A.

Estimasi dalam Statistik

Teori estimasi memegang peranan penting dalam biostatistika

inferensial karena teori estimasi dan uji hipotesis merupakan dasar dari
biostatistik inferens (yang dilandasi teori probabilitas). Jika waktu dan
informasi cukup memadai, maka estimasi yang akurat, menghasilkan
ukuran yang dapat dipertanggung jawabkan

Estimasi  Metode memperkirakan nilai populasi (parameter) dengan

memakai nilai sampel (statistik)  karena perhitungan langsung pada
seluruh populasi tidak mungkin dilalukan. Dengan estimasi, tidak perlu
mengambil sampel berulang kali untuk mengetahui distribusi sampling

B. Penggunaan Teori Estimasi

 Dalam bidang kesehatan digunakan untuk mengestimasi prevalensi
penderita penyakit; mengestimasi angka kematian, seperti AKI dan
AKB

 Di Rumah Sakit, teori estimasi dapat digunakan untuk

memperkirakan jumlah pengunjung atau memperkirakan prognosa
(kemungkinan sembuhnya) suatu penyakit

C. ESTIMATOR

Estimator adalah nilai statistik atau statistik sampel yang dipakai untuk
menduga nilai populasi (parameter)

 Hasil pendugaan = estimasi secara statistik (statistical estimate)

Sifat Estimator

Tidak bias : sesuai nilai parameter populasi; hasilnya mengandung nilai

parameter yang diestimasi = unbiased estimator

Efisien: Simpangan baku kecil sehingga peluang untuk mendekati nilai

parameter menjadi lebih besar; pada rentang kecil saja sudah mengandung
nilai parameter

Konsisten: ketepatan mengestimasi nilai parameter akan meningkat dengan

jumlah sampel yang lebih besar; berapapun besar sampel pada rentangnya
akan mengandung nilai parameter yang sedang diestimasi

Secara umum, ada dua bentuk estimasi yang biasa digunakan:

1. Estimasi Titik (point estimation)  mengandung perhitungan angka
tunggal untuk mengestimasi nilai parameter

 Estimasi titik Adalah pendugaan yang terdiri dari satu nilai saja
dan tidak memberikan gambaran mengenai berapa jarak/selisih
nilai penduga tsb terhadap nilai parameter

 Pemakaian estimasi titik untuk menaksir parameter populasi sering

tidak memuaskan karena hanya dapat diketahui apakah estimasi
tersebut benar atau salah

 Estimasi titik merupakan nilai taksiran yang kaku

 Estimasi titik yang dapat digunakan untuk mengadakan estimasi

parameter populasi adalah rata-rata sampel terhadap rata-rata
populasi, proporsi sampel terhadap proporsi populasi, jumlah
variabel tertentu yang terdapat dalam sampel untuk menaksir
jumlah variabel tersebut dalam populasi, dan varians atau
simpangan baku sampel untuk menaksir simpangan baku populasi

2. Estimasi selang (interval estimation) metode yang memberikan hasil

perhitungan nilai berupa nilai jangkauan untuk mengestimasi nilai
parameter

 Estimasi selang Adalah suatu pendugaan berupa interval/jangkauan

yang dibatasi oleh dua nilai, yang disebut nilai batas bawah dan nilai
batas atas. Untuk membuat pendugaan interval, harus ditentukan
lebih dahulu besarnya koefisien keyakinan/ tingkat
keyakinan/derajat kepercayaan (Confidence Interval/CI ) yang
diberi simbol 1-α. Besarnya nilainya dari 90% - 99% .

 Confidence Interval (CI) adalah luas area di bawah kurva normal,

yang ditentukan dengan prosentase misalnya 90%, 95%, dan 99%

Dasar Estimasi Selang/Confidence Interval

 Confidence Interval (CI) adalah luas area di bawah kurva normal,

yang ditentukan dengan prosentase misalnya 90%, 95%, dan 99%
  Bahwa sampel yang diambil dari suatu populasi akan berdistribusi
(normal) sekitar µ, dengan simpangan baku adalah Standard
Error/SE  sifat distribusi sampling. Dengan hal itu dapat
ditentukan jarak minimum dan maksimum letaknya nilai µ =
confident interval = confident limit = tingkat kepercayaan
 Ketika sampel besar, (Kirkwood and Sterne, 2006 menyatakan ≥
60, sedangkan Hastono dan Sabri, 2006 menyatakan ≥ 30  Kita
pakai ≥ 30)  tidak hanya distribusi sampling dari mean-mean
sampel yang dapat diperkirakan oleh distribusi normal dengan baik,
tetapi juga standard deviasi sampel (s) adalah perkiraan nilai
standard deviasi populasi () yang dapat diandalkan

 Rumus umum Estimasi Selang/Confidence Interval (CI)

St – Z ½α. SE ≤ parameter ≤ St + Z ½α. SE

Di mana:

St = nilai statistik (sampel = xbar)

Z1/2 α = deviasi relatif (standar score, ditentukan oleh confident

interval : Z1/2 α 95% = 1.96, Z1/2α 90% = 1.645

SE = standar d error (σ/√n)

Parameter = nilai populasi yg diduga (µ)

Atau

xbar – Z ½α.SE ≤ µ ≤ xbar + Z ½α.SE

Nilai Confidence Interval

CI 99%  Z ½ α = ± 2.575

CI 95%  Z ½ α = ± 1.96

CI 90%  Z ½ α = ± 1.645

CI 80%  Z ½ α = ± 1.28
  Di dapat dari tabel distribusi Normal Standar

Makna Confidence Interval

Peneliti mengakui bahwa dengan confidence Interval 90%, atau 95%, atau
99% maka rentang nilai mean yang didapat, kemungkinan mengandung/memuat
nilai mean populasi

Diakui ada 10%, 5%, 1%, peluang di mana rentang nilai mean yang didapat
kemungkinan tidak mengandung/memuat nilai mean populasi

D. CI dan Keakuratan Estimasi Nilai Mean Populasi

Semakin lebar rentang suatu nilai mean sampel, maka semakin tidak akurat
nilai mean sampel itu mewakili/mencakup nilai mean populasi yang sesungguhnya.

Semakin sempit rentang suatu nilai mean sampel maka semakin akurat nilai
mean sampel itu mewakili/mencakup nilai mean populasi sesungguhnya.

E. Distribusi Student t

Ketika jumlah sampel tidak besar, dua aspek yang dapat berubah :

1) Standard deviasi sampel (s) , yang tunduk pada variasi sampel,

mungkin tidak dapat diandalkan untuk mengestimasi nilai standard
deviasi populasi (σ)
2) Ketika distribusi di populasi tidak normal maka distribusi sample dari
mean mungkin juga tidak normal

 Ketika jumlah sampel tidak besar, umumnya kurang dari 30,

sehingga Standard deviasi sampel (s) mungkin lemah untuk
diandalkan mengestimasi nilai standard deviasi populasi (σ), maka σ
tidak diketahui

 Oleh karena itu, distribusi sampel diasumsikan berdistribusi

seperti distribusi student t

 Untuk menentukan nilai t diperlukan nilai degree of freedom (df)

dan nilai

RUMUS :
SE = s/√n

df = n – 1
1. Karakteristik Distribusi Student t

 Diperkenalkan oleh W.S Gosset. Seperti pada distribusi normal,

distribusi t adalah distribusi bersifat kontinu, berbentuk bell
shape dan simetris. Namun distribusi t lebih melebar dan ekornya
lebih panjang

F. Estimasi Proporsi Satu Populasi

Digunakan untuk melakukan estimasi proporsi pada populasi.

Rumus untuk limit atas dan limit bawah:

 Contoh Soal:

Seorang peneliti ingin mengestimasi proporsi ibu hamil yang telah

mendapatkan imuniasi TT. Diambil sampel sebanyak 100 orang ibu
hamil, ternyata 60 orang ibu hamil tersebut telah mendapatkan
imunisasi TT. Peneliti menggunakan derajat kepercayaan (CI) = 95%

Diketahui :

p = 60/100 = 60%; q = 100% - 60% = 40%

n = 100

Jawab:

P + Z 1/2 α = 60 + 1.96 x √(60 x 40)/100 = 69.6%

P – Z 1/2 α = 60 – 1.96 x √(60 x 40)/100 = 50.4 %

Interpretasi :

Dengan derajat kepercayaan 95%, interval estimasi ibu hamil yang

telah mendapatkan imunisasi TT adalah antara 50.4% - 69.6%

 Rentang interval dapat dipersempit dengan Cara :

1. Memperkecil CI : misalnya dari 95% menjadi 90%  memperkecil CI

berarti memperbesar presisi (artinya probabilitas nilai mean populasi
berada pada rentang itu semakin besar)

2. Memperbesar jumlah sampel (n)

3. Meningkatkan ketelitian dlm mengukur sehingga didapat varian sampel

yang kecil
√p.q/n