Penarikan Sampel

dan Pendugaan

:. (Tujuan Pembelajaran ) Siman ea ian

Setelah mempelajari bab ini, Anda diharapkan n ampu

as Menggambarkan proses dan metoda yang d gunakan dala

pengumpulan data

a Menjelaskan proses dan metode yang digunekan PB Ara

pengolahan dal

Bab 3 8 Penarikan Sampel dan Pendugaan 85

Ma ai. Sei ie ena mei Dena ld KAP mpe de PPAT

pa AP

arti Penarikan Sampel atau Sampling

Dalam buku Jilid 1, kita telah memahami bahwa populasi dan sampel adalah dua
aspek penting dalam mempelajari statistika. Untuk menyegarkan kembali ingatan kita,
perhatikan definisi dari populasi dan sampel berikut ini:

1. Populasi adalah kumpulan seluruh elemen/objek yang diteliti.

2. Sampel adalah bagian dari populasi.

Statistika pada dasarnya dapat dikelompokkan menjadi dua, yaitu statistika deskriptif
dan statistika induktif (inferensia). Statistik deskriptif telah kita pelajari pada buku Jilid
1, sedangkan statistik induktif akan lebih banyak dibahas dalam buku Jilid Iini |

Tujuan dari statistika induktif (inferensia) adalah untuk memperoleh informasi

tentang suatu populasi berdasarkan informasi yang diperoleh dari sampel. Apabila
kita mengumpulkan data dari seluruh elemen dalam suatu populasi, maka kita akan

Berikut ini merupakan contoh penggunaan penarikan sampel mengenai informasi

populasi untuk membantu manajer atau para pengambil keputusan. Misalnya, sebuah
pabrik ban mobil membuat ban jenis baru yang diyakini akan memberikan daya tahan yang
is ban yang sudah ada. Untuk mengevaluasi ban baru, manajer
rata rata jumlah kilometer yang mampu ditempuh oleh ban
enis baru tersebut. Pabrik memilih sampel yang terdiri dari 120 ban baru untuk pengujian.
| - 3.650.000 km. Jadi, 3.650.000 km

tahan) bagi populasi ban baru

lebih lama dibandingk:

PA | ga |
memerlukan pel!

jan terseDut IN

mperoleh hasil rata-rat

erkirakan rata-rata usia (Gay:

ing umum adalah penarikan sampel acak sederhana (simple

2: 1 2 PA Aa 1
nisi dari penarikan sampel acak seder

la dan proses pemilihan

tite population) atau tak

asinya Let batas (

terbatas (infinite population).

Contoh dari populasi terbatas adalah seluruh mahasiswa di Jakarta tahun 2013,

seluruh karyawan Bank Indonesia tahun 2013, seluruh kendaraan milik Pertamina,
seluruh petak sawah di Kecamatan Cibadak, Sukabumi, atau seluruh petani Kabupaten
Karawang. Populasi terbatas dapat dihitung mulai dari 1, 2, ..., IN. Sedangkan populasi
tak terbatas biasanya dihubungkan dengan suatu proses. Misalnya, proses produksi dari
waktu ke waktu (hari ke hari, bulan ke bulan, tahun ke tahun) :

roses penjualan, pros

pelemparan mata uang logam, dan sebagainya. : Pp pen) » PTOSES

Suatu populasi dianggap tidak terbatas apabila proses yang terjadi dapat dilakuk
secara terus-menerus sampai proses itu dihentikan. Dalam hal ini ukan

Sebagian dari proses ini lalu dianggap seba N tak terbatas nilainya.

Bai sampel acak (random). Misaln :

b | ya, rod
arang A selama 10 tahun (Xy, X,, 3 Ayo): harga beras selama 12 bulan X, SA
. YP...

: » X2): dan lain sebagainya.

Statistik: Teori dan Aplikasi

ri Populasi Terbatas

dengan ukuran 7! yang diambil dari popul 1

. be :

Penarikan Sampel da

Untuk memperoleh sampel acak sederhana digunakan metode yang Ma metode

penarikan sampel acak sederhana (simple random sampling). Cara ma an sapi
acak dapat dilakukan melalui lotere/undian atau dengan menggunakan ta angka acak.
Sebagai contoh, misalkan terdapat 5 elemen dari suatu populasi (N - 5), yaitu Xp Xp

Xy Xy dan X,. Sampel dengan 7 — 3 (berarti 3 elemen) diambil dari 5 elemen yang ada.

men dari 5 elemen dapat dilakukan dengan:

a) Lima potong kertas yang diberi nomor 1 sampai 5, dilipat dan dimasukkan ke
dalam kotak, lalu dikocok. Kemudian lipatan potongan kertas tadi diambil 3 kali,
dan tidak dikembalikan lagi (without replacement) ke dalam kotak. Kemungkinan
hasil pengambilan adalah: X,, Xp X5 atau Ag Xyz, X,, atau kemungkinan lainnya.

b) Dicari seluruh kemungkinan hasilnya (kombinasinya), yaitu:

Proses mengambil 3 ele

O) Ko Kas (6) Xu Xp X3
0) Ko Aati 7) XX Xi
(3) Xp Xp X5 (8) Xp Xp Ke
4) Xp Xp X5 (9) Xp Xp A5
(5) Xu Xp X4 (10) Xu Xp NM.

Apabila sudah diketahui kombinasinya, dalam hal ini ad il

: . : a 10 kombinasi

diperlukan 10 potong kertas, diberi nomor 1 sampai dengan 10, dilipat. ep hap.
ke dalam kotak, dikocok kemudian diambil satu. Jika mendapat nomor s ar. re
Xu Xy X4, jika nomor 9: X3, Xp Xs, jika nomor 3: X,, X,, X,, dan seterusnya peinya:

Banyaknya kombinasi d i a
Midi yaknya kombinasi dapat diperoleh dengan rumus yang telah diuraikan dal |

BENNe an

NGn Ta Sa Ne aa i
Ci 5! n 5-.4:3.92.1 P:
59 Bai 0.210 1

Cara a) dan b) hanya berlaku ila jumlah populasi

dalam penelitian laboratorium PA ama ba. dalam
lapangan biasanya mempunyai nilai N maupun 7 yang
ribuan), yang mengakibatkan

sedikit, seperti di

Bab 3 mM Penarikan Sampel dan Pendugaan m

prosedur penarikan sampelnya disebut penarikan sampel acak dengan pengembalian.

Dalam praktiknya, penarikan sampel tanpa pengembalian merupakan cara yang paling
sering digunakan.

Cara Menggunakan Tabel Bilangan Acak X

Di dalam Tabel Bilangan Acak (lihat Lampiran VII), terdapat bilangan-bilangan yang
dapat digunakan untuk memilih sampel acak. Angka-angka pada tabel ini dihasilkan dari
satu proses pengacakan (dalam hal ini, oleh komputer). Setiap digit dari angka-angka
tersebut mempunyai probabilitas yang sama, baik angka 0, 1, 2, . . . 9.

Misalkan 1000 orang karyawan dari suatu perusahaan akan diselidiki untuk
mengetahui berapa persen yang puas dengan gaji yang diterima. Untuk itu, 100 karyawan
dipilih secara acak. Perhatikan potongan Tabel Angka Acak pada Tabel 3.1. Untuk mulai
memilih karyawan secara acak, pilihlah salah satu angka sebagai titik awal. Misalkan
pada saat itu jarum jam menunjukkan pukul 04.15. Kita bisa saja mengambil ini sebagai
inisiatif untuk memulai pemilihan. Lihat kolom ke 4, dan telusurilah sampai bertemu
dengan angka yang ada pada baris ke 15. Angka yang tertera adalah 78351. Karena hanya
ada 1000 karyawan, ambillah tiga digit pertama, yaitu 783 sebagai nomor karyawan yang
pertama terpilih. Kita juga bisa melanjutkan penelusuran ke mana saja. Misalkan kita
bergerak ke bawah, maka karyawan kedua yang terpilih adalah yang bernomor 280 (tiga
digit pertama dari 28042). Demikian seterusnya. Angka yang dipilih tidak boleh melebihi
jumlah populasi, dan apabila terpilih angka yang sama, kita boleh melewatkannya saja.

TABEL 3-1 Bagian dari Tabel Angka Acak (Random)

27104 54374 83559 “75559. 90159 12338 36248 65036 47393 26242
85694 38272 69261 97432 94143 55827 37871 82946 18894 19132
77853 22702 28785 51876: 02936 B2362 73695 41692 19725 15049
86600 07664 89694 " 99067: 51985 30784 95287 18448 91182 29128
26383 75981 54705 99061 93115 50695 57523 11214 64728 88875

45827 58215 58603 “43/98 31221 78476 78063 44014 67083 14321
23011 53152 15022 23592. 89899 — 37661 17709 99827 73371 18303
28398 55932 20104 .73139.. 96574 23366 21128 21770 43886 23508
99848 26278 14123 “744720 97826 09121 00773 06158 65603 65568
62758 51058 48298 6057. 72308 62016 05105 78524 39564 10347

98136 36786 33878 18548, 72354 54715 19117 18929 54414 14321
18677 97088 89968 78156 26378 51126 83467 98723 B5121 18308
40571 59619 34125 04 44. 45123 89107 15229 49271 12864 23808
62454 42436 94025 M4? 5. . 52746 09096 53333 50151 8104 65568

“Statistik Teori dan Aplikasi

drat)

ulasi (sigma kua

Na niasi sandar populasi (iBm2)

si 5 kura sampel

N — ukuran populasi au

tung pada apakah populasinya terbatas atau

Varians dan deviasi standar dari Xx tergan

tidak terbatas.

Pembuktian rumus tersebut dibahas pada lampiran bab ini. Dalam hal populasi terbatas,
jika pengambilan sampel dilakukan dengan pengembalian (sampling with replacement),
maka populasinya dianggap tak terbatas. Pengambilan sampel dengan pengembalian
berarti, unit yang sudah terpilih dapat terpilih kembali. Jadi untuk populasi terbatas

bila pengambilan sampel dilakukan dengan pengembalian, maka:

a27 daa GO-—- —

H 2x VA

Gio.
Berikut adalah contoh pengambilan sampel acak sederhana

without replacement). Misalnya ada 5 orang karyawan s

mengenai upah mingguan yang mereka terima, X - upah

M.A PA ab ani

Suatu sampel acak dengan « — 3 diambil dari

sampel tanpa Pengembalian. Hi

tanpa pengembalian (sampling

uatu perusahaan yang ditanya
mingguan dalam ribuan rupiah.

Populasi tersebut :
tunglah jp, ix, 0? dan Oz. At dengan Pengambilan

Penyelesaian:

Pengambilan 3 sampel dari 5 i

kombinasi, yang dipuroli ak Eun tanpa pengembalian akan menghasilkan 10

Sampel

Jadi, dari hasil di atas jelas bahwa X mempunyai nilai berbeda-beda yaitu Xii Aap Map

AA

10"

91

Bab 3 m Penarikan Sampel dan Pendugaan

Pi Ae NG

(5) (3, (9, — X,- 165133 4)74

2: Xp Xp X,

(5). (3), (6) — X,- 15 1 3 3 6) 7 467

3: Xu Xp — K3-1G6G3327)-5
4: Kn Ap NX, —P XKerdGr4107-5
5: Xu Xp Ng — Ko-1(51447)- 533
651 Xu ApNg — XerdGr6170-6
7: XpXpX, — NX, 108144 6)- 433
B5 Kp Ku Ne —5 Mp 38147 7) » 4,67
9: XupXpXo — Xo-16381617)- 533
10: Xp Ap XX —" Xig -1(41617)- 567

Nilai dari parameter populasi u dan 0? dapat diperoleh dengan perhitungan berikut:

8)
aj
“MX G131446170-0-5
N

DO

(5-5)? 1(3—-5? 1 (4-5)? 1 (6-5) 17 — 5) 7

10
—
5

- Vo? - v2 - 1,4142

Karena X juga merupakan variabel, maka seluruh nilai x juga merupakan populasi
tersendiri dengan elemen sebanyak L - ,C,, di mana ,,C,, menyatakan seluruh
kemungkinan sampel dengan « elemen yang diambil dari populasi dengan N elemen.

Pada umumnya:

Dengan demikian, X juga mempunyai parameter seperti Wiz — rata-rata X dan 05

Km Kp Apas os Ki

varians dari X.

NCn L
SEA.
Ur 5 — ii“ LA
ni NCn isl Li.
BB
Boke
-52 MH. A15.15 17) 150
BA. aa aA 5-0
.2
2 OX BR)
Pa

. PN BPA BA BaREnd Ea ) 1
sela 4 (0,33)? 4 (DD? 1 (0,67)? $ (0,33)

- Al uapae 033 OY # (02

10

2
$ (0,33)? 4 (0,67)
(1 10100 :01010,1097 1 t 0,449 1 0,1

- 033

09 1 0,109 #7 0,109 « 0,

Namun dengan menggunakan Rumus (3.2), kita secara langsung dapat menghitung og
yaitu:
N—no
ai “Nm
-— 5-3.2 2. 2 1.033
5-13 4 3
Catatan:

Untuk pengambilan sampel dari populasi terbatas, kemungkinan jumlah sampel

tergantung pada cara pengambilan sampelnya, apakah dengan pengembalian atau tanpa

pengembalian. Banyaknya sampel dengan n elemen yang diambil dari suatu populasi
dengan N elemen, adalah sebagai berikut. i

a) Dengan pengembalian:
LN
Kalau N — 5, 1 - 3 — banyaknya sampel — L — 53 — 125
Kalu N-4n-2— banyaknya sampel - L — 42 16
b) Tanpa pengembalian:

- NM
LNG MAN ny

Kalu N - 5, n-3—,c, E 5!

"

“1-2.1
” 10 (lihat Contoh di atas)

Kaliu Nego 6 na 4!

Gb,
Diketahui populasi dengan ukuran Ny - 4. $

dari populasi tersebut dengan cara pengambila berukuran "2 diam

with replacement). Gaia pel pen il secara
Dalil Batas Memusat dan Statistik In

I secara langsi
i seluruh rata-rata sampe i di
H asil Ea DE ai praktis. Sebagai penggantinya,
praktiknya jarang dilakukan, karen

rumus sebagai berikut:

2. 7

oz an
20
- 1,25 N
Apabila pengambilan sampel dilakukan tanpa pengembalian, hasilnya harus dikali)
N—n

dengan 377 sebagai suatu koreksi, seperti telah ditunjukkan dalam contoh sebelumn

or yo z & merupakan “kesalahan baku" (standard error) dari X. Besar/kecil

kesalahan baku digunakan untuk mengukur tingkat ketelitian dari X sebagai
parameter ju. Makin kecil nilai kesalahan baku suatu penduga, makin baik
tersebut (artinya semakin teliti).

Setiap perkiraan sebagai hasil suatu penelitian seharu i i

bakunya (- deviasi standar suatu penduga), i Sad aa engan

nilai penduga tersebut terhadap nilai harapannya.

duktif

Telah disebutkan bahwa rata-

pel dan Pendugaan 95

Bab 3 ID Penarikan Sam

.. KEP. NO, 1), — artinya Z berdistribusi normal dengan

AB rata-rata O dan varians Az

u dengan rata-rata 0 dan

Distribusi Z disebut normal baku (standard normal), yait

varians 1.

BESI 7 Magi :
£r Dalil Batas Memuat (Cen
di Dalam pemilihan $ | cl

—— yang berasal dari distribusi ipapun Po $son A

NM dribusl cata Ga didek n distribusi
’ 4. Ai xU i Api

untuk ukuran sampel yang besar... . EA

AD Fa SB A lia “

ai bad MP 2)

Jika O (theta) adalah parameter dari distribusi populasi dan 9 (theta topi) adalah

penduga dari 9, maka untuk # menuju tak terhingga, atau untuk sampel yang besar (1
» 120), 0 sebetulnya hanya mendekati normal saja. Akan tetapi dalam praktiknya, kita
dapat menggunakan Tabel Distribusi Normal untuk menghitung probabilitas bahkan
untuk # » 30. Untuk 1 £ 30, sampelnya disebut sampel kecil, sehingga harus digunakan
Tabel Distribusi £ sebagai pengganti Tabel Distribusi Normal.

Sebagai ilustrasi, perhatikan kembali Contoh 3.2 sebelumnya. Dengan N - 4, dan

n-2dimanan,— 1, X5 - 2, 837 4, dan x, — 5, kita telah mendapatkan 16 kombinasi
sampel seperti yang ada pada halaman 93. Berdasarkan data tersebut, kita dapat membuat
Tabel Frekuensi Relatif dari X dan X seperti berikut ini.

TABEL

| SSS BAGI Bae Ga js LN AS IG KA

Apabila frekuensi relatif tersebut di 4
: gambarkan dalam bentuk grafik, ki
mendapatkan bentuk seperti dalam Peraga 3.2. ie

. Dari Peraga 3.2 dapat dilihat bahwa kurva px) sama sekali tidak normal, tetapi
- nia. PX) mendekati kurva normal. Hal ini menunjukkan bahwa X mendekati normal
pun X tidak mengikuti distribusi normal, sesuai dengan Dalil Batas Memusat.

B : AP

TEMAN) Eerint — atag mara apabila X - I 2X, yaitu rata-rata sampel yang
n rata- A :

sedangkan Z meru Ban rata-rata yu dan deviasi standar atau simpangan baku 9,

5 pakan variabel normal bak .

bilangan konstan Z . mal baku (standard normal variable), maka untuk
stan Z, dan Z,, di mana Z, « Zy berlaku hubungan berikut.
amen

Bab 3 m Penarikan Sampel dan Pendugaan 93

XX. In dge 2 Nge 4 Am 3

Hitunglah lb RX 0" dan aa (Ingat pengambilan sampel dengan pengembalian dari

populasi terbatas dianggap sebagai pengambilan sampel dari populasi tak terbatas).

Penyelesaian: ’
Banyaknya sampel dari pengambilan dengan pengembalian, L — N’"-4-16

Sampel 1: XpXi — Xi alir) s1

2: Xud3 — X3 5112) - A5
3: XuXa — X3 -IA14A) “25
4: XuX, — X4, -3A145) -3
5: XpX, — XX, “3 tr1) “15
6: XpX3 — Re -5212) -2
7 XuX3 — X, -d0214) -3
8: XpX, — Xo 30245) -35
9: XnXi — XX, -I4HI1) -25
10 Kp d3 Xo “1412 — 3
11: XuXs — Xn 3434) -4
122: XuXi — Ku -alar5) -45
13 : XpX, — R3 Gt1) -3
14: XpX3 — Xu -356512) -35
15 : XpX3 — Xi 16544 -45
16 : XpXy — Xu 36535) -5

Populasi: NN -4,X, - 1, X3 7 2, X3 7 4, X4 7 5

14
u -1Xx,
-IIX,
- 501121445)
z3
2 -1IK-u
“10-30 -344-3 465 -3)5
KE

Rata-rata dari seluruh rata-rata sampel adalah sebagai berikut:

EX) sus
j dekati saja, khususnya jika 1 — «
ni : tetap! hanya men

(sebetulnya tidak persis Sama,

mendekati tak terhingga)-

Giaa,

Suatu perusahaan penerbangan ingin menghitung probabilitas bahwa rata-rata Der

badan para penumpang dalam salah satu "jet" akan melebihi 155 pon, apabila semu:
tempat duduk sebanyak 81 buah penuh (merupakan sampel, jadi n — 81). da

— Suatu pendapat mengatakan bahwa kalau seluruh penumpang “jet” diselidiki

per-satu (sensus), maka akan diperoleh rata-rata sebenarnya sebesar yu — 150 pon d
simpangan baku 0 - 21 pon. Berdasarkan keterangan ini, hitunglah berapa bes
nilai probabilitas bahwa rata-rata berat badan para penumpang “jet" lebih dari 155 po

Penyelesaian:
Untuk X - 155 pon, Z - AH
o/Vn

- 155 — 150
(21/V81)

- 214
Jadi P(X » 155) - Pfz 5 2,14)

- 0:5000 - 0,4838
- 0,0162

Jika, besarnya probabilitas bahwa r.

adalah sebesar 0,0162 — 1,696. —erata berat badan Penumpang lebihi
melebihi 155 pi

Statistik Induktif (Inference) ialah

sampel, sehi impulan tersebut mens. asi), yang didac nilai s

Jactor). Artinya, kesimpulan tersebut bisa 1G

karena data yang dig 1 dala Pe

Bab 3 mM Ponarikan Sampel dan Pendugaan 97

Statistik induktif meliputi dua hal, yaitu teori pendugaan dan pengujian hipotesis
statistik. Ada dua macam pendugaan yaitu pendugaan tunggal (point estimate) dan
pendugaan interval (interval estimate). Pendugaan interval dan pengujian hipotesis,
akan kita bahas setelah pembahasan Pendugaan Tunggal berikut ini.
be ai aa aa Ten aa aa
Taksiran (Pendugaan) Tunggal

Suatu penduga tunggal (point estimator) ialah pendugaan yang terdiri dari satu nilai
saja, misalnya, rata-rata konsumsi susu per bulan tiap keluarga sebanyak 35 kaleng
(X — 35 sebagai penduga dari ju), ataupun persentase nasabah yang tidak puas sebesar
25986 (Pp — 0,25) sebagai penduga 2 X dan p disebut penduga atau estimator dari ju dan
Pp yang merupakan parameter. Di bawah ini, akan diberikan beberapa penduga dan
parameter, yaitu

Penduga : X p $ r b

Parameter : Hu p lo) Pp B

di mana p (dibaca rho) adalah koefisien korelasi sebenarnya, dan 8 adalah koefisien
regresi sebenarnya. Satu parameter dapat mempunyai beberapa penduga. Berikut ini
akan dibicarakan sifat-sifat yang dimiliki suatu penduga.

Penduga tunggal (point estimator) merupakan fungsi dari nilai observasi yang
berasal dari sampel dengan «1 elemen. Apabila penduga diberi simbol i (— theta cap
atau theta topi) dan Xy, X,, ..., X,, merupakan suatu sampel acak, maka Of Xp Ap

n
, A,). Misalnya,

apabila
@ XX IX
3 2, SA “ X)
dan apabila
9 : : 3 DUA AN
pa (X Kd | 93
ka nilai 9 akan berbeda-beda dari sampel yang satu dengan sampel lainnya. Seperti

kita ketahui, dari suatu populasi dengan N elemen akan diperoleh sebanyak K sampel

(lihat uraian se

ImMnyaj.

9 merupakan variabel yang mempunyai distribusi sendiri. Mudah dimengerti bahwa

penduga yang baik harus terkonsentrasikan sedekat mungkin terhadap nilai parameter
9 yang akan diestimasi. Misalnya ada 3 penduga dari 6, katakanlah 8, 6, dan 8, yang
berlainan satu sama lainnya, dengan distribusi seperti terlihat pada Peraga 3.3.

Dari Peraga 3.3 dapat dilihat bahwa di antara 3 penduga, 8, adalah yang terbaik
sebab nilai estimasinya mendekati 9. Telah disebutkan di atas bahwa setiap penduga
merupakan variabel. Nilai salah satu variabel tersebut merupakan nilai taksiran/estimasi.
Jadi, penaksir 6 menghasilkan taksiran/penduga sebanyak K, yaitu 8, : 0. Ba and Bi

peraGa 3-3 Distribusi Pendug? .

Sifat-sifat Penduga
(a) 8 merupakan penduga If
penduga dikatakan tak bias
sama dengan ni
penduga yang bias dan tak bias.

timator) dari 9 jika E(O) - 0.

dari seluruh kemungkinan sampi
duga. Peraga 3.4 memper

k bias (unbiased
jika rata-rata

lai parameter dari populasi yang di

pan

Distribusi penarikan
sampel dari 9

jang

EF) — 8

Distribusi penarikan
sampel dari 9

PERAGA 3-4 Penduga Bias dan Tak Bias

(b) 8 merupakan penduga konsisten

cenderung mendekati nilai param

Dari contoh ini jelas, apabila ny -

penduga konsisten dari 02 - 1 y
N2

(c) 9merupakan penduga Jang efisien (efic

(d) 0 merupakan penduga yang cukup

seluruh informasi tentang 8 yang

(consistent estimator) bagi 9 apabila nila

besar mendekati tak terhingga (H KI Ane 1 (bosan

memberikan penduga titik yang lebih baik di

5an 6, (Perhatikan Peraga 3. ne :

Bab 3 5 Penarikan Sampel dan Pendugaan 99.

Distribusi penarikan
sampel dari DB, NS,

Distribusi penarikan
sampel dari 8,

@
9
Parameter

Varians penduga 8, lebih kecil daripada 8,

PERAGA 3-5 Distribusi Penarikan Sampel dari Dua Penduga

Sedangkan untuk mencari penduga, ada beberapa metode yang dapat digunakan
seperti metode “momen” dan metode “maximum likelihood” Salah satu contoh metode
maximum likelihood telah diberikan pada Lampiran Bab 2.

Taksiran/Pendugaan Interval
Dalam praktiknya, pendugaan tunggal yang terdiri dari satu angka tidak memberikan
gambaran mengenai berapa jarak/selisih nilai penduga tersebut terhadap nilai sebenarnya.
Kecuali jika diberikan besarnya kesalahan yang mungkin terjadi. Misalnya, apabila
sampel suatu perusahaan diselidiki dan memberikan nilai penduga modal (— X) sebesar
Rp100 juta, berapa nilai rata-rata modal sebenarnya (- yu)? Kita tahu bahwa DX — ul) —
£ (€£ — kesalahan). Itulah sebabnya sering digunakan pendugaan interval (selang), yaitu
suatu pendugaan berupa interval yang dibatasi oleh dua nilai, yang disebut nilai batas
bawah dan nilai batas atas. Misalnya, dengan tingkat keyakinan 9596 rata-rata modal
akan terletak dalam interval antara Rp95 juta — Rp105 juta. Kita mengharapkan bahwa
nilai rata-rata modal sebenarnya akan terletak di dalam interval tersebut. Interval yang
demikian itu disebut interval keyakinan atau selang keyakinan (confidence interval).

Pendugaan Interval untuk Rata-rata yu

Misalnya 9 ( theta) adalah parameter yang akan diestimasi berdasarkan hasil penelitian
sampel. Untuk membuat pendugaan interval, harus ditentukan terlebih dahulu besarnya
koefisien keyakinan atau tingkat keyakinan, yang diberi simbol 1 — c. Besarnya nilai 1 —

a misalnya 0,90 (« — 1096), 0,95 (G4 — 596), 0,99 (4 — 196) atau angka lainnya. Perhatikan
suatu kurva normal sebagai berikut (luas kurva - 1 atau 10096).

a/2 I-a a/2