Skip to main content

09 — Estimasi Parameter & Interval Kepercayaan

Tujuan Pembelajaran: 1. Memahami pergeseran paradigma dari statistika deskriptif menuju statistika inferensial, serta mengidentifikasi keterbatasan mendasar estimasi titik (point estimation). 2. Memahami sifat penaksir titik yang ideal: tak bias (unbiased), efisien (minimum variance), dan konsisten (consistent). 3. Mengonstruksi dan menginterpretasikan Selang Kepercayaan (Confidence Interval / CI) secara tepat dengan sudut pandang frekuentis, menghindari miskonsepsi umum mengenai makna tingkat keyakinan \(1 - \alpha\). 4. Menghitung selang kepercayaan rata-rata populasi (\(\mu\)) ketika varians populasi diketahui menggunakan Distribusi Normal Baku (\(Z\)) dan menguraikan anatomi Margin of Error (\(E\)). 5. Menguasai penerapan Distribusi \(t\)-Student ketika simpangan baku populasi tidak diketahui (\(\sigma\) misterius) pada sampel berukuran kecil hingga sedang (\(df = n - 1\)). 6. Mengonstruksi selang kepercayaan untuk Proporsi Populasi (\(p\)) pada data kategorik/biner (sukses/gagal, rasio klik, cacat mutu) beserta pengujian syarat kelayakan normalitasnya. 7. Menghitung Ukuran Sampel Minimum (\(n\)) yang dibutuhkan untuk mencapai target presisi (Margin of Error) tertentu dalam perencanaan eksperimen dan survei industri.

Slide Kuliah (Typst):
- 📄 Slide Teori & Konsep (40 Slide): Buka Presentasi Web · Unduh PDF
- 📊 Slide Latihan Soal & Pembahasan (26 Slide): Buka Presentasi Soal · Unduh PDF Latihan Soal

Navigasi Silabus: 00 — Deskripsi MK & Silabus · Pertemuan sebelumnya: 07 — Sampling dan distribusi sampling & [08 — Ujian Tengah Semester (UTS)] · Pertemuan berikutnya: 10 — Uji Hipotesis Satu Sampel.


Gunakan tombol panah keyboard atau spasi untuk berpindah slide. Buka Layar Penuh · Buka Slide Kumpulan Soal & Pembahasan.


1. Filosofi Estimasi: Pendugaan Titik vs Interval Kepercayaan

Apa Itu Estimasi Parameter? (Jembatan Inferensial)

Dalam dunia nyata, mengamati seluruh anggota populasi (\(N\)) hampir selalu mustahil karena keterbatasan biaya, waktu, dan sumber daya. Akibatnya, nilai parameter sejati populasi—seperti rata-rata populasi (\(\mu\)), simpangan baku populasi (\(\sigma\)), atau proporsi populasi (\(p\))—berada dalam kondisi misterius / tidak diketahui.

Estimasi parameter adalah prosedur statistika inferensial untuk menduga (mengestimasi) nilai parameter populasi yang tidak diketahui tersebut menggunakan data kuantitatif yang dihitung dari sampel acak terbatas (disebut statistik sampel, seperti \(\bar{x}, s, \hat{p}\)).

  +--------------------------+                   +-----------------------------+
  |  SAMPEL (Data Terbatas)  |                   |   POPULASI (Target Riil)    |
  |  Ukuran n diketahui      |   PROSES ESTIMASI |   Ukuran N (Sangat Besar)   |
  |  Statistik: x̄, s, p̂      | ----------------> |   Parameter: μ, σ, p        |
  |  (Peubah Acak Bervariasi)|                   |   (Konstan tapi Misterius)  |
  +--------------------------+                   +-----------------------------+

Terdapat dua pendekatan utama dalam menduga parameter: 1. Estimasi Titik (Point Estimation): Memberikan satu angka tunggal sebagai tebakan parameter. 2. Estimasi Interval (Interval Estimation / Selang Kepercayaan): Memberikan rentang nilai numerik beserta ukuran kepastian matematisnya (Confidence Level).

Efek Jumlah Sampel (\(n\)): Hubungan Akurasi vs Efisiensi Rekayasa

Sebelum memilih metode estimasi, seorang data scientist wajib memahami bagaimana jumlah sampel (\(n\)) mengubah sifat statistik yang dihitung:

1. Mengapa Jumlah Sampel Semakin Banyak Membuat Statistik Semakin Bagus?

Berdasarkan Teorema Limit Pusat (CLT) dan Hukum Bilangan Besar (Law of Large Numbers), galat baku rata-rata sampel dirumuskan sebagai: \[SE = \sigma_{\bar{X}} = \frac{\sigma}{\sqrt{n}}\]

  • Sampel Kecil (\(n = 4\)): Nilai \(\bar{x}\) sangat rentan terdistorsi oleh data ekstrem (outlier). Sebaran statistik \(\bar{x}\) melebar jauh ke kiri dan kanan parameter sejati \(\mu\).
  • Sampel Sedang (\(n = 25\)): Sebaran mulai merapat secara simetris, deviasi ekstrem saling meniadakan.
  • Sampel Besar (\(n = 100\)): Sebaran mengerucut sangat tajam di sekitar nilai parameter \(\mu\). Peluang statistik meleset dari parameter sejati mendekati nol.

2. Mengapa Terlalu Banyak Sampel Menjadi Tidak Efisien? (Diminishing Returns)

Apakah berarti kita harus selalu mengambil sampel jutaan baris data? Tentu tidak!

Perhatikan penyebut \(\sqrt{n}\) pada rumus galat baku: - Untuk memotong galat menjadi setengahnya (\(1/2\)), kita harus memperbesar sampel \(4\) kali lipat (\(2^2 = 4\)). - Untuk memotong galat menjadi sepersepuluhnya (\(1/10\)), kita harus memperbesar sampel \(100\) kali lipat (\(10^2 = 100\)).

  Ukuran Sampel (n)     Galat Baku (SE)      Catatan Efisiensi Rekayasa
  -----------------     ---------------      --------------------------
  n = 1                 1,00 σ               Data mentah individu (kasar)
  n = 4                 0,50 σ (Turun 50%)   Efisiensi emas: naik 3 data, galat terpangkas separuh
  n = 16                0,25 σ (Turun 75%)   Efisiensi tinggi: naik 12 data, galat terpangkas lagi
  n = 64                0,125 σ              Mulai melambat: butuh +48 data tambahan
  n = 400               0,050 σ              Titik jenuh ekonomis (Diminishing returns)
  n = 1.000             0,0316 σ             Biaya server/survei naik 150%, galat cuma turun 0,018 σ!

Hukum Titik Jenuh Rekayasa (Economic Optimum):
Di industri digital dan sains data, mengambil data terlalu sedikit menyebabkan model/estimasi tidak akurat (risiko bisnis). Namun, mengambil data terlalu masif menghamburkan biaya komputasi server, waktu kueri, dan biaya survei lapangan tanpa peningkatan akurasi yang signifikan.

Paradoks Tebakan Tunggal (Point Estimate)

Ketika seorang praktisi data ingin menduga parameter populasi yang tidak diketahui (\(\mu\) atau \(p\)), godaan pertama adalah menggunakan nilai statistik sampel tersebut secara langsung sebagai tebakan tunggal: \[\hat{\mu} = \bar{x}\]

Namun, dalam peubah acak kontinu, peluang bahwa rata-rata sampel \(\bar{x}\) bernilai persis sama tanpa meleset seujung desimal pun dengan rata-rata populasi riil \(\mu\) adalah nol: \[P(\bar{X} = \mu) = 0\]

Selain itu, angka tunggal seperti “rata-rata waktu respon server adalah 142 ms” sama sekali tidak memberikan informasi mengenai: - Seberapa besar sampel yang mendasari perhitungan tersebut (\(n = 5\) atau \(n = 5.000\))? - Seberapa besar variabilitas data mentah? - Seberapa besar risiko kesalahan yang mungkin terjadi?

Tiga Kriteria Penaksir Titik yang Ideal

Dalam teori estimasi klasik (Fisherian Estimation), penaksir statistik yang baik harus memenuhi tiga syarat utama: 1. Tak Bias (Unbiased): Nilai ekspektasi penaksir sama persis dengan parameter sejati, \(E(\hat{\theta}) = \theta\). Rata-rata sampel \(\bar{X}\) adalah penaksir tak bias dari \(\mu\) (\(E(\bar{X}) = \mu\)). 2. Efisien (Efficient / Varians Minimum): Di antara seluruh penaksir tak bias, penaksir terbaik adalah yang memiliki ragam terkecil (\(\text{Var}(\hat{\theta}_1) < \text{Var}(\hat{\theta}_2)\)). 3. Konsisten (Consistent): Ketika ukuran sampel \(n\) membesar menuju tak hingga, nilai penaksir dipastikan konvergen mendekati parameter sejati dengan probabilitas 1.

Solusi: Interval Kepercayaan (Confidence Interval)

Daripada memberikan tebakan titik tunggal yang rentan salah, statistika inferensial mengonstruksikan Interval Kepercayaan (Confidence Interval): \[\text{Interval Kepercayaan} = \text{Estimasi Titik} \pm \text{Margin of Error } (E)\] \[\text{Batas Bawah} = \bar{x} - E \quad \text{dan} \quad \text{Batas Atas} = \bar{x} + E\]

Di mana Margin of Error (\(E\)) mencerminkan batas toleransi presisi yang dikendalikan oleh tingkat keyakinan yang diinginkan dan variabilitas data.


2. Makna Sejati Tingkat Keyakinan (\(1 - \alpha\))

Salah satu miskonsepsi paling umum dan fatal dalam dunia sains data adalah menafsirkan Confidence Interval secara probabilitas terbalik:

❌ Miskonsepsi Fatal:
“Ada probabilitas 95% bahwa rata-rata populasi (\(\mu\)) berada di dalam selang [138 ms, 146 ms].”

Mengapa Interpretasi Tersebut Salah?

Dalam pandangan statistika frekuentis (Frequentist), parameter populasi \(\mu\) adalah sebuah konstanta tetap yang bernilai tunggal di alam semesta, bukan peubah acak. Begitu selang numerik \([138, 146]\) selesai dihitung dari sampel data, nilai \(\mu\) yang sesungguhnya sudah pasti berada di dalamnya (probabilitas = 1) atau tidak berada di dalamnya (probabilitas = 0). Tidak ada probabilitas 95% untuk konstanta tetap.

✅ Interpretasi Ilmiah yang Benar:
“Jika proses pengambilan sampel acak berukuran \(n\) ini diulang sebanyak 100 kali dalam kondisi identik dan dari tiap sampel dikonstruksikan selang kepercayaan 95%, maka sekitar 95 selang di antaranya akan berhasil mencakup (menangkap) nilai parameter sejati \(\mu\), sementara sekitar 5 selang akan meleset.”

Yang bergerak acak dan memiliki probabilitas adalah metode jaring penangkapnya (interval yang bergantung pada sampel acak), bukan ikannya (parameter populasi yang diam).


3. Selang Kepercayaan Rata-Rata: Kasus \(\sigma\) Diketahui (\(Z\)-Interval)

Ketika simpangan baku populasi \(\sigma\) diketahui secara pasti (misalnya dari data historis kalibrasi mesin atau spesifikasi pabrik jangka panjang), selang kepercayaan diturunkan dari kurva Distribusi Normal Baku (\(Z\)):

\[Z = \frac{\bar{X} - \mu}{\frac{\sigma}{\sqrt{n}}} \sim N(0, 1)\]

Formula Selang Kepercayaan \(Z\)

\[\bar{x} - z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \le \mu \le \bar{x} + z_{\alpha/2} \frac{\sigma}{\sqrt{n}}\]

Di mana: \[\text{Margin of Error } (E) = z_{\alpha/2} \frac{\sigma}{\sqrt{n}}\]

Nilai Kritis \(Z\) yang Sering Digunakan

Tingkat Kepercayaan (\(1 - \alpha\)) Tingkat Signifikansi (\(\alpha\)) Luas Masing-Masing Ekor (\(\alpha / 2\)) Nilai Kritis (\(z_{\alpha/2}\)) Konteks Pemakaian
90% (0,90) 0,10 0,05 1,645 Riset awal, survei opini publik
95% (0,95) 0,05 0,025 1,960 Standar baku publikasi sains & bisnis
99% (0,99) 0,01 0,005 2,576 Kendali mutu medis, keselamatan penerbangan

Hukum Trade-off: Presisi vs Kepastian

  • Jika kita menaikkan tingkat keyakinan (\(90\% \to 99\%\)), nilai kritis membesar (\(1,645 \to 2,576\)), yang mengakibatkan interval menjadi semakin lebar (presisi menurun).
  • Untuk mempersempit interval (meningkatkan presisi) tanpa mengorbankan tingkat keyakinan, satu-satunya cara adalah memperbesar ukuran sampel (\(n\)).

4. Selang Kepercayaan Rata-Rata: Kasus \(\sigma\) Tidak Diketahui (\(t\)-Student)

Realitas Industri: Mengapa \(\sigma\) Jarang Diketahui?

Dalam praktiknya, kita hampir tidak pernah mengetahui variabilitas populasi \(\sigma\). Yang kita miliki hanyalah variabilitas dari sampel yang kita ambil: \[s = \sqrt{\frac{\sum_{i=1}^n (x_i - \bar{x})^2}{n - 1}}\]

Ketika William S. Gosset (peneliti pabrik bir Guinness pada tahun 1908) mengganti \(\sigma\) dengan \(s\) pada sampel kecil, ia menemukan bahwa kurva Normal \(Z\) menghasilkan kesalahan fatal. Muncul ketidakpastian ekstra karena penyebut rumus galat (\(s / \sqrt{n}\)) sekarang ikut berfluktuasi antar sampel!

Gosset menerbitkan temuannya dengan nama samaran “Student”, melahirkan Distribusi \(t\)-Student: \[T = \frac{\bar{X} - \mu}{\frac{s}{\sqrt{n}}} \sim t_{(df)}\]

Karakteristik Distribusi \(t\)

  1. Berbentuk lonceng simetris berpusat di \(0\), namun memiliki ekor yang lebih tebal (heavier tails) dibanding kurva normal baku. Ekor tebal ini adalah “asuransi matematis” untuk menutupi ketidakpastian dari estimasi \(s\).
  2. Bentuk kurva ditentukan oleh parameter Derajat Bebas (Degrees of Freedom / \(df\)): \[df = n - 1\]
  3. Semakin besar ukuran sampel (\(n \to \infty\) atau \(df \ge 30\)), ketidakpastian \(s\) menghilang, dan kurva \(t\) konvergen menjadi identik persis dengan Kurva Normal Baku \(Z\).

Formula Selang Kepercayaan \(t\)

\[\bar{x} - t_{\alpha/2, \, df} \frac{s}{\sqrt{n}} \le \mu \le \bar{x} + t_{\alpha/2, \, df} \frac{s}{\sqrt{n}}\] \[\text{Margin of Error } (E) = t_{\alpha/2, \, df} \frac{s}{\sqrt{n}} \quad \text{dengan } df = n - 1\]


5. Selang Kepercayaan untuk Proporsi Populasi (\(p\))

Pada data biner (sukses/gagal, ya/tidak, klik/tidak klik, cacat/normal), parameter yang diestimasi adalah proporsi populasi \(p\).

Karakteristik Penaksir Proporsi

  • Proporsi sampel: \(\hat{p} = \frac{X}{n}\) (di mana \(X\) adalah frekuensi kejadian sukses).
  • Nilai ekspektasi: \(E(\hat{p}) = p\) (Penaksir Tak Bias).
  • Galat baku proporsi (Standard Error): \[\sigma_{\hat{p}} \approx \sqrt{\frac{\hat{p}(1 - \hat{p})}{n}}\]

Formula Selang Kepercayaan Proporsi

\[\hat{p} - z_{\alpha/2} \sqrt{\frac{\hat{p}(1 - \hat{p})}{n}} \le p \le \hat{p} + z_{\alpha/2} \sqrt{\frac{\hat{p}(1 - \hat{p})}{n}}\]

Syarat Kelayakan Normalitas CLT:
Pendekatan distribusi normal \(Z\) pada proporsi hanya sah digunakan jika: \[n \hat{p} \ge 10 \quad \text{dan} \quad n(1 - \hat{p}) \ge 10\] Jika syarat ini gagal (misalnya kasus sangat langka dengan \(n\hat{p} < 10\)), kita harus beralih ke metode eksak seperti Clopper-Pearson atau Wilson Score Interval.


6. Penentuan Ukuran Sampel Minimum (\(n\))

Salah satu tugas terpenting praktisi data adalah merencanakan ukuran sampel optimal agar riset memenuhi target ketepatan (Margin of Error \(E\)) tanpa memboroskan anggaran.

A. Ukuran Sampel untuk Mengestimasi Rata-Rata (\(\mu\))

Berasal dari penurunan rumus \(E = z_{\alpha/2} \frac{\sigma}{\sqrt{n}}\): \[n = \left( \frac{z_{\alpha/2} \cdot \sigma}{E} \right)^2\]

B. Ukuran Sampel untuk Mengestimasi Proporsi (\(p\))

Berasal dari penurunan rumus \(E = z_{\alpha/2} \sqrt{\frac{p(1 - p)}{n}}\): \[n = \left( \frac{z_{\alpha/2}}{E} \right)^2 p^* (1 - p^*)\]

Terdapat dua skenario pemilihan nilai dugaan awal \(p^*\): 1. Skenario Ada Informasi Awal: Menggunakan \(p^*\) dari data historis atau studi perintis (pilot study). 2. Skenario Konservatif (Worst-Case): Jika tidak ada informasi awal, gunakan asumsi variabilitas maksimum \(p^* = 0{,}50\) sehingga \(p^*(1 - p^*) = 0{,}25\).

Aturan Pembulatan Wajib (Ceiling Rule):
Nilai \(n\) selalu dibulatkan ke atas ke bilangan bulat terdekat. Jika rumus menghasilkan \(n = 216{,}09\), ukuran sampel yang wajib diambil adalah \(n = 217\). Membulatkan ke bawah akan menyebabkan galat \(E\) melampaui toleransi yang disepakati!


7. Ringkasan Pohon Keputusan Estimasi Parameter

Parameter Sasaran Kondisi Varians Distribusi Rujukan Formula Margin of Error (\(E\))
Rata-rata (\(\mu\)) \(\sigma\) Diketahui, Populasi Normal atau \(n \ge 30\) Distribusi \(Z\) \(E = z_{\alpha/2} \frac{\sigma}{\sqrt{n}}\)
Rata-rata (\(\mu\)) \(\sigma\) Tidak Diketahui, Populasi Normal Distribusi \(t\) (\(df = n - 1\)) \(E = t_{\alpha/2, \, df} \frac{s}{\sqrt{n}}\)
Proporsi (\(p\)) Data Biner, \(n\hat{p} \ge 10\) dan \(n(1 - \hat{p}) \ge 10\) Distribusi \(Z\) \(E = z_{\alpha/2} \sqrt{\frac{\hat{p}(1 - \hat{p})}{n}}\)

8. Pembahasan 10 Soal Terapan Lengkap (Slide Terpisah)

Seluruh 10 soal di bawah ini disajikan pada slide deck 09_soal.typ dengan slide pertanyaan dan slide solusi yang dipisah secara tegas:

Soal 1: Uji Kuat Tarik Kabel Fiber Optik (\(Z\)-Interval)

  • Kasus: \(n = 64\), \(\bar{x} = 125{,}5\) MPa, \(\sigma = 4{,}0\) MPa, tingkat kepercayaan 95% (\(z = 1{,}96\)).
  • Solusi:
    • \(SE = 4{,}0 / \sqrt{64} = 0{,}50\) MPa.
    • \(E = 1{,}96 \times 0{,}50 = 0{,}98\) MPa.
    • \(\text{CI}_{95\%} = [125{,}5 - 0{,}98, \, 125{,}5 + 0{,}98] = [124{,}52, \, 126{,}48]\) MPa.

Soal 2: Komparasi Efek Tingkat Keyakinan (90%, 95%, 99%)

  • Kasus: Data Soal 1 dengan variasi \(z\):
    • \(90\%\) (\(z = 1{,}645\)): \(E = 0{,}8225 \implies [124{,}68, \, 126{,}32]\) MPa (Lebar: \(1{,}645\)).
    • \(95\%\) (\(z = 1{,}960\)): \(E = 0{,}9800 \implies [124{,}52, \, 126{,}48]\) MPa (Lebar: \(1{,}960\)).
    • \(99\%\) (\(z = 2{,}576\)): \(E = 1{,}2880 \implies [124{,}21, \, 126{,}79]\) MPa (Lebar: \(2{,}576\)).
  • Wawasan: Kenaikan keyakinan menuntut pelebaran interval (penurunan presisi).

Soal 3: Waktu Eksekusi Kueri Database Cluster (\(t\)-Student)

  • Kasus: \(n = 16\), \(\bar{x} = 320\) ms, \(s = 40\) ms, \(df = 15\), \(t_{0{,}025, \, 15} = 2{,}131\).
  • Solusi:
    • \(E = 2{,}131 \times \frac{40}{\sqrt{16}} = 2{,}131 \times 10 = 21{,}31\) ms.
    • \(\text{CI}_{95\%} = [320 - 21{,}31, \, 320 + 21{,}31] = [298{,}69, \, 341{,}31]\) ms.

Soal 4: Daya Tahan Baterai Sensor IoT Pertanian (\(t\)-Student 99%)

  • Kasus: \(n = 25\), \(\bar{x} = 180\) hari, \(s = 20\) hari, \(df = 24\), \(t_{0{,}005, \, 24} = 2{,}797\).
  • Solusi:
    • \(E = 2{,}797 \times \frac{20}{\sqrt{25}} = 11{,}188\) hari.
    • \(\text{CI}_{99\%} = [180 - 11{,}19, \, 180 + 11{,}19] = [168{,}81, \, 191{,}19]\) hari.
    • Keputusan: Klaim garansi minimal 165 hari sangat aman karena \(165 < 168{,}81\) hari.

Soal 5: Rasio Klik Iklan Digital (A/B Testing CTR)

  • Kasus: \(n = 400\), \(X = 36 \implies \hat{p} = 0{,}09\). Syarat: \(400(0{,}09) = 36 \ge 10\) (Valid).
  • Solusi:
    • \(SE = \sqrt{\frac{0{,}09 \times 0{,}91}{400}} = 0{,}01431\).
    • \(E = 1{,}96 \times 0{,}01431 = 0{,}0280\) (\(2{,}80\%\)).
    • \(\text{CI}_{95\%} = [0{,}09 - 0{,}0280, \, 0{,}09 + 0{,}0280] = [0{,}0620, \, 0{,}1180]\) atau \([6{,}20\%, \, 11{,}80\%]\).

Soal 6: Audit Cacat Mutu Modul Kamera Smartphone

  • Kasus: \(n = 600\), \(X = 18 \implies \hat{p} = 0{,}03\), tingkat keyakinan 90% (\(z = 1{,}645\)).
  • Solusi:
    • \(E = 1{,}645 \times \sqrt{\frac{0{,}03 \times 0{,}97}{600}} = 1{,}645 \times 0{,}006964 = 0{,}0115\) (\(1{,}15\%\)).
    • \(\text{CI}_{90\%} = [0{,}03 - 0{,}0115, \, 0{,}03 + 0{,}0115] = [0{,}0185, \, 0{,}0415]\) atau \([1{,}85\%, \, 4{,}15\%]\).
    • Evaluasi Mutu: Batas atas selang mencapai \(4{,}15\%\) (di atas standar toleransi \(4\%\)), sehingga lini produksi belum dinyatakan aman.

Soal 7: Batasan Syarat Normalitas Proporsi

  • Kasus: \(n = 50\), \(X = 3 \implies \hat{p} = 0{,}06\).
  • Solusi:
    • \(n\hat{p} = 50 \times 0{,}06 = 3 < 10\) (Syarat normalitas GUGUR).
    • Distribusi sampling terlalu miring, rumus \(Z\) tidak valid. Wajib memakai metode Clopper-Pearson eksak atau interval Wilson Score.

Soal 8: Ukuran Sampel Uji Beban Latensi API Cloud

  • Kasus: \(\sigma = 30\) ms, target \(E = 4\) ms, keyakinan 95% (\(z = 1{,}96\)).
  • Solusi:
    • \(n = \left(\frac{1{,}96 \times 30}{4}\right)^2 = (14{,}7)^2 = 216{,}09\).
    • Pembulatan: \(n = 217\) request.

Soal 9: Perencanaan Sampel Quick Count Pilkada

  • Kasus: Target \(E = 0{,}015\) (1,5%), keyakinan 95% (\(z = 1{,}96\)), asumsi konservatif \(p^* = 0{,}50\).
  • Solusi:
    • \(n = \left(\frac{1{,}96}{0{,}015}\right)^2 \times 0{,}25 = 17.073{,}78 \times 0{,}25 = 4.268{,}44\).
    • Pembulatan: \(n = 4.269\) pemilih / TPS.

Soal 10: Efisiensi Biaya Sampel: Pilot Study vs Konservatif

  • Kasus: Target \(E = 0{,}03\), keyakinan 95%.
    • Konservatif (\(p^* = 0{,}50\)): \(n_1 = \left(\frac{1{,}96}{0{,}03}\right)^2 \times 0{,}25 = 1.067{,}11 \implies 1.068\) responden.
    • Pilot Study (\(p^* = 0{,}15\)): \(n_2 = \left(\frac{1{,}96}{0{,}03}\right)^2 \times (0{,}15 \times 0{,}85) = 4.268{,}44 \times 0{,}1275 = 544{,}22 \implies 545\) responden.
    • Penghematan Biaya: \(\frac{1.068 - 545}{1.068} \times 100\% = 48{,}97\%\) (efisiensi anggaran hampir separuh!).