ESTIMASI

Pengumpulan Data Kuantitatif

Penelitian Sampling

Harapan

berupa
Menarik Kesimpulan Menarik Kesimpulan
(Sample) estimasi (Populasi)
(pendugaan)

µ, σ, (µ11 – µ22 ) , diestimasikan

X, S, ( X1 – X2 ),
P, ( P11 – P22 ) berdasarkan p̂ ,( p̂1 – p̂2 )
Parameter Harga Statistik
 Estimasi
Distribusi Sampling Harga
Harga Statistik
Secara
Parameter
Statistik

Harga Sampel
= Estimator
(penduga)

Misal : X Penduga µ

Estimasi Secara
X
Statistik
µ

Tidak Akan Menyimpang

Terlalu Jauh
 Tidakbias
Tidak bias
(unbiased)
(unbiased)
Pendugayang
Penduga yang Efisien
baik Efisien
baik
Konsisten
Konsisten
 TIDAK
TIDAK
BIAS
BIAS
E (harga statistik) = harga parameter

harga statistik
E (harga statistik) = harga parameter
 Bias

harga statistik
harga parameter E (harga statistik)

Pada hakekatnya X merupakan penduga yang tidak bias bagi µ karena

E (X) = µx

Dianggap bias bila E (harga statistik) ≠ harga parameter

Bias = E (harga statistik) – harga parameter

EFISIE
EFISIE
NN
Distribusi penduga harga statistik sebaiknya terpusat atau
mempunyai deviasi standar yang kecil

Standar deviasi kecil

harga parameter
harga statistik Standar deviasi lebih besar
harga parameter
KONSISTE
KONSISTE
NN

Penduga yang konsisten merupakan penduga yang berkonsentrasi

secara sempurna pada parameter jika besarnya sampel bertambah
secara tak terhingga, sehingga dapat memberi suatu pendugaan titik
secara sempurna terhadap parameter.
n = 200

n = 50

n = 10

n=5

harga statistik
Penduga yang konsisten bila:
 
E (harga statistik – harga parameter)2 = 0
 
jika n ∞ atau
 
Bias maupun Deviasi Standar mendekati 0, jika n ∞
Cara Menduga Harga Parameter
 
1. Interval Estimation

Dari penelitian dan perhitungan-perhitungan harga statistik

suatu sampel, bisa dihitung suatu interval (dua batas nilai) dimana
dengan probabilitas tertentu, harga parameter yang hendak diduga
terletak dalam dua batas nilai itu.

2. Point Estimation

Harga parameter hanya diduga dengan satu harga yakni harga

statistik sampelnya.
Selain harga statistiknya, harus pula ditentukan besarnya
kesalahan (error) yang dengan probabilitas tertentu dialami dalam
pendugaan harga parameter itu.
 PENDUGAAN HARGA MEAN POPULASI : µ

Distribusi sampling harga mean sifat-sifatnya :

µx = µ

 
n
mendekati normal bila n ≥ 30
 1. Interval Estimation

95 %
2,5 %
0,4750 0,4750

µx = µ

Z1= - 1,96 0 Z2= 1,96

Daerah 95 % -1,96 < Z < 1,96


Z 
 n
Dengan probabilitas 95 % bahwa jika  adalah mean dari sample random


dengan n besar, Z akan terletak antara -1,96 dan 1,96
 n
 
 1,96 < < 1,96
 n
 
 1,96. <  < 1,96.
n n
 
  1,96. <  <   1,96 .
n n

 
Jadi dengan probabilitas 95 %, interval dari   1,96. sampai   1,96.
n n
mengandung µ

Interval demikian dinamakan “Interval Keyakinan 95 %” ( 95 percent confidence interval)

σ biasanya tidak diketahui dapat diganti dengan harga estimasinya yaitu S

Interval keyakinan 95 % untuk µ :

S S
  1,96. <  <   1,96.
n n
S
atau     1,96.
n
Secara Umum S S
   . <  <     .
2 n 2 n

S Lower confidence limit

   2 .
n (batas keyakinan bawah)

S Upper confidence limit

   2 . (batas keyakinan atas)
n
Confidence coefficient nya dapat 90%, 95%, 98%, dan 99%

S S
90%   1,64. <  <   1,64.
n n
S S
98%   2,33. <  <   2,33.
n n

99%   2,58.
S <  <   2,58. S
n n
Contoh:

Suatu biro riset ingin mengestimate rata-rata pengeluaran untuk pembelian bahan
makanan per minggu dari ibu-ibu rumah tangga. Sebuah sample random yang terdiri dari
100 ibu rumah tangga telah dipilih dari populasi ibu rumah tangga. Dari keseratus ibu
rumah tangga tersebut diketahui bahwa rata-rata pengeluarannya adalah Rp 9.600,00
dengan deviasi standar Rp 160,00. Hitunglah “interval keyakinan 98%” untuk
pengeluaran rata-rata untuk pembelian bahan makanan per minggu dari semua ibu-ibu
rumah tangga.

Jawab:
S S
n = 100 α = 0,02    . <  <     .
S = 160 Z = 2,33 2 n 2 n
160 160
9.600  2,33. <  < 9.600  2,33.
100 100
9.600  37,28 <  < 9.600  37,28
9.562,72 <  < 9.637,28
Jadi dugaan bahwa pengeluaran rata-rata akan terletak diantara Rp 9.562,72 hingga
Rp 9.637,28 akan benar 98%
Dapat dinyatakan P(9.562,72 < µ < 9.637,28) = 0,98
 2. Point Estimation untuk µ

Apabila  digunakan sebagai pendugaan titik dari µ, maka besarnya error (kesalahan)
dalam pendugaan ini adalah perbedaan antara µ dengan  , dinyatakan dengan  - µ
 error 
Confidence coefficient 98%, maka:  2,33. < < 2,33.
n n
 
Jadi dengan probabilitas 98% kesalahan itu akan terletak antara  2,33. hingga 2,33.
n n

atau error < 2,33.
n
S
 tidak diketahui diganti S, maka: Error < 2,33.
n

Contoh : bila = 9.600 digunakan sebagai penduga titik dari µ, maka besarnya
kesalahan dalam pendugaan itu adalah:
160
Error < 2,33.
100
Error < 37,28
 3. Menentukan Besarnya Sampel (n)

  
2
Error = E, maka E = error maksimum
n 2
    
Besarnya sample dapat dihitung dengan:
n 2 
  

Contoh : Andaikan diantara pelat baja yang dibuat melalui suatu proses tertentu
memiliki distribusi normal dengan σ = 0,50, berapa besarnya sample yang harus
kita ambil agar kita 95% yakin bahwa rata-rata sampelnya tidak akan berselisih
dari rata-rata populasinya lebih dari 0,1 ?
2
Jawab : σ = 0,50 1,96  0,50 
E = 0,1 n 
  1,96  0,1 
2
n  96,04
Maka besarnya sample yang harus diambil adalah 97
 PENDUGAAN HARGA PROPORSI POPULASI : P

1. Interval Estimation

P (1  P ) P(1  P)
pˆ  Z  . < P < pˆ  Z .
2 n 2 n
Karena P tidak diketahui, maka diganti harga estimasinya

pˆ (1  pˆ ) pˆ (1  pˆ )
pˆ  Z . < P < pˆ  Z  .
2 n 2 n

2. Point Estimation

pˆ (1  pˆ )
E < Z .
2 n
 3. Besarnya Sampel
P tidak diketahui, maka P(1 – P) tidak diketahui
pˆ (1  pˆ )
  Z . besarnya.
2 n Karena P selalu 0 – 1, maka besarnya P(1 – P)
maksimal dapat dicari:
2
   f(P) = P – P2
n  P (1  P ) 2  df(P)
   1 2P
  dP
df ( P )
Maksimal apabila 0
dP
1  2P  0
1
P
2
1 1 1
Jadi harga maksimal dari f(P): P (1  P )   
Besarnya sample menjadi: 2 2 4
2
1   2 
n
4  
 
 PENDUGAAN HARGA PERBEDAAN 2 MEAN : (µ1 - µ2)

1. Interval Estimation

 12  22  12  22
(1   2 )  Z .   1   2 ( 1   2 )  Z  . 
2 n1 n2 2 n1 n2
Apabila σ1 dan σ2 tidak diketahui:

S 12 S 22 S 12 S 22
(1   2 )  Z .   1   2  (  1   2 )  Z  . 
2 n1 n2 2 n1 n2

2. Point Estimation

 12  22
Error  Z  . 
2 n1 n2
 PENDUGAAN HARGA PERBEDAAN 2 PROPORSI : (P1 - P2)

1. Interval Estimation

pˆ1(1 pˆ1) pˆ 2 (1 pˆ 2 ) pˆ1(1 pˆ1) pˆ 2 (1 pˆ 2 )

( pˆ1  pˆ 2 )  Z .  P1  P2( p1  p2 )  Z .
ˆ ˆ 
2 n1 n2 2 n1 n2

2. Point Estimation

pˆ 1 (1  pˆ 1 ) pˆ 2 (1  pˆ 2 )
Error  Z  . 
2 n1 n2
PENDUGAAN HARGA DEVIASI STANDAR : σ

Interval Estimation

S S
S  Z .   S  Z .
2 2n 2 2n

S S

Z Z
1 2
1 2

2n 2n
 PENDUGAAN HARGA PARAMETER
SAMPEL KECIL (n < 30)

n ≥ 30 mendekati distribusi normal

n semakin besar semakin sempurna
sebaliknya n semakin berkurang kurang baik

Jika n < 30 ada cara tersendiri untuk menduga µ, yaitu dengan distribusi – t.

 
t  Distribusi sampling harga t
(distribusi student t)
S n

Sifat-sifatnya:

Kurvenya simetris
Luas kurvenya = 1 dengan derajat kebebasan (degree of freedom) n – 1

Luas distribusi t dapat dilihat pada Tabel nilai t

 Normal = t jika d.f. = ∞

d.f = 5
d.f = 2
d.f = 1

. . . . . . . . . . .
-5 -4 -3 -2 -1 0 1 2 3 4 5

t0,025=1,96 t0,025=4,30
=Z0,025

Gambar: Perbandingan antara Distribusi Normal dengan Distribusi t.

95 %

– t(0,025; n-1) 0 t(0,025; n-1)

– t(0,025; n-1) < t < t(0,025; n-1)


– t(0,025; n-1) < < t(0,025; n-1)
S n
1. Interval Estimation

S S
 – t(0,025; n-1) < <  + t (0,025; n-1)
n n

2. Point Estimation

S
Error < t(0,025; n-1)
n
Contoh : Suatu sample random dengan 25 potong kain batik yang dijual di Toko
Ramai mempunyai harga rata-rata Rp 2.850,00 dengan deviasi standar Rp
120,00. Hitunglah confidence interval 98 % untuk harga rata-rata semua kain
batik yang dijual di Toko Ramai itu.

Jawab :  = 2.850 S = 120 n = 25

Degree of freedom (n – 1) = 25 – 1 = 24
t(0,01; 24) = 2,492

S S
 – t(0,01; n-1) n<
<  + t(0,01; n-1) n

120
<  < 2.850 + 2,492 25
120
2.850 – 2,492
25

2.850 – 59,808 <  < 2.850 + 59,808

2.790,192 <  < 2.909,808

Jadi pada confidence interval 98 %, harga rata-rata

semua kain batik yang dijual di Toko Ramai berkisar
antara Rp 2.790,192 sampai dengan Rp 2.909,808
 PENDUGAAN HARGA PERBEDAAN
2 MEAN ( 1 2 ) SAMPEL KECIL

( 1   2 )  ( 1   2 )
t df = n1+n2-2
 ( n1  1) S  ( n2  1) S  1 1 
2 2

  
1 2

 n1  n2  2  n1 n2 

Interval Estimation

(n1 1)S12  (n2 1)S22  1 1  1 2 <

(1  2 ) t      <
( ;n1n2 2)
2  n1  n2  2 n1 n2 
(n1 1)S12  (n2 1)S22  1 1 
(1  2 ) t     
( ;n1n2 2)
2  n1  n2  2 n1 n2 