Statistika Inferensi :

Estimasi Titik & Estimasi Interval

Estimasi titik
 Estimasi adalah keseluruhan proses yang
menggunakan sebuah estimator untuk
menghasilkan sebuah estimate dari suatu
parameter.

 Sebuah estimasi titik dari sebuah

parameter  adalah sesuatu angka
tunggal yang dapat dianggap sebagai nilai
yang masuk akal dari .
Contoh
 Seorang ahli sosial ekonomi ingin
mengestimasi rata-rata penghasilan buruh
di suatu kota. Sebuah sampel dikumpulkan
menghasilkan rata-rata Rp 2.000.000,-.

 Dalam hal ini telah dilakukan estimasi titik,

dengan menggunakan estimator berupa
statistic mean ( X ) untuk mengestimasi
parameter mean populasi (μ). Nilai sampel
Rp 2.000.000,- sebagai nilai estimate dari
mean populasi.
Estimasi Interval
 Sebuah estimasi interval (interval
estimate) dari sebuah parameter , adalah
suatu sebaran nilai nilai yang digunakan
untuk mengestimasi interval.
 Jika dimiliki sampel X1, X2, …., Xn dari
distribusi normal N(, 2) maka
2
X ~ N(  , )
n
 Akibatnya interval kepercayaan (1-)100%
untuk mean populasi  adalah

 
X  Z1 / 2    X  Z1 / 2
n n

dengan Z(1-/2) adalah kuantil ke-(1-/2) dari

distribusi normal baku dan jika  tidak
diketahui maka dapat diestimasi dengan
simpangan baku (standard deviation) sampel s
yaitu s = s2.
 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
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 untuk beberapa
tingkat kepercayaan (1-)100%.
Contoh
 Seorang guru ingin mengestimasi waktu
rata-rata yang digunakan untuk belajar.

 Suatu sampe acak ukuran 36

menunjukan bahwa rata-rata waktu yang
digunakan siswa untuk belajar di rumah
setiap harinya adalah 100 menit.

 Informasi sebelumnya menyatakan

bahwa standar deviasi adalah 20 menit.
 Estimasi interval dengan tingkat kepercayaan 95 persen
dapat ditentukan berikut ini :

 Unsur unsur yang diketahui :

X = 100 ;  = 20; n=36; tingkat kepercayaan 95 %.
 Dengan tingkat kepercayaan 95 % maka nilai z adalah
1,96 jadi estimasi interval dari nilai waktu rata-rata
sesungguhnya adalah :
100  (1,96)( 20 / 6)    100  1,96 ( 20 / 6)
93,47    106,53

 Dengan kata lain guru mengestimasi dengan tingkat

keyakinan 95 % bahwa rata-rata waktu belajar adalah
antara 93,47 menit hingga 106,53 menit
 Jika n > 30
 Dari seluruh siswa 4 kelas diambil sebagai sampel 40 siswa dan
didapatkan nilai Matematika dari 40 siswa tersebut sebagai berikut :
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
maka estimasi rata-rata nilai Matematika sesungguhnya dengan tingkat
kepercayaan 90 persen yaitu :
Dengan tingkat kepercayaan 90 % maka nilai z adalah 1,645 jadi
estimasi interval dari rata-rata sesungguhnya adalah :
Hasil output spss
Jika n  30
 Jika dimiliki sampel X1, X2, …., Xn dari
distribusi normal N(, 2) dengan 2
tidak diketahui maka :
X 
T
S/ n

berdistribusi t dengan derajat bebas n-1.

Sifat-sifat distribusi t
 Distribusi ini serupa dengan distribusi Z dengan
mean nol dan simetris berbentuk lonceng / bell
shape terhadap mean.

 Bentuk distribusi tergantung pada ukuran

sampel. Jadi distribusi adalah kumpulan keluarga
distribusi dan perbedaan satu dengan yang
lainnnya tergantung pada ukuran sampel.

 Pada ukuran sampel yang kecil keruncingan

berbentuk distribusi t kurang dibandingkan
dengan distribusi Z dan jika meningkatnya
ukuran sampel mendekati 30 maka bentuk
distribusi semakin mendekati bentuk distribusi
Z. (Jadi jika n >30 maka digunakan nilai z).
Grafik fungsi distribusi t
 Untuk n  30, interval kepercayaan
(1-)100% untuk mean populasi  adalah

s s
X  tn 1;1 / 2    X  tn 1; 1 / 2
n n

dengan tn-1; (1-/2) adalah kuantil ke-(1-/2) dari

distribusi t dengan derajat bebas n-1 dan s adalah
simpangan baku (standard deviation) sampel dengan
s = s2 yaitu akar dari variansi sampel.
Contoh
 Misalkan diberikan nilai Matematika 10
siswa sebagai berikut : 58, 58, 43, 64, 47,
54, 59, 47, 60, dan 64.

 Estimasi rata-rata nilai Matematika

sesungguhnya (populasi). Nilai rata-rata
Matematika dengan tingkat kepercayaan
95 persen dapat diestimasi sebagai
berikut:
Hasil perhitungan dari data
interval kepercayaan  (rata-rata
populasi) dengan koefisien
kepercayaan 95 % :
Hasil output spss
Pengujian Hipotesis (Satu Sampel)
 Secara umum, hipotesis statistik  pernyataan
mengenai distribusi probabilitas populasi atau
pernyataan tentang parameter populasi.

 Contoh :
Nilai Matematika siswa kelas 10 SMAN 1 Salatiga
berdistribusi normal. Akan diuji hipotesis :
rata-ratanya 60.

Pernyataan : Rata-ratanya 60 (  = 60 )
 hipotesis statistik
 Kesalahan yang mungkin
 Kesalahan jenis pertama (type-I error)  bila
menolak menolak hipotesis yang seharusnya
diterima.

 Kesalahan jenis kedua (type-II error)  bila

menerima hipotesis yang seharusnya ditolak.
 Prosedur Uji hipotesis
 Pernyataan Hipotesis nol dan hipotesis alternatif
 Pemilihan tingkat kepentingan
( level of significance ), α  kesalahan tipe I
 Pernyataan aturan keputusan ( Decision Rule)
 Perhitungan nilai-p berdasarkan pada data sampel
 Pengambilan keputusan secara statistik (Penarikan
kesimpulan)
 Pernyataan Hipotesis nol dan
hipotesis alternatif
 Hipotesis nol (H0) adalah asumsi yang akan diuji.

 Hipotesis nol dinyatakan dengan hubungan sama dengan.

Jadi hipotesis nol adalah menyatakan bahwa parameter

(mean, presentase, variansi dan lain-lain) bernilai sama
dengan nilai tertentu.

 Hipotesis alternatif (H1) adalah hipotesis yang berbeda dari

hipotesis nol.

 Hipotesis alternatif merupakan kumpulan hipotesis yang

diterima dengan menolak hipotesis nol.
Contoh
 Dalam suatu prosedur pengujian hipotesis mengenai
mean dari suatu populasi, pernyataan-pernyataan
mengenai hipotesis nol sebagai mean populasi 60
secara umum dinotasikan :

H0 : µ = 60
H1 : µ ≠ 60.
Pemilihan tingkat kepentingan ( level of
significance ), α
 Tingkat kepentingan ( level of significance )  menyatakan
suatu tingkat resiko melakukan kesalahan dengan menolak
hipotesis nol.

 Dengan kata lain, tingkat kepentingan menunjukkan 

probabilitas maksimum yang ditetapkan untuk menghasilkan
jenis resiko pada tingkat yang pertama.

 Dalam prakteknya, tingkat kepentingan yang digunakan adalah

0.1, 0.05 atau 0.01.

 Jadi dengan mengatakan hipotesis bahwa ditolak dengan

tingkat kepentingan 0.05  keputusan itu bisa salah dengan
probabitas 0.05.
Pernyataan aturan keputusan (Decision
Rule)
 Suatu nilai-P didefinisikan sebagai nilai tingkat
kepentingan yang teramati yang merupakan nilai
tingkat signifikan terkecil di mana hipotesis nol
akan ditolak apabila suatu prosedur pengujian
hipotesis tertentu pada data sampel.

 Menolak H0 jika nilai-p (p-value) <  dan

menerima H0 jika nilai-p (p-value) >  .
 Perhitungan nilai-p berdasarkan
data sampel & Kesimpulan

 Berdasarkan sampel dihitung nilai-p.

 Karena nilai-p <  maka Ho ditolak atau

sebalinya nilai-p >  maka Ho diterima.
Uji Hipotesis dengan Mean Tunggal
 Pengujian ini dibedakan atas dua jenis
yaitu :

Uji dua ujung ( two tailed test)

Uji satu ujung ( one tailed test).

Uji Dua Ujung
 Uji dua ujung (two tailed) adalah uji hipotesis yang
menolak hipotesis nol jika statistik sampel secara
significant lebih tinggi atau lebih rendah dari pada
nilai parameter populasi yang diasumsikan.

 Dalam hal ini hipotesis nol dan hipotesis

alternatifnya masing-masing :

H0 : µ = nilai yang diasumsikan

H1 : µ ≠ nilai yang diasumsikan
Contoh
Nilai Matematika siswa kelas 10 SMAN 1
Salatiga berdistribusi normal. Akan diuji
hipotesis :
rata-ratanya 60.

Hipotesis nol : H0 :  = 60
Hipotesis alternatif : H1 :   60
Hasil output SPSS
 Berdasarkan hasil output SPSS diperoleh nilai-p
mendekati nol dan karena
nilai- p <  = 0,10 (10 %) maka H0 ditolak
berarti H1 diterima.

Dengan kata lain,   60 berarti rata-rata nilai

Matematika siswa kelas 10 tidak sama dengan 60.
Contoh
Nilai Matematika siswa kelas 10 SMAN 1
Salatiga berdistribusi normal. Akan diuji
hipotesis :
rata-ratanya 50.

Hipotesis nol : H0 :  = 50
Hipotesis alternatif : H1 :   50
Hasil output SPSS
 Berdasarkan hasil output SPSS diperoleh nilai-p
= 0,367 dan karena
nilai- p >  = 0,10 (10 %) maka H0 diterima.

Dengan kata lain,  = 50 berarti rata-rata nilai

Matematika siswa kelas 10 sama dengan 50.
STATISTIKA INFERENSI :
UJI HIPOTESIS (SAMPEL GANDA)
Outline
 Uji Hipotesis Mean dengan Sampel ganda :

- Uji t untuk populasi saling bergantung

- Uji t untuk populasi saling bebas

Uji t pasangan untuk populasi
saling tergantung
Prosedur :
 Pernyataan Hipotesis nol dan Hipotesis Alternatif

 Dalam uji ini hipotesis nolnya adalah metode baru sama dengan
metode lama (perbedaan rata-ratanya adalah nol).
Sedangkan hipotesis alternatifnya adalah metode baru tidak
sama dengan metode lama (terdapat perbedaan nilai rata-rata).

H0 : μd = 0 ( metode lama sama dengan metode baru)

H1 : μd ≠ 0 uji dua ujung
( μd > 0 uji satu ujung )
(metode lama tidak sama dengan metode baru)

 Pemilihan tingkat kepentingan (level of significance), α

Aturan pengambilan keputusan :

 H0 ditolak jika nilai-p <  dan sebaliknya H0

diterima jika nilai-p  .
 Contoh
 Seorang guru akan mengevaluasi metode
pembelajaran baru untuk siswa.

 Jika dalam program baru tersebut terdapat

penghematan waktu dari pada program saat
ini maka ia akan merekomendasikan
perusahaan tersebut dengan program baru.
 Suatu sampel yang terdiri dari 8 diambil dan
kemudian diperoleh nilai sebelum dan
setelah digunakan metode pembelajaran
yang baru.

 Nilai yang diperoleh sebelum dan setelah

digunakan metode pembelajaran yang baru
ditunjukkan pada tabel berikut :
Nilai sebelum dan sesudah
penggunaan metode baru
Uji hipotesis dilakukan dengan langkah sebagai
berikut :
 Hipotesis
H0 : metode baru tidak meningkatkan nilai
H1 : metode baru meningkatkan nilai
 Tingkat kepentingan α = 0,05 = 5 %
 Aturan Keputusan
H0 ditolak dan H1 diterima jika nilai-p < 0,05
dan sebaliknya H0 diterima dan H1 ditolak jika
nilai-p > 0,05.
Hasil output SPSS
(terlihat thit = 1,366 dan nilai-p = 0,214 > 0,05
sehingga H0 diterima)
Kesimpulan
 Metode pembelajaran baru tidak
meningkatkan nilai.
 Hal tersebut juga didukung oleh informasi
tambahan pada hasil output SPSS berikut
ini.

 Tidak terdapat perbedaan yang signifikan

antara rata-rata nilai sebelum dan nilai
sesudah penggunaan metode
pembelajaran baru.
Hasil output SPSS
Uji t untuk populasi yang saling
bebas (independent)
Digunakan bila :

 Sampel yang diambil dari kedua populasi

yang saling bebas dan berdistribusi normal.

 Ukuran kedua sampel kurang dari 30

( untuk n > 30, hasil yang diperoleh
merupakan pendekatan ).
Prosedur uji hipotesisnya sebagai berikut :
 Pernyataan hipotesis nol dan hipotesis
alternatif
 Dalam uji hipotesis nol dan hipotesis
alternatifnya adalah :
H0 : μ1 = μ2 (rata-rata kedua kelompok sama)
H1 : μ1 ≠ μ2 (rata-rata kedua kelompok tidak
sama)
 Pemilihan tingkat kepentingan α
Aturan pengambilan keputusan :

 H0 ditolak jika nilai-p <  dan sebaliknya H0

diterima jika nilai-p  .
Contoh
Hasil output SPSS
 Kelas A mempunyai rata-rata nilai 75,60 dan
deviasi standard 15,298.

 Kelas B mempunyai rata-rata nilai 77,60 dan

deviasi standard 11,944.

 Apakah ada perbedaan yang signifikan antara

nilai rata-rata kedua kelas ?
 Dengan kata lain apakah kelas A dan kelas B
mempunyai rata-rata yang sama ?
Hipotesis
 Hipotesis nol :

Rata-rata kelas A dan kelas B sama.

 Hipotesis alternatif :

Rata-rata kelas A dan kelas B tidak

sama.
 Tingkat signifikansi (level of significance) yang
dipilih  = 0,05.

 Aturan penerimaan dan penolakan :

H0 ditolak jika nilai-p <  = 0,05 dan

sebaliknya H0 diterima jika nilai-p   = 0,05.

Hasil output SPSS
(terlihat nilai-p > 0,05 sehingga H0 diterima yaitu
rata-rata kedua kelas sama
Hasil output SPSS
(terlihat nilai-p > 0,05 sehingga H0 diterima yaitu
rata-rata kedua kelas sama
Kesimpulan
 Rata-rata nilai kelas A dan kelas B sama
(tidak berbeda secara signifikan).
Contoh – sampel kecil
Hasil output SPSS
 Hipotesis nol : Rata-rata kelas A dan kelas B sama.
 Hipotesis alternatif : Rata-rata kelas A dan kelas B
tidak sama.

 Tingkat signifikansi  dipilih 0,10 (10 %).

 Karena nilai-p mendekati nol sehingga lebih kecil
dari  = 0,10 sehingga H0 ditolak sehingga
berarti bahwa rata-rata kelas A dan kelas B tidak
sama.

 Bila dilihat dari besarnya nilai rata-rata kelas A

maka rata-rata kelas A lebih baik.