Sampling Distribution dan Estimasi

Introduction to Statistics (SDT-1102)

Fadli Nafsin

LinkedIn | GitHub | Email

Menempuh pendidikan di bidang Sains Data di Institut Teknologi Sains Bandung (ITSB), dengan ketertarikan pada Data Science, Data Analytics, dan pengembangan solusi berbasis data. Memiliki semangat untuk terus belajar, bereksplorasi, dan mengembangkan kemampuan di dunia teknologi dan data.

1 Tiga Distribusi yang Harus Dibedakan

Distribusi Isinya Jumlah nilai Contoh
Distribusi populasi Nilai setiap unit populasi N Pengeluaran 20.000 mahasiswa
Distribusi sampel Nilai unit dalam satu sampel n Pengeluaran 40 mahasiswa yang disurvei
Distribusi sampling Nilai statistik (misalnya \(\bar{x}\)) dari banyak sampel Sebanyak sampel yang dibayangkan diambil \(\bar{x}\) dari 10.000 sampel berukuran 40

Distribusi sampling adalah konsep teoretis: dalam praktik kita hanya memiliki satu sampel. Namun dengan simulasi kita dapat melihatnya.

1.1 Populasi Simulasi

Kita memakai populasi 20.000 mahasiswa dengan variabel waktu layar harian (jam) yang menjulur kanan – bentuk yang sengaja dipilih jauh dari lonceng.

set.seed(909)
N <- 20000
populasi <- round(rgamma(N, shape = 2, rate = 0.4), 2)

mu <- mean(populasi)
sigma <- sqrt(mean((populasi - mu)^2))

c(N = N, mu = round(mu, 3), sigma = round(sigma, 3))
##         N        mu     sigma 
## 20000.000     5.010     3.551
set.seed(1)

satu_sampel <- sample(populasi, 40)
banyak_rata <- replicate(10000, mean(sample(populasi, 40)))

par(mfrow = c(1, 3))

hist(populasi, breaks = 40, col = "#9ecae1", border = "white",
     main = "Populasi (N = 20.000)",
     xlab = "Jam per hari", xlim = c(0, 20))

hist(satu_sampel, breaks = 12, col = "#fdae6b", border = "white",
     main = "Satu sampel (n = 40)",
     xlab = "Jam per hari", xlim = c(0, 20))

hist(banyak_rata, breaks = 40, col = "#a1d99b", border = "white",
     main = "Sampling distribution x-bar",
     xlab = "Rata-rata sampel (n = 40)")

par(mfrow = c(1, 1))

Populasi dan satu sampel sama-sama menjulur kanan, tetapi distribusi rata-rata sampel jauh lebih sempit dan hampir berbentuk lonceng. Inilah inti pertemuan ini.

2 Distribusi Sampling Rata-rata Sampel

Untuk sampel acak berukuran n dari populasi dengan mean ΞΌ dan simpangan baku Οƒ:

Sifat Rumus Arti
Mean \(\mu_{\bar{x}} = \mu\) \(\bar{x}\) adalah penaksir tak bias: rata-ratanya tepat di parameter populasi
Standard error \(\sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}}\) Sebaran \(\bar{x}\) mengecil seiring bertambahnya ukuran sampel (\(n\))
Bentuk Normal Jika populasi normal, distribusi sampling juga normal; mendekati normal untuk \(n\) cukup besar (CLT)
Peluang \(P(\bar{x})\) Memungkinkan perhitungan peluang berdasarkan distribusi sampling
knitr::kable(data.frame(
  Besaran = c("Mean distribusi sampling", "SD distribusi sampling (SE)"),
  Teori = round(c(mu, sigma / sqrt(40)), 4),
  Simulasi_10000_sampel = round(c(mean(banyak_rata), sd(banyak_rata)), 4)
), caption = "Teori vs simulasi untuk n = 40")
Teori vs simulasi untuk n = 40
Besaran Teori Simulasi_10000_sampel
Mean distribusi sampling 5.0097 5.0024
SD distribusi sampling (SE) 0.5615 0.5556

Hasil simulasi hampir sama dengan teori.

Koreksi populasi terhingga. Rumus \(\frac{\sigma}{\sqrt{n}}\) mengasumsikan populasi sangat besar dibanding sampel. Jika sampel mencapai lebih dari sekitar 5% populasi (tanpa pengembalian), SE dikalikan faktor:

\[ \sqrt{\frac{N-n}{N-1}} \]

Pada contoh ini, \(n/N = 0,2\%\), sehingga koreksi dapat diabaikan.

2.1 Pengaruh Ukuran Sampel

set.seed(2)
n_list <- c(5, 20, 80)

par(mfrow = c(1, 3))

for (nn in n_list) {
  rata <- replicate(5000, mean(sample(populasi, nn)))

  hist(rata, breaks = 40, col = "#a1d99b", border = "white",
       xlim = c(1, 10), freq = FALSE,
       main = paste0("n = ", nn, " (SE = ", round(sigma / sqrt(nn), 2), ")"),
       xlab = "Rata-rata sampel")

  curve(dnorm(x, mu, sigma / sqrt(nn)),
        add = TRUE, col = "firebrick", lwd = 2)

  abline(v = mu, lty = 2)
}

par(mfrow = c(1, 1))

Kurva merah adalah distribusi normal dengan mean ΞΌ dan SD \(\frac{\sigma}{\sqrt{n}}\). Semakin besar n: (1) distribusi semakin sempit, dan (2) bentuknya semakin mendekati normal meskipun populasinya menjulur kanan.

3 Central Limit Theorem (CLT)

Central Limit Theorem (CLT). Jika sampel acak berukuran n diambil dari populasi sembarang bentuk dengan mean ΞΌ dan simpangan baku Οƒ (terhingga), maka untuk n yang cukup besar, distribusi sampling \(\bar{x}\) mendekati normal:

\[ \bar{x} \approx N\left(\mu,\frac{\sigma}{\sqrt{n}}\right) \]

CLT adalah alasan mengapa distribusi normal muncul di mana-mana dalam statistika inferensial – bukan karena data selalu normal, tetapi karena rata-rata dari data cenderung normal.

3.1 Demonstrasi pada Tiga Bentuk Populasi

set.seed(3)

pop_bentuk <- list(
  "Seragam" = runif(20000, 0, 10),
  "Menjulur kanan" = rexp(20000, rate = 0.5),
  "Bimodal" = c(rnorm(10000, 2, 0.8), rnorm(10000, 8, 0.8))
)

ukuran <- c(2, 5, 30)

par(mfrow = c(4, 3), mar = c(3, 3, 2.5, 1))

for (nama in names(pop_bentuk)) {
  hist(pop_bentuk[[nama]], breaks = 40,
       col = "#9ecae1", border = "white",
       main = paste("Populasi:", nama),
       xlab = "", ylab = "")
}

for (nn in ukuran) {
  for (nama in names(pop_bentuk)) {
    rata <- replicate(3000, mean(sample(pop_bentuk[[nama]], nn)))

    hist(rata, breaks = 35, col = "#a1d99b",
         border = "white",
         main = paste0(nama, ", n = ", nn),
         xlab = "", ylab = "")
  }
}

par(mfrow = c(1, 1), mar = c(5, 4, 4, 2) + 0.1)

Baris pertama adalah populasi; baris berikutnya adalah distribusi sampling \(\bar{x}\) untuk n = 2, 5, dan 30. Populasi seragam mulai tampak mendekati lonceng pada n = 5; populasi bimodal masih bergelombang pada n = 2 tetapi mendekati lonceng pada n = 30; populasi menjulur kanan membutuhkan n lebih besar untuk mengurangi kemencengannya.

3.2 Seberapa Besar β€œCukup Besar”?

Bentuk populasi Ukuran sampel yang biasanya cukup
Normal Berapa pun (distribusi \(\bar{x}\) tepat normal)
Simetris, tidak normal Sekitar 10–15
Menceng sedang Sekitar 30 (aturan praktis yang populer)
Sangat menceng atau banyak outlier Bisa jauh lebih dari 30
skew <- function(x) {
  d <- x - mean(x)
  mean(d^3) / mean(d^2)^1.5
}

set.seed(4)

ukuran_skew <- c(2, 5, 10, 30, 100)

data.frame(
  n = ukuran_skew,
  Kemencengan_xbar = sapply(ukuran_skew, function(nn) {
    round(skew(replicate(5000, mean(sample(populasi, nn)))), 3)
  })
)

Kemencengan distribusi \(\bar{x}\) menyusut kira-kira sebanding dengan \(1/\sqrt{n}\).

3.3 Menghitung Peluang dengan CLT

Contoh: Jika diambil sampel acak 40 mahasiswa, berapa peluang rata-rata waktu layarnya melebihi 5,5 jam?

z = Μ„x βˆ’ ΞΌ Οƒ/√ n P( Μ„x > 5,5) = P (Z > z)

se40 <- sigma / sqrt(40)
z_55 <- (5.5 - mu) / se40
c(SE = round(se40, 4), z = round(z_55, 3),
Peluang_CLT = round(1 - pnorm(z_55), 4),
Peluang_simulasi = round(mean(banyak_rata > 5.5), 4))
##               SE                z      Peluang_CLT Peluang_simulasi 
##           0.5615           0.8730           0.1913           0.1803

Perbandingan: peluang seorang mahasiswa (bukan rata-rata 40 orang) memiliki waktu layar di atas 5,5 jam jauh lebih besar:

mean(populasi > 5.5)
## [1] 0.35175

Individu sangat bervariasi, tetapi rata-rata dari banyak individu jauh lebih stabil.

4 Distribusi Sampling Proporsi Sampel

Untuk variabel kategorik biner (Ya/Tidak), statistik yang dipakai adalah proporsi sampel Μ‚p = x/n.

Sifat Rumus
Mean \(\mu_{\hat{p}} = p\)
Standard error \(\sigma_{\hat{p}} = \sqrt{\frac{p(1-p)}{n}}\)
Bentuk Mendekati normal jika \(np \geq 10\) dan \(n(1-p) \geq 10\)
p_benar <- 0.08 # misalnya 8% mahasiswa pernah terlambat membayar UKT
set.seed(5)
par(mfrow = c(1, 3))
for (nn in c(20, 60, 300)) {
p_hat <- rbinom(5000, size = nn, prob = p_benar) / nn
hist(p_hat, breaks = seq(-0.005, 0.4, by = 0.01), col = "#fdae6b", border ="white",
freq = FALSE, xlim = c(0, 0.3),
main = paste0("n = ", nn, ": np = ", nn * p_benar), xlab = "Proporsisampel")
curve(dnorm(x, p_benar, sqrt(p_benar * (1 - p_benar) / nn)), add = TRUE,
col = "firebrick", lwd = 2)
}

par(mfrow = c(1, 1))

Dengan n = 20 (np = 1,6), distribusi Μ‚p sangat menceng dan β€œberbatang” – pendekatan normal buruk. Dengan n = 300 (np = 24), pendekatan normal sangat baik.

5 Standard Error

5.1 Standard Error vs Simpangan Baku

Perbandingan Standard Deviation (SD) Standard Error (SE)
Mengukur sebaran Data individu Statistik (misalnya \(\bar{x}\)) dari sampel ke sampel
Menjawab β€œSeberapa beragam individu?” β€œSeberapa tepat taksiran kita?”
Jika n bertambah Tetap (mendekati \(\sigma\)) Mengecil
Rumus (mean) \(s = \sqrt{\frac{\sum (x_i-\bar{x})^2}{n-1}}\) \(SE = \frac{s}{\sqrt{n}}\)

Karena Οƒ biasanya tidak diketahui, SE ditaksir dengan s/√

n (untuk mean) atau √ Μ‚p(1 βˆ’ Μ‚p)/n

(untuk proporsi).

set.seed(6)

n_besar <- c(10, 40, 160, 640)

knitr::kable(
  t(sapply(n_besar, function(nn) {
    hasil <- replicate(2000, {
      s <- sample(populasi, nn)
      c(sd(s), sd(s) / sqrt(nn))
    })

    c(
      n = nn,
      Rata_SD_sampel = round(mean(hasil[1, ]), 3),
      Rata_SE_taksiran = round(mean(hasil[2, ]), 3)
    )
  })),
  caption = paste0(
    "Rata-rata dari 2.000 sampel per n: SD stabil di sekitar sigma = ",
    round(sigma, 2),
    ", SE mengecil"
  )
)
Rata-rata dari 2.000 sampel per n: SD stabil di sekitar sigma = 3.55, SE mengecil
n Rata_SD_sampel Rata_SE_taksiran
10 3.348 1.059
40 3.493 0.552
160 3.537 0.280
640 3.551 0.140

Table 8: Rata-rata dari 2.000 sampel per n: SD stabil di sekitar sigma = 3.55, SE mengecil

n Rata_SD_sampel Rata_SE_taksiran
10 3.348 1.059
40 3.493 0.552
160 3.537 0.280
640 3.551 0.140

5.2 Hukum Akar Kuadrat

Karena SE ∝ 1/√

n, untuk membagi dua SE dibutuhkan sampel empat kali lipat. Presisi semakin mahal: menambah n dari 100 ke 400 memberi keuntungan yang sama dengan dari 400 ke 1.600.

n_seq <- 10:1000
plot(n_seq, sigma / sqrt(n_seq), type = "l", lwd = 2, col = "#4C72B0",
xlab = "Ukuran sampel (n)", ylab = "Standard error",
main = "SE Menurun Cepat di Awal, Lalu Melandai")
points(c(100, 400), sigma / sqrt(c(100, 400)), pch = 16, col = "firebrick", cex =1.3)
text(c(100, 400), sigma / sqrt(c(100, 400)), pos = 3,
labels = paste0("n = ", c(100, 400), "\nSE = ", round(sigma / sqrt(c(100,400)), 2)))

# Estimasi ## Point Estimate Point estimate adalah satu angka yang menaksir parameter.

Parameter Point Estimate Penaksir Tak Bias?
\(\mu\) \(\bar{x}\) Ya
\(p\) \(\hat{p}\) Ya
\(\sigma^2\) \(s^2\) (pembagi \(n-1\)) Ya
\(\sigma\) \(s\) Sedikit bias (diabaikan dalam praktik)

Kelemahan point estimate: hampir pasti tidak tepat sama dengan parameter, dan tidak memberi tahu seberapa jauh melesetnya.

5.3 Confidence Interval (Selang Kepercayaan)

Selang kepercayaan memberikan rentang nilai yang masuk akal bagi parameter: Point estimate Β± nilai kritis ⏟⏟⏟⏟⏟⏟⏟ Γ— SE margin of error

5.3.1 CI untuk Mean, Οƒ Diketahui (z)

Μ„x Β± zΞ±/2 Οƒ √ n

Tingkat Kepercayaan Ξ± \(z_{\alpha/2}\)
90% 0,10 1,645
95% 0,05 1,960
99% 0,01 2,576
round(qnorm(c(0.95, 0.975, 0.995)), 3)
## [1] 1.645 1.960 2.576

5.3.2 CI untuk Mean, Οƒ Tidak Diketahui (t)

Dalam praktik Οƒ hampir tidak pernah diketahui dan diganti s. Penggantian ini menambah ketidak- pastian, sehingga nilai kritis diambil dari distribusi t dengan derajat bebas df = n βˆ’ 1:

Μ„x Β± tΞ±/2, nβˆ’1 s √

curve(dnorm(x), -4, 4, lwd = 2, ylab = "Kepadatan", xlab = "Nilai",
main = "Distribusi t Berekor Lebih Tebal dari Normal")
curve(dt(x, df = 3), add = TRUE, lwd = 2, lty = 2, col = "firebrick")
curve(dt(x, df = 10), add = TRUE, lwd = 2, lty = 3, col = "darkorange")
legend("topright", bty = "n", lwd = 2, lty = c(1, 2, 3), col = c("black", "firebrick", "darkorange"),
legend = c("Normal baku (z)", "t, df = 3", "t, df = 10"))

data.frame(
  df = c(4, 9, 29, 99, Inf),
  t_kritis_95 = round(
    qt(0.975, df = c(4, 9, 29, 99, Inf)),
    3
  )
)

Untuk sampel kecil, nilai kritis t lebih besar daripada 1,96 (selang lebih lebar, β€œhukuman” karena menaksir 𝜎). Saat 𝑛 membesar, distribusi t mendekati normal. Distribusi t dibahas lebih dalam pada Pertemuan 11.

5.3.3 Contoh Perhitungan

Satu sampel 40 mahasiswa (satu_sampel) dipakai untuk menaksir rata-rata waktu layar seluruh mahasiswa.

n1 <- length(satu_sampel)
xbar <- mean(satu_sampel)
s <- sd(satu_sampel)

t_krit <- qt(0.975, df = n1 - 1)
se_hat <- s / sqrt(n1)
moe <- t_krit * se_hat

c(
  n = n1,
  x_bar = round(xbar, 3),
  s = round(s, 3),
  SE = round(se_hat, 3),
  t_kritis = round(t_krit, 3),
  MoE = round(moe, 3),
  Bawah = round(xbar - moe, 3),
  Atas = round(xbar + moe, 3)
)
##        n    x_bar        s       SE t_kritis      MoE    Bawah     Atas 
##   40.000    4.915    3.019    0.477    2.023    0.966    3.950    5.881
t.test(satu_sampel, conf.level = 0.95)$conf.int # fungsi bawaan R, hasil sam
## [1] 3.949947 5.881053
## attr(,"conf.level")
## [1] 0.95

Laporan: β€œRata-rata waktu layar mahasiswa diperkirakan 4.92 jam per hari, dengan selang kepercayaan 95% antara 3.95 dan 5.88 jam (n = 40).”

5.3.4 CI untuk Proporsi

𝑝 Β± 𝑧𝛼/2√ ̂𝑝(1 βˆ’ ̂𝑝) 𝑛 syarat: 𝑛 ̂𝑝 β‰₯ 10 dan 𝑛(1 βˆ’ ̂𝑝) β‰₯ 1

x_ya <- 138; n_resp <- 400 # 138 dari 400 responden memakai QRIS setiap hari
p_hat <- x_ya / n_resp
se_p <- sqrt(p_hat * (1 - p_hat) / n_resp)
moe_p <- qnorm(0.975) * se_p
c(p_hat = p_hat, SE = round(se_p, 4), MoE = round(moe_p, 4),
Bawah = round(p_hat - moe_p, 4), Atas = round(p_hat + moe_p, 4))
##  p_hat     SE    MoE  Bawah   Atas 
## 0.3450 0.0238 0.0466 0.2984 0.3916
c(n_p = n_resp * p_hat, n_1_min_p = n_resp * (1 - p_hat)) # syarat terpenuhi
##       n_p n_1_min_p 
##       138       262

β€œSekitar 34,5% responden memakai QRIS setiap hari, margin of error Β± 4.7 poin persentase (kepercayaan 95%)” – format inilah yang sering dikutip media dari hasil survei.

5.4 Menafsirkan Selang Kepercayaan dengan Benar

Kepercayaan 95% adalah sifat prosedurnya, bukan satu selang tertentu: jika pengambilan sampel dan perhitungan selang diulang berkali-kali, sekitar 95% selang yang dihasilkan akan memuat πœ‡.

set.seed(7)

B <- 100

selang <- t(replicate(B, {
  s_i <- sample(populasi, 40)
  m <- mean(s_i)
  e <- qt(0.975, 39) * sd(s_i) / sqrt(40)
  c(bawah = m - e, atas = m + e)
}))

memuat <- selang[, "bawah"] <= mu & selang[, "atas"] >= mu

plot(
  NULL,
  xlim = range(selang),
  ylim = c(1, B),
  xlab = "Waktu layar (jam)",
  ylab = "Sampel ke-",
  main = paste0("100 Selang Kepercayaan 95%: ", sum(memuat), " memuat mu")
)

segments(
  selang[, "bawah"], 1:B,
  selang[, "atas"], 1:B,
  col = ifelse(memuat, "grey50", "firebrick"),
  lwd = ifelse(memuat, 1, 2.5)
)

abline(v = mu, col = "#4C72B0", lwd = 2)

Garis merah adalah selang yang gagal memuat πœ‡. Kita tidak pernah tahu apakah selang kita termasuk yang merah – tetapi kita tahu prosedurnya berhasil sekitar 95% dari waktu

Pernyataan Penilaian Penjelasan
Kami 95% yakin bahwa selang 4,2–5,7 jam memuat rata-rata populasi. Benar Dapat diterima sebagai bahasa sehari-hari.
95% selang yang dibuat dengan prosedur ini akan memuat ΞΌ. Benar Tafsiran paling tepat secara statistik.
Ada peluang 95% bahwa ΞΌ berada di antara 4,2 dan 5,7. Salah ΞΌ merupakan nilai tetap, bukan variabel acak.
95% mahasiswa memiliki waktu layar antara 4,2 dan 5,7 jam. Salah CI membahas rata-rata populasi, bukan individu.
95% rata-rata sampel lain akan jatuh di selang ini. Salah CI bukan rentang persebaran rata-rata sampel.

5.5 Faktor yang Memengaruhi Lebar Selan

Faktor Jika Dinaikkan Pengaruh Lebar Selang
Tingkat kepercayaan (90% β†’ 99%) Nilai kritis naik Melebar
Ukuran sampel (n) SE turun Menyempit
Variabilitas data (s) SE naik Melebar
lebar <- function(n, s, conf) {
  2 * qt(1 - (1 - conf) / 2, df = n - 1) * s / sqrt(n)
}

tabel_lebar <- outer(
  c(20, 80, 320),
  c(0.90, 0.95, 0.99),
  Vectorize(function(n, cf) lebar(n, s = 3, conf = cf))
)

tabel_lebar <- round(tabel_lebar, 3)

dimnames(tabel_lebar) <- list(
  c("n = 20", "n = 80", "n = 320"),
  c("90%", "95%", "99%")
)

knitr::kable(
  tabel_lebar,
  caption = "Lebar CI (s = 3) menurut ukuran sampel dan tingkat kepercayaan"
)
Lebar CI (s = 3) menurut ukuran sampel dan tingkat kepercayaan
90% 95% 99%
n = 20 2.320 2.808 3.838
n = 80 1.116 1.335 1.771
n = 320 0.553 0.660 0.869

6 Menentukan Ukuran Sampel

Sebelum survei, peneliti biasanya menetapkan margin of error (𝐸) yang diinginkan lalu menghitung 𝑛 minimum (selalu dibulatkan ke atas).

Parameter Rumus Ukuran Sampel Keterangan
Mean \(n = \left(\frac{z_{\alpha/2}\sigma}{E}\right)^2\) \(\sigma\) ditaksir dari studi sebelumnya atau survei percontohan.
Proporsi \(n = \frac{z_{\alpha/2}^2 p(1-p)}{E^2}\) Jika \(p\) tidak diketahui, gunakan \(p = 0,5\) (paling konservatif).
n_mean <- function(sigma, E, conf = 0.95) {
  ceiling((qnorm(1 - (1 - conf) / 2) * sigma / E)^2)
}

n_prop <- function(E, p = 0.5, conf = 0.95) {
  ceiling(qnorm(1 - (1 - conf) / 2)^2 * p * (1 - p) / E^2)
}

n_mean(sigma = 3.5, E = 0.5)
## [1] 189

Survei nasional dengan margin of error sekitar Β± 3% memerlukan sekitar 1.000–1.100 responden, berapa pun ukuran populasinya (asalkan populasi jauh lebih besar dari sampel). Memperkecil margin of error dari 2% ke 1% memerlukan sampel empat kali lipat. Ukuran sampel tidak menyembuhkan bias. Rumus di atas hanya mengendalikan galat acak. Jika metode sampling bias (Pertemuan 3), sampel sebesar apa pun tetap menghasilkan selang yang presisi di tempat yang salah.

7 Studi Kasus Komprehensif: Survei Adopsi QRIS UMKM

Konteks: Dinas Koperasi ingin menaksir (1) proporsi UMKM kuliner yang menerima QRIS dan (2) rata-rata nilai transaksi QRIS harian per UMKM pengguna. Survei acak sederhana terhadap 250 UMKM dari daftar resmi menghasilkan data berikut.

set.seed(2026)

n_umkm <- 250

terima_qris <- rbinom(n_umkm, 1, 0.62)

nilai_trx <- round(
  rlnorm(
    sum(terima_qris),
    meanlog = log(450000),
    sdlog = 0.6
  ),
  -3
) # Rp/hari

c(Jumlah_pengguna = sum(terima_qris))
## Jumlah_pengguna 
##             165
summary(nilai_trx)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   98000  334000  472000  553685  653000 2192000

7.1 Langkah 1: Estimasi Proporsi

p_hat_u <- mean(terima_qris)
se_u <- sqrt(p_hat_u * (1 - p_hat_u) / n_umkm)
ci_u <- p_hat_u + c(-1, 1) * qnorm(0.975) * se_u
c(n_p = n_umkm * p_hat_u, n_1mp = n_umkm * (1 - p_hat_u)) # cek syarat
##   n_p n_1mp 
##   165    85
round(c(p_hat = p_hat_u, SE = se_u, Bawah = ci_u[1], Atas = ci_u[2]), 4)
##  p_hat     SE  Bawah   Atas 
## 0.6600 0.0300 0.6013 0.7187

7.2 Langkah 2: Estimasi Rata-rata Nilai Transaksi

hist(
  nilai_trx / 1000,
  breaks = 25,
  col = "#4C72B0",
  border = "white",
  main = "Nilai Transaksi QRIS Harian (UMKM Pengguna)",
  xlab = "Ribu Rp per hari",
  ylab = "Jumlah UMKM"
)

ci_trx <- t.test(nilai_trx)$conf.int
round(c(
  n = length(nilai_trx),
  Mean = mean(nilai_trx),
  Median = median(nilai_trx),
  SE = sd(nilai_trx) / sqrt(length(nilai_trx)),
  Bawah = ci_trx[1],
  Atas = ci_trx[2]
))
##      n   Mean Median     SE  Bawah   Atas 
##    165 553685 472000  24623 505065 602304

7.3 Langkah 3: Apakah CLT Dapat Diandalkan di Sini?

Datanya menjulur kanan. Kita periksa dengan bootstrap: mengambil ulang sampel (dengan pengembalian) dari data kita sendiri untuk meniru distribusi sampling .

set.seed(11)

boot_mean <- replicate(
  5000,
  mean(sample(nilai_trx, replace = TRUE))
)

hist(
  boot_mean / 1000,
  breaks = 40,
  col = "#a1d99b",
  border = "white",
  freq = FALSE,
  main = "Distribusi Bootstrap Rata-rata Nilai Transaksi",
  xlab = "Ribu Rp per hari"
)

curve(
  dnorm(
    x,
    mean(nilai_trx) / 1000,
    sd(nilai_trx) / sqrt(length(nilai_trx)) / 1000
  ),
  add = TRUE,
  col = "firebrick",
  lwd = 2
)

round(quantile(boot_mean, c(0.025, 0.975))) # selang bootstrap persentil 95%
##   2.5%  97.5% 
## 506082 605874

Distribusi bootstrap Μ„π‘₯ hampir berbentuk lonceng dan selang bootstrap hampir sama dengan selang t. Dengan 𝑛 = 165 pengguna, CLT bekerja baik meskipun data individunya menceng.

7.4 Langkah 4: Merencanakan Survei Lanjutan

Dinas ingin survei tahun depan menghasilkan margin of error proporsi Β± 3% dan rata-rata transaksi Β± Rp 30.000 (kepercayaan 95%).

c(
  n_untuk_proporsi = n_prop(E = 0.03, p = p_hat_u),
  n_pengguna_untuk_mean = n_mean(sigma = sd(nilai_trx), E = 30000)
)
##      n_untuk_proporsi n_pengguna_untuk_mean 
##                   958                   427

7.5 Pertanyaan Diskusi dan Jawaban

  1. Bagaimana melaporkan hasil proporsi?
    β€œDiperkirakan proporsi UMKM kuliner yang menerima QRIS adalah sesuai hasil estimasi titik (\(\hat{p}\)) dengan selang kepercayaan 95% (CI 95%) dan ukuran sampel \(n = 250\).” Kalimat pelaporan yang baik selalu memuat point estimate, selang kepercayaan, tingkat kepercayaan, dan ukuran sampel.

  2. Mengapa median transaksi jauh di bawah mean, dan mana yang dilaporkan?
    Distribusinya menjulur kanan (karena ada segelintir UMKM dengan transaksi harian jauh lebih besar). Untuk menggambarkan UMKM yang tipikal, median lebih tepat. Namun jika dinas ingin menaksir total nilai transaksi (\(\text{mean} \times \text{jumlah UMKM pengguna}\)), yang dibutuhkan justru mean beserta selangnya.

  3. Apakah selang 95% berarti 95% UMKM bertransaksi di rentang tersebut?
    Tidak. Selang kepercayaan tersebut menaksir rata-rata populasi (\(\mu\)), bukan nilai transaksi tiap unit. Rentang nilai transaksi individu UMKM jauh lebih lebarβ€”seperti yang terlihat pada histogram distribusi data.

  4. Mengapa ukuran sampel untuk proporsi tidak dihitung dengan \(p = 0,5\)?
    Jika sudah ada taksiran awal (\(\hat{p}\)) dari survei atau studi sebelumnya, kita bisa memanfaatkannya untuk menghemat biaya dan ukuran sampel. Memakai \(p = 0,5\) bersifat paling konservatif (menghasilkan \(n\) terbesar), tetapi perbedaannya sering kali tidak terlalu jauh karena nilai \(p(1 - p)\) relatif landai di sekitar \(0,5\).

8 Latihan Mandiri

8.1 Latihan Mandiri

Konteks: Mesin pengisi kopi bubuk dirancang mengisi kemasan dengan rata-rata 250 gram. Dari data historis, simpangan baku pengisian 𝜎 = 6 gram. Petugas QC mengambil sampel acak 36 kemasan.

set.seed(99)
berat <- round(rnorm(36, mean = 248.5, sd = 6), 1)
summary(berat)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   230.3   244.9   249.1   247.4   251.4   256.9

8.1.1 Tugas 1: Hitung SE dan jelaskan maknanya

sigma_k <- 6; n_k <- length(berat)
sigma_k / sqrt(n_k)
## [1] 1

Jawaban: SE = 6/6 = 1 gram. Rata-rata dari 36 kemasan biasanya meleset sekitar 1 gram dari rata-rata sebenarnya – jauh lebih kecil daripada variasi berat antarkemasan (6 gram)

8.1.2 Tugas 2: Jika mesin bekerja benar (πœ‡ = 250), berapa peluang rata-rata 36

kemasan kurang dari 248 gram?

pnorm(248, mean = 250, sd = sigma_k / sqrt(n_k))
## [1] 0.02275013

Jawaban: 𝑧 = (248 βˆ’ 250)/1 = βˆ’2, sehingga peluangnya sekitar 0.0228. Kejadian ini jarang jika mesin bekerja benar – gagasan yang menjadi dasar uji hipotesis di Pertemuan 10.

8.1.3 Tugas 3: Hitung CI 95% untuk rata-rata berat (𝜎 diketahui)

ci_z <- mean(berat) + c(-1, 1) * qnorm(0.975) * sigma_k / sqrt(n_k)
round(c(x_bar = mean(berat), Bawah = ci_z[1], Atas = ci_z[2]), 2)
##  x_bar  Bawah   Atas 
## 247.40 245.44 249.36

8.1.4 Tugas 4: Hitung CI 95% jika 𝜎 dianggap tidak diketahui (t)

round(t.test(berat)$conf.int, 2)
## [1] 245.25 249.56
## attr(,"conf.level")
## [1] 0.95
round(c(s = sd(berat), t_kritis = qt(0.975, 35), z_kritis = qnorm(0.975)), 3)
##        s t_kritis z_kritis 
##    6.366    2.030    1.960

8.1.5 Tugas 5: Tafsirkan hasilnya

Jawaban: Selang z dan selang t sangat mirip karena 𝑛 = 36 cukup besar (t kritis hanya sedikit di atas 1,96) dan 𝑠 dekat dengan 𝜎. Jika nilai 250 tidak berada di dalam selang, data memberi indikasi bahwa rata-rata pengisian mesin berbeda dari target – yang dapat dikonfirmasi dengan uji hipotesis. Hasil sampel ini: 250 berada di luar selang z.

8.1.6 Tugas 6 (Tantangan): Ukuran sampel

Berapa kemasan yang harus diambil agar margin of error CI 95% hanya Β± 1 gram? Dan Β± 0,5 gram?

c(MoE_1 = n_mean(sigma = 6, E = 1), MoE_0.5 = n_mean(sigma = 6, E = 0.5))
##   MoE_1 MoE_0.5 
##     139     554

Jawaban: 139 kemasan untuk Β± 1 gram dan 554 kemasan untuk Β± 0,5 gram – membagi dua margin of error membutuhkan sampel empat kali lipat.

8.2 Latihan Tambahan (Self-Check)

Kerjakan soal-soal berikut secara mandiri sebelum melihat kunci jawaban pada komentar kode. Soal A. Waktu tunggu layanan pelanggan berdistribusi menjulur kanan dengan πœ‡ = 8 menit dan 𝜎 = 6 menit. Untuk sampel acak 64 panggilan, tentukan mean, SE, dan bentuk distribusi sampling , lalu hitung Μ„π‘₯ 𝑃( Μ„π‘₯ > 9).

# Kunci jawaban:
# Mean = 8; SE = 6 / sqrt(64) = 0.75; bentuk mendekati normal (CLT, n = 64)
1 - pnorm(9, mean = 8, sd = 0.75) # z = 1.33 -> sekitar 0.0912
## [1] 0.09121122

Soal B. Survei 1.200 pemilih menunjukkan 54% mendukung sebuah kebijakan. Hitung CI 95% dan margin of error-nya.

# Kunci jawaban:
p <- 0.54; n <- 1200
moe <- qnorm(0.975) * sqrt(p * (1 - p) / n) # 0.0282 -> +- 2.8 poin persentase
p + c(-1, 1) * moe # 0.512 sampai 0.568
## [1] 0.511801 0.568199

Soal C. Sepuluh pengukuran pH air limbah: 6,8; 7,1; 6,9; 7,4; 7,0; 6,7; 7,2; 7,3; 6,9; 7,1. Hitung CI 95% untuk rata-rata pH secara manual dengan distribusi t lalu periksa dengan t.test().

ph <- c(6.8, 7.1, 6.9, 7.4, 7.0, 6.7, 7.2, 7.3, 6.9, 7.1)
# Kunci jawaban:
# x-bar = 7.04; s = 0.2171; SE = 0.0687; t(0.975, 9) = 2.262; MoE = 0.155
mean(ph) + c(-1, 1) * qt(0.975, 9) * sd(ph) / sqrt(10) # 6.885 sampai 7.195
## [1] 6.881111 7.198889
t.test(ph)$conf.int
## [1] 6.881111 7.198889
## attr(,"conf.level")
## [1] 0.95

Soal D. Sebuah media menulis: β€œDengan CI 95% [62%, 68%], berarti 95% warga memiliki tingkat kepuasan antara 62% dan 68%.” Perbaiki tafsiran ini.

# Kunci jawaban:
# Tafsiran keliru. Yang benar: "Kami 95% yakin bahwa proporsi warga yang puas diseluruh
# populasi berada antara 62% dan 68%." CI menaksir PARAMETER populasi (proporsiyang puas),
# bukan rentang nilai individu.

9 11 Kesalahan Umum dalam Sampling Distribution dan Estimasi

  1. Menyamakan distribusi sampel dengan distribusi sampling – yang pertama berisi data individu dari satu sampel, sedangkan yang kedua berisi nilai statistik (misalnya \(\bar{x}\)) dari banyak sampel berulang.
  2. Mengira CLT membuat data menjadi normal – CLT berbicara tentang distribusi rata-rata (atau jumlah) sampel, bukan bentuk distribusi data individu.
  3. Menganggap \(n \geq 30\) selalu cukup – data yang sangat menceng (skewed) atau memiliki banyak outlier bisa membutuhkan ukuran sampel yang jauh lebih besar.
  4. Menyamakan SD dan SE – SD (Standard Deviation) mengukur keragaman/sebaran data individu; SE (Standard Error) mengukur ketepatan taksiran statistik antar-sampel.
  5. Memakai \(z\) padahal \(\sigma\) tidak diketahui dan \(n\) kecil – jika simpangan baku populasi (\(\sigma\)) tidak diketahui dan diganti dengan \(s\), gunakan distribusi \(t\) (dengan \(df = n - 1\)).
  6. Menafsirkan CI sebagai peluang parameter berada di dalam selang tertentu, atau sebagai rentang nilai individu – CI menaksir parameter populasi secara prosedural, bukan rentang nilai unit/individu maupun variabel acak yang berpeluang jatuh di rentang tertentu.
  7. Membulatkan ukuran sampel ke bawah – hasil perhitungan ukuran sampel minimum selalu bulatkan ke atas (ceiling()) agar syarat margin of error tetap terpenuhi.
  8. Mengira ukuran populasi menentukan ukuran sampel – untuk populasi yang cukup besar dibanding sampel, ukuran sampel ditentukan oleh margin of error (\(E\)), tingkat kepercayaan, dan variabilitas data (bukan ukuran populasi \(N\)).
  9. Mengira sampel besar menghilangkan bias – ukuran sampel besar hanya memperkecil galat acak (random error), bukan memperbaiki metode sampling yang sejak awal bias.
  10. Memakai pendekatan normal untuk proporsi saat \(n\hat{p}\) atau \(n(1 - \hat{p})\) kurang dari 10 – jika syarat kecukupan tidak terpenuhi, distribusi proporsi sampel bisa menceng dan diskret (β€œberbatang”).
  11. Melaporkan point estimate tanpa selang atau \(n\) – tanpa selang kepercayaan/margin of error dan ukuran sampel, pembaca tidak dapat menilai ketepatan serta keandalan taksiran.

10 Cheat Sheet: Fungsi R yang Digunakan

Fungsi Kegunaan
sample(x, n) / sample(x, replace = TRUE) Sampel acak / sampel bootstrap
replicate(B, ekspresi) Simulasi distribusi sampling
rgamma(), rexp(), runif(), rnorm(), rbinom(), rlnorm() Membangkitkan populasi/data simulasi
pnorm(q, mean, sd) Peluang kumulatif normal \(P(X \le q)\)
qnorm(p) Nilai kritis \(z\) (misalnya qnorm(0.975) = 1,96)
dnorm(x, mean, sd) Kepadatan normal (untuk menggambar kurva)
qt(p, df), pt(q, df), dt(x, df) Nilai kritis, peluang, dan kepadatan distribusi \(t\)
t.test(x, conf.level = 0.95)$conf.int Selang kepercayaan \(t\) untuk mean
curve(f(x), add = TRUE) Menambahkan kurva teoretis pada histogram
segments(x0, y0, x1, y1) Menggambar selang kepercayaan sebagai garis
ceiling(x) Membulatkan ke atas (ukuran sampel)
outer(a, b, f) Tabel nilai untuk kombinasi dua parameter
quantile(boot, c(0.025, 0.975)) Selang bootstrap persentil

11 Glosarium Istilah

Istilah Definisi Singkat
Statistika Inferensial Menarik kesimpulan tentang populasi dari sampel
Distribusi Sampling Distribusi sebuah statistik dari semua kemungkinan sampel berukuran \(n\)
Penaksir Tak Bias Statistik yang rata-rata distribusi samplingnya sama dengan parameter
Central Limit Theorem Distribusi \(\bar{x}\) mendekati normal untuk \(n\) besar, apa pun bentuk populasinya
Standard Error (SE) Simpangan baku distribusi sampling sebuah statistik
Koreksi Populasi Terhingga Faktor \(\sqrt{(N - n)/(N - 1)}\) bila sampel lebih dari sekitar 5% populasi
Point Estimate Satu nilai yang menaksir parameter
Confidence Interval Rentang nilai yang masuk akal bagi parameter dengan tingkat kepercayaan tertentu
Tingkat Kepercayaan Persentase selang (dari pengulangan prosedur) yang memuat parameter
Margin of Error Nilai kritis \(\times\) SE; setengah lebar selang
Nilai Kritis Nilai dari distribusi \(z\) atau \(t\) yang menentukan lebar selang
Distribusi t Distribusi berekor tebal yang dipakai bila \(\sigma\) ditaksir dengan \(s\)
Derajat Bebas (df) Parameter distribusi \(t\); \(n - 1\) untuk satu mean
Bootstrap Pengambilan sampel ulang dengan pengembalian dari data untuk meniru distribusi sampling

12 Rangkuman dan Kesimpulan

  1. Distribusi sampling menggambarkan bagaimana sebuah statistik bervariasi dari sampel ke sampel; ia adalah fondasi seluruh statistika inferensial.
  2. \(\bar{x}\) dan \(\hat{p}\) adalah penaksir tak bias dengan SE masing-masing \(\sigma / \sqrt{n}\) dan \(\sqrt{p(1 - p) / n}\).
  3. CLT menjamin distribusi \(\bar{x}\) mendekati normal untuk \(n\) cukup besar, apa pun bentuk populasinya; makin menceng populasi, makin besar \(n\) yang dibutuhkan.
  4. SE bukan SD: SE mengecil sebanding \(1 / \sqrt{n}\) β€” presisi dua kali lipat membutuhkan sampel empat kali lipat.
  5. Selang kepercayaan \(= \text{point estimate} \pm \text{nilai kritis} \times \text{SE}\). Gunakan \(z\) bila \(\sigma\) diketahui, \(t\) bila \(\sigma\) ditaksir. Kepercayaan 95% adalah sifat prosedur, bukan peluang untuk satu selang.
  6. Ukuran sampel dapat direncanakan dari margin of error yang diinginkan β€” tetapi tidak dapat menyembuhkan bias sampling.

Jembatan ke sesi berikutnya: Tugas 2 latihan tadi bertanya, β€œjika mesin bekerja benar, seberapa jarang hasil seperti ini?” Pertanyaan itulah inti uji hipotesis di Pertemuan 10: \(H_0\), \(H_1\), tingkat signifikansi, p-value, dan kesalahan Tipe I dan II.

13 Referensi Pendukung

Materi ini merangkum topik distribusi sampling dan estimasi (sampling distributions and confidence intervals) yang umum dibahas pada buku teks pengantar statistika bisnis/data science. Mahasiswa disarankan melengkapi pemahaman dengan merujuk pada:

  • Modul/slide perkuliahan β€œIntroduction to Statistics (SDT-1102)” – Pertemuan 9: Sampling Distribution dan Estimasi.
  • Buku teks pengantar statistika pada bab Sampling Distributions dan Confidence Interval Estimation.
  • Efron, B., & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman & Hall.
  • Dokumentasi resmi R: ?pnorm, ?qnorm, ?qt, ?t.test, ?replicate (dapat diakses langsung di R/RStudio).