1. Pendahuluan

Dalam pemodelan sistem dan simulasi, sering kali data mentah yang kita temukan di lapangan tidak mengikuti distribusi normal. Namun, untuk melakukan inferensi atau estimasi terhadap parameter populasi, kita sangat bergantung pada sifat-sifat distribusi normal.

Dasar dari pendekatan ini adalah Teori Limit Pusat (Central Limit Theorem/CLT). Teori ini menyatakan bahwa jika kita mengambil sampel acak dalam jumlah yang cukup besar dari suatu populasi (apapun bentuk distribusinya), maka distribusi dari rata-rata sampel tersebut akan mendekati distribusi normal. Sebagai permisalan, jika kita mengamati jumlah kecelakaan di jalan raya (distribusi Poisson) atau waktu tunggu pelanggan (distribusi Eksponensial), rata-rata dari pengamatan berulang tersebut akan tetap membentuk kurva lonceng seiring bertambahnya ukuran sampel (\(n\)).

Laporan ini akan menguji dua hal utama:

  1. Validasi CLT melalui simulasi pengambilan sampel.
  2. Validasi konsep Selang Kepercayaan (SK) 95% untuk melihat sejauh mana akurasi estimasi kita dalam menangkap parameter populasi yang sebenarnya.

2. Validasi Teoritis: Teori Limit Pusat (CLT)

Untuk membuktikan validitas teori ini, kita akan melakukan simulasi pengambilan sampel secara bertahap menggunakan distribusi Eksponensial yang bersifat miring (skewed). Kita akan melihat bagaimana bentuk distribusi rata-ratanya berubah seiring meningkatnya ukuran sampel (\(n\)).

set.seed(123)
populasi_eksponensial <- rexp(10000, rate = 0.2)

n_simulasi <- 1000

rata_n2   <- replicate(n_simulasi, mean(sample(populasi_eksponensial, size = 2, replace = TRUE)))
rata_n10  <- replicate(n_simulasi, mean(sample(populasi_eksponensial, size = 10, replace = TRUE)))
rata_n30  <- replicate(n_simulasi, mean(sample(populasi_eksponensial, size = 30, replace = TRUE)))
rata_n100 <- replicate(n_simulasi, mean(sample(populasi_eksponensial, size = 100, replace = TRUE)))

par(mfrow=c(2,2))
hist(rata_n2,   main="n = 2", col="lightpink", border="white", xlab="Rata-rata")
hist(rata_n10,  main="n = 10", col="lightblue", border="white", xlab="Rata-rata")
hist(rata_n30,  main="n = 30", col="lightgreen", border="white", xlab="Rata-rata")
hist(rata_n100, main="n = 100", col="gold", border="white", xlab="Rata-rata")

par(mfrow=c(1,1))

Interpretasi: Melalui simulasi di atas, terlihat jelas bahwa meskipun data awal (populasi) diambil dari distribusi eksponensial yang sangat miring, distribusi dari rata-rata sampelnya perlahan berubah menjadi bentuk lonceng yang simetris (Normal) saat jumlah sampel meningkat dari \(n=2\) hingga \(n=100\). Ini memberikan validasi bahwa untuk sampel berukuran besar (\(n \ge 30\)), kita dapat mengasumsikan normalitas pada rata-rata sampel.

3. Langkah-langkah Pengujian Estimasi

Berdasarkan validasi CLT di atas, berikut adalah algoritma atau langkah sistematis dalam melakukan estimasi parameter:

  1. Pengumpulan Data: Ambil sejumlah sampel acak dari populasi.
  2. Estimasi Titik: Hitung rata-rata sampel (\(\bar{x}\)) dan standar deviasi sampel (\(s\)).
  3. Penghitungan Standar Error (SE): Hitung presisi estimasi menggunakan rumus \(SE = s / \sqrt{n}\).
  4. Penentuan Nilai Kritis: Tentukan nilai \(t\) berdasarkan tingkat kepercayaan (\(\alpha\)) dan derajat bebas (\(df = n-1\)).
  5. Estimasi Interval: Hitung rentang bawah dan atas untuk mendapatkan Interval Kepercayaan (KI).

4. Simulasi Konsep Selang Kepercayaan (SK) 95%

Sering terjadi kesalahpahaman bahwa SK 95% berarti ada peluang 95% parameter berada di dalam selang tersebut. Secara statistik, artinya adalah: Jika kita melakukan 100 kali eksperimen, maka 95 di antaranya akan memuat nilai parameter yang sebenarnya (\(\mu\)).

k      <- 100   # jumlah eksperimen/ulangan
n      <- 100   # ukuran sampel per eksperimen
mu     <- 50    # parameter populasi asli
std    <- 10
alpha  <- 0.05

set.seed(123)
# Bangkitkan 100 kelompok sampel
sampel_mat <- matrix(rnorm(n*k, mu, std), k)
xbar       <- apply(sampel_mat, 1, mean)
se         <- apply(sampel_mat, 1, sd) / sqrt(n)
z_val      <- qnorm(1 - alpha/2)

# Tentukan apakah SK memuat mu
batas_bawah <- xbar - z_val * se
batas_atas  <- xbar + z_val * se
is_covered  <- (batas_bawah < mu & mu < batas_atas)

# Visualisasi Matplot
matplot(rbind(batas_bawah, batas_atas), rbind(1:k, 1:k), 
        col=ifelse(is_covered, "blue", "red"), type = "l", lty = 1,
        main='Visualisasi 100 Selang Kepercayaan (95%)', 
        xlab='Rentang Nilai (Garis Vertikal = Mu)', ylab='Eksperimen ke-')
abline(v=mu, col="black", lwd=2, lty=2)

Interpretasi: Garis biru melambangkan SK yang berhasil menangkap nilai \(\mu=50\), sedangkan garis merah melambangkan SK yang gagal. Terlihat bahwa dari 100 kali percobaan, sebagian besar (sekitar 95%) berhasil menangkap nilai parameter asli. Ini membuktikan bahwa metode estimasi kita memiliki tingkat keandalan yang tinggi.

5. Implementasi pada Studi Kasus Nyata

Kita akan menerapkan langkah-langkah di atas pada data observasi waktu layanan pelanggan yang aslinya tidak berdistribusi normal.

Studi Kasus: Estimasi Waktu Layanan Pasien IGD

Manajemen rumah sakit ingin mengestimasi rata-rata waktu layanan pasien di IGD. Diambil 100 sampel data secara acak (dalam menit). Karena ukuran sampel \(n=100 > 30\), maka berdasarkan CLT, kita dapat melakukan estimasi interval dengan aman.

# 1. Data Observasi (n=100)
set.seed(42)
waktu_igd <- rexp(100, rate = 1/15) 

# 2. Perhitungan Statistik
m  <- mean(waktu_igd)
s  <- sd(waktu_igd)
se <- s / sqrt(length(waktu_igd))
t_crit <- qt(0.975, df = length(waktu_igd)-1)

# 3. Hasil Estimasi
bawah_igd <- m - t_crit * se
atas_igd  <- m + t_crit * se

cat("Rata-rata Sampel     :", round(m, 2), "menit\n")
## Rata-rata Sampel     : 16.86 menit
cat("Interval Kepercayaan : [", round(bawah_igd, 2), ",", round(atas_igd, 2), "]")
## Interval Kepercayaan : [ 12.38 , 21.34 ]

Interpretasi: Berdasarkan sampel 100 pasien, rata-rata waktu layanan adalah 16.86 menit. Secara statistik, kita yakin 95% bahwa rata-rata waktu layanan populasi IGD yang sebenarnya berada di rentang 12.38 hingga 21.34 menit. Nilai Standard Error yang relatif kecil menunjukkan bahwa estimasi ini memiliki presisi yang cukup tinggi.

6. Kesimpulan

Berdasarkan hasil praktikum yang telah dilakukan, dapat ditarik beberapa kesimpulan utama sebagai berikut:

  1. Validitas Teori Limit Pusat (CLT): Simulasi pada Bab 2 membuktikan bahwa meskipun populasi awal memiliki distribusi eksponensial yang miring (skewed), distribusi rata-rata sampelnya bertransformasi menjadi distribusi normal seiring bertambahnya ukuran sampel. Hal ini memberikan justifikasi ilmiah bagi penggunaan distribusi-t dalam melakukan estimasi parameter pada studi kasus ini.
  2. Keandalan Estimasi (Interval Kepercayaan): Melalui simulasi 100 kali eksperimen pada Bab 4, terbukti bahwa konsep Selang Kepercayaan 95% memiliki reliabilitas yang tinggi karena berhasil menangkap parameter populasi asli (\(\mu=50\)) pada sebagian besar percobaan. Ini memvalidasi tingkat akurasi metode yang digunakan.
  3. Temuan Utama: Melalui penerapan teori tersebut pada kasus IGD, didapatkan estimasi interval [12.38 , 21.34] menit. Hasil ini memberikan landasan yang objektif bagi manajemen rumah sakit dibandingkan hanya mengandalkan estimasi titik tunggal.
  4. Implikasi Operasional: Karena batas atas dari selang kepercayaan tersebut masih berada dalam batas toleransi yang ditetapkan manajemen, maka dapat disimpulkan bahwa performa layanan IGD saat ini secara statistik masih memadai. Namun, hasil estimasi parameter \(\mu\) dan \(\sigma\) ini harus tetap digunakan sebagai parameter input primer dalam perancangan simulasi sistem antrean yang lebih kompleks di masa mendatang.