Eko Atmadji
Introduksi
• Statistik adalah sekumpulan data.
• Statistika atau ilmu statistik adalah ilmu
tentang pengumpulan, pengorganisasian,
peringkasan, penganalisisan, dan pengujian
data.
• Statistika dibagi menjadi dua bagian
– Statistika deskriptif
– Statistika inferens (induktif)
Introduksi
Populasi vs Sampel
Population Sample
Introduksi
• Statistik deskriptif meliputi pengumpulan,
pengorganisasian, peringkasan,
penganalisisan, dan penampilan data.
• Digunakan oleh para peneliti untuk laporan
tentang populasi dan sampel
• Dengan meringkas informasi, statistik
deskriptif mempercepat dan
menyederhanakan kekompleksan karakteristik
dari sebuah kelompok.
Introduksi
• Statistik inferens meliputi penyimpulan,
pengujian hipotesis, penentuan hubungan,
dan prediksi
• Menguji apakah sampel yang ada
menggambarkan kondisi yang sebenarnya dari
populasi
• Membuat perkiraan tentang seluruh populasi
Introduksi
• Sumber data:
– Data primer: data yang dikumpulkan sendiri
• Wawancara
• Kuesioner
– Data sekunder: data yang dikumpulkan pihak lain
• Pemerintah
• BPS
• Perusahaan
• Lainnya
Introduksi
• Data dikelompokkan dalam variabel
• Variabel dibagi menjadi dua:
– Variabel kuantitatif: data yang berbentuk angka
• Angka diskrit
• Angka kontinyu
– Variabel kualitatif: data yang berbentuk bukan
angka
• Ordinal
• Kategori
Introduksi
• Dilihat dari pengujiannya, statistik digolongkan
menjadi dua
– Statistik parametrik: metode penentuan
keputusan membutuhkan pengetahuan tentang
distribusi sampel
– Statistik non-parametrik: metode penentuan
keputusan yang tidak memerlukan pengetahuan
tentang distribusi sampel
Introduksi
• Penggunaan statistika tidak hanya untuk
penelitian tetapi juga lainnya seperti
– Presentasi proposal
– Auditing
– Engineering
– Kedokteran
– Bisnis
– Ekonomi
– Dll
Introduksi
• Dalam dunia bisnis, statistika sangatlah
penting
• Gambaran tentang perekonomian, konsumen,
pesaing, dan lainnya sangat penting untuk
membuat keputusan bisnis
• Dalam auditing, penentuan sampel yang benar
akan menggambarkan kondisi keuangan
perusahaan yang sebenarnya.
Introduksi
• Referensi:
– Walpole, Ronald, 1990, Pengantar Statistika,
Gramedia
– Mason, RD dan DA Lind, Teknik Statistika untuk
Bisnis dan Ekonomi, ed ke 9, Erlangga
– Buku statistik apa saja.
Statistika Deskriptif
• Bahasan dalam statistika deskriptif
– Pengorganisasian data
• Tabel
• Grafik
– Ringkasan data
• Central tendency
• Variation
Statistika Deskriptif
• Pengorganisasian data
– Tabel
• Distribusi frekwensi
• Distribusi frekwensi relatif
– Grafik
• Diagram batang atau Histogram
• Poligon frekwensi
Statistika Deskriptif
• Tabel
– Menyusun data dalam sebuah tabel
– Contoh soal:
• Dalam sebuah turnamen tenis terdapat 25 permainan.
Setiap permainan dapat diselesaikan dengan beberapa
game. Berikut data jumlah game tiap permainan: 9, 7, 8,
11, 9, 6, 10, 8, 12, 6, 8, 13, 7, 9, 10, 9, 10, 11, 12, 8, 7, 13,
10, 7, 7. Susunlah data tersebut ke dalam sebuah tabel
frekwensi.
– Apa yang dikerjakan di dalam soal tersebut adalah
tabel distribusi frekwensi.
Statistika Deskriptif
• Di samping tabel frekwensi ada tabel
frekwensi kumulatif.
• Berikut adalah tabel tentang nilai IQ dalam
sebuah penelitian.
82 87 89 93 93
96 97 98 102 103
105 106 107 109 111
115 119 120 127 128
131 131 140 162
Statistika Deskriptif
IQ frek
Tabel Distribusi 82 1
87 1
Frekwensi 89 1
93 2
96 1
97 1
98 1
102 1
103 1
105 1
106 1
107 1
109 1
111 1
115 1
119 1
120 1
127 1
128 1
131 2
140 1
162 1
24
IQ frek % Cum %
82 1 4,2 4,2
87 1 4,2 8,3
Tabel Distribusi 89 1 4,2 12,5
93 2 8,3 20,8
Frekwensi Relatif 96 1 4,2 25,0
97 1 4,2 29,2
98 1 4,2 33,3
102 1 4,2 37,5
103 1 4,2 41,7
105 1 4,2 45,8
106 1 4,2 50,0
107 1 4,2 54,2
109 1 4,2 58,3
111 1 4,2 62,5
115 1 4,2 66,7
119 1 4,2 70,8
120 1 4,2 75,0
127 1 4,2 79,2
128 1 4,2 83,3
131 2 8,3 91,7
140 1 4,2 95,8
162 1 4,2 100,0
24 100
Statistika Deskriptif
Tabel Distribusi Frekwensi
Kumulatif Kelompok
Kelompok IQ f % Cum %
80-89 3 12,5 12,5
90-99 5 20,8 33,3
100-109 6 25,0 58,3
110-119 3 12,5 70,8
120-129 3 12,5 83,3
130-139 2 8,3 91,7
140-149 1 4,2 95,8
150 ke atas 1 4,2 100
Total 24 100
Statistika Deskriptif
Frequency
2.5
1.5
Frequency
1
0.5
0
n
Bi
Budi Hartono
Semua orang
Rata-rata Outlier
Statistika Deskriptif
• Median
– Median adalah nilai tengah dari sekumpulan
observasi jika diurutkan. Nilai tengah tersebut
membelah kumpulan observasi tersebut tepat di
tengah
– Ketika data diurutkan, median adalah titik dimana
50% observasi di atas dan 50% observasi di
bawah.
– Atau persentil ke lima puluh.
Statistika Deskriptif
IQ 13 pelajar di kelas A
89
93
97
98
102
106 Median = 109
109 (enam obs. di atas, enam obs. di
110 bawah)
115
119
128
131 140
Statistika Deskriptif
Jika urutan pertama dieliminasi maka median yang baru:
89
93
97
98
102
106
109 Median = 109.5
Simetris Skewed
Rata-rata Rata-rata
Median Median
Statistika Deskriptif
• Modus
– Nilai observasi yang paling banyak muncul disebut
modus
– Kombinasi skor IQ pelajar di kelas A dan B adalah
Rata-rata
Median
Modus Modus Median Rata-rata
Statistika Deskriptif
Variasi data atau ikhtisar perbedaan-perbedaan
dalam kelompok
• Range
• Interquartile Range
• Variance
• Standar Deviasi
• Standar Error
Statistika Deskriptif
• Range
– Adalah sebaran data atau jarak antara nilai
terendah dan nilai tertinggi
– Nilai range untuk sebuah variabel adalah
pengurangan antara nilai tertinggi dan nilai
terendah
Statistika Deskriptif
Nilai IQ 13 pelajar di kelas A Nilai IQ 13 pelajar di kelas B
Rata-rata
– Semakin kecil varians, semakin sedikit nilai observasi yang
jauh dari nilai rata-ratanya.
Rata-rata
Statistika Deskriptif
• Menghitung
varians dimulai dengan sebuah
deviasi
• Deviasi adalah jarak antara nilai observasi
dengan nilai rata-rata.
• Jika rata-rata pendapatan penduduk Jogja
adalah Rp. 1 juta, sedangkan pendapatan saya
adalah Rp. 800 ribu, maka deviasi pendapatan
saya adalah – Rp. 200 ribu.
Statistika Deskriptif
Berapa deviasi 102 dari 110,54? Deviasi 115?
Nilai IQ 13 pelajar di kelas A
102 115
128 109
Deviasi 102 = 102 – 110,54 = – 8,54
131 89
Deviasi 115 = 115 – 110,54 = 4,46
98 106
140 119
93 97
110
=
110,54
Statistika Deskriptif
• Jika seluruh observasi dihitung deviasinya kemudian dijumlah,
hasilnya adalah nol
89 – 110,54 = -21,54
93 – 110,54 = -17,54
97 – 110,54 = -13,54
98 – 110,54 = -12,54
102 – 110,54 = -8,54
106 – 110,54 = -4,54
109 – 110,54 = -1,54
110 – 110,54 = -0,54
115 – 110,54 = 4,46
119 – 110,54 = 8,46
128 – 110,54 = 17,46
131 – 110,54 = 20,46
140 – 110,54 = 29,46
Total dari nilai deviasi adalah 0
Statistika Deskriptif
• Nilai negatif harus dihilangkan. Caranya? Mengkuadratkan
seluruh deviasi observasi
(89-110,54)2 = 463,91
(93-110,54)2 = 307,60
(97-110,54)2 = 183,29
(98-110,54)2 = 157,21
(102-110,54)2 = 72,91
(106-110,54)2 = 20,60 Ini disebut sebagai
(109-110,54)2 = 2,37 sum of square
(110-110,54)2 = 0,29
(115-110,54)2 = 19,91
(119-110,54)2 = 71,60
(128-110,54)2 = 304,91
(131-110,54)2 = 418,67
(140-110,54)2 = 867,98
Nilai total deviasi menjadi 2891,23
Statistika Deskriptif
• Langkah
terakhir adalah mencari rata-rata
deviasi kuadrat (average sum of square) yang
disebut varians
• Varians populasi =
• Varians sampel =
• Jadi Varians =
Varians IQ pelajar
di kelas A
= 235,45
Statistika Deskriptif
• Agar
lebih memiliki arti, maka varians diubah
menjadi STANDAR DEVIASI, yaitu akar dari
varians.
• SD =
• Nilai standard deviasi IQ pelajar kelas A adalah
= 15,34
• Artinya tiap observasi memiliki deviasi rata-
rata dari nilai rata-rata (110,54) sebesar 15,34
Statistika Deskriptif
22 25 28 12 25 38
Mean = 25 Mean = 25
SD = 3 SD = 13
Distribution of Population
Distribution of Sample
Statistika Deskriptif
• Skewness (Kemencengan)
– Kemencengan adalah ukuran kesimetrisan dari
sebuah distribusi.
– Sebuah distribusi dari sampel dapat condong ke
kiri, ke tengah (simetris), dan ke kanan.
mesokurtic
platykurtic
3 kurtosis
Statistika Deskriptif
•
Rumusnya adalah
• =
• Jika nilai dari > 3, distribusinya leptokurtic
• Jika nilai dari < 3, distribusinya platykurtic
• Jika nilai dari = 3, distribusinya mesokurtic
• Semakin lama, ukuran skewness dan kurtosis
semakin diabaikan
Statistika Deskriptif
• Topik tambahan:
– Diagram Boxplot
– Stem and Leaf Diagram
– Coefficient of Variation
Statistika Deskriptif
• Diagram Boxplot adalah gambar kotak yang
berisi berbagai informasi statistik deskriptif
nilai
Maximum
3rd quartile
Median
1st quartile
Minimum
Y
Statistika Deskriptif
• Bentuk lainnya
1 2
3 4
PROBABILITAS
1 2 1
3 4 4
1. Ada berapa angka tiga dalam lingkaran tersebut?
2. Berapa jumlah kemungkinan jarum pemutar akan berhenti
pada suatu angka?
PROBABILITAS
3
6
1. Ada berapa angka genap pada dadu tersebut?
2. Berapa jumlah kemungkinan tiap angka akan keluar?
PROBABILITAS
Berapa kemungkinan sebuah kelereng merah
bakal terambil?
• Di dalam kantong
tersebut terdapat:
– 3 kelereng merah
– 2 kelereng putih
– 1 kelereng ungu
– 4 kelereng hijau
PROBABILITAS
1. Ada berapa kelereng merah dalam kantong tersebut?
2. Berapa jumlah kemungkinan kelereng merah akan terambil?
3
10
PROBABILITAS
• Sebuah kejadian akan memiliki probabilitas 1
jika kejadian itu pasti akan terjadi.
• Kejadian merupakan himpunan bagian dari
ruang contoh (sample space).
• Definisi sample space (S) adalah himpunan
semua kemungkinan hasil suatu percobaan.
• S = (angka dalam dadu)
• S = (1, 2, 3, 4, 5, 6)
PROBABILITAS
• Jika ada dua kejadian A dan B dalam sebuah
sample space, maka irisan dari himpunan A
dan himpunan B adalah himpunan dari
kejadian yang berada pada himpunan A dan
himpunan B.
S
A AB B
PROBABILITAS
• Mutually exclusive terjadi ketika irisan dari
himpunan A dan B dalam sebuah sample
space merupakan himpunan kosong.
A B
PROBABILITAS
• Coba, apa arti dari simbol berikut ini
–A B
– 1 A dan A adalah himpunan bilangan bulat
–A S
– A’
PROBABILITAS
• Jika
satu dadu diputar maka probabilita
muncul suatu angka adalah
• Total dari kemungkinan itu adalah 1
S
1 2 3 4 5 6
PROBABILITAS
• Jika
berapa kemungkinan angka genap muncul
maka probabilitanya adalah yaitu
– P(angka genap) = P(2) + P(4) + P(6) =
S
1 2 3 4 5 6
PROBABILITAS
• Jika
A: angka genap dan B: 3 angka paling kecil
maka P(A)P(B) adalah
P(A)P(B)
S
1 2 3 4 5 6
B A
PROBABILITAS
S
0,03
0,04
0,22
0,01 0,07 0,14
A 0,12 B
0,18
0,19
0,444444444
Distribusi Probabilitas
• Expected Value dan Variance
– Semua distribusi probabilitas dinyatakan oleh nilai
yang diharapkan (rata-rata) dan varians (standar
deviasi kuadrat).
– Nilai yang diharapkan (expected value)
• E(x) =
– Varians
• Var(x) ==
Distribusi Probabilitas
• Contoh pasien di UGD
Xi P(x) XiP(xi)
10 0,4 10
11
11 0,2
0,2 11 2,2
12
12 0,2
0,2 12 2,4
13 0,1 13 1,3
13 0,1
14 0,1 14 1,4
14 0,1
Jumlah 11,3
Jumlah 11,3 Ini adalah nilai rata-rata
Distribusi Probabilitas
• Varians dari pasien UGD
– PX|Y(4|2) = P(X=4|Y=2) =
Distribusi Probabilitas
Conditional Probability Untuk Y Dengan X Ditentukan
X
Y 1 2 3 4
1 0,36 0,45 0,5 0,58
2 0,64 0,55 0,5 0,42
– PX|Y(4|2) = P(X=4|Y=2) =
Distribusi Probabilitas
Conditional Probability Untuk Y Dengan X Ditentukan
X
Y 1 2 3 4
1 0,36 0,45 0,5 0,58
2 0,64 0,55 0,5 0,42
– n : jumlah percobaan
– X : jumlah yang sukses dicoba dari n percobaan
– p : probabilita sukses
– 1-p : probabilita gagal
• Mean = E(X) = np
• Varians = np(1-p)
Distribusi Probabilitas
• Seorang penjual polis asuransi berpegalaman
memiliki keyakinan bahwa probabilita sukses setiap
bertemu calon klien adalah 0,4. Jika ia bertemu 5
calon klien, berapa kemungkinan ia gagal
mendapatkan transaksi? Berapa kemungkinan ia
mendapatkan 1, 2, 3, 4, 5 transaksi? Gambarkan
fungsi probabilitanya. Cari pula expected value dari
jumlah penjualan dan standar deviasinya. Berapa
probabilita sukses mendapatkan 2 sampai 4
transaksi?
Distribusi Probabilitas
𝑘
𝜎 𝜎
Distribusi Probabilitas
•
Distribusi Probabilitas
• Menurut
pengalaman penerbit jurnal
akuntansi, setiap mengirimkan 100 surat
berlangganan maka yang kembali untuk minta
berlangganan adalah satu orang. Jika ia
mengirimkan surat berlangganan ke berbagai
kota kepada 50 akuntan berapa probabilita
yang menjadi pelanggan sebesar 0 orang?
– n = 50, p = 0,01, = =np= 50*0,01=0,5
– p(0) =
Distribusi Probabilitas
• Contoh penggunaan distribusi poisson:
– Berapa kemungkinan mahasiswa anda di kelas
menerima telpon selama perkuliahan?
– Berapa kemungkinan anda menemukan produk
gagal dalam 15 menit pertama tiap jam jika
produksinya sebesar 600 unit per jam dan rata-rata
5 produk gagal terjadi tiap jamnya?
– Berapa kemungkinan sebuah UGD menerima 4
pasien tiap 30 menit pertama dalam satu jam di
weekend jika diketahui rata-rata 6 pasien datang
tiap jam di weekend.
Distribusi Probabilitas
• Mana yang poisson dan mana yang bukan?
1. Jumlah serangan jantung yang terjadi di kota
Jogja tiap tahun.
2. Jumlah pesawat mendarat di bandara Soetta
antara jam 8 dan 9 pagi.
3. Jumlah senggolan mobil tiap tahun di tol
Jagorawi
4. Jumlah orang yang kena banjir di Jakarta tiap
Januari-Februari
Distribusi Probabilitas
a b x
Distribusi Probabilitas
• Mean dari X adalah
• Varians dari X adalah ]
atau
• Kovarians dari X dan Y
– atau
Distribusi Probabilitas
• Jika
Y = a + bX dimana X adalah random
variable dengan mean dan varians . Maka
dan
• Standar deviasinya adalah =
• Jika =24 dan =4, carilah dan .
Distribusi Probabilitas
• Distribusi Normal
– Distribusi teoritis dengan jumlah percobaan tak
terhingga
– Random variabelnya berupa angka kontinyu
– Banyak dipakai untuk berbagai penelitian dengan
sampel
– Distribusi normal memiliki fungsi density yang
disebut sebagai berbentuk bel (bell-shaped)
0.45
0.40
0.35
0.30
0.25
f (x )
0.20
0.15
0.10
0.05
0.00
-3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
x
Distribusi Probabilitas
• Fungsi
densitas dari probabilitas berdistribusi
normal adalah
0.25
0.20
0.15
0.10
0.05
0.00
25 26 27 28 29 30 31 32 33 34 35
0.25
0.20
0.15
0.10
0.05
0.00
25 26 27 28 29 30 31 32 33 34 35
0.25
0.20
0.15
0.10
0.05
0.00
25 26 27 28 29 30 31 32 33 34 35
5000
4000
3000
2000
1000
0
-6 -4 -2 0 2 4
Distribusi Normal
• Kelebihan menggunakan distribusi normal
– Dapat ditambahkan
• E(X+Y) = E(X) + E(Y)
Means = 5 Means = 6
Varians = 1
x x
a 𝜇 b x
Probability Density Function Cummulative Distribution Function
Distribusi Normal
• Mencari
probabilitas interval untuk variabel
random yang normal
– Misalkan X adalah variabel random dengan mean =
dan varians = . Lalu ada variabel random Z = yang
memiliki distribusi normal yang standar . Jika
terdapat a dan b dimana a<b, maka
Distribusi Normal
• Contoh:
– Jika Z adalah random variabel berdistribusi
normal, carilah .
68%
dari data
1 x 2
1 ( )
2
e 2 dx .68 0,47
2 1 x 2
1 ( )
2 2
e 2 dx .95 1,65
3 1 x 2
1 ( )
3 2
e 2 dx .997 2,75
Distribusi Eksponensial
• Distribusi eksponensial
– , untuk setiap x
– , untuk setiap x
Distribusi Eksponensial
• Contoh soal:
– Dalam sebuah variabel random X terdistribusi
secara eksponensial. Berapa probabilitas jika X >
10?
Permutasi Dan Kombinasi
• Permutasi
dan kombinasi adalah metode-metode
untuk memecahkan persoalan berbagai
kemungkinan.
• Keduanya menggunakan metode penghitungan
faktorial.
• Faktorial adalah metode menghitung dengan
menggunakan seluruh urutan dalam sebuah angka
sebagai faktor
– 5! = 12345 = 120
– 7! = 1234567 = 5040
Permutasi Dan Kombinasi
• Permutasi
adalah sebuah pengaturan
(arrangements)
• Berapa banyak perbedaan pengaturan 3 buku
dalam satu rak?
– Jika 3 buku adalah A, B, dan C maka
pengaturannya adalah
– ABC ACB BAC BCA CAB CBA
– Ada 6 pengaturan atau 3! = 123 = 6
Permutasi Dan Kombinasi
• Dalam
permutasi, urutan buku itu penting.
• Setiap permutasi yang berbeda berarti
berbeda pula pengaturannya.
• Pengaturan ABC berbeda dengan pengaturan
CBA meskipun berasal dari 3 buku yang sama.
• Berapa cara 4 buku dapat diatur dalam sebuah
rak?
– 4! atau 4321 = 24 pengaturan
Permutasi Dan Kombinasi
Probability Non-
Samples probability
Simple
Cluster Judgment Quota
Random
Metode Penentuan Sampel
• Simple random: memilih sampel benar-benar
acak.
• Systematic sampling: memilih sampel awalnya
random, berikutnya menurut sistematika
tertentu.
• Cluster sampling: memilih sampel berdasarkan
kluster. Klusternya dipilih atau elemen kluster
yang dipilih
Metode Penentuan Sampel
• Convenience sampling: memilih sampel karena
dirasa paling nyaman.
• Judgment/purposive sampling: sampel dipilih
berdasarkan tujuan penelitian.
• Quota sampling: sampel dicari sampai memenuhi
kriteria karakteristik sampel yang diingini.
• Snowball sampling: sampel dipilih berdasarkan
petunjuk sampel sebelumnya.
Metode Penentuan Sampel
• Stratified sampling: pengambilan sampel
berjenjang dimana sub sampel diambil
berdasarkan karakteristik sampel awal.
• Digunakannya stratified sampling karena
– Mengurangi random error
– Dapat lebih akurat mewakili populasi jika proporsi
yang diwakili dipenuhi
Metode Penentuan Sampel
• Bagaimana melakukannya:
– Identifikasi variabel sebagai basis stratifikasi
– Pilih sampel yang memenuhi semua elemen
populasi yang diteliti
– Gunakan simple random di tiap strata
Metode Penentuan Sampel
• Jenis-jenis stratified sampling
– Proportional stratified sampling:
• Jumlah sampel ditentukan sesuai proporsinya relatif
terhadap populasi tiap strata.
– Disproportional stratified sampling:
• Jumlah sampel ditentukan sesuai dengan kajian
analisisnya, asal tidak proporsional.
– Optimal allocation stratified sample:
• Jumlah sampel diambil di tiap strata berbasis ukuran dan
variasinya.
Metode Penentuan Sampel
• Distribution sampling dari
– Mean:
– Standar error: untuk jumlah sampel kecil
– untuk jumlah sampel besar
– Jika distribusi populasi mengikuti kurva normal
Metode Penentuan Sampel
• Distribusi sampling dengan proporsi sampel
– Proporsi sampel
– Mean:
– Standar error:
untuk jumlah
sampel kecil
– untuk Z yang terdistribusi normal
untuk jumlah
sampel besar
Metode Penentuan Sampel
• Distribusi sampling dengan varians sampel
– varians sampel
• [
Metode Penentuan Sampel
• Seorang
tukang insinyur memiliki perusahaan
pengalengan gudeg. Ia menginginkan tak ada
perbedaan signifikan antara berat kaleng yang
ada dengan berat kaleng rata-rata pada sampel
20 kaleng. Carilah nilai K1 dan K2 dimana dan
Metode Penentuan Sampel
•
n = 20 (ukuran sampel), = chi-square dengan n-1 = 19
degree of freedom. Maka
atau
Dari tabel Chi-square, 19K1 = 10,12 dan K1 = 0,533
Ini artinya: Ada probabilitas 5% untuk varians sampel lebih kecil 53,3% dari sampel populasi
Ini artinya: Ada probabilitas 5% untuk varians sampel lebih besar 58,6% dari sampel populasi
Area = 0,05
Area = 0,05
0 10,12 𝜒 2❑19
20 30,14 40
Estimasi
• Ada dua jenis inferens (pengujian)
– Estimasi
– Pengujian hipotesis (akan diulas di bab tersendiri)
• Tujuan dari estimasi adalah menentukan nilai
aproksimasi parameter populasi berdasarkan
nilai statistik dari sampel
• Untuk itu menggunakan sample mean () untuk
mengestimasi population mean ()
Estimasi
• Terdapat dua jenis estimasi
– Estimator titik
– Estimator interval
Estimasi
Estimator titik menggambarkan inferensi (pengujian) estimasi nilai
dari parameter populasi yang tidak diketahui dengan
menggunakan nilai atau titik tunggal.
Batas confidence
lebih rendah (LCL)
Estimasi
• Lokasi sebenarnya dari mean populasi …
1.96
75
Ditentukan
n 25
Batas bawah dan atas confedence level adalah 340,76 dan 399,56.
Estimasi
Interval yang terlalu lebar memberikan sedikit
informasi
Dimisalkan kita mengestimasi dengan 95%
confidence bahwa gaji awal akuntan antara 500
ribu dan 8 juta.
Berbeda dengan 95% confidence dengan interval
antara Rp 4 juta dan Rp 4,5 juta.
Estimasi kedua jauh lebih sempit, menyediakan
informasi yang lebih akurat tentang gaji awal
kepada mahasiswa akuntansi
Estimasi
• Lebarnya estimasi confidence interval sebagai
sebuah fungsi dari confidence level, standar
deviasi, dan ukuran sampel…
Estimasi
• Lebarnya estimasi confidence interval sebagai
sebuah fungsi dari confidence level, standar
deviasi, dan ukuran sampel…
• n=
• Hal ini berarti kita memerlukan jumlah sampel sebesar 239
pohon agar confidence interval 99% dari
Estimasi
Pengujian Hipotesis
• Tujuan umum dari uji hipotesis adalah untuk
mengesampingkan kans (sampling error)
sebagai penjelasan yang benar berdasarkan
hasil studi riset.
• Pengujian hipotesis adalah sebuah teknik
untuk membantu menentukan apakah
treatment khusus memiliki efek pada individu
dalam sebuah populasi.
194
Pengujian Hipotesis
• Pengujian hipotesis digunakan untuk
mengevaluasi hasil dari studi riset yang:
– Sebuah sampel dipilih dari populasi.
– Treatment diberikan kepada sampel.
– Setelah diberi treatment, individu di dalam sampel
diukur.
195
Pengujian Hipotesis
Populasi sebelum Populasi setelah
dilakukan treatment dilakukan treatment
Pengujian Hipotesis
• Jika individu dalam sampel diketahui berbeda
dari individu dari populasi aslinya, kita
memiliki bukti bahwa treatment telah
memberikan dampak.
• Hanya saja, kemungkinan perbedaan antara
sampel dengan populasi dapat sekedar
sampling error.
197
Populasi awal Populasi
yang telah berikut yang
diketahui tidak diketahui
Sampel setelah
Sampel diberi treatment
khusus
Pengujian Hipotesis
• Tujuan dari pengujian hipotesis adalah untuk
memutuskan antara dua penjelasan:
– Perbedaan antara sampel dan populasi dapat dijelaskan
oleh sampling error (tidak terjadi dampak dari treatment)
– Perbedaan antara sampel dan populasi terlalu besar untuk
dijelaskan oleh sampling error (terjadi dampak dari
treatment).
199
Distribusi dari rata-rata
sampel jika hipotesis nol
adalah benar
Rata-rata sampel
mendekati H0: nilai
probabiltias tinggi jika
H0 benar
201
Pengujian Hipotesis
• Langkah
1
– Nyatakan hipotesis dan pemilihan tingkat .
Hipotesis nol, H0, selalu menyatakan bahwa
treatment tidak ada pengaruh. Menurut hipotesis
nol, rata-rata populasi adalah sama, baik sebelum
treatment ataupun setelah treatment. Tingkat
memberikan kriteria sebuah keputusan tentang
hipotesis nol. tingkat alpha juga menentukan risiko
dari tipe error I.
202
dari H0
Pengujian Hipotesis
• Langkah 2
– Tentukan lokasi area kritis. Area kritis terdiri dari
hasil yang sangat tidak mungkin terjadi jika
hipotesis nol benar. Artinya, area kritis
didefinisikan oleh rata-rata sampel yang hampir
mustahil untuk didapat jika treatment tidak
berdampak. Arti hampir mustahil berarti bahwa
sampel-sampel itu memiliki sebuah probabilitas
(p) yang kurang dari tingkat alpha.
204
Tolak H0 Tolak H0
Pertengahan 95%:
Nilai probabilitas tinggi
Jika H0 benar
dari H0
Daerah kritis:
ekstrim 5%
Pengujian Hipotesis
• Langkah 3
– Hitung uji statistiknya. Uji statistik (dalam hal ini
berupa nilai z) membentuk sebuah rasio
perbandingan perbedaan yang didapat antara
rata-rata sampel dan rata-rata hipotetik populasi
melawan sejumlah perbedaan yang kita
perkirakan tanpa adanya efek treatment (standar
error).
206
Pengujian Hipotesis
• Langkah 4
– Sebuah nilai uji statistik yang besar yang didapat dari
perbedaan rata-rata lebih besar daripada yang
diperkirakan jika tidak terjadi efek treatment. Jika hal ini
cukup besar dalam area kritis, kita dapat menyimpulkan
bahwa perbedaan cukup signifkan dengan kata lain
treatment memiliki dampak yang signifikan. Dalam kasus
ini, kita menolak hipotesis nol. Jika perbedaan rata-rata
relatif kecil, maka pengujian statistik akan memiliki nilai
yang rendah. Dalam kasus ini, kita menyimpulkan bahwa
bukti dari sampel tidak cukup, dan keputusannya adalah
gagal menolak hipotesis nol.
207
Hipotesis nol
Populasi Populasi
tanpa dengan Alkohol tak berdampak
alkohol alkohol dengan rata-rata masih = 18
Pengujian Hipotesis
• Error dalam pengujian hipotesis
– Hanya karena rata-rata sampel (mengikuti
treatment) berbeda dari rata-rata populasi awal
tidaklah berarti bahwa treatment menyebabkan
perubahan.
– Harus diingat bahwa ada beberapa perbedaan
antara sebuah rata-rata sampel dan rata-rata
populasi hanya karena hasil dari sampling error.
209
Pengujian Hipotesis
– Karena uji hipotesis bergantung pada data sampel,
dan karena data sampel tidaklah sepenuhnya
dapat diandalkan, selalu ada risiko data yang
menyesatkan akan menyebabkan uji hipotesis
mengarah pada kesimpulan yang salah.
– Dua tipe error menjadi mungkin terjadi.
210
Pengujian Hipotesis
• Error tipe I
– Error tipe I terjadi saat data sampel terlihat menunjukkan
adanya dampak treatment, padahal kenyataannya tak
terjadi apa-apa.
– Dalam kasus ini, peneliti akan menolak hipotesis nol dan
secara salah menyimpulkan treatment memiliki dampak.
– Error tipe I disebabkan oleh sampel yang tidak biasa dan
tidak mewakili. Hanya kebetulan peneliti memilih sampel
ekstrim dengan hasil bahwa sampel jatuh pada area kritis
meskipun treatment tak berdampak.
– Uji hipotesis harus terstruktur sehingga error tipe I tidak
mungkin terjadi, khususnya, probabilitas error tipe I sama
dengan tingkat alpha.
211
Pengujian Hipotesis
• Error tipe II
– Error tipe II terjadi saat sampel tidak memperlihatkan
telah dipengaruhi oleh treatment padahal treatment
memang berdampak.
– Dalam kasus ini, peneliti akan gagal menolak hipotesis nol
dan menyimpulkan secara salah bahwa treatment tidak
berdampak.
– Error tipe II biasanya merupakan hasil dari dampak
treatment yang kecil. Walaupun treatment memiliki
dampak, hal itu tidaklah cukup besar untuk ditampilkan
dalam studi penelitian.
212
Situasi Aktual
Tak Ada Efek Ada Efek
H0 benar H0 tidak benar
214
Pengujian Hipotesis
– Contoh, jika populasi awal memiliki rata-rata μ = 80 dan
treatment diprediksi meningkatkan skor, maka hipotesis
nol akan menyatakan bahwa setelah treatment :
H0: μ < 80 (tak ada kenaikan)
– Dalam kasus ini, seluruh area kritis akan terletak di sebelah
kanan pojok dalam distribusi karena nilai yang besar untuk
M menunjukkan bahwa ada kenaikan dan kecenderungan
utuk menolak hipotesis nol.
215
Pengujian Hipotesis
• Mengukur besarnya dampak
– Sebuah uji hipotesis menilai hasil signifikansi statistik dari
studi riset.
– Artinya, pengujian menentukan apakah ada kemungkinan
bahwa rata-rata sampel yang didapat terjadi tanpa adanya
kontribusi dari efek treatment.
– Uji hipotesis dipengaruhi tidak hanya oleh besarnya efek
treatment tapi juga oleh besarnya sampel.
– Bahkan untuk efek yang sangat kecil dapat menjadi
signifikan jika diobservasi dengan sampel yang sangat
besar.
216
Pengujian Hipotesis
– Karena efek signifikan tidak berarti sebuah efek yang besar,
direkomendasikan bahwa uji hipotesis dapat disertai
dengan sebuah ukuran dari besarnya efek.
– Biasanya digunakan Cohen’s d sebagai standar ukuran
besarnya efek.
– Seperti skor dari z, Cohen’s d mengukur besarnya
perbedaan rata-rata dalam standar deviasi.
217
Distribusi
skor SAT sebelum Distribusi
skor SAT setelah
treatment = 500 dan treatment = 515 dan
= 100 = 100
Distribusi
skor IQ sebelum Distribusi
skor IQ setelah
treatment = 100 dan treatment = 115 dan
= 15 = 15
Pengujian Hipotesis
• Power dari uji hipotesis
– Power dari uji hipotesis didefinisikan sebagai
probabilitas bahwa pengujian akan menolak
hipotesis nol ketika treatment benar-benar
berdampak.
– Power dari sebuah pengujian tergantung dari
keragaman faktor termasuk besarnya dampak
treatment dan besarnya sampel.
219
Populasi
Awal
Normal
dengan
= 80 dan
= 10
Jika H0 Dengan
benar (tak efek
ada treatment 8
dampak) poin
= 80 dan = 80 dan
= 10 = 10
Tolak Tolak
H0 H0