Tujuan
1. Praktikan mampu memahami prinsip-prinsip dasar analisis statistik inferensial
parametrik dengan metode estimasi parameter dan pengujian hipotesa.
2. Praktikan mampu melakukan analisis inferensial parametrik dengan metode estimasi
parameter dan pengujian hipotesa dengan aplikasi Stata
Teori Dasar
Analisis statistik inferensial adalah metode analisis yang membantu dalam membuat
kesimpulan umum tentang karakteristik populasi berdasarkan apa yang di analisis dari data
sampel yang diperoleh dari populasi tersebut. Penerapan analisis statistik inferensial dapat
dilakukan dalam dua bentuk yaitu estimasi parameter dan pengujian hipotesis. Pada
praktikum ini, yang akan dibahas adalah estimasi parameter dan pengujian hipotesis.
Estimasi Parameter
Estimasi parameter adalah suatu perkiraan parameter populasi yang dibuat pada apa yang
diketahui tentang sampel. Estimasi digolongkan menjadi dua yaitu estimasi titik (point
estimation) dan estimasi confidence interval.
A. Estimasi Titik
Sebuah nilai tunggal yang digunakan untuk mengestimasi sebuah parameter disebut titik
estimator, sedangkan proses untuk mengestimasi titik tersebut disebut estimasi titik
(Harinaldi, 2005). Pada estimasi titik, nilainya hanya ada satu dan sangat mengandalkan
asumsi parameter. Estimasi titik lebih mudah dalam hal penghitungan, tetapi penaksirannya
sangat diragukan karena sangat jarang nilai karakteristik populasi sama persis dengan nilai
karakteristik sampel. Hasil estimasi titik juga tidak memberikan tingkat kepercayaan tertentu.
B. Estimasi Confidence Interval
Estimasi interval adalah penaksiran populasi dengan nilai-nilai dalam suatu interval tertentu.
Dasar adanya estimasi interval adalah karena pada setiap penaksiran pasti mengandung
peluang kesalahan.
a) Sampel Besar
𝑆𝑥
𝐶𝐼 = 𝑋 ± 𝑍
𝑛−1
b) Sampel Kecil
𝑆𝑥
𝐶𝐼 = 𝑋 ± 𝑡
𝑛−1
a) Sampel Besar
𝑆𝐷
𝐶𝐼 = 𝐷 ± 𝑍
𝑛−1
b) Sampel Kecil
𝑆𝐷
𝐶𝐼 = 𝐷 ± 𝑡
𝑛−1
a) Sampel Besar
2 2
𝑆1 𝑆2
𝐶𝐼 = (𝑋1 − 𝑋2) ±𝑡 𝑛1
+ 𝑛2
b) Sampel Kecil
2 2
𝑆1 𝑆2
𝐶𝐼 = (𝑋1 − 𝑋2) ±𝑡 𝑛1−1
+ 𝑛2−1
𝑃µ(1−𝑃µ)
𝐶𝐼 = 𝑃𝑆 ± 𝑛
5) Estimasi Interval Perbedaan Proporsi
𝐶𝐼 = (𝑃𝑆1 + 𝑃𝑆2)±𝑍σ𝑃−𝑃
Pengujian Hipotesis
Pengujian hipotesis juga terbagi dua, yaitu pengujian hipotesis parametrik untuk data yang
memiliki distribusi normal dan pengujian hipotesis non parametrik untuk data yang tidak
memerlukan distribusi normal. Pengujian hipotesis parametrik sendiri terdiri dari uji satu
sampel (uji proporsi dan uji rata-rata) dan uji dua sampel, yang meliputi dua sampel non
independen (uji uji perbedaan rata-rata berpasangan), dan dua sampel independen (uji
perbedaan rata-rata independen, dan uji perbedaan dua proporsi).
1. Penentuan asumsi yang terdiri dari asumsi mengenai proses pengambilan sampel, tipe
skala pengukuran, dan bentuk distribusi sampling
2. Pernyataan hipotesa awal, dengan Ho merupakan suatu pernyataan tidak ada
perbedaan, dan Hi : suatu pernyataan yang secara langsung bertentangan dengan Ho
3. Pemilihan distribusi sampling dan penentuan wilayah kritis, dengan mengukur
wilayah di bawah distribusi dengan menggunakan distribusi yang sesuai. Wilayah
kritis terdiri dari wilayah di bawah distribusi sampling yang mencakup semua hasil
sampel yang tidak mungkin dan disebut daerah penolakan Ho. Ukuran wilayah kritis
diungkapkan dalam α (proporsi dari seluruh wilayah yang tercakup dalam wilayah
kritis)
4. Penghitungan statistik uji untuk mengevaluasi probabilitas beberapa hasil sampel
tertentu, nilai sampel harus diubah ke dalam nilai standar, sesuai dengan distribusi
yang digunakan. Apabila menggunakan ditribusi z maka nilai sampel diubah dalan
skor z, dan apabila menggunakan distribusi t maka nilai sampel diubah dalam skor t.
Nilai Z biasanya cocok untuk sampel besar, sedangkan nilai t dapat digunakan untuk
baik sampel besar maupun kecil, sehingga pada software statistik seperti Stata, lebih
sering digunakan nilai t saja.
5. Membuat keputusan, keputusan dibuat dengan membandingkan statistik uji (z hitung)
dengan wilayah kritis (z tabel). Ho ditolak bila statistik uji di wilayah kritis dan Ho
diterima bila statistik uji berada di wilayah tidak kritis.
Untuk melihat estimasi rata-rata nilai firr pada populasi, gunakan command: ci means
TotalPendapatan_Rp
Dari hasil STATA di atas, dapat disimpulkan bahwa nilai pendapatan pada populasi
berada pada interval 2171621 sampai 3361713.
Untuk mengetahui apakah terdapat pertambahan listrik sebelum dan sesudah adanya
program bandung Juara pada populasi, buat dahulu variabel baru yang merupakan selisih
dari variabel yang diteliti dengan command: generate perubahan_listrik =
Listriksetelahprogram - Listriksebelumprogram
Dari hasil STATA di atas, dapat disimpulkan bahwa nilai pertambahan jalan pada populasi
berada pada interval -57056.4 sampai -12110.26.
Untuk mengetahui proporsi penduduk perempuan (dari data yang binomial), gunakan
command: ci prop JK
Dari hasil STATA di atas, dapat disimpulkan bahwa nilai proporsi penduduk perempuan
pada populasi berada pada interval 0.2912418 sampai 0.7087582.
Confidence interval tidak sama persis dengan hasil pengujian hipotesa, gunakan tipe
confidence interval Wald dengan command: ci prop JK, wald
Dari hasil STATA di atas, dapat disimpulkan bahwa nilai proporsi penduduk perempuan
pada populasi berada pada interval 0.299962 sampai 0.700038.
● Perhatikan nilai "Pr(|T| > |t|)", jika nilainya > 0.05 maka H0 diterima, jika nilainya
<= 0.05 maka H1 yang diterima.
● Selanjutnya jika H1 yang diterima, perhatikan nilai “Pr(T < t)”, jika nilainya ≤0.05
maka, rata-rata pendapatan < 2893074 (wilayah kritis sisi kiri) atau jika nilai
“Pr(T > t) ≤0,05, maka rata-rata pendapatan > 2893074 (wilayah kritis sisi kanan)
● Pada analisis di atas, nilai "Pr(|T| > |t|)" > 0.05 maka H0 diterima, yakni bahwa di
dalam populasinya, nilai pendapatannya-nya adalah 2893074 (dengan
tingkat keberartian 5%)
● Jika nilai "Pr(|Z| > |z|)" > 0.05 maka H0 diterima, atau jika H1 diterima maka:
● Jika nilai "Pr(Z < z)" ≤ 0.05 maka p < 0.75
● Atau jika nilai "Pr(Z > z)" ≤ 0.05 maka p > 0.75
● Pada analisis di atas, nilai "Pr(|Z| > |z|)" ≤ 0.05 maka H1 diterima sehingga
disimpulkan bahwa proporsi yang diatas UMR pada populasi bukan 0.75,
sehingga perhatikan nilai yang lain:
● Dari analisis didapatkan bahwa "Pr(Z < z)" ≤ 0.05 maka p < 0.75. Artinya bahwa
proporsi penduduk yang mendapat gaji di atas UMR dalam populasi bernilai
kurang dari 0.75 pada tingkat keberartian 5%
● Jika nilai "Pr(|T| > |t|)" > 0.05, maka H0 diterima. Atau, jika H1 diterima maka:
● Jika nilai "Pr(T < t)" ≤ 0.05, maka diff < 0
● Atau, jika nilai "Pr(T > t)" ≤ 0.05 maka diff > 0.
● Pada analisis di atas, nilai "Pr(|T| > |t|)" > 0.05 maka H0 diterima, artinya
didapatkan bahwa pada tingkat keberartian 5% Pengeluaran masyarakat tidak
dipengaruhi oleh Kepemilikan Kartu Kredit.
● Jika nilai "Pr(|T| > |t|)" > 0.05, maka H0 diterima. Atau, jika H1 diterima maka:
● Jika nilai "Pr(T < t)" ≤ 0.05, maka diff < 0
● Atau, jika nilai "Pr(T > t)" ≤ 0.05 maka diff > 0
● Pada analisis di atas, nilai "Pr(|T| > |t|)" < 0.05 maka H1 diterima. Maka dari itu
perlu perhatikan nilai yang lain :
● Dari analisis didapatkan bahwa "Pr(T < t)" ≤ 0.05 maka diff < 0. Artinya bahwa
Terdapat perubahan biaya listrik setelah adanya Program Bandung Juara
pada tingkat keberartian 5%.
● Jika nilai "Pr(|Z| < |z|)" > 0.05 maka H0 diterima, atau jika H1 diterima maka:
● Jika nilai "Pr(Z < z)" ≤ 0.05 maka diff < 0
● Atau jika nilai "Pr(Z > z)" ≤ 0.05 maka diff > 0
● Pada analisis di atas didapatkan bahwa, nilai "Pr(|Z| < |z|)" > 0.05 maka H0 diterima,
artinya tidak ada perbedaan antara proporsi masyarakat yang memiliki akses Wifi
di rumahnya dan masyarakat yang memiliki pendapatan di atas UMR pada tingkat
keberartian 5%
Pustaka
Sawitri, Dewi. Maryati, Sri. 2014. Metode Analisis Perencanaan. Penerbit Universitas
Terbuka: Tangerang.
Healey J F, Statistics, A Tool for Social Research, Ninth Edition, Wadsworth Publishing
Company, 2012.
Kachigan, Sam Kash. 1982. Statistical Analysis. Radius Press: New York.
Trihendradi, C. 2008. Step by Step STATA 16 Analisis Data Statistik. Penerbit ANDI:
Yogyakarta