Hypothesis Testing:

Two-Sample Inference
Oleh:
ST. RAHMAH

PRODI BIOTEKNOLOGI
PASCASARJANA
UNIVERSITAS NEGERI MAKASSAR
2022

http://www.free-powerpoint-templates-design.com
Uji Hipotesis
dengan Dua
Sample
Inference
 01 Hipotesis Testing: Two-Sample Inferece

02 Uji t Berpasangan

03 Estimasi Interval untuk Perbandingan

Materi
Rata-rata dari Dua Sampel Berpasangan

04 Uji t Dua Sampel untuk Independen

Sampel dengan Varians yang Sama

05 Estimasi Interval untuk Perbandingan

Rata-rata dari Dua Independen Sampel
(Kasus Varians Setara)
06 Pengujian untuk Kesetaraan Dua Varians
Uji t Dua Sampel untuk Independen
07 Sampel dengan Varians Tidak Sama

08 Studi Kasus: Efek Paparan Timbal Terhadap

Neurologis dan Psikologis Fungsi pada Anak

09 Perlakuan terhadap Pencilan

Estimasi Ukuran dan Kekuatan Sampel
10 untuk Membandingkan Dua Cara

11 Estimasi Ukuran Sampel untuk Longitudinal

 01 Hipotesis Testing: Two-Sample Inferece

Inferensi statistik adalah pengambilan kesimpulan tentang

parameter populasi berdasarkan analisis pada data sampel.

Populasi adalah himpunan keseluruhan objek yang diamati sedangkan

sampel merupakan himpunan bagian dari populasi.

Konsep-konsep inferensi statistik meliputi estimasi titik,

estimasi interval dan uji hipotesis
• Estimasi titik adalah menduga nilai tunggal parameter populasi.
Sebagai contoh, parameter µ diduga dengan statistik X,
parameter σ2 diduga dengan statistik S2.

• Estimasi interval yaitu menduga nilai parameter

populasi dalam bentuk interval
Uji hipotesis merupakan suatu proses untuk menentukan apakah
dugaan tentang nilai parameter/karakteristik populasi
didukung kuat oleh data sampel atau tidak.
Hipotesis penelitian merupakan hipotesis
Hipotesis
Penelitian tentang pernyataan dari hasil penelitian yang
akan dilakukan

Hipotesis

Hipotesis Hipotesis statistik suatu pernyataan tentang

Statistika parameter populasi. 
Secara umum daerah penolakan pada uji hipotesis
yaitu H0 ditolak (H1 diterima) jika nilai p-value < α. Sebelum
memutuskan apakah H0 ditolak atau tidak diperlukan statistik
penguji. Statistik penguji tersebut merupakan suatu statistik
atau variabel random yang digunakan untuk menentukan
apakah H0 ditolak atau tidak ditolak. Bila statistik penguji
masuk dalam daerah penolakan maka H0 ditolak, sebaliknya
jika tidak maka H0 tidak ditolak..
Berikut langkah-langkah dalam uji hipotesis :
1. Menentukan hipotesis H0 dan H1,
2. Menentukan tingkat signifikansi (α),
3. Menentukan dan hitung statistik penguji,
4. Menentukan daerah kritik berdasarkan tingkat signifikansi,
5. Ambil kesimpulan berdasarkan hasil pengujian.
Situasi yang lebih sering ditemui adalah pengujian hipotesis dua sampel masalah. Dalam
masalah pengujian hipotesis dua sampel, parameter yang mendasari dua populasi yang
berbeda, yang nilainya diasumsikan tidak diketahui, dibandingkan.

Hipertensi Katakanlah kita tertarik pada hubungan antara penggunaan kontrasepsi oral (OC) dan
tekanan darah pada wanita. Dua desain eksperimen yang berbeda dapat digunakan untuk menilai
hubungan ini. Satu metode melibatkan desain berikut:
Persamaan (1):
Studi Longitudinal
1. Identifikasi sekelompok wanita pramenopause yang tidak hamil dan melahirkan di usia (16–49
tahun) yang saat ini bukan pengguna OC, dan ukur tekanan darahnya, yang akan disebut tekanan
darah dasar.
2. Skrining ulang wanita ini 1 tahun kemudian untuk memastikan subkelompok yang tetap tidak hamil
sepanjang tahun dan telah menjadi pengguna kontrasepsi oral. Ini subkelompok adalah populasi
penelitian.
3. Ukur tekanan darah populasi penelitian pada kunjungan tindak lanjut.
4. Bandingkan tekanan darah dasar dan tindak lanjut dari wanita di populasi penelitian untuk
menentukan perbedaan antara tingkat tekanan darah wanita ketika mereka menggunakan pil
pada tindak lanjut dan ketika mereka tidak menggunakan pil pada awal.
Persamaan (2):
Studi Cross-Sectional
1. Identifikasi kelompok pengguna kontrasepsi oral dan non-pengguna
kontrasepsi oral di antara wanita pramenopause yang tidak hamil, usia subur
(16–49 tahun), dan mengukur tekanan darah mereka.
2. Bandingkan tingkat tekanan darah antara pengguna OC dan bukan pengguna.

Dalam studi longitudinal atau tindak lanjut, sekelompok orang yang

sama diikuti dari waktu ke waktu. Dalam studi cross-sectional, para
peserta terlihat hanya pada satu titik waktu. Ada perbedaan penting
lainnya antara kedua desain ini. Studi longitudinal mewakili desain
sampel berpasangan karena setiap wanita digunakan sebagai kontrol
sendiri. Studi cross-sectional mewakili desain sampel independen
karena dua kelompok wanita yang sama sekali berbeda sedang
dibandingkan. Dua sampel dikatakan berpasangan jika setiap titik data
pada sampel pertama adalah cocok dan terkait dengan titik data unik
dalam sampel kedua. Sampel berpasangan dapat mewakili dua set
pengukuran pada orang yang sama.
Didalam hal ini setiap orang berperan sebagai kontrolnya sendiri, seperti dalam Persamaan 1.
bahwa sampel berpasangan juga dapat mewakili pengukuran pada orang yang berbeda yang
dipilih secara individual menggunakan kriteria yang cocok, seperti usia dan jenis kelamin, menjadi
sangat mirip satu sama lain. Dua sampel dikatakan independen jika titik-titik data dalam satu
sampel adalah tidak terkait dengan titik data dalam sampel kedua. Sampel dalam Persamaan 2
benar-benar independen karena data diperoleh dari kelompok perempuan yang tidak terkait.
Jenis studi pertama mungkin lebih pasti karena sebagian besar faktor lain yang mempengaruhi
tekanan darah wanita pada skrining pertama (disebut pembaur) juga akan hadir pada skrining
kedua dan tidak akan mempengaruhi perbandingan tingkat tekanan darah pada skrining
pertama dan kedua. Namun, penelitian ini akan mendapat manfaat dari memiliki kelompok
kontrol wanita yang tetap menjadi pengguna non-OC sepanjang tahun. Kelompok kontrol akan
memberi kita kesempatan untuk mengesampingkan kemungkinan penyebab tekanan darah
lainnya perubahan selain perubahan status OC. Jenis studi kedua, dengan sendirinya, hanya
dapat dianggap sugestif karena faktor pembaur lainnya dapat mempengaruhi tekanan darah
dalam dua sampel dan menyebabkan perbedaan nyata dapat ditemukan di mana tidak ada
yang sama benar-benar hadir.
Misalnya, pengguna OC diketahui berbobot kurang dari pengguna non-OC. Berat badan
rendah cenderung dikaitkan dengan tekanan darah rendah, sehingga tingkat tekanan darah
pengguna kontrasepsi oral sebagai grup akan muncul lebih rendah daripada level pengguna
non-OC.
02 Uji t Berpasangan
Uji t Berpasangan (paired t-test) adalah salah satu metode pengujian
hipotesis dimana data yang digunakan tidak bebas yang dicirikan dengan
adanya hubungan nilai pada setiap sampel yang sama (berpasangan). Ciri-
ciri yang paling sering ditemui pada kasus yang berpasangan adalah satu
individu (objek penelitian) dikenai 2 buah perlakuan yang berbeda. Walapun
menggunakan individu yang sama, peneliti tetap memperoleh 2 macam data
sampel, yaitu data dari perlakuan pertama dan data dari perlakuan kedua.
Perlakuan pertama mungkin saja berupa kontrol, yaitu tidak memberikan
perlakuan sama sekali terhadap objek penelitian.
Sebelum melakukan analisis data dengan uji-t berpasangan, terlebih dahulu kita uji apakah
kedua data menyebar normal atau tidak. Statistik uji yang digunakan adalah Lilliefors
(Kolmogorov-Smirnov) normality test.
Hipotesis Uji Normalitas:
H0 : Data menyebar normal
H1 : Data tidak menyebar normal

Pada pengamatan berpasangan:

Pemasangan antar sampel atau unit dilakukan sebelum percobaan dimulai berdasarkan
harapan bila tidak ada pengaruh perlakuan maka kedua kelompok memberikan respon yang
sama, dan
Sumber keragaman dari luar dihilangkan, sehingga perhitungan nilai kritiknya didasarkan
pada ragam perbedaan antar kelompok dan bukan pada ragam diantara individu dalam
setiap sampel.
Contoh kasus Uji t Berpasangan:
Misalkan desain studi sampel berpasangan pada Persamaan 1 diadopsi dan sampel
data pada Tabel 1 diperoleh. Tingkat tekanan darah sistolik (SBP) dari wanita dilambangkan
pada awal dengan xi1 dan pada tindak lanjut dengan xi2.

Tabel 1. SBP level wanita tidak menggunakan OCs (xx) dan menggunakan OCs (x2)
Persamaan (3):
Asumsikan bahwa Systolic blood-pressure (SBP) wanita ke-i terdistribusi normal pada awal
dengan berarti mean µi dan varians σ2 dan pada tindak lanjut dengan mean µi + Δ dan varians σ2.
Dengan demikian, kami mengasumsikan bahwa perbedaan rata-rata yang mendasari SBP antara
tindak lanjut dan baseline adalah Δ. Jika Δ = 0, maka tidak ada perbedaan antara data mean dan
tindak lanjut SBP. Jika Δ > 0, maka penggunaan pil kontrasepsi oral dikaitkan dengan
peningkatan rata-rata (mean) SBP. Jika Δ < 0, maka penggunaan pil kontrasepsi oral dikaitkan
dengan penurunan rata-rata (mean) SBP.
Kita ingin menguji hipotesis H0 : Δ = 0 vs. H1 : Δ ≠ 0. Bagaimana kita melakukannya? Masalahnya
adalah bahwa µi tidak diketahui, dan kami berasumsi, secara umum, bahwa itu berbeda untuk
setiap wanita. Namun, pertimbangkan perbedaan di = xi2 – xi1. Dari Persamaan 3 kita tahu bahwa
di terdistribusi normal dengan mean Δ dan varians yang dinotasikan dengan . Jadi, meskipun
tingkat tekanan darah µi berbeda untuk setiap wanita, perbedaan tekanan darah antara data
mean dan tindak lanjut memiliki dasar yang sama mean (∆) dan varians atas seluruh populasi
wanita. Masalah pengujian hipotesis dengan demikian dapat dianggap sebagai uji t satu sampel
berdasarkan perbedaan (di).
Prosedur pengujian, yang disebut uji t berpasangan. Uji t berpasangan. Nyatakan
statistik uji dengan t, di mana sd adalah simpangan baku sampel
perbedaan yang diamati:

Persamaan 1:

Jika t > tn-1, 1a/2 atau t < -tn-1, 1-a/2

Dengan H0 adalah ditolak.
Jika –tn-1, 1-a/2≤ t ≤ tn-1, 1-a/2
Dengan H0 adalah diterima. Wilayah penerimaan dan penolakan untuk tes ini
ditampilkan pada Gambar 1.
 Perhitungan dari nilai p untuk uji t
berpasangan
Jika t < 0,
p = 2 × [area sebelah kiri dari dibawah
suatu distribusi]
Jika t ≥ 0,
P = 2 × [area sebelah kanan dari
dibawah suatu distribusi]

Gambar 1. Wilayah Penerimaan dan Penolakan untuk Uji t

Berpasangan
Perhitungan dari nilai p diilustrasikan dalam gambar 2.
Contoh 1:
Hypertension atau tekanan darah tinggi nilai signifikansi statistik dari data
tekanan darah OC dalam tabel 1.
Penyelesaian:

 
Metode nilai kritis pertama kali digunakan untuk melakukan uji signifikansi.
Ada 10 ̶ 1 = 9 derajat kebebasan (df), dan dari Tabel 2. kita melihat bahwa
t9,975 = 2,262. Karena t = 3,32 > 2,262, dari Persamaan 1. maka H0 dapat
ditolak dengan menggunakan uji signifikansi dua sisi dengan = .05.

Untuk menghitung perkiraan nilai p, lihat Tabel 2 dan perhatikan bahwa

t9,9995 = 4,781, t9,995 = 3,250. Jadi, karena 3,25 < 3,32 < 4,781, maka .0005
< p/2 < .005 atau .001 < p < .01. Untuk menghitung nilai p yang lebih
tepat, program komputer harus digunakan.
Penyelesaian dalam R untuk uji kesamaan rata-rata dari dua popoulasi untuk data
berpasangan dan saling berhubungan dengan uji t sebagai berikut:
 Data terlebih dahulu dibuat dalam Microsoft Excel dapat dilihat pada (Gambar 3)
dan disimpan dengan format tipe Excel. Setelah data disimpan dalam data excel,
kemudian masuk RStudio klik import lalu klik import excel. Setelah itu akan
ditampilkan data previewe klik Browse, lalu pilih data yang akan diimport dan klik
open lalu klik import. Pada jendela RStudio akan muncul table data.
 Setelah data tampil di jendela maka nama file telah tersimpan di halaman
consule,
 Klik tanda (x) untuk menghilangkan data yang telah ditampilkan di jendela.
 Pindah ke scrip baru
 Selanjutnya ketik perintah sebagai berikut:
 Ketik kode R seperti pada Gambar 4. Kemudian klik (Ctrl + Enter). Hasilnya
seperti pada Gambar 5.
 Gambar 4. Kode pada jendela

Gambar 3. Data SBP menggunakan Microsoft Excel

Klik (Ctrl+Enter) lalu hasilnya akan tampil seperti dibawah ini:

Gambar 5. Hasil Uji The Paired t Test

Berdasarkan Gambar 5 diketahui nilai statistic dari uji t (t)
adalah -3.3247, sementara nilai probabilitas (p-value)
adalah 0,008874. Berdasarkan Gambar 5 diketahui nilai
derajat bebas (df) adalah 9. Perhatikan bahwa karena |t hitung|
> |tkritis|, yakni -3,3247 > 2.262 , maka disimpukan bahwa
hipotesis nol ditolak dan hipotesis alternative diterima. Hal
ini berarti terdapat pengaruh yang signifikan secara
statistika dalam hal penggunaan OCs, sebelum dan
sesudah mengomsumsi OCs pada tingkat signifikansi 5%.
Pengambilan keputusan terhadap hipotesis juga dapat
dilakukan dengan menggunakan nilai probabilitas dari
uji 𝑡 (p-value). Nilai probabilitas dari uji 𝑡 dibandingkan
dengan tingkat signifikansi yang digunakan. Berikut
aturan pengambilan keputusan terhadap hipotesis
berdasarkan pendekatan nilai probabilitas.
Jika nilai probabilitas ≥ tingkat signifikansi, maka H 0
diterima dan H1 ditolak.
Jika nilai probabilitas < tingkat signifikansi, maka H0
ditolak dan H1 diterima.
Contoh 2:
Gynecology adalah sebuah topik klinis baru-baru ini menarik karena efek dari metode
kontrasepsi yang berbeda pada kesuburan. Misalkan kita ingin membandingkan
berapa lama waktu yang dibutuhkan pengguna baik kontrasepsi oral atau diafragma
untuk hamil setelah menghentikan kontrasepsi. Sebuah pelajaran kelompok 20
pengguna OC dibentuk, dan pengguna diafragma yang cocok dengan setiap
pengguna OC dengan berkaitan dengan usia (dalam 5 tahun), ras, paritas (jumlah
kehamilan sebelumnya), dan status sosial ekonomi (SES) ditemukan. Para peneliti
menghitung perbedaan dalam waktu untuk kesuburan antara pengguna OC dan
diafragma sebelumnya dan temukan bahwa rata-rata selisih (OC minus diafragma)
dalam waktu untuk kesuburan adalah 4 bulan dengan standar deviasi (sd) selama 8
bulan. Apa yang dapat kita simpulkan dari data ini?

Penyelesaian:
Melakukan uji t dengan data yang telah kita miliki
Tabel 1. Poin Persentase
dari Distribusi t
 03 Estimasi Interval untuk Perbandingan Rata-rata dari
Dua Sampel Berpasangan
Secara sederhana, estimasi adalah perkiraan. Estimasi adalah sesuatu cara
yang kita lakukan dimana kita mampu memperkirakan nilai populasi
(parameter) dengan menggunakan nilai sampel (statistik). Didalam statistika
estimasi dikenal akrab dengan aktivitas perkiraan mengenai suatu objek
yang dapat terukur namun secara relative.

Interval estimasi adalah selompok nilai statistik sampel dalam interval

tertentu yang dapat digunakan untuk melakukan estimasi terhadap
parameter populasi dengan harapan bahwa nilai parameter populasi
terletak didalam interval tersebut.
 Uji t Dua Sampel untuk Independen Sampel
04 dengan Varians yang Sama

Dalam uji kesamaan rata-rata dari dua populasi yang tidak berhubungan
dengan asumsi varians yang sama, menguji ada tidaknya perbedaan rata-
rata antara populasi pertama dan populasi kedua. Dengan kata lain,
menguji apakah selisih rata-rata antara kelompok kedua dan pertama
berbeda atau sama dengan nol. Dalam uji ini, pengamatan-pengamatan
pada populasi pertama saling bebas atau independen dengan
pengamatan-pengamatan pada populasi kedua (independent populations).
Uji ini didasarkan pada ketidaktahuan (unknown) mengenai nilai varians
dari dua populasi, namun diasumsikan varians dari dua populasi tersebut
sama.
Berikut beberapa contoh kasus yang dapat diselesaikan dengan pendekatan
uji kesamaan ratarata dari dua populasi independen dengan asumsi varians
yang sama dengan uji 𝑡.

 Menguji ada tidaknya perbedaan (perbedaan yang

signifikan secara statistika) nilai indeks prestasi (secara
rata-rata) antara mahasiswa laki-laki dan perempuan.
 Menguji ada tidaknya perbedaan harga saham antara
perusahaan manufaktur dan real estate.
 Menguji ada tidaknya perbedaan uang jajan antara
mahasiswa kedokteran dan mahasiswa matematika.
 Menguji ada tidaknya perbedaan indeks prestasi antara
mahasiswa dominan otak kanan dan dominan kotak kiri.
Dalam uji kesamaan rata-rata dari dua populasi yang tidak berhubungan dengan
asumsi varians yang sama, hipotesis nol menyatakan tidak terdapat perbedaan
rata-rata antara populasi pertama dan populasi kedua. Dengan kata lain, selisih
rata-rata antara populasi kedua dan pertama sama dengan nol (𝜇2 − 𝜇1 = 0).
Hipotesis alternatif menyatakan terdapat perbedaan rata-rata antara populasi
pertama dan populasi kedua. Dengan kata lain, selisih rata-rata antara populasi
kedua dan pertama berbeda dari nol (𝜇2 − 𝜇1 ≠ 0). Nilai statistik dari uji 𝑡 (𝑡ℎ𝑖𝑡𝑢𝑛𝑔)
dihitung dengan rumus sebagai berikut.
𝑿𝟐− 𝑿𝟏
𝒕=

√
𝑺𝒑 𝟏
+
𝟏
𝒏𝟏 𝒏 𝟐

Perhatikan bahwa 𝑡 merupakan nilai statistik dari uji 𝑡, 𝑋̅1 merupakan nilai rata-rata
dari sampel pertama, 𝑋̅2 merupakan nilai rata-rata dari sampel kedua, 𝑛1 merupakan
jumlah pengamatan dalam sampel pertama, dan 𝑛2 merupakan jumlah pengamatan
dalam sampel kedua.
 √
Berikut rumus untuk menghitung 𝑠𝑝.
𝑺𝟐𝟏 ( 𝒏𝟏 −𝟏 )
𝑺 𝒑=
𝒏𝟏+𝒏𝟐 −𝟐

Perhatikan bahwa 𝑠𝑝 disebut pooled estimator standard deviation for two

samples, yang mana merupakan estimator dari 𝜎. Untuk pengambilan
keputusan terhadap hipotesis, dapat dilakukan dengan membandingkan nilai
statistik dari uji 𝑡 terhadap nilai kritis 𝑡 (𝑡𝑘𝑟𝑖𝑡𝑖𝑠). Sebelum menghitung nilai kritis 𝑡,
terlebih dahulu menghitung nilai derajat bebas. Berikut rumus untuk
menghitung nilai derajat bebas.

Berikut aturan pengambilan keputusan terhadap hipotesis berdasarkan uji

𝑡. 𝐽𝑖𝑘𝑎 |𝑡ℎ𝑖𝑡𝑢𝑛𝑔| ≤ |𝑡𝑘𝑟𝑖𝑡𝑖𝑠|, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎 𝑑𝑎𝑛 𝐻1 𝑑𝑖𝑡𝑜𝑙𝑎𝑘.
𝐽𝑖𝑘𝑎 |𝑡ℎ𝑖𝑡𝑢𝑛𝑔| > |𝑡𝑘𝑟𝑖𝑡𝑖𝑠|, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑜𝑙𝑎𝑘 𝑑𝑎𝑛 𝐻1 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎.
 Estimasi Interval untuk Perbandingan Rata-rata dari Dua
05 Independen Sampel (Kasus Varians Setara)

Secara sederhana, estimasi adalah perkiraan. Estimasi adalah sesuatu cara

yang kita lakukan dimana kita mampu memperkirakan nilai populasi
(parameter) dengan menggunakan nilai sampel (statistik). Didalam statistika
estimasi dikenal akrab dengan aktivitas perkiraan mengenai suatu objek yang
dapat terukur namun secara relative.
Ketika seseorang hendak melakukan estimasi, seseorang tersebut harus dapat
mengacu pada informasi-informasi numeris yang sudah diperolehnya
sebelumnya.
metode pengujian hipotesis untuk membandingkan rata-rata dari
dua sampel berpasangan dibahas. Ini juga berguna untuk
membangun batas kepercayaan untuk perbedaan rata-rata
sebenarnya (∆). Skor perbedaan yang diamati (di) biasanya
terdistribusi dengan rata-rata ∆ dan varians . Dengan demikian
perbedaan rata-rata sampel () adalah normal terdistribusi dengan
mean ∆ dan varians , dimana tidak diketahui. Metode dari Estimasi
CI pada Interval Kepercayaan untuk Mean Distribusi Normal 100%
× (1 − α) CI untuk rata-rata µ dari distribusi normal dengan yang
tidak diketahui varians diberikan oleh

Notasi singkat untuk CI adalah

Contoh 3:
Hypertension atau tekanan darah tinggi menggunakan data Table 1,
menghitung 95% CI untuk peningkatan sebenarnya dalam rata-rata SBP
setelah memulai OC.
Solusi :
Dari Contoh 1. hypertention kita memiliki = 4.80 mm Hg, sd = 4,566 mm Hg, n
= 10. Jadi, dari diatas, CI 95% untuk rata-rata perubahan SBP sebenarnya
diberikan

Dengan demikian perubahan yang sebenarnya pada SBP rata-rata

kemungkinan besar antara 1,5 dan 8,1 mm Hg.
 06 Pengujian untuk Kesetaraan Dua Varians

Selain asumsi normalitas, asumsi lain yang dikenakan adalah asumsi kesamaan varians,
yakni sampel-sampel yang diteliti berasal dari populasi-populasi yang memiliki varians
yang sama. Untuk menguji apakah sampel-sampel yang diteliti berasal dari populasi-
populasi yang memiliki varians yang sama, dapat digunakan uji Levene. Pada uji Levene,
hipotesis nol menyatakan sampel-sampel yang diambil berasal dari populasi-populasi
yang memiliki varians yang sama, sedangkan hipotesis alternatif menyatakan paling tidak
terdapat sepasang populasi yang memiliki varians yang berbeda. Pengambilan keputusan
terhadap hipotesis dilakukan dengan membandingkan nilai statistik dari uji Levene (𝐿)
dengan nilai kritis 𝐹 (𝐹𝑘𝑟𝑖𝑡𝑖𝑠). Sebelum menghitung nilai kritis 𝐹, terlebih dahulu
menghitung nilai dari derajat bebas pembilang dan derajat bebas penyebut. Berikut
rumus untuk menghitung nilai dari derajat bebas pembilang dan derajat bebas penyebut.
𝐷𝑒𝑟𝑎𝑗𝑎𝑡 𝑏𝑒𝑏𝑎𝑠 𝑝𝑒𝑚𝑏𝑖𝑙𝑎𝑛𝑔 = 𝑘 − 1.
𝐷𝑒𝑟𝑎𝑗𝑎𝑡 𝑏𝑒𝑏𝑎𝑠 𝑝𝑒𝑛𝑦𝑒𝑏𝑢𝑡 = 𝑁 − 𝑘.
Perhatikan bahwa 𝑘 menyatakan banyaknya sampel/populasi yang diteliti, sedangkan 𝑁
merupakan jumlah pengamatan/elemen dari seluruh sampel. Diketahui misalkan nilai k.
Berikut aturan pengambilan keputusan terhadap hipotesis berdasarkan uji Levene
(aturan distribusi F).
𝐽𝑖𝑘𝑎 𝐿 ≤ 𝐹𝑘𝑟𝑖𝑡𝑖𝑠, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎 𝑑𝑎𝑛 𝐻1 𝑑𝑖𝑡𝑜𝑙𝑎𝑘.
𝑗𝑖𝑘𝑎 𝐿 > 𝐹𝑘𝑟𝑖𝑡𝑖𝑠, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑜𝑙𝑎𝑘 𝑑𝑎𝑛 𝐻1 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎.
 
𝐹𝑘𝑟𝑖𝑡𝑖𝑠 = 4,41

Pengambilan keputusan terhadap hipotesis dapat juga digunakan pendekatan nilai

probabilitas dari uji Levene. Nilai probabilitas tersebut dibandingkan dengan tingkat
signifikansi (𝛼). Berikut aturan pengambilan keputusan terhadap hipotesis.

𝐽𝑖𝑘𝑎 𝑛𝑖𝑙𝑎𝑖 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 ≥ 𝛼, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎 𝑑𝑎𝑛 𝐻1 𝑑𝑖𝑡𝑜𝑙𝑎𝑘.

𝐽𝑖𝑘𝑎 𝑛𝑖𝑙𝑎𝑖 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 < 𝛼, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑜𝑙𝑎𝑘 𝑑𝑎𝑛 𝐻1 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎.
07 Uji t Dua Sampel untuk Independen Sampel dengan
Varians Tidak Sama

Dalam uji kesamaan rata-rata dari dua populasi yang tidak berhubungan
dengan asumsi varians yang berbeda (tidak sama), menguji ada tidaknya
perbedaan rata-rata antara populasi pertama dan populasi kedua. Dengan
kata lain, menguji apakah selisih rata-rata antara kelompok kedua dan
pertama berbeda atau sama dengan nol. Dalam uji ini, pengamatan pada
populasi pertama saling bebas/independen (independent) dengan
pengamatan-pengamatan pada populasi kedua (independent populations).
Uji ini didasarkan pada ketidaktahuan (unknown) mengenai nilai varians dari
dua populasi, namun diasumsikan varians dari dua populasi tersebut tidak
sama.
Berikut beberapa contoh kasus yang dapat diselesaikan dengan
pendekatan uji kesamaan ratarata dari dua populasi independen
dengan asumsi varians yang sama dengan uji 𝑡.
 Menguji ada tidaknya perbedaan (perbedaan yang signifikan
secara statistika) nilai indeks prestasi (secara rata-rata)
antara mahasiswa laki-laki dan perempuan.
 Menguji ada tidaknya perbedaan harga saham antara
perusahaan manufaktur dan real estate.
 Menguji ada tidaknya perbedaan uang jajan antara
mahasiswa kedokteran dan mahasiswa matematika.
 Menguji ada tidaknya perbedaan indeks prestasi antara
mahasiswa dominan otak kanan dan dominan kotak kiri.
 Dalam uji kesamaan rata-rata dari dua populasi yang tidak
berhubungan dengan asumsi varians yang berbeda, hipotesis
nol menyatakan tidak terdapat perbedaan rata-rata antara
populasi pertama dan populasi kedua. Dengan kata lain,
selisih rata-rata antara populasi kedua dan pertama sama
dengan nol (𝜇2 − 𝜇1 = 0).
Hipotesis alternatif menyatakan terdapat perbedaan rata-rata antara populasi
pertama dan populasi kedua. Dengan kata lain, selisih rata-rata antara
populasi kedua dan pertama berbeda dari nol (𝜇2 − 𝜇1 ≠ 0). Nilai statistik dari
uji 𝑡 (𝑡ℎ𝑖𝑡𝑢𝑛𝑔) dihitung dengan rumus sebagai berikut.

Perhatikan bahwa 𝑡 merupakan nilai statistik dari uji 𝑡, 𝑋̅1 merupakan nilai rata-
rata dari sampel pertama, 𝑋̅2 merupakan nilai rata-rata dari sampel kedua, 𝑠1
merupakan nilai standar deviasi dari sampel pertama, 𝑠2 merupakan nilai
standar deviasi dari sampel kedua, 𝑛1 merupakan jumlah pengamatan dalam
sampel pertama, dan 𝑛2 merupakan jumlah pengamatan dalam sampel kedua.
Contoh 9:
Data kasus menggunakan data the association antara
penggunaan antibiotic dan durasi dari rumah sakit.
 Membuat Data dalam bentuk format excel
(Gambar)
 Klik File pilih Import Data Excel (pilih file data
format excel yang sudah dibuat) klik import.
 Setelah data tampil di jendela maka nama file telah
tersimpan di halaman consule,
 Klik tanda (x) untuk menghilangkan data yang telah
ditampilkan di jendela.
 Pindah ke scrip baru
 Sanjutnya ketik perintah sebagai berikut:

Gambar 8. Data Tabel dalam bentuk excel

Gambar 9. Kode pada jendela

Gambar 10. Hasil Uji t dengan mean dua sampel

independent
08 Studi Kasus: Efek Paparan Timbal Terhadap Neurologis dan
Psikologis Fungsi pada Anak

Kesehatan Lingkungan, Pediatri Dalam Bagian 2.9, kami menggambarkan

sebuah studi yang dilakukan di El Paso, Texas, yang meneliti hubungan antara
paparan timbal dan perkembangan fitur pada anak-anak [2]. Ada berbagai cara
untuk mengukur paparan timbal. Satu metode yang digunakan dalam penelitian
terdiri dari menentukan kelompok kontrol anak-anak yang kadar timbal dalam
darah <40 µg/100 mL pada tahun 1972 dan 1973 (n = 78) dan kelompok anak
yang terpapar yang memiliki kadar timbal dalam darah ≥ 40 µg/100 mL pada
tahun 1972 atau 1973 (n = 46).
Dua variabel hasil penting dalam penelitian ini adalah
jumlah ketukan jari-pergelangan tangan per 10 detik di
tangan yang dominan (ukuran neurologis fungsi) serta
skor IQ skala penuh Wechsler (ukuran perkembangan
intelektual). Karena hanya anak-anak ≥ 5 tahun yang
diberikan tes neurologis, kami sebenarnya memiliki 35
anak yang terpajan dan 64 anak kontrol dengan skor
ketukan jari-pergelangan tangan.
 09 Perlakuan terhadap Pencilan
Contoh 10:
Hitung statistik ESD untuk skor ketukan jari-pergelangan tangan untuk
kelompok kontrol.
Solusi:
Dari Tabel 8.10, kita melihat bahwa x = 54.4, s = 12.1. Dari Gambar 8.11a
kami mencatat bahwa jarak dari mean untuk nilai terkecil dan terbesar adalah
|13 − 54,4| = 41,4 dan |84 − 54,4| = 29,6, masing-masing. Oleh karena itu,
karena 41,4 > 29,6, maka ESD = 41,4/12,1 =3,44.
10 Estimasi Ukuran dan Kekuatan Sampel untuk
Membandingkan Dua Cara

Estimasi dari ukuran sampel

Metode estimasi ukuran sampel untuk uji z satu sampel untuk rata-rata
distribusi normal dengan varian yang diketahui disajikan pada Bagian 7.6.
Bagian ini mencakup perkiraan ukuran sampel yang berguna dalam studi
perencanaan di mana dua sampel yang akan dibandingkan.
Contoh 11:
Hipertensi Pertimbangkan data tekanan darah untuk pengguna OC dan non-OC pada Contoh 5
sebagai studi percontohan yang dilakukan untuk mendapatkan perkiraan parameter untuk
merencanakan untuk studi yang lebih besar. Misalkan kita menganggap distribusi tekanan darah
yang sebenarnya adalah 35- to Pengguna OC berusia 39 tahun adalah normal dengan mean µ1
dan varians . Begitu pula untuk non OC pengguna kami menganggap distribusinya normal
dengan rata-rata µ2 dan varians . Kami berharap untuk menguji hipotesis H0: µ1 = µ2 vs. H1: µ1 ≠
µ2. Bagaimana kita bisa memperkirakan ukuran sampel diperlukan untuk studi yang lebih besar?
Misalkan kita asumsikan dan diketahui dan kami mengantisipasi ukuran sampel yang sama di
kedua kelompok. Melakukan uji dua sisi dengan taraf signifikansi α dan pangkat 1 – β, ukuran
sampel yang sesuai untuk setiap kelompok adalah sebagai berikut:
Ukuran sampel dibutuhkan untuk membandingkan mean dari dua sampel berdistribusi normal
dari penjumlahan ukuran yang digunakan suatu uji dua sisi dengan tingkat signifikan a dan
kekuatan 1 – β.

Dimana . Mean dan varians dari dua group masing-masing adalah dan .
 11 Estimasi Ukuran Sampel untuk Longitudinal

Contoh 13:
Hipertensi Misalkan kita mengantisipasi pengguna non-OC dua kali lebih banyak daripada
pengguna OC yang mengikuti studi yang diusulkan dalam Contoh 11. Proyeksikan ukuran
sampel yang diperlukan jika uji dua sisi digunakan dengan tingkat signifikansi 5% dan
kekuatan 80% yang diinginkan
Solusi:
Jika Persamaan 8.27 digunakan dengan µ1 = 132.86, σ1 = 15.34, µ2 =127.44, σ2 = 18.23, k
= 2, α = .05, dan 1 – β = .8, maka untuk mencapai kekuatan 80% dalam penelitian
menggunakan uji signifikansi dua sisi dengan α = 0,05 kita perlu mengikuti

Dan
Estimasi Kekuatan
Dalam banyak situasi, ukuran sampel yang telah ditentukan tersedia
untuk dipelajari dan berapa banyak kekuatan studi akan memiliki untuk
mendeteksi alternatif tertentu perlu ditentukan.
 
Contoh 14:
Hipertensi Misalkan 100 pengguna OC dan 100 pengguna non-OC
tersedia untuk belajar dan perbedaan sebenarnya dalam SBP rata-rata
5 mm Hg diantisipasi, dengan pengguna OC memiliki SBP rata-rata
yang lebih tinggi. Berapa banyak kekuatan yang dimiliki studi semacam
itu dengan asumsi bahwa perkiraan varians dalam studi percontohan
pada Contoh 5 sudah benar?
Asumsikan dan diketahui, kekuatan menggunakan uji dua sisi
dengan tingkat signifikansi α diberikan oleh Persamaan berikut.
Kekuatan untuk Membandingkan Mean Dua Sampel yang
Terdistribusi Secara Normal Menggunakan Tingkat Signifikansi α
Untuk menguji hipotesis H0: µ1 = µ2 vs. H1: µ1 ≠ µ2 untuk alternatif spesifik |µ1 –
µ2| = ∆, dengan taraf signifikansi α,

Power

Dimana adalah mean dan varians dari masing-masing dua group dan n1, n2
adalah ukuran sampel dari dua group.
Contoh 15:
Hipertensi Perkirakan daya yang tersedia untuk studi yang diusulkan dalam
Contoh 14 menggunakan uji dua sisi dengan taraf signifikansi = 0,05.
Solusi :
Dari Contoh 14, n1 = n2= 100, ∆ = 5, σ1 = 15.34, σ2 = 18.23, dan α = .05.
Karena itu, dari Persamaan diatas,
Power

Dengan demikian ada kemungkinan 55,5% untuk mendeteksi perbedaan

yang signifikan menggunakan uji dua sisi dengan tingkat signifikansi = 0,05.
 
11 Estimasi Ukuran Sampel untuk Longitudinal

Studi longitudinal sering melibatkan membandingkan skor perubahan rata-

rata antara dua grup. Jika telah ada studi longitudinal sebelumnya, maka
standar deviasi skor perubahan dapat diperoleh dari studi ini dan metode
kekuasaan dan estimasi ukuran sampel di Contoh 6 dapat digunakan.
Namun, seringkali tidak ada studi longitudinal sebelumnya. Sebaliknya,
mungkin ada studi reproduktifitas kecil di mana korelasi antara tindakan
berulang pada subjek yang sama dari waktu ke waktu diketahui.
Contoh 16:
Hipertensi Misalkan kita merencanakan studi longitudinal untuk
membandingkan rata-rata perubahan SBP antara kelompok perlakuan dan
kelompok kontrol. Diproyeksikan, berdasarkan data sebelumnya, standar
deviasi SBP pada baseline dan follow-up adalah 15 mmHg dan bahwa
koefisien korelasi antara nilai ulangan SBP dengan selang waktu 1 tahun
adalah sekitar 0,70. Berapa banyak peserta yang perlu kita pelajari untuk
memiliki kekuatan 80%. untuk mendeteksi perbedaan yang signifikan antar
kelompok menggunakan uji dua sisi dengan α = 0,05 jika rata-rata penurunan
SBP yang sebenarnya selama 1 tahun adalah 8 mm Hg untuk kelompok yang
diobati dan 3 mmHg untuk kelompok kontrol?
Untuk menjawab pertanyaan yang diajukan pada Contoh 16, kami ingin
menerapkan rumus ukuran sampel yang diberikan dalam Persamaan ukuran
sampel perbandingan mean dari dua sampel terdistribusi normal. Namun,
menggunakan Persamaan tersebut membutuhkan pengetahuan tentang
varians perubahan SBP untuk masing-masing diperlakukan dan control grup.

Mempertimbangkan kelompok kontrol terlebih dahulu, biarkan

x1i = SBP untuk subjek ke-i pada kelompok kontrol pada awal
x2i = SBP untuk subjek ke-i pada kelompok kontrol selama 1 tahun
Karena itu,
di = x2i – x1i = perubahan SBP untuk subjek ke-i pada kelompok kontrol selama 1 tahun
Jika x1i dan x2i independen, maka
Var(di) = dimana
varians SBP awal pada kontrol group
varians SBP 1 tahun pada kontrol group
Namun, tindakan SBP berulang pada orang yang sama biasanya
tidak independen. Korelasi di antara mereka, secara umum, akan
bergantung pada interval waktu di antaranya langkah dasar dan
tindak lanjut. Mari kita asumsikan bahwa koefisien korelasi antara
takaran yang berjarak 1 tahun adalah ρ.
Ukuran Sampel Diperlukan untuk Studi Longitudinal
Membandingkan Perubahan Rata-Rata pada Dua Sampel yang
Terdistribusi Secara Normal dengan Dua Titik Waktu
Misalkan kita merencanakan studi longitudinal dengan jumlah
subjek yang sama (n) di masing-masing dua kelompok. Kami ingin
menguji hipotesis H0: µ1 = µ2 vs. H1: µ1 ≠ µ2, di mana
µ1 = perubahan rata-rata yang mendasari dari waktu ke waktu t
dalam kelompok 1
µ2 = perubahan rata-rata yang mendasari dari waktu ke waktu t
dalam kelompok 2
Kami akan melakukan uji dua sisi pada level α dan ingin memiliki kekuatan
1 – β untuk mendeteksi perbedaan yang signifikan jika |µ1 – µ2| = δ di
bawah H1. Ukuran sampel per kelompok yang diperlukan adalah

Dimana
=
varian nilai dasar dalam kelompok perlakuan
varian nilai tindak lanjut dalam kelompok perlakuan
ρ = koefisien korelasi antara nilai awal dan tindak lanjut dalam kelompok
perlakuan
Solusi :
Kita memiliki

Oleh karena itu,

Juga, Maka

atau 85 subjek dalam setiap group

 Sekian
Terima Kasih