STATISTIKA

PROGRAM STUDI – S1 TEKNIK INDUSTRI

W1 – PENGANTAR & ESTIMASI

PARAMETER (1 POPULASI)
KONTRAK PERKULIAHAN
1. Absensi 15 %

2. Tugas (min 2-4x)

3. Partisipasi
30 %

4. Quiz (min 1-2x) 5%

5. Ujian Tengah Semester (UTS) 20 %
6. Ujian Akhir Semester (UAS) 30 %

*Ambang Batas Kelulusan Mahasiswa 65

BACKUP UPLOAD TUGAS/QUIZ/UJIAN

https://bit.ly/backupASG
RUBRIK PENILAIAN
A 85 - 100

AB 80 - 84

B 75 - 79

BC 70 - 74

C 60 - 69

D 50 - 59

E 0 - 49 *Ambang Batas Kelulusan Mahasiswa 65

PERATURAN

Semua mahasiswa wajib

mempelajari materi
perkuliahan sebelum
kuliah agar bisa
berpartisipasi

(Ingat bobot partisipasi MIC DI MUTE

*JOIN 5 MENIT adalah 30%)
SEBELUM JADWAL

RISE YOUR
HAND
*Kehadiran dinilai dari
partisipasi, bukan dari
penampakan kamera
MINIMAL HADIR
80% VIDEO ON
*DARI TOTAL 14
PERTEMUAN
PERKULIAHAN ONLINE

https://bit.ly/kelasASG
BUKU REFERENSI
Eric Goh Ming Hui. Learn
R for Applied Statistics:
With Data Visualizations,
Regressions, and
Statistics. Apress.
Singapore. 2019
BUKU REFERENSI
Dieter Rasch, Dieter
Schott. Mathematical
Statistics. Wiley. 2018.
BUKU REFERENSI
Dharmaraja Selvamuthu,
Dipayan Das.
Introduction to
Statistical Methods,
Design Experiments and
Statistical Quality
Control. Springer.
Singapore. 2018
BUKU REFERENSI
Theodore T. Allen.
Introduction to
Engineering Statistics and
Lean Six Sigma Statistical
Quality Control and
Design of Experiments
and Systems. Springer.
USA. 2019
DOWNLOAD E-BOOK

https://bit.ly/ebookASG
SOFTWARE

2
R

3
MATLAB

SPSS
 Statistika adalah ilmu yang mempelajari metode,
teknik atau cara mengumpulkan, mengolah,
menganalisis dan menginterpretasikan data untuk
disajikan secara lengkap dalam bentuk yang mudah
dipahami oleh penggunanya, mencakup metode
statistika, statistika inferensia, estimasi parameter,
analisis korelasi, analisis regresi linier, analisis variansi,
pengujian kecocokan model, statistika non
parametrik dan percobaan faktorial.
POPULASI DAN SAMPEL
Memahami bagaimana cara mengambil sampel dari populasi agar sampel yang
diperoleh representatif dipelajari dalam TEORI SAMPLING.

Pada suatu penelitian, data yang akan dipelajari dapat

bersumber dari populasi ataupun sampel. Dimana, terdapat 2
pendekatan dalam mengumpulkan data:
1. Sensus (complete survey)
Mengumpulkan data secara lengkap dari suatu populasi.
2. Sampling (sample survey)
Mengumpulkan data hanya sebagian dari suatu populasi.

SIAPA YANG INGIN

ANDA SIMPULKAN?
STATISTIKA INFERENSIA

SIAPA YANG INGIN ANDA SIMPULKAN?

Menyimpulkan POPULASI, dengan

mempelajari hanya sebagian data.

What you
want to talk What you actually
about? observe in the
data?

Sampling process
POPULASI
POPULASI atau UNIVERSE adalah wilayah
generalisasi yang terdiri atas: objek dan subjek yang
mempunyai kuantitas dan karakteristik tertentu yang
ditetapkan oleh peneliti untuk dipelajari kemudian
ditarik kesimpulannya (Sugiyono, 2014, p.148).

1. Tidak hanya orang/subjek, tetapi juga

objek dan benda alam lainnya.
2. Tidak hanya kuantitas yang ada pada
objek dan subjek yang dipelajari,
tetapi meliputi seluruh karakterisitik
yang dimilikinya.
CONTOH POPULASI

POPULASI atau UNIVERSE adalah wilayah

generalisasi yang terdiri atas: objek dan subjek
yang mempunyai kuantitas dan karakteristik
tertentu yang ditetapkan oleh peneliti untuk
dipelajari kemudian ditarik kesimpulannya.
(Sugiyono, 2014, p.148).

• Terdapat suatu penelitian di STTB, maka Lembaga ini merupakan populasi.

• STTB memiliki sejumlah SDM (Pimpinan, staf dan dosen), mahasiswa dan struktur
organisasi, fasilitas pendidikan, aturan-aturan, maka Lembaga ini terdiri atas
subjek dan objek dengan kuantitas tertentu.
• Disamping itu STTB Juga mempunyai karakteristik SDM dan mahasiswa seperti
iklim organisasi (kepemimpinan, motivasi kerja, disiplin, dsb.), aturan akademik
dan tata kerja, maka lembaga ini memiliki karakteristik subjek dan objek.
KONSEP POPULASI, POPULASI SASARAN DAN
POPULASI STUDI

1. Hubungan Populasi Sasaran, Populasi Studi dan Sample Studi

Hubungan antara Populasi
Populasi harus ditargetkan dengan benar, karena jika data tidak Sasaran, Populasi Studi dan
dikumpulkan unit pengamatan yang dapat memberikan jawaban Sampel Studi
untuk memecahkan masalah penelitian, maka survei “akan sia-sia”.
Population
Istilah lain: “target population” atau
“theoritical population”, yaitu populasi yang TARGET POPULATION
berisi unit pengamatan yang akan
disimpulkan.
STUDY POPULATION
Istilah lain: “sampled population”, yaitu
populasi tempat sampel di ambil atau
populasi yang akan/dapat diakses/jangkau
(accessible population).
Study Samples
(enrolled participants)
Setiap unit sampling hasil penarikan
sampel yang akan di pelajari.
Contoh:
Suatu penelitian untuk mengetahui rataan berat badan mahasiswa laki-laki dilakukan terhadap kelas 122MA
yang terdiri dari 25 laki-laki dan 20 perempuan dilakukan sampling sebanyak 20 mahasiswa laki-laki.
Asumsi: seluruh unit pengamatan dapat diakses.
Penelitian untuk mengetahui rataan
berat badan mahasiswa laki-laki
kelas 122MA
Populasinya: Mahasiswa kelas
122MA. (45 orang).
Population
Populasi sasarannya: Mahasiswa laki-
TARGET POPULATION
laki kelas 122MA yang akan di
simpulkan (25 orang ).

STUDY POPULATION
Populasi studinya: Lengkap 25 orang
mahasiswa laki-laki yang akan/dapat
di akses/ jangkau (disajikan dalam
kerangka sampling).
Study Samples
(enrolled participants)
Sample studi: Setiap unit sampling
teridiri dari 20 mhs laki-laki (hasil
sampling) yang akan dipelajari.
2. Merinci Pengertian Dasar dalam Suatu Populasi

Siapa yang ingin anda simpulkan?

POPULASI SASARAN adalah suatu wilayah
yang mengandung kumpulan dari unit
pengamatan yang akan disimpulkan. Sampling Breakdown

Populasi apa yang dapat anda akses (jangkau)?

POPULASI STUDI adalah suatu wilayah yang
mengandung kumpulan unit pengamatan di
mana sampel di ambil atau populasi yang
akan/dapat diakses/jangkau.
 Bagaimana anda dapat menjangkaunya?
KERANGKA SAMPLING adalah daftar semua
unit pengamatan yang ada dalam populasi
studi yang harus disiapkan sebelum
melakukan penarikan sampel. Sampling Breakdown

Kerangka sampling yang baik

1. Unsur sampelnya lengkap
2. Tidak ada duplikasi unsur sampel
3. Up to date atau tidak out of date
4. Batasannya jelas sehingga tidak
terjadi inklusi yang keliru.
5. Tidak fiktif.
 Siapa anda pelajari?
SAMPEL STUDI atau SAMPEL adalah suatu
sampel yang mengandung sejumlah unit Sampling Breakdown
sampling*) atau unsur sampling yang akan
dipelajari.

*) Karena sampling telah terjadi, maka

istilah “unit pengamatan” berubah
menjadi “unit sampling”.
MACAM – MACAM POPULASI
POPULATION SOURCE
INFINITE POPULATIONS
Jumlahnya tidak pernah diketahui dengan
pasti (there is no upper limit). Karena
jumlahnya sangat besar sehingga tidak
mungkin/ sangat sulit untuk dihitung
(uncountable).
• Jumlah penduduk Indonesia.
• Populasi anggrek di dunia
• Kemacetan total kendaraan di suatu
jalan.
• Volume air di sungai
FINITE POPULATIONS
Jumlahnya diketahui dengan pasti (there
is upper limit), dapat diberi nomor
identifikasi sehingga dapat dihitung
(countable).
• Jumlah mesin yg akan diperbaiki
ketika diketahui suatu perusahaan
memiliki 10 buah.
• Jumlah penduduk Indonesia hasil
sensus 2010.
• Volume air di kolam renang
 Infinite atau Finite ?
Jumlah Penduduk

Substansinya bahwa INFINITE Population dapat

berubah menjadi FINITE population apabila secara
jelas terdefinisi baik tempat juga waktunya!
UKURAN POPULASI MINIMUM

, >30 …?

Satu orangpun dapat digunakan sebagai populasi

karena mempunyai berbagai karakterisitik seperti
disiplin, hobi, gaya bicara, kepemimpinan, tipe
darah, dsb.

Darah pada setiap orang adalah populasi, maka jika akan

dilakukan pengujian tipe golongan darah cukup diambil
setetes darah sebagai sampel. Hasil penelitian sampel darah
selanjutnya diberlakukan ke seluruh darah satu orang tsb.
SAMPEL
SAMPEL adalah bagian dari
jumlah dan karakteristik yang
dimiliki oleh populasi.

Elemen anggota sampel,

merupakan anggota
populasi dimana sampel
diambil.
Jika N banyaknya elemen /unit
populasi, dan n banyaknya unit
sampel, maka:

n<N
PENGERTIAN SAMPLING

SENSUS adalah cara

SAMPLING adalah cara
pengumpulan data, dimana setiap
pengumpulan data, dimana hanya
anggota populasi diteliti
sebagian saja dari anggota
seluruhnya satu persatu tanpa
populasi yang dipilih menjadi objek
kecuali dipilih menjadi anggota
penelitian (subset of representative
sampel (when a population is
units from the population).
sampled in its entirety).

Batasan Sensus dan Sampling

Sebelum mempelajari Teknik Sampling perlu
diketahui batasan-batasan dilakukannya sensus dan
sampling.
BATASAN SENSUS DAN SAMPLING
Bilamana Sensus MEMUNGKINKAN ? Bilamana Sensus TIDAK MEMUNGKINKAN ?*)

1. Populasi tak terhingga atau

terlalu banyak.
2. Tidak ekonomis
3. Penelitian eksperimen yang
sifatnya merusak .
4. Sampling terkadang lebih
baik dari sensus.

1. Populasi terhingga atau sangat kecil *).

2. Tersedia sumber daya yang cukup. Maka SAMPLING

3. Tidak mengharapkan hasil yang cepat.

*) Hal ini merupakan alasan mengapa dilakukan

*) Pemerintah suatu negara dapat sampling
melakukan sensus penduduk.
Bagaimana Sampling yang ”baik” ?

Suhartono (2004, p.58):

Terdapat 2 syarat yang harus dipenuhi dalam prosedur pengambilan sampel:
1. Besarnya sampel harus memadai. 2. Sampel harus REPRESENTATIF.

TIDAK REPRESENTATIF ? →
TIDAK REPRESENTATIF ?

Karena ketiganya memberikan gambaran yang

tidak representatif, maka mereka membuat
kesimpulan yang bias bahkan salah.
LATIHAN

Misalnya kita akan melakukan penelitian di sebuah perusahaan manufaktur. Perusahaan

memiliki sejumlah karyawan yang dibedakan menjadi: pimpinan, karyawan kantor dan buruh.
Perusahaan memiliki aturan-aturan baku yang dituangkan dalam bentuk SOP Pengembangan
SDM, SOP Penggajian dan Upah, SOP Marketing, dsb.

Pertanyaan: Solusi:
Jelaskan: Memperhatikan definisi populasi di atas terhadap persoalan ini,
1. Populasi sebagai objek? maka :
2. Populasi sebagai subjek? 1. Populasi sebagai objek: perusahaan manufaktur.
3. Populasi dalam 2. Populasi sebagai subjek: karyawan.
pengertian kuantitias? 3. Populasi dalam pengertian kuantitias: sejumlah karyawan.
4. Populasi dalam 4. Populasi dalam pengertian karakteristik subjek: struktur
pengertian karakteristik karyawan yang meliputi pimpinan, karyawan kantor dan buruh
subjek? 5. Populasi dalam pengertian karakteristik objek: SOP
5. Populasi dalam
pengertian karakteristik
objek?
DISTRIBUSI SAMPLING

Beberapa hal yang harus dipahami terkait distribusi sampling

▪ Statistika inferensia mempelajari tentang

populasi berdasarkan informasi yang diperoleh
dari sampel

▪ Yang dipelajari dalam populasi adalah

karakteristik numerik dari populasi yang
dinamakan parameter

▪ Nilai yang sebenarnya dari parameter tidak

pernah diketahui, kecuali dilakukan
pengamatan seluruhnya terhadap anggota
populasi melalui sensus.

▪ Jika kita hanya mempunyai sampel, informasi

mengenai parameter dalam populasinya
diduga melalui karakteristik numerik yang
diperoleh dari sampel yang dinamakan statistik
Sebuah perusahaan minuman kaleng
menetapkan bahwa rata-rata volume minuman
kaleng untuk kemasan kecil adalah 300 ml.
Dilakukan pengambilan sampel sebanyak 25
kaleng minuman kemasan kecil secara acak, Notasi parameter :
diperoleh rata-rata volume minuman kaleng
σ𝑁
𝑖=1 𝑥𝑖
kemasan kecil adalah 298.8 ml. ❑𝜇 = (rata-rata populasi)
𝑁
𝑥
❑𝑝 = 𝑁 (proporsi populasi)
σ𝑁
𝑖=1(𝑥𝑖 −𝜇)
2
2
❑𝜎 = (variansi populasi)
𝑁
❑N (ukuran populasi)

Notasi statistik :
σ𝑛
𝑖=1 𝑥𝑖
❑𝑥ҧ = (rata-rata sampel)
𝑛
𝑥
❑𝑝Ƹ = 𝑛 (proporsi sampel)
σ𝑛
𝑖=1(𝑥𝑖 −𝜇)
2
❑𝑠 2 = (variansi sampel)
Berdasarkan ilustrasi diatas maka : 𝑛−1
• Rata-rata volume minuman kaleng kemasan ❑n (ukuran sampel)
kecil yang ditetapkan perusahan yaitu 300 ml (µ)
sebagai parameter
• Rata-rata volume minuman kaleng kemasan
kecil yang diperoleh dari sampel 25 kaleng yaitu
298.8 ml (𝑋)
ത sebagai statistik
▪ Karena sampel “hanya” bagian dari populasi, nilai statistik tidak
diharapkan sama persis dengan nilai parameter.

▪ Nilai statistik yang diperoleh akan sangat bergantung kepada

teknik pengambilan sampel yang dipilih

▪ Memungkinkan untuk memiliki nilai statistik yang beragam

selama dilakukan pengambilan sampel yang berbeda (berulang).

▪ Keragaman nilai statistik yang diperoleh selama dilakukan

pengambilan sampel berbeda (berulang) dapat dijelaskan
melalui distribusi probabilitas dari statistik tersebut

Distribusi sampling dari sebuah statistik adalah distribusi probabilitas dari statistik tersebut.

Sampel acak Rata-rata sampel Probabilitas

Misalnya, jika statistik yang dihitung dari sampel adalah rata-rata 1 𝑥ҧ1 𝑝(𝑥ҧ1 )
maka distribusi samplingnya adalah distribusi sampling rata-rata 2 𝑥ҧ2 𝑝(𝑥ҧ2 )
: : :
k 𝑥ҧ𝑘 𝑝(𝑥ҧ𝑘 )
DISTRIBUSI SAMPLING RATA-RATA
Maka distribusi probabilitas untuk rata-rata setiap sampel acak :
Sampel acak ke-i 1 2 3 4 5 6 7 8 9
𝑥ҧ𝑖 2 2.5 3 2.5 3 3.5 3 3.5 4
𝑝(𝑥ҧ𝑖 ) 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9

Secara sederhana ditulis menjadi :

Tabel Distribusi Probabilitas Rata-rata Sampel Acak

Rata-rata sampel Probabilitas
𝑥ҧ𝑖 𝑝(𝑥ҧ𝑖 )
2 1/9
2.5 2/9
3 3/9
3.5 2/9
4 1/9

Distribusi probabilitas dari rata-rata sampel acak inilah yang kemudian dinamakan distribusi sampling rata-rata

Nilai harapan rata-rata sampel acak :

5
1 2 3 2 1
𝜇𝑋ത = 𝐸 𝑋ത = ෍ 𝑥ҧ𝑖 𝑝 𝑥ҧ𝑖 = 2 + 2.5 + 3 + 3.5 +4 =3
9 9 9 9 9
𝑖=1

Sebelumnya diperoleh 𝜇 = 𝐸 𝑋 = 3 → Sehingga 𝐸 𝑋 = 𝐸(𝑋)

ത
DISTRIBUSI SAMPLING DALAM INDUSTRI
Dalam bidang industri, salah satu penerapan terpenting distribusi
sampling adalah dalam pengendalian proses secara statistika
(Statistical Process Control)
Contoh Penerapan :

Bobot serpihan Oat dalam lot produksi besar diambil sampelnya setiap jam. Manajer ingin menetapkan batas
kendali yang mencakup 99,73% dari rata-rata sampel
▪ Setiap 1 jam dipilih secara acak 9 kotak lalu ditimbang
▪ Standar deviasi populasi (𝜎) diketahui 1 ons
▪ Setiap memilih 9 kotak secara acak diulang sampai jam ke-12
ESTIMASI PARAMETER

• Statistika inferensia mempelajari

tentang populasi berdasarkan
informasi yang diperoleh dari sampel

• Terdapat dua tipe statistika inferensia

1. Estimasi Parameter
2. Pengujian Hipotesis
PENGERTIAN ESTIMASI (TAKSIRAN/DUGAAN)

Menurut Bluman (2009):

Estimasi merupakan proses menaksir nilai sebuah parameter
berdasarkan informasi yang diperoleh dari sebuah sampel.

Misalnya hasil suatu survei :

o Calon kepala daerah A mendapatkan suara dengan persentase 32%
o Rata-rata biaya untuk membeli pulsa dari mahasiswa STTB adalah Rp.
88.000,00

Nilai-nilai yang diperoleh dari survei (sampel) yang merupakan statistik

digunakan untuk estimasi/menaksir nilai sebenarnya dari parameter
populasi.
 TIPE ESTIMASI (TAKSIRAN/DUGAAN)

Suatu parameter 𝜃 dapat diestimasi melalui 2 macam penaksiran

statistik, yaitu :

1. Menaksir dengan sebuah nilai statistic → Point estimate

Ketika estimasi statistic sama dengan parameternya 𝜃෠ = 𝜃 , maka
dikatakan “tak bias” atau “unbias” dan sebaliknya 𝜃෠ ≠ 𝜃 dikatakan
“bias”. Terdapat 2 kemungkinan terjadinya bias, yaitu estimasi
statistic lebih besar dari parameter nya 𝜃෠ > 𝜃 dan sebaliknya lebih
kecil dari parameter nya 𝜃෠ < 𝜃. Katakanlah kemungkinan bias ini
sebagai “error risk: sehingga untuk meminimasinya
menggunakan selang estimasi.

2. Menaksir dengan selang nilai statistic → Interval estimate

Ketika nilai estimasi statistic dinyatakan dalam bentuk selang 𝜃1 <
𝜃෠ < 𝜃2 , maka besarnya jarak selang tersebut menentukan tingkat
akurasinya. Oleh karena itu padanan error 𝛼 yang biasa dinyatakan
sebagai keyakinan atau confident (1- 𝛼), dimana semakin kecil
error berarti semakiin besar keyakinan dengan konsekuensi jarak
selang semakin lebar dan tentunya akan menghasilkan estimasi
semakin akurat (unbiased). Estimasi yang tidak bias semakin
memberikan kemungkinan yang kecil suatu parameter 𝜃 berasa
diluar estimasi statistiknya 𝜃෠ < 𝜃1 atau 𝜃෠ > 𝜃2
SIFAT ESTIMATOR

1. Unbias Estimator
Jika nilai harapan statistic sampel sama dengan
parameter populasi (AKURAT)

2. Relatively Efficient Estimator

Unbias estimator yang memiliki variasi terkecil
(PRESISI)

3. Consistent Estimator
Unbias estimator yang mendekati nilai yang
sebenarnya sejalan dengan bertambahnya
ukuran sampel.
1. Unbiased Estimator

Apa yang menjadi persoalan dalam estimasi? Seperti apa penaksiran yang dikehendaki?

Penaksiran yang BIAS Penaksiran yang IDEAL

(BIASED) (UBIASED)
Hasil penaksiran θ̂ yang terlalu tinggi atau Jika nilai suatu penaksiran θ̂ sama
terlalu rendah dari yang sebenarnya . dengan nilai yang sebenarnya .

biased unbiased

 
2. Relatively Efficient Estimator

Unbias estimator yang memiliki variasi lebih baik

terkecil (presisi). Jadi statistic sampel
unbias 𝜃መ1 lebih baik dari unbias 𝜃መ2 atau
dikatakan lebih efisien, karena 𝜃መ1
memberikan variansi lebih kecil dari 𝜃መ2 .


3. Consistent Estimator

Unbias estimator yang mendekati nilai yang sebenarnya sejalan dengan bertambahnya
ukuran sampel. Pertanyaan penting dalam estimasi adalah berapa besar ukuran sampel
yang harus ditetapkan agar menciptakan suatu estimasi yang akurat. Salah satu faktor
yang menentukan ukuran sampel adalah standar deviasi, oleh karena itu semakin besar
ukuran sampelnya menyebabkan variansi semakin kecil dan konsekuensinya
menciptakan unbias estimator yang lebih baik (presisi).

terbaik
n =50

n =15

n =5

µ X
Ilustrasi Sifat Estimator
Istilah dalam Estimasi

Interval estimate (estimasi interval) adalah Suatu interval

selang/interval/rentang nilai suatu statistic yang digunakan kepecayaan selalu
untuk menaksir suatu parameter menetapkan tingkat
kepercayaan biasanya
dengan 90%, 95%
Confidence interval (interval kepercayaan) adalah atau 99% yang
kemungkinan estimasi interval akan mengandung merupakan ukuran
parameter yang berasal dari pemilihan jumlah sampel yang dari keandalan
besar (reability) prosedur.
Semakin besar
kepercayaan maka
Confidence level/degree of confidence (tingket
semakin lebar interval
kepercayaan) adalah suatu nilai kepercayaan yang ekivalen
parameternya.
dengan nilai decimal (1-𝛼) atau persentasi (1-𝛼) 100%

Notasi 𝛼 dikenal sebagai level of significance sebagai nilai

dari tingkat kesalahan atau taraf nyata yang dapat
dikatakan sebagai kemungkinan nilai suatu estimasi
parameter berada diluar batas kiri atau kanan 𝛼/2
(1-𝛼) 100% Confidence Level
95% Confidence Level
ESTIMASI RATA-RATA KASUS 1 POPULASI

Sampel Besar

Interval Kepercayaan rataan 𝝁 dengan Dimana, Z 𝛼/2 adalah nilai sebaran normal
simpangan baku 𝝈 “diketahui” menghasilkan luas 𝛼/2 di sebelah kanan
dan kiri nya. Menggunakan tabel normal
dapat dicari nilai dari Z 𝛼/2 yang ditentukan
Jika 𝑥ҧ rataan sampel acak berukuran n dari oleh tingkat kepercayaan
suatu populasi berdistribusi normal dengan
variasi 𝜎2 diketahui, maka untuk 𝛼 yang
spesifik rumus untuk taksiran interval
kepercayaan sebesar (1- 𝛼)100% untuk 𝜇
(confidence interval of the mean) adalah :
Margin Error dan Ukuran Sampel (n) Minimal

Formulasi ukuran sampel Formulasi ukuran sampel minimum untuk

untuk taksiran rataan taksiran interval rataan populasi sebagai berikut
populasi diperoleh dari (Walpole, 2012):
formulasi margin error-nya :
Jika 𝑥ҧ digunakan untuk menaksir µ, kita dapat
percaya (1-α)100% bahwa kekeliruannya akan
𝜎 kurang dari nilai “e” tertentu jika jumlah
𝐸 = 𝑍∝/2 sampelnya adalah:
𝑛
2
𝑍𝛼/2 . 𝜎
𝑛=
𝐸

Teorema ini dapat diterapkan jika variansi populasi

diketahui, atau tersedia n ≥ 30 untuk melakukan
taksiran variansi tersebut.
 2
𝑍𝛼/2 . 𝜎
𝐸

Memperhatikan formulasi ini dapat dirinci 3 hal yang mempengaruhi ukuran sampel (n), yaitu :

1. Tingkat kesalahan atau kesalahan maksimum yang diijinkan

2. Standar deviasi populasi

3. Tingkat kepercayaan

Ringkasan nilai zα/2 untuk suatu (1–α)100% tertentu:

• untuk suatu interval kepercayaan 90%, maka zα/2 =z0.05=1.65
• untuk suatu interval kepercayaan 95%, maka zα/2 =z0.025=1.96
• untuk suatu interval kepercayaan 99%, maka zα/2 =z0.005=2.58
Sampel Kecil

Interval Kepercayaan rataan 𝝁 dengan Dimana, t 𝛼/2 adalah nilai distribusi-t

dengan derajat kebebasan sebesar v=n-1
simpangan baku 𝝈 “tidak diketahui” menghasilkan luas 𝛼/2 di sebelah kanan
dan kirinya
Jika 𝑥ҧ dan s adalah rataan san dimpangan baku
sampel berukuran n<30 suatu populasi yang
terdistribusi mendekati normal, maka selang
kepercayaan (1- 𝛼)100% untuk rataan 𝜇 adalah :
Kenapa menggunakan distribusi t-student ?

o Pada pembahasan sebelumnya mengenai distribusi sampling rata-rata, kita

menggunakan Central Limit Theorem dan distribusi normal dengan
mengasumsikan simpangan baku populasi (𝜎) diketahui.

o Pada beberapa kasus asumsi 𝜎 diketahui tidak terpenuhi (unreasonable), sehingga

nilai 𝜎 diestimasi dari sampel melalui nilai s.

ത dengan persamaan :
o Transformasi variabel acak rata-rata sampel (𝑋)

𝑋ത − 𝜇
𝑇= 𝑠
ൗ 𝑛

o Pendekatan dengan distribusi t-student menjadi baik dibandingkan pendekatan

dengan distribusi normal ketika ukuran sampelnya kecil

o Jika ukuran sampel besar (n≥30) distribusi t-student tidak jauh berbeda dengan
distribusi normal
Jika X1 , X2 , …, Xn sampel acak berukuran n dari populasi dengan
rata-rata µ dan simpangan baku 𝜎 tidak diketahui sehingga
diestimasi dengan simpangan baku sampel s, maka variabel acak :

𝑋ത − 𝜇
𝑇=
𝑆ൗ
𝑛

Mengikuti distribusi t (t-student) dengan derajat bebas v = n-1

Distribusi T-Student ?

Gambar 1. Distribusi t untuk v=2, v=5, v=∞ Gambar 2. Distribusi t sifat simetris
Tabel T
Menghitung nilai t untuk α dan v = n-1 tertentu (𝑡𝛼;𝑣 )

Tentukan nilai t jika derajat bebas v=5 yang α=0.02

mencakup luas daerah sebesar 0.025 sebelah kiri ! 5
v=5
Jawab :
Karena distribusi t-student memiliki sifat simetris
maka 𝑡1−𝛼 ; 𝑣 = −𝑡𝛼;𝑣 sehingga :

𝑡0.025;5 = −𝑡1−0.025;5 = −𝑡0.975;5

Mencari nilai 𝑡0.975;5 sama seperti mencari 𝑡0.025; 5

mencakup luas daerah sebelah kanan pada Tabel T

Berdasarkan tabel T diperoleh 𝑡0.025; 5 sebelah kanan

sebesar 2.571 sehingga 𝑡0.025; 5 sebelah kiri sebesar
-2.571
 Contoh 1

Manajer Marketing sebuah dealer otomotif ingin memperkirakan berapa hari waktu yang dibutuhkan untuk
menjual sebuah mobil merk kujang. Hasil sampling tehadap 50 buah dihitung rataan waktunya 54 hari.
Asumsikan standar deviasi populasi 6 hari, maka:

Pertanyaan:
a. Tentukan taksiran interval kepercayaan 95% untuk rataan waktu terjualnya mobil kujang dari populasi
yang sebenarnya?

Solusi:
a. Diketahui taksiran titik terhadap rataan populasinya 54 hari (diperoleh dari rataan sampelnya), maka
taksiran interval kepercayaan 95% menggunakan nilai zα/2 = z0.025=1.96 diperoleh :

𝜎 𝜎 *) Nilai margin error 1.7 merupakan

𝑥ҧ −𝑧𝛼 2 < 𝜇 < 𝑥ҧ + 𝑧𝛼 2
𝑛 𝑛 pembulatan 1 digit desimal dari 1.663.
6 6 Kesimpulan: Dengan kepercayaan
54 − 1.96 < 𝜇 < 54 + 1.96
50 50 95% diperoleh taksiran interval rataan
waktu terjualnya mobil kujang dari
54 − 1.7 < 𝜇 < 54 + 1.7
populasi yang sebenarnya antara 52.3
52.3 < 𝜇 < 55.7 𝑎𝑡𝑎𝑢 54  1.7∗ dan 55.7 hari dari sampling sebanyak
50 mobil.
Manajer Marketing sebuah dealer otomotif ingin memperkirakan berapa lama waktu yang dibutuhkan untuk
menjual suatu jenis mobil. Hasil sampling 50 mobil memiliki rataan waktu 54 hari dan diasumsikan standar
deviasi populasi 6 hari, maka:
Pertanyaan:
b. Apabila margin error yang diinginkan kurang dari 1 hari, berapa ukuran sampel minimalnya?
Solusi:
b. Penyelesaian di atas diperoleh untuk margin
error 1.7 hari dengan ukuran sampel 50.
Apabila margin error yang diharapkan
kurang dari 1 hari, maka ukuran sampel
minimalnya adalah:

Kesimpulan:
Apabila margin error yang diharapkan kurang dari 1 hari, maka ukuran sampel minimalnya 139 mobil.
Semakin kecil margin of error maka ukuran sampel minimalnya bertambah dari 50 menjadi 139 mobil
(sifat estimator yang konsisten).
Contoh 2

Pada persoalan contoh 1, misalnya ukuran sampelnya adalah 25 diperoleh rataan waktu 54 hari dan
standar deviasi sampelnya adalah 5 hari. Anggap populasi berdistribusi hampiran normal, maka:

Pertanyaan:
Tentukan taksiran interval kepercayaan 95% dari rataan populasinya?

Klik : Lihat Tabel T

Solusi:
Persoalan taksiran sampel kecil (25<30) diketahui standar deviasi sampel s = 5 hari, maka taksiran
interval kepercayaan 95% untuk sampel kecil sbb:

Dengan taksiran titik terhadap rataan populasi 𝑠 𝑠

sebesar 54 hari (diperoleh dari rataan 𝑥ҧ −𝑡𝛼 2 < 𝜇 < 𝑥ҧ + 𝑡𝛼 2
𝑛 𝑛
sampelnya), maka taksiran interval
kepercayaan 95% menggunakan nilai tα/2 = t0.025 5 5
54 − 2.064 < 𝜇 < 54 + 2.064
dengan v = n–1=25–1=24 atau ditulis sebagai 25 25
t0.025;24 = 2.064 diperoleh : 54 − 2.1 < 𝜇 < 54 + 2.1
*) Nilai margin error 2.1 merupakan pembulatan 1 digit
desimal dari 2.064.
51.9 < 𝜇 < 56.1 𝑎𝑡𝑎𝑢 54  2.1∗
Kesimpulan: Dengan kepercayaan 95% 𝑠 𝑠
𝑥ҧ −𝑡𝛼 2 < 𝜇 < 𝑥ҧ + 𝑡𝛼 2
diperoleh taksiran interval rataan waktu 𝑛 𝑛
terjualnya mobil kujang dari populasi 5 5
54 − 2.064 < 𝜇 < 54 + 2.064
yang sebenarnya antara 51.9 dan 56.1 25 25
hari dari sampling sebanyak 25 mobil. 54 − 2.1 < 𝜇 < 54 + 2.1
51.9 < 𝜇 < 56.1 𝑎𝑡𝑎𝑢 54  2.1∗
*) Nilai margin error 2.1 merupakan pembulatan 1
digit desimal dari 2.064.
ESTIMASI PROPORSI KASUS 1 POPULASI

Sampel Besar Sampel Kecil

Inteval Kepercayaan Sampel Besar untuk p
Jika 𝑝Ƹ menyatakan proporsi yang berhasil
dalam sampel acak berukuran n, dan 𝑞ො = 1 −
𝑝Ƹ , maka taksiran interval kepercayaan (1–
α)100% untuk parameter binomila p adalah:
Bila n kecil dan proporsi p yang tidak
diketahui diyakini dekat ke 0 atau ke 1
maka cara mencari selang kepercayaan ini
tidak dapat diandalkan dan sebaiknya
tidak digunakan.

𝑝Ƹ 𝑞ො 𝑝Ƹ 𝑞ො
𝑝Ƹ − 𝑧𝛼 2 < 𝑝 < 𝑝Ƹ + 𝑧𝛼 2
𝑛 𝑛

dengan luas zα/2 menyatakan nilai z sehingga

luas di sebelah kanannya α/2.
Ukuran Sampel Minimal Estimasi Proporsi

Ukuran sampel minimum untuk taksiran interval proporsi populasi sebagai berikut (Walpole, 2012):
Jika 𝑝Ƹ digunakan untuk menaksir p, kita dapat percaya (1-α)100% bahwa kekeliruannya akan kurang
dari nilai “g” tertentu jika jumlah sampelnya adalah:
2
𝑍𝛼/2
𝑛= 𝑝Ƹ 𝑞ො
𝐺

Ada 2 situasi untuk yang perlu dipertimbangkan:

1. Jika taksiran diketahui dari penelitian sebelumnya, maka formula dapat digunakan langsung.
2. Jika taksiran tidak ada, maka harus menggunakan 𝑝Ƹ = 0.5. Nilai ini akan memberikan ukuran
sampel yang cukup besar untuk menjamin prediksi yang akurat, mengingat yang
dipertimbangkan hanya tingkat kepercayaan dan kesalahan taksiran.
Contoh 3

Sebuah sampel dari 500 lamaran pada suatu perusahaan terdapat 340 diantaranya
adalah laki-laki. Pertanyaan:
a. Carilah taksiran interval kepercayaan 90% untuk proporsi pria yang melamar?
Solusi:
𝑥 340
a. Apabila taksiran titik untuk p ialah 𝑝Ƹ = = = 0.68 dan 𝑞
ො = 1 − 𝑝Ƹ =
𝑛 500
1 − 0.68 = 0.32 , maka:
Batas-batas interval kepercayaan 90% menggunakan nilai zα/2 = z0.05=1.65 untuk
proporsi populasinya adalah :

𝑝Ƹ 𝑞
ො (0.68)(0.32)
𝑝Ƹ ∓ 𝑧𝛼 2 = 0.68 ± 1.65 = 0.68 ± 0.041
𝑛 500
Atau: margin of error
0.64 <p< 0.72 (0.041)
Kesimpulan: Dengan kepercayaan 90% diperoleh taksiran interval proporsi pria yang
melamar antara 64% dan 72% yang merupakan hasil sampling sebanyak 500 pelamar.
Sebuah sampel dari 500 lamaran pada suatu perusahaan terdapat 340 diantaranya
adalah laki-laki. Pertanyaan:
b. Apabila margin error yang diinginkan kurang dari 0.05, berapa ukuran sampel
minimalnya?
Solusi:
b. Penyelesaian di atas diperoleh untuk margin error 0.041. Apabila margin error
yang diharapkan kurang dari 5%, maka ukuran sampel minimalnya adalah:
2 2
𝑍𝛼 /2 1.65
𝑛= ො =
𝑝Ƹ 𝑞 (0.68)(0.32) = 237
𝐺 0.05

Kesimpulan: Apabila margin error yang diharapkan kurang dari 5% pria, maka ukuran
sampel minimalnya 237. Semakin besar margin of error maka ukuran sampel
minimalnya berkurang dari 500 menjadi 237.

Persoalan ini termasuk taksiran diketahui dari penelitian sebelumnya, maka formula
dapat digunakan langsung.
Lampiran Tabel T
Contoh 2

t0.975 ; v=24 = 2.064

Kembali ke Soal