UKURAN PENYIMPANGAN

Pengukuran penyimpangan adalah suatu ukuran yang menunjukkan tinggi  rendahnya perbedaan data yang diperoleh dari rata-ratanya. Ukuran penyimpangan digunakan untuk mengetahui luas penyimpangan data atau homogenitas data. Dua variabel data yang memiliki mean sama belum tentu memiliki kualitas yang sama, tergantung dari besar atau kecil ukuran penyebaran datanya. Ada bebarapa macam ukuran penyebaran data, namun yang umum digunakan adalah standar deviasi.

Macam-macam ukuran penyimpangan data adalah :

1. Jangkauan (range)
2. Simpangan rata-rata (mean deviation)
3. Simpangan baku (standard deviation)
4. Varians (variance)
5. Koefisien variasi (Coefficient of variation)

1. Jangkauan (range)

Range adalah salah satu ukuran statistik yang menunjukan jarak penyebaran data antara nilai terendah (Xmin) dengan nilai tertinggi (Xmax). Ukuran ini sudah digunakan pada pembahasan daftar distribusi frekuensi. Adapun rumusnya adalah

Contoh : 
Berikut ini nilai ujian semester dari 3 mahasiswa
A = 60 55 70 65 50 80 40
B = 50 55 60 65 70 65 55
C = 60 60 60 60 60 60 60
Dari data diatas dapat diketahui bahwa
A = memiliki Xmax=80, Xmin= 40 , R = 40 , meanya 60
B = memiliki Xmax=70, Xmin= 50 , R = 20 , meanya 60
C = memiliki Xmax=60, Xmin= 60 , R = 0 , meanya 60
Dari contoh di atas dapat disimpulkan bahwa :
a. Semakin kecil rangenya maka semakin homogen distribusinya
b. Semakin besar rangenya maka semakin heterogen distribusinya
c. Semakin kecil rangenya, maka meannya merupakan wakil yang representatif
d. Semakin besar rangenya maka meannya semakin kurang representatif
2. Simpangan Rata-rata (mean deviation)

Simpangan rata-rata merupakan penyimpangan nilai-nilai individu dari nilai rata-ratanya. Rata-rata bisa berupa mean atau median. Untuk data mentah simpangan rata-rata dari median cukup kecil sehingga simpangan ini dianggap paling sesuai untuk data mentah. Namun pada umumnya, simpangan rata-rata yang dihitung dari mean yang sering digunakan untuk nilai simpangan rata-rata.

• Data tunggal dengan seluruh skornya berfrekuensi satu

dimana xi merupakan nilai data

• Data tunggal sebagian atau seluluh skornya berfrekuensi lebih dari satu

dimana xi merupakan nilai data

• Data kelompok ( dalam distribusi frekuensi)

dimana xi merupakan tanda kelas dari interval ke-i dan fi merupakan frekuensi interval ke-i

Contoh :
Dari tabel diperoleh 


3. Simpangan Baku (standard deviation)

Standar deviasi merupakan ukuran penyebaran yang paling banyak digunakan. Semua gugus data dipertimbangkan sehingga lebih stabil dibandingkan dengan ukuran lainnya. Namun, apabila dalam gugus data tersebut terdapat nilai ekstrem, standar deviasi menjadi tidak sensitif lagi, sama halnya seperti mean.

Standar Deviasi memiliki beberapa karakteristik khusus lainnya. SD tidak berubah apabila setiap unsur pada gugus datanya di tambahkan atau dikurangkan dengan nilai konstan tertentu. SD berubah apabila setiap unsur pada gugus datanya dikali/dibagi dengan nilai konstan tertentu. Bila dikalikan dengan nilai konstan, standar deviasi yang dihasilkan akan setara dengan hasilkali dari nilai standar deviasi aktual dengan konstan.

Rumus Simpangan Baku untuk Data Tunggal

• untuk data sample menggunakan rumus

• untuk data populasi menggunkan rumus

Contoh :
Selama 10 kali ulangan semester ini sobat mendapat nilai 91, 79, 86, 80, 75, 100, 87, 93, 90,dan 88. Berapa simpangan baku dari nilai ulangan sobat?

Jawab
Soal di atas menanyakan simpangan baku dari data populasi jadi menggunakan rumus simpangan baku untuk populasi.
Kita cari dulu rata-ratanya
rata-rata = (91+79+86+80+75+100+87+93+90+88)/10 = 869/10 = 85,9

Kita masukkan ke rumus

Rumus Simpangan Baku Untuk Data Kelompok

• untuk sample menggunakan rumus

• untuk populasi menggunakan rumus

Contoh :
Diketahui data tinggi badan 50 siswa samapta kelas c adalah sebagai berikut

hitunglah berapa simpangan bakunya
1. Kita cari dulu rata-rata data kelompok tersebut

2. Setelah ketemu rata-rata dari data kelompok tersebut kita bikin tabel untuk memasukkannya ke rumus simpangan baku

4. Varians (variance)

Varians adalah salah satu ukuran dispersi atau ukuran variasi.  Varians dapat menggambarkan bagaimana berpencarnya suatu data kuantitatif.  Varians diberi simbol  σ² (baca: sigma kuadrat) untuk populasi dan untuk s² sampel.

Selanjutnya kita akan menggunakan simbol s²  untuk varians karena umumnya kita hampir selalu berkutat dengan sampel dan jarang sekali berkecimpung dengan populasi.

Rumus varian atau ragam data tunggal untuk populasi

Rumus varian atau ragam data tunggal untuk sampel

Rumus varian atau ragam data kelompok untuk populasi

Rumus varian atau ragam data kelompok untuk sampel

Keterangan:
σ² = varians atau ragam untuk populasi
S² = varians atau ragam untuk sampel
f_i = Frekuensi
x_i = Titik tengah
x¯ = Rata-rata (mean) sampel dan   μ = rata-rata populasi
n =  Jumlah data

5. Koefisien variasi (Coefficient of variation)

Koefisien variasi merupakan suatu ukuran variansi yang dapat digunakan untuk membandingkan suatu distribusi data yang mempunyai satuan yang berbeda. Kalau kita membandingkan berbagai variansi atau dua variabel yang mempunyai satuan yang berbeda maka tidak dapat dilakukan dengan menghitung ukuran penyebaran yang sifatnya absolut.

Koefisien variasi adalah suatu perbandingan antara simpangan baku dengan nilai rata-rata dan dinyatakan dengan persentase.

Besarnya koefisien variasi akan berpengaruh terhadap kualitas sebaran data. Jadi jika koefisien variasi semakin kecil maka datanya semakin homogen dan jika koefisien korelasi semakin besar maka datanya semakin heterogen.

UKURAN PEMUSATAN

A. Pengertian Nilai Sentral

Tendensi sentral merupakan upaya mengetahui kondisi kelompok subyek dengan mengetahui nilai sentral yang dimiliki. Nilai sentral suatu rangkaian data adalah nilai dalam rangkaian data yang dapat mewakili data tersebut. Suatu rangkaian data biasanya memiliki tendensi (kecenderungan) untuk memusat pada nilai sentral ini. Tendensi sentral ini memberi informasi tentang kecenderungan data dari kelompok sumber yang ada sebagai deskripsi dasar tentang kondisi kelompok sumber (subyek).

B. Macam Nilai Sentral

1. Arithmatic Mean (Rata-rata)

Disebut dengan nama rata-rata. mean memberi informasi tentang besaran rata-rata yang ada pada data.

a. Menghitung rata-rata dengan data mentah

Bila data yang hendak dihitung masih dalam bentuk data raw input maka penghitungan rata-ratanya adalah jumlah seluruh nilai data dibagi dengan banyaknya kejadian atau frekuensi.

X = dibaca X bar merupakan notasi untuk nilai rata-rata
 = dibaca sigma, yang berarti jumlah
X = nilai data dari X1 … Xn

Contoh: Persentase Keuntungan lima belas perusahaan

CV ASRI	CV BESRI	CV CESRI	CV DESRI	CV ESRI
5	6	8	7	9
CV FESRI	CV GESRI	CV HESRI	CV ISRI	CV JESRI
4	3	3	5	6
CV KESRI	CV LESRI	CV MESRI	CV NESRI	CV OSRI
3	4	3	4	5

Mean  = (5 + 6 + 8 + 7 + 9 + 4 + 3 + 3 + 5 + 6 + 3 + 4 + 3 + 4 + 5)/5 = 75/15 = 5

b. Menghitung rata-rata dengan data dari table distribusi frekuensi

Bila data sudah tersaji dalam bentuk data frekuensi maka dipergunakan rumus:

Sebagai contoh tabel berikut:

Nilai Skor Keuntungan 15 Perusahaan
No	X	f	fX
1	3	4	12
2	4	3	12
3	5	3	15
4	6	2	12
5	7	1	7
6	8	1	8
7	9	1	9
	Jumlah	15	75

Mean = 75/15 = 5
 

2. Median

Median suatu rangkaian data adalah nilai tengah dari rangkaian data yang telah disusun secara berurut.

Contoh untuk Data Bercacah Ganjil:

Data:  3 4 5 5 6  Jumlah N = 5
Cara:
a. Susun data secara berurut.
b. Cari letak median dengan rumus
(letak median pada urutan ketiga)
c. Cari nilai median pada urutan ketiga (median = 5)

Contoh untuk Data Bercacah Genap:
Data: 3 4 4 5 6 6    Jumlah N = 6

a. Susun data secara berurut
b. Cari letak median dengan rumus
(letak median pada urutan 3,5)
c. Cari nilai median pada urutan 3,5 [median = (4 + 5)/2 = 4,5

Bila data sudah tersaji dalam bentuk table distribusi frekuensi maka digunakan rumus:


Mdn = Median
Bbn = Batas bawah nyata dari interval yang mengandung mediam
n      = Jumlah subyek
Cfb  = Kumilatif frekuensi dari bawah di bawah interval yang mengandung median
fd     = Frekuensi di dalam interval yang mengandung median
i        = Banyaknya nilai dalam tiap interval

Nilai Skor Keuntungan 15 Perusahaan
No	X	f	Cfb
1	9	1	15
2	8	1	14
3	7	1	13
4	6	2	12
5	5	3	10
6	4	3	7
7	3	4	4
Jumlah		15

Langkah:
1. Tentukan interval yang mengandung median dengan menghitung n/2. dalam hal ini 15/2 = 7,5
2. Beri tanda interval yang mengandung median. dalam hal ini baris ke lima
3. Cari Kumulatif frekuensi dari bawah di bawah interval yang mengandung median, dalam hal ini 7.
4. Cari frekuensi yang ada di dalam interval yang mengandung median, dalam hal ini 3.
5. masukkan semua itu ke dalam rumus sebagai berikut:

3. Modus atau Mode

Modus dari suatu rangkaian data adalah nilai data yang paling sering muncul (frekuensi terbesar) dalam rangkaian data itu.

Contoh:
a. Data: 2 3 4 5 6
Karena data ini masing-masing frekuensi (kemunculan)-nya hanya 1, maka dikatakan tidak memiliki modus.
b. Data: 2 3 4 4 5 6
Frekuensi terbesar adalah 2 (nilai empat muncul dua kali). Jadi modusnya adalah 4. Rangkaian data yang memiliki satu modus disebut Mono-modus.
c. Data: 2 3 4 4 5 6 6 7
Frekuensi terbesar adalah dua (muncul dua kali) yaitu angka 4 dan 6.
Jadi modus rangkaian data ini adalah 4 dan 6. Rangkaian data ini memiliki 2 Modus atau disebut Bi-modus.

3. Teman-teman Median

Teman teman median merupakan nilai-nilai ukuran letak yang menentukan posisi nilai tertentu yang dimiliki subyek. Terdiri dari kuartil, desil dan persentil

a. Kuartil (K)

Ukuran letak yang membagi suatu distribusi ke dalam 4 bagian yang sama, yaitu 25% data berada di bawah Kuartil 1 dan 75% data berada di atas Kwartil 1.
Kuartil 2 sama dengan Median.



Contoh Perhitungan:
Data penjualan komputer selama 7 bulan terakhir:
Data: 2 4 3 3 6 5 7 (N = 7)

Langkah:
a. Susun data secara berurut, menjadi:
     2 3 3 4 5 6 7
     1) 2) 3) 4) 5) 6) 7)

b. Cari letak kuartil dengan rumus di atas:
K1 = 1(7 + 1)/4 = 8/4 = 2  data urutan kedua, jadi K1 = 3
K2 = 2(7 + 1)/4 = 16/4 = 4  data urutan keempat, jadi K2 = 4
K3 = 3(7 + 1) /4 = 24/4 = 6  data urutan keenam, jadi K3 = 6

b. Desil (D)
Desil dari suatu rangkaian data adalah ukuran letak yang membagi suatu distribusi menjadi 10 bagian yang sama.
Rumus letak desil dapat dikembangkan dari rumus kuartil di atas. Tinggal kita ubah angka pembagi (100) dan bilangan persentil yang dikehendaki, 1 30, 78 ....)


Contoh Perhitungan:
Data: 2 3 3 4 4 5 6 6 7 8 9 10 (N=12)
Urut 1) 2) 3) 4) 5) 6) 7) 9) 10) 11) 12)

Langkah:
a. Letak D1 = 1(12 +1)/10 = 13/10 = Urutan 1,3 (atau 1 + 0,3)

Letak Desil 1 Bilangan Nilai
1 2 2
0,3 (3-2) 0,3
1,3 2,3

Nilai desil 1 adalah data urutan 1,3, yang bernilai 2,3.

b. D5 = 5(12 + 1)/10 = 65/10 = 6,5 (atau 6 + 0,5)

Letak Desil 5 Bilangan Nilai
6 5 5
0,5 (6-5) 0,5
6,5 5,5

Nilai desil 5 adalah data urutan ke 6,5, yang bernilai 5,5.

c. D9 = 9(12 + 1)/10 = 117/10 = 11,7 (atau 11 + 0,7)

Letak Desil 9 Bilangan Nilai
11 9 9
0,7 (10-9) 0,7
11,7 9,7

Nilai desil 9 adalah data urutan ke-12 (Desil 9 = 10).

c. Persentil (P)
Persentil suatu rangkaian data adalah ukuran letak yang membagi suatu distribusi menjadi 100 bagian yang sama besar.

Rumus persentil juga dapat dikembangkan dari rumus kuartil, tinggal kita ubah angka pembagi (100) dan bilangan persentil yang dikehendaki, 1 30, 78 ....)

Contoh Perhitungan Persentil:
Data: 2 3 3 4 4 5 6 7 10 12 13  N = 11
Urut: 1) 2) 3) 4) 5) 6) 7) 9) 10) 11)

Langkah:
a) Tentukan letak data
b) Letak nilai P50 = 50(11 + 1)/100 = 6
Nilai P 50 adalah data nomor urut 6 (P50 = 5)

c) Letak P20 = 20(11+1)/100 = 240/100 = 2,4 (atau 2 + 0,4)

Letak Persentil 20 Bilangan Nilai
2 3 3
0,4 (3-3) 0
2,4 3

Nilai P 20 adalah data pada urutan 2,4 (P20 = 3)

Data: 2 3 3 4 4 5 6 7 10 12 13  N = 11
Urut: 1) 2) 3) 4) 5) 6) 7) 9) 10) 11)

d) Letak P60 = 60 (11 + 1)/100 = 720/100 = 7,2 (atau 7 + 0,2)

d. Bila data sudah tersaji dalam bentuk tabel.
Kadang kita menemukan data yang sudah tersaji dalam bentuk tabel maka rumus yang digunakan sama dengan yang telah ada di median hanya kita tingga mengubah pembanginya sesuai dengan jumlah bagian yang dikehendaki serta mengubah bilangannya sesuai dengan posisi titik yang dikehendaki (Kuartil 1, Desil 6 dll). Sebagai contoh di sini disampaikan rumus kuartil:


Ki    =   Kuartil ke i
Bbn =  Batas bawah nyata dari interval yang mengandung kuartil ke i
n      =  Jumlah subyek
Cfb  =  Kumilatif frekuensi dari bawah di bawah interval yang mengandung
             kuartil ke i
fd     =   Frekuensi di dalam interval yang mengandung kuartil ke i
i       =  Banyaknya nilai dalam tiap interval

Demikian masalah tendensi sentral. yang jelas tendensi sentral ini sangat berfungsi bagi kita untuk membuat deskripsi data secara lebih jelas sehingga diketahui kecenderungan-kecenderungan yang dimiliki oleh kelompok subyek data.

DISTRIBUSI NORMAL, T & F

1.   Distribusi Normal

Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang melebar tak berhingga pada kedua arah positif dan negatifnya. Penggunaanya sama dengan penggunaan kurva distribusi lainnya. Frekuensi relatif suatu variabel yang mengambil nilai antara dua titik pada sumbu datar. Tidak semua distribusi berbentuk lonceng setangkup merupakan distribusi normal.

Pada tahun 1733 DeMoivre menemukan persamaan matematika kurva normal yang menjadi dasar banyak teori statistika induktif. Distribusi normal sering pula disebut Distribusi Gauss untuk menghormati Gauss (1777 – 1855), yang juga menemukan persamaannya waktu meneliti galat dalam pengukuran yang berulang-ulang mengenai bahan yang sama.

Sifat dari variabel kontinu berbeda dengan variabel diskrit. Variabel kontinu mencakup semua bilangan, baik utuh maupun pecahan. Oleh karenanya tidak bisadipisahkan satu nilai dengan nilai yang lain. Itulah sebabnya fungsi variabel random kontinu sering disebut fungsi kepadatan, karena tidak ada ruang kosong diantara dua nilai tertentu. Dengan kata lain sesungguhnya keberadaan satu buah angka dalam variabel kontinu jika ditinjau dari seluruh nilai adalah sangat kecil, bahkan mendekati nol. Karena itu tidak bisa dicari probabilitas satu buah nilai dalam variabel kontinu, tetapi yang dapat dilakukan adalah mencari probabilitas diantara dua buah nilai. Distribusi kontinu mempunyai fungsi matematis tertentu. Jika fungsi matematis tersebut digambar, maka akan terbentuk kurva kepadatan dengan sifat sebagai berikut:

                        1. Probabilitas nilai x dalam variabel tersebut terletak dalam rentang antara 0 dan 1

                        2. Probabilitas total dari semua nilai x adalah sama dengan satu (sama dengan luas daerah

                            di bawah kurva)

                        Fungsi kepadatan merupakan dasar untuk mencari nilai probabilitas di antara dua nilai variabel. Probabilitas di antara dua nilai adalah luas daerah di bawah kurva di antara dua nilai dibandingkan dengan luas daerah total di bawah kurva. Dapat dicari luas daerah tersebut dengan menggunakan integral tertentu (definit integral).

                        Persamaan matematika distribusi peluang peubah normal kontinu bergantung pada dua parameter μ dan σ yaitu rataan dan simpangan baku. Jadi fungsi padat x akan dinyatakan dengan n (x; μ, σ).

Begitu μ dan σ diketahui maka seluruh kurva normal diketahui. Sebagai contoh, bila μ = 50 dan σ = 5, maka ordinat n(x ; 50, 5) dapat dengan mudah dihitung untuk berbagai harga x dan kurvanya dapat digambarkan. Kedua kurva bentuknya persis sama tapi titik tengahnya terletak di tempat yang berbeda di sepanjang sumbu datar.

Dengan memeriksa turunan pertama dan kedua dari n(x ; μ, σ) dapat diperoleh lima sifat kurva normal berikut :

                        1. Modus, titik pada sumbu datar yang memberikan maksimum kurva, terdapat pada x=μ

                        2. Kurva setangkup terhadap garis tegak yang melalui rataan μ

                        3. Kurva mempunyai titik belok pada x = μ σ, cekung dari bawah bila μ – σ < x < μ + σ,

                            dan cekung dari atas untuk harga x lainnya

                        4. Kedua ujung kurva normal mendekati asimtot sumbu datar bila harga x bergerak

                            menjauhi μ baik ke kiri maupun ke kanan

                        5. Seluruh luas di bawah kurva diatas sumbu datar sama dengan 1

Bila x menyatakan peubah acak distribusi maka P(x1 < x < x2) diberikan oleh daerah yang diarsir dengan garis yang turun dari kiri ke kanan. Jelas bahwa kedua daerah yang diarsir berlainan luasnya. Jadi, peluang yang berpadanan dengan masing-masing distribusi akan berlainan pula.

                         

Contoh soal :

Contoh Soal : Mawar adalah seorang peragawati yang akan diseleksi dengan tinggi badan 173 cm. Standar tinggi badan rata-rata peragawati adalah 171,8 dan standar deviasinya adalah 12. Berapakah standar normalnya (Z) ?
Penyelesaian :
Dik : x = 173, µ = 171,8, σ = 12
Dit : Z ?
Jawab : Z = x - µ
σ = 173 – 171.8 = 0.1
12

            2.   DISTRIBUSI T

Adalah pengujian hipotesis yang menggunakan distribusi T sebagai uji statsistik, table pengujiannya disebut table T student. Distribusi T pertama kali diterbitkan tahu 1908 dalam suatu makalah oleh W.S. Gosset. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan. Cirinya : sample yang di uji berukuran kurang dari 30

Tabel Nilai t

df		α
	0.05	0.025	0.01	0.005
1	6.314	12.706	31.821	63.657
2	2.920	4.303	6.965	9.925
3	2.353	3.182	4.541	5.841
4	2.132	2.776	3.747	4.604
5	2.015	2.571	3.365	4.032
6	1.943	2.447	3.143	3.707
7	1.895	2.365	2.998	3.499
8	1.860	2.306	2.896	3.355
9	1.833	2.262	2.821	3.250
10	1.812	2.228	2.764	3.169
11	1.796	2.201	2.718	3.106
12	1.782	2.179	2.681	3.055
13	1.771	2.160	2.650	3.012
14	1.761	2.145	2.624	2.977
15	1.753	2.131	2.602	2.947
16	1.746	2.120	2.583	2.921
17	1.740	2.110	2.567	2.898
18	1.734	2.101	2.552	2.878
19	1.729	2.093	2.539	2.861
20	1.725	2.086	2.528	2.845
21	1.721	2.080	2.518	2.831
22	1.717	2.074	2.508	2.819
23	1.714	2.069	2.500	2.807
24	1.711	2.064	2.492	2.797
25	1.708	2.060	2.485	2.787
26	1.706	2.056	2.479	2.779
27	1.703	2.052	2.473	2.771
28	1.701	2.048	2.467	2.763
29	1.699	2.045	2.462	2.756
30	1.697	2.042	2.457	2.750
40	1.684	2.021	2.423	2.704
50	1.676	2.009	2.403	2.678
100	1.660	1.984	2.364	2.626
10000	1.645	1.960	2.327	2.576

Uji t Tidak Berpasangan

Uji t dikembangkan oleh William Sealy Gosset. Dalam artikel publikasinya, ia menggunakan nama samaran Student, sehingga kemudian metode pengujiannya dikenal dengan uji t-student. William Sealy Gosset menganggap bahwa untuk sampel kecil, nilai Z dari distribusi normal tidak begitu cocok. Oleh karenanya, ia kemudian mengembangkan distribusi lain yang mirip dengan distribusi normal, yang dikenal dengan distribusi t-student. Distribusi student ini berlaku baik untuk sampel kecil maupun sampel besar. Pada n ≥ 30, distribusi t ini mendekati distribusi normal dan pada n yang sangat besar, misalnya n=10000, nilai distribusi t sama persis dengan nilai distribusi normal (lihat tabel t pada df 10000 dan bandingkan dengan nilai Z).

Pemakaian uji t ini bervariasi. Uji ini bisa digunakan untuk objek studi yang berpasangan dan juga bisa untuk objek studi yang tidak berpasangan. Berikut contoh penggunaan uji t.

Uji t tidak berpasangan

Contoh kasus :

Kita ingin menguji dua jenis pupuk nitrogen terhadap hasil padi

1. Hipotesis

Ho : 1 =₂

H_A : 1 ≠ ₂

2. Hasil penelitian tertera pada Tabel 1.

Tabel 1. Data hasil penelitian dua jenis pupuk nitrogen terhadap hasil padi (t/h)                          

Plot	Pupuk A  Y1	Pupuk B  Y2
1	7	8
2	6	6
3	5	7
4	6	8
5	5	6
6	4	6
7	4	7
8	6	7
9	6	8
10	7	7
11	6	6
12	5	7

3. Data analisis adalah sebagai berikut

Hitunglah

₁            = 5.58

_Y 2          = 6.92

S₁           = 0.996

S₂           = 0.793

t_hit        =( ₁ – ₂)/√(S₁²/n₁) +(S₂²/n₂)

=( 5.58 – 6.92)/√(0.996²/12)+(0.793²/12)

= -1.34/0.367522 = -3.67

Setelah itu, kita lihat nilai t table, sebagai nilai pembanding. Cara melihatnya adalah sebagai berikut. Pertama kita lihat kolom α = 0.025 pada Tabel 2. Nilai α ini berasal dari α 0.05 dibagi 2, karena hipotesis H_A kita adalah hipotesis 2 arah (lihat hipotesis). Kemudian, kita lihat baris ke 22. Nilai 22 ini adalah nilai df, yaitu n1+n2-2. Nilai n adalah jumlah ulangan, yaitu masing 12 ulangan. Akhirnya, kita peroleh nilai t_table = 2.074.

t _table = t _{α/2 (df)} = t_{0.05/2 (n1+n2-2)}=t_{0.025(12+12-2)} = t_0.025(22) = 2.074

4. Kriteria Pengambilan Kesimpulan

Terima H₀, jika t_hit| < t _table, sebaliknya

Tolak H₀, alias terima H_A, jika t_hit| > t _table

5. Kesimpulan

Karena nila t_hit|= 3.67 (tanda minus diabaikan) dan nilai t_table=2.074, maka kita tolak H₀, alias kita terima H_A. Dengan demikian, ₁ ≠ ₂, yaitu hasil padi yang dipupuk dengan pupuk A tidak sama dengan hasil padi yang dipupuk dengan pupuk B. Lebih lanjut, kita lihat bahwa rata-rata hasil padi yang dipupuk dengan pupuk B lebih tinggi daripada yang dipupuk dengan pupuk A. Dengan demikian, kita dapat menyimpulkan bahwa pupuk B nyata lebih baik daripada pupuk A untuk meningkatkan hasil panen.