MAKALAH

ESTIMATION
Ditujukan untuk memenuhi salah satu tugas mata kuliah
STATISTIK yang dibimbing oleh Aswi, S.Si., M.Si., Ph.D

OLEH:

WAHYUNI AKHMAD, S.PD

PRODI BIOTEKNOLOGI
PROGRAM PASCASARJANA
UNIVERSITAS NEGERI MAKASSAR
2022
 KATA PENGANTAR

Puji dan syukur kita panjatkan kehadirat Allah S.W.T. yang telah
memberikan kesehatan sehingga penulis dapat menyelesaikan Makalah dengan
Judul “Estimation”. Penulisan makalah ini bertujuan untuk memenuhi tugas mata
kuliah Statistik.

Penulisan makalah ini diharapkan dapat menjadi salah satu bahan

pembelajaran pada mata kuliah Statistik bagi mahasiswa ataupun dosen yang
membaca makalah ini. Penulis menyadari bahwa makalah ini masih jauh dari kata
sempurna sehingga kritik dan saran yang membangun dari pembaca sangat
diharapkan untuk perbaikan makalah yang akan dibuat selanjutnya.

Sekian makalah ini ditulis semoga dapat bermanfaat bagi para pembaca.

Makassar, 31 Oktober 2022

Penulis
 DAFTAR ISI

KATA PENGANTAR

DAFTAR ISI

BAB I PENDAHULUAN

A. Latar Bekang
B. Rumusan Masalah
C. Tujuan

BAB II PEMBAHASAN

A. Hubungan Antara Populasi dan Sampel

B. Tabel Angka Acak
C. Uji Klinis Acak
D. Estimasi Rata Rata
E. Studi Kasus: Pengaruh Penggunaan Tembakau pada Mineral Tulang
Kepadatan (BMD) pada Wanita Paruh Baya
F. Estimasi Varians Distribusi
G. Estimasi Distribusi Binomial
H. Estimasi Distribusi Poisson
I. Cl Satu Sisi
J. Rangkuman

DAFTAR PUSTAKA
 BAB I
PENDAHULUAN

A. Latar Belakang

Adanya berbagai alasan seperti banyaknya individu dalam populasi

amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah
ekonomis, baik tenaga, waktu, maupun biaya, maka penelitian hanya
menggunakan sampel saja. Harga – harga parameter hanya di estimasikan /
diduga berdasarkan harga harga statistik sampelnya. Pendugaan dalam
kehidupan sehari – hari tidak dapat dihindari. Permasalahannya adalah
bagaimana pendugaan tersebut mendekati kebenaran. Oleh karena itu,
statistika induktif mengembangkan teori pendugaan (estimasi/ penaksiran).
Maka Teori pendugaan (estimasi / penaksiran) adalah suatu proses dengan
menggunakan statistik sampel untuk menduga parameter populasi. • Dalam
membuat estimasi harga parameter populasi, seyogyanya variabel random
harga statistik sampel tidak bervariasi terlalu jauh dari harga, parameter
populasi yang konstan. Misalnya, jika / merupakan mean populasi dan X
merupakan penduga bagi maka dalam menggunakan X sebagai penduga kita
harus berharap variabel random X tidak akan menyimpang terlalu jauh dari
mean.
B. Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan di atas, maka penulis
merumuskan beberapa maslah yang akan dibahas, yaitu:
1. Apa yang dimaksud dengan Estimasi?
2. Apa saja jenis-jenis Estimasi Interval?

C. Tujuan
Berdasarkan rumusan masalah yang telah diuraikan, maka tujuan dari
makalah ini yaitu untuk mempelajari tentang Estimasi.
 BAB II
PEMBAHASAN

A. Estimasi
Dalam prakteknya, pendugaan tunggal yang terdiri atas satu angka tidak
memberikan gambaran mengenai berapa jarak/ selisih nilai penduga tersebut
terhadap nilai sebenarnya. Hal ini didasarkan atas pertimbangan bahwa suatu
nilai dugaan tidak mungkin dapat dipercaya 100%. Pendugaan interval
menunjukkan pada interval berapa suatu parameter populasi akan berada yang
dibatasi oleh dua nilai, yang disebut nilai batas bawah dan nilai batas atas.
B. Hubungan Antara Populasi dan Sample
sampel acak adalah pemilihan beberapa anggota populasi sedemikian rupa
sehingga setiap anggota dipilih secara independen dan memiliki probabilitas
tidak nol yang diketahui untuk dipilih. Sampel acak sederhana adalah sampel
acak yang setiap anggota kelompoknya memiliki peluang terpilih yang sama
C. Tabel Angka Acak
Angka acak (atau angka acak) adalah variabel acak X yang mengambil nilai
0, 1, 2, . . . , 9 dengan probabilitas yang sama. Bilangan acak yang dihasilkan
komputer adalah kumpulan angka yang memenuhi
berikut dua sifat:
(1) Setiap angka 0, 1, 2, . . . , 9 sama-sama mungkin terjadi.
(2) Nilai digit tertentu tidak tergantung pada nilai digit lainnya
terpilih.
D. Uji Klinik Acak
Sebuah uji klinis acak adalah jenis desain penelitian yang digunakan untuk
membandingkan pengobatan yang berbeda, di mana pasien ditugaskan untuk
pengobatan tertentu dengan beberapa mekanisme acak. Proses pemberian
perawatan kepada pasien disebut randomisasi. Pengacakan berarti jenis pasien
yang ditugaskan untuk modalitas pengobatan yang berbeda akan serupa jika
ukuran sampelnya besar. Namun, jika ukuran sampel kecil, maka
karakteristik pasien dari kelompok perlakuan mungkin tidak sebanding. Oleh
 karena itu, biasanya menyajikan tabel karakteristik kelompok perlakuan yang
berbeda dalam RCT untuk memeriksa apakah proses pengacakan bekerja
dengan baik.
E. Estimasi Distribusi Rata Rata
Distribusi sampling X adalah distribusi nilai x atas semua kemungkinan
sampel berukuran n yang dapat dipilih dari populasi referensi.
Penduga alami yang digunakan untuk menaksir rata-rata populasi adalah
sampel Rata Rata
n
X =∑ X i / n
i=1

Apa sifat X yang menjadikannya penaksir yang diinginkan dari ? Kita harus
melupakan sampel khusus kita untuk saat ini dan mempertimbangkan
himpunan semua kemungkinan sampel berukuran n yang dapat dipilih dari
populasi. Nilai X pada masing-masing sampel ini secara umum akan berbeda.
Nilai-nilai ini akan dilambangkan dengan x1, x2, dan seterusnya. Dengan kata
lain, kita melupakan sampel kita sebagai entitas yang unik dan
menganggapnya sebagai perwakilan dari semua kemungkinan sampel
berukuran n yang dapat diambil dari populasi. Dengan kata lain, x adalah
realisasi tunggal dari variabel acak X atas semua kemungkinan sampel
berukuran n yang dapat dipilih dari populasi. Di sisa teks ini, simbol X
menunjukkan variabel acak, dan x menunjukkan realisasi spesifik dari
variabel acak X dalam sampel

F. Studi Kasus: Pengaruh Penggunaan Tembakau pada Mineral Tulang

Kepadatan (BMD) pada Wanita paruh baya
Ada 41 pasangan kembar dalam penelitian ini. Kami ingin menilai apakah
ada hubungan antara BMD dan merokok. Salah satu cara untuk mendekati
masalah ini adalah dengan menghitung perbedaan BMD antara kembar
perokok berat dan kembar perokok ringan untuk setiap pasangan kembar
dan kemudian menghitung rata-rata perbedaan ini atas 41 pasangan
kembar. Pada penelitian ini terdapat perbedaan rerata BMD sebesar 0.036
 ± 0.014 g/cm2 (mean ± se) untuk 41 pasangan kembar. Kita dapat
menggunakan metodologi CI untuk menjawab pertanyaan ini. Secara
khusus, 95% CI untuk perbedaan rata-rata sebenarnya (µd) dalam BMD
antara kembar yang lebih berat dan lebih ringan merokok adalah
s
−0,036 ± t 40,975 ( )
√ 41
s
Namun, karena se=( ), cara lain untuk menyatakan rumus ini adalah
√ 41
−0,036 ± t 40,975 ( se )=−0,036 ±2,021 ( 0,014 )
¿−0,036 ± 0,028=(−0,064 ,−0,008)
Karena batas atas 95% CI kurang dari 0, kita cukup yakin bahwa
perbedaan rata-rata sebenarnya kurang dari 0. Dengan kata lain, kita dapat
cukup yakin bahwa BMD rata-rata sebenarnya untuk kembar perokok
berat lebih rendah daripada untuk kembar yang merokok lebih ringan.
Dalam istilah statistik, kami mengatakan ada hubungan yang signifikan
antara BMD dan merokok.

G. Estimasi Distribusi Varians

Sampel varians didefinisikan sebagai :
n
1
S2= ∑ ( x −x )2
n−1 i=1 1

Definisi ini agak berlawanan dengan intuisi karena penyebutnya

diharapkan n daripada n=1. Pembenaran yang lebih formal untuk definisi
ini sekarang diberikan. Jika sampel kami x1, . . . , xn dianggap berasal dari
beberapa populasi dengan mean dan varians 2,

H. Estimasi Distribusi Binomial

Pertimbangkan masalah memperkirakan prevalensi melanoma maligna
pada wanita berusia 45 hingga 54 tahun di Amerika Serikat. Misalkan
sampel acak dari 5000 wanita dipilih dari kelompok usia ini, 28 di
antaranya ditemukan memiliki penyakit tersebut. Biarkan variabel acak Xi
 mewakili status penyakit untuk wanita ke-i, di mana Xi = 1 jika wanita ke-i
menderita penyakit dan 0 jika tidak; saya = 1,...,5000. Misalkan prevalensi
penyakit pada kelompok umur ini = p. Bagaimana p dapat diperkirakan ?

Solusi Perkiraan terbaik kami tentang tingkat prevalensi melanoma

maligna di antara wanita berusia 45 hingga 54 tahun adalah 28/5000 =
0,0056. Estimasi kesalahan standarnya adalah sebagai berikut :
√.0056 ( .9944 ) =.075
5000

Syntax R Studio :
> dbinom(28, 5000, 0.0056, log = FALSE)
[1] 0.07538032

I. Estimasi Distribusi Poisson

Contoh Soal :
Sebuah studi di Woburn, Massachusetts, pada 1970-an melihat
kemungkinan risiko kanker berlebih pada anak-anak, dengan fokus khusus
pada leukemia. Kajian ini kemudian digambarkan dalam buku dan film
berjudul A Civil Action. Masalah lingkungan yang penting dalam
penyelidikan menyangkut kemungkinan kontaminasi pasokan air kota.
Secara khusus, 12 anak (<19 tahun) didiagnosis menderita leukemia di
Woburn selama periode 1 Januari 1970 hingga 31 Desember 1979.
Masalah statistik utama adalah apakah ini mewakili jumlah kasus leukemia
yang berlebihan, dengan asumsi bahwa Woburn memiliki 12.000
penduduk anak yang konstan (usia 19) selama periode ini dan bahwa
tingkat kejadian leukemia pada anak-anak secara nasional adalah 5 kasus
per 100.000 orang-tahun. Bisakah kita memperkirakan tingkat kejadian
leukemia masa kanak-kanak di Woburn selama tahun 1970-an dan
memberikan CI tentang perkiraan ini ?
Berapa banyak orang-tahun terakumulasi dalam studi Woburn di ?
 Perkirakan tingkat kejadian leukemia anak di Woburn selama tahun 1970-
an berdasarkan data yang diberikan ?

Penyelesaian :
di sini ada 12 kejadian di atas 120.000 orang-tahun, jadi perkiraan tingkat
kejadian =12/120.000 = 1/10.000 = 0,0001 kejadian per orang-tahun.
Karena angka kejadian kanker per orang-tahun biasanya sangat rendah,
biasanya angka tersebut dinyatakan per 100.000 (atau 105) orang-tahun—
yaitu, untuk mengubah satuan waktu menjadi 105 orang-tahun. Jadi jika
satuan waktu = 105 orang-tahun, maka T = 1,2 dan = 0,0001 (105) =10
kejadian per 100.000 orang-tahun.

J. CL Satu Sisi
Contoh Soal :
Ada pengobatan standar untuk jenis kanker tertentu, dan pasien yang
menerima pengobatan memiliki tingkat kelangsungan hidup 5 tahun
sebesar 30%. Sebuah pengobatan baru diusulkan yang memiliki tingkat
kelangsungan hidup yang tidak diketahui p. Kami hanya akan tertarik
menggunakan pengobatan baru jika lebih baik dari pengobatan standar.
Misalkan 40 dari 100 pasien yang menerima pengobatan baru bertahan
selama 5 tahun. Bisakah kita mengatakan pengobatan baru lebih baik dari
pengobatan standar ?
 Salah satu cara untuk menganalisis data ini adalah dengan membangun CI
satu sisi, di mana kita hanya tertarik pada satu batas interval, dalam hal ini
batas bawah. Jika 30% di bawah batas bawah, maka kemungkinan angka
kelangsungan hidup 5 tahun bagi pasien yang mendapatkan pengobatan
baru adalah perkiraan yang tidak mungkin. Kami cukup dapat
menyimpulkan dari ini bahwa pengobatan baru lebih baik daripada
pengobatan standar dalam kasus ini

Penyelesaian :
Kami memiliki ^p= 0,6. Jadi 95% CI diberikan oleh

[
pr p <.6+1.645
√ ].6 ( .4 )
100
=.95

pr [ p<.6 +1.645 ( .049 ) ] =.95

pr ( p<.681 ) =.95

Karena 70% tidak berada dalam interval ini [yaitu (0, .681)], kita dapat
menyimpulkan bahwa pengobatan baru memiliki tingkat kematian yang
lebih rendah daripada pengobatan lama.

Metode serupa dapat digunakan untuk mendapatkan CI satu sisi untuk

mean dan varians dari distribusi normal, untuk parameter binomial p
menggunakan metode eksak, dan untuk ekspektasi Poisson menggunakan
metode eksak.

K. Rangkuman
Materi ini memperkenalkan konsep distribusi sampling. Konsep ini sangat
penting untuk memahami prinsip-prinsip inferensi statistik. Ide dasarnya
adalah untuk melupakan sampel kita sebagai entitas yang unik dan sebagai
gantinya menganggapnya sebagai sampel acak dari semua kemungkinan
sampel berukuran n yang dapat diambil dari populasi yang diteliti. Dengan
menggunakan konsep ini, X ditunjukkan sebagai penaksir tak bias dari
rata-rata populasi ; yaitu, rata-rata semua rata-rata sampel atas semua
 kemungkinan sampel acak berukuran n yang dapat diambil akan sama
dengan rata-rata populasi. Selanjutnya, jika populasi kita mengikuti
distribusi normal, maka X memiliki varians minimum di antara semua
penduga tak bias yang mungkin dan dengan demikian disebut penduga tak
bias varian minimum dari, jika populasi kita mengikuti distribusi normal,
maka X juga mengikuti distribusi normal. Namun, bahkan jika populasi
kita tidak normal, rata-rata sampel masih mengikuti distribusi normal
untuk ukuran sampel yang cukup besar. Ini sangat penting, yang
membenarkan banyak pengujian hipotesis yang kita pelajari di sisa buku
ini, disebut teorema limit-pusat. Ide tentang estimasi interval (atau CI)
kemudian diperkenalkan. Secara khusus, 95% CI didefinisikan sebagai
interval yang akan berisi parameter sebenarnya untuk 95% dari semua
sampel acak yang dapat diperoleh dari populasi referensi. Prinsip-prinsip
estimasi titik dan interval sebelumnya diterapkan pada hal-hal berikut:
(1) Menaksir mean dari distribusi normal
(2) Memperkirakan varians 2 dari distribusi normal
(3) Mengestimasi parameter p dari distribusi binomial
(4) Menaksir parameter dari distribusi Poisson
(5) Memperkirakan nilai harapan dari distribusi Poisson
Distribusi t dan chi-kuadrat diperkenalkan untuk mendapatkan perkiraan
interval untuk (1) dan (2),

L. Penggunaan Software r

> Tabel Bilangan Acak

> Pengambilan Sampel Tanpa Pengembalian dan Tanpa Meperhatikan Urutan
> x=c(70,75,80,80,90)
>x
[1] 70 75 80 80 90
> sampel=combn(x,3)
> sampel
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 70 70 70 70 70 70 75 75 75 80
[2,] 75 75 75 80 80 80 80 80 80 80
[3,] 80 80 90 80 90 90 80 90 90 90

> #Untuk memunculkan bilangan desimal

> Rata=colMeans(sampel)
> Rata
[1] 75.00000 75.00000 78.33333 76.66667 80.00000 80.00000 78.33333
81.66667
[9] 81.66667 83.33333

> ## Distribusi Binomial

> dbinom(28, 5000, 0.0056)
[1] 0.07538032
 BAB IV
DAFTAR PUSTAKA

Rosner, Bernard. (2011). Fundamental of Statistisc (7th ed). Canada. Chengage

Learning.