Anda di halaman 1dari 3

Estimasi

1 Alasan melakukan estimasi


Setiap orang melakukan estimasi. Ketika anda akan menyeberang jalan, anda akan m
engestimasi kecepatan mobil-mobil yang mendekat, jarak antara anda dengan mobil-
mobil tersebut, dan kecepatan anda sendiri. ketika anda sudah memiliki estimasi-
estimasi kasar tersebut, anda memutuskan apakah anda menunggu, jalan, atau bahk
an berlari dalam menyebrangi jalan tersebut.
Semua manajer mesti membuat estimasi-estimasi cepat seperti itu pula. Misalnya,
ketua jurusan suatu universitas mengestimasi berapa jumlah mahasiswa yang akan d
aftar ulang semester depan untuk memutuskan berapa kelas yang akan dibuka; seora
ng manajer kredit mengestimasi berapa pengguna kartu kredit perusahaannya yang a
kan bayar tagihannya pada saat jatuh tempo untuk memutuskan kebijakan kredit per
usahaannya;
Karena, untuk membuat keputusan yang cepat, manajer membutuhkan info- info berup
a estimasi-estimasi tersebut. Konsekuensinya adalah keputusan apa yang akan diam
bil akan bergantung pada estimasi- estimasi yang digunakan. Hasil/outcomes dari
keputusan tersebut bisa baik bagi perusahaan, atau bisa juga sebaliknya. Yang te
rkhir inilah yang tidak diinginkan.
Para manajer membuat estimasi- estimasi karena mayoritas keputusan- keputusan pe
nting terjadi pada situasi dimana informasi yang tersedia tidak lengkap dan adan
ya ketidakpastian yang cukup tinggi mengenai apa yang akan terjadi dimasa depan,
sementara para manajer tersebut dituntut untuk membuat keputusan yang rasional.
Sebagai seorang warga yang terpelajar dan profesional, anda mesti bisa membuat e
stimasi-estimasi secara sistematis dan rasional, agar bisa dikomunikasikan secar
a baik dan dipahami terutama oleh pihak- pihak akan terkena dampak dari keputusa
n anda.
Ilmu statistik merupakan salah satu alat bantu metodik untuk mengumpulkan, mempr
oses data untuk menghasilkan info-info atau estimasi-estimasi yang dibutuhkan da
lam pengambilan keputusan. Proses pembuatan estimasi- estimasi dengan menggunaka
n statistik sebagai alat bantunya dikenal dengan istilah Statistical Inference.
Sementara metode statistik yang digunakan dalam proses tersebut disebut Inferent
ial Statistics.
Teori-teori probabilitas menjadi dasar dalam ilmu inferential statistics.
2 Istilah
2.1 Estimator
Estimator adalah suatu statistik (median, modus, rerata, varian, deviasi standar
d, proporsi dll.) sampel yang digunakan untuk mengestimasi suatu parameter (medi
an, modus, rerata, varian, deviasi standard, proporsi dll.) populasi.
Contoh:
rerata sampel menjadi estimator untuk rerata populasi.
Misal, rerata tinggi 100 mahasiswa STEI SEBI menjadi estimator untuk rerata ting
gi keseluruhan mahasiswa SEBI.
Proporsi sampel menjadi estimator untuk proporsi populasinya.
Misal, Proporsi wanita dari 50 orang penonton sepak bola di gelora Bung Karno me
njadi estimator untuk proporsi wanita dari 100.000 penonton sepak bola di gelora
Bung Karno.
2.2 Estimate
Estimate(s) adalah nilai (value) tertentu dari estimator.
Contoh:
rerata sampel menjadi estimator untuk rerata populasi.
Misal, rerata tinggi 100 mahasiswa STEI SEBI menjadi estimator untuk rerata ting
gi keseluruhan mahasiswa SEBI. Jika diketahui melalui pengukuran bahwa rerata ti
nggi 100 orang mahasiswa SEBI adalah 170 cm, maka dapat dikatakan bahwa rerata t
inggi umumnya mahasiswa SEBI sekitar 170 cm. Angka 170 itu yang kita sebut Estim
ate.
Proporsi sampel menjadi estimator untuk proporsi populasinya.
Misal, Proporsi wanita dari 50 orang penonton sepak bola di gelora Bung Karno me
njadi estimator untuk proporsi wanita dari 100.000 penonton sepak bola di gelora
Bung Karno. Jika dari 50 penonton tersebut didapati 10 orang wanita (berarti ad
a 20% wanita dari 50 orang penonton), maka dapat dikatakan bahwa dari seluruh pe
nonton sepak bola di gelora Bung Karno, sekitar 20% dari mereka adalah wanita. A
ngka 20% itu adalah Estimate.
Catatan
Dalam statistik, estimate adalah kondisi sekarang, bukan kondisi masa depan. Pop
ulasinya sendiri telah eksis sekarang, nilai sampel yang didapat adalah kondisi
riil sekarang, demikian juga estimasi parameter populasi. Dalam konteks ini, par
ameter populasi menjadi unknown present (kondisi sekarang yang tidak diketahui).
Jika bicara tentang kondisi masa depan, para ahli statistik mengenalnya dengan i
stilah forecast.
2.3 Types of estimate
Jenis ini adalah berdasarkan metode mempresentasikan/menampilkan nilai suatu est
imator (estimate).
Ada dua jenis:
Point estimate
Interval estimate
2.3.1 Point estimate
Estimate ditampilkan dalam bentuk suatu angka/single number (absolut ataupun rel
atif)
Contoh:
Rerata tinggi umumnya mahasiswa SEBI sekitar 170 cm.
Dari seluruh penonton sepak bola di gelora Bung Karno, sekitar 20% dari mereka a
dalah wanita.
2.3.2 Interval estimate
Estimate ditampilkan dalam bentuk interval/range nilai/angka (baik absolut/relat
if).
Contoh:
Rerata tinggi umumnya mahasiswa SEBI sekitar 170 ± 2 cm. (atau antara 168 - 172
cm)
Dari seluruh penonton sepak bola di gelora Bung Karno, sekitar 20 ±
0.5 % dari mereka adalah wanita. (atau antara 19.5 - 20.5 %)
Catatan:
Yang menjadi nilai tengah dari range pada estimate jenis ini adalah point estima
te. Pada contoh diatas yaitu angka 170 dan 20.
Interval estimate bersifat simetris, jarak antara batas atas (upper limit) ke ti
tik tengah (point estimate) sama dengan jarak antara batas bawah (lower limit) k
e titik tengah (point estimate)
2.4 Confidence level
Confidence level atau tingkat keyakinan dibutuhkan ketika kita perlu menampilkan
estimate dalam bentuk interval. Confidence level akan menentukan batas atas dan
batas bawah dari interval yang akan kita buat. Jadi untuk membuat interval esti
mate, kita butuh point estimate (berfungsi sbagai titik tengah dari interval) da
n confidence level (untuk menentukan batas atas dan batas bawahnya).
Confidence level adalah probabilitas bahwa interval yang dibuat akan mencakup ni
lai sebenarnya parameter yang sedang kita coba cari tahu.
Contoh:
Rerata tinggi umumnya mahasiswa SEBI sekitar 170 ± 2 cm (atau antara 168 - 172
cm) dengan tingkat keyakinan 70%. Artinya, ada peluang 70% bahwa nilai sebenarny
a rerata tinggi badan seluruh mahasiswa SEBI (ini yang kita tidak tahu) tercakup
didalam interval antara 168 - 172 cm.
Catatan:
Untuk mengetahui nilai sebenarnya parameter yang sedang diteliti dapat dilakukan
dengan proses sensus, yaitu mengukur seluruh anggota populasi. Seringkali hal i
ni tidak mungkin dilakukan karena banyak alasan, seperti jumlahnya terlalu banya
k, terlalu sulit/berbahaya untuk dilakukan, biayanya terlalu mahal, terlalu maka
n waktu, butuh orang terlalu banyak dan sebagainya. Oleh karena itu dalam banyak
kasus, yang paling logis untuk dikerjakan adalah mengestimasinya.
2.5 Confidence interval
Interval nilai yang dihasilkan ketika kita menghitung interval estimate dengan t
itik tengah (point estimate) tertentu dan confidence level tertentu
2.6 Topik ini difokuskan pd proses menentukan interval estimate, sementara point
estimate sdh terikut didlmnya. Krn utk membuat estimasi interval dibthkan stati
stik sampel, yg juga merupakan point estimate.
3 Estimasi Mean (rerata)
3.1 Sampel besar
3.1.1 n > 30
jika sampel kurang dari 30, tapi SD populasinya diketahui, maka perlakukan seper
ti sampel besar.
3.1.2 Ekstrak data
Rerata
SD atau varians
Jika ada SD atau varians populasi, gunakan langsung utk menghitung standard erro
r.
Jika tidak ada SD atau varians populasi, gunakan SD sampel utk mengestimasi stan
dard error
CL
Sample size
3.1.3 Hitung standard error
3.1.4 Hitung nilai batas
Upper limit
Lower limit
3.2 Sampel kecil
3.2.1 n <= 30
3.2.2 SD populasi tdk diketahui
3.2.3 Ekstrak data
Rerata
SD atau varians
CL
Sample size
Hitung Degree of freedom
3.2.4 Hitung Standard Error
3.2.5 Gunakan student t dist utk menghitung nilai batas
4 Estimasi Proporsi
4.1 Hanya sampel besar
4.2 Prosedur
4.2.1 n > 30
4.2.2 Ekstrak data
Proporsi
CL
Sample size
4.2.3 Rerata distribusi sampling dari proporsi
4.2.4 Hitung standard error
JIka diketahui proporsi populasinya diketahui
jika proporsi populasiny tdk diketahui
4.2.5 Hitung nilai batas
Upper limit
Lower limit