Upload
others
View
12
Download
0
Embed Size (px)
Citation preview
BAHAN AJAR
S T A T I S T I K 2
Statistik Induktif ; Teori dan Aplikasi
Oleh :
BIDA SARI, SP, MSi
( NIDN : 0317047302)
Program Studi Akuntansi Fakultas Ekonomi
Universitas Persada Indonesia Y.A.I
JAKARTA
2016
KATA PENGANTAR
Teori dan konsep-konsep Statistik menjadi alat analisis yang penting
dalam ilmu ekonomi dan ilmu-ilmu lainnya. Statistik dapat menyederhanakan
penyajian dan pemahaman masalah-masalah sosial dan ekonomi. Bahan
ajar Statistik 2 ini bertujuan memberikan pengertian bagi mahasiswa tentang
konsep-konsep dasar ilmu Statistik yang dapat diterapkan dalam masalah-
masalah sosial dan ekonomi, terutama terkait dengan bagaimana mengambil
kesimpulan dan membuat keputusan dari masalah tersebut.
Buku bahan ajar ini berisi uraian, contoh-contoh soal dan latihan
mengenai penerapan teori-teori dan konsep-konsep Statistik Induktif dalam
bidang sosial dan ekonomi. Materi disusun berdasarkan Satuan Acara
Perkulihaan (SAP) mata kuliah Statistik 2 meliputi (1) konsep dasar statistika
induktif, (2) konsep, perhitungan dan penerapan probabilitas, (3) pendugaan
interval (estimasi), (4) pengujian Hipotesis dan (5) pengambilan keputusan
dan intepretasi atas output statistik, beserta contoh-contoh praktisnya.
Buku ini disusun sedemikian rupa agar dapat dipahami dengan mudah
dan bermanfaat oleh bukan saja mahasiswa tetapi juga bagi siapa saja yang
akan belajar statistik sebagai dasar pembuatan keputusan.
Akhirnya, penulis mengucapkan terima kasih kepada semua pihak
yang telah membantu secara langsung maupun tidak langsung hingga
tersusunnya buku bahan ajar ini. Semoga buku ini dapat bermanfaat dan
kritik serta saran-saran bagi perbaikan ke depannya sangat diharapkan.
Jakarta, Maret 2016
P e n u l I s
DAFTAR ISI
Kata Pengantar........................................................................................................ 2
Daftar Isi................................................................................................................. 3
Pembahasan
BAB I : Probabilitas ...................................................................................... 4
BAB II : Distribusi Probabilitas ..................................................................... 16
BAB III : Distribusi Probabilitas Variabel Diskrit .......................................... 20
BAB IV : Distribusi Probabilitas Variabel Kontinyu ...................................... 25
BAB V : Penarikan Sampel ............................................................................ 30
BAB VI : Estimasi Statistik ............................................................................. 34
BAB VII : Uji Hipotesis .................................................................................... 37
BAB VIII : Uji Hipotesis Chi-square ................................................................. 55
BAB IX : Uji Hipotesis Regresi Tunggal ....................................................... 60
BAB X : Uji Hipotesis Regresi Majemuk ..................................................... 75
Daftar Pustaka...................................................................................................... 80
4 | S t a t i s t i k a 2
PROBABILITAS
I. Definisi dan ruang lingkup statistika induktif
Istilah „statistika‟ (bahasa Inggris: statistics) berbeda dengan „statistik‟
(statistic). Statistika merupakan ilmu yang berkenaan dengan data, sedang statistik
adalah data, informasi, atau hasil penerapan algoritma statistika pada suatu data atau
kumpulan data yang bisa memberikan gambaran tentang suatu keadaan.
Jadi, Statistika adalah ilmu yang mempelajari statistik, yaitu ilmu yang
mempelajari bagaimana caranya mengumpulkan data, mengolah data, menyajikan
data, menganalisis data, membuat kesimpulan dari hasil analisis data dan mengambil
keputusan berdasarkan hasil kesimpulan. Singkatnya, statistika adalah ilmu yang
berkenaan dengan data. Atau statistika adalah ilmu yang berusaha untuk mencoba
mengolah data untuk mendapatkan manfaat berupa keputusan dalam kehidupan.
Jenis-jenis Statistika :
Ada berbagai macam jenis statistika, dimana jenis statistika ini dapat digolongkan
berdasarkan cara pengolahan data, ruang lingkup penggunaan atau disiplin ilmu yang
menggunakannya, dan bentuk parameternya.
Berdasarkan cara pengolahan data maka statistika dibedakan menjadi:
1. Statistika Deskriptif
Statistika deskriptif atau statistika deduktif adalah bagian dari statistika yang
mempelajari cara pengumpulan data dan penyajian data sehingga mudah
dipahami. Statistika deskriptif hanya berhubungan dengan hal menguraikan atau
memberikan keterangan-keterangan mengenai suatu data atau keadaan atau
fenomena. Statistika deskriptif hanya berfungsi menerangkan keadaan, gejala,
atau persoalan atau bertujuan untuk memperoleh gambaran (deskripsi) tentang
data yang dianalisis.
Statistika Deskriptif mencakup:
a. Distribusi frekuensi serta pengukuran nilai-nilai statistiknya dan grafiknya
b. Angka indeks
c. Time series atau deret waktu
d. Koefisien regresi dan koefisien korelasi sederhana
2. Statistika Inferensi
Statistika inferensi atau statistika induktif adalah bagian dari statistika yang
mempelajari mengenai penafsiran dan penarikan kesimpulan yang berlaku secara
umum dari data yang telah tersedia. Statistika inferensi berhubungan dengan
5 | S t a t i s t i k a 2
pendugaan populasi dan pengujian hipotesis dari suatu data atau keadaan atau
fenomena. Statistika inferensi berfungsi meramalkan dan mengontrol keadaan
atau kejadian. Dari gambaran diatas, dalam statistika inferensia dilakukan suatu
generalisasi atau memperumum dari hal-hal yang bersifat khusus, sehingga
terkadang statistika inferensia sering juga disebut dengan statistika induktif atau
statistika penarikan kesimpulan. Pada statistika inferensia, biasanya dilakukan
pengujian hipotesis dan pendugaan karakteristik populasi, seperti misalnya nilai
rata-rata dan standar deviasi.
Dari penjelasan di atas, ada keterkaitan antara statistika deskriptif dan statistika
inferensia, dimana pada umumnya statistika deskriptif mendahului atau
mengawali tahapan statistika inferensia, karena sebelum dilakukan penarikan
kesimpulan mengenai suatu kondisi yang diteliti, maka datanya harus diuraikan
terlebih dahulu dalam bentuk statistika deskriptif, sehingga diperoleh kesimpulan
yang akurat guna memperoleh manfaat secara maksimal. Jadi, antara statistika
deskriptif dan inferensia dapat diibaratkan sebagai dua sisi mata uang logam yang
tidak dapat dipisahkan satu dari yang lainnya. Statistika inferensia akan bermakna
dan penuh arti jika didahului dengan statistika deskriptif terlebih dahulu.
Statistika induktif / inferensial akan mencakup:
a. Probabilitas
b. Distribusi Teoritis
c. Sampling dan distribusi sampling
d. Estimasi harga parameter
e. Uji hipotesis
f. Analisis regresi untuk prediksi
g. Korelasi dan uji signifikan
II. Pengertian dan prinsip-prinsip probabilitas
Kata probabilitas sering dipertukarkan dengan istilah lain seperti peluang dan
kemungkinan. Seacara umum, probabilitas merupakan peluang bahwa sesuatu akan
terjadi. Secara lengkap, probabilitas didefinisikan sebagai berikut:
6 | S t a t i s t i k a 2
“Probabilitas adalah suatu nilai yang digunakan untuk mengukur tingkat terjadinya
suatu kejadian yang acak atau random event”.
Suatu probabilitas dinyatakan antara 0-1 atau dalam presentase. Probabilitas
dilambangkan dengan huruf P.
Dalam mempelajari probabilitas, ada 3 kata kunci yang diketahui dibawah ini:
a. Percobaan (Experiment) :
Percobaan adalah pengamatan terhadap beberapa aktivitas atau tindakan yang
mengambil beberapa ukuran.
b. Hasil (Outcome) :
Hasil ialah suatu hasil tertentu dari sebuah percobaan.
c. Peristiwa (Event) :
Peristiwa adalah kumpulan dari satu hasil atau beberapa hasil dari sebuah
percobaan (yang dapat diulangi dan dicatat hasilnya).
Contoh :
Sebuah mata uang logam mempunyai sisi Gambar dan sisi Angka. Jika mata uang
logam tersebut dilemparkan satu kali, maka peluang untuk keluar sisi gambar adalah
½.
Contoh lainnya:
Percobaan / Experiment Pertandingan sepakbola Persita VS PSSI
Hasil Persita Menang
Persita Kalah
Seri – tidak menang dan tidak kalah
Peristiwa Persita Menang
III. Pendekatan perhitungan probabilitas
Ada dua pendekatan dalam menghitung probabilitas yaitu:
1. Pendekatan yang bersifat Objektif, terbagi menjadi 2:
a. Pendekatan Klasik
Pendekatan klasik didasarkan pada sebuah peristiwa yang mempunyai
kesempatan untuk terjadi sama besar (equally likely). Probabilitas suatu
peristiwa kemudan dinyatakan sebagai suatu rasio antara jumlah kemungkinan
hasil dengan total kemungkinan hasil (rasio peristiwa terhadap hasil).
7 | S t a t i s t i k a 2
Contoh:
Seorang direktur berkata bahwa ada 50 barang yang rusak dalam 1.000 barang
yang diproduksi. Jika barang dibungkus dengan rapih, kemudian seorag
customer mengambil satu barang secara acak, berapakah probabilitas bahwa
barang tersebut rusak?
Jawab:
Diketahui:
n = 1.000
x = 50
P(A) =
=
= 0,05 / 5 %
b. Pendekatan Frekuensi Relatif (Empiris)
Pendekatan Frekuensi Relatif ditentukan berdasarkan observasi yaitu dari
pengalaman atau peristiwa-peristiwa yang telah terjadi.
Contoh:
Sebuah studi pengamatan menyatakan bahwa 100 dari 500 lulusan tidak
bekerja sesuai dengan bidang studi utamanya. Berapa probabilitas bahwa
karyawan akan bkeja di bidang yang bukan merupakan studi utamanya?
Jawab:
Probabilitas Empiris = 𝒋𝒖𝒎𝒍𝒂𝒉 𝒑𝒆𝒓𝒊𝒔𝒕𝒊𝒘𝒂 𝒚𝒂𝒏𝒈 𝒕𝒆𝒓𝒋𝒂𝒅𝒊
𝒋𝒖𝒎𝒍𝒂𝒉 𝒕𝒐𝒕𝒂𝒍 𝒑𝒆𝒏𝒈𝒂𝒎𝒂𝒕𝒂𝒏
8 | S t a t i s t i k a 2
P(A) =
= 0,2 / 20%
2. Pendekatan Subjektif
Pendekatan subjektif adalah menentukan besarnya probabilitas suatu peristiwa
didasarkan pada penilaian pribadi dan dinyatakan dalam derajat
kepercayaan. Penilaian subjektif diberikan karena terlalu sedikit atau tidak ada
informasi yang diperoleh atau berdasarkan keyakinan. Pendekatan subjektif
menyatakan probabilitas suatu peristiwa terjadi berdasarkan penilaian pribadi
Contoh pendekatan subjektif seperti :
menurut Presiden Saddam Husen Irak pasti akan menang melawan
Amerika,
menurut Presiden Amerika rakyat Irak akan menyambut tentara Amerika
dengan suka cita,
menurut Mentri Keuangan Indonesia periode 1996-1998, Indonesia tidak
akan pernah krisis karena pondasi ekonomi kuat
IV. Hubungan antara peristiwa yang satu dengan yang lain
Dalam mempelajari hukum dasar dan hubungan peristiwa yang satu dnegan yang lain
dalam probabilitas, maka dibahas hukum penjumlahan dan hukum perkalian.
A. Hukum penjumlahan
Hukum penjumlahan menghendaki peristiwa saling lepas (mutually exclusive)
dan kejadian bersama (non mutually exclusive)
Saling meniadakan (mutually exclusive)
Kejadian saling meniadakan yaitu apabila suatu peristiwa terjadi, maka
peristiwa lain tidak dapat terjadi pada saat bersamaan.
Rumus Penjumlahan untuk kejadian-kejadian yang saling meniadakan:
P(A atau B) = P (AÈB) = P(A) + P(B)
Contoh:
9 | S t a t i s t i k a 2
Pada pelemparan 2 mata uang sekaligus, maka akan ada kemungkinan mata uang pertama angka atau gambar dan mata uang yang kedua juga angka atau gambar jadi antara mata uang pertama dan kedua tidak saling mempengaruhi. Maka probabilitasnya adalah P (A atau B) = P (A) + P (B)
= ½ + ½ = 1
Kejadian Bersama (Non Mutually Exclusive)
Peristiwa Non Mutually Exclusive (Joint) yaitu dua peristiwa atau lebih dapat
terjadi bersama-sama (tetapi tidak selalu bersama.
Rumus Penjumlahan untuk kejadian-kejadian yang tidak saling meniadakan:
Dua Kejadian
P(A atau B) = P(A) + P(B) – P(A dan B) atau
P(AÈB) = P(A) + P(B) – P(AÇB).
Tiga Kejadian
P(A atau B atau C) = P(A) + P(B) + P(C) – P(A dan B) – P(A dan C) – P(Bdan C) + P(A dan B dan
C) atau
P(AÈBÈC) = P(A) + P(B) + P(C) – P(AÇB) – P(AÇC) – P(BÇC) + P(AÇBÇC)
Peristiwa terjadinya A dan B merupakan gabungan antara peristiwa A dan
peristiwa B. Akan tetapi karena ada elemen yang sama dalam peristiwa A dan
B, Gabungan peristiwa A dan B perlu dikurangi peristiwa di mana A dan B
memiliki elemen yang sama. Dengan demikian, probabilitas pada keadaan di
mana terdapat elemen yang sama antara peristiwa A dan B maka probabilitas
A atau B adalah probabilitas A ditambah probabilitas B dan dikurangi
probabilitas elemen yang sama dalam peristiwa A dan B.
Peristiwa Pelengkap (Complementary Event)
Apabila peristiwa A dan B saling melengkapi, sehingga jika peristiwa A tidak
terjadi, maka peristiwa B pasti terjadi. peristiwa A dan B dikatakan sebagai
peristiwa komplemen.
Rumus untuk kejadian-kejadian yang saling melengkapi :
P(A)+P(B) = 1 atau P(A) = 1 – P(B)
B. Hukum Perkalian
10 | S t a t i s t i k a 2
Hukum Bebas (independent)
Digunakan apabila ingin menghitung probabilitas suatu kejadian tertentu
tanpa harus menghalangi peristiwa lain terjadi. Peristiwa A terjadi tidak
menghalangi peristiwa B. Perkalian menghendaki peristiwa independen.
Rumus perkalian untuk kejadian Independen:
P(A dan B) = P(AÇB) = P(A) x P(B)
Hukum Bersyarat (Tidak Bebas) / (Conditional Probability)
Digunakan apabila ingin menghitung probabilitas suatu kejadian tertentu
dengan syarat peristiwa lain telah terjadi. Peristiwa B terjadi dengan syarat
peristiwa A telah terjadi.
Hukum perkalian untuk kejadian dependen:
P(A dan B) = P(A x P(B|A) atau P(B dan A) = P(B) x
P(A|B)
Sumber: https://irmasafitri07.wordpress.com/2013/11/04/bab-vii-peluang-probabilitas/
V. Diagram venn
Diagram Venn Hubungan A dengan komplemen A (Ᾱ)
Misalkan S adalah ruang sampel (himpunan dari hasil eksperimen). A adalah
himpunan bagian dari S, dan Ᾱ adalah komplemen dari A atau semua anggota S
yang bukan anggota A. Hubungan tersebut dapat digambarkan seperti gambar
dibawah ini:
S (ruang sampel)
Diagram Venn Interseksi Dua Kejadian )
Interseksi dua kejadian, misalnya A dan B yang sering ditulis dibaca A
interseksi B atau AB, terdiri dari elemen-elemen anggota S yang selain
mempunyai sifat atau ciri-ciri A juga B, artinya selain anggota A juga anggota B.
Diagram Venn :
Ᾱ A
11 | S t a t i s t i k a 2
Diagram Venn Union Dua Kejadian
Union dua kejadian A dan B ditulis (dibaca “A union B”) atau A + B
merupakan himpunan bagian S, yang terdiri dari elemen-elemen anggota S yang
menjadi anggota A saja, B saja, atau menjadi anggota A dan B sekaligus.
Diagram Venn :
Diagram Venn
Notasi (dibaca “A interseksi B interseksi C”) atau sering dinotasikan
ABC, merupakan suatu himpunan bagian S yang terdiri dari elemen-elemen S
yang menjadi anggota A, B, C sekaligus (A, B, dan C terjadi bersama-sama).
12 | S t a t i s t i k a 2
(daerah yang berwarna putih)
Diagram Venn )
Notasi (dibaca “A union B uniob C”), atau sering dinotasikan dengan
A + B + C, terdiri dari elemen-elemen S yang mejadi anggota A atau B atau C atau
AB, AC, BC, atau ABC. Semua kejadian A, B, C, ... dan seterusnya merupakan
himpunan bagian dari himpunan S.
VI. Theorema bayes
Dalam teori probabilitas dan statistika, Pengertian Teorema Bayes adalah
teorema yang digunakan untuk menghitung peluang dalam suatu hipotesis, Teorema
bayes dikenalkan oleh ilmuan yang bernama Bayes yang ingin memastikan
keberadaan Tuhan dengan mencari fakta di dunia yang menunjukan keberadaan
Tuhan. Bayes mencari fakta keberadaan tuhan didunia kemudian mengubahnya
dengan nilai Probabilitas yang akan dibandingkan dengan nilai Probabilitas. teorema
ini juga merupakan dasar dari statistika Bayes yang memiliki penerapan dalam ilmu
ekonomi mikro, sains, teori permain, hukum dan kedokteran.
Teorema Bayes akhirnya dikembangkan dengan berbagai ilmu termasuk untuk
penyelesaian masalah sistem pakar dengan menetukan nilai probabilitas dari hipotesa
pakar dan nilai evidence yang didapatkan fakta yang didapat dari objek yang
diagnosa. Teorama Bayes ini membutuhkan biaya komputasi yang mahal karena
kebutuhan untuk menghitung nilai probabilitas untuk tiap nilai dari perkalian
kartesius. penerapan Teorema Bayes untuk mencari penerapan dinamakan inferens
Bayes
Thomas Bayes, menggambarkan hubungan antara peluang bersyarat dari dua
kejadian A dan B sebagai berikut:
P(A | B) =
=
13 | S t a t i s t i k a 2
Contoh:
Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita sebuah penyakit
langka. 97% dari hasil tes klinik adalah positif bahwa seseorang menderita penyakit
itu. Ketika seseorang yang tidak menderita penyakit itu dites dengan tes yang sama,
9% dari hasil tes memberikan hasil positif yang salah.Jika sembarang orang dari
negara itu mengambil test dan mendapat hasil positif, berapakah peluang bahwa dia
benar-benar menderita penyakit langka itu?
Jawab:
Diketahui:
P (A) = 2%
P (Ā) = 98%
P (B | A) = 97%
P (B | Ā) = 9%
P (B ∩ A) = P (A) × P (B | A) = 2% × 97% = 0,0194
P (B ∩ Ā) = P ( Ā) × P (B | Ā) = 98% × 9% = 0,0882
P (Ƀ ∩ A) = P (A) × P (Ƀ | A) = 2% × 3% = 0,0006
P(Ƀ ∩Ā ) = P (Ā) × P (Ƀ | Ā) = 98% × 91% = 0,8918
Jawab:
P(A | B) = P(B ∩ A) / P(B) =
=
= 0.0194 / 0.0194 + 0.0882
= 0.0194 / 0.1076
P(A | B) = 0.1803
VII. Faktorial, Permutasi, dan Kombinasi
a. Faktorial
Dalam matematika, faktorial dari bilangan asli n adalah hasil perkalian antara
bilangan bulat positif yang kurang dari atau sama dengan n. Faktorial ditulis
sebagai n! dan disebut n faktorial.
Rumus:
n! = n (n-1) (n-2) (n-3) ...
Contoh :
14 | S t a t i s t i k a 2
Tentukan nilai faktorial dari 7! !
Jawab: 7 x 6 x 5 x 4 x 3 x 2 x 1 = 5040
b. Permutasi
Permutasi adalah penyusunan kembali suatu kumpulan objek dalam urutan
yang berbeda dari urutan yang semula. Sebagai contoh, kata-kata dalam
kalimat sebelumnya dapat disusun kembali sebagai "adalah Permutasi suatu
urutan yang berbeda urutan yang kumpulan semula objek penyusunan kembali
dalam dari." Proses mengembalikan objek-objek tersebut pada urutan yang
baku (sesuai ketentuan) disebut sorting.
Rumus:
Contoh:
c. Kombinasi
Kombinasi adalah susunan unsur-unsur dengan tidak memperhatikan
urutannya. Pada kombinasi AB = BA. Dari suatu himpunan dengan n unsur
dapat disusun himpunan bagiannya dengan untuk Setiap himpunan
bagian dengan k unsur dari himpunan dengan unsur n disebut kombinasi k
unsur dari n yang dilambangkan dengan ,
Contoh:
15 | S t a t i s t i k a 2
16 | S t a t i s t i k a 2
DISTRIBUSI PROBABILITAS
I. Definisi dan penyajian distribusi probabilitas
Distribusi probabilitas adalah sebuah daftar dari keseluruhan kemungkinan
hasil suatu percobaan yang disertai dengan probabilitas masing-masing hasil tersebut
dan menunjukkan hasil yang diharapkan dapat terjadi dari suatu percobaan beserta
probabilitas masing-masing hasil tersebut.
II. Fungsi probabilitas
Fungsi distribusi probabilitas adalah untuk menghitung probabilitas setiap
nilai variabel. Variabel acak yang mampu menjalani bilangan bulat adalah Variabel
Acak Diskrit, sedangkan variabel acak yang mampu menjalani bilangan real adalah
Variabel Acak Kontinyu. Misalkan X adalah variabel acak diskrit maka fungsi
kepadatan probabilitas (probability density funcĕon, PDF) dapat didefinisikan sebagai
berikut :
Px (x) = P(X=x)
Dalam membuat suatu fungsi probabilitas untuk variabel acak diskrit harus memnuhi
syarat sebagai berikut :
1. Fungsi distribusi normal tidak boleh negatif
2. O < Px(x) < 1 PDF bernilai 0 sampai 1
3. ∑Px(x) = 1, jumlahan dari semua PDF dari variabel acak diskrit x pada ruangan
sampel adalah 1
III. Devinisi variable random : Diskrit dan kontinyu
Variabel acak dapat didefinisikan sebagai deskripsi numeric dari hasil
percobaan. variabel acak biasanya menghubungkan nilai-nilai numeric dengan setiap
kemungkinan hasil percobaan. Karena nilai-nilai numeric tersebut bisa bersifat diskrit
(hasil hitungan) dan bersifat kontinu (hasil pengukuran). Jadi variabel acak dapat
dikelompokkan menjadi 2 yaitu:
1. Variabel acak diskrit (merupakan bilangan bulat, tidak bisa pecahan)
Variabel acak diskrit hanya dapat mengambil nilai-nilai tertentu yang terpisah,
yang umumnya dihasilkan dari perhitungan suatu objek. Contoh: jika ada 100
karyawan, maka orang yang tidak masuk kerja pada hari senin dapat
mengambil nilai-nilai 0,1,2,3,…,100.
2. Variabel acak kontinu (bisa pecahan)
17 | S t a t i s t i k a 2
Jika mengukur sesuatu seperti lebar ruangan, tinggi badan, atau berat badan
seseorang maka variabel yang dihasilkan adalah variabel acak kontinu dan
hasilnya mungkin akan berbeda-beda tergantung tingkat ketelitian. Contoh:
ada 3 orang yang mengukur jarak dari bogor ke Jakarta dengan jarak yang
bervariasi yaitu 80 km, 80,5 km, dan 80,55 km.
IV. Nilai harapan matematika (Mathematical Expectation)
Nilai harapan adalah rata-rata tertimbang terhadap seluruh kemungkinan hasil
di mana penimbangnya adalah nilai probabilitas yang dihubungkan dengan setiap
hasil (outcome). Nilai harapan diperoleh dengan menyatakan setiap kemungkinan
hasil x dengan probabilitasnya P(X) dan kemudian menjumlahkan hasil perkalian
tersebut. Nilai dari variabel acak diberi simbol x yang dinotasikan dengan E(X)
dirumuskan sebagai berikut:
E(X) = ∑ [Xi . P(Xi)]
= X1 . P(X1) + X2 . P(X2) + …..+ Xn . P(Xn)
Dimana:
Xi = nilai ke-I dari variabel acak X
P(xi) = probabilitas terjadinya Xi
Contoh :
X = banyaknya pesanan barang dalam satuan yang masuk selama 1 minggu. P(X) =
probabilitas terjadinya X = x.
X 0 1 2 3
P(X) 0,125 0,375 0,375 0,125
Hitung rata-rata banyaknya pesanan atau pesanan yang diharapkan!
Jawab :
E(X) = ∑ [Xi . P(Xi)]
= (0) p(0) + (1) p(1) + (2) p(2) + (3) p(3)
= 0 (0,125) + 1 (0,375) + 2 ( 0,375) + 3 (0,125)
= 1,5
Jadi, rata-rata dapat diharapkan bahwa pesanan yang masuk selama 1minggu adalah
sebanyak 1,5 satuan.
18 | S t a t i s t i k a 2
V. Varians dan standar deviasi
Varians (σ2) dari variabel acak diskrit adalah rata-rata tertimbang dari kuadrat
selisih antara setiap kemungkinan hasil dan rata-ratanya di mana penimbangnya
adalah probabilitas dari masing-masing hasil tersebut.
Varians diperoleh dengan mengalikan setiap kemungkinan kuadrat selisih (Xi–
μ)2 dengan probabilitas p(xi) dan kemudian menjumlahkan seluruh hasil perkalian
tersebut. Sehingga varians dinyatakan sebagai berikut.
Varians
σ2 = ∑ [(X- μ )
2 . P(xi)]
dimana :
xi = nilai ke-I dari variabel acak X
p(xi) = probabilitas terjadinya xi
Standar deviasi
σ = √ σ2
= √ ∑ [(X- μ )2 . P(xi)]
SOAL :
1) Variabel x mempunyai table frekuensi sbb:
X P(x) = probabilitas terjadinya X
10 0,20
20 0,15
30 0,10
40 0,30
50 0,25
1,00
Hitunglah :
a) Nilai harapan matematik
b) Varians
c) Standar deviasi
Jawab :
19 | S t a t i s t i k a 2
a) E(X) = ∑ [Xi . P(Xi)]
= 10 ( 0,20) + 20 (0,15) + 30 ( 0,10) + 40 (0,30) + 50 (0,25)
= 2 + 3 + 3 + 12 + 12,5
= 32,5
b) σ2
= ∑ [(X- μ )2
. P(xi)]
= (10-32,5)2.(0,20) + (20-32,5)
2.(0,15) + (30-32,5)
2.(0,10) +
(40-32,5)2.(0,30) + (50-32,5)
2.(0,25)
= 101,25 + 23,4375 + 0,625 + 16,875 + 76,5625
= 218,75
c) σ = √ σ2
= √218,75
= 14,79
2) Jelaskan dan sebutkan fungsi distribusi probabilitas!
Jawab :
Distribusi probabilitas adalah sebuah daftar dari keseluruhan kemungkinan
hasil suatu percobaan yang disertai dengan probabilitas masing-masing hasil
tersebut dan menunjukkan hasil yang diharapkan dapat terjadi dari suatu
percobaan beserta probabilitas masing-masing hasil tersebut. Fungsinya yaitu
untuk menghitung probabilitas setiap nilai variabel
20 | S t a t i s t i k a 2
DISTRIBUSI PROBABILITAS VARIABEL
DISKRIT
I. Karakteristik Variabel Diskrit
a. Distribusi probabilitas variabel acak menggambarkan bagaimana suatu
probabilitas didistribusikan terhadap nilai-nilai dari variabel acak tersebut.
b. Untuk variabel diskrit X, distribusi probabilitas didefinisikan dengan fungsi
probabilitas dan dinotasikan sebagai p(x) = P(X = x ) = probabilitas bahwa
variabel X ( huruf besar ) mengambil nilai x ( huruf kecil).
c. Fungsi probabilitas p(x) menyatakan probabilitas untuk setiap nilai variabel acak
X.
Sebagai gambaran atau ilustrasi dari variabel acak diskrit dan distribusi
probabilitasnya, perhatikan hasil pengamatan atau percobaan dari penjualan mobil
selama 300 hari pada PT. Putra Motor, Jakarta. Data yang dicatat adalah jumlah mobil
yang terjual dalam sehari. Hasil pengamatan dimuat dalam tabel berikut.
Tabel jumlah modal terjual dalam sehari menurut jumlah hari selama 300 hari
Jumlah mobil terjual dalam sehari Jumlah hari
0 54
1 117
2 72
3 42
4 12
5 3
Total 300
Tabel probabilitas jumlah mobil terjual dalam sehari
X p(x)
0
1
2
3
4
5
0,18
0,39
0,24
0,14
0,04
0,01
Total 1,00
21 | S t a t i s t i k a 2
Dalam membuat suatu fungsi probabilitas untuk variabel acak diskrit, kondisi berikut
harus dipenuhi.
1) p(x) ≥ 0 atau 0 ≤ p(x) ≤ 1
2) ∑ p(x) = 1
Distribusi probabilitas variabel acak diskrit juga dapat diberikan dalam bentuk
rumus. Sebagai contoh, berikut diberikan variabel acak X dan distribusi
probabilitasnya.
x p(x)
1
2
3
4
1/10
2/10
3/10
4/10
Distribusi probabilitas diatas dapat di nyatakan dengan rumus sebagai berikut :
p(x) =
, untuk nilai x = 1,2,3, atau 4
Fungsi Probabilitas Kumulatif Variabel Acak diskrit
Fungsi probabilitas kumulatif digunakan untuk menyatakan jumlah dari
seluruh nilai fungsi probabilitas yang lebih kecil atau sama dengan suatu nilai
yang ditetapkan.
Secara matematis, fungsi probabilitas kumulatif dinyatakan sebagai berikut.
F(x) = P(X ≤ x)
Dimana:
F(x) = P(X ≤ x) menyatakan fungsi probabilitas kumulatif pada titik X = x
yang merupakan jumlah dari seluruh nilai fungsi probabilitas untuk nilai X
sama atau kurang dari x.
Contoh Soal :
Diketahui suatu variabel x yang dapat mengambil nilai dari 0,1,2 ( diskrit) dengan
fungsi probabilitas p(x) sebagai berikut :
Carilah distribusi probabilitas!
Penyelesaian :
P(0) =
= 1
= 1 ( 0,3164)
= 0,3164
22 | S t a t i s t i k a 2
P(1) =
= 4
= 4 ( 0,25) ( 0,4218)
= 4 ( 0,10545)
= 0,4218
P(2) =
= 6
= 6 ( 0,0625) ( 0,5625)
= 0,2106
II. Distribusi Binomial : Mean, Variance, & St. Deviasi
a. Mean
np =μ=E(X)
atau )qpC(x =μ=E(X)n
=0x
x-nx
xn
b. Varians
npq=σ
atau μ-)qpC(x=σ
2
n
=0x
2x-nx
xn
22
c. Simpangan Baku
npq=σ
atau μ-)qpC(x=σn
=0x
2x-nx
xn
2∑
Contoh Soal
Peluang rusaknya sebuah bola lampu adalah 0,1. Apabila diambil 400 bola lampu,
berapa diharapkan dijumpai bola lampu yang rusak , berapa variansnya dan
simpangan bakunya.
Jawab :
Diketahui : p = 0,1 n = 400 q = 0,9
a. Mean : 40)1,0)(400( np buah bola lampu.
b. Varians : 36)9,0)(1,0)(400(2 npq
c.Simpangan baku: npq = √36 = 6
23 | S t a t i s t i k a 2
III. Distribusi Poisson : Mean, Variance & St. Deviasi
a) Mean
E(X) = = = n.p
b) Varians
E(X - )2 =
2 = n.p
c) Simpangan Baku
= n . p
Contoh Soal:
Jika x berdistribusi poisson dengan n = 7 dan p= ¼ berapa :
a. Rata-rata x
b. varians x
c. Simpangan baku x
Jawab :
a. E (x) = n.p = 7.1/4 = 7/4
b. varians(x) = n.p = 7.1/4 = 7/4
c. Simpangan Baku (x) = n . p = 7/4 = 0,66
IV. Perbandingan Antara Binomial dan Poisson
Distribusi Binomial Distribusi Poisson
Ciri/ Sifat Setiap percobaan hanya
memiliki dua peristiwa,
seperti ya-tidak, sukses-gagal
dan memakai variabel acak
diskrit.
Probabilitas suatu peristiwa
tetap, tidak berubah untuk
setiap percobaan.
Percobaannya bersifat
independen, artinya peristiwa
dari suatu percobaan tidak
mempengaruhi / dipengaruhi
peristiwa dalam percobaan
lainnya.
Jumlah / banyaknya
percobaan harus tertentu.
Distribusi probabilitas diskrit
Bentuk khusus dari distribusi
binomial dengan p sangat
kecil dan n besar
Biasanya n.p < 5
Distribusi dari peristiwa yang
jarang terjadi.
Banyaknya hasil percobaan
dalam suatu interval waktu /
daerah tertentu tidak
bergantung pada interval
waktu / daerah lain.
Probabilitas terjadinya suatu
peristiwa selama interval
waktu yang singkat / daerah
yang kecil sebanding dengan
panjang interval waktu /
besarnya daerah tersebut.
24 | S t a t i s t i k a 2
Rumus P(X=x) = nCx px
qn-x
!x
eλ=(X)
-λx
Contoh soal distribusi binomial dan poisson
1) Hasil produksi yang di hasilkan suatu pabrik ternyata 20% rusak, di ambil
secara random dari produksi tersebut sebanyak 8 buah untuk di selidiki.
Berapa probabilitasnya dari benda yang diselidiki itu akan terdapat
a. Tidak ada yang rusak
b. 1 rusak
Jawab :
Diketahui :
p = 20% = 0,2
q = 80% = 0,8
n= 8
a. P(0,8) =
= 1 (1)(0,1677)
= 0,1677
b. P(1,8) =
= 8 (0,2)(0,2097)
= 0,33552
2) Menurut data statistik, rata-rata seorang dari 100 petani yang berdiam di desa-
desa di Indonesia akan meminta berlangganan majalah “Cara Bercocok
Tanam”. Penerbit majalah tersebut mengadakan sales promotion dengan jalan
mengirim masing-masing 50 surat untuk berlangganan yang telah dibubuhi
perangko kepada petani yang berdiam di desa-desa tertentu. Berapa
probabilitas penerbit akan menerima kembali surat permintaan berlangganan
sebanyak 5 dari masing-masing desa yang bersangkutan ?
Jawab : n = 50
p = 1/100
= n.p = 50 (1/100) = ½
x = 5
x e- (1/2)5 (e-1/2)
f(x) = = x! 5! (1/32) (e-1/2)
= = (1/3840) (0.6066) = 0.00016 120
25 | S t a t i s t i k a 2
DISTRIBUSI PROBABILITAS VARIABEL
KONTINYU
I. Karakteristik Variabel Kontinyu
Variabel acak adalah suatu fungsi yang memetakan setiap anggota sampel S
ke bilangan Real. Dalam statistika, variabel acak disimbolkan dengan huruf-huruf
kapital misalkan X, Y, Z dll. Variabel acak Kontinyu adalah variabel yang acak yang
mampu menjalani bilangan real. Misalkan X adalah variabel acak Kontinyu maka
fungsi kepadatan probabilitas dapat didefinisikan
fx(x)= P(X=x)
Dengan kata lain, fungsi fx(x) adalah fungsi distribusi probabilitas dari X untuk
variabel acak kontinyu, dari variabel acak kontinyu X harus memenui sifat-sifat:
Distribusi Variabel Acak Kontinu yang biasa digunakan, yaitu ada distribusi normal
dan hampiran distribusi normal terhadap distribusi binomial
II. Distribusi Normal
Distribusi Normal merupakan distribusi probabilitas kontinu yang paling
penting dalam segala bidang statistika. Distribusi ini memiliki karakteristik dari
fungsi kepadatannya yang berbentuk kurva simetris menyerupai suatu lonceng,
sehingga kurva normal disebut kurva berbentuk lonceng atau Distribusi Gaussian.
III. Pembentukan Distribusi Normal
Variabel acak X berdistribusi normal dengan parameter mean dan varian.
26 | S t a t i s t i k a 2
IV. Area di bawah kurva Normal
V. Distribusi Binomial dengan Pendekatan Normal
Jika ukuran sampel n besar dan p tidak dekat dengan 0 atau 1, melainkan nilai
p lebih dekat ke nilai 1/2 , maka dapat diselesaikan dengan pendekatan distribusi
Normal
VI. Keterkaitan distribusi Normal, Binomial, dan Poisson
NORMAL BINOMIAL POISSON
Definisi Distribusi normal
adalah distribusi
yang simetris
Banyaknya X sukses dalam n
pengulangan suatu percobaan
bernoulli disebut sebagai
variabel random Binomial,
sedangkan distribusi
probabilitasnya disebut
distribusi Binomial dan
nilainya dinyatakan sebagai :
b(x,n,p) dimana x = 1, 2, …,
n
Jika suatu percobaan
menghasilkan variabel random X
yang menyatakan banyak-nya
sukses dalam daerah tertentu atau
selama interval waktu tertentu,
percobaan itu disebut percobaan
Poisson.
Jumlah X dari keluaran yang
terjadi selama satu percobaan
Poisson disebut Variabel
random Poisson, dan distribusi
probabilitasnya disebut
distribusi Poisson. Bila x menyatakan banyaknya
sukses yang terjadi , adalah rata-
27 | S t a t i s t i k a 2
rata banyaknya sukses yang
terjadi dalam interval waktu atau
daerah tertentu, dan e = 2,718
Ciri/Sifat 1. Memiliki dua
parameter yaitu µ
dan σ untuk
menentukan
lokasi dan bentuk
distribusi
2. Titik tertingginya
berada pada rata-
rata
3. Standar deviasi σ
menentukan
lebarnya kurva.
Makin kecil σ
bentuk kurva
makin runcing
4. Total luas daerah
dibawah kurva
normal adalah 1
5. Jika jarak dari
masing-masing
nilai X terhadap µ
diukur dengan σ,
maka kira-kira
68%, berjarak 1σ,
95% berjarak 2σ
dan 99% berjarak
3σ
a. Distribusi probabislitas diskrit.
b. Setiap percobaan hanya
mempunyai 2 kemungkinan
hasil : sukses (hasil yang
dikehendaki) dan gagal (hasil
yang tidak dikehendaki).
c. Setiap percobaan bersifat
independen atau dengan
pengembalian.
d. Probabilita sukses setiap
percobaan harus sama,
dinyatakan dengn p. Sedangkan
probabilita gagal dinyatakan
dengan q, serta jumlah p dan q
harus sama dengan satu.
e. Jumlah percobaan, dinyatakan
dengan n, harus tertentu
jumlahnya.
a. Distribusi probabilitas diskrit
b. Bentuk khusus dari distribusi
binomial dengan p sangat kecil
dan n besar
c. Biasanya n.p < 5
Rumus
P( . ) =
Rumus pendekatannya adalah : P ( x ; μ ) = e – μ . μ X X ! Dimana : e = 2.71828 μ = rata – ratakeberhasilan = n . p x = Banyaknya unsur berhasil dalam sampel n = Jumlah / ukuran populasi p = probabilitas kelas sukses
Rata-rata
,......2,1,0,!
);(
xx
exp
x
np np
28 | S t a t i s t i k a 2
Contoh Soal-Jawab masing-masing materi
1. Diketahui: fungsi distribusi normal
X = modal perushaan milyar Rp
X = n (
Ditanya : P(8≤x≤12)
Jawab:
8 – ≤ x – ≤ 12 -
8 – ≤ Z ≤ 12 -
P (-1 ≤ Z ≤ 1) = 0.3413 + 0.3413 = 0.6826 = 68%
2. Dari benda yang dihasilkan suatu mesin ternyata 20% rusak diambil secraa
random dari produksi benda tersebut sebanyak 20 buah untuk yang diselidiki.
Berapa probabilitas dari benda yang diselidiki itu akan terdapat satu rusak.
Dik: p = 20% = 0.2
q = 80% = 0.8
n = 20
Dit: x=1
Jawab:
P(1.20) = 20!
1! (19)!
= 0.0576
3. Diketahui distribusi poisson
p (x) =
X = 0, 1, 2, 3, 4
Varians
Standar Deviasi
√ √ √ √
P( . ) =
npq2
29 | S t a t i s t i k a 2
e = 2.71828
ditanya: p(0) s/d p (4)
jawab:
p(0) =
=
= 0.1353
p(1) =
=
= 0.2706
p(2) =
=
= 0.2706
p(3) =
=
= 0.1804
p(4) =
=
= 0.0902
30 | S t a t i s t i k a 2
PENARIKAN SAMPEL (SAMPLING)
I. Pengertian Populasi dan Sampel
Populasi adalah kumpulan eluruh elemn/objek yang diteliti.
Sampel adalah bagian dari populasi
II. Pengertian Penarikan Sampel (Sampling)
Distribusi Sampling adalah distribusi probabilitas dari suatu statistic (yaitu semua
pengamatan yang mungkin dari statistic untuk sampel dari suatu ukuran sampel yang
diberikan).
Distribusi sampling meliputi:
Distribusi sampling mean (Xbar)
Distribusi penarikan sampel dari Xbar adalah distribusi probabilitas dari seluruh
kemungkinan nilai-nilai dari rata-rata sampel Xbar
Nilai Harapan dari Xbar menyatakan rata-rata dari seluruh kemungkinan nilai-
nilai Xbar. Nilai harapan dari rata-rata disimbolkan dengan E (Xbar)
Cara pengambilan sample:
1. With replacement (dengan pengembalian)
K=
2. Without replacement (tanpa pengembalian)
K=
III. Penarikan Sampel Acak Sederhana
Sampel Acak Sederhana (Populasi Tak Terbatas)
Sebuah sampel acak sederhana dari populasi tak terbatas adalah sampel yang dipilih
sedemikian rupa sehingga kondisi berikut terpenuhi.
i. Setiap elemen yang terpilih berasal dari populasi yang sama
ii. Setiap elemen dipilih secara independen
Sebagai contoh, anggaplah bahwa kita ingin memperkirakan rata-rata waktu tunggu
antara pemesanan makanan dan menerima makanan bagi pelanggan di sebuah rumah
makan selama jam makan siang. Jika kita menganggap bahwa populasinya adalah
seluruh kemungkinan pelanggan yang datang, kita akan sulit untuk menentukan batas
jumlah kemungkinan pengunjung. Untuk memenuhi dua kriteria diatas, maka kita
perlu menentukan batas waktu misalnya antara jam 11.30-13.30, sehingga
populasinya adalah seluruh pelanggan yang datang untuk makan siang. Kondisi kedua
31 | S t a t i s t i k a 2
terpenuhi bahwa pemilihan sampel pelanggan tertentu tidak mempengaruhi pemilihan
pelanggan yang lain.
IV. Karakteristik Distribusi Sampling: mean, nilai harapan, varians, dan standar
deviasi
Distribusi Sampling mean
Bila sampel-sampel random diulang-ulang dengan ukuran n diambil
dari suatu populasi terdistribusi normal dengan rata-rata μ dan standar deviasi
σ, maka distribusi sampling rata-rata sampel akan normal dengan rata-rata μ
dan standar deviasi
Nilai Harapan
Nilai Harapan dari Xbar menyatakan rata-rata dari seluruh
kemungkinan nilai-nilai Xbar. Nilai harapan dari rata-rata disimbolkan dengan
E (X)
E (X) =
Dimana:
E (Xbar) = nilai yang diharapkan dari variabel acak X
= rata-rata populasi
Varians dan standar deviasi dari X
Varians dari X:
Populasi terbatas
=
Populasi tak terbatas
=
Standar deviasi dari Xbar:
Populasi terbatas
=√
(
√ )
nX
32 | S t a t i s t i k a 2
Populasi tak terbatas
Keterangan
= varians dari distribusi pengambilan sampel Xbar
= standar deviasi dari distribusi pengambilan sampel Xbar
= varians populasi
= ukuran deviasi populasi
n = ukuran sampel
N = ukuran populasi
V. Central Limit Theorem
Contoh soal jawab masing-masing materi
1. Ada 5 orang karyawan suatu perusahaan yang ditanya mengenai upah mingguan
yang mereka terima, X= upah mingguan dalam ribuan rupiah.
X1= 5, X2= 3, X3= 4, X4= 6, X5= 7
Suatu sampel acak dengan n=3 diambil dari populasi tersebut dengan
pengambilan sampel tanpa pengembalian. Hitunglah
Jawab:
Pengembalian 3 sampel dari 5 populasi tanpa pengembalian akan menghasilkan
kombinasi
NCn =
5C3 =
=
= 10
Nilai dari populasi
nX
33 | S t a t i s t i k a 2
µ =
= 25/5 = 5
Untuk pengambilan banyaknya sampen n elemen yang diambil dari suatu
populasi dengan N elemen
2. Diketahui N= 5, n= 3
Ditanya banyaknya sampel?
Jawab:
a. Dengan pengembalian
K = = = 125
b. Tanpa pengembalian
NCn =
5C3 =
=
= 10
34 | S t a t i s t i k a 2
ESTIMASI STATISTIK
I. Konsep Estimasi
Merupakan bagian dari statistik inferensi
Estimasi = pendugaan, atau menaksir harga parameter populasi dengan harga-
harga statistik sampelnya.
Misal : suatu populasi yang besar akan diselidiki harga-harga parameternya,
untuk mengetahuinya akan dilakukan pengamatan terhadap unit-unit dalam
sampel yang akan diestimasi meskipun akan menimbulkan ketidak pastian
II. Estimasi Titik dan Estimasi Interval
a. Pendugaan Titik (Estimasi Titik)
Bila nilai parameter dari populasi hanya diduga dengan memakai satu nilai
statistik (topi) dari sampel yang diambil dari populasi tersebut
b. Pendugaan Interval (Estimasi Interval).
Bila nilai parameter dari populasi diduga dengan memakai beberapa nilai
statistik (topi) yang berada dalam suatu interval, misalnya 1 (topi) < < 2
(topi)
III. Confidence level dan Kesalahan Estimasi
Tingkat kepercayaan pada dasarnya menunjukkan tingkat keterpercayaan
sejauhmana statistik sampel dapat mengestimasi dengan benar parameter populasi
dan/atau sejauhmana pengambilan keputusan mengenai hasil uji hipotesis nol diyakini
kebenarannya. Dalam statistika, tingkat kepercayaan nilainya berkisar antara 0 sampai
100% dan dilambangkan oleh 1 – α.
Secara konvensional, para peneliti dalam ilmu-ilmu sosial sering menetapkan
tingkat kepercayaan berkisar antara 95% – 99%. Jika dikatakan tingkat kepercayaan
yang digunakan adalah 95%, ini berarti tingkat kepastian statistik sampel
mengestimasi dengan benar parameter populasi adalah 95%, atau tingkat keyakinan
untuk menolak atau mendukung hipotesis nol dengan benar adalah 95%.
IV. Estimasi : Mean dan beda dua Mean dalam contoh sampel besar dan kecil
A. Mean (n>30)
Interval kepercayaan (1 - ) untuk menduga rata-rata , bila diketahui adalah :
nZX
nZX
2/2/
35 | S t a t i s t i k a 2
Bila tidak diketahui, maka dapat digunakan penduga dari yaitu S
Beda dua Mean
Misalkan diketahui dua populasi masing-masing mempunyai rata-
rata 1 dan 2 , dan distribusinya mendekati normal.
Misalkan variansi dua populasi itu sama yaitu 12 = 2
2 =
2 tetapi
tidak diketahui berapa besarnya.
di mana : derajat kebebasan = n1 + n2 - 2
Simpangan baku gabungan adalah
bila variansi dua populasi itu tidak sama besarnya yaitu 12 2
2
dan kedua variansi tidak diketahui nilainya, maka interval
kepercayaan (1-) untuk beda dua rata-rata (1 - 2) dari dua
populsai tersebut adalah :
di mana derajat kebebasan :
B. Mean (n<30)
Interval kepercayaan (1 - ) untuk menduga rata-rata . dengan sampel kecil, bila
tidak diketahui adalah:
21
,2/2121
21
,2/21
11)(
11)(
nnStXX
nnStXX pp
2
)1()1(
21
2
22
2
11
nn
SnSnS p
2
2
2
1
2
1,2/2121
2
2
2
1
2
1,2/21 )()(
n
S
n
StXX
n
S
n
StXX
11 2
2
2
2
2
1
2
1
2
1
2
2
2
2
1
2
1
n
nS
n
nS
n
S
n
S
n
StX
n
StX ,2/,2/
36 | S t a t i s t i k a 2
Beda dua rata-rata
di mana : derajat kebebasan = n1 + n2 - 2
Simpangan baku gabungan adalah
V. Estimasi : Proporsi dan beda dua Proporsi dalam contoh sampel besar dan kecil
Proporsi (n>30)
Interval kepercayaan (1 - ) untuk menduga proporsi P adalah :
Dimana :
Beda dua proporsi
Interval kepercayaan (1 - ) untuk menduga beda dua proporsi ( P1 - P2 ) adalah :
n
pqZpP
n
pqZp 2/2/
N
XP
n
xpP ˆ
21
,2/2121
21
,2/21
11)(
11)(
nnStXX
nnStXX pp
2
)1()1(
21
2
22
2
11
nn
SnSnS p
2
22
1
112/2121
2
22
1
112/21 )()(
n
qp
n
qpZppPP
n
qp
n
qpZpp
37 | S t a t i s t i k a 2
Uji Hipotesis
I. Pengertian Pengujian Hipotesis
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.
Hipotesis juga dapat diartikan sebagai pernyataan keadaan populasi yang akan
diuji kebenarannya menggunakan data/informasi yang dikumpulkan melalui sampel,
dan dapat dirumuskan berdasarkan teori, dugaan, pengalaman pribadi/orang lain,
kesan umum, kesimpulan yang masih sangat sementara.
Hipotesis statistik adalah pernyataan atau dugaan mengenai keadaan populasi
yang sifatnya masih sementara atau lemah kebenarannya. Hipotesis statistik dapat
berbentuk suatu variabel seperti binomial, poisson, dan normal atau nilai dari suatu
parameter, seperti rata-rata, varians, simpangan baku, dan proporsi. Hipotesis statistic
harus di uji, karena itu harus berbentuk kuantitas untuk dapat di terima atau di tolak.
Hipotesis statistic akan di terima jika hasil pengujian membenarkan pernyataannya
dan akan di tolak jika terjadi penyangkalan dari pernyataannya.
Pengujian Hipotesis adalah suatu prosedur yang dilakukan dengan tujuan
memutuskan apakah menerima atau menolak hipotesis itu. Dalam pengujian hipotesis,
keputusan yang di buat mengandung ketidakpastian, artinya keputusan bias benar atau
salah, sehingga menimbulkan risiko. Besar kecilnya risiko dinyatakan dalam bentuk
probabilitas.Pengujian hipotesis merupakan bagian terpenting dari statistic inferensi
(statistic induktif), karena berdasarkan pengujian tersebut, pembuatan keputusan atau
pemecahan persoalan sebagai dasar penelitian lebih lanjut dapat terselesaikan.
II. Konsep hipotesis
Menurut Kerlinger (1973:18) dan Tuckman (1982:5) mengartikan hipotesis
adalah sebagai dugaan terhadap hubungan antara dua variable atau lebih. Selanjutnya
menurut Sudjana (1992:219) mengartikan hipotesis adalah asumsi atau dugaan
mengenai suatu hal yang dibuat untuk menjelaskan hal itu yang sering dituntut untuk
melakukan pengecekannya.Atas dasar dua definisi diatas, maka dapat disimpulkan
bahwa hipotesis adalah jawaban atau dugaan sementara yang harus diuji lagi
kebenarannya.
38 | S t a t i s t i k a 2
Hipotesis penelitian adalah hipotesis kerja (Hipotesis Alternatif Ha atau H1)
yaitu hipotesis yang dirumuskan untuk menjawab permasalahan dengan menggunakan
teori-teori yang ada hubungannya (relevan) dengan masalah penelitian dan belum
berdasarkan fakta serta dukungan data yang nyata dilapangan. Hipotesis alternatif
(Ha) dirumuskan dengan kalimat positif. Hipotesis nol adalah pernyataan tidak
adanya hubungan, pengaruh, atau perbedaan antara parameter dengan
statistik. Hipotesis Nol (Ho) dirumuskan dengan kalimat negatif). Nilai Hipotesis
Nol (Ho) harus menyatakan dengan pasti nilai parameter.
III. Prosedur Pengujian Hipotesis
Prosedur pengujian hipotesis statistic adalah langkah-langkah yang di
pergunakan dalam menyelesaikan pengujian hipotesis tersebut.Berikut ini langkah-
langkah pengujian hipotesis statistic adalah sebagai berikut.
1. Menentukan Formulasi Hipotesis
Formulasi atau perumusan hipotesis statistic dapat di bedakan atas dua jenis,
yaitu sebagai berikut;
Hipotesis nol / nihil (HO)
Hipotesis nol adalah hipotesis yang dirumuskan sebagai suatu pernyataan yang
akan di uji. Hipotesis nol tidak memiliki perbedaan atau perbedaannya nol
dengan hipotesis sebenarnya.
Hipotesis alternatif/ tandingan (H1 / Ha)
Hipotesis alternatif adalah hipotesis yang di rumuskan sebagai lawan atau
tandingan dari hipotesis nol. Dalam menyusun hipotesis alternatif, timbul 3
keadaan berikut:
o H1 menyatakan bahwa harga parameter lebih besar dari pada harga yang di
hipotesiskan. Pengujian itu disebut pengujian satu sisi atau satu arah, yaitu
pengujian sisi atau arah kanan.
o H1 menyatakan bahwa harga parameter lebih kecil dari pada harga yang di
hipotesiskan. Pengujian itu disebut pengujian satu sisi atau satu arah, yaitu
pengujian sisi atau arah kiri.
39 | S t a t i s t i k a 2
o H1 menyatakan bahwa harga parameter tidak sama dengan harga yang di
hipotesiskan. Pengujian itu disebut pengujian dua sisi atau dua arah, yaitu
pengujian sisi atau arah kanan dan kiri sekaligus.
Secara umum, formulasi hipotesis dapat di tuliskan :
Apabila hipotesis nol (H0) diterima (benar) maka hipotesis alternatif (Ha) di
tolak.Demikian pula sebaliknya, jika hipotesis alternatif (Ha) di terima (benar)
maka hipotesis nol (H0) ditolak.
2. Menentukan Taraf Nyata (α)
Taraf nyata adalah besarnya batas toleransi dalam menerima kesalahan hasil
hipotesis terhadap nilai parameter populasinya.Semakin tinggi taraf nyata yang di
gunakan, semakin tinggi pula penolakan hipotesis nol atau hipotesis yang di uji,
padahal hipotesis nol benar.
Besaran yang sering di gunakan untuk menentukan taraf nyata dinyatakan
dalam %, yaitu: 1% (0,01), 5% (0,05), 10% (0,1), sehingga secara umum taraf
nyata di tuliskan sebagai α0,01,α0,05, α0,1. Besarnya nilai α bergantung pada
keberanian pembuat keputusan yang dalam hal ini berapa besarnya kesalahan
(yang menyebabkan resiko) yang akan di tolerir. Besarnya kesalahan tersebut di
sebut sebagai daerah kritis pengujian (critical region of a test) atau daerah
penolakan ( region of rejection).
Nilai α yang dipakai sebagai taraf nyata di gunakan untuk menentukan nilai
distribusi yang di gunakan pada pengujian, misalnya distribusi normal (Z),
distribusi t, dan distribusi X².Nilai itu sudah di sediakan dalam bentuk tabel di
sebut nilai kritis.
3. Menentukan Kriteria Pengujian
Kriteria Pengujian adalah bentuk pembuatan keputusan dalam menerima atau
menolak hipotesis nol (Ho) dengan cara membandingkan nilai α tabel
distribusinya (nilai kritis) dengan nilai uji statistiknya, sesuai dengan bentuk
40 | S t a t i s t i k a 2
pengujiannya. Yang di maksud dengan bentuk pengujian adalah sisi atau arah
pengujian.
o Penerimaan Ho terjadi jika nilai uji statistiknya lebih kecil atau lebih besar
daripada nilai positif atau negatif dari α tabel. Atau nilai uji statistik berada
di luar nilai kritis.
o Penolakan Ho terjadi jika nilai uji statistiknya lebih besar atau lebih kecil
daripada nilai positif atau negatif dari α tabel. Atau nilai uji statistik berada
di luar nilai kritis.
Dalam bentuk gambar, kriteria pengujian seperti gambar di bawah ini
4. Menentukan Nilai Uji Statistik
Uji statistik merupakan rumus-rumus yang berhubungan dengan distribusi
tertentu dalam pengujian hipotesis.Uji statistik merupakan perhitungan untuk
menduga parameter data sampel yang di ambil secara random dari sebuah
populasi. Misalkan, akan di uji parameter populasi (P), maka yang pertama-tam di
hitung adalah statistik sampel (S).
5. Membuat Kesimpulan
Pembuatan kesimpulan merupakan penetapan keputusan dalam hal
penerimaan atau penolakan hipotesis nol (Ho)yang sesuai dengan kriteria
pengujiaanya. Pembuatan kesimpulan dilakukan setelah membandingkan nilai uji
statistik dengan nilai α tabel atau nilai kritis.
Penerimaan Ho terjadi jika nilai uji statistik berada di luar nilai kritisnya.
Penolakan Ho terjadi jika nilai uji statistik berada di dalam nilai kritisnya.
Kelima langkah pengujian hipotesis tersebut di atas dapat di ringkas seperti berikut.
Langkah 1 : Menentukan formulasi hipotesis nol (H0) dan hipotesis alternatifnya (Ha)
Langkah 2 : Memilih suatu taraf nyata (α) dan menentukan nilai table.
Langkah 3 : Membuat criteria pengujian berupa penerimaan dan penolakan H0.
Langkah 4 : Melakukan uji statistic
Langkah 5 : Membuat kesimpulannya dalam hal penerimaan dan penolakan H0.
41 | S t a t i s t i k a 2
IV. Jenis-Jenis Pengujian Hipotesis
Pengujian hipotesis dapat di bedakan atas beberapa jenis berdasarkan criteria yang
menyertainya.
Berdasarkan Jenis Parameternya
Didasarkan atas jenis parameter yang di gunakan, pengujian hipotesis dapat di
bedakan atas tiga jenis, yaitu sebagai berikut .
a. Pengujian hipotesis tentang rata-rata
Pengujian hipotesis tentang rata-rata adalah pengujian hipotesis mengenai
rata-rata populasi yang di dasarkan atas informasi sampelnya.
Contohnya:
1. Pengujian hipotesis satu rata-rata
2.Pengujian hipotesis beda dua rata-rata
3.Pengujian hipotesis beda tiga rata-rata
b. Pengujian hipotesis tentang proporsi
Pengujian hipotesis tentang proporsi adalah pengujian hipotesis mengenai
proporsi populasi yang di dasarkan atas informasi sampelnya.
Contohnya:
1. Pengujian hipotesis satu proporsi
2.Pengujian hipotesis beda dua proporsi
3.Pengujian hipotesis beda tiga proporsi
c. Pengujian hipotesis tentang varians
Pengujian hipotesis tentang varians adalah pengujian hipotesis mengenai rata-
rata populasi yang di dasarkan atas informasi sampelnya.
Contohnya:
1. Pengujian hipotesis tentang satu varians
2. Pengujian hipotesis tentang kesamaan dua varians
Berdasarkan Jumlah Sampelnya
Didasarkan atas ukuran sampelnya, pengujian hipotesis dapat di bedakan atas dua
jenis, yaitu sebagai berikut.
a. Pengujian hipotesis sampel besar
Pengujian hipotesis sampel besar adalah pengujian hipotesis yang
menggunakan sampel lebih besar dari 30 (n > 30).
b. Pengujian hipotesis sampel kecil
Pengujian hipotesis sampel kecil adalah pengujian hipotesis yang
menggunakan sampel lebih kecil atau sama dengan 30 (n ≤ 30).
42 | S t a t i s t i k a 2
Berdasarkan Jenis Distribusinya
Didasarkan atas jenis distribusi yang digunakan, pengujian hipotesis dapat di
bedakan atas empat jenis, yaitu sebagai berikut.
a. Pengujian hipotesis dengan distribusi Z
Pengujian hipotesis dengan distribusi Z adalah pengujian hipotesis
yang menggunakan distribusi Z sebagai uji statistik. Tabel pengujiannya
disebut tabel normal standard.Hasil uji statistik ini kemudian di bandingkan
dengan nilai dalam tabel untuk menerima atau menolak hipotesis nol (Ho)
yang di kemukakan.
Contohnya :
1. Pengujian hipotesis satu dan beda dua rata-rata sampel besar
2. Pengujian satu dan beda dua proporsi
b. Pengujian hipotesis dengan distribusi t (t-student)
Pengujian hipotesis dengan distribusi t adalah pengujian hipotesis
yang menggunakan distribusi t sebagai uji statistik. Tabel pengujiannya
disebut tabel t-student.Hasil uji statistik ini kemudian di bandingkan dengan
nilai dalam tabel untuk menerima atau menolak hipotesis nol (Ho) yang di
kemukakan.
Contohnya :
1. Pengujian hipotesis satu rata-rata sampel kecil
2. Pengujian hipotesis beda dua rata-rata sampel kecil
c. Pengujian hipotesis dengan distribusi χ2 ( kai kuadrat)
Pengujian hipotesis dengan distribusi χ2 ( kai kuadrat) adalah
pengujian hipotesis yang menggunakan distribusi χ2 sebagai uji statistik. Tabel
pengujiannya disebut tabel χ2.Hasil uji statistik ini kemudian di bandingkan
dengan nilai dalam tabel untuk menerima atau menolak hipotesis nol (Ho) yang
di kemukakan.
Contohnya :
1. Pengujian hipotesis beda tiga proporsi
2. Pengujian Independensi
3. Pengujian hipotesis kompatibilitas
d. Pengujian hipotesis dengan distribusi F (F-ratio)
Pengujian hipotesis dengan distribusi F (F-ratio) adalah pengujian
hipotesis yang menggunakan distribusi F (F-ratio) sebagai uji statistik. Tabel
pengujiannya disebut tabel F. Hasil uji statistik ini kemudian di bandingkan
dengan nilai dalam tabel untuk menerima atau menolak hipotesis nol (Ho) yang
di kemukakan.
Contohnya :
43 | S t a t i s t i k a 2
1. Pengujian hipotesis beda tiga rata-rata
2. Pengujian hipotesis kesamaan dua varians
Berdasarkan Arah atau Bentuk Formulasi Hipotesisnya
Didasarkan atas arah atau bentuk formulasi hipotesisnya, pengujian hipotesis
di bedakan atas 3 jenis, yaitu sebagai berikut.
a. Pengujian hipotesis dua pihak (two tail test)
Pengujian hipotesis dua pihak adalah pengujian hipotesis di mana
hipotesis nol (Ho) berbunyi “sama dengan” dan hipotesis alternatifnya (H1)
berbunyi “tidak sama dengan” (Ho = dan H1 ≠)
b. Pengujian hipotesis pihak kiri atau sisi kiri
Pengujian hipotesis pihak kiri adalah pengujian hipotesis di mana
hipotesis nol (Ho) berbunyi “sama dengan” atau “lebih besar atau sama
dengan” dan hipotesis alternatifnya (H1) berbunyi “lebih kecil” atau “lebih
kecil atau sama dengan” (Ho = atau Ho ≥ dan H1 < atau H1≤ ). Kalimat “lebih
kecil atau sama dengan” sinonim dengan kata “paling sedikit atau paling
kecil”.
c. Pengujian hipotesis pihak kanan atau sisi kanan
Pengujian hipotesis pihak kanan adalah pengujian hipotesis di mana
hipotesis nol (Ho) berbunyi “sama dengan” atau “lebih kecil atau sama
dengan” dan hipotesis alternatifnya (H1) berbunyi “lebih besar” atau “lebih
besar atau sama dengan” (Ho = atau Ho ≤ dan H1 > atau H1 ≥). Kalimat “lebih
besar atau sama dengan” sinonim dengan kata “paling banyak atau paling
besar”.
V. Pengujian Hipotesis Rata-Rata
Pengujian Hipotesis Satu Rata-Rata
a. Sampel besar ( n> 30 )
Untuk pengujian hipotesis satu rata-rata dengan sample besar (n >
30), uji statistiknya menggunakan distribusi Z. Prosedur pengujian
hipotesisnya adalah sebagai berikut.
1. Formulasi hipotesis
a. Ho : µ = µo
H1 : µ > µo
b. Ho : µ = µo
H1 : µ < µo
c. Ho : µ = µo
44 | S t a t i s t i k a 2
H1 : µ ≠ µo
2. Penentuan nilai α (taraf nyata) dan nilai Z table (Zα)
Menentukan nilai α sesuai soal, kemudian nilai Zα atau
Zα/2ditentukan dari tabel.
3. Kriteria Pengujian
a. Untuk Ho : µ = µo dan H1 : µ > µo
o Ho di terima jika Zo ≤ Zα
o Ho di tolak jika Zo > Zα
b. Untuk Ho : µ = µo dan H1 : µ < µo
o Ho di terima jika Zo ≥ - Zα
o Ho di tolak jika Zo < - Zα
c. Untuk Ho : µ = µo dan H1 : µ ≠ µo
o Ho di terima jika - Zα/2 ≤ Zo ≤ Zα/2
o Ho di tolak jika Zo > Zα/2 atau Zo < - Zα/2
4. Uji Statistik
a. Simpangan baku populasi ( σ ) di ketahui :
b. Simpangan baku populasi ( σ ) tidak di ketahui :
5. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan
kriteria pengujiannya).
a) Jika H0 diterima maka H1 di tolak
b) Jika H0 di tolak maka H1 di terima
Contoh Soal :
Suatu pabrik susu merek Good Milk melakukan pengecekan terhadap
produk mereka, apakah rata-rata berat bersih satu kaleng susu bubuk yang di
produksi dan di pasarkan masih tetap 400 gram atau sudah lebih kecil dari itu.
Dari data sebelumnya di ketahui bahwa simpangan baku bersih per kaleng
sama dengan 125 gram. Dari sample 50 kaleng yang di teliti, di peroleh rata-
45 | S t a t i s t i k a 2
rata berat bersih 375 gram. Dapatkah di terima bahwa berat bersih rata-rata
yang di pasarkan tetap 400 gram? Ujilah dengan taraf nyata 5 % !
Penyelesaian :
Diketahui :
n = 50, X = 375, σ = 125, µo = 400
Jawab :
a. Formulasi hipotesisnya :
Ho : µ = 400
H1 : µ < 400
b. Taraf nyata dan nilai tabelnya :
α = 5% = 0,05
Z0,05 = -1,64 (pengujian sisi kiri)
c. Kriteria pengujian :
o Ho di terima jika Zo ≥ - 1,64
o Ho di tolak jika Zo < - 1,64
d. Uji Statistik
e. Kesimpulan
Karena Zo = -1,41 ≥ - Z0,05 = - 1,64 maka Ho di terima. Jadi,
berat bersih rata-rata susu bubuk merek GOOD MILK per kaleng yang
di pasarkan sama dengan 400 gram
b. Sampel Kecil (n ≤ 30)
46 | S t a t i s t i k a 2
Untuk pengujian hipotesis satu rata-rata dengan sampel kecil (n ≤ 30),
uji statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya
adalah sebagai berikut.
1. Formulasi hipotesis
a. Ho : µ = µo
H1 : µ > µo
b. Ho : µ = µo
H1 : µ < µo
c. Ho : µ = µo
H1 : µ ≠ µo
2. Penentuan nilai α (taraf nyata) dan nilai t- tabel
Menentukan nilai α sesuai soal, kemudian menentukan derajat
bebas, yaitu db = n – 1, lalu menentukan nilai tα;n-1 atau tα/2;n-
1ditentukan dari tabel.
3. Kriteria Pengujian
a. Untuk Ho : µ = µo dan H1 : µ > µo
o Ho di terima jika to ≤ tα
o Ho di tolak jika to > tα
b. Untuk Ho : µ = µo dan H1 : µ < µo
o Ho di terima jika to ≥ - tα
o Ho di tolak jika to < - tα
c. Untuk Ho : µ = µo dan H1 : µ ≠ µo
o Ho di terima jika - tα/2 ≤ to ≤ tα/2
o Ho di tolak jika to > tα/2 atau to < - tα/2
4. Uji Statistik
a. Simpangan baku populasi ( σ ) di ketahui :
b. Simpangan baku populasi ( σ ) tidak di ketahui :
5. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho(sesuai
dengan criteria pengujiannya).
a) Jika H0 diterima maka H1 di tolak
47 | S t a t i s t i k a 2
b) Jika H0 di tolak maka H1 di terima
Contoh soal :
Sebuah sample terdiri atas 15 kaleng susu, memiliki isi berat kotor
seperti yang di berikan berikut ini.
( Isi berat kotor dalam kg/kaleng)
1,21 1,21 1,23 1,20 1,21
1,24 1,22 1,24 1,21 1,19
1,19 1,18 1,19 1,23 1,18
Jika di gunakan taraf nyata 1%, dapatkah kita menyakini bahwa
populasi cat dalam kaleng rata-rata memiliki berat kotor 1,2 kg/kaleng ?
(dengan alternatif tidak sama dengan). Berikan evaluasi anda !
Penyelesaian :
Diketahui :
n = 15, α= 1%, µo = 1,2
Jawab:
∑X = 18,13
∑X2 = 21,9189
X = 18,13 / 15
= 1,208
a. Formulasi hipotesisnya :
Ho : µ = 1,2
H1 : µ ≠ 1,2
b. Taraf nyata dan nilai tabelnya :
α = 1% = 0,01
tα/2 = 0,005 dengan db = 15-1 = 14
t0,005;14 = 2,977
c. Kriteria pengujian :
48 | S t a t i s t i k a 2
o Ho di terima apabila : - 2,977 ≤ to ≤ - 2,977
o Ho di tolak : to > 2,977 atau to < - 2,977
d. Uji Statistik
e. Kesimpulan
Karena –t0,005;14 = -2,977 ≤ to = 1,52 ≤ t0,005;14 = - 2,977 maka
Hodi terima. Jadi, populasi susu dalam kaleng secara rata-rata berisi
berat kotor 1,2 kg/kaleng.
Pengujian Hipotesis Beda Dua Rata-Rata
a. Sampel besar ( n> 30 )
Untuk pengujian hipotesis beda dua rata-rata dengan sampel besar (n >
30), uji statistiknya menggunakan distribusi Z. Prosedur pengujian
hipotesisnya adalah sebagai berikut.
1. Formulasi hipotesis
a. Ho : µ = µo
H1 : µ > µo
b. Ho : µ = µo
H1 : µ < µo
c. Ho : µ = µo
H1 : µ ≠ µo
2. Penentuan nilai α (taraf nyata) dan nilai Z tabel (Zα)
Mengambil nilai α sesuai soal, kemudian nilai Zα atau
Zα/2ditentukan dari tabel.
3. Kriteria Pengujian
a. Untuk Ho : µ1 = µ2 dan H1 : µ1 > µ2
o Ho di terima jika Zo ≤ Zα
49 | S t a t i s t i k a 2
o Ho di tolak jika Zo > Zα
b. Untuk Ho : µ1 = µ2 dan H1 : µ1 < µ2
o Ho di terima jika Zo ≥ - Zα
o Ho di tolak jika Zo < - Zα
c. Untuk Ho : µ1 = µ2 dan H1 : µ1 ≠ µ2
o Ho di terima jika - Zα/2 ≤ Zo ≤ Zα/2
o Ho di tolak jika Zo > Zα/2 atau Zo < - Zα/2
4. Uji Statistik
a. Simpangan baku populasi ( σ ) di ketahui :
b. Simpangan baku populasi ( σ ) tidak di ketahui :
5. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan
kriteria pengujiannya).
a) Jika H0 diterima maka H1 di tolak
b) Jika H0 di tolak maka H1 di terima
Contoh Soal :
Seseorang berpendapat bahwa rata-rata jam kerja buruh di daerah A
dan B sama dengan alternatif A lebih besar dari pada B. Untuk itu, di ambil
sample di kedua daerah, masing-masing 100 dan 70 dengan rata-rata dan
simpangan baku 38 dan 9 jam per minggu serta 35 dan 7 jam per minggu.
Ujilah pendapat tersebut dengan taraf nyata 5% ! Untuk Varians/ simpangan
baku kedua populasi sama besar !
Penyelesaian :
Diketahui :
n1 = 100 X1 = 38 s₁ = 9
n2 = 70 X2 = 35 s₂ = 7
50 | S t a t i s t i k a 2
Jawab:
a. Formulasi hipotesisnya :
Ho : µ₁ = µ₂
H1 : µ₁ > µ₂
b. Taraf nyata dan nilai tabelnya :
α = 5% = 0,05
Z0,05 = 1,64 (pengujian sisi kanan)
c. Kriteria pengujian :
o Ho di terima jika Zo ≤ 1,64
o Ho di tolak jika Zo > 1,64
d. Uji Statistik
e. Kesimpulan
Karena Zo = 2,44> Z0,05 = 1,64 maka Ho di tolak. Jadi, rata-rata
jam kerja buruh di daerah A dan daerah B adalah tidak sama.
51 | S t a t i s t i k a 2
b. Sampel kecil ( n ≤ 30 )
Untuk pengujian hipotesis beda dua rata-rata dengan sampel kecil (n ≤
30), uji statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya
adalah sebagai berikut.
1. Formulasi hipotesis
a. Ho : µ₁ = µ2
H1 : µ₁ > µ2
b. Ho : µ₁ = µ2
H1 : µ₁ < µ2
c. Ho : µ₁ = µ2
H1 : µ₁ ≠ µ2
2. Penentuan nilai α (taraf nyata) dan nilai t tabel (tα)
Mengambil nilai α sesuai soal, kemudian nilai tα atau
tα/2ditentukan dari tabel.
3. Kriteria Pengujian
a. Untuk Ho : µ1 = µ2 dan H1 : µ1 > µ2
o Ho di terima jika to ≤ tα
o Ho di tolak jika to > tα
b. Untuk Ho : µ1 = µ2 dan H1 : µ1 < µ2
o Ho di terima jika to ≥ tα
o Ho di tolak jika Zo < - tα
c. Untuk Ho : µ1 = µ2 dan H1 : µ1 ≠ µ2
o Ho di terima jika - tα/2 ≤ to ≤ tα/2
o Ho di tolak jika to > tα/2 atau to < - tα/2
4. Uji Statistik
52 | S t a t i s t i k a 2
Keterangan :
d = rata-rata dari nilai d
sd = simpangan baku dari nilai d
n = banyaknya pasangan
db = n-1
5. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai
dengan kriteria pengujiannya).
a) Jika H0 diterima maka H1 di tolak
b) Jika H0 di tolak maka H1 di terima
Contoh Soal :
1. Sebuah perusahan mengadakan pelatihan teknik pemasaran. Sampel sebanyak
12 orang dengan metode biasa dan 10 orang dengan terprogram. Pada akhir
pelatihan di berikan evaluasi dengan materi yang sama. Kelas pertama
mencapai nilai rata-rata 75 dengan simpangan baku 4,5. Ujilah hipotesis kedua
metode pelatihan, dengan alternative keduanya tidak sama! Gunakan taraf
nyata 10%! Asumsikan kedua populasi menghampiri distribusi normal dengan
varians yang sama!
Penyelesaian :
Diketahui :
n1 = 12 X1 = 80 s₁ = 4
n2 = 10 X2 = 75 s₂ = 4,5
Jawab:
a. Formulasi hipotesisnya :
Ho : µ₁ = µ₂
H1 : µ₁ ≠ µ₂
b. Taraf nyata dan nilai tabelnya :
α = 10% = 0,10
= 0,05
db = 12 + 10 – 2 = 20
t0,05;20 = 1,725
c. Kriteria pengujian :
53 | S t a t i s t i k a 2
o Ho di terima apabila -1,725 ≤ t0 ≤ 1,725
o Ho di tolak apabila t0 > 1,725 atau t0 < -1,725
d. Uji Statistik
e. Kesimpulan
Karena t0 = 2,76> t0,05;20 = 1,725 maka Ho di tolak. Jadi, kedua
metode yang digunakan dalam pelatihan tidak sama hasilnya.
2. Untuk mengetahui apakah keanggotaan dalam organisasi mahasiswa memiliki
akibat baik atau buruk terhadap prestasi akademik seseorang, diadakan
penelitian mengenai mutu rata-rata prestasi akademik. Berikut ini data selama
periode 5 tahun.
Tahun
1 2 3 4 5
Anggota
Bukan
Anggota
7,0
7,2
7,0
6,9
7,3
7,5
7,1
7,3
7,4
7,4
Ujilah pada taraf nyata 1% apakah keanggotaan dalam organisasi
mahasiswa berakibat buruk pada prestasi akademiknya dengan asumsi bahwa
populasinya normal !
Penyelesaian :
a. Formulasi hipotesisnya :
Ho : µ₁ = µ₂
H1 : µ₁ < µ₂
54 | S t a t i s t i k a 2
b. Taraf nyata dan nilai tabelnya :
α = 1% = 0,01
= 0,05
db = 5 - 1 = 4
t0,01;4 = -3,747
c. Kriteria pengujian :
o Ho di terima apabila t0 ≥ - 3,747
o Ho di tolak apabila t0 < - 3,747
d. Uji Statistik :
Anggota Bukan Anggota d d2
7,0
7,0
7,3
7,1
7,4
7,2
6,9
7,5
7,3
7,4
-0,2
0,1
-0,2
-0,2
0,0
0,04
0,01
0,04
0,04
0,00
Jumlah -0,5 0,13
e. Kesimpulan
Karena t0 = -1,6> t0,01;4 = -3,747, maka Ho di terima. Jadi,
keanggotaan organisasi bagi mahasiswa tidak membeikan pengaruh
buruk terhadap prestasi akademiknya.
55 | S t a t i s t i k a 2
UJI HIPOTESIS CHI-SQUARES
I. Karakteristik Distribusi Chi-Squares
a. Nilai Chi-Square selalu positif
b. Bentuk Distribusi Chi-Square adalah menjulur positif
c. Distribusi chi square memiliki satu parameter yaitu derajad bebas (db)
d. Nilai-nilai chi square di mulai dari 0 disebelah kiri, sampai nilai-nilai positif tak
terhingga di sebelah kanan
e. Probabilitas nilai chi square di mulai dari sisi sebelah kanan
f. Luas daerah di bawah kurva normal adalah 1. Nilai dari chi square bisa dicari jika
kita memiliki informasi luas daerah disebelah kanan kurva serta derajad bebas.
Misalnya jika luas daerah disebelah kanan adalah 0,1 dan derajad bebas sebanyak
7, maka nilai chi square adalah 12, 017.
g. Rumus yang digunakan untuk uji ini sama dengan rumus umum Uji Kai Kuadrat :
II. Uji Kesesuaian
Pengujian hipotesis kompatibilitas (goodness of fit) merupakan pengujian
hipotesis untuk menentukan apakah suatu himpunan frekuensi yang diharapkan sama
dengan frekuensi yang diperoleh dari suatu distribusi, seperti distribusi binomial,
poisson, normal, atau dari perbandingan lain. Jadi, uji goodness of fit merupakan
pengujian kecocokan atau kebaikan suai antara hasil pengamatan (frekuensi
pengamatan) tertentu dengan frekuensi yang diperoleh berdasarkan nilai harapannya
(frekuensi teoretis).
Langkah-langkah pengujian hipotesis goodness of fit ialah sebagai berikut:
a. Menentukan hipotesis
H0 : frekuensi pengamatan sesuai dengan frekuensi yang diharapkan
H1 : frekuensi pengamatan tidak sesuai dengan frekuensi yang diharapkan
b. Menentukan tingakat signifikansi ( α ) dan nilai χ2 dari table Tingakat signifikansi
(α ) dan nilai χ2 tabel ditentukan dengan derajat bebas (db) = k – N
c. Menentukan kriteria pengujian
H0 diterima apabila χ20 ≤ χ2α (k – N)
H0 ditolak apabila χ20 > χ2α (k – N)
56 | S t a t i s t i k a 2
d. Menentukan nilai uji statistic
e. Membuat kesimpulan
f. Menyimpulkan apakah H0 ditolak atau diterima berdasarkan nilai statistik uji
yang diperoleh
Rumus Uji Kesesuaian:
Contoh Soal
Sebuah perusahaan gas dapat menentukan pola pembayaran berdasarkan
pengalaman-pengalaman sebelumnya bahwa pada akhir musim dingin 80% pelanggan
membayar tagihannya, 10% menunda sampai satu bulan, 6% menunda dua bulan, dan
4% lebih dari dua bulan. Pada akhir musim dingin tahun ini mengecek 400
pelanggannya secara random dan ternyata 287 pelanggan membayar langsung
tagihannya, 49 pelanggan menunda satu bulan, 30 pelanggan menunda dua bulan, dan
34 menunda tagihan lebih dari dua bulan. Apakah data tersebut masih mempunya pola
tertentu (distribusi) yang sama seperti tahun-tahun sebelumnya. Gunakan α sebesar
1%.
57 | S t a t i s t i k a 2
Kesimpulan : pola pembayaran gas tahun ini berbeda dengan tahun-
tahun sebelumnya dengan tingkat keyakinan sebesar 99%.
Setelah diamati lebih seksama tenyata ada kecenderungan bahwa pembayaran
pelanggan tahun ini tertunda lebih lama dibanding dengan pembayaran tahun
sebelumnya.
III. Uji Independensi
Uji kebebasan ini digunakan untuk memeriksa kebebasan atau independensi
dari dua variabel (frekuensi observasi dan frekuensi harapan) sehingga kita dapat
menyimpulkan apakah kedua peubah tersebut saling bebas (tidak berpengaruh)
ataukah keduanya saling bertalian (berpengaruh).
Data untuk menguji kebebasan dua variabel tersebut disajikan dalam bentuk
Tabel Kontingensi atau Tabel Berkemungkinan yang umumnya berukuran r baris x k
kolom. Sebelum melakukan pengujian, terlebih dahulu kita harus mendefinisikan
Hipotesis Awal (H0) dan Hipotesis Alternatif (H1), yaitu:
H0 : variabel-variabel saling bebas
H1 : variabel-variabel tidak saling bebas
Biasanya Tabel Kontingensi berisikan data berupa frekuensi observasi yang
diperoleh dari suatu pengujian. Untuk itu, kita perlu mencari frekuensi ekspektasi
terlebih dahulu sebelum melakukan pengujian.
58 | S t a t i s t i k a 2
Contoh Soal
Suatu percobaan dilakukan untuk mengetahui apakah pendapat penduduk
pemilih di negara bagian Illinois mengenai perubahan pajak baru tidak ada
hubungannya dengan tingkat penghasilannya. Suatu sampel acak 1000 pemilih yang
tercatat di Illinois dikelompokan menurut apakah penghasilan mereka rendah, sedang,
atau tinggi, dan apakah mereka setuju atau tidak terhadap perubahan pajak baru dalam
tabel kontingensi berikut: (gunakan taraf uji 0,05)
Perubahan Pajak Tingkat Pendapatan Total
R (Rendah) M (Menengah) B (Berada)
Setuju 182 213 203 598
Tidak Setuju 154 138 110 402
Total 336 351 313 1000
Jawab :
H0 : pendapat penduduk pemilih di negara bagian Illinois mengenai perubahan pajak baru
dan tingkat penghasilannya saling bebas
H1 : pendapat penduduk pemilih di negara bagian Illinois mengenai perubahan pajak baru
dan tingkat penghasilannya tidak saling bebas
α = 0,05
Daerah kritis X2 > 5,991 dengan derajat kebebasan v =(2-1)(3-1)= 2
Perhitungan X2
Frekuensi harapan untuk:
59 | S t a t i s t i k a 2
60 | S t a t i s t i k a 2
Uji Hipotesis Regresi Tunggal (1 Variabel Bebas)
dan Korelasi
Regresi dan korelasi mempunyai persamaan yaitu keduanya mempelajari hubungan
antar variabel
.
REGRESI
1. Mempelajari bentuk hubungan antar variabel melalui suatu persamaan (RLS,
RLB, Regresi non Linier). Hubungan bisa berupa hubungan sebab akibat
2. Dapat mengukur seberapa besar suatu variabel mempengaruhi variabel lain
3. Dapat digunakan untuk melakukan peramalan nilai suatu variabel berdasarkan
variabel lain
KORELASI
1. Mempelajari keeratan hubungan antar 2 variabel kuantitatif yang bisa dilihat dari
besarnya angka, bukan tandanya
2. Dapat mengetahui arah hubungan yang terjadi (berbanding lurus jika tandanya
positif, dan berbanding terbalik jika tandanya negatif)
3. Nilainya berkisar -1 sampai dengan 1
4. Tidak bisa menyatakan hubungan sebab akibat
Korelasi yang tinggi tidak selalu berarti bahwa suatu variabel
menyebabkan/mempengaruhi variabel yang lain
VARIABEL BEBAS (INDEPENDENT) DAN VARIABEL TAK BEBAS
(DEPENDENT)
- Dependent Variable / Variabel Tak Bebas (Y) : Variabel yang nilainya ditentukan
oleh variabel lain. Diasumsikan bersifat random/stochastic.
- Independent Variable / Variabel Bebas (X) : Variabel yang nilainya ditentukan
secara bebas (variabel yang diduga mempengaruhi variabel tak bebas). Diasumsikan
bersifat fixed/non stochastic.
Syarat:
Y: Berjenis data kuantitatif
X: Berjenis data kuantitatif atau kualitatif/kategorik
Jenis data untuk Y:
- Data observasi
Diperoleh tanpa melakukan kontrol terhadap variabel X -> tidak kuat
menyatakan hubungan sebab-akibat
- Data Eksperimen
Diperoleh dengan melakukan kontrol terhadap variabel X -> dapat
menyatakan hubungan sebab-akibat
61 | S t a t i s t i k a 2
I. KONSEP DASAR
- Pada suatu nilai X tertentu akan terdapat banyak kemungkinan nilai-nilai Y (Y akan
terdistribusi mengikuti suatu fungsi peluang tertentu->diasumsikan berdistribusi
normal) dengan nilai rata-rata E(Y) dan nilai varians tertentu.
- Nilai rata-rata E(Y) diasumsikan berubah secara sistematik mengikuti perubahan
nilai X, yang digambarkan dalam bentuk garis linier
- Nilai varians pada setiap nilai X akan sama
Perhitungan koefisien regresi
Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel
independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah
hubungan antara variabel independen dengan variabel dependen apakah positif atau
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya
berskala interval atau rasio.
Rumus regresi linear sederhana sebagi berikut:
Y’ = a + bX
Keterangan:
Y‟ = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y‟ apabila X = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
II. Persamaan Garis Regresi Linier Sederhana
Regresi yang berarti peramalan, penaksiran, atau pendugaan pertama kali
diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822-1911) sehubungan
dengan penelitiannya terhadap tinggi manusia. Penelitian tersebut membandingkan
antara tinggi anak laki-laki dan tinggi badan ayahnya.
Analisis regresi juga digunakan untuk menentukan bentuk hubungan antar
variabel. Tujuan utama dalam penggunaan analisis itu adalah untuk meramalkan atau
memperkirakan nilai dari satu variabel dalam hubungannya dengan variabel yang lain
yang diketahui melalui persamaan garis regresinya.
62 | S t a t i s t i k a 2
Untuk populasi, persamaan garis regresi linier sederhananya dapat dinyatakan
dalam bentuk:
Keterangan:
rata-rata Y bagi X tertentu.
konstanta atau parameter atau koefisien regresi populasi
Karena populasi jarang diamati secara langsung, maka digunakan persamaan regresi
linier sederhana sampel sebagai penduga persamaan regresi linier sederhana populasi.
Bentuk persamaannya adalah :
Keterangan:
Y = penduga bagi variabel terikat (variabel yang diduga)
X = variabel bebas (variabel yang diketahui)
a,b = penduga parameter A dan B = koefisien regresi sampel
a = intersep (nilai Y, bila X = 0)
b = slop (kemiringan garis regresi)
Persamaan memberikan arti jika variabel X mengeluarkan satu satuan
maka variabel Y akan mengalami peningkatan atau penurunan sebesar 1 b.
Untuk membuat peramalan, penaksiran, atau pendugaan dengan persamaan regresi,
maka nilai dan b harus ditentukan terlebih dahulu. Dengan metode kuadrat terkecil
(least square), nilai dan b dapat ditentukan dengan rumus berikut.
63 | S t a t i s t i k a 2
III. PENDUGAAN DAN PENGUJIAN KOEFISIEN REGRESI
Kesalahan Baku Regresi dan Koefisien Regresi Sederhana
Kesalahan baku atau selisih taksir standar merupakan indeks yang
digunakan untuk mengukur tingkat ketepatan regresi (pendugaan) dan
koefisien regresi (penduga) atau mengukur variasi titik-titik observasi di
sekitar garis regresi. Dengan kesalahan baku, batasan seberapa jauh
melesetnya perkiraan kita dalam meramal data dapat diketahui. Apabila semua
titik observasi berada tepat pada garis regresi maka kesalahan baku akan
bernilai sama dengan nol. Hal itu berarti perkiraan yang kita lakukan terhadap
data sesuai dengan data yang sebenarnya,
Berikut ini rumus-rumus yang secara langsung digunakan untuk
menghitung kesalahan baku regresi dan koefisien regresi.
1. Untuk regresi, kesalahan bakunya dirumuskan:
2. Untuk koefisien regresi (penduga ), kesalahan bakunya dirumuskan:
2. Untuk koefisien regresi (penduga ), kesalahan bakunya dirumuskan:
64 | S t a t i s t i k a 2
Pendugaan Interval Koefisien Regresi (Parameter A dan B)
Pendugaan interval bagi parameter A dan B menggunakan distribusi t dengan
derajat kebebasan (db) = n – 2.
1. Pendugaan interval untuk parameter A
Untuk parameter A, pendugaan intervalnya menggunakan:
Atau dalam bentuk sederhana:
Artinya: dengan interval keyakinan dalam jangka panjang, jika sampel
diulang-ulang, kasus pada interval sampai dengan interval akan berisi A
yang benar.
2. Pendugaan interval untuk parameter B
Untuk parameter B, pendugaan intervalnya dirumuskan:
Atau dalam bentuk sederhana:
Artinya: dengan interval keyakinan dalam jangka panjang, jika sampel
diulang-ulang, kasus pada interval sampai dengan interval akan berisi B
yang benar.
Pengujian Hipotesis Koefisien Regresi (Parameter A dan B)
Pengujian hipotesis bagi parameter A dan B menggunakan uji t,
dengan langkah-langkah pengujian sebagai berikut:
1. Menentukan formula hipotesis
1. Untuk parameter A:
65 | S t a t i s t i k a 2
2. Untuk parameter B:
2. Menentukan taraf nyata ( ) dan nilai t tabel.
Taraf nyata dan nilai t tabel ditentukan dengan derajat bebas (db) = n –
3. Menentukan kriteria pengujian
4. Menentukan nilai uji statistik
1. Untuk parameter A
2. Untuk parameter B
5. Membuat kesimpulan
Menyimpulkan apakah diterima atau ditolak.
Catatan:
1. Dari kedua koefisien regresi A dan B, koefisien regresi B,
yaitu koefisien regresi sebenanya adalah yang lebih penting, karena
dari koefisien ini, ada atau tidak adanya pengaruh X terhadap Y dapat
diketahui.
66 | S t a t i s t i k a 2
2. Khusus untuk koefisien regresi B, pengujian hipotesisnya
dapat juga dirumuskan sebagai berikut:
IV. PERAMALAN (PREDIKSI)
Sebagai penduga memiliki nilai yang mungkin sama atau tidak sama dengan
nilai sebenarnya. Untuk membuat sebagai penduga yang dapat dipercaya, maka
dibuat pendugaan bagi Y dengan menggunakan penduga itu sendiri. Dengan
demikian, sebagai penduga dapat digunakan sebagai peramalan atau prediksi.
Ada tiga bentuk peramalan sehubungan dengan penduga tersebut, yaitu
sebagai berikut.
Peramal Tunggal
Peramalan tunggal atau prediksi titik dirumuskan:
Peramalan Interval Individu
Peramalan interval individu atau prediksi interval bagi Y dirumuskan:
= nilai untuk X = X0
Peramalan Interval Rata-rata
Peramalan interval rata-rata atau prediksi interval bagi E(Y) dirumuskan:
67 | S t a t i s t i k a 2
V. KOEFISIEN KORELASI LINIER SEDERHANA
Pengertian Koefisien Korelasi (KK)
Koefisien korelasi merupakan indeks atau bilangan yang digunakan untuk
mengukur keeratan (kuat, lemah, atau tidak ada) hubungan antarvariabel.
Koefisien korelasi ini memiliki nilai antara -1 dan +1 .
1. Jika KK bernilai positif, maka variabel-variabel berkorelasi positif. Semakin dekat
nilai KK ini ke +1 semakin kuat korelasinya, demikian pula sebaliknya.
2. Jika KK bernilai negatif, maka variabel-variabel berkolerasi negatif. Semakin
dekat nilai KK ini ke -1 semakin kuat korelasinya, demikian pula sebaliknya.
3. Jika KK bernilai 0 (nol), maka variabel-variabel tidak menunjukkan korelasi.
4. Jika KK bernilai +1 atau -1, maka variabel menunjukkan korelasi positif atau
negatif yang sempurna.
Untuk menentukan keeratan hubungan/korelasi antarvariabel tersebut, berikut
ini diberikan nilai-nilai dari KK sebagai patokan>
1. KK = 0, tidak ada korelasi.
2. 0 < KK 0,20, korelasi sangat rendah/lemah sekali.
3. 0,20 < KK 0,40, korelasi rendah/lemah tapi pasti.
4. 0,40 < KK 0,70, korelasi yang cukup berarti/sedang.
5. 0,70 < KK 0,90, korelasi yang tinggi/kuat.
6. 0,90 < KK < 1,00, korelasi sangat tinggi; kuat sekali, dapat diandalkan.
7. KK = 1, korelasi sempurna.
Jenis-jenis Koefisien Korelasi
68 | S t a t i s t i k a 2
Jenis-jenis koefisien korelasi yang sering digunakan adalah koefisien korelasi
Pearson, koefisien korelasi Rank Spearman, koefisien korelasi Konteingensi, dan
koefisien penentu (KP).
Koefisien Korelasi Perason
Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan
antara dua variabel yang datanya berbentuk data interval atau rasio. Disimbolkan
dengan r dan dirumuskan:
Nilai dari koefisien korelasi (r) terletak antara -1 dan +1 .
1. Jika r = +1, terjadi korelasi positif sempurna antara variabel X dan Y.
2. Jika r = -1, terjadi korelasi negatif sempurna antara variabel X dan Y.
3. Jika r = 0, tidak terdapat korelasi antara variabel X dan Y.
4. Jika 0 < r < +1, terjadi korelasi positif antara variabel X dan Y.
5. Jika -1 < r < 0, terjadi korelasi negatif antara variabel X dan Y.
Koefisien Korelasi Rank Spearman
Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan
antara dua variabel yang datanya berbentuk data ordinal (data bertingkat).
Disimbolkan dengan rs dan dirumuskan:
Koefisien Penentu (KP) atau Koefisien Determinasi (R)
Apabila koefisien korelasi dikuadratkan, akan menjadi koefisien penentu
(KP) atau koefisien determinai, yang artinya penyebab perubahan pada variabel Y
yang datang dari variabel X, sebesar kuadrat koefisien korelasinya. Koefisien
penentu ini menjelaskan besarnya pengaruh nilai suatu variabel (variabel X)
terhadap naik/turunnya (variasi) nilai variabel lainnya (variabel Y). Dirumuskan:
69 | S t a t i s t i k a 2
KK = koefisien korelasi
Nilai koefisien penentu ini terletak antara 0 dan +1 . Jika koefisien
korelasinya adalah koefisien korelasi Pearson (r), maka koefisien penentunya
adalah:
Dalam bentuk rumus, koefisien penentu (KP) dituliskan
VI. HUBUNGAN KOEFISIEN KORELASI DENGAN KOEFISIEN REGRESI
Antara koefisien korelasi (r) dan koefisien regresi (b), terdapat hubungan.
Hubungan tersebut dalam bentuk rumus dituliskan:
VII. PENDUGAAN DAN PENGUJIAN HIPOTESIS KOEFISIEN KORELASI
POPULASI ( )
Koefisien korelasi populasi dari variabel X dan Y yang keduanya merupakan
variabel random dan memiliki distribusi bivariat, dirumuskan:
70 | S t a t i s t i k a 2
Dalam prakteknya, koefisien korelasi populasi ( ) tidak diketahui, namun dapat
diduga dengan koefisien korelasi sampel (r). Dengan demikian, r merupakan penduga
dari .
Pendugaan Koefisien Korelasi Populasi
Pendugaan koefisien korelasi populasi (interval keyakinan ) menggunakan
distribusi Z. Pendugaannya dapat dilakukan dengan terlebih dahulu mengubah
koefisien korelasi sampel r menjadi nilai Zr, yang dalam bentuk persamaan
dituliskan:
Dengan melakukan transformasi nilai , maka diperoleh pendugaan
interval bagi koefisien korelasi populasi ( ) dengan tingkat keyakinan .
Selain menggunakan pendugaan interval , interval bagi koefisien
korelasi populasi ( ) dapat pula dibuat dengan menggunakan tabel hubungan
antara Zr dan r.
VIII. Regresi Dan Korelasi Linier Data Berkelompok
Regresi Linier Data Berkelompok
Untuk data yang tersusun dalam distribusi frekuensi bivariabel (data
berkelompok dengan dua veriabel), persamaan regresi linearnya berbentuk:
71 | S t a t i s t i k a 2
Keterangan:
M = rata-rata hitung sementara, biasanya diambil titik tengah dengan frekuensi
terbesar.
ix = interval kelas X
iy = interval kelas Y
fx = frekuensi kelas X
fy = frekuensi kelas Y
Koefisien Korelasi Linier Data Berkelompok
Untuk data yang tersusun dalam distribusi frekuensi bivariabel, koefisien
korelasinya dirumuskan:
Contoh soal:
Fayyadhil Alwi dalam rencana membangun hotelnya melakukan tes
Masuk kepada calon- calon pegawainya. Pegawai yang akan dites
berasal dari tingkat umur yang berbeda-beda. Hasilnya adalah sbb:
No. Umur Nilai Tes
1
2
3
4
23
25
27
29
70
75
80
85
72 | S t a t i s t i k a 2
5
6
7
8
9
10
22
31
24
28
26
20
65
90
70
85
80
6
Soal:
1. Tentukan nilai b1 dan bo !
2. Jika hipotesis penelitian menyatakan bahwa umur calon pegawai
berpengaruh terhadap nilai tes masuk, ujilah hipotesis tersebut !
dengan uji statistik “t”
Jawab :
1. Umur sebagai variable X dan Nilai Tes sebagai variable Y
No. X Y XY X2 Y
2
1
2
3
4
5
6
7
8
9
10
23
25
27
29
22
31
24
28
26
20
70
75
80
85
65
90
70
85
80
60
1610
1875
2160
2465
1430
2790
1680
2380
2080
1200
529
625
729
841
484
961
576
784
676
400
4900
5625
6400
7225
4225
8100
4900
7225
6400
3600
255 760 19670 6605 58600
73 | S t a t i s t i k a 2
∑xy = XY –
(X)(Y) = 19670 –
(255)(760) = 290
10 10
∑x2 = X
2 –
(X)2 = 6605 –
(255)2 102,5
10 10
∑y2 = Y
2 –
(Y)2 = 58600 –
(760)2 840
10 10
b1 = ∑xy =
290 = 2,829
∑x2 102,5
bo = Y – b1 . X = 76 – (2,829) ( 290)
bo = 76 – 72,1395 = 3,8605
Sxy = √ ∑y2
– b1.∑xy = √ 840 (2,829)(290)
n – 1 – k 10 – 1 – 1
√ 840 – 820,41
=
15648
8
Sxy = √2,44875 = 1,5648
Sb1 = Sxy √ 1 = (1,5648) √ 1
∑X2 1025
= (1,5648) (0,09877)
= 0,1545
Persamaan Regresi Liniernya adalah sebagai berikut:
Y = bo + b1 . X
Y = 3,8605 + 2,829 X
(0,1545)
1. Ho : ß = 0
H1 : ß ≠ 0
74 | S t a t i s t i k a 2
uji “t”
th = b1 = 2,829 18,4
Sb1 0,1545
Nilai t tabel dgn taraf signifikansi 5% dan derajat kebebasan 8 (10-1-1)
adalah 2,306. Karena th > t tabel maka Ho ditolak dan H1 diterima dan
hipotesis penelitian yang menyatakan bahwa umur calon pegawai
berpengaruh terhadap nilai tes masuk adalah dapat diterima.
75 | S t a t i s t i k a 2
Uji Hipotesis Regresi Majemuk (2 Variabel Bebas)
I. Menghitung Pesamaan Garis Regresi Linier Ganda
Analisis Regresi Linear Berganda adalah hubungan secara linier antara dua
atau lebih variabel independen (X1, X2,...Xn) dengan variabel dependen (Y).
Analisis ini untuk mengetahui arah hubungan antara variabel independen
dengan variabel dependen apakah masing-masing variabel independen berhubungan
positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai
variabel independen mengalami kenaikan atau penurunan.
Adapun contoh persamaan regresi linear berganda adalah:
Y = a + b1.X1 + b2.X2
Keterangan:
Y = Variabel Terikat
X1 dan X2 = Variabel Bebas
a = Intersep
b1 dan b2 = konstanta
II. Uji F
Uji F digunakan untuk mengetahui pengaruh variabel bebas secara bersama-
sama (simultan) terhadap variabel terikat. Signifikan berarti hubungan yang terjadi
dapat berlaku untuk populasi.
Penggunaan tingkat signifikansinya beragam, tergantung keinginan peneliti,
yaitu 0,01 (1%) ; 0,05 (5%) dan 0,10 (10%).
Hasil uji F dilihat dalam tabel ANOVA dalam kolom sig. Sebagai contoh, kita
menggunakan taraf signifikansi 5% (0,05), jika nilai probabilitas < 0,05, maka dapat
dikatakan terdapat pengaruh yang signifikan secara bersama-sama antara variabel
bebas terhadap variabel terikat.
Namun, jika nilai signifikansi > 0,05 maka tidak terdapat pengaruh yang
signifikan secara bersama-sama antara variabel bebas terhadap variabel terikat.
76 | S t a t i s t i k a 2
III. Uji T
Uji t digunakan untuk menguji secara parsial masing-masing variabel. Hasil
uji t dapat dilihat pada tabel coefficients pada kolom sig (significance). Jika
probabilitas nilai t atau signifikansi < 0,05, maka dapat dikatakan bahwa terdapat
pengaruh antara variabel bebas terhadap variabel terikat secara parsial.
Namun, jika probabilitas nilai t atau signifikansi > 0,05, maka dapat dikatakan
bahwa tidak terdapat pengaruh yang signifikan antara masing-masing variabel bebas
terhadap variabel terikat.
IV. Koefisien Determinasi (Adjusted R Square)
Uji ini bertujuan untuk menentukan proporsi atau persentase total variasi
dalam variabel terikat yang diterangkan oleh variabel bebas.
Apabila analisis yang digunakan adalah regresi sederhana, maka yang
digunakan adalah nilai R Square. Namun, apabila analisis yang digunakan adalah
regresi bergenda, maka yang digunakan adalah Adjusted R Square.
Hasil perhitungan Adjusted R2 dapat dilihat pada output Model Summary. Pada
kolom Adjusted R2 dapat diketahui berapa persentase yang dapat dijelaskan oleh
variabel-variabel bebas terhadap variabel terikat. Sedangkan sisanya dipengaruhi atau
dijelaskan oleh variabel-variabel lain yang tidak dimasukkan dalam model penelitian.
77 | S t a t i s t i k a 2
Langkah-langkah penyelesaiannya:
o Variabel bebas dan variabel tak bebas
Variabel Bebas : X1 = Harga minyak goreng dan X2 = Pendapatan
konsumen
Variabel Tak Bebas : Y = Permintaan minyak goreng
o Persamaan regresi linear berganda : Y' = a + b1X1 + b2X2
o Menentukan nilai konstanta dan koefisien regresi
Sehingga :
78 | S t a t i s t i k a 2
Khusus untuk parameter b1 data adalah dalam ribuan, sehingga hasil tersebut
harus dibagi dengan 1000, diperoleh b1 = -0,000582 = -0,001.
Jadi persamaan Regresi Linear Berganda dengan dua variabel bebas adalah :
Y' = 12,7753 - 0,001 X1 - 0,488 X2
V. Interpretasi koefisien regresi
Nilai a = 12,7753 artinya jika tidak ada harga minyak goreng dan pendapatan
konsumen, namun permintaan akan minyak goreng sebanyak 12,7753.
Nilai b1 = -0,001 artinya jika harga minyak goreng meningkat satu rupiah maka
akan terjadi penurunan permintaan sebesar 0,001 satuan dimana pendapatan
konsumen dianggap tetap.
Nilai b2 = - 0,488 artinya jika pendapatan konsumen mengalami kenaikan sebesar
satu rupiah maka akan terjadi penurunan permintaan gula sebesar 0,488 satuan
dimana harga gula dianggap tetap.
Menghitung Koefisien Determinasi
Artinya sekitar 94,21% variasi variabel bebas harga minyak goreng X1 dan
pendapatan konsumen X2 dapat menjelaskan variasi variabel tak bebas
permintaan minyak goreng Y.
Menghitung Koefisien Korelasi Berganda
Artinya terjadi hubungan yang sangat kuat antara variabel bebas harga minyak
goreng X1 dan pendapatan konsumen X2 dengan variabel tak bebas
permintaan minyak goreng Y.
Menghitung Nilai Standart Error Estimate
79 | S t a t i s t i k a 2
Jadi standart error persamaan regresi adalah 0,6818, hal ini menunjukkan
penyimpangan data-data terhadap garis persamaan regresi linear berganda
yang terbentuk. Nilainya cukup kecil.
Menghitung Nilai Korelasi Parsial
Dimana :
80 | S t a t i s t i k a 2
DAFTAR PUSTAKA
Budiarto, Eko. 2011. Biostatistika untuk Kedokteran dan Kesehatan Masyarakat. Jakarta :
EGC
Edya, Mudyahardjo. 1984. Metode-metode Riset Sosial. IKIP Bandung.
Hadi, Sutrisno. 1981. Statistik. Yayasan penerbitan fakultas psikologi UGM. Yogyakarta
John, W Bes. 1982. Metodologi Penelitian Pendidikan, Usaha Nasional, Surabaya.
Kartono, Kartini. 1990. Pengantar Metode Riset Sosial. CV Mandar Maju. Bandung.
Supranto, J. 2001. Statistik Teori Dan Aplikasi. Jilid 2. Edisi 7. Jakarta: Erlangga
Supranto, J. 2009. Statistika. Jilid 1. Jakarta: Erlangga
Supranto, J,. 2009. Statistk Jilid 2. Jakarta: Erlangga.
http://magisterakutansi.blogspot.co.id/2012/12/statistik-deskriptif-dan-induktif.html
http://norwitaariany.blogspot.co.id/2011/02/pengertian-statistika.html
http://adiputrasimanjuntak.blogspot.co.id/2015/07/pendekatan-probabilitas-klasik-relatif.html
http://dedenstatistics.blogspot.com/2012/12/variabel-acak- random-
variable.html#wWGO4upYwWmhgetl.99
http://rahmadwijaya.staff.umm.ac.id/files/2010/11/DISTRIBUSI-SAMPLING.pdf
http://antho-765.mhs.narotama.ac.id/2012/05/04/makalah-singkat-mengenai-estimasi-tugas-
mata-kuliah-statistik-bisnis-oleh-bpk-i-putu-artayase-mm/
http://elearning.gunadarma.ac.id/docmodul/statistika_untuk_ekonomi_dan_bisnis/bab10_esti
masi_statistik.pdf
https://statinworld.wordpress.com/category/uji-chi- square-2/
http://statdasleni.blogspot.co.id/2014/11/pengujian-hipotesis- dengan-regresi.html
https://suhartoumm.wordpress.com/2013/12/25/uji-hipotesis- koefisien-korelasi- dan-regresi-
sedrehana/
http://dataolah.blogspot.co.id/2012/08/regresi-berganda- uji-f- uji-t- dan.html