Confidence Interval: Mean, Proporsi & Ukuran Sampel

🎯 Sesi 07: Confidence Intervals — Estimasi dengan “Margin of Error”

Di sesi sebelumnya, kita belajar mengambil sampel dan memahami distribusi sampling. Tapi pertanyaannya: bagaimana cara melaporkan hasil estimasi yang jujur? Kalau Anda bilang “rata-rata omzet UMKM = Rp10 juta”, apakah itu cukup? Tidak! Karena sampel Anda mungkin “beruntung” atau “sial”. Di sesi ini, kita belajar confidence interval — cara melaporkan estimasi dengan “rentang ketidakpastian” yang terkuantifikasi. Ini adalah fondasi untuk semua inferensi statistik.

🎥 Playlist Kuliah: Confidence Interval (6 Part)

Playlist ini berisi penjelasan lengkap Confidence Interval dalam 6 bagian berurutan. Tonton dari Part 1 sampai Part 6 untuk pemahaman komprehensif.

Part 1 of 6: Konsep Dasar Confidence Interval

Part 2 of 6: CI untuk Mean (σ Diketahui – Z Distribution)

Part 3 of 6: CI untuk Mean (σ Tidak Diketahui – t Distribution)

Part 4 of 6: CI untuk Proporsi

Part 5 of 6: Penentuan Ukuran Sampel (Mean)

Part 6 of 6: Penentuan Ukuran Sampel (Proporsi)

💡 Tips Menonton: Tonton berurutan dari Part 1 → Part 6. Total durasi ~2 jam. Kalau ada konsep yang belum jelas, ulang part tersebut sebelum lanjut.

🎯 Bagian 1: Point Estimate vs Interval Estimate

🤔 Masalah dengan Point Estimate

Point estimate = satu angka tunggal sebagai estimasi parameter. Masalahnya: angka ini hampir pasti tidak tepat. Ada sampling error.

🎯 Analogi Memanah:
Point estimate: “Anak panah saya tepat di titik X.” — Kalau meleset sedikit, salah total.
Interval estimate: “Anak panah saya ada di dalam lingkaran radius 5 cm dari titik X.” — Lebih jujur, karena mengakui ketidakpastian.

📊 Z vs t: Kapan Pakai yang Mana?

Kondisi	Pakai	Alasan
σ (standar deviasi populasi) DIKETAHUI	Z-distribution	Populasi sudah sangat dipahami
σ TIDAK DIKETAHUI + n ≥ 30	t-distribution (Z juga oke)	Sampel besar, t mendekati Z
σ TIDAK DIKETAHUI + n < 30	t-distribution (WAJIB)	Sampel kecil, t lebih konservatif

📊 Bagian 2: CI untuk Mean — σ Known (Z) vs σ Unknown (t)

📊 Kasus 1: σ DIKETAHUI (Pakai Z)

CI = x̄ ± Z × (σ / √n)

📊 Kasus 2: σ TIDAK DIKETAHUI (Pakai t)

CI = x̄ ± t × (s / √n)

🛒 Contoh: Survei Kepuasan (n kecil)
Sampel 15 pelanggan, x̄ = 4,2, s = 0,8. df = 14. t (95%) = 2,145.
95% CI = 4,2 ± 2,145 × (0,8 / √15) = 4,2 ± 0,44 = [3,76 ; 4,64].

📈 Bagian 3: CI untuk Proporsi

📊 Rumus CI untuk Proporsi

CI = p̂ ± Z × √(p̂(1−p̂) / n)

Syarat Validitas: n × p̂ ≥ 5 DAN n × (1−p̂) ≥ 5

🛒 Contoh: Market Share QRIS
n=500, 300 pakai QRIS → p̂ = 0,60.
95% CI = 0,60 ± 1,96 × √(0,60×0,40 / 500) = 0,60 ± 0,043 = [55,7% ; 64,3%].

📏 Bagian 4: Menentukan Ukuran Sampel

📊 Rumus Ukuran Sampel untuk Mean

n = (Z × σ / E)²

📊 Rumus Ukuran Sampel untuk Proporsi

n = (Z² × p × (1−p)) / E²

💡 Mengapa p = 0,5 Paling Konservatif?
Karena p × (1−p) maksimum saat p = 0,5 (hasilnya 0,25). Kalau tidak tahu p, pakai 0,5 → dapat sampel terbesar → paling aman.

🔍 Bagian 5: Finite Population Correction (FPC) & Audit

📊 Rumus FPC

FPC = √((N − n) / (N − 1))

Kapan Pakai? Kalau populasi terbatas dan sampel >5% dari populasi (n/N > 0,05).

🛒 Contoh: Audit 200 Transaksi
Populasi = 500, Sampel = 100 (20%). FPC = √(400/499) = 0,895.
CI dengan FPC = CI tanpa FPC × 0,895 → CI lebih sempit (lebih presisi).

🚨 Bagian 6: 8 Kesalahan Fatal Peneliti Pemula

❌ #1: Salah Interpretasi CI

Salah: “95% peluang mean populasi ada di CI ini.”

Benar: “Kalau sampling diulang berkali-kali, 95% CI yang dihasilkan akan mengandung μ.”

❌ #2: Salah Pilih Z vs t

Pakai Z padahal σ tidak diketahui dan n < 30. Akibat: CI terlalu sempit, overconfident.

❌ #3: Tidak Report Margin of Error

Salah: “Rata-rata kepuasan = 4,2.” (titik)

Benar: “Rata-rata = 4,2 (95% CI: 4,09 – 4,31; n = 200).”

✅ Bagian 7: Ringkasan & Checklist Praktis

🗺️ Peta Konsep

Konsep	Rumus Utama	Kapan Dipakai
CI Mean (σ known)	x̄ ± Z × (σ/√n)	σ diketahui (jarang)
CI Mean (σ unknown)	x̄ ± t × (s/√n)	σ tidak diketahui (hampir selalu)
CI Proporsi	p̂ ± Z × √(p̂(1−p̂)/n)	Variabel biner
FPC	√((N−n)/(N−1))	Populasi terbatas, n/N > 0,05

💡 Prinsip LEAN:
“Estimasi tanpa ketidakpastian adalah kebohongan.” Selalu laporkan CI bersama point estimate.

📖 Mau versi lebih teknis dengan Excel formula?
Materi di bawah ini adalah versi deep-dive dari poin-poin di atas — mencakup bedah kasus Levine Chapter 8 dan panduan Excel lengkap.

↓ Gulir ke bawah untuk materi pelengkap ↓

📖 Materi Pelengkap: Bedah Kasus & Excel Guide

Statistika Bisnis Sesi 07 — Panduan Lengkap Sesuai Materi Levine et al., Chapter 8

1. CI Mean (σ Tidak Diketahui) & Distribusi t-Student

Dalam praktik bisnis nyata, kita hampir tidak pernah mengetahui standar deviasi populasi (σ). Kita hanya punya data sampel. Oleh karena itu, kita wajib menggunakan Distribusi t-Student. Kurva t lebih landai (ekor lebih tebal) sebagai “penalti” ketidakpastian.

CI = X̄ ± t(α/2, n-1) × (S / √n)

🏢 Bedah Kasus: Saxon Home Improvement

Manajer ingin menaksir rata-rata pembelian. Sampel n=100, X̄=$84.24, S=$20.09. Keyakinan 95%.

df: 100 – 1 = 99.
Nilai t: Tabel t (df=99, α=0.05) ≈ 1.984.
Margin Error: 1.984 × (20.09 / √100) = 3.99.
Hasil: $84.24 ± 3.99 → $80.25 s.d. $88.23.

🖥️ Praktik Excel (Mencari Margin Error) =CONFIDENCE.T(0.05, 20.09, 100)

2. CI Proporsi (Data Kategorikal)

Digunakan untuk data Ya/Tidak, Sukses/Gagal. Syarat validitas: n×p ≥ 5 dan n×(1-p) ≥ 5.

CI = p ± Z(α/2) × √( p(1-p) / n )

📰 Bedah Kasus: Survei Surat Kabar

Dari 100 pelanggan, 25 membaca edisi Minggu (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%).
Hasil: 25% ± 8.5% → 16.5% s.d. 33.5%.

🖥️ Praktik Excel (Rumus Manual) =1.96 * SQRT( (0.25 * (1-0.25)) / 100 )

3. Menentukan Ukuran Sampel (n)

Jangan menebak jumlah sampel. Hitung berdasarkan toleransi error (e) yang Anda inginkan.

n = (Z² × σ²) / e² | Untuk Proporsi: n = (Z² × p(1-p)) / e²

🏭 Bedah Kasus: Estimasi Produksi Kertas

Ingin error ±5 (e=5), Keyakinan 90% (Z=1.645), Variasi data (σ)=45.

Hitung: n = (1.645² × 45²) / 5² = 219.19
ATURAN EMAS: Selalu bulatkan ke ATAS (Round Up). Jadi n = 220.

🖥️ Praktik Excel =ROUNDUP( (1.645^2 * 45^2) / 5^2 , 0 )

4. Audit Sampling & Finite Population Correction (FPC)

Jika Anda mengambil sampel >5% dari populasi terbatas, Anda wajib menggunakan FPC untuk mempersempit interval error (menghindari over-stated risk).

Faktor FPC = √( (N – n) / (N – 1) )

🕵️ Studi Kasus Audit: Total Saldo Piutang

Populasi N=1000, Sampel n=80 (8% → Pakai FPC). Mean=$87.6, S=$22.3.

FPC: √((1000-80)/(1000-1)) = 0.96.
Error Terkoreksi: 1.99 × (22.3/√80) × 0.96 = 4.76.
Estimasi Total: 1000 × ($87.6 ± 4.76) → $82,840 s.d. $92,360.

🖥️ Praktik Excel (Rumus Kombo FPC) =CONFIDENCE.T(0.05, 22.3, 80) * SQRT((1000-80)/(1000-1))

Materi Sebelumnya

← Sesi 06: Distribusi Sampling

Lanjut ke Materi Berikutnya

Sesi 08: Uji Hipotesis →

Progress: Sesi 07 dari 14 (50%)