BAB I

PENDAHULUAN

1.1. Latar Belakang

Estimasi merupakan proses yang digunakan untuk menghasilkan suatu nilai tertentu terhadap suatu
parameter. Lalu, Parameter merupakan sebuah alat ukur untuk melihat kesuksesan ataupun keberhasilan
dari tujuan. Estimasi parameter digolongkan menjadi dua yaitu estimasi titik dan estimasi interval. Estimasi
titik adalah penaksiran karakteristik populasi dengan sebuah nilai karakteristik dari sampel sedangkan
estimasi interval adalah penaksiran populasi dengan nilai-nilai dalam suatu interval tertentu. Dasar adanya
estimasi interval yakni karena pada setiap penaksiran pasti mengandung peluang kesalahan. Estimasi
merupakan suatu tahapan yang terpenting dalam menentukan model peluang yang tepat dari sekumpulan
data. Data yang digunakan untuk melakukan estimasi parameter ini merupakan suatu sampel yang akan
digunakan untuk menentukan estimasi terbaik berdasarkan nilai dari evaluasi metode penduga terbaik .

Metode yang biasa digunakan dalam menentukan estimator parameter adalah metode Klasik.
Metode lain yang juga dapat digunakan adalah metode Bayes. Pada metode Bayes, semua parameter dalam
model diasumsikan sebagai variabel acak yang memiliki sebaran, sedangkan pada metode Klasik parameter
dianggap sebagai konstanta. Metode Bayes merupakan metode estimasi yang menggabungkan distribusi
prior dan fungsi likelihood. Distribusi prior adalah distribusi awal yang memberi informasi tentang suatu
parameter. Fungsi likelihood yang digabung dengan distribusi prior akan menghasilkan suatu distribusi
baru yaitu distribusi posterior yang menyatakan tingkat keyakinan mengenai suatu parameter setelah
sampel diamati.

Dalam bab ini akan dibahas mengenai perbedaan hasil antara metode Bayes dengan metode
Klasik. Metode Klasik yang digunakan adalah Maximum Likelihood Estimator (MLE). Metode Klasik
merupakan suatu metode yang mendasarkan inferensinya pada sampel. Sedangkan dalam metode Bayes,
selain melibatkan bentuk distribusi awal dalam mengestimasi parameter yang diistilahkan dengan fungsi
likelihood juga menggunakan informasi subjektif terkait parameter tersebut yang dikenal sebagai distribusi
prior. Metode Bayes yang digunakan pada penelitian ini adalah metode Bayes Generalized Squared Error
Loss Function (Bayes Generalized SELF). Metode Bayes Generalized SELF adalah metode yang diperoleh
dengan meminimumkan ekspektasi dari error loss fuction yang dikuadratkan kemudian dikalikan dengan
konstanta sehingga menghasilkan penduga parameter dalam bentuk polinomial.

Metode MLE dan metode Bayes Generalized SELF akan digunakan untuk mengestimasi parameter
model dari data yang berdistribusi Invers Rayleigh. Distribusi Rayleigh adalah kasus khusus dari distribusi
Weibull dan distribusi Inverse Rayleigh adalah kasus khusus dari distribusi Inverse Weibull. Distribusi
Invers Rayleigh memiliki banyak aplikasi di bidang studi reliabilitas. Gharraph (1993) menurunkan lima
ukuran lokasi untuk distribusi Invers Rayleigh. Ukuran-ukuran ini adalah mean, mean harmonik, mean
geometrik, mode, dan median.

1.2. Rumusan Masalah

1. Apa yang dimaksud pendugaan parameter yang baik?

2. Apa tujuan dari pendugaan parameter?
3. Bagaimana ciri-ciri dari pendugaan yang baik?
4. Apa saja jenis-jenis pendugaan?
5. Bagaimana estimasi varians populasi?
6. Bagaimana Contoh Pendugaan Parameter µ dengan Sampel Kecil ?
7. Bagaimana Contoh Pendugaan Parameter Beda Dua Rata-Rata (µ1 - µ2) dengan Sampel Kecil?

1.3. Tujuan
1. Untuk mengetahui definisi mengenai pendugaan parameter yang baik
2. Untuk mengetahui tujuan dari pendugaan parameter
3. Untuk mengetahui ciri-ciri pendugaan yang baik
4. Untuk mengetahui apa saja jenis-jenis pendugaan
5. Untuk mengetahui estimasi varians populasi
6. Untuk mengetahui Contoh Pendugaan Parameter µ dengan Sampel Kecil
7. Untuk mengetahui Contoh Pendugaan Parameter Beda Dua Rata-Rata (µ1 - µ2) dengan Sampel
Kecil
 BAB II

PEMBAHASAN

2.1. Pengertian pendugaan parameter

Pendugaan yang baik yaitu pendugaan pada statistika yang dipakai untuk menduga parameter.
Pendugaan yang baik memiliki konsisten yang baik, artinya bila sampel yang diambil semakin besar,
maka nilai θ akan semakin mendekati nilai θ. Terdapat dua metode untuk melakukan pendugaan
parameter yaitu metode Klasik dan metode Bayes. Salah satu metode penduga parameter dengan metode
Klasik adalah metode Maximum Likelihood Estimation (MLE). Metode MLE merupakan suatu metode
penduga parameter yang memaksimumkan fungsi likelihood. Salah satu metode penduga parameter
dengan metode Bayes adalah metode Bayes Generalized Squared Error Loss Function (Bayes
Generalized SELF). Metode Bayes Generalized SELF adalah metode yang diperoleh dengan
meminimumkan ekspektasi dari perkalian antara error loss function yang dikuadratkan dengan pembobot.

2.2. Tujuan pendugaan parameter

Tujuan dari pendugaan parameter ini untuk menentukan skala θ dari distribusi Invers Rayleigh
dengan menggunakan metode MLE dan metode Bayes Generalized SELF serta membandingkan secara
analitik hasil dugaan metode MLE dan metode Bayes Generalize SELF. Distribusi prior untuk metode
Bayes Generalized SELF yang digunakan pada penelitian ini adalah prior Jeffrey sebagai prior non-
informatif dan distribusi Eksponensial sebagai prior informatif dengan hanya menggunakan polinomial
pertama sampai polinomial keempat untuk kedua prior. Perbandingan kedua metode dilakukan melalui
ilustrasi data kasus dengan menggunakan metode Akaike Information Criterion (AIC), Akaike Information
Criterion Corrected (AICc), dan Bayesian Information Criteria (BIC). Hasil yang diperoleh menunjukkan
bahwa metode Bayes Generalized SELF menggunakan prior Jeffrey dengan polinomial keempat
merupakan metode penduga yang terbaik dalam menduga parameter distribusi Invers Rayleigh.

2.3. Ciri-ciri pendugaan parameter yang baik

Pendugaan parameter yang baik memiliki ciri-ciri seperti:

1. Tidak Bias (Unbiased) , yaitu E(θ) = θ, artinya harapan penduga θ sama dengan θ;
2. Efisien, artinya apabila ada lebih dari satu penduga, maka penduga yang efisien adalah
penduga yang mempunyai variansi paling kecil.
3. Konsisten, artinya bila sampel yang diambil semakin besar, maka nilai θ akan semakin
mendekati nilai θ.
4. Cukup (Sufficience)
5. Varian Minimum (Minimum Variance).
2.4. Jenis-jenis pendugaan
Jenis-jenis pendugaan meliputi:
 Pendugaan berdasarkan cara penyajiannya
1. Pendugaan tunggal
Pendugaan yang hanya mempunyai atau menyebutkan satu nilai. Tidak memberikan selisih atau
jarak antara nilai penduga dengan nilai sebenarnya (parameter).
2. Pendugaan interval
Pendugaan yang mempunyai dua nilai sebagai pembatasan/ daerah pembatasan digunakan
tingkat keyakinan terhadap daerah yg nilai sebenarnya/ parameternya akan berada. Nilai (1-α)
disebut koefisien kepercayaan. Selang kepercayaan : (1-α) x 100% .
 Pendugaan berdasarkan parameternya
1. Pendugaan rata-rata
Untuk populasi tidak terbatas/ populasi terbatas yang pengambilan sampelnya dengan
pengembalian serta menggunakan penaksiran rata-rata sampel, yakni menentukan interval nilai
rata-rata sampel yang dapat memuat parameter rata-rata populasi, jika dipakai distribusi
probabilitas normal, confedence interval untuk rata-rata ditentukan.
2. Pendugaan proporsi
3. Pendugaan varians.

2.5. Estimasi varians populasi

 Sangat diperlukan untuk mengetahui sejauh mana sebaran nilai parameter sehingga dapat dijadikan
untuk mengambil langkah-langkah dalam mengendalikannya.
 Misalnya: yang berkaitan dengan suatu tingkat kualitas produk, diinginkan agar bukan hanya rata-
rata nilai parameternya yg memenuhi suatu persyaratan tetapi juga konsistensi dari nilai tersebut
harus bisa terjamin.

2.6. Contoh Pendugaan Parameter µ dengan Sampel Kecil

Cara merumuskan interval kepercayaan (1 – α) x 100% dari pendugaan parameter µ

dengan sampel kecil sama seperti memutuskan interval kepercayaan dari pendugaan parameter µ
dengan sampel besar. Contohnya sebagai berikut:
Suatu sampel acak sebanyak 15 mahasiswa diambil dari populasi mahasiswa di suatu universitas.
Ke-15 mahasiswa diberikan ujian mata kuliah statistik dan diperoleh rata-rata yaitu 75 dan
simpangan baku 8.
Buatlah interval kepercayaan 95% untuk menduga kemampuan statistik semua mahasiswa di
universitas tersebut!
Jawab:
 Populasi dianggap tak terbatas dan berdistribusi normal dengan simpangan baku σ yang tidak
diketahui. Sampel acak n = 15, X = 75, dan S = 8
Simpangan baku distribusi sampel rata-rata adalah:
𝜎 = ! ! = ! = 2,07 !" Interval kepercayaan yang akan dibuat besarnya 95%, maka α = 5%.
Sehingga ! ! = 2,5% = 0,025. Sedangkan derajat kebebasan distribusi t adalah ϑ = n – 1 = 15 – 1 =
14. Maka dari tabel distribusi t untuk ! = 0,025 ! dan derajat kebebasan ϑ = 14 diperoleh t ! ,! =
t !,!"#,!" = 2,145.
Dengan demikian:
X − t ! ,! 𝜎! = 75 – (2,145) x (2,07) = 70,6
X + t ! ,! 𝜎! = 75 + (2,145) x (2,07) = 79,4
Jadi interval kepercayaan 95% untuk pendugaan kemampuan rata-rata Universitas Pamulang
Program Studi S1 Akuntansi 16 statistik mahasiswa di universitas tersebut adalah P(70,6 < µ <
79,4) = 0,95. Artinya kita percaya 95% bahwa kemampuan rata-rata statistik semua mahasiswa di
universitas itu terletak antara 70,6 sampai dengan 79,4.

2.7. Contoh Pendugaan Parameter Beda Dua Rata-Rata (µ1 - µ2) dengan Sampel Kecil
Misalkan diketahui dua populasi masing-masing mempunyai rata-rata µ1 dan µ2 dan
distribusinya mendekati normal. Misalkan variansi dua populasi itu sama yaitu 𝜎 ! = 𝜎 ! = 𝜎 ! ! ! ,
tetapi tidak diketahui berapa besarnya.Kita ambil sampel acak berukuran n1 dari populasi pertama
kemudian dihitung rata-ratanya yaitu X1 dan variansinya 𝑆 ! . Begitu juga kita ambil sampel acak
berukuran n2 dari populasi kedua kemudian dihitung rata-ratanya yaitu X2 dan variansinya 𝑆 ! .

Contohnya yaitu:

Seorang dosen ingin membandingkan hasil belajar mahasiswa dalam mata kuliah akuntansi di
suatu universitas berdasarkan dua metode mengajar yang dipakai. Untuk itu dibuat dua kelas yaitu
kelas A dan kelas B. Pada kelas A terdiri atas 12 mahasiswa yang diajar dengan metode biasa. Di
kelas B terdiri dari 10 mahasiswa yang diajar dengan metode baru. Setelah diadakan tes akhir
semester, ternyata mahasiswa di kelas A mendapatkan nilai rata-rata 85 dengan simpangan baku 4,
sedangkan mahasiswa kelas B Universitas Pamulang Program Studi S1 Akuntansi 18 ! ! ! !
didapatkan rata-rata 81 dan simpangan baku 5.

Diasumsikan populasi mempunyai distribusi mendekati normal dan variansinya sama. Buatlah
interval kepercayaan 80% untuk menduga beda kemampuan mahasiswa pada mata kuliah
akuntansi dengan dua macam metode ajar tersebut !

Jawab:

Kelas A dengan metode biasa: X! = 85, S1 = 4, n = 12

Kelas B dengan metode baru: X! = 81, S2 = 5, n = 10

Karena variansi σ ! dan σ ! tidak diketahui dan dianggap sama, yaitu σ ! = σ ! ! ! ! ! = σ2 ,

maka: !!!! !! ! !!!! !! !! !! ! ! !! S ! = ! !!!!!!! ! = !"!!!!! = 20,05 , maka simpangan baku gabungan Sp
= = 4,48 Sedangkan simpangan baku distribusi sampel beda dua rata-rata adalah: 𝜎!!!!! = Sp = 4,48
. = 1,92 Untuk 1 – α = 80% atau α = 20% dan derajat kebebasan ϑ = n! + n! − 2 = 12 + 10 – 2 = 20,
diperoleh nilai t ! ,! = t !,!";!" = 1,325

Sehingga dengan demikian diperoleh: X! − X! − t ! ,! 𝜎! !!!! = (85 – 81) – (1,325) x (1,92) = 1,456
X! − X! + t ! ,! 𝜎! !!!! = (85 – 81) + (1,325) x (1,92) = 6,544 . Jadi interval kepercayaan untuk
perbedaan kemampuan mahasiswa dalam mata kuliah akuntansi yang diajar dengan dua metode
adalah P(1,456 < µ1 - µ2 < 6,544) = 0,80.
 BAB III

PENUTUP

3.1. Kesimpulan

Estimasi merupakan proses yang digunakan untuk menghasilkan suatu nilai tertentu
terhadap suatu parameter. Lalu, Parameter merupakan sebuah alat ukur untuk melihat kesuksesan
ataupun keberhasilan dari tujuan. Estimasi parameter digolongkan menjadi dua yaitu estimasi titik
dan estimasi interval. Estimasi titik adalah penaksiran karakteristik populasi dengan sebuah nilai
karakteristik dari sampel sedangkan estimasi interval adalah penaksiran populasi dengan nilai-nilai
dalam suatu interval tertentu. Dasar adanya estimasi interval yakni karena pada setiap penaksiran
pasti mengandung peluang kesalahan.

Tujuan dari pendugaan parameter yaitu untuk menentukan skala θ dari distribusi Invers
Rayleigh dengan menggunakan metode MLE dan metode Bayes Generalized SELF serta
membandingkan secara analitik hasil dugaan metode MLE dan metode Bayes Generalize SELF.
Distribusi prior untuk metode Bayes Generalized SELF yang digunakan pada penelitian ini adalah
prior Jeffrey sebagai prior non-informatif dan distribusi Eksponensial sebagai prior informatif
dengan hanya menggunakan polinomial pertama sampai polinomial keempat untuk kedua prior.
Perbandingan kedua metode dilakukan melalui ilustrasi data kasus dengan menggunakan metode
Akaike Information Criterion (AIC), Akaike Information Criterion Corrected (AICc), dan Bayesian
Information Criteria (BIC). Hasil yang diperoleh menunjukkan bahwa metode Bayes Generalized
SELF menggunakan prior Jeffrey dengan polinomial keempat merupakan metode penduga yang
terbaik dalam menduga parameter distribusi Invers Rayleigh.
 DAFTAR PUSTAKA

Modul statistika universitas pamulang

https://www.rumusstatistik.com/2017/01/ciri-ciri-penduga-yang-baik.html
Estimasi Nilai Parameter (usd.ac.id)