TL;DR
Estimasi parameter dan uji hipotesis sama-sama cara narik kesimpulan soal populasi dari data sampel, dan sama-sama pakai distribusi sampling yang sama. Bedanya di bentuk jawaban: estimasi ngasih nilai dugaan beserta rentang ketidakpastiannya, sementara uji hipotesis ngasih putusan nolak atau nggak nolak satu klaim. Dua-duanya nyambung, karena selang kepercayaan 95 persen yang nggak memuat nilai hipotesis nol setara dengan p-value di bawah 0,05.
Estimasi parameter dan uji hipotesis sama-sama cara nebak kondisi populasi dari data sampel. Bedanya cuma bentuk jawaban: estimasi ngasih rentang angka, uji hipotesis ngasih putusan nolak atau nggak.
Dua-duanya dihitung dari distribusi sampling yang sama persis. Jadi ini bukan dua metode yang bersaing, ini dua cara baca hitungan yang sama.
Yang bikin bingung, buku statistik sering ngajarin keduanya di bab terpisah tanpa nunjukin sambungannya. Aku bakal tunjukin sambungannya pakai satu contoh data.
Estimasi parameter adalah proses nebak nilai karakteristik populasi (rata-rata, proporsi, selisih) dari data sampel. Hasilnya bisa berupa satu angka, namanya estimasi titik, atau berupa rentang, namanya estimasi interval atau selang kepercayaan.
Contohnya begini. Kamu ambil 400 transaksi acak dari toko_berkah, rata-ratanya Rp 187.400.
Estimasi titik: rata-rata belanja semua pelanggan toko_berkah sekitar Rp 187.400.
Estimasi interval 95%: rata-rata sebenernya ada di antara Rp 178.300 sampai Rp 196.500.
Angka kedua lebih jujur. Estimasi titik hampir pasti meleset sedikit, dan selang kepercayaan ngasih tau seberapa jauh melesetnya bisa terjadi.
Rumus selang kepercayaan buat rata-rata:
rata-rata sampel ± (nilai kritis x standar error)
standar error = simpangan baku / akar(n)Tiga hal yang nentuin lebar selangnya:
Uji hipotesis adalah prosedur mutusin apakah data sampelmu cukup kuat buat nolak satu klaim tertentu soal populasi. Klaimnya ditulis sebagai H0, dan hasilnya berupa putusan: tolak H0, atau gagal nolak H0.
Pakai data yang sama. Klaimnya: rata-rata belanja pelanggan toko_berkah Rp 200.000.
H0: rata-rata populasi = Rp 200.000
H1: rata-rata populasi ≠ Rp 200.000
Hasil uji t satu sampel: t = 2,71, p = 0,007. Karena p di bawah 0,05, H0 ditolak.
Perhatiin yang kamu dapet dari sini: cuma "bukan Rp 200.000". Nggak ada informasi berapa angka sebenernya, dan nggak ada informasi seberapa jauh dari Rp 200.000.
Langkah lengkap nulis H0 dan H1, plus soal kesalahan tipe I dan II, ada di pengertian uji hipotesis statistik.
Keduanya bagian dari statistik inferensial, sama-sama narik kesimpulan dari sampel ke populasi. Keduanya butuh asumsi yang sama soal cara pengambilan sampel dan sebaran data. Dan keduanya dihitung dari distribusi sampling yang sama, jadi hasilnya selalu konsisten satu sama lain.
| Persamaan | Penjelasan |
|---|---|
| Sumber data sama | Dua-duanya jalan dari sampel acak, bukan populasi penuh |
| Distribusi sampling sama | Pakai distribusi t atau z yang sama buat kasus yang sama |
| Standar error sama | Komponen hitungan intinya persis sama |
| Asumsi sama | Sampel acak, pengamatan saling bebas, sebaran yang sesuai |
| Tingkat kesalahan sama | Alpha 0,05 di uji setara tingkat kepercayaan 95% di estimasi |
| Kena masalah sama | Sampel kecil bikin dua-duanya jadi kurang berguna |
Hubungan paling berguna, dan yang sering nggak diajarin: selang kepercayaan 95% yang nggak memuat nilai H0 setara dengan p-value di bawah 0,05, buat uji dua arah.
Cek di contoh tadi. Selangnya Rp 178.300 sampai Rp 196.500. Nilai H0 Rp 200.000 ada di luar selang itu. Dan bener aja, p-nya 0,007, di bawah 0,05.
Dua cara ngitung, satu kesimpulan.
| Aspek | Estimasi parameter | Uji hipotesis |
|---|---|---|
| Pertanyaan yang dijawab | Berapa nilainya? | Apakah klaim ini bisa ditolak? |
| Bentuk hasil | Angka dan rentang | Putusan tolak atau gagal nolak |
| Butuh klaim awal? | Nggak | Iya, H0 harus ditulis duluan |
| Info besar efek | Ada langsung | Nggak ada, harus dihitung terpisah |
| Info ketidakpastian | Ada, lewat lebar selang | Nggak eksplisit |
| Cocok buat | Perencanaan, penetapan target, laporan bisnis | Pengambilan keputusan ya atau nggak |
| Risiko salah tafsir | Sedang | Tinggi, p-value paling sering disalahartikan |
Perbedaan yang paling ngaruh di praktik: estimasi ngasih kamu angka yang bisa dipakai, uji hipotesis ngasih kamu jawaban ya atau nggak.
Kalau atasanmu nanya "jadi berapa rata-rata belanja pelanggan kita?", p-value nggak nolong sama sekali.
Toko_berkah mau nentuin ambang gratis ongkir. Idenya, ambangnya ditaruh sedikit di atas rata-rata belanja saat ini biar orang nambah barang.
Data: 1.842 transaksi cabang Bandung, rata-rata Rp 178.400, simpangan baku Rp 412.000.
Tim marketing ngusulin ambang Rp 200.000. Pertanyaannya: apakah rata-rata belanja sekarang beda dari Rp 200.000?
Hasil: t = 2,25, p = 0,025. H0 ditolak.
Kesimpulan: rata-rata belanja beda dari Rp 200.000. Sekarang apa? Nggak ada arahan buat nentuin ambangnya.
Standar error = 412.000 / akar(1.842) = Rp 9.600.
Selang kepercayaan 95% = 178.400 ± (1,96 x 9.600) = Rp 159.600 sampai Rp 197.200.
Ini langsung kepake. Ambang Rp 200.000 ada di luar batas atas selang, artinya ambang itu di atas kisaran belanja rata-rata sekarang, jadi mayoritas pelanggan harus nambah barang buat nyampe.
Tapi ada angka kedua yang lebih penting, dan estimasi juga bisa ngasih itu. Aku hitung proporsi transaksi yang nilainya udah di atas Rp 200.000.
| Ambang | Proporsi struk yang udah lewat | Selang kepercayaan 95% |
|---|---|---|
| Rp 150.000 | 31,2% | 29,1% sampai 33,3% |
| Rp 200.000 | 22,7% | 20,8% sampai 24,6% |
| Rp 250.000 | 16,4% | 14,7% sampai 18,1% |
Sekarang keputusannya jelas. Di ambang Rp 200.000, sekitar 77,3% transaksi harus nambah barang buat dapet gratis ongkir. Kalau ongkos kirimnya Rp 12.000 per paket, toko_berkah bisa hitung untung ruginya langsung.
Toko_berkah akhirnya milih Rp 175.000, di dalam selang kepercayaan rata-rata. Rata-rata nilai struk naik dari Rp 178.400 ke Rp 194.100 dalam dua bulan, atau 8,8%.
Uji hipotesis nggak akan pernah nyampe ke keputusan itu. Yang dibutuhin angka dan rentangnya, bukan putusan tolak atau nggak.
Buat ngitung proporsi kayak tabel di atas dari database, COUNT dan AVG yang paling sering kepakai. Istilah selang kepercayaan ada di glossary confidence interval.
| Situasi | Pilih | Alasan |
|---|---|---|
| Nentuin target atau ambang | Estimasi | Kamu butuh angka, bukan putusan |
| Mutusin lanjut atau batal uji coba | Uji hipotesis | Keputusannya emang biner |
| Nulis bab hasil skripsi | Dua-duanya | Uji buat jawab hipotesis, selang buat gambaran besar efek |
| Bikin proyeksi anggaran | Estimasi | Rentangnya dipakai buat skenario terburuk dan terbaik |
| Bandingin dua kelompok | Dua-duanya | Selang selisih ngasih besar efek sekaligus hasil uji |
| Kontrol kualitas produksi | Uji hipotesis | Batch diterima atau ditolak, nggak ada tengahnya |
Aturan praktis yang aku pakai: kalau keputusan yang bakal diambil punya lebih dari dua pilihan, estimasi lebih berguna. Kalau cuma dua pilihan, uji hipotesis cukup.
Yang bener, prosedurnya yang punya tingkat keberhasilan 95% kalau diulang berkali-kali. Nilai populasi itu tetap, nggak acak. Yang acak itu selangnya, karena tergantung sampel yang kebetulan kamu ambil.
p = 0,001 dari sampel 50.000 bisa datang dari selisih yang nggak berarti buat bisnis. Selang kepercayaan langsung nunjukin ini. Baca lebih detail di cara baca nilai signifikansi.
Selang lebar itu informasi jujur bahwa datamu belum cukup buat presisi. Lebih baik dari ngaku-ngaku presisi yang nggak kamu punya.
Kalau kamu ambil semua transaksi satu cabang buat nyimpulin semua cabang, itu bukan sampel acak. Selangnya keluar, angkanya nggak berarti apa-apa.
Dua selang kepercayaan yang saling tumpang tindih nggak otomatis berarti nggak ada perbedaan signifikan. Yang bener, bikin selang buat selisihnya, lalu cek apakah selang itu memuat nol.
Estimasi titik ngasih satu angka dugaan buat parameter populasi, misalnya rata-rata belanja pelanggan Rp 187.400. Estimasi interval ngasih rentang, misalnya antara Rp 178.300 sampai Rp 196.500. Estimasi titik gampang dibaca tapi nyembunyiin ketidakpastian, karena hampir pasti meleset sedikit. Estimasi interval jujur soal seberapa jauh dugaanmu bisa meleset, jadi lebih aman dipakai buat ambil keputusan.
Artinya kalau prosedur pengambilan sampel dan penghitungan ini diulang berkali-kali, sekitar 95 persen dari selang yang terbentuk bakal memuat nilai parameter populasi yang sebenarnya. Perhatikan yang punya peluang itu prosedurnya, bukan satu selang tertentu. Jadi kurang tepat bilang ada peluang 95 persen nilai sebenarnya ada di selang yang kamu punya sekarang. Bedanya halus tapi sering ditanya penguji.
Untuk uji dua arah, iya. Selang kepercayaan 95 persen buat selisih dua rata-rata yang nggak memuat angka nol setara dengan p-value di bawah 0,05. Ini bukan kebetulan, karena dua-duanya dihitung dari distribusi sampling yang sama. Jadi kamu bisa baca hasil uji hipotesis langsung dari selangnya, sambil sekalian dapat gambaran seberapa besar efeknya.
Laporin dua-duanya kalau bisa. p-value jawab pertanyaan apakah efeknya bisa dibedain dari kebetulan, selang kepercayaan jawab seberapa besar efeknya dan seberapa yakin kamu. Banyak jurnal internasional sekarang minta ukuran efek dan selang kepercayaan, bukan p-value doang. Kalau pembimbingmu cuma minta p-value, tambahin selang kepercayaan sebagai nilai lebih di pembahasan.
Cara utama nambah jumlah sampel, karena lebar selang berbanding terbalik dengan akar jumlah sampel. Buat mempersempit setengahnya, kamu butuh sampel empat kali lipat. Cara kedua ngurangi variasi data lewat pengukuran yang lebih teliti atau kelompok yang lebih seragam. Cara ketiga nurunin tingkat kepercayaan dari 95 ke 90 persen, tapi itu nukar presisi dengan keyakinan, bukan perbaikan nyata.
Ringkasnya:
Kalau kamu mau ngerti dasar sebaran yang bikin dua metode ini jalan, mampir ke penjelasan distribusi normal. Rumus dan asumsi tiap jenis selang kepercayaan bisa kamu cek di NIST Engineering Statistics Handbook.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom datetime nyimpen tanggal, jam, hari, semuanya nempel jadi satu. Accessor .dt di pandas ngeluarin tiap bagian jadi kolom sendiri buat dianalisa.
Nama toko ketik campur huruf besar-kecil, spasi nyasar di ujung, atau kode produk nempel jadi satu. Accessor .str di pandas ngerapiin semua itu tanpa loop.
Model machine learning cuma ngerti angka, bukan teks kayak merah atau biru. get_dummies ngubah kolom kategori jadi kolom 0/1 dalam satu baris kode.