dia dapat meramalkan seberapa produktifnya seorang pekerja baru, nantinya dalam
melakukan pekerjaannya berdasarkan seberapa baiknya nilai ujian penguasaan manual
kerja dari pelamar tersebut
1.2.2 Penerapan Statistik di Bidang Teknik
Dalam praktek diberbagai bidang keteknikan metode statistik memberikan pendekatan-

pendekatan yang sangat berguna. Sebagai contoh tiga bidang dimana statistik sangat sering
diterapkan dijelaskan dalam uraian berikut.
 Pencegahan Kegagalan dalam suatu Desain Mesin/Proses
Mencegah terjadinya kegagalan (failure) dengan membuat elemen-elemen (parts) secara

memadai adalah tahap penting dalam perencanaan sebuah mesin atau proses. Kegagalan terjadi
jika suatu beban (load) melebihi daya tahan material terhadap beban tersebut.
Dalam hal ini metode statistik memegang peranan mengingat bahwa, dalam kondisi yang
sebenarnya, baik beban yang dikenakan maupun ketahanan material elemen mesin itu bukanlah
hal yang bisa diketahui secara tepat ataupun dapat diperkirakan dengan sempurna. Dengan kata
lain, besaran- besaran itu adalah variabel-variabel statistik.
8
Contoh 1.8
 Seorang perancang elemen mesin akan memakai baja jenis ASTM 4340 yang menurut
standard memiliki tegangan maksimum 100.000 psi. Perancang itu harus menyadari
bahwa dalam prakteknya baja yang dipakai tidak akan mempunyai kekuatan tepat
100.000 psi. Tegangan maksimumnya akan berada di dalam suatu kisaran, misalnya
antara 85.000 sampai 115.000 psi. Kekuatan yang pasti dari elemen mesin itu tidak akan
bisa diketahui tanpa melakukan pengujian rusak (destructive test) terhadap elemen
tersebut. Jadi tegangan maksimum dari bahan tersebut adalah sesuatu yang belum pasti
(uncertain) dan dalam hal ini statistik dapat diterapkan dalam menentukan seberapa besar
kemungkinan/probabilitas bahan tersebut memiliki tegangan dalam kisaran nilai yang
tertentu.
 Demikian pula halnya, ukuran/dimensi (dimensions) elemen mesin itu juga memiliki
ketidakpastian. Jika spesifikasi ukurannya 125 ± 0, 05mm, maka elemen-elemen mesin
yang berukuran dalam kisaran 124,95 sampai 125,05 mm dapat digunakan. Ketidak pastian
ukuran ini sudah pasti akan mempengaruhi pula ketidakpastian pada kekuatan elemen
mesin itu.
 Selain itu, meskipun beban-beban pada beberapa elemen mesin dapat diperhitungkan
secara akurat, banyak situasi pembebanan sesungguhnya menunjukkan penyimpangan-
penyimpangan yang cukup besar. Misalnya, tidak ada yang bisa dengan tepat
memperkirakan beban-beban kejut yang ditanggung oleh sebuah pegas suspensi sebuah
mobil karena guncangan-guncangan di jalan. Statistik dapat menggambarkan situasi
seperti tersebut secara kuantitatif berupa, nilai rata-rata (average values) dan dispersi
(dispersion) atau penyebaran di sekitar nilai rata-rata tersebut.
Dari uraian di atas maka dapat dipahami bahwa suatu prosedur perancangan seharusnya
menyertakan satu tahapan dimana perancang membandingkan, probabilitas dari tegangan
pembebanan melampaui suatu nilai tertentu dengan probabilitas dari tegangan maksimum kekuatan
material yang digunakan berada dibawah nilai itu. Kemungkinan dari kedua peristiwa itu terjadi secara
bersamaan (simultaneous occurrence) adalah probabilitas dari kegagalan (failure).
Kebanyakan insinyur kurang menggunakan metode statistik ini dalam melakukan perancangan karena
pengumpulan data dasar yang diperlukan sangat mahal. Biaya akan lebih murah dengan
menerapkan perancangan lebih (over design) pada bagian-bagian mesin itu. Namun demikian,
dengan semakin ketatnya persaingan dalam industri manufaktur, teknik-teknik statistik mulai banyak
digunakan pada penerapan-penerapan yang kritis.
9
 Analisis Eksperimen Teknik

Metode-metode statistik memiliki banyak penerapan penting seperti dalam menentukan
ketidakpastian (uncertainty) data yang diukur, merencanakan eksperimen dengan jumlah data
yang signifikan dan memadai namun tetap dengan tenaga dan biaya yang sekecil-kecilnya, dan
menguji hipotesa secara rasional.
Ketidakpastian hasil suatu eksperimen akibat ketidak-akuratan (inaccuracy) dalam pengukuran dapat
dibedakan menjadi dua jenis yaitu kesalahan sistematik (systematic error) dan kesalahan acak
(random error). Kesalahan sistematik akan terus berulang terjadi apabila pengukuran diulang
kembali. Kesalahan ini biasanya bisa dihilangkan dengan cara mengkalibrasi instrumen pengukur
dengan sebuah standar yang lebih akurat. Kesalahan acak lebih menunjukkan nilai yang tersebar,
dan cara mengetahuinya adalah dengan memperkirakan secara statistik besar nilai maksimum
kesalahan yang dapat terjadi.
Dengan demikian, hasil pengukuran dinyatakan dalam bentuk yang menyertakan perkiraan nilai
kesalahan tersebut. Misalnya suatu hasil pengukuran massa suatu sampel bahan kimia dinyatakan
sebagai 1,76 ± 0,03 gr untuk menunjukkan nilai sebenarnya berada di antara 1,73 gr dan 1,79 gr.
 Pengendalian Mutu Manufaktur

Dewasa ini persaingan global antara negara-negara yang mengutamakan mutu manufaktur seperti
Jepang, Amerika, dan negara-negara Uni Eropa telah mendorong perhatian baru pada pengkajian
dan perbaikan proses-proses manufaktur dengan menerapkan metode-metode statistik.
Statistik berperan penting karena dalam semua proses manufaktur, walaupun direncanakan dan
dilaksanakan secara hati-hati, tetap memperlihatkan variabilitas yang acak dalam mutu produk
yang dihasilkannya.
Dalam hal ini metode statistik menjadi jantung dari pengendalian mutu manufaktur. Sebuah
contoh yang sederhana tetapi penting di bidang ini adalah diagram kendali mutu (quality control
chart).
Contoh 1.9
 Diameter sebuah poros yang dibuat dengan mesin bubut otomatis, sering dikaji secara
statistik dalam suatu jangka waktu tertentu dengan tujuan menetapkan nilai variabilitas yang
masih dianggap normal, dimana nilai tersebut kemudian digunakan untuk menetapkan
"batas-batas kendali" di sekitar nilai sasaran.
Dengan mengukur poros yang diproduksi atau dengan mengambil sampel yang memadai
dan kemudian memplot nilai-nilai yang diukur itu dalam "diagram kendali", maka
perubahan-perubahan yang berangsur-angsur terjadi, seperti keausan alat/perkakas, atau
kejadian yang tiba-tiba seperti slip pada seting, dapat dideteksi dan kemudian diperbaiki
1
tepat pada waktunya.
1

 Menjelaskan langkah-langkah dasar dalam metode pemecahan masalah secara statistik.
1.3 Metode Pemecahan Masalah secara Statistik

Pemecahan masalah secara statistik akan lebih baik apabila dilakukan dengan mengikuti suatu
pendekatan yang teratur. Dalam hal ini, ada beberapa langkah yang dapat diikuti untuk
mendapatkan jawaban yang rasional terhadap masalah-masalah statistik. Jika salah satu langkah
ini diabaikan, hasil akhir cenderung akan tidak valid, tidak akurat, ataupun terlalu mahal. Langkah-
langkah dasar pemecahan masalah tersebut dibahas berikut ini.
1.3.1 Identlfikasi Masalah

Peneliti harus memahami dengan jelas dan mampu mendefinisikan dengan benar apa yang
sebenarnya ingin dipenuhi dalam kajian yang dilakukan. Misalnya, apakah tujuannya adalah
mempelajari suatu populasi dan kemudian mengestimasi rata-rata atau persentase yang tidak
diketahui, atau apakah dia ingin memberi suatu perlakuan terhadap sebuah kelompok dan
kemudian mengukur responsnya? Artinya, apakah tujuan kajian tersebut dapat dicapai melalui
penghitungan atau pengukuran saja terhadap kelompok, ataukah harus dilakukan eksperimen terhadap
kelompok tersebut? Jika sampel diperlukan, berapakah besarnya dan bagaimanakah cara
pengambilan sampelnya? Jika jawaban-jawaban atas pertanyaan di atas terlalu luas dan
mengambang, waktu dan tenaga akan banyak terbuang.
1
1.3.2 Pengumpulan Fakta-fakta yang Ada

Data yang dikumpulkan harus akurat, singkat namun selengkap mungkin, serta relevan terhadap
masalah yang dihadapi. Sumber data yang tersedia dapat digolongkan menjadi data internal dan
data eksternal. Data internal dijumpai di departemen-departemen suatu organisasi. Data bisnis
yang dihasilkan di departemen akunting, produksi dan pemasaran; di sebuah sekolah atau rumah
sakit, kantor registrasi seksi penerimaan merupakan data-data internal. Data eksternal adalah
fakta- fakta yang dihasilkan oleh sumber-sumber dari luar seperti asosiasi profesional, badan-
badan pemerintahan, badan-badan non-pemerintah, dalam bentuk penerbitan/publikasi.
Secara umum, yang lebih diutamakan adalah data yang dikumpulkan dari sumber primer (data
primer), yakni dari pihak yang pertama kali mengumpulkan data dan mempublikasikannya, dan
bukan dari sumber sekunder (data sekunder), yang berasal dari pihak yang mempublikasikan
ulang data tersebut. Alasannya adalah data sekunder kemungkinan memiliki kesalahan-kesalahan
reproduksi (reproduction errors), tidak menjelaskan bagaimana data itu dikumpulkan dan apa saja
batasan penggunaannya, serta mungkin tidak menjelaskan bagaimana sumber primer
mendefinisikan variabel-variabelnya.
1.3.3 Pengumpulan Data Baru: Alat Bantu dan Sampel
Dalam banyak kasus, data yang dibutuhkan oleh para pengambil keputusan tidak tersedia di
manapun, sehingga tidak ada cara lain kecuali mengumpulkan data baru. Terdapat keuntungan-
keuntungan mengumpulkan data baru, salah satunya adalah kita bisa mendefinisikan variabel-
variabel masalah sehingga fakta-fakta yang didapat mempunyai sifat-sifat yang dibutuhkan untuk
memecahkan masalah tersebut. Alat bantu berupa instrumen-instrumen digunakan untuk
mengumpulkan data yang diukur, ditimbang, dan dicatat waktunya. Jika data diberikan oleh
orang, maka wawancara atau kuesioner adalah alat-alat bantu yang biasa digunakan.
Instrumen, wawancara, dan kuesioner dapat digunakan untuk mengumpulkan data baru dari
seluruh populasi. Namun, biasanya data baru yang dikumpulkan dengan alat bantu ini diambil dari
sampel. Suatu sampel harus mewakili populasi, dan banyak cara dalam memilih sampel,
sebagaimana dijelaskan berikut ini.
1. Judgment Sample
Pemilihan sampel kadang-kadang didasarkan pada pendapat satu orang atau lebih yang cukup
kompeten untuk mengidentifikasi hal-hal pada sampel yang memberikan karakteristik populasi.
Sampel apapun yang didasarkan atas keahlian seseorang mengenai populasi yang dikaji, disebut
judgment sample.
1
2. Probability Sample
Probability sample adalah sampel yang kesempatan terpilihnya setiap anggota sampel dalam
populasi diketahui sebelum sampel tersebut diambil. Probability sample memberikan hasil-hasil
yang dapat dinilai secara objektif. Terdapat beberapa jenis sampel yang termasuk dalam
kategori ini, yaitu:
a. Simple Random Sample
Jika probability sample dipilih sedemikian rupa sehingga seluruh pengelompokan dengan ukuran
tertentu yang mungkin akan memiliki kesempatan yang sama untuk terambil dan setiap anggota
populasi memiliki kesempatan yang sama untuk terpilih, maka sampelnya disebut simple random
sample.
Cara samplingnya adalah setiap anggota dalam suatu populasi diberi nomor, kemudian diambil
secara acak nomor tersebut sebanyak jumlah sampel yang dikehendaki, maka setiap anggota yang
nomornya terpilih tersebut membentuk sebuah random sample. Pengambilan nomor tersebut
juga bisa dengan menggunakan bantuan random number (bilangan acak).
b. Systematic Sample
Anggota dari populasi diberi nomor dan diurutkan. Kemudian ditentukan satu nomor sebagai titik
awal sampling. Nomor berikut dari anggota yang ingin dipilih ditentukan dengan mengikuti suatu
sistematika, misalnya tiap-tiap unit nomor ke-n dari titik awal dipilih sebagai anggota sampel.
c. Stratified Sample
Populasi terlebih dahulu dibagi dalam kelompok-kelompok yang relatif homogen, atau dalam
strata. Anggota sampel ditarik dari setiap strata untuk menghasilkan sampel secara keseluruhan,
yang disebut stratified sample.
Stratified sample biasanya dilakukan apabila ada variasi besar dalam populasi, dan penelitinya
terlebih dahulu mengetahui struktur populasi tersebut yang dapat digunakan untuk
menetapkan stratanya. Hasil sampel dari setiap stratum kemudian diberi pembobotan dan
dihitung dengan hasil sampel dari strata lainnya untuk mendapatkan estimasi yang menyeluruh.
d. Cluster Sample
Populasi terlebih dahulu dibagi atas kelompok-kelompok berdasarkan area atau cluster, dan
anggota kelompok tidak perlu homogen. Kemudian dipilihlah beberapa cluster sebagai sampel,
selanjutnya dipilih lagi anggota dari cluster (seluruhnya/sebagian) tersebut sebagai sampel.
1
1.3.4 Pengklasifikasian dan Peringkasan Data
Setelah data terkumpul, selanjutnya adalah mengklasifikasikannya, yaitu mengidentifikasikan data yang
karakteristiknya sejenis dan mengaturnya dalam suatu kelompok atau kelas. Misalnya, data
produksi dapat diklasifikasikan menurut pembuat produk, lokasi pabrik, proses produksi yang
digunakan, dll.
Kadang-kadang klasifikasi dilakukan dengan metode penyingkatan yang telah ditentukan terlebih dahulu
yang biasa disebut pengkodean (kodifikasi). Nomor-nomor kode digunakan untuk orang-orang
(nomor induk), tempat (kode pos), benda (nomor katalog), dll. Setelah data diatur dalam kelompok
atau kelas, kemudian dimungkinkan untuk mengurangi hal-hal yang terlalu detil kedalam bentuk
yang lebih mudah digunakan yang disebut sebagai peringkasan (summarization). Tabel, diagram,
dan nilai-nilai yang memberikan gambaran seperti ukuran pemusatan, ukuran penyebaran, adalah
contoh dari alat- alat bantu peringkasan.
1.3.5 Penyajian dan Analisis Data

Informasi yang teringkas dalam bentuk tabel, diagram, dan ukuran-ukuran kuantitatif, akan
memudahkan pemahaman masalah. Informasi seperti itu juga membantu dalam mengidentifikasi
hubungan-hubungan sehingga seorang analis dapat menunjukkan hal-hal yang penting kepada
orang lain. Kemudian analis tersebut menginterpretasikan hasil dari langkah sebelumnya itu,
dengan menggunakan ukuran-ukuran deskriptif yang dihitung sebagai dasar untuk membuat
suatu inferensi statistik yang relevan, serta menerapkan alat-alat bantu statistik yang dapat
membantu mengidentifikasi langkah-langkah selanjutnya. Validitas dari pilihan yang diambil
tentunya ditentukan oleh keahlian sang analis dan kualitas dari informasi yang dimilikinya
1.3.6 Pengambilan Keputusan
Akhirnya, analis yang bersangkutan mempertimbangkan pilihan yang ada, dengan berpedoman pada
tujuan yang hendak dicapai, sesuai dengan perencanaan atau keputusan yang mewakili
pemecahan yang terbaik dari masalah yang dihadapi. Sekali lagi kebenaran dari pilihan tersebut
tergantung pada kemampuan analisis yang baik serta kualitas informasi yang tinggi.
1
Sub-Capaian Pembelajaran Matakuliah -4:

 Menjelaskan Peran Komputer Dalam Statistik
1.4 Peranan Komputer dalam Statistik
1.4.1 Statistik dan Komputer
Dalam statistik, komputer akan sangat berguna jika jumlah data yang harus ditangani sangat
banyak, proses pengolahan data harus dilakukan berulang-ulang, dan kompleksitas pemrosesan
tidak memberikan altematif lain. Prosedur-prosedur yang bisa membutuhkan waktu berjam-jam,
berhari- hari, ataupun berminggu-minggu jika dikerjakan dengan menggunakan kalkulator, biasa
dapat dituntaskan secara akurat dalam waktu beberapa detik dengan bantuan komputer.
Bila dihitung Diameter rata-rata dari sampel ukuran poros menggunakan computer maka dengan
mudah diketahui ( 𝑥̅ = 20,00 mm) , sedangkan standar deviasi dari sampel ( 𝑠 = 0.01034 mm).
1,4.2 Spreadsheet dan Paket Program Statistik
Analisa data meliputi kegiatan memisahkan sejumlah fakta yang saling berkaitan kedalam suatu bagian
dan kemudian mengkaji dan memanipulasi/mengolah bagian tersebut untuk mendapatkan hasil yang
diinginkan. Alat bantu perangkat lunak komputer yang digunakan dalam analisis data tersebut
dapat digolongkan atas program spreadsheet elektronik dan paket program statistik (stat
packages).
Spreadsheet adalah sebuah program yang dapat menerima nilai data yang diberikan oleh
pengguna didalam kolom dan baris dari lembar kerjanya (work sheet). Perpotongan antara kolom
dan baris pada spreadsheet disebut sebuah sel. Nilai didalam sebuah sel dapat diubah-ubah
dengan memasukan prosedur hitungan ataupun dengan mengkaitkannya dengan nilai sel
lainnya.Program spreadsheet yang populer digunakan misalnya adalah Microsoft Excel.Sebuah
program spreadsheet yang cukup handal biasanya memiliki kemampuan-kemampuan dasar antara
1
lain:
1
 Menerima data dari sumber lain.

 Mengcopy dan menduplikasi isi sebuah sel atau sekelompok sel ke lokasi lain, menghapus
isi satu atau sekelompok sel dari suatu tempat dan memindahkannya ke tempat lain,
menambah atau menghilangkan unit data, kolom atau baris.
 Melakukan analisis terhadap sekumpulan data tunggal atau majemuk dan mencetak nilai-
nilai ringkasan serta hasil analisisnya.
 Menggunakan data numerik untuk menghasilkan diagram atau grafik.
Paket program analisis statistik hampir sama dengan spreadsheet, namun paket program tersebut
telah dilengkapi dengan banyak program-program berupa rumus-rumus khusus dan prosedur-
prosedur terpasang (built-in procedures) yang dibutuhkan oleh pengguna untuk melakukan kajian-
kajian statistik.
Paket program analisis statistik banyak digunakan untuk berbagai keperluan pengolahan data dan
analisis tingkat lanjut.Biasanya paket program ini terdiri dari suatu program dasar dan paket-paket
(modul) program pelengkap khusus yang sangat beragam. Di pasaran banyak terdapat paket
program statistik, beberapa di antaranya yang populer dan luas penggunaannya antara lain adalah:
Statistica, SPSS, Systat, Statgraphics, Minitab.
Latihan Lanjutan:
L-1.1:
Pasangkan istilah-istilah berikut dengan definisinya yang tepat:
a. Parameter 1. Seluruh kumpulan lengkap unit yang dikaji

b. Inferensi statistik 2. Bilangan yang menggambarkan karakteristik sampel
Prosedur mengumpulkan, mengklasi-fikasikan,
c. Sensus 3.
meringkas dan menyajikan data.
Bilangan yang menggambarkan karakteristik
d. Statistik (arti umum) 4.
populasi.
Metode mengumpulkan dan meringkas data dan
e. Populasi 5.
menggunakannya untuk mengambil keputusan.
f. Statistik deskriptif 6. Suatu bagian dari populasi
Proses menyimpulkan sebuah parameter populasi
g. Sampel 7.
berdasarkan pada statistic sampel.
Suatu survei terhadap seluruh unit dalam sebuah
h. Statistik (arti terbatas) 8.
populasi.
1
L-1.2:
Dari daftar di bawah ini, sebutkan mana yang termasuk data diskrit maupun data kontinu:
a) Banyaknya curah hujan (dalam milimeter) di kota Ambon tiap bulan selama satu tahun.
b) Kecepatan sebuah mobil dalam kilometer per jam.
c) Jumlah uang kertas Rp.100.000,- yang beredar di Indonesia dalam setiap saat.
d) Jumlah mahasiswa yang mendaftar di POLNAM per tahunnya selama dua dekade terakhir.
e) Status perkawinan seseorang dalam suatu Negara.
f) Jangkauan jarak tembak sebuah proyektil.
L-1.3:
Sebutkan tiga alasan mengapa akan lebih praktis apabila kita mendapatkan nilai-nilai data dari
suatu sampel dibandingkan dari seluruh populasi.
L-1.4:
Setelah Anda memahami pengertian tentang suatu statistik sampel dan suatu parameter populasi
jelaskanlah:
a) Bagaimana statistik sampel digunakan untuk menentukan parameter populasi
b) Bagaimana kaitannya dengan kesalahan pengambilan sampel (sampling error)
Latihan Tambahan:
LT-1.1:
Selain contoh-contoh yang telah dibahas pada bagian terdahulu, berikan masing-masing sebuah
contoh kasus penerapan statistik di bidang teknik yang berkaitan dengan:
a) Perancangan (desain) mesin/proses.
b) Eksperimen Teknik.
c) Pengendalian mutu manufaktur.
LT-1.2:
Diskusikan hubungan antara statistik deskriptif dengan statistik inferensial.Gunakancontoh kasus
yang konkrit untuk menjelaskannya.
LT-1.3:
Untuk setiap metode pengambilan sampel yang telah diuraikan pada bagian terdahulu, jelaskan
kelebihan-kelebihan dan kekurangan-kekurangan yang mungkin dalam pemakaiannya.
LT-1.4:
Carilah suatu artikel dan sebuah publikasi baru-baru ini (koran, majalah, jurnal) yang membahas
suatu hasil dari kajian statistik. Kemudian, diskusikanlah hal-hal berikut:
a) Apakah metode samplingnya memadai?
b) Apakah hasil yang diungkapkan sampel menggambarkan parameter populasinya?Jelaskan
alasan- alasannya.
1
Rangkuman
 Statistik adalah suatu metode ilmiah dalam mengumpulkan,mengklasifikasikan,

meringkas, menyajikan, menginterpretasikan, dan menganalisis data guna
mendukung pengambilan kesimpulan yang valid dan berguna sehingga dapat
menjadi dasar pengambilan keputusan yang masuk akal.
 Populasi adalah kumpulan dan keseluruhan pengukuran, objek, atau individu yang
sedang dikaji. Jadi pengertian populasi dalam statistik tidak terbatas pada
sekelompok/kumpulan orang-orang, namun mengacu pada seluruh ukuran,
hitungan, atau kuantitas yang menjadi fokus perhatian suatu kajian.
 Sampel adalah sebagian, atau subset (himpunan bagian), dari suatu populasi.
 Suatu pengamatan/survey terhadap seluruh anggota populasi disebut sensus.
 Populasi dapat berisi data yang besar sekali jumlahnya, yang mengakibatkan tidak
mungkin atau sulit dilakukan pengkajian terhadap seluruh data tersebut, sehingga
pengkajian dilakukan terhadap sampelnya saja.
Kriteria Penilaian:
 Dapat menjelaskan kembali pengertian statistik, populasi, sampel.

 Dapat menjelaskankembali manfaat penggunaan statistik dibidang teknik.
 Dapat menjelaskan kembali langkah-langkah dasar dalam metode pemecahan masalah
secara statistik.
 Dapat menjelaskan Peran Komputer dalam Statistik.
Kebutuhan Sunber Daya:
 Komputer Set + projector
Referensi:
 Harinaldi., 2005., Prinsip-Prinsip Statistik Untuk Teknik dan Sains., Erlangga.,Jakarta

 Mandenhall W, Sincich T., 1995., Statistic For Engineering and The Sciences., Prentice Hall.,
New Jersey.
2
POLNA JTM/PS. Teknik Produksi
BAB II
STATISTIK DESKRIPTIF

Mahasiswa dapat:
 Menjelaskan bagaimana mengumpulkan dan mengorganisasi data mentah ke dalam suatu
susunan dan bagaimana membuat dan menginterpretasikan distribusi frekuensi.
 Menyajikan data secara grafis dalam bentuk histogram, poligon frekuensi, diagram batang,
diagram garis.
 Menghitung ukuran-ukuran pemusatan/tendensi sentral (central tendency) seperti rata-rata
(mean), nilai tengah (median), modus, akar purata kuadrat (root mean square/rms), kuartil,
desil, persentil.
 Menghitung ukuran-ukuran penyebaran/dispersi (dispersion) seperti kisaran (range), deviasi mutlak
rata-rata, deviasi standard, varians.
Materi:
2.1 Pengumpulan, Pengorganisasian, dan Penyajian Data
2.2 Distribusi Frekuensi dan Presentasi Grafik
2.3 Ukuran Pemusatan
2.4 Ukuran Penyebaran
Bahan Ajar: STATISTIK PERMINYAKAN / BAB-2: Statistik 2

Sub-Capaian Pembelajaran Matakuliah -1:

 Menjelaskan bagaimana mengumpulkan dan mengorganisasi data mentah kedalam suatu
susunan data, dan bagaimana membuat dan menginterpretasikan distribusi frekuensi.
2.1 Pengumpulan, Pengorganisasian, dan Penyajian Data
2.1.1 Pengumpulan Data

Data yang dikumpulkan pada suatu kajian statistik dapat dibedakan menjadi dua macam,
yaitu; data kualitatif dan data kuantitatif.
2.1.1.1 Data Kualitatif

Secara sederhana, data kualitatif adalah data yang bukan berupa angka/bilangan. Terhadap data
kualitatif tidak dapat dilakukan operasi matematik seperti penambahan, pengurangan,
perkalian, pembagian, dll. Data kualitatif disebut juga data atribut. Data kualitatif ini dapat
dibedakan menjadi dua tipe:
a. Data Nominal (Data Kategori)
Jika suatu pengambilan data terhadap suatu objek hanya menghasilkan satu dan
hanya satu-satunya kategori pada objek tersebut, maka data yang diperoleh
termasuk tipe data nominal (data kategori). Pada data nominal tidak ada perbedaan
tingkatan derajat (bobot) data.
b. Data Ordinal
Data ordinal adalah data yang diperoleh dari suatu pengambilan data terhadap suatu
objek yang menghasilkan lebih dari satu kategori.
Contoh 2.1:
 Jenis kelamin termasuk data kualitatif (atribut) tipe nominal (kategori) karena seseorang
umumnya tidak mungkin berkelamin ganda. Dalam hal ini jenis kelamin laki-laki dan
perempuan dianggap sama bobotnya.
 Tempat kelahiran termasuk data kualitatif tipe nominal karena setiap orang dilahirkan
hanya di satu tempat saja. Dalam hal ini kota Ambon, Jakarta, Semarang, Padang, dan
lainnya dianggap sama bobotnya.

 Dalam pengukuran perilaku konsumen terhadap suatu produk makanan, akan diperoleh
data perilaku "sangat suka", "suka", "kurang suka", "tidak suka" dan lainnya. Dalam hal
ini data tidak dapat disamakan bobotnya, karena ada tingkatan data, Misalnya dengan
tingkatan menaik (ascending), "sangat suka" dianggap lebih tinggi daripada "suka", dst. Ini
termasuk data ordinal.
Untuk bisa diolah lebih lanjut dengan komputer, data kualitatif sering diberi nomor kode.
Misalnya untuk data jenis kelamin, pria diberi nomor 1 dan wanita nomor 2. Nomor kode ini
menjadi ukuran nominal, namun angka tersebut hanya dapat digunakan untuk keperluan
identifikasi saja.
2.1.1.2 Data Kuantitatif

Data kuantitatif adalah data berbentuk angka/bilangan. Data kuantitatif disebut juga data
numerik. Terhadap data kuantitatif umumnya dapat dilakukan operasi-operasi matematika.
Data kuantitatif dapat dibedakan menjadi dua jenis tipe, yaitu:
a. Data Diskrit
Data diskrit adalah data yang diperoleh dari suatu pencacahan/enumerasi. Data ini
berbentuk bilangan-bilangan bulat 0, 1, 2, 3, 4.
b. Data Kontinu
Data kontinu adalah data yang umumnya didapat dari suatu pengukuran dengan suatu
instrumen (alat ukur). Data kontinu dapat dinyatakan dalam bentuk data interval
maupun data rasio (data titik).
Contoh 2.2:
 Banyaknya produk kamera yang cacat dalam suatu batch produksi di pabrik peralatan
fotografi merupakan data kuantitatif tipe-diskrit karena mempunyai nilai-nilai yang
dinyatakan dengan bilangan bulat, misalnya: 1, 2, 3, ... dst. Jadi tidak mungkin
banyaknya yang kamera yang rusak 1,3; 2,7; ... dst.
 Suhu badan manusia yang diukur dengan menggunakan termometer badan merupakan
data kuantitatif tipe-kontinu yang dapat dinyatakan dalam bentuk data rasio. Dalam
satuan derajat Celsius data ini dapat bernilai 36,05; 36,15; 37,25; 36,10; 35,35; 36,00;
34,25 ... dst, tergantung pada ketelitian alat ukurnya.
 Nilai tukar dolar Amerika terhadap rupiah pada suatu hari di pasar valuta asing yang
dapat berkisar antara 14.255,00 sampai dengan 14.505,00 rupiah merupakan data
kuantitatif tipe-kontinu yang dinyatakan dalam bentuk interval.

2.1.2 Pengorganisasian Data

2.1.2.1 Data Mentah (Raw data)
Data mentah merupakan data terkumpul yang belum diorganisasikan secara numerik. Dalam
bentuknya yang belum terorganisasi, data tersebut tidak memberi banyak arti bagi yang membaca,
belum lagi untuk dapat menyimpulkan informasi apa yang bisa diperoleh.
Contoh 2.3:
Sampel
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
No.
Tebal
Pipa
Minyak
12.00
12.01
12.00
12.00
12.01
12.00
12.00
12.00
11.99
11.99
12.00
12.00
12.00
11.98
12.01
12.00
12.00
12.02
12.01
12.00
12.00
12.00
11.99
12.00
12.01
12.01
12.00
12.00
12.00
12.01
11.99
11.99
11.98
12.00
12.01
11.99
11.99
12.02
11.98
11.98
(Dia. 20
inch);
(mm)
2.1.2.2 Jajaran Data (Data Array)

Jajaran data (data array) merupakan suatu cara pengorganisasian data yang paling sederhana.
Jajaran data merupakan suatu susunan dan data-data mentah yang diatur dengan urutan nilai
numerik yang menaik (ascending), dan nilai yang terkecil sampai yang terbesar, atau yang
menurun (descending), dan nilai yang terbesar sampai yang terkecil.
Kebanyakan program komputer statistik mempunyai fungsi terpasang (builtin function) untuk
membuat jajaran data, biasanya dengan perintah SORT.
Contoh 2.4:
(Sort Ascending)
Sampel
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
No.
Tebal
Pipa
Minyak
11.98
11.98
11.98
11.98
11.99
11.99
11.99
11.99
11.99
11.99
11.99
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.01
12.01
12.01
12.01
12.01
12.01
12.01
12.01
12.02
(Dia. 20 12.02
inch);
(mm)
Contoh 2.5:
(Sort Descending)
Sampel
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
No.
Tebal
Pipa
Minyak
12.02
12.02
12.01
12.01
12.01
12.01
12.01
12.01
12.01
12.01
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
12.00
11.99
11.99
11.99
11.99
11.99
11.99
11.99
11.98
11.98
11.98
11.98
(Dia. 20
inch);
(mm)

2.1.3 Penyajian Data
Tabel dan diagram statistik digunakan untuk menyajikan data yang sudah teringkas,
menyingkapkan hubungan-hubungan antar variabel, serta menginterpretasikan dan
mengkomunikasikan fakta-fakta angka kepada pihak yang membutuhkannya. Beberapa jenis
penyajian data statistik diperlihatkan pada Gambar 2.6.

 Menyajikan data secara grafis dalam bentuk histogram, poligon frekuensi,diagram batang,
diagram garis.
2.2 Distribusi Frekuensi dan Presentasi Grafik
2.2.1 Distribusi Frekuensi

Untuk data yang banyak sekali jumlahnya, akan lebih baik bila data tersebut diorganisasikan ke dalam
bentuk yang lebih ringkas, kompak, tanpa menghilangkan fakta-fakta pentingnya. Hal ini akan tercapai
dengan mengelompokkan jajaran data ke dalam sejumlah kelas dan kemudian menentukan
banyaknya data yang termasuk dalam masing-masing kelas (frekuensi kelas). Susunan data yang
terbentuk disebut distribusi frekuensi. Jika frekuensi kelas dinyatakan dalam persentase dari
banyaknya seluruh data, maka disebut Distribusi Frekuensi relatif.

Contoh 2.6
Jajaran data pada Contoh 2.4 jika disusun sebagai suatu distribusi frekuensi menjadi sebagai
berikut:
Pengukuran Tebal Pipa Minyak Diameter 20 inch

Persentase (f
Tebal Pipa; (mm) Jumlah; (f)
/ n) x 100 ; %
11,0000 s/d 11,98 4 10
11,9801 s/d 11,99 7 17,5
11,9901 s/d 12,00 19 47,5
12,0001 s/d 12.01 8 20
12,0101 s/d 12.02 2 5
Total ; (n) 40 100
Data yang diorganisasikan dan diringkas dalam bentuk distribusi frekuensi seperti contoh di atas
sering juga disebut sebagai data terkelompok (grouped data). Pengelompokan ini memberikan
keuntungan penting berupa kejelasan atas gambaran keseluruhan data sehingga kecenderungan
(trend) karakteristiknya mudah terlihat. Meskipun demikian terdapat kelemahan yaitu hilangnya
informasi dari data asli yang lebih terperinci.

 Menghitung ukuran-ukuran pemusatan/tendensi sentral (central tendency) seperti rata-rata
(mean), nilai tengah (median), modus, akar purata kuadrat (root mean square/rms),
kuartil, desil, persentil.
2.3 Ukuran Pemusatan
Data sering menunjukkan kecenderungan terpusat di sekitar suatu nilai. Nilai pusat ini kemudian
dapat digunakan sebagai suatu ukuran ringkas yang menggambarkan karakteristik umum data tersebut.
Nilai tersebut dalam statistik disebut sebagai ukuran pemusatan (central tendency).
Terdapat beberapa ukuran pemusatan yang sering digunakan dalam statistik. Ukuran-ukuran tersebut
biasanya dijelaskan untuk data tak terkelompok (ungrouped data) maupun data terkelompok
(grouped data). Dalam rumusannya juga dibedakan antara ukuran yang menunjukkan karakteristik
populasi (parameter) dengan yang menunjukkan karakteristik sampel (statistik).

2.3.1Rata-rata (Average)
Istilah "rata-rata (average)" ini sebenarnya meliputi beberapa ukuran pemusatan. Rata-rata
(average) adalah nilai khas yang mewakili sifat tengah, atau posisi pusat, dari suatu kumpulan nilai
data. Terdapat beberapa ukuran yang termasuk rata-rata sebagaimana yang dibahas berikut.
2.3.1.1 Mean Aritmetik (Arithmetic Mean)
Dalam prakteknya seringkali istilah "rata-rata" mengacu pada mean aritmetika atau mean. Mean
aritmetika dirumuskan sebagai berikut:
Data Tidak
Terkelompok:
𝑛
∑𝑖=1 𝑥𝑖
𝑥̅ = → untuk sampel (2.3)
𝑛
𝑁
∑𝑖=1 𝑥𝑖
𝜇𝑥 = → untuk populasi
𝑁
Data Terkelompok:
𝑘 𝑘
∑𝑖=1 𝑓 𝑥 ∑𝑖=1 𝑓𝑖𝑥𝑚,𝑖
𝑥̅ = 𝑖 𝑚,𝑖
∑ 𝑘 𝑓𝑖 = 𝑛 → untuk sampel (2.4)
𝑖=1
𝑘 𝑓𝑖𝑥𝑚,𝑖 𝑓𝑖𝑥𝑚,𝑖
∑𝑖=1 ∑𝑘
𝜇̅ = 𝑘 = 𝑖=1 → untuk populasi
∑𝑖=1 𝑓𝑖 𝑁
Dimana:
𝑥̅ = Mean aretmatika dari suatu sampel
𝜇𝑥 = Mean aretmatika dari suatu populasi
𝑥𝑖 = Mean dari data (variabel x)
k = Jumlah interval kelas dalam suatu sampel
K = Jumlah interval kelas dalam suatu populasi
n = Banyaknya data x dalam suatu sampel
N = Banyaknya data x dalam suatu populasi
𝑓𝑖 = Frekuensi atau jumlah pengamatan dalam sebuah interval kelas
𝑥𝑚,𝑖 = Nilai tengah dari interval kelas

Contoh 2.7
 Mean aritmatika dari data pada contoh 2.3 untuk sampel Tebal Pipa Minyak Diameter
20 inch (dalam satuan mm) yang terdiri dari 40 data yang belum terkelompokan
adalah:
∑n xi 12,00 + 12,01 + ⋯ . . +11,98
i=1 = 11,9989
x̅ = n = 40
 Mean aritmatika dari data pada contoh 2.6 untuk sampel Tebal Pipa Minyak Diameter
20 inch (dalam satuan mm) yang terdiri dari 40 data yang telah terkelompokan
(sesuai data dari contoh 2.3) adalah:
∑𝑘 𝑓 𝑓𝑖
𝑖
𝑥𝑚, ∑𝑘 𝑥𝑚, (4)(11,49) + (7)(11,98905) + ⋯ + (2)(12,01505)
𝑖 𝑖
𝑖=1 𝑖=1
𝑥̅ = ∑𝑘𝑖=1 𝑓 = 𝑛 = 4 + 7 + 19 + 8 + 2
𝑖
= 11,94650
2.3.1.2 Mean Aritmetik Terbobot (Weighted Arithmetic Mean)
Pemberian pembobotan terhadap suatu nilai sering dilakukan untuk menunjukkan keutamaan
relatif dari nilai tersebut. Mean aritmetika yang diperoleh dari nilai yang diberi pembobotan itu
disebut mean aritmetika terbobot, yang dirumuskan sebagai berikut (agar lebih sederhana, yang
dibahas hanyalah untuk data tidak terkelompok, dengan meninjau satu sampel saja.
𝑥̅𝑤 =
𝑛
∑𝑖=1 𝑤𝑖𝑥𝑖
𝑛 𝑤𝑖 (2.5)
∑𝑖=1
Dimana: 𝑥̅𝑤 = mean aritmatika terbobot

𝑤𝑖 = faktor pembobotan
Contoh 2.8
 Jika dalam suatu nilai akhir mata kuliah statistik nilai ujian akhir (UAS) berbobot 3 kali
nilai ujian tengah semester (UTS) dan tugas (T), maka seorang mahasiswa yang
memperoleh nilai (UAS) 85 dan nilai (UTS) 70, dan tugas (T) 90 akan memperoleh nilai:
∑𝑛 𝑤𝑖𝑥𝑖 (3)(85) + (2)(70) + (1)(90) 415

𝑖=1 = = 80,83
𝑥𝑤 = 𝑛 =
𝑖=1
∑
𝑤𝑖 3
6

2.4 Deviasi Standard (Simpangan Baku)
Deviasi standard (standard deviation) atau simpangan baku merupakan ukuran penyebaran yang paling
sering digunakan. Mayoritas nilai data cenderung berada dalam satu deviasi standard dari “mean” , dan
hanya sebagian kecil saja yang terletak di luar dari tiga deviasi standard dari meannya. Deviasi
standard dirumuskan sebagai berikut:
Data Tidak Terkelompok:

2
∑𝑛 (𝑥 −𝑥̅)2 𝑛(∑𝑛 𝑥2)−(∑𝑛 𝑥)
𝑠𝑥 = √ 𝑖=1 𝑖
=√ 𝑖=1 𝑖
𝑛(𝑛−1)
𝑖=1 𝑖 (sampel)
(2.10)
∑ 𝑁
(𝑥𝑖−𝑥̅)2 (∑𝑁 𝑥2)
𝜎𝑥 = √ 𝑖=1 =√ 𝑖=1 𝑖
− 𝜇𝑥2 (populasi)
𝑁
Data Terkelompok:
2
𝑘 𝑛(∑𝑘 𝑓 𝑥2 )−(∑𝑘 𝑓 .𝑥 )
2
∑ 𝑓𝑖(𝑥𝑚,𝑖−𝑥̅)
=√
𝑖=1 𝑖. 𝑚,𝑖 𝑖=1 𝑖
𝑠 = √ 𝑖=1
𝑚,𝑖
(sampel)
(2.11)
𝐾 2 𝐾 2
∑ 𝑓 (𝑥 −𝜇 ) (∑ 𝑓𝑖.𝑥 )
𝜎𝑥 = √ 𝑖=1 𝑖 𝑚,𝑖 𝑥
=√
𝑖=1 𝑚,𝑖
− 𝜇2 (populasi)
Dimana:
sx = deviasi standard dari sampel
σx = deviasi standard dari populasi
𝑥̅ = mean aritmatika dari sampel
μx = mean aritmatika dari populasi
xi = nilai dari data (variabel x)
fi = frekuensi atau jumlah pengamatan dalam suatu interval kelas
xm, i = nilai tengah dari interval kelas
k = jumlah interval kelas dalam suatu sampel
K = jumlah interval kelas dalam suatu populasi
n = banyaknya data x dalam sampel
N = banyaknya data x dalam populasi

Contoh 2.9
 Deviasi standard dari data pada Contoh 2.3, yang terdiri dari 40 data yang belum
terkelompok dengan rata-rata 𝑥̅= 11.9986 adalah:
𝑛
∑ (𝑥𝑖 − 𝑥̅)2
𝑖=1
𝑠𝑥 = √
𝑛−1
(12,00 − 11,9989)2 + (12,01 − 11,9989)2 + ⋯ + (11,98 −

11,9989)2
𝑠𝑥 = √
40 − 1
𝑠𝑥 = 0.0092
 Deviasi standard dari data pada Contoh 2.6, yang terdiri dari 40 data yang telah
terkelompok dengan rata-rata 𝑥̅= 11,9986 adalah:
Pengukuran Tebal Pipa Minyak Diameter 20 inch

2 2
Tebal Pipa; (mm) Jumlah; (fi) xm, i (𝑥𝑚,𝑖 − 𝑥̅) 𝑓𝑖(𝑥𝑚,𝑖 − 𝑥̅)
11,0000 s/d 11,98 4 11,49 0,25868 1,03472
11,9801 s/d 11,99 7 11,98505 0,00019 0,00014
11,9901 s/d 12,00 19 11,99505 0,00002 0,00038
12,0001 s/d 12.01 8 12,00505 0,00005 0,00040
12,0101 s/d 12.02 2 12,01505 0,00028 0,00056
Total ; (Ʃ) 40 1,03620
∑ 𝑘 2
𝑓𝑖 (𝑥𝑚,𝑖 − 𝑥̅) 1,03620
=√ = 0,16300
𝑠𝑥 = √
𝑖=
𝑛−1 40 − 1
2.5 Varians
Varians merupakan kuadrat dari deviasi standard, sehingga, untuk sampel, dinyatakan sebagai 𝑠2𝑥
dan, untuk populasi, sebagai 2𝑥
Sifat penting mengenai varians adalah varians kombinasi (combined/pooled variance). Jika terdapat
beberapa kumpulan data (distribusi frekuensi) dengan masing-masing banyaknya data Ni, dan
variansnya 𝑠2𝑥,𝑖maka varians kombinasinya adalah:
𝑗 2
∑ 𝑁𝑖𝑆
2
𝑠𝑥,𝑐 = 𝑖=1 𝑥,𝑖 (2.12)
𝑗
∑𝑖=1 𝑁𝑖

Latihan Lanjutan:
L-2.1:
Jelaskan sekurang-kurangnya 3 keuntungan menyusun data mentah ke dalam bentuk jajaran data
(data array).
Latihan Tambahan:
LT-2.1:
Dalam suatu eksperimen mekanika fluida, diukur kecepatan aliran fluida dalam pipa dengan
menggunakan sebuah anemometer kawat panas (hot wire anemometry). Pada suatu titik didapat
150 data kecepatan (m/s) hasil pengukuran yang tercatat sebagai berikut:
a) Susun data tersebut dalam suatu distribusi frekuensi dengan prosedur yang benar.
b) Hitung ukuran-ukuran pemusatan dari data yang diperoleh.
c) Hitung ukuran-ukuran penyebaran dari data yang diperoleh.

Rangkuman
 Data kualitatif adalah data yang bukan berupa angka/bilangan. Terhadap data
kualitatif tidak dapat dilakukan operasi matematik seperti penambahan,
pengurangan, perkalian, pembagian.
 Data mentah merupakan data terkumpul yang belum diorganisasikan secara numerik. Dalam
bentuknya yang belum terorganisasi, data tersebut tidak memberi banyak arti bagi yang
membaca, belum lagi untuk dapat menyimpulkan informasi apa yang bisa diperoleh.
 Data sering menunjukkan kecenderungan terpusat di sekitar suatu nilai. Nilai pusat ini
kemudian dapat digunakan sebagai suatu ukuran ringkas yang menggambarkan karakteristik
umum data tersebut. Nilai tersebut dalam statistik disebut sebagai ukuran pemusatan (central
tendency).
 Ukuran penyebaran (dispersion) menunjukkan seberapa jauh data menyebar dari nilai rata-
ratanya (variabilitas data).
Kriteria Penilaian:
 Dapat menjelaskan bagaimana mengumpulkan dan mengorganisasi data mentah ke dalam

suatu susunan dan bagaimana membuat dan menginterpretasikan distribusi frekuensi
 Dapat menyajikan data secara grafis dalam bentuk histogram, poligon frekuensi, diagram batang,
diagram garis.
 Dapat menghitung ukuran-ukuran pemusatan/tendensi sentral (central tendency) seperti
rata- rata (mean), nilai tengah (median), modus, akar purata kuadrat (root mean square/rms),
kuartil, desil, persentil.
 Dapat menghitung ukuran-ukuran penyebaran/dispersi (dispersion) seperti kisaran (range),
deviasi mutlak rata-rata, deviasi standard, varians.
Referensi:

New Jersey.

BAB III
ESTIMASI

Mahasiswa dapat:
 Menjelaskan konsep-konsep dasar yang mendukung estimasi rata-rata (means) populasi,
persentase populasi, dan varians populasi.
 Menghitung estimate-estimate (estimates) rata-rata (means) populasi pada tingkat
kepercayaan (level of confidence) berbeda-beda jika deviasi standard populasi tidak
diketahui ataupun jika diketahui.
 Menghitung estimate-estimate persentase populasi pada tingkat kepercayaan yang
berbeda-beda.
 Menghitung estimate-estimate varians populasi pada tingkat kepercayaan yang berbeda-
beda.
 Menentukan ukuran sampel dalam mengestimasi mean dan proporsipopulasi dengan
tingkat kesalahan estimasi yang dikehendaki.
Materi:
3.1 Pengertian dan Konsep Dasar Estimasi

3.2 Estimasi Mean Populasi
3.3 Estimasi Persentase Populasi
3.4 Estimasi Varians Populasi
3.5 Penentuan Ukuran Sampel
Bahan Ajar: STATISTIK PERMINYAKAN / BAB-3: 3

Sub- Capaian Pembelajaran Matakuliah- 1:

 Mahasiswa dapat menjelaskan kembali; konsep-konsep dasar yang mendukung estimasi rata-
rata populasi, persentase Populasi, dan varians Populasi, dengan benar.
3.1 Pengertian dan Konsep Dasar
Pada pembahasan sebelumnya telah dijelaskan bahwa tahap statistik inferensial adalah, proses untuk
sampai pada sebuah kesimpulan mengenai parameter populasi yang tidak diketahui berdasarkan pada
statistik suatu sampel. Pada beberapa topik terakhir kita telah juga membahas mengenai konsep
probabilitas dan sampling yang mendasari proses estimasi ini. Jadi dalam bab ini akan dijelaskan
bagaimana konsep-konsep statistik inferensial, memungkinkan kita untuk menggunakan data sampel
untuk mengestimasi nilai dari suatu nilai nilai rata-rata (mean), persentase, atau varians dari
populasi yang tidak diketahui.
3.1.1 Estimate, Estimator dan Estimasi
3.1.1.1 Estimate
Estimate (hasil estimasi) adalah sebuah nilai spesifik atau kuantitas dari suatu statistik seperti nilai
mean sampel, persentase sampel, atau varians sampel.
3.1.1.2 Estimator
Estimator adalah setiap statistik (mean sampel, persentase sampel, varians sampel) yang
digunakan untuk mengestimasi sebuah parameter. Jadi, mean sampel (𝑥̅) adalah estimator bagi
mean populasi μx), persentase sampel (p) adalah estimator bagi persentase populasi (π), dan
varians sampel (s2) adalah estimator bagi varians populasi (𝑥2).
Terdapat beberapa jenis estimator, meliputi estimator tak-bias (unbiased estimator), estimator konsisten
(consistent estimator), estimator terbaik (best estimator), dan estimator yang mencukupi (sufficient
estimator).Di antara estimator- estimator tersebut, estimator tak-bias dan estimator terbaik merupakan
jenis estimator yang penting untuk dikaji pada tahap dasar.
Estimator tak-bias adalah sebuah estimator yang menghasilkan suatu distribusi sampling
(sampling distribution) yang memilki mean yang sama dengan parameter populasi yang akan
diestimasi. Secara matematik dinyatakan bahwa jika sebuah estimator 𝜃̂ adalah estimator
tak- bias dari parameter 𝜃, maka E(𝜃̂) = 𝜃 untuk seluruh nilai 𝜃 yang mungkin. Jika 𝜃̂ bukan
estimator tak-bias, maka perbedaan E(𝜃̂) − 1disebut bias dari 𝜃̂ .
Prinsip dasar yang harus diikuti dalam melakukan estimasi adalah diantara beberapa estimator
dari parameter populasi yang dikaji, kita harus bisa memilih istimator yang tak-bias.Sedangkan
estimator terbaik(best estimator) adalah estimator yang memenuhi syarat-syarat sebagai suatu
estimator tak-bias dan juga memiliki varians yang terkecil (minimum variance unbiased estimator
/ MVUE). Gambar 3.1 mengilustrasikan konsep ini.

3.1.1.3 Estimasi
Estimasi adalah keseluruhan proses yang menggunakan sebuah estimator untuk menghasilkan sebuah
estimate dari suatu parameter. Terdapat dua jenis estimasi, yaitu:
 Estimasi Titik
Sebuah estimasi titik (point estimate) dari sebuah parameter Өadalah suatu angka tunggal
yang dapat dianggap sebagai nilai yang masuk akal bagi Ө.
Gambar 3.1
Probability Densiti
Fungsion (Pdf) Estimator
Tak Bias dan Estimator
Terbaik.
Estimate titik diperoleh dengan memilih statistik yang tepat dan menghitung nilainya
dari data sampel. Statistik yang dipilih disebut sebagai estimator titik (point estimator)
dan proses mengestimasi dengan suatu angka tunggal disebut sebagai estimasi titik
(point estimation).
 Estimasi Interval
Sebuah estimasi interval (interval estimate) dari sebuah parameter θ adalah suatu
sebaran nilai-nilai yang digunakan untuk mengestimasi θ. Proses mengestimasi dengan suatu
sebaran nilai-nilai ini disebut estimasi interval (interval estimation).
Contoh 3.1
 Pabrik tabung gas "ukuran 3 kg" ingin mengestimasi penjualan tabung gas rata-rata per hari.
Sebuah sampel harian yang dikumpulkan menghasilkan rata-rata senilai $ 800. Dalam hal
ini telah dilakukan estimasi titik (point estimation), dengan menggunakan estimator
berupa statistik mean sampel (̅𝒙) untuk mengestimasi parameter mean populasi (μ) dan
nilai sampel $ 800 sebagai estimate-estimate dari nilai populasi.
3.1.2 Konsep Dasar Estimasi Interval Mean Populasi
Dalam prakteknya, hanya satu sampel dari populasi yang diambil dan kemudian statistik sampel tersebut
(mean, varians) dihitung serta sebuah estimate terhadap parameter populasi ditentukan. Jadi, untuk
mengestimasi parameter populasi harus diketahui sesuatu hal mengenai hubungannya dengan mean-
mean sampel.

3.1.2.1 Distribusi Sampling

Tinjauan ulang sejenak terhadap konsep distribusi mean-mean sampling (sampling distribution of the
means) memberikan dasar teoritis bagi estimasi interval dari mean populasi. Apabila ukuran sampel
cukup besar maka distribusi mean-mean samplingnya akan mendekati distribusi normal/Gaussian.
Sebagaimana telah dibahas sebelumnya dan juga ditunjukkan oleh Gambar 3-2, mean dari
distribusi mean-mean samplingnya akan sama dengan mean dari populasinya.
Sebagai tambahan, dalam kisaran dua error standard (2𝜎𝑥̅) dari mean distribusi mean-mean
sampling itu tercakup 95,46 persen mean-mean sampel yang mungkin. Dari uraian tersebut dapat
dipahami bahwa, seandainya mungkin dilakukan pengambilan 1000 sampel yang ukurannya sama
dari suatu populasi, maka sekitar 954 mean-mean sampel itu akan berada dalam kisaran 2 error
standard pada kedua sisi dari mean populasi.
Gambar 3.2
Distribusi Sampling
Normal (Gaussian)
3.1.2.2 Pertimbangan Lebar Interval

Dengan kembali meninjau Gambar 3.2, jika 95,4 persen dari seluruh nilai mean sampel yang mungkin
berada dalam kisaran 2 error standard (2𝜎𝑥̅) dari mean populasi maka jelaslah bahwa mean populasi
(𝜇𝑥) akan bemilai pada kisaran 2 error standard (2𝜎𝑥̅) dari 95,4 persen nilai mean-mean yang
mungkin.
Sebagai ilustrasi penggunaan prinsip di atas perhatikan Gambar 3.3. Andaikan luta bisa mendapatkan 1000
sampel yang mungkin dan memperoleh 1000 mean sampel, tiga di antaranya ditunjukkan pada gambar.
Sebagaitambahan, mean populasi akan diestimasi sebagai berada pada jarak 2 error standard dari nilai
mean sampel. Dengan kriteria 𝑥̅ ±2𝜎𝑥̅ tersebut, setiap interval mungkin memuat atau tidak
memuat nilai mean populasi. Misalkan pada gambar interval yang dibentuk menggunakan 𝑥̅1 dan 𝑥̅2
memuat 𝜇𝑥 sementara interval yang dibentuk dengan menggunakan 𝑥̅3 tidak dapat memuat µx. Namun
dapat dipahami bahwa dari seluruh interval 𝑥̅ ±2𝜎𝑥̅ yang mungkin dibentuk, µ akan termuat dalam
95,4 persen darinya. Jika prinsip di atas digeneralisasi, kita dapat menerapkan berbagai estimate interval
untuk berbagai situasi. Jika distribusi samplingnya normal, maka estimate interval untuk mean populasi µx
dapat dibentuk dengan cara berikut:
̅𝒙 − 𝒛. 𝝈𝒙 < 𝝁𝒙 < ̅𝒙 + 𝒛. 𝝈𝒙 (3.1)
Dimana:
µx = mean populasi
𝜎𝑥̅ = error standard dari mean
z = nilai skor z yang ditentukan dengan probabilitas estimasi intercal

3.1.2.3 Tingkat Kepercayaan

Dalam estimasi secara statistik selalu ditetapkan suatu tingkat kepercayaan (level of
confidence atau confidence coefficient) terhadap estimate-estimate interval yang dibuat.
Jadi, tingkat kepercayaan adalah probabilitas bahwa parameter populasi yang diduga akan
termuat dalam interval estimate. Jadi, interval-interval kepercayaan (confidence
intervals) adalah estimate-estimate interval berdasarkan pada tingkat kepercayaan
tertentu dan batas atas serta batas bawah interval itu disebutbatas-batas kepercayaan
(confidence limits).
Gambar 3.3
Pertimbangan
Lebar Interval
Estimasi
Dalam prakteknya tingkat kepercayaan ditetapkan sebelum estimasi dilakukan. Jadi,

dengan menetapkan tingkat kepercayaan sebesar 90 persen artinya seseorang yang
melakukan estimasi tersebut ingin agar 90 persen yakin bahwa nilai mean populasi
akan termuat dalam interval yang diperoleh. Masalahnya kemudian adalah menentukan
berapa nilai Z yang akan digunakan dalam rumus (3-1), untuk membentuk estimate
interval yang akan memuat mean populasi sebanyak 90 persen dan keseluruhan
estimate interval yang dapat dibuat. Dengan prinsip bahwa berlaku kurva distribusi
normal pada distribusi sampling maka nilai z tersebut dapat diperoleh dengan tabel
skor z untuk nilai z yang meliputi 45 persen daerah masing-masing pada separuh kurva
distribusi normal.Tingkat kepercayaan yang umumnya digunakan untuk estimasi
interval terlihat dalam tabel 3.1 berikut ini.
Tabel 3.1: Skor Z untuk tingkat kepercayaan tertentu.
Tingkat Kepercayaan Skor z Bentuk Umum estimasi interval
90% 1.645 𝑥̅ − 1.645. 𝜎𝑥̅ < 𝜇𝑥 < 𝑥̅ + 1.645. 𝜎𝑥̅
95% 1.960 𝑥̅ − 1.960. 𝜎𝑥̅ < 𝜇𝑥 < 𝑥̅ + 1.960. 𝜎𝑥̅
99% 2.575 𝑥̅ − 2.575. 𝜎𝑥̅ < 𝜇𝑥 < 𝑥̅ + 2.575. 𝜎𝑥̅

Sub- Capaian Pembelajaran Matakuliah- 2:

 Mahasiswa dapat menghitung estimate-estimate (estimates) rata-rata populasi pada tingkat
kepercayaan (level of confidence) berbeda-beda jika deviasi standard populasi tidak
diketahui ataupun jika diketahui.
3.2 Estimasi Mean Populasi

Dalam melakukan estimasi terhadap mean populasi dengan menggunakan data yang diperoleh
dari sampel, terdapat beberapa hal yang terlebih dahulu harus diperhatikan yaitu:
1. Ukuran sampel (apakah besar n >30 atau kecil n <30)

2. Informasi tentang distribusi populasinya (apakah distribusi normal atau tidak)
3. Deviasi standard populasinya (diketahui atau tidak)
4. Pemilihan jenis distribusi yang menjadi dasar estimasi
Gambar 3.4 Menunjukkan prosedur umum dalam melakukan
Gambar 4.4 MULAI
Ya SKOR DISTRIBUSI " z " DALAM PERHUTUNGAN

GUNAKAN
n > 30 ? SELESAI
Tidak
DEVIASI
PARAMETER POPULASI BERDISTRIBUSI NORMAL
Ya STANDART
? POPULASI DIKETAHUI
Ya ?
GUNAKAN SKOR DISTRIBUSI
" z " DALAM PERHITUNGAN
Tidak
GUNAKAN SKOR DISTRIBUSI " t " DALAM PERHITUNGAN

TIDAK DAPAT DIGUNAKAN SKOR DISTRIBUSI "z" MAUPUN " t "
SELESAI
estimasi.
3.2.1 Mengestimasi Mean Populasi Jika Deviasi Standard Populasi Diketahui

dan JumlahData/Ukuran Sampel Lebih dari 30 (n > 30)
Jika deviasi standard populasi (x) diketahui dan ukuran sampel (n) lebih dari 30, kita dapat secara
langsung menghitung error standard dari mean sebagai berikut:
 Jika anggota populasinya tak terhingga:

𝝈𝒙 𝝈𝒙 (3.2)
= √𝒏

 Jika anggota populasinya terhingga sejumlah N:
𝒙 𝝈 𝑵−𝒏 (3.3)
𝝈𝒙 = √𝒏 √𝑵−𝟏
 Selanjutnya estimate interval mean populasi dapat dibentuk dengan cara

sebagai berikut:
− 𝒛. 𝝈𝒙̅ < 𝝁𝒙 < ̅𝒙 + 𝒛. 𝝈𝒙̅ (3.4)
Contoh 3.2
 Seorang manajer diperusahaan yang memproduksi “Kertas Membram Khusus" yang akan
digunakan pada industri migas, ingin mengestimasi waktu rata-ratayang dibutuhkan oleh sebuah
mesin baru untuk memproduksi satu pack kertas membram. Suatu sampel acak sejumlah 36 pack
yang diamati, menunjukkan bahwa rata-rata waktu yang dibutuhkan adalah 1,5 menit untuk
setiap pack-nya. Informasi dari perusahaan pembuat mesin menyatakan bahwa deviasi standard
dari waktu produksi adalah 0,30 menit dan manajer itu mengasumsikan hal yang sama dalam
estimasinya. Maka estimate interval dengan tingkat kepercayaan 95 persen dapat dilakukan dan
ditentukan sebagai berikut:
Penyelesaian 3.2:
Diketahui (𝑥̅) =1.5; 𝜎𝑥 = 0.30; n = 36; tingkat kepercayaan = 95%
Error standard:
𝜎𝑥 0.30
𝜎𝑥̅ = = = 0.05
√𝑛 √36
Dengan tingkat kepercayaan 95%, nilai z = 1,960. (lihat tabel 3.1 pada halaman 40) Jadi
estimate interval dari nilai waktu rata-rata sesungguhnya adalah:
Estimasi interval:
̅𝒙 − 𝒛. 𝝈𝒙̅ < 𝝁𝒙 < 𝒙̅ + 𝒛. 𝝈̅𝒙
𝟏. 𝟓 − (𝟏. 𝟗𝟔𝟎)(𝟎. 𝟎𝟓) < 𝝁𝒙 < 1.5 + (𝟏. 𝟗𝟔𝟎)(𝟎. 𝟎𝟓)
𝟏. 𝟒𝟎𝟐 < 𝝁𝒙 < 1.59𝟖

Dengan kata lain, sang manajer mengestimasi dengan tingkat kepercayaan 95 persen, bahwa
waktu rata-rata untuk memproduksi 1 pack kertas membram dengan mesin yang baru
tersebut adalah antara 1,402 menit sampai 1,598 menit.

Contoh 3.3
 Perusahaan pipa "Pipe Steel" menerima pengiriman 100 batang pipa,dan petugas
pemeriksa dari bagian kendali mutu ingin mengestimasi tebal rata- rata pipa tersebut untuk
mengetahui, apakah pipa-pipa tersebut memenuhi standard minimum. Petugas pemeriksa
tersebut mengambil 50 pipa sebagai sampel dan diperoleh dari sampel itu, rata-rata tebal
pipa adalah 2,55 mm. Dari data pengiriman selama ini deviasi standard tebal pipa yang
diterima adalah 0,07 mm. Maka estimate interval dengan tingkat kepercayaan 99 persen
dapat dilakukan dan ditentukan sebagai berikut:
Penyelesaian 3.3:
Diketahui: 𝑥̅=2.55; 𝜎𝑥 = 0.07; n = 50; N = 100; tingkat kepercayaan = 99%
Error standard:
𝜎𝑥 𝑁−𝑛 0.07 100 − 50

𝜎𝑥̅ = √ = √ = 0,007
√𝑛 𝑁 − 1 √50 100 − 1
Dengan tingkat kepercayaan 99%, nilai z = 2,575. Jadi estimate interval dari nilai rata-rata
tebal pipa sesungguhnya adalah:
Estimasi interval:
𝑥̅ − 𝑧. 𝜎𝑥̅ < 𝜇𝑥 < 𝑥̅ + 𝑧. 𝜎𝑥̅
2,55 − (2,575)(0,007) < 𝜇𝑥 < 2,55 + (2,575)(0,007)
2,532 < 𝜇𝑥 < 2,568
Dengan kata lain, petugas pemeriksa tersebut mengestimasi dengan tingkat keyakinan 99
persen bahwa tebal rata-rata pipa yang diperiksa adalah antara 2,532 mm sampai 2,568
mm.

3.2.2Mengestimasi Mean Jika Deviasi Standard Tidak Diketahui

dan Jumlah Data/Ukuran Sampel Lebih dari 30 (n > 30)
Dalam kebanyakan situasi, bukan hanya mean populasi, deviasi standard populasi pun tidak
diketahui. Jadi deviasi standard populasi harus diestimasi juga bersama-sama dengan mean
populasinya. Hal tersebut dilakukan dengan prosedur yang dibahas di berikut ini.
 Estimator deviasi standard populasi adalah dari deviasi standard sampel:
𝒔 = √∑(𝒙 −̅𝒙)𝟐 (3.5)

𝒏−𝟏
 Error standard dapat diestimasi sebagai berikut :
 Jika anggota populasi tak terhingga :
𝝈 𝒔
𝒙̅ (3.6)
= √𝒏
 Jika anggota populasi terhingga sejumlah N:
𝝈 𝒔 𝑵−𝒏 (3.7)
𝒙̅ = √𝒏 √ 𝑵−𝟏
 Selanjutnya estimasi interval dari mean populasi dapat dihitung dengan cara sebagaiberikut :
𝒙̅ − 𝒛. 𝝈̂𝒙̅ < 𝝁𝒙 < 𝒙̅ + 𝒛. 𝝈̂𝒙̅ (3.8)
Tanda (^) di atas simbol error standard menunjukkan bahwa nilainya adalah suatu
nilai estimasi.

Contoh 3.4:
 Diketahui data pengujian kekuatan tarik dari 40 sampel jenis logam tertentu adalah sebagai berikut;
rata- rata kekuatan tariknya adalah 1179 N/mm2. Deviasi standard sampel dari kekuatan tarik logam
tersebut adalah 128 N/mm2. Maka petugas pemeriksa akan mengestimasi rata-rata kekuatan tarik
dari populasi logam tersebut dengan tingkat kepercayaaan 90%, dapat dilakukan sebagai berikut.
Penyelesaian 3.4:
Diketahui: 𝑥̅=1179; 𝑠 = 128; n = 40; tingkat kepercayaan = 90%
Error standard:
𝑠 128
𝜎̂𝑥̅ = = = 20,24
√𝑛 √40
Dengan tingkat kepercayaan 90%, nilai z = 1.645. Jadi estimate interval dari nilai kekuatan
tarik rata-rata populasi / sesungguhnya adalah:
Estimasi interval:
𝑥̅ − 𝑧. 𝜎̂ 𝑥̅ < 𝜇𝑥 < 𝑥̅ + 𝑧. 𝜎̂ 𝑥̅
1179 − (1,645)(20,24) < 𝜇𝑥 < 1179 + (1,645)(20,24)
1145,71 < 𝜇𝑥 < 1212,29
Dengan kata lain, petugas tersebut mengestimasi dengan tingkat keyakinan 90 persen
bahwa kekuatan tarik rata-rata populasi logam yang diperiksa adalah 1145,71 N/mm2
sampai dengan 1212,29 N/mm2.

3.2.3 Mengestimasi Mean dengan Ukuran Sampel Kurang dari 30 (n < 30)
Estimasi mean populasi dengan besar sampel lebih dari 30 dengan prosedur yang telah diuraikan
di atas bisa dilakukan karena distribusi sampling yang terbentuk berupa distribusi normal
(Gaussian), tanpa tergantung pada hentuk distribusi populasi sebenamya (lihat teorema limit
pusat).
Apabila sampel yang digunakan berukuran kecil (n < 30) maka estimasi dengan prosedur di atas
tidak bisa dipakai. Secara teoritis (lihat kembali Gambar 3.4), estimasi memang masih
dimungkinkan dengan mengunakan distribusi normal z jika distribusi populasinya bisa dipastikan
terdistribusi normal dan deviasi standard populasi telah diketahui.
Namun, untuk kebanyakan situasi, hal ini sulit sekali dipenuhi.Jika distribusi populasinya bisa
dipastikan normal namun deviasi standard populasi tidak diketahui, maka distribusi mean
sampling akan mengikuti distribusi-t (sering juga disebut distribusi student-t).Sementara jika
populasinya tidak bisa dipastikan terdistribusi normal maka baik distribusi z maupun distribusi t
tidak bisa digunakan.
3.2.3.1 Karakteristik Distribusi-t
Jika 𝑥̅ adalah mean dari sampel acak dengan ukuran n dari suatu distribusi normal dengan mean
μx maka variabel acak:
𝒙̅ − 𝝁𝒙
𝑻= 𝑺
⁄√𝒏
(3.9)
akan mempunyai sebuah distribusi probabilitas yang disebut distribusi-t dengan derajat kebebasan
(degree of freedom / df), v = n — 1.
Dengan demikian sebuah distribusi-t adalah distribusi dengan sebuah parameter derajat
kebebasan n. Distribusi ini memiliki sifat-sifat berikut:
1. Distribusi ini serupa dengan distribusi normal z dengan mean nol dan simetris (berbentuk
lonceng / bell shape) terhadap mean.
2. Bentuk distribusinya tergantung pada ukuran sampel. Jadi distribusi-t sesunggubnya adalah
suatu keluarga (kumpulan) distribusi, dan ada perbedaan satu dengan lainnya yang
tergantung pada ukuran sampel.
3. Pada ukuran sampel yang kecil, keruncingan bentuk distribusi-t kurang dibandingkan
distribusi z, namun dengan meningkatnya ukuran sampel dan mendekati 30, bentuk
distribusi-t semakin mendekati bentuk distribusi normal z. (Jadi jika n > 30, dapat
digunakan nilai z).

Gambar 3.5 Mengilustrasikan pengaruh ukuran sampel terhadap bentuk dan distribusi-t.
Gambar 3.5
Pengaruh Ukuran Sampel
Terhadap Bentuk
Distribusi-t
3.2.3.2 Notasi
Notasi tαn, digunakan untuk menyatakan nilai kritis t (t critical value). Nilai kritis t merupakan
nilai numerik pada sumbu t dimana luas daerah dibawah kurva distribusi-t dengan derajat
kebebasan n disebelah kanan t, n adalah α. Gambar 3.5 mengilustrasikan notasi t n dengan luas
daerah di bawah kurva distribusi-t.
3.2.3.3 Tabel Distribusi-t

Tabel-tabel yang berkaitan dengan distribusi-t sering disajikan dalam dua format. Format yang
pertama disebut sebagai tabel nilai kritis t dan format yang kedua adalah tabel luas ujung kurva t (t
curve tail areas).Kedua jenis tabel tersebut disajikan pada Tabel 3.1 dan 3.2.
3.2.3.4 Mengestimasi Mean Jika Sampel Berukuran Kecil (n < 30) dan
Deviasi Standard Tidak Diketahui.
Jika deviasi standard populasi tidak diketahui dan ukuran sampel kecil (n <30).
Gambar 3.6
Distribusi
Dari Notasi tα , n

 Estimate interval dari mean populasinya berbentuk:
𝒙̅ − 𝒕𝑎⁄ 𝝈̂ ̅ < 𝝁𝒙 < ̅𝒙 + 𝒕𝑎⁄ 𝝈̂ ̅

𝟐; 𝒗 𝒙 𝟐; 𝒗 𝒙 (3.10)
Dimana:
𝒕 𝑎⁄ = Nilai kritis t yang tergantung pada tingkat kepercayaan dan derajat kebebasan
𝟐; 𝒗
α = 1 – tingkat kepercayaan (disebut juga chance of error)
v = Derajat kebebasan (df) = n - 1
Dengan menggabungkan pengertian sebelumnya untuk sampel besar (n >30) dan sampel
kecil (n < 30), dapat dibentuk suatu prosedur umum untuk estimasi interval mean populasi
dengan deviasi standard yang tidak diketahui.
Contoh 3.5
 Pengukuran temperatur ruang pemanas 5 buah oven sejenis, yang dilakukan setelah beberapa
waktu lamanya pemanasan dilakukan sampai bacaan temperatur stabil (sesuai kondisi operasi
yang ditetapkan), menunjukkan nilai temperatur sebagai berikut (dalam derajat celsius): 101oC,
88oC, 94oC, 96oC, dan 103oC. Maka estimasi temperatur rata-rata ruang pemanas
sesungguhnya (populasi) dari oven jenis tersebut dapat diestimasi dengan tingkat
kepercayaan 95 persen sebagai berikut:
Penyelsaian 3.5
Pendalaman kasus:
 n = 5 berarti n < dari 30
 Deviasi standar populasi tidak diketahui.
 Uji normalitas data harus dilakukan.
- Tahapan uji normalitas data menggunakan program Minitab:
- Aktifkan program Minitab, dan masukan data pada kolom C1, dan pilih menu: Stat –
Basic Statistisc – Normality Test, dst…..nya.
- Interpertasi Hasilnya:
Besaran p-value 0,780 adalah lebih besar dari nilai α. Dimana nilai α = 0,05 atau
5%. Bila nilai p-value > nilai α, maka kesimpulannya data berdistribusi Normal.

Tahapan perhitungan:
101 + 88 + 94 + 96 + 103
1. 𝑥̅ = = 96,4
5
2. (101−96.4)2+(88−96.4)2+(94−96.4)2+(96−96.4)2+(103−96.4)2
𝑠 =√ 5−1 = 5,94
α = 1 – tingkat kepercayaan.
3.
0,05⁄
𝛼 = 1 − 95% = 5% = 0,05; 𝛼⁄2 = 2 = 0,025
Derajat kebebasan (df), v = n-1 = 5 – 1 = 4

4.
Dari tabel 3.1: 𝑡𝛼⁄2; 𝑣 = 𝑡0,025 ;4 = 2,776
𝑠 5,94
5. 𝜎̂𝑥̅ = = 2,66
= √𝑛 √5
Estimasi interval:
𝑥̅ − (𝑡𝛼⁄2; 𝑣 )(𝜎̂𝑥̅ ) < 𝜇𝑥 < 𝑥̅ + (𝑡𝛼⁄2; 𝑣 )(𝜎̂𝑥̅ )
6.
96,4 − (2,776)(2,66) < 𝜇𝑥 < 96,4 + (2,776)(2,66)
89,02 < 𝜇𝑥 < 103,78
Maka estimasi temperatur rata-rata ruang pemanas sesungguhnya (populasi) dari

7. oven sejenis tersebut dapat berkisar antara 89,020C s/d 103,78 0C dengan tingkat
kepercayaan 95 persen.
Guna mempermudah/percepat perhitungan nilai means atau rata-rata sampel “𝑥̅ “ dan standar
deviasi sampel “s”, dapat digunakan software MS. Excel sebgai berikut:
 Jalankan program MS. Excel.

 Masukan data pada baris dan kolom seperti contoh dibawah ini, kemudian hitung “𝑥̅ “ dan “s”.
 Hasilnya:
 Tugas – 1: Estimasi – sesuai contoh 3.5:
Temperatur Temperatur Temperatur Temperatur

No. Sampel Oven Tipe A; Oven Tipe B; Oven Tipe C; Oven Tipe D;
(Der. C) (Der. C) (Der. C) (Der. C)
1 89.96 104.20 109.30 123.10
2 92.66 98.45 111.40 113.65
3 93.62 97.58 103.62 129.13
4 99.45 97.70 113.55 114.35
5 91.29 101.40 106.24 117.18
6 97.86 106.60 115.27 121.21
7 93.57 90.26 106.94 120.75
8 98.84 102.96 113.27 124.68
9 98.95 99.57 100.51 124.55
10 93.96 96.67 96.76 129.66
11 104.71 107.06 130.32
12 88.52 110.09 127.89
13 99.40 104.13 129.98
14 102.05 87.63 128.66
15 97.61 102.51 125.66
16 113.75 120.58
17 104.86 131.07
18 101.62 128.19
19 109.43 116.34
20 115.96 135.63
21 125.84
22 127.59
23 112.74
24 116.26
25 133.55
Tingkat
90% 95% 99% 90%
Kepercayaan

Tabel 3.1:Distribusi-t - Nilai Kritis-tα , n

Tabel 3.2: Distribusi-t Luas Ujung Kurva – t (t curva tail areas)



Sub- Capaian Pembelajaran Matakuliah-3:

Menghitung estimate-estimate persentase populasi pada tingkat kepercayaanyang berbeda dengan
benar.
3.3 Estimasi Proporsi Populasi

Dalam estimasi proporsi sampel biasanya digunakan statistik persentase sampel “p”, sebagai
estimate untuk parameter persentase populasi “π”. Dalam bagian ini hanya dibicarakan
sampel ukuran besar dengan kriteria “n.p” (perkalian ukuran sampel dengan persentase
sampel) ≥ 500. Karena dengan terpenuhinya kriteria tersebut distribusi samplingnya membentuk
distribusi normal. Untuk sampel kecil diperlukan perlakuan matematik yang kompleks, yang diluar
cakupan pembahasan ini.
 Error standard dapat diestimasi sebagai berikut:
 Jika anggota populasi tak terhingga:
𝜎̂𝑝 𝑝(100−𝑝) (3.11)

=√ 𝑛
 Jika anggota populasi terhingga sejumlah N:
𝜎̂𝑝 𝑝(100−𝑝) 𝑁−𝑛 (3.12)

=√ 𝑛 × √ 𝑁−1
 Selanjutnya estimasi interval persentase populasi dapat debentuk sebagai :
𝑝 − 𝑧. 𝜎̂𝑝 < 𝜋 < 𝑝 + 𝑧. 𝜎̂𝑝 (3.13)

Contoh 3.6
 Jajak pendapat terhadap suatu fenomena yang ingin diketahui, merupakan salah satu
contoh pemakaian estimasi interval persentase populasi. Misalkan suatu jajak pendapat
menggunakan kuisioner pada 1200 orang mahasiswa PS. Migas yang baru selesai wisuda,
menunjukkan bahwa 532 orang diantaranya memilih bekerja pada industri migas lokal,
sementara sisanya memilih bekerja pada industri migas di luar negeri. Maka dengan tingkat
keyakinan 95%, persentase populasi lulusan PS. Migas yang akan bekerja pada industri migas
liokal, dapat diestimasi sebagai berikut;
Penyelesaian 3.6
Diketahui: n = 1200; p = 532/1200 = 44,33%; tingkat kepercayaan = 95%
𝑝(100 − 𝑝) 44,33(100 − 44,33)

𝜎̂𝑝 = √ =√ = 1,43
𝑛 1200
Dengan tingkat kepercayaan 95%, nilai z adalah 1,960
Estimasi interval:
𝑝 − 𝑧. 𝜎̂𝑝 < 𝜋 < 𝑝 + 𝑧. 𝜎̂𝑝
44,33 − (1,960)(1,43) < 𝜋 < 44,33 + (1,960)(1,43)
41,53 < 𝜋 < 47,13
Dengan demikian dengan tingkat kepercayaan 95%, estimasi populasi mahasiswa PS.
Migas yang berminat bekerja pada industri lokal, berkisar antara 41,53% s/d 47,13%.
 Tugas – 3: estimasi – contoh 3.6: Jika dari 1200 kuisioner yang dibagikan, hanya 1020
kuisioner yang dikembalikan , dan data yang lain sama dengan soal diatas. Hitung estimasi
interval dari kasus ini.
 Tugas – 4:
Misalkan suatu jajak pendapat menggunakan kuisioner dari komunitas mahasiswa PS.
Migas yang berjumlah 5000 orang. Dipilih 1375 orang mahasiswa yang bersedia mengisi
kuisioner. Hasil perhitungan menunjukkan bahwa 753 orang diantaranya memilih bekerja
pada industri migas lokal, sementara sisanya memilih bekerja pada industri migas di luar
negeri. Tugas anda dengan menggunakan tingkat keyakinan/kepercayaan 99%, estimasi
persentase populasi lulusan mahasiswa PS.Migas yang akan bekerja pada industri migas
liokal.


 Mahasiswa dapat menghitung estimate-estimate “varians populasi” pada tingkat
kepercayaanyang berbeda-beda.
3.4 Estimasi Varians Populasi

Estimasi varians populasi sangat diperlukan untuk mengetahui sejauh mana sebaran nilai
parameter, sehingga dapat dijadikan dasar untuk mengambil langkah-langkah dalam
mengendalikannya. Hal ini penting karena pada banyak situasi, misalnya yang berkaitan dengan
suatu tingkat kualitas produksi, diinginkan agar bukan hanya rata-rata nilai parameternya yang
memenuhi suatu persyaratan tetapi juga konsistensi yang terindikasi dari variansnya. Dimana
nilai tersebut harus bisa dijamin. Sebagai contoh pengisian softdrink menggunakan mesin
otomatis pada restoran cepat saji.
3.4.1 Distribusi Chi-Kuadrat pada Estimasi Varians

3.4.1.1 Karakteristik Distribusi Chi-Kuadrat
Distribusi chi-kuadrat (χ2) yang merupakan suatu distribusi probabilitas kontinyu dengan satu
parameter yaitu derajat kebebasan (v). Sebagaimana yang ditunjukkan oleh Gambar 3.10.
Perlu diingat bahwa distribusi ini memiliki sifat sebagai berikut:
1. Seluruh nilainya positif

2. Tidak simetris
3. Bentuk distribusi tergantung pada derajat kebebasannya
4. Mean dari distribusi χ2 adalah derajat kebebasannya (v)
Untuk mengestimasi varians populasi (2) digunakan varians dari sampel (s2) berukuran (n). Jika
populasinya terdistribusi secara normal, distribusi varians samplingnya akan membentuk distribusi
Chi-kuadrat (Chi-square distribution) jika dinyatakan dalam variable acak :
𝑣𝑆2
(𝑛 − 1)𝑆2
=
𝜎2 𝜎2
Secara matematik dinyatakan bahwa jika x1, x2, x3, xn sampel acak dari sebuah distribusi normal
dengan mean μ dan varians 2 maka variabel acak:
𝑣𝑆2 (𝑛−1)𝑆2 ∑(𝑥𝑖−𝑥̅)2

𝜎2 𝜎2
= = (3.14)
𝜎2

akan memiliki sebuah distribusi probabilitas chi-kuadrat dengan derajat kebebasan/ df, v = n — 1.
Gambar 3.10: Distribusi χ2
3.4.1.2Notasi χ2α, v
Notasi χ2α, v digunakan untuk menyatakan nilai kritis χ2(χ2 critical value). Nilai kritis χ2 merupakan
nilai numerik pada sumbu χ2 dimana luas daerah dibawah kurva distribusi χ 2 dengan derajat
kebebasan v, disebelah kanan χ2α, v adalah α. Gambar 3.11 mengilustrasikan notasi χ2α, v dengan luas
daerah dibawah kurva Distribusi- χ2
3.4.1.3Tabel Distribusi χ2
Tabel distribusi χ2 yang berkaitan dengan estimasi varians sering disajikan dalam format tabel nilai kritis
χ2 (χ2critical value). Tabel tersebut disajikan pada Tabel 3.3.
Gambar 3.11: Distribusi dariNotasi χ2α ,V

3.4.2 Estimasi Interval Varians

Estimate interval varians populasi berbentuk:
𝑣.𝑆2
𝑣.𝑆2
𝜒𝛼⁄
2 < 𝜎𝑥2 < (3.15)
2; 𝜒21−𝛼⁄
2 ;𝑉
𝑉
Dimana:
𝜒𝛼2 = Nilai kritis 𝜒2 yang tergantung dari tingkat kepercayaan dan derajat kebebasan
⁄2 ;𝑉
α = 1 – tingkat kepercayaan (disebut juga chance of error)
v = Derajat kebebasan (df) = n -1
Contoh 3.7
 Suatu mesin pengisi bahan bakar minyak (BBM) dirancang untuk bekerja mengisi BBM secara
otomatis kedalam “Jerigen” rata-rata sebanyak 25 liter. Suatu pemeriksaan terhadap 15
sampel “Jerigen” menunjukkan bahwa deviasi standard pengisian bahan bakar adalah 0,0894
liter. Maka dengan tingkat kepercayaan 95% “estimasi interval varians populasi” dapat
diestimasi sebagai berikut:
Penyelesaian 3.7
Diketahui: deviasi standard sampel (s) = 0,0894; varians sampel (s2)= 0,008; n = 15;
v = n – 1= 14
Tingkat kepercayaan = 95% ; α = 1 – 0,95 = 0,05
Estimasi interval populasinya adalah:
𝑣.𝑆2 𝑣.𝑆2 (14).(0,0894)2 (14).(0,0894)2

𝜒2𝛼 < 𝜎𝑥2 < 𝜒2 𝛼 → 𝜒2 < 𝜎𝑥2 < 𝜒2
⁄2 ;𝑉 1− ⁄2 ;𝑉 0,025;14 0,975;14
Dengan menggunakan tabel 3.3 diperoleh:

𝜒2 = 26,119 dan 𝜒2 = 5,629
0,025;14 0,975;14
(14). (0,0894)2 (14). (0,0894)2

< 𝜎𝑥2 <
26,119 5,629
0,0043 < 𝜎2 < 0,0199
𝑥
√0,0043 < 𝜎𝑥 < √0,0199
0,066 < 𝜎𝑥 < 0,141

Maka dapat disimpulkan bahwa estimasi varians populasi dari pengisian Jerigen tersebut berkisar
antara 0,066 liter s/d 0,141 liter, dengan tingkat kepercayaan 95%.
 Tugas-5: Sesuai Contoh 3.7: Hitung Estimasi untuk tingkat kepercayaan 90% , dan 99%.
Tabel 3.3: Distribusi-χ2 Luas Ujung Kurva (curva tail areas)


 Mahasiswa mampu menghitung/menentukan ukuran sampel dalam mengestimasi mean
dan proporsi populasi dengan tingkat kesalahan estimasi yang dikehendaki.
3.5 Penentuan Ukuran Sampel
Tingkat keakuratan dan sebuah estimate seringkali harus ditentukan sebelum pengambilan
sampel dilakukan. Misalnya, dalam memeriksa dimensi komponen mesin yang diproduksi dalam
sebuah “lot” biasanya telah ditetapkan bahwa dimensi komponen tersebut tidak boleh terlalu
banyak menyimnpang ukurannya, agar dapat digunakan dan berfungsi baik. Dalam hal ini,
petugas pemeriksa mengambil sampel komponen dari “lot” tersebut, namun tentunya dia
menghendaki agar dengan jumlah sampel yang diambilnya itu estimate intervalnya memiliki
kesalahan pengambilan sampel (sampling error) yang sekecil mungkin.
Kita dapat mengendalikan kesalahan pengambilan sampel (sampling error) dengan memilih
sampel yang ukurannya cukup memadai. Perlu diingat kembali bahwa kesalahan sampling timbul
karena tidak seluruh anggota populasi diambil datanya. Selalu ada sejumlah informasi mengenai
populasi yang hilang pada sampel. Jadi jika diinginkan suatu tingkat keakuratan yang tinggi, maka
harus ditentukan ukuran sampel yang memadai untuk memberikan informasi dalam tingkat
keakuratan yang diinginkan.
3.5.1 Penentuan Ukuran Sampel untuk Mengestimasi “Mean Populasi”

Proses estimasi mean populasi secara umum dapat diformulasikan sebagai berikut: "Suatu sampel
berukuran n diambil datanya. Nilai rata-rata (mean) dan deviasi standard data kemudian
dihitung. Dengan mengambil tingkat keyakinan tertentu maka diestimasi interval mean dari
populasi”. Dengan membalik prinsip diatas maka dapat disusun suatu prosedur untuk menentukan
ukuran sampel dalam mengestimasi mean populasi dengan tingkat kesalahan estimasi yang telah
ditentukan terlebih dahulu.
Dari pembahasan sebelumnya telah dijelaskan bahwa bentuk umum dari batas-batas
kepercayaan (confidence limits) dalam estimate interval (interval estimate) mean populasi dapat
dinyatakan dalam bentuk:
Batas kepercayaan = 𝑥̅ ± 𝑧. 𝜎𝑥̅ = 𝑥̅ ± 𝐸 (3.16)
Dengan menetapkan kesalahan estimate (error of estimate) sebagai acuan tingkat keakuratan
(level of precission) dalam mengontrol kesalahan pengambilan sampel (sampling error), maka

prosedur penentuan ukuran sampel untuk mengestimasi mean populasi adalah seperti yang
ditunjukkan pada tahapan penyelesaian soal berikut.
Satu hal penting yang harus diperhatikan adalah bahwa dalam menentukan ukuran sampel untuk
menentukan estimate interval perlu diasumsikan terlebih dahulu nilai dari deviasi standard
populasinya (x ).
Contoh 3.8
 Pipa-pipa yang digunakan untuk pengeboran minyak (drilling pipe) akan diuji tarik di Lab.
kekuatan material untuk menentukan kekuatan/tegangan tariknya (N/cm 2). Dari pengalaman
selama ini pada pipa yang serupa diketahui bahwa deviasi standard kekuatan/tegangan
tariknya adalah 300 N/cm2. Jika dari pengujian ini diinginkan tingkat keakuratan/kesalahan
estimate tidak melewati ±75 N/cm2 dengan tingkat kepercayaan 95% maka ukuran sampel
dapat ditentukan dengan mengikuti prosedur sebagai berikut:
1. Tingkat keakuratan/kesalahan estimasi yang dikehendaki E = 75 N/cm2

2. Tingkat kepercayaan estimasi 95%
3. Skor z untuk tingkat kepercayaan 95% z = 1,960
4. Error standard dari mean sampling 𝜎𝑥̅ = 𝐸⁄𝑧 = 75⁄1,960 = 38,27
5. Asusmsi deviasi standard populasi 𝜎𝑥 = 𝜎300
2 2
6. Ukuran sampel 𝑛 = 𝑥⁄ 2 = 300 ⁄ = 61,47
𝜎𝑥̅ 38,2652
7. Maka ukuran (banyaknya) sampel yang digunakan n ≈ 62
Tugas 6.Contoh 3.8

Diketahui uang kiriman mahasiswa dari orang tua per bulan “deviasi standarat” nya adalah Rp. 750.000,-
Kesalahan Estimasi yang dikehendaki Rp. 250.000. Tingkat kepercayaan 90%. Berapa jumlah mahasiswa
yang harus dijadikan sampel.
3.5.2 Penentuan Ukuran Sampel untuk Mengestimasi “Proporsi Populasi”
Dalam estimate proporsi bentuk umum dari batas-batas kepercayaan (confidence limits) dalam
estimate interval (interval estimate) proporsi populasi dapat dinyatakan dalam bentuk:
Batas kepercayaan = 𝑝 ± 𝑧. 𝜎𝑝 = 𝑝 ± 𝐸 (3.17)
Dimana:

p = proporsi sampel (dalam persentase).

E = 𝜎𝑝 = kesalahan estimasi (error of estimate).
Maka prosedur penentuan ukuran sampel untuk mengestimasi proporsi populasi adalah seperti
yang ditunjukkan oleh prosedur berikut. Satu hal penting yang harus diperhatikan adalah bahwa
dalam menentukan ukuran sampel perlu diperkirakan terlebih dahulu nilai dari proporsi populasi
(π). Jika perkiraan tersebut sulit dilakukan, maka proporsi populasi diasumsikan bernilai π= 50.
Contoh 3.9
POLNAM ingin memperkirakan persentase mahasiswa yang berminat untuk mengikuti “Uji
Kompetensi” dibidang teknologi pengelasan pipa migas. Unit pelaksana teknis (LSP-Polnam) yang
akan melaksanakan “Uji Kompetensi” menginginkan agar kesalahan estimasi berada dalam
kisaran ± 5% dari nilai sesungguhnya. Estimasi akan dilakukan dengan tingkat kepercayaan 95%.
Maka besarnya ukuran sampel dapat ditentukan sebagai berikut.
1. Tingkat keakuratan/kesalahan estimasi yang dikehendaki E = 5%

2. Tingkat kepercayaan estimasi 95%
3. Skor z untuk tingkat kepercayaan 95% z = 1,960
4. Error standard dari proporsi sampling 𝜎𝑝 = 𝐸⁄𝑧 = 5⁄1,960 = 2,55
5. Karena perkiraan persentase populasi tidak diketahui
𝜋 = 50
sebelumnya, maka diasusmsi.
6. Ukuran sampel 𝜋 (100 − 𝜋) 50(50)
𝑛= 2 = = 384,47
(𝜎𝑝 ) 2,552
7. Maka ukuran (banyaknya) sampel yang digunakan n ≈ 385
Latihan Lanjutan
L-3.1:
Data eksperimen yang diperoleh dari pengukuran 64 sampel menunjukkan nilai-nilai sebagai berikut:
1110 1192 1196 1406 1161 1492 1170 1258

1181 1273 1020 1042 1136 1233 1158 1233
1040 1217 1175 1273 1163 1235 931 1270
1185 1051 1218 1303 1055 1081 1162 1333
1197 1146 1231 923 1393 1302 1249 1368
1095 1051 1250 1021 1152 1482 1028 1341
1124 1200 1058 1449 1094 1254 1160 1141
1065 1141 1416 1055 1399 924 1361 1216
Estimasikan dengan tingkat kepercayaan 95%:

a) Mean populasi
b) Varians populasi
L-3.2:

Sebuah artikel di ASME Journal melaporkan bahwa dari 871 perusahaan yang bergerak dibidang industri 22
diantaranya tidak mensyaratkan insinyur yang bekerja di perusahaan tcrsebut memiliki sertifikasi insinyur
profesional. Dengan tingkat kepercayaan 90% tentukan persentase populasi dari perusahaan yang
mensyaratkan diperlukan sertifikat insinyur professional untuk bisa diterima bekerja.
L-3.3:
Sebuah sampel acak yang terdiri dari 110 sinyal radar yang dikirimkan dari daerah tertentu menghasilkan
pantulan radar balik dalam jangka waktu rata-rata 0,81 detik dengan deviasi standard 0,34 detik.
Hitunglah estimate interval dari rata-rata waktu pantul populasinya dengan tingkat kepercayaan 99%.
L-3.4:
Dalam suatu artikel mengenai kinerja kiln (tungku pemroses bahan keramik) dilaporkan informasi
sebagai berikut. Kekuatan terhadap retak 168 batang keramik yang diproses dengan kiln tersebut
mempunyai rata-rata 89,10 MPa dan deviasi standard 3,73 MPa.
a) Hitunglah estimate interval dan kekuatan retak rata-rata sesungguhnya (populasi) dengan tingkat
kepercayaan 99%.
b) Andaikan seorang peneliti berdasarkan data sebelumnya meyakini bahwa deviasi standard
populasi adalah 4 MPa. Berdasarkan hal tersebut berapakah jumlah (ukuran) sampel yang harus
digunakannya untuk membuat estimate interval atas kekuatan retak rata-rata sesungguhnya
dalam kisaran ± 0,5 MPa dengan tingkat kepercayaan 95%?
L-3.5:
Tentukan nilai t kritis untuk estimasi interval dengan situasi sebagai berikut:
a) tingkat kepercayaan 95% dan derajat kebebasan 10
b) tingkat kepercayaan 95% dan derajat kebebasan 15
c) tingkat kepercayaan 99% dan ukuran sampel 5
d) tingkat kepercayaan 99% dan ukuran sampel 28
L-3.6:
Suatu studi tentang kemampuan orang berjalan dalam sebuah lintasan lurus yang dilaporkan dalam
sebuah makalah ilmiah melaporkan data waktu yang dibutuhkan oleh sampel yang terdiri laki-laki sehat
untuk berjalan sepanjang suatu lintasan lurus yang telah ditentukan sebagai berikut (dalam menit):
0,95 0,85 0,92 0,95 0,93 0,9 1,0 0,92 0,85 0,81
0,78 0,93 0,93 1,05 0,93 1,0 1,0 0,96 0,81 0,96
Tentukanlah dengan tingkat kepercayaan 95% estimate interval rata-rata waktu berjalan pada populasinya.
L-3.7:
Pengamatan terhadap viskositas specimen aspal menunjukkan nilai 2781, 2900, 3013, 2856, 2888.Jika
diasumsikan viskositas aspal ini mendekati suatu distribusi yang berbentuk lonceng (bel-shaped
curve).Tentukan estimate viskositas rata-rata dengan tingkat keakuratan yang mencukupi!
L-3.8:
Pengamatan berikut diperoleh dalam suatu pengujian retak dari plat baja yang telah dikeraskan dengan
menambahkan 18% nikel.

69, 71, 72, 73, 73. 73, 75, 75, 75, 76, 76,
76, 77, 77, 78, 79, 79, 79, 80, 82, 83, 93,
Tentukan Varians populasi dari ketangguhan (toughness) plat baja tersebut dari kemungkinan retak dengan
tingkat kepercayaan 99%.
3.6 Rangkuman
 Estimate (hasil estimasi) adalah sebuah nilai spesifik atau kuantitas dari suatu statistik seperti nilai
mean sampel, persentase sampel, atau varians sampel. Estimator adalah setiap statistik (mean sampel,
persentase sampel, varians sampel, dan lain-lain) yang digunakan untuk mengestimasi sebuah parameter.
Jadi, mean sampel (𝑥̅)adalah estimator bagi mean populasi μx), persentase sampel (p) adalah
estimator bagi persentase populasi (π) dan varians sampel (s2) adalah estimator bagi varians
populasi (𝑥2).
 Dalam melakukan estimasi terhadap mean populasi dengan menggunakan data yang diperoleh dan
sampel terdapat beberapa hal yang terlebih dahulu harusdiperhatikan yaitu:
o Ukuran sampel (apakah besar n >30 atau kecil n <30)
o Informasi tentang distribusi populasinya (apakah distribusi normal atau tidak)
o Deviasi standard populasinya (diketahui atau tidak)
o Pemilihan jenis distribusi yang menjadi dasar estimasi
 Dalam estirnasi proporsi sampel biasanya digunakan statistik persentase sampel p, sebagai
estimate untuk parameter persentase populasi π. Dalam bagian ini hanya dibicarakan sampel
ukuran besar dengan kriteria np (perkalian ukuran sampel dengan persentase sampel) ≥ 500
karena dengan terpenuhinya kriteria tersebut distribusi samplingnya membentuk distribusi normal.
Untuk sampel kecil diperlukan perlakuan matematik yang kompleks, yang di luar cakupan
pembahasan dari buku teks dasar ini.
 Estimasi varians populasi sangat diperlukan untuk mengetahui sejauh mana sebaran nilai
parameter sehingga dapat dijadikan untuk mengambil langkah-langkah dalam mengendalikannya.
Hal ini penting karena pada banyak situasi, misalnya yang berkaitan dengan suatu tingkat kualitas
produksi, diinginkan agar bukan hanya rata-rata nilai parameternya yang memenuhi suatu
persyaratan tetapi juga konsistensi dari nilai tersebut harus bisa terjamin.
 Tingkat keakuratan dan sebuah estimate seringkali harus ditentukan sebelum pengambilan sampel
dilakukan. Misalnya, dalam memeriksa dimensi komponen mesin yang diproduksi dalam sebuah lot
biasanya telah ditetapkan bahwa dimensi komponen tersebut tidak boleh terlalu banyak
menyirnpang agar nantinya dapat digunakan dan berfungsi baik.
Kriteria Penilaian:
 Dapat Menjelaskan konsep-konsep dasar yang mendukung estimasi rata-rata populasi,
persentase dan varians.
 Dapat Menghitung estimate-estimate (estimates) rata-rata populasi pada tingkat kepercayaan
(level of confidence) berbeda-beda jika deviasi standard populasi tidak diketahui ataupun jika
diketahui.
 Dapat Menghitung estimate-estimate persentase populasi pada tingkat kepercayaan yang berbeda-
beda.
 Dapat Menghitung estimate-estimate varians populasi pada tingkat kepercayaan yang berbeda-
beda.
 Dapat Menentukan ukuran sampel dalam mengestimasi mean dan proporsi
populasi dengan tingkat kesalahan estimasi yang dikehendaki.

Referensi:

New Jersey.

BAB IV
UJI HIPOTESA SAMPEL TUNGGAL
Mahasiswa dapat:
 Menjelaskan langkah-langkah yang diperlukan dalam prosedur umum uji hipotesis.
 Menghitung uji hipotesis sampel tunggal dari means.
 Menghitung uji hipotesis sampel tunggal dari persentase.
 Menghitung uji hipotesis sampel tunggal dari varians.
Materi:
4.1 Prosedur Umum Uji Hipotesis.

4.2 Uji Hipotesis Sampel Tunggal Means.
4.3 Uji Hipotesis Sampel Tunggal Persentase.
4.4 Uji Hipotesis Sampel Tunggal Varians.
4.5 Nilai “p” pada Uji Hipotesis.
4.6 Soal-soal Latihan.
Bahan Ajar: STATISTIK PERMINYAKAN / BAB-4: Uji Hipotesa Sampel 6

Sub-Capaian Pembelajaran Matakuliah- 1:

 Mahasiswa dapat menjelaskan langkah-langkah yang diperlukan dalam prosedur umum uji
hipotesis dengan benar.
4.1 Pengantar
Dalam upaya menarik kesimpulan dan mengambil keputusan, sering kali ada gunanya
menetapkan asumsi-asumsi atau perkiraan-perkiraan mengenai populasi. Asumsi-asumsi seperti
itu (yang mungkin salah atau mungkin juga benar) disebut sebagai hipotesis statistik.
Secara umum, suatu hipotesis statistik merupakan pernyataan mengenai distribusi probabilitas
populasi. Hipotesis ini perlu diuji untuk kemudian diterima atau ditolak.
Berkaitan dengan hal tersebut, perlu dicegah terjadinya dua jenis kesalahan (error) klaim uji
hipotesis, yaitu:
 Kesalahan jenis pertama (type-1 error) adalah bila "menolak suatu hipotesis yang
seharusnya diterima".
 Kesalahan jenis kedua (type-2 error) adalah bila "menerima suatu hipotesis yang
seharusnya ditolak".
Untuk mencegah hal tersebut maka uji hipotesis dilakukan dengan mengikuti prosedur umum yang
dibahas berikut ini.
Digunakan tahapan-tahapan pada prosedur pengujian. Dalam pembahasan selanjutnya untuk
masing-masing jenis pengujian hipotesis, tahapan langkah ini digunakan berulang-ulang.
4.1.1 Pernyataan Hipotesis Nol dan Hipotesis Alternatif

Langkah pertama adalah menyatakan dengan spesifik nilai-nilai parameter yang diasumsikan
sebelum sampling dilakukan.
 Hipotesis nol (H0) adalah asumsi yang akan diuji. Hipotesis nol dinyatakan dalam
hubungan sama dengan. Jadi hipotesis nol menyatakan bahwa suatu parameter
(mean, persentase, varians) bernilai sama dengan nilai tertentu.
 Hipotesis alternatif (H1) adalah segala hipotesis yang berbeda dari hipotesis nol.
Hipotesis alternatif merupakan kumpulan hipotesis yang diterima dengan menolak

hipotesis nol. Pemilihan hipotesis alternatif ini tergantung pada sifat dari masalah
yang dihadapi.

Contoh 4.1
 Dalam suatu prosedur pengujian hipotesis mengenai besaran rata-rata (mean) dari
suatu populasi, pernyataan-pernyataan mengenai hipotesis nol sebagai "mean
populasi sama dengan 100" dan hipotesis altematif sebagai "mean populasi tidak
sama dengan 100".
 secara matematik dinotasikansebagai:

H0 : µ = 100 H0 : µ = 100 H0 : µ = 100
H1 : µ ≠ 100 H1 : µ > 100 H1 :; µ < 100
4.1.2 Pemilihan Tingkat Kepentingan (Level of Significance), α

Tingkat kepentingan (level of significance) menyatakan suatu tingkat resiko melakukan
kesalahan dengan menolak hipotesis nol. Dengan kata lain, tingkat kepentingan menunjukkan
probabilitas maksimum yang ditetapkan untuk mengambil risiko terjadinya kesalahan jenis
pertama. Dalam prakteknya, tingkat kepentingan yang biasa digunakan adalah 0,05 atau 0,01.
Jadi, dengan mengatakan bahwa hipotesis telah ditolak dengan tingkat kepentingan 0,05 artinya
keputusan itu bisa salah dengan probabilitas 0,05.
4.1.3 Penentuan Distrihusi Pengujian yang Digunakan

Sebagaimana halnya dalam masalah estimasi, pada pengujian hipotesis juga digunakan distribusi-
distribusi probabilitas teoritis, meliputi distribusi normal standard (Z), distribusi t, dan distribusi
Chi-kuadrat.
4.1.4 Pendefinisian Daerah-daerah Penolakan (Kritis)

Daerah penolakan (daerah kritis) adalah bagian daerah dari distribusi sampling yang dianggap
tidak mungkin memuat suatu statistik sampel jika hipotesis nol (H 0) benar. Sedangkan daerah
selebihnya disebut sebagai daerah penerimaan.
Setelah tingkat kepentingan dinyatakan dan distribusi pengujian yang cocok dipilih, dalam
langkah ini perlu ditetapkan batas-batas daerah penolakan dari distribusi sampling tersebut
yang dinyatakan dalam satuan standard. Misalnya dalam hipotesis mengenai mean populasi, jika
perbedaan antara mean sampel dengan mean populasi yang diasumsikan dalam hipotesis nol
memiliki nilai yang berada di dalam daerah penolakan (disebut juga memiliki perbedaan yang
berarti/significant difference), maka hipotesis nol ditolak. Gambar 4.1 yang menunjukkan daerah
penerimaan dan penolakan untuk tingkat kepentingan 0,05.

4.1.5 Pernyataan Aturan Keputusan (Decision Rule)
Suatu aturan keputusan adalah pernyataan formal mengenai kesimpulan yang tepat yang akan
dicapai mengenai hipotesis nol berdasarkan hasil-hasil sampel. Format umum dan sebuah
aturan keputusan adalah:
"Tolak Ho jika perbedaan yang telah distandardkan, misalnya x berada didalam daerah penolakan.
Jika sebaliknya terima Ho".
Gambar 4.1
DaerahPenerimaan
Dan penolakan
4.1.6 Perhitungan Data Sampel dan Perhitungan Rasio Uji

Setelah aturan-aturan dasar ditentukan untuk melaksanakan pengujian, langkah berikutnya
adalah menganalisis data aktual. Sebuah sampel dikumpulkan, statistik sampel dihitung, dan
asumsi parameter dilakukan (hipotesis nol). Kemudian suatu rasio uji (RU) dihitung, yang
kemudian dijadikan sebagai dasar dalam menentukan apakah hipotesis akan diterima atau
ditolak. Rasio uji (RU) ini adalah perbedaan antara statistik dan parameter asumsi yang
dinyatakan dalam hipotesis nol yang telah ditetapkan.
4.1.7 Pengambilan Keputusan secara Statistik
Jika nilai rasio uji berada di daerah penolakan maka hipotesis nol ditolak. Sebaliknya bila nilai
rasio uji berada di daerah penerimaan, maka hipotesis nol diterima.
Prosedur pengujian hipotesis yang diuraikan di atas dapat digambarkan dengan diagram alir
seperti yang ditunjukkan oleh Gambar 4.2

Gambar 4.2
Mulai
Diagram Alir
Prosedur Umum
Uji Hipotesa
Pernyataan Hipotesis Nol dan Hipotesis Alternatif Pernyataan Aturan Keputusan
(Decision Rule)
Pemilihan Tingkat Kepentingan (Level of Significance), 

Perhitungan pada Data Sampel dan
Perhitungan Rasio Uji
Penentuan Distrihusi Pengujian yang Pengambilan Keputusan secara Statistik

Digunakan:
distribusi normal standard (z), distribusi t, atau distribusi chi-kuadrat.
Pendefinisian Daerah-daerah Penolakan (Kritis) Selesai

 Mahasiswa dapat menghitung uji hipotesis rata-rata (mean) dari sampel populasi
tunggal dengan benar.
4.2 Uji Hipotesa Mean Dengan Sampel dari Populasi Tanggal
Uji hipotesis yang pertama akan dibahas adalah uji hipotesis mengenai mean populasi. Pengujian
hipotesis ini dibedakan atas dua jenis pengujian yaitu:
 Uji Dua-Ujung (two-tailed test)

 Uji Satu-Ujung (one-tailed test)
Pada kedua jenis uji tersebut masing-masing dapat dilakukan dengan dua kondisi yaitu dengan
nilai deviasi standard populasi yang diketahui atau tidak diketahui.
4.2.1 Uji Dua-Ujung

Uji dua-ujung (two-tailed test) adalah uji hipotesis yang menolak hipotesis nol jika statistik
sampel secara signifikan lebih tinggi atau lebih rendah daripada nilai parameter populasi yang
diasumsikan. Dalam hal ini hipotesis nol dan hipotesis altematifnya masing-masing adalah:
Ho : µ = nilai yang diasumsikan

Hi : µ ≠ nilai yang diasumsikan

Dengan uji dua-ujung ini maka terdapat dua daerah penolakan. Sebagai contoh, untuk populasi
yang terdistribusi normal daerah-daerah penolakan tersebut seperti yang ditunjukkan pada
Gambar 4.3. Kriteria hipotesis nol akan ditolak jika nilai sampelnya terlalu tinggi atau terlalu
rendah, maka jumlah total risiko kesalahan dalam menolak hipotesis nol (disebut juga dengan tingkat
kepentingan) sebesar α akan terdistribusi secara sama pada kedua-ujung kurva distribusi. Jadi luas
pada setiap daerah penolakan adalah α/2.
4.2.1.1 Uji Dua-Ujung dengan Deviasi Standard Populasi Diketahui
Jika n > 30 atau jika deviasi standard populasi diketahui dan populasi terdistribusi secara normal,
maka dapat digunakan tabel distribusi normal standard (tabel Z). Batas-batas daerah penolakan
ditentukan dengan nilai Z yang bersesuaian dengan probabilitas α/2 (ujung kiri) dan 1- α/2 (ujung
kanan).
Dalam uji hipotesis, batas penolakan biasanya dinyatakan dengan notasi zα yang menyatakan
nilai numerik pada sumbu Z dimana luas daerah dibawah kurva normal standard di sebelah
kanan Zα adalah α.
Gambar 4.3
Daerah Penerimaan
Dan Penolakan
Dua Ujung untuk
Populasi Berdistribusi
Normal
Sebagai contoh, untuk a = 0,05, daerah penolakan di setiap ujung adalah a/2 = 0,05/2 =
0,025. Dengan melihat pada tabel distribusi normal standard (tabel Z), dapat ditentukan
bahwa nilai Z0,025 yang membatasi luas di bawah kurva di sebelah kanannya sebesar 0,025
(dengan kata lain, luas di bawah kurva di sebelah kirinya sebesar 0,970) adalah terbaca
1,960. Jadi dinotasikan Z0,025 = 1,960.
Maka seperti ditunjukkan pada Gambar 4.3, batas-batas daerah penolakan untuk tingkat
kepentingan α = 0,05 pada uji dua-ujung ini adalah -Z0,025 = -1,960 dan + Z0,025 = +1,960.

Secara umum aturan pengambilan keputusan pada uji dua-ujung adalah:

"Tolak H0 dan terima H1 jika RUZ < -za/2 atau RUZ > + za/2. Jika tidak demikian maka terima
H0."
Sedangkan rasio uji (RU) untuk uji hipotesa dari mean populasi adalah:
𝑅𝑈𝑍 𝑥̅−𝜇𝐻𝑜 (4.1)

= 𝜎𝑥̅
Dimana:
𝑥̅ = Nilai rata-rata (mean) sampel
𝜇𝐻𝑜 = Mean asumsi yang dinyatakan pada Hipotesa Nol
𝜎𝑥̅ = Error standard distribusi sampling
𝜎
𝜎 = (4.1.1)
𝑥̅
√𝑛
σ = Deviasi standar populasi.
n = Jumlah sampel
Contoh 4.2
 Manajer pemasaran sebuah produk aditif bahan bakar mengatakan bahwa jumlah rata-
rata produk aditif yang terjual per hari adalah 1500 botol. Seorang karyawan di pabrik aditif
bahan bakar, ingin menguji pernyataan manajer pemasaran itu dengan mengambil sampel
penjualan selama 36 hari. Setelah dihitung dia mendapati bahwa jumlah penjualan rata-
ratanya adalah 1450 botol. Dari catatan yang ada, deviasi standard populasi penjualan adalah
120 botol. Dengan menggunakan tingkat kepentingan α = 0.01, apakah kesimpulan yang bisa
ditarik oleh karyawan tersebut?
Uji hipotesis yang dilakukan adalah dengan langkah-langkah sebagai berikut:
1. Hipotesa:
𝐻0: 𝜇 = 1500
𝐻1: 𝜇 ≠ 1500
2. α = 0,01.
3. n = 36 > 30 , digunakan distribusi Z

4. Batas-batas daerah penolakan uji dua-ujung (two tailed)

α = 0,01 → α/2 = 0,005 → nilai Z0,005 dari tabel distribusi normal batas-batas yang
bersesuaian adalah ± 2,575.
(INGAT CARA BACA TABEL DISTRIBUSI “Z”)

 α = 0,01
 α/2 = 0,01/2 = 0,005 (karena uji dua ujung)
 1 – 0,005 = 0,995
 Cari besaran 0,995 pada tabel distribusi normal standar (tabel distribusi Z)
 Pada tabel terbaca besaran 0,995 terletak pada baris 2,5 dan kolom 0,07 dan 0,08.
 Maka dibaca nilai Z0,005 adalah 2,575.
 Karena uji dua ujung maka, batas ujung kiri adalah – 2,575 sedangkan ujung kanan + 2,575.
5. Aturan keputusan:
Tolak H0 dan terima H1 jika RUz < - 2,575 atau RUz > + 2,575. Jika tidak demikian
terima H0.
6. Rasio Uji:
𝑥̅ − 𝜇𝐻𝑜 𝑥̅ − 𝜇𝐻𝑜 1450 − 1500
𝑅𝑈𝑍 = = = = −2,5
𝜎𝑥̅ 𝜎 ⁄√ 𝑛 120⁄√36
7. Pengambilan keputusan:
Karena RUz = - 2,5 berada diantara ± 2,575 atau daerah penerimaan, maka H0 diterima
dan H1 ditolak. Ini berarti klaim sang manajer pemasaran dapat diterima (tidak bisa
ditolak) dengan resiko kesalahan (tingkat kepentingan) 0,01. Hal ini ditunjukkan oleh
Gambar 4.4.
Gambar 4.4
Daerah penerimaan
Dan penolakan
Contoh 4.2

4.2.1.2 Uji Dua-Ujung dengan Deviasi Standard Populasi Tidak Diketahui

Pada kebanyakan kasus kenyataannya, deviasi standard populasi jarang diketahui (tidak
diketahui). Oleh karena itu uji hipotesis dengan deviasi standard populasi yang tidak diketahui
dilakukan dengan memperhatikan aspek-aspek berikut:
1. Distribusi sampling hanya dapat diasumsikan mendekati bentuk normal (Gaussian) jika
ukuran sampel n >30.
2. Dalam perhitungan rasio uji (RUz) digunakan error standard estimasi,
𝜎̂ x= s/ √𝑛, dimana s = deviasi standard sampel.
Selebihnya prosedur dan langkah yang dilakukan sama seperti uji dua-ujung dengan deviasi
standard diketahui.
Contoh 4.2.1
 Manajer pemasaran sebuah produk aditif bahan bakar mengatakan bahwa jumlah rata-
rata produk aditif yang terjual per hari adalah 1500 botol.. Seorang karyawan di pabrik aditif
bahan bakar, ingin menguji pernyataan manajer pemasaran itu dengan mengambil sampel
penjualan selama 36 hari, dan hasilnya seperti tabel berikut:
Sampel
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Hari ke:
Data
Penjualan
1410
1610
1535
1596
1495
1420
1724
1464
1617
1503
1580
1400
1415
1229
1544
1377
1408
1279
Aditif BB;
(btl)
Sampel
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Hari ke:
Data
Penjualan
1445
1521
1400
1732
1329
1562
1366
1425
1524
1446
1542
1685
1546
1480
1445
1507
1354
1368
Aditif BB;
(btl)
Dengan menggunakan tingkat kepentingan α = 0.01, apakah kesimpulan yang bisa ditarik oleh
karyawan tersebut?

Uji hipotesis yang dilakukan adalah dengan langkah-langkah sebagai berikut:
1. Hipotesa:
𝐻0: 𝜇 = 1500
𝐻1: 𝜇 ≠ 1500
2. α = 0,01.

α = 0,01 → α/2 = 0,005 → nilai Z0,005 dari tabel distribusi normal batas-batas yang
bersesuaian adalah ± 2,575.
Tolak H0 dan terima H1 jika RUz < - 2,575 atau RUz > + 2,575. Jika tidak demikian
terima H0.
6. Rasio Uji:
𝑥̅ − 𝜇𝐻𝑜 𝑥̅ − 𝜇𝐻𝑜
𝑅𝑈𝑍 = =
𝜎̂𝑋 𝑠 ⁄ √𝑛
Dimana:
𝑥̅ = Mean atau nilai rata-rata dari sampel dihitung𝑛 dengan rumus:
∑ 1 𝑥𝑖
𝑥̅ =
𝑖=
𝑛
s = deviasi standard sampel, dihitung dengan rumus:
∑ 𝑛 (𝑥𝑖 − 𝑥̅)2
𝑖=1
𝑠=√
𝑛−1
Guna mempercepat proses perhitungan digunakan program MS. Excel, didapat:
𝑥̅ = 1480 dan s = 116.
Maka,
𝑥̅ − 𝜇𝐻𝑜 𝑥̅ − 𝜇𝐻𝑜 1480 − 1500
𝑅𝑈𝑍 = = = = −1,035
𝜎̂𝑋 𝑠⁄√ 𝑛 116⁄√36
Karena RUz = -1,035 berada diantara ± 2,575 atau daerah penerimaan, maka H0 diterima dan
H1 ditolak. Ini berarti klaim sang manajer pemasaran dapat diterima (tidak bisa ditolak)
dengan resiko kesalahan (tingkat kepentingan) 0,01.

4.2.2 Uji Satu-Ujung
Dalam uji satu-ujung (one-tailed test) hanya ada satu daerah penolakan, dan hipotesis nol
ditolak hanya jika nilai statistik sampel berada dalam daerah ini. Jika daerah penolakan ini
berada di ujung kanan distribusi sampling, maka uji hipotesisnya disebut uji ujung-kanan (right-
tailed test), sedangkan jika berada di ujung kiri, disebut uji ujung-kiri (left-tailed test).
4.2.2.1 Uji Satu-Ujung dengan Deviasi Standard Populasi Diketahui
Dalam hal ini hipotesis nol dan hipotesis alternatifnya adalah:

H0 : µ = nilai yang diasumsikan
H1 :µ > nilai yang diasumsikan → uji ujung-kanan
Atau,
H1 :µ < nilai yang diasumsikan → uji ujung-kiri
Sedangkan aturan pengambilan keputusan uji hipotesis ini adalah:

 Untuk uji ujung-kanan:
Tolak Ho dan terima H1 jika RUz > +zα , jika tidak demikain terima H0.
 Untuk uji ujung-kiri:

Tolak Ho dan terima H1 jika RUz < -zα , jika tidak demikain terima H0.
Daerah penolakan untuk uji satu-ujung ini ditunjukkan oleh Gambar 4.5
Gambar 4.5
Daerah Penolakan
Dan penerimaan
Uji Satu Ujung

4.2.2.2 Uji Satu-Ujung dengan Deviasi Standard Populasi Tidak Diketahui ,

(n > 30)
Prosedur pengujian hipotesis satu-ujung dengan deviasi standard populasi yang tidak diketahui
sama dengan prosedur pengujian dengan deviasi standard yang diketahui, dengan
memperhatikan aspek-aspek pengujian yang telah dibahas sebelumnya, yaitu:
1. Distribusi sampling hanya dapat diasumsikan mendekati bentuk normal (Gaussian)

jika ukuran sampel n > 30.
2. Dalam perhitungan rasio uji (RUz) digunakan error standard estimasi,
𝜎̂ x= s/√𝑛, dimana; s = deviasi standard sampel.
Contoh 4.3
 Pemilik sebuah usaha tambang batu granit mengatakan bahwa rata-rata per hari dapat
ditambang 4500 kg batu granit dari lahan tambang milik perusahaannya. Seorang calon investor
yang ingin berinvestasi pada tambang dimaksud, mencurigai angka tersebut sengaja dibesar-
besarkan untuk menarik minat investor baru. Kemudian ia mengambil sampel selama 40 hari
dan dihitung, setelah dihitung didapati bahwa rata-rata per hari batu granit yang dapat
ditambang adalah 4460 kg, dan deviasi standard-nya 250 kg. Terbuktikah kecurigaan calon
investor tersebut ?
Perlu dipahami bahwa uji hipotesis yang harus dilakukan adalah uji satu-ujung untuk mengetahui
apakah rata-rata yang sesungguhnya kurang dari rata-rata yang diasumsikan.
Untuk uji hipotesis tersebut dilakukanlah langkah-langkah berikut:
1. Hipotesa:
𝐻0: 𝜇 = 4500
𝐻1: 𝜇 < 4500
2. α = 0,01 (misalnya untuk kasus ini dipilih tingkat kepentingan 1%)
4. Batas-batas daerah penolakan uji satu-ujung (one tailed)

α = 0,01 → nilai -Z0,01 dari tabel distribusi normal batas yang bersesuaian adalah - 2,325.
 α = 0,01
Latihan Baca Tabel distribusi “Z”
 1- α = 1 – 0,01 = 0,990 (karena uji satu ujung)
 Cari besaran 0,990 pada tabel distribusi normal standar (tabel distribusi Z)
 Pada tabel terbaca besaran 0,990 terletak pada baris 2,3 dan kolom 0,02 dan 0,03.
 Maka dibaca nilai Z0,01 adalah 2,325 karena uji ujung kiri maka nilainya menjadi – 2,325.

Tolak H0 dan terima H1 jika RUz < - 2,325, Jika tidak demikian terima H0.
6. Rasio Uji:
𝑥̅ − 𝜇𝐻𝑜 𝑥̅ − 𝜇𝐻𝑜 4460 − 4500
𝑅𝑈𝑍 = = = = −1,012
𝜎̂𝑥̅ 𝑠 ⁄√ 𝑛 250⁄√40
Karena nilai RUz = -1,012 ini > -2,325, maka Ho diterima dan H1 ditolak. Ini berarti klaim pemilik
tambang dapat diterima (tidak bisa ditolak) dengan risiko kesalahan (tingkat kepentingan) 0,01.
Untuk jelasnya, lihat Gambar 4.6.
Gambar 4.6
Daerah Penerimaan
Dan penolakan
Contoh 4.3
4.2.2.3 Uji Satu-Ujung dengan Deviasi Standard Populasi Tidak Diketahui

(n < 30)
Prosedur pengujian hipotesis satu-ujung dengan deviasi standard populasi yang tidak diketahui
sama dengan prosedur pengujian dengan deviasi standard yang diketahui, dengan
memperhatikan aspek-aspek pengujian yang telah dibahas sebelumnya, yaitu:
1. Distribusi sampling hanya dapat diasumsikan mendekati bentuk normal (Gaussian)

jika ukuran sampel n > 30.
2. Untuk kasus dimana n < 30 , uji normalitas data sampel wajib dilakukan.
3. Dalam perhitungan rasio uji (RUz),
Digunakan Error standard estimasi: 𝜎̂ x= s/ √𝑛
dimana; s = deviasi standard sampel.

Contoh 4.4
Sejenis pompa digunakan pada instalasi pengolahan minyak yang nantinya berfungsi sebagai
pompa suplay minyak mentah ke tangki penampung. Pompa ini akan diuji kapasitas rata-ratanya
dalam m3/jam. Manajer produksi pada perusahaan migas mengcurigai bahwa kapasistas rata-rata
pompa ini lebih kecil dari kapasitas pompa yang tertulis di “Name Plate”. Sesuai data pada “Name
Plate” pompa ini mempunyai kapasitas rata-rata 65 m3/jam. Untuk maksud ini dipilih sampel
pompa sejenis sebanyak 9 unit untuk diuji. Data hasil pengujian dirangkum dalam tabel beriku.
Lakukan kajian untuk mendapatkan kesimpulan dari kasus dimaksud.
Hasil Pengukuran Kapasitas Pompa (m3/jam) Sampel No.

Sampel 1 2 3 4 5 6 7 8 9
No. 64,9326 64,9324 64,9326 64,9325 64,9325 64,9326 64,9324 64,9325 64,9325
Pada kasus ini uji hipotesis yang harus dilakukan adalah uji satu-ujung-kiri untuk mengetahui
apakah rata-rata yang sesungguhnya (populasi pompa ini) sama dengan rata-rata yang
diasumsikan ?
Dari data
diketahui: x1=64,9326 X2=64,9324 X3=64,9326 X4=64,9325 X5=64,9325 X6=64,9326 X7=64,9324 X8=64,9325 X9=64,9325
N =9 yang artinya < 30, maka uji Normalitas Data sampel harus dilakukan.  Dari uji normalitas data, didapat
p-value = 0,577 yang dimana
Probability Plot of Data Sampel Kapasitas Pompa
p-value > α atau 0,557 >
Normal 0,05.
99
Mean StDev
64.93
 Bila p-value > α, maka
95N
0.00009173
9 kesimpulannya data sampel
berdistribusi Normal terbukti.
0.272
90AD
0.577
P-Value
80
70
60  𝑥̅ = 64,93
50
40  𝑠 = 0,00009173
Percent
30
20
10
5
1
64.932364.932464.932564.932664.9327
Data Sampel Kapasitas Pompa
1. Hipotesa:
𝐻0: 𝜇 = 65
𝐻1: 𝜇 < 65 uji satu ujung kiri.
3. n = 9 < 30 , digunakan distribusi “t”


Untuk α = 0,05 dan df = v = (n-1) = 9-1 = 8.
nilai - tα; v atau - t0,05; 8 dari tabel distribusi “t” yang bersesuaian adalah – 1,860
Tolak H0 dan terima H1 jika RUz < - 1,860 Jika tidak demikian terima H0.
6. Rasio Uji:
𝑥̅ − 𝜇𝐻𝑜 𝑥̅ − 𝜇𝐻𝑜 64,93 − 65
𝑅𝑈𝑍 = = = = −22289,33
𝜎̂𝑥̅ 𝑠 ⁄√ 𝑛 0,00009173⁄√9
Karena nilai RUz = -22289,33 ini < – 1,860, maka Ho ditolak, dan H1 diterima. Ini berarti kecurigaan
Manajer produksi pada perusahaan migas dapat diterima (tidak bisa ditolak) dengan risiko kesalahan
(tingkat kepentingan) 0,05.


 Mahasiswa mampu menghitung uji hipotesis persentase populasi dari sampel tunggal
dengan benar.
4.3 Uji Hipotesa Persentase Populasi dengan Sampel Tunggal
Uji hipotesis atas persentase populasi dilakukan sesuai dengan prosedur umum uji hipotesis yang
telah diuraikan sebelumnya. Perbedaannya dengan uji hipotesis mean hanya terletak pada
perhitungan rasio uji (RU) yang dihitung sebagai berikut:
𝑝−𝜋𝐻0
𝑅𝑈𝑧 = 𝜎𝑝
(4.2)
𝜋𝐻0(100−𝜋
𝜎𝑝 𝐻0)
= 𝑛
(4.3)
√
Dimana:
p = persentase sampel
πH0 = nilai hipotesis dari persentase populasi
σp = Error standar
Contoh 4.4
 Editor "Jurnal Teknologi Migas" dalam suatu seminar mengatakan hanya 25 persen dari
mahasiswa PS. Migas yang membaca jurnal tersebut setiap terbitan. Suatu sampel acak 200
orang mahasiswa dipilih dan diwawancara, menunjukkan 45 orang mahasiswa membaca jurnal
tersebut setiap terbitannya. Pada tingkat α = 0,05 kebenaran pernyataan editor tersebut dapat
diuji sebagai berikut:
1. Hipotesa:
𝐻0:  = 25
𝐻1:  ≠ 25


α = 0,05 → α/2 = 0,025 → nilai -Z0,025 dari tabel distribusi normal batas yang bersesuaian adalah:
± 1,960.
Tolak H0 dan terima H1 jika RUz < -1,960 atau > + 1,960 , Jika tidak demikian terima H0.
6. Rasio Uji:
𝑝 − 𝜋𝐻0 𝑝 − 𝜋𝐻0 (45⁄200) − 25
𝑅𝑈𝑧 = = = = −8,09
𝜎𝑝 𝜋𝐻0(100−𝜋 )
𝐻0 25(100−25)
√ 𝑛
√ 200
Karena nilai RUz = - 8,09 ini, < - 1,960, maka Ho ditolak dan H1 diterima. Ini berarti klaim editor
“Jurnal Teknologi Migas” tidak dapat diterima (ditolak) dengan risiko kesalahan (tingkat kepentingan)
0,05.


Mahasiswa mampu menghitung uji hipotesis sampel tunggal dari varians dengan benar.
4.4 Uji Hipotesa Varians dengan sampel Tunggal

Uji hipotesis untuk varians populasi dilakukan sesuai dengan prosedur umum uji hipotesis yang telah
diuraikan sebelumnya. Hal yang perlu diperhatikan adalah distribusi yang digunakan adalah distribusi
Chi-kuadrat dan perhitungan rasio ujinya (RUχ 2) adalah sebagai berikut:
𝑅𝑈𝜒2 = (𝑛−1)𝑠2
2
(5.4)
dimana: 𝜎
s2= varians sampel
σ2= varians populasi
Contoh 4.5
 Bagian QC sebuah perusahaan penghasil Pertamax menjamin bahwa Pertamax yang dijualnya
kepada konsumen, bilangan Oktan-nya adalah 92 dimana deviasi standard-nya 0,0125 sebagai
batas atas spesifikasi. Dengan bilangan oktan 92 ini berarti mutu bensinnya setara dengan
campuran 92% isooktana dan 8% n-heptana. Akhir-akhir ini YLKI mencurigai bahwa Pertamax
yang dijual ini kualitasnya sudah tidak sesuai dengan yang dijanjikan. YLKI meminta konsulatan
independen melakukan pengujian dengan mengambil contoh dari 20 SPBU dan diteliti, ternyata
deviasi standard sampel dari bilangan oktnanya adalah 0,0190. Dengan resiko kesalahan 5%,
tentukan apakah produk Pertamax tersebut sudah tidak sesuai dengan yang dijanjikan ? Uji
hipotesis dilakukan dengan langkah-langkah sebagai berikut:
1. Hipotesa:
𝐻0: 𝜎 = 0,0125
𝐻1: 𝜎 > 0.0125
3. Uji Varians Populasi digunakan distribusi Chi-kwadrat;

Derajat kebebasan (df) = v = n -1 dimana n = 20 , maka v = 20 -1 = 19.

α = 0,05 , v = 19 → nilai 𝜒2 dari tabel distribusi Chi-kwadrat batas yang bersesuaian adalah =
0,05 ;19
30,114.
Tolak H0 dan terima H1 jika 𝑅𝑈𝜒2 > 30,114 , Jika tidak demikian terima H0.

6. Rasio Uji:
(𝑛 − 1)𝑠2 (20 − 1)(0,0190)2
𝑅𝑈𝜒2 = = = 43,9.
𝜎2 (0,0125)2
Karena nilai 𝑅𝑈𝜒2 = 43,9 adalah > 30,114; maka Ho ditolak dan H1 diterima. Ini berarti klaim YLKI
benar (tidak bisa ditolak) dengan risiko kesalahan (tingkat kepentingan) 0,05.
4.5 Nilai p Pada Uji Hipotesis

5.5.1 Pertimbangan Penggunaan Nilai P
Dari uraian yang telah dibahas sebelumnya secara umum dapat dikatakan bahwa cara dalam
menyampaikan suatu hasil uji hipotesis adalah dengan menyebutkan ditolak atau diterimanya
sebuah hipotesis nol pada suatu tingkat kepentingan (level of significance) tertentu yang
ditetapkan sebelumnya.
Pertimbangan yang lebih mendalam terhadap cara penyampaian seperti ini menunjukkan bahwa
untuk suatu keadaan tertentu hal tersebut kurang mencukupi, karena penyampaian seperti itu
tidak memberikan informasi apakah nilai rasio uji (RU) yang dihitung jatuh pada daerah
penerimaan atau penolakan yang berbeda cukup berarti dengan nilai-nilai batas antara daerah
penerimaan dan penolakan. Sehingga untuk nilai rasio uji yang berada di sekitar nilai-nilai batas
tersebut, pemilihan tingkat kepentingan yang berbeda akan dapat memberikan kesimpulan yang
berbeda tentang ditolak atau diterimanya sebuah hipotesis nol.
Sebagai contoh, kita perhatikan Contoh 4.6.

Untuk lebih memberikan informasi mengenai kekuatan bukti dalam menolak atau menerima
sebuah hipotesis nol dan memungkinkan setiap pengambil keputusan menarik kesimpulan pada
tingkat kepentingan tertentu yang dipilihnya, dalam sebuah uji hipotesis sering digunakan
sebuah nilai p.
Contoh 4.6
 Misalkan suatu uji hipotesis mean dengan sampel tunggal memiliki hipotesis nol dan hipotesis
altematif sebagai berikut:
Ho: µ = 1,5
H1 : µ > 1,5

Uji hipotesis yang akan dilakukan adalah uji ujung kanan. Misalkan pula ukuran sampelnya
memungkinkan untuk mengasumsikan distribusi samplingnya berbentuk normal. Maka daerah
penolakan hipotesis nol berada di sebelah kanan nilai batas Z α yang tergantung pada tingkat
kepentingan yang dipilih. Seandainya perhitungan Rasio Uji mnenghasilkan nilai RUZ= 2,10
maka kesimpulan untuk menolak atau menerima“Hipotesis nol” akan tergantung pada tingkat
kepentingan yang dipilih, seperti ditunjukkan pada tabel 4.1 berikut.
Tabel 4.1: Hubungan Tingkat Kepentingan dengan Besaran RU Z
Contoh Hasil Perhitungan Tingkat Daerah Kesimpulan Uji

Rasio Uji RUZ Kepentingan (a) Penolakan Hipotesis
0,05 RUz ≥ 1,645 Menolak Hipotesis nol
0,025 RUz ≥ 1,960 Menolak Hipotesis nol
2,10 0,01 RUz ≥ 2,325 Menerima Hipotesis nol
0,005 RUz ≥ 2,575 Menerima Hipotesis nol
 Dari tabel dapat dipahami bahwa untuk tingkat kepentingan yang relatif lebih besar
(α = 0,05 dan 0,025) nilai batas Zα berada tidak terlalu ke ujung kanan dari kurva distribusi
sehingga nilai rasio uji terpisah cukup jauh di sebelah kanannya dan hipotesis nolnya dapat
dipastikan ditolak.
 Sedangkan untuk tingkat kepentingan yang relatif lebih kecil (α = 0,01 dan 0,005), nilai
batas Zα membesar dan berada makin ke ujung kanan dari kurva distribusi sehingga
melampaui nilai rasio uji dan membuat rasio uji berada pada daerah penerimaan
hipotesis nol.
5.5.2 Definisi Nilai P

Suatu nilai P didefinisikan sebagai sebuah tingkat kepentingan yang teramati (observed
significance level) yang merupakan nilai tingkat kepentingan terkecil di mana hipotesis nol akan
ditolak apabila suatu prosedur pengujian hipotesis tertentu digunakan pada data sampel. Dengan
demikian, nilai P diperoleh dengan cara menentukan nilai tingkat kepentingan yang bersesuaian
dengan nilai rasio uji hasil perhitungan.
Setelah nilai P diperoleh, maka penarikan kesimpulan dalam uji hipotesis dilakukan dengan cara
membandingkan nilai P tersebut dengan tingkat kepentingan α yang telah ditentukan sebelumnya
dengan kriteria sebagai berikut:
 Jika nilai P ≤ α maka hipotesis nol ditolak pada tingkat kepentingan α

 Jika nilai P > α maka hipotesis nol diterima pada tingkat kepentingan α
 ( Nilai P ini juga dapat dikatakan sebagai nilai probabilitas terjadinya H 0 )

Secara ilustratif penentuan nilai P ditunjukkan oleh Gambar 4.7 untuk uji dua-ujung dan uji satu-
ujung.
Gambar 4.7
Penentuan
Nilai P
Contoh 4.7
 Ketebalan yang diinginkan dari wafer silikon yang digunakan untuk membuat sejenis integrated
circuit (IC) yang akan digunakan pada alat kontrol anjungan lapangan Migas lepas pantai,adalah
245 mm. Suatu sampel yang terdiri dan 50 wafer silikon diperiksa ketebalannya masing-masing dan
diperoleh rata-rata ketebalan sampel tersebut adalah 246,18 mm serta deviasi standardnya 3,60
mm. Dengan tingkat kepentingan 0,01, apakah data yang diperoleh ini menunjukkan bahwa
rata- rata ketebalan populasinya berbeda dengan ketebalan yang diinginkan?
 Uji Hipotesis menggunakan nilai P dilakukan dengan tahapan berikut:

1. Hipotesa:
𝐻0: 𝜇 = 245
𝐻1: 𝜇 ≠ 245
3. n = 50 > 30 gunakan distribusi z
Tolak H0 dan terima H1 jika nilai P ≤ α, Jika tidak demikian (P ≥ α) terima H0.

5. Rasio Uji:
𝑥̅ − 𝜇𝐻𝑜 𝑥̅ − 𝜇𝐻𝑜 246,18 − 245
𝑅𝑈𝑍 = = = = 2,32.
𝜎̂𝑥̅ 𝑠 ⁄√ 𝑛 3,60⁄√50
6. Penentuan nilai P:
Karena uji hipotesis-nya adalah uji dua-ujung, maka nilai P adalah jumlah luas diujung kanan dan kiri
yang dibatasai oleh Z = ± 𝑅𝑈𝑍, dan dinotasikan sebagai: nilai P = 2 (1 - ɸ(2,32)) = 0,0204
 Untuk mendapat nilai P = 0,0204, kita lihat pada tabel distribusi normal dengan cara; pada kolom z = -
2,3 lihat baris kekanan sampai bertemu angka yang bertautan dengan kolom 0,02 dibagian atas. Pada
persilangan ini ditemukan angka 0,0102. Angka ini kemudian dikali 2, sehingga memperoleh nilai 0,0204.
Karena nilai P > α atau (0,0204 > 0,01) maka Ho diterima dan H1 ditolak. Ini berarti bahwa ketebalan
rata-rata populasi dari waver silikin sesuai dengan yang diinginkan, dengan tingkat kepentingan 1%.

Latihan Lanjutan:
L- 4.1:
Perusahaan kontraktor pemasangan lampu penerangan jalan sedang mempertimbangkan pembelian
baut- baut untuk proyek barunya. Pertimbangannya adalah kekuatan baut harus mampu menyangga
tiang lampu berdiri tegak dalam kondisi tegangan normal. Namun untuk meminimalkan kerusakan
seandainya tiang tersebut tertabrak kendaraan, baut-baut itu harus patah pada tegangan benturan
(impact stress) yang telah ditentukan. Dari perhitungan, diinginkan kekuatan baut adalah 5000 N, dengan
deviasi standard 800 N. Dengan menggunakan risiko kesalahan 10% dan mengambil sampel sebanyak 36
baut, hasil uji didapat hitungan tegangan benturan rata-rata sampel 4900 N, jelaskan bagaimana cara
menentukan pengambilan keputusan dari uji hipotesis yang akan dilakukan.
L- 4.2:
Sejenis minyak aditif dikatakan oleh pembuatnya mampu mengurangi pemakaian bahan bakar mobil. 13
unit mobil dengan jenis yang sama dipilih secara acak diperiksa dengan memberikan 10 liter bahan bakar
dan aditifnya. Ternyata rata-rata jarak tempuh sampai bahan bakar hahis adalah 68 km, sedangkan
pabrik minyak aditif telah mengklaim bahwa dengan menggunakan aditif itu, jarak tempuhnya akan
meneapai 75 km. Jika deviasi standardnya 15 km, apakah kesimpulan yang dapat ditarik mengenai
klaim perusahaan tersebut?
L-4.3:
Sebuah pembangkit frekuensi radio harus dapat menjaga lebar pita frekuensi (bandwidth) yang telah
diset. Pemasok pembangkit frekuensi itu menyatakan bahwa deviasi standard dari output frekuensi
adalah 5 satuan standard. Data diambil secara acak sebanyak 17 kali dari jenis pembangkit frekuensi
tersebut dan didapati bahwa variansnya adalah 33. Kesimpulan apa yang bisa diambil mengenai
variabilitas dari pembangkit frekuensi radio tersebut ?
L-4.4:
Tiga puluh lima buah pengencang kuningan (brass fasteners) diuji rusak (failure test) dan tegangan
rusaknya dicatat. Perhitungan deviasi standardnya menghasilkan nilai 3,5 kN. Apakah dengan ini cukup
bukti untuk menyatakan bahwa klaim perusahaan tersebut yang menyatakan deviasi standardnya 3 kN
adalah benar ?
L-4.5:
Pernayataan dari pabrik pembuat bahwa titik leleh dari ”Minyak Nabati Hidrognisasi” adalah 950C.
Untuk menguji pernyataan tersebut personil QC dari perusahan penerima produk, melakukan
pengujian dari 16 sampel minyak dan dihitung rata-rata titik lelehnya adalah 94,32°C. Jika diasumsikan
distribusi titik leleh tersebut berdistribusi normal dengan deviasi standard populasi σ = 1,20°C:
a) Ujilah hipotesis H0 : µ = 95 dan H1 ≠ 95 dengan tingkat kepentingan 0,01.
b)
Jika tingkat kepentingan 0,01 digunakan, tentukan probabilitas terjadinya kesalahan jenis kedua
(type-2 error) jika µ= 94.

L- 4.6:
Persentase SiO2 yang diinginkan dalam sejenis semen adalah 5,5. Untuk menguji apakah persentase rata-
rata sebenamya yang dihasilkan sebuah fasilitas produksi sesuai dengan yang diinginkan, 16 sampel yang
diperoleh sccara bebas dianalisis. Misalkan persentase SiO2 dalam sampel terdistribusi normal dengan
deviasi standard σ = 0,3 dan rata-rata persentase sampel adalah 5,25.
Maka:
a) Apakah basil diatas menunjukkan bahwa persentase sesungguhnya yang dihasilkan berbeda dari
5,5?
b) Jika persentase sesungguhnya µ = 5,6 dan dengan menggunakan uji hipotesis dengan tingkat
kepentingan 0,01 dengan sampel berukuran 16, berapakah probabilitas bahwa nilai ini berbeda
dari hipotesis nolnya?
L-4.7:
Seorang ilmuwan berpendapat bahwa robot akan berperan penting dalam kegiatan di pabrik-pabrik dalam
20 tahun mcndatang. Misalkan dalam suatu eksperimen untuk mengetahui apakah penggunaan robot untuk
memproduksi kabel cukup memadai, sebuah robot digunakan untuk rnembuat 500 buah kabel. Kabel-kabel
tersebut kemudian diperiksa dan didapati 14 buah di antaranya cacat. Jika pembuatan kabel dengan tenaga
manusia menghasilkan tingkat cacat 3%, apakah data eksperimen tersebut mendukung hipotesis bahwa
proporsi produk yang cacat untuk pekerjaan robot lebih rendah daripada manusia (gunakan tingkat
kepentingan 0,01)?
L-4.8:
Sehuah pabrik baterai Nikel-Hidrogen secara acak memilih 100 pelat nikel untuk uji, kemudian
memberinya perlakuan uji selama beberapa waktu dan mendapatkan bahwa 14 pelat nikel tak layak pakai.
a) Apakah data diatas memberikan bukti bahwa lebih dari 10% pelat nikel yang tidak layak pakai
dalam pengujian tersebut? Nyatakan uji hipotesis yang dilakukan dengan tingkat kepentingan
0,05.
b) Jika memang sesungguhnya 15% dari pelat tidak layak pakai dan ukuran sampel sehesar 100
digunakan, berapakah kemungkinannya bahwa hipotesis nol pada bagian (a) akan diterima
dengan tingkat kepentingan 0,05?
L-4.9:
Sejenis ban baru mcmerlukan pengisian udara bcrtekanan sampai 30 lb/in 2. Seandainya µ menyatakan
tekanan rata-rata sesungguhnya, tentukanlah nilai P yang bersesuaian dengan hasil rasio uji dengan
menggunakan asumsi distribusi normal standard dalam uji hipotesis dengan hipotesis nol µ = 30 dan
hipotesis alternatif µ ≠ 30 sebagai berikut:
a) RU = 2,10
b) RU = - 1.75
c) RU=- 0 , 55
d) RU= 1

L-4.10:
Waktu untuk mengaktifkan sprinkel dalam serangkaian pengujian pencegahan kebakaran dengan
menggunakan sistem sprinkel yang memakai bahan foam pembentuk film (dalam detik) adalah: 27, 41, 22,
27, 23, 35, 30, 33, 24, 27, 28, 22, 24. Sistem telah dirancang sedemikian rupa sehingga waktu pengaktifan
rata-rata adalah 25 detik. Dengan menggunakan prosedur uji hipotesis memakai nilai P pada tingkat
kepentingan 0,05, apakah data di atas menunjukkan bahwa rancangan sistem sprinkle tersebut benar-
benar valid?
Rangkuman
 Dalam upaya menarik kesimpulan dan mengambit keputusan, sering kali ada gunanya
menetapkan asumsi-asumsi atau perkiraan-perkiraan mengenai populasi. Asumsi-asumsi
seperti itu (yang mungkin salah atau mungkin juga benar) disebut sebagai hipotesis
statistik. Secara umum, suatu hipotesis statistik merupakan pernyataan mengenai
distribusi probabilitas populasi. Hipotesis ini perlu diuji untuk kemudian diterima atau
ditolak.
 Tingkat kepentingan (level of significance) menyatakan suatu tingkat resiko melakukan
kesalahan dengan menolak hipotesis nol. Dengan kata lain, tingkat kepentingan
menunjukkan probabilitas maksimum yang ditetapkan untuk mengambil risiko terjadinya
kesalahan jenis pertama.
 Daerah penolakan (atau daerah kritis) adalah bagian daerah dari distribusi sampling yang
dianggap tidak mungkin memuat suatu statistik sampel jika hipotesis nol (H0) benar.
Sedangkan daerah selebihnya disebut sebagai daerah penerimaan.
Kriteria Penilaian:
 Menjelaskan langkah-langkah yang diperlukan dalam prosedur umum uji hipotesis

 Menghitung uji hipotesis sampel tunggal dari mean
 Menghitung uji hipotesis sampel tunggal dari persentase
 Menghitung uji hipotesis sampel tunggal dari varians

Referensi:

 Mandenhall W, Sincich T., 1995., Statistic For Engineering and The Sciences., Prentice
Hall., New Jersey.

Tabel 4-1: Distribusi-χ2 Luas Ujung Kurva (curva tail areas)

Tabel 4-2: Distribusi Normal Standard ”Z”

Tabel 4-2: Distribusi Normal Standard ”Z” (lanjutan)

Tabel 4-3: Tabel Distribusi “t”:

POLNA M/PS. Teknik Produksi
BAB V
UJI HIPOTESIS SAMPEL GANDA

Mahasiswa dapat:
 Menjelaskan tujuan uji hipotesis sampel-ganda pada varians, mean, dan persentase.
 Mnjelaskan prosedur uji hipotesis sampel-ganda pada varians, mean, dan persentase.
 Melakukan perhitungan yang diperlukan dan menarik keputusan statistik yang tepat dalam kasus
yang menggunakan uji hipotesis sampel-ganda.
Materi:
5.1 Uji Hipotesis Varians dengan Sampel-Ganda

5.2 Uji Hipotesis Mean dengan Sampel-ganda
5.3 Uji Hipotesis Persentase dengan Sampel-Ganda
Bahan Ajar: STATISTIK PERMINYAKAN / BAB – 5: Uji Hipotesa Sampel 9


 Mahasiswa dapat menjelaskan tujuan uji hipotesis sampel-ganda pada varians, mean, dan
persentase dengan benar.
5.1 Uji Hipotesa Varians dengan Sampel-Ganda
5.1.1 Pengantar
Pada banyak persoalan keteknikan seringkali ingin diketahui apakah suatu karakteristik yang
diamati dari dua populasi serupa atau berbeda. Misalnya seorang ahli pompa ingin mengetahui
apakah kapasitas dan tinggi tekan sebuah pompa minyak yang diuji dengan posisi instalasi pipa
vertikal sama dengan hasil pengujian secara horizontal, atau apakah motor penggerak fan yang
digunakan pada menara pendingin (cooling tower) yang dibuat oleh perusahaan A lebih berdaya
tahan lama dibandingkan dengan buatan perusahaan B untuk spesifikasi teknis yang sama. Dalam
hal ini perlu dilakukan uji hipotesis sampel-ganda.
Satu hal penting yang harus diperhatikan adalah bahwa pengujian hipotesis sampel-ganda ini
bukan untuk mengestimasi nilai-nilai mutlak dari parameter- parameter yang ditinjau, melainkan
untuk mengetahui nilai relatif dari parameter-parameter tersebut.
Jadi tujuan dari uji hipotesis sampel-ganda adalah dengan menggunakan data dari dua sampel
yang diperoleh dari dua populasi, untuk mengetahui apakah ada perbedaan yang secara
statistik cukup berarti (significant) antara parameter-parameter dari kedua populasi tersebut.
Untuk memperoleh hasil yang berguna, uji hipotesis sampel-ganda harus memenuhi asumsi
sebagai berikut:
 Data di kedua populasi yang diambil sebagai sampel harus terdistribusi normal.
 Sumber data pada populasi pertama harus independen terhadap sumber data di
populasi kedua (independent sample).
5.1.2 Prosedur Uji Dua Varians

Dalam uji dua varians ini, varians sampel (s2) digunakan untuk mengambil kesimpulan
mengenai varians populasi (σ2). Jadi dalam uji ini diambil sampel acak dari dua populasi,
dihitung varians data dari masing-masing sampel, dan hasilnya digunakan sebagai dasar untuk
membandingkan varians populasi.
Prosedur dalam pengujian dua varians ini juga mengikuti langkah-langkah yang sama seperti
pengujian sampel tunggal, yaitu sebagai berikut:

1. Pernyataan Hipotesis Nol dan Hipotesis Alternatif
Dalam uji dua varians hipotesis nolnya adalah tidak ada perbedaan variabilitas atau
varians pada kedua populasi. Sedangkan hipotesis alternatifnya adalah terdapat perbedaan
berarti antara varians-varians kedua populasi.
Jadi dapat terjadi kemungkinan:
𝐻0: 𝜎2 = 𝜎2 𝐻0: 𝜎2 = 𝜎2 𝐻0: 𝜎2 = 𝜎2

1 2 1 2 1 2
𝐻1: 𝜎12 ≠ 𝜎22 𝐻1: 𝜎12 > 𝜎22 𝐻1: 𝜎12 < 𝜎22
2. Pemilihan Tingkat Kepentingan (Level of Significance), 
3. Penentuan Distribusi Pengujian yang Digunakan
Dalam uji dua varians ini yang digunakan adalah distribusi F yang merupakan suatu
distribusi sampling dengan sifat-sifat sebagai berikut:
 Distribusi F adalah distribusi sampling untuk variabel s 2/s 2 (rasio varians sampel).
1 2
 Seluruh nilai F > 0.
 Tidak simetris.
 Terdapat perbedaan bentuk distribusi yang tergantung pada jumlah sampelnya
serta banyaknya pengamatan dalam sampel-sampel tersebut.
Gambar 5.1 menunjukkan bentuk umum distribusi F.
Gbambar 5.1
Bentuk Umum
Distribusi F
Nilai-nilai dari tabel distribusi F disajikan pada Tabel 5.1, dalam bentuk F α,df1,df2 yang dapat
ditentukan dengan menegathui tiga hal berikut:
 Tingkat kepentingan (level of significance) , α

 Derajat kebebasan (degree of freedom) untuk sampel yang digunakan sebagai
“pembilang” dalam rasio uji 𝑠2⁄𝑠2 → (df1 = v1 = n1 -1).
1 2
 Derajat kebebasan (degree2 of2 freedom) untuk sampel yang digunakan sebagai
“peyebut” dalam rasio uji 𝑠 ⁄𝑠 → (df2= v2 = n2 -1)
1 2

Sampel dengan varians terbesar dinyatakan sebagai sampel 1, dan selalu dijadikan
sebagai “pembilang” dalam rasio uji.
Jika hipotesis alternatif adalah H1: s12 ≠ s22, maka dilakukan uji dua-ujung. Bila akan
dilakukan uji satu-ujung, maka yang paling mudah adalah menyatakan hipotesis
alternatif adalah H1: s12 > s22.
4. Pendefinisian Daerah-daerah Penolakan atau Kritis
5. Pernyataan Aturan Keputusan (Decision Rule)
6. Perhitungan Rasio Uji (RU)
Rumus yang digunakan untuk menghitung rasio uji (nilai F) adalah:
2
𝑅𝑈=
𝐹 𝐹 𝑡𝑒𝑠𝑡𝑠2=
1 (5.1)
2
7. Pengambilan Keputusan secara Statistik

Jika nilai rasio uji berada di daerah penerimaan maka hipotesis nol diterima,
sedangkan jika berada di daerah penolakan maka hipotesis nol ditolak.
Contoh 5.1
 Untuk mengetahui pengaruh pemberian bahan peredam suara pada suatu kompartemen
ruang kontrol dengan dua jenis bahan yang berbeda A dan B, dilakukan suatu eksperimen
pengukuran pengurangan kebisingan dengan menggunakan detektor bunyi. Tujuan
eksperimen ini adalah ingin mengetahui apakah ada perbedaan variabilitas yang berarti
dari kedua bahan tersebut dalam hal kemampuan meredam kebisingan, mengingat harga
kedua bahan tersebut sangat berbeda jauh. Diasumsikan bahwa masing-masing bahan
akan menghasilkan suatu peredaman kebisingan yang mengikuti distribusi normal (pada
kondisi real uji normal wajib dilakukan). Untuk menguji hal tersebut, bahan A dipasangkan
pada 8 kompartemen sedangkan bahan B dipasangkan pada 9 kompartemen ruang kontrol
yang sejenis. Setelah diuji ternyata bahan A memberikan pengurangan kebisingan scbesar
41, 43, 60, 56, 85, 79, 51, 49 (dB) sedangkan bahan B memberikan pengurangan kebisingan
sebesar 73, 67, 83, 70, 66, 68, 92, 76, 59 (dB). Dengan menggunakan uji dua varians
apakah kesimpulan yang bisa diambil ?

Untuk melakukan uji hipotesis, mula-mula dilakukan perhitungan deskriptif, dan uji normalitas
data terhadap masing-masing sampel, yang menghasilkan:
Samlpel bahan ∑ ∑(𝑥−𝑥̅)2

n=8 𝑥 = 58 𝑠2 = = (16,13)2 =
𝑥
= 260,18
1
A: 𝑛1 1 𝑛1−1
 p-value = 0,237
 Α = 0,05
 p-value > α
 Bila nilai p-value > α maka data sampel dinyatakan berdidtribusi Normal.
Probability Plot of Bahan Peredam A

Normal
99
Mean StDev N 58
AD 16.13
8
0.423
95 P-Value 0.237
90
80
70
60
Percent
50
40
30
20
10
5
2030405060708090100
1 Bahan Peredam A
Sampel bahan ∑𝑥 ∑(𝑥−𝑥̅)2

n=9 𝑥 = = 72,67 𝑠2 = = (9,899)2
2
B: 𝑛2 2 𝑛2−1
=97,82
 p-value = 0,489
 α = 0,05
 p-value > α
 Bila nilai p-value > α maka data sampel dinyatakan berdidtribusi Normal.
Probability Plot of Bahan Peredam B

Normal
99
Mean StDev72.67
N
AD 9.899
9
0.309
95 P-Value 0.489
90
80
70
60
Percent
50
40
30
20
10
5
50 60 70 80 90 100
1 Bahan Peredam B

Uji hipotesa dilakukan dengan langkah-langkah sebagai berikut:
1. Hipotesa:
Ho: s12 = s22
H1: s12≠ s22
2. α= 0,05
3. Pengujian menggunakan distribusi F.

Karena varians dari sampel A = 260,18 lebih besar dari sampel B = 97,82, maka nA = n1 = 8, Dengan
demikian derajat kebebasan (df) untuk “pembilang” adalah df1 = v1 = n1 – 1 =7, dan derajat
kebebasan untuk “penyebut” adalah nB = n2 = 9. df2= v2 = n2-1 = 8.
4. Batas-batas daerah penolakan (kritis) → uji dua-ujung.

α= 0,05→ α/2= 0,025 (gunakanTabel F untuk α = 0,025).
Dari Tabel 5.1 untuk α = 0,025, df1 (pembilang) = v1 = 7, dan df2(penyebut) = v2 =8, batas
daerah kritis F 0,025; 7;8 = 4,529.
Tolak H0 dan terima H1 jikaRUF > 4,529. Jika tidak demikian terima H0.
6. Rasio Uji:
RUF = s12 / s22 = 260,18/97,82 = 2,660.
7 Pengambilan keputusan:
Karena RUF = 2,660 adalah < 4,529 maka Ho: s12 = s22 diterima. Hal ini berarti tidak
terdapat perbedaan yang signifikan terhadap varians populasi kedua jenis material
dimaksud, dengan tingkat kepentingan 0,05.

Seandainya diperikrakan varians dari material A lebih besar dari bahan B dalam hal mengurangi
kebisingan, maka dilakukan uji satu-ujung dengan tahapan Uji hipotesa sebagai berikut:
1. Hipotesa:
Ho: s12 =s22
H1: s12 > s22
2. α= 0,05

Karena varians dari sampel A = 260,18 lebih besar dari sampel B = 97,82, maka nA = n1 = 8, Dengan
demikian derajat kebebasan (df) untuk “pembilang” adalah df1 = v1 = n1 – 1 =7, dan derajat
kebebasan untuk “penyebut” adalah nB = n2 = 9. df2= v2 = n2-1 = 8.
4. Batas-batas daerah penolakan (kritis) → uji satu-ujung.

α= 0,05 (gunakanTabel F untuk α = 0,05).
Dari Tabel 5.1 untuk α = 0,05, df1 (pembilang) = v1 = 7, dan df2(penyebut) = v2 =8, batas
daerah kritis F 0,05; 7;8 = 3,500.
Tolak H0 dan terima H1 jikaRUF > 3,500. Jika tidak demikian terima H0.
6. Rasio Uji:
RUF = s12 / s22 = 260,29/98 = 2,660.
Karena RUF = 2,660 adalah < 3,500 maka Ho: s12 = s22 diterima. Hal ini berarti tidak
terdapat perbedaan yang signifikan terhadap varians populasi kedua jenis material
dimaksud, dengan tingkat kepentingan 0,05.


 Mahasiswa mampu memahami prosedur uji hipotesis sampel-ganda pada varians, mean, dan
persentase, dan melakukan perhitungan yang diperlukan dan menarik keputusan statistik yang
tepat dalam kasus yang menggunakan uji hipotesis sampel-ganda.
5.2 Uji Hipotesa Mean atau nilai rata-rata dengan Sampel Ganda
5.2.1 1 Klasifikasi
Dalam uji hipotesis mean atau nilai rata-rata dengan sampel-ganda, asumsi bahwa kedua
populasi terdistribusi secara normal tetap digunakan (pada penelitian lapangan kasus
seperti ini, uji Normalitas Data mutlak dilakukan). Namun demikian, prosedur uji
hipotesisnya dapat mengikuti tahapan yang berbeda yang tergantung pada kondisi
sampelnya. Secara umum ada 4 prosedur sesuai kondisi untuk uji ini yaitu:
1) Uji t pasangan untuk populasi yang saling tergantung (dependent population).

2) Uji Z untuk populasi yang independen dan jika varians-varians populasi
diketahui dan jika kedua sampel ukurannya > 30.
3) Ujit sampel ukuran kecil untuk populasi yang independen jika uji F-nya
menunjukkan  2≠ 2.
1 2
4) Uji t sampel ukuran kecil untuk populasi yang independen jika uji F-nya
menunjukkan 12 = 22.




5.2.2 Uji t-Pasangan untuk Populasi Saling Tergantung

(dependent population)
Populasi yang saling tergantung (dependent population) dapat dicontohkan dengan suatu
kelompok yang ditinjau sifatnya sebelum, dan sesudah mendapatkan perlakuan terhadap sifat
yang ditinjau tersebut. Misalkan populasi nilai ujian matematika mahasiswa di suatu kelas yang
diteliti sebelum dan sesudah mengikuti pelajaran tambahan merupakan populasi yang saling
tergantung.
Uji t-pasangan untuk sampel-sampel yang saling tergantung mengikuti prosedur yang sama
dengan uji hipotesis sampel tunggal pada rata-rata (means) yang menggunakan distribusi-t
(student). Namun dalam hal ini, uji t tersebut diterapkan pada perbedaan antara nilai-nilai
pasangan. Perbedaan-perbedaan ini membentuk himpunan tunggal pengamatan yang diuji
dengan prosedur yang biasa.
Dalam uji ini hipotesis nolnya adalah rata-rata perbedaan adalah nol. Sedangkan
hipotesis alternatifnya adalah terdapat perbedaan nilai rata-rata. Jadi:
Ho: µd = 0 Ho: µd = 0
H1: µd ≠ 0 →uji dua-ujung H1: µd ˃ 0 →uji satu-ujung

Sesuai namanya, dalam uji ini yang digunakan adalah distribusi t (student).

Dalam menggunakan distribusi t pada pengujian ini, derajat kebebasan (df) ditentukan
dengan rumusan df = v = n — 1, dimana n adalah banyaknya pasangan data.

Rumus yang digunakan untuk menghitung rasio uji adalah:
𝑑̅ −𝜇𝑑
𝑅𝑈𝑡𝑡𝑒𝑠𝑡
=𝑡 = 𝑑𝑠 √𝑛 (5.2)
⁄
𝑠𝑑 = √(𝑑−𝑑̅
𝑛−1
)2 (5.3)
Dimana:
d = perbedaan nilai pasangan data (sebelum dan sesudah diberi perlakuan)

7. Pengambilan Keputusan secara Statistik

Jika nilai rasio uji RUtberada di daerah penerimaan maka hipotesis nol diterima, sedangkan
jika berada di daerah penolakan maka hipotesis nol ditolak.
Contoh 5.2
 Seorang insinyur informatika sedang mengevaluasi suatu program baru untuk
menjalankan sebuah prosedur pengolahan basis data (data-base). Jika dengan program
yang baru ini terdapat perbedaan penghematan waktu yang berarti daripada meng-
gunakan program yang ada saat ini, dia akan merekomendasikan kepada perusahaan
untuk menggunakan program baru tersebut. Suatu sampel yang terdiri dan 8 orang
operator komputer diambil dan kemudian waktu (x) dalam jam yang diperlukan untuk
menyelesaikan pengolahan data dicatat. Kedelapan operator yang sama dilatih untuk
menggunakan program yang baru sampai mahir, kemudian waktu yang diperlukan untuk
menyelesaikan pekerjaan yang sama dicatat, seperti yang ditunjukkan pada Tabel.
Kemudian dilakukan perhitungan sebagai berikut:
Perhitungan:
Waktu Waktu
Nomor Penggunaan Penggunaan Perbedaan 2
(𝑑 − 𝑑̅) (𝑑 − 𝑑̅)
Operator Program Program (d=x1-x2)
Baru (x1) Lama (x2)
1 85 80 5 3 9
2 84 88 -4 -6 36
3 80 76 4 2 4
4 93 90 3 1 1
5 83 74 9 7 49
6 71 70 1 -1 1
7 79 81 -2 -4 16
8 83 83 0 -2 4
Ʃ 16 0 120
∑𝑑 16 2
𝑑̅ = = =2 (𝑑 − 𝑑̅) 120
𝑛 8 𝑠𝑑 = √ =√ = 4,14
𝑛−1 8−1
1. Hipotesa:
Ho: µd = 0
H1: µd ≠ 0 → uji dua-ujung
2. α= 0,05

3. Pengujian menggunakan distribusi t.

α= 0,05→ α/2= 0,025 dengan derajat kebebasan df = v = n – 1 = 8-1 = 7.
Dari Tabel t untuk α = 0,025, df = v = 7, batas daerah kritis t0,025; 7 = 2,365.
Tolak H0 dan terima H1, jika RUt < - 2,365 atau RUt > +2,365. Jika tidak demikian terima
H0.
6. Rasio Uji:
𝑑̅ − 𝜇 𝑑 2−0 2
𝑅𝑈𝑡 = 𝑡𝑡𝑒𝑠𝑡 = = = = 1,37
𝑠𝑑⁄√ 4,14⁄√8 1,464
𝑛
Karena nilai RUt = 1,37 berada diantara -2,365 < RUt <+ 2,365, maka Ho: µd = 0 diterima.
Hal ini berarti rata-rata kecepatan pengolahan data dengan program baru tidak berbeda
dengan program lama, dengan tingkat kepentingan 0,05.

Tabel :Distribusi-t , Nilai Kritis-tα , n

5.2.3 Uji Z untuk Populasi yang Independen

Suatu uji Z digunakan bila:
 Sampel diambil dari dua populasi yang independen dan terdistribusi normal.
 Nilai-nilai deviasi standard populasi 1 dan 2 diketahui .
 Ukuran kedua sampel lebih dari 30 (n > 30).
Prosedur uji hipotesisnya adalah sebagai berikut:

Dalam uji ini hipotesis nol dan hipotesis alternatifnya adalah:
H0 : µ1 = µ2 H0 : µ1 = µ2 H0 : µ1 = µ2
H1 : µ1 ≠ µ2 → uji dua-ujung H1 : µ1 ˃ µ2 → uji satu-ujung kanan H1 : µ1 ˂ µ2 → uji satu-ujung kiri

Sesuai namanya, dalam uji ini yang digunakan adalah distribusi “z”

6. Perhitungan Rasio Uji (UR)
a. J ika deviasi standar populasi (  1) dan (  2) telah diketahui,
𝑥̅1−𝑥̅2
𝑅𝑈𝑧 = 𝑧𝑡𝑒𝑠𝑡 = 𝜎 (5.4)
𝑥̅ 1 −𝑥̅ 2
2
𝜎22
𝜎𝑥̅1−𝑥̅2 = √+1 (5.5)
𝑛1 𝑛2

b. Jika deviasi standar populasi 1 dan 2 idak diketahui, tetapi ukuran kedua
sampel lebih dari 30 (n > 30).
𝑥̅1−𝑥̅2
𝑅𝑈𝑧 = 𝑧𝑡𝑒𝑠𝑡 = 𝜎 (5.6)
𝑥̅ 1 −𝑥̅ 2
𝑠 21 𝑠 22
𝜎𝑥̅1−𝑥̅2 = √+ (5.7)
𝑛1 𝑛2
7.Pengambilan Keputusan secara Statistik
Contoh 5.3
 Sebuah perusahaan “telekomunikasi bergerak” memutuskan untuk mernasang sistem
antena jenis baru di stasiun-stasiun relaynya, untuk lebih meningkatkan kinerja aliran
pembicaraan antar industri migas lepas pantai sebagai mitra potensialnya. Dua jenis sistem
antena dari dua pemasok dianggap cukup memadai untuk penerapan yang diinginkan. Untuk
menjamin pemasokan dan suku cadang, perusahaan telekomunikasi tersebut memutuskan
untuk membeli sistem antena dari kedua pemasok tersebut dengan syarat tidak ada
perbedaan yang berarti dalam hal daya tahan (umur pakai) dari sistem antena tersebut.
Suatu sampel acak 35 sistem antena dari pemasok pertama dan 32 sistem antena dari
pemasok kedua diuji. Rata-rata waktu kegagalan dari sistem antena pertama adalah 2800
jam dan antena kedua adalah 2750 jam. Informasi dari suatu sumber industri independen
yang layak dipercaya mengindikasikan bahwa deviasi standard populasi untuk sistem
antena pertama adalah 200 jam sedangkan untuk antena kedua adalah 180 jam. Dengan
tingkat kepentingan 0,05 apakah ada perbedaan dalam rata-rata daya tahan kedua sistem
antena tersebut?
1. Hipotesa:
Ho: µ1 = µ2
H1: µ1 ≠ µ2 →uji dua-ujung
2. α= 0,05
3. Pengujian menggunakan distribusi Z.

α= 0,05→ α/2= 0,025 dari Tabel z,untuk α = 0,025, z0,025 = ± 1,960.

Tolak H0 dan terima H1, jika RUz <- 1,960 atau RUz > +1,960. Jika tidak demikian
terima H0.
6. Rasio Uji:
𝜎 2 𝜎 2 2002 1802
𝜎 =√ 1 + 2 =√ + = 46,43
𝑥̅1−𝑥̅2
𝑛1 𝑛2 35 32
𝑥̅1 − 𝑥̅2 2800 − 2750

𝑅𝑈𝑧 = 𝑧𝑡𝑒𝑠𝑡 = = = 1,08
𝜎 𝑥̅1−𝑥̅2 46,43
Karena nilai RUz = 1,08 berada diantara -1,960 < RUz < + 1,960, maka Ho: µ1= µ2
diterima. Hal ini berarti rata-rata daya tahan system antena prtama tidak berbeda
dengan system antena kedua, dengan tingkat kepentingan 0,05.
Contoh 5.4
 Seorang pimpinan kamar dagang di provinsi “M” berpromosi untuk menarik investor baru
di bidang industri migas di daerahnya. Dia mengatakan bahwa upah buruh di daerah
tersebut untuk jenis pekerjaan migas lebih murah dibandingkan dengan daerah-daerah
lainnya. Direktur sebuah perusahaan migas yang beminat berinvestasi, namun agak
skeptik dengan pemyataan itu, ingin membuktikan kebenaran klaim tersebut dan
bermaksud mengujinya. Suatu sampel random terdiri dari 60 pekerja di provinsi “M”
diambil dan didapati bahwa upah rata-rata per jamnya adalah $9,75 dengan deviasi
standard $2. Sebuah sampel random lainnya yang terdiri dari 50 pekerja dan daerah
lainnya dipilih dan didapati bahwa upah rata-rata per jamnya adalah $10.25 dan deviasi
standardnya $1,25. Dengan tingkat kepentingan 0,01 apakah direktur perusahaan tersebut
akan berinvestasi di provinsi “M” ?
1. Hipotesa:
Ho: µ1 = µ2
H1: µ1 < µ2 →uji satu-ujung
2. α= 0,01

3. Pengujian menggunakan distribusi Z.
4. Batas-batas daerah penolakan (kritis) → uji satu-ujung.

α= 0,01→dari Tabel z, untuk α = 0,01, z0,01 = -2,325.
Tolak H0 dan terima H1, jika RUz < -2,325. Jika tidak demikian terima H0.
6. Rasio Uji:
𝑠12 𝑠22 22 1,252
𝜎 ̅ ̅ =√ + =√ + = 0,313
𝑥1−𝑥2
𝑛1 𝑛2 60 50
𝑥̅1 − 𝑥̅2 9,75 − 10,25

𝑅𝑈𝑧 = 𝑧𝑡𝑒𝑠𝑡 = = = −1,598
𝜎𝑥̅1−𝑥̅2 0,313
Karena nilai RUz = -1,598 > dari – 2,325, maka Ho: µ1= µ2 diterima. Hal ini berarti rata-
rata upah buruh di provinsi “M” tidak lebih murah dari daerah lainnya, dengan
tingkat kepentingan 0,01. Direktur perusahaan migas tidak bernvestasi di
provinsi “M”.

5.2.4 Uji t Sampel Ukuran Kecil untuk Populasi yang Independen Jika Uji
F-nya Menunjukkan 12≠ 22.
Uji ini digunakan bila:

 Sampel diambil dari dua populasi yang independen dan terdistribusi normal
 Nilai-nilai deviasi standard populasi 1 dan 2 tidak diketahui
 Ukuran sampel n1 atau n2 kecil (n < 30)
 Uji F pada varians menunjukkan bahwa 12 ≠ 22
Prosedur uji hipotesisnya merupakan gabungan prosedur pengujian dua varians (Sub
5.1.2) dan uji t dengan ketentuan sebagai berikut:
a) Rasio Uji:
𝑅𝑈𝑡 = 𝑡𝑡𝑒𝑠𝑡 =𝑥̅1−𝑥̅2 (5.8)

√(𝑠2⁄𝑛1)+(𝑠2⁄𝑛2)
1 2
b) Derajat kebebasan:
Derajat kebebasan yang digunakan adalah derajat kebebasan yang lebih kecil
diantara dua sampel tersebut.
Contoh 5.5
 Agen persewaan genset mengatakan kepada sebuah perusahaan yang berminat menyewa
sejumlah unit genset bahwa rata-rata biaya sewa genset berdaya 10 kW sama saja di
sektor A dan B di kota tersebut. Untuk menguji klaim tersebut, perusahaan tersebut
memilih secara random sampel dari beberapa tempat persewaan genset di masing-masing
sektor dan mendapatkan data sebagai berikut. Di sektor A, dengan 10 data, diperoleh rata-
rata biaya sewa sebuah genset Rp. 595.000,-/hari dan deviasi standardnya Rp. 62.000,-.
Sedangkan di sektor B dengan 12 data diperoleh rata-rata biaya sewa sebuah genset Rp.
580.000,-/hari dan deviasi standardnya Rp. 32.000,-. Apa yang bisa disimpulkan atas klaim
tersebut dengan tingkat kepentingan 0,05?

 Pertama –tama dilakukan Uji F atas varians:
1. Hipotesa:
Ho: σ12=σ22
H1: σ12≠ σ22→uji dua-ujung

2. α= 0,05

Karena varians dari sampel A lebih besar dari sampel B, maka n1 = nA = 10, dan n2
= nB = 12.
Derajat kebebasan (df) untuk pembilang adalah:df1 = v1 = n1-1 = 10-1=9.
Derajat kebebasan (df) untuk penyebut adalah:df2 = v2 = n2-1 = 12-1=11.
4. Batas-batas daerah penolakan (kritis) uji dua-ujung: α = 0,05 → α/2 = 0,025.

Dari Tabel F,untuk α = 0,025; df1(pembilang)= v1 = n1- 1 =10 – 1= 9 dan df2
(penyebut) = v2 =n2 – 1= 12 – 1= 11.
Batas daerah kritis adalah F0,025; 9; 11 = 3,588.
Tolak H0 dan terima H1, jika RUF > 3,588. Jika tidak demikian terima H0.
6. Rasio Uji:
RUF = s12/s22 = 620002/320002 = 3,754
Karena nilai RUF = 3,754 adalah > dari 3,588 , maka Ho: σ12=σ22 ditolak. Hal ini
berarti H1: σ12≠ σ22 “diterima”.
 Setelah terbukti σ12 ≠ σ22 , kemudian dilakukan uji “t”.
Uji hipotesa untuk uji “t” dilakukan dengan langkah-langkah sebagai berikut:
1. Hipotesa:
Ho: µ12 = µ22
H1: µ12 ≠ µ22 → uji dua-ujung
2. Α = 0,05
4. Batas-batas daerah penolakan (kritis) uji dua-ujung: α = 0,05→ α/2=

0,025. Derajat kebebasan df = v = 10 – 1= 9 (df yang dipilih adalah yang
terkecil dari dua sampel yang ada).
Dari Tabel t,untukα = 0,025; df= v= 9. Batas daerah kritis adalah
F0,025; 9 = 2,262.
Tolak H0 dan terima H1, jika RUt < -2,262 atau > +2,262. Jika tidak
demikian terima H0.
6. Rasio Uji:
𝑥̅1 − 𝑥̅2
𝑅𝑈𝑡 = 𝑡𝑡𝑒𝑠𝑡 =
√(𝑠 ⁄𝑛 1) + (𝑠2⁄𝑛 2)
2
1 2
595000 − 580000
RUt = ttest = = 0,693
√(620002⁄10) + (320002⁄12)
Karena nilai RUF = 0,693 berada diantara < -2,262 dan > + 2,262, maka
Ho: µ12 = µ22 “diterima”. Hal ini berarti klain agen penyewaan genset
tersebut benar, bahwa rata-rata biaya sewa genset berdaya 10 kW sama
saja di sektor A dan B ,dengan tingkat kepentingan 0,05.
5.2.5 Uji-t Sampel Ukuran Kecil untuk Populasi yang Independen Jika Uji F-
nya Menunjukkan 12 = 22
Uji ini digunakan bila:

 Sampel diambil dari dua populasi yang independen dan terdistribusi normal.
 Nilai-nilai deviasi standard populasi 1 dan 2 tidak diketahui.
 Ukuran sampel n1 atau n2 kecil (n < 30).
2 2
 Uji F pada varians menunjukkan bahwa 1 = 2 .
Prosedur uji hipotesisnya merupakan gabungan prosedur pengujian dua varians (Sub-
bab 5.1.2) dan uji “t” dengan ketentuan sebagai berikut:
a) Rasio Uji:
𝑥̅1−𝑥̅2
(5.9) 𝑅𝑈𝑡 = 𝑡𝑡𝑒𝑠𝑡 =
𝑠2(𝑛1−1) + 𝑠2(𝑛2−1) 1 1
𝑛1+ 𝑛2 −1 √𝑛1 +𝑛2

b) Derajat kebebasan:
𝑑𝑓 = 𝑣 = 𝑛1 + 𝑛2 − 2 (5.10)
Contoh 5.6
 Dengan mengulang Contoh 5.1, di mana uji F pada varians menunjukkan bahwa
varians populasi 12 = 22, maka uji-t untuk mean-nya adalah sebagai berikut:
1. Hipotesa:
Ho: µ1 = µ2
H1: µ1 ≠ µ2 →uji dua-ujung
2. α = 0,05

α= 0,05 → α/2 = 0,025 , df = v = n1 + n2 - 2 = 8 + 9 – 2 = 15. Dari tabel t untuk α/2 = 0,025
dan v = 15, didapat batas kritis t0,025, 15 =2,131
Tolak H0 dan terima H1, jika RUz < -2,131 atau ˃ + 2,131. Jika tidak demikian terima H0.
6. Rasio Uji:
𝑥̅1 − 𝑥̅2 58 − 72,7
𝑅𝑈𝑡 = 𝑡𝑡𝑒𝑠𝑡 = = = −2,330
𝑠2(𝑛1−1) + 𝑠2(𝑛2−1) 1 1 260,18(7) +97,82(8) 1 1
√ 1 2
√ + √ √ +
𝑛1+ 𝑛2 −1 𝑛1 𝑛2 15 8 9
Karena nilai RUz = -2,330 < dari – 2,131, makaHo: µ1= µ2 di-TOLAK. Hal ini berarti mean
rata-rata dari kedua sampel ini tidak sama, (ada perbedaan besaran rata-rata dari
kedua bahan tersebut dalam hal kemampuan meredam kebisingan).

5.3 Uji Hipotesis Persentase dengan Sampel-Ganda
5.3.1 Pengantar
Tujuan dari uji hipotesis persentase dengan sampel-ganda adalah untuk mengetahui
apakah terdapat perbedaan yang berarti secara statistik antara persentase dua populasi
dengan menggunakan data sampel. Terdapat dua asumsi yang harus dipenuhi dalam
melakukan uji ini:
 Kedua sampel diambil dari dua populasi yang saling independen.

 Sampel-sampel yang diambil dari masing-masing populasi harus berukuran cukup besar.
Untuk masing-masing sampel np ≥ 500 dan juga n(100-p) ≥500.
5.3.2 Prosedur Uji Dua Persentase

Prosedur dalam pengujian dua persentase ini juga mengikuti langkah-langkah yang sama
seperti pengujian-pengujian lainnya sebagai berikut:
1. Pernyataan Hipotesa Nol dan Hipotesa Alternatif;
H0 : π1 = π2 H0 : π1 = π2 H0 : π1 = π2
H1 : π1 ≠ π2 →uji dua-ujung H1 : π1 > π2 →uji satu-ujung H1 : π1 < π2 →uji satu-ujung
kanan kiri
2. Penentuan tingkat kepentingan (Level of Significance), α
3. Penentuan distribusi pengujian yang akan digunakan:

Dalam uji ini digunakan distribusi Z.
4. Pendefinisian daerah-daerah penolakan atau daerah kritis.
5. Pernyataan Aturan Keputusan (decision rule)
6. Perhitungan Rasio Uji:

Rumus yang digunakan untuk Perhitungan Rasio Uji:
𝑝1−𝑝2
𝑅𝑈𝑧 = (5.11)
𝜎̂𝑝1−𝑝2
𝑝1(100−𝑝1) 𝑝2(100−𝑝2)
𝜎̂𝑝1 −𝑝2 = √ + (5.12)
𝑛1 𝑛2
7. Pengambilan keputusan secara statistik.

Contoh 5.7
 Seorang insinyur mesin di pabrik perakitan pompa bahan bakar mengasumsikan bahwa baut
buatan dalam negeri sama kuatnya dengan buatan luar negeri. Suatu sampel acak dan 36
baut buatan dalam negeri menunjukkan hanya 12 saja yang memenuhi kekuatan yang
disyaratkan (p1= 12/36 = 33%), sedangkan dari 50 baut buatan luar negeri terdapat 18 baut
yang memenuhi persyaratan (p2 = 18/50 = 36%). Tentukanlah validitas asumsi insinyur
mesin tersebut dengan tingkat kepentingan 0,05.
Uji hipotesis dilakukan dengan langkah-langkah sebagai berikut:
1. Pernyataan Hipotesa Nol dan Hipotesa Alternatif;

H0 : π1 = π2
H1 : π1 ≠ π2 → uji dua-ujung
2. α = 0,05
3. Dalam uji ini digunakan distribusi Z.
4. Pendefinisian daerah-daerah penolakan atau daerah kritis.

Uji dua-ujung α = 0,05 → α/2 = 0,025. Dari tabel Z batas-batas daerah kritis z0,025 = ± 1,960
5. Pernyataan Aturan Keputusan (decision rule);

Tolak H0 dan terima H1 jika RUz < - 1,960 atau > + 1,960. Jika tidak demikian terima H0.
6. Perhitungan Rasio Uji:

Rumus yang digunakan untuk Perhitungan Rasio Uji:
𝑝1 − 𝑝2
𝑅𝑈𝑧 =
𝑝1 (100−𝑝1 ) 𝑝2 (100−𝑝2 )
𝜎̂𝑝1−𝑝2 = √ 𝑛1
+ 𝑛2
33 − 36
𝑅𝑈𝑧 = = −0,290
33(100−33) 36(100−36)
√ 36 + 50
7. Pengambilan keputusan secara statistik.

Karena RUz = - 0,290 berada diantara nilai -1,960 dan + 1,960 maka H0 : π1 = π2 diterima.
Hal ini berarti kekuatan baut buatan dalam negeri sama dengan baut bauatan luar negeri,
dengan tingkat kepentingan 0,05.

Latihan Lanjutan:
L-5.1:
PT. Ball Bearing memproduksi bantalan-bantalan peluru yang digunakan pada traktor dan
peralatan-peralatan berat lainnya. Dari suatu sampel acak yang terdiri dari 16 bantalan peluru
yang diproduksi pada jam kerja shift siang, varians diameternya adalah 17,39mm. Kemudian dari
produksi pada jam kerja shift malam dipilih sampel acak sebanyak 13 dan diukur diameternya
memiliki varians 12,83 mm. Dengan menggunakan uji hipotesis pada tingkat kepentingan 0,05
tentukan apakah varians populasi produksi shift siang dan shift malam sama?
L-5.2:
Manajer humas sebuah perusahaan penerbangan domestik prihatin atas meningkatnya jumlah
pengaduan atas kerusakan bagasi yang menggunakan jasa penerbangan perusahaan
tersebut.Suatu sampel acak yang dicatat di dua bandar udara memberikan data sebagai berikut.
Di Bandar udara A, dari 760 buah koper yang ditangani 44 di antaranya rusak. Di bander udara B,
dari 830 buah koper yang ditangani, 60 di antaranya mengalami kerusakan. Dengan menggunakan
tingkat kepentingan 0,05, tentukan apakah terdapat perbedaan yang berarti terhadap klaim
kerusakan bagasi di kedua terminal.
L-5.3:
Sebuah klaim menyatakan bahwa mobil balap dengan mesin Honda lebih cepat daripada mobil
balap dengan mesin Toyota.Untuk itu dilakukan pendataan sebagai berikut. Dari sampel 11 mobil
balap bermesin Toyota yang diuji di sirkuit, kesebelasnya mampu menempuh satu lap dengan
waktu rata-rate 119,02 detik dan deviasi standard 1,76 detik. Sedangkan 11 mobil balap bermesin
Honda mampu menempuh satu lap dengan waktu rata-rata 118,50 dan deviasi standard 1,24
detik. Tentukan dengan uji hipotesis pada tingkat kepentingan 0,05 apakah klaim di atas benar.
L-5.4:
Ketebalan pelapisan lilin (wax coating) pada permukaan dalam dan pennukaan luar dari sejenis
kertas yang digunakan sebagai bahan pembungkus makanan merupakan suatu variabel acak yang
saling bebas secara statistik.Dipercaya bahwa terdapat variasi yang besar antara ketebalan lapisan
lilin di permukaan bagian dalam dengan permukaan bagian luar. Untuk itu diambil sebuah sampel
yang terdiri dari 60 pembungkus dan dihasilkan informasi sebagai berikut:

Tentukan apakah variabilitas ketebalan lapisan lilin pada permukaan bagian dalam lebih besar
daripada variabilitas ketebalannya di permukaan bagian luar.
Latihan Tambahan:
LT-5.1:
Dua pabrik pembuat pencatu daya (power supply) komputer A dan B bersaing untuk menjadi
pemasok bagi kebutuhan manufaktur komputer pribadi berkelas internasional. Untuk menjamin
ketersediaan pasokan, perusahaan manufaktur komputer tersebut ingin membeli power supply
masing-masing separuh dari kedua pabrik tersebut dengan terlebih dahulu memastikan bahwa
tidak terdapat perbedaan kualitas pada produk kedua pabrik itu. Masing-masing 10 buah sampel
power supply diuji ketahanannya dalam pengoperasian terus-menerus sampai terjadinya
kegagalan (dalam jam). Hasilnya adalah rata-rata ketahanan power supply A= 1210 jam dengan
varians = 2550, sementara produk B rata-ratany -a = 1175 dengan varians = 3600. Kesimpulan apa
yang bisa ditarik dari data tersebut dengan tingkat kepentingan 0,05?
LT-5.2:
Tabel berikut ini menunjukkan modulus elastisitas spesimen jenis kayu tertentu setelah dibebani
selama 1 menit dan selama 4 minggu pada sampel yang sama.
Dengan menggunakan tingkat kepentingan 0,01 apakah terjadi perubahan pada modulus
elastisitas kayu tersebut setelah diberi pembebanan selama 4 minggu?

LT-5.3:
Misalkan μ1 dan μ2 adalah mean-mean jarak henti dari mobil-mobil yang memiliki system pengereman
berbeda mulai saat pedal rem ditekan pada saat kecepatan mobil 50 km/jam sampai berhenti
sepenuhnya. Gunakan uji hipotesisi dengan tingkat kepentingan 0,01 terhadap masing-masing 6
buah mobil guna menguji H0: μ1 - μ2 = -10, dan H1: μ1 - μ2 < -10. Dimana data pengujian sampel
menunjukan:
𝑥̅1 = 115,7; 𝑠1 = 5,03 dan 𝑥̅2 = 129,3; 𝑠2 = 5,38. Kemudian tentukan apa yang dapat disimpulkan
tentang unjuk kerja kedua system pengereman tersebut ?
LT-5.4:
Dua jenis logam paduan A dan B digunakan untuk memproduksi spesimen uji sebuah sambungan
tangki minyak (tension link) yang akan dipakai pada suatu aplikasi teknik. Kekuatan ultimasi
(ulirnate strength) dari setiap spesimen diperiksa dan hasilnya seperti yang ditunjukkan pada tabel
distribusi frekuensi berikut:
Dengan menggunakan uji hipotesis, tentukan apakah terdapat proporsi yang berbeda antara jenis
logam paduan A dan B yang memiliki kekuatan ultimasi sekurang-kurangnya 36 ksi.
LT-5.5:
Dalam sebuah eksperimen untuk mempelajari pengaruh tingkat iluminasi (kecerahan) ruangan
terhadap kemampuan kerja seseorang, sembilan orang diminta untuk memasukkan benang ke
dalam lubang jarum dalam ruang dengan lampu penerangan yang sama namun dengan warna
cat dinding yang berbeda. Waktu (detik) yang dibutuhkan mereka untuk memasukkan benang ke
lubang jarum dicatat dan hasilnya adalah sebagai berikut:
Catatan: DH = dinding hitam, DP = dinding putih

Gunakan uji hipotesis untuk menarik kesimpulan tentang pengaruh tingkat iluminasi ruangan

terhadap kemampuan kerja seseorang dengan menggunakan data diatas.

Rangkuman
 Hal penting yang harus diperhatikan adalah bahwa pengujian hipotesis sampel-ganda ini
bukan untuk mengestimasi nilai-nilai mutlak dari parameter-parameter yang ditinjau,
melainkan untuk mengetahui nilai relatif dari parameter-parameter tersebut. Jadi tujuan
dari uji hipotesis sampel-ganda adalah untuk menggunakan data dari dua sampel yang
diperoleh dari dua populasi dan mengetahui apakah ada perbedaan yang secara
statistik cukup berarti (significant) antara parameter-parameter dari kedua populasi
tersebut.
 Dalam uji hipotesis mean dengan sampel-ganda, asumsi bahwa kedua populasi
terdistribusi secara normal tetap digunakan. Namun demikian, prosedur uji hipotesisnya
dapat mengikuti tahapan yang berbeda yang tergantung pada kondisi sampelnya.
Kriteria Penilaian:
 Menjelaskan tujuan uji hipotesis sampel-ganda pada varians, mean, dan persentase
 Memahami prosedur uji hipotesis sampel-ganda pada varians, mean, dan persentase
dan melakukan perhitungan yang diperlukan dan menarik keputusan statistik yang tepat
dalam kasus yang menggunakan uji hipotesis sampel-ganda.

Referensi:
New Jersey.

BAB VI
BEBERAPA ANALISIS INFERENSIAL LAIN
Mahasiswa dapat:
 Menggunaan prosedur pengujian ANOVA dan distribusi F untuk mengambil

keputusan statistik mengenai mean dari tiga atau lebih populasi.
 Menggunakan prosedur uji hipotesis Chi-kuadrat untuk uji keselarasan fungsidan uji tabel
kontingensi untuk mengambil keputusan secara statistik.
Materi:
6.1 Analisis of Varians (ANOVA)
6.2 Tabel ANOVA Satu Faktor
6.3 Uji Chi-Kuadrat
6.4 Uji Keselarasan Fungsi
6.5 Uji Tabel Kontingensi
Bahan Ajar: STATISTIK PERMINYAKAN / BAB – 6: Beberapa Analisis Inferensial 1

Sub-Capaian Pembelajaran - 1:
 Menggunakan prosedur pengujian ANOVA dan distribusi F untuk mengambil keputusan

statistik mengenai nilai mean (rata-rata) dari tiga atau lebih populasi.
6.1 Analisa Varians (ANOVA)
Analisis of varians (ANOVA) atau dalam bahasa Indonesia disebut ANAVA (Analisa Varians)
adalah suatu teknik statistik yang memungkinkan kita untuk mengetahui apakah dua atau
lebih mean populasi akan bernilai sama, dengan menggunakan data dari sampel-sampel
masing-masing populasi. Dalam Bab sebelumnya telah dibahas uji hipotesis sampel ganda
untuk mean dengan teknik-teknik yang telah dijabarkan dengan terperinci. Analisis of
Varians (ANOVA) juga bisa digunakan untuk keperluan tersebut, namun biasanya Analisis of
Varians (ANOVA) lebih efektif digunakan untuk menguji tiga atau lebih populasi. Tentunya
jumlah variabel yang berkaitan dengan sampel bisa satu atau lebih. Dalam pembahasan
dasar ini akan diperkenal teknik analisis varians untuk variabel tunggal, yaitu ANOVA satu-
faktor.
6.1.2 Asumsi Dasar Analisis of Varians

Analisis of varians akan menjadi teknik statistik yang valid untuk diterapkan dengan
menggunakan asumsi-asumsi sebagai berikut:
1. Populasi yang dikaji memiliki distribusi normal.

2. Pengambilan sampel dilakukan secara acak dan setiap sampel independen/ tidak
terikat sampel yang lain.
3. Populasi-populasi dimana nilai sampel-sampel diperoleh memiliki nilai varians
populasi yang sama.
Jadi asumsi ketiga dapat dinyatakan sebagai:

σ12 = σ22 = σ32 = ….. = σk2 dimana: k = jumlah populasi
Catatan:
Dalam penerapan pada aktifitas penelitian, ketiga asumsi diatas harus dipastikan benar.
6.1.3 Prosedur Uji ANOVA
Secara umum prosedur uji ANOVA mengikuti prosedur uji hipotesis yang terdiri langkah-
langkah sebagaimana yang telah dibahas pada uji-uji hipotesis sebelumnya.

Dalam uji ANOVA, hipotesis nolnya adalah sampel-sampel yang diambil dari populasi-
populasi saling-independen yang memiliki mean sama. Dengan kata lain, hipotesis
nol dan hipotesis alternatifnya adalah:
H o : µ1 = µ2 = µ3 = …. = µk
H 1 : tidak seluruh mean populasi sama
dimana: k = jumlah populasi yang dikaji
Perlu diperhatikan bahwa jika hipotesis alternative diterima maka dapat disimpulkan
bahwa “paling kurang terdapat satu mean populasi yang berbeda” dari populasi yang
lainnya. Namun analisis varians tidak dapat mengungkapkan dengan pasti berapa banyak
populasi yang meannya berbeda, dan analisis varians juga tidak bisa menjelaskan mean
dari populasi yang mana yang berbeda. Ilustrasi konseptual pada Gambar 6.1.(a)
menunjukkan bagaimana kondisi jika hipotesis nol diterima. Sedangkan Gambar 6.1.(b)
menunjukkan salah satu kondisi yang paling ekstrim di mana hipotesis alternatif menjadi
hipotesis yang diterima.
2. Peniilihan Tingkat Kepentingan (Level of Significance), α

Biasanya digunakan tingkat kepentingan 0,01 atau 0,05.
Dalam uji ANOVA ini yang digunakan adalah distribusi F. Nilai-nilai dari distribusi F
telah disajikan dalam bentuk tabel yang dapat ditentukan dengan mengetahui tiga hal
sebagai berikut:
a. Tingkat kepentingan (level of significance)

b. Derajat kebebasan/degree of freedom (dfnumerator.) yang digunakan sebagai
pembilang dalam rasio uji adalah dfnumerator = k-1
Di mana: k = jumlah populasi/sampel
c. Derajat kebebasan Idegree of freedom (dfdenominator) yang digunakan sebagai
penyebut dalam rasio adalah dfdenominator = T - k
Di mana:
T = jumlah total anggota sampel di seluruh populasi yang diuji ni + n2 + n3
+ … + nk
k = jumlah populasi/sampel

Daerah penerimaan dan penolakan dibatasi oleh nilai kritis Fcr.

Tolak Ho dan terima H1 jika RUF > Fcr,Jika tidak demikian, terima Ho.
Rumus yang digunakan untuk menghitung rasio uji (nilai F) adalah:

𝐵𝑒𝑡𝑤𝑒𝑒𝑛 𝑆𝑎𝑚𝑝𝑙𝑒 𝑉𝑎𝑟𝑖𝑎𝑡𝑖𝑜𝑛
𝑅𝑈𝐹 =
𝑊𝑖𝑡ℎ𝑖𝑛 𝑆𝑎𝑚𝑝𝑙𝑒 𝑉𝑎𝑟𝑖𝑎𝑡𝑖𝑜𝑛
2
�
𝑅𝑈𝐹 = 𝐹𝑡𝑒𝑠𝑡 = �𝜎̂𝑎𝑛𝑡𝑎𝑟𝑎 (6.1)
𝑑𝑎𝑙𝑎𝑚
Perhitungan untuk pembilang dan peneyebut dari rumus rasio uji adalah:
2 2
( ̿ 2 ̿ ̿

Pembilang: 𝜎̂𝑎𝑛𝑡𝑎𝑟𝑎
2 𝑛1 𝑥1 −𝑋) + 𝑛2 (𝑥̅2 −𝑋) + … + 𝑛𝑘 (𝑥̅ 𝑘 −𝑋) (6.2)
= 𝑘−1
Dimana: 𝑛1 𝑥̅ 1 + 𝑛2 𝑥̅ 2 + …. +
𝑛𝑘̿ 𝑥=
𝑋 ̅𝑘
𝑛1+ 𝑛2+ ….+ 𝑛𝑘
𝑛𝑖 = banyaknya anggota sampel ke-i

𝑥̅𝑖 = mean dari sampel ke − 𝑖
∑ 𝑑2 + ∑ 𝑑2 + … +∑
𝑑2
Penyebut: 𝜎̂𝑑𝑎𝑙𝑎𝑚 =
 2 1 2 𝑘 (6.3)
𝑇−𝑘
Dimana:∑ 𝑑12 = jumlah dari simpangan kuadrat = ( ∑(𝑥𝑖 − 𝑥̅𝑖)2
7. Pengambilan keputusan secara statistik
Jika nilai rasio uji berada di daerah penerimaan maka hipotesa nol diterima,
sedangkan jika berada di daerah penolakan maka hipotesa nol ditolak.

Contoh 6.1
 Sebuah pabrik farmasi memiliki 3 AHU (air handling unit) untuk sistem pengkondisian
udara ruangan pengepakan obat-obatan. Dalam rangka mengupayakan pembagian beban
(load) yang merata pada masing-masing unit tersebut, divisi pemeliharan (maintenance
engineering division) mengevaluasi operasi ketiga unit tersebut selama 6 hari dan mencatat
beban dari masing-masing unit tersebut:
Hari ke- AHU-1 AHU-2 AHU-3

1 45 55 54
2 56 50 61
3 47 53 54
4 51 59 58
5 50 58 52
6 45 49 51
Dengan menggunakan teknik ANOVA ingin diketahui apakah kondisi pembebanan ketiga unit
AHU tersebut merata atau tidak.
1. Uji Hipotesa:
H 0 : µ1 = µ2 = µ3
H1 : tidak semua mean populasi sama
2. α = 0,05

3. Menggunakan distribusi F:
 Jumlah populasi/sampel, k = 3, maka derajat kebebasan pembilang , dfnumerator = k-1 →
3-1 = 2.

Banyaknya seluruh anggota sampel, T = 18, maka derajat kebebasan penyebut,
dfdenominator = T-k → 18 – 3 = 15.
4. Batas daerah penolakan/batas kritis uji-dua-ujung (two tailed test):

Dari tabel F untuk α = 0,05 derajat kebebasan pembilang dfnumerator = 2 dan derajat
kebebasan penyebut dfdenominator = 15, didapat besaran batas daerah kritis F = 3,682.
Tolak H0 dan terima H1, jika RUF > 3,682 atau jika tidak demikian terima H0
6. Rasio uji:
Untuk mempermudah perhitungan digunakan matriks berikut ini.
Hari AHU-1 AHU-2 AHU-3

ke x1 𝑥1 − (𝑥1 − 𝑥1̅ )2 x2 𝑥2 − 𝑥̅2 (𝑥2 − 𝑥̅2)2 x3 𝑥3 − 𝑥̅3 (𝑥3 − 𝑥3̅ )2
𝑥1̅
1 45 -4 16 55 1 1 54 -1 1
2 56 7 49 50 -4 16 61 6 36
3 47 -2 4 53 -1 1 54 -1 1
4 51 2 4 59 5 25 58 3 9
5 50 1 1 58 4 16 52 -3 9
6 45 -4 16 49 -5 25 51 -4 16
Ʃ 294 ∑ 𝑑2 = 90
1 324 ∑ 𝑑2 = 84
2 330 ∑ 𝑑2 = 72
3
𝑥̅1 =294/6 𝑥̅2 =324/6 𝑥̅3 =330/6
= 49 = 54 = 55
𝑛1 𝑥̅1 + 𝑛2 𝑥̅2 + 𝑛3 𝑥̅𝑥 6(49) + 6(54) + 6(55)

𝑋̿ = 𝑛1 + 𝑛2 + 𝑛3 = 6+6+6 = 52,67
2 2 2
𝑛1 (𝑥̅1 − 𝑋̿) + 𝑛2 (𝑥̅ 2 − 𝑋̿) + 𝑛3 (𝑥̅ 3 − 𝑋̿)
𝜎̂ 2
=
𝑎𝑛𝑡𝑎𝑟𝑎
𝑘−1
6(49 − 52,67)2 + 6(54 − 52,67)2 + 6(55 − 52,67)2
𝜎̂ 2 = = 62
3−1
2
∑ 1𝑑2 + ∑ 2𝑑2 + … + ∑ 𝑘𝑑2 90 + 84 + 72
𝜎̂𝑑𝑎𝑙𝑎𝑚 = = = 16,4
𝑇−𝑘 18 − 3
𝜎 2̂ 𝑡𝑎𝑟𝑎 62
𝑎𝑛
𝑅𝑈𝐹 = 𝐹𝑡𝑒𝑠𝑡 = 2 = = 3,780
𝜎̂ 16,4

Karena RUF = 3,780 adalah > 3,682 maka H0 :µ1 = µ2 = µ3 ditolak, ini berarti pembebanan
setiap AHU belum merata.

6.2 Tabel ANOVA Satu Faktor

Dalam uji ANOVA, kerap kali kita diminta untuk menempatkan ringkasan perhitungan yang
dilakukan dalam suatu bentuk tabel yang berisi daftar ringkasan nilai yang diperoleh dari
proses uji statistik tersebut. Tabel tersebut diberi nama sebagai tabel ANOVA. Karena kajian
yang kita bicarakan menyangkut hanya satu variabel/faktor, maka disebut tabel ANOVA
satu-faktor. Format umum dan tabel ANOVA satu-faktor adalah sebagai berikut:
Tabel 6.1 Degree of

Source of Sum of Mean of
Format Umum
Freedom (df) Ftest or RUF
Tabel ANOVA Variation Squares (SS) Squares (MS)
𝜎 2̂ 𝑡𝑎𝑟𝑎
𝑎𝑛
Antar sampel 𝑅𝑈𝐹 =
SS factor 𝜎̂ 2 𝜎̂ 2
(factor variation) k-1 𝑎𝑛𝑡𝑎𝑟𝑎
Dalam sampel 𝜎̂ 2
T-K SS error 𝑑𝑎𝑙𝑎𝑚
(error variation)
SS factor +
Total T-1 SS error
Dengan perangkat lunak komputer (computer software), perhitungan uji ANOVA dan tabelnya
dapat dilakukan secara lebih praktis. Contoh 6.1 bila dikerjakan menggunakan program Minitab
akan menghasilkan uji ANOVA dan tabelnya sebagai berikut:
————— 3/10/2022 10:10:23 AM ————————————————————
Welcome to Minitab, press F1 for help.
One-way ANOVA: Beban (Load) versus Air Handling Unit
Source DF SS MS F P
Air Handling Uni 2 124.0 62.0 3.780 0.047
Error 15 246.0 16.4
Total 17 370.0
S = 4.050 R-Sq = 33.51% R-Sq(adj) = 24.65%
 Untuk mendapatkan hasil diatas, tahapan operasi program miniTab seperti pada
Gambar 1 s/d 3 dibawah ini.
Gambar-1:

Gambar-2: Gambar-3:
ANALISA:
 p = 0,047
 α = 0,05
 berati nilai p < dari nilai α
 H0 : µ1 = µ2 = µ3
 H1 : tidak semua mean populasi sama.
 p = probabilitas terjadinya H0. Bila nilai p < dari nilai α, maka probabilitas/peluang
terjadinya H0 kecil , atau H0 tidak terjadi. Maka yang terjadi adalah H1.
 Kesimpulan pada contoh 6.1:

 Karena RUF = 3,780 adalah > 3,682 maka H0: µ1 = µ2 = µ3 ditolak, ini berarti
pembebanan AHU belum merata.

 Menggunakan prosedur uji hipotesis “Chi-Kuadrat” untuk uji keselarasan fungsi dan uji
tabel kontingensi (uji independensI), untuk mengambil keputusan secara statistik.
6.3 Uji Chi-Kwadrat
6. 3.1 Tujuan Uji Chi-Kuadrat
Uji hipotesis chi-kuadrat banyak digunakan untuk dua tujuan, yaitu uji keselarasan fungsi
(goodness-of-fit test) dan uji tabel kontingensi (contingency table test).
Uji keselarasan fungsi bertujuan untuk mengetahui apakah distribusi dari hasil-hasil
yang teramati pada suatu percobaan terhadap sampel, mendukung suatu distribusi yang
telah dihipotesiskan pada populasi.
Sedangkan uji tabel kontingensi, yang sering juga disebut sebagai uji independensi,
bertujuan untuk mengetahui apakah data terklasifikasikan silang (cross- classified)
secara independen (tidak saling terikat) atau tidak.
Contoh-contoh yang diberikan akan memperjelas pemakaian/terapan uji Chi-Kuadrat
dalam tujuan-tujuan tersebut.
6.3.2 Prosedur Uji Chi-Kuadrat
1. Pernyataan Hipotesis Nol dan Hipotesis Alternatif:
a. Uji Keselarasan Fungsi

Dalam uji keselarasan fungsi, hipotesis nolnya adalah populasi yang sedang dikaji
memenuhi/selaras dengan suatu pola distribusi probabilitas yang
ditentukan.Pola distribusi probabilitas ini tentunya bisa bervariasi tergantung
pada sifat eksperimen.Sedangkan hipotesis alternatifnya adalah populasi tidak
memenuhi distribusi yang ditentukan tersebut.
b. Uji Tabel Kontingensi:

Dalam uji tabel kontingensi, hipotesis nolnya adalah dua variabel yang sedang
dikaji saling independen (tidak terikat), sedangkan hipotesis alternatifnya dua
variabel tersebut tidak saling independen atau kedua variabel saling terikat
satu sama lainnya.
2. Pemilihan Tingkat Kepentingan (Level of Significance), α



Dalam uji ini yang digunakan adalah distribusi probabilitas Chi-Kuadrat, χ2.
Gambar 6.3 menunjukkan variasi distribusi Chi-Kuadrat. Nilai-nilai dari distribusi Chi-
Kuadrat telah disajikan dalam bentuk tabel, yang dapat ditentukan dengan
mengetahui dua hal sebagai berikut:
 Tingkat kepentingan (level of significance)
 Derajat kebebasan/degree of freedom (df)
Pada uji keselarasan fungsi: df = v = k -1

dimana: k = jumlah outcome/observasi yang mungkin
dalam sampel
Pada tabel kontingensi : df = v = (r - 1)(c -1)

dimana: r = jumlah haris dalam tabel
c = jumlah kolom dalam tabel
4. Pendefinisian Daerah-daerah Penolakan atau Kritis.

Daerah penerimaan dan penolakan dibatasi oleh nilai kritis χ2

Tolak H0 dan terima H1 jika RUχ2 > χ2, jika tidak demikian terima H0.
6. Perhitungan Rasio Uji (Test Ratio, TR)

Rumus yang digunakan untuk menghitung rasio uji (nilai χ2) adalah:
2
𝑅𝑈= ]
χ2 𝜒2 𝑡𝑒𝑠𝑡 = ∑ [(𝑂−𝐸)
𝐸
(6.4)
Dimana: O = frekuensi yang teramati (sampel)

E = frekuensi yang diperkirakan (hipotesis) jika H0 benar.
 Untuk uji keselarasan fungsi:
𝐸 = persentase hipotesis x banyaknya data teramati.
 Untuk uji tabel kontingensi:
(∑ 𝑏𝑎𝑟𝑖𝑠) 𝑥 (∑ 𝑘𝑜𝑙𝑜𝑚)
𝐸=
∑ 𝑡𝑜𝑡𝑎𝑙

7. Pengambilan keputusan secara statistik

Jika nilai rasio uji berada didaerah penerimaan maka hipotesa nol
diterima, sedangkan jika berada didaerah penolakan maka hipotesa nol
ditolak.
6.4 Uji Keselarasan Fungsi
Telah dijelaskan sebelumnya bahwa uji keselarasan fungsi digunakan untuk mengetahui
apakah suatu populasi yang dikaji memenuhi suatu nilai distribusi probabilitas yang
ditentukan. Misalnya uji ini bisa digunakan untuk mengetahui seberapa dekat suatu
kelompok data mengikuti sebuah distribusi Normal, Binomial, Poisson atau distribusi
probabilitas tertentu lainnya. Berikut ini akan dijelaskan suatu contoh bagaimana suatu uji Chi-
Kuadrat diterapkan untuk menguji suatu distribusi probabilitas populasi yang telah
dihipotesiskan terlebih dahulu.
Contoh 6.2
 Sejenis Pompa yang banyak digunakan pada industri Migas produksi perusahaan
"P", "D", dan "C" selama ini masing-inasing menguasai 50%, 30%, dan 20%
kebutuhan pompa untuk keperluan pompa distribusi minyak pada industri migas.
Pembuat pompa "C" telah meluncurkan seri terbaru pompa “C baru” dan ingin
mengetahui perkiraan tanggapan pasar atas produk baru tersebut. Perusahaan tersebut
mengadakan survey dengan mengambil sampel acak sebanyak 200 pengguna pompa
minyak yang familiar dengan produk baru "C" dan juga pompa minyak pesaing lainnya.
Perusahaan ini ingin mengetahui apakah produk barunya ini akan mengubah
persentase pangsa pasar pompa minyak pada industri migas. Data survey adalah
sebagai berikut: 74 pengguna memilih pompa "P", 62 memilih "D", dan 64 memilih
"C" seri baru.

Uji keselarasan fungsi dilakukan dengan tahapan sebagai berikut:

1.
Hipotesis:
H0 : pangsa pasar populasi pompa distribusi minyak “P”= 50%, “D”= 30%, dan “C”=20%.
H1 : persentase pangsa pasar populasi pompa distribusi minyak tidak sesuai dengan
pernyataan pada H0.
2.
Pemilihan Tingkat Kepentingan (Level of Significance):
α = 0,01
3.
Penentuan Distribusi Pengujian yang Digunakan:
Dalam uji ini yang digunakan adalah distribusi probabilitas Chi-Kuadrat, χ2
Terdapat tiga outcome dalam observasi sampel ini maka k = 3, sehingga df = v = k-1 =
3 -1 = 2.
4.
Pendefinisian Daerah-daerah Penolakan atau Kritis:
Dari tabel χ2 untuk α = 0,01; df = v = 2; diperoleh χ2 = 9,210.
5.
Pernyataan Aturan Keputusan (Decision Rule):
Tolak H0 dan terima H1 jika RUχ2 > 9,210, jika tidak demikian terima H0.
6.
Perhitungan Rasio Uji (Test Ratio, TR):
Untuk perhitungan dilakukan dengan matriks sbb:
Sampel Perkiraan
(𝑂 − 𝐸)2
Pompa Observasi Espektasi (O - E) (𝑂 −
𝑅𝑈𝝌𝟐 =
(O) (E) 𝐸)2 𝐸
50% x 200
“P” 74 - 26 676 676/100 = 6,76
= 100
30% x 200
“D” 62 2 4 4/60 = 0,07
= 60
20% x 200
“C baru” 64 24 576 576/40 = 14,40
= 40
Ʃ 200 200 21,23
Catatan:
Sesuai definisinya, E diperoleh dengan mengalikan persentase populasi jika H0 benar
dengan banyaknya anggota “sampel”
(𝑂 − 𝐸)2
𝑅𝑈𝜒2 = 𝜒2 =∑ [ ] = 21,23
𝑡𝑒𝑠𝑡
𝐸

Karena 𝑅𝑈𝜒2 = 21,23 adalah > 9,210 maka H0 ditolak. Hal ini berarti pangsa pasar
populasi pompa suplai minyak berubah, dengan adanya pompa minyak jenis baru “C
baru” . Sesuai persentase maka dapat dikatakan pangsa pasar pompa jenis “C baru”
ada kecendrungan meningkat.
Tabel: Distribusi-χ2 Luas Ujung Kurva (curva tail areas)

6.5 Uji Tabel Kontingensi
Pada pembahasan sebelumnya mengenai probabilitas, kita telah pahami bahwa dua
variabel atau peristiwa disebut saling bebas jika terjadinya (atau tidak terjadinya) peristiwa
yang satu tidak mempengaruhi kesempatan terjadinya peristiwa yang lain. Sering timbul
pertanyaan bagaimana caranya mengetahui apakah dua variabel saling bebas atau tidak.
Untuk itu distribusi Chi-Kuadrat dapat digunakan dalam sebuah tabel kontingensi untuk
menguji apakah variabel yang dikaji saling bebas.
Contoh 6.3
 Untuk merencanakan arah pengembangan kurikulum pendidikan teknik berikutnya,
perhimpunan badan pengembangan pendidikan teknik antar Perguruan Tinggi
mengadakan survey untuk mengetahui kebutuhan sarjana teknik bidang industri di
tiga daerah. Tujuan dari penelitian ini untuk mengetahui kebutuhan sarjana teknik
pada daerah dan bidang-bidang tertentu yang diutamakan. Hasil survey dengan
menanyakan secara acak 310 perusahaan industri di ketiga kota. Jawaban yang
diberikan sebagaimana data yang tertera dalam tabel kontingensi berikut:
Kebutuhan Sarjana Teknik di Bidang Industri

Daerah Produksi Migas Manufaktur Mekanikal Migas ∑ Baris
A 50 40 35 125
B 30 45 25 100
C 20 45 20 85
∑ Kolom 100 130 80 ∑ total = 310
Uji Tabel Kontingensi dilakukan dengan tahapan sebagai berikut:
1. Hipotesis:
H0 : persentase populasi kebutuhan sarjana teknik ditiap daerah adalah “sama” untuk
setiap bidang industri.
H1 : persentase populasi kebutuhan sarjana teknik ditiap daerah adalah “tidak sama”
untuk setiap bidang industri.
2. Pemilihan Tingkat Kepentingan (Level of Significance):

α = 0,05

3. Penentuan Distribusi Pengujian yang Digunakan:

Dalam uji ini yang digunakan adalah distribusi probabilitas Chi-Kuadrat, χ2
Tabel kontingensi pada kasus ini memiliki 3 baris (r = 3) dan 3 kolom (c = 3) maka, df = v
= (r-1)(c-1) = (3-1)(3-1) = 4.
4. Pendefinisian Daerah-daerah Penolakan atau Kritis:

Dari tabel χ2untuk α = 0,05; df = v = 4; diperoleh χ2 = 9,488.
5. Pernyataan Aturan Keputusan (Decision Rule):

Tolak H0 dan terima H1 jika RUχ2 > 9,488, jika tidak demikian terima H0.
6. Perhitungan Rasio Uji (Test Ratio, TR):

Untuk perhitungan dilakukan dengan matriks sbb:
Bidang Industri
Daerah Mekanikal
Produksi Migas Manufaktur ∑ Baris
Migas
O 50 40 35 125
(∑ 𝑏𝑎𝑟𝑖𝑠) 𝑥 (∑ 𝑘𝑜𝑙𝑜𝑚)
𝐸=
A ∑ 𝑡𝑜𝑡𝑎𝑙
E
(125)(130)/(310)= (125)(80)/(310)=
(125)(100)/(310)=40,32
52,42 32,26
O 30 45 25 100
B (100)(100)/(310)= (100)(130)/(310)= (100)(80)/(310)=
E
32,26 41,94 25,81
O 20 45 20 85
C (85)(130)/(310)= (85)(80)/(310)=
E (85)(100)/(310)= 27,42
35,65 21,94
Ʃ ∑ total =
100 130 80
kolom 310

(𝑂 − 𝐸)2
Baris - Kolom O E (O - E) (𝑂 −
𝑅𝑈𝝌𝟐 =
𝐸)2 𝐸
93,702/40,32 =
A - Produksi Migas 50 40,32 9,68 93,702
2,323
A - Manufaktur 40 52,42 -21,42 154,256 2,942
A - Mekanikal Migas 35 32,26 2,74 7,508 0,233
B - Produksi Migas 30 32,26 -2,26 5,108 0,158
B - Manufaktur 45 41,94 3,06 9,364 0,224
B - Mekanikal Migas 25 25,81 -0,81 0,656 0,225
C - Produksi Migas 20 27,42 -7,42 55,056 2,008
C - Manufaktur 45 35,65 9,35 87,423 2,455
C - Mekanikal Migas 20 21,94 -1,94 3,764 0,171
Ʃ 310 310 10,539
(𝑂 − 𝐸)2
𝑅𝑈𝜒2 = 𝜒2 =∑[ ] = 𝟏𝟎, 𝟓𝟑𝟗
𝑡𝑒𝑠𝑡
𝐸
Karena 𝑅𝑈𝜒2 = 10,539 adalah > 9,488 maka H0 ditolak. Kesimpulannya adalah
persentase populasi kebutuhan sarjana teknik ditiap daerah adalah “tidak sama” untuk
setiap bidang industri.
Latihan Lanjutan:
L-6.1:
Sebuah pusat studi ketenagakerjaan mengklaim bahwa telah terjadi perubahan dalam tingkat
pendidikan untuk posisi manajer produksi di perusahaan-perusahaan industri skala menengah
selama kurun waktu 5 tahun terakhir. Penelitian menunjukkan bahwa 5 tahun yang lalu 15
persen manajer lulusan SMA, 64 persen lulusan Politeknik / Diploma, 8 persen sarjana S1, dan
13 persen pascasarjana S2. Suatu sampel acak yang diambil baru-baru ini dari sejumlah 216
orang manajer produksi memberikan basil sebagai berikut: lulusan SMA sebanyak 19 orang,
lulusan politeknik/diploma 132 orang, lulusan sarjana SI 30 orang, dan sisanya lulusan
pascasarjana S2. Dengan tingkat kepentingan 0,01, gunakan uji keselarasan fungsi untuk
menentukan apakah terdapat perubahan dalam tingkat pendidikan pada populasi manajer
produksi selama 5 tahun terakhir ini.

L-6.2:
Seorang insinyur pertanian sedang menguji sifat dominan dan resesif dari persilangan duajenis
tumbuhan dan memperkirakan akan terdapat empat kelas hibrida yang dihasilkan dengan rasio
teoritis 9 : 3 : 3 : 1. Hasil percobaan menunjukkan bahwa terdapat 860 tumbuhan dan kelas
pertama, 350 dari kelas kedua, 300 dan kelas ketiga, dan 90 dari kelas keempat. Dengan
menggunakan pengujian pada tingkat kepentingan 0,05, tentukan apakah hasil eksperimen
sesuai dengan perkiraan teoritis.
L-6.3:
Tabel kontingensi berikut menunjukkan jumlah komponen yang baik dan yang cacat yang
dihasilkan oleh produksi dari 3 shift waktu kerja di sebuah pabrik manufaktur yang diambil
sampelnya secara acak. Dengan menggunakan tingkat kepentingan 0,05, tunjukkan apakah
terdapat perbedaan yang berarti pada persentase populasi komponen yang cacat pada ketiga
shift waktu produksi tersebut.
Shift Baik Cacat Total

Pertama 90 10 100
Kedua 70 20 90
Ketiga 60 20 80
Total 220 50 270
L-6.4:
Chip-chip yang dipasok kepada sebuah produsen komputer berasal dari 2 vendor.Setiap chip
ditest oleh produsen komputer itu untuk mengetahui 4 jenis cacat, yang paling umum, sebelum
chip tersebut dapat digunakan. Data berikut ini menunjukkan suatu hasil dari pengujian secara
acak selama waktu dua minggu yang diterima dari manajer kendali mutu:
Vendor Cacat Cacat X Cacat Y Cacat Z Total

Vendor A 63 77 39 31 210
Vendor B 27 35 26 19 107
Total 90 112 65 50 317
Dengan menggunakan tingkat kepentingan 0,01, tentukan apakah persentase populasi untuk
cacat- cacat umum tersebut sama untuk kedua vendor.

Latihan Tambahan:
LT-6.1:
Seorang kepala bagian produksi sebuah pabrik mesin cuci sedang mengkaji dua prosedur baru
dalam merakit mesin cuci yang didesain agar mampu mengurangi waktu yang dibutuhkan untuk
menghasilkan sebuah mesin cuci.Tiga sampel acak kelompok pekerja telah dipilih untuk
pengkajian tersebut. Kelompok I dilatih dengan menggunakan metode lama, kelompok II dilatih
dengan salah satu prosedur baru (A), sedangkan kelompok III dilatih dengan prosedur baru yang
lainnya (B). Setelah satu bulan dilatih, setiap pekerja dari masing-masing kelompok dicatat
waktunya dalam merakit sebuah mesin cuci, dengan waktu sebagai bcrikut (dalam menit):
Kelompok I (4 oorang) Kelompok II (5 orang) Kelompok III (4 orang)

14,81 14,43 14,38 _
14,62 14,50 14,29
15,02 14,32 14,33 _
14 65 14.37 14,36
14.41
Dengan menggunakan uji ANOVA pada tingkat kepentingan 0,05, tentukan apakah waktu rata-rata
untuk merakit dengan ketiga teknik itu memiliki perbedaan yang berarti.
LT-6.2:
Perusahaan kamera digital "Olympis" merencanakan akan memasang sejenis baterai khusus
dalam produk kamera digital terbarunya. Tiga pemasok baterai menawarkan harga yang sama
yang masih bisa diterima. Namun manajer perusahaan itu ingin mengetahui data ketahanan
baterai dari ketiga perusahaan pemasok tersebut sebelum memilih salah satu pemasok. Masing-
masing 6 buah baterai dari setiap pemasok dipilih dan daya tahan (dalam jam) baterai tersebut
diuji, yang menghasilkan data sebagai berikut:
Baterai Tahan Lama Baterai Tidak Berhenti Baterai Selalu Aktif

144 168 184
136 150 172
146 142 168
134 166 187
150 136 176
Dengan menggunakan menggunakan uji statistik ANOVA, keputusan apa yang sebaiknya diambil
oleh manajer tersebut?

Rangkuman
 Analisis varians (ANOVA) adalah suatu teknik statistik yang memungkinkan kita untuk
mengetahui apakah dua atau lebih mean populasi akan bernilai sama dengan
menggunakan data dari sampel-sampel masing-masing populasi.
 Uji hipotesis chi-kuadrat banyak digunakan untuk dua tujuan, yaitu uji keselarasan fungsi
(goodness-of-fit test) dan uji tabel kontingensi (contingency table test).
o Uji keselarasan fungsi bertujuan untuk mengetahui apakah distribusi dari hasil-hasil
yang teramati pada suatu percobaan terhadap sampel, mendukung suatu distribusi
yang telah dihipotesiskan pada populasi.
o Sedangkan uji tabel kontingensi, yang sering juga disebut sebagai uji independensi,
bertujuan untuk mengetahui apakah data terklasifikasikan silang (cross- classified)
secara independen (tidak saling terikat) atau tidak.
 Uji keselarasan fungsi digunakan untuk mengetahui apakah suatu populasi yang dikaji
memenuhi suatu nilai distribusi probabilitas yang ditentukan. Misalnya uji ini bisa
digunakan untuk mengetahui seberapa dekat suatu kelompok data mengikuti sebuah
distribusi normal, binomial, Poisson atau distribusi probabilitas tertentu lainnya.

Kriteria Penilaian:
 Menggunaan prosedur pengujian ANOVA dan distribusi F untuk mengambil keputusan

statistik mengenai mean dari tiga atau lebih populasi.
 Menggunakan prosedur uji hipotesis chi-kuadrat untuk uji keselarasan fungsi dan uji tabel
kontingensi untuk mengambil keputusan secara statistic.

Referensi:
New Jersey.

BAB VII
REGRESI LINIER SEDERHANA DAN KORELASI

Mahasiswa dapat:
 Menjelaskan tujuan dari analisis regresi dan korelasi.
 Menghitung dan menginterpretasikan arti dari persamaan regresi dan standard error dari
estimasi-estimasi untuk analisis regresi linier sederhana.
 Menggunakan ukuran-ukuran yang diperoleh dari analisis regresi dan korelasi untuk
membuat estimate-estimate interval dari variabel-variabel terikat bagi keperluan peramalan
(forecasting).
 Menghitung dan menjelaskan makna dari koefisien korelasi dan koefisien determinasi dalam
menggunakan teknik-teknik analisis korelasi linier sederhana.
Materi:
7.1 Pendahuluan
7.2 Analisis Regresi Linier Sederhana
7.3 Uji-uji Relasi dan Interval Prediksi
7.4 Analisis Korelasi Linier Sederhana
Buku Ajar: STATISTIK PERMINYAKAN / BAB-7: Regresi Linier Sederhana dan 1

 Menghitung dan menginterpretasikan arti dari persamaan regresi dan standard error dari
estimasi-estimasi untuk analisis regresi linier sederhana
7.1 Pendahuluan
7.1.1 Analisis Regresi dan Korelasi

Sebelum suatu keputusan diambil seringkali perlu dilakukan suatu peramalan
(forecasting) mengenai kemungkinan yang terjadi/harapan dimasa depan yang
berkaitan dengan keputusan tersebut. Hal tersebut dapat lebih mudah dilakukan
bila suatu hubungan/relasi dapat ditentukan antara variabel yang akan diramal
dengan variabel lain yang telah diketahui ataupun sangat mudah untuk diantisipasi.
Untuk keperluan tersebut, regresi dan korelasi sangat luas digunakan sebagai
perangkat analisisnya.
Analisis regresi digunakan untuk mempelajari dan mengukur hubungan statistik

yang terjadi antara dua atau lebih variabel. Dalam regresi sederhana dikaji dua
variabel, sedangkan dalam regresi majemuk dikaji lebih dari dua variabel. Dalam
analisis regresi, suatu persamaan regresi akan ditentukan dan digunakan untuk
menggambarkan pola atau fungsi hubungan yang terdapat antar variabel.
Variabel yang akan diestimasi nilainya disebut variabel terikat (dependent variable
atau response variable) dan biasanya diplot pada sumbu tegak (sumhu-Y). Sedang-
kan variabel bebas (independent variable atau explanatory variable) adalah
variabel yang diasumsikan memberikan pengaruh terhadap variasi variabel terikat
dan biasanya diplot pada sumbu datar (sumbu-X).
Analisis korelasi bertujuan untuk mengukur "seberapa kuat", atau "derajat

kedekatan", suatu relasi yang terjadi antar variabel. Jadi, kalau analisis regresi
ingin mengetahui pola relasi dalam bentuk persamaan regresi, maka analisis
korelasi ingin mengetahui kekuatan hubungan tersebut dalam koefisien
korelasinya. Dengan demikian biasanya analisis regresi dan korelasi sering
dilakukan bersama- sama.

7.1.2 Relasi yang Logis

Dalam menentukan apakah terdapat suatu hubungan yang logis antar variabel,
terutama bila penilaian dilakukan terhadap angka-angka statistik saja, perlu di-
perhatikan beberapa hal yang berkaitan dengan masuk akal atau tidaknya hubungan
tersebut jika ditinjau dari sifat dasar hubungan tersebut. Dalam hal ini terdapat
beberapa kemungkinan bentuk relasi, meliputi hubungan sebab akibat (causeand-
effect relationship), hubungan akibat penyebab yang sama (common-cause factor
relationship), dan hubungan semu (spurious relationship).
Relasi antara kenaikan temperatur dengan kecepatan reaksi proses kimia termasuk
suatu relasi sebab-akibat. Dalam contoh lain, seseorang bisa menemukan suatu
hubungan yang dekat antara peningkatan penjualan rumah dan peningkatan
penjualan kendaraan berrnotor. Namun relasi yang berlaku disini bukan merupakan
relasi sebab akibat, namun merupakan relasi akibat penyebab yang sama (common-
cause factor) yang dikarenakan tingkat pendapatan masyarakat yang juga
meningkat.
Sedangkan jika yang dikaitkan adalah variabel-variabel yang tidak bisa secara logis
menunjukkan adanya hubungan, maka akan didapatkan relasi semu. Misalnya
seseorang mencoba mencari persamaan regresi antara data kenaikan penjualan
furniture di sebuah kota dengan data perubahan temperatur harian rata-rata maka
kemungkinan besar persamaan regresi yang diperolehnya tidak mempunyai arti apa-
apa.
7.1.3 Diagram Pencar (Scatter Diagram)
Langkah pertama dalam menganalisis relasi antar variabel adalah dengan membuat
diagram pencar (scatter diagram) yang menggambarkan titik-titik plot dari data yang
diperoleh. Diagram pencar ini berguna untuk:
 membantu melihat apakah ada relasi yang berguna antar variabel.

 membantu menentukan jenis persamaan yang akan digunakan untuk
menentukan hubungan tersebut.
Gambar 7.1 menunjukkan beberapa contoh dari diagram pencar.

7.2 Analisa Regresi Linier Sederhana
7.2.1 Persamaan Regresi Linier Sederhana
Dalam analisis regresi limier sederhana ini akan ditentukan persamaan yang
menghubungkan dua variabel yang dapat dinyatakan sebagai bentuk persamaan
pangkat satu (persamaan linier/persamaan garis lurus).
Persamaan umum garis regresi untuk regresi limier sederhana adalah:
𝒚̂ = 𝒂 + 𝒃. 𝒙 (7.1)
dimana:
𝑦̂ = nilai estimate variabel terikat
a = titik potong garis regresi pada sumbu Y atau nilai estimate 𝑦̂ bila X = 0
b = gradien garis regresi (perubahan nilai estimate 𝑦̂ per satuan perubahan nilai
x) x = nilai variabel bebas.

7.2.2 Sifat-Sifat Garis Regresi Linier
Terdapat dua sifat yang harus dipenuhi sebuah garis lurus untuk dapat menjadi
garis regresi yang cocok (fit) dengan titik-titik data pada diagram pencar, yaitu:
1. Jumlah simpangan (deviasi) positif dari titik-titik yang tersebar diatas garis
regresi, sama dengan (saling menghilangkan) jumlah simpangan negatif dari
titik-titik yang tersebar dibawah garis regresi (lihat Gambar 7.2). Dengan kata
lain,
∑ Δy = ∑ (y - 𝑦̂ ) = 0
2. Kuadrat dari simpangan-simpangan mencapai nilai minimum (least square
value of deviations). Jadi:
∑ Δy2= ∑ (y - 𝑦̂ )2 = minimum
Dengan sifat kedua, metode regresi ini sering juga disebut sebagai metode least
square.
Dengan menggunakan kedua sifat diatas dan menggabungkannya dengan

prinsip-prinsip kalkulus diferensial untuk menentukan nilai ekstrim sebuah
fungsi, maka dapat diturunkan hubungan-hubungan untuk mendapatkan nilai-
nilai konstanta “a” dan “b” pada persarnaan garis regresi, yang hasilnya sebagai
berikut:
𝒏 (∑ 𝒙.𝒚) − (∑ 𝒙)(∑
𝒃) =
𝒚 (7.2)
𝒏 (∑ 𝒙𝟐) − (∑ 𝒙)𝟐
𝒂 = 𝒚̅ − 𝒃. ̅𝒙 (7.3)
dimana:
n = jumlah titik (pasangan pengamatan (x,y)
𝒙̅ = mean dan variabel x
𝒚̅ = mean dari variabel y

Contoh 7.1
 Dari suatu praktikum fisika dasar pada laboratorium Diklat SDM Bidang Keahlian
Migas, diperoleh data yang yang menghubungkan variabel bebas “x” dan variabel
terikat “y” seperti diperlihatkan dalam tabel berikut.
Uji Sampel ke- x y

1 6 30
2 9 49
3 3 18
4 8 42
5 7 39
6 5 25
7 8 41
8 10 52
∑ 56 296
Jika berdasarkan kajian teoritis dan sifat dari fenomena yang menghubungkan x dan
y dapat diasumsikan terdapat suatu bentuk hubungan yang limier, maka persamaan
garis regresinya dapat ditentukan sebagai berikut.

Uji-1 x y x.y x2 y2
1 6 30 180 36 900
2 9 49 441 81 2401
3 3 18 54 9 324
4 8 42 336 64 1764
5 7 39 273 49 1521
6 5 25 125 25 625
7 8 41 328 64 1681
8 10 52 520 100 2704
Σ 56 296 2257 428 11920
∑𝑥 56 ∑𝑦 296
𝑥̅ = = =7 𝑦̅ = = = 37
𝑛 8 𝑛 8
Catatan:
Kolom Y2 ditambahkan pada tabel meskipun belum digunakan untuk
perhitungan persamaan regresi. Nilai tersebut akan digunakan pada
perhitungan standard error estimasi. Jadi dengan menggunakan hasil
tabulasi pada tabel. Nilai konstanta a dan b dapat dihitung sbb:
𝑛(∑ 𝑥. 𝑦) − (∑ 𝑥)(∑ 𝑦) 8(2257) − (56)(296)

𝑏= = 5,1389
𝑛(∑ 𝑥2) − (∑ 𝑥)2 8(428) − (56)2
𝑎 = 𝑦̅ − 𝑏. 𝑥̅ = 37 − (5,1389)(7) = 1,0277
Jadi persamaan garis rgresi linier yang menggambarkan hubungan antara

variabel x dan y dari data sampel pada percobaan/praktikum sebagai
berikut:
𝑦̂ = 𝑎 + 𝑏. 𝑥 = 1,0277 + 5,1389. 𝑥
Dengan menggunakan persamaan garis regersi yang diperoleh

(Gambar 7.3), maka dapat diperkirakan hasil yang akan diperoleh nilai y
untuk suatu nilai x tertentu. Misalnya untuk x = 4, maka y dapat dihitung.
𝑦̂ = 𝑎 + 𝑏. 𝑥 = 1,0277 + 5,1389(4) = 21,583

Terdapat beberapa hal yang perlu diperhatikan dalam menggunakan persamaan garis
regresi untuk menghitung perkiraan suatu hasil.
 Pertama adalah belum diketahui seberapa akurat hasil perkiraan tersebut.

 Kedua kita “tidak bisa” melakukan perkiraan untuk nilai-nilai “diluar kisaran” yang
digunakan untuk membuat persamaan regresi tersebut, karena kita tidak bisa
memastikan bagaimana sifat hubungan antara variahel bebas dan variabel terikat
untuk nilai-nilai yang lebih besar ataupun lebih kecil dari yang diamati.
7.2.3 Standard Error Estimasi

Dalam menggunakan persamaan regresi untuk melakukan suatu perkiraan, terdapat
satu pertanyaan penting mengenai seberapa kuat hubungan antar variabel bebas
dan terikatnya; atau dengan kata lain seberapa besar derajat ketergantungan
(dependability) hasil perkiraan tersebut. Hal ini dapat lebih dimengerti dengan
memperhatikan Gambar 7.4, yang menunjukkan dua diagram pencar yang memiliki
persamaan garis regresi yang sama. Pada Gambar 7.4 (a), terlihat bahwa titik-titik
data terpencar lebih rapat di sekitar garis regresi dibandingkan dengan titik-titik data
pada Gambar 7.4 (b). Dengan nalar secara sederhana saja, kita dapat mengatakan
bahwa suatu estimasi yang dilakukan dengan persamaan garis regresi untuk keadaan
pada Gambar 7.4 (a) akan lebih baik dibandingkan untuk keadaan pada Gambar 7.4
(b).

Ukuran yang mengindikasikan derajat variasi, sebaran data di sekitar garis regresi
dapat menunjukkan seberapa besar derajat keterikatan perkiraan yang diperoleh
dengan menggunakan persamaan regresi tersebut. Ukuran ini dinamakan sebagai
standard error estimasi. Dalam definisi yang lebih tepat standard error estimasi
(sy.x) adalah deviasi standard yang memberikan ukuran penyebaran nilai-nilai
yang teramati disekitar garis regresi, dirumuskan sebagai berikut:
∑(𝑦−𝑦̂ )2 ∑(𝑦 2 )−𝑎(∑ 𝑦 )−𝑏(∑ 𝑥.𝑦 )

𝑠𝑦,𝑥 = √ =√ (7.4)
𝑛−2 𝑛−2
Contoh 7.2
 Dengan menggunakan data dan tabel perhitungan pada Contoh 7.1, maka
standard error estimasi dari garis regresi yang diperoleh adalah:
∑(𝑦 − 𝑦̂ )2 ∑(𝑦 2 ) − 𝑎(∑ 𝑦) − 𝑏(∑ 𝑥. 𝑦)

𝑠𝑦,𝑥 = √ =√
𝑛−2 𝑛−2
𝑠𝑦,𝑥 (11920) − 1,0277(296) − 5,1389(2257)

=√ 8−2 = 1,698
7.3 Uji Relasi dan Interval Prediksi
7.3.1 Relasi pada Sampel Versus Relasi pada Populasi
Suatu pertanyaan akan timbul, jika kemudian ingin diketahui apakah relasi antar
variabel yang diperoleh dari sampel berlaku juga untuk populasinya. Sebagai
ilustrasi, perhatikan diagram pencar populasi pada Gambar 7.5.
Gambar 7.5(a) menunjukkan diagram pencar untuk seluruh populasi yang

menggambarkan hubungan antara variabel bebas X dan variabel terikat Y (simbol
huruf besar digunakan untuk populasi), kemudian andaikan pada pengambilan

sampel kebetulan terpilih titik-titik data seperti yang ditunjukkan oleh Gambar 7.5
(b) dan selanjutnya dihitung persamaan garis regresinya.
Terlihat jelas bahwa interpretasi dari persamaan garis regresi yang diperoleh dari
data sampel dapat memberikan pemahaman yang menyesatkan (misleading) jika
akan diterapkan pada populasinya. Untuk itulah perlu dilakukan uji-uji relasi dan
interval prediksi dalam suatu analisis regresi.
Pada prinsipnya untuk uji-uji relasi bisa digunakan uji-uji hipotesis yang.telah
dipelajari pada bab sebelumnya dengan tambahan bahwa uji-uji tersebut dikaitkan
dengan hasil dari analisis regresi. Beberapa teknik uji relasi akan dijelaskan pada
bagian berikut.
7.3.2 Uji-t untuk Kemiringan (Slope) Garis Regresi
Dalam melakukan inferensi statistik dengan menggunakan analisis regresi

sederhana terdapat beberapa asumsi dasar yang harus terpenuhi, yaitu:
1. Populasi memiliki variabel X dan Y yang berhubungan secara linier dan persamaan
garisnya memiliki nilai perpotongan dengan sumbu Y (A) dan kemiringan (B) yang
tetap. Nilai-nilai a dan b yang diperoleh dan observasi sampel adalah perkiraan
untuk A dan B. Jadi,
2. Untuk setiap nilai X terdapat distribusi nilai Y pada diagram pencar populasi yang
mana nilai tersebut terdistribusi secara normal di sekitar garis regresi (lihat Gambar
7.6).
3. Masing-masing distribusi nilai Y memiliki deviasi standard yang sama (sering disebut
sebagai kondisi homoscedasticity).

4. Masing-masing nilai Y pada distribusi ini saling bebas satu sama lainnya.
Dengan berdasarkan asumsi-asumsi dasar tersebut maka dapat dilakukan sebuah uji
hipotesis mengenai kemiringan (slope) garis regresi menggunakan uji-t yang mengikuti
7 langkah uji hipotesis yang biasa diterapkan sebagai berikut:
1. Pernyataan Hipotesis Nol dan Hipotesis Alternatif .

Dalam persoalan ini ingin diketahui apakah terdapat hubungan antara variabel X dan Y
yang diindikasikan melalui kemiringan garis regresi. Jika tidak terdapat hubungan,
maka nilai B (kemiringan/slope dari garis regresi untuk populasi) adalah nol. Jadi
hipotesis nol dan hipotesis alternatif yang akan diuji adalah:
Ho :B = 0
H1 : B ≠0
2. Pemilihan Tingkat Kepentingan (Level of Significance):

3. Penentuan Distribusi Pengujian yang Digunakan:

Dalam uji ini yang digunakan adalah distribusi “t”. Nilai-nilai dari distribusi ditentukan
dengan mengetahui:
a. Tingkat kepentingan (level of significance) α/2 (uji dua-ujung).
b. Derajat kebebasan / degree of freedom, df = n – 2, dimanan = jumlah
data pasangan.
4. Pendefinisian Daerah Penolakan atau Daerah Kritis:

Daerah penerimaan dan penolakan dibatasi oleh nilai kritis “tcr.”

5. Pernyataan Aturan Keputusan (Decision Rule):

Tolak Ho dan terima H1 jika perbedaan yang terstandard antara kemiringan sampel (b)
dan kemiringan populasi yang dihipotesiskan ( BH0) berada di daerah penolakan. Jika
sebaliknya, terima Ho.
6. Perhitungan Rasio Uji (RU):

𝑏−𝐵𝐻𝑜
𝑅𝑈𝑡𝑡𝑒𝑠𝑡
=𝑡 (7.5)
= 𝑆𝑏
Dimana:
𝑆𝑥,𝑦
𝑆𝑏 = (7.6)
√∑(𝑥2)−(∑ 𝑥)2
𝑛
7. Pengambilan Keputusan Secara Statistik:

Jika nilai rasio uji berada didaerah penerimaan maka hipotesis nol diterima, sedangkan jika
berada didaerah penolakan maka hipotesis nol ditolak.
Contoh 7.3
 Dengan menggunakan data dan tabel perhitungan pada Contoh 7.1 dan
basil perhitungan standard error estimasi dari garis regresi yang diperoleh
pada Contoh 7.2, maka uji kemiringan (slope) garis regresi dapat dilakukan
sebagai berikut:
1. Hipotesis:
H 0: B = 0
H 1: B ≠ 0
Pernyataan untuk H0 dan H1;

H0: Jika tidak terdapat hubungan, maka nilai B (kemiringan/slope dari garis regresi
untuk populasi) adalah = nol.
H1: Jika terdapat hubungan, maka nilai B (kemiringan/slope dari garis regresi
untuk populasi) adalah ≠ nol. (terdapat kemiringan/slope pada garis regresi
untuk populasi, serta hubungan yang berarti benar-benar ada antara variabel
X dan Y.
2. α =0,05

3. Digunakan distribusi t untuk uji-2 ujung: t0,025 dengan df = n-2 = 8-2 =6.
4. Batas-batas daerah penolakan untuk uji-2 ujung :

Dari tabel distribusi t didapat t0,025; 6 = 2,447
Tolak H0 dan terima H1 jika perbedaan yang terstandard antara kemiringan sampel
(b) dan kemiringan populasi yang dihipotesakan (BH0) kurang dari – 2,447 atau lebih
besar dari + 2,447. Jika sebaliknya terima H0.
6. Rasio uji:
𝑆𝑥,𝑦 1,698 1,968
𝑆𝑏 = = = 6 = 0,283
(∑ 𝑥)2 (56)2
√∑(𝑥2) − √428 −
𝑛 8
𝑏 − 𝐵𝐻𝑜 5,1389 − 0
𝑅𝑈𝑡 = 𝑡𝑡𝑒𝑠𝑡 = = = 18,159
𝑆𝑏 0,283
Karena RUt = 18,159 bernilai lebih besar dari tcr = 2,447, maka pernyataan H0: B = 0
ditolak. Hal ini berarti bahwa hipotesa alternatif (H1) yang menyatakan bahwa
terdapat kemiringan pada garis regresi untuk populasi, serta hubungan yang
berarti benar-benar ada antara variabel X dan Y, DITERIMA dengan tingkat
kepentingan 0,05.
Kesimpulan ini juga dapat diperkuat dengan menghitung perkiraan Estimasi

Interval nilai B dengan tingkat kepercayaan 95% sbb:
𝑏 − 𝑡(𝑠𝑏) < 𝐵 < 𝑏 + 𝑡(𝑠𝑏)
5,1389 − 2,447(0,283) < 𝐵 < 5,1389 + 2,447(0,283)
4,4464 < 𝐵 < 5,8314
Ini berarti B ≠ 0

7.3.3 Uji ANOVA untuk Kemiringan (Slope) Garis Regresi
Teknik lain untuk menguji keberadaan kemiringan/slope suatu garis regresi

populasi adalah dengan teknik Analisis of Varians (ANOVA). Uji ANOVA ini akan
memberi hasil yang sama dengan uji-t dalam menentukan apakah ada relasi antara
variabel bebas dan variabel terikat dalam suatu analisis regresi linier sederhana.
Namun uji ANOVA memiliki kelebihan dibanding uji-t karena uji ANOVA dapat
digunakan pula dalam analisis regresi majemuk (multiple regression).
Untuk analisis regresi linier sederhana, uji ANOVA untuk mengetahui apakah ada
hubungan antara X dan Y (terdapat kemiringan/slope yang signifikan pada garis
regresinya) mengikuti prosedur sebagai berikut.
1. Pernyataan Hipotesa Nol dan Hipotesa Alternatif:

H0: Tidak terdapat relasi antara X dan
Y H1: Terdapat relasi antara X dan Y
2. Pemilihan tingkat kepentingan (Level of significance):

Biasanya digunakan 0,01 atau 0,05.
3. Penentuan distribusi pengujian yang digunakan:

Dalam uji ANOVA ini yang digunakan adalah distribusi F. Nilai dari distribusi F telah
dimuat dalam tabel, yang dapat ditentukan dengan mengetahui tiga hal berikut:
a) Tingkat kepentingan α.
b) Derajat kebebasan/degree of freedom (dfnum) untuk sampel yang digunakan
sebagai pembilang dalam rasio uji ini dfnum = m.
Dimana m = jumlah variabel bebas (untuk regresi linier sederhana, m = 1).
c) Derajat kebebasan /degree of freedom (dfden) untuk sampel yang digunakan
sebagai penyebut dalam rasio uji ini dfden = (n – m – 1).
Dimana n = jumlah data observasi (data berpasangan).
4. Pendefinisian daerah-daerah penolakan atau kritis:

Daerah penerimaan dan penolakan ditentukan oleh nilai kritis Fcr.
5. Pernyataan aturan keputusan (Decision Rule):

Tolak Ho dan terima H1 jika RUF > Fcr, jika tidak demikian terima H1.
6. Perhitungan Rasio Uji (RUF):

Rumus yang digunakan untuk menghitung rasio uji (RUF) adalah:

𝝈 𝟐̂ 𝒏𝒕𝒂𝒓𝒂
𝑹𝑼𝑭 = 𝑭𝒕𝒆𝒔𝒕 = 𝒂
𝟐 (7.7)
𝝈̂𝒅𝒂𝒍𝒂𝒎
7. Pengambilan keputusan secara statistik:

Jika nilai rasio uji berada didaerah penerimaan, maka hipotesa nol diterima.
Sebaliknya bila berada didaerah penolakan maka hipotesa nol ditolak (hipotesa
alternatif diterima).
Contoh 7.4
 Dengan menggunakan data dan tabel perhitungan pada Contoh 7.1 maka uji
kemiringan (slope) garis regresi , menggunakan uji ANOVA dapat dilakukan sebagai
berikut:
1. Pernyataan Hipotesa Nol dan Hipotesa Alternatif:

H0: Tidak Terdapat relasi antara X dan Y
H1: Terdapat relasi antara X dan Y
2. Pemilihan tingkat kepentingan (Level of significance):

α = 0,05.
3. Penentuan distribusi pengujian yang digunakan:

Dalam uji ANOVA ini yang digunakan adalah distribusi F. Nilai dari distribusi F telah
dimuat dalam tabel, yang dapat ditentukan dengan mengetahui tiga hal beriku:
a) Tingkat kepentingan α = 0,05.
b) Derajat kebebasan /degree of freedom (dfnum) untuk sampel yang
digunakan sebagai pembilang dalam rasio uji ini dfnum = m. Untuk regresi
linier sederhana, m = 1). dfnum = 1
c) Derajat kebebasan /degree of freedom (dfden) untuk sampel yang digunakan
sebagai penyebut dalam rasio uji ini dfden = (n – m – 1) = 8 – 1 – 1 = 6.
4. Pendefinisian daerah-daerah penolakan atau kritis:

Daerah penerimaan dan penolakan ditentukan oleh nilai kritis Fcr = F0,05; 1; 6 = 5,987
5. Pernyataan aturan keputusan (Decision Rule):

Tolak Ho dan terima H1 jika RUF > Fcr, jika tidak demikian terima H1.
6. Perhitungan Rasio Uji (RUF):

Rumus yang digunakan untuk menghitung rasio uji (RUF) adalah:
𝜎 2̂
𝑅𝑈𝐹 = 𝐹𝑡𝑒𝑠𝑡
= �2
Perhitungan rasio uji ditabelkan sbb:

Source of Degree of Sum of Means
𝑅𝑈𝐹 = 𝐹𝑡𝑒𝑠𝑡
Variation Freedom Squares (SS) Squares (MS)
Regression 1 950,69 950,69 329,61
Error 6 17,31 2,88
Total 7 968,000
Dengan menggunakan program Minitab didapat hasil sbb:
————— 3/11/2022 7:00:03 PM ————————————————————
Regression Analysis: y versus x
The regression equation is

y = 1.03 + 5.14 x
Predictor Coef SE Coef T P

Constant 1.028 2.070 0.50 0.637
x 5.1389 0.2831 18.16 0.000
S = 1.69831 R-Sq = 98.2% R-Sq(adj) = 97.9%
Analysis of Variance
Source DF SS MS F P
Regression 1 950.69 950.69 329.61 0.000
Residual Error 6 17.31 2.88
Total 7 968.00
7. Pengambilan keputusan secara statistik:

Karena RUF = 329,61 < dari Fcr = 5,987, maka H0 diterima dan H1 ditolak. Hal ini
berarti TIDAK TERDAPAT RELASI antara X dan Y.

7.3.4 Estimasi Interval
Nilai estimasi dari sebuah variabel terikat, yang diperoleh dengan menggunakan
suatu persamaan regresi untuk suatu nilai variabel bebas tertentu merupakan suatu
nilai estimasi titik (point estimate). Pada kenyataannya, nilai estimasi ini tidaklah
mutlak tepat, mengingat data terpencar di sekitar garis regresi. Dengan mengetahui
besarnya standard error estimasi (sy,x) maka estimasi titik dapat diperluas menjadi
estimasi interval.
7.3.4.1 Untuk Sampel Besar (n > 30)

Dengan menganggap nilai variabel terikat, y, yang sesungguhnya terdistribusi
normal di sekitar garis regresi maka suatu estimasi interval dapat diperoleh
sebagai:
𝑦̂ ± 𝑧(𝑠𝑦,𝑥 ) (7.8)
Dalam rumus (7.8), Z adalah besaran yang akan menetukan tingkat kepercayaan
dari penerimaan estimasi yang dilakukan. Gambar 7.7 mengilustrasikan estimasi
interval untuk Z = 2.
Darai gambar 7.7 , estimasi interval dengan Z = 2, untuk x1 adalah 𝑦̂ ± 2(𝑠𝑦,𝑥), yang
memiliki probabilitas prediksi 95,4 persen.

7.3.4.2 Untuk Sampel Kecil (n < 30)

a. Prediksi Kisaran Nilai Rata-rata y Jika diketahui x:
Estimasi interval untuk sampel kecil dengan situasi ini dapat diperoleh dengan
rumus berikut:
𝑦̂ = ± 𝑡 (𝑥
𝑥
2
1
[𝑠 √ + 𝑔− ̅) ] (7.9)
𝛼⁄2 (∑ 𝑥)2
𝑦,𝑥 𝑛 ∑(𝑥2)−
𝑛
Dimana:
𝑦̂ = estimasi titik yang dihitung dengan persamaan regresi untuk nilai
x tertentu.
𝑡𝛼⁄2 = nilai t untuk 𝛼⁄2( = tingkat kepercayaan) dengan derajat kebebasan
n – 2.
xg = nilai x yang ditentukan.
n = jumlah pasangan data sampel yang diobservasi.
b. Prediksi Kisaran Nilai Spesifik y jika diketahui x:
𝑦̂ = ± 𝑡 2
[𝑠 √1 + 1 + (𝑥𝑔−𝑥̅) ] (7.10)
𝛼⁄2 𝑦,𝑥 𝑛 (∑ 𝑥)2
∑(𝑥2)−
𝑛
Contoh 7.5
persamaan garis regresi yang dihasilkan serta nilai sy x pada Contoh 7.2, dapat
diprediksi bahwa, dengan tingkat kepercayaan 95 persen dan derajat kebebasan
= n - 2 = 8 - 2 = 6, prediksi Kisaran Nilai Spesifik y jika diketahui x; untuk x = 4.
2
1 (𝑥𝑔−𝑥̅)
]
(∑ 𝑥)2
𝑦̂ = ± 𝑡𝛼⁄2 [𝑠𝑦,𝑥 √ + −
𝑛 ∑( 𝑥2 ) 𝑛

1 (4 − 7)2
]
= 21,583 ± 2,447 [1,698√ (56)2
8 428 −
+
8
Jadi dengan derajat kepercayaan 95 persen diperoleh: 19,038 < y < 24,128.
7.4 Analisa Korelasi Linier Sederhana
Seperti telah diuraikan sebelumnya, untuk mengetahui seberapa dekat hubungan antara
variable, diperlukan suatu ukuran yang menyatakan "kekuatan" relasi tersebut.
Dalarn statistik, ukuran tersebut diperoleh melalui suatu analisis korelasi. Pada bagian ini
akan dibahas dua buah ukuran korelasi tersebut yaitu koefisien determinasi dan
koefisien korelasi.
7.4.1 Variasi Total

Untuk lebih memahami pengertian koefisien determinasi (r2), kita terlebih dahulu akan
membahas beberapa istilah dan konsep seperti yang diilustrasikan pada Gambar 7.8.
Deviasi total merupakan penyimpangan nilai sesungguhnya suatu variabel terikat

terhadap nilai rata-ratanya. Deviasi total dapat diuraikan atas dua deviasi yaitu
deviasi terjelaskan (explained deviation) dan deviasi tak terjelaskan (unexplained
deviation). Deviasi terjelaskan merupakan penyimpangan nilai variabel terikat
menurut prediksi persamaan regresi terhadap nilai rata-ratanya, sedangkan deviasi
tak terjelaskan merupakan penyimpangan nilai variabel sesungguhnya terhadap
nilai variabel menurut prediksi persamaan regresi.
Dengan menggunakan konsep diatas, dapat didefinisikan suatu variasi total (total
variation) yang merupakan jumlah dari variasi terjelaskan (explained variation) dan
variasi tak terjelaskan (unexplained variation) sebagai berikut:
∑(𝑦 ∗ − 𝑦̅)2 = ∑(𝑦̂ − 𝑦̅)2 + ∑(𝑦 ∗ − 𝑦̂ )2 (7.11)
Dimana:
(𝑦 ∗ − 𝑦̅)2 = deviasi total
(𝑦̂ − 𝑦̅)2 = deviasi terjelaskan
(𝑦 ∗ − 𝑦̂ )2 = deviasi tak terjelaskan
Konsep-konsep di atas akan digunakan dalam mendefinisikan koefisien determinasi

dan koefisien korelasi.
7.4.2 Koefisien Determinasi

Koefisien determinasi (r2) didefinisikan sebagai perbandingan dari variasi ter-
jelaskan dengan variasi total:
∑(̂𝒚−̅𝒚)𝟐
𝒓 =
𝟐
(7.12)
(𝒚∗−̅𝒚)𝟐
Dengan menggunakan konstanta-konstanta dari persamaan regresi, rumus (7.12)

dapat dinyatakan sebagai:
𝒂 (∑ 𝒚)+𝒃 (∑ 𝒙.𝒚)−𝒏 (̅𝒚)𝟐

𝒓 =
𝟐 (7.13)
∑(𝒚)𝟐 – 𝒏 (𝒚̅)𝟐
Nilai koefisien determinasi berkisar antara 0 (tidak ada relasi) dan 1 (relasi
sempurna).

7.4.3 Koefisien Korelasi
Koefisien korelasi (r) mempunyai nilai yang merupakan akar dari koefisien
determinasi dan mempunyai tanda dengan ketentuan sebagai berikut:
𝒓 = ± √𝒓𝟐 (7.14)
Tanda r mengikuti tanda konstanta b persamaan regresi (r positif jika b positif,

dan r negatif b negatif). Dengan demikian r berkisar antara -1 sampai +1.
Contoh 7.6
persamaan garis regresi yang dihasilkan, dapat diperoleh koefisien determinasi
dan koefisien korelasi sebagai berikut.
Dan persamaan regresi, a = 1,0277 dan b =5,1389.

Jumlah pasangan pengamatan n = 8. Maka:
𝒂 (∑ 𝒚) + 𝒃 (∑ 𝒙. 𝒚) − 𝒏
𝒓𝟐 = (𝒚̅)𝟐
∑(𝒚)𝟐 − 𝒏 (𝒚̅)𝟐
𝑟2 = 1,0277(296) + 5,138(2257) − = 0,982
8(37)2
11920 − 8(37)2
𝑟 = ± √0,982 = +0,991
7.4.4 Interpretasi Relasi
Dari Contoh 7.6, apakah yang bisa diartikan dari nilai koefisien determinasi sebesar
r2 = 0,982 ? Dengan mengingat kembali bahwa koefisien determinasi merupakan
rasio variasi terjelaskan dengan variasi total, kita dapat mengartikan bahwa sekitar
98,2 persen variasi dari nilai varibel terikat dapat dijelaskan, artinya memang
benar bahwa variasi tersebut dapat dijelaskan oleh variasi nilai variabel bebasnya
(tentu saja masih terdapat sekitar 1,8 persen variasi yang tidak terjelaskan dengan
sebab-sebab yang belum diketahui). Karena nilai r2 tidak dapat melebihi 1, maka nilai
0,982 merupakan nilai yang cukup tinggi.

Meskipun analisis korelasi merupakan metode penting dalam mencari eksitensi

hubungan antara variabel bebas dan terikat, terdapat dua hal yang sering
disalahartikan dari sebuah analisis korelasi, sehingga harus dihindari:
1. Korelasi sering digunakan untuk membuktikan adanya hubungan sebab

akibat. Hal itu merupakan suatu kesalahan interpretasi, sebab koefisien deter-
minasi tidak memberikan informasi apapun mengenai jenis relasi yang terjadi
antar dua variabel. Koefisien determinasi hanya menunjukkan eksistensi dan
"kekuatan" hubungan antara variabel bebas dan terikat tanpa menilai sifat
relasi tersebut.
2. Koefisien korelasi sering diinterpertasikan sebagai nilai persentase. Ini dapat

menimbulkan kesalahan yang sangat serius. Misalnya untuk koefisien korelasi
0,7 tidak berarti 70 persen variasi variable terikat dapat terjelaskan. Karena
yang sebenarnya terjelaskan adalah sebesar (0,7)2 atau 49%.
7.4.5 Rangkuman Grafik
Beberapa relasi linier sederhana dapat diterangkan secara grafis dengan

menggunkan diagram pancar seperti gambar 7.9.
a. Korelasi Positif Sempurna

b. Korelasi Negatif Sempurna
c. dan d korelasi positif dengan kekuatan relasi c lebih besar daripada d.
e. Tidak ada korelasi

Latihan Lanjutan:
L-7.1:
Apakah terdapat hubungan yang berarti antara kapasitas angkut sebuah mobil MPV dengan
konsumsi bahan bakarnya? Pengukuran terhadap 12 jenis mobil MPV dilakukan untuk
mengetahui hubungan tersebut dan hasilnya ditunjukkan dalam data berikut, dimana x adalah
kapasitas dalam (m3) dan y adalah konsumsi bahan bakar dalam (km/ltr).
Mobil Kapasitas Konsumsi

Angkut (m3) Bahan Bakar
(km/ltr)
1 0.34 9.3
2 0.34 9.6
3 0.37 9.0
4 0.40 8.7
5 0.40 7.8
6 0.40 8.0
7 0.43 7.3
8 0.54 6.9
9 0.40 8.0
10 0.34 10.0
11 0.57 6.0
12 0.57 6.3

a) Gambarkan diagram pencarnya.

b) Hitung persamaan regesi dan gambarkan pada diagram pencarnya.
c) Gunakan persamaan regresi untuk memprediksi konsumsi bahan bakar untuk mobil
dengan kapasitas 0,50 meter kubik.
d) Hitung error standard estimasi.
e) Lakukan uji kemiringan t. Apakah memang terdapat hubungan yang sebenarnya
antara kapasitas angkut dengan konsumsi bahan bakar untuk tingkat kepentingan 0,05?
f) Tentukan rata-rata pemakaian bahan bakar untuk mobil dengan kapasitas angkut
0,55 meter kubik dalam selang/interval kepercayaan 95 persen.
g) Tentukan pemakaian bahan bakar untuk mobil tipe DLX 100 yang mempunyai
kapasitas angkut 0,45 meter kubik.
h) Hitung koefisien determinasi.
L-7.2:
Metode regresi liner digunakan untuk menganalisis data dan suatu penelitian yang mengkaji
hubungan antara temperatur permukaan jalan (x) dengan defleksi perkerasan jalan
(pavement).Data yang diperoleh adalah sebagai berikut:
Temperatur Defleksi (y) Temperatur Defleksi (y)

70,0 0,621 72,7 0,637
77,0 0,657 67,8 0,627
72,1 0,640 76,6 0,652
72.8 0,623 73,4 0,630
78.3 0,661 70,5 0,627
74,5 0,641 72,1 0,631
74.0 0,637 71,2 0,641
72,4 0,630 73,0 0,631
75,2 0,644 72,7 0,634
76,0 0,639 71,4 0,638

b) Hitting persamaan regresi dan gambarkan pada diagram pencarnya.
c) Hitung error standard estimasi.
d) Lakukan uji kemiringan t. Apakah memang terdapat hubungan yang sebenarnya
antara temperatur dengan defleksi untuk tingkat kepentingan 0,05.
e) Hitung koefisien determinasi.

L-7.3
Sebuah makalah di journal of Sound and Vibration (Vol. 151, 1991, hal. 383-94)
menggambarkan hubungan antara besarnya kebisingan yang diterima dengan tekanan darah
manusia. Data herikut ini dilaporkan dalam makalah tersebut.
dimana:
y adalah kenaikan tekanan darah dalam mm.Hg, dan x adalah tingkat kekerasan suara
dalam desibel (dB).
b) Hitung persamaan regresi dan gambarkan pada diagram pencarnya.
c) Gunakan persamaan regresi untuk memprediksi kenaikan tekanan darah untuk tingkat
kekerasan suaran 85 dB.
d) Hitung error standard estimasi.
e) Lakukan uji kemiringan t. Apakah memang terdapat hubungan yang sebenarnya
antara peningkatan tekanan darah dengan tingkat kekerasan suara untuk tingkat
kepentingan 0,05?
f) Hitung koefisien determinasi.
Rangkuman
 Analisis regresi digunakan untuk mempelajari dan mengukur hubungan statistik

yang terjadi antara dua atau lebih variabel. Dalam regresi sederhana dikaji dua
variabel, sedangkan dalam regresi majemuk dikaji lebih dari dua variabel.
 Variabel yang akan diestimasi nilainya disebut variabel terikat (dependent
variable atau response variable) dan biasanya diplot pada sumbu tegak (sumhu-
y). Sedang- kan variabel bebas (independent variable atau explanatory variable)
adalah variabel yang diasumsikan memberikan pengaruh terhadap variasi
variabel terikat dan biasanya diplot pada sumbu datar (sumbu-x).
 Analisis korelasi bertujuan untuk mengukur "seberapa kuat", atau "derajat
kedekatan", suatu relasi yang terjadi antar variabel. Jadi, kalau analisis regresi
ingin mengetahui pola relasi dalam bentuk persamaan regresi, maka analisis
korelasi ingin mengetahui kekuatan hubungan tersebut dalam koefisien
korelasinya. Dengan demikian biasanya analisis regresi dan korelasi sering

dilakukan bersama-- sama.

Kriteria Penilaian:
 Menghitung dan menginterpretasikan arti dari persamaan regresi dan standard error
dari estimasi-estimasi untuk analisis regresi linier sederhana.
 Menggunakan ukuran-ukuran yang diperoleh dari analisis regresi dan korelasi untuk
membuat estimate-estimate interval dari variabel-variabel terikat bagi keperluan
peramalan (forecasting).
 Menghitung dan menjelaskan makna dari koefisien korelasi dan koefisien determinasi
dalam menggunakan teknik-teknik analisis korelasi linier sederhana.
Referensi:

 Mandenhall W, Sincich T., 1995., Statistic For Engineering and The Sciences., Prentice
Hall., New Jersey.

Tabel:Distribusi-t
Nilai Kritis-tσ , n


POLNAM JTM/PS. Teknik Produksi Migas
DAFTAR PUSTAKA
Harinaldi., 2005., Prinsip-Prinsip Statistik Untuk Teknik dan Sains., Erlangga., Jakarta
Mendenhall W. and Sincich T., 1996.,Statistic for Engineering and Sciences.,Prentice-

Hall International,Inc., New Jersey.
Bahan Ajar: STATISTIK PERMINYAKAN / Daftar Pustaka 169

Bahan Ajar Statistik Perminyakan Ps - TPM 2022

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bahan Ajar Statistik Perminyakan Ps - TPM 2022

Diunggah oleh

Hak Cipta:

Format Tersedia

BAHAN AJAR (EDISI I: 2019)

(Digunakan khusus hanya di lingkup JTM-Polnam)

PS. Teknik Produksi Migas

Ambon, Maret 2022

Buku Ajar: STATISTIK PERMINYAKAN / i

Buku Ajar: STATISTIK PERMINYAKAN / i

Ambon, Maret 2022

Bahan Ajar: STATISTIK PERMINYAKAN / Kata i

Bahan Ajar: STATISTIK PERMINYAKAN / Daftar i

Capaian Pembelajaran Matakuliah:

1.1 Definisi dan Pengertian

Sub-Capaian Pembelajaran Matakuliah - 1:

1.1 Definisi dan Pengertian

 Kegiatan pengendalian mutu di suatu pabrik manufaktur yang memproduksi elemen-elemen

1.1.4 Parameter dan Statistik

Parameter adalah bilangan/angka yang menggambarkan karakteristik suatu populasi, sedangkan

 Jumlah Uang di Dompet anda vs Ukuran Dompet Anda ?

1.1.6 Statistik Deskriptif/Deduktif

Tahapan aktifitas statistik yang meliputi kegiatan mengumpulkan, mengklasifikasikan, meringkas,

1.1.7 Statistik Inferensial/Induktif

Konsep-konsep statistik inferensial memungkinkan seseorang melakukan analisis dengan

 Seorang analis QA dapat menggunakan statistik inferensial untuk mengetahui kebenaran

Sub-Capaian Pembelajaran Matakuliah - 2:

1.2 Peranan Statistik dan Penerapannya di Bidang Teknik

1.2.1Perlunya Statistik pada Bidang Teknik

 Menggambarkan hubungan-hubungan antara variabel-variabel

 Alat Bantu Pengambilan Keputusan

1.2.2 Penerapan Statistik di Bidang Teknik

Dalam praktek diberbagai bidang keteknikan metode statistik memberikan pendekatan-

 Pencegahan Kegagalan dalam suatu Desain Mesin/Proses

Mencegah terjadinya kegagalan (failure) dengan membuat elemen-elemen (parts) secara

 Analisis Eksperimen Teknik

 Pengendalian Mutu Manufaktur

tepat pada waktunya.

Sub-Capaian Pembelajaran Matakuliah - 3:

1.3 Metode Pemecahan Masalah secara Statistik

1.3.1 Identlfikasi Masalah

1.3.2 Pengumpulan Fakta-fakta yang Ada

1.3.3 Pengumpulan Data Baru: Alat Bantu dan Sampel

a. Simple Random Sample

1.3.4 Pengklasifikasian dan Peringkasan Data

1.3.5 Penyajian dan Analisis Data

1.3.6 Pengambilan Keputusan

Sub-Capaian Pembelajaran Matakuliah -4:

1.4 Peranan Komputer dalam Statistik

1.4.1 Statistik dan Komputer

1,4.2 Spreadsheet dan Paket Program Statistik

 Menerima data dari sumber lain.

a. Parameter 1. Seluruh kumpulan lengkap unit yang dikaji

 Statistik adalah suatu metode ilmiah dalam mengumpulkan,mengklasifikasikan,

 Dapat menjelaskan kembali pengertian statistik, populasi, sampel.

Kebutuhan Sunber Daya:

 Komputer Set + projector

 Harinaldi., 2005., Prinsip-Prinsip Statistik Untuk Teknik dan Sains., Erlangga.,Jakarta

Capaian Pembelajaran Matakuliah:

Bahan Ajar: STATISTIK PERMINYAKAN / BAB-2: Statistik 2

Sub-Capaian Pembelajaran Matakuliah -1:

2.1 Pengumpulan, Pengorganisasian, dan Penyajian Data

2.1.1 Pengumpulan Data

2.1.1.1 Data Kualitatif

a. Data Nominal (Data Kategori)

Bahan Ajar: STATISTIK PERMINYAKAN / BAB-2: Statistik 2

2.1.1.2 Data Kuantitatif