🎥 Video Kuliah: Confidence Intervals (Segera Ditambahkan)
Video untuk sesi ini sedang disiapkan. Sementara itu, silakan baca materi di bawah yang sudah lengkap dengan analogi dan contoh kasus.
Video akan mencakup: konsep dasar CI, Z vs t, CI untuk mean & proporsi, ukuran sampel, dan kesalahan umum peneliti pemula.
🎯 Bagian 1: Point Estimate vs Interval Estimate — Mengapa “Rentang” Lebih Jujur?
🤔 Masalah dengan Point Estimate
Point estimate = satu angka tunggal sebagai estimasi parameter. Contoh: “Rata-rata omzet UMKM = Rp10 juta.”
Masalahnya: angka ini hampir pasti tidak tepat. Mean sampel jarang sama persis dengan mean populasi. Ada sampling error.
Bayangkan Anda lempar anak panah ke target.
- Point estimate: “Anak panah saya tepat di titik X.” — Tapi kalau meleset sedikit, Anda salah total.
- Interval estimate: “Anak panah saya ada di dalam lingkaran radius 5 cm dari titik X.” — Lebih jujur, karena mengakui ketidakpastian.
📊 Apa Itu Confidence Interval (CI)?
Confidence Interval = rentang nilai yang kemungkinan besar mengandung parameter populasi, dengan tingkat kepercayaan tertentu (biasanya 95%).
Strukturnya selalu: Estimasi ± Margin of Error
Dari 200 pengguna, mean skor kepuasan = 4,2 (skala 1-5), standar deviasi = 0,8.
- Point estimate: μ ≈ 4,2
- 95% CI: 4,2 ± 0,11 = [4,09 ; 4,31]
📊 Z vs t: Kapan Pakai yang Mana?
Ini pertanyaan paling sering ditanyakan mahasiswa. Jawabannya tergantung pada:
| Kondisi | Pakai | Alasan |
|---|---|---|
| σ (standar deviasi populasi) DIKETAHUI | Z-distribution | Populasi sudah sangat dipahami, pakai rumus Z |
| σ TIDAK DIKETAHUI + n ≥ 30 | t-distribution (tapi Z juga oke) | Sampel besar, t mendekati Z |
| σ TIDAK DIKETAHUI + n < 30 | t-distribution (WAJIB) | Sampel kecil, t lebih konservatif (lebih lebar) |
Dalam praktik riset bisnis, σ hampir tidak pernah diketahui. Jadi:
- Kalau n ≥ 30 → boleh pakai Z atau t (hasilnya mirip)
- Kalau n < 30 → WAJIB pakai t
- Kalau ragu → pakai t (lebih aman, CI lebih lebar = lebih konservatif)
📊 Degrees of Freedom (df)
Untuk t-distribution, ada konsep degrees of freedom (df):
Semakin besar df, semakin mirip t-distribution dengan Z-distribution. Kalau df > 30, perbedaannya sangat kecil.
Karena untuk hitung standar deviasi sampel, kita pakai mean sampel dulu. Setelah mean “dikunci”, cuma ada (n−1) nilai yang “bebas” bervariasi. Inilah yang disebut degrees of freedom.
📊 Bagian 2: Confidence Interval untuk Mean — σ Known (Z) vs σ Unknown (t)
📊 Kasus 1: σ DIKETAHUI (Pakai Z)
Rumus:
Dimana:
- x̄ = mean sampel
- Z = z-score untuk confidence level (90% → 1,645; 95% → 1,96; 99% → 2,576)
- σ = standar deviasi populasi
- n = ukuran sampel
Dari literatur, diketahui σ omzet UMKM = Rp3 juta. Sampel 50 UMKM dapat x̄ = Rp12 juta.
- 95% CI = 12 ± 1,96 × (3 / √50)
- = 12 ± 1,96 × 0,424
- = 12 ± 0,83
- = [11,17 ; 12,83] juta
📊 Kasus 2: σ TIDAK DIKETAHUI (Pakai t)
Rumus:
Dimana:
- s = standar deviasi sampel (estimasi dari σ)
- t = t-score dari tabel t dengan df = n−1
Sampel 15 pelanggan (n kecil!), x̄ = 4,2, s = 0,8. σ tidak diketahui.
- df = 15 − 1 = 14
- t untuk 95% CI dengan df=14 → 2,145 (dari tabel t)
- 95% CI = 4,2 ± 2,145 × (0,8 / √15)
- = 4,2 ± 2,145 × 0,206
- = 4,2 ± 0,44
- = [3,76 ; 4,64]
🎯 Faktor yang Memengaruhi Lebar CI
| Faktor | Pengaruh pada Lebar CI | Alasan |
|---|---|---|
| Confidence level ↑ (95% → 99%) | CI lebih lebar | Butuh rentang lebih besar untuk “lebih yakin” |
| Ukuran sampel ↑ (n ↑) | CI lebih sempit | Sampel besar → estimasi lebih presisi |
| Standar deviasi ↑ (σ atau s ↑) | CI lebih lebar | Data lebih bervariasi → ketidakpastian lebih besar |
Kalau mau CI yang sempit (presisi tinggi) dan confidence level tinggi, Anda butuh sampel besar. Tapi sampel besar = biaya besar. Inilah mengapa perhitungan ukuran sampel (di Bagian 4) sangat penting!
📈 Bagian 3: Confidence Interval untuk Proporsi — Estimasi Persentase
🤔 Kapan Pakai CI untuk Proporsi?
Kalau variabel Anda kategorikal biner (ya/tidak, sukses/gagal, puas/tidak puas), dan Anda ingin estimasi proporsi populasi (p).
Quick count pemilu: “Dari 2.000 pemilih yang disurvei, 55% pilih kandidat A.” Tapi itu cuma sampel. Berapa % sebenarnya di populasi? CI untuk proporsi menjawab ini: “55% ± 2% → [53% ; 57%].”
📊 Rumus CI untuk Proporsi
Dimana:
- p̂ = proporsi sampel (dibaca “p-topi”)
- Z = z-score untuk confidence level
- n = ukuran sampel
Syarat Validitas:
CI ini valid kalau:
- n × p̂ ≥ 5 DAN n × (1−p̂) ≥ 5
- Artinya: jumlah “sukses” dan “gagal” di sampel masing-masing minimal 5
Dari 500 transaksi, 300 pakai QRIS → p̂ = 300/500 = 0,60 (60%).
- Cek syarat: n×p̂ = 500×0,60 = 300 ≥ 5 ✓
- n×(1−p̂) = 500×0,40 = 200 ≥ 5 ✓
- 95% CI = 0,60 ± 1,96 × √(0,60×0,40 / 500)
- = 0,60 ± 1,96 × √(0,00048)
- = 0,60 ± 1,96 × 0,0219
- = 0,60 ± 0,043
- = [0,557 ; 0,643] atau [55,7% ; 64,3%]
Jangan pakai rumus ini kalau syarat tidak terpenuhi (n×p̂ < 5 atau n×(1−p̂) < 5). Kalau sampel kecil atau proporsi ekstrem (dekat 0% atau 100%), pakai metode alternatif seperti Exact Binomial CI atau Wilson Score Interval.
📏 Bagian 4: Menentukan Ukuran Sampel — “Berapa Responden yang Cukup?”
🤔 Mengapa Perlu Hitung Ukuran Sampel?
Sampel terlalu kecil → CI terlalu lebar (tidak presisi). Sampel terlalu besar → boros biaya dan waktu. Perlu ukuran optimal yang menyeimbangkan presisi dan efisiensi.
📊 Rumus Ukuran Sampel untuk Estimasi Mean
Dimana:
- E = margin of error yang diinginkan (setengah lebar CI)
- σ = standar deviasi populasi (kalau tidak tahu, pakai estimasi dari studi pilot atau literatur)
Ingin estimasi mean kepuasan (skala 1-10) dengan:
- Confidence level = 95% (Z = 1,96)
- Margin of error = ±0,3 poin (E = 0,3)
- Estimasi σ = 1,5 (dari studi pilot)
n = (1,96 × 1,5 / 0,3)² = (9,8)² = 96,04 → dibulatkan 97 responden
📊 Rumus Ukuran Sampel untuk Estimasi Proporsi
Dimana:
- p = estimasi proporsi (kalau tidak tahu, pakai p = 0,5 → hasil paling konservatif)
- E = margin of error (dalam desimal, misal ±3% → E = 0,03)
Ingin estimasi % pelanggan yang pakai QRIS dengan:
- Confidence level = 95% (Z = 1,96)
- Margin of error = ±3% (E = 0,03)
- Estimasi p = 0,5 (konservatif)
n = (1,96² × 0,5 × 0,5) / 0,03² = (3,8416 × 0,25) / 0,0009 = 1.067 responden
Karena p × (1−p) maksimum saat p = 0,5 (hasilnya 0,25). Kalau p = 0,1 atau 0,9, hasilnya cuma 0,09. Jadi kalau tidak tahu p, pakai 0,5 → dapat sampel terbesar → paling aman.
🔍 Bagian 5: Finite Population Correction & Aplikasi Audit
🤔 Apa Itu Finite Population Correction (FPC)?
Rumus CI yang kita pakai tadi mengasumsikan populasi infinite (sangat besar). Tapi kalau populasi terbatas dan sampel kita >5% dari populasi, CI jadi terlalu lebar. Perlu dikoreksi dengan FPC.
📊 Rumus FPC
Dimana:
- N = ukuran populasi
- n = ukuran sampel
CI yang sudah dikoreksi:
Populasi = 500 transaksi dalam sebulan. Sampel = 100 transaksi (20% dari populasi — >5%, perlu FPC!).
- x̄ = Rp2,5 juta, s = Rp0,8 juta
- CI tanpa FPC = 2,5 ± 1,96 × (0,8 / √100) = 2,5 ± 0,314 = [2,186 ; 2,814]
- FPC = √((500 − 100) / (500 − 1)) = √(400/499) = √0,8016 = 0,895
- CI dengan FPC = [2,186 ; 2,814] × 0,895 = [2,28 ; 2,76]
🎯 Kapan Pakai FPC?
- Populasi terbatas dan diketahui (misal: 500 karyawan, 1.000 transaksi)
- Sampel >5% dari populasi (n/N > 0,05)
- Biasanya dalam audit atau survei sensus mini
Banyak mahasiswa mengabaikan FPC padahal seharusnya dipakai. Akibatnya: CI terlalu lebar, kesimpulan terlalu konservatif. Kalau populasi kecil dan sampel besar, selalu cek apakah perlu FPC.
📊 Aplikasi dalam Audit
Auditor sering pakai CI untuk estimasi total kesalahan dalam laporan keuangan:
Populasi = 1.000 faktur penjualan. Sampel = 100 faktur (10%, perlu FPC).
- Mean kesalahan per faktur = Rp50.000, s = Rp200.000
- 95% CI untuk mean kesalahan = 50.000 ± 1,96 × (200.000 / √100) × FPC
- FPC = √((1000−100)/(1000−1)) = √0,9009 = 0,949
- CI = 50.000 ± 1,96 × 20.000 × 0,949 = 50.000 ± 37.260
- CI = [12.740 ; 87.260] per faktur
- Untuk total 1.000 faktur: kalikan 1.000 → [Rp12,74 juta ; Rp87,26 juta]
⚖️ Bagian 6: Etika Pelaporan Confidence Interval
🤔 Mengapa Etika CI Penting?
CI bisa dimanipulasi untuk menyesatkan pembaca. Sebagai peneliti yang etis, Anda harus melaporkan CI secara jujur dan transparan.
⚠️ Trik Manipulasi CI
Trik #1: Pilih Confidence Level yang Menguntungkan
- 90% CI: Lebih sempit, terlihat “lebih presisi” — tapi confidence lebih rendah
- 99% CI: Lebih lebar, terlihat “tidak presisi” — tapi confidence lebih tinggi
- Manipulasi: Kalau hasil tidak menguntungkan, pakai 99% supaya CI lebar → “lihat, rentangnya sangat lebar, tidak bisa disimpulkan apa-apa!”
Trik #2: Sembunyikan Margin of Error
Laporkan point estimate saja tanpa CI. Contoh: “Kepuasan pelanggan = 4,2.” Tanpa CI, pembaca tidak tahu apakah ini presisi (CI sempit) atau sangat tidak pasti (CI lebar).
Trik #3: Sampel Kecil tapi Klaim Besar
Pakai n = 10, dapat CI sangat lebar, tapi tetap klaim “signifikan”. Ini tidak etis karena CI lebar = ketidakpastian tinggi.
- ☑️ Selalu laporkan confidence level (90%, 95%, 99%)
- ☑️ Selalu laporkan margin of error atau rentang CI
- ☑️ Selalu laporkan ukuran sampel (n)
- ☑️ Jangan pilih confidence level secara arbitrer — pakai standar 95% kecuali ada alasan kuat
- ☑️ Kalau sampel kecil, akui keterbatasan dan jangan over-claim
❌ Salah: “Kepuasan pelanggan tinggi (4,2).”
✅ Benar: “Rata-rata skor kepuasan = 4,2 (95% CI: 4,09 – 4,31; n = 200).”
Pelaporan yang benar memberi pembaca informasi lengkap untuk evaluasi kritis.
🚨 Bagian 7: 8 Kesalahan Fatal Peneliti Pemula dalam Menerapkan CI
🚨 Mengapa Section Ini Penting?
Setelah mengajar bertahun-tahun, saya melihat pola kesalahan yang sama berulang pada mahasiswa dan peneliti pemula. Section ini adalah “kompilasi dosa statistik” yang harus Anda hindari. Baca pelan-pelan, cek apakah Anda pernah melakukan salah satunya!
❌ Kesalahan #1: Salah Interpretasi CI
Yang salah: “95% peluang bahwa mean populasi ada di CI [4,09 ; 4,31].”
Mengapa salah: Mean populasi (μ) itu fixed — tidak acak. Dia ada di suatu tempat (tidak kita tahu di mana). CI yang acak (berubah-ubah kalau sampel berubah).
✅ Interpretasi yang Benar:
“Kalau kita ulang sampling ini berkali-kali, 95% CI yang dihasilkan akan mengandung μ.”
Atau lebih sederhana: “Kita 95% percaya (confident) bahwa interval ini mengandung μ.”
❌ Kesalahan #2: Salah Pilih Z vs t
Yang salah: Pakai Z padahal σ tidak diketahui dan n < 30.
Akibat: CI terlalu sempit → overconfident → kesimpulan salah.
✅ Aturan yang Benar:
- σ diketahui → Z (sangat jarang dalam praktik)
- σ tidak diketahui + n ≥ 30 → Z atau t (hasil mirip)
- σ tidak diketahui + n < 30 → WAJIB t
❌ Kesalahan #3: Tidak Cek Asumsi Normalitas
Yang salah: Pakai CI untuk data yang sangat skewed (misal: pendapatan) tanpa cek normalitas.
Akibat: CI tidak valid karena rumus mengasumsikan distribusi sampling Normal.
✅ Solusi yang Benar:
- Cek normalitas dulu: histogram, Q-Q plot, atau uji Shapiro-Wilk
- Kalau data sangat skewed dan n kecil → pakai transformasi log atau bootstrap CI
- Kalau n besar (≥ 30), CLT menyelamatkan Anda — CI tetap valid
❌ Kesalahan #4: Mengabaikan FPC
Yang salah: Populasi cuma 200, sampel 80 (40%), tapi tidak pakai FPC.
Akibat: CI terlalu lebar → kesimpulan terlalu konservatif.
✅ Aturan yang Benar:
Kalau n/N > 0,05 (sampel >5% dari populasi), WAJIB pakai FPC.
❌ Kesalahan #5: Sample Size Tanpa Justifikasi
Yang salah: “Saya pakai 100 responden karena itu yang biasa dipakai.”
Akibat: Tidak ada dasar ilmiah, bisa terlalu kecil atau terlalu besar.
✅ Solusi yang Benar:
Hitung ukuran sampel dengan rumus (lihat Bagian 4). Laporkan: “n = 97 dihitung dengan margin of error ±0,3, confidence level 95%, dan estimasi σ = 1,5 dari studi pilot.”
❌ Kesalahan #6: Confusing Confidence Level dengan Confidence Interval
Yang salah: “Confidence level 95% artinya 95% data ada di CI.”
Mengapa salah: Confidence level bukan tentang data, tapi tentang prosedur. CI bukan tentang data individu, tapi tentang parameter populasi.
✅ Pemahaman yang Benar:
- Confidence level (95%): Sifat prosedur — kalau diulang berkali-kali, 95% CI akan mengandung parameter
- Confidence interval [4,09 ; 4,31]: Hasil satu kali sampling — estimasi rentang untuk parameter
❌ Kesalahan #7: Tidak Report Margin of Error
Yang salah: “Rata-rata kepuasan = 4,2.” (titik)
Akibat: Pembaca tidak tahu apakah ini presisi (CI sempit) atau sangat tidak pasti (CI lebar).
✅ Pelaporan yang Benar:
“Rata-rata kepuasan = 4,2 (95% CI: 4,09 – 4,31; n = 200).”
Selalu laporkan: estimasi ± margin of error atau rentang CI, plus n dan confidence level.
❌ Kesalahan #8: Pakai CI untuk Data yang Sangat Skewed tanpa Transformasi
Yang salah: Data pendapatan sangat right-skewed, langsung hitung CI dengan rumus standar.
Akibat: CI tidak valid karena asumsi normalitas dilanggar.
✅ Solusi yang Benar:
- Cek distribusi dulu (histogram)
- Kalau sangat skewed: transformasi log → hitung CI → back-transform ke skala asli
- Atau pakai bootstrap CI (non-parametrik, tidak butuh asumsi normal)
- Atau pakai median dan IQR sebagai alternatif dari mean dan CI
Sebelum submit skripsi/tesis/riset, cek ulang:
- ☑️ Sudah interpretasi CI dengan benar?
- ☑️ Sudah pilih Z vs t dengan tepat?
- ☑️ Sudah cek asumsi normalitas?
- ☑️ Sudah pakai FPC kalau perlu?
- ☑️ Sudah justifikasi ukuran sampel?
- ☑️ Sudah laporkan margin of error?
✅ Bagian 8: Ringkasan & Checklist Praktis Sesi 07
🗺️ Peta Konsep Sesi 07
| Konsep | Rumus Utama | Kapan Dipakai |
|---|---|---|
| CI untuk Mean (σ known) | x̄ ± Z × (σ/√n) | σ diketahui (sangat jarang) |
| CI untuk Mean (σ unknown) | x̄ ± t × (s/√n) | σ tidak diketahui (hampir selalu) |
| CI untuk Proporsi | p̂ ± Z × √(p̂(1−p̂)/n) | Variabel biner (ya/tidak) |
| Ukuran Sampel (Mean) | n = (Z×σ/E)² | Desain riset untuk estimasi mean |
| Ukuran Sampel (Proporsi) | n = (Z²×p×(1−p))/E² | Desain riset untuk estimasi proporsi |
| FPC | √((N−n)/(N−1)) | Populasi terbatas, n/N > 0,05 |
📋 Checklist Sebelum Hitung CI
- ☑️ Sudah tentukan parameter yang ingin diestimasi (mean? proporsi?)
- ☑️ Sudah cek apakah σ diketahui? (biasanya tidak → pakai t)
- ☑️ Sudah cek ukuran sampel (n < 30 → wajib t; n ≥ 30 → Z atau t)
- ☑️ Sudah cek asumsi normalitas (kalau n kecil dan data skewed → transformasi/bootstrap)
- ☑️ Sudah cek apakah perlu FPC (kalau n/N > 0,05 → pakai FPC)
- ☑️ Sudah tentukan confidence level (standar: 95%)
- ☑️ Sudah hitung CI dan interpretasi dengan benar
- ☑️ Sudah laporkan: estimasi, CI, n, confidence level
🎯 Formula Sheet Ringkas
90% → 1,645 | 95% → 1,96 | 99% → 2,576
x̄ ± t(df=n−1) × (s/√n)
p̂ ± Z × √(p̂(1−p̂)/n)
n = (Z×σ/E)²
n = (Z²×p×(1−p))/E²
“Estimasi tanpa ketidakpastian adalah kebohongan.”
Selalu laporkan CI bersama point estimate. Jangan cuma bilang “rata-rata = X”, tapi bilang “rata-rata = X (95% CI: Y – Z)”. Ini lebih jujur, lebih ilmiah, dan lebih berguna untuk pengambilan keputusan.
📚 Persiapan Sesi Berikutnya
Di sesi berikutnya, kita akan masuk ke hypothesis testing — cara menguji klaim tentang parameter populasi menggunakan data sampel. Konsep CI di sesi ini adalah fondasi untuk hypothesis testing. Pastikan Anda sudah paham sebelum lanjut!
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas — mencakup Excel formula lengkap, bedah kasus audit, dan contoh tambahan. Silakan dibaca sebagai pelengkap.
↓ Gulir ke bawah untuk materi pelengkap ↓
Estimasi Interval & Ukuran Sampel
Statistika Bisnis Sesi 07 — Panduan Lengkap (Konsep, Hitungan Manual, & Aplikasi Audit)
1. Konsep Dasar Statistik
Memahami Logika Distribusi Z vs t dan Derajat Kebebasan
Sebelum menghitung, kita harus paham alat apa yang dipakai. Dalam estimasi interval, kita mengenal dua distribusi utama:
| Fitur | Z-Distribution (Normal) | t-Distribution (Student’s) |
|---|---|---|
| Syarat Utama | Standar Deviasi Populasi (σ) DIKETAHUI | Standar Deviasi Populasi (σ) TIDAK DIKETAHUI |
| Bentuk Kurva | Lonceng Sempurna | Lebih landai (ekor tebal) = Lebih hati-hati |
| Parameter | Tetap | Berubah sesuai Degrees of Freedom (df) |
Apa itu Degrees of Freedom (df)?
Rumusnya df = n - 1. Ini adalah jumlah data yang “bebas bervariasi” setelah kita menetapkan rata-rata. Semakin kecil df (sampel kecil), semakin besar ketidakpastian kita, sehingga kurva t semakin landai (interval makin lebar).
2. Estimasi Interval untuk Mean (μ)
Menghitung Rentang Rata-rata Populasi
Karena dalam bisnis nyata kita jarang mengetahui σ, kita hampir selalu menggunakan Distribusi t.
Manajer ingin menaksir rata-rata nilai transaksi. Sampel n=100, Rata-rata=$84.24, St.Dev=$20.09. Keyakinan 95%.
- Cari df: 100 – 1 = 99.
- Cari t: Tabel t (df=99, 95%) ≈ 1.984.
- Margin Error: 1.984 × (20.09 / √100) = 3.99.
- Hasil: $84.24 ± 3.99 → $80.25 s.d. $88.23.
3. Estimasi Interval untuk Proporsi (π)
Menghitung Persentase (Data Kualitatif)
Digunakan untuk data kategorikal (Ya/Tidak, Sukses/Gagal). Syarat validitas: Jumlah sukses ($np$) dan gagal ($n(1-p)$) minimal harus 5.
Dari 100 pelanggan, 25 menyatakan puas (p=0.25). Keyakinan 95% (Z=1.96).
- Standard Error = √(0.25 × 0.75 / 100) = 0.0433.
- Margin Error = 1.96 × 0.0433 = 0.085 (8.5%).
- Interval: 25% ± 8.5% → 16.5% s.d. 33.5%.
4. Menentukan Ukuran Sampel (n)
Perencanaan Riset: Berapa data yang harus diambil?
Jangan menebak jumlah sampel. Hitung berdasarkan toleransi error (e) yang Anda inginkan.
Ingin error ±5, Keyakinan 90% (Z=1.645), Variasi data lalu (σ)=45.
- n = (1.645² × 45²) / 5² = 219.19
ATURAN PENTING: Selalu bulatkan ke ATAS (Round Up). Jadi n = 220.
5. Audit & Finite Population Correction
Aplikasi Lapangan: Populasi Terbatas
Jika Anda mengambil sampel >5% dari populasi terbatas (misal audit internal), Anda wajib menggunakan FPC untuk mempersempit interval error.
Populasi N=1000, Sampel n=80 (8% populasi → Pakai FPC). Hasil sampel: Mean=$87.6, S=$22.3.
- Hitung FPC: √((920/999)) = 0.96.
- Hitung Error Terkoreksi: 1.99 × (22.3/√80) × 0.96 = 4.76.
- Estimasi Total: 1.000 × ($87.6 ± 4.76) → $82,840 – $92,360.
6. Etika dalam Statistik
Integritas Data AurinoWorks
- ❌ Jangan mengubah tingkat keyakinan (95% ke 90%) hanya agar hasil terlihat “lebih bagus” (interval sempit).
- ❌ Jangan mengabaikan FPC jika populasi kecil, karena itu melebih-lebihkan risiko.
- ✅ Selalu laporkan Margin of Error bersama rata-rata agar pengambil keputusan tahu tingkat risikonya.
Estimasi Interval Keyakinan
Statistika Bisnis Sesi 07 — Panduan Lengkap Sesuai Materi Levine et al., Chapter 8
- 1. CI for Mean (σ Known)
- 2. CI for Mean (σ Unknown)
- 3. CI for Proportion (π)
- 4. Determining Sample Size (n)
- 5. Auditing & Finite Population (FPC)
Ini adalah kondisi “ideal” yang jarang terjadi dalam bisnis nyata, tetapi merupakan dasar teori statistik. Asumsinya: kita mengetahui Standar Deviasi Populasi (σ). Karena σ diketahui, kita dapat menggunakan Distribusi Normal Standar (Z).
[Image of normal distribution confidence interval]Komponen (σ / √n) disebut Standard Error of the Mean.
Gunakan fungsi: =CONFIDENCE.NORM(alpha, standard_dev, size)
Inilah realita bisnis. Kita tidak tahu σ, jadi kita menggunakan Standar Deviasi Sampel (S) sebagai estimasi. Konsekuensinya, kita harus menggunakan Distribusi t-Student.
Filosofi: Kurva t-Student lebih landai (ekor lebih tebal) dibanding kurva Normal. Ini adalah cara statistik berkata: “Karena kamu hanya menaksir σ pakai S, saya berikan penalti ketidakpastian (interval lebih lebar).”
Nilai t bergantung pada Degrees of Freedom (df) = n – 1.
Manajer ingin menaksir rata-rata pembelian. Dari 100 sampel, didapat rata-rata $84.24 dan standar deviasi sampel $20.09. Tingkat keyakinan 95%.
- Cari df: n – 1 = 99.
- Cari nilai t: Lihat tabel t untuk df=99 dan α=0.05 (2-tail). Nilainya ≈ 1.984.
- Hitung Margin Error:
Error = 1.984 × (20.09 / √100) = 1.984 × 2.009 = 3.99. - Hasil Interval:
$84.24 ± 3.99 → $80.25 s.d. $88.23.
Untuk mencari Margin Error (3.99) secara otomatis:
=CONFIDENCE.T(0.05, 20.09, 100)Digunakan untuk data kategorikal (Ya/Tidak, Sukses/Gagal). Contoh: “Berapa persen pelanggan yang puas?”.
Syarat: np ≥ 5 dan n(1-p) ≥ 5.
Excel tidak punya rumus CONFIDENCE.PROP, jadi kita hitung manual:
Berapa banyak data yang harus diambil? Jangan menebak. Hitung berdasarkan Error (e) yang bisa Anda toleransi.
Manajer menetapkan:
- Error (e) tidak boleh lebih dari 5.
- Tingkat keyakinan 90% (Z = 1.645).
- Variabilitas data lalu (σ) = 45.
- n = (1.645² × 45²) / 5²
- n = (2.706 × 2025) / 25
- n = 219.19
ATURAN EMAS: Selalu bulatkan ke atas (Round Up). Jadi, n = 220.
Finite Population Correction (FPC) digunakan jika kita mengambil sampel >5% dari populasi yang jumlahnya terbatas (Finite). Ini sangat krusial dalam Audit untuk menghindari pelaporan error yang terlalu besar (over-stated).
Data: Populasi (N) = 1.000 akun. Sampel (n) = 80 akun. Rata-rata sampel = $87.6. Standar deviasi = $22.3.
- Cek FPC: 80/1000 = 8% (>5%). Maka FPC Wajib dipakai.
- Hitung FPC: √((920/999)) = 0.96.
- Hitung Margin Error (Per Akun):
Error = 1.99 (nilai t) × (22.3 / √80) × 0.96 (FPC) = 4.76. - Estimasi Total Populasi:
Total = N × (Mean ± Error)
Total = 1.000 × ($87.6 ± 4.76)
Range: $82,840 s.d. $92,360.
Menghitung Margin Error Terkoreksi sekaligus:
=CONFIDENCE.T(0.05, 22.3, 80) * SQRT((1000-80)/(1000-1))Materi Suplemen Statistika Bisnis Sesi 07 | © AurinoWorks
Estimasi Interval & Ukuran Sampel
Statistika Bisnis Sesi 07 – Panduan Komprehensif (Teori, Praktik Manual, & Excel)
Selamat datang di Sesi 07. Hingga saat ini, mungkin Anda terbiasa menggunakan satu angka rata-rata (Point Estimate) untuk mengambil keputusan. Misalnya: “Rata-rata penjualan kita 100 unit”.
Namun, sebagai calon analis yang berintegritas, itu tidak cukup. Data sampel selalu memiliki error. Di bab ini, kita akan belajar membangun Confidence Interval (Rentang Keyakinan). Tujuannya agar kita bisa berkata: “Saya yakin 95% penjualan kita ada di antara 95 sampai 105 unit.”
Kita akan membahas empat topik utama: Mean, Proporsi, Penentuan Ukuran Sampel, dan Aplikasi Audit.
Dalam praktik bisnis nyata, kita hampir tidak pernah mengetahui standar deviasi populasi (σ). Kita hanya punya data sampel.
Oleh karena itu, kita tidak boleh menggunakan Distribusi Normal (Z) yang biasa. Kita harus menggunakan Distribusi t-Student. Distribusi ini memiliki “ekor” yang lebih tebal, yang mencerminkan ketidakpastian tambahan karena kita hanya menaksir variasi populasi menggunakan standar deviasi sampel (S).
• t = Nilai kritis t (tergantung confidence level & df)
• df (Degrees of Freedom) = n – 1
• S = Standar Deviasi Sampel
• n = Jumlah Sampel
Kasus: Saxon Home Improvement
Perusahaan ingin mengestimasi rata-rata pembelian pelanggan. Diambil sampel 100 transaksi.
- Rata-rata Sampel (X̄) = $84.24
- Standar Deviasi (S) = $20.09
- Ukuran Sampel (n) = 100
- Confidence Level = 95%
- Tentukan Derajat Kebebasan (df):
df = n – 1 = 100 – 1 = 99. - Cari Nilai t Tabel:
Untuk confidence 95% (α=0.05) dan df=99, nilai t ≈ 1.984. - Hitung Margin of Error:
Error = t × (S / √n) = 1.984 × (20.09 / 10) = 1.984 × 2.009 = 3.99. - Susun Interval:
$84.24 ± 3.99 → $80.25 s.d. $88.23.
Untuk mencari nilai Margin of Error secara otomatis di Excel (tanpa buka tabel t), gunakan fungsi berikut:
Penjelasan Parameter:
1. Alpha: 0.05 (didapat dari 100% – 95%)
2. Standard_dev: 20.09 (Nilai S)
3. Size: 100 (Nilai n)
Hasil fungsi ini adalah 3.99 (Margin of Error). Tinggal Anda kurangi dan tambahkan ke rata-rata.
Pertanyaan yang paling sering diajukan mahasiswa saat skripsi: “Pak, sampel saya harus berapa?”.
Jawabannya tidak bisa ditebak. Ukuran sampel (n) adalah hasil tarik-menarik antara tiga hal: seberapa yakin Anda ingin (Z), seberapa bervariasi datanya (σ), dan seberapa kecil error yang Anda toleransi (e).
Kasus: Estimasi Produksi Kertas
Anda ingin mengestimasi rata-rata kekuatan kertas. Syarat manajemen:
- Error tidak boleh lebih dari ±5 psi.
- Tingkat keyakinan harus 90% (Z = 1.645).
- Data historis menunjukkan standar deviasi (σ) = 45 psi.
n = (1.645² × 45²) / 5²
n = (2.706 × 2025) / 25
n = 219.19
PENTING: Dalam penentuan sampel, angka 219.19 tidak bisa dibulatkan ke bawah menjadi 219. Kita harus selalu ROUND UP (Bulatkan ke Atas) agar syarat error terpenuhi.
Maka, n = 220.
Excel tidak memiliki rumus khusus sample size, jadi kita tulis rumusnya manual:
Gunakan fungsi ROUNDUP(…, 0) untuk memastikan pembulatan ke atas tanpa desimal.
Ini adalah bagian terpenting bagi Akuntansi & Auditing. Rumus-rumus di atas mengasumsikan populasi tak terbatas. Namun, auditor sering bekerja dengan populasi yang jelas jumlahnya (Misal: 1.000 Faktur).
Jika Anda memeriksa sampel yang cukup banyak (lebih dari 5% populasi), Anda berhak mendapatkan “diskon error”. Rumus Margin of Error kita kalikan dengan faktor FPC agar intervalnya lebih sempit (lebih akurat).
Aturan Pakai: Gunakan FPC jika n / N > 0.05.
Kasus: Estimasi Total Saldo Piutang
Auditor ingin tahu Total Nilai Rupiah dari 1.000 akun (N). Diambil sampel 80 akun (n).
- Rata-rata Sampel = $87.6
- Standar Deviasi = $22.3
- Cek Syarat FPC:
80 / 1000 = 0.08 (8%). Karena > 5%, maka FPC WAJIB dipakai. - Hitung Faktor FPC:
Akar dari ((1000-80)/(999)) = 0.96. - Hitung Interval Rata-rata (Per Akun):
Margin Error Normal = 1.99 × (22.3 / √80) = 4.96.
Margin Error Terkoreksi = 4.96 × 0.96 (FPC) = 4.76.
Jadi, rata-rata per akun adalah $87.6 ± 4.76. - Hitung Total Populasi:
Kalikan semuanya dengan N (1.000).
Total = 1.000 × ($87.6 ± 4.76)
Total = $87,600 ± $4,760.
Kesimpulan: Total piutang ada di rentang $82,840 s.d. $92,360.
Untuk menghitung Margin of Error dengan FPC sekaligus di Excel:
Rumus ini menggabungkan fungsi Confidence T dengan rumus manual FPC (SQRT). Hasilnya langsung Margin of Error terkoreksi yang presisi.
“Statistik bukan sekadar menghitung, tapi memahami cerita di balik angka.”
© AurinoWorks – Business Statistics Series
Confidence Intervals: Population Mean (μ)
Memahami perbedaan kondisi saat Standar Deviasi Populasi (σ) Diketahui vs Tidak Diketahui
Ini adalah kondisi ideal yang jarang terjadi dalam bisnis, namun menjadi fondasi teori statistik. Asumsinya: kita memiliki data historis populasi yang sangat kuat sehingga nilai σ (Sigma) dianggap fakta.
Karena σ diketahui, kita menggunakan Distribusi Normal Standar (Z-Distribution).
[Image of normal distribution curve with confidence interval]• σ / √n: Standard Error of the Mean
Sebuah mesin diatur dengan standar deviasi populasi σ = 20. Manajer mengambil sampel n = 100 lembar, dengan rata-rata X̄ = 110. Tentukan interval keyakinan 95%.
- Standard Error = 20 / √100 = 2.
- Nilai Z untuk 95% = 1.96.
- Margin of Error = 1.96 × 2 = 3.92.
- Interval: 110 ± 3.92 → 106.08 s.d. 113.92.
Contoh: =CONFIDENCE.NORM(0.05, 20, 100) akan menghasilkan 3.92.
Dalam riset nyata (survei pasar, audit), kita tidak tahu σ. Kita hanya memiliki Standar Deviasi Sampel (S). Karena kita menggunakan estimasi (S) untuk menggantikan (σ), ketidakpastian bertambah.
Oleh karena itu, kita DILARANG menggunakan distribusi Z. Kita wajib menggunakan Distribusi t-Student. Kurva t lebih landai (ekor lebih tebal) dibanding Z, memberikan rentang interval yang sedikit lebih lebar sebagai bentuk “kehati-hatian”.
• df (Degrees of Freedom): n – 1
Manajer ingin menaksir rata-rata pembelian. Sampel diambil dari 100 transaksi.
- Rata-rata Sampel (X̄) = $84.24
- Standar Deviasi Sampel (S) = $20.09
- Tingkat Keyakinan = 95%
- Hitung df: n – 1 = 99.
- Cari Nilai t: Dari tabel t (df=99, α=0.05) ≈ 1.984.
(Perhatikan: Nilai ini > 1.96 karena penalti ketidakpastian). - Hitung Margin Error:
Error = 1.984 × (20.09 / √100)
Error = 1.984 × 2.009 = 3.99. - Hasil Interval:
$84.24 ± 3.99 → $80.25 s.d. $88.23.
Interpretasi: Kita yakin 95% bahwa rata-rata pembelian populasi sesungguhnya ada di antara $80.25 hingga $88.23.
Input: =CONFIDENCE.T(0.05, 20.09, 100)
Hasil: 3.98… (Margin of Error).
Lalu hitung manual: Lower Limit = 84.24 – 3.98 dan Upper Limit = 84.24 + 3.98.
Confidence Intervals: Population Proportion (π)
Estimasi untuk Data Kategorikal (Kualitatif)
Berbeda dengan Mean yang mengukur data kuantitatif (angka), Proporsi digunakan untuk data Kategorikal. Contohnya: Pelanggan “Puas” vs “Tidak Puas”, Produk “Cacat” vs “Bagus”, atau Pemilih “Setuju” vs “Tidak Setuju”.
Di sini kita ingin mengestimasi persentase populasi ($\pi$) berdasarkan persentase sampel ($p$).
Kita hanya boleh menggunakan pendekatan Distribusi Normal (Z) jika sampel cukup besar, yaitu:
1. n × p ≥ 5 (Jumlah sukses minimal 5)
2. n × (1 – p) ≥ 5 (Jumlah gagal minimal 5)
• Z: Nilai kritis dari Tabel Z (misal: 1.96 untuk 95%)
• √( p(1 – p) / n ): Standard Error of the Proportion
Manajer pemasaran ingin mengestimasi proporsi pelanggan yang membaca koran edisi Minggu. Dari sampel acak n = 100 pelanggan, ditemukan 25 orang membaca edisi Minggu. Tingkat Keyakinan 95%.
- Hitung Proporsi Sampel (p):
p = X / n = 25 / 100 = 0.25 (atau 25%). - Cek Syarat:
n×p = 25 (≥5) dan n×(1-p) = 75 (≥5). Valid. - Hitung Standard Error:
SE = √( 0.25 × 0.75 / 100 )
SE = √( 0.1875 / 100 ) = √0.001875 = 0.0433. - Hitung Margin Error:
Z untuk 95% = 1.96.
Error = 1.96 × 0.0433 = 0.0849 (atau 8.49%). - Hasil Interval:
0.25 ± 0.0849 → 0.1651 s.d. 0.3349.
(Antara 16.51% sampai 33.49%).
Interpretasi: Kami yakin 95% bahwa proporsi pembaca koran edisi Minggu di populasi sebenarnya berkisar antara 16.5% hingga 33.5%.
Excel tidak memiliki fungsi khusus seperti CONFIDENCE.PROP, jadi kita harus mengetik rumusnya:
Tips: Ganti 0.25 dengan cell berisi nilai p, dan 100 dengan cell berisi n. Hasilnya adalah Margin of Error.