BAB I

PENDAHULUAN

A. Latar Belakang

Peranan statistika sebagai sarana dalam merencanakan,

mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data

sehingga menghasilkan keputusan sangat penting bagi perkembangan

IPTEK. Mengingat peranannya tersebut menjadikan aplikasi statistika

banyak diterapkan dalam berbagai disiplin ilmu, baik ilmu alam (natural

science), ilmu sosial (social science), maupun ilmu humaniora yang berfungsi

sebagai sarana mengembangkan cara berpikir logis dan ilmiah.

Menurut Moore (1992) bahwa statistika adalah ilmu matematika

tetapi bukan cabang matematika, dan muncul sebagai suatu disiplin ilmu

statistik memiliki karakteristik cara berpikir yang lebih mendasar dengan

metode tertentu. Statistika dipandang sebagai pengetahuan yang menyediakan

sarana untuk dapat memberikan solusi terhadap fenomena atau permasalahan

yang terjadi di dalam kehidupan, di lingkungan pekerjaan dan di dalam

ilmu pengetahuan itu sendiri. Sudjana (2005) menjelaskan bahwa statistika

adalah pengetahuan yang berhubungan dengan cara-cara pengumpulan

data, pengolahan atau penganalisisannya dan penarikan kesimpulan

berdasarkan kumpulan data dan penganalisisan yang dilakukan. Sudijono

(2009) mengatakan bahwa statistika merupakan ilmu pengetahuan yang

mempelajari dan mengembangkan prinsip-prinsip, metode dan prosedur yang

2

dipergunakan dalam rangka pengumpulan, penyusunan, penyajian,

penganalisisan, dan penarikan kesimpulan secara matematik atas dasar

kumpulan data statistik. Oleh karena itu, statistika berfungsi sebagai solusi

mengatasi permasalahan kehidupan manusia dan landasan pengembangan

IPTEK, yang diinterpretasi secara prosedural berdasarkan fenomena yang

terjadi baik dalam kehidupan sehari-hari, lingkungan masyarakat, maupun

dalam pengembangan ilmu pengetahuan. Mengingat fungsi tersebut

menjadikan ilmu statistik patut dipelajari secara bermakna oleh peserta didik

dan pendidik mulai dari lembaga pendidikan dasar hingga perguruan tinggi

sebagai upaya peningkatan kualitas pendidikan. Peranan statistika yang

semakin nyata dan meluas dalam berbagai aspek kehidupan, mengantarkan

hampir setiap perguruan tinggi dengan berbagai jurusan dan program studi

merekomendasikan statistika sebagai mata kuliah wajib untuk dipelajari oleh

mahasiswa.

Sundayana (2012) mengatakan bahwa implementasi mata kuliah

statistika memiliki empat aspek sasaran yang ingin dicapai, yaitu: memberikan

bekal pengetahuan teoritis statistik kepada para mahasiswa, memberikan

bekal keterampilan praktis berupa perhitungan statistik, memberikan gambaran

dan pengalaman bagaimana pemecahan masalah dalam kehidupan sehari-

hari berkenaan dengan masalah yang dihadapi, dan melatih mahasiswa untuk

dapat mengkomunikasikan hasil kajiannya, baik secara tertulis dalam bentuk

laporan tertulis maupun secara lisan. Hal ini menuntut penguasaan setiap

mahasiswa dan membutuhkan kreativitas dosen untuk meningkatkan

 3

kualitas pembelajaran guna peningkatan kemampuan mahasiswa terhadap

konten statistik.

Statistika adalah ilmu yang mempelajari bagaimana merencanakan,

mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.

Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Istilah

'statistika' (bahasa Inggris: statistics) berbeda dengan 'statistik' (statistic).

Statistika merupakan ilmu yang berkenaan dengan data, sedang statistik adalah

data, informasi, atau hasil penerapan algoritma statistika pada suatu data. Dari

kumpulan data, statistika dapat digunakan untuk menyimpulkan atau

mendeskripsikan data; ini dinamakan statistika deskriptif. Sebagian besar

konsep dasar statistika mengasumsikan teori probabilitas. Beberapa istilah

statistika antara lain: populasi, sampel, unit sampel, dan probabilitas.

Statistika banyak diterapkan dalam berbagai disiplin ilmu, baik ilmu-

ilmu alam (misalnya astronomi dan biologi maupun ilmu-ilmu sosial (termasuk

sosiologi dan psikologi), maupun di bidang bisnis, ekonomi, dan industri).

Statistika juga digunakan dalam pemerintahan untuk berbagai macam tujuan;

sensus penduduk merupakan salah satu prosedur yang paling dikenal. Aplikasi

statistika lainnya yang sekarang popular adalah prosedur jajak pendapat atau

polling (misalnya dilakukan sebelum pemilihan umum), serta jajak cepat

(perhitungan cepat hasil pemilu) atau quick count. Di bidang komputasi,

statistika dapat pula diterapkan dalam pengenalan pola maupun kecerdasan

buatan.
4

Statistika dalam penelitian mempunyai peranan sangat penting yaitu

untuk perumusan masalah, menentukan hipotesis, menentukan besar sampel,

menentukan benar atau tidaknya kesimpulan hasil penelitian dan lain

sebagainya berdasarkan atas kumpulan data. Penarikan kesimpulan hasil

penelitian juga sangat tergantung pada perhitungan-perhitungan dan jenis uji

statistika yang dipergunakan.

Statistika adalah bagian dari matematika yang secara khusus

membicarakan cara-cara pengumpulan, analisis dan penafsiran data. Dengan

kata lain, istilah statistika di sini digunakan untuk menunjukan tubuh

pengetahuan (body of knowledge) tentang cara-cara penarikan sampel

(pengumpulan data), serta analisis dan penafsiran data. Gasperz , juga

menyatakan bahwa “statistika adalah ilmu pengetahuan yang berhubungan

dengan cara-cara pengumpulan data, pengolahan serta penganalisisannya,

penarikan kesimpulan serta pembuatan keputusan yang cukup beralasan

berdasarkan fakta yang ada”.

Statistika lebih spesifik dipergunakan dalam riset penelitian yang

merupakan suatu pengetahuan tersendiri. Statistika adalah ilmu pengetahuan

yang berhubungan dengan cara-cara pengumpulan data, pengolahan atau

penganalisisan data dan penarikan kesimpulan berdasarkan kumpulan data dan

analisis data yang dilakukan.

Dua cara untuk mempelajari statistika yaitu pertama membahas statistika

secara mendasar, mendalam dan teoritis, maka yang dipelajari digolongkan

kedalam statistika matematis atau statistika teoritis. Pokok bahasan lebih

 5

menekankan pada penurunan rumus, sifat-sifat, dalil-dalil, atau teorema-

teorema, menentukan model secara matematis. Kedua tidak memperhatikan

dari mana rumus-rumus atau aturan-aturan dan lebih mementingkan pada

bagaimana teknik atau metode statistika dipergunakan, dengan kata lain lebih

menekankan penerapan (applicied).

Ketiga pengertian statistika tersebut sama halnya dengan pengertian ilmu

statistik yaitu “Ilmu Statistik adalah kumpulan dari cara-cara dan aturan-aturan

mengenai pengumpulan, pengolahan, penafsiran dan penarikan kesimpulan dari

data berupa angka-angka”. Jadi statistika adalah ilmu pengetahuan yang

mempelajari tentang cara dan aturan pengumpulan, pengolahan, penganalisaan,

penarikan kesimpulan dan pengambilan keputusan berdasarkan data dan

analisis yang dilakukan.

Dalam mengaplikasikan statistika terhadap permasalahan sains, industri,

atau sosial, pertama-tama dimulai dari mempelajari populasi. Makna populasi

dalam statistika dapat berarti populasi benda hidup, benda mati, ataupun benda

abstrak. Populasi juga dapat berupa pengukuran sebuah proses dalam waktu

yang berbeda-beda, yakni dikenal dengan istilah deret waktu. Melakukan

pendataan (pengumpulan data) seluruh populasi dinamakan sensus. Sebuah

sensus tentu memerlukan waktu dan biaya yang tinggi. Untuk itu, dalam

statistika sering kali dilakukan pengambilan sampel (sampling), yakni sebagian

kecil dari populasi, yang dapat mewakili seluruh populasi. Analisis data dari

sampel nantinya digunakan untuk menggeneralisasikan seluruh populasi.

6

Jika sampel yang diambil cukup representatif, inferensial (pengambilan

keputusan) dan simpulan yang dibuat dari sampel dapat digunakan untuk

menggambarkan populasi secara keseluruhan. Metode statistika tentang

bagaimana cara mengambil sampel yang tepat dinamakan teknik sampling.

Analisis statistik banyak menggunakan probabilitas sebagai konsep

dasarnya. Sedangkan matematika statistika merupakan cabang dari matematika

terapan yang menggunakan teori probabilitas dan analisis matematis untuk

mendapatkan dasar-dasar teori statistika.

Sebelum sampai lebih jauh tentang analisis data perlu ditinjau terlebih

dahulu tentang data yang sangat erat kaitan dengan statistik maupun statistika.

Data dapat diartikan sebagai sesuatu yang diketahui atau dianggap. Data lebih

memberikan gambaran tentang suatu keadaan atau persoalan yang secara umum

dikaitkan dengan tempat dan waktu.

Data dapat diperoleh melalui beberapa cara seperti kegiatan rutin atau

kegiatan penelitian. Pembagian data menurut sifat, sumber, cara memperoleh,

waktu pengumpulan dapat diberikan contoh masing-masing sendiri menurut

klasifikasi tersebut.

Statistika secara umum terbagi dua yaitu statistik deskriptif dan statistik

inferensia. Statistik deskriptif adalah metode-metode yang berkaitan dengan

pengumpulan dari penyajian suatu gugus data sehingga memberikan informasi

berguna. Statistik deskriptif berkaitan dengan tabel, diagram, grafik dan

besaran-besaran seperti rata-rata, modus, kuartil, dan lainnya. Statistik yang

berkaitan dengan penarikan kesimpulan dan pendugaan disebut statistik

 7

inferensia. Statistik inferensia mencakup metode yang berhubungan dengan

sampel untuk kemudian sampai pada peramalan atau penarikan kesimpulan

mengenai populasi.

Statistika inferensia (induktif) dapat dikelompokkan ke dalam dua

bidang yaitu pendugaan parameter dan pengujian hipotesis, sehingga sampai

pada kesimpulan yang berlaku umum. Proses pendugaan umumnya digunakan

penduga interval (selang), proses pendugaan (mengestimasi) bertujuan untuk

mendapatkan gambaran yang jelas tentang distribusi populasi yang tidak

diketahui dengan penarikan sampel yang diturunkan dari sebaran populasi

(Lungan, 2006). Menaksir suatu parameter distribusi populasi yang normal

digunakan statistika parametris, sedangkan jika distribusi tidak normal atau

tidak diketahui (statistika nonparametris), maka penaksiran akan sulit

dilakukan. Mengatasi masalah tersebut maka digunakan suatu metode, yaitu

Metode Bootstrap yang dapat bekerja pada populasi yang tidak normal bahkan

tidak diketahui distribusinya.

Bradley Efron memperkenalkan bootstrap pertama kali pada tahun

1979, sebagai metode resampling untuk inferensi statistik. Efron dan Tibshirani

mengatakan bahwa metode bootstrap merupakan metode yang digunakan untuk

mengestimasi suatu distribusi populasi yang tidak diketahui dengan

menggunakan distribusi empiris yang diperoleh dari proses pengambilan

sampel ulang dari sampel asli, dengan ukuran sama dengan sampel asli dan

dilakukan dengan pengembalian. Kedudukan sampel asli dalam metode

8

bootstrap dipandang sebagai populasi. Metode penyampelan ini biasa disebut

dengan resampling bootstrap.

Dalam Sahinler dan Topuz, menyatakan bahwa bootstrap adalah teknik

resampling nonparametrik yang bertujuan untuk menentukan estimasi standar

eror dan interval kepercayaan (interval konfidensi) dari parameter populasi

tanpa mengetahui sebaran data (tanpa asumsi distribusi). Bootstrap dapat

digunakan untuk mengatasi permasalahan dalam statistika baik masalah data

yang sedikit, maupun data yang tidak memiliki asumsi dalam distribusinya.

Karena pengambilan sampel bootstrap dilakukan berulang kali maka

kemampuan komputer yang tinggi diperlukan, sehingga bootstrap dikatakan

juga metode berbasis komputer

Tidak dapat dipungkiri lagi akhir-akhir ini teknologi berkembang sangat

pesat. Terlebih lagi komputer dengan segala perkembangannya, telah dibekali

berbagai macam perangkat lunak (software) yang berguna untuk memenuhi

berbagai macam kebutuhan manusia yang bersifat komputasi (Yogaswara &

Mutaqin, 2007). Salah satu software yang dapat membantu berbagai macam

kebutuhan manusia adalah R. Menurut Gio & Effendie (2017), R pertama kali

dibuat oleh Ross Ihaka dan Robert Gentleman. Saat ini R masih dikembangkan

oleh R Development Core Team. R merupakan software bahasa pemrograman

statistika yang dapat digunakan untuk analisis dan manipulasi data statistika

serta grafik.

Metode komputasi statistik yang biasa digunakan dalam proses analisis

statistik salah satunya adalah bootstrap (Yogaswara & Mutaqin, 2007). Metode
 9

bootstrap merupakan metode estimasi yang dapat digunakan pada suatu

distribusi empiris yang didapatkan dari proses resampling (Efron & Tibshirani,

1998). Menurut Rachman dkk (2018), teknik penarikan sampel dari metode

bootstrap dilakukan dengan pengembalian dari sebuah sampel asli. Sampel asli

merupakan sampel yang didapatkan dari hasil observasi yang diperlakukan

seperti halnya populasi. Wasserman & Bockenholt (1989) menuturkan metode

bootstrap dapat dapat digunakan pada masalah yang sulit diduga keragaman

statistiknya, yang membuat metode ini luas dalam penerapannya.

Salah satu pengujian hipotesis yang menggunakan metode bootstrap

dalam pengujiannya adalah beda dua rata-rata populasi independen, atau sering

disebut masalah dua sampel independen (Efron & Tibshirani, 1998). Metode

bootstrapyang digunakan untuk masalah dua sampel independen dapat

dijadikan alternatif nonparametrik pada kasus data populasi yang tidak

berdistribusi normal dan variansinya tidak homogen. Contoh data yang

biasanya tidak berdistribusi normal adalah data waktu perawatan mesin, data

waktu operasi mesin dan data pendapatan (Setiawan & Mutaqin, 2008).

Tidak hanya menggunakan metode bootstrap, tetapi juga menggunakan

uji hipotesis untuk membandingkan dua rata-rata sampel pengamatan

independen. Ketika asumsi tes terpenuhi, uji merupakan uji yang paling baik

untuk membandingkan rata-rata dua sampel yang ukurannya besar (Looney &

Jones, 2003). Uji merupakan instrumen statistik yang digunakan untuk

membandingkan nilai rata-rata sampel yang diamati dengan nilai rata-rata yang

diharapkan secara normal dari distribusi nilai rata-rata (Morissan, 2015).

10

Penelitian ini akan melakukan uji beda dua rata-rata variabel independen

menggunakan metode bootstrap. Penelitian ini merujuk dari beberapa penelitian

sebelumnya, antara lain Derrick dkk (2017), test statistics for the comparison of

means for two samples that include both paired and independent observations,

Rachman dkk (2018) telah menggunakan metode bootstrap dalam pengujian

beda dua rata-rata sampel independen dan Gio & Effendie (2017) telah

membuat aplikasi olah data dengan R Shiny.

Asal mula teknik pengumpulan data dengan perhitungan cepat (quick

count) berawal dari rentetan peristiwa berupa pemberdayaan suara rakyat

melalui polling. Quick count pertama kali digunakan oleh NAMFREL

(National Citizens Movements For Free Election) yang memantau pelaksanaan

pemilu 1986 di Filipina dimana ada dua kandidat yang bersaing ketat yakni

Ferdinand Marcos dan Corazon Aquino. NAMFREL berhasil menemukan

berbagai kecurangan dan manipulasi suara serta secara meyakinkan dapat

menunjukkan kemenangan Cory Aquino, sekaligus menggagalkan klaim

kemenangan Marcos. Kebijakan Marcos yang menganulir kemenangan Cory

selanjutnya menjadi dasar pembangkangan sipil dan perlawanan rakyat Filipina

dalam bentuk people power yang berhasil menggulingkan rezim otoriter

Marcos. Sehingga secara tidak langsung quick count sebagai bagian dari kontrol

terhadap pemilu dan bagian dari upaya untuk menegakkan demokrasi dengan

mendorong berlangsungnya pemilu yang jujur dan adil.

Quick count telah diterapkan di Indonesia sejak 1997 oleh LP3ES

(Lembaga Pelatihan, Penelitian, Penerangan, Ekonomi, dan Sosial) pada pemilu

 11

terakhir rezim Soeharto yang dilakukan secara diam-diam bekerjasama dengan

salah satu kekuatan politik. Quick count ini cukup berhasil, dengan satu hari

setelah pelaksanaan pemilu LP3ES mampu memprediksi hasil pemilu di DKI

Jakarta persis sebagaimana hasil perhitungan suara oleh LPU (Lembaga

Pemilihan Umum). Tetapi karena pertimbangan keamanan dan politik, hasil

tersebut tidak diumumkan pada masyarakat. Pada pemilu 1999, LP3ES dengan

quick count berhasil pula dalam memprediksi secara tepat urutan partai dan

persentase suaranya di Provinsi NTB dan pulau jawa. Selanjutnya pada pemilu

2004, LP3ES kembali membuat quick count bekerjasama dengan National

Democratic Institute for International Affairs (NDI), lembaga internasional dari

Amerika yang sudah terbiasa dengan perhitungan cepat. LP3ES-NDI secara

akurat berhasil memprediksi pemenang pemilu dari urutan 1 sampai 24.

Sejak dimulai dari Pemilihan Umum Presiden Indonesia 2004 hasil

prediksi quick count tidak pernah menimbulkan kontroversi karena hasil quick

count tidak jauh berbeda dengan hasil resmi Pemilu. Kontroversi muncul

pertama kali dalam pemilihan Presiden 2014, karena adanya dua kelompok

lembaga penelitian yang mengumumkan hasil quick count yang berbeda.

Perbedaan hasil ini kemudian mendapat amplifikasi politis yang luas karena

lembaga penelitian SMRC (Saiful Mujani Research & Consulting), Litbang

Kompas, Radio Republik Indonesia, Lembaga Survei Indonesia, dan Populi

Center menunjukkan keunggulan perolehan suara bagi pasangan Jokowi-Jusuf

Kalla sedangkan kelompok lembaga LSN (Lembaga Survei Nasional),

Puskaptis, Jaringan Suara Indonesia, dan Indonesia Research Center

12

menunjukkan keunggulan pasangan Prabowo-Hatta dalam perolehan suara

mereka.

Perhitungan hasil quick count sebenarnya sangat sederhana. Quick count

dilakukan berdasarkan pada pengamatan langsung di Tempat Pemungutan

Suara (TPS) yang telah dipilih secara acak. Unit analisa quick count ini adalah

TPS, dengan demikian penarikan sampel tidak dapat dilakukan sebelum daftar

TPS atau desa yang akan dipantau tersedia. Kekuatan hasil quick count

sebenarnya bergantung pada bagaimana teknik penarikan sampel dan ukuran

sampel pemilih. Sampel tersebutlah yang akan menentukan suara pemilih yang

akan dipakai sebagai dasar prediksi hasil pemilu. Sampel yang ditarik secara

benar akan memberikan landasan kuat untuk mewakili karakteristik populasi.

Salah satu teknik penarikan sampel yang digunakan dalam quick count adalah

metode Multistage Random Sampling. Metode Multstage Random Sampling

merupakan teknik sampling yang dikontruksikan dari metode sampling acak

sederhana yang melalui beberapa tahapan pengambilan sampel secara acak.

Dengan teknik tersebut dimungkinkan setiap anggota populasi mempunyai

peluang yang sama untuk dipilih sebagai sampel, sehingga pengukuran dapat

dilakukan dengan hanya melibatkan sedikit sampel. Meski tanpa melibatkan

semua anggota populasi hasil survei dapat digeneralisasikan sebagai

representasi populasi. Sehingga akan diperoleh berbagai macam informasi

statistik yang sangat bermanfaat terutama dalam masalah-masalah yang

kompleks. Hasil quick count atau proporsi ukuran sampel dikatakan memiliki

tingkat akurasi yang tinggi jika lembaga penelitian dapat dengan tepat
 13

memprediksi pemenang Pemilu dan struktur (posisi) peringkat partai pemenang

pemilu. Sedangkan hasil quick count dikatakan memiliki presisi yang tinggi jika

memiliki selisih proporsi yang kecil untuk masing-masing kandidat antara hasil

KPU dan lembaga peneliti. Untuk mengatahui seberapa besar proporsi ukuran

sampel quick count mampu mewakili populasi sesungguhnya dapat dilihat pada

perhitungan estimasi konfidensi interval dengan diketahui ukuran sampel TPS

dan ukuran sampel TPS sukses dari populasi. Kegiatan menghitung estimasi

konfidensi interval ini merupakan kegiatan statistik inferensi.

Statistik inferensi merupakan salah satu bidang statistik yang

berhubungan dengan analisis data sampai pada peramalan atau penarikan

kesimpulan mengenai suatu populasi (Supranto, 1992). Tujuan dari statistik

inferensi adalah untuk memperoleh informasi tentang suatu populasi

berdasarkan informasi yang diperoleh dari sampel (Supranto, 1992). Statistik

inferensi terdiri dari dua macam, estimasi dan uji hipotesis (Walpole dan Myers,

1995). Estimasi dibagi menjadi dua, yaitu estimasi titik dan estimasi interval

atau yang biasa disebut interval kepercayaan (konfidensi interval). Konfidensi

interval adalah selang nilai-nilai estimasi parameter yang mungkin muncul.

Derajat kemungkinan tersebut biasanya dinyatakan dengan tingkat kepercayaan

(Confidence Level), misalnya 95% atau 99%. Dalam praktiknya, kabanyakan

konfidensi interval dinyatakan dalam level 95%. Jika tingkat kepercayaannya

tinggi dan menghasilkan interval yang sempit, atau nilai tersebut dikatakan “

resisi” (Eriyanto, 1992).

14

Pada suatu penelitian terkadang diamati karakteristik dari sebuah

populasi. Beberapa macam ukuran statistik digunakan untuk mengetahui

karakteristik dari populasi, misalnya rataan, varian, median, atau proporsi. Pada

inferensi statistik untuk mengestimasi konfidensi interval ingin diperoleh

kesimpulan mengenai populasi, meskipun tidak praktis untuk mengamati

keseluruhan individu yang menyusun populasi atau tidak mungkin jika

populasinya tak hingga. Dengan berbagai keterbatasan dan kendala, tidak

dimungkinkan mengamati keseluruhan dari elemen populasi, maka dapat

dilakukan langkah alternatif yaitu pendugaan populasi dengan menggunakan

sampel yang diambil secara acak dari sebuah populasi.

Pada teori estimasi dapat dilakukan dengan dua metode yaitu metode

klasik dan metode Bayes (Walpole dan Myers, 1995). Chandra S. tahun 2011

dalam penelitiannya menyatakan jika diketahui ukuran sampel dan ukuran

sampel sukses yang sama kemudian dianalisis menggunakan metode klasik dan

metode Bayes akan menghasilkan nilai Mean Square Error (MSE) dari

estimator Bayes lebih kecil dari pada estimator klasik, walaupun estimator

Bayes bukan merupakan estimator bias pada parameter dari distribusi Binomial.

Sehingga dapat dikatakan bahwa estimator Bayes menghasilkan estimator yang

baik untuk parameter jika MSE dari estimator sebagai ukuran kebaikannya. Hal

ini memicu penulis untuk mencari nilai estimasi konfidensi interval pada quick

count menggunakan metode Bayes. Metode Bayes memandang parameter

sebagai variabel yang menggambarkan pengetahuan awal tentang parameter

sebelum pengamatan dilakukan dan dinyatakan dalam suatu distribusi yang

 15

disebut dengan distribusi prior dikombinasikan dengan informasi dengan data

sampel melalui teorema Bayes, dan hasilnya dinyatakan dalam bentuk distribusi

yang disebut distribusi posterior yang selanjutnya menjadi dasar untuk inferensi

di dalam metode Bayes (Berger, 1990).

Dalam statistik klasik parameter proporsi Binomial dianggap sebagai

sebuah nilai yang dianggap konstan, tapi dalam beberapa situasi dan tempat

pengamatan yang berbeda akan diperoleh proporsi yang berubah-ubah,

sehingga dalam hal ini prinsip Bayes cukup relavan digunakan, karena prinsip

Bayes parameter proporsi diperlakukan sebagai variabel agar mempunyai

kemampuan yang akomodatif pada keadaan tersebut.

Teorema Bayes memungkinkan seseorang untuk memperbaruhi

keyakinannya mengenai sebuah parameter setelah data diperoleh. Sehingga

dalam hal ini mengharuskan adanya keyakinan awal (prior) sebelum memulai

inferensi. Pada dasarnya distribusi prior bisa diperoleh berdasarkan keyakinan

subyektif dari peneliti itu sendiri mengenai nilai yang mungkin untuk parameter

yang diestimasi, sehingga perlu diperhatikan bagaimana cara menentukan prior.

Jika distribusi sampel berasal dari keluarga eksponensial, maka salah satu

caranya adalah dengan menggunakan prior konjugat (Bolstad, 2007), dimana

distribusi prior konjugat mengacu pada acuan analisis model terutama dalam

pembentukan fungsi likelihoodnya, sehingga dalam penentuan prior konjugat

selalu dipikirkan mengenai penentuan pola distribusi prior yang mempunyai

bentuk konjugat dengan fungsi densitas peluang pembangun likelihoodnya

(Box dan Tiao, 1973). Kemudian digabungkan dengan informasi sampel

16

melalui teorema Bayes sehingga dihasilkan distribusi posterior. Setelah

distribusi posterior terbentuk, maka dapat diperoleh estimasi titik, interval, dan

uji hipotesis Bayes untuk parameter yang diestimasi.

Statistik inferensia merupakan salah satu bidang statistik yang

berhubungan dengan analisis data sampai pada peramalan atau penarikan

kesimpulan mengenai suatu populasi (Djarwanto dan Subagyo: 1993). Tujuan

dari statistik inferensia adalah untuk memperoleh informasi tentang suatu

populasi berdasarkan informasi yang diperoleh dari sampel (Supranto: 2001).

Statistik inferensia terdiri dari dua macam, estimasi dan uji hipotesis (Walpole

dan Myers: 1986). Estimasi dibagi menjadi dua, yaitu estimasi titik dan estimasi

interval atau yang biasa disebut interval kepercayaan. Interval kepercayaan

adalah selang nilai-nilai estimasi parameter yang mungkin muncul. Derajat

kemungkinan tersebut biasanya dinyatakan dengan tingkat kepercayaan

(confidence level), misalnya 95% atau 99% (Setyadji: 2005). Dalam praktek

sehari-hari, kebanyakan interval kepercayaan dinyatakan dalam level 95% (Zar:

1984). Jika tingkat kepercayaannya tinggi dan menghasilkan interval yang

sempit, maka nilai parameter tersebut dikatakan “presisi” (Setyadji: 2005).

Pada umumnya estimasi interval kepercayaan sepenuhnya

menggunakan data yang diperoleh dari penelitian saat ini. Akan tetapi dalam

kasus penelitian yang jarang terjadi misalnya penyakit kanker, aids atau flu

burung, atau untuk kasus penelitian yang membutuhkan jangka waktu panjang

seperti misalnya peluruhan radioaktif, inferensi statistik dari data sampel saja

tidak cukup karena akan membutuhkan waktu yang lama untuk dapat
 17

menganalisis kasus tersebut. Jika inferensi dalam kasus seperti di atas

menggunakan metode klasik (frequentis) yang didasarkan sepenuhnya pada

informasi yang diperoleh melalui sampel, ini dapat menghasilkan error yang

besar karena data sampel yang diambil terlalu sedikit, akibatnya inferensi yang

dihasilkan nantinya kurang bagus. Untuk mendapatkan inferensi yang lebih

bagus, akan lebih baik jika data yang digunakan adalah data gabungan antara

data sampel saat ini dengan data penelitian sebelumnya (data prior).

Penggabungan data dilakukan dengan tujuan untuk meminimalkan tingkat

kesalahan sehingga inferensi yang dihasilkan mendekati sempurna. Metode

inferensi dengan menggunakan data sampel dan data prior disebut dengan

metode Bayes.

Pada metode Bayes parameter yang digunakan merupakan variabel

random yang mempunyai distribusi tertentu (distribusi prior). Distribusi prior

adalah distribusi subyektif berdasarkan pada keyakinan seseorang dan

dirumuskan sebelum data sampel diambil (Walpole dan Myers: 1986).

Distribusi sampel yang digabung dengan distribusi prior akan menghasilkan

suatu distribusi yaitu distribusi posterior (Kuswandari: 2005). Distribusi

posterior menyatakan derajat keyakinan seseorang mengenai suatu parameter

setelah sampel diamati (Walpole dan Myers: 1986). Jadi metode Bayes

menggabungkan distribusi sampel dan distribusi prior sehingga dapat diperoleh

distribusi posteriornya. Distribusi posterior ini akan digunakan untuk

menentukan inferensi tentang suatu parameter yang masih dipandang sebagai

variabel random (Kuswandari: 2005).

18

Sebuah masalah mendasar yang terkait dalam pengambilan sampel

suatu populasi adalah membuat taksiran terhadap parameter baik taksiran titik

maupun taksiran selang. Barangkali pula sering dipertanyakan berapa ukuran

sampel agar diperoleh taksiran yang paling akurat, tentunya dengan panjang

selang taksiran minimal (S.Nasution, 2001). Lebih–lebih dengan tidak

diketahuinya nilai parameter populasi . Dari kondisi ini biasanya peneliti akan

berusaha menaksir nilai parameter berdasarkan statistik dan berusaha

mendapatkan selang kepercayaan terhadap taksiran tersebut dengan

menggunakan suatu sampel minimal yang cukup.

Sering dipertanyakan oleh para peneliti pemula berapa ukuran sampel

minimal yang cukup untuk dapat membuat selang keyakinan taksiran

berdasarkan koefisien keyakinan. Demikian pula seberapa besar pengaruh

bertambahnya ukuran sampel terhadap berkurangnya panjang interval

keyakinan (Schefler, 1979).

Dalam membuat interval keyakinan taksiran parameter, salah satu cara

yang dapat ditempuh adalah dengan bantuan besaran pivotal Q 𝑋1 , … , 𝑋𝑛 ; 𝜃 di

mana besaran ini mempunyai distribusi yang tidak bergantung pada parameter

(Mood,1974).

Sebagai contoh , misalkan 𝑥1 , … , 𝑥𝑛 sample acak dari 𝑓 (𝑥; 𝜃 ) = ∅0,9(𝑥 ) maka

𝑥 − 𝜃 adalah besaran pivotal karena 𝑥̅ − 𝜃~𝑁(0, 9⁄𝑛 ), demikian juga

(𝑥̅ −𝜃)
3⁄ adalah besaran pivotal karena berdistribusi N(0,1). Di lain pihak 𝑥̅⁄𝜃
√𝑛
 19

bukan besaran pivotal karena berdistribusi 𝑁 (0, 9⁄𝜃 2 𝑛) yang masih

bergantung pada.

Ketika kita menggunakan statistika untuk menguji hipotesis maka

muncullah dua macam hipotesis berupa hipotesis penelitian dan hipotesis

statistika. Tepatnya hipotesis penelitian kita rumuskan kembali menjadi

hipotesis statistika yang sepadan. Hipotesis statistika harus mencerminkan

dengan baik maksud dari hipotesis penelitian yang akan diuji.

Pada hakikatnya ada dua jenis hipotesis statistika. Jenis pertama adalah

apabila data kita berupa populasi yang kita peroleh melalui sensus. Dengan data

populasi, hipotesis statistika cukup berbentuk H. Tidak diperlukan hipotesis H0.

Misalnya dalam hal rerata, hipotesis statistika itu berbentuk H: X > 6. Jika data

populasi memiliki rerata di atas 6 maka hipotesis diterima dan jika tidak maka

hipotesis ditolak. Karena seluruh populasi sudah dilihat maka keputusan ini

menjadi kepastian.

Jenis kedua adalah apabila data kita berupa sampel yang kita peroleh

melalui penarikan sampel. Biasanya sampel itu berupa sampel acak, baik

dengan cara pengembalian maupun dengan cara tanpa pengembalian. Dengan

data sampel, hipotesis statistika menjadi H0 dan H1. Misalnya dalam rerata,

hipotesis statistika itu berbentuk H0: X = 6 dan H1: X > 6. Syaratnya adalah

tiadanya pilihan ketiga.

Dalam hal data sampel, sering terjadi bahwa hipotesis penelitian

dirumuskan kembali menjadi H1. Pengujian hipotesis dilakukan melalui

penolakan H0. Selanjutnya dengan syarat tidak ada pilihan ketiga pada
20

hipotesis, maka penolakan H0 dapat diartikan sebagai penerimaan H1. Jadi

pengujian hipotesis penelitian dilakukan melalui cara tak langsung yakni

melalui penolakan H0 dan melalui tiadanya pilihan ketiga pada hipotesis.

Mirip halnya dengan pengujian hipotesis pada situasi univariat. tentang

perbedaan antara rata-rata dan konstan. Pada situasi multivariat juga diperlukan

syarat-syarat agar rumus-rumus untuk pengujian hipotesis itu berlaku. Pada

pengujian hipotesis untuk univariat disyaratkan bahwa populasi yang

bersangkutan berdistribusi normal. Sesuai dengan itu, pada pengujian hipotesis

untuk multivariat disyaratkan bahwa populasi yang bersangkutan berdistribusi

normal multivariat.

Untuk memperoleh metode utama dalam menentukan inferensi dari

sample, kita akan memperluas konsep interval kepercayaan univariat menjadi

daerah kepercayaan multivariate. Berdasarkan penjelasan pada bab

sebelumnya, telah dijelaskan inferensi sampel dengan menggunakan interval

−𝑇 2 simultan. Namun seringkali kita jumpai interval yang lebih pendek untuk

bilangan m yang kecil, yaitu ketika mp. Dalam hal ini, akan lebih mudah untuk

menggunakan dan menetapkan interval kepercayaan yang relatif pendek, yang

dibutuhkan untuk membuat kesimpulan (inference). Ketika ukuran sampel

besar, pengujian hipotesis dan daerah kepercayaan untuk dapat dikonstruksi

tanpa anggapan normalitas. Untuk jumlah n besar, kita dapat membuat taksiran

tentang rata-rata populasi meskipun distribusi awalnya adalah diskrit.

Proses pemilihan sampel dari sebuah populasi merupakan hal yang

sangat penting dalam studi inferential statisti. Random sampling adalah proses
 21

pemilihan sampel dimana setiap anggota dalam populasi memiliki kesempatan

yang sama untuk menjadi sampel penelitian. Hasil yang diperoleh kemungkinan

dapat berbeda dengan nilai yang sebenarnya hal ini dikarenakan adanya chance.

Untuk mangatasi chance tersebut kita dapat menghitung sampel dengan

menggunakan interval kepercayaan. Interval kepercayaan merupakan metode

memperkirakan nilai populasi atau parameter dengan menggunakan sampel, hal

ini dikarenakan perhitungan langsung pada seluruh populasi tidak

memungkinkan untuk dilakukan.

B. Rumusan Masalah

Berdasarkan latar belakang tersebut, maka didapatkan rumusan

masalahnya adalah sebagai berikut:

1. Apakah konsep dasar survey sampel?

2. Bagaimana cara pemilihan elemen sampel?

3. Bagaimana metode panarikan sampel?

4. Apakah yang dimaksud tingkat kepercayaan?

5. Apakah yang dimaksud interval kepercayaan?

6. Bagaimana interval kepercayaan pada MCNP?

7. Bagaimana interval kepercayaan untuk masalah dua sampel?

C. Tujuan Penelitian

Berdasarkan rumusan masalah tersebut, maka didapatkan tujuan

penelitiannya adalah sebagai berikut:

22

1. Untuk mengetahui konsep dasar survey sampel

2. Untuk mengetahui cara pemilihan elemen sampel

3. Untuk mengetahui metode penarikan sampel

4. Untuk mengetahui pengertian dari tingkat kepercayaan

5. Untuk mengetahui pengertian dari interval kepercayaan

6. Untuk mengetahui interval kepercayaan pada MCNP

7. Untuk mengetahui interval kepercayaan untuk masalah dua sampel

D. Manfaat Penelitian

Berdasarkan manfaat penelitian tersebut, maka didapatkan manfaat

penelitiannya adalah sebagai berikut:

1. Manfaat Teoritis

Secara teoritis, penelitian ini diharapkan dapat bermanfaat untuk

dijadikan sumber informasi dalam menjawab permasalahan-permasalahan

yang terjadi terkait interval kepercayaan untuk masalah dua sampel. Peneliti

juga berharap rancangan dalam penelitian ini yaitu menggunakan

pendekatan penelitian literatur review dapat memberikan manfaat dan

meningkatkan pengetahuan.

2. Manfaat Praktis

Secara praktis penelitian ini dapat bermanfaat:

a. Bagi guru
 23

Manfaat penelitian ini bagi guru yaitu dapat mengembangkan

kualitas pembelajaran menjadi lebih menarik, dapat menjalankan tugas

sebagai pendidik dengan baik.

b. Bagi siswa

Manfaat penelitian ini bagi siswa yaitu dapat meningkatkan

semangat dan motivasi dalam mengikuti pembelajaran karena

pembelajaran dikemas secara menarik dengan menggunakan

pendekatan penelitian literatur review. Penggunaan pendekatan

pembelajaran yang inovatif diharapkan dapat memberikan pengalaman

belajar yang bermakna dan dapat menambah wawasan pengetahuan

siswa.

c. Bagi peneliti

Manfaat penelitian ini bagi peneliti yaitu dapat memberikan

pengalaman dapat meningkatkan kemampuan mengajar dan

memberikan pengetahuan tentang interval kepercayaan untuk masalah

dua sampel. Selain itu penelitian ini juga dapat menjadi bahan informasi

dan pengalaman dalam penyusunan desain pembelajaran dengan

pendekatan pembelajaran penelitian literatur review.

 BAB II

LANDASAN TEORI

Matematika (dari bahasa Yunani: μαθηματικά - mathēmatiká) adalah studi

besaran, struktur, ruang, dan perubahan. Para matematikawan mencari berbagai

pola, merumuskan konjektur baru, dan membangun kebenaran melalui metode

deduksi yang kaku dari aksioma-aksioma dan definisi-definisi yang bersesuaian.

Terdapat perselisihan tentang apakah objek-objek matematika seperti bilangan dan

titik hadir secara alami, atau hanyalah buatan manusia. Seorang matematikawan

Benjamin Peirce menyebut matematika sebagai "ilmu yang menggambarkan

simpulan-simpulan yang penting". Di pihak lain, Albert Einstein menyatakan

bahwa "sejauh hukum-hukum matematika merujuk kepada kenyataan, mereka

tidaklah pasti; dan sejauh mereka pasti, mereka tidak merujuk kepada kenyataan.

Melalui penggunaan penalaran logika dan abstraksi, matematika

berkembang dari pencacahan, perhitungan, pengukuran, dan pengkajian sistematis

terhadap bangun dan pergerakan benda-benda fisika. Matematika praktis telah

menjadi kegiatan manusia sejak adanya rekaman tertulis. Argumentasi kaku

pertama muncul di dalam Matematika Yunani, terutama di dalam karya Euklides,

Elemen.

Matematika selalu berkembang, misalnya di Cina pada tahun 300 SM, di

India pada tahun 100 M, dan di Arab pada tahun 800 M, hingga zaman Renaisans,

ketika temuan baru matematika berinteraksi dengan penemuan ilmiah baru yang

mengarah pada peningkatan yang cepat di dalam laju penemuan matematika yang

berlanjut hingga kini.

 25

Kini, matematika digunakan di seluruh dunia sebagai alat penting di

berbagai bidang, termasuk ilmu alam, teknik, kedokteran/medis, dan ilmu sosial

seperti ekonomi, dan psikologi. Matematika terapan, cabang matematika yang

melingkupi penerapan pengetahuan matematika ke bidang-bidang lain, mengilhami

dan membuat penggunaan temuan-temuan matematika baru, dan kadang-kadang

mengarah pada pengembangan disiplin-disiplin ilmu yang sepenuhnya baru, seperti

statistika dan teori permainan.

Para matematikawan juga bergulat di dalam matematika murni, atau

matematika untuk perkembangan matematika itu sendiri, tanpa adanya penerapan

di dalam pikiran, meskipun penerapan praktis yang menjadi latar munculnya

matematika murni ternyata seringkali ditemukan terkemudian. Kata "matematika"

berasal dari bahasa Yunani Kuno μάθημα (máthēma), yang berarti pengkajian,

pembelajaran, ilmu, yang ruang lingkupnya menyempit, dan arti teknisnya menjadi

"pengkajian matematika", bahkan demikian juga pada zaman kuno. Kata sifatnya

adalah μαθηματικός (mathēmatikós), berkaitan dengan pengkajian, atau tekun

belajar, yang lebih jauhnya berarti matematis.

Bentuk jamak sering dipakai di dalam bahasa Inggris, seperti juga di dalam

bahasa Perancis les mathématiques (dan jarang digunakan sebagai turunan bentuk

tunggal la mathématique), merujuk pada bentuk jamak bahasa Latin yang

cenderung netral mathematica (Cicero), berdasarkan bentuk jamak bahasa Yunani

τα μαθηματικά (ta mathēmatiká), yang dipakai Aristotle, yang terjemahan kasarnya

berarti "segala hal yang matematis". Tetapi, di dalam bahasa Inggris, kata benda

mathematics mengambil bentuk tunggal bila dipakai sebagai kata kerja. Di dalam
26

ragam percakapan, matematika kerap kali disingkat sebagai math di Amerika Utara

dan maths di tempat lain.

Pengkajian matematika yang sistematis di dalam kebenarannya sendiri

dimulai pada zaman Yunani Kuno antara tahun 600 dan 300 SM. Matematika sejak

saat itu segera berkembang luas, dan terdapat interaksi bermanfaat antara

matematika dan sains, menguntungkan kedua belah pihak. Penemuan-penemuan

matematika dibuat sepanjang sejarah dan berlanjut hingga kini. Menurut Mikhail

B. Sevryuk, pada Januari 2006 terbitan Bulletin of the American Mathematical

Society, "Banyaknya makalah dan buku yang dilibatkandi dalam basis data

Mathematical Reviews sejak 1940 (tahun pertama beroperasinya MR) kini melebihi

1,9 juta, dan melebihi 75 ribu artikel ditambahkan ke dalam basis data itu tiap tahun.

Sebagian besar karya di samudera ini berisi teorema matematika baru beserta bukti-

buktinya.

A. Konsep Dasar Survei Sampel

Dalam suatu penelitian survei, keberadaan populasi dan sampel

penelitian tidak dapat dihindarkan. Populasi dan sampel merupakan sumber

utama untuk memperoleh data yang dibutuhkan dalam mengungkapkan

fenomena atau realitas yang dijadikan fokus penelitian. Demi mencapai

keakuratan dan validitas data yang dihasilkan, populasi dan sampel yang

dijadikan objek penelitian harus memiliki kejelasan baik dari segi ukuran

maupun karakteristiknya. Dengan kata lain, kejelasan populasi dan ketepatan

pengambilan sampel dalam penelitian akan menentukan validitas proses dan

 27

hasil penelitian. Penjelasan mengenai konsep dasar dalam survei sampel adalah

sebagai berikut.

1. Populasi

Populasi atau sering juga disebut universe adalah keseluruhan atau

totalitas objek yang diteliti yang ciri-cirinya akan diduga atau ditaksir

(estimate). Ciri-ciri populasi disebut parameter. Oleh karena itu, populasi

juga sering diartikan sebagai totalitas semua nilai yang mungkin, hasil

menghitung ataupun pengukuran, kuantitatif maupun kualitatif mengenai

karakteritik tertentu dari semua anggota kumpulan yang lengkap dan jelas

yang ingin dipelajari sifat-sifatnya (Sudjana, 2005). Menurut Margono

(2004), populasi diartikan sebagai wilayah generalisasi yang terdiri dari

subyek/obyek yang mempunyai kualitas dan karakteristik tertentu yang

ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulan.

Konsep dasar dalam populasi yang perlu dipahami adalah jumlah

populasi dan ukuran populasi. Jumlah populasi (population numbers)

adalah banyaknya kategori populasi yang dijadikan objek penelitian.

Sedangkan ukuran populasi (population size) adalah banyaknya unsur atau

unit yang terkandung dalam sebuah kategori populasi tertentu (Kurnia,

1992).

Masalah yang akan muncul dalam pengambilan data berdasarkan

seluruh responden populasi adalah masalah biaya, tenaga, dan waktu.

Sehingga cenderung peneliti mengambil sampel anggota populasi yang

28

mewakili secara representatif terhadap populasi, dalam hal ini disebut

sampling.

2. Sensus dan Sampel

Jika peneliti menggunakan seluruh unsur populasi sebagai sumber

data, maka penelitiannya disebut sensus. Sensus merupakan penelitian yang

dianggap dapat mengungkapkan ciri-ciri populasi secara akurat dan

komprehensif, karena dengan menggunakan seluruh unsur populasi sebagai

sumber data maka gambaran tentang populasi dapat secara utuh dan

menyeluruh akan diperoleh. Jika keadaan peneliti tidak memungkinkan

untuk melakukan sensus, maka peneliti dapat mengambil sebagian dari

unsur populasi untuk dijadikan objek penelitiannya. Sebagian unsur

populasi yang dijadikan objek penelitian disebut sampel. Sampel

merupakan bagian dari populasi sedemikian sehingga dapat mewakili atau

menggambarkan populasi. Dalam satu populasi dapat mempunyai satu atau

lebih sampel, tergantung pada karakteristik dan variabilitas data (Sudjana,

2005).

Jika peneliti menggunakan sampel sebagai sumber data, maka yang

akan diperoleh adalah ciri-ciri sampel bukan ciri-ciri populasi, tetapi ciri-

ciri sampel harus dapat digunakan untuk menaksir populasi. Ciri-ciri sampel

disebut statistik. Sama halnya dengan populasi, dalam sampel ada konsep

jumlah sampel dan ukuran sampel. Jumlah sampel adalah banyaknya

kategori sampel yang diteliti. Sedangkan ukuran sampel adalah besarnya

unsur populasi yang dijadikan sampel. Alasan peneliti harus benar-benar

 29

memahami pengertian istilah jumlah sampel dan ukuran sampel adalah

karena jumlah sampel dan sifat sampel yang diteliti akan sangat menentukan

uji statistik inferensial yang harus digunakan untuk menguji hipotesis yang

dirumuskan dalam penelitian (Kurnia, 2015).

Karena data yang diperoleh dari sampel harus dapat digunakan

untuk menaksir populasi, maka dalam mengambil sampel dari populasi

tertentu peneliti harus benar-benar bisa mengambil sampel yang dapat

mewakili populasinya atau disebut sample representatif. Sampel

representatif adalah sampel yang memiliki ciri karakteristik yang sama atau

relatif sama dengan ciri karakteristik populasinya. Tingkat kerepresentatifan

sampel yang diambil dari populasi tertentu sangat tergantung pada jenis

sampel yang digunakan, ukuran sampel yang diambil, dan cara

pengambilannya. Cara atau prosedur yang digunakan untuk mengambil

sampel dari populasi tertentu disebut teknik sampling (Kurnia, 2015).

3. Unit Sampling

Unit sampling adalah satuan yang didefinisikan untuk pemilihan

suatu sampel. Unit sampling dapat terdiri atas satu atau lebih unit dasar

(Estok et al, 2002). Dalam hal penarikan sampel statistik, unit sampel

ditetapkan dengan menggunakan formula statistik sesuai dengan jenis

sampling yang dilakukan. Pada tahap unit sampling ini hasilnya berupa

pernyataan mengenai jumlah unit sampel yang harus diuji pada populasi

yang menjadi objek penelitian.

4. Kerangka (Frame) Sampling

30

Tingkat kepresentatifan sampel selain ditentukan oleh ukuran

sampel yang diambil juga ditentukan oleh teknik sampling yang digunakan.

Diantara sekian banyak teknik sampling, dalam penggunaannya

mempersyaratkan tersedianya kerangka sampling. Kerangka sampling

merupakan kumpulan unit sampling dan mewakili populasi (Estok et al,

2002).

5. Teknik Sampling

a) Sampel Stratifikasi (Stratified Random Sampling)

Sampel stratifikasi (stratified random sampling) merupakan teknik

penarikan sampel dengan sampling unit dikelompokkan menjadi

beberapa strata (kelompok) sehingga sampling unit dalam satu strata

relatif homogen (Scheaffer et al, 1990). Adapun alasan digunakan

sampel stratifikasi adalah

1) Kesederhanaan dari simple random sampling, potensial memperoleh

signifikan dalam reabilitas.

2) Populasi harus dibagai dalam k strata yang saling bebas satu sama

lain.

3) Penarikan sampel dilakukan secara bebas di setiap strata.

Penetapan ukuran sampel per strata ditentukan oleh tiga faktor berikut.

1) Ukuran populasi setiap strata

2) Ragam setiap strata

3) Biaya pengambilan sampel per strata

 31

4) Kelebihan dari sampel stratifikasi ini adalah pada waktu melakukan

analisis dapat

5) disajikan secara keseluruhan, per strata ataupun membandingkan

antar strata.

b) Sampel Klaster (Cluster Sampling)

Sampel klaster (Cluster sampling) adalah sampel peluang dengan

masing-masing unit sampel (sampling unit) merupakan kumpulan atau

klaster dari elemen (Scheaffer et al, 1990). Elemen didefinisikan sebagai

obyek dimana pengukuran akan dilakukan. Sedangkan sampling unit

mempunyai arti yang hampir sama dengan elemen tetapi ada syarat tidak

boleh tumpang tindih. Teknik penarikan sampel pada dasarnya

dibedakan menjadi dua yakni berdasarkan kerangka sampel (sampling

frame) dan tidak berdasar kerangka sampel. Sampling frame adalah

daftar dari keseluruhan elemen populasi. Teknik berdasarkan kerangka

sampel disebut probabilistic sampling, dengan memiliki karakteristik

setiap elemennya diketahui sehingga penduga tak bias dapat dibuktikan.

Sedangkan teknik penarikan sampel tanpa kerangka sampel disebut

nonprobabilistic sampling/quota/purposive/judgemenet, teknik ini

sering digunakan untuk survei pemasaran dan opini publik.

Cara pengambilan sampel pada cluster sampling adalah

1) Populasi dibagi menjadi c klaster

2) Dari c klaster selanjutnya dipilih secara acak sebanyak k klaster

3) Seluruh elemen dari k klaster terpilih diambil.

32

Sampel klaster merupakan desain yang efektif untuk memperoleh

sejumlah informasi khusus dengan biaya minimum bila memenuhi

kondisi (Scheaffer et al, 1990) yaitu frame listing elemen populasi yang

baik tidak ada atau sangat mahal, sementara frame listing klaster mudah

diperoleh serta biaya untuk memperoleh objek-objek yang terpilih

sangat mahal karena faktor geografi maka klaster akan mengurangi

biaya.

c) Sampling Acak Sederhana

Apabila suatu sampel dengan n elemen dipilih dari suatu populasi

dengan N elemen sedemikian rupa sehingga setiap kemungkinan sampel

dengan n elemen mempunyai kesempatan yang sama untuk terpilih,

maka prosedur sampling demikian disebut sampling acak sederhana.

Peluang yang dimiliki oleh setiap unit penelitian untuk dipilih sebagai

sampel sebesar , yaitu ukuran sampel yang dikehendaki dibagi dengan

ukuran populasi (Supranto, 1992).

Pemakaian metode sampling acak sederhana perlu memenuhi

tersedianya kerangka sampel, ukuran populasinya diketahui dengan

pasti, dan keadaan populasi tidak terlalu tersebar secara geografis

(Eriyanto, 1990).

d) Multistage Random Sampling

Metode Multistage Random Sampling merupakan teknik sampling

yang dikontruksikan dari metode sampling acak sederhana yang melalui

beberapa tahapan pengambilan sampel secara acak. Dengan teknik

 33

tersebut dimungkinkan setiap anggota populasi mempunyai peluang

yang sama untuk dipilih sebagai sampel, sehingga pengukuran dapat

dilakukan dengan hanya melibatkan sedikit sampel. Meski tanpa

melibatkan semua anggota populasi, hasil survei dapat digeneralisasikan

sebagai representasi populasi. Sehingga akan diperoleh berbagai macam

informasi statistik yang sangat bermanfaat terutama dalam masalah-

masalah yang kompleks. Ukuran sampel TPS yang digunakan adalah

proporsional di masing-masing wilayah pemilihan (LSI, 2006).

Multistage random sampling pada dasarnya adalah gabungan antara

sampel stratifikasi (stratified random sampling) dengan sampel klaster

(cluster sampling). Stratifikasi diperlukan agar heterogenitas dari

populasi bisa tercermin dalam sampel. Untuk menanggulangi masalah

biaya yang meningkat karena stratifikasi tersebut, maka stratifikasi

tersebut dikombinasikan dengan klaster. Lewat klaster sampel tidak

menyebar sehingga biaya untuk menjangkaunya mengecil meskipun

klaster membuat sampel menjadi kurang mencerminkan karaketeristik

populasi (Scheaffer et al, 1990).

B. Cara Pemilihan Elemen Sampel

1. Dengan cara lotere (pengundian) (Supranto, 1992)

Cara pengundian ini merupakan cara yang paling sederhana dalam

memilih sampel. Hal yang perlu dilakukan adalah membuat kerangka

sampel yang terdiri dari seluruh elemen populasi, kemudian masing-masing

34

elemen diberikan nomor, dengan syarat setiap elemen mendapat satu nomor.

Tahapan selanjutnya nomor-nomor dari seluruh elemen dipilih secara acak,

nomor yang terpilih mewakili elemen dari populasi akan menjadi sampel.

Cara pengambilan sampel ini hanya cocok diterapkan jika elemen dari

populasi jumlahnya sedikit.

2. Dengan menggunakan tabel bilangan acak (Supranto, 1992)

Cara ini meringankan pekerja terutama untuk sampel dari populasi yang

besar. Selain itu, juga memberikan jaminan ketelitian yang jauh lebih besar

bahwa setiap elemen mempunyai probabilitas yang sama untuk dipilih

sebagai sampel. Tabel tersebut mempunyai kolom-kolom yang berisi

nomor-nomor dengan 5 angka dan harus ditentukan 5 angka mana yang

akan digunakan. Nomor-nomor tersebut dapat dipilih dari titik manapun:

kiri atas, kiri bawah, kanan atas atau kanan bawah. Bila telah sampai pada

bagian bawah kolom, maka kembali dilanjutkan pada kolom sebelahnya.

Hal ini dilakukan terus menerus sampai seluruh sampel diperoleh.

C. Metode Penarikan Sampel

Pemilihan metode dalam memilih sampel merupakan bagian yang

sangat penting dari semua penelitian. Jika metode yang digunakan tepat, maka

sampel yang digunakan dalam penelitian dapat mewakili populasi yang

dijadikan sebagai objek penelitian (Morissan, 2015).

Metode penarikan sampel (prosedur sampling) pada umumnya terbagi

menjadi dua, yaitu teknik sampel probabilitas dan nonprobabilitas (Babbie,

 35

2008). Menurut Morissan (2015), dari kedua metode tersebut, nonprobabilitas

merupakan metode yang paling unggul dalam memilih sampel karena sifatnya

yang mewakili populasi (representatif) dan memiliki keunggulan dibanding

teknik sampel probabilitas, antara lain:

1. Tujuan penelitian

Tidak semua penelitian dirancang untuk memperoleh hasil yang

akan digunakan untuk melakukan generalisasi terhadap populasi, tetapi

lebih untuk meneliti hubungan variabel, atau mengumpulkan data

eksploratif bagi penyusunan kuesioner atau instrumen pengukuran. Sampel

nonprobabilitas sangat cocok digunakan pada penelitian samacam ini.

2. Biaya versus nilai

Suatu sampel harus mampu menghasilkan nilai terbaik bagi peneliti

dengan biaya seminimal mungkin. Jika biaya penarikan sampel probabilitas

terlalu mahal dalam hubungannya dengan jenis dan kualitas informasi yang

akan diperoleh (tujuan penelitian), maka penggunaan sampel

nonprobabilitas biasanya sudah cukup memuaskan.

3. Keterbatasan waktu

Dalam banyak kasus, peneliti perlu mengumpulkan informasi

pendahuluan dalam waktu terbatas. Biasanya penellitian semacam ini

dilakukan atas permintaan pihak tertentu seperti sponsor, manajemen

perusahaan, media massa dan sebagainya. Karena penarikan probabilitas

sering kali sangat memakan waktu dalam pengerjaannya, maka suatu

sampling nonprobabilitas dapat memenuhi kebutuhan ini.

36

4. Nilai kesalahan yang dapat diterima

Dalam suatu penelitian pendahuluan (pilot study) sering kali faktor

error atau kesalahan tidak menjadi perhatian utama, maka penggunaan

sampel nonprobabilitas biasanya sudah cukup memadai.

Responden yang dipilih ketika menggunakan metode nonprobabilitas

adalah tipe responden yang masuk dalam kategori tersedia dan memenuhi

kriteria (qualified volunteer sample / QVS), yakni orang-orang yang ditemui

secara kebetulan, memenuhi kriteria dan sukarela menjadi responden

(Morissan, 2015). Menurut Siregar (2011), jumlah populasi merupakan masalah

ketika pengumpulan sampel. Karena terdapat dua jenis populasi di antaranya,

populasi yang dapat diketahui jumlah keseluruhannya dan tidak diketahui

jumlah keseluruhannya. Pada penelitian ini ukuran sampel tidak diketahui,

maka akan menggunakan teori yang dikembangkan oleh Isac Michael. Menurut

Lemeshow dkk (1990), rumusnya adalah:

𝑍1 − 𝛽 2
( ) . 𝑝. 𝑞
2
𝑛=
𝑑2

dimana:

n : jumlah sampel

𝑍1 −𝛽 1−𝛽
: z score pada tingkat kepercayaan
2 2

𝑝 : estimasi proporsi populasi

𝑞 :1−𝑝

d : ketepatan estimasi proporsi populasi yang diinginkan

 37

Besar sampel yang dipilih akan berjumlah paling besar jika 𝑝 = 0,5.

Oleh karena itu peneliti disarankan untuk memilih 𝑝 = 0,5 karena akan

memberikan jumlah yang cukup. Sedangkan untuk nilai d bervariasi antara 0,01

sampai dengan 0,25 (Faidah, 2018).

D. Tingkat Kepercayaan

Tingkat kepercayaan adalah peluang bahwa interval kepercayaan yang

terbentuk benar-benar memuat parameter populasi jika proses estimasinya

dilakukan secara berulang-ulang. Tingkat kepercayaan digunakan untuk

melihat keakuratan interval estimasi. Sebuah tingkat kepercayaan

menggambarkan kemungkinan dimana sebuah metode penarikan sampel akan

menghasilkan sebuah interval kepercayaan dimana parameter populasi yang

sesungguhnya berada di dalamnya.

Tingkat kepercayaan yang sering digunakan adalah 90% (dengan 𝛼 =

0,1), 95% (dengan 𝛼 = 0,05), dan 0,99 (dengan 𝛼 = 0,01). Dari ketiga pilihan

tersebut, selang kepercayaan yang paling sering digunakan adalah 95%.

Semakin tinggi tingkat kepercayaan, semakin lebar margin of errornya.

Dalam menentukan ukuran sampel, juga diperhatikan tingkat

kepercayaan yang harus diberikan dalam menyimpulkan bahwa jika dilakukan

penarikan sampel yang lain dari populasi itu, sampel tersebut harus memberikan

hasil yang kira-kira sama dengan pengambilan sampel yang pertama. Diulang

berapapun pengambilan sampel, akan memberikan hasil yang sama. Tingkat

kepercayaan ini erat hubungannya dengan margin of error. Margin of error

38

mengacu pada bagaimana keakuratan taksiran yang diinginkan, sedangkan

tingkat kepercayaan mengacu kepada bagaimana kepastian yang diinginkan

bahwa taksiran itu sendiri akurat.

Tingkat kepercayaan yang sering dipakai adalah 90%, 95%, dan 99%.

Disini dapat diyakini bahwa 90% atau 95% bahwa komposisi sampel bisa

diulang serta tetap identik jika dipilih sampel lain dari populasi yang sama.

Semakin tinggi tingkat kepercayaan yang diinginkan, semakin besar ukuran

sampel yang diperlukan. Tingkat kepercayaan dapat memberikan keyakinan

bahwa temuantemuan dalam sampel dapat digeneralisasikan kepada populasi.

Jika digunakan tingkat kepercayaan 90% atau 95%, ini berarti jika terdapat 100

sampel, maka perbedaan yang diamati akan muncul dalam 90 atau 95 dari

sampel itu (Eriyanto, 1990).

1. Daerah Kepercayaan dan Perbandingan Simultan dari Komponen Rata-Rata

Daerah yang ditentukan oleh sebuah data, untuk sementara, kita

notasikan dengan R(X), dengan 𝑋 = [𝑋1 , 𝑋2 … , 𝑋𝑛 ] adalah matriks data.

Daerah R(X) dikatakana akan menjadi daerah kepercayaan 100(1 − 𝛼 )%

jika sebelum sample dipilih,

𝑃 [𝑅(𝑋) 𝑎𝑘𝑎𝑛 𝑚𝑒𝑛𝑐𝑎𝑘𝑢𝑝 𝑛𝑖𝑙𝑎𝑖 𝜃 𝑦𝑎𝑛𝑔 𝑠𝑒𝑏𝑒𝑛𝑎𝑟𝑛𝑦𝑎] = 1 − 𝛼

Daerah kepercayaan untuk rata-rata dari dimensi-p yang berdistribusi

normal diperoleh, sebelum sampel dipilih,

(𝑛 − 1)𝑝
𝑃 [𝑛(𝑋̅ − 𝜇 )𝑆 −1 (𝑋̅ − 𝜇 ) ≤ 𝐹 ( 𝛼 )] = 1 − 𝛼
(𝑛 − 𝑝) 𝑝,𝑛−𝑝

Untuk sebarang nilai dan £ tidak diketahui.

 39

Untuk sample khusus, 𝑋̅ dan S dapat dihitung dan ketaksamaan

𝑛(𝑋̅ − 𝜇 )𝑆 −1 (𝑋̅ − 𝜇 ) ≤ (𝑛 − 1)𝑝 𝐹𝑝,𝑛−𝑝 (𝛼 )/(𝑛 − 𝑝) akan mendefinisikan

daerah, R(X), dalam ruang dari semua nilai parameter yang mungkin.

Dalam kasus ini, daerah akan menjadi ellipsoid dengan pusat 𝑋̅. Ellipsoid

ini adalah daerah kepercayaan 100(1 − 𝛼 )% untuk .

Daerah kepercayaan 100(1 − 𝛼 )% untuk rata-rata dari dimensi-p

yang berdistribusinormal adalah himpunan yang ditentukan oleh semua

sedemikian sehingga

(𝑛 − 1)𝑝
𝑛(𝑋̅ − 𝜇 )𝑆 −1 (𝑋̅ − 𝜇 ) ≤ 𝐹 (𝛼 )
(𝑛 − 𝑝) 𝑝,𝑛−𝑝

1 1
dimana 𝑋̅ = 𝑛 ∑𝑛𝑗=1 𝑥𝑗 , 𝑆 = (𝑛−1) ∑𝑛𝑗=1(𝑥𝑗 − 𝑋̅)(𝑥𝑗 − 𝑋̅), dan 𝑥1 , 𝑥2 , … , 𝑥𝑛

adalah sampel pengamatan.

Untuk p 4, kita tidak dapat menggambarkan daerah kepercayaan

untuk . Akan tetapi, kita dapat menghitung sumbu-x dari ellipsoid

kepercayaan dan panjang relatifnya. Hal ini ditentukan dari nilai eigen

𝜆𝑖 dan vector eigen 𝑒𝑖 dari S. Seperti dalam persamaan (𝑥 − 𝜇 )£−1(𝑥 −

𝜇 ) = 𝑐 2, arah dan panjang sumbu-x dari 𝑛(𝑋̅ − 𝜇 )𝑆 −1 (𝑋̅ − 𝜇 ) ≤ 𝑐 2 =

𝑝(𝑛−1)
(𝑛−𝑝)
𝐹𝑝,𝑛−𝑝 (𝛼 ) akan ditentukan oleh

√𝜆𝑖 𝑐
= √𝜆𝑖 √𝑝(𝑛 − 1)𝐹𝑝,𝑛−𝑝 (𝛼 )/𝑛(𝑛 − 𝑝)
√𝑛

Unit sepanjang vector eigen 𝑒𝑖 . Berawal di pusat x , sumbu-x dari

ellipsoid kepercayaan adalah

40

𝑝(𝑛 − 1)
±√𝜆𝑖 √ 𝐹 (𝛼 )𝑒𝑖
𝑛(𝑛 − 𝑝) 𝑝,𝑛−𝑝

dimana 𝑆𝑒𝑖 = 𝜆𝑖 𝑒𝑖 , 𝑖 = 1,2, … . , 𝑝

Perbandingan dari 𝜆𝑖 𝑠 akan membantu dalam mengidentifikasi jumlah

relatif dari pemanjangan sepanjang pasangan sumbu-x.

Pernyataan Kepercayaan Simultan

Ketika daerah kepercayaan 𝑛(𝑥̅ − 𝜇 )𝑆 −1 (𝑥̅ − 𝜇 ) ≤ 𝑐 2 , dengan c

adalah konstanta, dapat dilihat dengan tepat hubungan mengenai nilai

plausible untuk m , apa saja inti dari kesimpulan yang biasa dimasukkan

dalam pernyataan kepercayaan tentang rata-rata komponen tunggal.

Selanjutnya, kita gunakan aturan bahwa pernyataan kepercayaan yang

terpisah, sebaiknya mempertahankan kesimultanaan-nya dengan tingginya

probabilitas yang ditentukan. Hal ini merupakan jaminan dalam

menentukan probabilitas terhadap banyaknya pernyataan salah yang

menyebabkan interval kepercayaan simultan. Kita awali dengan mengingat

pernyataan kepercayaan simultan yang berhubungan dengan daerah

kepercayaan bersama berdasarkan statistik 𝑇 2 .

Misalkan X berdistribusi 𝑁𝑝 (𝜇, £) dan bentuk kombinasi liniernya

yaitu

𝑍 = 𝑙1 𝑋1 + 𝑙2 𝑋2 + ⋯ + 𝑙𝑝 𝑋𝑝 = 𝑙 𝑋

Sebagaimana yang kita ketahui bahwa 𝜇𝑧 = 𝐸(𝑍) = 𝑙𝜇 dan 𝜎𝑧2 =

𝑉𝑎𝑟(𝑍) = 𝑙 ∑ 𝑙. Selain itu, berdistribusi 𝑁 (𝑙𝜇, 𝑙 ∑ 𝑙 ). Jika sample acak

 41

𝑋1 , 𝑋2 , … , 𝑋𝑛 dari populasi berdistribusi N(m ,S) adalah memungkinkan,

maka sample Z's dapat ditulis dengan menggunakan kombinasi linier yaitu.

Jadi,

𝑍 = 𝑙1 𝑋1 + 𝑙2 𝑋2 + ⋯ + 𝑙𝑝 𝑋𝑝 = 𝑙 ′ 𝑋𝑗 , 𝑗 = 1,2, … . , 𝑛

Rata-rata dan variansi dari 𝑧1, 𝑧2 , … , 𝑧𝑛 adalah 𝑧̅ = 𝑙𝑥̅ dan 𝑠𝑧2 = 𝑙𝑆𝑙, dimana

x dan S adalah vektor rata-rata dan matriks kovarians sample dari 𝑥𝑗 𝑠 ,

berturut-turut.

Interval kepercayaan simultan dapat dikembangkan dengan

pertimbangan dari interval kepercayaan 𝑙𝜇 untuk sebarang 𝑙. Untuk 𝑙

tertentu dan 𝜎𝑧2 tidak diketahui, interval kepercayaan 100(1-a )% untuk 𝜇𝑧 =

𝑙𝜇 adalah berdasarkan rasio-t student’s

𝑧̅ − 𝜇𝑧 √𝑛(𝑙 ′ 𝑥̅ − 𝑙 ′𝜇 )
𝑡= =
𝑆𝑥 √𝑙 ′ 𝑆𝑙
⁄
√𝑛

Sehingga diperoleh pernyataan

𝑆𝑧 𝑆𝑧
𝑧̅ − 𝑡𝑛−1 (𝛼⁄2) ≤ 𝜇𝑧 ≤ 𝑧̅ + 𝑡𝑛−1 (𝛼⁄2)
√𝑛 √𝑛

atau

√𝑙 ′ 𝑆𝑙 √𝑙 ′𝑆𝑙
𝑙 ′ 𝑥̅ − 𝑡𝑛−1 (𝛼⁄2) ≤ 𝑙 ′𝜇 ≤ 𝑙 ′𝑥̅ + 𝑡𝑛−1 (𝛼⁄2)
√𝑛 √𝑛

dimana 𝑡𝑛−1 (𝛼⁄2) adalah batas atas 100 1 % dari distribusi-t

dengan derajat kebebasan (n-1).

Ketidaksamaan (3-5) dapat dinyatakan sebagai pernyataan

mengenai komponen dari vektor rata-rata m . Sebagai contoh, dengan 𝑙 ′ =

42

[1,0, … ,0], 𝑙 ′𝜇 = 𝜇1 dan ketidaksamaan (3-5) menghasilkan interval

kepercayaan biasa untuk rata-rata dari populasi normal. Dalam kasus ini

𝑙 ′𝑆𝑙 = 𝑠11, jelasnya, kita akan menentukan beberapa pernyataan

kepercayaan mengenai komponen m , dengan menghubungkan koefisien

kepercayaan 1-a, dengan memilih koefisien vector l yang berbeda.

Bagaimanapun, hubungan kepercayaan dengan semua pernyataan yang

diambil bersama adalah bukan 1 − 𝛼.

Berdasarkan intuisi, akan dihubungkan koefisien kepercayaan

“kolektif” 1-a dengan interval kepercayaan sehingga dihasilkan oleh semua

pilihan 𝑙. Nilai tersebut harus mengganti koefisien kepercayaan yang besar

dengan sebaik-baiknya. Nilai tersebut ada dalam bentuk interval yang lebih

luas dibandingkan dengan interval pada ketidaksamaan (3-15) untuk pilihan

l yang spesifik.

Diberikan data himpunan 𝑥1 , 𝑥2 , … , 𝑥𝑛 dan 𝑙 tertentu, interval

kepercayaan dalam ketidaksamaan (3-5) adalah himpunan dari nilai 𝑙𝜇

untuk

√𝑛(𝑙 ′𝑥̅ − 𝑙 ′𝜇 )
|𝑡 | = | | ≤ 𝑡𝑛−1 (𝛼⁄2)
√𝑙 ′ 𝑆𝑙

atau ekuivalen dengan

2
𝑛(𝑙 ′𝑥̅ − 𝑙 ′𝜇 )2 𝑛(𝑙 ′ (𝑥̅ − 𝜇 ))
2
𝑡 = = ≤ 𝑡𝑛−1 (𝛼⁄2)
𝑙 ′𝑆𝑙 𝑙 ′ 𝑆𝑙

Daerah kepercayaan simultan diberikan oleh himpunan nilai 𝑙 ′ 𝜇

yaitu 𝑡 2 relatif kecil untuk semua l . Nampaknya pantas untuk menduga

bahwa konstanta 𝑡 2 𝑛−1 (𝛼⁄2) dalam persamaan (3-6) akan digantikan oleh
 43

nilai yang lebih besar yaitu c2 , ketika pernyataan dikembangkan untuk

sembarang l .

Mengingat nilai l untuk 𝑡 2 ≤ 𝑐 2 , secara otomatis kita peroleh

ketetapan :
2
2
𝑛(𝑙 ′(𝑥̅ − 𝜇 ))
max 𝑡 = max
𝑙 𝑙 𝑙 ′𝑆𝑙
2
(𝑥 ′ 𝑑)
Dengan menggunakan Maximization lemma: max = 𝑑 ′ 𝐵−1 𝑑, dimana
𝑥≠0 𝑥 ′ 𝐵𝑥

𝑥 = 𝑙, 𝑑 = (𝑥̅ − 𝜇 ), dan B = S, diperoleh:

2 2
𝑛(𝑙′ (𝑥̅ −𝜇)) 𝑛(𝑙′ (𝑥̅ −𝜇))
2
max 𝑡 = max = 𝑛 [max ] = 𝑛(𝑥̅ − 𝜇 )′𝑆 −1 (𝑥̅ −
𝑙 𝑙 𝑙′ 𝑆𝑙 𝑙 𝑙′ 𝑆𝑙

𝜇) = 𝑇 2

Untuk l sepadan dengan 𝑆 −1 (𝑥̅ − 𝜇 ).

Akibat 3.3

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 sample random dari populasi berdistribusi 𝑁𝑝 (𝜇, £)

dengan ∑ definit positif. Maka, kesimultanan untuk semua l , interval

𝑝(𝑛 − 1) 𝑝(𝑛 − 1)
(𝑙 ′𝑋̅ − √ 𝐹𝑝,𝑛−𝑝 (𝛼 )𝑙 ′𝑆𝑙. 𝑙 ′ 𝑋̅ + √ 𝐹 (𝛼 )𝑙 ′𝑆𝑙)
𝑛 (𝑛 − 𝑝 ) 𝑛(𝑛 − 𝑝) 𝑝,𝑛−𝑝

Akan memuat 𝑙 ′ 𝜇 dengan probabilitas 1 − 𝛼.

Bukti:
2
𝑛(𝑙′ 𝑥̅ −𝑙′ 𝜇)
𝑇 = 𝑛(𝑥̅ − 𝜇 )′𝑆 −1 (𝑥̅ − 𝜇 ) ≤ 𝑐 2 termasuk
2
≤ 𝑐 2 untuk setiap l,
𝑙′ 𝑆𝑙

𝑙′ 𝑆𝑙 𝑙′ 𝑆𝑙
atau 𝑙 ′𝑥̅ − 𝑐√ ≤ 𝑙 ′𝜇 ≤ 𝑙 ′𝑥̅ + 𝑐√ untuk setiap l.
𝑛 𝑛
44

2. Interval Keyakinan untuk Parameter Statistika

Sebuah parameter populasi mempunyai nilai dengan batas toleransi

yang dinyatakan dalam interval keyakinan. Interval keyakinan untuk

parameter 𝜃, ditulis dalam bentuk interval 𝐿 ≤ 𝜃 ≤ 𝑈, dimana L adalah

batas bawah dan U adalah batas atas dari interval. Panjang interval

keyakinan tergantung dari tingkat nyata (significant) yang dinyatakan dalam

(1 − α)100%, yang nilainya ditentukan sesuai dengan keperluan analisis

statistika (Bain dan Engelhardt, 1992).

Dalam membuat interval keyakinan untuk parameter 𝜃, batas bawah

L dan batas atas U ditentukan dengan membuat

P[𝐿 ≤ 𝜃 ≤ 𝑈] = 1 − α

dibaca sebagai probabilitas parameter 𝜃 berada pada daerah interval dengan

batas bawah L dan batas atas U sama dengan 1 − α.

Sehingga, sebuah interval

𝐿≤𝜃≤𝑈

merupakan interval keyakinan (1 − α)100% untuk parameter 𝜃. Batas

bawah L dan batas atas U masing-masing disebut sebagai batas keyakinan

atas dan batas keyakinan bawah, dan 1 − α disebut koefisien keyakinan.

Interprestasi dari 𝐿 ≤ 𝜃 ≤ 𝑈 menyatakan bahwa, dari sejumlah sampel

random yang diambil, sebesar (1 − α)100% berada pada interval

keyakinan sebagai perkiraan nilai 𝜃 yang sebenarnya. Panjang interval

untuk suatu parameter populasi adalah suatu ukuran yang menentukan

kualitas informasi parameter tersebut yang diperoleh dari sampel.

 45

Interval keyakinaan 𝐿 ≤ 𝜃 ≤ 𝑈 merupakan interval keyakinan dua

arah dengan batas atas dan batas bawah untuk parameter 𝜃. Disamping

interval dua arah, dapat pula ditentukan interval keyakinan satu arah, yaitu

hanya menggunakan satu batas interval sebagai batas atas atau batas bawah

saja. Sebuah interval keyakinan satu arah dengan batas atas (1 − α)100%

untuk 𝜃 diberikan dengan interval

𝜃≤𝑈

dimana batas atas U dipilih sehingga P[𝜃 ≤ 𝑈] = 1 − α. Notasi P

menunjukkan probabilitas. Sehingga jika diambil 𝛼 = 0,05 atau 5%, maka

P[𝜃 ≤ 𝑈] = 1 − 0,05 = 0,95. Sedangkan untuk interval keyakinan satu

arah dengan batas bawah (1 − α)100% untuk 𝜃 diberikan dengan interval

𝐿≤𝜃

dimana batas bawah L dipilih sehingga P[𝜃 ≤ 𝐿] = 1 − α.

3. Interval Keyakinan Untuk Rata-Rata Pada Distribusi Normal

Jika diketahui 𝑥1 , … … , 𝑥𝑛 sample acak dari 𝑁 (𝜇, 𝜎 2 ) dengan 𝜎 2

tidak diketahui. Dalam kasus ini 𝜃 = (𝜇, 𝜎) dan (𝜃 ) = 𝜇. Sedangkan

kuantitas pivotal yang kita perlukan adalah

𝑋−𝜇
Q z (𝑋1 , … … , 𝑋n ; 𝜃 ) = 𝜎 ~𝑁(0, 1)
⁄ 𝑛
√

𝑋−𝜇
Tetapi {𝑞1 < 𝜎 < 𝑞2 } tidak dapat diinversikan untuk mendapatkan
⁄ 𝑛
√

𝑡1 (𝑥1 , … … , 𝑥𝑛 ) < 𝜇 < 𝑡2 (𝑥1 , … … , 𝑥𝑛 ) untuk suatu statistik 𝑡1 dan 𝑡2 .

46

𝑋−𝜇
Masalah ini muncul karena besaran 𝜎 masih bergantung pada 𝜎. Jadi
⁄ 𝑛
√

diperlukan besaran pivotal yang hanya bergantung 𝜇 saja. Seperti diketahui

𝑋−𝜇
bersama bahwa 𝑠 berdistribusi student dengan derajad kebebasan n-1.
⁄ 𝑛
√

𝑋−𝜇
Sehingga 𝑠 mempunyai densitas yang independen terhadap 𝜇 dan 𝜎,
⁄ 𝑛
√

maka juga merupakan besaran pivotal. Sehingga sekarang diperoleh

𝑋−𝜇
{𝑞1 < 𝑠 < 𝑞2 } ↔ {𝑋 − 𝑞2 𝑠⁄ < 𝜇 < 𝑋 − 𝑞1 𝑠⁄ }
⁄ 𝑛 √𝑛 √𝑛
√

𝑋−𝜇
Dimana 𝑞1 dan 𝑞2 memenuhi persamaan 𝑃 {𝑞1 < 𝑠 < 𝑞2 } = 𝛾 akibatnya
⁄ 𝑛
√

{𝑋 − 𝑞2 𝑠⁄ ; 𝑋 − 𝑞1 𝑠⁄ } adalah interval kepercayaan100γ% untuk 𝜇.

√𝑛 √𝑛
(𝑞2 −𝑞1 )𝑠
Panjang interval kepercayaan adalah dan bersifat acak. Untuk
√𝑛

sembarang sampel yang diperoleh panjangnya dapat diminimalkan jika 𝑞1

dan 𝑞2 dipilih sehingga 𝑞2 − 𝑞1 minimal, dalam bentuk lain masalah ini

dapat dapat dinyatakan dalam:

(𝑞2 −𝑞1 )𝑠
Peminimalan fungsi 𝐿 = dibawah syarat
√𝑛

𝑞2
∫ 𝑓𝑇 (𝑡)𝑑𝑡 = 𝛾
𝑞1

dimana 𝑓𝑇 (𝑡) adalah densitas distribusi t dengan derajat kebebasan n-1.

𝑞 2
∫𝑞1 𝑓𝑇 (𝑡)𝑑𝑡 = 𝛾 memberikan 𝑞2 sebagai suatu fungsi dari 𝑞1 dan

𝑑𝑞
pendeferensialannya terhadap 𝑞1 menghasilkan 𝑓𝑇 (𝑞2 ) 𝑑𝑞2 − 𝑓𝑇 (𝑞1 ) = 0.
1
 47

𝑑𝐿
Untuk meminimalkan L diperlukan syarat = 0 sehingga diperoleh
𝑑𝑞1

𝑑𝐿 𝑠 𝑑𝑞2 𝑠 𝑑𝑞2 𝑠 𝑓𝑇 (𝑞2 )

= ( − 1) = 0. Tetapi ( − 1) = ( − 1) = 0 maka
𝑑𝑞1 √𝑛 𝑑𝑞1 √𝑛 𝑑𝑞1 √𝑛 𝑓𝑇 (𝑑𝑞1 )

𝑓𝑇 (𝑞1 ) = 𝑓𝑇 (𝑞2 ) ↔ 𝑞1 = 𝑞2 𝑎𝑡𝑎𝑢 𝑞1 = −𝑞2 . Jika 𝑞1 = 𝑞2 maka

𝑞 2
∫𝑞1 𝑓𝑇 (𝑡)𝑑𝑡 ≠ 𝛾. Jadi 𝑞1 = −𝑞2 dipandang sebagai suatu solusi dengan 𝑞1

dan 𝑞2 dapat diperoleh dari tabel distribusi student.

Kalau diperhatikan rumusan interval kepercayaan di atas bertalian

dengan akar dari n berarti ada keuntungan yang menurun dalam usaha terus

memperbesar ukuran sampel (Schefler, 1979). Untuk menjelaskan ini

andaikan ingin ditaksir rataan suatu populasi dengan kepercayaan 95%.

Untuk ini diambil tiga sampel, berturut-turut sebesar n = 100, 1000 dan

10.000. Misalkan setiap sampel menghasilkan rataan sebesar 50 dengan

simpangan baku 10. Jika dihitung selang kepercayaan 95 % untuk masing-

masing sampel itu diperoleh:

48,04 < 𝜇 < 51 (𝑛 = 100)

49,37 < 𝜇 < 50,63 (𝑛 = 1000)

49,80 < 𝜇 < 50,20 (𝑛 = 10.000)

Jika diperhatikan ketiga taksiran memang memberikan taksiran yang lebih

seksama. Misal peningkatan sampel dari 100 menjadi 1000 menghasilkan

taksiran yang lebih pendek 2,66 selanjutnya peningkatan sampel menjadi

dari 1000 menjadi 10.000 memperpendek taksiran 0,86 saja. Di sini perlu

dipertanyakan apakah peningkatan keseksamaan ini ada keuntungannya

48

dibanding pengelolaan sampel sebesar itu yang memerlukan tambahan

biaya, waktu dan tenaga.

E. Interval Kepercayaan

Interval kepercayaan adalah salah satu parameter untuk

mengukur/mengestimasi seberapa akurat rerata atau proporsi sebuah sampel

mewakili populasi sesungguhnya. Nilai dari suatu kelompok sampel dalam

populasi dapat diperkirakan dengan dua cara, yakni point estimate (pendugaan

titik) dan estimasi estimate (pendugaan interval).

➢ Point estimate (pendugaan titik) adalah suatu nilai (suatu titik) yang

digunakan untuk menduga suatu nilai parameter. Point estimate dapat

berupa rerata atau proporsi.

➢ Interval estmate (pendugaan interval) merupakan suatu interval yang

menyatakan selang, dimana nilai yang sebenarnya dari proporsi mungkin

berbeda.

Interval kepercayaan merupakan nilai parameter dari suatu populasi

yang ingin ditaksir berdasarkan data dari sampel. Pada pendekatan ini harus

ditentukan batas atas dan batas bawah interval. Setiap pengambilan sampel akan

menghasilkan nilai yang berbeda dalam rentang interval. Lebar interval

menentukan ketepatan suatu estimasi. Interval kepercayaan yang sempit

menghasilkan presisi yang baik dan sebaliknya apabila interval kepercayaan

yang lebar menghasilnya presisi yang uruk. Interval kepercayaan dapat

 49

digunakan untuk mengukur variasi sampel dalam suatu populasi dan dapat

memperkirakan letak nilai yang sebenarnya dari populasi tersebut.

Pada rerata jika nilai nol terkandung dalam interval kepercayaan 95%,

menunjukkan bahwa didalam populasi tidak didapatkan hubungan sehingga

hipotesis nol tidak dapat ditolak. Pada proporsi contohnya Risk Ratio atau Odds

Ratio apabila terkandung nilai 1,0 dalam interval kepercayaan (95%), maka

hipotesis nol tidak dapat ditolak. Pada uji hipotesis akan diperoleh nilai 𝑝 >

0,05.

Sebuah interval kepercayaan terdiri dari tiga komponen yaitu nilai

statistik (rerata atau proporsi), tingkatt kepercayaan, dan derajat penyimpangan

(standar error). Sedangkan standar error tersusun atas jumlah sampel dan

variabilitas dalam proporsi.

𝑃 (1 − 𝑃 )
𝐶𝐼 = 𝑃 ± 𝑍√
𝑛

Interval kepercayaan merupakan nilai maksimum dan minimum dimana

diharapkan nilai rata-rata sebenarnya akan tetap tercakup. Berikut ini interval

kepercayaan untuk perkiraan rata-rata proses optimal (predicted mean) dihitung

dengan rumus sebagai berikut.

𝜇𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 = 𝑦̂ + (𝑓𝑎𝑘𝑡𝑜𝑟 𝑡𝑒𝑟𝑝𝑖𝑙𝑖ℎ 1 − 𝑦̂) + ⋯ + (𝑓𝑎𝑘𝑡𝑜𝑟 𝑡𝑒𝑟𝑝𝑖𝑙𝑖ℎ 𝑛 − 𝑦̂)

Dimana:

𝑦̂ = rata-rata nilai hasil dari faktor yang terpilih setelah pooled

1
𝐶𝐼 = ±√(𝐹𝛼,𝑣1,𝑣2 𝑥 𝑉 𝑒 𝑥 [ ])
𝑛𝑒𝑓𝑓
50

𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑒𝑘𝑠𝑝𝑒𝑟𝑖𝑚𝑒𝑛

𝑛𝑒𝑓𝑓 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑒𝑟𝑎𝑗𝑎𝑡 𝑘𝑒𝑏𝑒𝑏𝑎𝑠𝑎𝑛 𝑑𝑎𝑙𝑎𝑚 𝑝𝑒𝑟𝑘𝑖𝑟𝑎𝑎𝑛 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎

Dimana:

𝐹𝛼,𝑣1,𝑣2 = nilai F-ratio dari tabel

𝛼 = 0,05

𝑣1 = derajat kebebasan untuk pembilang yang berhubungan dengan suatu

rata-rata

𝑣1 = derajat kebebasan untuk penyebut yang berhubungan dengan variasi

pooled error

MS pooled e = variansi pooled error

Berikut ini interval kepercayaan pada tahap predicted mean.

𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 − 𝐶𝐼 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 + 𝐶𝐼

Berikut ini adalah perhitungan confidence interval – for a confirmation

experiment.

Perhitungan ini dilakukan setelah dilakukan uji konfirmasi.

1 1
𝐶𝐼 = ±√(𝐹𝛼,𝑣1,𝑣2 𝑥 𝑉 𝑒 𝑥 [ + ])
𝑛𝑒𝑓𝑓 𝑟

Dimana:
1
= jumlah replikasi yang dilakukan saat uji konfirmasi
𝑟

Berikut ini rumus interval kepercayaan pada tahap uji konfirmasi.

𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 − 𝐶𝐼 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 + 𝐶𝐼

Contoh soal:
 51

Sebuah sampel acak dari 100 orang, menunjukkan bahwa 25

diantaranya menderita katarak kapsular posterior. Buat interval konfidensi 95%

untuk proporsi sebenarnya anggota populasi pasien dengan katarak kapsular

posterior.

Penyelesaian:

𝑃 (1 − 𝑃 )
𝐶𝐿 = 𝑃 ± 𝑍√
𝑛

25 0,25(0,75)
= ± 1,96√
100 100

= 0,25 ± 1,96(0,0433)

0,1651 ≤ 𝜋 ≤ 0,3349

Yang artinya kita yakin 95% bahwa proporsi populasi pasien dengan katarak

kapsular posterior adalah diantara 16,51% dan 33,49%. Hal ini juga berarti

bahwa 5% dari pengulangan atau 1 dari 20 kali pengulangan akan muncul

hipotesis nol atau nilai diluar interval (0,1651 − 0,3349).

1. Selang Kepercayaan Persentil Bootstrap

Misalkan akan dibentuk selang kepercayaan (1 − 𝛼 ) untuk

parameter 𝜃. Efron dan Tibshirani (1993) memberikan langkah-langkah

untuk membentuk selang kepercayaan tersebut dengan menggunakan

metode persentil bootstrap:

a) Nilai dugaan parameter 𝜃, katakanlah 𝜃̂, dihitung berdasarkan data

sampel asli 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 )

52

b) Nilai dugaan parameter 𝜃, katakanlah 𝜃̂, dihitung berdasarkan data

sampel asli 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 )

c) Sampel acak diambil dengan pengembalian dari data sampel asli untuk

mendapatkan sampel bootstrap 𝑥 ∗ = (𝑥1 ∗ , 𝑥2 ∗ , … , 𝑥𝑛 ∗ )

d) Statistik yang sama dihitung seperti langkah 1 dengan menggunakan

data sampel bootstrap untuk mendapatkan 𝜃̂ ∗

e) Langkah 2 dan 3 diulang sebanyak B kali (𝐵 ≥ 1000), sehingga

diperoleh replikasi bootstrap 𝜃̂ ∗1 , 𝜃̂ ∗2 , … , 𝜃̂ ∗𝐵

f) Replikasi bootstrap 𝜃̂ ∗1 , 𝜃̂ ∗2, … , 𝜃̂ ∗𝐵 diurut dari nilai terkecil ke nilai

terbesar

g) Batas bawah selang adalah replikasi bootstrap urutan ke- (𝐵. 𝛼 ⁄2)

sedangkan batas atasnya adalah replikasi bootstrap urutan ke-

(𝐵. (1 − 𝛼 ⁄2)) dari replikasi bootstrap.

2. Selang Kepercayaan Parameter Model Regresi Linier

Model regresi linier sederhana adalah

Y = 𝛽1 + 𝛽2 X1 + 𝜀

dengan dugaan modelnya

𝑌̂ = 𝛽̂0 + 𝛽̂1 X1

pendugaan parameter 𝜃 diperoleh dengan rumus

SXY
𝛽̂1 = ; 𝛽̂0 = Y
̅ − 𝛽̂1 X
̅1
SXX

dengan

̅1 )Y𝑖 𝑑𝑎𝑛 SXX = ∑(X1𝑖 − X

SYX = ∑(X1𝑖 − X ̅ 1 )2
 53

Selang kepercayaan (1 − 𝛼 )100% untuk masing-masing parameter 𝛽1 dan

𝛽0 , dalam Myers (1990) adalah

𝛽1 ± 𝑡𝛼⁄2,𝑣 𝑆√1⁄𝑆
𝑋𝑋

1 ̅
X
𝛽0 ± 𝑡𝛼⁄2,𝑣 𝑆√ +
𝑛 SXX

dengan 𝑡𝛼⁄2 adalah titik 𝛼 ⁄2 persen pada distribusi-t, v adalah derajat bebas

dari pendugaan 𝜎, dan s adalah standar deviasi sampel.

Sedangkan model regresi linier berganda dengan dua peubah adalah

Y = 𝛽0 + 𝛽1 X1 + 𝛽2 X2 + 𝜀

dengan dugaan modelnya

𝑌̂ = 𝛽̂0 + 𝛽̂1 X1 + 𝛽̂2 X 2

pendugaan parameter 𝛽 diperoleh dengan rumus

𝛽̂
𝛽̂ = [ 1 ] = [X ′ X]−1 [X′ Y] ; 𝛽̂0 = ̅
Y − 𝛽̂1 ̅
X1 − 𝛽̂2 ̅
X2
𝛽̂2

dengan

̅ 1 )2
∑ (X 1 − X ̅1 )(X2 − X
∑(X1 − X ̅2)
[X′ X] = [ ]
∑ (X 1 − ̅
X1 )(X2 − ̅
X2) ∑(X2 − ̅
X 2 )2

̅1 )(Y − Y
∑ (X 1 − X ̅)
[X′ Y] = [ ]
̅
∑(X2 − X2 )(Y − Y) ̅

Selang kepercayaan (1 − 𝛼 )100% untuk masing-masing parameter 𝛽1 ,

dalam Ryan (1997) adalah

𝛽𝑖 ± 𝑡𝛼⁄2.𝑣 S√𝑐𝑖𝑖
54

dengan 𝑖 = 0, 1, 2, 𝑡𝛼⁄2 adalah titik 𝛼 ⁄2 persen pada distribus-t, v adalah

derajat bebas dari pendugaan 𝜎, 𝑠 adalah standar deviasi sampel, dan 𝑐𝑖𝑖

merupakan unsur diagonal matriks [X′ X]−1 .

F. Interval Kepercayaan Pada MCNP

Statistika adalah ilmu yang mempelajari bagaimana merencanakan,

mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.

Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Istilah

'statistika' (bahasa Inggris: statistics) berbeda dengan 'statistik' (statistic).

Statistika merupakan ilmu yang berkenaan dengan data, sedang statistik adalah

data, informasi, atau hasil penerapan algoritma statistika pada suatu data. Dari

kumpulan data, statistika dapat digunakan untuk menyimpulkan atau

mendeskripsikan data; ini dinamakan statistika deskriptif. Sebagian besar

konsep dasar statistika mengasumsikan teori probabilitas.

Beberapa istilah statistika antara lain: populasi, sampel, unit sampel, dan

probabilitas. Statistika banyak diterapkan dalam berbagai disiplin ilmu, baik

ilmu-ilmu alam (misalnya astronomi dan biologi maupun ilmu-ilmu sosial

(termasuk sosiologi dan psikologi), maupun di bidang bisnis, ekonomi, dan

industri). Statistika juga digunakan dalam pemerintahan untuk berbagai macam

tujuan; sensus penduduk merupakan salah satu prosedur yang paling dikenal.

Aplikasi statistika lainnya yang sekarang popular adalah prosedur jajak

pendapat atau polling (misalnya dilakukan sebelum pemilihan umum), serta

jajak cepat (perhitungan cepat hasil pemilu) atau quick count. Di bidang
 55

komputasi, statistika dapat pula diterapkan dalam pengenalan pola maupun

kecerdasan buatan.

Penggunaan istilah statistika berakar dari istilah istilah dalam bahasa

latin modern statisticum collegium ("dewan negara") dan bahasa Italia statista

("negarawan" atau "politikus"). Gottfried Achenwall (1749) menggunakan

Statistik dalam bahasa Jerman untuk pertama kalinya sebagai nama bagi

kegiatan analisis data kenegaraan, dengan mengartikannya sebagai "ilmu

tentang negara (state)". Pada awal abad ke-19 telah terjadi pergeseran arti

menjadi "ilmu mengenai pengumpulan dan klasifikasi data". Sir John Sinclair

memperkenalkan nama (Statistics) dan pengertian ini ke dalam bahasa Inggris.

Jadi, statistika secara prinsip mula-mula hanya mengurus data yang dipakai

lembaga-lembaga administratif dan pemerintahan. Pengumpulan data terus

berlanjut, khususnya melalui sensus yang dilakukan secara teratur untuk

memberi informasi kependudukan yang berubah setiap saat.

Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak

menggunakan bidang-bidang dalam matematika, terutama probabilitas. Cabang

statistika yang pada saat ini sangat luas digunakan untuk mendukung metode

ilmiah, statistika inferensi, dikembangkan pada paruh kedua abad ke-19 dan

awal abad ke-20 oleh Ronald Fisher (peletak dasar statistika inferensi), Karl

Pearson (metode regresi linear), dan William Sealey Gosset (meneliti problem

2sampel berukuran kecil).

Penggunaan statistika pada masa sekarang dapat dikatakan telah

menyentuh semua bidang ilmu pengetahuan, mulai dari astronomi hingga

56

linguistika. Bidang-bidang ekonomi, biologi dan cabang-cabang terapannya,

serta psikologi banyak dipengaruhi oleh statistika dalam metodologinya.

Akibatnya lahirlah ilmu-ilmu gabungan seperti ekonometrika, biometrika (atau

biostatistika), dan psikometrika. Meskipun ada kubu yang menganggap

statistika sebagai cabang dari matematika, tetapi orang lebih banyak

menganggap statistika sebagai bidang yang banyak terkait dengan matematika

melihat dari sejarah dan aplikasinya.

Di Indonesia, kajian statistika sebagian besar masuk dalam fakultas

matematika dan ilmu pengetahuan alam, baik di dalam departemen tersendiri

maupun tergabung dengan matematika. Dalam mengaplikasikan statistika

terhadap permasalahan sains, industri, atau sosial, pertama-tama dimulai dari

mempelajari populasi. Makna populasi dalam statistika dapat berarti populasi

benda hidup, benda mati, ataupun benda abstrak. Populasi juga dapat berupa

pengukuran sebuah proses dalam waktu yang berbeda-beda, yakni dikenal

dengan istilah deret waktu. Melakukan pendataan (pengumpulan data) seluruh

populasi dinamakan sensus. Sebuah sensus tentu memerlukan waktu dan biaya

yang tinggi. Untuk itu, dalam statistika seringkali dilakukan pengambilan

sampel (sampling), yakni sebagian kecil dari populasi, yang dapat mewakili

seluruh populasi. Analisis data dari sampel nantinya digunakan untuk

menggeneralisasikan seluruh populasi. Jika sampel yang diambil cukup

representatif, inferensial (pengambilan keputusan) dan simpulan yang dibuat

dari sampel dapat digunakan untuk menggambarkan populasi secara

 57

keseluruhan. Metode statistika tentang bagaimana cara mengambil sampel yang

tepat dinamakan teknik sampling.

Analisis statistik banyak menggunakan probabilitas sebagai konsep

dasarnya. Sedangkan matematika statistika merupakan cabang dari matematika

terapan yang menggunakan teori probabilitas dan analisis matematis untuk

mendapatkan dasar-dasar teori statistika. Ada dua macam statistika, yaitu

statistika deskriptif dan statistika inferensial. Statistika deskriptif berkenaan

dengan deskripsi data, misalnya dari menghitung rata-rata dan varians dari data

mentah; mendeksripsikan menggunakan tabel-tabel atau grafik sehingga data

mentah lebih mudah “dibaca” dan lebih bermakna. Sedangkan statistika

inferensial lebih dari itu, misalnya melakukan pengujian hipotesis, melakukan

prediksi observasi masa depan, atau membuat model regresi. Statistika

deskriptif berkenaan dengan bagaimana data dapat digambarkan

dideskripsikan) atau disimpulkan, baik secara numerik (misalnya menghitung

rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik),

untuk mendapatkan gambaran sekilas mengenai data tersebut, sehingga lebih

mudah dibaca dan bermakna. Statistika inferensial berkenaan dengan

permodelan data dan melakukan pengambilan keputusan berdasarkan analisis

data, misalnya melakukan pengujian hipotesis, melakukan estimasi pengamatan

masa mendatang (estimasi atau prediksi), membuat permodelan hubungan

(korelasi, regresi, ANOVA, deret waktu), dan sebagainya.

MCNP Secara umum adalah code Monte Carlo untuk transport netron

dan radiasi untuk aplikasi kritikalitas nuklir. Estimasi keff menggunakan

58

estimasi standar deviasi untuk membangun interval konfidensi keff. Bilamana

dari n sample estimasi x dari variabel acak dengan simpangan baku s dengan

interval konfidensi berada dalam jangkauan x } s, menurut teori central limit

distribusi dari estimasi mean mendekati distribusi normal dengan n mendekati

∞. Untuk jumlah sampel tidak terbatas, distribusi didekati oleh distribusi

student t, simetrik sekitar nol dan mendekati distribusi normal dengan n →∞.

Ini digunakan untuk mendeskripsikan variable random t, dimana

𝑥̅ − 𝜇
𝑡=
𝑆(𝑋̅)

𝑥̅ − 𝜇
𝑡=
𝑆(𝑋̅)
√𝑁

Distribusi student t mempunyai distribusi yang berbeda untuk masing-

masing n, ditulis sebagai t n-1, dimana n-1 adalah jumlah derajat kebebasan,

yaitu jumlah pengukuran independent yang mungkin. Titik dari absis pada graf

dari distribusi student t adalah “ persentil dari distribusi” dan ditulis sebagai tn-

1, 1-α/2 , dimana indek bawah kedua adalah tingkat kepercayaan.

G. Interval Kepercayaan Untuk Masalah Dua Sampel

Teorema 2, 3, dan 4 memberikan distribusi sampling untuk 𝑋̅ −

𝑌̅ , 𝑆𝑌2 ⁄𝑆𝑋2 , 𝑑𝑎𝑛 𝑋⁄𝑛 − 𝑌 ⁄𝑚 apabila H0 benar. Apabila H0 tidak harus benar,

statistic penguji ini berbentuk seperti dibawah ini.

𝑋̅ −𝑌̅−(𝜇𝑥 −𝜇𝑦 )
1) 1 1
~𝑡𝑛+𝑚−2
𝑆𝑝 √ −
𝑛 𝑚
 59

𝑆𝑦2
⁄ 2
𝜎𝑦
2) 𝑆𝑥2
~𝐹𝑚−1 ; 𝑛 − 1
⁄ 2
𝑆𝑦

𝑥 𝑦
− −(𝑃𝑋 −𝑃𝑌 )
𝑛 𝑚
3) ~𝑁(0; 1) pendekatan
𝑥 𝑥 𝑦 𝑦
(1− ) (1− )
√𝑛 𝑛 +𝑚 𝑚
𝑛 𝑚

Dengan menggunakan rumus-rumus ini dapat kita turunkan interval

𝜎2
kepercayaan (1 − 𝛼 )100% untuk (𝜇𝑥 − 𝜇𝑦 ), ( 𝑥⁄𝜎 2 ) dan (𝑃𝑥 − 𝑃𝑦 ).
𝑦

Dirumuskan dalam beberapa teorema di bawah ini.

Teorema 5

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel random dari 𝑁(𝜇𝑥 ; 𝜎 2 ) dan 𝑌1 , 𝑌2 , … , 𝑌𝑚

sampel random dari 𝑁(𝜇𝑦 ; 𝜎 2 ), serta semua X dan Y independen. Misalkan 𝑆𝑝

adalah variansi standar pooled, maka interval kepercayaan (1 − 𝛼 )100% untuk

(𝜇𝑥 − 𝜇𝑦 ) adalah

1 1 1 1
[(𝑥̅ − 𝑦̅) − 𝑡𝑛+𝑚−2;𝛼⁄ . 𝑆𝑝 √ + (𝑥̅ − 𝑦̅) + 𝑡𝑛+𝑚−2;𝛼⁄ . 𝑆𝑝 √ + ]
2 𝑛 𝑚 2 𝑛 𝑚

Contoh 8:

Pandang kembali data contoh 6. Berdasarkan data itu kita ingin

menaksir selisih mean kedua populasi, yakni (𝜇𝑥 − 𝜇𝑦 ), dengan interval

kepercayaan 95%. Untuk itu kita gunakan rumus dalam Teorema 5.

Dari data dapat kita hitung:

60

105,8 97,8
𝑥̅ = = 10,58 ; 𝑦̅ = = 9,78 ; jadi (𝑥̅ − 𝑦̅) = 0,8
10 10

9(0,21)+9(0,36)
𝑆𝑥2 = 0,21 ; 𝑆𝑦2 = 0,36 ∶ maka 𝑆𝑝2 = = 0,285
18

dari tabel distribusi t kita peroleh 𝑡18;0,025 = 2,10. Sehingga interval

kepercayaan 95% untuk (𝜇𝑥 − 𝜇𝑦 ) adalah

1 1 1 1
[0,8 − (2,10)(0,285)√10 + 10 ; 0,8 + (2,10)(0,285)√10 + 10 =

(0,53 ; 1,07)]

Teorema 6

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel random dari 𝑁(𝜇𝑥 ; 𝜎𝑥2 ) dan 𝑌1 , 𝑌2 , … , 𝑌𝑚

sampel random dari 𝑁(𝜇𝑦 ; 𝜎𝑦2 ), serta semua X dan Y independen. Maka interval

𝜎𝑥2
kepercayaan (1 − 𝛼 )100% untuk ⁄𝜎 2 adalah
𝑦

𝑆𝑥2 𝑆𝑥2
[ 2 𝐹𝑚−1,𝑛−1 ; 𝛼⁄2 ; 2 𝐹𝑚−1,𝑛−1 ; 𝛼⁄2 ]
𝑆𝑦 𝑆𝑦

Contoh 9:

Pandang kembali data contoh 6. Berdasarkan data ini akan dihitung

𝜎𝑥2
interval kepercayaan 95% untuk ⁄𝜎 2 dengan rumus dalam Teorema 6.
𝑦
 61

Dalam contoh 6 telah kita peroleh

𝑆𝑋2 = 0,21 ; 𝑆𝑌2 = 0,36 ; 𝐹9,9 ;0,025 = 0,248 ; 𝐹9,9 ;0,975 = 4,03 ; jadi interval

𝜎𝑥2
kepercayaan 95% untuk ⁄𝜎 2 adalah
𝑦

0,21 0,21
[ (0,248) ; (4,03)] = (0,145 ; 2,351)
0,36 0,36

Teorema 7

Misalkan x dan y menunjukkan banyak sukses nasing-masing dalam n

dan m Bernoulli trials yang berbeda. Misalkan 𝑃𝑋 dan 𝑃𝑌 menunjukkan

probabilitas sukses dalam kedua Bernoulli trials itu. Maka interval kepercayaan

(1 − 𝛼 )100% untuk 𝑃𝑋 − 𝑃𝑌 adalah

𝑥 𝑥 𝑦 𝑦
(1 − ) (1 −
𝑥 𝑦
[ − − 𝑧𝛼⁄2 √𝑛 𝑛 +𝑚 𝑚) ; 𝑥 − 𝑥
𝑛 𝑛 𝑛 𝑚 𝑛 𝑛

𝑥 𝑥 𝑦 𝑦
(1 − ) (1 − 𝑚) ]
+ 𝑧𝛼⁄2 √𝑛 𝑛 +𝑚
𝑛 𝑚

Contoh 10:

Pandang kembali data contoh 7. Berdasarkan data ini akan dihitung

interval kepercayaan 95% untuk (𝑃𝑥 − 𝑃𝑦 ) dengan rumus dalam Teorema 7.

Dalam contoh 7 telah kita peroleh

𝑥 23 𝑦 52
= = 0,23 ; = = 0,25
𝑛 100 𝑛 100
62

dari tabel distribusi normal standar kita peroleh 𝑧0,05 = 1,64

selanjutnya

𝑥 𝑥 𝑦 𝑦
(1 − ) (1 −
√𝑛 𝑛 +𝑚 𝑚) = √(0,23)(0,77) + (0,26)(0,74)
𝑛 𝑚 100 200

= (−0,0715 ; 0,0115)
 BAB III

METODOLOGI PENELITIAN

A. Metode Penelitian

Metode penelitian yang digunakan pada penelitian ini adalah motode

penelitian studi literatur review. Studi literatur yaitu mengumpulkan bahan-

bahan pustaka yang dibutuhkan penulis sebagai acuan dalam menyelesaikan

penelitian. Literatur review adalah sebuah metode yang sistematis, eksplisit dan

reprodusibel untuk melakukan identifikasi, evaluasi dan sintesis terhadap

karya-karya hasil penelitian dan hasil pemikiran yang sudah dihasilkan oleh

para peneliti dan praktisi. Literatur review merupakan ikhtisar komprehensif

tentang penelitian yang sudah dilakukan mengenai topik yang spesifik untuk

menunjukkan kepada pembaca apa yang sudah diketahui tentang topik tersebut

dan apa yang belum diketahui, untuk mencari rasional dari penelitian yang

sudah dilakukan atau untuk ide penelitian selanjutnya (Denney & Tewksbury,

2013). Studi literatur bisa didapat dari berbagai sumber baik jurnal, buku,

dokumentasi, internet dan pustaka. Metode studi literatur adalah serangkaian

kegiatan yang berkenaan dengan metode pengumpulan data pustaka, membaca

dan mencatat, serta mengelolah bahan penulisan (Zed, 2008 dalam Nursalam,

2016). Jenis penulisan yang digunakan adalah studi literatur review yang

berfokus pada hasil penulisan yang berkaitan dengan topik atau variabel

penulisan.
64

Jenis penelitian ini adalah penelitan kepustakaan (library research),

yaitu serangkaian penelitian yang berkenaan dengan metode pengumpulan data

pustaka, atau penelitian yang obyek penelitiannya digali melalui beragam

informasi kepustakaan (buku, ensiklopedi, jurnal ilmiah, koran, majalah, dan

dokumen). Penelitian kepustakaan atau kajian literatur (literature review,

literature research) merupakan penelitian yang mengkaji atau meninjau secara

kritis pengetahuan, gagasan, atau temuan yang terdapat di dalam tubuh literatur

berorientasi akademik (academic-oriented literature), serta merumuskan

kontribusi teoritis dan metodologisnya untuk topik tertentu. Fokus penelitian

kepustakaan adalah menemukan berbagai teori, hukum, dalil, prinsip, atau

gagasan yang digunakan untuk menganalisis dan memecahkan pertanyaan

penelitian yang dirumuskan. Adapun sifat dari penelitian ini adalah analisis

deskriptif, yakni penguraian secara teratur data yang telah diperoleh, kemudian

diberikan pemahaman dan penjelasan agar dapat dipahami dengan baik oleh

pembaca.

Penelitian kepustakaan atau kajian literatur (literature review, literature

research) merupakan penelitian yang mengkaji atau meninjau secara kritis

pengetahuan, gagasan, atau temuan yang terdapat di dalam tubuh literatur

berorientasi akademik (academic-oriented literature), serta merumuskan

kontribusi teoritis dan metodologisnya untuk topik tertentu, Cooper (2010).

Penelitian kepustakaan atau penelitian literatur adalah penelitian yang tempat

kajiannya adalah pustaka atau literatur. Pada penelitian ini, penelitian dilakukan

dengan memanfaatkan kajian-kajian yang mana serupa atau berhubungan.

 65

Penelitian studi literatur adalah sebuah proses atau aktivitas

mengumpulkan data dari berbagai literature seperti buku dan jurnal untuk

membandingkan hasil-hasil penelitian yang satu dengan yang lain

(Manzilati,2017). Tujuan penelitian studi literatur ini adalah untuk untuk

mendapatkan landasan teori yang bisa mendukung pemecahan masalah yang

sedang diteliti dan mengungkapkan berbagai teori-teori yang relevan dengan

kasus, lebih khusus dalam penelitian ini peneliti mengkaji hubungan intensitas

penggunaan media sosial terhadap kualitas tidur.

Penulis melakukan studi literatur ini setelah menentukan topik penulisan

dan ditetapkannya rumusan masalah, sebelum terjun ke lapangan untuk

mengumpulkan data yang diperlukan (Darmadi, 2011 dalam Nursalam, 2016).

Adapun sifat dari penelitian ini adalah analisis deskriptif, yakni penguraian

secara teratur data yang telah diperoleh, kemudian diberikan pemahaman dan

penjelasan agar dapat dipahami dengan baik oleh pembaca.

Penelitian studi kepustakaan atau studi literatur memiliki beberapa ciri

yaitu: Peneliti berhadapan secara langsung dengan data bukan langsung dari

lapangan, data pustaka umumnya adalah sumber sekunder dan bukan data asli

dari tangan pertama, data pustaka tidak dibatasi oleh ruang dan waktu. Menurut

Amir pendapat tersebut benar, namun tidak sepenuhnya bisa diterima jika

ditinjau dari tujuan penelitian. Karena secara umum tujuan penelitian yaitu:

1. Bersifat penemuan, apabila data yang didapat dari penelitian berupa data

baru yang belum pernah diketahui.

66

2. Bersifat pembuktian, apabila data yang didapat dari penelitian digunakan

untuk membuktikan suatu keraguan mengenai pengetahuan tertentu.

3. Bersifat pengembangan, apabila data-data yang didapat dari penelitian

digunakan untuk memperdalam ataupun memperluas suatu pengetahuan

yang sudah ada.

Salah satu ciri dari penelitian meta-analisis adalah datanya sudah ada.

Data yang diambil dari hasil penelitian- penelitian yang relevan yang sudah ada

dan sudah diuji sebelumnya, terpublikasi secara ilmiah terhadap suatu topik

terterntu dan terkait dengan pertanyaan penelitian yang dilakukan.

(Kithcenham, 2004). Tahapan dalam menulis penelitian literatur review adalah

sebagai berikut.

Menulis literatur review memiliki beberapa tahapan. Polit & Hungler

dalam Carnwell (2001) membagi tahapannya menjadi lima, yaitu (1)

mendefinisikan ruang lingkup topik yang akan direview, (2) mengidentifikasi

sumber-sumber yang relevan, (3) mereview literatur, (4) menulis review dan (5)

mengaplikasikan literatur pada studi yang akan dilakukan. Ramdhani, Amin &

Ramdhani (2014) menjelaskan empat tahapan dalam membuat literatur review,

yaitu

a) Memilih topik yang akan direview

b) Melacak dan memilih artikel yang cocok/relevan

c) Melakukan analisis dan sintesis literatur

d) Mengorganisasi penulisan review

 67

Dari tahapan yang harus diikuti dalam membuat literatur review,

langkah yang perlu diperhatikan adalah membuat sintesis dari artikel-artikel

konseptual atau empiris yang relevan dengan studi yang akan dilakukan. Saat

menulis literatur review, ada dua hal yang menjadi bagian yang wajib untuk

merujuk terbitan atau publikasi sebelumnya yaitu pendahuluan dan

pembahasan. Dengan mengemukakan referensi, akan menjadi pendukung

dalam argumentasi sekaligus dapat menjadi rujukan kembali literatur yang

digunakan sebagai landasan dalam analisis yang dikemukakan.

B. Obyek Penelitian

Obyek yang dijadikan sebagai kajian penelitian ini yaitu interval

kepercayaan untuk masalah dua sampel. Peneliti akan melakukan obsevasi

terkait interval kepercayaan untuk masalah dua sampel.

C. Sumber Data

Sumber data merupakan salah satu hal yang dapat mendukung sebuah

penelitian. Secara operasional penelitian ini sumber data dibedakan menjadi dua

macam, yaitu sumber data manusia dan sumber data non manusia. Namun, di

sini peneliti akan menggunakan sumber data non manusia, mengingat obyek

penelitian ini adalah suatu data sampel yang kemudian dianalisis menggunakan

studi literatur. Selain itu, peneliti juga menggunakan berbagai literatur yang

relevan dengan permasalahan yang peneliti teliti.

68

Sumber data menjelaskan tentang dari mana dan dari siapa data

diperoleh, data apa saja dikumpulkan, bagaimana informan atau subjek tersebut,

dan dengan cara bagaimana data dijaring sehingga validitasnya dapat terjamin.

Sumber data peneliti diperoleh dari wawancara, observasi dan dokumentasi.

Lofland, seperti yang dikutip oleh Moleong menjelaskan bahwa “sumber utama

dalam penelitian kualitatif ialah kata-kata dan tindakan, selebihnya adalah data

tambahan seperti dokumen dan lain-lain.

Menurut Suharsimi Arikunto sumber data penelitian adalah subjek dari

mana data dapat diperoleh. Melihat dari sumber data yang diperoleh atau dari

mana data tersebut diperoleh dalam melakukan penelitian maka dikenal dengan

dua jenis data yaitu:

1. Data Primer

Sumber data primer adalah kata-kata maupun tindakan seseorang

yang diamati dan diwawancarai. Data primer ini merupakan data yang

paling utama dalam melakukan penelitian yaitu:

a) Person, yaitu sumber data yang dapat memberikan data yang berupa

jawaban lisan melalui wawancara.

b) Place, yaitu sumber data yang bias diperoleh dari situasi kondisi secara

langsung yang berkaitan dengan masalah yang sedang dibahas dalam

penelitian.

c) Paper, sumber data yang menyajikan tanda-tanda berupa huruf, angka,

gambar, atau simbol lain.

 69

2. Data Sekunder

Sumber data dalam penelitian ini adalah sumber data sekunder.

Dimana data berasal dari manusia dengan segala tingkah lakunya, dokumen,

jurnaljurnal, dan buku-buku yang berkaitan dengan penelitian ini.

D. Teknik Pengumpulan Data

Data yang digunakan dalam penelitian ini berasal dari hasil-hasil

penelitian yang sudah dilakukan dan diterbitkan dalam jurnal online nasional

dan internasional. Dalam melakukan penelitian ini peneliti melakukan

pencarian jurnal penelitian yang dipublikasikan di internet menggunakan

Research Gate dan Google Schoolar.

Proses pengumpulan data dilakukan dengan penyaringan berdasarkan

kriteria yang ditentukan oleh penulis dari setiap jurnal yang diambil. Adapun

kriteria pengumpulan jurnal sebagai berikut:

1. Tahun sumber literatur yang diambil mulai tahun 2012 sampai dengan 2022,

kesesuaian keyword penulisan, keterkaitan hasil penulisan dan pembahasan.

2. Strategi dalam pengumpulan jurnal berbagai literatur dengan menggunakan

situs jurnal yang sudah terakreditasi seperti Research Gate dan Google

Schoolar.

3. Cara penulisan yang efektif untuk setting jurnal dengan memasukkan kata

kunci sesuai judul penulisan dan melakukan penelusuran berdasarkan

advance search.
70

4. Melakukan pencarian berdasarkan full text.

5. Melakukan penilaian terhadap jurnal dari abstrak apakah berdasarkan tujuan

penelitian dan melakukan critical appraisal dengan tool yang ada.

Secara sistematis langkah-langkah dalam penulisan literature review

seperti gambar berikut ini:

Gambar 3.1 Alur literatur review

Literature review dimulai dengan materi hasil penulisan yang secara

sekuensi diperhatikan dari yang paling relevan, relevan, dan cukup relevan.

Kemudian membaca abstrak, setiap jurnal terlebih dahulu untuk memberikan

penilaian apakah permasalahan yang dibahas sesuai dengan yang hendak

dipecahkan dalam suatu jurnal. Mencatat poin-poin penting dan relevansinya

dengan permasalahan penelitian, Untuk menjaga tidak terjebak dalam unsur

plagiat, penulis hendaknya juga mencatat sumber informasi dan mencantumkan

daftar pustaka. Jika memang informasi berasal dari ide atau hasil penulisan
 71

orang lain. Membuat catatan, kutipan, atau informasi yang disusun secara

sistematis sehingga penulisan dengan mudah dapat mencari kembali jika

sewaktu-waktu diperlukan (Darmadi, 2011 dalam Nursalam, 2016).

Sebelum penulis membuat kesimpulan dari beberapa hasil literatur,

penulis akan mengidentifikasi dalam bentuk ringkasan secara singkat berupa

tabel yang beirisi nama penulis, tahun penulisan, rancangan studi, sampel,

instrumen (alat ukur), dan hasil penelitian. Setelah hasil penulisan dari beberapa

literatur sudah dikumpulkan, penulis akan menganalisa penerapan self-directed

learning dalam meningkatkan kompetensi mahasiswa keperawatan dalam

bentuk pembahasan.

Tabel 3.1 Kriteria inklusi pada litelature review

Kriteria Inklusi

Jangka waktu tanggal publikasi 10 tahun terakhir

mulai dari tahun 2012 sampai dengan

tahun 2022

Bahasa Bahasa Inggris dan Bahasa Indonesia

Subjek Mahasiswa

Jenis artikel Artikel original tidak dalam bentuk

publikasi tidak asli seperti surat ke

editor, tidak dalam bentuk abstrak

72

saja maupun buku artikel dalam

bentuk full teks

Tema isi artikel Interval kepercayaan untuk masalah

dua sampel

E. Metode Analisis Data

Analisa data adalah proses penyederhanaan data dalam bentuk yang

lebih mudah dibaca dan diimplementasikan. Analisa data dilakukan dengan

tujuan agar informasi data akan menjadi lebih jelas. analisis data dalam

penelitian menggunakan analisa deskriptif kualitatif yaitu merangkum

sekumpulan data dalam memberikan informasi yang disajikan dalam bentuk

tabel. Penelitian deskriptif bertujuan untuk mendiskripsikan satu atau lebih

variabel penelitian secara mendalam tanpa untuk mengetahui perbedaan atau

hubungan nilai atau data antar variabel (Sosila & Suyanto, 2014).

Jurnal penelitian yang sesuai dengan kriteria inklusi kemudian

dikumpulkan dan dibuat ringkasan jurnal meliputi nama peneliti, tahun terbit

jurnal, rancangan studi, tujuan penelitian, sampel, instrument (alat ukur) dan

ringkasan hasil atau temuan. Ringkasan jurnal penelitian tersebut dimasukan ke

dalam tabel diurutkan sesuai alfabel dan tahun terbit jurnal dan sesuai dengan

format tersebut di atas.

 73

Untuk lebih memperjelas analisis abstrak dan full text jurnal dibaca dan

dicermati. Ringkasan jurnal tersebut kemudian dilakukan analisis terhadap isi

yang terdapat dalam tujuan penelitian dan hasil/temuan penelitian. Metode

analisis yang digunakan menggunakan analisis isi jurnal.

Analisis atau penafsiran data merupakan proses mencari maupun

menyusun atur secara sistematis catatan temuan penelitian melalui pengamatan

dan lainnya dimana berguna untuk meningkatkan pemahaman peneliti tentang

fokus yang dikaji dan menjadikannya sebagai temuan untuk orang lain,

mengedit, mengklarifikasi, mereduksi, dan menyajikannya.8 Data-data yang

dihasilkan melalui observasi maupun kajian literartur akan dikelola dengan

menggunakan beberapa teknik. Teknik analisis data dilakukan dengan beberapa

langkah yaitu mereduksi data dimana peneliti melakukan penyeleksian data

yang diperlukan dan data mana yang tidak diperlukan. Kemudian, langkah

selanjutnya yaitu menyajikan data yang sudah melalui proses reduksi data. Dan

setelah itu, data-data yang sudah disajikan tadi kemudian akan ditafsirkan

melalui proses analisis data.

Adapun tahapan analisis data adalah sebagai berikut:

1. Data Colettion (Pengumpulan Data)

Data yang didapatkan dari hasil penelusuran menggunakan internet

pada google scholar dengan kata kunci interval kepercayaan didapatkan

beberapa jurnal. Dari beberapa jurnal tersebut kemudian dikumpulkan

menjadi satu buah folder dan diurutkan agar mempermudah dalam

menganalisis.
74

2. Data Reduction (Reduksi Data)

Reduksi data merupakan proses pemfokusan, penyederhanaan dan

abstraksi. Cara mereduksi data adalah dengan membuat ringkasan atau

uraian singkat, mengolong-golongkan ke dalam pola-pola dengan membuat

tabel penelitian untuk mempertegas, membuang yang tidak penting

mempermudah mengambil kesimpulan.

3. Data Display (Penyajian Data)

Penyajian data yaitu sekumpulan informasi yang tersusuan sehingga

memberikan kemungkinan penarikan kesimpulan dan pengambilan

tindakan agar sajian data tidak menyimpang dari pokok permasalahan.

Sajian dalam penalitian ini diwujudkan dalam sebuah tabel yang berisikan

judul jurnal, tujuan jurnal, populasi sampel, teknik sampling, variabel,

instrument, analisa data dari jurnal dan hasil kesimpulan.

4. Conclusions/Verifying (Penarikan Kesimpulan)

Penarikan kesimpulan adalah usaha untuk mencari atau memahami

makna, keteraturan pola-pola penjelasan. Kesimpulan di analisis adalah isi

dari jurnal yang tersurat, tampak, bukan dari makna yang dirasakan oleh

peneliti guna menjawab jawaban dari rumusan masalah dan tujuan

penelitian.
 BAB IV

HASIL DAN PEMBAHASAN

A. Pengertian Tingkat Kepercayaan

Tingkat kepercayaan adalah peluang bahwa interval kepercayaan yang

terbentuk benar-benar memuat parameter populasi jika proses estimasinya

dilakukan secara berulang-ulang. Tingkat kepercayaan digunakan untuk

melihat keakuratan interval estimasi. Sebuah tingkat kepercayaan

menggambarkan kemungkinan dimana sebuah metode penarikan sampel akan

menghasilkan sebuah interval kepercayaan dimana parameter populasi yang

sesungguhnya berada di dalamnya.

Tingkat kepercayaan yang sering digunakan adalah 90% (dengan 𝛼 =

0,1), 95% (dengan 𝛼 = 0,05), dan 0,99 (dengan 𝛼 = 0,01). Dari ketiga pilihan

tersebut, selang kepercayaan yang paling sering digunakan adalah 95%.

Semakin tinggi tingkat kepercayaan, semakin lebar margin of errornya.

Dalam menentukan ukuran sampel, juga diperhatikan tingkat

kepercayaan yang harus diberikan dalam menyimpulkan bahwa jika dilakukan

penarikan sampel yang lain dari populasi itu, sampel tersebut harus memberikan

hasil yang kira-kira sama dengan pengambilan sampel yang pertama. Diulang

berapapun pengambilan sampel, akan memberikan hasil yang sama. Tingkat

kepercayaan ini erat hubungannya dengan margin of error. Margin of error

mengacu pada bagaimana keakuratan taksiran yang diinginkan, sedangkan

76

tingkat kepercayaan mengacu kepada bagaimana kepastian yang diinginkan

bahwa taksiran itu sendiri akurat.

B. Pengertian Interval Kepercayaan

Interval kepercayaan adalah salah satu parameter untuk

mengukur/mengestimasi seberapa akurat rerata atau proporsi sebuah sampel

mewakili populasi sesungguhnya. Nilai dari suatu kelompok sampel dalam

populasi dapat diperkirakan dengan dua cara, yakni point estimate (pendugaan

titik) dan estimasi estimate (pendugaan interval).

Point estimate (pendugaan titik) adalah suatu nilai (suatu titik) yang

digunakan untuk menduga suatu nilai parameter. Point estimate dapat berupa

rerata atau proporsi. Interval estmate (pendugaan interval) merupakan suatu

interval yang menyatakan selang, dimana nilai yang sebenarnya dari proporsi

mungkin berbeda.

Interval kepercayaan merupakan nilai parameter dari suatu populasi

yang ingin ditaksir berdasarkan data dari sampel. Pada pendekatan ini harus

ditentukan batas atas dan batas bawah interval. Setiap pengambilan sampel akan

menghasilkan nilai yang berbeda dalam rentang interval. Lebar interval

menentukan ketepatan suatu estimasi. Interval kepercayaan yang sempit

menghasilkan presisi yang baik dan sebaliknya apabila interval kepercayaan

yang lebar menghasilnya presisi yang uruk. Interval kepercayaan dapat

digunakan untuk mengukur variasi sampel dalam suatu populasi dan dapat

memperkirakan letak nilai yang sebenarnya dari populasi tersebut.

 77

C. Interval Keyakinan untuk Parameter Statistika

Sebuah parameter populasi mempunyai nilai dengan batas toleransi

yang dinyatakan dalam interval keyakinan. Interval keyakinan untuk parameter

𝜃, ditulis dalam bentuk interval 𝐿 ≤ 𝜃 ≤ 𝑈, dimana L adalah batas bawah dan

U adalah batas atas dari interval. Panjang interval keyakinan tergantung dari

tingkat nyata (significant) yang dinyatakan dalam (1 − α)100%, yang nilainya

ditentukan sesuai dengan keperluan analisis statistika (Bain dan Engelhardt,

1992).

Dalam membuat interval keyakinan untuk parameter 𝜃, batas bawah L

dan batas atas U ditentukan dengan membuat

P[𝐿 ≤ 𝜃 ≤ 𝑈] = 1 − α

dibaca sebagai probabilitas parameter 𝜃 berada pada daerah interval dengan

batas bawah L dan batas atas U sama dengan 1 − α.

Sehingga, sebuah interval

𝐿≤𝜃≤𝑈

merupakan interval keyakinan (1 − α)100% untuk parameter 𝜃. Batas bawah

L dan batas atas U masing-masing disebut sebagai batas keyakinan atas dan

batas keyakinan bawah, dan 1 − α disebut koefisien keyakinan. Interprestasi

dari 𝐿 ≤ 𝜃 ≤ 𝑈 menyatakan bahwa, dari sejumlah sampel random yang

diambil, sebesar (1 − α)100% berada pada interval keyakinan sebagai

perkiraan nilai 𝜃 yang sebenarnya. Panjang interval untuk suatu parameter

78

populasi adalah suatu ukuran yang menentukan kualitas informasi parameter

tersebut yang diperoleh dari sampel.

Interval keyakinaan 𝐿 ≤ 𝜃 ≤ 𝑈 merupakan interval keyakinan dua arah

dengan batas atas dan batas bawah untuk parameter 𝜃. Disamping interval dua

arah, dapat pula ditentukan interval keyakinan satu arah, yaitu hanya

menggunakan satu batas interval sebagai batas atas atau batas bawah saja.

Sebuah interval keyakinan satu arah dengan batas atas (1 − α)100% untuk 𝜃

diberikan dengan interval

𝜃≤𝑈

dimana batas atas U dipilih sehingga P[𝜃 ≤ 𝑈] = 1 − α. Notasi P menunjukkan

probabilitas. Sehingga jika diambil 𝛼 = 0,05 atau 5%, maka P[𝜃 ≤ 𝑈] = 1 −

0,05 = 0,95. Sedangkan untuk interval keyakinan satu arah dengan batas

bawah (1 − α)100% untuk 𝜃 diberikan dengan interval

𝐿≤𝜃

dimana batas bawah L dipilih sehingga P[𝜃 ≤ 𝐿] = 1 − α.

D. Interval Keyakinan Untuk Rata-Rata Pada Distribusi Normal

Jika diketahui 𝑥1 , … … , 𝑥𝑛 sample acak dari 𝑁 (𝜇, 𝜎 2 ) dengan 𝜎 2 tidak

diketahui. Dalam kasus ini 𝜃 = (𝜇, 𝜎) dan (𝜃 ) = 𝜇. Sedangkan kuantitas

pivotal yang kita perlukan adalah

𝑋−𝜇
Q z (𝑋1 , … … , 𝑋n ; 𝜃 ) = 𝜎 ~𝑁(0, 1)
⁄ 𝑛
√
 79

𝑋−𝜇
Tetapi {𝑞1 < 𝜎 < 𝑞2 } tidak dapat diinversikan untuk mendapatkan
⁄ 𝑛
√

𝑡1 (𝑥1 , … … , 𝑥𝑛 ) < 𝜇 < 𝑡2 (𝑥1 , … … , 𝑥𝑛 ) untuk suatu statistik 𝑡1 dan 𝑡2 . Masalah

𝑋−𝜇
ini muncul karena besaran 𝜎 masih bergantung pada 𝜎. Jadi diperlukan
⁄ 𝑛
√

besaran pivotal yang hanya bergantung 𝜇 saja. Seperti diketahui bersama bahwa
𝑋−𝜇
𝑠 berdistribusi student dengan derajad kebebasan n-1.
⁄ 𝑛
√

𝑋−𝜇
Sehingga 𝑠 mempunyai densitas yang independen terhadap 𝜇 dan 𝜎,
⁄ 𝑛
√

maka juga merupakan besaran pivotal. Sehingga sekarang diperoleh

𝑋−𝜇
{𝑞1 < 𝑠 < 𝑞2 } ↔ {𝑋 − 𝑞2 𝑠⁄ < 𝜇 < 𝑋 − 𝑞1 𝑠⁄ }
⁄ 𝑛 √𝑛 √𝑛
√

𝑋−𝜇
Dimana 𝑞1 dan 𝑞2 memenuhi persamaan 𝑃 {𝑞1 < 𝑠 < 𝑞2 } = 𝛾 akibatnya
⁄ 𝑛
√

{𝑋 − 𝑞2 𝑠⁄ ; 𝑋 − 𝑞1 𝑠⁄ } adalah interval kepercayaan100γ% untuk 𝜇.

√𝑛 √𝑛
(𝑞2 −𝑞1 )𝑠
Panjang interval kepercayaan adalah dan bersifat acak. Untuk
√𝑛

sembarang sampel yang diperoleh panjangnya dapat diminimalkan jika 𝑞1 dan

𝑞2 dipilih sehingga 𝑞2 − 𝑞1 minimal, dalam bentuk lain masalah ini dapat dapat

dinyatakan dalam:

(𝑞2 −𝑞1 )𝑠
Peminimalan fungsi 𝐿 = dibawah syarat
√𝑛

𝑞2
∫ 𝑓𝑇 (𝑡)𝑑𝑡 = 𝛾
𝑞1

dimana 𝑓𝑇 (𝑡) adalah densitas distribusi t dengan derajat kebebasan n-1.

80

𝑞 2
∫𝑞1 𝑓𝑇 (𝑡)𝑑𝑡 = 𝛾 memberikan 𝑞2 sebagai suatu fungsi dari 𝑞1 dan

𝑑𝑞2
pendeferensialannya terhadap 𝑞1 menghasilkan 𝑓𝑇 (𝑞2 ) − 𝑓𝑇 (𝑞1 ) = 0.
𝑑𝑞1

𝑑𝐿 𝑑𝐿
Untuk meminimalkan L diperlukan syarat = 0 sehingga diperoleh =
𝑑𝑞1 𝑑𝑞1

𝑠 𝑑𝑞2 𝑠 𝑑𝑞2 𝑠 𝑓𝑇 (𝑞2 )

( − 1) = 0. Tetapi ( − 1) = ( − 1) = 0 maka 𝑓𝑇 (𝑞1 ) =
√𝑛 𝑑𝑞1 √𝑛 𝑑𝑞1 √𝑛 𝑓𝑇 (𝑑𝑞1 )

𝑞
𝑓𝑇 (𝑞2 ) ↔ 𝑞1 = 𝑞2 𝑎𝑡𝑎𝑢 𝑞1 = −𝑞2 . Jika 𝑞1 = 𝑞2 maka ∫𝑞 2 𝑓𝑇 (𝑡)𝑑𝑡 ≠ 𝛾. Jadi
1

𝑞1 = −𝑞2 dipandang sebagai suatu solusi dengan 𝑞1 dan 𝑞2 dapat diperoleh dari

tabel distribusi student.

E. Interval Kepercayaan Untuk Masalah Dua Sampel

Teorema 5

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel random dari 𝑁(𝜇𝑥 ; 𝜎 2 ) dan 𝑌1 , 𝑌2 , … , 𝑌𝑚

sampel random dari 𝑁(𝜇𝑦 ; 𝜎 2 ), serta semua X dan Y independen. Misalkan 𝑆𝑝

adalah variansi standar pooled, maka interval kepercayaan (1 − 𝛼 )100% untuk

(𝜇𝑥 − 𝜇𝑦 ) adalah

1 1 1 1
[(𝑥̅ − 𝑦̅) − 𝑡𝑛+𝑚−2;𝛼⁄ . 𝑆𝑝 √ + (𝑥̅ − 𝑦̅) + 𝑡𝑛+𝑚−2;𝛼⁄ . 𝑆𝑝 √ + ]
2 𝑛 𝑚 2 𝑛 𝑚

Teorema 6

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel random dari 𝑁(𝜇𝑥 ; 𝜎𝑥2 ) dan 𝑌1 , 𝑌2 , … , 𝑌𝑚

sampel random dari 𝑁(𝜇𝑦 ; 𝜎𝑦2 ), serta semua X dan Y independen. Maka interval

𝜎𝑥2
kepercayaan (1 − 𝛼 )100% untuk ⁄𝜎 2 adalah
𝑦
 81

𝑆𝑥2 𝑆𝑥2
[ 2 𝐹𝑚−1,𝑛−1 ; 𝛼⁄2 ; 2 𝐹𝑚−1,𝑛−1 ; 𝛼⁄2 ]
𝑆𝑦 𝑆𝑦

Teorema 7

Misalkan x dan y menunjukkan banyak sukses nasing-masing dalam n

dan m Bernoulli trials yang berbeda. Misalkan 𝑃𝑋 dan 𝑃𝑌 menunjukkan

probabilitas sukses dalam kedua Bernoulli trials itu. Maka interval kepercayaan

(1 − 𝛼 )100% untuk 𝑃𝑋 − 𝑃𝑌 adalah

𝑥 𝑥 𝑦 𝑦
(1 − ) (1 −
𝑥 𝑦
[ − − 𝑧𝛼⁄2 √𝑛 𝑛 +𝑚 𝑚) ; 𝑥 − 𝑥
𝑛 𝑛 𝑛 𝑚 𝑛 𝑛

𝑥 𝑥 𝑦 𝑦
(1 − ) (1 − 𝑚) ]
+ 𝑧𝛼⁄2 √𝑛 𝑛 +𝑚
𝑛 𝑚

F. Interval Kepercayaan Untuk Sebuah Rata-Rata Populasi Normal

Kita memulai dengan mengingat kembali teori univariat untuk

menentukan jika sebuah nilai tertentu 𝜇0 adalah nilai plausible untuk rata-rata

populasi 𝜇. Dari segi pandang pengujian hipotesis, masalah ini dapat

dirumuskan sebagai suatu uji bersaing hipotesis.

𝐻0 ∶ 𝜇 = 𝜇0 melawan 𝐻1 ∶ 𝜇 ≠ 𝜇0
82

Jika 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah sample acak dari sebuah populasi normal

pengujian statistik yang sesuai adalah

(𝑋̅ −𝜇0) 1 2 1 2
𝑡= 𝑠 dimana 𝑋̅ = 𝑛 ∑𝑛𝑗=1(𝑋𝑗 − 𝑋̅) dan 𝑠 2 = 𝑛−1 ∑𝑛𝑗=1(𝑋𝑗 − 𝑋̅)
⁄ 𝑛
√

Uji statistik adalah mempunyai sebuah distribusi-t student’s dengan

derajat kebebasan n – 1. Kita tolak 𝐻0 , bahwa 𝜇0 adalah sebuah nilai plausible

dari m, jika diamati |𝑡| melebihi sebuah titik persentase tertentu dari sebuah

distribusi dengan derajat n – 1.

Tolak 𝐻0 ketika |𝑡| bernilai besar yang ekuivalen dengan menolak 𝐻0

jika kuadratnya,

(𝑋̅ − 𝜇0 )2
𝑡2 = = 𝑛(𝑋̅ − 𝜇0 )(𝑠 2 )−1 (𝑋̅ − 𝜇0 )
𝑠 2⁄
𝑛

bernilai besar. Variabel 𝑡 2 adalah kuadrat jarak dari rata-rata sampel 𝑋̅ dengan

nilai uji 𝜇0 . Unit jarak yang dinyatakan dalam pernyataan dari 𝑠⁄ atau
√𝑛

simpangan baku yang diperkirakan dari 𝑋̅ . Ketika 𝑋̅ dan 𝑠 2 telah diamati, uji

menjadi: Tolak 𝐻0 menuju ke 𝐻1 , pada taraf signifikansi 𝛼 , jika

𝑛(𝑥̅ − 𝜇0 )(𝑠 2 )−1 (𝑥̅ − 𝜇0 ) > 𝑡 2 𝑛−1 (𝛼 ⁄2)

dimana 𝑡𝑛−1 (𝛼 ⁄2) menandakan batas atas 100(𝛼 ⁄2)𝑡ℎ persentil dari

distribusi-t dengan derajat kebebasan n-1.

Jika 𝐻0 tidak ditolak, kita menyimpulkan 𝜇0 adalah sebuah nilai

plausible untuk rata-rata populasi normal. Apakah nilai lain dari akan selalu

konsisten dengan data? Jawabannya ya! Pada kenyataannya selalu sebuah

himpunan dari nilai plausible untuk sebuah rata-rata populasi normal. Dari yang
 83

diketahui hubungan antara daerah penerimaan untuk uji 𝐻0 ∶ 𝜇 = 𝜇0 melawan

𝐻1 ∶ 𝜇 ≠ 𝜇0 dan interval kepercayaan untuk adalah

𝑥̅ −𝜇0
{Jangan menolak 𝐻0 ∶ 𝜇 = 𝜇0 pada level 𝛼} atau | 𝑠 | ≤ 𝑡𝑛−1 (𝛼 ⁄2)
⁄ 𝑛
√

Equivalen dengan

𝑠
{𝜇0 𝑡𝑒𝑟𝑙𝑒𝑡𝑎𝑘 𝑝𝑎𝑑𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 𝑘𝑒𝑝𝑒𝑟𝑐𝑎𝑦𝑎𝑎𝑛 100(1 − 𝛼 )𝑥̅ ± 𝑡𝑛−1 (𝛼 ⁄2) }
√𝑛

atau

𝑠 𝑠
𝑥̅ − 𝑡𝑛−1 (𝛼 ⁄2) ≤ 𝑥̅ + 𝑡𝑛−1 (𝛼 ⁄2)
√𝑛 √𝑛

Interval konfidensi memenuhi semua nilai 𝜇0 bahwa tidak akan ditolak oleh uji

dari 𝐻0 ∶ 𝜇 = 𝜇0 .

Sebelum sampel dipilih, interval konfidensi 100(1 − 𝛼 )% pada (3 - 3)

adalah sebuah interval acak karena titik akhir tergantung pada variabel acak, X

dan s. Kemungkinan bahwa interval memenuhi adalah 1 − 𝛼 ; antar

bilangan besar seperti interval independen, 100(1 − 𝛼 )% akan memenuhi .

Sekarang pertimbangkan masalah yang menentukan jika sebuah 𝑝 × 1

vektor 𝜇0 adalah sebuah nilai plausible untuk rata-rata dari sebuah distribusi

normal multivariat. Kita akan berproses oleh analogi dari pengembangan

univariat. Suatu generalisasi kuadrat jarak pada (3 - 1) adalah analog

multivariat.

𝑆 −1
2( ̅
𝑇 = 𝑋 − 𝜇0 ) ′( ) (𝑋̅ − 𝜇0 ) = 𝑛(𝑋̅ − 𝜇0 )′𝑆 −1 (𝑋̅ − 𝜇0 )
𝑛

dengan
84

𝑛 𝑛
𝜇10
1 1 ′ 𝜇20
𝑋̅ = ∑ 𝑋𝑗 , S = ∑(𝑋𝑗 − 𝑋̅)(𝑋𝑗 − 𝑋̅) , 𝑑𝑎𝑛 𝜇0 [ ⋮ ]
(𝑝×1) 𝑛 (𝑝×𝑝) 𝑛−1 (𝑝×1)
𝑗=1 𝑗=1 𝜇𝑝0

Statistik 𝑇 2 dinamakan Hotelling’s 𝑇 2 sebagai penghormatan pada

Harold Hotelling, seorang pelopor dalam analisis multivariat, yang pertama

mengamati distribusi sampling. Disini (1⁄𝑛)𝑆 adalah penaksir matrik kovarians

dari 𝑋̅. Hal ini sesuai dengan teorema akibat yang menyatakan

“Diberikan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah sebuah sampel acak dari distribusi

gabungan yang mempunyai rata-rata vektor dan kovarians matriks .

Maka X adalah estimator takbias dari dan kovarians matriksnya adalah

1
”
𝑛

Jika diamati umumnya jarak 𝑇 2 terlalu besar sehingga x terlalu jauh dari

𝜇0 maka hipotesis 𝐻0 ∶ 𝜇 = 𝜇0 akan ditolak. Pada langkah berikutnya tabel

khusus dari persentase titik 𝑇 2 tidak diperlukan untuk uji formal hipotesis. Ini

benar karena

(𝑛 − 1)
𝑇 2 𝑎𝑘𝑎𝑛 𝑏𝑒𝑟𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝐹
(𝑛 − 𝑝) 𝑝,𝑛−𝑝

dimana 𝐹𝑝,𝑛−𝑝 merupakan sebuah variabel acak dengan derajat kebebasan p dan

n-p.

untuk meringkas, disajikan sebagai berikut:

Diberikan 𝑋1 , 𝑋2 , … , 𝑋𝑛 sebuah sampel dari sebuah populasi 𝑁𝑝 (𝜇, £).

1 1 ′
Maka dengan 𝑋̅ = ∑𝑛𝑗=1 𝑋𝑗 𝑑𝑎𝑛 𝑆 = ( ∑𝑛𝑗=1(𝑋𝑗 − 𝑋̅)(𝑋𝑗 − 𝑋̅) .
𝑛 𝑛−1)
 85

(𝑛−1)𝑝
𝛼 = 𝑃 [𝑇 2 > (𝑛−𝑝)
𝐹𝑝,𝑛−𝑝 (𝛼 )]

(𝑛 − 1)𝑝
= 𝑃 [𝑛(𝑋̅ − 𝜇 )′𝑆 −1 (𝑋̅ − 𝜇 ) > 𝐹 ( 𝛼 )]
(𝑛 − 𝑝) 𝑝,𝑛−𝑝

apapun yang benar 𝜇 dan Disini 𝐹𝑝,𝑛−𝑝 (𝛼 ) adalah batas atas (100𝛼 )𝑡ℎ

persentil dari distribusi 𝐹𝑝,𝑛−𝑝 .

Pernyataan (3-6) menunjukkan sebuah uji untuk hipotesis 𝐻0 ∶ 𝜇 = 𝜇0

melawan 𝐻1 ∶ 𝜇 ≠ 𝜇0 . Pada taraf signifikansi 𝛼, tolak 𝐻0 menuju 𝐻1 jika

(𝑛 − 1)𝑝
𝑇 2 = 𝑛(𝑋̅ − 𝜇0 )′(𝑆)−1 (𝑋̅ − 𝜇0 ) > 𝐹 (𝛼 )
(𝑛 − 𝑝) 𝑝,𝑛−𝑝

Pada bagian sebelumnya kita gambarkan cara dimana distribusi Wishart

generalisasi distribusi Chi-kuadrat. Dapat ditulis

′
∑𝑛𝑗=1(𝑋𝑗 − 𝑋̅)(𝑋𝑗 − 𝑋̅)
𝑇 = √𝑛(𝑋̅ − 𝜇0 (
2 )′ ) √𝑛(𝑋̅ − 𝜇0 )
𝑛−1

yang mana berbentuk

′ 𝑚𝑎𝑡𝑟𝑖𝑘𝑠 𝑎𝑐𝑎𝑘 𝑊𝑖𝑠ℎ𝑎𝑟𝑡 −1

𝑣𝑒𝑘𝑡𝑜𝑟 𝑎𝑐𝑎𝑘 𝑣𝑒𝑘𝑡𝑜𝑟 𝑎𝑐𝑎𝑘
( ) ( ) ( )
𝑛𝑜𝑟𝑚𝑎𝑙 𝑚𝑢𝑙𝑡𝑖𝑣𝑎𝑟𝑖𝑎𝑡 𝑑𝑒𝑟𝑎𝑗𝑎𝑡 𝑘𝑒𝑏𝑒𝑏𝑎𝑠𝑎𝑛 𝑛𝑜𝑟𝑚𝑎𝑙 𝑚𝑢𝑙𝑡𝑖𝑣𝑎𝑟𝑖𝑎𝑡

Ini beranalogi pada

𝑡 2 = √𝑛(𝑋̅ − 𝜇0 )′(𝑠 2 )−1 √𝑛(𝑋̅ − 𝜇0 )

atau
−1
𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 ′ 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑎𝑐𝑎𝑘 𝐶ℎ𝑖 − 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙
( ) ( ) ( )
𝑎𝑐𝑎𝑘 𝑛𝑜𝑟𝑚𝑎𝑙 𝑑𝑒𝑟𝑎𝑗𝑎𝑡 𝑘𝑒𝑏𝑒𝑏𝑎𝑠𝑎𝑛 𝑎𝑐𝑎𝑘 𝑛𝑜𝑟𝑚𝑎𝑙

untuk kasus univariat. Karena normal multivariat dan variabel acak Wishart

berdistribusi independen, dengan fungsi densitas gabungannya dari produk

86

normal marginal dan distribusi Wishart. Dengan menggunakan kalkulus,

distribusi 𝑇 2 seperti tersebut diatas dapat diperoleh dalam bentuk distribusi

gabungan.

Adalah jarang, dalam keadaan multivariat, isi dengan sebuah uji 𝐻0 ∶

𝜇 = 𝜇0 , dimana semua komponen vektor rata-rata adalah tertentu dibawah

hipotesis nol. Biasanya lebih baik mencari daerah dari nilai sehingga

plausible untuk memecah data yang diamati.

 BAB V

PENUTUP

A. Kesimpulan

Berdasarkan dari landasan teori tersebut, maka dapat disimpulkan

sebagai berikut.

1. Dalam suatu penelitian survei, keberadaan populasi dan sampel penelitian

tidak dapat dihindarkan. Populasi dan sampel merupakan sumber utama

untuk memperoleh data yang dibutuhkan dalam mengungkapkan fenomena

atau realitas yang dijadikan fokus penelitian. Demi mencapai keakuratan

dan validitas data yang dihasilkan, populasi dan sampel yang dijadikan

objek penelitian harus memiliki kejelasan baik dari segi ukuran maupun

karakteristiknya. Dengan kata lain, kejelasan populasi dan ketepatan

pengambilan sampel dalam penelitian akan menentukan validitas proses dan

hasil penelitian.

2. Cara pemilihan elemen sampel yaitu dengan cara lotere (pengundian) dan

dengan menggunakan tabel bilangan acak (Supranto, 1992).

3. Pemilihan metode dalam memilih sampel merupakan bagian yang sangat

penting dari semua penelitian. Metode penarikan sampel (prosedur

sampling) pada umumnya terbagi menjadi dua, yaitu teknik sampel

probabilitas dan nonprobabilitas (Babbie, 2008). Menurut Morissan (2015),

dari kedua metode tersebut, nonprobabilitas merupakan metode yang paling

88

unggul dalam memilih sampel karena sifatnya yang mewakili populasi

(representatif) dan memiliki keunggulan dibanding teknik sampel

probabilitas.

4. Tingkat kepercayaan adalah peluang bahwa interval kepercayaan yang

terbentuk benar-benar memuat parameter populasi jika proses estimasinya

dilakukan secara berulang-ulang. Tingkat kepercayaan digunakan untuk

melihat keakuratan interval estimasi. Sebuah tingkat kepercayaan

menggambarkan kemungkinan dimana sebuah metode penarikan sampel

akan menghasilkan sebuah interval kepercayaan dimana parameter populasi

yang sesungguhnya berada di dalamnya.

5. Interval kepercayaan adalah salah satu parameter untuk

mengukur/mengestimasi seberapa akurat rerata atau proporsi sebuah sampel

mewakili populasi sesungguhnya. Nilai dari suatu kelompok sampel dalam

populasi dapat diperkirakan dengan dua cara, yakni point estimate

(pendugaan titik) dan estimasi estimate (pendugaan interval). Point estimate

(pendugaan titik) adalah suatu nilai (suatu titik) yang digunakan untuk

menduga suatu nilai parameter. Point estimate dapat berupa rerata atau

proporsi. Interval estmate (pendugaan interval) merupakan suatu interval

yang menyatakan selang, dimana nilai yang sebenarnya dari proporsi

mungkin berbeda.

6. MCNP Secara umum adalah code Monte Carlo untuk transport netron dan

radiasi untuk aplikasi kritikalitas nuklir. Estimasi keff menggunakan

estimasi standar deviasi untuk membangun interval konfidensi keff.

 89

Bilamana dari n sample estimasi x dari variabel acak dengan simpangan

baku s dengan interval konfidensi berada dalam jangkauan x } s, menurut

teori central limit distribusi dari estimasi mean mendekati distribusi normal

dengan n mendekati ∞. Untuk jumlah sampel tidak terbatas, distribusi

didekati oleh distribusi student t, simetrik sekitar nol dan mendekati

distribusi normal dengan n →∞. Ini digunakan untuk mendeskripsikan

variable random t, dimana

𝑥̅ − 𝜇
𝑡=
𝑆(𝑋̅)

𝑥̅ − 𝜇
𝑡=
𝑆(𝑋̅)
√𝑁

7. Teorema 2, 3, dan 4 memberikan distribusi sampling untuk 𝑋̅ −

𝑌̅ , 𝑆𝑌2 ⁄𝑆𝑋2 , 𝑑𝑎𝑛 𝑋⁄𝑛 − 𝑌 ⁄𝑚 apabila H0 benar. Apabila H0 tidak harus

benar, statistic penguji ini berbentuk seperti dibawah ini.

𝑋̅ −𝑌̅−(𝜇𝑥 −𝜇𝑦 )
a) 1 1
~𝑡𝑛+𝑚−2
𝑆𝑝 √ −
𝑛 𝑚

𝑆𝑦2
⁄ 2
𝜎𝑦
b) 𝑆𝑥2
~𝐹𝑚−1 ; 𝑛 − 1
⁄ 2
𝑆𝑦

𝑥 𝑦
− −(𝑃𝑋 −𝑃𝑌 )
𝑛 𝑚
c) ~𝑁(0; 1) pendekatan
𝑥 𝑥 𝑦 𝑦
(1− ) (1− )
√𝑛 𝑛 +𝑚 𝑚
𝑛 𝑚
90

Dengan menggunakan rumus-rumus ini dapat kita turunkan interval

2
𝜎
kepercayaan (1 − 𝛼 )100% untuk (𝜇𝑥 − 𝜇𝑦 ), ( 𝑥⁄𝜎 2 ) dan (𝑃𝑥 − 𝑃𝑦 ).
𝑦

Dirumuskan dalam beberapa teorema di bawah ini.

Teorema 5

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel random dari 𝑁(𝜇𝑥 ; 𝜎 2 ) dan 𝑌1 , 𝑌2 , … , 𝑌𝑚

sampel random dari 𝑁(𝜇𝑦 ; 𝜎 2 ), serta semua X dan Y independen. Misalkan

𝑆𝑝 adalah variansi standar pooled, maka interval kepercayaan (1 −

𝛼 )100% untuk (𝜇𝑥 − 𝜇𝑦 ) adalah

1 1 1 1
[(𝑥̅ − 𝑦̅) − 𝑡𝑛+𝑚−2;𝛼⁄2. 𝑆𝑝 √ + (𝑥̅ − 𝑦̅) + 𝑡𝑛+𝑚−2;𝛼⁄2. 𝑆𝑝 √ + ]
𝑛 𝑚 𝑛 𝑚

Teorema 6

Misalkan 𝑋1 , 𝑋2 , … , 𝑋𝑛 sampel random dari 𝑁(𝜇𝑥 ; 𝜎𝑥2 ) dan 𝑌1 , 𝑌2 , … , 𝑌𝑚

sampel random dari 𝑁(𝜇𝑦 ; 𝜎𝑦2 ), serta semua X dan Y independen. Maka

𝜎𝑥2
interval kepercayaan (1 − 𝛼 )100% untuk ⁄𝜎 2 adalah
𝑦

𝑆𝑥2 𝑆𝑥2
[ 2 𝐹𝑚−1,𝑛−1 ; 𝛼⁄2 ; 2 𝐹𝑚−1,𝑛−1 ; 𝛼⁄2 ]
𝑆𝑦 𝑆𝑦
 91

Teorema 7

Misalkan x dan y menunjukkan banyak sukses nasing-masing dalam n

dan m Bernoulli trials yang berbeda. Misalkan 𝑃𝑋 dan 𝑃𝑌 menunjukkan

probabilitas sukses dalam kedua Bernoulli trials itu. Maka interval kepercayaan

(1 − 𝛼 )100% untuk 𝑃𝑋 − 𝑃𝑌 adalah

𝑥 𝑥 𝑦 𝑦
𝑥 𝑦 (1 − ) (1 − ) 𝑥 𝑥
[ − − 𝑧𝛼⁄2 √ 𝑛 𝑛 𝑚 𝑚
+ ; −
𝑛 𝑛 𝑛 𝑚 𝑛 𝑛

𝑥 𝑥 𝑦 𝑦
(1 − 𝑛) 𝑚 (1 − 𝑚)
√ 𝑛 ]
+ 𝑧𝛼⁄2 +
𝑛 𝑚

B. Saran

Berdasarkan hasil penelitian ini terdapat saran yang dapat digunakan

untuk penelitian selanjutnya, yaitu pendekatan penelitian literatur review perlu

dikembangkan. Semoga buku ini dapat bermanfaat untuk menambah wawasan

pengetahuan untuk peneliti dan pembaca.

 DAFTAR PUSTAKA

Aminulloh, M.N. (2019). Uji Beda Rata-Rata Variabel Independen Menggunakan

Metode Bootstrap dan Aplikasinya di R. Malang: Universitas Islam Negeri

Maulana Malik Ibrahim.

Arikunto, S. (2014). Prosedur Penelitian Suatu Pendekatan Praktek. Jakarta:

Rineka Cipta.

Bain, L.J. & Engelhardt, M. (1992). Introduction to Probability and Mathematical

Statistics, Second Edition. California: Duxbury Press.

Belavendram, N. (1995). Quality by Design Taguchi Techniques for Industrial

Experimentation. London: Prentice Hall International (UK) Limited.

Cooper, Taylor, Farisi, M.I. (2010). Pengembangan Asesmen Diri Siswa (Student

Self-Assessment) Sebagai Model Penilaian dan Pengembangan Karakter.

Damanik, E.O & Simamora, E. (2019). Estimasi Interval Kepercayaan Parameter

2Selisih Rata-Rata IPK Kelas Pendidikan Reguler dan Ekstensi FMIPA

Angkatan 2010 Unimed Dengan Bootstrap Persentil. Jurnal Karismatika,

Vol. 5(3). Medan: Universitas Negeri Medan.

Eriyanto. (1990). Metodologi Polling Memberdayakan Suara Rakyat. Bandung: PT

Remaja Rosdakarya.
Estok M, Nevitte N dan Cowan G. (2002). The Quick Count and Election

Observation. Washington: NDI.

Fathoni, A. (2006). Metodologi Penelitian & Tehnik Penyusunan Skripsi. Jakarta:

Rineka Cipta.

Hamzah, A. (2019). Metode Penelitian Kepustakaan. Malang: Litersi Nusantara.

Hidayah, N. (2016). Analisis Quick Count Metode Multistage Random Sampling

Dengan Estimasi Konfidensi Interval Menggunakan Metode Bayes.

Semarang: Universitas Negeri Semarang.

Kurnia, A. (2015). Managemen Penelitian: Teknik Sampling. Jakarta:

Reconiascript Pubishing.

Kurniawan, R. (2018). Penentuan Kombinasi Level Faktor Optimal Kursi Terasso

Berdasarkan Uji Kuat Tekan Dengan Metode Taguchi. Malang:

Universitas Brawijaya.

Manab, A. (2015). Penelitian Pendidikan. Yogyakarta: Kalimedia.

Margono, S. (2004). Metodologi Penelitian Pendidikan. Jakarta: Rineka Cipta.

Marzuki, dkk. (2010). Pendugaan Selang Kepercayaan Persentil Bootstrap

Nonparametrik Untuk Parameter Regresi. Jurnal Statistika, Vol. 10(1),

hal 13-23. Banda Aceh: Universitas Syiah Kuala.

Munandar, M.A. & Halim, A. Interval Kepercayaan Proporsi. Bandung:

Universitas Padjadjaran.

Purwanto. (2008). Metodologi Penelitian Kuantitatif Untuk Psikologi dan

Pendidikan. Yogyakarta: Pustaka Pelajar.

Rahman, A.A, dkk. (2009). Inferensi Vektor Rata-Rata. Bandung: Universitas

Pendidikan Indonesia.

Rusgiyono, A. (2001). Aplikasi Metode Besaran Pivotal Dalam Penentuan Selang

Keyakinan Taksiran Parameter Populasi. Jurnal Matematika dan

Komputer Vol. 4(3), hal. 151-159. Semarang: Universitas Diponegoro

(UNDIP).

Santi, P.E.D. (2009). Penentuan Estimasi Interval Dari Distribusi Normal Dengan

Metode Bayes. Semarang: Universitas Diponegoro.

Scheaffer RL, Mendenhall W dan Ott L. (1990). Elementary Survey Sampling.

Boston: PWS-Kent.

Simamora, E. dkk. (2015). Sifat Asimtotik Variansi Kriging Bootstraping

Semiparametrik dalam Simulasi Deterministik. Yogyakarta: Universitas

Gadjah Mada.

Soejanto, I. (2009). Rekayasa Kualitas: Eksperimen dengan Teknik Taguchi.

Surabaya: Yayasan Humaniora.

Sudjana. (2005). Metode Statistika. Bandung: Tarsito.

Sugiyono & Hariyanto. (2012). Belajar dan Pembelajaran. Bandung: PT Remaja

Rosdakarya Offset.

Supranto, J. (1992). Teknik Sampling Untuk Survei dan Eksperimen. Jakarta: PT

Rineka Cipta.

Syaodih, N. (2009). Metode Penelitian Pendidikan. Bandung: PT Remaja

Rosdakarya.

Tohirin. (2013). Metode Penelitian Kualitatif Dalam Pendidikan dan Bimbingan

Konseling. Jakarta: Rajawali.

Ulhaq, Z.S & Rahmayanti, M. (2020). Panduan Penulisan Skripsi Literatur Review.

Malang: Universitas Islam Negeri Maulana Malik Ibrahim.

Walpole, R.E. (1993). Pengantar Statistika Edisi III. Jakarta: PT Gramedia Pustaka

Utama.

Zed, M. (2008). Metode Penelitian Kepustakaan. Jakarta: Yayasan Obor Indonesia.