I. Tujuan
1. Praktikan dapat menentukan jenis kasus dari penaksiran selang untuk rataan dan variansi.
2. Praktikan mengetahui cara menggunakan Matlab dan Ms. Excel untuk melakukan
penaksiran selang untuk rataan dan variansi.
3. Praktikan dapat menerapkan penaksiran selang untuk rataan dan variansi kedalam contoh
kasus dalam bidang Oseanografi.
Statistika adalah sekumpulan metode dan konsep yang dipergunakan untuk mengumpulkan,
menyajikan, menganalisis, dan mewakili data kuantitatif dari kejadian/fakta tertentu. Fungsi
statistika salah satunya sebagai penyajian data yang berupa angka dan analisis dari data tersebut.
(Budiwanto, 2017). Statistika merupakan metode yang digunakan untuk analisis data yang
bertujuan untuk menyusun data dalam cara tertentu agar mudah dipahami dan disajikan lebih
menarik. Pada modul ini, dibahas mengenai penaksiran parameter. Secara umum penaksiran
parameter digolongkan menjadi dua yaitu penaksiran titik (point estimation) dan penaksiran
interval/selang (interval estimation). Penaksiran titik (point estimation) merupakan penaksiran
dari sebuah parameter populasi yang dinyatakan oleh bilangan tunggal guna menaksir parameter.
Penaksiran interval/selang (interval estimation) merupakan penaksiran dari parameter populasi
Dalam penaksiran titik terdapat dua metode penaksiran yang bisa digunakan yaitu metode klasik
dan metode Bayes. Metode klasik memandang parameter sebagai besaran tetap yang tidak
diketahui nilainya dan inferensi didasarkan hanya pada informasi dalam sampel. Salah satu
contoh metode klasik adalah metode maksimum likelihood. Sedangkan pada metode Bayes,
parameter dipandang sebagai variabel yang menggambarkan pengetahuan awal tentang
parameter yang dinyatakan dalam suatu distribusi yang disebut dengan distribusi prior dan
inferensi-nya didasarkan pada distribusi posterior. Namun, penaksiran parameter dengan
penaksiran titik tidak dibahas secara terperinci pada modul ini.
Dalam penentuan taksiran interval tersebut harus dicari dahulu taksiran titik dari parameter yang
bersesuaian-nya. Penaksiran selang dibagi menjadi dua jenis, yakni penaksiran selang
kepercayaan untuk rataan dan untuk variansi. Dari dua jenis tersebut, keduanya memiliki kasus
masing-masing untuk mencari nilai dari taksiran selang.
Dengan 𝑥̅ menyatakan rataan sampel berukuran n dan 𝑧𝑎 menyatakan nilai tabel normal baku.
2
Dengan 𝑥̅ menyatakan rataan sampel berukuran n dan 𝑡𝑎,(𝑛−1) menyatakan nilai tabel t
2
dengan derajat kebebasan n-1. Untuk variansi populasi ditaksir dengan S2.
3. Kasus dua populasi, variansi populasi 1 dan populasi 2 diketahui
Dengan 𝑥
̅̅̅dan
1 𝑥̅2 masing – masing menyatakan rataan sampel populasi 1 dan populasi 2 yang
berukuran 𝑛1 dan 𝑛2 .
4. Kasus dua populasi, variansi populasi 1 dan populasi 2 tidak diketahui dan dianggap
sama
Karena variansi populasinya dianggap sama, maka nilai 𝜎 2 ditaksir dengan 𝑆𝑝2 dalam rumus
berikut:
(𝑛1 − 1) 𝑠12 + (𝑛2 − 1)𝑠22
𝑆𝑝2 =
𝑛1 + 𝑛2 − 2
1 1 1 1
(𝑥
̅̅̅1 − 𝑥̅2 ) − 𝑡𝑎,𝑣 𝑠𝑝 √ + < (𝜇1 − 𝜇2 ) < (𝑥
̅̅̅1 − 𝑥̅2 ) + 𝑡𝑎,𝑣 𝑠𝑝 √ +
2 𝑛1 𝑛2 2 𝑛1 𝑛2
𝑣 = 𝑛1 + 𝑛2 − 2
tabel distribusi khi-kuadrat dengan derajat kebebasan n-1 yang masing-masing memiliki luas
𝑎 𝑎
kanan 2 dan 1 − 2.
Dengan 𝑆12 dan 𝑆22 masing – masing menyatakan variansi sampel populasi 1 dan populasi 2
yang berukuran 𝑛1 dan 𝑛2. 𝑓𝑎(𝑣1,𝑣2) menyatakan nilai tabel f dengan derajat kebebasan 𝑣1 =
2
pada batas bawah memakai (𝑣1 , 𝑣2 ) sedangkan pada batas atas memakai (𝑣2 , 𝑣1 ). Pada kasus
dua populasi ini, yang ditaksir merupakan rasio dari variansi populasi 1 terhadap variansi
𝜎2
populasi 2 yang ditunjukkan sebagai 𝜎12 .
2
%perhitungan
z=icdf('Normal',alpha/2,0,1); %argumen ke-3 dan 4 (angka 0 dan 1)
merupakan penjelasan bahwa yang ingin dicari adalah distribusi normal
standar
E=z*sigma/sqrt(n);
%cetak hasil
selang=xbar+[-E E];
disp(['Selangnya adalah ' num2str(selang(1)) ' < ' char(181) ...
' < ' num2str(selang(2))])
Gambar 3. 1 Script MATLAB penaksiran kepercayaan rataan kasus satu populasi, variansi
populasi diketahui
xra=mean(x);
alpha=5/100; %selang kepercayaan (1-alpha)95% , alpha 100-95% =
5%
s=std(x) ;
n=length(x);
v=n-1; %derajat kebebasan
%perhitungan
t=icdf('T',1-alpha/2,v) ;
E=t*s/sqrt (n) ;
%cetak hasil
selang=xra+[-E E];
disp (['selangnya adalah ' num2str(selang(1)) ' < ' char(181)
...
' < ' num2str(selang (2))]);
Gambar 3. 2 Script MATLAB penaksiran kepercayaan rataan kasus satu populasi, variansi
populasi tidak diketahui
%nilai varians
s1k=s1^2;
s2k=s2^2;
n1=length(x1);
n2=length(x2);
%perhitungan
z=icdf('Normal',alpha/2,0,1);
E=z*sqrt((s1k/n1)+(s2k/n2));
%cetak hasil
selang=xbar+[-E E];
disp(['Selangnya adalah ' num2str(selang(1)) ' < ' char(181) ...
'1-' char(181) '2 < ' num2str(selang(2))])
Gambar 3. 3 Script MATLAB penaksiran kepercayaan rataan kasus dua populasi, variansi
populasi 1 dan populasi 2 diketahui
%perhitungan
v=n1+n2-2;
t=icdf('T',1-alpha/2,v);
sp=sqrt(((n1-1)*(s1^2)+(n2-1)*(s2^2))/v);
E=t*sp*sqrt((1/n1)+(1/n2));
%cetak hasil
selang=xbar+[-E E];
disp(['Selangnya adalah ' num2str(selang(1)) ' < ' char(181) ...
'1-' char(181) '2 < ' num2str(selang(2))])
Gambar 3. 4 Script MATLAB penaksiran kepercayaan rataan kasus dua populasi, variansi
populasi 1 dan populasi 2 tidak diketahui dan dianggap sama
III.5. Kasus dua populasi, variansi populasi 1 dan populasi 2 tidak diketahui dan dianggap
tidak sama
III.5.1. MATLAB
%input data
x1=[2.1 5.3 1.4 4.6 0.9]; %isi data 1
x2=[1.9 0.5 2.8 3.1]; %isi data 2
%perhitungan
v=((s1/n1)+(s2+n2))^2/((1/(n1-1))*(s1/n1)^2+(1/(n2-
1))*(s2/n2)^2);
t=icdf('T',1-alpha/2,v);
E=t*sqrt((s1/n1)+(s2/n2));
Gambar 3. 5 Script MATLAB penaksiran kepercayaan rataan kasus dua populasi, variansi
populasi 1 dan populasi 2 tidak diketahui dan dianggap tidak sama
%perhitungan
v=n-1;
t=icdf('T',1-alpha/2,v);
E=t*s/sqrt(n);
%cetak hasil
selang=xbar+[-E E];
disp(['Selangnya adalah ' num2str(selang(1)) ' < ' char(181) ...
'1-' char(181) '2 < ' num2str(selang(2))])
IV.1.1. MATLAB
x=[2.1 2.2 2.4 2.2 2.0 2.1 2.3 2.0 2.2]; %isi data
alpha=0.05;%alpha disesuaikan
s=std(x);
n=length(x);
%perhitungan
v=n-1;
ci1=icdf('Chisquare',1-alpha/2,v);
ci2=icdf('Chisquare',alpha/2,v);
E1=(n-1)*(s^2)/ci1;
E2=(n-1)*(s^2)/ci2;
%cetak hasil
selang=[E1 E2];
disp(['Selangnya adalah ' num2str(selang(1)) ' < ' char(963)
...
'^2 < ' num2str(selang(2))])
Gambar 3. 7 Script MATLAB penaksiran selang kepercayaan variansi kasus satu populasi
IV.2.1. MATLAB
%input data
x1=[2.1 5.3 1.4 4.6 0.9]; %isi data 1
x2=[1.9 0.5 2.8 3.1]; %isi data 2
%perhitungan
v1=n1-1;
v2=n2-1;
f1=icdf('F',1-alpha/2,v1,v2);
f2=icdf('F',1-alpha/2,v2,v1);
E=(s1/s2)^2;
%cetak hasil
selang=E*[1/f1 f2];
disp(['Selangnya adalah ' num2str(selang(1)) ' < ' char(963) ...
'1^2/' char(963) '2^2 < ' num2str(selang(2))])
Gambar 3. 8 Script MATLAB penaksiran selang kepercayaan variansi kasus dua populasi
a. Tentukan selang kepercayaan 98% untuk rataan data kandungan oksigen terlarut (satu
populasi, variansi tidak diketahui).
b. Tentukan selang kepercayaan 95% untuk variansi data kandungan oksigen terlarut (kasus
satu populasi).
z
Jawab:
a. Tentukan selang kepercayaan 98% untuk rataan data kandungan oksigen terlarut (satu
populasi, variansi tidak diketahui).
• MATLAB
%Input data
x=[150 203 259 269 137 135 140 144 161 136 86];
%Perhitungan
n=length(x);
alpha=0.02;
s=std(x);
B=char(181);
xra=mean(x);
v=n-1;
t=icdf('T',1-alpha/2,v);
E=t*s/sqrt(n);
E1=xra-E;
E2=xra+E;
%Cetak hasil
fprintf('Selangnya adalah %g < %s < %g\n',E1,B,E2);
• Ms. Excel
Gambar 3. 10 Script Ms. Excel contoh kasus dalam oseanografi soal (a)
b. Tentukan selang kepercayaan 95% untuk variansi data kandungan oksigen terlarut (kasus
satu populasi).
• MATLAB
%Input data
d=[150 203 259 269 137 135 140 144 161 136 86];
%Perhitungan
n=length(d);
alpha=0.05;
s=std(d);
B=char(963);
v=n-1;
ci1=icdf('Chisquare',1-alpha/2,v);
ci2=icdf('Chisquare',alpha/2,v);
E1=(n-1)*(s^2)/ci1;
E2=(n-1)*(s^2)/ci2;
%Cetak hasil
selang=[E1 E2];
fprintf('Selangnya adalah %g < %s^2 < %g\n',E1,B,E2);
• Ms. Excel
Gambar 3. 12 Script Ms. Excel contoh kasus dalam oseanografi soal (b)
1. Dalam pengambilan data tugas akhir seorang mahasiswa yang memiliki daerah kajian di
Banyuwangi, dilakukan pengukuran pasang surut air laut. Pengukuran tersebut dilakukan
secara duplo atau secara dua kali dalam waktu yang berdekatan (misalnya, dalam rentang 5
detik setelah pengukuran pertama). Data duplo ini diambil sebagai validasi dan kalibrasi nilai
data yang diambil agar lebih akurat. Dalam waktu 6 jam, data pasang surut ditunjukkan sebagai
berikut:
Tinggi Permukaan Air Laut
Jam Ke-
Pengukuran Pertama (m) Pengukuran Duplo (m)
1 0.9 0.8
2 0.95 1
3 1.2 1.1
4 1.3 1.35
5 1.45 1.05
6 1.5 1.6
4. Dilakukan pengukuran kecepatan arus laut (dalam m/s) pada dua stasiun yang berbeda di
perairan sekitar Pulau Pramuka pada waktu yang diambil secara acak. Hal ini dilakukan untuk
melihat perbedaan kondisi fisis dua titik yang berbeda menggunakan flow watch. Hasil yang
ditunjukkan di monitor pada alat menunjukkan:
Stasiun A Stasiun B
0.92 1.023
0.8 0.877
0.87 0.782
0.7 0.6
0.64 0.68
0.7 0.28
0.5
Jika nilai kecepatana arus dianggap berdistribusi normal, tentukan selang kepercayaan 98%
untuk:
a. Beda rataan dua populasi tersebut dengan menganggap variansi tidak sama antara keduanya.
b. Beda variansi kedua populasi tersebut.
Catatan:
● Soal No 1 dan 2 dikerjakan menggunakan MATLAB dan soal 3 dan 4 menggunakan Ms. Excel.
● Cantumkan kasus apa yang digunakan, dan tulis kembali nilai variabel yang didapatkan.
Misal: Penaksiran selang kepercayaan rataan dengan kasus data berpasangan.
Variabel yang didapatkan:
Standar deviasi : 15.798