STATISTIK

INFERENSIAL
Ns. Riska Amalya Nasution, M.Kep., Sp.Kep.J
  Kelompok data yang diolah disebut sampel
 Kelompok data yang diwakili disebut populasi
ISTILAH-  Prosedur statistika yang dimaksud(untuk menarik
ISTILAH kesimpulan tentang populasi berdasarkan informasi
pada sampel) disebut statistika inferensial
UMUM  Pernyataan dugaan sementara (dari kajian teori)
tentang populasi disebut hipotesis Hipotesis
selanjutnya diuji dari informasi yang ada pada sampel
ANALISIS STATISTIK
 ANALISIS DESKRIPTIF
1. Cara pengumpulan data
2. Penyederhanaan angka-angka pengamatan
3. Pengukuran pemusatan
4. Penyebaran data
Dengan statistik deskriptif kumpulan data yang diperoleh akan
tersaji dengan ringkas dan rapi serta memberikan informasi inti
dari kumpulan data yang ada.
DEFINISI
 Yaitu statistik yang digunakan untuk
menggeneralisasikan data sampel terhadap
populasi
 Untuk memberi peluang sejauh mana kebenaran
data sampel terhadap populasi, maka peneliti
menentukan nilai α (tingkat signifikansi).
 Statistik inferensial ada dua macam yaitu statistik
parametrik dan non parametrik
STATISTIK
INFERENSIAL
 Secara umum mempelajari hubungan beberapa variabel dengan
berbagai skala pengukuran atau pencacahan
 Dapat pula merupakan persoalan sederhana hanya menduga
(menaksir) pemusatan populasi (parameter) berdasarkan pemusatan
sampel (statistik)
 Hubungan antara variabel nominal dapat ditafsirkan sebagai
perbedaan kelompok. Misalnya mempelajari hubungan jenis kelamin
(laki-perempuan) dengan prestasi belajar statistika ekuivalen dengan
mempelajari perbedaan prestasi belajar statistika antara kelompok
laki-laki dan perempuan.
STATISTIKA INFERENSIAL
 Taksiran parameter dapat berupa taksiran titik dan interval
(dengan tingkat keyakinan tertentu berdasarkan sebaran data)
 Variabel (objek yang diamati) dibedakan menjadi variabel bebas
(penjelas/ explanatory) dan variabel respon (terikat/response)
 Jenis kelamin (penjelas) vs prestasi belajar (respons)
 Tingkat pendidikan (penjelas) vs jumlah anak (respons) atau
penghasilan
 Wilayah (penjelas) vs persentase buta huruf (respons)
 Penghasilan (respon) vs tingkat pendidikan, jenis kelamin
JENIS STATISTIK INFERENSIAL
 Statistik parametrik
Ilmu statistik yang digunakan untuk data-data yang memiliki
sebaran normal dan memiliki skala interval atau rasio.
 Statistik non parametrik
Statistik nonparametrik disebut juga statistik bebas sebaran.
Statistik nonparametrik dapat digunakan pada data yang
memiliki sebaran normal atau tidak dan memiliki skala
nominal atau ordinal.
Langkah-Langkah Pemilihan
Metode Statistik
1. Apakah distribusi data diketahui?
Jika distribusi data tidak diketahui maka statistik yang sesuai adalah
statistik nonparametrik. Jika distribusi data diketahui, maka kita harus
melihat jenis distribusi data tersebut.
2. Apakah data berdistibusi normal?
Jika data tidak berdistribusi normal, maka statistik yang sesuai adalah
statistik nonparametrik. Jika data berdistribusi normal, maka statistik
yang sesuai adalah statistik parametrik.
3. Apakah sampel ditarik secara random?
Jika sampel tidak ditarik secara random, maka statistik yang sesuai adalah
statistik nonparametrik. Jika sampel ditarik secara random, maka statistik yang
sesuai adalah statistik parametrik.
4. Apakah varians kelompok sama?
Jika varians kelompok tidak sama, maka statistik yang sesuai adalah statistik
nonparametrik. Jika varians kelompok sama, maka statistik yang sesuai adalah
statistik parametrik.
5. Bagaimana jenis skala pengukuran data?
Jika skala pengukuran data nominal dan ordinal, maka statistik yang sesuai
adalah statistik nonparametrik. Jika skala pengukuran data interval dan rasio,
maka statistik yang sesuai adalah statistik parametrik.
 STATISTIK PARAMETRIK

 Statistik parametrik: yaitu statistik yang digunakan untuk

menguji hypotesis yang variabelnya terukur.
 Contoh: “Berapa menit rata-rata tayangan iklan di TV?“
 Variabel waktu tayangan iklan dapat terukur dalam menit (ada
standar)
 Statistik parametrik adalah ilmu statistika yang mempertimbangkan
jenis sebaran/distribusi data, yaitu:
1. apakah data menyebar normal atau tidak.
2. Jika data tidak menyebar normal, maka data harus dikerjakan dengan
metode Statistika non-parametrik, atau setidak2nya dilakukan
transformasi agar data mengikuti sebaran normal, sehingga bisa
dikerjakan dg statistika parametrik. Contoh metode statistika
parametrik: uji-z (1 atau 2 sampel), uji-t (1 atau 2 sampel), korelasi
pearson, Perancangan Percobaan (1 or 2-way ANOVA parametrik),
dll.
 STATISTIK NON PARAMETRIK

 Statistik Non parametrik adalah statistik yang digunakan untuk

menguji hypotesis yang variabelnya tidak memiliki kepastian
(standar)
 Contoh: “Berapa besar kepuasan pasien terhadap pelayanan RS.
X ?“
 Variabel kepuasan tidak memiliki standar pasti.
 Statistika Non Parametrik adalah statistika bebas sebaran (tdk
mensyaratkan bentuk sebaran parameter populasi, baik normal atau
tidak). Statistika non-parametrik biasanya digunakan untuk melakukan
analisis pada data berjenis Nominal atau Ordinal. Data berjenis
Nominal dan Ordinal tidak menyebar normal. Contoh metode Statistika
non-parametrik: Binomial test, Chi-square test, Median test, Friedman
Test, dll.
 Singkat kata perbedaannya kalau datanya memiliki sebaran atau
distribusi normal, maka digunakan statistika parametrik. Kalo data tidak
memiliki sebaran normal, maka digunakan statistika nonparametrik.
Dalam statistik inferensial, pengujian hipotesis merupakan salah satu
tujuan yang harus dilakukan untuk menjawab masalah penelitian secara
rasional. Tujuan pengujian hipotesis, untuk menentukan apakah jawaban
teoritis yang terkandung dalam pernyataan hipotesis didukung oleh fakta
yang dikumpulkan selama proses penelitian. Pengujian hipotesis (yang
menggambarkan karakteristik populasi) dengan menggunakan data
sampel (yang menggambarkan karakteristik sampel) pada dasarnya
merupakan pembuatan keputusan melalui proses inferensi yang
memerlukan akurasi peneliti dalam melakukan estimasi
Proses inferensi pada dasarnya dapat dilakukan melalui satu dari dua
cara, yaitu: estimasi nilai parameter populasi atau membuat keputusan
mengenai nilai parameter (proses pengujian hipotesis). Estimasi nilai
parameter populasi akurasinya tergantung pada representasi sampel
yang diambil dari populasi yang bersangkutan. Peneliti harus
mempunyai kriteria atau standar yang digunakan untuk membuat
keputusan terhadap hipotesis yang diuji berdasarkan sampel. Kriteria
keputusan yang ditetapkan oleh peneliti dalam istilah statistik disebut
tingkat signifikansi (significance level).
Tingkat signifikansi adalah tingkat probabilitas yang
ditentukan oleh peneliti untuk membuat keputusan
menolak atau mendukung hipotesis. Kriteria keputusan
berdasarkan tingkat signifikansi, misalnya 0,05 atau 0,01
menunjukkan bahwa keputusan yang dibuat oleh peneliti
untuk menolak atau mendukung suatu hipotesis
mempunyai probablilitas kesalahan sebesar lima persen
atau sepuluh persen.
 1.Uji Hipotesa
Dalam melakukan uji hipotesis, ada banyak faktor yang menentukan seperti apakah sampel yang diambil
berjumlah banyak atau hanya sedikit, apakah std deviasi populasi diketahui, apakah variansi dari populasi
diketahui, apa metode parametrik yang digunakan, dst.
1.  Prosedur Uji Hipotesis
a.   Menentukan H0 dan H1
 H0 adalah NULL HYPOTHESIS
 H1 adalah ALTERNATIVE HYPHOTHESIS

Menentukan Uji (Prosedur) Statistik yang digunakan; apakah

b.
akan digunakan uji t, ANOVA, uji z, dan lain sebagainya.

c.   Menentukan statistik tabel

1. Tingkat kepercayaan
2. Derajat kebebasan (df)
Derajat kebebasan atau degree of freedom sangat bervariasi tergantung dari metode yang dipakai dan
jumlah sampel yang diperoleh.
3. Jumlah sampel yang didapat
d.  Menentukan Statistik hitung
Nilai ini tergantung pada metode parametrik yang
digunakan. Pada pengerjaan pada SPSS, nilai statistik
hitung langsung ditampilkan nilai akhirnya; sedangkan
proses perhitungannya sampai pada nilai akhir tersebut
tidak diperlihatkan, termasuk angka statistik tabel.

e. Mengambil keputusan
Hal ini ditentukan dengan membandingkan nilai statistik
hitung dengan nilai statistik tabel atau nilai kritisnya.
 2.Berbagai Metode Parametrik
a.  Inferensi terhadap sebuah rata-rata populasi
Tujuan pengujian ini adalah ingin mengetahui apakah sebuah sampel
berasal dari sebuah populasi yang mempunyai rata-rata (mean) yang
sudah diketahui. Atau, bisa juga dikatakan ingin menguji apakah rata-
rata sebuah sampel sudah bisa mewakili populasinya. Pada inferensi ini,
perlu diperhatikan ukuran sampel, apakah termasuk sampel besar
ataukah sampel kecil.
· Sampel Besar
Dalam kasus dimana jumlah sampel yang diambil cukup besar atau
varians populasi diketahui, maka bisa dipakai rumus (uji) z.
· Sampel Kecil
Jika sampel kecil (<30) dan varians populasi tidak diketahui,
metode parametrik yang digunakan adalah uji t (student).
b.  Inferensi terhadap dua rata-rata populasi
Dalam inferensi dua populasi, tujuan utama adalah ingin mengetahui apakah ada perbedaan
antara dua rata-rata populasi.
· Sampel Besar
Metode yang digunakan adalah z test yang dimodifikasi.
· Sampel Kecil
Metode yang digunakan adalah:
-> t test yang dimodifikasi : sampel bisa saling berhubungan (dependen) maupun kedua
sampel tidak ada hubungannya (independen).
-> F test
c.   Inferensi terhadap lebih dari dua rata-rata populasi
Untuk lebih dari dua populasi, misal tiga jenis sampel, empat jenis sampel dan seterusnya,
dipakai analisis ANOVA, yang terdiri atas:
 ANOVA satu faktor
 ANOVA dua faktor dengan replacement
 ANOVA dua faktor tanpa replacement
d. Inferensi untuk mengetahui apakah ada hubungan antara
variabel
Inferensi ini bertujuan untuk mengetahui apakah ada hubungan
yang signifikan antara dua variabel. Beberapa alat statistik untuk
mengetahui hubungan antar variabel:
 Hubungan antar dua variabel, menggunakan korelasi dan
regresi sederhana.
 Hubungan antara lebih dari dua variabel (tiga, empat, dan
seterusnya), menggunakan metode korelasi dan regresi
berganda.
 JENIS UJI STATISTIK
Bentuk Hipotesis

Skala Komparatif (2 sampel) Komparatif (>2 sampel)

Asosiasi
Data
(hubungan)
Related Independen Related Independen

 Mc Nemar  Fisher  X2 utk k X2 utk k Contingenc

Exact- sampel sampel y
Nominal
Probability  Cochran Q Coefficient
 Chi-Square C
Ordinal  Sign test  Median Test  Friedman-  Median  Spearman
 Wilcoxon  Mann- Two-Way- Extension rank
matched pairs Whitney- Anova  Kruskal correlatio
U test Wallis-One- n
 Kolmogorof- Way-Anova  Kendall
Smirnov Tau
 Wald-
Woldfowitz
Interval,  t-test of  t-test  One way  One Way  Pearson
Rasio related (pired) independent Anova Anova Pruduct
 Two way  Two Way Momment
Anova Anova  Partial
 Uji beda
Jumlah Keterikatan Uji Parametrik Uji Non Parametrik
Variabel Variabel
2 Variabel Independen Uji t-test (n kecil) Mann-Whitney /Uji
Uji Z (n besar) Median
Uji Chi-Square
related Paired t-test Sign-test
Wilcoxon-test
Uji Mc.Nemar
> 2 variabel Independen Anova/Uji F Kruskal Wallis
Manova (Multivariat
Anova)

related Repeated Measure Friedman

Kendall’s W
TERIMA KASIH
IG: @rizkaamalya, @pedulijiwa.id
Email: riskanasution@unja.ac.id
TENDENSI
SENTRAL

Ns. Riska Amalya Nasution, M.Kep., Sp.Kep.J

PERBEDAAN JENIS DATA
 Penyimpulan data numerik
• Tendensi sentral (mean, median, modus)
• Hubungan mean, median, modus
• Ukuran variasi (range , interkuartil range, mean deviasi,
varian, SD, COV)
• Ukuran posisi (median, kuartil, desil, persentil)

 Penyimpulan data kategorik:

Proporsi
Tendensi sentral (ukuran pemusatan)

 Mean
 Median
 Modus
Penggunaan Mean, Median, Modus
Mean (Arithmatic Mean)

 Nilai yg mewakili himpunan/

sekelompok data yg didapat dg
menjumlahkan semua data, lalu
membagi dg jmh pengamatan.

X = Jumlah data = x1 + x2 + ... + xn n

n
Mean (lanjutan - 1)

 C/: data usia 6 org klien hipertensi 55

th, 60 th, 55 th, 65 th, 70 th, 75 th

X = 55 + 60 + 55 + 65 + 70 + 75
6
= 63,3 th
Mean (lanjutan - 2)

 Sifat-sifat dari mean:

1. Merupakan wakil dari keseluruhan nilai
2. Sangat dipengaruhi nilai ekstrim kecil/besar
3. Berasal dari semua nilai pengamatan
Median (nilai tengah)

 Nilai yg terletak di tengah pada observasi

setelah data disusun/ diurutkan (array)
Letak nilai median = n + 1
2
 Jk jmh data ganjil, median pd letaknya. Jk genap,
nilai yg mengapit dibagi dua.
Median (lanjutan - 1)

 C/: data usia 6 org klien hipertensi 55

th, 60 th, 55 th, 65 th, 70 th, 75 th.
55 th, 55 th, 60 th, 65 th, 70 th, 75 th.
Letak nilai median = n + 1 = 3,5
2
Median = 60 + 65 = 62,5 th.
2
Median (lanjutan - 2)
 Sifat-sifat dari median:
1. Disebut jg nilai posisi
2. Tdk dipengaruhi nilai ekstrim
3. Letaknya selalu di tengah
4. Jk jmh observasi ganjil, median adalah
titik data yg ditengah
5. Jk jmh observasi genap, median adalah
rata-rata dua titik terdekat
Modus

 Nilai yg paling byk ditemui dlm suatu

pengamatan.
C/: data usia 6 org klien hipertensi
55 th, 60 th, 55 th, 65 th, 70 th, 75 th

 Modus data di atas adalah 55 th, krn

pd pengamatan data tsb muncul 2x.
Modus (lanjutan)

 Pada sekelompok data, dpt ditemui:

1. Tdk ada nilai yg lbh byk diobservasi (tdk
ada modus)
2. Ditemui satu modus (uni modal)
3. Tdpt dua modus (bi modal)
4. Tdpt 3 atau lebih modus (multi
modal)
Hubungan mean, median, modus
 Jk distribusi frekuensi memiliki
kurva yg simetris dg satu puncak
saja, mk letak mean, median dan
modus akan sama/berhimpit.
Hubungan mean, median, modus
(lanjutan - 1)

 Jk kurva menceng ke kanan, mk

nilai mean adalah yg paling besar,
baru diikuti dg median, kmdn modus
Hubungan mean, median, modus
(lanjutan - 2)
 Jk kurva menceng ke kiri, mk nilai
mean paling kecil diikuti median,
kemudian modus.
Hubungan mean, median, modus
(lanjutan - 3)

 Jk distribusi tdk terlalu menceng/

normal, mk tdpt hubungan:
Modus = mean – 3 x (mean –
med)
C/: Diketahui rata2 BB anak 30 kg, median 28
Ukuran variasi

 Range
 Interkuartil range
 Mean deviasi
 Varian
 SD (standar deviasi)
 Koefisien varian (COV)
Range

 Nilai yg m’perlihatkan p’bedaan nilai

p’amatan yg paling besar dg nilai yg
paling kecil.

C/: data usia 6 org klien hipertensi 55

th, 60 th, 55 th, 65 th, 70 th, 75 th
Range = 75 th – 55 th = 20 th
Interkuartil Range

 Nilai yg m’perlihatkan p’bedaan

nilai kuartil ke-3 dg kuartil ke-4.

IQR = Q3 - Q1
2
Mean deviasi

 Rata-rata dr seluruh p’bedaan

pengamatan dibagi dg banyaknya
pengamatan, diambil nilai mutlak.
 Kelemahan: mengabsolutkan nilai
selisih.
Md =  x – x
n
Varian

 Rata-rata p’bedaan antara mean dg

nilai masing-masing.
 Kelemahan: satuan ikut kuadrat.

V (S2) =  [( x – x ) 2 ]
n–1
 x (th) x–x (x–x)2
55 8,3 68,89
55 8,3 68,89
60 3,3 10,89
65 1,7 2,89
70 6,7 44,89
75 11,7 136,89
380 40 333,34

• Mean = 380/6 = 63,3

• Mean deviasi (Md) = 40/6 = 6,7 th
• Varian (V) = 333,34/5 = 66,7
Standar Deviasi (SD)

 Akar dr varian.
 Disebut jg simpangan baku, krn
merupakan patokan luas area di
bawah kurva normal.
 x ± 1 s = 68%
 x ± 2 s = 95%
 x ± 3 s = 99%
Koefisien Deviasi (COV)

 Membandingkan variasi nilai antara 2

variabel yg b’beda unitnya.
 Misalnya BB dg TB.

COV = (s / x ) x 100%
Ukuran posisi

 Median
 Kuartil: nilai yg m’bagi
pengamatan mjd 4 bagian
 Desil: nilai yg m’bagi pengamatan
mjd 10 bagian
 Persentil : nilai yg m’bagi
pengamatan mjd 100 bagian
Ukuran posisi (lanjutan)

 Kuartil (Qi) = nilai yg ke i (n+1)

4
 Desil (Di) = nilai yg ke i (n+1)
10
 Persentil (Pi) = nilai yg ke i (n+1)
100
Probabilitas
Pengertian
 Pandangan klasik/ intuitif
 P (E) = X/n
 Pandangan Empiris
 P (E) = lim X/n
 Pandangan Subjektif
 Probabilitas suatu peristiwa
tergantung kepada yang membuat
pernyataan
Azas perhitungan probabilitas
 0≤p≤1
 P (x/n) ………….bilangan +
 Kejadian mutually exclusive (saling
terpisah)
 Kejadian non mutually exclusive
(dapat terjadi bersama-sama , tetapi
tidak selalu bersama-sama
Hukum pertambahan

 Kejadian mutually exclusive,

 P(A U B)= P (A) + P (B)…contoh

A B
Hukum pertambahan

 Kejadian non mutually exclusive:

 P (AUB) = P(A) + P(B) – P ( A ∩ B )…contoh
AB

B
A B
b
b
Perluasan

A B
Hukum perkalian
 Peristiwa Independen
 P(A∩B) = P(A) x P(B)
 Contoh….
 Peristiwa Bersyarat
 P(A∩B)= P(A) x P(B|A)
 Contoh…………..
Dalil-dalil probabilitas
 Dalil I (kaidah umum penggandaan)
 Suatu peristiwa dapat menghasilkan n
hasil, selanjutnya dapat menghasilkan
m hasil maka hasil akhir adalah:

 K=nxm
 Diagram pohon

 Satu koin di lambungkan 2 kali

H T

H T H T

HH HT TH TT

hasil
Dalil II (Permutasi)

 Permutasi , kalau hasil suatu

peristiwa urutannya n!
dipentingkan: n Pr 
 n= jumlah objek ( n  r )!
 r=jumlah anggota pasangan
 P= permutasi
 Contoh…………..
Dalil III Kombinasi
 Kalau urutan tidak
dipentingkan
 n= jumlah objek
 r=jumlah pasangan n!
nCr 
 C= kombinasi r!( n  r )!
 Contoh…….
Distribusi probabilitas

 Ada bermacam-macam ….distribusi teoritis

 Distribusi Binomial
 Distribusi Poisson
 Distribusi Normal (Z)
 Distribusi Student (t)
 Distribusi Fissher (F)
 Distribusi Chi Square (X2)
 Dan lain-lain
 DISTRIBUSI BINOMIAL

• Distribusi untuk data diskrit

• Syarat:
1. Jumlah trial merupaan bilangan bulat
2. Outcome variabel: dikotom
3. Peluang sukses sama untuk setiap
percobaan
4. Setiap eksperimen independen satu sama lain
 Peluang sukses: p

 Peluang gagal: q=1-p

 Contoh:

1. Peluang keluar gambar mata uang pada

1x pelemparan 0.5 maka p=0.5; q= 0.5

2.Peluang lahir bayi perempuan 0.5

maka peluang lahir bayi laki-laki= 0.5
Rumus umum

P(x) = n . Px . (1-P)n-x
x

n
= nCr = nCx
x

P(x) = nCr. p x . q n-x

DISTRIBUSI POISSON

 Variabel diskrit
 P <<<< n >>>>
 Rumus: P(x)= 𝜆 x . e -λ
x!
𝜆 = nilai rata-rata = n.p
e = konstanta = 2.71828
x = variabel diskrit
 Distribusi normal
 Variabel kontinu
 Berbentuk lonceng: simetris, seperti lonceng, luas
probabilitas = 1= 100%
 Transformasi Z


 Rumus: Ζ =

 Z=
LATIHAN
Berikut ini adalah data pasien yg dirawat kr PJK

No Res Jenis kelamin Kriteria hipertensi Jumlah rokok yg dihisap/hari

1 Laki-laki Berat 20
2 Perempuan Sedang 6
3 Perempuan Sedang 6
4 Laki-laki Berat 22
5 Laki-laki Krisis 30
6 Perempuan Krisis 12
7 Laki-laki Berat 26
8 Perempuan Berat 10
9 Perempuan Sedang 6
10 Laki-laki Sedang 8
11 Laki-laki Berat 24
12 Perempuan Sedang 8
Berdasarkan data tsb, jawablah
pertanyaan berikut:
1. Hitunglah nilai: mean, median, modus,
range, mean deviasi, varian dan
standar deviasi dari jmh rokok yg
dihisap/hari!
ESTIMASI
Ns. Riska Amalya Nasution, M.Kep., Sp.Kep.J
 Pendahuluan :

 Tujuan utama kita mengambil sampel dari suatu

populasi adalah untuk memperoleh informasi
mengenai parameter populasi.
 Oleh karena parameter populasi tidak diketahui, maka
dalam statistika inferensia dipelajari bagaimana cara
mengetahui parameter tersebut.
Konsep Estimasi

ˆ
ˆ
q
Statistik sampel
Parameter

ˆ
Estimasi
 Estimasi adalah suatu metode, dimana kita
dapat menduga nilai/karakteristik (parameter)
populasi dari hasil nilai (statistics) sampel
 Dua macam estimasi:
 Estimasi titik (Point Estimate)
 Estimasi selang ( Interval Estimate)
Estimasi Titik
 Nilai populasi (parameter) ditentukan hanya
oleh satu nilai.
 Nilai yang dipakai untuk menduga disebut
“estimator”
Ciri –ciri Estimator yang baik
 Beberapa kriteria yang lazim dipergunakan untuk menetapkan suatu penduga
yang baik:
1. Tidak bias
Statistik sampel yang digunakan sebagai penduga harus sama atau mendekati
populasi yang diduga.
2. Konsisten
Jika ukuran sampel meningkat maka statistik sampel akan semakin mendekati
parameter populasinya. Atau jika n (jumlah sampel) membesar maka s
(standar deviasi) mengecil, dan jika n = ~ maka s = 0
3. Efisien
Statistik sampel memiliki standar deviasi yang kecil
Estimasi Titik
 Mean populasi: μ, dapat diduga dari bermacam-
macam nilai yang ada didalam sampel seperti, x1,
x2….xn, Mo, Md dan x (mean)
 Nilai mean ( x ) : estimator yang terbaik.
 Jadi x μ
 s σ
 p π
Estimasi Titik
 Dari survey cepat, 210 ibu hamil di Bekasi didapat
rata-rata kadar Hb 9,5 gr%
 Dimpulkan bahwa kadar Hb bumil di Bekasi adalah
9,5 gr%
 Kelemahan pendugaan titik ini adalah:
 Sering meleset/salah
 Tidak diketahui derajat kebenaran dari pendugaan
……. untuk ini dipakai Estimasi Selang
Estimasi Selang (Interval Estimate)
 Konsep estimasi selang, semua sampel yang diambil
dari populasi akan berdistribusi normal (CLT) dengan
simpangan baku SE

 Interval pendugaan adalah jarak luas kurva normal,

dan disebut sebagai derajat kepercayaan “Confidence
Interval” atau disingkat CI.
Interval Estimate
 CI ini ditentukan oleh peneliti, apakah 90%, 95%,
atau 99%, tergantung substansi penelitiannya. Dalam
Kesehatan biasa dipakai 95%.
 1- CI disebut α … jadi kalau CI 95% (0,95) maka α
=100%-95%= 5% ( 0,05). Dari sini didapat nilai Z
pada kurva normal … Z1/2 α ….atau Z1- α
Convidence Interval
 Kurva

1/2α
95% (CI) 1/2α

Z
ZZ
Rumus umum

 X- Z 1/2αSE ≤ Parameter ≤ X+ Z 1/2α SE

 atau
ˆ  x  z1/ 2 SE
Contoh
 Pada penelitian di Jambi, 144 bumil didapat kadar Hb x = 9,5 gr% Perkirakan, berapa nilaia Hb populasinya
kalau diketahui σ = 2 gr%. CI 95%
 Penyelesaian:
 μ = x ± z1/2α σ/√n
 μ= 9,5 ± 1,96 x 2/√144

= 9,5 ± 0,3
= { 9.2 sampai 9.8 } gr% … CI 95%
Apa artinya ?
Contoh:
Penelitian terhadap 25 orang penderita penyakit
jantung kronis (PJK) terhadap kadar kolesterol mereka.
Dari sampel tersebut didapatkan rata-rata 210 gr/dl
dengan simpangan baku 50 gr/dl. Berapakah kadar
kolesterol pada penderita PJK pada 95% CI?
Penyelesaian:
Dalam kasus ini varian populasi tidak diketahui dengan
demikian tidak dapat dipakai distribusi Z dan harus
dipakai distribusi t (Student)
Penyelesaian
 s
  x  t1 / 2
df n
 50
  210  2.064 x  210  20.64
25
μ= 210 ± 20,64
μ= { 189.36 ; 231.64} gr/dl………CI 95%
Data kategorik
 Untuk data kategorik pendekatannya selalu ke kurva normal.
 Dalam analisis univariabel maka X= p
 Simpangan baku pq
 Standar Error

pq
SE 
n
Pendugaan interval untuk rata-rata
1. Untuk sampel besar (n > 30)
a. Utk populasi tdk terbatas/ populasi terbatas yg pengambilan
sampelnya dgn pengembalian dan σ diketahui

 
X  Z / 2 .    X  Z / 2 .
n n
Penaksiran rata-rata sampel adalah menentukan
interval nilai rata-rata sampel yang dapat memuat
parameter rata-rata populasi, jika dipakai distribusi
probabilitas normal, confedence interval untuk rata-
rata ditentukan.
 ˆ  x  z  dan ˆ  x  z 
1  /2 2  /2

n
Didapat dua batas kepercayaan
n

α/2 1‒α/2 α/2

z
-zα/2 0 zα/2
 Contoh: Rata-rata IPK sampel acak 36 mahasiswa tingkat S-1 adalah 2.6.
Hitung selang kepercayaan 95% dan 99% untuk rata-rata IP semua
mahasiswa S-1! Anggap bahwa standar deviasi populasinya 0.3.

 Solusi:
Diketahui x-bar = 2.6; σ = 0.3; z0.025 = 1.96; z0.005 = 2.575
 Selang kepercayaan 95% untuk rata-rata IP semua mahasiswa S-I:

 0.3   0.3 
2.6  1.96       2.6  1.96   
 36   36 
2.50    2.70
 Interpretasi: Dapat dipercaya sebesar 95% bahwa rata-rata IPK semua mahasiswa S-1 antara 2.50 hingga
2.70
  Selang kepercayaan 99% untuk rata-rata IPK semua mahasiswa S-I:

 0.3   0.3 
2.6   2.575       2.6   2.575   
 36   36 
2.47    2.73
 Interpretasi: Dengan tingkat kesalahan 1%, dapat dinyatakan bahwa rata-rata IPK semua
mahasiswa S-1 antara 2.47 hingga 2.73.
--00--

 Perhatikan:
galat

 
x  z / 2 x  x  z / 2
n n
b. Untuk populasi terbatas, pengambilan sampel tanpa pengembalian dan
σ diketahui atau n/N > 5%

 N n  N n
X  Z / 2 . .    X  Z / 2 . .
n N 1 n N 1
2. Untuk sampel kecil (n ≤ 30)

s s
X  t / 2 .    X  t / 2 .
n n

s
X 2


( X ) 2
n 1 n( n  1)
SOAL
Sebuah perusahaan ingin mengestimasi rata-rata waktu yang
diperlukan oleh sebuah mesin yang digunakan untuk
memproduksi satu jenis kain. Diambil secara acak 36 pis kain,
waktu rata-rata yang diperlukan untuk memproduksi 1 pis kain
adalah 15 menit. Jika diasumsikan standar deviasi populasi 3
menit, tentukan estimasi interval rata-rata dengan tingkat
confidence (tingkat kepercayaan) 95% ?
 JAWABAN

X (Rata-rata) = 15 menit
n = 36
Simpangan Baku = 3 
n
Nilai standar Deviasi = = 3 : √36 = 0.5

Tingkat Kepercayaan 95%, dari tabel distribusi normal

diperoleh Ztabel = 1.96
14.02 < µ < 15.98
Estimasi proporsi

 Estimasi titik p 
 Astimasi selang:

ˆ  p  Z1/ 2 SE
p.q
ˆ  p  Z1/ 2
n
 Contoh Kasus

 Telah diambil secara random 50 orang mahasiswa Keperawatah UNJA,

dan didapatkan 10 orang perokok, perkirakanlah berapa proporsi
perokok di populasinya? CI= 95%
 P= 10/50= 0,20
 Penyelesaian 0,2 x0,8
ˆ  0,2  1.96  0,2  0,11
50
 =0,20,11={0,09 ; 0,31}……CI 95%
 Diyakini 95% bahwa perokok dipopulasi Mhs Keperawatan UNJA 9%
s/d 31%
TERIMAKASIH
Email: riskanasution@unja.ac.id
IG: @rizkaamalya @pedulijiwa.id
 Uji Korelasi dan
Regresi

99
100 Uji Korelasi

 Merupakan teknik statistik yang digunakan untuk meguji ada/tidaknya hubungan

 Besarnya Koefisien korelasi antara -1 ; 0; +1
101 Arah korelasi
102 Koefisien korelasi

 Besar kecilnya hubungan Antara dua variable dinyatakan dalam bilangan yang
disebut Koefisien Korelasi
UJI HUBUNGAN
statistik parametrik & non-parametrik

Uji hubungan parametrik Non-parametrik

2 variabel - korelasi pearson - X2 (chi-kuadrat)
- uji regresi - korelasi spearman
> 2 variabel - korelasi parsial Regresi logistik
- korelasi berganda

- uji regresi berganda

Tabel 2x4

Variabel Pendidikan Kurang Baik

Rendah a b
Tinggi c d
Rendah e F
Tinggi g h
 Proses Uji Korelasi
105 Aktifkan kembali SPSS pada tampilan “Variable View”, kemudian masukkan variable serta kolom
Label dengan nama variabel penelitian berikut ini
 Proses Uji Korelasi (Lanjutan)
106

Aktifkan SPSS pada tampilan “Data View”,

Masukkan datanya
 Proses Uji Korelasi (Lanjutan)
107

Proses uji korelasi dimulai dengan Analyze, correlate, Bivariate. Klik Bivariate untuk masuk dalam
proses berikutnya. Perhatikan tampilan dibawah ini:
108 Uji Korelasi (Lanjutan)

 Lakukan uji hubungan antara lama kerja dan penghasilan

Korelasi Pearson

 Data berdistribusi Normal

 Klik Analyze  correlate  bivariate
 Klik variabel yang akan diuji “lama kerja” dan ‘penghasilan”
 Baca outputnya
KORELASI SPEARMAN
Contoh Kasus
Proses Analisis dengan Software
Output
Keterangan
 Kriteria Guilford
0,00 ≤ ρ < 0,20 = Hubungan yang sangat kecil
dan bisa diabaikan
0,20 ≤ ρ < 0,40 = Hubungan yang kecil (tidak erat)
0,40 ≤ ρ < 0,70 = Hubungan yang moderat
0,70 ≤ ρ < 0,90 = Hubungan yang erat
0,90 ≤ ρ < 1 = Hubungan yang sangat erat
Korelasi Chi-Square

 Klik analyze  crosstab

 Masukkan variabel ke row dan column
 Klik statistic  klik Chi square
 Klik Ok
 Lihat output statistiknya
118 Regresi
119 Regresi Ganda
Regresi Linier Sederhana
Proses Analisis
Model Taksiran Regresi
Contoh Kasus Regresi Linier Sederhana
Jawaban
UJI BEDA PROPORSI &
DR. NS. ANDI SUBANDI

Langkah menentukan hipotesis

Pengantar biostatistika dasar
Data, jenis data, skala data
◦ Numerik: interval, rasio
◦ Kategorikal: nominal, ordinal
Distribusi data
◦ Distribusi normal
◦ Distribusi data lainnya
Dianggap mirip dengan populasi
Salah satu syarat statistika parametrik
Apakah tujuan kita?
◦ Apakah bertujuan menggambarkan suatu
karakteristik atau profil?  deskriptif
◦ Apakah bertujuan menguji suatu hipotesis? 
analitik

Seberapa besar sampel yang diteliti?

Workshop Metodologi Penelitian

FK UNS 2012
Apa skala data yang akan dianalisis?
◦ Apakah data yang dimiliki merupakan data
numerik? Jika data numerik, apakah
terdistribusi normal?
◦ Apakah data yang dimiliki merupakan data
kategoris?

3 hal yang perlu diperhatikan:

Besar sampel, skala data, distribusi
data
 Data

Numerik Kategorikal

Terdistribusi normal Distribusi tidak Statistik non-

dan jumlah sampel normal (jika n>30) parametrik
besar (n>30) atau sampel kecil

Statistik parametrik
Dalam kesempatan ini akan dibahas uji beda
proporsi (non-parametrik).
Uji beda proporsi digunakan pada data
kategorikal (nominal, ordinal) yang mengukur
frekuensi suatu kejadian (event). Meskipun
menguji perbedaan proporsi, perhitungan
didasarkan atas distribusi frekuensi dalam
suatu tabulasi silang.
Berbeda dengan uji beda rerata parametrik,
maka uji beda proporsi tidak
menggunakan banyak asumsi. Uji beda
proporsi dapat digunakan pada sampel
yang tidak terdistribusi normal atau
berjumlah kecil (<30)
Hal ini berakibat pada berkurangnya „power‟
uji statistik ini. Di samping itu, besarnya
perbedaan tidak dapat dihitung dalam uji
beda non-parametrik
χ2 (chi-square test)
Yates correction (contigency
coefficient)
Fisher‟s exact test
Salah satu uji beda proporsi yang digunakan
pada skala data nominal.
Dapat diterapkan tanpa asumsi distribusi
normal data, baik pada sampel besar maupun
kecil.
Selain digunakan untuk menguji perbedaan
proporsi, dapat juga digunakan sebagai
„goodness-of-fit test‟ dan dapat menguji
adanya asosiasi antara dua variabel.
Source: http://www.geography-site.co.uk/pages/skills/fieldwork/statimage/chisqu.gif
Observed: frekuensi yang didapatkan dari
observasi
Expected: merupakan hasil dari total baris
dikalikan total kolom dibagi total sampel
Expected count: Total row x total
column
Total sampel
 Anemia Tidak anemia TOTAL
Perempuan 24 (a) 16 (c?) 40
tamat SMP atau
kurang
Perempuan 6 (d?) 34 (b) 40
tamat SMU atau
lebih
TOTAL 30 50 80
Angka di luar kurung adalah “Observed count”, angka
di dalam kurung adalah “expected count”
a= (30*40)/80 = 15
b= (50*40)/80 =
25
Hitunglah c dan d!
1. Tentukan hipotesis yang akan diuji

2. Tentukan level signifikansi atau nilai kesalahan

tipe 1 (α)
3. Tentukan titik kritis dari tabel chi-square berdasarkan nilai α
dan derajat kebebasan (degree of freedom; df)
 d f = (row-1)(column-1)
4. Pilihlah jenis uji hipotesis dan hitunglah!
5. Bandingkan hasil hitung dengan titik kritis!
6. Tarik kesimpulan berdasarkan hasil langkah ke-5.
 Tentukan hipotesis null dan hipotesis
alternatif
H0: p1 = p2 = p
(tidak terdapat perbedaan proporsi antara
kelompok 1 dan kelompok 2)
Ha: p1 ≠ p2
(terdapat perbedaan proporsi antara
kelompok 1 dan kelompok 2)

Berikan contohnya!
Level signifikansi menuntun kita untuk
memilih titik kritis. Level signifikansi
ditentukan oleh nilai α.
Pada α = 5% maka level signifikansi pada
0.05
Pada α = 5%, maka interval kepercayaan
sebesar 95% (1- α)
Semakin kecil nilai α, semakin tinggi interval
kepercayaan, maka tingkat kesalahan tipe 1
semakin kecil.
Tentukan lebih dahulu tabulasi silang
frekuensi yang ingin diuji  df dapat
dihitung.
df= (row-1)(column-1)
Tentukan nilai kritis berdasarkan α
dan df!
Gunakan rumus Chi-square di atas untuk
menghitung chi-square hitung!
Bandingkan χ2 hasil perhitungan dengan titik
kritis χ2 yang telah diperoleh!
Apabila χ2 hitung > titik kritis χ2 maka H0
ditolak dan Ha diterima
Apabila χ2 hitung < titik kritis χ2 maka H0
diterima dan Ha ditolak
 Gizi lebih normal Gizi kurang
Laki-laki 18 (18,75) 17 (18,75) 15 (12,5) 50
Perempuan 12(11,25) 13 (11,25) 5 (12,5) 30
30 30 20 80

Keterangan:
Angka dalam kurung menunjukkan expected
value

Dari tabel di atas diperoleh df=

(3-1)(2-1) =
2
Nilai α yg dipilih = 0.05
Nilai χ2 hitung= 2,473
Chi-square dapat diterapkan pada sampel
besar yang ditunjukkan dengan tidak adanya
nilai harapan (expected value) yang kurang
dari 5.
Apabila terdapat nilai harapan kurang dari 5,
maka hasil uji Chi-square tidak dapat
digunakan. Alternatifnya, dapat
menggunakan Yates correction atau Fisher‟s
exact test.
Yates correction dapat memberikan nilai
signifikansi yang lebih baik dibandingkan
chi-square pada tabel 2x2. Meskipun
demikian, dapat digunakan pada tabel yang
lebih besar meskipun akan menurunkan
power.
Yates correction tidak digunakan untuk
memperbaiki signifikansi pada uji Chi-square
yang tidak signifikan, sementara tidak
terdapat nilai harapan yang kurang dari 5.
Fisher‟s exact test dapat digunakan apabila
nilai harapan kurang dari 5 pada tabel
kontigensi 2x2.
Fisher‟s exact test tidak dapat digunakan
pada tabel yang lebih besar.
 IMT > 30.0 IMT < 29.9
Laki-laki A B
Perempuan C D
LANGKAH
PENGUJIAN
HIPOTESIS STATISTIK
DR. NS. ANDI SUBANDI
 INTRODUCTION

• Hipotesis: asumsi atau dugaan sementara mengenai sesuatu

hal.
• Dituntut untuk dilakukan pengecekan kebenarannya.
• Jika asumsi atau dugaan dikhususkan mengenai nilai-nilai
parameter populasi, maka dinamakan hipotesis statistik.
• Yang dianggap sebagai hipotesis:
– peluang lahirnya bayi berjenis laki-laki=0,5
– 30% mhs aktif dalam ormawa
– rata-rata pendapatan keluarga Rp 350.000/bln.
• Setiap hipotesis bisa benar atau tidak benar, perlu penelitian
sebelum hipotesis diterima atau ditolak
INTRODUCTION

• Penolakan suatu hipotesis bukan berarti

menyimpulkan bahwa hipotesis salah dimana
bukti yg tidak konsisten dgn hipotesis
• Penerimaan hipotesis sebagai akibat tidak
cukupnya bukti untuk menolak dan tidak
berimplikasi bahwa hipotesis itu pasti benar
 DEFINISI

• Hipotesis berasal dari bahasa Yunani

– Hupo berarti Lemah atau kurang atau di bawah
– Thesis berarti teori, proposisi atau pernyataan yang disajikan
sebagai bukti
• Sehingga dapat diartikan sebagai :
– Pernyataan yang masih lemah kebenarannya dan perlu dibuktikan,
atau
– Dugaan yang sifatnya masih sementara
• Pengujian Hipotesis : suatu prosedur yang dilakukan dengan tujuan
memutuskan apakah menerima atau menolak hipotesis mengenai
parameter populasi
 Uji Hipotesis

• Uji Hipotesis : metode pengambilan keputusan yang

didasarkan dari analisa data, baik dari percobaan yang
terkontrol, maupun dari observasi (tidak terkontrol).
• Dalam statistik sebuah hasil dapat dikatakan signifikan secara
statistik jika kejadian tersebut hampir tidak mungkin
disebapkan oleh faktor yang kebetulan, sesuai dengan batas
probabilitas yang sudah ditentukan sebelumnya.
• Uji hipotesis kadang disebut juga "konfirmasi analisa data".
Keputusan dari uji hipotesis hampir selalu dibuat berdasarkan
pengujian hipotesis nol. Hal ini merupakan pengujian
untuk menjawab pertanyaan yang mengasumsikan hipotesis
nol adalah benar.
 Manfaat Hipotesis

• Menjelaskan masalah penelitian

• Menjelaskan variabel-variabel yang akan diuji
• Pedoman untuk memilih metode analisis data
• Dasar untuk membuat kesimpulan penelitian.
Dasar Merumuskan Hipotesis

• Berdasarkan pada teori

• Berdasarkan penelitian terdahulu
• Berdasarkan penelitian pendahuluan
• Berdasarkan akal sehat peneliti
 Pasangan Hipotesis

Dalam Sebuah Penelitian Hipotesis Dapat Dinyatakan Dalam Beberapa Bentuk

• Hipotesis nol(H0)
– Merupakan hipotesis yang menyatakan hubungan atau pengaruh antar
variabel sama dengan nol. Atau dengan kata lain tidak terdapat
perbedaan, hubungan atau pengaruh antar variabel.
– Hipotesis ini diartikan sebagai tidak adanya perbedaan antara ukuran
populasi dan ukuran sampel

• Hipotesis alternatif(H1)
Lawannya hipotesis nol, adanya perbedaan data populasi dengan data
sampel
Merupakan hipotesis yang menyatakan adanya perbedaan, hubungan atau
pengaruh antar variabel tidak sama dengan nol. Atau dengan kata lain
terdapat perbedaan, hubungan atau pengaruh antar variabel (merupakan
kebalikan dari hipotesis alternatif)
 Bentuk Hipotesis

• Hipotesis Deskriptif
• Hipotesis Komparatif
• Hipotesis Hubungan (Asosiatif)
 Hipotesis Deskriptif

• Hipotesis tentang nilai suatu variabel mandiri, tidak membuat

perbandingan atau hubungan.
• Sebagai contoh bila rumusan masalah penelitian sbb:
• Seberapa tinggi produktivitas padi di Surakarta?
• Berapa lama daya tahan padi pasca panen pada kondisi
ruangan?
• Rumusan hipotesis:
• Produktivitas padi di Surakarta 20 ton/ha.
• Daya tahan padi pasca panen pada suhu ruangan adalah
20
hari.
 Hipotesis Komparatif

• Hipotesis ini merupakan pernyataan yang menunjukkan dugaan

nilai satu variabel atau lebih pada sampel yang berbeda.
• Contoh rumusan hipotesis komparatif:
• Apakah ada perbedaan produktivitas padi IR64 di Surakarta
dan di Yogyakarta?
• Apakah ada perbedaan kadar gula pada buah Apel Manalagi
dan Buah Apel Anna dari Kota Batu?
• Rumusan hipotesis:
• Tidak terdapat perpedaan produktivitas padi IR64 di
Surakarta dan di Yogyakarta. Ho: 1 = 2 Ha:
1  2
• Kadar gula buah appel Manalagi tidak berbeda dibandingkan
buah appel Anna. Ho: 1 = 2 Ha: 1  2.
 Hipotesis Asosiatif
• Merupakan pernyataan yang menunjukkan dugaan hubungan antara
dua variabel atau lebih.
• Sebagai contoh rumusan hipotesis asosiatif:
• Apakah ada hubungan antara harga buah dengan volume
penjualan buah Apel?
• Apakah ada pengaruh pemupukan tanaman Apel
Manalagi
terhadap kadar gula buah Apel Manalagi ?

• Rumusan hipotesis:
• Tidak ada hubungan antara harga buah appel dengan
volume
penjualan buah apel. Ho:  = 0 Ha:   0
• Tidak ada pengaruh pemupukan tanaman terhadap kadar gula
 Ciri Hipotesis yang Baik
• Dinyatakan dalam kalimat yang tegas
– Upah memiliki pengaruh yang berarti terhadap produktifitas karyawan
(jelas)
– Upah memiliki pengaruh yang kurang berarti terhadap produktifitas
karyawan (tidak jelas)
• Dapat diuji secara alamiah
– Upah memiliki pengaruh yang berarti terhadap produktifitas karyawan
(dapat diuji)
– Batu yang belum pernah terlihat oleh mata manusia dapat berkembang
biak (Pada hipotesis ini tidak dapat dibuktikan karena kita tidak dapat
mengumpulkan data tentang batu yang belum terlihat manusia)
• Dasar dalam merumuskan hipotesis kuat
– Harga barang berpengaruh negatif terhadap permintaan (memiliki dasar
kuat yaitu teori permintaan dan penawaran)
– Uang saku memiliki pengaruh yang signifikant terhadap jam belajar
mahasiswa. (tidak memiliki dasar kuat)
 Hipotesis Statistik

• Hipotesis statistik adalah suatu pernyataan atau

dugaan mengenai satu atau lebih populasi

• Ada 2 macam hipotesis:

1. Hipotesis nol (H0), adalah suatu hipotesis
dengan harapan pernyataan yang telah
dirumuskan harapannya akan ditolak.
2. Hipotesis alternatif (H1), adalah suatu hipotesis
yang muncul karena adanya penolakan dari
hipotesis nol.
 Tipe Kesalahan

1. Kesalahan tipe I, adalah kesalahan yang terjadi

ketika peneliti menolak hipotesis nol, padahal
seharusnya hipotesis nol tersebut benar. Jenis
kesalahan ini dilambangkan dengan α.

2. Kesalahan tipe II, adalah kesalahan yang terjadi

ketika peneliti menerima hipotesis nol,
padahal seharusnya hipotesis nol tersebut
tidak benar. Jenis kesalahan ini dilambangkan
dengan β.
 Prosedur dalam Pengujian Hipotesis

Langkah-langkah dalam pengujian hipotesis

adalah
1. Rumuskan H0 dan H1
2. Menentukan tingkat signifikansi (α)
3. Menentukan statistik uji yang digunakan
4. Komputasi
5. Menentukan daerah kritik
6. Menentukan keputusan uji (H0 ditolak atau
diterima)
7. Membuat kesimpulan
Macam Uji Hipotesis untuk
Mean
1. Uji dua ekor
H0: μ = μ0
H1: μ ≠ μ0

penolakan H0 penolakan H0

daerah penerimaan H0

 Z Z
2 2

H0 diterima jika:  Z   Z  Z
hitung
2
2
 Macam Uji Hipotesis untuk
Mean
2. Uji satu ekor kanan
H0: μ ≤ μ0
H1: μ > μ0

daerah penolakan H0

daerah penerimaan H0

Zα

Hipotesis H0 diterima jika: zhitung < zα

 Macam Uji Hipotesis untuk Mean

3. Uji satu ekor kiri

H0: μ ≥ μ0
H1: μ < μ0

penolakan H0

d
a
e
r
a
h

p
 Statistika Uji untuk Mean

Statistika uji yang digunakan untuk uji

hipotesis mean adalah
1. Z h i t u n g  X   0  N
 Digunakan jika σ2 diketahui,

n (0 ,1) atau n ≥ 30

2. t h i t u n g  X   0  t n 1 
s Digunakan jika σ2 tidak
diketahui, dan n < 30
n
 Macam Uji Hipotesis untuk Beda Mean

1. Uji dua ekor

H0: μ1 – μ2 = μ0
H1: μ1 – μ2 ≠ μ0

penolakan H0 penolakan H0

daerah penerimaan H0

 Z Z
2 2

H0 diterima jika:  Z   Z  Z
hitung
2
2
 Macam Uji Hipotesis untuk Beda Mean

2. Uji satu ekor kanan

H0: μ1 – μ2 ≤ μ0
H1: μ1 – μ2 > μ0
daerah penolakan H0

daerah penerimaan H0

Zα

Hipotesis H0 diterima jika: zhitung < zα

Macam Uji Hipotesis untuk Beda Mean

3. Uji satu ekor kiri

H0: μ1 – μ2 ≥ μ0
H1: μ1 – μ2 < μ0

penolakan H0

d
a
e
r
a
h

p
PENGUJIAN HIPOTESIS
UNIVARIAT
PERBEDAAN UJI-T DAN UJI-Z
 UJI T
 Semua titik data independen.
 Ukuran sampel kecil. Secara umum, ukuran sampel melebihi 30 unit
sampel dianggap besar, jika tidak kecil tetapi tidak boleh kurang dari
5, untuk menerapkan uji-t.
 Nilai sampel harus diambil dan dicatat secara akurat.

nsample size x

t
xobserved sample mean s
population mean
s
observed sample standard deviation n
With the number of degrees of
freedom:
n 1
Uji Z
 Semua pengamatan sampel independen
 Ukuran sampel harus lebih dari 30.
 Distribusi Z adalah normal, dengan mean nol dan varians 1.

n sample size
x
x sample mean z

 population mean

population standard deviation n


UJI PIHAK KANAN
1. Jika σ DIKETAHUI

 RUMUS UMUM : H : μ ≤ μ0
A : μ >μ0

 KRITERIA :Tolak H jika t ≥ t 0,5- ά

Terima H jika sebaliknya
2. Jika σ TIDAK DIKETAHUI
 RUMUS UMUM : H : μ ≤ μ0
A : μ >μ0

 KRITERIA : Tolak H jika z ≥ z 1- ά

Terima H jika sebaliknya
Contoh:

 Pada suatu pabrik pakan dihasilkan rata-rata 15.7 ton sekali produksi. Hasil
produksi mempunyai simpangan baku = 1.51 ton. Metode produksi baru,
diusulkan untuk mengganti yang lama, jika rata-rata per sekali produksi
menghasilkan paling sedikit 16 ton. Untuk menentukan apakah metode yang
lama diganti atau tidak, metode pemberian pakan yang baru dicoba 20 kali
dan ternyata rata-rata per sekali produksi menghasilkan 16.9 ton. Pemilik
bermaksud mengambil resiko 5% untuk menggunakan metode baru apabila
metode ini rata-rata menghasilkan lebih dari 16 ton. Bagaimana
keputusannya
Penyelesaian

 H : µ ≤ 16, berarti rata-rata hasil metode baru

paling tinggi 16 ton, maka metode lama
dipertahankan
 A : µ >16, berarti rata-rata hasil metode baru lebih
dari 16 ton, maka metode lama dapat diganti
 X = 16.9 ton
 N = 20
 σ = 1.51
 µo = 16
 16.9 16
t = = 2.65
1.51/ 20
 Dari daftar normal standart dengan α = 0.05
diperoleh t = 1.64
 Kriteria pengujian : Tolak H jika t hitung lebih
besar atau sama dengan 1.64. Jika
sebaliknya H diterima
 Dari penelitian didapat t = 2.65, maka H
ditolak
 Kesimpulan metode baru dapat digunakan
 Gambar kurva

DISTRIBUSI NORMAL
BAKU

Daerah penerimaan 0,05

H

1,64
UJI PIHAK KIRI
1. σ DIKETAHUI
 RUMUS UMUM : H : μ ≥ μ0
A : μ <μ0

 KRITERIA : Tolak H jika Z ≤ - Z 0,05- ά

Terima H jika Z > - Z 0,05- ά

2. σ TIDAK DIKETAHUI
 RUMUS UMUM : H : μ ≤ μ0
 A : μ >μ0

 KRITERIA : Tolak H jika t ≥ t 1- ά

Terima H jika sebaliknya
CONTOH SOAL 1:

  
Step-step menjawab soal 1
Miu= 880 ton
N= 50
Xbar=875
Std.dev=21 ton
Alfa=0.05
======================
jawab:
1. H0: Miu=880 ton
H1: Miu != 880 ton
2. Alfa: 0.05 => Z dua sisi=1.96(nilai kritis)
3. Kriteria pengujian:
H0 Diterima bila -1.96<=Z<=1.96
H1 diterima bila Z> 1.96 atau Z<-1.96
4. Z= ((Xbar-Miu)/(Std.dev/sqrt(N)))=?
5. Z apakah < or > 1.96?
Kesimpulan: Hsil rata2 per hari (Sama or Tidak sama) dengan 880 ton
SOAL:

1. Akan diuji bahwa rata-rata tinggi mahasiswa

P.Mat adalah 165 cm. Jika tingkat signifikansi
5%, dan diambil sampel random 100
mahasiswa, ternyata rata-ratanya 163,5 cm
dengan simpangan baku 4,8 cm. Bagaimana
kesimpulan dari pengujian tadi ?
2. Seorang pengusaha lampu menyatakan
bahwa lampunya bisa tahan pakai lebih dari
800 jam. Akhir-akhir ini timbul dugaan bahwa
masa pakai lampu itu berubah. Untuk
menentukan hal ini dilakukan penelitian
dengan jalan menguji 50 lampu. Ternyata rata-
ratanya 792 jam dengan simpangan baku 60
jam. Dengan mengguakan α = 5%, selidikilah
apakah kualitas lampu tersebut sudah
berubah atau belum ?