BIOSTATISTIK

Konsep Estimasi

Yudi Pradipta
OVERVIEW

• Pendekatan biostatistik
• Konsep statistik inferensial
• Parameter populasi dan sampel
• Konsep estimasi
– Estimasi titik
– Estimasi selang
Pendekatan Biostatistik secara umum

• Statistik deskriptif
– Pengumpulan
– Rangkuman
– Penyajian data
• Statistik inferensial
– Menggambarkan kesimpulan tentang populasi
berdasarkan data sampel
Statistik Deskriptif

• Pengumpulan data (collect)

– Survei
• Penyajian data (present)
– Tabel atau grafik
• Merangkum data (summarize / characterize)
– Rata-rata
Statistik Inferensial
• Estimasi
– Contoh : Perkiraan rata-rata berat
badan di populasi berdasarkan
rata-rata berat badan sampel
• Uji hipotesis
– Contoh : Uji untuk membuktikan
dugaan bahwa rata-rata berat
badan populasi = 60 kg, lebih besar
atau lebih kecil
Tipe Data

Kategori Numerik

Contoh:
Jenis Kelamin Diskrit Kontinyu
Tingkat pendidikan
Suku / Ras
Status Sosial Contoh: Contoh:
Jumlah Anak Berat
Tegangan listrik
Tekanan darah
(hasil pengukuran)
Parameter Populasi dan Sampel

POPULASI

SAMPEL
Parameter Populasi

• Sebuah nilai yang digunakan untuk mewakili suatu

karakteristik kuantitatif tertentu dari populasi
• Ukuran yang menggambarkan populasi
– Rata-rata populasi (Population Mean)
– Proporsi populasi (Population Proportion)
– Varians populasi dan simpangan baku (Population
variance and standard deviation)
Rata-rata Populasi
• (population mean)
• Nilai rata-rata dari sebuah karakteristik yang diteliti
N
  ( xi ) / N
i 1
• Ket:
– µ = rata-rata
– xᵢ = karakteristik populasi (data continuous)
– N = jumlah populasi
Proporsi Populasi
• (population proportion)
• Perbandingan jumlah dalam karakteristik tertentu (khusus)
– Yᵢ = 1  jika suatu atribut ada dalam elemen unit /
individu i
– Yᵢ = 0  jika suatu atribut tidak ada dalam elemen unit /
individu i

– Ada atau tidaknya atribut  dikotomi

…(continued)
• Rumus Proporsi populasi
N
P  (  yi ) / N
i 1
• Ket:
– P = proporsi
– yᵢ = karakteristik populasi dengan atribut tertentu (data
dikotomi)
– N = jumlah populasi
Varians populasi
• (Population variance)
• Rata-rata hitung deviasi kuadrat setiap data terhadap nilai
rata-rata nya
• Menunjukkan persebaran data
N
 2
 [  ( xi   )2 / N ]
• Ket: i 1
– σ² = varians
– xᵢ = nilai karakteristik populasi
– µ = rata-rata populasi
– N = jumlah populasi
Simpangan Baku
• (standard deviation) = σ = √varians
• Menunjukkan standar penyimpangan data terhadap nilai rata-
rata
N
  [ ( xi   ) 2 / N ]
i 1
• Ket:
– σ = SD
– xᵢ = nilai karakteristik populasi
– µ = rata-rata populasi
– N = jumlah populasi
…. (continued)
• Jika karakteristik yang diteliti merupakan variabel dikotomi (2
kategori)
σ² = NP (1-P) SD = √[NP (1-P)]

Ket :
σ² = varians
N = jumlah populasi
P = proporsi populasi
SD = standar deviasi
Pengukuran dalam sampel (statistik)
• Populasi  parameter
• Sampel  statistik
– Rata-rata sampel (sample mean) x̅
– Proporsi sampel (sample proportion) p
– Varians sampel (sample variance) s²
– Simpangan baku (standard deviation) s
Rata-rata sampel (x̅)
• Sample mean
• Nilai hitung rata-rata sampel
N
x  ( xi ) / n
i 1
• Ket:
– x̅ = rata-rata
– xᵢ = nilai pengukuran sampel (data continuous)
– n = jumlah sampel
Proporsi sampel
• Sample proportion
• Perhitungan proporsi sampel (jika data dikotomi)
N
p  (  yi ) / n
i 1
• Ket:
– p= proporsi
– yᵢ = karakteristik sampel (data continuous)
– n = jumlah sampel
Varians dan standar deviasi sampel
• Varians
N
s 2
 [ ( xi  x ) 2 /( n  1)]
i 1

• Jika karakteristik sampel berupa data dikotomi

maka, s² = np (1-p) / (n-1)
• Standar deviasi (s) = √varians
• Ket:
– s² = varians
– xᵢ = nilai karakteristik populasi x̅ = rata-rata sampel
– n = jumlah sampel p = proporsi
Konsep Estimasi

• Parameter populasi  tidak diketahui

• Maka diperlukan Estimasi ;
• Perkiraan, penduga, penaksir

• Diharapkan nilai estimasi = parameter populasi

(kondisi ideal)
• Bisa lebih tinggi atau lebih rendah
Lanjut…
• Untuk mendapatkan kondisi ideal, dan menghindari terjadinya
perkiraan / taksiran yang lebih tinggi ata rendah
• Estimator / penduga / penaksir yang baik
– Tidak bias, konsisten dan varians minimum

• 2 jenis estimasi (pendugaan) :

– Estimasi Titik
– Estimasi Selang (Interval)
Estimasi Titik

X 
 X
Penduga titik untuk  (rata2)
n

S2 
 ( X  X ) 2

n 1 Penduga titik untuk 2 (Varians)

Y
p Penduga titik untuk Proporsi
n
Contoh estimasi titik

• Dari 40 orang populasi

– 10 orang (sampel 1)  rata2 berat badan=54 kg
– 10 orang (sampel 2)  rata2 berat badan=54,6 kg

• Estimasi titik  nilai tunggal (satu titik)

• Kelemahan : jika pengukuran dilakukan oleh org yg
berbeda, hasilnya juga kemungkinan berbeda
Ciri-ciri Estimator (penduga) yang baik
1. Tidak Bias (Unbiased) : apabila nilai penduga sama dengan
nilai yg diduganya
2. Efisien : apabila penduga memiliki varians yg kecil
3. Konsisten :
a. Ukuran sampel semakin bertambah  penduga akan
mendekati parameternya
b. Ukuran sampel bertambah tak berhingga  distribusi
sampling penduga akan mengecil mjd tegak lurus di atas
parameter yg sebenarnya dgn probabilitas sama dgn satu
Estimasi Selang / interval
• Hasil estimasi titik akan berbeda  tergantung nilai x̅
yang diperoleh dari sampel yang diambil
• Untuk lebih yakin, digunakan estimasi selang /
interval
• Nilai atau parameter (Ɵ) yang diduga berada dalam
satu interval
• Contoh : Ɵ₁ < Ɵ < Ɵ₂
Jadi…

• Estimasi Interval :
 Pendugaan yang memiliki dua nilai pembatasan /
daerah pembatasan (batas atas dan batas bawah)
• Digunakan tingkat keyakinan terhadap nilai
sebenarnya/ parameternya akan berada
• Nilai 1-α disebut koefisien kepercayaan,
• Selang kepercayaan = (1-α) x 100%
• Jadi interval kepercayaan (confidence interval) adalah estimasi
interval berdasarkan tingkat kepercayaan tertentu dan batas
atas serta batas bawah interval disebut batas kepercayaan
(confidence limits).
• Dari prakteknya, tingkat kepercayaan dilakukan sebelum
estimasi dilakukan, jadi dengan menetapkan tingkat
kepercayaan interval misal sebesar 90 persen (90 %).
• Artinya seseorang yang melakukan tersebut ingin agar 90
persen yakin bahwa mean dari populasi akan termuat dalam
interval yang diperoleh.
Estimasi interval rata-rata pada beberapa tingkat kepercayaan

 
[ x  Z1 / 2 ]    [ x  Z1 / 2 ]
n n
Estimasi interval rata-rata
 
[ x  Z1 / 2 ]    [ x  Z1 / 2 ]
n n
• jika  tidak diketahui maka dapat diestimasi dengan
simpangan baku (standard deviation) sampel s yaitu
s = s2.
Contoh 1:
• Seorang peneliti ingin mengetahui rata-rata waktu
yang diperlukan populasi untuk mencapai rumah
sakit
• Berdasarkan jumlah sampel sebesar 36 orang,
diperoleh rata-rata waktu 100 menit
• Penelitian sebelumnya menyebutkan bahwa standar
deviasi waktu sebesar 20 menit
• Derajat kepercayaan sebesar 95%
Contoh 2 :
• Seorang peneliti ingin memperkirakan waktu
pelayanan kesehatan di sebuah poliklinik,
• Diambil sebanyak 36 pasien secara acak, dan dihitung
berapa lama pasien berada didalam ruangan
konsultasi
• Diperoleh waktu rata-rata konsultasi pasien selama
15 menit,
• Jika diasumsikan standar deviasi sebesar 3 menit
Penyelesaian

• Contoh 1
• Contoh 2
Latihan :
58 48 56 43
58 57 48 35
43 47 49 41
64 58 46 44
47 55 42 48
54 29 46 47
59 47 52 43
47 49 40 58
60 50 50 50
64 36 43 44
• Berikut adalah waktu yang diperlukan (menit) untuk menempuh jarak dari rumah ke RS
terdekat
• Hitung estimasi rata-rata dengan derajat kepercayaan 90%
Estimasi Interval Rata-rata (jika sampel ≥ 30)
a. Interval kepercayaan (1 - ) untuk menduga rata-rata , Utk populasi tdk
terbatas/ populasi terbatas dan σ diketahui adalah :

 
[ x  Z / 2 ]    [ x  Z / 2 ]
n n
– Bila  tidak diketahui, maka dapat digunakan penduga dari  yaitu S .
– Penaksiran rata-rata sampel adalah menentukan interval nilai rata-rata
sampel yang dapat memuat parameter rata-rata populasi, jika dipakai
distribusi probabilitas normal, confidence interval untuk rata-rata
ditentukan.
• Dua batas kepercayaan
 
[ x  Z / 2 ]dan[ x  Z / 2 ]
n n

Distribusi normal :
Berbentuk lonceng
Simetris
α/2 1‒α/2 α/2 Letak mean, median, mode satu titik

-zα/2 0 zα/2
Contoh :

• Rata-rata IP sampel acak 36 mahasiswa tingkat S-1

adalah 2.6.
• Hitung selang kepercayaan 95% dan 99% untuk rata-
rata IP semua mahasiswa S-1! Anggap bahwa standar
deviasi populasinya 0.3.
Latihan

• Dari sampel 200 ibu hamil yang melahirkan,

diperoleh rata-rata berat badan bayi sebesar 2800 gr,
dengan standar deviasi populasi 250 gr
• Hitung estimasi jika derajat kepercayaan 95%
Jika sampel besar, dan σ tidak diketahui

s N n s N n
[ x  Z / 2 ]    [ x  Z / 2 ]
n N 1 n N 1
Batas bawah Batas atas

N n
Untuk populasi yang tidak terbatas, =1
N 1
s
Sehingga x  Z / 2
n
Jika sampel kecil (<30), dan σ tidak diketahui

s N n
x  t. Correction factor untuk populasi finit
n N 1 (terbatas) / Diketahui jumlahnya

Bila jumlah populasi diketahui

Distribusi t, dengan derajat kemaknaan

Pengganti distribusi z (distribusi normal)

Latihan :

• Dari 1000 balita di daerah A, diambil sampel secara

acak sebanyak 100 orang, dan diukur berat badan
(BB),
• Diperoleh rata-rata BB = 18,6 kg dengan simpangan
baku 3,8 kg
• Berapa estimasi titik dan estimasi selang
– Jika derajat kepercayaan 90%
Estimasi interval proporsi
• Interval kepercayaan untuk menduga proporsi
pq pq
[ p  Z1 / 2 ]  p  [ p  Z1 / 2 ]
n n
dimana
Y bila populasi tidak terbatas
p
n
pq N n
• Bila populasi terbatas/diketahui  p  Z1 / 2
n N 1
• Untuk data diskrit  distribusi t tidak berlaku
• Jika data kontiniu  distribus t digunakan bila
populasi kecil dan σ tidak diketahui
PERHATIKAN !!!:
- Jumlah Populasi (finit atau infinit)
- Jumlah sampel besar atau kecil
- Standar Deviasi Populasi atau sampel  diketahui atau tidak
- Jenis data (diskrit atau kontiniu)
Contoh :

• Dari 25 balita, terdapat 20 balita yang telah

diimunisasi,
• Hitung estimasi titik dan estimasi selang, jika derajat
kepercayaan 95%
Penyelesaian

• Hitung proporsi  estimasi titik

• Hitung estimasi selang/ interval dengan rumus
 Estimasi Perbedaan Parameter Dua Populasi

Estimasi Selisih Rata-rata Estimasi Selisih Proporsi

Estimasi selisih (beda) dua rata-rata
1. Sampel besar, simpangan baku populasi pertama sama
dengan kedua, dan besarnya diketahui
2. Sampel besar, simpangan baku populasi pertama tidak sama
dengan kedua
3. Sampel kecil, dengan simpangan baku populasi pertama sama
dengan simpangan baku populasi kedua, tetapi besarnya tidak
diketahui
4. Sampel kecil, dengan simpangan baku populasi tidak sama
dengan kedua, dan besarnya tidak diketahui
Rumus :
 12  22  12  22
( X 1  X 2 )  Z / 2   1   2  ( X 1  X 2 )  Z / 2 
n1 n2 n1 n2

a. σ₁ = σ₂, besarnya diketahui, maka

1 1
( X 1  X 2 )  Z / 2  
n1 n2
b. σ₁ ≠ σ₂ , tidak diketahui, σ ditaksir melalui s
s12 s22
( X 1  X 2 )  Z / 2 
n1 n2
c. Sampel kecil, σ₁ = σ₂, besarnya tidak diketahui
seblumnya hitung dulu varians gabungan, (pooled variance
method) ( n  1) s 2
 ( n  1) s 2
s2  1 1 2 2
n1  n2  2 --- derajat bebas
Karena sampel kecil, maka digunakan distribusi t
Lanjut…

(n1  1) s12  (n2  1) s22 1 1

( X 1  X 2 )  t. 
n1  n2  2 n1 n2

d. Sampel kecil, σ₁ ≠ σ₂, besarnya tidak diketahui

s12 s22
( X 1  X 2 )  t. 
n1 n2
 Estimasi selisih (beda) dua proporsi

p1q1 p2q2 p1q1 p2 q2

( p1  p2 )  Z / 2   P1  P2  ( p1  p2 )  Z / 2 
n1 n2 n1 n2

• Contoh :
Bagian bedah : dari 120 orang penderita, 30 orang wanita
Bagian peny.dalam : dari 200 penderita, 25 org wanita
Hitung estimasi selisih proporsi nya, jika derajat kepercayaan 90
%
Estimasi interval beda dua proporsi

( p1  p2 )  Z  / 2 .s( p1  p2 )  ( p1  p2 )  ( p1  p2 )  Z  / 2 .s( p1  p2 )

p1 (1  p1 ) p2 (1  p2 )
S P1 P 2  
n1 n2
Contoh :
• Suatu perubahan dalam cara pengobatan baru sedang
direncanakan. Sampel diambil dari cara lama maupun yang
baru untuk melihat apakah cara baru tersebut memberikan
perbaikan. Bila 75 dari 1500 pengobatan yang berasal dari
cara lama ternyata berakibat cacat. Dan 80 dari 2000 yang
berasal dari cara baru ternyata cacat. Carilah selang
kepercayaan 90% untuk selisih sesungguhnya proporsi yang
baik dalam kedua cara tersebut!
Terima Kasih…