1.

PENAKSIRAN PARAMETER DARI DATA PENGAMATAN

Pendugaan merupakan proses yang menggunakan sampel statistik untuk

menduga/ menaksir hubungan parameter populasi yg tidak diketahui

• Penduga : suatu statistik yg digunakan untuk menduga suatu parameter

• Estimasi: Pengukuran terhadap nilai parameternya (populasi) dari data

sampel yang diketahui

Ciri-ciri Penduga Yang Baik :

a. Tidak Bias (Unbiased) : apabila nilai penduga sama dengan nilai yg

diduganya

b. Efisien : apabila penduga memiliki varians yg kecil

c. Konsisten :

1) Jika ukuran sampel semakin bertambah maka penduga akan

mendekati parameternya

2) Jika ukuran sampel bertambah tak berhingga maka distribusi

sampling penduga akan mengecil mjd tegak lurus di atas parameter

yang sebenarnya dengan probabilitas sama dengan satu.

Jenis-jenis pendugaan berdasarkan cara penyajiannya

1. Pendugaan tunggal

Pendugaan yg hanya mempunyai atau menyebutkan satu nilai. Tidak

memberikan selisih atau jarak antara nilai penduga dengan nilai sebenarnya

(parameter)
 2. Pendugaan interval

Pendugaan yg memp dua nilai sbg pembatasan/ daerah pembatasan.

Digunakan tingkat keyakinan thd daerah yg nilai sebenarnya/ parameternya akan

berada. Nilai (1-α) disebut koefisien kepercayaan

Selang kepercayaan : (1-α) x 100%

Jenis-jenis pendugaan berdasarkan parameternya

• Pendugaan rata-rata

• Pendugaan proporsi

• Pendugaan varians

Pendugaan interval untuk rata-rata

1. Untuk sampel besar (n > 30)

a. Utk populasi tdk terbatas/ populasi terbatas yg pengambilan sampelnya dgn

pengembalian dan σ diketahui

 
X  Z / 2 .    X  Z / 2 .
n n

Penaksiran rata-rata sampel adalah menentukan interval nilai rata-rata sampel

yang dapat memuat parameter rata-rata populasi, jika dipakai distribusi

probabilitas normal, confedence interval untuk rata-rata ditentukan.

b. Untuk populasi terbatas, pengambilan sampel tanpa pengembalian dan σ

diketahui atau n/N > 5%

  N n  N n
X  Z / 2 . .    X  Z / 2 . .
n N 1 n N 1

2. Untuk sampel kecil (n ≤ 30)

s s
X  t / 2 .    X  t / 2 .
n n

s
X 2


( X ) 2
n 1 n( n  1)

Kelakuan populasi yang akan ditinjau disini hanyalah mengenai

parameter populasi dan sampel yang digunakan adalah sampel acak. Cara

pengambilan kesimpulan tentang parameter yang pertama kali akan dipelajari

ialah sehubungan dengan cara-cara menaksir harga parameter.

Harga parameter yang sebenarnya tetapi tak diketahui itu akan ditaksir

berdasarkan statistik sampel yang diambil dari populasi yang bersangkutan.

Simbol θ penduga populasi dimana penduga yang baik adalah merupakan

penduga tak bias harapan penduga sama dgn yang diduga. Penaksiran parameter

populasi merupakan penduga yang efisien bila ada lebih dari satu penduga maka

yg mempunyai variasi paling kecil. Penaksiran parameter populasi merupakan

penduga yang konsisten. Bila sampel diambil makin besar maka akan mendekati

sesungguhnya.

Pendugaan populasi terdiri atas 2 yaitu pendugaan titik dan pendugaan

interval. Pendugaan titik jika nilai parameter dari populasi hanya diduga dengan

memakai satu nilai statistik dari sampel yang diambil. pendugaan interval bila
nilai parameter diduga dengan memakai beberapa nilai statistik yang berada

dalam suatu interval

Sifat distribusi sampling

1. Apabila sampel-sampel random dg “n” individu diambil dari suatu

populasi yang mempunyai mean = µ dan standar deviasi σ, maka distribusi

sampling harga mean akan mempunyai mean (mean of the means) sama dengan

mean populasinya (µ) dan standar deviasi (standar error of the mean) sama

dengan

µx = µ

σx = σ : √ n

Bila anggota sampel besar ( n > 30 ) maka distribusi sampling harga mean

dianggap mendekati distribusi normal.

Kurva normal

• Ciri kurva normal :

1. Kurva berbentuk garis lengkung halus spt “gentha”

2. Simetris terhadap rata-rata/mean

3. Kedua ekor/ujungnya semakin mendekati sumbu absisnya tetapi tidak

pernah memotong.

4. Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama

dengan σ
 5. Luas daerah di bawah lengkungan kurva tersebut dari minus tak

terhingga sampai plus tak terhingga sama dengan 1 atau 100 %

PENAKSIRAN SELANG (INTERVAL ESTIMATION)

• Penaksiran dilakukan diantara 2 nilai estimasi, ada batas bawah & batas

atas berdasarkan interval kepercayaan tertentu

• Semakin tinggi interval kepercayaan yang digunakan, maka interval

semakin baik

• Interval kepercayaan 90% - 1,64

• Interval kepercayaan 95%  1,96

• Interval kepercayaan 99%  2,58

Semakin sempit interval yang dihasilkan dlm estimasi, maka penaksiran presisi

(semakin tepat). Beberapa perhitungan estimasi interval :

• Estimasi nilai rata2 , apabila simpangan baku diketahui &

berdistribusi normal

 = X  Z1/2 X(/n)

• Estimasi nilai rata2, simpangan baku  tidak diketahui & berdistribusi

normal

 = X  Z1/2  X(s/n)

• Estimasi nilai proporsi

 = p  Z1/2  X (p(1-p)/n)
PENGGUNAAN FAKTOR KOREKSI

• Apabila perbandingan antara jumlah sampel dibandingkan jumlah

populasi (n/N) lebih besar dari 0,05, maka harus dikalikan dengan faktor

koreksi

 N-n/N-1

Contoh soal

• Suatu populasi siswa SMA berjumlah 1500 siswa, diambil sampel

sejumlah 100 siswa, dilakukan pengukuran ternyata rata2 BB adalah 56

kg. Penelitian terdahulu diketahui simpangan baku BB populasi adalah

12 kg. Lakukan penaksiran interval pada tingkat kepercayaan 95%

Jawab

• Estimasi yang dilakukan adalah estimasi mencari rata-rata, pd

simpangan baku populasi yg diketahui, dimana:
• Dimana n : 100 X : 56
N : 1500  : 95% = 1,96
 : 12
Ditanya :
Jawab :
 = X  Z1/2 X(/n) x  N-n/N-1

= 56  1,96 x (12/ 100) x  (1500-100)/1500-1

= 56  2,27
Sehingga estimasinya intervalnya 53,73 <  < 58,27

• Suatu penelitian ingin menaksir prosentase absensi di karyawan yang

berjumlah 1500 orang diambil sejumlah 70 karyawan, ternyata tingkat
absensinya mencapai 10%. Taksirlah tingkat absensi pada derajat 90%
 • Jawab
Estimasi yang dilakukan adalah estimasi mencari proporsi
Diket n =70
N = 1500
p = 0,1
1-p = 0,9
90% = 1,64
Ditanya : 
•  = p  Z1/2  X (p(1-p)/n)
• = 0,1  1,64 x 0,1(0,9)/70
= 0,1  0,06
0,04 < < 0,16

REGRESI DAN KORELASI

Analisis regresi adalah analisis statistika yang memanfaatkan hubungan antara
dua atau lebih peubah kuantitatif sehingga salah satu peubah dapat diramalkan
dari peubah lainnya.
• Tujuan Regresi  menguji pengaruh antara satu variabel terhadap variabel
lain.
• Ada 2 variabel:
1. Variabel Independent (variabel bebas)  variabel yang mempengaruhi.
2. Variabel Dependent (variabel tergantung)  variabel yang dipengaruhi.
• Analisis Regresi digunakan terutama untuk tujuan peramalan, dimana
dalam model tersebut ada sebuah variabel dependent (terikat/tergantung)
dan satu atau lebih variabel independent (bebas).
• Dalam analis regresi ini, akan dikembangkan sebuah estimating equation
(persamaan regresi) yaitu suatu formula matematika yang mencari nilai
variabel dependent dari hasil variabel independent yang diketahui.
• Pada analisis regresi yang dilakukan, dibedakan menjadi:
1. Regresi Sederhana
Persamaan regresi yang hanya melibatkan 1 variabel dependent dan 1
variabel independent.
2. Regresi Berganda
 Persamaan regresi yang melibatkan 1 variabel dependent dan lebih dari 1
variabel independent.
• Pada regresi ada beberapa uji yang harus dilakukan di samping uji
koefisien dan uji kelinearan. Uji tersebut adalah uji kolinearitas dan uji
multikolinieritas.
a. Kolinearitas adalah keadaan dimana variabel-variabel independent dalam
persamaan regresi memiliki hubungan kuat satu sama lain. Uji kolinearitas
dapat dilakukan dengan Cooliniearity Diagnostic. Hasilnya sebagai
berikut:
1) Skor VIF (Variabel inflation Factor) < 0,5 tidak ada koliniearitas.
2) Skor VIF (Variabel inflation Factor) > 0,5 ada koliniearitas.
3) Skor VIF (Variabel inflation Factor) > 10 ada multikoliniearitas serius.
• Analisis dengan Cooliniearity Diagnostic sebagai berikut:
Dari baris menu pilih Analyze, kemudian pilih Regression.
Dari serangkaian test, pilih Linear.
Pindahkan variabel pada kotak Dependent dan ke kotak Independent.
Pilih Statistic lalu check list Cooliniearity Diagnostic.
b. Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar lebih dari tiga variabel bebas
(independent). Model regresi yang baik seharusnya tidak terjadi korelasi di
antara variabel bebas. Jikq vqriabel bebas saling berkorelasi, maka
variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel
bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol.
• Beberapa teknik regresi:
1) Metode Entered yaitu penghitungan nilai variabel dalam satu langkah.
2) Metode Backward yaitu variabel-variabel dimasukkan sekaligus, variabel
bebas akan dieliminasi satu persatu dari variabel yang kolinieritasnya
tinggi.
3) Metode Forward yaitu variabel-variabel yang dimasukkan satu demi satu,
jika ada kolinieritas maka variabel tersebut akan keluar.
4) Metode Stepwise yaitu variabel-variabel dimasukkan satu demi satu,
dimulai dari variabel yang memiliki hubungan paling kuat, namun variabel
yang keluar tadi dapat masuk kembali.
1. REGRESI SEDERHANA
  Regresi sederhana dapat didefinisikan sebagai pengaruh antara 2 variabel
saja, dimana terdiri dari 1 variabel independent/bebas dan 1 variabel
dependent/terikat.
 Digunakan juga untuk membangun persamaan dan menggunakan
persamaan tersebut untuk membuat perkiraan (prediction).
2. REGRESI BERGANDA
 Regresi berganda dapat didefinisikan sebagai pengaruh antara lebih dari
2/lebih variabel independent (bebas) dan 1 variabel dependent (terikat).
 Digunakan juga untuk membangun persamaan dan menggunakan
persamaan tersebut untuk membuat perkiraan (prediction).

Analisis Korelasi :
Analisis hubungan antar variabel secara garis besar ada dua, yaitu analisis korelasi
dan analisis regresi. Kedua analisis tersebut saling terkait. Analisis korelasi
menyatakan derajat keeratan hubungan antar variabel, sedangkan analisis regresi
digunakan dalam peramalan variabel dependen berdasar variabel-variabel
independennya.
• Korelasi adalah analisis tentang hubungan suatu variabel
(independent/bebas) dengan variabel lainnya (dependent/akibat). Korelasi
dibedakan menjadi beberapa jenis:
1. Korelasi Positif. Artinya tingkat hubungan antara variabel independent
dan dependent menunjukkan hasil positif, maksudnya ketika variabel
independent mengalami perubahan maka variabel dependent mengalami
perubahan yang sejalan “searah”. Jika independent naik, dependent juga
ikut naik.
2. Korelasi Negatif. Artinya tingkat hubungan antara variabel independent
dan dependent menunjukkan hasil negatif, maksudnya ketika variabel
independent mengalami perubahan maka variabel dependent mengalami
perubahan yang berlawanan “tak searah”. Jika independent naik,
dependent turun.
3. Analisis korelasi bertujuan untuk melihat keeratan hubungan antara dua
variabel atau lebih.
4. Hubungan antar variabel dapat berbentuk searah (+) atau terbalik (-)
5. Nilai koefisien korelasi berkisar antara -1 sampai +1
6. Koefisien korelasi bernilai + (searah), dalam model regresi bermakna
semakin tinggi nilai X maka semakin tinggi nilai Y
7. Koefisien korelasi bernilai - (terbalik), dalam model regresi bermakna
semakin tinggi nilai X maka semakin rendah nilai Y
8. Dalam menghitung koefisien korelasi banyak rumus yang digunakan,
tergantung pada skala data yang dianalisis. Untuk itu harus dipahami skala
data dengan baik
9. Secara umum skala data ada 4 yaitu nominal, ordinal, interval dan rasio
10. Beda skala data yang diukur, maka beda rumus korelasi yang digunakan.
11. Rumus korelasi yang paling umum digunakan adalah rumus product
moment dari Pearson dengan syarat skala data interval/rasio (scale)
12. Bila skala datanya berupa ordinal, maka rumus korelasi yang digunakan
adalah rumus dari spearman’s rho atau Kendall’s tau (non-parametrik)
• Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi
koefisien korelasi sebagai berikut:
 0,00 - 0,199 = sangat rendah
 0,20 - 0,399 = rendah
 0,40 - 0,599 = sedang
 0,60 - 0,799 = kuat
 0,80 - 1,000 = sangat kuat
• Dalam SPSS, pembahasan tentang korelasi ditempatkan pada menu
CORRELATE, yang mempunyai sub menu:
1. BIVARIATE
Pembahasan mengenai besar hubungan antara dua (bi) variabel:
a. Koefisien korelasi bivariate/Product Moment Pearson. Koefisien
ini mengukur keeratan hubungan di antara hasil-hasil pengamatan
dari populasi yang mempunyai dua varian (bivariate). Perhitungan
ini mensyaratkan bahwa populasi asalsampel mempunyai dua
varian dan berdistribusi normal. Korelasi Pearson banyak
digunakan untuk mengukur korelasi data interval atau rasio.
a. Korelasi Peringkat Spearman (Rank-Spearman) & Kendall.
Koefisien ini lebih mengukur keearatan hubungan antara
peringkat-peringkat dibandingkan hasil pengamatan itu sendiri
(seperti pada korelasi Pearson). Perhitungan korelasi ini bisa
digunakan untuk menghitung koefisien korelasi pada data ordinal
dan penggunaan asosiasi pada data statistik non parametrik.
2. PARTIAL
 Pembahasan mengenai hubungan linier antara dua variabel dengan
melakukan kontrol terhadap satu atau lebih variabel tambahan (disebut variabel
kontrol)
1) KORELASI BIVARIATE
 Yaitu korelasi yang digunakan untuk mengukur keeratan atau kuat atau
lemahnya hubungan, antara satu variabel bebas (independent) dan satu
variabel terikat (dependent).
 Analisis korelasi bivariate mencari derajat keeratan hubungan dan arah
hubungan. Semakin tinggi nilai korelasi, semakin tinggi keeratan
hubungan kedua variabel.
 Nilai korelasi memiliki rentang antara 0 sampai 1 atau 0 sampai -1.
 Tanda positif dan negatif menunjukkan arah hubungan.
 Tanda positif menunjukkan arah hubungan searah. Jika satu variabel naik,
variabel yang lain naik. Tanda negatif menunjukkan hubungan
berlawanan. Jika satu variabel naik, variabel yang lain malah turun.
 Korelasi Bivariate terdiri atas tiga macam, yaitu:
1) Korelasi Pearson, untuk pasangan data rasio atau interval (kuantitatif)
dengan hubungan linier, dan berdistribusi normal atau mendekati normal
2) Korelasi Jenjang Kendall (Tau-Kendall), untuk pasangan data ordinal
(kualitatif)
3) Korelasi Spearman, untuk pasangan data ordinal (kualitatif)
2) KORELASI SPEARMAN DAN KENDALL
 Jika korelasi Bivariate Pearson digunakan untuk mengetahui korelasi
antara data kuantitatif (skala interval dan rasio), maka korelasi Rank
Spearman dan Kendall bisa digunakan untuk pengukuran korelasi pada
statistik non paramaetrik (data bisa ordinal).
 Kedua alat uji tersebut pada awalnya akan melakukan pemerataan
(ranking) terhadap data yang ada, kemudian baru melakukan uji korelasi.
 Untuk korelasi Tau-Kendall simbolnya adalah π sedangkan untuk korelasi
spearman adalah r.
3) KORELASI PARSIAL
 Pembahasan korelasi parsial berhubungan dengan perlunya
mempertimbangkan pengaruh atau efek dari variabel lain dalam
menghitung korelasi antara dua variabel.
  Oleh karena itu, dapat dikatakan korelasi parsial mengukur korelasi antar
dua variabel dengan mengeluarkan pengaruh dari satu atau beberapa
variabel (disebut variabel kontrol).

Koefisien korelasi Pearson (r)

S xy
rxy 
SxS y

S xy 
 ( x  x )( y  y )
i i

n 1

Sx 
 (x  x) i
2

dan S y 
(y i  y)2
n 1 n 1

3. JAMINAN DAN PENERIMAAN MUTU SAMPLING

 Tujuan sampling penerimaan adalah untuk memutuskan diterima / ditolak
lot, tidak untuk memperkirakan kualitas lot
◦ Meskipun, beberapa rencana melakukan ini
 Sampling Penerimaan bukan kontrol kualitas
◦ Hanya menolak atau menerima lot
◦ Bahkan jika lot mempunyai kualitas yang sama, sampling akan
menerima beberapa lot dan menolak lot lain
 Kualitas tidak bisa diperiksa ke dalam produk
◦ Penerimaan sampling adalah alat audit yang menjamin bahwa
output dari proses sesuai dengan persyaratan
 Tiga pendekatan untuk pengambilan keputusan thd lot:
 ◦ Terima dengan tanpa inspeksi
◦ 100% inspeksi
◦ Sampling Penerimaan
Keuntungan dan Kerugian dari Sampling
Keuntungan
 Mengurangi kerusakan
 Mengurangi jumlah kesalahan inspeksi
Kekurangan
 Risiko menerima lot "buruk”, menolak produk "baik”
 Kurang (sedikit) informasi yang dihasilkan
 Memerlukan perencanaan dan dokumentasi
Statistical Sampling Data
 Attribute (Go no-go information)
 Barang cacat - mengacu pada keberterimaan produk di berbagai
karakteristik.
 Cacat - mengacu pada jumlah cacat per unit - mungkin lebih tinggi
dari jumlah barang cacat.
 Variable (Continuous)
 Biasanya diukur dengan rata-rata dan standar deviasi.
Jenis Rencana Sampling
1. Single sampling plan
2. Double-sampling plan
3. Multiple-sampling plan
4. Sequential-sampling