Estimasi interval kepercayaan digunakan untuk menentukan rentang nilai yang mungkin dari parameter populasi berdasarkan data sampel. Lebar interval kepercayaan \((๐)\) mencerminkan tingkat ketidakpastian estimasi.
Untuk rata-rata populasi \((ฮผ)\), rumus interval kepercayaan 95% adalah:
\[\bar{X} \pm Z_{\frac \alpha2} \times \frac{\sigma}{\sqrt{n}}\]
\[\bar{X} \pm t_{\frac \alpha2; df} \times \frac{s}{\sqrt{n}}\]
\[W = 2 \times E\] \[W = 2 \times Critical {Value} \times \frac{s}{\sqrt{n}}\]
\[E = Z_{\frac\alpha2} \times \frac{\sigma}{\sqrt{n}}\]
\[E = t_{\frac \alpha2; df} \times \frac{s}{\sqrt{n}}\]
Tiga faktor yang disimulasikan:
Tingkat Kepercayaan tetap 95% (\(ฮฑ = 0.05\)). Nilai \(\bar {X}\) tidak memengaruhi lebar, sehingga diasumsikan \(\bar {X} = 100\) untuk konsistensi
# Definisi Level Faktor
n_levels <- c(5, 30, 100)
sd_levels <- c(10, 50, 90)
knowledge_levels <- c("Diketahui (Z)", "Tidak Diketahui (t)")
# Inisialisasi Data Frame untuk hasil
results <- data.frame(
n = numeric(),
SD = numeric(),
Knowledge = character(),
Critical_Value = numeric(),
Margin_of_Error = numeric(),
Width = numeric(),
stringsAsFactors = FALSE
)
alpha <- 0.05
# Loop untuk setiap kombinasi
for (n in n_levels) {
for (sd in sd_levels) {
for (know in knowledge_levels) {
# Menentukan nilai kritis dan jenis distribusi
if (know == "Diketahui (Z)") {
crit_val <- qnorm(1 - alpha/2)
} else {
crit_val <- qt(1 - alpha/2, df = n - 1)
}
# Menghitung Margin of Error
moe <- crit_val * sd / sqrt(n)
# Menghitung Lebar Interval (Width = 2 * MoE)
width <- 2 * moe
# Menyimpan hasil
results <- rbind(results, data.frame(
n = n,
SD = sd,
Knowledge = know,
Critical_Value = round(crit_val, 4),
Margin_of_Error = round(moe, 4),
Width = round(width, 4)
))
}
}
}
# Menampilkan Hasil
print(results)## n SD Knowledge Critical_Value Margin_of_Error Width
## 1 5 10 Diketahui (Z) 1.9600 8.7652 17.5305
## 2 5 10 Tidak Diketahui (t) 2.7764 12.4166 24.8333
## 3 5 50 Diketahui (Z) 1.9600 43.8261 87.6523
## 4 5 50 Tidak Diketahui (t) 2.7764 62.0832 124.1664
## 5 5 90 Diketahui (Z) 1.9600 78.8870 157.7741
## 6 5 90 Tidak Diketahui (t) 2.7764 111.7498 223.4995
## 7 30 10 Diketahui (Z) 1.9600 3.5784 7.1568
## 8 30 10 Tidak Diketahui (t) 2.0452 3.7341 7.4681
## 9 30 50 Diketahui (Z) 1.9600 17.8919 35.7839
## 10 30 50 Tidak Diketahui (t) 2.0452 18.6703 37.3406
## 11 30 90 Diketahui (Z) 1.9600 32.2055 64.4110
## 12 30 90 Tidak Diketahui (t) 2.0452 33.6066 67.2131
## 13 100 10 Diketahui (Z) 1.9600 1.9600 3.9199
## 14 100 10 Tidak Diketahui (t) 1.9842 1.9842 3.9684
## 15 100 50 Diketahui (Z) 1.9600 9.7998 19.5996
## 16 100 50 Tidak Diketahui (t) 1.9842 9.9211 19.8422
## 17 100 90 Diketahui (Z) 1.9600 17.6397 35.2794
## 18 100 90 Tidak Diketahui (t) 1.9842 17.8580 35.7159Pada bagian ini, kita menjalankan simulasi secara otomatis menggunakan looping untuk menghasilkan output seluruh 18 kombinasi faktor sekaligus. Tujuannya adalah untuk melihat pola umum dan perbandingan antar kelompok.
Mengapa Lebar Interval Berbeda Antar Kelompok?
Setiap โkelompokโ dalam simulasi ini mewakili kombinasi faktor yang berbeda. Perbedaan hasil terjadi karena:
Ukuran Sampel: Standard error mengecil saat \(๐\) membesar, sehingga estimasi lebih presisi.
Variabilitas (SD): Data yang lebih bervariasi memerlukan rentang lebih lebar untuk โmenangkapโ parameter populasi dengan keyakinan 95%.
Pengetahuan SD: Penggunaan distribusi \(๐ก\) memberi nilai kritis lebih besar daripada \(๐\) terutama pada sampel kecil.
Pola yang Teramati
Berdasarkan tabel hasil simulasi otomatis di atas, terlihat pola yang konsisten mengenai pengaruh ketiga faktor terhadap lebar interval kepercayaan. Pertama, ukuran sampel berbanding terbalik dengan lebar interval: ketika ukuran sampel meningkat dari 5 menjadi 100, lebar interval menurun secara signifikan pada semua level variabilitas dan kondisi pengetahuan standar deviasi. Hal ini terjadi karena peningkatan ukuran sampel mengurangi nilai standard error yang merupakan komponen penyusun margin of error. Kedua, variabilitas data berbanding lurus dengan lebar interval: pada ukuran sampel yang sama, peningkatan standar deviasi dari 10 menjadi 90 menyebabkan lebar interval meningkat secara proporsional. Ini menunjukkan bahwa data dengan penyebaran lebih besar memerlukan rentang estimasi yang lebih luas untuk mencapai tingkat kepercayaan yang sama. Ketiga, kondisi pengetahuan standar deviasi populasi memengaruhi nilai kritis yang digunakan: ketika standar deviasi populasi tidak diketahui dan menggunakan distribusi t, lebar interval cenderung sedikit lebih lebar dibandingkan ketika standar deviasi diketahui dan menggunakan distribusi Z, terutama pada ukuran sampel kecil. Perbedaan ini semakin mengecil seiring dengan membesarnya ukuran sampel, yang sesuai dengan sifat konvergensi distribusi t menuju distribusi normal standar.
Catatan: Untuk konsistensi, digunakan \(\bar {X} = 100\) dan \(ฮฑ = 0.05\) (95% confidence level).
n <- 5
mean_x <- 100
sd_val <- 10
alpha <- 0.05
# SD diketahui: gunakan distribusi Z
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 8.7652cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 17.5305cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 91.2348 s/d 108.7652Pada kasus pertama dengan ukuran sampel lima, standar deviasi sepuluh, dan standar deviasi populasi diketahui, diperoleh lebar interval kepercayaan sebesar 17.5305 satuan dengan margin of error 8.7652 satuan. Nilai ini dihasilkan dari penggunaan distribusi normal standar dengan nilai kritis \(Z_{0.025} = 1.96\). Meskipun variabilitas data tergolong rendah, ukuran sampel yang sangat kecil menyebabkan standard error menjadi relatif besar, sehingga margin of error yang dihasilkan cukup signifikan, sehingga margin of error yang dihasilkan cukup signifikan. Akibatnya, interval kepercayaan yang terbentuk memiliki rentang dari 91.2348 hingga 108.7652. Penggunaan distribusi Z dalam kondisi ini memberikan estimasi yang lebih presisi dibandingkan jika menggunakan distribusi t, karena informasi mengenai standar deviasi populasi yang sudah diketahui mengurangi lapisan ketidakpastian tambahan dalam proses estimasi.
n <- 5
mean_x <- 100
sd_val <- 10
alpha <- 0.05
# SD tidak diketahui: gunakan distribusi t
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 2.7764cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 12.4166cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 24.8333cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 87.5834 s/d 112.4166Pada kasus kedua dengan parameter yang sama kecuali standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 24.8333 satuan dengan margin of error 12.4166 satuan. Perbedaan utama dengan kasus sebelumnya terletak pada penggunaan distribusi t-Student dengan derajat kebebasan empat, yang menghasilkan nilai kritis sebesar 2.7764. Nilai kritis ini lebih besar dibandingkan nilai kritis Z pada kasus pertama, yaitu 1.96. Konsekuensinya, margin of error dan lebar interval menjadi lebih besar meskipun variabilitas data dan ukuran sampel tetap sama. Hal ini mengilustrasikan bahwa ketidaktahuan mengenai parameter populasi menambah lapisan ketidakpastian yang harus dikompensasi melalui rentang estimasi yang lebih lebar, terutama ketika ukuran sampel sangat terbatas.
n <- 5
mean_x <- 100
sd_val <- 50
alpha <- 0.05
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 43.8261cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 87.6523cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 56.1739 s/d 143.8261Pada kasus ketiga dengan standar deviasi meningkat menjadi lima puluh sementara ukuran sampel tetap lima dan standar deviasi populasi diketahui, lebar interval kepercayaan yang dihasilkan adalah 87.6523 satuan dengan margin of error 43.8261 satuan. Peningkatan standar deviasi sebesar lima kali lipat dari kasus pertama menyebabkan lebar interval juga meningkat secara proporsional sebesar lima kali lipat, yaitu dari 17.5305 menjadi 87.6523 satuan. Fenomena ini terjadi karena standar deviasi berada pada pembilang rumus margin of error, sehingga perubahan pada variabilitas data berdampak langsung dan linear terhadap besarnya ketidakpastian estimasi. Interval kepercayaan yang terbentuk membentang dari 56.1739 hingga 143.8261, yang menunjukkan rentang sangat luas relatif terhadap nilai mean 100. Meskipun penggunaan distribusi Z tetap memberikan efisiensi tertentu, besarnya variabilitas data menjadi faktor dominan yang menentukan lebar interval pada kondisi ukuran sampel yang sangat kecil.
n <- 5
mean_x <- 100
sd_val <- 50
alpha <- 0.05
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 2.7764cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 62.0832cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 124.1664cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 37.9168 s/d 162.0832Pada kasus keempat dengan kombinasi ukuran sampel lima, standar deviasi lima puluh, dan standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 124.1664 satuan dengan margin of error 62.0832 satuan. Kondisi ini merepresentasikan salah satu skenario dengan ketidakpastian tertinggi dalam simulasi, karena menggabungkan tiga faktor yang memperlebar interval: ukuran sampel sangat kecil, variabilitas data tinggi, dan ketidaktahuan parameter populasi yang memaksa penggunaan distribusi t. Nilai kritis t yang lebih besar daripada Z, dikalikan dengan standard error yang sudah membesar akibat SD tinggi dan n kecil, menghasilkan margin of error yang sangat signifikan. Interval kepercayaan yang terbentuk membentang dari 37.9168 hingga 162.0832, yang menunjukkan rentang estimasi sangat luas. Lebar interval yang mencapai lebih dari 124 satuan ini menunjukkan bahwa dalam kondisi data yang sangat bervariasi dengan informasi sampel yang minim, estimasi parameter populasi hanya dapat dilakukan dengan tingkat presisi yang sangat terbatas.
n <- 5
mean_x <- 100
sd_val <- 90
alpha <- 0.05
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 78.887cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 157.7741cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 21.113 s/d 178.887Pada kasus kelima dengan standar deviasi meningkat menjadi sembilan puluh, ukuran sampel tetap lima, dan standar deviasi populasi diketahui, lebar interval kepercayaan yang dihasilkan adalah 157.7741 satuan dengan margin of error 78.8870 satuan. Peningkatan standar deviasi dari lima puluh menjadi sembilan puluh, atau sebesar 1.8 kali, menyebabkan lebar interval juga meningkat secara proporsional dari 87.6523 menjadi 157.7741 satuan. Pola hubungan linear antara variabilitas data dan lebar interval kembali terkonfirmasi dalam kasus ini. Interval kepercayaan yang terbentuk membentang dari 21.1130 hingga 178.8870, yang hampir mencakup seluruh rentang nilai positif dari mean 100. Meskipun informasi mengenai standar deviasi populasi yang diketahui memberikan keuntungan dalam penggunaan distribusi Z, besarnya variabilitas data tetap menjadi faktor penentu utama yang membatasi presisi estimasi ketika ukuran sampel sangat kecil.
n <- 5
mean_x <- 100
sd_val <- 90
alpha <- 0.05
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 2.7764cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 111.7498cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 223.4995cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: -11.7498 s/d 211.7498Pada kasus keenam dengan kombinasi ukuran sampel lima, standar deviasi sembilan puluh, dan standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 223.4995 satuan dengan margin of error 111.7498 satuan. Ini merupakan skenario dengan ketidakpastian paling ekstrem dalam seluruh simulasi, karena menggabungkan ukuran sampel minimal, variabilitas data maksimal, dan ketidaktahuan parameter populasi. Interval kepercayaan yang terbentuk membentang dari -11.7498 hingga 211.7498, yang bahkan mencakup nilai negatif meskipun mean yang diestimasi adalah 100. Lebar interval yang mencapai lebih dari 223.4995 satuan ini menunjukkan bahwa rentang estimasi menjadi sangat luas, lebih dari dua kali nilai mean yang diestimasi. Kondisi ini mengilustrasikan batas fundamental dari inferensi statistika: ketika informasi dari sampel sangat terbatas dan data sangat bervariasi, ketidakpastian estimasi tidak dapat dikurangi hanya melalui pemilihan metode distribusi, melainkan memerlukan peningkatan kuantitas dan kualitas data melalui desain sampling yang lebih baik.
n <- 30
mean_x <- 100
sd_val <- 10
alpha <- 0.05
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 3.5784cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 7.1568cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 96.4216 s/d 103.5784Pada kasus ketujuh dengan ukuran sampel tiga puluh, standar deviasi sepuluh, dan standar deviasi populasi diketahui, lebar interval kepercayaan yang dihasilkan adalah 7.1573 satuan dengan margin of error 3.5787 satuan. Peningkatan ukuran sampel dari lima menjadi tiga puluh menyebabkan penurunan drastis pada lebar interval, dari 17.5305 menjadi 7.1573 satuan pada kondisi variabilitas dan pengetahuan SD yang sama. Penurunan ini terjadi karena standard error berkurang sebanding dengan akar kuadrat dari peningkatan ukuran sampel. Dengan \(๐= 30\), nilai standard error menjadi sekitar 1.8257, jauh lebih kecil dibandingkan 4.4721 pada \(๐= 5\). Interval kepercayaan yang terbentuk membentang dari 96.4213 hingga 103.5787, yang menunjukkan estimasi jauh lebih presisi. Hasil ini mengonfirmasi bahwa peningkatan ukuran sampel merupakan strategi paling efektif untuk meningkatkan presisi estimasi interval kepercayaan.
n <- 30
mean_x <- 100
sd_val <- 10
alpha <- 0.05
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 2.0452cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 3.7341cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 7.4681cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 96.2659 s/d 103.7341Pada kasus kedelapan dengan parameter yang sama kecuali standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 7.4681 satuan dengan margin of error 3.7341 satuan.Perbedaan lebar interval dengan kasus ketujuh hanya sekitar 0.31 satuan, yang jauh lebih kecil dibandingkan selisih sekitar 7.30 satuan yang teramati pada \(n = 5\). Fenomena ini terjadi karena pada derajat kebebasan 29, distribusi t sudah sangat mendekati distribusi normal standar, dengan nilai kritis \(t_{0.025;29} = 2.0452\) yang hanya sedikit lebih besar daripada \(Z_{0.025} = 1.96\). Interval kepercayaan yang terbentuk membentang dari 96.2659 hingga 103.7341. Hasil ini mengilustrasikan mengapa ukuran sampel sekitar tiga puluh sering dianggap sebagai batas praktis antara sampel kecil dan sampel besar dalam statistika terapan: pada titik ini, efek ketidakpastian akibat estimasi standar deviasi sudah menjadi relatif kecil.
n <- 30
mean_x <- 100
sd_val <- 50
alpha <- 0.05
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 17.8919cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 35.7839cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 82.1081 s/d 117.8919Pada kasus kesembilan dengan standar deviasi meningkat menjadi lima puluh, ukuran sampel tiga puluh, dan standar deviasi populasi diketahui, lebar interval kepercayaan yang dihasilkan adalah 35.7839 satuan dengan margin of error 17.8919 satuan. Seperti yang diharapkan dari hubungan linear antara variabilitas dan lebar interval, peningkatan standar deviasi sebesar lima kali lipat dari kasus ketujuh menyebabkan lebar interval juga meningkat sekitar lima kali lipat, dari 7.1573 menjadi 35.7839 satuan. Pola ini konsisten dengan rumus margin of error di mana standar deviasi berada pada pembilang. Interval kepercayaan yang terbentuk membentang dari 82.1081 hingga 117.8919. Meskipun ukuran sampel yang lebih besar mampu mengurangi dampak absolut dari variabilitas tinggi, hubungan proporsional antara SD dan lebar interval tetap terjaga, menunjukkan bahwa variabilitas data merupakan karakteristik inheren populasi yang tidak dapat dihilangkan hanya melalui peningkatan ukuran sampel.
n <- 30
mean_x <- 100
sd_val <- 50
alpha <- 0.05
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 2.0452cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 18.6703cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 37.3406cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 81.3297 s/d 118.6703Pada kasus kesepuluh dengan kombinasi ukuran sampel tiga puluh, standar deviasi lima puluh, dan standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 37.3406 satuan dengan margin of error 18.6703 satuan. Selisih lebar interval dengan kasus kesembilan hanya sekitar 1.56 satuan, yang kembali menunjukkan bahwa pada \(๐= 30\), perbedaan antara penggunaan distribusi Z dan t sudah tidak terlalu signifikan. Nilai kritis t pada derajat kebebasan 29 hanya sekitar 4.3 persen lebih besar daripada nilai kritis Z, sehingga dampaknya terhadap margin of error juga terbatas. Interval kepercayaan yang terbentuk membentang dari 81.3297 hingga 118.6703. Hasil ini memberikan justifikasi praktis bagi penggunaan pendekatan distribusi normal sebagai aproksimasi untuk distribusi t ketika ukuran sampel mencapai atau melebihi tiga puluh, meskipun secara teoretis distribusi t tetap merupakan pilihan yang lebih tepat ketika standar deviasi populasi tidak diketahui.
n <- 30
mean_x <- 100
sd_val <- 90
alpha <- 0.05
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 32.2055cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 64.411cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 67.7945 s/d 132.2055Pada kasus kesebelas dengan standar deviasi sembilan puluh, ukuran sampel tiga puluh, dan standar deviasi populasi diketahui, lebar interval kepercayaan yang dihasilkan adalah 64.4110 satuan dengan margin of error 32.2055 satuan. Peningkatan standar deviasi dari lima puluh menjadi sembilan puluh, atau sebesar 1.8 kali, menyebabkan lebar interval juga meningkat secara proporsional dari 35.7839 menjadi 64.4110 satuan. Interval kepercayaan yang terbentuk membentang dari 67.7945 hingga 132.2055. Meskipun variabilitas data yang tinggi tetap menghasilkan interval yang relatif lebar, ukuran sampel tiga puluh mampu menjaga lebar interval dalam batas yang masih dapat diinterpretasikan secara praktis, yaitu sekitar 64 satuan dari mean 100. Ini menunjukkan bahwa untuk populasi dengan variabilitas tinggi, ukuran sampel minimal sekitar tiga puluh sudah dapat memberikan estimasi yang cukup informatif, meskipun presisi mutlak tetap terbatas oleh karakteristik variabilitas populasi itu sendiri.
n <- 30
mean_x <- 100
sd_val <- 90
alpha <- 0.05
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 2.0452cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 33.6066cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 67.2131cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 66.3934 s/d 133.6066Pada kasus keduabelas dengan kombinasi ukuran sampel tiga puluh, standar deviasi sembilan puluh, dan standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 67.2131 satuan dengan margin of error 33.6066 satuan. Selisih dengan kasus kesebelas hanya sekitar 2.80 satuan, yang kembali mengonfirmasi bahwa pada ukuran sampel tiga puluh, efek penggunaan distribusi t dibandingkan Z sudah relatif kecil bahkan pada kondisi variabilitas tinggi. Interval kepercayaan yang terbentuk membentang dari 66.3934 hingga 133.6066. Lebar interval sekitar 67 satuan ini, meskipun masih cukup lebar secara absolut, sudah jauh lebih terkelola dibandingkan lebar lebih dari 223 satuan yang diperoleh pada \(n = 5\) dengan kondisi variabilitas dan pengetahuan SD yang sama. Perbandingan ini menegaskan kembali pentingnya ukuran sampel yang memadai dalam mengendalikan ketidakpastian estimasi, terutama ketika menghadapi populasi dengan variabilitas tinggi.
n <- 100
mean_x <- 100
sd_val <- 10
alpha <- 0.05
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 1.96cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 3.9199cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 98.04 s/d 101.96Pada kasus ketigabelas dengan ukuran sampel seratus, standar deviasi sepuluh, dan standar deviasi populasi diketahui, lebar interval kepercayaan yang dihasilkan adalah 3.9199 satuan dengan margin of error 1.9600 satuan. Peningkatan ukuran sampel dari tiga puluh menjadi seratus menyebabkan penurunan lebih lanjut pada lebar interval, dari 7.1573 menjadi 3.9199 satuan. Penurunan ini mengikuti pola hukum akar kuadrat: peningkatan ukuran sampel sebesar 3.33 kali menghasilkan penurunan standard error sebesar akar dari 3.33, yaitu sekitar 1.83 kali. Dengan lebar interval kurang dari empat satuan dari mean 100, estimasi ini dapat dikategorikan sebagai sangat presisi. Interval kepercayaan yang terbentuk membentang dari 98.0400 hingga 101.9600, menunjukkan bahwa ukuran sampel seratus sudah cukup untuk menghasilkan inferensi yang akurat pada populasi dengan variabilitas rendah.
n <- 100
mean_x <- 100
sd_val <- 10
alpha <- 0.05
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 1.9842cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 1.9842cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 3.9684cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 98.0158 s/d 101.9842Pada kasus keempatbelas dengan parameter yang sama kecuali standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 3.9684 satuan dengan margin of error 1.9842 satuan. Perbedaan dengan kasus ketigabelas hanya sekitar 0.05 satuan, yang secara praktis dapat dianggap tidak signifikan. Pada derajat kebebasan 99, distribusi t sudah hampir identik dengan distribusi normal standar, dengan nilai kritis \(t_{0.025;99} = 1.9842\) yang berbeda sangat kecil dari \(Z_{0.25} = 1.96\). Interval kepercayaan yang terbentuk membentang dari 98.0158 hingga 101.9842. Hasil ini mengonfirmasi Teorema Limit Pusat dalam konteks praktis: pada ukuran sampel yang cukup besar, ketidakpastian tambahan akibat estimasi parameter dari sampel menjadi dapat diabaikan, sehingga pendekatan distribusi normal dapat digunakan sebagai aproksimasi yang sangat akurat bahkan ketika standar deviasi populasi sebenarnya tidak diketahui.
n <- 100
mean_x <- 100
sd_val <- 50
alpha <- 0.05
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 9.7998cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 19.5996cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 90.2002 s/d 109.7998Pada kasus kelimabelas dengan standar deviasi lima puluh, ukuran sampel seratus, dan standar deviasi populasi diketahui, lebar interval kepercayaan yang dihasilkan adalah 19.5996 satuan dengan margin of error 9.7998 satuan. Peningkatan standar deviasi sebesar lima kali lipat dari kasus ketigabelas menyebabkan lebar interval juga meningkat lima kali lipat, dari 3.9199 menjadi 19.5996 satuan. Interval kepercayaan yang terbentuk membentang dari 90.2002 hingga 109.7998. Meskipun variabilitas data yang lebih tinggi tetap menghasilkan interval yang lebih lebar, ukuran sampel seratus mampu menjaga lebar interval dalam batas yang sangat presisi secara praktis, yaitu kurang dari dua puluh satuan dari mean 100. Ini menunjukkan bahwa untuk mencapai presisi tinggi pada populasi dengan variabilitas sedang hingga tinggi, ukuran sampel sekitar seratus sudah merupakan target yang realistis dan efektif.
n <- 100
mean_x <- 100
sd_val <- 50
alpha <- 0.05
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 1.9842cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 9.9211cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 19.8422cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 90.0789 s/d 109.9211Pada kasus keenambelas dengan kombinasi ukuran sampel seratus, standar deviasi lima puluh, dan standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 19.8422 satuan dengan margin of error 9.9211 satuan. Selisih dengan kasus kelimabelas hanya sekitar 0.24 satuan, yang kembali menegaskan bahwa pada ukuran sampel besar, perbedaan antara distribusi Z dan t menjadi sangat minimal. Interval kepercayaan yang terbentuk membentang dari 90.0789 hingga 109.9211. Lebar interval sekitar 19.84 satuan ini merepresentasikan estimasi yang sangat presisi untuk parameter populasi dengan variabilitas sedang, dengan rentang ketidakpastian kurang dari dua puluh persen dari nilai mean. Hasil ini memberikan panduan praktis bagi perancangan studi: ketika presisi tinggi menjadi prioritas, target ukuran sampel sekitar seratus sudah cukup untuk mengatasi efek variabilitas data yang moderat, bahkan tanpa pengetahuan awal mengenai standar deviasi populasi.
n <- 100
mean_x <- 100
sd_val <- 90
alpha <- 0.05
z_value <- qnorm(1 - alpha/2)
error_margin <- z_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (Z):", round(z_value, 4), "\n")## Nilai kritis (Z): 1.96cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 17.6397cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 35.2794cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 82.3603 s/d 117.6397Pada kasus ketujubelas dengan standar deviasi sembilan puluh, ukuran sampel seratus, dan standar deviasi populasi diketahui, lebar interval kepercayaan yang dihasilkan adalah 35.2794 satuan dengan margin of error 17.6397 satuan. Peningkatan standar deviasi dari lima puluh menjadi sembilan puluh menyebabkan lebar interval meningkat secara proporsional dari 19.5996 menjadi 35.2794 satuan. Interval kepercayaan yang terbentuk membentang dari 82.3603 hingga 117.6397. Meskipun variabilitas data yang tinggi tetap menghasilkan interval yang lebih lebar dibandingkan kasus dengan SD lebih rendah, ukuran sampel seratus mampu menjaga lebar interval dalam batas yang masih dapat diterima untuk banyak aplikasi praktis, yaitu sekitar 35 satuan dari mean 100. Ini menunjukkan bahwa bahkan untuk populasi dengan variabilitas tinggi, ukuran sampel yang memadai tetap dapat menghasilkan estimasi yang informatif dan dapat diandalkan.
n <- 100
mean_x <- 100
sd_val <- 90
alpha <- 0.05
t_value <- qt(1 - alpha/2, df = n - 1)
error_margin <- t_value * sd_val / sqrt(n)
width <- 2 * error_margin
interval <- c(mean_x - error_margin, mean_x + error_margin)
cat("Nilai kritis (t):", round(t_value, 4), "\n")## Nilai kritis (t): 1.9842cat("Margin of Error:", round(error_margin, 4), "\n")## Margin of Error: 17.858cat("Lebar Interval:", round(width, 4), "\n")## Lebar Interval: 35.7159cat("Interval:", round(interval[1], 4), "s/d", round(interval[2], 4), "\n")## Interval: 82.142 s/d 117.858Pada kasus kedelapanbelas dengan kombinasi ukuran sampel seratus, standar deviasi sembilan puluh, dan standar deviasi populasi tidak diketahui, diperoleh lebar interval kepercayaan sebesar 35.7159 satuan dengan margin of error 17.8580 satuan. Selisih dengan kasus ketujubelas hanya sekitar 0.44 satuan, yang kembali mengonfirmasi bahwa pada ukuran sampel besar, efek penggunaan distribusi t dibandingkan Z sudah sangat kecil bahkan pada kondisi variabilitas ekstrem. Interval kepercayaan yang terbentuk membentang dari 82.1420 hingga 117.8580. Lebar interval sekitar 35.72 satuan ini, meskipun merupakan yang terbesar di antara semua kasus dengan \(n = 100\), tetap jauh lebih sempit dibandingkan lebar lebih dari 223 satuan yang diperoleh pada \(n = 5\) dengan kondisi variabilitas dan pengetahuan SD yang sama. Perbandingan ekstrem ini menegaskan kembali pesan utama dari seluruh simulasi: ukuran sampel merupakan faktor paling efektif yang dapat dikendalikan oleh peneliti untuk meningkatkan presisi estimasi interval kepercayaan.
Berdasarkan hasil simulasi otomatis dan pembedahan manual terhadap 18 kombinasi faktor, dapat disimpulkan bahwa tiga faktor utama secara konsisten memengaruhi lebar interval kepercayaan 95%. Pertama, ukuran sampel berbanding terbalik dengan lebar interval mengikuti hubungan \(\frac{1} {\sqrt n}\) sehingga peningkatan ukuran sampel merupakan strategi paling efektif untuk meningkatkan presisi estimasi. Bukti empiris dari simulasi menunjukkan penurunan lebar interval dari 17.5305 satuan pada \(n = 5\) menjadi 3.9199 satuan pada \(n = 100\) untuk kondisi SD = 10 dan distribusi Z. Kedua, variabilitas data berbanding lurus dengan lebar interval, menunjukkan bahwa karakteristik inheren populasi membatasi tingkat presisi yang dapat dicapai terlepas dari ukuran sampel. Pada \(n = 5\) dengan distribusi Z, peningkatan SD dari 10 menjadi 90 menyebabkan lebar interval meningkat dari 17.5305 menjadi 157.7741 satuan. Ketiga, ketidaktahuan standar deviasi populasi menambah ketidakpastian estimasi yang diakomodasi melalui penggunaan distribusi t, dengan efek yang paling signifikan pada ukuran sampel kecil dan semakin mengecil seiring membesarnya sampel. Pada \(n = 5\) dengan SD = 10, perbedaan lebar interval antara distribusi Z dan t adalah 7.30 satuan, sedangkan pada \(n = 100\) dengan SD = 10, perbedaan hanya 0.05 satuan. Secara praktis, untuk mencapai estimasi yang presisi, peneliti sebaiknya menargetkan ukuran sampel minimal tiga puluh untuk studi eksploratori dan sekitar seratus untuk studi yang membutuhkan presisi tinggi, sambil tetap mempertimbangkan karakteristik variabilitas populasi yang diteliti.