Anda di halaman 1dari 66

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
Akibatnyainterval 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
 Distribusiini 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  t n 1;1 / 2    X  t n 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.

Biladilihat dari besarnya nilai rata-rata kelas A


maka rata-rata kelas A lebih baik.

Anda mungkin juga menyukai