Statistika Inferensial

Definisi Statistika Inferensial

Statistika inferensial adalah cabang statistik yang bertujuan untuk mengambil kesimpulan atau membuat prediksi mengenai populasi berdasarkan data yang diambil dari sampel. Berbeda dengan statistika deskriptif yang hanya menyajikan data dalam bentuk tabel, grafik, atau ukuran ringkasan, statistika inferensial menambahkan proses penalaran, pengujian hipotesis, dan estimasi parameter yang tidak diketahui.

Dengan sampel yang representatif, kita dapat menggeneralisasi temuan ke seluruh populasi, meskipun tidak mengetahui nilai sebenarnya dari setiap elemen populasi. Pengantar Statistika Inferensial

Konsep Utama

• Populasi dan Sampel Populasi (population) adalah kumpulan seluruh elemen yang menjadi fokus penelitian, sedangkan sampel (sample) adalah subset yang diambil secara acak atau terstruktur.
• Parameter dan Statistik Parameter adalah nilai numerik yang menggambarkan karakteristik populasi (misalnya ratarata ), sedangkan statistik adalah nilai yang dihitung dari sampel (misalnya ratarata sampel \(\bar x\)).
• Distribusi Sampling Distribusi yang terbentuk dari banyak kemungkinan nilai statistik yang dapat dihasilkan bila proses pengambilan sampel diulangulang.
• Estimasi Proses memperkirakan nilai parameter populasi menggunakan statistik sampel. Estimasi dapat bersifat titik (point estimate) atau interval (confidence interval).
• Pengujian Hipotesis Metode untuk menilai sejauh mana data mendukung atau menolak suatu klaim tentang populasi (hipotesis nol vs. hipotesis alternatif).
• Level Signifikansi () Probabilitas maksimum yang dapat diterima untuk menolak hipotesis nol padahal sebenarnya benar (type I error).
• Power Probabilitas menolak hipotesis nol ketika hipotesis alternatif benar (mengurangi type II error).

Metode Utama dalam Statistika Inferensial

1. Estimasi Parameter

Estimasi dapat dilakukan dengan dua pendekatan:

• Metode titik: memberikan satu nilai estimasi, misalnya \(\bar x\) untuk memperkirakan .
• Metode interval: menghasilkan rentang nilai, biasanya disebut confidence interval (CI). Contoh umum: CI 95% untuk ratarata: \[ \bar x \pm t_{\alpha/2,\,df}\frac{s}{\sqrt{n}} \] di mana \(s\) adalah standar deviasi sampel, \(n\) ukuran sampel, dan \(t\) nilait kritis.

2. Pengujian Hipotesis

Langkahlangkah umum:

1. Tentukan hipotesis nol (\(H_0\)) dan hipotesis alternatif (\(H_1\)).
2. Pilih tingkat signifikansi \(\alpha\) (sering 0,05).
3. Pilih statistik uji yang sesuai (z, t, , F, dsb.).
4. Hitung nilai p atau bandingkan nilai statistik uji dengan nilai kritis.
5. Ambil keputusan: tolak \(H_0\) bila nilai p < \(\alpha\) atau statistik uji berada di wilayah penolakan.

3. Analisis Varian (ANOVA)

ANOVA digunakan untuk menguji perbedaan ratarata antara tiga kelompok atau lebih. Model dasar:

    Y_{ij} = \mu + \tau_i + \epsilon_{ij}    

dimana \(\tau_i\) adalah efek perlakuan ke\(i\) dan \(\epsilon_{ij}\) adalah galat acak. Hasil utama berupa nilai F yang dibandingkan dengan nilai kritis F pada tingkat \(\alpha\).

4. Regresi Linear

Model regresi sederhana: \[ Y = \beta_0 + \beta_1 X + \varepsilon \] Estimasi koefisien \(\beta_0,\beta_1\) dilakukan dengan metode kuadrat terkecil. Signifikansi koefisien diuji lewat ttest, sedangkan kualitas model dievaluasi dengan koefisien determinasi (\(R^2\)).

5. Uji NonParametrik

Jika asumsi normalitas atau homogenitas varians tidak terpenuhi, digunakan uji nonparametrik seperti:

• Uji MannWhitney (dua sampel independen)
• Uji Wilcoxon (dua sampel berpasangan)
• Uji KruskalWallis (lebih dari dua grup)

Contoh Aplikasi Statistika Inferensial

Contoh 1: Estimasi RataRata Tinggi Mahasiswa

Seorang peneliti mengambil sampel acak sebanyak 120 mahasiswa dari total 5.000 mahasiswa di sebuah universitas. Dari sampel, ratarata tinggi badan diperoleh 165cm dengan standar deviasi 7cm. Dengan tingkat kepercayaan 95%, hitung CI untuk ratarata populasi.

Langkah:

1. Hitung standar error: \(SE = \frac{s}{\sqrt{n}} = \frac{7}{\sqrt{120}} \approx 0,64\).
2. Nilai t kritis untuk df=119 pada \(\alpha/2=0,025\) 1,98.
3. CI = \(165 \pm 1,98 \times 0,64\) = \(165 \pm 1,27\).

Jadi, ratarata tinggi semua mahasiswa diperkirakan berada dalam interval 163,73cm 166,27cm.

Contoh 2: Pengujian Efek Obat pada Tekanan Darah

Uji klinis acak membagi 80 pasien menjadi dua grup: grup A (obat) dan grup B (plasebo). Ratarata penurunan tekanan darah setelah 4 minggu: grup A = 12mmHg (SD=5), grup B = 7mmHg (SD=6). Uji hipotesis duasampel dengan \(\alpha = 0,05\) untuk menilai apakah obat memberikan penurunan yang signifikan.

Statistik uji (t):

    t = \frac{\bar x_1-\bar x_2}{\sqrt{s_1^2/n_1 + s_2^2/n_2}}      = \frac{12-7}{\sqrt{5^2/40 + 6^2/40}}  4,47    

Dengan df 78, nilai kritis t pada \(\alpha/2 =0,025\) 1,99. Karena 4,47 > 1,99, tolak \(H_0\). Obat terbukti efektif.

Contoh 3: Analisis Variansi pada Metode Pembelajaran

Tiga metode pembelajaran (A, B, C) diuji pada 45 siswa (15 per grup). Nilai ratarata ujian akhir: A = 78, B = 85, C = 82. ANOVA menghasilkan F = 6,32 dengan nilai p = 0,004.

Karena p < 0,05, terdapat perbedaan yang signifikan di antara setidaknya satu pasangan grup. Analisis lanjut (posthoc Tukey) menunjukkan metode B memberikan nilai tertinggi secara signifikan dibandingkan A.

Referensi

• Montgomery, D. C., & Runger, G. C. (2018). Applied Statistics and Probability for Engineers. Wiley.
• Kutner, M. H., Nachtsheim, C. J., & Neter, J. (2004). Applied Linear Regression Models. McGrawHill.
• Triola, M. F. (2019). Elementary Statistics. Pearson.
• Uchiha, Y. (2021). Statistika Inferensial dalam Penelitian Sosial. Jurnal Metode Penelitian, 12(3), 4558.