Kind: captions
Language: id
baik Assalamualaikum warahmatullahi
wabarakatuh Selamat pagi Bapak dan Ibu
semuanya peserta webinar untuk statistik
inferensial dalam analisis lingkungan
yang diselenggarakan 20 Oktober 2022
hari ini perkenalkan saya Tia Hari ini
saya akan menjadi moderator untuk
webinar kita pada pagi hari ini untuk
materi kita hari ini nanti berjudul
statistik inferensial dalam analisis
lingkungan bersama dokter Asep Sofyan MP
dari teknik lingkungan ITB baik mungkin
sebelum kita memulai webinar ada baiknya
kita melakukan doa terlebih dahulu
supaya webinar kita hari ini dapat
dapat berkenan dan dapat diberkahi oleh
Allah subhanahu wa ta'ala berdoa
dipersilahkan
doa dicukupkan semoga kegiatan webinar
kita hari ini dapat bermanfaat bagi
Bapak dan Ibu semuanya Kemudian untuk
selanjutnya kita akan menyanyikan lagu
Indonesia Raya maka dari itu bapak dan
ibu dipersilahkan untuk Hitman
[Musik]
Baik terima
saya ingin mengucapkan selamat datang
kepada Bapak dan Ibu semuanya yang sudah
hadir pada kegiatan webinar hari ini
baik mungkin Sebelumnya saya ingin akan
ada sambutan terlebih dahulu di sini
sudah masuk ketua
pelaksanakan untuk menyampaikan
sambutannya Pak silahkan
baik selamat pagi Bapak Ibu sekalian
Assalamualaikum warahmatullahi
wabarakatuh Selamat datang ya di webinar
requedo saya sangat mengapresiasi karir
Bapak Ibu sekalian yang telah antusias
untuk menghadiri ini dan semoga untuk
materi yang disampaikan pada hari ini
akan sangat bermanfaat bagi Bapak Ibu
sekalian terima kasih wassalamualaikum
warahmatullahi wabarakatuh saya
kembalikan kepada moderator
Baik terima kasih banyak
terima kasih sudah hadir di kegiatan
hari ini
Nah di sini mungkin sudah saya share
juga untuk background webinar kita hari
ini sampai nanti materi juga akan saya
share di kolom chat untuk materi kita
hari ini nanti kita akan kehadiran Bapak
Asep Sofyan dari teknik lingkungan ITB
mungkin saya sapa terlebih dahulu
Selamat pagi Pak Asep
Selamat pagi
Terima kasih sudah hadir di kegiatan
kita hari ini untuk topik hari ini kita
akan membahas terkait dengan topik
selanjutnya dari yang minggu kemarin
sudah dibahas ya Pak terkait dengan
statistika kemarin kita hari ini ada
materi lanjutan dari statistikanya
terkait dengan statistik inferensial
untuk analisis lingkungan juga oke
mungkin hari ini
Pak Asep ini sudah siap untuk melaporkan
materi atau mungkin kita sapa dulu
peserta mungkin ya Pak begitu
baik mungkin di sini Saya ingin sapa
terlebih dahulu sudah kehadiran kita
kali di sini ada
mungkin di sini ada Pak Azwar Selamat
pagi Pak
Oke mungkin di sini ada kamar Pak
Margono Selamat pagi Pak
Oke sepertinya sedang ada keperluan di
sini mungkin saya ingin menyapa Bupati
Selamat pagi Mungkin bisa memperkenalkan
diri
dari asal instansinya Silahkan ibu
suaranya belum terdengar Bu mohon
dinyalakan terlebih dahulu
microphone-nya
ini sepertinya suaranya tidak masuk ke
kami tapi salam kenal Ibu Terima kasih
sudah hadir di kegiatan hari ini
kemudian di sini ada Ibu Julian mungkin
saya ingin menyapa selamat pagi bu Julia
Oke sudah terdengar Bu Julia mungkin
bisa memperkenalkan diri dari asal
instansinya dari mana kemudian
[Musik]
Saya dari dinas lingkungan hidup
Kabupaten Bekasi Bu oke salam kenal Ibu
salam buat semua teman-teman yang ada di
Bekasi di sini juga ada Pak Yudik
Waalaikumsalam Pak Yudi ini dari dlh
kota Samarinda terima kasih sudah
bergabung di kegiatan webinar kita hari
ini kemudian di sini ada pazella
Muttaqin Selamat pagi Pak
memperkenalkan diri terlebih dahulu
Assalamualaikum
Saya dari universitas untuk Global
mandiri palembang
Terima kasih
sudah bergabung dari Palembang Terima
kasih di sini juga ada
Pak Oktavian Selamat pagi Pak
memperkenalkan diri
Oh alah mantap dari Surabaya
di sini Artinya kita sudah ada
teman-teman semuanya ada 223 peserta
webinar di zoom meeting kemudian nanti
di YouTube juga sudah ada yang bergabung
di meetingnya mungkin untuk sesi kita
hari ini nanti kita akan membahas banyak
ke statistik di sini nanti mungkin Bapak
dan Ibu kebanyakan mungkin sudah
familiar atau mungkin bahkan sudah
terjun langsung di dunia statistika Nah
mungkin kita nanti akan membahas terkait
dengan apa sih statistik inferensial itu
dan bagaimana cara penerapannya untuk
analisis lingkungan seperti untuk
dokumen-dokumen-dokumen AMDAL kemudian
ada dokumen lingkungan lainnya nanti
kita cari tahu terkait dengan hubungan
dari statistik inferensial ini bagaimana
diterapkan ke analisis lingkungan ini
nanti akan dibawakan oleh dokter Asep
Sofyan yang akan melaporkan materinya
hari ini lah Di sini mungkin Pak Asep
Bagaimana Pak sudah siap untuk
memaparkan materinya hari ini
akan saya persilahkan kepada Pak Asep
untuk memaparkan materinya hari ini
Selamat mengikuti webinar Bapak dan Ibu
silahkan nanti untuk Apabila ada
pertanyaan nanti bisa menuliskannya di
spido ataupun di kolom Chat juga tidak
apa-apa seperti itu Nah mungkin kalau
misalnya ada yang ingin bertanya secara
langsung nanti di sesi pertanyaan kita
akan
adakan bagi Bapak dan Ibu yang ingin
bertanya secara langsung nanti mungkin
dipersiapkan seperti itu baik mungkin
Pak Asep saya persilahkan kepada bapak
untuk menyampaikan penularan materinya
Terima kasih Pak
Assalamualaikum warahmatullahi
wabarakatuh
Bapak Ibu yang saya hormati terima kasih
sudah hadir di webinar kita kali ini
kita niatkan webinar kita sebagai
tholabul ilmu ya tholabul Ilmi
menuntut ilmu ada yang muslim kita awali
dengan Bismillahirrohmanirrohim
mudah-mudahan bisa jadi amal baik buat
kita semua
Bapak Ibu yang saya hormati Saya yakin
Bapak Ibu sudah
apa pengalaman ya di bidang
statistik jadi kita lebih banyak
berdiskusi kita mungkin host ini apa
belum bisa Share screen ya Mbah mudik
bagi Bapak Ibu yang sudah pernah ikut
minggu lalu
mungkin sudah
melihat
slide ini ya slide yang pendahuluan tapi
bagi yang Bapak Ibu belum saya akan
ulang sedikit ya slide yang minggu lalu
jadi Minggu lalu kita melihat bahwa
sebenarnya statistik ini ada di sekitar
kita sehari-hari misalnya Ketika kita
melihat data-data ya mau pergi
naik pesawat kemudian kita lihat
murah itu tanggal berapa itu berarti
kita sudah
mempelajari atau mengaplikasikan
statistika nah statistika adalah ilmu
statistik adalah hasil ya jadi hasil
data dari ilmu statistika disebut
data-data statistik
demikian juga kalau kita ingin
memprediksi ya Misalnya Apakah besok ini
hujan atau tidak ya Nah ini
kita bisa
melakukan analisis statistika
kemudian Juga misalnya kalau dalam
analisis lingkungan ya kita ada
data-data pemantauan kemudian kita ingin
mengetahui
ada pemantauan di sungai A dan sungai B
ini kira-kira
ada perbedaan dari sisi nilai rata-rata
dan juga nilai
sebarannya ya Nah kalau misalnya berbeda
kita bisa cari tahu kenapa
Beda
penyebabnya apa Nah kita bisa uji dengan
statistik kemudian juga
ini bidang lain ya Misalnya menentukan
ada wilayah tanah yang tercemar
wilayahnya ini sangat luas ya mungkin
kita tidak mungkin apa tidak Tidak ada
biaya untuk mengevaluasi semua
sehingga kita
lakukan
[Musik]
sampling
jadi dari sekian
luas daerah kita sampling Bagaimana cara
samplingnya itu kita pelajari di ilmu
statistika kemudian juga untuk
prediksi-prediksi ke depan kita bisa
gunakan
statistika Nah untuk prediksi di ilmu
lingkungan ini memang sangat intensif ya
Misalnya
Bagaimana kenaikan suhu bumi pada tahun
2100 nah ini
kalau kita lihat gambar di sini
kita dituntut ya orang lingkungan untuk
bisa memprediksi suhu bumi di tahun 2100
nah tentu di sini kita menggunakan
banyak metode Ya baik statistika maupun
modeling untuk bisa menentukan berapa
kenaikan suhu bumi di 2100 bahkan di
dalam laporan ipcc yang Aib di sisi yang
terakhir
prediksi sudah diperpanjang jadi tahun
2300 jadi yang 2300 juga sudah keluar
hasil prediksinya nah
demikian juga kalau kita ingin
memprediksi di tahun 2050 ketika planet
bumi menerapkan net Zero emission
itu kira-kira seperti apa trend ke depan
ya nah jadi
statistika ini banyak sekali diperlukan
di dalam bidang lingkungan
dan
statistika ini terbagi menjadi dua ya
Secara umum ada statistika deskriptif
yaitu Bagaimana cara mengumpulkan data
mengolah dan menganalisis data tanpa
menarik kesimpulan itu deskriptif
sedangkan kalau kita tarik kesimpulan
dari data-data itu disebut dengan
statistika inferensial
jadi Invert ya dalam bahasa Inggris and
fair itu artinya kesimpulan jadi
statistika inferensial atau inferensial
adalah
menarik kesimpulan dari suatu data
Nah kita ulang ya bagi Bapak Ibu yang
minggu lalu tidak hadir
statistika deskriptif ini sebetulnya
yang biasa kita lihat sehari-hari
cara penyajian data dalam bentuk
grafik kemudian dalam bentuk diagram ya
berbagai diagram
tabulasi kita sajikan untuk menunjukkan
kesimpulan dari data tersebut ya jadi
misalnya kalau kita buat data ini dalam
bentuk
diagram batang Ya seperti ini ini
artinya kita melihat titik tengah ya
jadi kalau kita lihat ini ada distribusi
ya contoh ini ada distribusi yang di
sini ada pencilan ada yang tinggi
sendiri ya tapi di sini yang lainnya dia
terdistribusi normal artinya
dia membentuk suatu lonceng terbalik
gitu ya ya gambar loncengnya tidak
terbalik juga nah gambar lonceng gambar
gunung gambar lonceng kita sebut sebagai
terdistribusi normal artinya nilai
rata-rata nilai median itu
dekat ada di posisi yang sama sini nilai
rata-rata ada di tengah biasanya dan
median juga ada di tengah Nah itu
sebagai terdistribusi normal
tapi karena di sini ada pencilan mungkin
kalau pencilannya tidak kita buang ini
menjadi tidak terdistribusi normal
karena kalau
terdistribusi normal dia Itu dia
bentuknya seperti ini ya tapi kalau
misalnya dia tidak terdistribusi normal
bisa dia ada di kiri ya Nah seperti ini
atau misalnya dia ada di kanan ininya ya
Yang
nilai-nilai yang tertingginya jadi dia
untuk bentuk-bentuk yang
seperti ini misalnya kita tidak katakan
Dia
distribusi normal Nah kita menyebutnya
sebagai non parametrik Jadi kalau dia
tidak terdistribusi normal terdistribusi
normal dia kita sebut sebagai statistika
non parametrik kalau dia terdistribusi
normal kita sebut sebagai statistika
parametrik parametrik itu artinya
memiliki parameter-parameter yang bisa
kita jadikan alat hitung
parameternya misalnya nilai rata-rata
nilai
median nilai simpangan baku ya Nah itu
adalah parameter-parameter yang bisa
kita pakai untuk inferensial
jadi statistika
[Musik]
inferensial ini biasanya mengasumsikan
bahwa dia
terdistribusi normal karena menggunakan
parameter-parameter rata-rata simpangan
baku itu sebagai alat uji
ketika data kita tidak
berdistribusi normal kita tidak gunakan
inferensial tapi kita gunakan statistika
non parametrik
itu kira-kira
klasifikasi data Nah kalau kita lihat
statistika deskriptif di sini ada
bentuknya ya Nah tentu di sini ingin
menunjukkan proporsi
kemudian kalau dia
berbentuk
diagram garis ya Ini dia ingin
menunjukkan trend ya kecenderungan
jadi
tujuannya apa kita bisa sajikan dalam
bentuk deskriptif
Apakah proporsi ya menggunakan pichart
atau dia membentuk suatu trend ya ini
kita gambarkan dengan diagram
garis Nah kalau tabulasi tadi lebih
untuk melihat
distribusi frekuensi
kemudian kalau kita lihat di sini juga
ada garis
ada
Maaf ada tabel ada garis ya Nah ini ini
tabel bentuknya nah Biasanya kalau yang
tabel ini kita sebut sebagai
data diskrit data diskrit itu artinya
data yang jumlahnya bilangan asli
bilangan asli itu 1 2 3 4 Ya nah tapi
kalau
dia bentuknya bukan bilangan diskrit
kita sebut sebagai bilangan kontinyu nah
misalnya
[Musik]
kita lanjutkan ya
jadi data ini juga terbagi menjadi data
diskrit ya Nah di sini mungkin
mudah-mudahan ada ya
nggak apa-apa ini saya lompat Oh ini
agak jauh ya Nah nanti saya mungkin
ketemu slidenya nah
jadi kalau kita lihat di sini ada yang
ditampilkan secara
grafik begitu Bukan grafik
diagram atau
diagram batang kita menjemputnya diagram
batang ya nah jadi kalau diagram batang
ini kita biasanya untuk menampilkan
data-data distrik contoh data diskrit
misalnya Bapak Ibu bukan orang Bali di
sini Berapa jumlah kunjungan ke Bali
mungkin ada yang nol tidak pernah ada
yang satu kali ada yang dua kali tapi
tidak mungkin dua setengah
kunjungan ke Bali dua setengah Maksudnya
apa setengahnya itu apa gitu kan Nah
jadi data diskrit ini bilangan asli ya
12345 nah tapi kalau bilangan rasional
misalnya suhu tubuh
36,2
36,3 atau misalnya tinggi badan
160 koma 1 cm
itu bisa kita sebut sebagai data kontinu
artinya data continue itu dia bisa
dibuat menjadi suatu
diagram ini ya garis
nah diagram garis biasanya dia continue
Nah kalau dia asalnya
dia
diskrit bilangan diskrit ini contoh di
sini ya
tapi kemudian kita paksakan Dia garis
nah tentu ini
ada pengkondisian ya ada keterangan
tambahan bahwa sebetulnya dia asalnya
data district yang kemudian kita coba
untuk ditarik data continue Seperti apa
Jadi ada data diskrit ada data continue
untuk data diskrit lebih terbatas
analisis
deskriptifnya dibandingkan dengan data
continue kalau data continue mau dibuat
berbagai grafik itu bisa
kemudian
kita kembali lagi ya ke statistik
statistika inferensial atau inferensial
Nah jadi kalau misalnya kita lihat ada
sebuah data seperti ini kemudian kita
ingin lihat nilai rata-rata
ya Nah dan nilai penyebaran
ini kita sebut sebagai statistika
deskriptif
Jadi kalau menghitung rata-rata
menghitung penyebaran
melihat yang ekstrim itu kita sebut
sebagai
deskriptif hanya menyajikan saja nah
tapi kalau kita ingin menarik kesimpulan
dari data itu apakah data ini signifikan
atau tidak data ini berhubungan atau
tidak saling mempengaruhi atau tidak
kita anggap valid atau tidak
masuk ke dalam
statistika kesimpulan atau statistika
inferensi ya nah jadi itu beda
statistika deskriptif dengan statistika
inferensi memang untuk bisa memahami
statistika inferensial ini Kita juga
harus tahu dulu statistika deskriptif
itu seperti apa
Nah kalau kita lihat statistika
deskriptif ya di sini misalnya nilai
rata-rata
kalau kita lihat data ini kita tidak
bisa melihat ringkasannya
ya ringkasan data ini tuh Angka berapa
Nah maka kita cari rata-rata jadi tujuan
mencari rata-rata dari sebuah
Kumpulan data adalah
menarik kesimpulan
atau menarik ringkasan ya lebih lebih
tepatnya lagi
ringkasannya apa nah misalnya ini
ringkasannya ada di nilai 60 ya Misalnya
ini contoh nilai rata-ratanya 60 maka
kita
meringkas ya meringkas sekian data ini
menjadi satu angka saja yaitu 60
dan Nanti kalau kita cari varians atau
simpangan bakunya kita bisa mengetahui
tingkat penyebarannya
tentu makin besar varians makin besar
penyebaran ya penyebaran data nah
kalau data tersebar berarti dia relatif
tidak seragam
ya relatif tidak seragam kalau datanya
itu dekat-dekat ya dengan nilai
rata-rata kita bisa simpulkan ya data
itu cenderung seragam
jadi sering kali mungkin kita Waktu
kuliah dulu
kita tidak pernah diberitahu sebetulnya
tujuan untuk mencari rata-rata dan
penyebaran ini apa ya Nah mungkin ada
kesempatan ini kita diskusikan bersama
bahwa kita memerlukan satu ringkasan
dari sebuah data dalam bentuk rata-rata
dan tingkat keseragaman dari data dengan
melihat penyebarannya
itu kira-kira statistika deskriptif Nah
sekarang kita coba masuk ke populasi
karena
kemarin ada yang nanya ya tentang
sampling
jadi untuk populasi ini
pertama adalah
Mengapa kita harus sampling
nah tujuan sampling tentu mencari data
mengambil data
data yang terbaik tentunya keseluruhan
data yang kita sebut dengan sensus ya
Jadi kalau satu kota ada satu juta
penduduk
seluruhnya kita tanya
berarti kita dapat satu juta data
nah tapi karena alasan biaya waktu
tenaga dan seterusnya kita tidak mungkin
mengambil satu juta data dari satu kota
kita ingin mengambil sebagian data saja
nah pengambilan sebagian data itu kita
sebut sebagai sampel
nah tentu sampel ini
inginnya sih sampel acak ya atau random
sampling jadi sampel acak ini merupakan
Keinginan kita untuk menilai populasi
secara
komprehensif dan juga secara seimbang ya
dan juga
secara
terwakili dari sampel yang kita ambil
makanya tujuan pertama dari sampling itu
adalah sampling acak atau random
sampling nah tapi
kembali lagi kadang-kadang kita tidak
bisa juga melakukan random sampling jadi
ada juga Non random sampling
Nah nanti hasil sampel ini kita sebut
sebagai data
jadi ini ada definisi metode sampling ya
Kalau tadi sensus ini keseluruhan
ya untuk setiap elemen populasi
kalau sampling sebagian elemen populasi
kemudian sampling random
setiap elemen populasi memiliki
kesempatan yang sama
sedangkan non rendem tidak memiliki
kesempatan yang sama karena kita pilih
ya
[Musik]
kita mulai dengan
sampling random
jadi di sini ada sampling random
beberapa sampling random yang dikenal
ada sampling random sederhana
jadi
misalnya yang warna
ini adalah laki-laki ini misalnya
perempuan ya contoh saja ini ada suatu
populasi laki-laki dengan perempuan di
sebuah
lokasi sebuah wilayah kita ambil saja
sembarang namanya juga random ya saya
ini ya yang diberi kotak-kotak ini
artinya yang kita ambil
Nah kita ambil saja sembarang
kalau semakin random semakin acak
semakin bagus
juga ada sampling random sistematis
sistematis ini ada satu urutan
misalnya
sampel ini kita beri nomor mungkin kalau
orang agak susah ya Misalnya
kita sedang menyeleksi apel apelnya kita
beri nomor Nah nanti kita ambil misalnya
kelipatan 5
ya Misalnya
satu
kemudian ya kalau contoh ini
sampling nomor 2 ditambah
3 ya Nah kalau contoh ini jadi dua
ditambah tiga
ya adalah 5 jadi sampling nomor 5 nanti
5 juga ditambah 3
sampling Nomor 8 8 + 3
sampling nomor 11 11 + 3
berarti 12 13 14 nah
bisa dijumlahkan dengan nomor yang sama
atau kelipatan 5 misalnya rendem nomor 5
10 15 itu juga silahkan
jadi di sini adalah sistematik
sampel ya Nah sistematik sampel kemudian
juga ada random yang disebut dengan
berlapis atau stratifiil jadi ini
misalnya kelompok perempuan kita ambil
kelompok laki-laki kita ambil Nah kalau
ini kan dicampur ya laki perempuan
dicampur kalau ini sudah kita
stratifikasi kita kelompokkan
kalau Cluster ini ya Nah ini Cluster
kelompok kalau berlapis ini berdasarkan
karakteristik tertentu
atau stratified jadi dia
dikelompokkan berdasarkan usia misalnya
usia muda usia tua laki-laki perempuan
bekerja di dalam rumah atau di dalam
ruangan di luar ruangan bekerja di
sektor pemerintah di sektor non
pemerintah Nah itu kita sebut sebagai
stratified random sample jadi kita sudah
stratifikasikan dulu baru di sampling
samplingnya sih secara simple random Ya
nah tapi kita
stratifikasikan dulu Nah kemudian ada
juga berkelompok atau cluster
nah biasanya
karena berbeda wilayah
jadi Cluster Kecamatan a kita sampling
Cluster Kecamatan B kita sampling tapi
Hanya dua Kecamatan saja yang kita
sampling misalnya ya
untuk mewakili satu kabupaten jadi satu
kabupaten kita hanya ambil dua Kecamatan
Nah itu kita sebut sebagai cluster
sampling atau Cluster sample jadi pasti
tujuannya ada ya karena keterbatasan
waktu biaya dan ada tujuan-tujuan
tertentu
nah ini ada penjelasan juga mungkin
nanti saya
Jelaskan satu-satu ya nah jadi kalau
sampling random atau sampling random
Sederhana itu tidak ada polanya Ya jelas
Yang penting dia homogen kita ambil
secara acak ya
kalau sistematis tadi ada urutan-urutan
jadi ada urutan-urutan tertentu ya mau
tadi kita Contohkan untuk di sini
berarti kita mulai dari nomor urut 2
kemudian nanti ditambah 3 ya ini jadi
nomor urut 5 jadi memang harus diberi
nomor dulu
misalnya kalau ada antrian Ke dokter
ya Ada antrian Ke dokter dia kan pakai
nomor urut nah kemudian kita sampling
Berdasarkan
sistem matic sample jadi sistem matic
sample ini dengan asumsi bahwa
populasi memiliki pola yang beraturan
ya jadi tentunya ada asumsi dulu
kita lihat mereka memiliki pola yang
beraturan jadi kita coba gunakan sistem
matic sampel
nah kemudian tadi yang berlapis ya
jadi
berlapis ini
kita asumsikan bahwa elemen populasi ini
heterogen
kemudian karena dia heterogen kita coba
buat kriteria-kriteria ya karena kita
ingin melihat
karakteristik dari setiap
[Musik]
apa kelas yang coba kita buat ya Jadi
ada tujuan untuk
melihat
sampel dari setiap kelas karena kalau
misalnya random sampling kan random
sampling itu dia
abstrak ya Nah kita melihat populasi ini
heterogen dia contoh misalnya karena
kita ingin mengetahui
pengaruh
penurunan
pendapatan atau pengaruh
[Musik]
ya
apakah masyarakat mengalami kesulitan
ekonomi saat ini misalnya ya
karena inflasi dunia naik
kemudian ada kenaikan harga BBM
kita ingin mengetahui bagaimana daya
beli masyarakat saat ini di sebuah kota
Nah kalau kita ambil acak bisa jadi yang
ke ambil misalnya
kelompok ekonomi
[Musik]
apa yang menengah semua
nah kelompok ekonomi tinggi dan rendah
tidak terambil
Padahal kita tahu ada perbedaan
klasifikasi
pola daya beli untuk ekonomi menengah
tinggi dan rendah makanya kita bagi dulu
ada kelompok menengah
tinggi dan rendah kemudian nanti kita
sampling di setiap kelompok itu nah jadi
kira-kira itu tujuan dari
stratifikasi sampling atau sampling
random berlapis ya
kemudian ada juga tadi Cluster nah
Cluster ini biasanya
ada wilayah administrasi tadi ya jadi
atau Batas alam kalau dalam ilmu alam
atau ilmu lingkungan
ada Dash misalnya ya
[Musik]
kita coba sampling berdasarkan
[Musik]
Das itu ada subdus nah dari dasar 1 kita
ambil Hanya dua sudah saja nanti udah
siang berikutnya ada lagi dua subdus Nah
itu kita sebut sebagai cluster sample
memang kita asumsikan antar sampel itu
homogen
karena kalau tidak homogen kita mau
tidak mau harus stratifikasi sampel tadi
ya Jadi syaratnya adalah
untuk
random Cluster ini syaratnya adalah kita
asumsikan dia homogen
Nah kemudian ada yang non random
non rendem ini salah satunya adalah
sampel kuota jadi ada suatu populasi
kemudian
kita ambil
kuota laki-laki Umur di atas
50 misalnya ya laki-laki di atas umur 50
nah ini tidak random lagi
karena di sini Kita sudah menentukan
target tertentu
Jadi kalau
pengambilan sampelnya ini dengan
kriteria tertentu kita sebut sampling
kuota atau kuota sampling ya Nah
biasanya dalam sampling kesehatan
karena target obat ini adalah anak-anak
misalnya ya maka kita
menggunakan sampling kuota yaitu
anak-anak di bawah 5 tahun ya itu saja
ya
samplingnya sangat spesifik demikian
juga kalau di lingkungan kalau kita
sampling
tanaman misalnya ya kita sudah tentukan
Tanaman apa yang ingin kita sampling
nah kemudian juga ada sampling
pertimbangan atau purposive sampling
jadi sampling pertimbangan juga salah
satu sampling non random ya yang bukan
random jadi samplingnya ini
sesuai dengan
pertimbangan peneliti
contoh misalnya kalau di bidang
lingkungan
di provinsi ini ada 10 Sungai tapi
sungai yang paling berat ada dua Sungai
maka dia secara
ya pendapat pribadi gitu pendapat
pribadi peneliti mengatakan kita akan
sampling di Dua sungai itu Sungai yang
paling tercemar ada dua Sungai Nah jadi
di sini ada pertimbangan tertentu dari
peneliti
untuk menentukan
elemen mana yang di
disampel apa yang disampling ya Nah ini
juga boleh tapi kita katakan bahwa
metode sampling kita purposive sampling
atau sampling dengan pertimbangan
tertentu
ada juga sampling
convenience sampling ya atau sampling
seadanya jadi sampling seadanya ini
berdasarkan kemudahan
jadi misalnya dia
ingin mengetahui
siapa diantara
populasi di sebuah kota yang
memahami perbedaan antara adaptasi dan
mitigasi perubahan iklim
kemudian dia pergi ke mall
ya dia ketemu orang dia tanya nanti
orang kedua dia tanya lagi orang ketiga
dia tanya lagi Jadi yang dia temui saja
begitu
yang dia temui saja
Nah itu disebut dengan konflik
nah tentu dari setiap sampel ini atau
sampling ini ada plus minusnya sesuai
dengan kondisinya
Nah untuk ukuran sampel karena minggu
lalu juga ada pertanyaan ini sebetulnya
banyak ya rumus-rumus untuk menentukan
ukuran sampel ini tapi saya sampaikan
yang paling populer saja yang pertama
adalah rumus
ini harusnya slovin ya bukan solvin
ini mungkin
mohon maaf nih ada salah salah ketik ya
Nah harusnya slovin ya oke Ada rumus
slovin ini rumusnya ya jadi ukuran
sampel adalah ukuran populasi dibagi
ukuran populasi dengan suatu nilai
persen kelonggaran Jadi kalau nilai
kelonggarannya 5% ya kita tulis 0,05
nanti dikuadratkan kalau 10% 0,1 jadi
kalau nilai kelonggarannya makin besar
ya tentu nanti
sampelnya jadi Makin kecil tapi kalau
nilai kelonggarannya Makin kecil
misalnya hanya satu persen nilai
kesalahan tentu nanti jumlah sampelnya
akan makin banyak
kemudian ada rumusan gay ini nama orang
ya jadi dia
menetapkan saja seperti ini dua persen
ya jadi dia menetapkan berdasarkan
hasil penelitian dia
Nah dari hasil sampling ini kita akan
menemukan berbagai jenis data ya tadi
kita sudah bahas data diskrit
jadi data diskrit ini data
hari hujan ya
kalau data Continue Ini
curah hujan harian di suatu daerah kan
Kalau hari hujan ya hanya antara hujan
dan tidak ya Jadi tidak ada bilangan
rasional koma-koma tidak ada di
deskripsi tapi kalau continue dia ada
Nah nanti
Mengapa Kita bedakan antara diskrit dan
Continue Ini karena
nanti perhitungan inferensialnya berbeda
ya antara
statistika deskriptif dengan continue
Kebanyakan yang kita gunakan atau kita
asumsikan dia continue misalnya nanti
kita akan bicarakan lanjutkan tentang
inferensial di sana ada uji
Z Uji T ya Uji
kuadrat ya Ada uji F Nah itu semua ada
ada asumsi bahwa datanya continue
bukan data diskrit Nah jadi Mengapa
diskrit dan Continue Ini menjadi sesuatu
yang penting karena itu akan dijadikan
asumsi di dalam
pengujian berikutnya
nah juga ada
nominal
dan juga ordinal atau range ya kalau
range atau ranking ini kita sudah tahu
ya SD SMP SMA ini
beda dia
[Musik]
SD lebih rendah dari SMP gitu ya tapi
kalau nominal dia tidak dibedakan
misalnya di sini banjir longsor gempa
ya kita anggap itu sama ya
tapi kalau kita anggap berbeda misalnya
dari sisi
bahaya yang ditimbulkan misalnya gempa
ini paling tinggi banjir kedua longsor
paling rendah misalnya ya berarti kita
sudah mengubah
yang asalnya data nominal ini menjadi
data ordinal boleh-boleh saja kita
asumsikan
artinya diberi suatu
karakteristik tertentu dari data ini
selama data ini
Dia tidak memiliki level ya
maka kita sebut sebagai deretan nominal
kalau dia ada level ada tingkat kita
sebut sebagai data ordinal Nah itu
data-data kualitatif
kemudian data kuantitatif dia berbentuk
angka
ini ada diskrit dan ada continue
itu adalah hasil dari sampling nah
kemudian di sini kita akan bahas
distribusi ya
[Musik]
Jadi kalau
ada sebuah Kumpulan data ingin kita olah
mungkin
terlalu banyak begitu ya apalagi datanya
sampai 10.000 data gitu nah
untuk memudahkan menganalisis data
biasanya kita klasifikasikan
misalnya
data tinggi badan
di sebuah kota dengan satu juta penduduk
Berarti ada data satu juta
tinggi badan
kemudian kita kelompokkan ya
tinggi badannya ini menjadi misalnya
yang paling kecil
Kalau dia bayi ya Misalnya dari 0 sampai
0,1 meter
kemudian nanti
kita per 10 cm kita buat begitu
Nah nanti akan menjadi
distribusi frekuensi seperti ini ya
karena
tapi dengan dibuat distribusi frekuensi
seperti ini
[Musik]
kita bisa membaca data itu
lebih mudah
karena kita bisa melihat ini adalah
ukuran pemusatan
dia pemusatannya ada di ketinggian
berapa
ya kemudian nanti kita bisa ukur
penyebaran
Nah ada kemencengan dan juga ada Clan ya
Nah ini
ada 4
parameter yang Biasanya kita lihat
juga bentuk distribusinya Apakah dia
simetris atau menceng ya terus Apakah
berpuncak tunggal atau berpuncak jamak
ya ini berpuncak tunggal dia tapi kalau
dia nanti ada lagi di sini begitu
ya dia berpuncak lebih dari satu
jadi kita buat distribusi ini memudahkan
kita di dalam memahami data yang banyak
ya data yang banyak kita kelompokkan
kita tetap bisa mendapatkan ringkasan
dari data itu dan juga
karakteristik dari data itu berdasarkan
analisis yang kita lakukan
nah ini nilai rata-rata memberikan
ringkasan dan simpangan baku atau
varians memberikan data itu homogen atau
tidak ya kemudian nah ini contoh ada
satu data yang kemudian
kita rata-rata kan
kita hitung mediannya ini saya cepat
saja karena pasti Bapak Ibu sudah sering
ya melakukan ini modus ada kuartil ada
persentil ya persentil itu persentase
kalau kuartil kita bagi 4 kemudian nah
ini persentil
kemudian ada penyebaran data ada range
ya dari data terbesar
dikurangi data terkecil ada variansi ya
lambangnya skuadrat
kemudian ada simpangan baku lambangnya S
karena dia simpangan baku adalah akar
dari variansi
kemudian ada jangkauan antar kuartil
ya dari q3 dikurangi Q1 jadi kalau kita
lihat tadi kuartil
Nah ini kan q3 di sini q3 dikurangi Q1
jadi
rentang yang ada di tengah ini
[Musik]
kemudian Nah di sini juga ada
kurva yang menceng ke kanan menceng ke
kiri karena biasanya kita Gambarkan
contoh tadi yang tinggi badan ya
tinggi badan ini
ya
Nah kan biasanya tinggi badan ini
yang di sini anggap misalnya 0 sampai 10
cm ya
nah terus di sini misalnya
sampai 200 kita anggap
dipopulasi yang kita teliti tinggi badan
itu tidak ada yang lebih dari 2 meter
Nah kalau kita lihat di sini
karena dia
menceng ke kanan ya
artinya
dipopulasi kita ini banyak yang
data ekstrimnya itu di kanan
karena kan rata-rata di sini ya populasi
terbanyak ada di tengah kita sudah tahu
ada di
tapi di sini minnya di sini Kenapa
minnya bergeser ke kanan karena ada
data
ekstrim
kanan ya artinya banyak orang-orang yang
dia ini tinggi-tinggi begitu
tinggi-tinggi
tapi sebetulnya dia tidak menggambarkan
populasi secara keseluruhan
kalau menggambarkan populasi secara
keseluruhan itu pasti dia bentuknya tadi
ya Nah begini Jadi dia rata antara yang
pendek misalnya yang tinggi
dan ini ada yang di tengah ya ini sama
yang pendek dengan yang tinggi ini
imbang Gitu kira-kira begitu nah kalau
ini dia
yang tinggi ini dia banyak sehingga
rata-ratanya ada di ada di sini bergeser
dia kalau seimbang kan nilai rata-rata
dengan median ini dekat ya jadi di
tengah juga
nah ini tujuan kita melihat
scanners ya atau kemencengan
kemudian ini sebaliknya kalau kurva
menceng ke kiri
jadi banyak yang
kecil nah contoh kalau di pendapatan ya
di sebuah kota pendapatan masyarakat
A berarti banyak orang kaya di sini
tapi pemerataannya rendah
ya Banyak orang kaya tapi pemerataan
rendah
ini banyak orang miskin
tapi
pemerataan juga rendah
Nah kalau dia terdistribusi normal kita
bisa katakan bahwa orang kaya dengan
orang miskin
hampir sama
jumlahnya Ya jumlahnya
ya populasi yang Miskin Dan Kaya itu
hampir sama
jadi kita demikian juga kalau di bidang
lingkungan
ya kalau misalnya ini adalah populasi
tanaman yang tinggi dengan yang rendah
ya kita katakan bahwa
di suatu hutan dia banyak tanaman
tingginya tapi
tidak
tidak merata ya tidak merata begitu
karena kebanyakan Pohonnya itu ya sedang
kalau ini kebanyakan pohonnya memang
tinggi-tinggi tapi ada juga dia
populasi yang pendek-pendeknya banyak
begitu ya jadi kita bisa
melihat
karakteristik dari populasi berdasarkan
Nah kalau kurtosis
dia
lebih kepada
merata atau tidak meratanya Nah jadi ini
ada yang warna biru saya tulis a ya yang
hitam saya B ini ada yang c
Nah kalau c kan pasti dia menjulur ke
kiri ya Nah Karena kan dia jumlah
populasinya sama misalnya ada tiga kota
A B dan C kalau tingkat pendapatannya
menggambarkan a
tingkat kekayaannya sama
jadi golongan menengah ini paling banyak
tapi kalau dia C ya kita cari yang
ekstrim
ini
jumlah yang sangat miskin banyak
jumlah yang sangat kaya juga banyak
mungkin dengan tingkat kekayaannya lebih
mudah dibayangkan ya nanti untuk
lingkungan bisa kita
cari
misalnya nah jadi semakin tinggi
kurtosis ini
ya semakin tinggi itu semakin dekat
dengan rata-rata
ya contoh misalnya
kita ingin melihat tingkat pendapatan di
sebuah kecamatan di Jakarta Pusat itu
pasti cortosisnya dia tinggi karena di
sana rata-rata pendapatannya tinggi jadi
nilai rata-ratanya berkumpul di sana
kemudian misalnya contoh kita ingin
melihat pendapatan
di Jabodetabek nah Jabodetabek ini pasti
dia
akan
tidak merata ya karena ada kelompok yang
[Musik]
pendapatannya rendah ada kelompok yang
pendapatannya sangat tinggi jadi nilai
rata-ratanya itu tidak terlalu banyak
tidak terlalu signifikan
demikian juga kalau di bidang lingkungan
Nah itu Bagaimana cara kita
menerjemahkan
[Musik]
dengan atau kemencengan dengan kurtosis
sekarang kita masuk ke inferensial
jadi tadi itu masih deskriptif ya tadi
masih deskriptif
sekarang masuk ke inferensial nah
inferensial ini
data-data itu ingin kita nilai ya kita
ingin tarik kesimpulan
Nah sekarang kita mulai dengan uji
hipotesis
mungkin sebelum ke sini
kita ingin lihat konsep besarnya dulu
jadi misalnya
ada
satu populasi
ya ada satu populasi tadi contohnya tadi
tinggi badan ya di sebuah kota
menurut
Badan Pusat Statistik
bahwa nilai rata-rata
populasi
a
sekian
Nah kita sebagai peneliti yang baru
kita ingin membuktikan
Apakah klaim itu benar atau tidak
kemudian kita
lakukan sebuah
sampling ya nah misalnya dari satu juta
penduduk kita hanya ambil
karena
ada kesepakatan diantara para ahli
statistik kalau sampelnya
lebih dari 30 ya 30 atau lebih maka
bisa diasumsikan itu
terdistribusi normal
kita ambil 30
jadi 30 kita ambil terus kita tes
Nah kita ingin mengetahui apakah hasil
sampling kita ini
bisa merepresentasikan populasi atau
tidak
jadi itu tujuan dari
uji hipotesis yang pertama Ya jadi uji
hipotesis
untuk rataan satu populasi itu bertujuan
untuk membuktikan
Apakah hasil
sampling kita ini
mewakili
apa yang ada di populasi atau tidak
nah tentu di sini data-data tentang
populasinya harus tahu kan
kita mulai dari yang itu dulu Nah jadi
di sini
hipotesis dalam dalam hal ini adalah
suatu anggapan yang mungkin benar atau
tidak mengenai satu populasi
jadi kita ingin menilai
klaim dari sebuah populasi
dengan cara kita sampling sendiri nah di
media massa sering kita klaim kita
sering dapat klaim ya bisa dari
pemerintah Pemerintah mengatakan bahwa
Angka kemiskinan Indonesia turun
perekonomian Indonesia naik kan kita
sering dapat
di televisi ya di televisi kita sering
mendengar ada klaim pemerintah nah
pemerintah ini kan
mengklaim satu populasi Indonesia
jadi
klaim yang diberikan oleh pemerintah di
televisi bahwa
ini salah satu klaim Yang Pernah saya
dengar
kenaikan bahan bakar minyak tidak
terlalu memberatkan ekonomi masyarakat
kenaikan bahan bakar minyak tidak
memberikan dampak kenaikan
harga-harga itu kita sering dengar ya
klaim seperti itu Nah jadi uji hipotesis
ini kita ingin menguji klaimnya itu
seperti apa ya
jadi
ya bisa jadi
sampling yang kita buat ini bisa jadi
benar
sesuai dengan yang diklaim oleh populasi
atau bisa juga tidak ya Nah ini kan
ingin menguji begitu
nah
jadi
kalau misalnya
klaim kita ini sama
ya klaim kita ini sama
artinya kan kita percaya kepada klaim
pemerintah atau populasi
Jadi itu kita sebut sebagai hipotesis
nol artinya bukan hipotesis gitu ya jadi
hipotesis nol itu artinya pihak
kondisinya saat ini seperti itu
hipotesis nol itu artinya hipotesis
kondisi eksisting
jadi kondisi saat ini memang
kita supaya tidak pusing Kita tentukan
kasusnya
misalnya klaim pemerintah mengatakan
[Musik]
kenaikan harga minyak bumi ya air-air
ini tidak terlalu menaikkan harga
barang-barang
kalau kita setuju dengan
[Musik]
pernyataan pemerintah itu berarti
hipotesis nol
kita tidak punya hipotesis karena setuju
sama
karena sama saja gitu Oke saya setuju
nah ini hipotesis nol makanya dalam
hipotesis nol itu ada sama dengan
kalaupun kurang dari tapi kurang dari
sama dengan
kalaupun lebih dari tapi lebih dari sama
dengan
Nah itu hipotesis nol nah hipotesis
standingan atau hipotesis research
beberapa peneliti mengatakan request
research hipotesis jadi repotesis
research itu artinya kan kita sedang
melakukan riset hipotesis reset kita
sebut dengan H1 adalah hipotesis kita
hipotesis kita mengatakan itu tidak sama
kalau misalnya kita
tidak punya rasa penasaran buat apa kita
melakukan riset gitu kan jadi kita
katakan hipotesis research itu tidak
sama dengan karena sebetulnya kita ada
keraguan terhadap
populasi itu kalau menurut saya nggak
sama gitu atau dia sebetulnya lebih dari
itu atau kurang dari itu
Nah jadi di sini karakteristiknya kalau
H1 dia tidak boleh mengandung tanda sama
dengan
ini kesepakatan para ahli statistik Nah
mungkin galat ini nanti saya lewat ini
karena terlalu
pusing kalau sekarang saya jelaskan nah
jadi
H1 dulu lah ya H1 ini adalah hipotesis
yang ingin dibuktikan jadi pendapat kita
ya disebut juga hipotesis alternatif
atau tandingan atau reset tandanya tidak
ada sama dengannya di situ jadi tidak
sama dengan lebih besar lebih kecil nah
sedangkan h0
hipotesis yang ingin diuji ya pendapat
pemerintah misalnya Nah di sini cirinya
ada sama dengannya
Nah bisa berupa hasil penelitian
sebelumnya informasi dari buku hasil
percobaan orang lain Nah itu kan
klaim dari pemerintah itu kan artinya
hasil penelitian sebelumnya atau
informasi dari orang lain dari
pemerintah Nah itu perbedaan antara h0
dengan H1 nah
jadi nanti kita buat suatu strategi
pembuatan keputusan
h0 ditolak
dan hanol tidak ditolak Karena kan
tujuan kita sebetulnya menolak hanol ini
ya Tujuan kita kan ingin menolak kanon
kita ingin menolak hanol di sini
Keinginan kita nah bagaimana cara
menolak kano
cara menolak h0 ada probabilitas
yang ekstrim
di atas daerah kritis
jadi ini adalah
daerah kritis bisa
hanya satu saja dan ada dua
sebetulnya ini kurva apa ya
jadi kurva ini sejarahnya
kita akan memiliki banyak distribusi
frekuensi ya Misalnya kalau
ini adalah
jumlah Nilai raport
anak-anak SMA misalnya begini Nilai
raport
Nah ini kan nilai maksimumnya dia 10
ya
kemudian
jumlah nilai
IPK mahasiswa misalnya ya
Nah ini kan 4 IPK terbaik 4 ini 0
dari 2 ini saja kita bisa melihat
ada perbedaan makna
misalnya kita mau ambil nilai di sini
dengan nilai di sini ini mungkin
nilainya 9 ini mungkin nilainya 3,5 Nah
jadi
bingung kita karena
untuk gambar yang sama nilainya beda
ya Belum lagi kalau berbagai Skala yang
berbeda
Nah makanya alis statistik membuat
sebuah
kurva Z ya belakangan disebut kurva z
jadi kurva Z itu
dia membuat
suatu kurva baru ya
ini harusnya lengkung sempurna ya
kira-kira karena dia terdistribusi
normal
nah
terus di tengahnya dia kasih angka nol
kemudian
ke kanannya ini disebut dengan simpangan
baku
Nah jadi ada satu simpangan baku 2
simpangan baku ya nah kira-kira begitu
ada tiga simpangan baku
karena dia mau nilainya
Nilai raport 0-10
dia mau nilai IPK 0 sampai 4
kalau sudah dibuat nilai rata-rata ya
nilai rata-rata nilai x dan simpangan
baku ini pasti memiliki nilai yang sama
sehingga kurva ini bisa dipakai untuk
semua kasus untuk kasus apapun bisa
karena sudah mengkonversi dari
nilai-nilai kuantitas menjadi nilai
rata-rata dan simpangan baku kemudian
kurva ini disebut kurva Z ya Nah mungkin
di sini ada gambarnya ya kurva
zers sebentar
mudah-mudahan ada nah ini
jadi kurva Z ini
dia nilainya
0 1 2 3
ini satu ini artinya satu simpangan baku
ya satu simpangan baku
nah ke kiri Ini minus minus 1
jadi asalnya misalnya dari 0 sampai 100
gitu ya
60 sampai 140 ini kan beda-beda Makanya
dibuat suatu kurva yang disebut kurva
standar normal
nah ini disebut juga kurva Z ya
Nah dari kurva Z ini
ini akan dipakai untuk menguji sebuah
populasi ya jadi dari
dari
kurva ini akan dinilai sebuah populasi
di sini ada yang disebut dengan
titik kritis ya
ada yang disebut dengan titik kritis
titik kritis itu artinya
kita
memiliki satu
distribusi yang berbeda dengan populasi
ya kita memiliki distribusi yang berbeda
dengan populasi
karena dia berada di titik kritis Ini
tapi kalau dia tidak berada di titik
kritis Ini berarti dia memiliki
distribusi yang sama
kalau sama berarti kan h0 nya
berlaku
Arnold itu kan dia kondisi saat ini
nah
kalau misalnya H nolnya diterima Ya udah
berarti sama
klaim pemerintah itu terbukti
tapi kalau kita menemukan
ada nilai probabilitas yang
di luar
dari yang
sama itu kita anggap sebagai berbeda
jadi kita menyimpulkan bahwa
sampel kita berbeda dengan populasi
jadi di sini angka-angka
Z ya
ini kalau kita lihat
nilai z ini 0,4 misalnya di sini ya 0,4
ini
Z ini
mengubah dari
suatu distribusi
menjadi probabilitas jadi ada konversi
nah
alih-alih statistik memikirkan Bagaimana
cara
mengubah dari suatu
standar normal deviasi ini asalnya kan
ini satu satu
deviasi 2 deviasi 3 deviasi ini diubah
menjadi
suatu probabilitas Nah kalau kita lihat
tabel Z
itu berupa angka-angka probabilitas
dengan satu persamaan Mungkin ada yang
penasaran kita lanjut saja ya
nah
selain Z ada juga t Nah jadi t ini
rumusnya
X bar dikurangi rata-rata
asumsi kita dibagi S dibagi akar n
jadi
persamaan ini
ingin menghitung
probabilitas dari
kesamaan antara data populasi dengan
data sampel
ya
Nah kalau kita lihat
[Musik]
ada populasi yang banyak
menghasilkan
ahli statistik berpikir lagi
karena kalau populasi di bawah 30
itu perlu rumus yang berbeda makanya
keluarlah
Uji T kalau ini uji Z ya Uji Z untuk
populasi lebih dari 30 kalau di bawah 30
alih-alih statistik membuat lagi grafik
yang berbeda disebut dengan uji t
jadi Uji T ini untuk
populasi yang di bawah 30 Nah bagi kita
ada dua kemungkinan
Kita percaya aja kepada para ahli
statistik dan kemudian kita pakai ya
atau kita tidak percaya dan saudara
membuat kurva sendiri silahkan
membuat kurva sendiri
contoh saya nama saya Asep kurva a
seperti apa Ya silahkan ya membuat kurva
sendiri untuk
mengkonversi dari
nilai rata-rata nilai simpangan baku
dari dari jumlah n tadi ya jumlah
menjadi suatu probabilitas
silahkan Nah kalau Ya udah saya percaya
aja deh saya percaya aja kepada para
ahli statistik yang sudah teruji
karena pelajaran statistik di seluruh
dunia sama artinya Sudah diuji di
seluruh dunia
ya sudah kita pakai ya
kita pakai kurva Z kita pakai kurva t
untuk populasi kecil
dan nanti ada juga q² ada juga kurva F
ya jadi kurva itu banyak
diciptakan oleh ahli a ahli B ahli C
untuk permasalahan yang berbeda
tapi dasarnya kurva Z awalnya kurva Z
Oke jadi Bapak Ibu sudah tahu
[Musik]
Apa itu hipotesis ya
kemudian
Oke kita mungkin bisa ke galat sekarang
ya karena kita sudah paham
kalau misalnya klaim pemerintah itu
benar
tapi ternyata
karena sampel kita ini mengatakan itu
salah dan kita tolak
maka kita kena
error Tipe 1 error dalam bahasa
Indonesianya
Jadi kalau ternyata
h0 ini ternyata benar
dan dalam penelitian kita malah kita
tolak kita kena error Tipe 1
dan sebaliknya
kalau misalnya kata ya ternyata populasi
itu ternyata salah
terus kita katakan benar
kita kena error tipe 2
ya atau galat tipe 2 Nah jadi kalau
nanti Bapak Ibu Oh kamu kena galat Tipe
1 ya karena Jalan tipe 2 kita udah tahu
Apa itu galat Tipe 1 dan dalam tipe 2
Nah di sini contoh galat Tipe 1 false ya
alarm kesalahan alarm berbunyi tapi kita
menganggap itu benar kita keluar
ya itu kita kena Dalat Tipe 1
Jadi kalau h0 ini ternyata benar kita
malah tolak
ini kayaknya ketuker ya harusnya
ini tolong dikoreksi saya baru cek ya
ini
ini galatif kedua harusnya ya Nah ini
malah
Oke tapi kira-kira definisinya ini
seperti ini contohnya ketukar Nah jadi
harusnya dia itu salah ya Fals alarm kan
harusnya salah tapi kita malah keluar ya
Kita anggap itu benar Oh iya bener ya h0
salah kita anggap benar
galat tipe 2
ya ini harusnya adalah tipe 2 Oke
kemudian harusnya dia
benar kita anggap salah
ada daerah bahaya kita malah
mendekati daerah bahaya ya jadi
tanda peringatan itu kan benar memang
ada bahaya kita tidak patuh nah ini kena
gala Tipe 1
ini bisa dikoreksi oke
Nah jadi
kita sudah tahu untuk apa hipotesis ini
Terus apa h0 h0 itu artinya ya kondisi
yang ada sekarang dan H1 adalah kondisi
yang ingin kita buktikan dari sampel
yang kita akan ambil Nah nanti ada
kemungkinan kesalahan Tipe 1 atau tipe 2
dan keinginan kita sih sebetulnya ingin
h0 ini ditolak ya
Tapi bisa juga kita tidak berhasil
karena tidak cukup bukti untuk menolak
h0 artinya sampel yang kita ambil ini
tidak bisa
mengalahkan klaim sebelumnya
nah misalnya Oke ini tadi sudah ya
Bagaimana cara kita mengetahui ini
ditolak dan tidak yaitu dari
probabilitas kesamaan antara populasi
dengan
sampel
kemudian nah
kalau dia sama
kalau sama ini kan
dia bisa di kanan dan di kiri ya
di kanan titik kritis dan di titik
kritis jadi nanti ada alpha atau
kita sebut
Alfa ini sebagai
tingkat
istilahnya banyak ya bisa kita sebut
mungkin
[Musik]
Jadi kalau
tingkat signifikansinya itu merupakan
tingkat kesalahan
tentu tingkat signifikansi satu persen
itu lebih presisi ya lebih bagus
dibandingkan 5%
atau bahkan 10% Tapi biasanya kalau
tidak disebutkan itu berarti 5% tingkat
signifikansi 5%
Oke kita coba ini ya Nah tadi kan kita
sudah tahu kalau
h0 ini ya Pasti ada sama dengannya
kalau kita anggap
Mio ini rata-rata populasi lebih kecil
dari
hipotesis kita ya atau new
kebalik ya Oke kalau ada 0 berarti h0 ya
Nah ini berarti
ini adalah pendapat kita oke nah Ini
pendapat kita ya ini milik H1
ini milik h0
Nah jadi kalau ternyata yang punya kita
ini lebih kecil
dari h0 berarti kita ada di kiri gitu
karena kita lebih kecil
kemudian kalau kita lebih besar
berarti ada di kanan
ya
kemudian kalau kita sama
Berarti ada di kedua tempat
[Musik]
kita mungkin masuk ke contoh ya
contoh
nah ini
berdasarkan 100 data sampel yang diambil
secara acak diperoleh bahwa rata-rata
masa panen jagung 71,8 hari
simpangan baku 8,9
hal ini memberikan dugaan bahwa
rata-rata masa panen jagung adalah lebih
dari 70 hari Nah jadi ada suatu
informasi sebelumnya ini informasi
sebelumnya ya
seperti ini
kemudian ini adalah
dugaan kita
ya Nah ini dugaan kita Apakah dugaan
kita ini benar atau tidak nah dugaan
kita lebih dari 70
Nah kita masukkan ke dalam
[Musik]
jadi
H1 ini kan dugaan kita
dugaan kita dia lebih dari 70
kondisi saat ini
ya dia sama dengan 70 walaupun di sini
diklaim rata-ratanya adalah
[Musik]
71,8 ya
klaimnya mengatakan dia 71,8
kita menduga lebih dari 70 hari
jadi
kalau kita menentukan lebih dari 70
otomatis h0 nya sama dengan 70
karena h0 ini harus mengandung sama
dengan
artinya berbeda dengan yang punya kita
kalau dia kurang dari sama dengan boleh
kalau kurang dari itu berarti kita dua
arah
ya kalau hanya lebih dari kurang dari
berarti satu arah
ya berarti di ya ini kan lebih dari
berarti di kanan
ya tergantung kita kita inginnya apa
mau lebih dari atau kurang dari
atau sama dengan ya kalau sama dengan
berarti tidak sama dengan satu-satunya
Jadi
tergantung kita inginnya apa Nah
data-datanya kan sudah ada ini
kemudian
kita hitung
nah ternyata titik kritisnya di tingkat
signifikan si 5% 0,05
itu ada di angka 1,66
kemudian karena jumlah sampelnya kalau
kita lihat
Sebetulnya pakai Z bisa Ya nah tapi ini
kita pakai T di sini kasus ini
kita hitung pakai T kita sebut sebagai
teh hitung dapat 2,02
tadi kan karena dia lebih dari berarti
kanan ya Kanan
teh hitung 2,02 kita masukkan ke sini ya
2,02
kemudian tag kritis 1,66 kita masukkan
ke sini
Nah jadi di sini
[Musik]
tak kritisnya ini pasti ada di batas ini
ya
Batas garis ini batas area tolak
nah ini ada di kanan
ya
nah
jadi dia
[Musik]
hitungnya kan berada di daerah tolak
berarti
artinya hipotesis kita benar
jadi dugaan kita benar bahwa rata-rata
masa panen jagung itu lebih dari 70 hari
yang
Artinya kita menduga terhadap suatu
populasi dan ternyata benar ya tentu
hasilnya akan beda kalau misalnya kita
duga dia lebih dari 90 hari mungkin
nanti ada di sini ya ininya garisnya ini
Kebetulan kan memang masuk akal juga
Coba kita lihat
dia
rata-ratanya di 71
kemudian simpangan bakunya 8,9 ya masuk
ke akal sih ya secara logika juga kalau
kita katakan
dia lebih dari 70 hari itu kayaknya
masuk akal gitu nah tapi kita coba uji
Kita uji ternyata dia betul ya dugaan
kita benar
kemudian kasus lain kalau ada dua
populasi
jadi di sini ada
dua jagung yang satu diberi pupuk
tambahan petak a yang B tidak
kemudian diambil 12 jagung dari petak a
diuji dengan diukur petak B 10 jagung di
petak a rata-ratanya 85 simpangan baku 4
di B
rata-rata 81 simpangan baku 5
nah kemudian
ini menurut pendapat kita gitu ya karena
a ini dia diberi pupuk tambahan
kita berpendapat sepertinya
petak a ini bakal lebih tinggi rata-rata
2 cm Nah ini kan pendapat kita jadi
[Musik]
ini kan diberi pupuk tambahan nih petak
a ini sepertinya petak a ini bakal lebih
tinggi 2 cm
[Musik]
bener nggak gitu ya benar nggak
Nah kita masukkan data-datanya di sini
ya Nah karena di sini selisih rata-rata
petak a dan b ini adalah
2A ya jadi
tergantung kalimat kita tadi coba kita
balik lagi
lebih Nah di sini kita katakan lebih ya
lebih
lebih berarti
H1 nya adalah lebih ya lebih dari 2
Nah karena lebih berarti satu arah
kalau
sama dengan tidak sama dengan dua arah
karena lebih maka satu arah
kemudian kita hitung
[Musik]
ya dengan satu arah dapat terhitungnya
bedanya ini ya X1 dikurangi X2 - -0 jadi
ada perbedaan rumus karena dia 2
populasi
Nah setelah kita lihat daerah kritisnya
1,75
teh hitungnya 1,04
ternyata dugaan kita
salah
ya
jadi tidak ditolak h0 nya
kalau h0 tidak ditolakkan h0 diterima
jadi
pendapat kita yang ditolak gitu ya
karena hanau tidak ditolak H1 Yang
Ditolak jadi pendapat kita salah jadi
berdasarkan
data-data itu belum cukup bukti ya tidak
cukup bukti untuk mengatakan bahwa
rata-ratanya lebih dari 2 cm
dugaan kita lebih dari 2 cm tapi
dari angka-angka
statistik ya di sini ada rata-rata X1
simpangan baku S1 jumlah dari ini dari
data-data ini ternyata belum cukup bukti
ya kira-kira seperti itu
Nah untuk yang berpasangan
Ini contohnya
ingin mengetahui pengaruh dari suatu
perlakuan kita ambil contoh yang sama
terus ya biar kebayang nah saya petak
jagung ada 15 batang jagung diberi pupuk
tambahan jenis a
seminggu kemudian diukur tingginya
untuk mengetahui pengaruh dari pupuk a
ini jadi pupuk a ini terus diberikan
sesuai dengan dosisnya
satu minggu kemudian diukur setelah itu
satu minggu kemudian diukur lagi jadi
Kalau diberi pupuk tanggal 1 nanti
tanggal 7 diukur tanggal 14 diukur gitu
ya jadi minggu pertama diukur minggu
kedua juga diukur
nah
kemudian
kita ingin Lihat apakah tinggi jagung
ini berubah setelah diberi pupuk
tambahan setelah
setelah 2 minggu
Nah karena sampel yang sama
kita perlakukan dua kali ukur maka kita
sebut berpasangan
artinya
sampel yang satu dengan sampel yang lain
itu adalah sampel yang sama
jadi kita sebut sebagai berpasangan
nah
ini kira-kira
hasilnya ya
ini adalah
satu minggu pertama memang di sini
ada yang tinggi ada yang rendah ya Ini
namanya juga contoh soal
dua minggu kemudian ini juga ada yang
tinggi ada yang ya
yang jelas kita dapat angka-angka
seperti ini
kemudian
[Musik]
kita buat H1 nya ya
H1 nya adalah
tidak sama dengan nol Ya ini jadi H1 nya
adalah
rata-rata
minggu pertama dengan minggu kedua itu
tidak sama artinya Kita yakin kar