Ada tiga istilah penting sebagai pengantar dalam bab 9 ini yakni

Peubah/variabel = karakteristik dari objek yang diamati

Parameter = karakteristik numerik dari populasi
Statistik = karakteristik numerik dari sampel
Slide 1: Masih ingat quick count. Kita ambil ilustrasi hasil pilpres dan pilkada dki Jakarta.
Pada gambar tersebut, terlihat angka-angka perolehan suara dari masing-masing kandidat.
Merupakan angka berapakah angka-angka ini? Angka-angka tersebut merupakan dugaan
perolehan suara yang dari masing-masing kandidat. Lalu, perolehan suara yang sebenarnya
yang mana?
Slide 2: Inilah real Count KPU, ini merupakan perolehan suara yang sesungguhnya. Jika kita
perhatikan, angka-angka berbeda dengan hasil quick count. Karena hasil quick count hanya
berupa dugaan bukan nilai yang sebenarnya. Kenapa hal tersebut bisa terjadi?
Slide 3: perhatikan penjelasan berikut. Dari populasi pemilih dalam pemilu atau pilkada
diambil sampel sebagian populasi berupa suara pemilih sah dari beberapa tps. Proses ini ini
dinamakan dengan sampling. Dari populasi seluruh pemilih menghasilkan real count kpu
sedangkan dari sampel diperoleh hasil quick count. Dalam hal ini, angka hasil real count
merupakan parameter sedangkan angka hasil dari quick count merupakan statistik. Dimana
hasil quick count hanya merupakan dugaan atas perolehan suara hasil real count.
Slide 4: mari kita bawa ilustrasi tersebut dalam konteks pendugaan parameter. Misalkan,
dalam suatu pemilihan umum, calon yang maju dalam pemilu/pilkada dinotasikan dengan
Calon A dan Calon B, unutk kasus ini yang menjadi peubahnya katakanlah peubah X adalah
suara pemilih sah, dimana X bernilai 1 jika suara tersebut untuk calon A dan bernilai 0 jika
suara terebut untuk calon B. Dalam pendugaan parameter tentu tujuan utamanya adalah
menduga si parameter tersebut namun parameter apakah yang diduga ini? Tergantung pada
titik peubahnya. Pada contoh kasus ini, peubah X tipe kategori khusunya biner karena X
bernilai 0 atau 1 oleh karena itu, parameter yang diduga adalah proporsi. Bagan dalam bentuk
notasi ditampilkan berikut.
Pada populasi ada parameter yang dinamakan proporsi yang dinotasikan dengan P merupakan
proporsi populasi, sedangkan pada sampel yang dinamakan statistik proporsi atau dinotasikan
dengan p topi atau p duga yaitu proporsi sampel yang merupakan penduga bagi proporsi
populasi. Jadi, kesimpulan dari ilustrasi pertama ini adalah bahwa untuk peubah bertipe biner
kita interst atau tertarik dengan parameter yang namanya proporsi dinotasikan dengan P dan
diduga statistik yang namanya proporsi sampel dinotasikan dengan p topi.
Slide 5: Misalnya kita ingin mengetahui berapa lama seorang mahassiwa menghabiskan
waktu untuk menonton youtube dalam sehari? Kita dapat mendefinisikan peubah X yaitu
waktu menonton youtube dalam sehari misalnya satuan diukur dalam jam. Untuk peubah X
ini bertipe numerik atau kuantitatif karena peubah X kuantitatif maka interest kita dalam
parameter rata-rata atau mean. Bagannya seperti ini. Pada populasi rata-rata yang dinotasikan
dengan miu dan pada sampel ada statistic rata-rata yang dinotasikan dengan X bar, jadi X bar
merupakan penduga bagi miu. Artinya rata-rata sampel merupakan penduga bagi rata-rata
populasi. Dalam contoh kasus ini, populasi dan sampelnya apa? Tergantung dari
penelitiannya gimana, misal populasinya mahasiswa UAD maka sampelnya adalah
perwakilan mahasiswa dari setiap program studi.
Slide 6: dari kedua ilustrasi tersebut maka kita dapat mengambil intisari bahwa statistic
adalah penduga bagi parameter populasi. Untuk kasus data biner, maka parameter proporsi
populasi notasi P yang diduga dengan statistic proporsi sampel notasi p topi. Untuk kasus
data kuantitatif, maka parameter rata-rata populasi notasi miu yang diduga dengan statistik
rata-rata sampel notasi bar. Kegiatan ini dinamakan dengan proses pendugaan. Karena
statistik hanya berupa satu nilai tunggal maka penduga parameter ini disebut dengan penduga
titik atau estimator titik. Dalam ilustrasi pertama tadi misalnya angka-angka hasil quick count
merupakan penduga titik bagi angka-angka hasil perhitungan kpu.

ESTIMASI TITIK
Beberapa metode yang digunakan untuk mencari estimasi titik:
1. MME (Metode Moment)
2. MLE (Maksimum Likelihood)
3. MLS
MME
Pada dasarnya, prisip dari MME adalah kita menyamakan momen dari populasi dengan
momen dari sampel.

μ'r =M 'r

μ'r =¿ momen populasi terhadap titik orijin

M 'r=¿ momen sampel

Langkah-langkah dari MME:

Langkah pertama:

Kita mencari momen dari populasi (μ'r ¿ dulu

Rumusnya: μ'r =E( X r )

E ( X r )=¿ ekspektasi dari X pangkat r

Langkah kedua:

Kita mencari momen dari sampel (M 'r ¿ = M besar r aksen

Rumusnya:
n
1
M 'r= ∑ x r (seper n sigma x pangkat r)
n i=1 i

Langkah ketiga:
Kita menyamakan dari momen populasi dengan momen dari sampel

μ'r =M 'r

Dari mensamadengankan momen dari populasi dan sampel, nanti kita akan mendapatkan nilai
dari parameternya yang kita cari.
Misalnya parameter yang kita cari adalah θ (teta) sehingga kita akan mendapatkan teta hat
atau teta topi sama dengan sekian….
Disinikan ada simbol r dan i
r adalah jumlah dari parameter
i adalah jumlah dari peubah acak
biasanya pada soal x 1 , x 2 , hingga x n adalah sebuah sampel acak, dimana x i yakni x 1 , x 2 , hingga
x n berdistribusi gamma (α , β ). Disini tadi telah disebutkan kalau i adalah jumlah dari peubah
acak sehingga i nya tadi sebanyak n dan r nya adalah sebanyak parameternya. Di sini,
parameternya ada dua yakni (α , β ) sehingga r nya sama dengan 2.

Sehingga μ'1=M '1=¿ berapa

(miu 1 aksen sama dengan M 1 aksen)

μ'2=M '2=¿ berapa

1. Temukan metode estimator momen (MME) dari θ berdasarkan sampel acak X 1 , … , X 2 dari
masing-masing pdf berikut:
(a) f ( x ; θ )=θx θ−1 ; 0< x<1 , nol sebaliknya ; 0<θ

(b) f ( x ; θ )=(θ+1) x−θ−2 ; 1< x , nol sebaliknya ; 0<θ

(c) f ( x ; θ )=θ 2 x−θx ; 0< x , nol sebaliknya ; 0<θ

(teta kuadrat x pangkat minus teta x) dengan daerah domain x nya lebih dari 0 dan untuk teta
juga lebih dari 0.
Dikatakan X i , … , X n (Xi hingga Xn adalah sampel acak) dimana mempunyai pdf
f ( x ; θ )=θ 2 x−θx|❑(0 ,∞ ) Dengan indikator x dari 0 sampai tak hingga.

Pada soal dikatakan bahwa nilai x nya lebih dari 0 dan bernilai 0 untuk x yang lainnya.
Sehingga, indikator untuk x adalah 0 sampai tak hingga untuk x dan teta lebih dari 0.
Kita diminta mencari penduga untuk teta dengan menggunakan metode MME.
Sesuai langkah-langkah tadi, kita cari dulu momen populasi atau miu r aksen.
r kan adalah jumlah dari parameter, di soal parameternya hanya teta. Sehingga r = 1, maka
kita mencari μ'1=E ( X r )

berhubung r =1 maka μ'1=E ( X r ) =E ( X 1 )=E ( X )

μ'1=E ( X ) (integral dari 0 sampai tak hingga,

 ∞
'
μ =∫ x f x dx
1
0

MLE (Maksimum Likelihood Estimator)

MLE prinsipnya kita memilih suatu penduga bagi parameternya misal teta, yang nilainya
mempunyai peluang kemungkinan terbesar untuk muncul.
Langkah-langkah dalam mengerjakan metode MLE
Langkah pertama
Kita cari fungsi likelihoodnya dari teta
Rumusnya: produk atau hasil kali dari fungsi xi, koma atau hasil kali dari fungsi marginalnya
n
L (θ )=∏ f ( x ,θ )
i =1

Dimana, i dari 1 sampai n, i tadi kan adalah jumlah dari peubah acak, jadi ada sebanyak n
peubah acak.
Langkah kedua
Kita len kan fungsi likelihood
¿ L(θ)
Langkah ketiga
Kita turunkan fungsi likelihood yang telah di len kan terhadap parameternya.
∂
∈ L (θ )=0
∂θ
Do len parameter teta diturunkan terhadap teta sama dengan 0
Kalau misalnya ada dua parameter bagaimana?
Misal fungsinya adalah f (x , θ1 , θ2)
Langkah pertama
Kita cari fungsi likelihoodnya dari teta satu dan teta dua yakni hasil kali dari fungsi
marginalnya
n
L ( θ1 ,θ 2) =∏ f ( x ,θ1 , θ2 )
i=1

Langkah kedua
Kita len kan fungsi likelihood
¿ L(θ1 ,θ 2)
Langkah ketiga
Kita turunkan fungsi likelihood yang telah di len kan terhadap masing-masing parameternya
sehingga kita mempunyai dua fungsi yakni
Fungsi pertama
∂
∈ L ( θ1 )=0
∂θ
Fungsi kedua adalah turunan dari fungsi parameter lainnya atau fungsi parameter teta dua
yang sama dengan 0
∂
∈ L ( θ2 )=0
∂θ