SESI/PERKULIAHAN KE: 6, 7 & 8

Tujuan Instruksional Khusus

Setelah mengikuti kuliah ini Mahasiswa dapat:
1. Menghitung selang kepercayaan bagi parameter
2. Menghitung besarnya kesalahan (error) dalam pendugaan parameter
3. Menentukan ukuran sampel bagi penduga nilai parameter

Pokok Bahasan Estimasi Parameter

Deskripsi singkat Pada pertemuan ini mahasiswa akan mempelajari masalah
Estimasi Parameter diantaranya Pendugaan Titik (Point Estimation) dan Pendugaan
Interval (Interval Estimation).
I. Bahan Bacaan
1. Sudjana, Prof. DR. M.A.,M.Sc., 1996, Metode Statistik, Edisi Ke-6,
Tarsito Bandung.
2. Supranto, J., M.A., 1996, Statistik –– Teori dan Aplikasi, Jilid 1, Edisi
Kelima, Erlangga.

II. Bacaan Tambahan

1. Dayan, Anto, 1983, Pengantar Metode Statistik, Jilid I, LP3ES, Cetakan
ke VIII, Jakarta
2. S. C. Supardi, 1975, Dasar-dasar Statistik Ekonomi, Alumni, Bandung.
3. Spiegel, Murray, R., 1981, Statistics, Schaum’s Outlines Series, Asian
Student Edition, Bandung.
III. Pertanyaan Kunci/Tugas:
Ketika Anda membaca bahan bacaan berikut, gunakanlah pertanyaan-
pertanyaan berikut ini untuk memandu Anda:
1. Apa yang dimaksud dengan pendugaan titik.
2. Apa yang dimaksud dengan pendugaan interval.

Matematika Keuangan
 BAB III

ESTIMASI PARAMETER

Estimasi adalah pendugaan, yaitu menduga nilai sesuatu dengan dasar nilai sampel.
Penggunaan nilai sampel untuk mewakili nilai populasi ini disebabkan karena
jumlah populasinya terlalu banyak, atau karena alasan lain sehingga harus
dilakukan penyampelan (sampling). Estimasi dibagi menjadi dua: (1) pendugaan
titik (point estimation); dan (2) pendugaan interval (interval estimation).

3.1 Pendugaan Titik (Point Estimation)

Hal-hal yang berkaitan dengan pendugaan titik adalah:

1. Penyampelan. Salah satu tujuan statistik adalah memberikan informasi karakter

sebuah populasi berdasarkan karakter sebagian porsi dari populasi yang disebut
sampel.

Contoh kasus penyampelan:

Perusahaan ban memproduksi ban jenis baru untuk memperpanjang usia pakai
dibandingkan dengan ban produksi mereka saat ini. Sebelum dilempar ke pasaran,
perusahaan memilih 120 dari ban baru ini dan dites. Hasil tes usia pakai sampel ban
baru ini, yang rata-rata memiliki usia 36,500 mil, digunakan untuk mewakili usia
pakai populasi ban baru yang akan dilempar ke pasaran.

Contoh di atas menunjukkan bahwa hasil dari sampel hanya memberikan estimasi
terhadap karakteristik dari populasi. Ini berarti bahwa nilai rata-rata usia pakai
sampel tidak persis sama dengan nilai rata-rata usia pakai populasi. Namun
demikian, dengan metode penyampelan yang benar maka hasil pengujian sampel
akan memberikan estimasi yang ”baik” terhadap karakter dari populasi. Akan
tetapi, seberapa bagus hasil uji sampel ini bisa diharapkan dapat mewakili karakter
populasi? Metode-metode statistik digunakan untuk menjawab pertanyaan tersebut.

2. Pengertian Pendugaan Titik. Pendugaan titik adalah proses di mana sampel

secara acak dipilih dari populasi dan parameter-parameter statistik dari sampel
Statistik Inferensi 35
 tersebut (rata-rata sampel (sample mean): x, proporsi sampel (sample
proportion): π) digunakan untuk mengestimasi parameter populasi (rata-rata
populasi (population mean) ; μ, proporsi populasi (population proportion) ; p).

Nilai-nilai dari parameter statistik tersebut disebut "pendugaan titik”.

Kasus:

 = rata-rata populasi

sampel n = 10  x1, x2, x3, ....., x10

 rata-rata sampel (sample mean), digunakan untuk menarik kesimpulan

tentang rata-rata populasi (population mean), .

 variansi sampel (sample variance), s2 digunakan untuk menarik kesimpulan

tentang variansi populasi (population variance), 2.

 deviasi standar sampel (sample standard deviation), s digunakan untuk

menarik kesimpulan tentang deviasi standar populasi (population standard
deviation), .

 proporsi sampel (sample proportion),  digunakan untuk menarik

kesimpulan tentang deviasi standar populasi (population standard
deviation), p.

Tabel 3.1 Parameter Polpulasi dan Pendugaan Titik

Statistik Inferensi 36
3. Distribusi Sampling. Sebuah perusahaan ingin memetakan manajer yang
berjumlah 2.500. Diasumsikan bahwa pendataan telah dilakukan terhadap
seluruh manajer berupa gaji tahunan dan training yang pernah diterima.

Rata-rata populasi: μ 
x i
 31.800
2.500

 x  μ
2

Deviasi standar populasi: σ 1

 4.000
2.500

Jika dari 2.500 manajer ada 1.500 yang sudah mengambil training, maka
proporsi manajer yang sudah mengambil training adalah π = 1.500/2.500 = 0,6.

μ, σ, dan π kita sebut sebagai parameter populasi.

Untuk mengefisiensikan proses pendataan, pendataan bisa dilakukan hanya

pada 30 manajer saja, sehingga diperoleh data sebagai berikut.

Rata-rata sampel: x 
x i

954.420
 31.814
30 30

 x  x
2

Deviasi standar sampel: s  1

 3.347,72
30  1
Statistik Inferensi 37
 Proporsi sampel jika yang sudah mengikuti traning adalah 19 orang:

19
p  0,63
30
_
Prosedur di atas kita sebut dengan pendugaan titik. Dengan demikian, x (rata-
rata sampel) adalah penduga titik untuk rata-rata populasi μ, s adalah penduga
titik untuk deviasi standar populasi σ, p adalah penduga titik untuk proporsi
_
populasi π. Nilai aktual dari x , s, dan p disebut dengan taksiran titik (point
estimate). Dengan demikian maka USD31.814 adalah taksiran titik untuk μ,
USD3.347,72 adalah taksiran titik untuk σ dan 0,63 adalah taksiran titik untuk
p.

Jika diambil 30 sampel lainnya secara acak dan didapatkan hasil sebagai
berikut.

Rata-rata sampel: x = $32.669,70

Deviasi standar sampel: s = $4.239,07

Proporsi sampel: p = 0,7

Ini menunjukkan bahwa sekalipun jumlah sampel tetap sama, namun nilai
parameter statistik sampel akan berbeda karena komposisi sampel yang terpilih
secara acak pada pemilihan yang pertama mungkin akan berbeda dengan
pemilihan yang kedua.

4. Distribusi Sampel, x . Sebagaimana telah diuraikan sebelumnya, penyampelan

acak yang berbeda akan memberikan hasil nilai rata-rata sampel yang berbeda
pula ($31.814; $32.669,7 dst). Jika nilai rata-rata masing-masing sampel
bervariasi, maka kita harus menghitung berapa nilai rata-rata dari rata-rata
sampel yang ada. Nilai rata-rata dari rata-rata sampel tidak lain adalah nilai
harapan dari nilai rata-rata sampel. Jika E(x) adalah nilai harapan dari rata-rata

Statistik Inferensi 38
 sampel x, atau nilai rata-rata dari semua rata-rata sampel yang mungkin serta μ
adalah nilai rata-rata populasi, maka: E(x) = μ

Jika:

σx = deviasi standar semua nilai rata-rata sampel yang mungkin

σ = deviasi standar populasi

n = jumlah sampel (sample size)

N = jumlah populasi (population size)

Maka nilai deviasi standar dapat dihitung dengan formula sebagai berikut:

Persamaan yang kedua digunakan jika jumlah populasi infinite, atau populasi
adalah infinite dan jumlah sampel lebih kecil dari atau sama dengan 5% dari
jumlah populasi, sehingga n/N ≤ 0,05.

Jika jumlah rata-rata sampel adalah 30, maka n/N adalah 30/2500 = 0,012.
σ 4.000
Dengan demikian σ x    730,30
n 30

Pendugaan titik banyak digunakan karena sederhana dan cukup dapat

menggambarkan keadaan populasi. Namun, pendugaan titik memiliki
kelemahan, yaitu sulit untuk mendapatkan nilai estimasi yang tepat. Oleh
karena itu, sebaiknya dilengkapi dengan pendugaan interval

3.2 Pendugaan Interval (Interval Estimation)

Pengertian pendugaan interval

Pada materi pendugaan titik kita mengetahui bahwa nilai rata-rata sampel
( x ) memberi nilai estimasi terhadap nilai rata-rata populasi serta nilai proporsi

Statistik Inferensi 39
sampel memberi estimasi terhadap nilai proporsi populasi. Namun demikian, kita
tidak mengetahui ”seberapa tepat” nilai estimasi rata-rata sampel akan dapat
mewakili nilai rata-rata populasi, demikian juga nilai proporsinya. Pendugaan
interval adalah prosedur statistik yang memungkinkan kita untuk menentukan
”seberapa tepat” estimasi yang kita lakukan terhadap nilai rata-rata dan proporsi.

Pendugaan Interval Rata-rata Populasi (Jika σ Populasi Diketahui)

Sebuah perusahaan asuransi ingin melakukan studi tentang hubungan antara

sebuah produk asuransi dengan usia pemegang polis. 36 pemegang polis dijadikan
sebagai sampel di mana usia ke 36 pemegang polis tersebut adalah sebagai berikut:

Jika diketahui bahwa deviasi standar populasinya adalah σ = 7,2 tahun, maka

didapat bahwa nilai rata-rata sampel adalah:

x
x i

1.422
 39,5
n 36
Dengan demikian maka taksiran titik untuk nilai rata-rata populasi adalah 39,5
tahun.

Kita tahu bahwa nilai di atas tidak sepenuhnya identik dengan nilai rata-rata
populasi, karena hanya merupakan pendekatan/estimasi saja. Salah satu cara untuk
mengetahui seberapa tepat/seberapa besar kesalahan (error) yang terjadi di antara
nilai rata-rata sampel dan nilai rata-rata populasi, maka dapat diketahui dari

Statistik Inferensi 40
besarnya kesalahan penyampelan (sampling error), yang dapat dihitung dengan
rumus sebagai berikut.

Kesalahan Penyampelan = | x - μ |

Dengan menggunakan persamaan di atas kita tetap belum bisa menghitung

besarnya kesalahan penyampelan, karena kita tidak mengetahui nilai rata-rata
populasi (μ). Namun demikian, apa yang telah kita pelajari di kuliah pendugaan
titik dapat kita gunakan untuk menentukan penilaian peluang (probability
statement) dari kesalahan penyampelan.

Dari konsep central limit theorem, dikatakan bahwa jika jumlah sampel
adalah relatif besar (n>30) maka distribusi sampel dapat didekati dengan
distribusi normal dengan nilai rata-rata adalah μ dan deviasi standar adalah σ x
= σ/(n1/2).

Dengan aturan tersebut di atas maka diperoleh distribusi sampel ke 36

pemegang polis asuransi tersebut adalah normal dengan nilai rata-rata adalah μ dan
deviasi standar 7,2/(361/2) = 1,2 tahun, seperti terlihat pada Gambar 4.1.

Gambar 3.1

Meskipun kita tidak mengetahui nilai rata-rata populasi μ dari gambar

memberikan informasi kepada kita bahwa nilai x tersebar secara simetris di sekitar
nilai μ, atau dengan kata lain perbedaan nilai antara x dengan μ akan dapat diketahui
pula. Mengingat distribusi sampel x dapat didekati dengan distribusi normal, kita

Statistik Inferensi 41
dapat menggunakan tabel z untuk distribusi normal guna menentukan kesalahan
penyampelan.

Sebagai contoh, dengan menggunakan tabel z, kita dapat menentukan bahwa

95% nilai distribusi sampel berada dalam daerah ±1,96 terhadap nilai rata-rata.
Dengan demikian, 95% dari semua nilai x berada dalam rentang ±1,96σx terhadap
nilai μ, sehingga ±1,96σx = 1,96 x 1,2 = 2,35. Dengan kata lain, 95% dari sampel
berada pada ±2,35 tahun dari rata-rata populasi μ, seperti terlihat pada Gambar 3.2.

Gambar 3.2

Kita juga melihat pada Gambar 3.2, bahwa kejadian ini hanya memiliki
peluang terjadi sebesar 1 – 0,95 = 0,05. Dengan kata lain: ”Peluang rata-rata
sampel memiliki error 2.35 tahun atau lebih kecil adalah 95%”

Selain nilai 95%, nilai 90% dan 99% sering digunakan sebagai acuan dalam
menentukan kesalahan penyampelan. Gambar 3.3 berikut menunjukkan 99% nilai
x berada pada ±2,575 σx = ±2,575 x 1,2 = 3,09, sehingga ”Peluang rata-rata sampel
memiliki error 3,09 tahun atau lebih kecil adalah 99%”

Statistik Inferensi 42
 Gambar 3.3

Dengan cara yang sama diperoleh bahwa 90% nilai x berada pada ±1,645
σx = ±1,645 x 1,2 = ±1,97 tahun.

Hasil-hasil di atas menunjukkan ada banyak penilaian peluang yang dapat

dibuat terhadap kesalahan penyampelan. Makin besar penilaian peluang maka
makin besar juga kesalahan penyampelan yang terjadi. Jika α adalah besarnya
kesalahan penyampelan yang dikehendaki, maka seperti terlihat pada Gambar 3.4,
1-α adalah daerah atau probabilitas di mana rata-rata sampel akan memberikan
kesalahan penyampelan lebih kecil atau sama dengan kesalahan penyampelan pada
penilaian.

Statistik Inferensi 43
 Gambar 3.4

Dengan demikian, kasus di mana 95% pemegang polis asuransi memiliki

nilai rata-rata yang memberikan kesalahan penyampelan sebesar 2,35 tahun
didasarkan pada nilai α = 0,05 dan 1-α = 0,95. Luasan di masing-masing ujung
seperti pada Gambar 3.2 adalah α/2 = 0,025. Dengan menggunakan tabel z diketahui
bahwa z0.025 akan memiliki nilai 0,025 luasan di ujung kurva normal di mana
berkorespondensi dengan nilai pada tabel z yaitu 1,96.

Pada kasus penilaian peluang sebesar 0,99, maka α = 0,01 dan α/2 = 0,005
dan z0,005 akan memiliki nilai 0,005 luasan di ujung kurva normal di mana
berkorespondensi dengan nilai pada tabel z yaitu 2,575. Dari pernyataan tersebut di
atas kita dapat membuat postulasi umum yaitu:

“There is a 1-α probability that the value of a sample mean will provide a
sampling error of zα/2σx or less.”

Statistik Inferensi 44
Menghitung Taksiran Interval

Dari penjelasan sebelumnya kita mampu membuat penilaian peluang

terhadap kesalahan penyampelan. Sekarang kita dapat menggabungkan taksiran
titik dengan informasi mengenai probabilitas kesalahan penyampelan untuk
mendapatkan taksiran interval dari nilai rata-rata populasi.

Sebelumnya kita sudah mengetahui bahwa peluang rata-rata sampel

memberikan kesalahan (error) sebesar atau lebih kecil dari zα/2σx adalah 1-α. Ini
berarti peluang rata-rata sampel atau taksiran titik tidak akan berbeda dengan rata-
rata populasi lebih dari zα/2σx adalah 1-α. Jadi jika kita representasikan dalam
sebuah interval di mana nilai rata-rata sampel sebesar x kita kurangi dengan zα/2σx
dan kemudian kita tambahkan sebesar zα/2σx, maka kita akan mendapatkan nilai
peluang sebesar 1-α untuk mendapatkan interval yang mencakup rata-rata populasi.
Atau dengan kata lain, peluang interval yang dibentuk oleh x ± zα/2σx akan berisi
rata-rata populasi adalah 1-α.

Gambar 3.5

Kita kembali ke contoh sebelumnya. Didapat bahwa peluang rata-rata

sampel memiliki kesalahan penyampelan sebesar 2,35 tahun atau kurang adalah
95%. Gambar distribusi sampel di atas menunjukkan bahwa dengan 36 pemegang
polis yang berbeda sebagai sampel, di mana untuk masing-masing sampel, taksiran
Statistik Inferensi 45
interval diperoleh dengan mengurangkan 2,35 dari x dan menambahkan 2,35 dari
x.

Pada gambar seperti yang disimbolkan dengan x1 nilai ini termasuk nilai

rata-rata populasi μ. Sampel berikutnya yang disimbolkan dengan x 2 juga

termasuk nilai μ sekalipun rata-rata sampel terdiri dari item yang berbeda dengan
sebelumnya. Sementara itu, rata-rata sampel x 3 tidak termasuk nilai rata-rata
populasi μ. Hal ini terjadi karena rata-rata sampel yang ke-3 terletak di bagian ekor
dari distribusi peluang pada jarak yang lebih jauh dari 2,35 dari μ.

Dengan demikian semua rata-rata sampel yang berada di antara 2 garis lurus
pada Gambar 3.5 akan merupakan interval yang memasukkan nilai μ di dalamnya.
Karena 95% dari rata-rata sampel berada di daerah arsiran seperti pada Gambar 3.5,
maka 95% dari semua interval yang ada akan memasukkan nilai μ di dalamnya. Ini
berarti, kita 95% percaya (confident) bahwa interval yang dibuat dari x -2,35 hingga
x + 2,35 akan memasukkan nilai μ di dalamnya. Dalam terminologi statistik,
interval tersebut disebut dengan confidence interval. Tingkat kepercayaan akan hal
ini dikenal dengan confidence level, serta nilai 0,95 disebut dengan confidence
coefficient untuk taksiran interval.

Pada kasus di atas, maka 95% confidence interval akan berada pada selang
39,5 ± 2,35, atau dengan kata lain, 37,15 tahun dan 41,85 tahun adalah confidence
interval estimate dari populasi. Atau perusahaan asuransi dapat mengambil
kesimpulan bahwa pada tingkat kepercayaan 95%, rata-rata usia pemegang polis
adalah berada pada rentang antara 37,15 tahun hingga 41,85 tahun.

Dari contoh di atas terlihat bahwa taksiran titik dan informasi mengenai
peluang kesalahan penyampelan dapat digunakan untuk pendugaan interval dari
rata-rata populasi. Dengan pendugaan interval tersebut, kita mendapat gambaran
seberapa tepat estimasi yang diambil dari sampel dapat mewakili karakter dari
populasi. Jika confidence coefficient relatif besar dan rentang interval menjadi kecil

Statistik Inferensi 46
maka estimasi pada kondisi tersebut dapat digolongkan baik. Makin besar jumlah
sampel maka akan makin presis nilai estimasi yang dibuat.

Dengan demikian dapat disimpulkan bahwa: Pendugaan Interval Rata-rata

Populasi adalah:


x  Z
2 n
Di mana (1-α) adalah confidence coefficient dan zα/2 adalah nilai z yang memberi
luasan kurva z sebesar α/2 pada ujung-ujung kurva probabilitas distribusi normal.

Pendugaan Interval Rata-rata Populasi (Jika σ Populasi TIDAK Diketahui)

Kesulitan memakai persamaan x  Z

 adalah jika nilai deviasi
2 n
standar dari populasi tidak diketahui. Dengan kata lain, kita harus menggunakan
nilai deviasi standar dari sampel (s) sebagai taksiran titik terhadap nilai σ, di mana
estimator deviasi standar terhadap nilai x dihitung dengan:

s
estimator  x  s x 
n

Ada dua kondisi dalam menggunakan persamaan di atas: jika jumlah sampel besar
dan jika jumlah sampel kecil.

Jika jumlah sampel besar (>30) maka:

Pendugaan Interval Rata-rata Populasi (Large Sample with σ is Unknown)

s
x  Z
2 n
Di mana s adalah deviasi standar sampel.

Jika jumlah sampel kecil (<30) maka kita hanya bisa menghitung pendugaan
interval terhadap nilai rata-rata populasi jika dan hanya jika populasi terdistribusi
Statistik Inferensi 47
normal. Dengan demikian jika jumlah sampel kecil dan populasi terdistribusi
normal serta deviasi standar sampel s digunakan sebagai taksiran titik terhadap
deviasi standar populasi, maka evaluasi interval dari rata-rata populasi dapat
dilakukan dengan menggunakan distribusi t (t distribution).

Distribusi t adalah hampir mirip dengan distribusi normal di mana nilai

parameter distribusinya sangat tergantung pada degree of freedom (DOF). Semakin
tinggi/besar DOF-nya, maka perbedaan antara distribusi t dan distribusi normal
semakin kecil, seperti terlihat pada Gambar 4.6.

Gambar 3.6.

Subscript t digunakan untuk menunjukkan daerah di upper tail dari kurva z.

Dengan kata lain, jika kita menggunakan z0,025 untuk menunjukkan 0,025 luasan
di upper tail kurva distribusi normal, maka kita menggunakan t0,025 untuk
menunjukkan luasan 0,025 di upper tail kurva distribusi t. Atau kita akan
menggunakan tα/2 untuk mewakili nilai t dengan luasan area α/2 pada upper tail
kurva distribusi t seperti terlihat pada Gambar 4.7. Tabel distribusi t dapat dilihat
pada lampiran. Nilai t0,025 dengan 20 degree of freedom adalah 2,086, dan 10
degree of freedom adalah 2,228.

Statistik Inferensi 48
 Gambar 3.7.

Terlihat bahwa distribusi t dapat digunakan untuk melakukan evaluasi

terhadap pendugaan interval rata-rata populasi. Jika populasi terdistribusi normal
dengan deviasi standar s maka: Pendugaan Interval Rata-rata Populasi (Small
Sample with σ is Unknown)

s
x  t
2 n
Di mana 1-α adalah confidence coefficient, tα/2 adalah nilai t yang
memberikan luasan α/2 di ujung kanan kurva distribusi t dengan n-1 degree of
freedom serta s adalah deviasi standar sampel.

Kasus:

Untuk mengetahui waktu yang dibutuhkan untuk melakukan training dengan

komputer maka dilakukan uji coba terhadap 15 orang sebagai sampel dengan data
sebagai berikut.

52, 44, 55, 44, 45, 59, 50, 54, 62, 46, 54, 58, 60, 62, 63 (hari)

Nilai rata-rata sampel: 808/15 = 53,87 hari.

Statistik Inferensi 49
  x i  x 
2
651,73
Deviasi standar sampel: s    6,82 hari
n 1 14

Dengan demikian taksiran titik nilai rata-rata populasi adalah 53,87 hari. Karena
deviasi standar populasi tidak diketahui, maka kita akan menggunakan nilai deviasi
standar sampel s sebagai taksiran titik deviasi standar populasi σ. Dengan jumlah
sampel yang kecil, dan diasumsikan bahwa populasi terdistribusi normal, maka
dengan menggunakan pendekatan distribusi t diperoleh degree of freedom adalah
n-1 = 15-1 = 14. Dengan tingkat kepercayaan 95% maka dari tabel t (14 DOF)
diperoleh tα/2 = t0,025 = 2,145. Dengan demikian:

s
x  tα = 53,87 
6,82
 53,87  3,78
2 n 15

Dengan tingkat kepercayaan 95% maka nilai rata-rata populasi akan berada pada
rentang 50,09 hari hingga 57,65 hari.

Pada praktiknya, distribusi t tidak hanya digunakan untuk jumlah sampel besar saja,
untuk jumlah sampel yang kecil juga dapat digunakan. Selain itu, untuk populasi
yang terdistribusi bukan normal juga dapat menggunakan distribusi t untuk
pendekatannya.

3.3 Latihan

1. Produktivitas merupakan salah satu tujuan akhir yang ingin dicapai dari suatu
kegiatan ekonomi sehingga proses produksi berjalan secara efesien. Banyak
faktor yang mempengaruhi produktivitas karyawan. Tim Litbang BPK
menganggap bahwa tingkat kedisiplinan merupakan salah satu faktor yang
sangat menentukan tingkat produktivitas karyawan. Suatu riset dilakukan untuk
mengestimasi tingkat kedisiplinan karyawan dengan menggunakan proksi rata-
rata jam kerja perhari efektif yang dilakukan oleh karyawan. Dari sampel
sebanyak 20 karyawan BPK diperoleh data mengenai jam kerja perhari sebagai
berikut (jam kerja).
Statistik Inferensi 50
 8.21 8.01 7.85 7.75 8.02 7.32 8.32 7.25 7.75 7.58

8.85 7.57 7.30 8.20 8.55 7.88 7.98 7.53 8.65 7.95

Dengan menggunakan tingkat keyakinan 95% anda diminta untuk melakukan

estimasi mengenai rata-rata jam kerja efektif karyawan BPK yang sebenarnya.
Jika batas ketentuan jam kerja minimal 8 jam perhari dan hasil estimasi interval
nilainya lebih dari 10% untuk batas bawah dan batas atas dapat dikatakan bahwa
tingkat kedisiplinan karyawan buruk. Bagaimana dengan kondisi tingkat
kedisplinan karyawan BPK.

2. Tingkat profitabilitas merupakan faktor yang sangat menentukan kinerja

perusahaan. Data analisis rasio untuk ketiga ukuran profitabilitas dari 8 sampel
perusahaan dinyatakan dengan informasi sebagai berikut.

ROA 20,12 22,12 15,32 16,32 18,25 17,25 25,32 30,25

ROE 12,40 13,45 12,50 17,21 20,20 10,28 9,32 8,86

ROI 30,21 32,21 33,24 25,21 27,31 33,20 21,20 18.,51

anda diminta untuk melakukan estimasi dari untuk ketiga analisis rasio
profitabilitas dengan menggunakan tingkat keyakinan 90%.

3. Penerimaan pajak merupakan salah satu faktor yang mempengaruhi jalannya

pembangunan sehingga kontrol yang lebih optimal akan dilakukan terhadap
para wajib pajak sehingga jumlah penerimaan pajakpun menghasilkan kondisi
yang optimal pula. Dari 200 wajib pajak perusahaan, diambil sampel sebanyak
20 wajib pajak yang data mengenai jumlah pajak yang dibayar dinyatakan
dengan informasi berikut ini (dalam puluhan juta rupiah).

20,3 25,1 23,6 30,5 33,6 26,9 22,6 28,7 30,5 33,2

23,1 29,3 26,8 32,9 23,7 25,6 32,3 23,5 35,1 23,4

Dengan tingkat keyakinan 95%, anda diminta untuk mengestimasi rata-rata

penerimaan pajak yang sebenarnya dari wajib pajak yang ada.

Statistik Inferensi 51