tes run satu sampel
DESCRIPTION
tentang test satu sampelTRANSCRIPT
Tes Run Satu Sampel
Fungsi dan Dasar Pemikiran
Dalam tahun-tahun belakangan ini telah dikembangkan beberapa teknik yang memungkinkan
kita menguji hipotesis bahwa suatu sampel adalah sampel random. Teknik-teknik ini didasarkan
atas urutan (order) dimana skor-skor atau observasi-observasi itu satu per satu diperoleh.
Teknik yang akan disajikan di sini berdasarkan pada banyak run yang ditampilkan oleh suatu
sampel. Run didefinisikan sebagai suatu urutan lambang-lambang yang sama, yang diikuti serta
mengikuti lambing-lambang yang berbeda, atau tidak mengikuti atau diikuti lambing apapun.
Sebagai contoh, kita misalkan suatu rangkaian skor tambah atau kurang yang muncul dalam
urutan ini:
+ + − − − + − − − − + + − +
Sampel skor ini bermula dengan suatu run yang terdiri dari 2 tambah. Suatu run yang terdiri dari
3 kurang mengikutinya. Kemudian muncul suatu run lagi yang terdiri dari 1 tambah. Ini
kemudian diikuti dengan sebuah run terdiri dari 4 kurang, dan sesudahnya datang sebuah run
terdiri dari 2 tambah, dan seterusnya. Kita dapat mengelompokkan skor-skor itu menjadi
beberapa run dengan menggarisbawahi serta memberikan nomor pada tiap-tiap urutan lambang
yang sama:
+ + − − − + − − − − + + − +
1 2 3 4 5 6 7
Kita lihat bahwa seluruhnya ada 7 run : r = banyak run = 7. Jumlah keseluruhan run dalam
sampel sembarang ukuran member petunjuk tentang mungkin tidaknya sampel yang kita hadapi
adalah sampel random. Jika hanya sedikit sekali run, maka kiranya ada trend waktu sebagai
akibat dari kurangnya independensi. Jika terjadi run yang banyak sekali, kemungkinannya ialah
bahwa skor-skor itu terpengaruh oleh fruktuasi (perubahan terus menerus) jangka pendek yang
siklis dan sistematis.
Sebagai contoh, misalkan sebuah mata uang dilemparkan 20 kali dan kita saksikan munculnya
urutan muka (M) dan belakang (B) sebagi berikut :
M M M M M M M M M M B B B B B B B B B B
Hanya dua run yang terjadi dalam 20 kali lemparan. Tampaknya ini terlalu sedikitkalau mata
uangnya “baik” (atau pelemparannya “baik”). Disini terlihat kurangnya independensi.
Sebaliknya kita misalkan sekarang terjadi urutan sebagai berikut:
M B M B M B M B M B M B M B M B M B M B
Disini terdapat terlalu banyak run. Dalam kasus ini, dengan r = 20 ketika N = 20 akan beralasan
juga untuk menolak hipotesis bahwa mata uangnya “baik”. Tidak satu pun dari kedua urutan di
atas itu yang tampaknya merupakan rangkaian random M dan B.
Perhatikanlah bahwa analisis kita yang berlandaskan urutan kejadian-kejadian itu memberikan
kepada kita petunjuk yang tidak diberikan oleh frekuensi kejadian-kejadian itu. Dalam kedua
kasus ini, muncul 10 M dan 10 B. Jika skor-skor itu dianalisis menurut frekuensinya yakni
dengan menggunakan tes X2 atau tes binomial, tidak kita dapatkan alasan untuk mencurigai
“kebaikan” (“keseimbangan”) mata uang itu. Hanya tes run yang memusatkan perhatian pada
urutan kejadian, yang dapat mengungkapkan kurangnya kerandoman (“keacakan”) skor-skor itu,
dan dengan demikian menyingkapkan pula kemungkinan kurangnya “kebaikan”
(“keseimbangan”) mata uang itu.
Distribusi sumpling harga-harga r yang dapat kita harapkan dari sampel-sampel random yang
diulang kita ketahui. Dengan menggunakan distribusi sampling ini kita dapat memutuskan
apakah suatu sampel tertentu yang kita observasi memiliki run yang lebih atau kurang jika
dibandingkan dengan run yang mungkin terjadi dalam suatu sampel random.
Metode
Misalkan n1 =banyak elemen suatu jenis, dan n2 = banyak elemen jenis yang lain. Yaitu, n1
mungkin banyak sisi muka (M) dan n2 banyak sisi belakang (B). Atau, mungkin pula n1 banyak
tanda tambah dan n2 banyak tanda kurang. N = jumlah total kejadian yang diamati = n1 + n2.
Untuk menggunakan tes run satu-sampel, pertama-tama kita amati kejadian-kejadian n1 dan n2
dalam urutan dimana kejadian-kejadian itu muncul, dan kita tentukan harga r, yakni banyak run
yang ada.
Sampel-sampel Kecil. Jika, baik n1 maupun n2 sama dengan atau lebih kecil daripada 20 maka
Tabel F pada lampiran memberikan harga-harga kritis r dibawah H0 untuk α = 0,05. Ini
merupakan harga kritis distribusi sampling r dibawah H0. Jika harga r observasi jtuh diantara
kedua harga kritis, H0 diterima. Jika harga r observasi sama atau lebih ekstrem dari satu diantara
harga kritis itu, Ho ditolak.
Ada dua tabel yang disajikan: FI dan FII. Tabel FI memberikan harga-harga r yang sedemikian
kecil hingga kemungkinan yang berkaitan dengan harga-harga dibawah Ho adalah ρ = 0, 025.
Tabel FII memberikan harga-harga r yang begitu besarnya sehingga kemungkinan yang berkaitan
dengan munculnya harga-harga di bawah Ho adalah ρ = 0, 025.
Sembarang harga r observasi yang sama atau lebih kecil daripada harga yang ditunjukkan dalam
table FI atau yang sama, atau lebih besar daripada harga yang ditunjukkan dalam Tabel FII ada di
dalam daerah penolakan untuk α = 0,05.
Sebagai contoh, dalam lemparan pertama mata uang yang kita bicarakan di atas, kita dapatkan
dua run : satu run yang terdiri dari 10 M yang diikuti dengan satu run yang terdiri dari 10 B. Di
situ n1 = 10, dan r = 2. Table menunjukkan bahwa untuk harga-harga n1 dan n2 ini, suatu sampel
random diharapkan memuat lebih dari 6 run tetapi kurang dari 16. ada di dalam daerah
penolakan untuk α = 0,05. Harga r observasi, yakni 2, adalah lebih kecil dari 6; jadi pada tingkat
signifikansi 0,05 kita menolak Ho yang menyatakan bahwa mata uang itu menghasilkan urutan
M dan B yang random.
Jika kita menggunakan tes satu sisi, yakni apabila arah penyimpangan dari kerandoman
(keacakan) itu telah kita ramalkan, maka hanya satu dari dua tabel itu yng kita periksa. Jika
ramalan kita akan diobservasi run yang telah sedikit, maka Tabel FI memberikan harga-harga
kritis bagi r. jika r yang diobservasi di bawah tes satu sisi semacam itu sama atau lebih kecil dari
yang ditunjukkan dalam tabel FI, Ho dapat ditolak pada tingkat signifikansi ρ = 0, 025. Jika
ramalan kita akan terjadi terlalu banyak run, Tabel FII memberikan harga-harga kritis r yang
signifikan pada tingkat 0,025.
Kita ambil sebagai contoh kasus urutan kedua lemparan mata uang tadi. Misalkan kita telah
membuat ramakan karena alasan apa pun bahwa mata uang itu akan menghasilkan terlalu banyak
run. Kita amati bahwa r = 20 untuk nI = 10 dan n2 = 10. Karena harga r yang kita amati sama atau
lebih besar daripada yang ditunjukkan dalam tabel FII maka kita dapat menolak Ho pada tingkat α
= 0, 025 dan menyimpulkan bahwa mata uang itu “tidak baik” lebih berat kearah yang
diramalkan.
Contoh untuk sampel-sampel kecil
Dalam suatu studi mengenai dinamika agresi dalam diri kanak-kanak, pembuat eksperimen
mengamati pasangan kanak-kanak dalam suatu situasi permainan yang dikontrol. Sebagian besar
dari ke-24 kanak-kanak yang bertindak selaku subyek penelitian ini berasal dari sekolah yang
sama dan dengan demikian, mereka biasa bermain bersama sehari-hari. Karena pembuat
eksperimen dapat mengatur untuk hanya mengamati dua orang anak dalam setiap harinya, maka
dia pun khawatir bahwa mungkin terjadi bias dalam studi ini sebagai akibat telah terjadinya
perbincangan antara anak yang telah melaksanakan tugas tugas sebagai subyek penelitian dengan
anak yang akan mendapatkan giliran sesudahnya. Kalau perbincangan-perbincangan semacam
itu ada pengaruhnya terhadap tingkat agresi dalam waktu bermain, pengaruh ini akan tampak
sebagai kurangnya kerandoman skor agresi dalam urutan pengumpulan skor itu. Sesudah studi
selesai, kerandoman skor itu diuji dengan menggantikan skor tiap-tiap anak menjadi tanda
tambah atau kurang bergantung pada apakah skor itu jatuh di atas atau di bawah median
kelompok, dan kemudian tes run satu sampel diterapkan terhadap urutan tanda tambah dan tanda
kurang yang diamati.
i. Hipotesis Nol. Ho: tambah dan kurang terjadi urutan random. HI : urutan tambah dan
kurang menyimpang dari kerandoman.
ii. Tes Statistik. Karena hipotesis ini berkaitan dengan kerandoman satu urutan
observasi, dipilihlah tes run satu sampel.
iii. Tingkat Signifikansi. Kita pilih α = 0,05. N = banyak subyek = 24. Karena skor-skor
ini akan ditandai dengan tambah atau kurang bergantung pada apakah skor itu ada di
atas atau di bawah skor tengah dalam kelompok itu, maka nI = 12 dan n2 =12.
iv. Distribusi Sampling. Tabel F menyajikan harga-harga kritis r dari distribusi
samplingnya.
v. Daerah Penolakan. Karena HI tidak meramalkan arah deviasi dari kerandoman, maka
digunakan tes dua sisi. Ho akan ditolak pada tingkat signifikansi 0,05 jika r observasi
sama atau lebih kecil daripada harga yang sesuai dengan tingkat signifikansinya yang
tersaji dalam Tabel FII. Untuk nI = 12 dan n2 = 12, tabel F menunjukkan bahwa daerah
penolakan terdiri dari semua harga r yang sama atau lebih kecil daripada 7 dan semua
harga r yang sama atau lebih besar daripada 19.
vi. Keputusan. Tabel 4.5 menunjukkan skor agresi untuk masing-masing anak dalam
urutan terjadinya skor-skor itu. Median himpunan skor ini adalah 24,5. Semua skor
yang jatuh di bawah median ditandai dengan tambah. Dari kolom yang menunjukkan
urutan tambah dan kurang, dapat segera diketahui bahwa ada 10 run yang terdapat
dalam rangkaian ini; dengan demikian r = 10.
Dengan melihat Tabel F maka terungkaplah bahwa r = 10 untuk n I = 12 dan n2 = 12 tidaklah
termasuk dalam daerah penolakan, dan dengan demikian keputusan kita adalah: hipotesis nol
bahwa sampel skor itu terjadi dalam urutan random, dapat kita terima.
Tabel 4.5. Skor Agresi dalam Urutan Kemunculannya
Kanak-
kanak
Skor Posisi Skor
terhadap
median
Kanak-
kanak
Skor Posisi skor
terhadap
median
1
2
3
4
5
6
7
8
9
10
11
31
23
36
43
51
44
12
26
43
75
2
+
−
+
+
+
+
−
+
+
+
−
13
14
15
16
17
18
19
20
21
22
23
15
18
78
24
13
27
86
61
13
7
6
−
−
+
−
−
+
+
+
−
−
−
12 3 − 24 8 −
Sampel-sampel besar, jika baik n1 ataupun n2 lebih besar dari 20, Tabel F tidak dapat
digunakan. Untuk sampel-sampel besar semacam itu bentuk pendekatan yang baik distribusi
sampling r adalah distribusi normal dengan
Oleh sebab itu kalau n1 atau n2 lebih besar dari 20, Ho dapat diuji dengan:
(4.7)
Karena harga-harga z yang dihasilkan oleh rumus (4.7) di bawah Ho kira-kira
berdistribusi normal dengan mean nol dan varian satu, signifikansi setiap harga z observasi yang
dihitung dengan rumus itu dapat ditetapkan dengan memakai tabel kurva normal, yakni Tabel A
pada lampiran. Tabel A menyajikan kemungkinan-kemungkinan satu sisi yang berkaitan dengan
terdapatnya di bawah Ho harga-harga yang sama ekstremnya dengan harga z observasi.
Contoh sampel besar berikut ini menggunakan pendekatan kurve normal untuk distribusi
sampling r.
Mean = µr = 2n1n2
n1+n2 + 1
Dan Deviasi standar = σr = √ 2n1 n2(2n1 n2−n1−n2)
(n1+n2 )2(n1+n2−1)
z = r−µr
µr =
r−(2 n1n2
n1+n2
+1)
√ 2 n1 n2(2n1n2−n1−n2)
(n1+n2 )2(n1+n2−1)
Contoh untuk Sampel-sampel Besar
Penulis ingin meyakinkan apakah urutan pria-wanita dalam barisan orang yang berada di depan
loket penjualan karcis di suatu gedung bioskop adalah susunan random. Data diperoleh dengan
mencatat jenis kelamin masing-masing dari 50 orang yang berderet menuju ke loket itu.
i. Hipotesis nol. Ho : Urutan pria dan wanita dalam barisan itu adalah random, H1 :
urutan pria-wanita tidak random.
ii. Tes Statistik. Tes run satu sampel dipilih karena hipotesis ini berkepentingan dengan
ke-random-an satu kelompok kejadian-kejadian.
iii. Tingkat signifikansi. Dipilih α = 0,05. N = 50 = banyak orang yang diobservasi. Harga
n1 dan n2 baru ditetapkan nanti sesudah data terkumpul.
iv. Distribusi Sumpling. Untuk sampel-sampel besar, harga z yang dihitung dari rumus
(4.7) di bawah Ho adalah kira-kira berdistribusi normal. Tabel A memberikan
kemungkinan satu sisi yang dikaitkan dengn terjadinya harga-harga itu di bawah Ho
adalah sama atau lebih kecil dari α = 0.05. dengan demikian, daerah penolakan itu
mencakup semua harga z yang sama atau lebih ekstrim dari ± 1,96.
v. Keputusan. Pria (P) dan Wanita (W) yang berbaris de depan loker itu ada dalam
urutan seperti yang ditunjukkan dalam Tabel 4.6
Tabel. 4.6. Urutan 30 Pria (P) dan 20 Wanita (W) dalan Barisan di Depan Loket
Penjualan Karcis Bioskop (Run ditandai dengan Garis Bawah)
P W P W P P P W W P W P W
P W P P P P W P W P W P P
W W W P W P W P W P P W
P P W P P P P W P W P P
Kita ketahui bahwa dalam sampel ini terdapat 30 pria dan 20 wanita. Dengan meneliti
data yang ada dalam Tabel 4.6 pembaca akan segera pula menetapkan bahwa r = 35 = banyak
run.
Untuk menetapkan bahwa r ≥ 35 memang dapat serta-merta terjadi di bawah Ho, kita
hitung harga z sebagaimana ditentukan oleh rumus (4.7). Misalkan n1 = banyak pria = 30,
dan n2 = banyak wanita = 20. Kemudian:
). oleh
Tabel A menunjukkan bahwa kemungkinan terjadinya di bawah Ho harga z ≥ 2,98 adalah
p = 2 (0,0014) =0,0028. ( kemungkinannya adalah dua kali p yang diberikan di tebel, karena
yang dipakai adalah tes dua-sisi. Oleh karena kemungkinan yang dikaitkan dengan kejadian
yang diamati, yaitu p = 0,0028, ternyata kurang dari tingkat signifikansi α = 0,05 maka
keputusan kita adalah menolak Ho untuk menerima hipotesis penggantinya. Kita simpulkan
bahwa dalam barisan di depan loket bioskop itu urutan pria dan wanita tidaklah random.
Ringkasan Prosedur. Inilah langkah-langkah yang dilakukan dalam tes run satu sampel:
1. Susunlah observasi-observasi n1 dan n2 menurut urutan terjadinya.
2. Hitunglah banyak run (r).
3. Hitunglah kemungkinan di bawah Ho yang dikaitkan dengan suatu harga yang
seekstrem r yang diobservasi. Jika probabilitas itu sama atau kurang dari α, tolaklah
Ho. Teknik itu untuk menetapkan p bergantung pada ukuran kelompok n1 dan n2:
a. Kalau n1 dan n2 keduanya 20 atau kurang, pakailah Tabel F. Tabel F menyajikan
harga-harga r yang sedemikian kecilnya sehingga kemungkinannya di bawah Ho
adalah p = 0,025. Tabel FII menyajikan harga r yang begitu besarnya sehingga
kemungkinan di bawah Ho adalal p = 0,025. Untuk tes dua sisi, daerah
Z =
r−(2 n1n2
n1+n2
+1)
√ 2 n1 n2(2n1n2−n1−n2)
(n1+n2 )2(n1+n2−1)
= 35−(
2 (30 )(20)30+20
+1)
√2 (30 )(20)¿¿¿¿
= 2,98
penolakan dengan α = 0,05 terdiri dari kedua harga r yang ditabelkan dan semua
harga yang lebih ekstrem. Untuk tes satu-sisi, daerah penolakan pada tingkat α =
0,025 terdiri dari harga r yang ditabelkan dalam arah yang diramalkan (apakah
terlalu kecil atau terlalu besar) dan semua harga yang lebih ekstrem.
b. Jika n1 atau n2 > 20, hitunglah harga z dengan menggunakan rumus (4.7). Tabel
A menyajikan kemungkinan satu-sisi yang dikaitkan dengan terjadinya di bawah
Ho harga-harga yang seekstrem harga z observasi. Untuk tes dua sisi, kalikan
harga p yang diberikan tabel itu.
Jika p yang dikaitkan harga r observasi sama atau lebih kecil daripada α, tolaklah
Ho.