MAKALA BIOSTATISTIK

STANDAR ERROR , SENTRAL LIMIT THEOREM , ESTIMASI

DISUSUN OLEH :

1. Agustina Lisa Andriyana (16.0.P.058)

2. Elia Rahayu Andryawat i (16.0.P.083)
3. Ervan Miftah Faridl (16.0.P.076)
4. Galih Prima Yudistira (16.0.P.082)
5. Havid Fahrudin (16.0.P.083)
6. Redilla Febriyanti (16.0.P.102)

STIKes MITRA HUSADA KARANGANYAR

PROGRAM STUDI SARJANA KEPERAWATAN
2019
 BAB I

PENDAULUAN

A. Latar belakang

Bila pada suatu populasi tak terhingga dilakukan pengambilan sampel

secara acak berulang ulang hingga semua sampel yang mugkin dapat ditarik dari

populasi tersebut. Sampel yang diambil dari populasi terbatas dan sebelum

dilakukan pengambilan sampel berikurnya sampel unit dikembalikan ke dalam

populasi. Proses ini akan berulang- ulang dalam jumlah yang sangat banyak

sehingga akan dihasilkan sampel.

Sampel-sampel yang dihasilkan dihitung rata-ratanya maka akan

menghasilkan nilai rata-rata yang berbeda hingga dapat disusun menjadi suatu

distribusi yang tersebut distribusi rata-rata sampel. Bila dihitung deviasi

standarnya dinamakan deviasi standar distribusi rata-rata sampel atau kesalahan

baku rata-rata (standar error rata-rata ). Demikian pula untuk proporsi disebut

kesalahan baku proporsi (standar error proporsi)

Proses estimasi merupakan peristiwa yang dialami oleh setiap orang dalam

kehidupan sehari-hari. Misalnya, bila kita akan menyebrang jalan dan melihat ada

kendaraan yang akan lewat maka kita membuat estimasi tentang kecepatan

kendaraan, lebar jalan, dan kecepatan kita untuk membuat keputusan, apakah kita

menyebrang atau menunggu sampai kendaraan lewat. Estimasi demikian hanya

didasarkan pada pengalaman atau tebakan saja

 Dalam metode statistika, teori estimasi digunakan untuk menaksirkan

parameter populasi seperti rata-rata atau proporsi variabel tertentu yang dalam

populasi melalui perhitungan statistika sampel karena perhitungan langsung pada

seluruh populasi tidak mungkin dilakukan.

Istilah “standard error” dan “standard deviation” terkadang

membingungkan. Namun sebenarnya ada hal pokok yang membedakan.

Ilustrasinya sebagai berikut: Apabila kita ingin mengetahui variance populasi

maka untuk menduganya digunakan variance sampel. Hal yang sama apabila

melakukan pendugaan meanmean sample, selanjutnya dalam pendugaan tersebut

kemungkinan nilai mean akan berbeda-beda untuk tiap sample. Perbedaan ini

dapat menimbulkan variasi pada penduga mean. Variasi pada penduga itulah

yang disebut sebagai standard error.

Oleh karena dalam ilustrasi menggunakan penduga mean maka variasi

penduga disebut sebagai standard error mean. Dari masalah ini dapat diambil

kesimpulan bahwa standard deviation mengukur variasi pengamatan, sedangkan

standard error mengukur variasi penduga atau statistics. Istilah “standard

error” dan “standard deviation” terkadang membingungkan. Namun sebenarnya

ada hal pokok yang membedakan. Ilustrasinya sebagai berikut: Apabila kita ingin

mengetahui variance populasi maka untuk menduganya digunakan variance

sampel. Hal yang sama apabila melakukan pendugaan meanmean sample,

selanjutnya dalam pendugaan tersebut kemungkinan nilai mean akan berbeda-

beda untuk tiap sample. Perbedaan ini dapat menimbulkan variasi pada penduga

mean. Variasi pada penduga itulah yang disebut sebagai standard error. Oleh
karena dalam ilustrasi menggunakan penduga mean maka variasi penduga disebut

sebagai standard error mean. Dari masalah ini dapat diambil kesimpulan bahwa

standard deviation mengukur variasi pengamatan, sedangkan standard error

mengukur variasi penduga atau statistics.

B. Rumusan Masalah
a. Apa yang dimaksud dengan Dalil limit pusat?
b. Apa jenis Dalil limit pusat?
c. Apa yang dimaksud dengan estimasi?
d. Apa macam-macam estimasi?
e. Apa yang dimaksud distribusi t?
f. Apa yang dimaksud dengan standar error rata-rata?
C. Tujuan Masalah
a. Untuk mengetahui tentang Dalil limit pusat
b. Untuk mengetahui jenis Dalil limit pusat
c. Untuk mengetahui tentang estimasi
d. Untuk mengetahui tentang macam-macam estimasi
e. Untuk mengetahui tentang distribusi t
f. Untuk mengetahui tentang standar error rata-rata
 BAB II

TINJAUAN PUSTAKA

A. DALIL LIMID PUSAT (CENTRAL LIMIT THEOREM)

Dalil limit pusat ialah hubungan antara bentuk distribusi populasi dengan

bentuk distribusi sampling rata rata. Hubungan tersebut adalah sebagai berikut :

1. Rata – rata dari distribusi rata – rata sampel sama dengan rata – rata

populasi dan tidak bergantung pada bentuk distribusi populasi

𝜇 𝑥̅ =𝜇

Denganpenambahanjumlahsampel maka distribusi rata – rata sampel akan

mendekati distribusi normal dan tidak tergantung pada bentuk distribusi

populasi.

2. Dalil limid pusat merupakan dalil yang sangat penting dalam statistika

inferensial karena dengan dalil inimemungkinkan kita untuk menafsir

parameter populasi dari sampel tanpa harus

mengetahuibentukdistribusipopulasi.Dari dalilinidiketahui bahwa untuk

pendekatan ke distribusi normal , distribusi rata – rata sampel tidak

membutuhkan sampel yang besar , dengan sampel sebesar 30 telah terjadi

pendekatan ke distribusi normal.

B. ESTIMATOR DAN ESTIMIT

Estimator ialah statistic sampel yang digunakan untuk menaksir parameter

populasi. Misalnya, Rata – rata sampel ( 𝑥̅ ) digunakan untuk menaksir rata – rata
populasi (𝜇 ), proporsi sampel (𝑝̅ ) untuk menaksir proporsi populasi (p). dan

jumlah cirri tertentu populasi (X’).

Estimit ialah angka atau nilai yang digunakan sebagai estimator untuk

menaksir parameter populasi , Tetapi tidak semua statistic merupakan estimator

yang baik. Oleh karena itu, untuk menentukan statistic sebagai estimator yang

baik terdapat beberapa criteria sebagai berikut :

1. Tidak bias

2. Efisien

3. Konsisten

1. Tidak bias

Tidak bias merupakan salah satu criteria estimator yang penting untuk

menentukan estimator yang baik. Suatu estimator dikatakan tidak bias bila nilai

hasil statistic sampel mempunyai nilai yang sama dengan parameter populasi.

Ini berarti, nilai – nilai statistic yang terletak diatas nilai parameter populasi sama

dengan nilai – nilai statistic yang terletak dibawah nilai parameter. Misalnya, rata

– rata sampel merupakan estimator yang tidak bias, demikian pula dengan

proporsi sampel serta”jumlah” cirri tertentu sampel. Ketiga estimator tersebut

dinamakan simple unbiased estimator.

2. Efisien
 Suatu estimator dikatakan efisien apabila statistic sampel mempunyai

kesalahan baku yang kecil. Bila kita harus menentukan satu estimator dari dua

statistic maka statistic dengan kesalahan baku yang lebih kecil kita ambil dari

estimator karena statistic dengan kesalahan baku yang kecil mempunyai peluang

yang besar untuk lebih mendekati nilai parameternya.

Misalnya,kita akan menaksir rata rata populasi melalui statistic rata – rata dan

median sampel . Dari ditribusi rata – rata sampel diperoleh kesalahan baku sebesar

1,03, Sedangkan kesalahan baku median sebesar 1,64 maka dikatakan bahwa “rata

– rata” merupakan estimator yang lebih efisien dibanding dengan median.

3. Konsisten

Bila besarnya sampel bertambah maka hampir dapat dipastikan bahwa

nilai statistic sampel akan lebih mendekati nilai parameter populasi estimator

demikian disebut konsisten.

Ini berarti bahwa dengan estimator yang konsisten maka ketepatan akan

meningkat dengan sampel yang besar. Oleh karena itu, bila kita ingin

meningkatkan ketepatan estimasi terhadap parameter populasi.

Macam-macam estimasi

Estimasi terhadap parameter populasi bermacam-macam bergantung pada

statistik sample yang digunakan sebagai estimator dan bergantung pula pada

besarnya sample dan deviasi standar populasi. Secara garis besar, macam-macam

estimasi adalah sebagai berikut.

 1. Estimasi satu populasi

a. Estimasi rata-rata

1. Titik estimasi

2. Interval estimasi

b. Estimasi proporsi

2. Estimasi dua populasi

a. Estimasi perbedaan rata-rata

1. Interval estimasi

b. Estimasi perbedaan proporsi

1. Interval estimasi

Estimasi satu populasi

Estimasi rata-rata satu populasi

Titik estimasi merupakan salah satu cara untuk mengadakan estimasi

terhadap parameter populasi yang tidak diketahui. Tunggal yang digunakan yang

digunakan untuk mengadakan estimasi terhadap parameter populasi.

Dari hasil pembahasan sebelumnya diketahui bahwa rata-rata sample merupakan

estimator yang baik untuk menafsirkan rata-rata populasi. Misalnya, berdasarkan

hasil penelitian yang dilakukan terhadap penderita rawat, inap, seorang dokter

rumah sakit mengatakan bahwa rata-rata penderita rawat inap per minggu adalah

30 orang. Pernyataan ini merupakan titik estimasi terhadap rata-rata penderita

rawat inap di masa yang akan datang.

 Pemakaian titik estimasi untuk menaksir parameter populasi sering tidak

memuaskan karena dengan titik estimasi kita hanya dapat mengetahui apakah

estimasi tersebut benar atau salah. Misalnya, pada contoh penderita rawat inap

tersebut diperoleh rata-rata 28 penderita per minggu dan kita katakan bahwa

estimasi tersebut salah. Ini berarti bahwa titik estimasi merupakan nilai taksiran

yang kaku.

Oleh karena itu, titik estimasi akan lebih bermanfaat bila disertai dengan

penyimpangan yang masih dapat diterima. Ini berarti bahwa perbedaan dengan

nilai titik estimasi tidak berpengaruh terhadap kesimpulan yang kita buat.

̅) terhadap rata-rata populasi (𝝁)

Titik estimasi rata-rata (𝒙

Contoh

Untuk membuat estimasi rata-rata tinggi badan mahasiswa fakultas kedokteran

dilakukan pengambilan sampel sebanhyak 20 orang dengan hasil sebagai berikut.

160,161,158,157,163,171,168,166,155,173,160,165,154,156,161,162,150,153,170

,164

x̅ = 3227/20 = 161,4 cm

Tinggi badan 161,4 cm merupakan titik estimasi terhadap tinggi badan mahasiswa

fakultas kedokteran.

̅) terhadap proporsi populasi

Titik estimasi proporsi sampel (𝐩

Contoh
Bila kita ingin mengetahui presentase penduduk suatu kota yang menderita

keratitis.untuk itu, kita ambil sampel sebanyak 100 orang yang berkunjung ke

rumah sakit mata dan ternyata terdapat 5 orang yang menderita penyakit keratitis.

Dari hasil tersebut dibuat taksiran bahwa 5% penduduk kota tersebut menderita

keratitis dengan perhitungan sebagai berikut.

Proporsi (p) = x/n

x = jumlah penderita keratitis yang ditemukan

n = besarnya sampel

p = 5 /100 = 5 %

titik estimasi jumlah ciri tertentu sampel (x’) terhadap ciri tertentu dalam

populasi (x’)

titik estimasi jumlah ciri tertentu dalam variabel yang terdapat pada sampel

digunakan untuk mengadakan estimasi terhadap jumalah ciri tersebut dalam

populasi.

Rumus x’ = (1/f)x

X’ = jumlah katagori dalam variabel

f = n/N

n = banyaknya sampel

N = besarnya populasi
 X = jumlah hasil (outcome) katagori yang ingin kita ketahui jumlahnya.

Misalnya, kita ingin mengetahui jumlah pengunjung wanita yang terdapat di suatu

rumah sakit. Diketahui jumlah penderita yang berkunjung sebanyak 500 orang per

minggu. Dari jumlah tersebut diambil sebanyak 50 orang sebagai sampel dan dari

50 orang tersebut terdapat 10 orang penderita wanita.

f = n/N = 50/500 = 1/10

n’ = 1(50/500)x10

100 orang pengunjung wanita digunakan sebagai titik estimasi terhadap 500 orang

yang berobat ke rumah sakit. Dengan kata lain, diestimasikan bahwa dari 500

orang yang berobat ke rumah sakit tersebut 100 orang di antaranyaadalah wanita.

Titik estimasi deviasi standar sampel (s) terhadap deviasi standar populasi

(𝝈) Untuk mengadakan estimasi terhadap kadar gula darah telah dilakukan

pemeriksaan gula darah puasa terhadap 35 orang mahasiswa yang dianggap

normal.

Dari pemeriksaan tersebut dihasilkan rata-rata 102 mg%. Dari hasil tersebut kita

hitung deviasi standar menggunakan rumus berikut.

Rumus s= √∑(𝑥 − ̅̅̅

𝑥) 2 /𝑛 − 1

Hasil s = 6, 01 merupakan nilai estimasi deviasi standar terhadap gula darah

populasi. Hasil ini tidak bias karena sebagai penyebut digunakan koreksi ‘’n-1’’.

Interval estimasi ( interval estimasi)

 Interval estimasi adalah sekumpulan nilai statistik sampel dalam interval

tertentu yang digunakan untuk mengadakan estimasi terhadap parameter populasi

dengan harapan bahwa nilai parameter populasi terletak dalam interval tersebut.

Contoh :

Seorang kepala rumah sakit ingin menaksirkan rata-rata petugas rumah sakit yang

absen setiap hari. Untuk itu diambil sampel sebanyak 50 hari kerja dan diperoleh

rata-rata 8 orang petugas yang absen per hari. Bila hasil ini di gunakan rata-rata

petugas absen maka taksisaran tersebut yang absen merupakan titik estimasi ,

tetapi kepala rumah sakit ingin juga mengetahui besarnya variasi dari angka rata-

rata tersebut untuk menentukan apakah akan mempengaruhi kegiatan rumah sakit

atau tidak.

Dari data yang lalu diketahui bahwa besarnya simpangan baku adalah 4 orang.

Untuk mengetahui besarnya interval estimasi maka dihitung kesalahan baku

dengan rumus berikut.

𝜎𝑥̅ = 𝜎/ √𝑛

= 4/ √50 = 0, 57

Dari hasil tersebut dinyatakan bahwa probabilitas petugas yang absen 8 orang

tersebut terketak antara ± 0,57, yaitu terletak antara 7,43 dan 8,57 sebagai interval

estimasi terhadap parameter populasi dan diharapkan nilai absen populasi terletak

antara angka tersebut.

Hasil di atas masih belum seluruhnya memuaskan karena di samping

penyimpangan satu kesalahan baku, interval estimasi juga dapat dilakukan

berdasarkan 2 kesalahan baku atau 3 kesalahan baku.

Untuk 2 kesalahan baku : 8 ± (2 x 0,57)

Rata-rata absensi terletak antara 6,86-9,14

Untuk 3 kesalahan baku : 8 ± ( 2 x 0,57)

Rata-rata absensi terletak antara 6, 29-9,71

Interval estimasi dan interval kepercayaan (konfidensi)

Setelah kita ketahui besarnya interval estimasi maka kita ingin mengetahui

besarnya kepercayaan (konfidensi) terhadap hasil tersebut.

Untuk mengetahui tingkat kepercayaan tersebut kita gunakan distribusi normal

yang menyatakan besarnya presentase terhadap seluruh luas kurva. Misalnya,

untuk tingkat kepercayaan 95,5% atau penyimpangan 2 SD sesuai dengan 4750

pada belahan luas kurva dan bila kita lihat dalam tabel maka sama dengan 1,96

yang merupakan jarak penyimpangan dari rata-rata ke kanan dan ke kiri

merupakan interval kepercayaan dengan limit atas dan limit bawah ± 1,96.

Batas ini merupakan interval estimasi terhadap parameter populasi. Ini berarti kita

95% percaya bahwa nilai rata-rata dengan penyimpangan ke kanan 1,96 dan ke

kiri 1,96.
Untuk lebar interval estimasi yang digunakan, tidak ada ketentuan yang baku,

tetapi yang harus dipertimbangan adalah apabila interval estimasi terlalu sempit

maka taksiran akan lebih akurat, tetapi banyak terjadi kesalahan dalam menaksir

parameter populasi.

Interval estimasi rata rata

Interval estimasi rata-rata parameter populasi dapat dilakukan berdasarkan

besarnya sampel, simpangan baku populasi, dan besarnya populasi. Oleh karena

itu perhitungannya dibedakan menjadi seperti berikut.

1. Populasi terbatas, deviasi standar diketahui, sampel besar (n>30)

2. Populasi terbatas, deviasi standar tidak diketahui, sampel besar (n>30)

3. Populasi terbatas, deviasi standar tidak diketahui sampel kecil (n<30)

4. Populasi tak terhingga deviasi standar diketahui sampel kecil (n<30)

5. Populasi tak terhingga deviasi standar tidak diketahui dan sampel besar

(n>30)

6. Populasi tak terhingga deviasi standar tak diketahui dan sampel kecil

(n<30)

Populasi terbatas, sampel besar, dan deviasi standar populasi diketahui

Kita ketahui dari pembahasan yang lalu bahwa kesalahan baku bergantung

pada deviasi standar populasi dan besarnya sampel karena distribusi probabilitas

merupakan dasar dari estimasi.

Populasi terbatas, sampel besar, deviasi standar tak diketahui

 Menemukan besarnya deviasi standar populasi yang tidak diketahui.

Populasi terbatas, sampel kecil, deviasi standar tak diketahui

Interval estimasi untuk parameter populasi dengan sampel besar, populasi

terbatas dan populasi tak terhingga dengan deviasi standar yang diketahui dan tak

diketahui telah dibahas.

Bila interval estimasi dilakukan dengan sampel kecil (<30) maka distribusi normal

standar tidak dapat digunakan, tetapi harus menggunakan distribusi lain yaitu

distribusi ‘’t’’.

Distribusi ‘’t’’

Distribusi ‘’t’’ adalah distribusi teoretis dengan variabel random kontinu.

Distribusi ini mula-mula ditemukan oleh william S Gossett pada awal abad

kesembilan belas yang dipublikasikan dengan nama ‘’ student’’ karena itu

distribusi ‘’t’’ disebut juga distribusi ‘’ student’’.

Untuk menggunakan distribusi ‘’t’’ dibutuhkan persyaratan sebagai berikut.

n<30 n = besarnya sampel

𝜎 tak diketahui 𝜎 = simpangan baku ( deviasi standar )

populasi

Sifat – sifat distribusi ‘’t’’

Distribusi ‘’t’’ mempunyai bentuk yang mirip dengan distribusi normal dan

dibentuk dari variabel random kontinu.

 1. Puncak distribusi ‘’t’’ lebih rendah dari pada distribusi normal,

tetapi mempunyai kaki yang lebih tinggi.

Puncak kurva akan mendekati distribusi nomal bila n ditambahkan

sehingga distribusi ‘’t’’ mempunyai banyak kurva yang bergantung pada

besarnya sampel n. Bila n telah mencapai lebih dari 30 maka puncak kurva

distribusi normal hingga terjadi pendekatan ke distribusi normal.

2. Distribusi normal dihasilkan dari n yang sangat besar, sedangkan

distribusi ‘’t’’ dihasilkan dari n yang kecil.

Telah dijelaskan bahwa terdapat distribusi ‘’t’’ yang berbeda pada

besar sampel yang berbeda. Kondisi ini di dalam statistik dikatakan

bahwa terdapat distribusi ‘’t’’ yang berbeda pada setiap derajat

kebebasan.

a. Derajat kebebasan

Derajat kebebasan adalah jumlah nilai ynag dapat ditentukan secara bebas.

Misalnya, kita berhadapan dengan dua sampel a dan b dengan rata-rata 25, maka

secara matematis dapat dituliskan sebagai berikut.

𝑎+𝑏
= 25 atau a + b = 50
2

Dari persamaan diatas, salah satunya yaitu a atau b dapat kita tentukan nilai

berapa saja dan setelah ditentukan, misalnya nilai a = 40, maka nilai b tidak lagi

dapat ditentukan secara bebas, tetapi harus ditentukan nilainya hingga jumlah a

dan b sama dengan 50.

Estimasi proporsi satu populasi

Interval estimasi proporsi

Ahli statistika sering menggunakan proporsi sampel untuk mengadakan

estimasi terhadap proporsi populasi.

Distribusi proporsi sesuai dengan distribusi binominal, tetapi rumus-rumus yang

digunakan pada distrinusi binominal sangat rumit. Untuk mempermudah

perhitungan. Dapat digunakan pendekatan distribusi normal. Pendekatan tersebut

dapat dilakukan dengan persyaratan berikut.

1. Sampel cukup besar (n>30)

2. Np dan nq masing-masing minimal 5

3. np ≥ 5 bila p < 0,5 dan nq ≤ 5 bila p > 0,5

untuk interval estimasi berlaku rumus kesalahan baku berikut.

Rumus populasi tak terhingga :𝜎𝑝𝑟𝑜𝑝 = √𝑝̅ .√𝑞̅ /𝑛

Rumus populasi terbatas : 𝜎𝑝𝑟𝑜𝑝 = (√𝑝̅ . 𝑞̅ /𝑛 )x(√(𝑁 − 𝑛 )/(n-1)

Rumus interval kepercayaan : 𝑝̅ ± z √𝑝̅ . 𝑞̅ /𝑛

𝜎𝑝𝑟𝑜𝑝 : kesalahan baku proporsi

𝑝̅ = proporsi yang tidak diinginkan

𝑞̅ = 1- 𝑝̅

N = jumlah populasi
 n = jumlah sampel

b. estimasiduapopulasi

estimasi perbedaan dua populasi pada prinsipnya tidak berbeda dengan

estimasi terhadap satu populasi.

Misalkan, kita mempunyai dua populasi berukuran 𝑁1 dan 𝑁2 dengan rata-

rata 𝜇1 dan 𝜇2 . Dari masing-masing populasi diambil sampel 𝑛1 dan 𝑛2 dengan

rata-rata 𝑥̅1 dan 𝑥̅2 . Bila selisih rata-rata (𝑥̅1 - 𝑥̅2 ) digunakan untuk menaksir rata-

rata populasi maka disebut titik estimasi.

Untuk interval estimasi dilakukan perhitungan sebagai berikut.

1. Hitunglah selisih rata-rata sampel (𝑥̅1 - 𝑥̅ 2 )

2. Hitunglah kesalahan baku 1 dan 2 𝝈̅̅̅̅

𝒙 𝟏 =𝝈𝟏 / 𝒏𝟏 , 𝝈̅̅̅̅̅
𝒙 𝟐 = 𝝈𝟐 / 𝒏𝟐

3. Hitunglah kesalahan baku gabungan √𝝈𝟐𝟏 / 𝒏𝟏 + √𝝈𝟐𝟐 / 𝒏𝟐

4. Tentukan derajat kepercayaan

5. Hitung interval kepercayaan

1. Estimasi rata-rata dua populasi dengan sampel besar (n>30) dan simpangan

baku kedua populasi sama dan diketahui besarnya (𝜎1 =𝜎2 diketahui besarnya).

Demikian maka interval kepercayaan dihitung dengan rumus berikut.

(𝑥̅1 -𝑥̅ 2) ± 𝑧. 𝜎√1/𝑛1 + 1 /𝑛2

2. Estimasi selisih rata-rata dua populasi dengan n>30 , 𝜎1 ≠ 𝜎2 , 𝜎1 𝑑𝑎𝑛 𝜎2

tidak diketahui.

(𝑥̅1 -𝑥̅ 2) ± 𝑧√𝑠1 2 /𝑛1 + 𝑠2 2 /𝑛2

3. Sampel kecil (n< 30 ),𝜎1 = 𝜎2 dan besarnya tidak dikertahui.

∑(𝑥1−̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
̅𝑥 2 + ∑ (𝑥 ̅̅̅̅̅̅̅̅̅̅̅̅
̅𝑥
2− 2) 2
2 1)
𝑠 = (𝑛1+ 𝑛2) − 2

4. Sampel kecil ( n<30) dengan 𝜎1 ≠ 𝜎2 yang besarnya tidak diketahui maka

𝜎 ditaksir dari simpangan baku sampel s.

(𝑥̅1 -𝑥̅ 2)±𝑡√𝑠1 2 /𝑛1 + 𝑠2 2 /𝑛2

5. Sampel kecil (<30) dengan variabel yang berhubungan. Untuk mengadakan

estimasi dua populasi dengan variabel yang berhubungan maka diambil

sampel sama besar pada setiap populasi dan dihitung masing-masing

pasangan lalu dihitung rata-rata dan varian selisih pasangantersebut.

2)
𝑛 ∑ 𝑑2−(∑ 𝑑
Varian = 𝑠𝑑2 = 𝑛(𝑛−1)

c. Estimasiperbedaanproporsidua propulasi

Estimasi tersebut dapat dilakukan terhadap satu populasi, tetapi dapat pula

estimasi dilakukan terhadap selisih proporsi dua populasi.

Untuk mengadakan estimasi terhadap selisih proporsi dua populasi maka sampel

pada masing-masing populasi sebesar 𝑛1 dan 𝑛2 dimana terdapat proporsi sebesar

𝑝
̅̅̅1 dan ̅̅̅.
𝑝2 Bila ukuran sampel cukup besar maka distribusi binomial dapat

mengadakan pendekastan ke distribusi normal.

̅̅
𝑝̅̅𝑞
1 ̅̅̅1̅ ̅̅
𝑝̅̅𝑞
2 ̅̅̅2̅
̅̅̅1 − ̅̅̅)
Interval kepercayaan: (𝑝 𝑝2 ± 𝑧√ +
𝑛1 𝑛2

STANDAR ERROR

Standar error adalah standar deviasi dari rata-rata. Bila kita mempunyai

beberapa kelompok data, misalnya tiga kelompok, maka kita akan mempunyai

tiga buah nila rata-rata. Bila kita hitung nilai standar deviasi dari tiga buah nilai

rata-rata tersebut, maka nilai standar deviasi dari nilai rata-rata tersebut disebut

nilai standar error. Simbol standar error untuk sampel adalah atau kadang-

kadang ditulis SE.

Rumus menghitung nilai standar error adalah sebagai berikut

Contoh:

Kita mempunyai data jumlah anakan padi varietas Pandan Wangi sbb:

Sampel I II III

1 28 30 36
2 32 30 40

3 15 27 31

4 21 22 26

5 22 24 30

6 17 20 24

7 17 17 22

8 14 15 14

9 29 27 31

10 28 30 39

11 27 26 36

12 29 23 31

Rata-rata 23.25 24.25 30

Secara teori, standar error adalah standar deviasi dari nilai rata-rata. Dari

contoh di atas, nilai rata-rata ada 3 buah, yaitu 23,25 24,25 30. Oleh karenanya,

bila kita hitung nilai standar deviasi dari ke tiga nilai tersebut, maka nilai itu

disebut juga nilai standar error dari keseluruhan data di atas (lihat rumus

menghitung standar deviasi di blog ini). Namun, untuk keperluan praktis, maka

perhitungan nilai standar error tidak dihitung dari nilai rata-ratanya, tetapi

langsung dihitung dari keseluruhan data dengan rumus seperti di atas.

Nilai standar error data di atas adalah

Untuk mencari nilai s2, lihat cara menghitung varians di blog ini.

Perhitungan standar error

Istilah “standard error” dan “standard deviation” terkadang

membingungkan. Namun sebenarnya ada hal pokok yang membedakan.

Ilustrasinya sebagai berikut: Apabila kita ingin mengetahui variance populasi

maka untuk menduganya digunakan variance sampel. Hal yang sama apabila

melakukan pendugaan meanmean sample, selanjutnya dalam pendugaan tersebut

kemungkinan nilai mean akan berbeda-beda untuk tiap sample. Perbedaan ini

dapat menimbulkan variasi pada penduga mean. Variasi pada penduga itulah

yang disebut sebagai standard error. Oleh karena dalam ilustrasi menggunakan

penduga mean maka variasi penduga disebut sebagaistandard error mean. Dari

masalah ini dapat diambil kesimpulan bahwa standard deviation mengukur

variasi pengamatan, sedangkan standard error mengukur variasi penduga atau

statistics.

Ilustrasi lain yang membedakan “standard error” dan “standard

deviation” adalah sebagai berikut:

Dalam suatu kelas berisi 40 murid melakukan ujian untuk mata pelajaran A.

-. Standard deviation score test adalah variasi nilai antara 40 murid tersebut yang

melakukan ujian untuk mata pelajaran A.

-. Standard error score test adalah variasi nilai dari seorang murid bernama Ali

yang melakukan ujian mata pelajaran A secara berulang-ulang (murid Ali

melakukan ujian lebih dari satu kali).

Hal ini membuktikan bahwa memang pengertian standard deviation hampir sama

dengan standard error, dan kebingungan dua istilah ini memang dapat dimaklumi.

Perhitungan standard error berbeda-beda tergantung pada penduganya, misal

untuk mean menggunakan standard error mean (SE(mean)). Rumus

SE(mean) adalah SE(mean) = Standar deviation/√(sample size), ini

menunjukkan bahwa nilai SE(mean) bergantung pada standard deviation dan

ukuran sample. Dari rumus tersebut dapat diketahui pula bahwa nilai standard

error akan turun apabila ukuran sample diperbanyak dan variance atau

standard deviation sample dikurangi. Oleh karena itu, standard error dapat

digunakan untuk menentukan dan mengontrol ukuran sample, hal ini berbeda

dengan standard deviation yang nilainya tidak dipengaruhi ukuran sample.

Standard error dapat menunjukkan bagaimana tingkat fluktuasi dari penduga atau

statistic. Standard error juga dapat diintepretasikan seberapa akurat penduga

dalam menduga parameter.

Standard error dapat diaplikasikan dalam dua hal:

1. Nilai penduga atau statistic yang dibagi dengan standard error penduga

akan menunjukkan apakah statistic sama dengan nol, kemudian nilai tersebut

dibandingkan dengan nilai distribusi t. Berdasarkan beberapa literatur, rasio dari

nilai penduga atau statistic dengan standard error disebut dengan Wald Test, atau

dalam beberapa aplikasi disebut dengan t-test.

2. Standard error sebagai bagian dari confidence interval. Untuk sample yang

besar, 95% confidence interval diperoleh dari 1.96 x standard error penduga.

Standard error yang digunakan untuk confidence interval adalah standard error

mean (SE(mean)), dengan ketentuan sebagai berikut:

a. 90% CI -> mean +/- 1.64 SE(mean)

b. 95% CI -> mean +/- 1.96 SE(mean)

c. 99% CI -> mean +/- 2.58 SE(mean)

Contoh: Dalam sekumpulan cabe, diketahui mean untuk 64 cabe adalah 10 gram,

standard deviasinya 2 gram. Standard error dari sampel tersebut, SE(mean) =

2/√64 = 0.25. 95% confidence interval dari mean adalah

95% CI = 10 +/- 1.96*0.25 = 10 +/- 0.49 = 9.51 hingga 10.49

Penggunaan lain dari standard error adalah tidak sebagai bagian dari penduga

atau statistic tetapi bagian dari logaritma statistic. Sebagai contoh, model

logistic regresion dihitung dari odds ratio data, tapi standard error bukan sebagai

odds ratio melainkan sebagai log odds ratio. Dalam kondisi ini diperlukan
perhitungan secara komputer untuk mendapatkan confidence interval dalam log

scale dan ditransformasi kembali ke skala asli.

Standard error dapat diketahui dari nilai confidence interval dan selang interval,

dengan rumus:

a. 90% -> standard error = interval /1.64

b. 95% -> standard error = interval /1.96

c. 99% -> standard error = interval /2.58

Contoh: Masih dalam sekumpulan cabe, kita ingin mengetahui berapa standard

error dari cabe apabila kita ingin menduga 95% confidence interval dengan selang

+/- 0.5 gram. Standar errorr diperoleh dari SE(mean) = 0.5/1.96 = 0.26

Standard error dapat juga digunakan untuk menentukan ukuran sample secara

sederhana, dengan rumus: n = (standard deviasi/standard error)^2, atau

kuadrat dari pembagian standard deviasi dibagi standard error. Contoh: Sama

seperti contoh di atas, kita ingin mengetahui berapa ukuran sample dari cabe

apabila kita ingin menduga 95% confidence interval dengan selang +/- 0.5 gram

dengan standar error 0.26, standard deviasi 2. Ukuran contoh diperoleh dari n =

(standard deviasi/standard error)^2 = (2/0.26)^2 = 7.69^2 = 59.1 = 60. Maka

sample yang dibutuhkan sebanyak 60 cabe.

 BAB III

PENUTUP

KESIMPULAN

Dari penjelasan diatas mempunyai kesimpulan yaitu Dalil limit pusat

ialah hubungan antara bentuk distribusi populasi dengan bentuk distribusi

sampling rata rata. Hubungan tersebut adalah sebagai berikut :n Rata – rata dari

distribusi rata – rata sampel sama dengan rata – rata populasi dan tidak bergantung

pada bentuk distribusi populasi. Dengan penambahan jumlah sampel maka

distribusi rata – rata sampel akan mendekati distribusi normal dan tidak

tergantung pada bentuk distribusi populasi.

Estimit ialah angka atau nilai yang digunakan sebagai estimator untuk

menaksir parameter populasi , Tetapi tidak semua statistic merupakan estimator

yang baik. Oleh karena itu, untuk menentukan statistic sebagai estimator yang

baik terdapat beberapa criteria sebagai berikut : Tidak bias, Efisien,. Konsisten

. Bila kita hitung nilai standar deviasi dari tiga buah nilai rata-rata

tersebut, maka nilai standar deviasi dari nilai rata-rata tersebut disebut nilai

standar error. Simbol standar error untuk sampel adalah atau kadang-kadang

ditulis SE.
 Daftar pustaka

Belawati, fema solekhah.epidemiologi dan biostatistika.2008. edisi bahasa

indonesia. Jakarta.EGC

Budiarto, Eko.2001.Biostatistika untuk kedokteran dan kesehatan masyarakat

.jakarta: EGC

Nursanyoto, Hertog.januari 2014.Biostatistika Dasar untuk Peneliti dan

Mahasiswa Kesehatan.salemba.