MATA KULIAH STATISTIKA TERAPAN

BOBOT
SEMESTER
PREREQUISIT
DOSEN

: 3 (3 0 ) sks
: GANJIL ( III )
:MATEMATIKA
: IR. TAMSIL BUSTAMAM, MSc.

Mata kuliah Statistika Terapan ini dirancang untuk mahasiswa

Program S1, untuk memberikan pengertian dasar dari statistika
deskriptif dan statistika infrensia. Kuliah dilaksanakan selama
satu semester dengan 14 kali kegiatan tatap muka dan setiap tatap
muka berdurasi 3 x 50 menit. Disamping tatap muka, mahasiswa
juga diberi tugas berupa latihan pemecahan soal-soal dan
pekerjaan rumah yang dinilai.
TUJUAN :

1. Menguraikan hal-hal pokok tentang statistika

deskriptif sehingga mahasiswa memahami dan mampu
melakukan pengumpulan, pengolahan, penyajian data
serta mengungkapkan karakteristik suatu set data.

2. Menguraikan prinsip-prinsip dasar dari statistika

infrensia sehingga mahasiswa memahami dan mampu
merancang dan menarik kesimpulan tentang suatu
populasi berdasarkan nilai statistik sampel dengan
menggunakan Uji z, t, Chi Kuadrat dan Uji F.

TOPIK- TOPIK PERKULIAHAN UNTUK 16 KALI

TATAP MUKA
MINGGU
TOPIK KULIAH
KE
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Pengertian dasar tentang statistika deskriptif dan

statistika infrensia.
Teknik pengumpulan data
Teknik penyederhanaan data
Pengukuran tendensi sentral
Pengukuran dispersi
Skewness, Kurtosis, dan penyajian data.
Distribusi Binomial
Distribusi Normal dan distribusi normal standar
Ujian Tengah Semester (UTS)
Distribusi nilai tengah sampel
Distribusi t Student dan Selang Kepercayaan.
Pengujian Hipotesis
Pembandingan dua nilai tengah populasi
Distribusi Chi Kuadrat.
Distribusi Gauss atau F
Regresi dan korelasi
Regresi dan korelasi (lanjutan)
Ujian akhir Semester (UAS)

EVALUASI :
Evaluasi berupa pelaksanaan UTS, UAS, Kuis dan Tugas.
Komponen Nilai Akhir adalah 45 - 50 % nilai UAS, 25 - 30
% nilai UTS, dan 20 - 30 % nilai Kuis dan Tugas.
Mahasiswa yang kehadiran tatap mukanya kurang dari
75 % tidak boleh mengikuti UAS dan yang bersangkutan
dinyatakan GAGAL atau nilainya E.

REFERENSI :
1. Anto Dayan, 1996. Pengantar Metode Statistik Jilid
I. LP3ES, Jakarta.
2. Anto Dayan, 1996. Pengantar Metode Statistik Jilid
II. LP3ES, Jakarta.
3. Berenson, M.L., D.M. Levin, and D. Rindskopf. 1988.
Applied Statistics. A first Course. Prentice Hall,
Englewood Cliffs. New Yersey.
4. Hayslett, H.T. Jr. 1968. Statistics made simple. Made
Simple Books. Doubleday & Company, Inc. New
York.
5. Leabo, D.A. 1968. Basic Statistics.3rd Edition
Richard D. Irvin, Inc. Homewood, Illinois.
6. Steel, R.G.D. and J.H. Torrie. 1976. Introduction to
Satistics. McGraw Hill Book Company. New York.
7. Steel, R.G.D. and J.H. Torrie. 1981. Pronciples and
Procedures of Statistics A Biometrical Approach.
2nd Edition.McGraw-Hill International Book
Company
8. Sujana, 1984. Metoda Statistik. Tarsito, Bandung.

STATISTIKA TERAPAN
ALAM

DAN KEHIDUPAN INI PENUH DENGAN

DATA / INFORMASI YANG BERMANFAAT, TETAPI
MASIH BERTEBARAN DIMANA-MANA.

NILAI MATA KULIAH STATISTIKA DARI 125 MAHASISWA

71
68
79
78
69
81
84
79
49
79
73
78

75
83
68
89
88
84
85
84
68
77
84
70

96
68
79
78
73
78
78
81
54
87
81
73

80
88
74
73
82
75
79
64
57
62
62
78

83
76
80
82
79
47
89
74
56
98
64

58
92
76
77
81
83
56
60
87
66
74

DATA / INFORMASI

82
74
72
82
90
86
86
55
63
89
69

88
85
87
55
84
91
72
77
77
65
74

93
77
86
90
79
79
62
85
79
68
78

79
82
86
83
78
42
64
94
69
85
75

80
80
93
73
74
72
78
75
91
71
69

YANG BANYAK TERSEBUT

BERSIFAT TIDAK HOMOGEN, TETAPI BERSIFAT
BERAGAM / BERVARIASI.
KONDISI DATA YANG BERAGAM ITU
MENYULITKAN DALAM MENARIK INFORMASI
YANG BERGUNA DAN DALAM MEMBUAT
KESIMPULAN TENTANG DATA ITU SENDIRI.
TANPA PENGELOLAAN YANG BAIK, SEMUA
DATA ITU AKAN MENJADI SIA-SIA, MENJADI
TIDAK BERGUNA.
METODE STATISTIKA MUNCUL UNTUK
MENGELOLA SEMUA DATA / INFORMASI YANG
BANYAK ITU SEHINGGA MENJADI SANGAT
BERMANFAAT ATAU MENJADI TIDAK SIA-SIA
BELAKA.

PERKEMBANGAN METODE STATISTIKA

1. KEBUTUHAN PEMERINTAHAN UNTUK :
DASAR MENYUSUN PERENCANAAN ( APBN,
PERPAJAKAN, PERTANAHAN, DSB ).
DASAR MEMBUAT KEBIJAKSANAAN ATAU
KEPUTUSAN.
DASAR PEMBANGUNAN
UNTUK MEMENUHI KEBUTUHAN AKAN POINTPOINT DI ATAS DILAKUKANLAH
PENGUMPULAN DATA, PENGOLAHAN DATA,
PENYAJIAN DATA, DAN MERANGKUM SIFAT
ATAU KHARAKTERISTIK DARI DATA
TERSEBUT. SEMUA KEGIATAN INI
MELAHIRKAN STATISTIKA DESKRIPTIF.
STATISTIKA DESKRIPTIF TIDAK BISA
DIGUNAKAN UNTUK MEMPREDIKSI,
MENDUGA DAN MENGUJI HIPOTESIS.

2. PERKEMBANGAN TEORI PELUANG DAN

SAMPLING
TEORI PELUANG ADALAH BERDASARKAN
TEORI ILMIAH, BUKAN RAMALAN
TEORI SAMPLING MENURUNKAN BIAYA,
TENAG, WAKTU, DAN SELALU MUNGKIN
DILAKSANAKAN.
KEDUA TEORI INI SANGAT MEMBANTU
DALAM MELAKUKAN PREDIKSI, PENDUGAAN,
DAN PENGUJIAN HIPOTESIS YANG TIDAK BISA
DILAKUKAN PADA STATISTIKA DESKRIPTIF.
MELAHIRKAN STATISTIKA INFERENSIA.

STATISTIKA DESKRIPTIF
ADALAH METODE YANG MENGURAIKAN TENTANG
TEKNIK PENGUMPULAN, PENGOLAHAN, PENYAJIAN,
DAN MERINGKAS SIFAT ATAU KHARAKTERISTIK DARI
SEKELOMPOK DATA.
DENGAN MELAKUKAN KEGIATAN DI ATAS :
1. DATA MENTAH MENJADI LEBIH TERKELOLA
( MORE MANAGEABLE).
2. DATA DAPAT DISAJIKAN DALAM BENTUK YANG
LOGIK.
3. POLA DATA YANG SUDAH DIOLAH BISA DALAM
BENTUK :
A.
B.
C.
D.
E.

TABEL DISTRIBUSI FREKUENSI.

HISTOGRAM, DIAGRAM DAN GRAFIK GARIS.
UKURAN TENDENSI PEMUSATAN.
UKURAN DISPERSI / VARIASI.
BENTUK SEBARAN DATA.

BENTUK PRODUK STATISTIKA DESKRIPTIF :

BUKU STATISTIK INDONESIA OLEH BPS
BUKU SUMATERA BARAT DALAM ANGKA.
JADI STATISTIKA DESKRIPTIF DIGUNAKAN UNTUK
MENGURAIKAN / MENJELASKAN SIFAT ATAU
KHARAKTERISTIK DARI SEKELOMPOK DATA.
STATISTIKA DESKRIPTIF JUGA DISEBUT STATISTIKA
DEDUKTIF.
STATISTIKA DESKRIPTIF BELUM MENGGUNAKAN
TEORI PELUANG DAN TEORI SAMPLING.

STATISTIKA INFERENSIA
ADALAH TEKNIK YANG MENGURAIKAN MENGENAI
PENDUGAAN, PENGAMBILAN KESIMPULAN TENTANG
POPULASI ( KESELURUHAN ) BERDASARKAN DATA
SAMPEL ( SEBAHAGIAN ).
METODE INI SUDAH MENGGUNAKAN TEORI PELUANG
DAN TEORI SAMPLING.
ILUSTRASI :
1. MENENTUKAN CUKUP / BELUM CUKUPNYA BUMBU
MASAK.
2. DAFTAR : HASIL PEMILIHAN PRESIDEN RI 8 JULI
2009 MENURUT QUICK COUNT DAN KPU*)
NO.

LEMBAGA
SURVEY

MEGA SBY JK PRABOWO BUDIONO WIRANTO

(%)

(%)

(%)

LINGKARAN S.I

27,36

60,15

12,49

LEBAGA S.I

26,56

60,85

12,59

LP3ES

27,53

60,28

12,19

CIRUS

27,49

60,20

12,31

METRO TV

26,32

58,51

15,18

KPU

26,79

60,80

12,41

32.548.105

73.874.562

15.081.814

SUARA SYAH
(org)
TOTAL SUARA

121.504.481

Golput: 49.212.158

*) Sumber: Harian Padang Ekspres Jumat tanggal 24 Juli 2009.

JADI SAMPEL HARUS BERSIFAT REPRESENTATIF ATAU

MEWAKILI POPULASI DARI MANA SAMPEL ITU BERASAL
STATISTIKA INFERENSIA DISEBUT JUGA STATISTIKA
INDUKTIF.
ILMU PENGETAHUAN SANGAT BERKEMBANGAN PESAT
DENGAN MUNCULNYA STATISTIKA INFERENSIA.
PENELITIAN-PENELITIAN PADA UMUMNYA
MENGGUNAKAN STATISTIKA INFERENSIA.

STATISTIKA

DESKRIPTIF

INFERENSIA

PENDUGAAN

POINT

PENGUJIAN HIPOTESIS

SELANG

STATISTIKA MATEMATIK :
UNTUK PENGEMBANGAN TEORI-TEORI STATISTIKA
BERDASARKAN TEORI MATEMATIKA.

STATISTIKA TERAPAN :
ADALAH PEMAKAIAN ATAU PENERAPAN TEORI
STATISTIKA YANG DIDAPATKAN STATISTIKA
MATEMATIKA DALAM BERBAGAI BIDANG ILMU.
DALAM DUNIA SEKARANG HAMPIR SEMUA CABANG
ILMU SUDAH MEMAKAI STATISTIKA TERAPAN INI.

KOMPUTER
STATISTIKA SANGAT BERHUBUNGAN ERAT DENGAN
KOMPUTER TERUTAMA DALAM KONDISI :
1. VOLUME DATA YANG BESAR.
2. PENGOLAHAN DATA YANG BERULANG-ULANG.
3. MEMBUTUHKAN PENYELESAIAN YANG CEPAT.
4. MEMBUTUHKAN KETEPATAN DAN KETELITIAN
YANG TINGGI.
5. PENGOLAHAN ATAU PERHITUNGAN YANG RUMIT.

ISTILAH-ISTILAH DALAM STATISTIKA

VARIABEL ATAU PEUBAH :
Adalah suatu sifat yang bisa diamati dan nilainya berbeda-beda
atau bervariasi dari individu ke individu. Variabel dilambangkan
dengan huruf kapital seperti X, Y, Z dstnya.
( tinggi badan, umur, agama yang dianut, pendidikan terakhir, dsb).
DATA :
Adalah nilai-nilai atau informasi hasil pengamatan terhadap suatu
variabel. Datum adalah bentuk tunggal dari data.
VARIABEL KUALITATIF :
Adalah variabel yang hasil pengamatannya berbentuk kategori
atau atribut, bukan dalambentuk angka. Jadi variabel kualitatif
menghasilkan DATA KUALITATIF yaitu data dalam bentuk
kategori atau atribut,bukan dalambentuk angka.
( agama : Islam, partai : Demokrat, Pangkat : kapten, dsb ).

VARIABEL KUANTITATIF
Adalah variabel yang hasil pengamatannya berbentuk angka. Jadi
variabel kuantitatif menghasilkan DATA KUANTITATIF yaitu
data dalam bentuk angka atau bilangan.
( tinggi badan : 163 cm, jumlah polong / batang : 27 buah, dsb )

DATA KUANTITATIF DISKRIT :

adalah data kuantitatif yang hanya dalam bentuk bilangan bulat
saja atau bilangan pasti. Data ini diperoleh dari pengamatan
variabel kuantitatif dengan cara menghitung atau menjumlahkan.
( jumlah kursi : 45 buah, jumlah ternak : 5 ekor, dsb )
DATA KUANTITATIF KONTINU :
adalah data kuantitatif yang tidak selalu dalam bentuk bilangan
bulat saja tetapi mempunyai decimal,sehingga dalam pencatatan
perlu pembulatan. Data ini diperoleh dari pengamatan variabel
kuantitatif dengan cara mengukur. (diameter batang : 15,7 cm, luas
daun : 103,6 cm2, berat 100 biji : 14,8 gram , dsb )

POPULASI ATAU UNIVERSE :

adalah kumpulan dari semua kemungkinan nilai atau data dari
suatu variabel. Jumlah anggota populasi dilambangkan dengan
huruf N. Individu anggota populasi dilambangkan dengan huruf
kecil : xi : x1 x2 x3 x4 . . . . . xN .
POPULASI TERBATAS ATAU DEFINITE POPULATION :
Adalah populasi yang semua nilai anggotanya ( N ) diketahui.

POPULASI TIDAK TERBATAS ATAU INDEFINITE

POPULATION :
Adalah populasi yang tidak semua nilai anggotanya ( N )
diketahui.

PARAMETER :
Adalah nilai yang menunjukkan sifat atau kharakteristik dari
populasi. Nilai- nilai parameter diantaranya adalah :

1. Rata-rata populasi, yang dilambangkan dengan

2. Ragam populasi, yang dilambangkan dengan
2
3. Simpang baku populasi, dilambangkan dengan
NILAI-NILAI PARAMETER DALAM KENYATAAN NYA
SULIT DIKETAHUI, TETAPI PASTI ADA DANHANYA SATU.
SAMPEL :
Adalah sebahagian dari anggota populasi yang nilainya menjadi
dasar dalam menarik kesimpulan tentang populasi itu sendiri.
Jumlah anggota sampel dilambangkan dengan huruf n, jadi
anggota sampel dilambangkan dengan xi : x1 x2 x3 . . . xn
STATISTIK :
adalah nilai yang menunjukkan sifat atau ciri dari sampel. Nilainilai statistik diantaranya adalah :
1. Rata-rata sampel, yang dilambangkan dengan X
2. Ragam sampel, yang dilambangkan dengan
s2
3. Simpang baku sampel, dilambangkan dengan
s
NILAI STATISTIK MUDAH DIKETAHUI ATAU
DIDAPATKAN, TETAPI NILAINYA BERUBAH DARI
SAMPEL KE SAMPEL.
NILAI STATISTIK DIGUNAKAN UNTUK MENDUGA NILAI
PARAMETER YANG SULIT DIKETAHUI.
1. Rata-rata sampel untuk menduga Rata-rata populasi
2. Ragam sampel untuk menduga Ragam popuasi
3. Simpang baku sampel untuk menduga Simpang baku
populasi.

DATA MENTAH, DATA PRIMER, DATA SEKUNDER.

NOTASI MATEMATIK :
n

1.

2
i

2
1

i 1

2.

i 1

3.

X
i 1

Yi

4.

cX

i 1

..... X

2
2

2
3

..... X

2
n

X
n

i 1

c X
i 1

i 1

nc

i 1

6.

5.

X
i 1

i 1

nc

Yi

PENGUMPULAN DATA
CARA PENGUMPULAN DATA :
1. SENSUS :
yaitu dengan cara mengamati seluruh anggota
populasi, tidak ada satupun yang tertinggal.
( x1 x2 x3 ......... xN )

Membutuhkan biaya, tenaga dan biaya besar.

Tidak selalu dapat dilakukan.
Menghasilkan populasi terbatas
Tidak dipakai pada statistika inferensia.

2. SAMPLING :
yaitu hanya anggota sampel (sebahagian dari
populasi ) yang diamati. ( x1 x2 x3 ......... xn )
Cepat serta efisien.
Selalu mungkin dilaksanakan.
Selalu dipakai dalam statistika inferensia.

TIPE SAMPEL

NON-PROBABILITY
SAMPLE
1. Judgment sample
2. Quota sample
3. Chunk

PROBABILITY SAMPLE
1. Simple random sampling
2. Systematic random sampling
3. Stratified random sampling
4. Cluster random sampling

Pada non-probability sample tidak ada cara untuk

mengetahui seberapa baiknya sampel mewakili populasi.
( mudah dan ekonomis )
Probability sample sangat erat sekali dengan statistika
inferensia.
Pemilihan sampel agar mewakili populasi, sangat
tergantung pada pengetahuan dan skill pengambil
sampel.
Penarikan sampel acak dengantabel bilangan random.

TEKNIK PENGUMPULAN DATA DENGAN CARA

SAMPLING DIGUNAKAN DALAM PENELITIAN

DAFTAR : HASIL PEMILIHAN PRESIDEN RI 8 JULI

2009 MENURUT QUICK COUNT DAN KPU*)
NO.

LEMBAGA SURVEY

MEGA PRABOWO

SBY BUDIONO

JK WIRANTO

(%)

(%)

(%)

LINGKARAN S.I

27,36

60,15

12,49

LEBAGA S.I

26,56

60,85

12,59

LP3ES

27,53

60,28

12,19

CIRUS

27,49

60,20

12,31

METRO TV

26,32

58,51

15,18

KPU

26,79

60,80

12,41

32.548.105

73.874.562

15.081.814

SUARA SYAH (org)

TOTAL SUARA

121.504.481

Golput: 49.212.158

*) Sumber: Harian Padang Ekspres Jumat tanggal 24 Juli 2009.

PENELITIAN :
1. SURVEY : mengamati sebahagian populasi ( sampel ) di
lapangan menurut apa adanya, tidak ada sama
sekali pengaturan/pengontrolan faktor menurut
yang diinginkan sipeneliti. (kuesioner, wawancara
dan langsung ).

 KUESIONER ATAU DAFTAR PERTANYAAN

dibawa langsung atau dikirim. ( pertanyaan terbuka
atau tertutup, pertanyaan meragukan ).
WAWANCARA secara langsung atau lewat telpon.
(terstruktur/tidak terstruktur, tidak jelas bisadiulang
atau diberi penjelasan, hati-hati hal yang sensitif ).
PENGAMBILAN SAMPEL LAPANG LANGSUNG
(sampelnya bukan manusia ).
2. PERCOBAAN ATAU EXPERIMENT : adalah penelitian
terhadap sesuatu, baik di laboratorium ataupun
di lapangan, dimana beberapa faktor diatur atau
dibuat menurut keinginan sipeneliti.
Di laboratorium : banyak faktor yang bisa diatur atau
dikontrol menurut yang diinginkan,(To, RH, cahaya)
Di lapangan : kondisi selain perlakuan diatur dan
diusahakan seragam

3. PENGAMATAN TINGKAH LAKU ATAU BEHAVIOR:

Pengamatan terhadap hewan atau binatang.
Pengamatan arkeologi

DATA HARUS : VALID DAN TERPERCAYA

Alat dan metode analisis yang canggih tidak akan
berguna jika data tidak valid dan tidak terpercaya.
Kevalidan dan keterpercayaan data tidak bisa diperiksa
dengan metode statistika. Pemeriksaan diarahkan kepada
pelaku pengukuran/pengamatan.

DALAM PENGUKURAN ATAU PENGAMATAN VARIABEL

PERLU DIJELASKAN :
1. Kriteria atau konsep dari apa yang akan diukur
atau yang diamati.
2. Harus jelas alat ukur yang dipakai, dan harus ada
sangkut pautnya dengan yang diukur.
3. Pengukuran harus mempunyai akurasi dan presisi
yang tinggi

akurasi, presisi
JELEK

akurasi JELEK
presisi BAGUS

akurasi, presisi
BAGUS

EMPAT LEVEL SKALA PENGUKURAN

1. SKALA NOMINAL
Ada pengolongan/pengelompokan saja
Skala pengukuran paling lemah
Berasal dari variabel kualitatif ( jenis
kelamin, partai, kesehatan, warna )

2. SKALA ORDINAL
Ada penggolongan dan urutan
Berasal dari variabel kualitatif (level
hotel, kepangkatan, tingkat pendidikan,
rangking olah raga )
3. SKALA INTERVAL
Ada penggolongan, urutan dan jarak.
Tidak ada 0 mutlak,
tidak bisa diperbandingkan (ratio)
Berasal dari variabel kuantitatif
( To, waktu suatu daerah, tanggal)
4. SKALA RATIO
Ada pengolongan, urutan, jarak, dan ada
0 mutlak yaitu tidak nilai dibawah nol,
bisa diperbandingkan
Ber asal dari variabel kuantitatif (berat,
panjang, luas, volume )
Skala pengukuran paling kuat.

RATIO
4
INTERVAL
3
ORDINAL
2
NOMINAL
1
Berasal dari variabel kualitatif, dan banyak dipakai
dalam statistika non parametrik.

Berasal dari variabel

kuantitatif, terpakai
dalam statistika parametrik.

PENYEDERHANAAN DATA
NILAI MATA KULIAH STATISTIKA DARI 125 MAHASISWA
71
68
79
78
69
81
84
79
49
79
73
78

75
83
68
89
88
84
85
84
68
77
84
70

96
68
79
78
73
78
78
81
54
87
81
73

80
88
74
73
82
75
79
64
57
62
62
78

83
76
80
82
79
47
89
74
56
98
64

58
92
76
77
81
83
56
60
87
66
74

82
74
72
82
90
86
86
55
63
89
69

88
85
87
55
84
91
72
77
77
65
74

93
77
86
90
79
79
62
85
79
68
78

79
82
86
83
78
42
64
94
69
85
75

80
80
93
73
74
72
78
75
91
71
69

DATA MENTAH INI TIDAK MEMBERIKAN INFORMASI SAMA

SEKALI, SEHINGGA PERLU DIOLAH, DIORGANISIR, ATAU DI
SEDERHANAKAN AGAR MENJADI LEBIH INFORMATIF.
TUJUAN PENGOLAHAN / PENGORGANISIRAN DATA :
1. Data menjadi menjadi sederhana dan mudah dibaca.
2. Data menjadi lebih informatif.
3. Sifat-sifat atau kharakteristik dari sekelompok data diketahui.

TEKNIK PENGOLAHAN DATA :

1.
2.
3.
4.
5.
6.

Mengurut data dari kescil ke besar atau sebaliknya.

Membentuk Tabel Distribusi Frekuensi.
Membuat Histogram, Poligon Frekuensi dan Ogive.
Menghitung niai-nilai Tendensi Sentral.
Menghitung nilai-niai dispersi atau penyimpangan.
Menentukan bentuk sebaran atau distribusi data ( normal, skewness,
kurtosis ).

1. MENGURUT DATA DENGAN TEKNIK BATANG DAN DAUN

1.1.

Satu digit terakhir dari data dijadikan sebagai DAUN, dan

digit sisanya dijadikan BATANG.

1.2.

Seluruh kemungkinan DIGIT BATANG disusun dari kecil ke

besar secara vertikal.

1.3.

Tuliskan setiap DIGIT DAUN dari data di depan atau sebelah

kanan dari DIGIT BATANG.

1.4.

Seluruh DIGIT DAUN hasil point 1.3 untuk setiap DIGIT

BATANG disusun dari kecil ke besar.

1.5.

Data menjadi tersusu dari kecil ke besar.

ILUSTRASI :
THE STEM-AND-LEAF DISPLAY
STEM
LEAF
3
4
729
5
8565476
6
88892440839262582499
7
1596479946288373399848592928947579971344858038
8
0328038520076692298214143644596415773541
9
6323001418
10

DATA TERURUT
STEM
LEAF
3
4
279
5
4556678
6
0222344456888889999
7
01122233333444444555566777778888888889999999999
8
000011112222233334444455556666777888999
9
0011233468
10

2.

TABEL DISTRIBUSI FREKUENSI

adalah penyusunan data dalam bentuk tabel,
dimana data dibagi atas beberapa kelompok
sebagai kepala baris, dan frekuensi dari masingmasing kelompok pada satu kolom.
Tabel distribusi frekuensi data kualitatif.
Tabel distribusi frekuensi data tidak
dikelompokkan.
Tabel distribusi frekuensi data dikelompokkan

ISTILAH PADA TABEL DISTRIBUSI

FREKUENSI
1. Kelas interval : adalah kelompok ke mana suatu
nilai dimasukkan.
Jumlah kelas interval dari suatu Tabel distribusi
frekuensi dilambangkan dengan huruf k.
ki adalah adalah kelas interval ke i. i = 1 2 .... k.
k dianjurkan antara 5 - 20.
2. Batas kelas interval : adalah nilai pembatas yang
menentukan bisa atau tidak bisa masuknya suatu
nilai ke dalam kelas interval itu.
Di kenal Batas bawah kelas ( Bb ) dan Batas atas kelas
( Ba ).
Gap atau celah adalah nilai beda antara Ba dan Bb
dari dua kelas interval yang berurutan.
Kemungkinan nilai gap adalah 1 0,1 0,01 dst.

3. Tepi kelas interval : adalah nilai batas riil atau

nyata antara dua kelas interval yang berurutan.
Dikenal Tepi bawah kelas ( Tb ) dan Tepi atas kelas
(Ta).

Tb Bb

1
gap
2

Ta Ba

1
gap
2

Ta dab Tb dari dua kelas interval berurutan nilainya

adalah sama.

4. Panjang kelas interval atau Lebar kelas interval

adalah jumlah unit yang terdapat dalam suatu kelas
interval, dilambangkan dengan huruf p.
p = Ta - Tb dari suatu kelas interval, atau
p = Ba - Bb + nilai gap dari suatu kelas interval.
Sebaiknya nilai p sama dalam satu tabel distribusi
frekuensi dan nilainya dianjurkan nilai bulat ganjil.

5. Nilai tengah kelas atau Tanda kelas adalah nilai

yang letak paling ditengah dari suatu kelas interval,
dan nilainya bersifat mewakili nilai kelas tersebut,
dilambangkan dengan xi
Ntk

Tb Ta
2

atau

Ntk

Bb Ba
2

6. Frekuensi kelas adalah nilai yang menunjukkan

jumlah anggota dari suatu kelas interval.
fi adalah frekuensi kelas interval ke i. i= 1 2 .. k.

LANGKAH-LANGKAH PEMBUATAN TABEL

DISTRIBUSI FREKUENSI
1. Tentukan jumlah kelas interval atau k
k = 5 - 20
Rumus H.A. Sturges tahun 1926
k= 1 + 3,322 log n
2. Tentukan panjang kelas interval atau p
Sebaiknya :
p sama untuk setiap kelas interval.
p nilainya bulat dan bilangan ganjil.
p

range
k

3. Tentuk kelas-kelas interval

Kelas interval pertama harus memuat nilai yang
terendah, dan kelas interval terakhir harus memuat
nilai yang tertinggi.
Bb atau Ba kelas interval pertama paling tinggi sama
dengan terendah.
4. Tentukan frekuensi masing kelas interval
dengan cara diturus atau tally.

DAFTAR : Distribusi Frekwensi nilai mata kuliah Statistika dari 125

Mahasiswa Fakultas Pertanian Univ. Bonai tahun 2000.
No Kelas
.
Inter
val
1
41 - 45
2
3
4
5
6
7
8
9
10
11
12

46 - 50
51 - 55
56 - 60
61 - 65
66 - 70
71 - 75
76 - 80
81 - 85
86 - 90
91 - 95
96-100

43

-7

.008

Kelas
kurang
dari
<41

2
3
5
8
11
20
30
22
15
6
2
125

48
53
58
63
68
73
78
83
88
93
98

-6
-5
-4
-3
-2
-1
0
1
2
3
4

.016
.024
.040
.064
.088
.160
.240
.176
.120
.048
.016
1.00

<46
<51
<56
<61
<66
<71
<76
<81
<86
<91
<96
<101

Fi

Xi

Ci

Frel

Fkum
1
3
6
11
19
30
50
80
102
117
123
125

Kelas
lebih
dari
>40

Fkum

>45
>50
>55
>60
>65
>70
>75
>80
>85
>90
>95
>100

125
124
122
119
114
106
95
75
45
23
8
2
0

SELANJUTNYA BISA DIBUAT :

1. Tabel Distribusi Frekuensi Relatif
fi

f i rel .

fi

atau

f i rel .

fi
n

i1

2. Tabel Distribusi Frekuensi Relatif Persentase

fi(%)

fi
k

i 1

x100%

atau

fi(%)

fi
x100%
n

3. Tabel Distribusi Frekuensi Kumulatif kurang

dari dan lebih dari.
4. Tabel Distribusi Frekuensi Kumulatif Relatif.
5. Tabel Distribusi Frekuensi Kumulatif Relatif
Persentase.

HISTOGRAM DAN POLIGON

TABEL DISTRIBUSI FREKUENSI NILAI AKHIR STATISTIKA

DARI 125 MAHASISWA
NO
1
2
3
4
5
6
7
8
9
10
11
12

KELAS
INTERVAL
41 - 45
46 - 50
51 - 55
56 - 60
61 - 65
66 - 70
71 - 75
76 - 80
81 - 85
86 - 90
91 - 95
96 - 100
JUMLAH

FREKUENSI
( fi )
1
2
3
5
8
11
20
30
22
15
6
2
125

FREKUENSI
RELATIF
( fi rel. )
1/125 = 0.008
0.016
0.024
0.040
0.064
0.088
0.160
0.240
0.176
0.120
0.048
0.016
1.000

FREKUENSI Rel
Persentase
(
fi %)
0.8
1.6
2.4
4.0
6.4
8.8
16.0
24.0
17.6
12.0
4.8
1.6
100.0

TABEL DISTRIBUSI FREKUENSI KUMULATIF KURANG DARI

NILAI AKHIR STATISTIKA DARI 125 MAHASISWA
NO
1
2
3
4
5
6
7
8
9
10
11
12
13

KELAS
FREK.KUM.
INTERVAL
( fi kum.)
<41
<46
<51
<56
<61
<66
<71
<76
<81
<86
<91
<96
<101

0
1
3
6
11
19
30
50
80
102
117
123
125

FREK.KUM.
RELATIF
( fi kum.rel. )
0
0.008
0.024
0.048
0.088
0.152
0.240
0.400
0.640
0.816
0.936
0.984
1.000

FREK.KUM. Rel
Persentase
( fi kum.%)
0
0.8
2.4
4.8
8.8
15.2
24.0
40.0
64.0
81.6
93.6
98.4
100.0

TABEL DISTRIBUSI FREKUENSI KUMULATIF LEBIH DARI

NILAI AKHIR STATISTIKA DARI 125 MAHASISWA
NO
1
2
3
4
5
6
7
8
9
10
11
12
13

KELAS
FREK. KUM
INTERVAL
( fi kum )
>40
>45
>50
>55
>60
>65
>70
>75
>80
>85
>90
>95
>100

125
124
122
119
114
106
95
75
45
23
8
2
0

FREK. KUM.
RELATIF
( fi kum. rel. )
1.000
0.992
0.976
0.952
0.912
0.848
0.760
0.600
0.360
0.184
0.064
0.016
0

FREK. KUM Rel

Persentase
(
fi kum.%)
100.0
99.2
97.6
95.2
91.2
84.8
76.0
60.0
36.0
18.4
6.4
1.6
0

OGIVE
140
120
100
80
60
40
20
0
<41

<46

<51

<56

<61

<66

<71

<76

<81

<86

<91

<96

<101

140

120

100

80

60

40

20

VARIASI BENTUK-BENTUK KURVA

0
>40

>45

>50

>55

>60

>65

>70

>75

>80

>85

>90

>95

>100

PENGUKURAN DESKRIPTIF
TIGA BENTUK PENGUKURAN DESKRIPTIF YANG
MENJELASKAN SIFAT ATAU CIRI SUATU
KELOMPOK DATA :
I. TENDENSI SENTRAL / UKURAN PEMUSATAN
1. Rata-Rata Hitung ( Arithmatic mean ).
2. Median ( kuartil, desil dan persentil ).
3. Modus.
4. Rata-rata Ukur ( Geometric mean ).
5. Rata-rata Harmonis ( Harmonic mean ).

II. UKURAN DISPERSI ATAU PENYIMPANGAN :

1. Rentang.
2. Dispersi Kuartil.
3. Rata-rata Simpang.
4. Ragam dan Simpang Baku.

III. BENTUK SEBARAN ATAU KURVA :

1. Kemiringan ( Skewness ).
2. Keruncingan ( Kurtosis ).

I. TENDENSI SENTRAL :
Suatu kelompok data mempunyai tendensi untuk
mengelompok atau memusat pada nilai tertentu.
Sifat seperti ini yang disebut Tendensi Sentral atau
Gejala Pemusatan. Nilai tertentu seperti telah
diutarakan di atas, dan nilai itu bisa dipakai untuk
mewakili atau menggambarkan sifat dari
kelompok data itu.
1. RATA-RATA HITUNG
adalah jumlah nilai semua data dibagi dengan
banyak data tersebut. Rata-rata populasi diberi
lambang dengan (mu), dan rata-rata sampel
dilambangkan dengan x.
a. RATA-RATA UNTUK DATA INDIVIDUAL
N

Xi
i 1

= N

X 1 X 2 X 3 ....... XN
N

(parameter)

X 1 X 2 X 3 ....... Xn
n

(statistik)

Xi
i 1

x = n

Karakteristik Rata-rata hitung :

Nilai rata-rata ada dan hanya satu.
Nilai rata-rata paling demokratis.
Nilai rata-rata membagi dua data sama berat.
Nilai rata-rata dipengaruhi nilai ekstrim
Bagus mewakili data yang variasinya kecil.
Dipakai dalam statistika inferensia.
Hanya berlaku untuk skala interval dan ratio.

b. RATA-RATA UNTUK DATA

TERKELOMPOK.
k

fiXi
i 1
k

fi

f 1 X 1 f 2 X 2 f 3 X 3 ........ fkXk
f 1 f 2 f 3 ...... fk

i 1

x = nilai rata-rata hitung

fi = frekuensi kelas atau kelompok ke i
Xi = nilai tengah kelas atau kelompok ke i
k = jumlah kelas atau kelompok
RATA-RATA DENGAN METODE CODING

X X

f
i
C
i

i1

fi

i1

x = nilai rata-rata hitung

Xo
fi
Ci
k
Xi

= nilai tengah kelas dimana Ci =0

= frekuensi kelas ke i
= nilai kode kelas ke i
= jumlah kelas interval
= nilai tengah kelas ke i

X i X ci
Ci
p

2. MEDIAN
adalah nilai yang letaknya paling ditengah dari satu
set data yang terurut dari kecil ke besar. Median
membagi dua data sama banyak.
Karakteristik Median :
Nilai median ada dan hanya satu.
Tidak dipengaruhi nilai ekstrim.
Bisa ditentukan untuk data kualitatif ordinal, dan
TDF terbuka atas/bawah.
Bagus untuk mewakili populsi yang mempunyai
nilai ektrim.
MEDIAN untuk data yang belum dikelompokan
Me = nilai ke

1
2

MEDIAN untuk data yang sudah dikelompokan

Me T b

n
F

2
p
fm

Tb = nilai tepi bawah dari kelas yang

mengandung nilai median.
p = panjang kelas interval.
n = jumlah data
F = jumlah frekuensi dari kelas-kelas sebelum
kelas yang mengandung nilai median.
fm = frekuensi dari kelas yang mengandung
nilai median.

3. MODUS
adalah nilai yang paling banyak muncul dala suatu
set data.
Karkateristik Modus :
Nilainya tidak unik, bisa satu, dua, tidak ada.
Nilainya tidak dipengaruhi nilai ekstrim.
Nilai modus sangat tidak stabil, mudah sekali
berubah dengan sedikit perubahan.
Nilai modus bisa juga ditentukan untuk data
kualitatif.
Modus untuk data yang sudak dikelompokkan :

a1
Mo T b p

a1 a 2
Mo = nilai modus
Tb = tepi bawah kelas yang mengandung nilai
Modus.
P = panjang kelas interval.
a1 = beda frekuensi kelas modus dengan
frekuensi kelas sebelumnya.
a2 = beda frekuensi kelas modus dengan
frekuensi kelas sesudahnya.

Mo = M - 3 ( M - Me )

4. RATA-RATA UKUR
Rata-rata ukur untuk data yang belum dikelompokan
:

RU

log RU

log x1 log x2 log x3 ..... log xn

n

x 1 . x 2 . x 3 ...... x n

atau

Rata-rata ukur untuk data yang sudah

Dikelompokan :

log RU

f 1(log x1) f 2(log x2) f 3(log x3) ...... fk (log xk )

f 1 f 2 f 3 ....... fk

Pemakaian rata-rata ukur diutamakan untuk yang

bersifat perbandingan, laju pertumbuhan atau data
yang meningkat berupa kelipatan data sebelumnnya.

5. RATA-RATA HARMONIS
a. Data yang belum dikelompokan
RH

n
1
1
1
1

....
x1
x2
x3
xn

b. Data yang sudah dikelompokan :

k

RH

fi

fi
Xi

i 1
k

i 1

f1 f
f1
f

X1
X

2
2
2

..... f k
f 3
fk

....
X 3
Xk
3

Rata-rata harmonis dipakai untuk bilangan yang

dinyatakan dalam nilai per satuan.

Ukuran lokasi :
1. Kuartil
a. Data yang belum dikelompokkan :
Ki nilaike

i
n 1
4

b. Data yang sudah dikelompokkan :

in

Ki Tb p 4
f Ki

2. Desil
a. Data yang belum dikelompokkan :
Di nilaike

i
n 1
10

b.Data yang sudah dikelompokkan :

in

Di Tb p 10
f Di

3. Persentil
a.Data yang belum dikelompokkan :
Pi nilaike

i
n 1
100

b. Data yang sudah dikelompokkan :

Pi

Tb

in

p 100
f Pi

1
II. PENGUKURAN DISPERSI
UNTUK MENDESKRIPSIKAN SUATU KELOMPOK DATA
ATAU SUATU POPULASI TIDAK CUKUP HANYA DENGAN
NILAI TENDENSI SENTRAL SAJA. NILAI TENDENSI
SENTRAL HANYA MENUNJUKKAN TEMPAT
MENGUMPULNYA ANGGOTA POPULASI, TETAPI TIDAK
BISA MENJELASKAN BAGAIMANA ANGGOTA POPULASI
ITU BERVARIASI ATAU MENYEBAR. VARIASI ATAU
DISPERSI INI PENTING SEKALI UNTUK MENILAI
DISTRIBUSI POPULASI.

TABEL NILAI MATA KULIAH DARI 5 MAHASISWA

MHS
A
B
C
D
E

1
66
20
10
10
70

NILAI MATA KULIAH

2
3
4
5
6
67
69
70
71
73
73
74
74
74
75
40
40 100 100 100
76
76
76
76
76
70
70
70
70
70

7
74
100
100
100
70

Rata
rata

Range

70
70
70
70
70

NILAI KARAKTER ATAU SIFAT DARI MASING-MASING MHS

UKURAN DISPERSI ABSOLUT :

1.
2.
3.
4.

RANGE
DEVIASI KUARTIL
DEVIASI RATA-RATA
RAGAM DAN STANDAR DEVIASI

1. RANGE :
adalah beda antara nilai tertinggi dengan nilai terendah.
Semakin besar nilai range berarti variasi data besar pula,
semakin kecil nilai range berarti variasi data kecil pula,
dan bilai range sama dengan nol berarti data tidak bervariasi atau semua data mempunyai nilai yang sama.
Kelemahan pengukuran range ini adalah dia hanya ditentukan oleh dua buah nilai saja, terbesar dan terkecil,
sehingga variasi antara kedua nilai ini tidak bisa dijelaslaskannya, lihat nilai mahasiswa C dan D.

2. DEVIASI KUARTIL :
Pada dasarnya pengukuran dispersi dengan Deviasi
Kuartil sama dengan Range, sehingga sifatnya kurang
lebih sama. Deviasi Kuartil ditentukan oleh nilai K3 dan
K1, sehingga nilainya adalah :
Deviasi Kuartil = K3 - K1
3. DEVIASI RATA-RATA :
kelemahan Range dan Deviasi Kuartil diatasi oleh Deviasi
Rata-rata, yaitu dengan melibatkan seluruh data dalam
menentukan ukuran dispersinya. Deviasi ( jarak) masingmasing data dengan nilai rata-ratanya dipertimbangkan.
Untuk mendapatkan Deviasi rata-rata, seluruh deviasi
masing-masing data dijumlahkan dan dibagi dengan
banyak data, atau dengan rumus :

Deviasirat arata

i 1

( populasi )

Deviasirat arata

Xi

Xi

i 1

x
(sampel)

DEVIASI RATA-RATA UNTUK DATA YANG SUDAH

DIKELOMPOKAN
k

Deviasirat

arata

fi Xi X

i 1
k

fi

i 1

Kelemahan dari Deviasi rata-rata;

1. Nilai absolut sukar dimanipulasi lanjut secara
matematis.
2. Nilai absolut tidak menunjukkan jarak yang
sebenarnya.

4. RAGAM DAN STANDAR DEVIASI

Kelemahan pada Dviasi rata-rata diatasi oleh Ragam
yaitu dengan mengkuadratkan deviasi masing-masing
data dengan rata-ratanya, kemudian dijumlahkan, lalu
dibagi dengan banyak data. Ragam ada dua macam yaitu
Ragam popuklasi dilambangkan dengan 2 dan Ragam
sampel dilambangan dengan s2. Untuk Standar deviasi
populasi dilambangkan dengan , dan Standar deviasi
sampel dilambangkan denan s.

RAGAM UNTUK DATA YANG BELUM

DIKELOMPOKAN

Xi
N

i 1

Xi

(ragam populasi)

i1

(ragam sampel)

n 1

atau

Xi
i 1

n Xi
2
i 1

n
n 1

Pembilang dari rumus di atas disebut Jumlah Kuadrat ( JK )

dan (n-1) disebut Derajat bebas atau disingkat dengan db.

Ragam atau Varian tidak mempunyai satuan, agar nilainya kembali

ke satuan awalnya maka ragam diakarkan dan nilai yang diperoleh
disebut dengan Standar deviasi atau Simpang baku.

RAGAM UNTUK DATA YANG TERKELOMPOK

fi
i 1

N fiXi
N
2 i 1

f
i

X
i
N
i1
N

i 1

f X X

s
fi 1
n

i 1

i 1

n fiXi
n
2 i 1

fi

X
i
n
i1
n 1

SIMPANG BAKU SAMPEL DENGAN METODE CODING

S p

i 1

fi c i
n

n f ic i
i 1

n n 1

DISPERSI RELATIF ATAU KOEFISIEN KERAGAMAN

CV KK

x 100 %

X
Kegunaan :
1. menilai tingkat ketelitian
2. membandingkan variasi dari sampel atau populasi.

PENGARUH PENGUBAHAN DATA TERHADAP RATA-RATA

DAN RAGAM POPULASI
1. Semua data ditambah / dikurangi dengan bilangan c
POPULASI
DATA POPULASI

Awal
X1
X2
X3 ......... XN
x
+c
X1+c X2+c X3+c ...... XN+c
-c
X1-c X2-c X3-c ....... XN-c

Xi

X i

i 1

2
x

i 1

Jika setiap data ditambah c, maka

N

Xi C X 1 NC

i 1

N
dan ragamnya:

X c c
N

Xi

x c

i 1

i 1

x2

i 1

x2 ,

Jika setiap data dikurangi c, maka

N

Xi C X

i 1

x c

X c c
N

NC

i 1

i 1

Xi
N

x2

i 1

x2 ,

x2

2. Semua data dikali / dibagi dengan c

POPULASI
DATA POPULASI
Awal
X1
X2
X3 ......... XN
xc
cX1 cX2 cX3 ...... cXN
x 1/c
X1/c X2/c X3/c ....... XN/c

Jika setiap data dikali dengan c, maka :

N

cX 1 cX 2 cX 3 ..... cX N

c Xi
i 1

c x

dan ragamnya adalah :

cXcx cXx
N

2 i1`

i1

X x
N

C2

i1

C2 x2

Jika setiap data dibagi dengan c, maka :

X 1 / C X 2 / C X 3 / C ..... XN / C
N
dan ragamnya adalah :

X x
N

1
C2

i 1

1 N
Xi 1
c i 1

x
N
c

C2

2
x

x2

BENTUK SEBARAN DARI DATA

I.

SKEWNESS / KEMIRINGAN KURVA

SETIAP POPULASI MEMPUNYAI KURVA TAU DISTRIBUSI

YANG BERBEDA SATU SAMA LAINNYA. PERBEDAAN ITU
BISA DILIHAT DARI APAKAH KURVA TERSEBUT SIMETRIS
ATAU ASIMETRIS / MIRING.

DENGAN MEMPERHATIKAN NILAI MEAN, MEDIAN, DAN

MODUS DARI SUATU KURVA, SEBETULNYA SUDAH BISA
DITENTUKAN KURVA ITU SIMETRIS ATAU TIDAK.
JIKA :

1. M = Me = Mo :

KURVA ADALAH SIMETRIS

2. M > Me > Mo

KURVA MIRING KE KANAN

3. M < Me < Mo

KURVA MIRING KE KIRI

TETAPI SEBERAPA BESAR KURVA TERSEBUT MIRING

BELUM BISA DIKETAHUI.
BESAR KEMIRINGAN SUATU KURVA DITENTUKAN OLEH
KOEFISIEN SKEWNESS ATAU KOEFISIEN KEMIRINGAN :

KOEFISIEN SKEWNESS :

Mo
1. KOEF. Skew. PEARSON 1 =

( POPULASI )

Atau

2. Koef. Skew. PEARSON 2 =

X Mo
s

3 Me

( SAMPEL )

( POPULASI )

Atau

3 X Me

( SAMPEL )

3. KOEF. Skew. BOWLEY =

JIKA NILAINYA :

K 3 2 K 2 K1
K 3 K1

= 0 : KURVA SIMETRIS
> 0 : KURVA MIRING KE KANAN
< 0 : KURVA MIRING KE KIRI

4. KOEF. Skew. PERSENTIL =

JIKA NILAINYA :

= 0 : KURVA SIMETRIS
> 0 : KURVA MIRING KE KANAN
< 0 : KURVA MIRING KE KIRI

5. KOEF. Skew. RELATIF

1
N

f X
i

P90 2 P50 P10

P90 P10

II. KURTOSIS / KERUNCINGAN

SUATU KURVA SIMETRIS BISA JUGA DIBEDAKAN
BERDASARKAN BENTUK PUNCAKNYA, APAKAH
TERGOLONG LEPTOKURTIK, MESOKURTIK, ATAU
PLATIKURTIK.
.

UNTUK MENETUKAN APAKAH TERGOLONG LEPTO, MESO

ATAU PLATIKURTIK, DITENTUKAN DENGAN MENGHITUNG
NILAI KOEFISIEN KURTOSIS ATAU KOEF. KERUNCINGAN
SEBAGAI BERIKUT :

0 ,5 K 3 K 1
1. KOEF. KURTOSIS =
P90 P10
JIKA NILAINYA

: = 0,263 : KURVA MESOKURTIK

> 0,263 : KURVA LEPTOKURTIK
< 0,263 : KURVA PLATIKURTIK

2. KOEF. KURTOSIS 4

1
N

f X
i 1

JIKA NILAINYA : = 3
> 3
< 3

: KURVA MESOKURTIK
: KURVA LEPTOKURTIK
: KURVA PLATIKURTIK

PENYAJIAN DATA
I.

TABEL

JUDUL TABEL ;
KEPALA
BARIS

KEPALA KOLUM

SEL

*) SUMBER DATA / KETERANGAN

II.

GAMBAR
1.
2.
3.
4.
5.

DIAGRAM BATANG
HISTOGRAM
DIAGRAM LINGKARAN
PICTO GRAPH
GRAFIK GARIS

CONTOH :

JUMLAH PELAJAR
300
250
200
LK

150

PR

100
50
0
TK

SD

SMP

SMA

JUMLAH PELAJAR
500
450
400
350
300
250
200
150
100
50
0

PR
LK

TK

SD

SMP

SMA

JUMLAH PELAJAR
300
250
200
150

LK

100

PR

50
0
TK

SD

SMP

SMA

JUMLAH PELAJAR
500
400
300
PR

200

LK

100
0
TK

SD

SMP

SMA

SMA

SMP
PR
LK

SD

TK
0

50

100

150

200

250

300

SMA

SMP
LK
PR

SD

TK
0

100

200

300

400

500

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%
TNH KERING
13%
SAWAH
11%

HUTAN
59%

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%

TNH KERING
13%
HUTAN
59%
SAWAH
11%

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%
TNH KERING
13%
SAWAH
11%

HUTAN
59%

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%
TNH KERING
13%
SAWAH
11%

HUTAN
59%

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%

TNH KERING
13%

HUTAN
59%

SAWAH
11%

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%

TNH KERING
13%
SAWAH
11%

HUTAN
59%

120
100
80
60

Series1

40
20
0
I

II

III

IV

VI

VII

VII

IX

XI

120
100
80
60

Series1

40
20
0
I

II

III

IV

VI

VII

VII

IX

XI

TEORI PELUANG ( PROBABILITY THEORY)

1. Semua kesalahan-kesalahan yang mungkin terjadi pada

Statistika Deskriptif pada umumnya berupa :
a.
b.
c.
d.

Kesalahan dalam perhitungan

Kesalahan dalam memilih formula
Kesalahan dalam membaca data
Kesalahan lain karena kelalaian

Semua kesalahan ini bisa dihilangkan dengan meningkatkan

prosedur dengan lebih hati-hati.

2. Pada Statistika Inferensia kita terlibat dengan kesalahan

yang tidak bisa dihilangkan dengan meningkatkan prosedur
dengan lebih hati-hati.
Kesalahan pada Statistika Inferensia ini muncul pada
ssetiap saat kita menggunakan informasi parsial seperti
sampel yang selanjutnya digunakan untuk menarik
kesimpulan untuk keseluruhan atau populasi.

3. dengan Statistika Inferensia ilmu pengetahuan berkembang

begitu pesat seperti sekarang. Hal ini disebabkan ilmu
pengetahun tersebut pengembangan nya didasarkan pada
prosedur induktif melalui penelitian.
4. Untuk bisa memahami dan menggunakan Statistika
Inferensia secara baik, mesti dipahami Probability Theory
yang merupakan dasar dari Statistika Inferensia itu sendiri.
Kita bisa menggunakan Teori Peluang dalam membuat
kesimpulan tentang populasi hanya berdasarkan nilai
statistic dari satu sampel. Dengan memahami Teori Peluang
ini, akan bisa dibedakan antara ilmuwan dengan tukang
ramal.

DISTRIBUSI PELUANG
( PROBABILITY DISTRIBUTUION)

Dengan pendekatan secara matematis bisa dicari atau ditentukan

formula matematis yang mewakili suatu kurva.
Dari sekian banyak bentuk kurva matematis, ada beberapa
bentuk dasar yang berguna sekali dalam memahami kebera
gaman yang ditemui dalam kehidupan nyata, diantaranya adalah
:
1.
2.
3.
4.
5.
6.
7.

Distribusi Binomial
Distribusi Normal/Gauss
Distribusi t Student
Distribusi Chi Square
Distribusi F
Distribusi Poisson
Distribusi Hypergeometric.

Semua distribusi ini adalah berdasarkan peluang

DISTRIBUSI BINOMIAL
Distribusi Binomial sangat penting sekali karena dia
memungkinkan kita untuk bisa menghitungpeluang dari suatu
sampel.
Distribusi Binomial merupakan distribusi peluang yang
dihasilkan melalui eksperimen yang menghasilkan dua macam
hasil saja, seperti hasilnya dalam bentuk sukses dan gagal,
menang dan kalah, sisi muka dan sisi belakang, Kartu As dan
bukan kartu As.
Besar peluang untuk Sukses dilambangkan dengan p dan peluang
untuk Gagal dilambangkan dengan q, dimana

p +q = 1 , atau p = 1 q , atau q = 1 p dan n adalah ukuran

banyak sampel.

KARAKTERISTIK DISTRIBUSI BINOMIAL 4

1. Setiap nilai n dan p yang ditetapkan akan membentuk satu
distribusi binomial.

2. Bentuk dari Distribusi Binomial bisa miring dan bisa

simetris. Bila nilai p = 0,5 maka Diastribusi Binomialnya
akan simetris untuk setiap besaran n. Bila p 0,5 ,
distribusi akan miring, dan akan semakin menjadi simetris
dengan semakin mendekatnya nilai p ke 0,5.

3. Nilai rata-rata atau Nilai tengah ( ) dari Distribusi

Binomial adalah :
n

a.

X i P X i
i 1

Xi
:
P(Xi) :

b. = np.

0
1/16

1
4/16

jika n = 4 dan 0,5 maka

2
6/16

3
4/16

4
1/16

= 4 x 0,5 = 2

4. Standar deviasi atau Simpang baku dari Distribusi

Binomial adalah :


a.

Xi

P Xi

i 1

b.

npq

SOAL:

1. Peluang seorang pasien akan sembuh setelah operasi adalah

70%. Jika ada 10 orang yang dioperasi :
a. Tulislah matematik model yang mewakili distribusi
binomial untuk masalah di atas !
b. Berapa peluang akan sembuh sebanyak 7 orang dari 10
orang yang dioperasi ?
c. Berapa rata-rata populasi dan simpang baku populasi
dari distribusi binoal dari data di atas.

2. Dilaporkan bahwa sebuah mangga terserang larva lalat

buah adalah 30%. Kalau saudara beli mangga tersebut
sebanyak 20 buah, berapa peluang saudara :
a. Terbeli mangga itu busuk sebanyak 13 buah ?
b. Terbeli mangga itu busuk paling kurang 3 buah ?

3. Pada suatu pabrik ban mobil ternyata hanya 92% dari ban
yang diproduksinya yang bagus. Kalau diambil 20 buah ban
sebagai sampel, berapa kemungkinan dari sampel itu akan
terambil 18 ban bagus dan 2 rusak.

DISTRIBUSI BINOMIAL
JUMLAH

X = JUMLAH MUNCUL H

EVENT

n =1

T
p

H
q

TT

HT
HT
2 HT
2 pq

HH

HTT
THT
TTH
3 HT2
3 pq2

HHT
HTH
THH
3 H2T
3 p2q

HHH

TTTT

HTTT
THTT
TTHT
TTTH

HHHT
HHTH
HTHH
THHH

HHHH

(p + q )4

T4
q4

4 HT3
4 pq3

HHTT
HTHT
HTTH
TTHH
THTH
THHT
6 H2T2
6 p2q2

4 H3T
4 p3q

H4
p4

P( H ) = p

P( T ) = q

n = 2
(p + q)2

T2
q2
TTT

n = 3
(p + q)3

T3
q3

n = 4

H2
p2

H3
p3

q = (1 - p )

n!
PX x n, p
pxqnx
x!n x!

DISTRIBUSI NORMAL / GAUSS

Pada distribusi binomial kita terkait dengan variable random
diskrit. Pada distribusi normal ini berkaitan dengan variable
random kontinu.

Distribusi normal berhubungan erat dengan kurva yang simetris,

bukan dengan kurva miring. Kurva simetris yang memenuhi
persyaratan berikut dan dikemukakan oleh Gauss dinamakan
KURVA NORMAL atau DISTRIBUSI NORMAL.
SIFAT-SIFAT ATAU CIRI KURVA NORMAL :
1.

f x

1
x 2

1 X
i x
2 x

f(x) : nilai fungsi kepekatan peluang normal

Xi : nilai ke i dari variable random kontinu yang
nilainya - < X >
: konstanta matematis yang nilainya 3, 14159
e : bilangan dasar logaritma Napier : 2,71828

x : rata-rata populasi
x : standard deviasi populasi
Garis kurva tidak pernah menyinggung sumbu X,
sedangkan peluangnya ditunjukkan oleh daerah yang
teletak anatara dua garia vertical, dan peluang pada satu
titik atau satu nilai x adalah nol.

http://serc.carleton.edu/nnn/teachwdata/Statcentral.html 19 Oktober

2012

2. Kurva normal berbentuk lonceng dan simetris

3. Setiap kombinasi dari x dan x membentuk satu
distribusi normal dimana x menentukan letak kurva
dan x menentukan penyebaran atau tinggi kurva.

http://en.wikipedia.org/wiki/Normal_distribution 21 Oktober

2012

4. Bila ditarik garis tegak lurus pada x = kurva kan

terbagi dua sama besar yaitu masing-masing 0,5
bagian atau 50 %.Luas daerah antara :
( - ) x ( + ) adalah 0,6826 ( 68,26 % )
( - 2) x ( + 2 ) adalah 0,9544 (95,44 %)
( - 3) x ( + 3 ) adalah 0,9973 (99,73 %)

http://en.wikipedia.org/wiki/Normal_distribution 21

Oktober

2012.

Eq. Satu populasi rata-ratanya 50 dan simpang

bakunya 10 dengan jumlah anggota populasi
10.000. Berapa jumlah anggota populasi
>50, berapa jumlah anggota populasi >53.

KURVA NORMAL BAKU / NORMAL STANDARD

= 0

Pop.

Xi : 2

=1

Zi

Xi x
x

10 12

14

x = 8 x=4

Pop. Zi :-1,5 -1,0 -0,5 0 0,5 1,0 1,5

f x
f z

1
x 2
1
e
2

1 X i x

2 x

1 2
Z
2

z = 0 z=1

Berdasarkan model matematis dari distribusi normal

standard yang mempunyai = 0 dan =1 disusun tabel
yang memuat luas daerah dibawah kurva antara dua nilai z
sebagai berikut :

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
http://www.mathsisfun.com/data/standard-normal-distribution-table.html 11/10/2012

The z-Distribution

Area from infinity to z. Negative values are found by symmetry.

Second Decimal Place of Z
Z

.00

.01

.02

.03

.04

.05

.06

.07

.08

.09

0.0 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
0.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
0.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0722 .0708 .0694 .0681
1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559
1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
1.8 .0359 .0352 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294
1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233
2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183

2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
2.2 .0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
2.9 .0019 .0018 .0017 .0017 .0016 .0016 .0015 .0015 .0014 .0014
http://mips.stanford.edu/courses/stats_data_analsys/234_99.html

Eq. 1. P( 0 Z 1,00 )

4. P( Z 1,19 )

2. P( 0,57 Z 1,72 ) 5. P( Z 2,58 )

3. P( -1,21 Z 2,34 ) 6. P( Z z ) = 0,0250
7. Populai nilai akhir Statistika dari mahasiswa
menyebar secara normal dengan nilai rataratanya adalah 65 , simpang bakunya 5 dan
jumlah seluruh mahasiswa 5000 orang .
Hitunglah :
1. Berapa persen mahasiswa yang mempu nyai
nilai antara 60 70.
2. Berapa orang mahasiswa yang mempu nyai
82.
3. Dari nilai berapa akan didapatkan 5%
mahasiswa yang mempunyai tertinggi

PENDEKATAN DISTRIBUSI BINOMIAL DENGAN

DISTRIBUSI NORMAL BAKU
Distribusi Binomial bisa didekati dengan distribusi
normal baku jika distribusi binomial itu mempunyai np
5 atau n( 1 p 5.
Distribusi normal baku :

Xi x
Zi
x
Distribusi Binomial : x = np
Distribusi Binomial

dan x npq

Distribusi normal baku

X i np
Zi
npq
Contoh ;
Satu sampel 1600 ban mobil diambil secara acak dari
pabrik ban yang produksi berpeluang rusak sebesar 8 %.
Berapa peluang dari sampel tersebut akan mengandung
150 ban rusak.

DISTRIBUSI RATA-RATA SAMPEL

(SAMPLING DISTRIBUTION)
Statistika Inferensia berkaitan dengan pengambilan kesimpulan
tentang populasi ( parameter) berdasarkan data sampel
(statistik)
Mari kita lihat hubungan antara sampel dengan populasi
Apakah memang data sampel (statistic) bagus untuk menduga
tentang populasi (parameter) ?
Pop. Xi

: X1

X2

X3

Sampel n

: S1

S2

S3

S4

X3

X 4 ..

Rata2 sampel

X :

X1

X2

X4 .. XN

SNn
X Nn

X X

Pertanyaan :
1. Jumlah anggota populasi

2. Hubungan bentuk distribusi

3. Hubungan antara

dan jumlah anggota populasi X

dengan bentuk distribusi X

X dengan x

4. Hubungan antara X

dengan

ILUSTRASI
Populasi Xi : 2

N=3

x = 4 ;

x2 = 8/3

Ambil sampel dengan pengembalian (replacement)

n =2 : sampel X
2,2
2,4
2,6
4,2
4,4
4,6
6,2
6,4
6,6

TDF X
2
3
4
3
4
5
4
5
6

2
3
4
5
6

n=4 : N = N = 3 = 81

= 36/9 = 4

TDF X
2,0
2,67
3,33

4,00
4,67
..
5,33
5,33
6,00

x2 = 12/9

fi
2,00
2,67
3,33
4,00
4,67
5,33
6,00

1
3
6
7
6
3
1

N = Nn = 33 = 27

X
n

1
2
3
2
1

N = Nn = 32 = 9

X
n =3 : sampel X
2,2,2
2,2,4
2,2,6
........
2,4,6
2,6,6

4,6,6
6,6,4
6,6,6

fi

= 108/27 = 4 ,

= 324/81 = 4 ,

x2 = 24/27

x2 = 54/81

KESIMPULAN :
1. Jumlah anggota populasi dari distribusi rata-rata sampel
dengan sampel pengembalian adalah Nn.
2. Distribusi rata-rata sampel mendekati distribusi normal
dengan semakin meningkatnya jumlah sampel n :

http://www.google.co.id/imgres?imgurl=http://1.bp.blogspot.com/_0Lnn2o
P30gU/TTyVkV3_mII/AAAAAA 16 Oktober 2012

a. Jika distribusi awal non normal, akan mendekati distribusi

normal bila n 30.
b. Jika distribusi awal simetris, akan mendekati distribusi
normal bila n 15.
c. Jika distribusi awal normal akan tetap normal, tidak
tergantung pada besar sampel n.
INI DALIL LIMIT SENTRAL (CENTRAL LIMIT
THEOREM)
3. Rata-rata dari distribusi rata-rata sampel sama dengan ratarata distribusi X :

X = x

4. Ragam dan simpang baku untuk distribusi tidak terbatas :

2

x2 x
n

atau

atau rumus ini dipakai jika n/N

(standard error)

5 %.

5. Simpang baku untuk distribusi terbatas :

x
n

N n
N 1

dipakai jika n/N 5 %.

6. Sejalan dengan bertambah jumlah sampel n, maka nilai

semakin kecil dari nilai x . Akibatnya nilai rata-rata

sampel ( X ) akan semakin banyak menumpuk mendekati nilai

X . Hal ini menjadikan nilai

menjadi sebagi nilai penduga

yang bagus bagi rata-rata populasi x.

7. Agar nilai Standard error x bertambah kecil, bisa

diusahakan dengan :
a. Ukuran sampel n diperbesar.

b. Nilai x diperkecil dengan control yang bagus.

c. Kombinasi a dan b di atas.

DISTRIBUSI NILAI TENGAH SAMPEL DENGAN BERBAGAI n

Besar sampel
n= 1
n = 2
X
Fi
X
Fi
2,0

2,0

3,0

4,0

4,0

5,0

6,0

X
x
x

3
4
8/3

6,0

n = 3

2,0

2,67

3,33

4,0

4,67

5,33

6,0

9
4
12/9

Fi

n = 4

Fi

2,0

2,5

3,0

10

3,5

16

4,0

19

4,5

16

5,0

10

5,5

6,0

2,00
2,25
2,50
2,75
3,00
3,25
3,50
3,75
4,00
4,25
4,50
4,75
5,00
5,25
5,50
5,75
6,00

27
4
24/27

n = 8

81
4
54/81

Fi
1
8
36
112
266
504
784
1016
1107
1016
784
504
266
112
36
8
1
6561

4
2187/6561

http://www.google.co.id/imgres?imgurl=http://upload.wikimedia.org/wiki
pedia/en/1/1d/Marginoferror95.PNG&imgrefurl=http://terrytao.wordpress.
com/2010/09/14/a-second-draft-of-a-non-technical-article-onuniversality/&usg=__IWo2zeikutDwJPG7G94SMZWL7xg=&h=973&w=1029&sz=49&hl
=id&start=12&zoom=1&tbnid=Cf9yT_9bvbw4VM:&tbnh=142&tbnw=150&ei=qMuAUKH
dO9GHrAeGq4CoBQ&um=1&itbs=1 16 Oktober 2012.

PENDEKATAN DISTRIBUSI RATA-RATA SAMPEL DENGAN

DISTRIBUSI NORMAL STANDARD

Distribusi normal X bisa dikonversi menjadi distribusi normal

standard.

dengan rumus

Zi

Analog dengan yang di atas, Distribusi

menjadi distribusi normal standard.

Z dengan rumus

Xi x
x

tentu bisa pula dikonversi

Zi

X i x
x
n

CONTOH SOAL :
1. Lama hidup dari baterai merek A menyebar menurut
distribusi normal dengan rata-ratanya 100 jam dan simpang
bakunya 10 jam.
a. Berapa persen dari baterai tersebut yang mempunyai masa
hidup antara 100 105 jam.
b. Jika diambil 16 baterai secara acak sebagai sampel :
b.1. Berapa peluang nilai rata-rata sampel tersebut akan
berada antara 100 105 jam?
b.2. Berapa peluang nilai rata-rata sampel tersebut diatas
110 jam ?

RAGAM SAMPEL
DAN DISTRIBUSI t STUDENT
HUBUNGAN RAGAM POPULASI 2 DENGAN RAGAM
SAMPEL S2

Xi
N

i 1

S2

Xi x
n

i 1

n 1

Kenapa harus dibagi dengan ( n-1) atau derajad bebas ?

Bukti :
Pop Xi :

Tarik sampel n = 2
Sampel
X
2,2
2,4
2,6
4,2
4,4
4,6
6,2
6,4
6,6
Rata-rata

2
3
4
3
4
5
4
5
6
36 / 9 = 4

x = 4

i 1

Xi

x2

X
n

0
1
4
1
0
1
4
1
0
12/ 9 = 4/3

i 1

8
3

Xi X

n 1

0
2
8
2
0
2
8
2
0
24/9 = 8/3

 Xi X
n

S2

Xi

n
X i2 i 1

n
S 2 i 1
n 1

i 1

n 1

JK dan FK, db
Kesimpulan :
Bila semua sampel yang besarnya n ditarik dari suatu
populasi, maka nilai tengah ragam dari ragam semua
sampel ( S2 ) adalah sama dengan ragam populasi x2 ,
artinya ragam sampel adalah penduga yang bagus untuk
ragam populasi, atau S adalah yang bagus untuk

x.

DISTRIBUSI t STUDENT

Zi
Terdahulu sudah didapatkan rumus

Xi x
x
n

Pemakaian rumus ini sangat terbatas karena mengandung nilai

parameter x yang nilainya sulit atau tidak mungkin diketahui.

Untuk mengatasi permasalahan ini, maka W. S. Gosset dengan
nama samaran Student mempelajari bagaimana kalau nilai
diduga dengan nilai S, atau nilai
maka rumus menjadi

disubstitusi dengan nilai S,

Zi

Xi x
x
n

ti

ILUSTRASI : Cari nilai ti untuk setiap nilai

Pop

Xi

Pop ti :

X1

t1

Xi x
S
n

Xi

.. X N

X2

X3

X4

t2

t3

t4 tN

x ; x

Kumpulan dari semua nilai ti ini yang dikatakan distribusi t

Student yang mempunyai t =0 , t > 1, dan db= n -1

Distribusi t Student tidak satu, melainkan banyak karena setiap
sampel n akan membentuk satu distribusi t Student.
SIFAT-SIFAT PENTING DARI DISTRIBUSI t STUDENT :
1. Distribusi t Sudent adalah berbeda untuk sampel n berbeda.
2. Bentuk Distribusi t Student adalah berbentuk lonceng dan
simetrris, sama seperti distrbusi normal baku, tetapi variasi
nya lebih besar dari distribusi normal standard.
3. Distribusi t Student mempunyai

t =0 sama seperti
z =0 .

distribusi normal standard yaitu

4. Standard deviasi atau simpang baku distribusi t Student

bervariasi bersama sampel n dan nilainya > 1 ( t > 1), tidak

seperti distrbusi normal standard yang

z = 1.

5. Jika nilai sampel n bertambah besar, maka distribusi t

Student akan mendekati distribusi normal standard, dan pada
saat n =, distribusi t Student persis sama dengan distribusi
normal standard, dengan kata lain ni t = Z untuk ( luas
kurva diatas nilai t atau Z) yang sama.

6. Setiap kombinasi nilai n 1 dengan bisa dicari nilai t nya,

dan kumpulan nilai-nilai t ini membentuk Tabel t.
TABEL DISTRIBUSI t STUDENT
Degree of
= upper tail area
freedom
0,25
0,10

0,005
1
2
t ( n 1 ) = ?
3

PERCENTAGE POINTS OF THE T DISTRIBUTION

Tail Probabilities
One Tail
0.10
0.05
0.025
0.01
0.005
0.001 0.0005
Two Tails 0.20
0.10
0.05
0.02
0.01
0.002 0.001
-------+---------------------------------------------------------+---D
1 |
3.078
6.314 12.71
31.82
63.66 318.3
637
|
1
E
2 |
1.886
2.920
4.303
6.965
9.925 22.330 31.6
|
2
G
3 |
1.638
2.353
3.182
4.541
5.841 10.210 12.92 |
3
R
4 |
1.533
2.132
2.776
3.747
4.604
7.173
8.610 |
4
E
5 |
1.476
2.015
2.571
3.365
4.032
5.893
6.869 |
5
E
6 |
1.440
1.943
2.447
3.143
3.707
5.208
5.959 |
6
S
7 |
1.415
1.895
2.365
2.998
3.499
4.785
5.408 |
7
8 |
1.397
1.860
2.306
2.896
3.355
4.501
5.041 |
8
O
9 |
1.383
1.833
2.262
2.821
3.250
4.297
4.781 |
9
F 10 |
1.372
1.812
2.228
2.764
3.169
4.144
4.587 | 10
11 |
1.363
1.796
2.201
2.718
3.106
4.025
4.437 | 11
F 12 |
1.356
1.782
2.179
2.681
3.055
3.930
4.318 | 12
R 13 |
1.350
1.771
2.160
2.650
3.012
3.852
4.221 | 13
E 14 |
1.345
1.761
2.145
2.624
2.977
3.787
4.140 | 14
E 15 |
1.341
1.753
2.131
2.602
2.947
3.733
4.073 | 15
D 16 |
1.337
1.746
2.120
2.583
2.921
3.686
4.015 | 16
O 17 |
1.333
1.740
2.110
2.567
2.898
3.646
3.965 | 17
M 18 |
1.330
1.734
2.101
2.552
2.878
3.610
3.922 | 18
19 |
1.328
1.729
2.093
2.539
2.861
3.579
3.883 | 19
20 |
1.325
1.725
2.086
2.528
2.845
3.552
3.850 | 20
21 |
1.323
1.721
2.080
2.518
2.831
3.527
3.819 | 21
22 |
1.321
1.717
2.074
2.508
2.819
3.505
3.792 | 22
23 |
1.319
1.714
2.069
2.500
2.807
3.485
3.768 | 23
24 |
1.318
1.711
2.064
2.492
2.797
3.467
3.745 | 24
25 |
1.316
1.708
2.060
2.485
2.787
3.450
3.725 | 25
26 |
1.315
1.706
2.056
2.479
2.779
3.435
3.707 | 26
27 |
1.314
1.703
2.052
2.473
2.771
3.421
3.690 | 27
28 |
1.313
1.701
2.048
2.467
2.763
3.408
3.674 | 28
29 |
1.311
1.699
2.045
2.462
2.756
3.396
3.659 | 29
30 |
1.310
1.697
2.042
2.457
2.750
3.385
3.646 | 30
32 |
1.309
1.694
2.037
2.449
2.738
3.365
3.622 | 32
34 |
1.307
1.691
2.032
2.441
2.728
3.348
3.601 | 34
36 |
1.306
1.688
2.028
2.434
2.719
3.333
3.582 | 36
38 |
1.304
1.686
2.024
2.429
2.712
3.319
3.566 | 38
40 |
1.303
1.684
2.021
2.423
2.704
3.307
3.551 | 40
42 |
1.302
1.682
2.018
2.418
2.698
3.296
3.538 | 42
44 |
1.301
1.680
2.015
2.414
2.692
3.286
3.526 | 44
46 |
1.300
1.679
2.013
2.410
2.687
3.277
3.515 | 46
48 |
1.299
1.677
2.011
2.407
2.682
3.269
3.505 | 48
50 |
1.299
1.676
2.009
2.403
2.678
3.261
3.496 | 50
55 |
1.297
1.673
2.004
2.396
2.668
3.245
3.476 | 55
60 |
1.296
1.671
2.000
2.390
2.660
3.232
3.460 | 60
65 |
1.295
1.669
1.997
2.385
2.654
3.220
3.447 | 65
70 |
1.294
1.667
1.994
2.381
2.648
3.211
3.435 | 70
80 |
1.292
1.664
1.990
2.374
2.639
3.195
3.416 | 80
100 |
1.290
1.660
1.984
2.364
2.626
3.174
3.390 | 100
150 |
1.287
1.655
1.976
2.351
2.609
3.145
3.357 | 150
200 |
1.286
1.653
1.972
2.345
2.601
3.131
3.340 | 200
-------+---------------------------------------------------------+---Two Tails 0.20
0.10
0.05
0.02
0.01
0.002 0.001

One Tail

0.10

0.05

0.025

0.01

0.005

0.001

0.0005

Contoh : Tentukanlah
1. t0,25( 9 )
2. t0,05( 20 )
3. t/2(n 1)

= 0,05

4. t( 12 ) = 2,6810
5. t( 12 ) = - 2,6810
6. t(n 1 ) = 1,9944

t0,025/2(21

= ?
= ?
n= ?

7. t0,05() =

= Z0,05 = 1,6449

8. t0,025() =

= Z0,025 = 1,96

. http://easycalculation.com/statistics/t-distribution-critical-value-table.php 11/10/2012
(1 tail) 0.05

0.025

0.01

0.005

0.0025

0.001

0.0005

(2 tail) 0.1

0.05

0.02

0.01

0.005

0.002

0.001

df
1

6.3138 12.7065 31.8193 63.6551 127.3447 318.4930 636.0450

2.9200 4.3026

6.9646

9.9247

14.0887

22.3276

31.5989

2.3534 3.1824

4.5407

5.8408

7.4534

10.2145

12.9242

2.1319 2.7764

3.7470

4.6041

5.5976

7.1732

8.6103

2.0150 2.5706

3.3650

4.0322

4.7734

5.8934

6.8688

1.9432 2.4469

3.1426

3.7074

4.3168

5.2076

5.9589

1.8946 2.3646

2.9980

3.4995

4.0294

4.7852

5.4079

1.8595 2.3060

2.8965

3.3554

3.8325

4.5008

5.0414

1.8331 2.2621

2.8214

3.2498

3.6896

4.2969

4.7809

10

1.8124 2.2282

2.7638

3.1693

3.5814

4.1437

4.5869

11

1.7959 2.2010

2.7181

3.1058

3.4966

4.0247

4.4369

12

1.7823 2.1788

2.6810

3.0545

3.4284

3.9296

4.3178

13

1.7709 2.1604

2.6503

3.0123

3.3725

3.8520

4.2208

14

1.7613 2.1448

2.6245

2.9768

3.3257

3.7874

4.1404

15

1.7530 2.1314

2.6025

2.9467

3.2860

3.7328

4.0728

16

1.7459 2.1199

2.5835

2.9208

3.2520

3.6861

4.0150

17

1.7396 2.1098

2.5669

2.8983

3.2224

3.6458

3.9651

18

1.7341 2.1009

2.5524

2.8784

3.1966

3.6105

3.9216

19

1.7291 2.0930

2.5395

2.8609

3.1737

3.5794

3.8834

20

1.7247 2.0860

2.5280

2.8454

3.1534

3.5518

3.8495

21

1.7207 2.0796

2.5176

2.8314

3.1352

3.5272

3.8193

22

1.7172 2.0739

2.5083

2.8188

3.1188

3.5050

3.7921

23

1.7139 2.0686

2.4998

2.8073

3.1040

3.4850

3.7676

24

1.7109 2.0639

2.4922

2.7970

3.0905

3.4668

3.7454

25

1.7081 2.0596

2.4851

2.7874

3.0782

3.4502

3.7251

26

1.7056 2.0555

2.4786

2.7787

3.0669

3.4350

3.7067

27

1.7033 2.0518

2.4727

2.7707

3.0565

3.4211

3.6896

28

1.7011 2.0484

2.4671

2.7633

3.0469

3.4082

3.6739

29

1.6991 2.0452

2.4620

2.7564

3.0380

3.3962

3.6594

30

1.6973 2.0423

2.4572

2.7500

3.0298

3.3852

3.6459

31

1.6955 2.0395

2.4528

2.7440

3.0221

3.3749

3.6334

32

1.6939 2.0369

2.4487

2.7385

3.0150

3.3653

3.6218

33

1.6924 2.0345

2.4448

2.7333

3.0082

3.3563

3.6109

34

1.6909 2.0322

2.4411

2.7284

3.0019

3.3479

3.6008

35

1.6896 2.0301

2.4377

2.7238

2.9961

3.3400

3.5912

36

1.6883 2.0281

2.4345

2.7195

2.9905

3.3326

3.5822

37

1.6871 2.0262

2.4315

2.7154

2.9853

3.3256

3.5737

38

1.6859 2.0244

2.4286

2.7115

2.9803

3.3190

3.5657

39

1.6849 2.0227

2.4258

2.7079

2.9756

3.3128

3.5581

40

1.6839 2.0211

2.4233

2.7045

2.9712

3.3069

3.5510

41

1.6829 2.0196

2.4208

2.7012

2.9670

3.3013

3.5442

42

1.6820 2.0181

2.4185

2.6981

2.9630

3.2959

3.5378

43

1.6811 2.0167

2.4162

2.6951

2.9591

3.2909

3.5316

44

1.6802 2.0154

2.4142

2.6923

2.9555

3.2861

3.5258

45

1.6794 2.0141

2.4121

2.6896

2.9521

3.2815

3.5202

46

1.6787 2.0129

2.4102

2.6870

2.9488

3.2771

3.5149

47

1.6779 2.0117

2.4083

2.6846

2.9456

3.2729

3.5099

48

1.6772 2.0106

2.4066

2.6822

2.9426

3.2689

3.5051

49

1.6766 2.0096

2.4049

2.6800

2.9397

3.2651

3.5004

50

1.6759 2.0086

2.4033

2.6778

2.9370

3.2614

3.4960

51

1.6753 2.0076

2.4017

2.6757

2.9343

3.2579

3.4917

52

1.6747 2.0066

2.4002

2.6737

2.9318

3.2545

3.4877

53

1.6741 2.0057

2.3988

2.6718

2.9293

3.2513

3.4838

54

1.6736 2.0049

2.3974

2.6700

2.9270

3.2482

3.4800

55

1.6730 2.0041

2.3961

2.6682

2.9247

3.2451

3.4764

56

1.6725 2.0032

2.3948

2.6665

2.9225

3.2423

3.4730

57

1.6720 2.0025

2.3936

2.6649

2.9204

3.2394

3.4696

58

1.6715 2.0017

2.3924

2.6633

2.9184

3.2368

3.4663

59

1.6711 2.0010

2.3912

2.6618

2.9164

3.2342

3.4632

60

1.6706 2.0003

2.3901

2.6603

2.9146

3.2317

3.4602

61

1.6702 1.9996

2.3890

2.6589

2.9127

3.2293

3.4573

62

1.6698 1.9990

2.3880

2.6575

2.9110

3.2269

3.4545

63

1.6694 1.9983

2.3870

2.6561

2.9092

3.2247

3.4518

64

1.6690 1.9977

2.3860

2.6549

2.9076

3.2225

3.4491

65

1.6686 1.9971

2.3851

2.6536

2.9060

3.2204

3.4466

66

1.6683 1.9966

2.3842

2.6524

2.9045

3.2184

3.4441

67

1.6679 1.9960

2.3833

2.6512

2.9030

3.2164

3.4417

68

1.6676 1.9955

2.3824

2.6501

2.9015

3.2144

3.4395

69

1.6673 1.9950

2.3816

2.6490

2.9001

3.2126

3.4372

70

1.6669 1.9944

2.3808

2.6479

2.8987

3.2108

3.4350

71

1.6666 1.9939

2.3800

2.6468

2.8974

3.2090

3.4329

72

1.6663 1.9935

2.3793

2.6459

2.8961

3.2073

3.4308

73

1.6660 1.9930

2.3785

2.6449

2.8948

3.2056

3.4288

74

1.6657 1.9925

2.3778

2.6439

2.8936

3.2040

3.4269

75

1.6654 1.9921

2.3771

2.6430

2.8925

3.2025

3.4250

76

1.6652 1.9917

2.3764

2.6421

2.8913

3.2010

3.4232

77

1.6649 1.9913

2.3758

2.6412

2.8902

3.1995

3.4214

78

1.6646 1.9909

2.3751

2.6404

2.8891

3.1980

3.4197

79

1.6644 1.9904

2.3745

2.6395

2.8880

3.1966

3.4180

80

1.6641 1.9901

2.3739

2.6387

2.8870

3.1953

3.4164

81

1.6639 1.9897

2.3733

2.6379

2.8859

3.1939

3.4147

82

1.6636 1.9893

2.3727

2.6371

2.8850

3.1926

3.4132

83

1.6634 1.9889

2.3721

2.6364

2.8840

3.1913

3.4117

84

1.6632 1.9886

2.3716

2.6356

2.8831

3.1901

3.4101

85

1.6630 1.9883

2.3710

2.6349

2.8821

3.1889

3.4087

86

1.6628 1.9879

2.3705

2.6342

2.8813

3.1877

3.4073

87

1.6626 1.9876

2.3700

2.6335

2.8804

3.1866

3.4059

88

1.6623 1.9873

2.3695

2.6328

2.8795

3.1854

3.4046

89

1.6622 1.9870

2.3690

2.6322

2.8787

3.1844

3.4032

90

1.6620 1.9867

2.3685

2.6316

2.8779

3.1833

3.4020

91

1.6618 1.9864

2.3680

2.6309

2.8771

3.1822

3.4006

92

1.6616 1.9861

2.3676

2.6303

2.8763

3.1812

3.3995

93

1.6614 1.9858

2.3671

2.6297

2.8755

3.1802

3.3982

94

1.6612 1.9855

2.3667

2.6292

2.8748

3.1792

3.3970

95

1.6610 1.9852

2.3662

2.6286

2.8741

3.1782

3.3959

96

1.6609 1.9850

2.3658

2.6280

2.8734

3.1773

3.3947

97

1.6607 1.9847

2.3654

2.6275

2.8727

3.1764

3.3936

98

1.6606 1.9845

2.3650

2.6269

2.8720

3.1755

3.3926

99

1.6604 1.9842

2.3646

2.6264

2.8713

3.1746

3.3915

100

1.6602 1.9840

2.3642

2.6259

2.8706

3.1738

3.3905

101

1.6601 1.9837

2.3638

2.6254

2.8700

3.1729

3.3894

102

1.6599 1.9835

2.3635

2.6249

2.8694

3.1720

3.3885

103

1.6598 1.9833

2.3631

2.6244

2.8687

3.1712

3.3875

104

1.6596 1.9830

2.3627

2.6240

2.8682

3.1704

3.3866

105

1.6595 1.9828

2.3624

2.6235

2.8675

3.1697

3.3856

106

1.6593 1.9826

2.3620

2.6230

2.8670

3.1689

3.3847

107

1.6592 1.9824

2.3617

2.6225

2.8664

3.1681

3.3838

108

1.6591 1.9822

2.3614

2.6221

2.8658

3.1674

3.3829

109

1.6589 1.9820

2.3611

2.6217

2.8653

3.1667

3.3820

110

1.6588 1.9818

2.3607

2.6212

2.8647

3.1660

3.3812

111

1.6587 1.9816

2.3604

2.6208

2.8642

3.1653

3.3803

112

1.6586 1.9814

2.3601

2.6204

2.8637

3.1646

3.3795

113

1.6585 1.9812

2.3598

2.6200

2.8632

3.1640

3.3787

114

1.6583 1.9810

2.3595

2.6196

2.8627

3.1633

3.3779

115

1.6582 1.9808

2.3592

2.6192

2.8622

3.1626

3.3771

116

1.6581 1.9806

2.3589

2.6189

2.8617

3.1620

3.3764

117

1.6580 1.9805

2.3586

2.6185

2.8612

3.1614

3.3756

118

1.6579 1.9803

2.3583

2.6181

2.8608

3.1607

3.3749

119

1.6578 1.9801

2.3581

2.6178

2.8603

3.1601

3.3741

120

1.6577 1.9799

2.3578

2.6174

2.8599

3.1595

3.3735

121

1.6575 1.9798

2.3576

2.6171

2.8594

3.1589

3.3727

122

1.6574 1.9796

2.3573

2.6168

2.8590

3.1584

3.3721

123

1.6573 1.9794

2.3571

2.6164

2.8585

3.1578

3.3714

124

1.6572 1.9793

2.3568

2.6161

2.8582

3.1573

3.3707

125

1.6571 1.9791

2.3565

2.6158

2.8577

3.1567

3.3700

126

1.6570 1.9790

2.3563

2.6154

2.8573

3.1562

3.3694

127

1.6570 1.9788

2.3561

2.6151

2.8569

3.1556

3.3688

128

1.6568 1.9787

2.3559

2.6148

2.8565

3.1551

3.3682

129

1.6568 1.9785

2.3556

2.6145

2.8561

3.1546

3.3676

130

1.6567 1.9784

2.3554

2.6142

2.8557

3.1541

3.3669

131

1.6566 1.9782

2.3552

2.6139

2.8554

3.1536

3.3663

132

1.6565 1.9781

2.3549

2.6136

2.8550

3.1531

3.3658

133

1.6564 1.9779

2.3547

2.6133

2.8546

3.1526

3.3652

134

1.6563 1.9778

2.3545

2.6130

2.8542

3.1522

3.3646

135

1.6562 1.9777

2.3543

2.6127

2.8539

3.1517

3.3641

136

1.6561 1.9776

2.3541

2.6125

2.8536

3.1512

3.3635

137

1.6561 1.9774

2.3539

2.6122

2.8532

3.1508

3.3630

138

1.6560 1.9773

2.3537

2.6119

2.8529

3.1503

3.3624

139

1.6559 1.9772

2.3535

2.6117

2.8525

3.1499

3.3619

140

1.6558 1.9771

2.3533

2.6114

2.8522

3.1495

3.3614

141

1.6557 1.9769

2.3531

2.6112

2.8519

3.1491

3.3609

142

1.6557 1.9768

2.3529

2.6109

2.8516

3.1486

3.3604

143

1.6556 1.9767

2.3527

2.6106

2.8512

3.1482

3.3599

144

1.6555 1.9766

2.3525

2.6104

2.8510

3.1478

3.3594

145

1.6554 1.9765

2.3523

2.6102

2.8506

3.1474

3.3589

146

1.6554 1.9764

2.3522

2.6099

2.8503

3.1470

3.3584

147

1.6553 1.9762

2.3520

2.6097

2.8500

3.1466

3.3579

148

1.6552 1.9761

2.3518

2.6094

2.8497

3.1462

3.3575

149

1.6551 1.9760

2.3516

2.6092

2.8494

3.1458

3.3570

150

1.6551 1.9759

2.3515

2.6090

2.8491

3.1455

3.3565

151

1.6550 1.9758

2.3513

2.6088

2.8489

3.1451

3.3561

152

1.6549 1.9757

2.3511

2.6085

2.8486

3.1447

3.3557

153

1.6549 1.9756

2.3510

2.6083

2.8483

3.1443

3.3552

154

1.6548 1.9755

2.3508

2.6081

2.8481

3.1440

3.3548

155

1.6547 1.9754

2.3507

2.6079

2.8478

3.1436

3.3544

156

1.6547 1.9753

2.3505

2.6077

2.8475

3.1433

3.3540

157

1.6546 1.9752

2.3503

2.6075

2.8472

3.1430

3.3536

158

1.6546 1.9751

2.3502

2.6073

2.8470

3.1426

3.3531

159

1.6545 1.9750

2.3500

2.6071

2.8467

3.1423

3.3528

160

1.6544 1.9749

2.3499

2.6069

2.8465

3.1419

3.3523

161

1.6544 1.9748

2.3497

2.6067

2.8463

3.1417

3.3520

162

1.6543 1.9747

2.3496

2.6065

2.8460

3.1413

3.3516

163

1.6543 1.9746

2.3495

2.6063

2.8458

3.1410

3.3512

164

1.6542 1.9745

2.3493

2.6062

2.8455

3.1407

3.3508

165

1.6542 1.9744

2.3492

2.6060

2.8452

3.1403

3.3505

166

1.6541 1.9744

2.3490

2.6058

2.8450

3.1400

3.3501

167

1.6540 1.9743

2.3489

2.6056

2.8448

3.1398

3.3497

168

1.6540 1.9742

2.3487

2.6054

2.8446

3.1394

3.3494

169

1.6539 1.9741

2.3486

2.6052

2.8443

3.1392

3.3490

170

1.6539 1.9740

2.3485

2.6051

2.8441

3.1388

3.3487

171

1.6538 1.9739

2.3484

2.6049

2.8439

3.1386

3.3483

172

1.6537 1.9739

2.3482

2.6047

2.8437

3.1383

3.3480

173

1.6537 1.9738

2.3481

2.6046

2.8435

3.1380

3.3477

174

1.6537 1.9737

2.3480

2.6044

2.8433

3.1377

3.3473

175

1.6536 1.9736

2.3478

2.6042

2.8430

3.1375

3.3470

176

1.6536 1.9735

2.3477

2.6041

2.8429

3.1372

3.3466

177

1.6535 1.9735

2.3476

2.6039

2.8427

3.1369

3.3464

178

1.6535 1.9734

2.3475

2.6037

2.8424

3.1366

3.3460

179

1.6534 1.9733

2.3474

2.6036

2.8423

3.1364

3.3457

180

1.6534 1.9732

2.3472

2.6034

2.8420

3.1361

3.3454

181

1.6533 1.9731

2.3471

2.6033

2.8419

3.1358

3.3451

182

1.6533 1.9731

2.3470

2.6031

2.8416

3.1356

3.3448

183

1.6532 1.9730

2.3469

2.6030

2.8415

3.1354

3.3445

184

1.6532 1.9729

2.3468

2.6028

2.8413

3.1351

3.3442

185

1.6531 1.9729

2.3467

2.6027

2.8411

3.1349

3.3439

186

1.6531 1.9728

2.3466

2.6025

2.8409

3.1346

3.3436

187

1.6531 1.9727

2.3465

2.6024

2.8407

3.1344

3.3433

188

1.6530 1.9727

2.3463

2.6022

2.8406

3.1341

3.3430

189

1.6529 1.9726

2.3463

2.6021

2.8403

3.1339

3.3428

190

1.6529 1.9725

2.3461

2.6019

2.8402

3.1337

3.3425

191

1.6529 1.9725

2.3460

2.6018

2.8400

3.1334

3.3422

192

1.6528 1.9724

2.3459

2.6017

2.8398

3.1332

3.3419

193

1.6528 1.9723

2.3458

2.6015

2.8397

3.1330

3.3417

194

1.6528 1.9723

2.3457

2.6014

2.8395

3.1328

3.3414

195

1.6527 1.9722

2.3456

2.6013

2.8393

3.1326

3.3411

196

1.6527 1.9721

2.3455

2.6012

2.8392

3.1323

3.3409

197

1.6526 1.9721

2.3454

2.6010

2.8390

3.1321

3.3406

198

1.6526 1.9720

2.3453

2.6009

2.8388

3.1319

3.3403

199

1.6525 1.9720

2.3452

2.6008

2.8387

3.1317

3.3401

200

1.6525 1.9719

2.3451

2.6007

2.8385

3.1315

3.3398

PENDUGAAN PARAMETER
( PARAMETER ESTIMATION )
Nilai parameter seperti x, x2 , x adalah nilai-nilai yang
diketahui karena N yang terlalu besar atau semua N tidak bisa
diamati. Tetapi dalam kehidupan nilai-nilai parameter ini yang
akan banyak manfaatnya kalau nilainya diketahui.
Untuk mendapatkan nilai parameter tersebut, bisa dilakukan
dengan pendugaan yaiatu nilai parameter itu diduga dengan
statistik yang berasal dari sampel ( X , S2, dan S ), dan proses
inilah yang dinamakan dengan STATISTIKA INFERENSIA.

Pop. Xi

: X1

X2

X3

X4 .. XN

X2

X3

X 4 ..

Sampel n
Pop. X

X1

X Nn

X X

Pendugaan x dengan menggunakan satu nilai X ini tidak akan

persis tepat, adalah kesalahannya. Seberapa besar kesalan yang
dibuat dalam pendugaan itu ditentukan dengan peluang atau
probability.

Ada dua cara pendugaan suatu nilai parameter dengan nilai

satistik yaitu cara :
1. Pendugaan dengan selang kepercayaan ( Confidence
Interval Estimate )
2. Pendugaan titik ( Point Estimate )

I.

PENDUGAAN DENGAN SELANG KEPERCAYAAN

( CONFIDENCE-INTERVAL ESTIMATE)

1. PENDUGAAN x DENGAN SELANG KEPERCAYAAN

DIAMANA NILAI x DIKETAHUI.

Zi

Z dengan rumus

X i x
x
n

Note : kurva
P(X

)=(1)

P (-Z/2 Z Z/2) = ( 1 )

P (-Z/2 Z Z/2) = ( 100 )

P ( -Z/2

Z / 2

x
n

X Z / 2

X i x
x
n

Z/2) = ( 1 )

X x Z / 2
x
n

: dikali

x
n

x X Z / 2

: ditamabah

n
x
n

P( X Z / 2
Kalau

x
n

x X Z / 2

x
n

) (100 )

= 0,10

Z /2 = Z0,05 = 1,645

= 0,05

Z /2 = Z0,025 = 1,96

= 0,01

Z /2 = Z0,005 = 2,576

Kembali ke :
Pop Xi :

x = 4

x = 1,633

Dari populasi ini ditarik sampel n = 8 maka N = 6561

Pilih satu nilainya

dan duga x dengan selang kepercayan 95%

P( X 1 = ?) = 0,15 dikiri

X1

= 2,8682

Antara ( X 1 -

X2
X2

X1

dan

P( X 2 = ?) = 0,15 dikanan

X2

= 5,1317

) aka nada nilai

yang bagus untuk menduga

x sebanyak 95 % X 6561 = 6233

Untuk nilai-nilai X < 2,8682 dan nilai-nilai X > 5,1317 yang
jumlah 5 % dari 6561 tidak mengandung nilai x bila digunakan
untuk pendugaan nilai x dimaksud.

Contoh :
Diketahui produksi kentang per hektar mempunyai simpang
baku 0,18 ton. Jika rata-rata hasil kentang dari 36 daerah sampel
18 ton per hektar, tentukanlah rata-rata produksi per hektar
dengan selang kepercayaan 70, 80 dan 90 % berdasarkan data
sampel tersebut.

1. PENDUGAAN x DENGAN SELANG KEPERCAYAAN

DIAMANA NILAI x TIDAK DIKETAHUI.
Karena nilai x tidak diketahui, maka nilai ini kita duga dengan
nilai S, sehingga nilai Z berubah menjadi nilai t student.

P( X Z / 2

x
n

x X Z / 2

x
n

) (100 )

nilai x diganti dengan nilai S, tentunya Z digantic dengan t/2,

maka :

P( X t / 2( n 1)

S
S
x X t / 2( n 1)
) (1 )
n
n

Contohkan dengan tinggi mahasiswa.

Berapa nilai x, nilai x tidak diketahui

tarik sampel n

PENGUJIAN HIPOTESIS
Hubungan populasi dengan sampelnya sudah dibicarakan
sampel
sampel

Populasi

sampel

x = x

X =

x
n

Sekarang akan dipelajari hubungan sampel dengan populasinya

Populasi (x, x2

x )

Sampel
sampel
Sampel

, s2, s
2
X,s , s
2
X,s , s
X

Dengan informasi dari satu sampel saja kita tarik kesimpulan

tentang populasi (parameter) dari mana sampel tersebut berasal,
yang didasarkan pada konsep distribusi rata-rata sampel.
Inilah yang kita kenal dengan teori statistika inferensia.

Hipotesis : adalah suatu rekaan awal berdasarkan kepada peng

amatan pendahuluan dari fakta yang ada.
Rekaan awal ini bisa benar dan bisa salah, maka perlu
pengujian yaitu Pengujian Hipotesis.
Pengujian tersebut bertolak dari fakta yang lebih baru dan
objektif.
Jika fakta baru tersebut cocok/menyokong hipotesis maka
hipotesis kita terima, tetapi jika fakta baru tersebut tidak
menyokong hipotesis, maka hipotesis ditolak.
Pengujian hipotesis harus bersifat objektif, terlepas dari
kepentingan pribadi/kelompok.

 Dalam pengujian hipotesis dikenal dua macam hipotesis

yaitu Hipotesis Nol ( Ho ) dan Hipotesis Alternatif ( H1).
Ho adalah pernyataan tentang parameter yang dinyatakan
tidak terjadi perubahan atau tidah pengaruh. Dalam
pengadilan Ho ini identik dengan Praduga tidak bersalah.
Dalam pengujian Hipotesis Ho inilah yang di uji. Hipotesis
Alternatif atau hipotesis tandingan adalah pernyataan yang
berlawanan dengan Ho, dengan perkataan lain sudah
terjadi perubahan:
Ho :
H1 :

x
x

= 50 cm
50 cm

Dalam mengambilan keputusan yaitu apakah menerima

atau menolak hipotesis nol diperlukan penetapan daerah
kritis yaitu daerah penolakan Ho atau nilai kritis (C1 danC2 )
pada kurva teoritis ( kurva Z, t, 2, F). Daerah dibawah
kurva yang berada diluar daerah kritis adalah daerah
penerimaan dari Ho ( C1 - C2 )

daerah kritis

daerah kritis

(/2)

(/2)

daerah
penerimaan

C1

C2

Luas daerah kritis merupakan peluang untuk menolak Ho

yang benar. Peluang ini juga disebut taraf nyata ( level of
significance ) yang dilambangkan dengan

 Ada tiga jenis pengujian hipotesis yaitu (1) pengujian dua

arah, (2) pengujian satu arah ke kanan, dan (3) pengujian
satu arah ke kiri.
(1): Ho :
H1 :

x = o
x o

(2): Ho :
H1 :

x
x

>

o
o

(3): Ho :
H1 :

x o
x < o

Dalam pengujian Hipotesis berkemungkinan bisa terjadi

kesalahan yaitu Kesalahan tipe I atau Kesalahan tipe II.
Kesalahan tipe I terjadi jika Hipotesis nol yang benar
ditolak, peluangnya dinyatakan dengan , sedangkan

Kesalahan tipe II terjadi jika Hipotesis nol yang salah

diterima, peluangnya dinyatakan dengan .
Tabel hasil pengujian hipotesis dan peluangnya
Keputusan pengujian
Kondisi aktual
Diterima Ho
Ditolak Ho
Kesalahan tipe I
Keputusan benar
Ho benar
Peluangnya =
Peluang = (1 - )
Keputusan benar
Kesalah tipe II
Ho salah
Peluang = ( 1 - ) Peluang =
Bila peluang untuk membuat salah satu tipe kesalahan
diperkecil, maka peluang untuk membuat kesalahan tipe
lainnya akan bertambah besar
Usaha untuk memperkecil peluang membuat kesalahan tipe
I dan II adalah dengan :
1. Memperbesar jumalh sampel
2. Memperkecil ragam populasi
3. Kombinasi 1 dan 2 di atas.

http://www.socialresearchmethods.net/kb/stat_t.php 20 Oktober 2012.

Langkah-langkah Pengujian hipotesis :

1. Tentukan Ho dan H1
2. Kemukakan assumsi, dan tetapkan besar taraf nyata ( ).
3. Tentukan besar sampel atau n
4. Tentukan teknik pengujian statistik yang tepat
5. Tentukan daerah kritis
6. Kumpulkan data sampel dan hitung nilai test statistik
yang cocok.
7. Tentukan apakah nilai test statitsik jatuh di dalam atau
diluar daerah kritis dan buat keputusan statistik.
8. Kesimpulan pengujian.

1. PENGUJIAN HIPOTESIS MENGENAI NILAI TENGAH

POPULASI ( x ) DIMANA x DIKETAHUI
Untuk pengujian ini diperlukan data baru, dalam hal ini
data diperoleh dari satu sampel (n) yang ditarik secara acak
dari populasi terkait, katakan x1 x2 x3 . xn dari
sampel ini dihitung X .
Dengan demikian kita terkait dengan distribusi asal,
distribusi rata-rata sampel, dan distribusi normal standard,
sehingga test statistiknya adalah :

hit .

n
Kemudian secara umum nilai Zhit dibandingkan dengan
nilai Z, dan jika ternyata nilai

Zhit

>

maka Ho ditolak dan H1 diterima.

CONTOH :
Berdasarkan laporan Rektor tahun 2000 rata-rata IPK
lulusan universitas yang dipimpinnya adalah 2,65 dengan
simpang baku 0,42. Mulai dari tahun 2001 Rektor
menerapkan sistim pengajaran dan pembimbingan yang
dianggap lebih baik. Pada tahun 2006 Rektor ingin
mengetahui apakah ada pengaruh dari sistim yang
diterapkannya tersebut terhadap IPK lulusan. Untuk
menjawab keingin tahuan Rektor itu ditarik 36 dari lulusan
sebagai sampel secara acak, dan ternyata dari sampel itu

rata-rata IPK adalah 2,78. Apa kesimpulan Rektor pada

taraf nyata 5 %.
JAWABAN :
1. Ho : x 2,65
2. H1 : x > 2,65
3. Asumsi : 1. Sampel berasal dari distribusi normal
2. Sampel diambil secara acak
4. Taraf nyata : = 0,05
5. Daerah Kritis : Z0,05 = 1,645
Jika

Zhit

> 1,645 maka Ho ditolak

x = 0,42 o = 2,65

6.Perhitungan :

hit .

n
7.Keputusan

Zhit.

= 2,78

n = 36

2,78 2,65
1,86
0,42
36

Zhit=1,86 > 1,645 , maka Ho ditolak

8.Kesimpulan : Sistim baru yang diterapkan Rektor nyata

meningkatkan IPK lulusan.
2. PENGUJIAN HIPOTESIS MENGENAI NILAI TENGAH
POPULASI ( x ) DIMANA x TIDAK DIKETAHUI
Untuk pengujian ini diperlukan data baru berupa
penarikan satu sampel ( n ) secara acak dari populasi terkait
dan dihitung nilai X , s2 dan s. Karena nilai x tidak
diketahui maka nilai x tersebut diduga dengan nilai s.
Dengan demikian kita terlibat dengan distribusi asal,

distribusi rata-rata sampel dan distribusi t student, sehingga

test statistinya adalah :

t hit .

0
s
n

Kemudian secara umu nilai thit dibandingkan dengan nilai

t(n 1), dan jika ternilai

thit > t(n 1) , maka Ho ditolak dan H1 diterima.

CONTOH :
Berdasarkan laporan Rektor tahun 2000 rata-rata IPK
lulusan universitas yang dipimpinnya adalah 2,65 . Mulai
dari tahun 2001 Rektor menerapkan sistim pengajaran dan
pembimbingan yang dianggap lebih baik. Pada tahun 2006
Rektor ingin mengetahui apakah ada pengaruh dari sistim
yang diterapkannya tersebut terhadap IPK lulusan. Untuk
menjawab keingin tahuan Rektor itu ditarik 36 dari lulusan
sebagai sampel secara acak, dan ternyata dari sampel itu
rata-rata IPK adalah 2,78 dan simpang bakunya 0,36. Apa
kesimpulan Rektor pada taraf nyata 5 %.
JAWABAN :
1. Ho : x 2,65
2. H1 : x > 2,65
3. Asumsi : 1. Sampel berasal dari distribusi normal
2. Sampel diambil secara acak
4. Taraf nyata : = 0,05

5. Daerah Kritis : t0,05(35) = 1,6896

Jika

thit

6.Perhitungan :

t hit .

> 1,6896 maka Ho ditolak

o = 2,65

0
s
n

= 2,78

t hit

s = 0,36

n = 36

2,78 2,65
2,17
0,36
36

7.Keputusan : thit = 2,17 > 1,6896 maka Ho ditolak

8.Kesimpulan : Sistim baru yang diterapkan nyata mening
katkan IPK lulusan.

MEMBANDINGKAN DUA RATA-RATA

POPULASI
Dalam kehidupan orang sering ingin membandingkan dua atau
lebih objek atau variable seperti :
Apakah varitas yang diintroduksi lebih baik dari varitas
lokal.
Apakah pemberian pupuk A lebih baik dari pupuk B.
Apakah jenis pelumas A lebih efisien dari jenis pelumas B.
Apakah resep baru lebih baik dari resep sebelumnya.
Apakah metode baru lebih baik dari metode konvensional.
Artinya pada contoh di atas kita membandingkan dua nilai
tengah populasi yaitu

dan

2 .

Dalam membandingkan dua nilai tengah dikenal dua :

1. PEBANDINGAN DUA NILAI TENGAH POPULASI
YANG BERSIFAT INDEPENDEN ATAU BEBAS
2. PEBANDINGAN DUA NILAI TENGAH POPULASI
YANG BERSIFAT DEPENDEN ATAU
BERPASANGAN
POPULASI 1 : POPULASI 2

POPULASI 1 : POPULASI 2

X11

X21

X11

X21

X12

X21

X12

X21

X1N1

X2N2

X1N1

X2N2

2 populasi bebas (homogen)

2 populasi berpasangan

DISTRIBUSI SELISIH DUA RATA-RATA SAMPEL

BEBAS
POPULASI 1

POPULASI 2

X1, X1

X11 X12 X1N1 :

n1
X 11

X2, X2

X21 X22 . X2N2 :

n2

X 12

X 1N

X 1, X 1

X 21

X 22

X 2N

: X 2,

X 2

PEMBANDINGAN DALAM HAL INI DENGAN CARA MEM

PERHATIKAN SELISIH :
X 11

X 21

X 12

X 21

...

X 1N1

X 21

X 11

X 22

X 12

X 22

X 1N1

X 22

X 1N1

X 2N2

..
X 11

..
_

X 2N

X 12

X 2N

Ternyata dari populasi selisih rata-rata sampel mempunyai :

( X 1 _ X 2)

X 1 - X 2 = X1 - X2

x21
( X 1 _ X 2)

n1

x22
n2

Konversi distribusi selisih rata-rata sampel ke Distribusi Z

X
Z

X
Z

=0

( X 1 _ X 2)

( X 1 _ X 2)

=1

X 2 1 2
X 1 X 2
1

X 2 1 2
x21
n1

x22
n2

Terdahulu sudah disampaikan bahwa nilai 1 dan 2 sulit

diketahui atau didapatkan dan nilai ini bisa disubstitusi
dengan S1 dan S2 yang nilai mudah didapatkan.
Jika populasi 1 dan populasi 2 adalah normal dan 1 = 2
dan nilai-nilai ini disubstitusi dengan S1 dan S2, maka nilai
Z pada rumus di atas akan menjadi t sebagai berikut :

X
t

X 2 1 2
1
1
S
n1 n 2
2
p

Dimana seluruh nilai yang didapatkan akan mengikuti

distribusi t Student dengan derajat bebasnya ( n1 + n2 - 2 )
dan dengan ragam sampel gabungan

S p2

2
p

n1 1S12 n2 1S22

n1 n2 2

Tetapi jika populasi 1 dan populasi 2 tidak mempunyai

ragam yang sama (1 2 ), maka rumus t diatas menjadi
sbb :

X
t

X 2 1 2
S12 S 22

n1 n 2

dan semua nilai t nya akan mendekati distribusi t Student

dengan derajat bebas (db ) sebagai berikut :

db

S 12
S 22

n n
2
1
2

S 12

n
1

n 1 1

S 22

n
2
n 2 1

PENGUJIAN HIPOTESIS Ho TENTANG DUA RATARATA POPULASI INDEPENDEN

A. Simpang baku populasi kedua populasi sama (1 =
dan diketahui.

2 )

Karena nilai simpang baku populasi diketahui, maka

ujinya adalah uji Z sebagai berikut :

Z hit .

X 2 1 2
x21
n1

Jka

Zhit.

>

x22
n2

Z , maka Ho ditolak.

B. Simpang baku populasi kedua populasi sama (1 =

dan tidak diketahui.

2 )

Karena kedua nilai simpang baku populasi sama dan tidak

diketahui, maka ujinya adalah uji t sebagai berikiut :

t hit .

X 2 1 2
1
1
S
n1 n 2
2
p

dengan db = ( n1 + n2 - 2 )

Jika nilai

thit

>

t(db)

, maka

Ho ditolak.

C. Simpang baku populasi kedua populasi tidak sama

(1

2 ) dan tidak diketahui.

Karena kedua nilai simpang baku populasi tidak sama dan

tidak diketahui, maka ujinya adalah uji t sebagai berikiut :

t hit .

db

Jika nilai

X 2 1 2
S12 S 22

n1 n 2
S 12
S 22

n n
2
1
2

S 12

n
1

n 1 1

thit

>

dengan db :

S 22

n
2
n 2 1

t(db)

, maka

Ho ditolak.

CONTOH :
1. Seorang manager quality control dari suatu pabrik bola
lampu ingin menentukan apakah ada perbedaan umur
pakai dari bola lampu yang dihasilkan oleh dua jenis mesin
yaitu mesin A dan mesin B. Telah diketahui bahwa simpang

baku populasi umur pakai dari bola lampu yang dihasilkan

mesin A adalah 60 jam dan bola lampu yang dihasilkan
mesin B adalah 90 jam. Satu sampel acak berupa 30 buah
bola lampu dari mesin A dan ternyata rata-rata umur
pakainya 2165 jam, dan satu sampel acak 25 buah bola
lampu dari mesin B dan didapatkan bahwa rata-rata umur
pakai dari bola lampu sampel itu adalah 2205 jam. Ujilah
pada taraf nyata 5 % apakah terdapat perbedaan yang
nyata dari umur pakai dari bola lampu yang dihasilkan
kedua mesin tersebut.
2. Untuk menguji apakah ada pengaruh pemberian pupuk
Nitrogen terhadap tinggi tanaman kedele dilakukan
percobaan sebagai berikut. Kedele varitas Wilis ditanam
dalam 56 pot yang kondisinya cukup seragam dan pada
masing-masing pot di pelihara satu batang kedele. Dari 56
pot tanaman ini diambil secara acak sebanyak 25 pot untuk
diberi pupuk Nitrogen dengan dosis setara 50 kg N per
hektar, sedangkan 31 pot lagi tidak diberi pupuk Nitrogen.
Pada minggu ke 12 setelah tanam diukur tinggi tanaman,
dan didapatkan dari tanaman yang dipupuk N rata-rata
tingginya adalah 74,9 cm dan simpang bakunya 3,6 cm, dari
tanaman yang tidak dipupuk N rata-rata tingginya adalah
63,4 cm dengan simpang bakunya 5,0 cm. Kalau ragam
populasi mengenai tinggi tanaman yang dipupuk N dan
yang tidak dipupuk N adalah sama, ujilah pada taraf nyata
0,05 apaka terdapat pengaruh yang nyata dari pemupukan
N terhadap tinggi tanaman kedele

PENGAMATAN BERPASANGAN
Hal ini bertolak dari dua populasi yang bersifat tidak bebas atau
dependen, dengan perkataan lain anggota populasi 1
berpasangan dengan anggota populasi 2. Kondisi ini timbul
karena kondisi yang tidak seragam atau tidak homogen. Kondisi
homogen hanya ditemukan pada pasangan yang sama, sedangkan
antar pasangan tidak seragam.

Puncak Kurang subur

Kaki

Subur
Paling subur
Populasi 1 Populasi 2

Jenis
Sedan Toyota
Sedan Suzuki
Sedan Nissan
Sedang Honda

Oli A

Oli B

Pop. 1

Pop. 2

POP. 1

POP. 2

Dj = ( X1j - X2j )

X11
X12
X13

X1N

X21
X22
X23

X2N

D1
D2
D3

DN

Jika Distribusi selisih Dj di atas tidak diketahui Ragamnya atau

simpang baku populasinya, maka distribusi tersebut bisa didekati
dengan distruibusi t Student sebagai berikut ;

ti

X i x
S
n

ti

D x
SD
n

j 1

SD

D
j 1

2
j

n
D j

j 1

n 1

PENGUJIAN HIPOTESIS ( Ho )PADA PENGAMATAN

BERPASANGAN.
Karena kedua nilai simpang baku populasi tidak diketahui,
maka ujinya adalah uji t sebagai berikiut :

t hit .

D 0

SD
n

Jika nilai

thit

dengan db = n 1

>

t(db)

, maka

Ho ditolak.

CONTOH
Ingin diketahui apakah terdapat perbedaan nyata antara
berat biji kedele yang berasal dari polong dekat pangkal
batang dengan berat biji kedele yang berasal dari polong di

ujung batang kedele tipe indeterminate. Untuk itu diambil

10 batang tanaman kedele secara acak sebagai sampel, dan
didapatkan data sebagaiberikut :
Tanaman ke
1
2
3
4
5
6
7
8
9
10

Berat biji dari

polong pangkal (
g/100biji)
12,45
12,67
12,91
12,73
11,98
13,09
12,52
12,38
12,76
12,89

Berat biji dari polong

ujung( g/100biji)
11,41
11,23
10,78
10,89
11,86
11,48
10,63
10,97
12,75
11,27

DISTRIBUSI CHI KUADRAT ( 2 )

Distribusi Chi Kuadrat adalah tergolong distribusi kontinu dan
berkaitan erat dengan distribusi normal standar.

Pop. : X1 X2 X3 .. XN

Xi

Xi x
x

Jika Z dikuadratkan
2

x
i 2 x
Z 2 i
x
x
2

Dari populasi di atas ditarik sampel n : X1 X2 X3 Xn ,

Kemudian dicari nilai Z2 untuk setiap anggota sampel dan
dijumlahkan :

X 1 x 2 X 2 x 2 ........... X n x 2
x2

x2

x2

Z12 Z 22 ........ Z n2 Z i2

Bila dicari nilai untuk setiap sampel n dari populasi di atas

maka di peroleh :

12

22

32

N2 : distribusi

Chi Kuadrat dgn (n

1),
Artinya setiap sampel yang besarnya n akan membentuk satu
distribusi Chi Kuadrat dengan dbnya ( n - 1 ).

Berbeda dari distribusi normal dan distribusi t Student,

distribusi Chi Kuadrat mempunyai kurva yang miring ke kanan,
dan kemiringannya akan berkurang mengarah simetris dengan
semakin bertambah besarnya sampel atau derajat bebeas ( n 1).

2 ( n1)
http://www.jrigol.com/Statistics/AboutChiSquare.htm 20

Oktober

2012.

walaupun kurvanya berbeda-beda tetapi luas daerah dibawah

tetap 100 % atau 1 unit.
2

Nilai pada sumbu datar ditentukan oleh luas daerah dibawah

kurva ( ) dan derajat bebas (n 1), dan untuk memudahkan
sudah diciptakan Tabel Chi Kuadrat. Pada tabel ini nilai (n-1)
adalah menentukan baris , dan nilai mentukan kolum yang
akan dibaca, perpotongan antara baris dan kolum yang dibaca
2
merupakan nilai pada luas kurva dan db (n-1).
1. p (10) = ? 2.
2

2 (30)

= 18,493 = ?

3.

02, 25( n1) =20,489

Pada saat (n-1) > 60 akan terdapat hubungan antara Z dgn

1.

Z 22 2(n 1) 1

2
Z

(1)
2. / 2

n= ?

2 :

UJI DENGAN CHI KUADRAT

1. UJI APAKAH RAGAM POPULASI SAMA
DENGAN HARGA YANG DIDUGA.
Populasi

Z2

Sampel

X i x

x2
2
Z

S2

Z2

x2

( n 1)

2
hit
.

X
x2

db=(n-1)

2 ( n1)

( n 1) S 2

(n 1) S 2

x2

Kaedah ini dipakai untuk menguji hipotesis Ho : x = o , jika

2
2
2
hit .
( n 1)
2
0
maka Ho ditolak dan H1 diterima.

( n 1) S

CONTOH:
Suatu pabrik accu merek A menyatakan bahwa rgam umur
pakai accu tersebut 0,81. Diambil sampel acak 10 buak accu dan
didapatkan ragam umur pakai sampel 1,44. Ujilah pernyataan
pabrik pada taraf nyata 5 %.

2. PENGUJIAN KOMPATIBILITAS ( TEST OF

GOODNESS OF FIT ).
Pada dasarnya pada pengujian ini kita membanding nilai
frekuensi dari pengamatan sampel dengan nilai frekuensi
yang diperkirakan berdasarkan kaedah yang berlaku dari
yang dibahas, sehingga nilai Chi Kuadrat yang dihitung
adalah :
2
hit
.

O i

Ei
Ei

2
2
hit

.
( n 1)

jika nilai

maka Ho ditolak dan H1 diterima.

Contoh :
1. Dari hasil persilangan genetik Aa X Aa ada 180 buah
turunan dengan rincian genetik AA = 35, Aa = 105 , dan
aa = 40. Ujilah pada taraf nyata 5 % apakah persilangan
tersebut mengikuti kaedah hukum Mendel.
2. Sebuah mata dadu bersisi enam dilempar sebanyak 60
kali, dan jumlah frekuensi untuk masing mata dadu yang
muncul adalah :
Mata dadu
Frekuensi

1
8

2
11

3
9

4
13

5
14

6
5

3. PENGUJIAN INDEPENDEN ( R X C ) TABEL

Banyak data yang diklasifikasi atas beberapa baris ( Row )
dan beberapa kolum ( Colum ), secara umum sebagai
berikut :
Klasifikasi
baris
1
2
3

i
Jumlah

1
O11
O21
O31

Oi1
O.1

Klasifikasi lajur
2
3

O12
O13

O22
O23

O32
O33

Oi2
Oi3

O.2
O.3

j
O1j
O2j
O3j

Oij
O.j

Jumlah
O1.
O2.
O3.

O1.
O..

Eij = (Oi. X O.j ) / O..

2
hit

E ij

ij

E ij

2
hit
2(r 1)(c1)

dengan db = ( r - 1)( c - 1) , jika :

, maka Ho ditolak dan H1 diterima.

CONTOH :
Ujilah pada taraf nyata 5 % apakah ada kaitan antara tipe kom
puter dengan penggunaanya oleh pemilik berdasarkan data
berikut
Jenis kegunaan
Tipe
Jumlah
komputer
Bisnis
Pendidkan Kesenangan
IBM
55
5
6
66
Apple
34
10
5
49
Atari
5
24
23
52
Lain-lain
26
5
5
36
Jumlah
120
44
39
203

DISTRIBUSI F
Distrubusi matematis ini di dapatkan oleh R. F. Fisher

Pop. Xi

: X1

n1 :

S112

n2

S 212

X2

X3
S132

S122

S 232

S 222

Perbandingan ragam sampel

Dan
F1

S 12

F2

>

X4 .. XN
S142

S152

S 242

.. S1N

S 252 ..

S 12
F
S 22

S 22N

nilainya mendekati 1

S 22

F3

F4

F5

. . . FN

Distribusi F

Distribusi F ini mempunyai dua derajad bebas yaitu v1 dan v2

V1 = derajad bebas pembilang = (n1 1)

1-

V2 = derajad bebas penyebut = (n2-1 )

1-

Distribusi F tidaklah satu kurva saja, tetapi terdiri dari banyak

kurva, karena setiap kombinasi dari v1 dan v2 membentuk satu
distribusi F, yang kurvanya miring ke kanan.

Distribusi F bisa juga dibentuk dari perbandingan-perbandingan

ragam sampel yang berasal dari dua populasi normal yang berbeda
tetapi mempunyai ragam populasi yang sama, dengan kata lain

1 2

2
2
tetapi 1 2

http://www.statistics4u.info/fundstat_eng/cc_distri_fisher_f.html
21 Oktober 2012.

Tabel distribusi F
(1 )

F(v1, v2)

V2 = db
penyebut
1
2
3
4
5
..

V1 = db pembilang
4
5
..
..

..

..

F(v1, v2)

F 0,05(3, 4) = 6,59 artinya 5 % dari nilai F dg db(3 , 4) lebih dari 6,59.

F(v1, v2) = 1 / F(1-)(v2, v1)
F0,95(4, 3) = 1/ F0,05(3,4) = 1 / 6,59 = 0,1517

t
2

( n 1)

F (1, v 2 )

ANALISIS REGRESI
Pada alisis terdahulu baru melibatkan satu variabel saja.
Kalau sudah melibatkan dua atau lebih variabel , maka didekati
dengan ANALISIS REGESI.
ANALISIS REGRESI :
Adalah teknik analisis statistik yang menguraikan hubungan
antara satu variabel kuantitatif dependen ( variable respon )
dengan satu atau lebih variabel kuantitatif independen ( variable
predictor ). Variabel dependen biasa dilambang dengan Y, dan
variable independen dilambangkan dengan X.
Berdasarkan jumlah variabel independen yang terlibat dalam
analisis regresi, maka analisis regresi dibagi dua yaitu :
1. REGRESI SEDERHANA : yaitu analisis regresi yang
hanya melibatkan satu variabel independen saja. ( SIMPLE
REGRESSION).
Eq. Hubungan antara dosis pupuk fospor dengan hasil.
2. REGRESI BERGANDA : yaitu analisis regesi yang
melibatkan dua tau lebih variabel independen. (MULTIPLE
REGRESSION ).
Eq. Hubungan antara dosis pupuk N dan jumlah mulsa
dengan hasil.
Hubungan antara kandungan N, K, dan Cl pada daun
tembakau dengan daya bakar daun.

TUJUAN ANALISIS REGRESI :

1. Menentukan model statistik dari variabel dependen dengan
variabel independen yang terlibat.
Menentukan variabel variabel independen mana saja
yang betul-betl berhubungan dengan variabel dependen.
Apa bentuk hubungan antara variabel dependen dengan
variabel independen, apakah bersifat linear atau bukan
linear ( kuadratik, kubik, exponensial, logaritmik).
2. Untuk memprediksi atau peramalan yaitu berapa nilai Y
pada nilai X tertentu.
3. Untuk menduga nilai parameter yang terdapat dala model
statistik yang terkait seperti 0, 1, 2, dll.
Diagram pencar :

REGRESI LINEAR SEDERHANA

Pada analisis ini sebetulnya yang dibicarakan adalah regresi
linear Y pada X.
X adalah variabel independen yang harga sudah tertentu atau
ditetapkan, makanya variabel X bukanlah variabel random, dan
diasumsikan tidak mempunyai kesalahan atau error.
Y adalah variabel dependen yang nilainya merupakan respon
terhadap variabel X, atau nilai Y tergantung pada X.
Untuk nilai X tertentu nilai Y tidak satu, tetapi bervariasi dan
membentuk satu populasi, Justeru itu variabel Y merupakan
variabel random dan diasumsikan mempunyai kesalahan atau
error. Sifat random dari variabel Y ini sangat penting, karena
dengan sifat ini teori peluang bisa digunakan.
Untuk mengambarkan hubungan Y dan X bias gigunaka satu
sumbu koordinal, dimana X pada sumbu datar dan Y pada
vertical sebagai berikut :

Garis regresi

y / x 0 1 xi

yN
(xi, yi) .
.
.
.
1 .

..
..
y3
y2
y1

x1

x2

x3

..

..

xN

Pada gambar ini terlihat bahwa pada X tertentu nilai Y tidak satu
tetapi bervariasi membentuk satu populasi. y adalah rata-rata
Y pada X tertentu, dan semua nilai y dari seluruh nilai X
membentuk garis regresi yaitu :

y / x 0 1 xi
y/x

= adalah nilai rata-rata dari Y pada X tertentu.

= adalah nilai Y pada saat X= 0, atau nilai Y pada saat

garis regresi memotong sumbu Y, justeru itu disebut
juga intercept.
= adalah nilai tingat perubahan nilai Y untuk setiap unit
perubahan nilai X. Disebut juga Slope karena menun
jukan kemiringan garis regresi. Disebut juga Koefsien
regresi.

Bagaimana kalau : 0 = 0,

1= 0,

1= + ,

Kembali ke persamaan garis regresi :

1= -

y / x 0 1 xi

Persamaan untuk satu titik Yi saja ( xi, yi ) tentu :

Yi = 0 + 1xi + i
i adalah variable error yaitu nilai perbedaan nilai y/x pada xi
dengan nilai yi pada xi. atau i adalah nilai penyimpangan Yi
dari y/x. i ini variabel random dan nilai rata-ratanya adalah
nol dengan ragamnya 2.
Berdasarkan persamaan diatas nilai Yi akan sulit ditentukan
karena 0, 1, dan i adalah parameter yang nilai tidak dike
tahui. Tetapi nilaiYi ini bisa diperkirakan yaitu dengan menduga
nilai 0 dengan b0 dan 1 diduga dengan b1, dimana nila bo dan
b1 berasal dari sampel, sehingga garis regresi perkiraan adalah
i = bo + b1
dan dengan metode Least square nilai bo dan b1 dapat ditentuk
dengan rumus berikut :

b0 Y b1 X

dan

b1

X iY

X i2

X Y
i

n
2
Xi

JP
JK x

dengan demikian garis regresi perkiraan bisa didapatkan.

CONTOH :
Ingin dipelajari hubungan antara umur dan tinggi dari anak-anak
yang dalam masa pertumbuhan.
Sampel Umur (Xi) Tinggi (Yi)
1
2
3
4
5
6
7
8
9
10
Jumlah
Rata2

b1

5
6
7
8
10
12
14
16
18
20
116
11,6
X iY

2
i

77
89
97
110
121
130
142
156
163
164
1249
124.9

X Y

n
2
Xi

XiYi

Xi2

Yi2

385
534
.
.
.
.
.
.
.
3280
15.946

25
36
.
.
.
.
.
.
.
400
1594

5929
7921
.
.
.
.
.
.
.
26896
164865

JP
JK x

n
116X1249
15.946
1457,6
10
b1

5,87
2
246,4
(116)
1594
10

b0 Y b1 X

b0 = 124,9 5,87x 11,6

= 56,81

Jadi garis regresi perkiraan adalah:

i = bo + b1 Xi

i = 56,81 + 5,87 Xi

INTERPRETASI

SUMBER KERAGAMAN
PADA REGRESI LINEAR SEDERHANA
i = bo + b1Xi , dimana nilai i tidak akan persis sama dengan
nilai Yi faktual seperti terlihat ilustrasi seberikut :

yi

i = bo + b1Xi

( xi , y i )
(xi, i )

(xi,y)

xi

Perbedaan yang terlihat pada gambar bisa diungkapkan dalam

persamaan sebagai berikut :

(Yi Y ) (Yi Y ) (Y Y )
Jika dijumlahkan untuk seluruh Yi dimana I = 1, 2, ., n,
n

Maka :

(Y Y ) (Y
i 1

i 1

Y ) (Yi Y i ) 0
i 1

Agar nilainya tidak nol diatasi dengan mengkuadratkan sbb :

n

n
2
(Yi Y ) (Y i Y ) (Yi Y i )

i 1
i 1
i 1

Maka :

(Y
i 1

Y ) (Y i Y ) (Yi Y i ) 2

JKTotal

i 1

= JK Regresi

i 1

JK Sisa

JKTotal

n
Yi
n
(Yi Y )2 Yi 2 i 1 JKY
n
i 1

2
JP
JKRe gresi b12 ( X i X ) 2
b1 JP
JKx
i 1
n

JKSisa (Yi Y i ) 2 JKTotal JKRe gresi

i 1

Tabel Sidik Ragam Regresi Linear Sederhana

Sumber
Keragaman

db

JK

KT

JKReg.

KT Reg.

Sisa

(n 2 )

JKSisa

KTSisa

Total

(n1)

JKTot.

Regresi

Fhit.

F(1,(n-2)

Kuadrat Tengah (KT) adalah JK dibagi dengan dbnya

sendiri, sedangkan :
Fhit. = KTReg. / KTSisa
Sidik Ragam ini digunakan untuk menguji H0 : 1= 0
Jika

Fhit. > F(1, n-2) maka H0 ditolak.

CONTOH : DATA UMUR DAN TINGGI BADAN

TERDAHULU.
1. H0
: 1 = 0
2. H1
: 1 0
3. Asumsi : Sampel acak.
4. Taraf Nyata : = 0,05
5. Daerah Kritis : Tolak H0 jika Fhit. > F0,05, (1, 8) = 5.32

6. Data
Sampel Umur (Xi) Tinggi (Yi)
1
2
3
4
5
6
7
8
9
10
Jumlah
Rata2

5
6
7
8
10
12
14
16
18
20
116
11,6

77
89
97
110
121
130
142
156
163
164
1249
124.9

XiYi

Xi2

Yi2

385
534
.
.
.
.
.
.
.
3280
15.946

25
36
.
.
.
.
.
.
.
400
1594

5929
7921
.
.
.
.
.
.
.
26896
164865

7. Perhitungan :

JKTotal

n
Yi
n
12492
i 1
2

Yi
164865
8864,9
n
10
i 1
2

n
Yi
n
1162
i 1
2

JK X X i
1594
248,4
n
10
i 1

n
n

X i Yi
n
(116)(1249)
JP X iYi i 1 i 1 15946
1457,6
n
10
i 1

JK Re gresi

JP 2 1457,6 2

8553,13
JK x
248,4

JKSisa JKTotal JKRe gresi 8864,9 8553,13 311,77

KTRe g .

KTSisa
FHit .

JK Re g .
dbRe g .

8553,13

8553,13
1

JK Sisa 311,77

38,97
dbSisa
8
KTRe g .
KTSisa

8553,13

219,5
38,97

Tabel Sidik Ragam Regresi Linear Sederhana

Sumber
Keragaman

db

JK

8553,13

Sisa

10-2=8

311,77

Total

10-1=9

8864,90

Regresi

KT

Fhit.

8553,13 219,5*

F(1,(n-2)
5,32

38,97

Kesimpulan : Ho ditolak, Jadi 1 0, dengan perkataan lain

nilai Yi sangat tergantung pada nilai Xi.

ANALISIS KORELASI

Analisis Korelasi mengkaji tingkat keeratan asosiasi antara

dua variabel X dan Y yang digambarkan oleh nilai yang
disebut Koefisien Korelasi yang dilambangkan dengan
( dibaca rho ), dan nilainya berada antara -1 s/d 1.

Nilai adalah nilai parameter yang nilainya sulit

diketahui, maka nilai ini diduga dengan nilai koeefisien
korelasi yang berasal dari sampel yang dilambangkan
dengan r.

Nilai koefisien korelasi r ditentukan dengan rumus :

2
1. r koef. deter minasi r

2.

JP

JK x JK y

X iYi

2
2

X
Y
2
2

i
i
X i
Yi

n
n

PENGUJIAN H0 : 0

Bisa diuji dengan uji statistic berikut :

t hit

X i Yi

r
1 r2
n2

Jika thit > t/2(n-2) maka H0 ditolak.