Hipotesis

Pertemuan 10
Buku Walpole Bab 10
 Pengantar
• Populasi (Population): Keseluruhan dari observasi
yang menjadi perhatian kita àJumlahnya bisa
sangat besar seolah tak berhingga.
• Sampel (Sample) à subset dari populasi:
• Biasanya dihasilkan dari proses sampling terhadap
suatu populasi.
• Statistical Inference: Bagaimana mendapatkan suatu
kesimpulan mengenai suatu populasi berdasarkan
sampel.
• Area Statistical Inference:
• Estimasi
• Uji Hipotesis: Dalam beberapa bidang à basis dari
proses Deteksi.
 Hipotesis
• Estimasi: fokusnya pada mencari tahu (mengestimasi)
nilai sebuah parameter.
• Uji Hipotesis: Lebih kepada mencari kebenaran dari
hipotesis yang sudah dirumuskan sebelumnya.
• Hipotesis dalam statistik: Klaim atau pernyataan
mengenai ciri, sifat, karakteristik atau atribut dari satu
atau beberapa populasi.
• Uji Hipotesis: Menguji klaim atau pernyataan mengenai
populasi.
} Contoh:
◦ Menguji pernyataan bahwa “Lulusan Sarjana Teknik
Elektro di Indonesia memiliki rata-rata memiliki waktu
tunggu 3 bulan untuk mendapatkan pekerjaan”
 Struktur Uji Hipotesis
• Null Hypothesis (H0)
• Pernyataan yang diuji dalam sebuah uji hipotesis
• Biasanya berupa initial claim yang sudah dikemukakan oleh
peneliti melalui riset sebelumnya maupun pengetahuan yang
sudah ada.
• Alternative Hypothesis (H1)
• Biasanya adalah klaim terbaru yang akan dibuktikan
kebenarannya. Pembuktian kebenaran H1 akan sekaligus
membuktikan bahwa H0 tidak lagi benar.
• Jika H0 menyatakan bahwa nilai parameter dari suatu populasi
adalah sama dengan harga tertentu, H1 menyatakan bahwa nilai
parameter dari suatu populasi adalah berbeda dengan harga
yang dinyatakan pada H0.
• H0 biasanya menyatakan bahwa fenomena yang sedang
dipelajari tidak memiliki efek atau tidak menimbulkan
perbedaan.
Contoh-contoh
• Sebuah perusahaan pembuat sedotan menghasilkan
sedotan dengan diameter 4 mm. Seorang pekerja
meyakini bahwa mesin yang digunakan sudah tidak
dapat menghasilkan dengan ukuran tersebut
kemudian diambil sampel sebanyak 100 sedotan
untuk dilakukan uji hipotesis dengan confidence
99%. Tuliskan H0 dan H1.
• Dokter meyakini bahwa kebanyakan remaja belasan
tahun tidur reratanya tidak lebih dari 10 jam setiap
harinya. Seorang peneliti meyakini bahwa remaja
tersebut tidur lebih lama. Tuliskan H0 dan H1.
Contoh-contoh
• Dewan sekolah mengeklaim bahwa paling sedikit
60% muridnya membawa sebuah telepon selular ke
sekolah. Seorang guru meyakini bahwa angka
tersebut terlalu tinggi, kemudian diambil sample
secara random sebanyak 25 murid untuk diuji
dengan tingak signifikansi sebesar 0.02. Tuliskan H0
dan H1.
 Test Statistic
Contoh (Walpole et al, 2012):
• Sebuah tipe vaksin diketahui hanya 25% efektif setelah 2
tahun. Akan dibuktikan bahwa vaksin yang lebih baru lebih
unggul daripada vaksin yang sudah ada (bisa melindungi
dari virus dengan jangka waktu yang lebih lama).

• Untuk itu dilakukan pengujian terhadap 20 orang. Ketentuan

pengujian: Jika lebih dari 8 orang yang divaksinasi dengan
vaksin baru kemudian tidak terkena virus selama lebih dari 2
tahun à vaksin baru dinyatakan lebih unggul daripada
vaksin lama (catat bahwa 25% * 20 =5).
 Test Statistic (Lanjutan)
§ H0: Vaksin baru sama efektifnya dengan vaksin lama (p=0.25)
§ H1: Vaksin baru lebih efektif daripada vaksin lama (p>0.25).
§ Test Statistic (yang menjadi bahan pengambilan keputusan):
Random variable X yaitu jumlah individual yang tidak terkena
virus selama lebih dari 2 tahun setelah vaksinasi.

Critical Region

Do not reject H0
Reject H0 (p > 0.25)
(p=0.25)
X
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Critical Value: Nilai terakhir menjelang memasuki Critical Region

 Error dalam Uji Hipotesis
• Error Tipe I: Penolakan (Rejection) terhadap H0 padahal
H0 benar.
• Error Tipe II: Tidak melakukan Penolakan Terhadap H0
padahal H0 salah.

H0 is true H0 is false
Do not reject H0 Correct Decision Type II Error
Reject H0 Type I Error Correct Decision

} Probabilitas melakukan Error Tipe I disebut dengan

tingkat signifikansi (disimbolkan dengan α)
} Probabilitas melakukan Error Tipe II disimbolkan
dengan β)
 Error dalam Uji Hipotesis (lanjutan)
• Contoh Vaksinasi: Level of Significance:
<=
1 1
𝛼 = 𝑃 type I error = 𝑃 𝑋 > 8 when 𝑝 = = 5 𝑏 𝑥; 20,
4 4
E >?@
1
= 1 − 5 𝑏 𝑥; 20, = 1 − 0.9591 = 0.0409
4
>?=

Distribusi Binomial:
} Contoh Vaksinasi: Prob. Error Tipe II àHanya bisa dihitung
jika alternative hypothesis lebih spesific (misal H1: p=1/2)
1
𝛽 = 𝑃 type II error = 𝑃 𝑋 ≤ 8 when 𝑝 =
E
2
1
= 5 𝑏 𝑥; 20, = 0.2517
2
>?=

α kecil tapi β cukup besar => kita ingin keduanya kecil

 Peranan α, β, dan ukuran sampel
• Kasus vaksinasi: Andai kita enggan melakukan kesalahan
tipe II saat H1: p=1/2 bernilai benar.
• Kita bisa geser critical value ke 𝑋 = 7 sehingga critical
region mencakup nilai 𝑋 > 7.
<= I
1 1
𝛼 = 5 𝑏 𝑥; 20, = 1 − 5 𝑏 𝑥; 20, = 1 − 0.8982 = 0.1018
4 4
>?E >?=

dan
I
1
𝛽 = 5 𝑏 𝑥; 20, = 0.1316
2
>?=

◦ Kita berhasil menurunkan β tapi akibatnya α naik! à apabila ukuran

sampel tetap, penurunan peluang jenis error yang satu disertai dengan
kenaikan peluang jenis error yang lain.
◦ Untungnya, probabilitas untuk kedua jenis error dapat diturunkan
dengan menambah ukuran sampel. Akan ditunjukkan dalam slide
berikut.
 Peranan α, β, dan ukuran sampel (lanjutan)
• Kasus vaksinasi:
• Naikkan jumlah sampel ke 100.
• Set critical value ke 36 (Reject H0: 𝑝 = 1/4 dan terima H1: 𝑝 >
1/4 jika 𝑋 > 36 (sedikitnya 37 dari 100 pasien yang terima
vaksin baru bebas virus selama lebih dari 2 tahun)

} Mempermudah perhitungan à Gunakan pendekatan kurva normal

(Gaussian).
} Untuk distribusi binomial, mean dan standar deviasi (stdev)
diberikan oleh:
1
𝜇 = 𝑛𝑝 = 100 = 25
4

1 3
𝜎 = 𝑛𝑝𝑞 = 100 = 4.33
4 4
Peranan α, β, dan ukuran sampel (lanjutan)
Prob. Error Tipe I diberikan oleh luasan di bawah kurva di sebelah kanan
𝑋 = 36.5.
Petakan ke kurva
distribusi standar normal
(zero mean-unit variance)

36.5 − 25
𝑧= = 2.66
4.33
Figure 10.2 of Walpole, et al (2012), Probabilty &
Statistics For Engineers & Scientists

1
𝛼 = 𝑃 type I error = 𝑃 𝑋 > 36 jika 𝑝 = ≈ 𝑃(𝑍 > 2.66)
4
= 1 − 𝑃 𝑍 < 2.66 = 1 − 0.9961 = 0.0039
Catatan: Gunakan tabel kurva normal
 Peranan α, β, dan ukuran sampel (lanjutan)
Prob. Error Tipe II bisa dihitung untuk alternative hypothesis H1 yang
spesifik, misal 𝐻1: 𝑝 = 1/2 àAsumsikan H1 benar
Untuk kurva yang
diasosiasikan dengan 𝐻1:
1
𝜇 = 𝑛𝑝 = 100 = 50
2
1 1
𝜎 = 𝑛𝑝𝑞 = 100 =5
2 2
Prob. Error Tipe II
diberikan oleh luasan di Figure 10.3 of Walpole, et al (2012), Probabilty &
bawah kurva H1 di Statistics For Engineers & Scientists
sebelah kiri 𝑋 = 36.5. 1
𝛽 = 𝑃 𝑥 ≤ 36 jika 𝑝 =
2
36.5 − 50 ≈ 𝑃 𝑍 < −2.7 = 0.0035
𝑧= = −2.7
5
Kenaikan ukuran sampel menurunkan baik α
maupun β!
 Contoh: Continuous Random Variable
• Distribusi berat siswa di suatu sekolah tidak diketahui, namun
standar deviasinya diketahui: 𝜎 = 3.6
• 𝐻0: Rerata berat siswa di sekolah tsb. ialah 68 kg (µ = 68)
• 𝐻1: Rerata berat siswa di sekolah tsb. bukan 68 kg (µ ≠ 68)
Ketentuan Pengujian (Biru: Critical Region)

Figure 10.4 of Walpole, et al (2012), Probabilty & Statistics For Engineers & Scientists

} Tes Statistik dipakai: Sample Mean 𝑋_ . Ukuran sampel 𝑛 = 36.

} 𝑋_ diperoleh dari jumlahan beberapa random variabel yang identik
dan independent (i.i.d) à Central Limit Theorem à 𝑋_ adalah
Gaussian/normal random variable! dengan stdev:
𝜎 3.6
𝜎`_ = = = 0.6
𝑛 6
 Contoh: Continuous Random Variable
Prob. Error Tipe I:
𝛼=𝑃 𝑋_ < 67 jika 𝜇 = 68
+𝑃 𝑋_ > 69 jika 𝜇 = 68
Petakan ke kurva
distribusi standar normal

Figure 10.5 of Walpole, et al (2012), Probabilty & Statistics

For Engineers & Scientists
67 − 68
𝑧b = = −1.67 α bisa dikurangi dengan menambah
0.6
69 − 68 ukuran sampel ataupun mengubah
𝑧< = = 1.67
0.6 ukuran critical region.
Jika 𝑛 dinaikkan menjadi 𝑛 = 64,
3.6
𝜎`_ = = 0.45
8
𝛼 = 𝑃 𝑍 < −1.67 + 𝑃(𝑍 > 1.67)
67 − 68 69 − 68
𝑧b = 𝑧
= −2.22 < = = 2.22
= 2𝑃 𝑍 < −1.67 = 0.0950 0.45 0.45
𝛼 = 𝑃 𝑍 < −2.22 + 𝑃 𝑍 > 2.22 = 0.0264
 Contoh: Continuous Random Variable
• Misalkan untuk 𝑛 = 64, diinginkan untuk me-reject 𝐻0 saat 𝜇 ≥
70. Error tipe II bisa dievaluasi untuk 𝐻1: 𝜇 = 70.
Untuk kurva yang
diasosiasikan dengan 𝐻1:

𝛽 = 𝑃(67 ≤ 𝑋_ ≤ 69 jika 𝜇 = 70

67 − 70
Figure 10.6 of Walpole, et al (2012), Probabilty & Statistics 𝑧b = = −6.67
For Engineers & Scientists
0.45

69 − 70
𝑧< = = −2.22
0.45

𝛽 = 𝑃 −6.67 < 𝑍 < −2.22 = 𝑃 𝑍 < −2.22 − 𝑃(𝑍 < −6.67)

= 0.0132 − 0.0000 = 0.0132
 Catatan Penting Uji Hipotesis
• Error Tipe I dan Error Tipe II saling berkaitan.
Penurunan peluang error yang satu menyebabkan
naiknya peluang error yang lain.
• Ukuran dari Critical Region (yang proporsional dengan
peluang terjadinya Error Tipe I) bisa dikurangi dengan
mengubah critical value.
• Kenaikan ukuran sampel n menurunkan α dan β secara
simultan.
• Power suatu test didefinisikan sebagai peluang
ditolaknya H0 pada saat alternative hipothesis tertentu
bernilai benar. Besarnya adalah 1-β.
 One- and Two Tailed Test
} One-Tailed Test: Pengujian hipotesis statistik di mana
alternative hypothesis bersifat one-sided.
◦ 𝐻0: 𝜃 = 𝜃0, dan 𝐻1: 𝜃 > 𝜃0 (critical region in the right tail)
◦ Atau: 𝐻0: 𝜃 = 𝜃0, dan 𝐻1: 𝜃 < 𝜃0 (critical region in the left
tail)
◦ Contoh: Kasus Vaksin pada slide sebelumnya.

• Two-Tailed Test: Pengujian hipotesis statistik di mana

alternative hypothesis bersifat two-sided.
• 𝐻0: 𝜃 = 𝜃0, dan 𝐻1: 𝜃 ≠ 𝜃0 (critical region terbagi 2
bagian, left and right tail, masing2 memiliki probabilitas
yang sama)
• Contoh: Kasus Berat Badan pada slide sebelumnya.
 Left-tailed Test
H0: µ ≥ 200
H1: µ < 200
Points Left

Reject H0 Fail to reject H0

Values that
differ significantly
from 200 200
Right-tailed Test
H0: µ ≤ 200
H1: µ > 200
Points Right

Fail to reject H0 Reject H0

Values that
differ significantly
200 from 200
 Two-tailed Test
H0: µ = 200 α is divided equally between
H1: µ ≠ 200 the two tails of the critical
region

Means less than or greater than

Reject H0 Fail to reject H0 Reject H0

200

Values that differ significantly from 200

 Critical Region
Set of all values of the test statistic that would cause a
rejection of the null hypothesis
Critical
Region

Critical
Region
 Critical Region
Set of all values of the test statistic that would cause a
rejection of the null hypothesis

Critical
Regions
 Critical Value
Value (s) that separates the critical region from
the values that would not lead to a rejection of
H0
Reject H0 Fail to reject H0

Critical Value
( z score )
 Pendekatan Uji Hipotesis
• Seringkali diinginkan nilai peluang terjadinya Error
Tipe I (level of significant) bernilai tetap. Pada kondisi
ini langkah uji hipotesis bisa dituliskan:
• Nyatakan null- dan alternative hypothesis
• Pilih nilai α yang diinginkan.
• Pilih jenis test statistic dan tentukan critical region
berdasarkan nilai α yang ditentukan.
• Tolak null-hypothesis jika nilai test statistic jatuh pada
critical region. Selain itu null-hypothesis jangan
ditolak
• Tarik kesimpulan
Pengujian Nilai Mean
• Sample Tunggal
• Sampel Ganda
Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui)
• Model berdasarkan pada sebuah eksperimen dengan
X1, X2, …, Xn , masing2 merepresentasikan random
sample dari sebuah populasi dengan distribusi yang
memiliki mean 𝜇 dan variance 𝜎2.
• Hipotesis à 𝐻0: 𝜇 = 𝜇0, dan 𝐻1: 𝜇 ≠ 𝜇0
• Test Statistic: Sample Mean 𝑋_ yang distribusinya
adalah Gaussian/Normal jika ukuran sampel (n) cukup
besar (Central Limit Theorem: X1, X2, …, Xn i.i.d.)
dengan mean mean 𝜇 dan variance 𝜎2/𝑛.
• Critical Region: Two-Tailed!
 Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui)
• Standardisasikan 𝑋_:
𝑋_ − 𝜇
𝑍=
𝜎/ 𝑛

} Dengan demikian, Z adalah standard normal random variabel

(mean 0 dan variance 1).
} Pada saat 𝐻0: 𝜇 = 𝜇0 benar, 𝑛 𝑋_ − 𝜇= /𝜎
mengikuti distribusi normal standard (mean 0 dan
variance 1).
} Sehingga non-rejection region bisa dituliskan:

𝑋_ − 𝜇=
𝑃 −𝑧e/< < < 𝑧e/< = 1 − 𝛼
𝜎/ 𝑛
 Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui)
• Reject 𝐻0 dan terima 𝐻1: 𝜇 ≠ 𝜇0 jika:
𝑥̅ − 𝜇= 𝑥̅ − 𝜇=
𝑧= > 𝑧e/< atau 𝑧=
𝜎/ 𝑛
< −𝑧e/<
𝜎/ 𝑛

} Jangan Reject 𝐻0 jika: −𝑧e/< < 𝑧 < 𝑧e/<

Bisa pula dituliskan:

} Reject 𝐻0 dan terima 𝐻1: 𝜇 ≠ 𝜇0 jika:
𝑥̅ < 𝑎 atau 𝑥̅ > 𝑏
} Dengan

𝜎 𝜎
𝑎 = 𝜇= − 𝑧e /< , 𝑏 = 𝜇= + 𝑧e /<
𝑛 𝑛
Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui)

Figure 10.9 of Walpole, et al (2012), Probabilty & Statistics For Engineers &
Scientists: Critical Region for the alternative hypothesis 𝜇 ≠ 𝜇0
 Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui): One Sided Hypotheses
• Hipotesis à 𝐻0: 𝜇 = 𝜇0, dan 𝐻1: 𝜇 > 𝜇0
} Reject 𝐻0 dan terima 𝐻1: 𝜇 > 𝜇0 jika:
𝑥̅ − 𝜇= Critical Region ada di
𝑧= > 𝑧e /< Upper Tail
𝜎/ 𝑛

} Hipotesis à 𝐻0: 𝜇 = 𝜇0, dan 𝐻1: 𝜇 < 𝜇0

} Reject 𝐻0 dan terima 𝐻1: 𝜇 < 𝜇0 jika:
𝑥̅ − 𝜇= Critical Region ada di
𝑧= < −𝑧e/<
𝜎/ 𝑛 LowerTail
Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui): Contoh
• Contoh 1: Sebuah sampel random berisikan 100
catatan kematian di AS dalam tahun terakhir
menunjukkan bahwa rerata usia hidup sebesar
71.8 tahun. Asumsikan standar deviasi usia hidup
dari populasi adalah 8.9 tahun. Apakah temuan ini
mengindikasikan bahwa rerata (mean) usia hidup
dari seluruh populasi adalah lebih dari 70 tahun?
Gunakan level of significance 0.05.
 Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui): Contoh
• Solusi Contoh 1:
• 𝐻0: 𝜇 = 70 tahun dan 𝐻1: 𝜇 > 70 tahun
• 𝛼 = 0.05
• Critical Region (lihat tabel Kurva Normal): z > 1.645
dengan: 𝑥̅ − 𝜇=
𝑧=
𝛼/ 𝑛
◦ 𝑥̅ = 71.8 tahun, 𝜎 = 8.9 tahun,
dengan demikian
◦ 𝑧 = (71.8 − 70)10/8.9 = 2.02
◦ Keputusan: Tolak 𝐻0 dan
simpulkan bahwa rerata usia hidup
Figure 10.10 of Walpol e, et al (2012), Probabilty & Statistics For
populasi sudah lebih dari 70 tahun. Engineers & Scientists

𝑃 = 𝑃 𝑍 > 2.02 = 0.0217

Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui): Contoh
• Contoh 2: Pabrik pembuat senar pancing telah
mengembangkan senar pancing yang diklaim
memiliki kemampuan angkut maksimum 8 kg.
Standard deviasi kemampuan angkut diketahui
sebesar 0.5 kg. Uji hipotesis 𝜇 = 8 kg dengan
alternatif 𝜇 ≠ 8 kg jika random sampel
berukuran 50 senar pancing telah diuji dan
ditemukan bahwa rerata kemampuan angkut
sampel tersebut adalah 7.8 kg. Gunakan level of
significant 0.01.
 Pengujian Nilai Mean dari Sampel Tunggal
(Variance diketahui): Contoh
• Solusi Contoh 2:
• 𝐻0: 𝜇 = 8 kg dan 𝐻1: 𝜇 ≠ 8 kg
• 𝛼 = 0.01
• Critical Region (lihat tabel Kurva Normal): z < -2.575
dan z > 2.575 dengan: 𝑥̅ − 𝜇=
𝑧=
𝛼/ 𝑛
◦ 𝑥̅ = 7.8 kg, 𝜎 = 0.5 kg, 𝑛 = 50,
dengan demikian
I.EvE w=
◦ 𝑧= = −2.83
=.w
◦ Keputusan: Tolak 𝐻0 dan simpulkan
bahwa rerata kemampuan angkut jala
tidak sama dengan 8 kg. Figure 10.10 of Walpol e, et al (2012), Probabilty & Statistics
For Engineers & Scientists

𝑃 = 𝑃 𝑍 > 2.83 = 2𝑃 𝑍 < −2.83 = 0.0046

Pengujian Nilai Mean dari Sampel Tunggal
(Variance tidak diketahui)
• Model berdasarkan pada sebuah eksperimen dengan X1,
X2, …, Xn, masing2 merepresentasikan random sample
dari sebuah populasi dengan distribusi
normal/Gaussian yang memiliki mean 𝜇 dan variance
𝜎 2.
• Baik 𝜇 dan 𝜎 tidak diketahui
• Karena 𝜎 tak diketahui, dihitung sample variance:
z
1
𝑆< = 5 𝑋y − 𝑋_ <
𝑛−1
y?b

} Dengan demikian, random variable ( 𝑛)(𝑋_ − 𝜇)/𝑆

memiliki Student t-distribution dengan 𝑛 − 1 degrees
of freedom.
 Pengujian Nilai Mean dari Sampel Tunggal
(Variance tidak diketahui)
Two Sided Hypothesis
• Hipotesis à 𝐻0: 𝜇 = 𝜇0, dan 𝐻1: 𝜇 ≠ 𝜇0
• Reject 𝐻0 pada significance level α bila nilai dari t-statistic

𝑥̅ − 𝜇= 𝑥̅ − 𝜇=
𝑡= > 𝑡e/<,zvb atau 𝑡 = < −𝑡e/<,zvb
𝑠/ 𝑛 𝑠/ 𝑛

} Catatan: t-distribution memiliki kurva yang

simetris terhadap nol.
 Pengujian Nilai Mean dari Sampel Tunggal
(Variance tidak diketahui)
One Sided Hypothesis
} Hipotesis à 𝐻0: 𝜇 = 𝜇0, dan 𝐻1: 𝜇 > 𝜇0

} Reject 𝐻0 pada significance level α bila nilai dari t-

statistic 𝑥̅ − 𝜇=
𝑡= > 𝑡e/<,zvb
𝑠/ 𝑛

} Hipotesis => 𝐻0: 𝜇 = 𝜇0, dan 𝐻1: 𝜇 < 𝜇0

} Reject 𝐻0 pada significance level α bila nilai dari t-
statistic
𝑥̅ − 𝜇=
𝑡= < −𝑡e/<,zvb
𝑠/ 𝑛
Pengujian Nilai Mean dari Sampel Tunggal
(Variance tidak diketahui): Contoh
Telah diklaim bahwa setiap vacuum cleaner
menggunakan rerata kwh sebesar 46 kwh per tahun.
12 rumah tangga yang diteliti sebagai sampel
mengindikasikan bahwa vacuum cleaner di ke-12
rumah tangga tersebut memakai rerata 42 kwh per
tahun dengan standard deviasi 11.9 kwh per tahun.
Nilia significance level 0.05. Asumsikan bahwa
populasi dari jumlah kwh mematuhi distribusi
normal.
• Apakah ini mengindikasikan pada bahwa seluruh
populasi vacuum cleaner secara rerata
menggunakan kurang dari 46 kwh per tahun?
 Pengujian Nilai Mean dari Sampel Tunggal
(Variance tidak diketahui): Contoh
• Solusi: 𝐻0: 𝜇 = 46 kwh dan 𝐻1: 𝜇 < 46 kwh
• 𝛼 = 0.05
• Critical Region (lihat tabel Kurva distribusi t):
t < - 1.796 dengan:
>̅ v €•
𝑡= dengan 11 degree of freedom
‚/ z

} 𝑥̅ = 42 kwh, 𝑠 = 11.9 kwh, 𝑛 = 12, dengan demikian

~<v~• b<
} 𝑡= = −1.16
bb.@
} Keputusan: Jangan tolak 𝐻0 dan simpulkan bahwa rerata
kwh yang digunakan oleh home vacuum cleaner per
tahun tidak secara signifikan lebih kecil dari 46kwh
 Pengujian Nilai Mean dari Sample Ganda
Dua buah random sample dengan ukuran masing-masing 𝑛b dan 𝑛<
diambil dari populasi dengan means masing-masing 𝜇b dan 𝜇<dan varians
𝜎b dan 𝜎< . Ramdom variable berikut ini mempunyai distribusi normal.
𝑋_b − 𝑋_< − 𝜇b − 𝜇<
𝑍=
𝜎b</𝑛b + 𝜎<</𝑛<
Jika diasumsikan bahwa 𝜎b = 𝜎< = 𝜎, sehingga:

𝑋_b − 𝑋_< − 𝜇b − 𝜇<

𝑍=
𝜎 1/𝑛b + 1/𝑛<
Hipotesis two-sided pada secara umum dapat dituliskan sebagai:
𝐻=: 𝜇b − 𝜇< = 𝑑=
 Pengujian Nilai Mean dari Sample Ganda
Nilai 𝑥̅b dan 𝑥̅ < dihitung dan nilai 𝜎b dan 𝜎< diketahui, statistik test
diberikan sebagai berikut.
𝑥̅b − 𝑥̅ < − 𝑑=
𝑍=
𝜎b</𝑛b + 𝜎<</𝑛<

Dengan demikian, tolak 𝐻=dan pilih 𝐻b : 𝜇b − 𝜇< ≠ 𝑑= jika 𝑧 > 𝑧e/< atau
𝑧 < −𝑧e/<.

Untuk one-sided misalnya 𝐻b : 𝜇b − 𝜇< > 𝑑=

 Pengujian Nilai Mean dari Sample Ganda
(Varians sama tapi tidak diketahui)
Asumsi : 𝜎b = 𝜎< = 𝜎
Untuk hipotesis two-sided:
𝐻= : 𝜇b = 𝜇<
𝐻b : 𝜇b ≠ 𝜇<
Kita akan tolak 𝑯𝟎 dengan tingkat signifikansi 𝛼 jika nilai statistik 𝑡 :

𝑥̅b − 𝑥̅ < − 𝑑=
𝑡=
𝑠‡ 1/𝑛b + 1/𝑛<
dengan:
< <
<
𝑠b b𝑛 − 1 + 𝑠 < 𝑛< − 1
𝑠‡ =
𝑛b + 𝑛< − 2
melebihi 𝑡e/<ˆz‰v< atau kurang dari −𝑡e/<ˆz‰v< .
 Pengujian Nilai Mean dari Sample Ganda
(Varians beda dan tidak diketahui)
Asumsi : 𝜎b ≠ 𝜎< maka statistiknya adalah:

𝑋_b − 𝑋_< − 𝑑=
𝑇′ =
𝑠b</𝑛b + 𝑠<</𝑛<

mempunyai distribusi-t dengan degree of freedom sebagai berikut:

𝑠b</𝑛b + 𝑠<</𝑛< <

𝑣= <
𝑠b /𝑛b </ 𝑛b − 1 + 𝑠<</𝑛< < / 𝑛< − 1

maka hasilnya adalah tidak menolak 𝑯𝟎 apabila:

−𝑡e/<,• < 𝑡 Ž < 𝑡e/<,•
Contoh
• Sebuah eksperimen dilakukan untuk memban-
dingkan keausan dua material yang berbeda. Dua
belas material 1 diuji dengan dengan mesin
pengukur keausan. Sepuluh material 2 diuji
dengan cara yang sama. Dalam setiap kasus
kedalaman keausannya. Sampel material 1
memberikan rata-rata keausan 85 unit dengan
standar deviasi 4 dan sampel material 2
memberikan rata-rata 81 dengan standar deviasi
5. Dapatkah kita ambil kesimpulan dengan
tingkat signifikansi 0.05 bahwa tingkat keausan
material 1 melebihi material 2 lebih dari 2 unit.
Anggap bahwa populasi mempunyai distribusi
normal dengan varians yang sama.
Solusi:
• Dengan 𝜇b dan 𝜇<adalah means populasi untuk material 1
dan material 2.
• 𝐻=: 𝜇b − 𝜇< = 2
• 𝐻b : 𝜇b − 𝜇< > 2
• 𝛼 = 0.05
• Critical region:𝑡 > 1.725 dengan:
>̅• v>̅‰ v••
𝑡=
‚‘ b/z• ˆb/z‰
dengan degree of freedom 𝑣 = 𝑛b + 𝑛< − 2 = 20
𝑥̅b = 85, 𝑠b = 4, 𝑛b = 12
𝑥̅ < = 81, 𝑠< = 5, 𝑛< = 10
Solusi:

11 16 + 9 25
𝑠‡ = = 4.478
12 + 10 − 2

85 − 81 − 2
𝑡= = 1.04
4.478 1/12 + 1/10

𝑃 = 𝑃 𝑇 > 1.04 ≈ 0.16

Dapat diambil kesimpulan bahwa jangan tolak 𝐻=.

Kita tidak dapat mengambil kesimpulan bahwa keausan
material 1 tidak melebihi material 2 lebih dari 2 unit.
 Paired Observation
• Paired observation è setiap satuan eksperiment terdiri
atas pasangan observasi.
• Misalnya: Eksperimen untuk mengobservasi berat badan
“sebelum” dan “sesudah” melakukan diet khusus. Untuk
menentukan diet tersebut efektif atau tidak, maka
perbedaannya yang ditinjau:

• Perbedaan ini adalah nilai dari random variabel sbb:

• dengan mean: dan varians:

 Paired Observation (lanjutan)
• Komputasi confidence interval untuk 𝜇b − 𝜇< dalam
kasus paired observation berdasarkan variabel random:

• Asusmsikan bahwa setiap observasi dalam populasi

adalah normal. Sehingga hipotesisnya adalah sbb:

• Nilai hitungan statistiknya adalah sbb:

Critical region didapat dengan distribusi-t dengan

degree of freedom n-1
 Ukuran Sample untuk Pengujian Mean
• Ukuran sampel biasanya ditentukan terlebih dulu guna
mencapai power test yang baik untuk α tertentu dan
hipotesis alternatif tertentu.
• Bila diasumsikan kita ingin menguji:
H0: 𝜇=𝜇0 H1: 𝜇 >𝜇0
dengan significance level α dan variance σ2 diketahui.
• Untuk hipotesis alternatif yang spesifik: 𝜇=𝜇0+𝛿,
diperoleh Power Test:
1 − 𝛽 = 𝑃(𝑋_ > 𝑎 jika 𝜇 = 𝜇= + 𝛿)
maka:
𝛽 = 𝑃(𝑋_ < 𝑎 jika 𝜇 = 𝜇= + 𝛿)
𝑋_ − 𝜇= + 𝛿 𝑎 − 𝜇= + 𝛿
=𝑃 < jika 𝜇 = 𝜇= + 𝛿
𝜎/ 𝑛 𝜎/ 𝑛
 Ukuran Sample untuk Pengujian Mean
𝛽 = 𝑃(𝑋_ < 𝑎 jika 𝜇 = 𝜇= + 𝛿)
𝑋_ − 𝜇= + 𝛿 𝑎 − 𝜇= + 𝛿
=𝑃 < jika 𝜇 = 𝜇= + 𝛿
𝜎/ 𝑛 𝜎/ 𝑛

Figure 10.14 of Walpole, et al (2012), Probabilty

& Statistics For Engineers & Scientists: Testing 𝜇
=𝜇0 versus 𝜇=𝜇0 +𝛿

} Untuk hipotesis alternatif ini: 𝑋_ − 𝜇= + 𝛿

𝜎/ 𝑛
adalah standard normal variable Z.
 Memilih ukuran Sampel untuk Uji Means
(lanjutan)

Sehingga,

𝑎 − 𝜇= 𝛿 𝛿
𝛽=𝑃 𝑍< − = 𝑃 𝑍 < 𝑧e −
𝜎/ 𝑛 𝜎/ 𝑛 𝜎/ 𝑛
maka diambil kesimpulan bahwa:
< <
𝑧e + 𝑧– 𝜎
𝛿 𝑛 𝑛=
−𝑧– = 𝑧e − sehingga: 𝛿<
𝜎
<
𝑧e/< + 𝑧– 𝜎 <
𝑛≈
𝛿<
 Contoh
• Akan diuji hipotesis: H0: 𝜇=68kg H1: 𝜇>68kg
untuk berat badan murid laki-laki di suatu sekolah dengan α =
0.05 dan diketahui σ=5.
• Tentukan ukuran sampel jika diinginkan power test 1-β=0.95
saat true mean sebesar 69 kg.

} Karena α = β = 0.05, diperoleh zα = zβ = 1.645

} Untuk alternative hypothesis H1: 𝜇=69kg, diperoleh 𝛿
=1 dan
 Memilih ukuran Sampel untuk Uji Means
(Kasus Dua Sample)
Dengan ukuran sampel 𝑛 = 𝑛b = 𝑛< . Uji hipotesis yang
akan dilakukan: 𝐻=: 𝜇b − 𝜇< = 𝑑=
𝐻b : 𝜇b − 𝜇< ≠ 𝑑=
Untuk alternatif à 𝜇b − 𝜇< = 𝑑= + 𝛿 maka power of test:
1 − 𝛽 = 𝑃(|𝑋_b − 𝑋_< | > 𝑎 jika 𝜇b − 𝜇< = 𝑑= + 𝛿) Sehingga:

𝛽 = 𝑃(−𝑎 < 𝑋_b − 𝑋_< < 𝑎 jika 𝜇b − 𝜇< = 𝑑= + 𝛿)

−𝑎 − 𝑑= + 𝛿 𝑋_b − 𝑋_< − 𝑑= + 𝛿 𝑎 − 𝑑= + 𝛿
=𝑃 < <
< < < <
𝜎b + 𝜎< /𝑛 𝜎b + 𝜎< /𝑛 𝜎b< + 𝜎<< /𝑛

jika 𝜇b − 𝜇< = 𝑑= + 𝛿
 Memilih ukuran Sampel untuk Uji Means
(Kasus Dua Sample) (lanjutan)
Dengan hipotesis alternatif: 𝜇b − 𝜇< = 𝜇= + 𝛿 maka statistiknya
𝑋_b − 𝑋_< − 𝜇= + 𝛿
(𝜎b< + 𝜎<<)/𝑛
adalah variabel normal standard 𝑍. Sehingga,

−𝑎 − 𝑑= 𝑎 − 𝑑=
−𝑧e/< = dan 𝑧e/< =
𝜎b< + 𝜎<< /𝑛 𝜎b< + 𝜎<< /𝑛

sehingga:

˜ ˜
𝛽 = 𝑃 −𝑧e/< − < 𝑍 < 𝑧e/< −
(™•‰ ˆ™‰‰ )/z (™•‰ ˆ™‰‰ )/z
 Memilih ukuran Sampel untuk Uji Means
(Kasus Dua Sample) (lanjutan)
dari persamaan sebelumnya, maka dapat disimpulkan:

sehingga:

Untul tes one-tailed, persamaan untuk jumlah sampel yang

diperlukan jika 𝑛 = 𝑛b = 𝑛< adalah sbb:
Pengujian Nilai Proporsi (Prosentase)
• Sample Tunggal
• Sampel Ganda
 Pengujian Nilai Proporsi dari Sample
Tunggal

Dengan 𝐻= bahwa 𝑝 = 𝑝= dengan 𝑝 adalah parameter distribusi binomial.

Dengan hipotesis alternatif dapat berupa one-sided atau two-sided sebagai

berikut: 𝑝 < 𝑝= , 𝑝 > 𝑝= , 𝑝 ≠ 𝑝= .

Kasus 1:
𝐻= : 𝑝 = 𝑝=
𝐻b : 𝑝 < 𝑝=
digunakan distribusi binomial untuk menghitung nilai P:
𝑃 = 𝑃(𝑋 ≤ 𝑥 jika 𝑝 = 𝑝= )
Jika nilai P kurang dari atau sama dengan 𝛼 maka reject 𝐻= .
 Pengujian Nilai Proporsi dari Sample
Tunggal (lanjutan)
Kasus 2: 𝐻= : 𝑝 = 𝑝=
𝐻b : 𝑝 > 𝑝=
digunakan distribusi binomial untuk menghitung nilai P:
𝑃 = 𝑃(𝑋 ≥ 𝑥 jika 𝑝 = 𝑝= )
Jika nilai P kurang dari atau sama dengan 𝛼 maka reject 𝐻= .

Kasus 2: 𝐻= : 𝑝 = 𝑝=
𝐻b : 𝑝 ≠ 𝑝=
digunakan distribusi binomial untuk menghitung nilai P:
𝑃 = 2𝑃 𝑋 ≤ 𝑥 jika 𝑝 = 𝑝= jika 𝑥 < 𝑛𝑝=
𝑃 = 2𝑃 𝑋 ≥ 𝑥 jika 𝑝 = 𝑝= jika 𝑥 > 𝑛𝑝=
Jika nilai P kurang dari atau sama dengan 𝛼 maka reject 𝐻= .
 Pengujian Nilai Proporsi dari Sample
Tunggal (lanjutan)
Apabila nilai 𝑝= sangat dekat dengan 0 atau 1 à
Distribusi Poisson dengan parameter 𝜇 = 𝑛 𝑝=.

Namun demikian pendekatan dengan kurva normal lebih

dipilih dengan 𝜇 = 𝑛𝑝= dan 𝜎 < = 𝑛𝑝= 𝑞= untuk 𝑛 yang
besar sepanjang 𝑝= tidak terlalu dekat dengan 0 atau 1.
Sehingga pendekatan nilai-z adalah sebagai berikut.

𝑥 − 𝑛𝑝= 𝑝̂ − 𝑝=
𝑧= =
𝑛𝑝=𝑞= 𝑝=𝑞= /𝑛
 Langkah-langkah uji proportion

1. 𝐻= : 𝑝 = 𝑝= .
2. Tentukan hipotesis alternatif 𝐻b : 𝑝 < 𝑝= , 𝑝 > p= ,
p ≠ 𝑝= .
3. Pilih level of significance sama dengan 𝛼.
4. Uji Statistik: Variabel binomial X dengan 𝑝 = 𝑝=
5. Temukan x
6. Tarik kesimpulan yang tepat.
 Solusi

1. 𝐻= : 𝑝 = 𝑝=
2. 𝐻b : p ≠ 𝑝=
3. 𝛼 = 0.10
4. Test statistik: Variabel Binomial 𝑋 dengan 𝑝 = 0.7 dan
𝑛 = 15.
5. Perhitungan: 𝑥 = 8 dan 𝑛𝑝= = 15 0.7 = 10.5
Sehingga nilai-P adalah:

Keputusan: Jangan tolak 𝐻= dan simpulkan bahwa tidak ada

alasan kuat untuk meragukan klaim kontraktor.
 Contoh

• Suatu pengembang mengeklaim bahwa telah

terpasang 70% pompa pada suatu daerah. Apakah
anda setuju dengan klaim ini jika survei random
pada rumah-rumah baru dalam daerah tersebut
menunjukkan bahwa 8 dari 15 telah mempunyai
pompa? Gunakan tingkat signifikansi 0,1.
 Solusi
• 𝐻=: 𝑝 = 0.7
• 𝐻b : 𝑝 ≠ 0.7
• 𝛼 = 0.10
• Test statistik: Variabel binomial 𝑋 dengan 𝑝 = 0.7 dan
𝑛 = 15.
• Perhitungan: 𝑛 = 8 dan 𝑛𝑝= = 15 0.7 = 10.5
sehingga dari tabel dapat dihitung nilai-P sbb:

• Keputusan: Jangan tolak 𝐻= . Simpulkan bahwa tidak

terdapat cukup alasan untuk meragukan klaim
pengembang.
 Contoh

• Sejenis obat untuk meredakan ketegangan syaraf

diyakini hanya mempunyai efektifitas 60%.
Eksperimen baru dengan mengambil sampel 100
orang yang menderita ketegangan syaraf bahwa 70
diantaranya dapat disembuhkan. Apakah cukup
bukti untuk menyatakan bahwa obat baru lebih
baik? Gunakan tingkat signifikansi 0.05.
 Solusi

1. 𝐻= : 𝑝 = 0.6
2. 𝐻b : p > 0.6
3. 𝛼 = 0.05
4. Critical region: 𝑧 > 1.645.
5. Perhitungan: 𝑥 = 70 dan 𝑛 = 100, 𝑝̂ = 70/100 = 0.7
dan

Keputusan: Tolak 𝐻= dan simpulkan bahwa obat baru lebih baik.

Pengujian Nilai Proporsi dari Sample Ganda
Menguji 𝐻= bahwa 𝑝b = 𝑝< atau 𝑝b − 𝑝< = 0.

Dengan hipotesis alternatif dapat sebagai berikut: 𝑝b < 𝑝< , 𝑝b > 𝑝< , 𝑝b ≠
𝑝< atau 𝑝b − 𝑝< < 0, 𝑝b − 𝑝< > 0, 𝑝b − 𝑝< ≠ 0.

Estimasi titik 𝑃›b − 𝑃›< diasumsikan terdistribusi normal dengan mean:

𝑝b 𝑞b 𝑝<𝑞<
𝜇œ›• vœ›‰ = 𝑝b − 𝑝< dan varians: 𝜎œ<›• vœ›‰ = +
𝑛b 𝑛<

sehingga critical region dengan normal variabel:

𝑃›b − 𝑃›< − 𝑝b − 𝑝<

𝑍=
𝑝b 𝑞b /𝑛b + 𝑝< 𝑞</𝑛<
 Pengujian Nilai Proporsi dari Sample Ganda
(lanjutan)
Jika 𝐻= adalah benar maka 𝑝b = 𝑝< = 𝑝 dan 𝑞b = 𝑞< = 𝑞 sehingga:

𝑃›b − 𝑃›<
𝑍=
𝑝𝑞(1/𝑛b + 1/𝑛< )

Nilai 𝑧 untuk menguji 𝑝b = 𝑝< :

𝑝̂b − 𝑝̂< 𝑥b + 𝑥<
𝑧= dengan 𝑝̂ =
𝑝̂ 𝑞•(1/𝑛b + 1/𝑛< ) 𝑛b + 𝑛<
Critical region:
• Untuk 𝐻b : 𝑝b ≠ 𝑝< à 𝑧 < −𝑧e/< atau 𝑧 > −𝑧e/<
• Untuk 𝐻b : 𝑝b < 𝑝< à 𝑧 < −𝑧e
• Untuk 𝐻b : 𝑝b > 𝑝< à 𝑧 > 𝑧e
 Contoh
• Sebuah jajak pendapat dilaksanakan untuk menentukan
apakah pabrik kimia akan dibangun di suatu daerah
perbatasan kota dan desa. Penduduk desa yakin
pembangunan akan dilaksanakan karena sebagian besar
penduduk kota akan mendukungnya. Jajak pendapat ini
untuk menentukan perbedaan proporsi pemilih kota dan
desa. Tingkat signifikan adalah 0.05. Datanya adalah 120
dari 200 penduduk kota memilih dibangun, 240 dari 500
penduduk desa memilih dibangun. Apakah anda setuju jika
proporsi penduduk kota yang memilih untuk pabrik
dibangun lebih dari proporsi penduduk desa?
 Solusi
1. 𝐻= : 𝑝b = 𝑝<
2. 𝐻b : 𝑝b > 𝑝<
3. 𝛼 = 0.05
4. Critical region: 𝑧 > 1.645.
5. Perhitungan:

Keputusan: Tolak 𝐻= dan simpulkan bahwa prosentase

penduduk kota memilih dibangunnya pabrik adalah lebih besar
dari penduduk desa.
Pengujian Nilai Varians
• Sample Tunggal
• Sampel Ganda
 Pengujian Nilai Varians (Sampel tunggal)
Dengan 𝐻= bahwa 𝜎 < = 𝜎=< .
Untuk 𝐻b dapat salah satu dari 𝜎< < 𝜎=< , 𝜎< > 𝜎=< , atau
𝜎< ≠ 𝜎=<.
Anggap bahwa populasi yang di-sampel terdistribusi
normal, nilai chi-square untuk menguji 𝜎< = 𝜎=< dapat
dinyatakan sebagai berikut:
<
𝑛 − 1 𝑠
𝜒< =
𝜎=<
Dengan 𝑛 adalah ukuran sampel dan 𝑠 <adalah varians sampel.
dan 𝜎=< adalah nilai 𝜎 < yang diberikan oleh hipotesis null.
Pengujian Nilai Varians (Sampel tunggal)
(Lanjutan)

Untuk pengujian two-tailed dengan tingkat signifikansi

<
𝛼, critical region adalah 𝜒 < < 𝜒bve/<
<
atau 𝜒 < > 𝜒e/< .

Untuk pengujian one-tailed dengan hipotesis alternatif

𝜎 < < 𝜎=<critical region adalah 𝜒 < < 𝜒bve/<
<

Untuk pengujian one-tailed dengan hipotesis alternatif

𝜎 < > 𝜎=<critical region adalah 𝜒 < > 𝜒e<
 Contoh

Sebuah pabrik battery mobil mengeklaim bahwa

umur batterynya mempunyai distribusi normal
dengan standar deviasi 0.9 tahun. Jika sampel random
10 battery mempunyai standar deviasi 1,2 tahun,
apakah standar deviasi umur battery dari pabrik itu
lebih dari 0.9 tahun? Gunakan level of significance
sebesar 0.05.
 Solusi
1. 𝐻= : 𝜎 < = 0.81
2. 𝐻b : 𝜎 < > 0.81
3. 𝛼 = 0.05
4. Critical region: 𝜒 < > 16.919.
5. Perhitungan:

Keputusan: Nilai perhitungan 𝜒 < tidak terlalu signifikan

dibandingkan pada tingkat 𝛼 = 0.05. Namun demikian,
berdasarkan nilai 𝑃 ≈ 0.07 maka terbukti bahwa 𝜎 > 0.09.
 Pengujian Nilai Varians (Sample Ganda)

Dengan 𝐻= bahwa 𝜎b< = 𝜎<<.

Untuk 𝐻b salah satu dari 𝜎b< < 𝜎<<, 𝜎b< > 𝜎<< , atau 𝜎b< ≠ 𝜎<<.
Untuk random variabel independent dengan ukuran 𝑛b dan
𝑛< dari dua populasi nilai 𝑓 untuk uji 𝜎b< = 𝜎b<adalah rasio.

𝑠b<
𝑓= < Critical region:
𝑠<
• 𝐻b : 𝜎b< < 𝜎<< à 𝑓 < 𝑓bve (𝑣b ,𝑣< )
Adalah nilai distribusi • 𝐻b : 𝜎b< > 𝜎<< à 𝑓 > 𝑓bve (𝑣b ,𝑣< )
F dengan degree of
• 𝐻b : 𝜎b< ≠ 𝜎<< à 𝑓 < 𝑓bve/< (𝑣b, 𝑣< )
freedom masing-
masing 𝑣b = 𝑛b − 1 atau 𝑓 > 𝑓bve/< (𝑣b ,𝑣< )
dan 𝑣< = 𝑛< − 1
 Contoh
Sebuah eksperimen dilakukan untuk memban-dingkan keausan
dua material yang berbeda. Dua belas material 1 diuji dengan
dengan mesin pengukur keausan. Sepuluh material 2 diuji
dengan cara yang sama. Dalam setiap kasus kedalaman
keausannya. Sampel material 1 memberikan rata-rata keausan
85 unit dengan standar deviasi 4 dan sampel material 2
memberikan rata-rata 81 dengan standar deviasi 5. Tingkat
signifikansi 0.10.
 Solusi
1. 𝐻= : 𝜎b< = 𝜎<<
2. 𝐻b : 𝜎b< ≠ 𝜎<<
3. 𝛼 = 0.10
4. Critical region:

5. Perhitungan: 𝑠b< = 16 dan 𝑠<< = 25 sehingga 𝑓 = 16/25 =

0.64

Keputusan: Jangan tolak 𝐻=.

Simpulkan bahwa tidak terdapat
cukup bukti bahwa varians keausan
kedua material itu berbeda.