Program Studi Manajemen · FEB UNDIP · Statistika Bisnis I

Distribusi Sampling & Teorema Limit Pusat

Pertemuan 10 · Mengapa Sampel Kecil Bisa Dipercaya

Mengapa rata-rata dari sebuah sampel bisa dipercaya untuk menebak rata-rata seluruh populasi — dan mengapa hampir semua statistik tunduk pada satu pola berbentuk lonceng.

RPS Minggu 10 · Sub-CPMK 4 · 2 × 50 menit

Selamat datang di Pertemuan 10, salah satu pertemuan paling menentukan di mata kuliah ini, karena di sinilah jembatan antara statistik deskriptif dan statistik inferensi dibangun. Sampai pertemuan kemarin, Anda baru belajar meringkas data yang sudah ada di tangan; mulai hari ini, Anda belajar menarik kesimpulan tentang sesuatu yang tidak pernah Anda ukur seluruhnya. Topik kuncinya ada dua dan saling terkait: distribusi sampling, yaitu pola sebaran sebuah angka ringkasan seperti rata-rata jika Anda mengambil sampel berulang-ulang, dan Teorema Limit Pusat, yaitu hukum menakjubkan yang membuat pola itu hampir selalu berbentuk lonceng normal. Saya minta Anda fokus penuh hari ini, karena tanpa dua konsep ini, seluruh estimasi dan pengujian hipotesis di pertemuan-pertemuan berikutnya akan terasa seperti sihir yang tidak Anda mengerti.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan distribusi sampling dan kaitannya dengan Central Limit Theorem (Sub-CPMK 4). Secara rinci:

Capaian 1 — Konsep

C₁

Menjelaskan apa itu distribusi sampling rata-rata (x̄) dengan kata sendiri — bedakan dari distribusi data mentah.

Capaian 2 — Dua Ukuran

C₂

Menghitung E(x̄) = μ dan standar error σ/√n, serta efek ukuran sampel n terhadap akurasi.

Capaian 3 — CLT & z

C₃

Menerapkan Teorema Limit Pusat dan transformasi z untuk menghitung peluang menyangkut x̄ (n ≥ 30).

Capaian 4 — Proporsi

C₄

Menghitung standar error proporsi p̂ = √(p(1−p)/n) dan peluang menyangkut p̂ untuk kasus konkret.

Empat capaian ini adalah penjabaran Sub-CPMK minggu kesepuluh: mahasiswa mampu menjelaskan distribusi sampling dan kaitannya dengan Teorema Limit Pusat. Capaian pertama adalah fondasi konsep — Anda harus benar-benar paham bahwa distribusi sampling bukan sebaran data dalam satu sampel, melainkan sebaran rata-rata dari banyak sampel. Capaian kedua menuntut Anda berhitung: di mana pusat distribusi sampling berada dan seberapa lebar sebarannya, yang dikendalikan oleh standar error. Capaian ketiga adalah inti pertemuan ini, yaitu memakai Teorema Limit Pusat agar bisa menghitung peluang dengan tabel z yang sudah Anda kuasai di pertemuan lalu. Capaian keempat memperluas semuanya dari rata-rata ke proporsi, yang sangat relevan untuk survei dan jajak pendapat di Indonesia. Jadikan empat poin ini daftar periksa Anda di akhir kelas.

Bagaimana BPS Tahu Pengeluaran ~70 Juta Rumah Tangga?

Badan Pusat Statistik (BPS) mengumumkan rata-rata pengeluaran rumah tangga Indonesia tiap tahun. Tetapi apakah mereka mendatangi semua rumah tangga? Tentu tidak.

Sensus — Mustahil Tiap Tahun

~70 Jt RT

Mendatangi seluruh rumah tangga butuh biaya raksasa dan waktu bertahun-tahun. Sensus penuh hanya dilakukan sekitar 10 tahun sekali.

Sampel — Solusinya (Susenas)

Ratus Ribu

Survei Sosial Ekonomi Nasional (Susenas) mengambil sampel beberapa ratus ribu rumah tangga, lalu menyimpulkan untuk seluruh populasi.

Pertanyaan besar hari ini: mengapa rata-rata dari sampel kecil bisa dipercaya mewakili populasi raksasa? Jawabannya adalah distribusi sampling dan Teorema Limit Pusat.

Saya selalu membuka topik ini dengan satu pertanyaan yang jawabannya mungkin mengejutkan Anda: ketika BPS mengumumkan rata-rata pengeluaran rumah tangga Indonesia, apakah mereka benar-benar mendatangi seluruh tujuh puluh juta lebih rumah tangga di negeri ini? Jawabannya tidak, karena sensus penuh seperti itu butuh biaya triliunan dan waktu bertahun-tahun, sehingga hanya dilakukan sekitar sepuluh tahun sekali. Yang BPS lakukan tiap tahun adalah survei sampel bernama Susenas, yaitu mengambil beberapa ratus ribu rumah tangga saja, lalu menyimpulkan untuk seluruh Indonesia. Pertanyaan yang akan kita jawab hari ini adalah pertanyaan paling mendasar dalam statistik: bagaimana mungkin angka dari sampel kecil bisa kita percaya untuk menebak populasi raksasa? Kunci jawabannya adalah dua konsep yang akan kita bedah hari ini, yaitu distribusi sampling dan Teorema Limit Pusat.

Bagian 1 dari 4

Dari Satu Sampel ke Distribusi Sampling

Bedakan populasi, sampel, dan statistik — lalu bayangkan apa yang terjadi jika kita mengambil sampel bukan sekali, tetapi berkali-kali.

Tiga Istilah yang Wajib Dibedakan

Populasi

μ, σ, p

parameter — biasanya tak diketahui

Seluruh anggota yang ingin kita pelajari. Ciri populasi disebut parameter. Contoh: seluruh buruh harian di Jawa Tengah.

Sampel

n = 36

sebagian yang kita amati

Sebagian anggota populasi yang benar-benar kita amati dan ukur. Contoh: 36 buruh yang kita wawancarai.

Statistik

x̄, s, p̂

dihitung dari sampel

Angka ringkasan dari sampel. Inilah tebakan kita atas parameter populasi yang tak diketahui.

Aturan notasi: parameter pakai huruf Yunani (μ, σ, p); statistik pakai huruf Latin/topi (x̄, s, p̂). Tertukar di sini = salah seumur materi inferensi.

Sebelum kita bicara distribusi sampling, saya harus memastikan tiga istilah ini melekat erat di kepala Anda, karena tertukar di sini akan menyesatkan seluruh materi. Populasi adalah keseluruhan yang ingin kita pelajari, misalnya seluruh buruh harian di Jawa Tengah, dan ciri-ciri populasi seperti rata-rata sebenarnya kita sebut parameter dengan lambang mu. Masalahnya, parameter populasi hampir selalu tidak kita ketahui, karena kita tidak mungkin mengukur seluruh anggotanya. Sampel adalah sebagian anggota populasi yang benar-benar kita amati, misalnya tiga puluh enam buruh yang kita wawancarai, dan angka ringkasan dari sampel itu kita sebut statistik dengan lambang x-bar. Ingat aturan notasinya: parameter populasi memakai huruf Yunani, sedangkan statistik sampel memakai huruf Latin atau diberi topi — dan seluruh permainan statistik inferensi pada dasarnya adalah menebak parameter yang tak diketahui menggunakan statistik yang kita punya.

Distribusi Sampling Rata-Rata (x̄) — Inti Hari Ini

Eksperimen pikiran: ambil sampel n buruh, catat rata-ratanya (x̄). Lalu ulangi ratusan kali. Tiap sampel memberi x̄ yang sedikit berbeda.

Sampel 1

x̄₁

Rp 148.000

36 buruh pertama yang dipilih acak dari populasi.

Sampel 2

x̄₂

Rp 153.000

36 buruh kedua — populasi sama, rata-rata berbeda.

Sampel 3

x̄₃

Rp 151.000

36 buruh ketiga — lagi-lagi berbeda dari dua sampel sebelumnya.

Kumpulan semua nilai x̄ yang mungkin — beserta peluangnya — itulah distribusi sampling rata-rata. Ia adalah distribusi dari sebuah statistik, bukan distribusi data mentah dalam satu sampel.

Inilah konsep inti yang harus benar-benar Anda kuasai hari ini, jadi ikuti pelan-pelan. Bayangkan Anda mengambil sampel tiga puluh enam buruh dan menghitung rata-rata upah mereka, lalu Anda dapat satu angka, misalnya seratus empat puluh delapan ribu rupiah. Sekarang bayangkan Anda mengembalikan mereka, lalu mengambil tiga puluh enam buruh lain dan menghitung rata-ratanya lagi, kali ini dapat seratus lima puluh tiga ribu; ambil lagi sampel ketiga, dapat seratus lima puluh satu ribu. Perhatikan bahwa setiap sampel memberi rata-rata yang sedikit berbeda, padahal populasinya sama persis — inilah yang kita sebut variasi sampling. Nah, jika eksperimen ini Anda ulangi ratusan atau ribuan kali dan Anda kumpulkan semua nilai rata-rata itu beserta peluangnya, kumpulan inilah yang disebut distribusi sampling rata-rata. Tegaskan dalam hati: ini adalah distribusi dari sebuah statistik bernama x-bar, bukan distribusi data mentah dalam satu sampel — membedakan keduanya adalah kunci untuk tidak tersesat.

Apa Bentuk Distribusi Sampling Itu?

Jika kita gambar histogram dari ribuan x̄, muncul tiga fakta menakjubkan yang menjadi fondasi seluruh inferensi:

Fakta 1 — Pusat

E(x̄)=μ

Histogram x̄ memusat di μ (rata-rata populasi). Rata-rata dari semua rata-rata sampel = μ.

Fakta 2 — Lebih Sempit

σ/√n

Sebaran x̄ jauh lebih sempit daripada sebaran data asli. Makin besar n, makin sempit sebarannya.

Fakta 3 — Berlonceng

∼N

Bentuknya mendekati lonceng normal, bahkan jika data aslinya tidak normal (asalkan n cukup besar).

Ketiga fakta ini bukan kebetulan — Fakta 1 & 2 dijamin matematika, Fakta 3 dijamin Teorema Limit Pusat (Bagian 2).

Sekarang mari kita lihat apa yang terjadi jika eksperimen tadi benar-benar kita ulangi ribuan kali lalu kita gambar histogram dari semua rata-rata sampelnya. Muncul tiga fakta yang sungguh menakjubkan dan menjadi tiang penyangga seluruh statistik inferensi. Fakta pertama, histogram rata-rata sampel itu memusat tepat di mu, rata-rata populasi yang sebenarnya — jadi rata-rata dari banyak rata-rata sampel adalah parameter yang kita cari. Fakta kedua, sebaran rata-rata sampel jauh lebih sempit daripada sebaran data aslinya, dan makin besar ukuran sampel, makin sempit sebarannya, yang artinya makin akurat tebakan kita. Fakta ketiga, dan ini yang paling mengejutkan, bentuk histogramnya mendekati lonceng normal yang rapi, bahkan ketika data aslinya berbentuk aneh dan jauh dari normal. Ketiga fakta ini bukan kebetulan: dua yang pertama dijamin oleh matematika sederhana yang akan kita turunkan, dan yang ketiga dijamin oleh Teorema Limit Pusat yang akan kita bahas di bagian berikutnya.

Bagian 2 dari 4

Standar Error & Teorema Limit Pusat

Di mana pusat distribusi sampling berada (E(x̄) = μ), seberapa lebar sebarannya (σ/√n), dan mengapa bentuknya selalu menuju lonceng.

σ_x̄ = σ / √n

Pusat Distribusi Sampling: E(x̄) = μ

Di mana letak pusat distribusi sampling rata-rata? Jawabannya elegan: tepat di rata-rata populasi.

E(x̄) = μ

E(x̄) = nilai harapan (rata-rata jangka panjang) dari x̄ · μ = rata-rata populasi

Artinya x̄ adalah penaksir tak bias (unbiased) untuk μ: rata-rata x̄ tidak sistematis terlalu tinggi atau terlalu rendah. Satu sampel bisa meleset, tetapi rata-rata banyak sampel tepat sasaran.

Ilustrasi

Rp 150rb

Jika upah harian populasi μ = Rp 150.000, maka rata-rata dari ribuan x̄ juga akan ~Rp 150.000 — meski tiap sampel sedikit berbeda.

Analogi Sasaran Panah

🎯

Satu lemparan bisa meleset ke kiri atau kanan, tetapi rata-rata ratusan lemparan jatuh tepat di pusat sasaran — itulah arti unbiased.

Mari kita mulai dari pusat distribusi sampling, dan jawabannya sungguh elegan: nilai harapan dari x-bar sama dengan mu, rata-rata populasi. Apa maknanya dalam bahasa sehari-hari? Artinya, meskipun satu sampel tertentu bisa menghasilkan rata-rata yang sedikit terlalu tinggi atau terlalu rendah, secara rata-rata di seluruh kemungkinan sampel, x-bar akan mengenai mu dengan tepat tanpa kecenderungan sistematis ke arah mana pun. Sifat inilah yang kita sebut tak bias, dan ini alasan fundamental mengapa kita boleh memakai rata-rata sampel sebagai tebakan untuk rata-rata populasi. Bayangkan sebuah sasaran panah: satu lemparan mungkin meleset ke kiri atau kanan, tetapi jika Anda lempar ratusan kali dan rata-ratakan posisinya, titik tengahnya jatuh tepat di pusat sasaran — itulah arti tak bias. Jadi kalau upah harian populasi sebenarnya seratus lima puluh ribu, rata-rata dari ribuan rata-rata sampel juga akan berkumpul di seratus lima puluh ribu.

Sebaran Distribusi Sampling: Standar Error

Seberapa lebar distribusi sampling? Diukur oleh standar error, yaitu simpangan baku dari x̄.

σ_x̄ = σ / √n

σ = simpangan baku populasi · n = ukuran sampel · σ_x̄ = standar error rata-rata

n	√n	σ_x̄ = 30.000 / √n	Interpretasi
4	2	Rp 15.000	Sampel sangat kecil — sangat tidak pasti
9	3	Rp 10.000	Masih relatif lebar
36	6	Rp 5.000	Cukup baik — dipakai di HDN-1
100	10	Rp 3.000	Semakin sempit dan akurat

Standar error ≠ simpangan baku populasi. Standar error mengukur ketidakpastian rata-rata sampel, dan ia mengecil saat n membesar — itulah alasan sampel besar lebih akurat.

Setelah tahu pusatnya, sekarang kita ukur lebar distribusi sampling, dan ukuran ini punya nama khusus yang sangat penting: standar error. Rumusnya sigma dibagi akar n, di mana sigma adalah simpangan baku populasi dan n adalah ukuran sampel. Saya minta Anda waspada pada satu kebingungan yang sangat umum: standar error itu bukan simpangan baku populasi, melainkan simpangan baku dari rata-rata sampel — ia mengukur seberapa jauh rata-rata sampel cenderung meleset dari mu. Perhatikan tabelnya: dengan simpangan baku populasi tiga puluh ribu rupiah, standar error turun dari lima belas ribu saat n empat, menjadi hanya tiga ribu saat n seratus. Inilah pembenaran matematis untuk intuisi yang sudah Anda punya sejak SMA: makin besar sampel, makin akurat tebakan kita — dan sekarang Anda tahu persis seberapa cepat akurasi itu meningkat, yaitu mengikuti akar n.

Pengaruh Ukuran Sampel (n): Akar n, Bukan n

Karena n berada di bawah akar, hubungannya tidak linear. Ini sumber satu miskonsepsi mahal.

Miskonsepsi

2× n

= 2× lebih akurat?

"Sampel 2× lebih besar → standar error 2× lebih kecil." — Salah. Karena ada akar, pengaruhnya tidak linear.

Fakta

4× n

= ½ standar error

Untuk memangkas standar error menjadi setengah, butuh sampel 4× lebih besar (karena √4 = 2).

Konsekuensi praktis: dari n=100 ke n=400 (4×) standar error baru setengah; ke n=1.600 (16×) baru seperempat. Menambah akurasi survei makin lama makin mahal — itulah diminishing returns.

Slide ini membongkar salah satu miskonsepsi paling mahal dalam praktik survei, jadi perhatikan baik-baik. Banyak orang mengira jika sampel diperbesar dua kali lipat, maka ketidakpastiannya otomatis berkurang setengah — tetapi itu keliru, karena n berada di bawah tanda akar dalam rumus standar error. Yang benar adalah, untuk memangkas standar error menjadi setengah, Anda harus memperbesar sampel empat kali lipat, karena akar dari empat adalah dua. Konsekuensi praktisnya sangat nyata di dunia kerja: meningkatkan akurasi sebuah survei menjadi makin mahal seiring waktu, karena dari seratus ke empat ratus responden baru memangkas separuh ketidakpastian, dan untuk memangkas seperempatnya Anda butuh enam belas kali lipat responden. Inilah yang disebut hukum hasil yang menurun, dan inilah alasan mengapa lembaga survei harus pintar memilih ukuran sampel yang cukup — tidak boros, tetapi tetap akurat.

Teorema Limit Pusat (Central Limit Theorem)

Inilah hukum paling penting dalam statistik. Pernyataannya sederhana tetapi akibatnya raksasa:

Jika ukuran sampel n cukup besar, maka distribusi sampling x̄ akan mendekati distribusi normal, apa pun bentuk distribusi populasi asalnya — miring, datar, bahkan bergerigi.

Pusat & Sebaran

x̄ ∼ N

x̄ mendekati normal dengan rata-rata μ dan standar error σ/√n. Dua angka ini sudah cukup menggambarkan distribusi sampling.

Keajaibannya

✓

Tidak peduli populasi berbentuk apa, x̄ tetap menuju lonceng. Inilah yang membuat tabel z bisa dipakai secara universal di semua kondisi.

Justru karena CLT, kita tidak perlu tahu bentuk populasi untuk berhitung tentang x̄ — cukup tahu μ, σ, dan n.

Sekarang kita sampai pada bintang utama pertemuan ini, sebuah hukum yang oleh banyak ahli disebut sebagai konsep terpenting dalam seluruh statistik: Teorema Limit Pusat. Pernyataannya begini — jika ukuran sampel n cukup besar, maka distribusi sampling rata-rata akan mendekati distribusi normal yang rapi, dan inilah bagian yang menakjubkan, hal itu berlaku apa pun bentuk distribusi populasi aslinya. Populasi boleh miring ke kanan seperti distribusi pendapatan, boleh datar, boleh bergerigi dengan dua puncak — begitu Anda rata-ratakan dalam sampel besar, hasilnya selalu menuju lonceng normal yang sama. Mengapa ini begitu penting? Karena artinya kita bisa menghitung peluang tentang rata-rata sampel hanya berbekal tabel z yang sudah Anda kuasai di pertemuan lalu, tanpa perlu repot mengetahui bentuk persis populasinya. Inilah mesin ajaib yang membuat seluruh statistik inferensi praktis dan universal, dan tanpa teorema ini, estimasi serta pengujian hipotesis yang akan kita pelajari ke depan tidak akan mungkin dilakukan.

Coba Sendiri: Buktikan CLT dengan Menarik Sampel Berulang

Tarik banyak sampel dari populasi berbentuk apa pun, dan amati distribusi rata-ratanya perlahan membentuk lonceng.

Seberapa Besar "Cukup Besar"? Aturan n ≥ 30

CLT menjamin normalitas hanya jika n cukup besar. Aturan praktis buku teks: n ≥ 30. Tetapi "cukup" bergantung pada bentuk populasi.

Populasi Sudah Normal

n kecil

x̄ normal untuk n berapa pun

Jika populasi memang sudah normal, tak perlu menunggu n = 30. x̄ sudah normal bahkan untuk sampel kecil.

Populasi Agak Miring

n ≥ 30

umumnya sudah cukup

Untuk populasi yang sedikit miring, n ≥ 30 umumnya sudah membuat x̄ mendekati normal dengan baik.

Populasi Sangat Miring

n > 30

butuh lebih besar

Makin aneh bentuk populasi, makin besar n yang dibutuhkan agar CLT benar-benar bekerja.

n ≥ 30 adalah pegangan praktis yang aman untuk sebagian besar kasus bisnis. Jika populasi sudah diketahui normal, syarat ini gugur — z bisa dipakai langsung.

Pertanyaan wajar yang muncul setelah mendengar Teorema Limit Pusat adalah: seberapa besar sebenarnya "cukup besar" itu? Buku-buku teks memberi pegangan praktis yang harus Anda hafal, yaitu n lebih besar atau sama dengan tiga puluh. Tetapi saya minta Anda memahami nuansanya, bukan sekadar menghafal angkanya. Jika populasi aslinya memang sudah berdistribusi normal, maka rata-rata sampel sudah normal untuk ukuran sampel berapa pun, bahkan untuk n yang kecil — Anda tidak perlu menunggu sampai tiga puluh. Jika populasi sedikit miring, n tiga puluh biasanya sudah cukup untuk membuat rata-rata sampel mendekati lonceng. Namun jika populasi sangat miring atau berbentuk sangat aneh, Anda butuh ukuran sampel yang lebih besar dari tiga puluh agar Teorema Limit Pusat benar-benar bekerja. Jadi anggap tiga puluh sebagai ambang praktis yang aman untuk mayoritas kasus bisnis, sambil tetap sadar bahwa makin aneh bentuk populasinya, makin besar sampel yang Anda perlukan.

Bagian 3 dari 4

Menghitung Peluang dengan z

Begitu kita tahu x̄ mendekati normal, kita bisa memakai transformasi z dan tabel z untuk menjawab pertanyaan peluang — baik untuk rata-rata maupun proporsi.

z = (x̄ − μ) / (σ/√n)

Transformasi z untuk Rata-Rata Sampel

Sama seperti z untuk satu nilai, tetapi penyebutnya berubah dari σ menjadi standar error σ/√n.

Untuk satu nilai X (Pertemuan 9)

z = (X − μ) / σ

Penyebut = σ (simpangan baku populasi)

Untuk rata-rata x̄ (Pertemuan 10)

z = (x̄ − μ) / (σ/√n)

Penyebut = σ/√n (standar error!)

Kesalahan paling sering: lupa membagi σ dengan √n. Untuk pertanyaan tentang rata-rata sampel, penyebutnya wajib standar error, bukan σ saja.

Mini-langkah: 1 Hitung z 2 Buka tabel z 3 Konversi ke peluang (luas di bawah kurva)

Slide ini menjembatani apa yang sudah Anda pelajari dengan apa yang baru, dan kuncinya ada pada perbedaan satu penyebut. Di pertemuan tentang distribusi normal, Anda menghitung z untuk satu nilai X dengan membagi selisihnya dari mu oleh sigma. Sekarang, ketika pertanyaannya tentang rata-rata sampel, rumusnya sangat mirip, hanya saja penyebutnya berubah menjadi standar error, yaitu sigma dibagi akar n. Saya tekankan ini karena di sinilah kesalahan paling sering terjadi di ujian: mahasiswa lupa membagi sigma dengan akar n, lalu memakai sigma biasa, dan hasilnya jadi salah total. Setelah z dihitung, langkah selanjutnya sama persis seperti yang sudah Anda kuasai: buka tabel z, cari luas di bawah kurva, dan konversikan menjadi peluang. Jadi sebenarnya Anda tidak belajar alat baru hari ini, Anda hanya menyesuaikan satu penyebut — dan dua kasus berikutnya akan membuktikannya.

Hitung dari Nol — HDN-1: Rata-Rata Upah Buruh

Upah harian buruh: μ = Rp 150.000, σ = Rp 30.000. Sampel n = 36 buruh. Berapa peluang rata-rata sampel melebihi Rp 160.000?

Langkah	Perhitungan	Nilai
1 Identifikasi	μ = 150.000; σ = 30.000; n = 36; tanya P(x̄ > 160.000)	—
2 Cek CLT	n = 36 ≥ 30 → x̄ mendekati normal ✓	aman pakai z
3 Standar error	σ/√n = 30.000 / √36 = 30.000 / 6	Rp 5.000
4 Hitung z	(160.000 − 150.000) / 5.000 = 10.000 / 5.000	z = 2,00
5 Tabel z	P(Z ≤ 2,00) = 0,9772 → luas di kiri	0,9772
6 Peluang	P(x̄ > 160.000) = 1 − 0,9772	0,0228 = 2,28%

Hasil: ~2,28%. Hanya sekitar 2 dari 100 sampel berukuran 36 yang akan punya rata-rata di atas Rp 160.000 — sampel rata-rata setinggi itu tergolong sangat langka.

Sekarang kita kerjakan kasus pertama dari nol sampai jadi, supaya Anda merasakan langsung cara memakai semua konsep tadi. Misalkan upah harian buruh di suatu populasi punya rata-rata seratus lima puluh ribu rupiah dengan simpangan baku tiga puluh ribu, lalu kita ambil sampel tiga puluh enam buruh dan bertanya: berapa peluang rata-rata sampelnya melebihi seratus enam puluh ribu? Langkah pertama selalu sama, tuliskan yang diketahui, lalu langkah kedua yang sering dilupakan, cek dulu apakah Teorema Limit Pusat berlaku — di sini n tiga puluh enam sudah lebih dari tiga puluh, jadi aman. Langkah ketiga, hitung standar error: tiga puluh ribu dibagi akar tiga puluh enam, yaitu dibagi enam, hasilnya lima ribu rupiah. Langkah keempat, hitung z: selisih seratus enam puluh ribu dikurangi seratus lima puluh ribu lalu dibagi standar error lima ribu, hasilnya tepat dua koma nol. Terakhir, buka tabel z: luas di kiri z sama dengan dua adalah nol koma sembilan tujuh tujuh dua, sehingga peluang di kanannya adalah satu dikurangi itu, yaitu nol koma nol dua dua delapan atau sekitar dua koma dua delapan persen.

Distribusi Sampling Proporsi (p̂)

Semua yang kita pelajari untuk rata-rata juga berlaku untuk proporsi — misalnya persentase UMKM yang sudah go-digital. Hanya rumus standar error-nya yang berbeda.

Pusat Distribusi Sampling p̂

E(p̂) = p

Proporsi sampel p̂ adalah penaksir tak bias untuk proporsi populasi p — persis seperti x̄ tak bias untuk μ.

Standar Error Proporsi

σ_p̂

σ_p̂ = √( p(1−p) / n ) — mengecil saat n membesar, sama seperti standar error rata-rata.

z = (p̂ − p) / √( p(1−p)/n )

Syarat CLT untuk proporsi: n·p ≥ 5 dan n(1−p) ≥ 5 (sebagian buku pakai ambang 10). Untuk p = 0,40 & n = 100: 100×0,4 = 40 ≥ 5 & 100×0,6 = 60 ≥ 5 ✓

Kabar baiknya, semua kerangka berpikir yang baru saja Anda kuasai untuk rata-rata berlaku sama persis untuk proporsi, sehingga Anda tidak perlu belajar dari nol lagi. Banyak pertanyaan bisnis sebenarnya tentang proporsi, bukan rata-rata: berapa persen pemilih yang mendukung calon tertentu, berapa persen pelanggan yang puas, atau berapa persen UMKM yang sudah go-digital. Distribusi sampling proporsi sampel, yang kita lambangkan p-topi, memusat di p, yaitu proporsi populasi sebenarnya, persis seperti x-bar memusat di mu. Yang berbeda hanya rumus standar error-nya, yaitu akar dari p dikali satu dikurangi p, dibagi n. Ada satu syarat tambahan untuk proporsi agar Teorema Limit Pusat berlaku, yaitu n dikali p dan n dikali satu dikurangi p keduanya harus cukup besar, biasanya minimal lima; ini untuk memastikan bentuknya tidak terlalu juling ketika proporsinya sangat dekat ke nol atau satu.

Hitung dari Nol — HDN-2: Proporsi UMKM Go-Digital

Proporsi populasi UMKM yang sudah go-digital p = 0,40. Diambil sampel n = 100 UMKM. Berapa peluang proporsi sampelnya kurang dari 0,30?

Langkah	Perhitungan	Nilai
1 Identifikasi	p = 0,40; n = 100; tanya P(p̂ < 0,30)	—
2 Cek CLT	n·p = 40 ≥ 5; n(1−p) = 60 ≥ 5 ✓	aman pakai z
3 Standar error	√(0,40 × 0,60 / 100) = √(0,0024)	0,049
4 Hitung z	(0,30 − 0,40) / 0,049 = −0,10 / 0,049	z ≈ −2,04
5 Tabel z	P(Z < −2,04) — ekor kiri kurva normal	0,0207
6 Peluang	P(p̂ < 0,30) = 0,0207	~2,1%

Hasil: ~2,1%. Jika benar 40% UMKM sudah go-digital, sangat jarang sebuah sampel 100 UMKM menunjukkan di bawah 30% — hanya ~2 dari 100 sampel.

Sekarang kita kerjakan kasus proporsi dari nol, supaya Anda lihat bahwa langkahnya hampir identik dengan kasus rata-rata tadi, hanya beda rumus standar error. Misalkan dari survei sebelumnya kita yakini bahwa empat puluh persen UMKM di suatu wilayah sudah go-digital, lalu kita ambil sampel seratus UMKM dan bertanya: berapa peluang proporsi sampelnya kurang dari tiga puluh persen? Langkah pertama, identifikasi: p sama dengan nol koma empat puluh, n seratus. Langkah kedua, cek syarat CLT: n dikali p empat puluh dan n dikali satu dikurangi p enam puluh, keduanya jauh di atas lima, jadi aman. Langkah ketiga, hitung standar error: akar dari nol koma empat dikali nol koma enam dibagi seratus, yaitu akar dari nol koma nol nol dua empat, hasilnya sekitar nol koma nol empat sembilan. Langkah keempat, hitung z: selisih nol koma tiga puluh dikurangi nol koma empat puluh dibagi standar error, hasilnya sekitar negatif dua koma nol empat, dan dari tabel z luas di kiri nilai itu sekitar nol koma nol dua nol tujuh — jadi peluangnya hanya sekitar dua persen, yang berarti sampel seperti itu sangat langka jika benar empat puluh persen populasi sudah go-digital.

Faktor Koreksi Populasi Terbatas (Finite Population Correction)

Rumus σ/√n mengasumsikan populasi sangat besar. Jika sampel mengambil porsi besar dari populasi kecil, standar error perlu dikoreksi ke bawah.

σ_x̄ = (σ/√n) × √( (N − n) / (N − 1) )

N = ukuran populasi · bagian akar = faktor koreksi (FPC), nilainya selalu < 1

Contoh: N=500, n=50

0,950

FPC = √(450/499) ≈ 0,950

Standar error turun ~5% dibanding tanpa FPC. Pengaruh kecil tetapi ada.

Kapan Diabaikan?

<5%

n < 5% dari N

Jika n kurang dari 5% populasi, FPC dapat diabaikan — hampir semua survei nasional masuk kategori ini.

Aturan praktis: FPC bisa diabaikan jika n < 5% dari N. Hampir semua survei nasional (BPS Susenas) masuk kategori ini. Penting hanya saat sampel besar relatif populasi kecil.

Ada satu penyempurnaan teknis yang perlu Anda ketahui, meski dalam praktik jarang dipakai, yaitu faktor koreksi populasi terbatas. Rumus standar error yang kita pakai tadi, sigma dibagi akar n, sebenarnya mengasumsikan populasinya sangat besar atau tak terbatas. Jika populasinya kecil dan sampel kita mengambil porsi yang besar darinya, misalnya lima puluh dari lima ratus karyawan, maka ketidakpastiannya sedikit lebih kecil dari yang dihitung rumus biasa, dan kita koreksi dengan mengalikan faktor akar dari N dikurangi n dibagi N dikurangi satu. Faktor ini selalu kurang dari satu, sehingga ia menurunkan standar error sedikit. Pegangan praktisnya sederhana: jika sampel Anda kurang dari lima persen dari populasi, abaikan saja faktor ini karena pengaruhnya kecil — dan karena hampir semua survei nasional seperti Susenas mengambil porsi yang jauh lebih kecil dari lima persen populasi Indonesia, faktor koreksi ini jarang relevan di sana. Jadi cukup ingat keberadaannya dan kapan ia dipakai, tanpa harus selalu menghitungnya.

Distribusi Sampling di Dunia Nyata Indonesia

Tiga lembaga ini menggunakan distribusi sampling setiap hari untuk menghasilkan angka yang Anda dengar di berita.

BPS — Susenas & Sakernas

~5% TPT

Rata-rata pengeluaran RT (Susenas) dan tingkat pengangguran (Sakernas) dihitung dari sampel, lalu dilaporkan dengan standar error sebagai ukuran ketelitian.

BEI — Return Emiten

BBCA · TLKM

Rata-rata imbal hasil (return) dari sampel emiten dipakai analis untuk menyimpulkan kinerja sektor. Sebaran rata-rata sampel = distribusi sampling.

BI — Survei UMKM

p̂ digital

Survei BI mengestimasi proporsi UMKM terdigitalisasi dari sampel; standar error √(p(1−p)/n) menentukan lebar selang ketelitiannya.

Setiap kali Anda dengar "tingkat pengangguran ~5%" atau "rata-rata pengeluaran Rp X", di baliknya ada distribusi sampling — angka itu tebakan dari sampel, lengkap dengan ketidakpastian terukur.

Supaya konsep ini tidak terasa abstrak, mari kita lihat tiga lembaga Indonesia yang memakai distribusi sampling setiap hari untuk menghasilkan angka yang sering Anda dengar di berita. Badan Pusat Statistik menghitung rata-rata pengeluaran rumah tangga lewat Susenas dan tingkat pengangguran lewat Sakernas, keduanya dari sampel, dan yang profesional, BPS selalu melaporkan standar error angka itu sebagai ukuran seberapa teliti tebakannya. Di Bursa Efek Indonesia, para analis sering menghitung rata-rata imbal hasil dari sampel emiten untuk menyimpulkan kinerja sebuah sektor, dan sebaran rata-rata sampel itulah distribusi sampling yang kita pelajari hari ini. Bank Indonesia melakukan survei untuk mengestimasi proporsi UMKM yang sudah terdigitalisasi, dan standar error proporsi menentukan seberapa lebar rentang ketelitian estimasinya. Jadi setiap kali Anda mendengar angka seperti tingkat pengangguran sekian persen, sadarilah bahwa angka itu bukan hasil sensus seluruh penduduk, melainkan tebakan dari sampel — dan justru karena distribusi sampling, tebakan itu bisa dipertanggungjawabkan secara ilmiah.

Mengapa CLT adalah Fondasi Seluruh Inferensi Statistik

CLT bukan sekadar topik satu pertemuan — ia adalah mesin yang menyalakan semua yang akan Anda pelajari setelah ini.

Tanpa CLT

Tidak tahu seberapa jauh x̄ atau p̂ meleset dari parameter.
Estimasi jadi tebakan buta tanpa ukuran ketelitian.
Tabel z tidak bisa dipakai sembarangan.

Dengan CLT

x̄ ∼ normal dengan pusat μ dan sebaran σ/√n.
Bisa membuat selang kepercayaan (P11–12).
Bisa menguji hipotesis (P13–14).
Bisa menghitung margin of error survei.

Setiap selang kepercayaan dan setiap uji hipotesis berdiri di atas satu kalimat: x̄ mendekati normal dengan standar error σ/√n. Kuasai hari ini, dan sisa semester jadi ringan.

Sebelum kita tutup bagian inti, saya ingin Anda melihat gambar besar mengapa pertemuan ini begitu penting — Teorema Limit Pusat bukan topik yang selesai hari ini lalu dilupakan, melainkan mesin yang akan menyalakan hampir seluruh sisa mata kuliah. Bayangkan dunia tanpa Teorema Limit Pusat: kita punya rata-rata sampel, tetapi tidak tahu seberapa jauh ia mungkin meleset dari rata-rata populasi, sehingga estimasi kita hanyalah tebakan buta tanpa ukuran ketelitian. Dengan Teorema Limit Pusat, kita tahu persis bahwa rata-rata sampel mendekati distribusi normal yang berpusat di mu dengan standar error sigma dibagi akar n, dan dari pengetahuan ini lahir tiga alat besar: selang kepercayaan, pengujian hipotesis, dan margin of error survei. Kalau Anda hanya boleh menguasai satu hal dari pertemuan ini, kuasailah kalimat ini: rata-rata sampel mendekati normal dengan standar error sigma dibagi akar n — seluruh statistik inferensi berdiri di atasnya.

Lima Jebakan yang Sering Membuat Salah

1 Standar error vs simpangan baku
Pertanyaan tentang rata-rata sampel pakai σ/√n, bukan σ. Lupa membagi √n = salah fatal.

2 Distribusi sampling vs data mentah
Distribusi sampling = sebaran x̄ lintas sampel, bukan sebaran data dalam satu sampel.

3 CLT butuh populasi normal?
Justru sebaliknya: CLT bekerja apa pun bentuk populasi, asalkan n besar.

4 Linear-kan akar n
2× sampel ≠ 2× lebih akurat. Butuh 4× sampel untuk separuh standar error.

5 Lupa cek syarat
Untuk x̄: cek n ≥ 30. Untuk p̂: cek n·p ≥ 5 dan n(1−p) ≥ 5.

Tiga cek cepat sebelum menjawab soal:
(1) Rata-rata atau proporsi? (2) Penyebut z sudah σ/√n? (3) Syarat CLT terpenuhi?

Dari pengalaman memeriksa lembar ujian, hampir semua kesalahan pada topik ini berasal dari lima jebakan yang sama, jadi saya kumpulkan di sini agar Anda waspada. Jebakan pertama dan paling sering: ketika pertanyaannya tentang rata-rata sampel, penyebut z harus standar error, yaitu sigma dibagi akar n, bukan sigma biasa — lupa membagi akar n adalah kesalahan paling mahal. Jebakan kedua, tertukar antara distribusi sampling dengan distribusi data mentah; ingat, distribusi sampling adalah sebaran rata-rata lintas banyak sampel, bukan sebaran nilai dalam satu sampel. Jebakan ketiga, mengira Teorema Limit Pusat mensyaratkan populasi yang sudah normal, padahal justru keajaibannya adalah ia bekerja apa pun bentuk populasinya. Jebakan keempat, memperlakukan hubungan n dengan akurasi sebagai linear, padahal karena ada akar, butuh empat kali sampel untuk memangkas separuh ketidakpastian. Jebakan kelima, lupa mengecek syarat berlakunya. Biasakan tiga pemeriksaan cepat sebelum menjawab, dan sebagian besar nilai Anda akan terselamatkan.

Cheat Sheet — Rumus Inti Distribusi Sampling

Konsep	Rumus	Untuk
Pusat (rata-rata)	E(x̄) = μ	x̄ tak bias untuk μ
Standar error rata-rata	σ_x̄ = σ/√n	Sebaran x̄ (lebar distribusi sampling)
z untuk rata-rata	z = (x̄ − μ)/(σ/√n)	Peluang menyangkut x̄ via tabel z
Pusat (proporsi)	E(p̂) = p	p̂ tak bias untuk p
Standar error proporsi	σ_p̂ = √(p(1−p)/n)	Sebaran p̂
z untuk proporsi	z = (p̂ − p)/√(p(1−p)/n)	Peluang menyangkut p̂ via tabel z
FPC (populasi terbatas)	× √((N−n)/(N−1))	Koreksi jika n ≥ 5% dari N

Semua rumus ini turunan satu ide: x̄ (atau p̂) mendekati normal, berpusat di parameter, dengan sebaran = standar error. Kuasai CLT, dan tabel ini jadi logis, bukan hafalan.

Ini slide yang saya sarankan Anda foto dan tempel di meja belajar, karena seluruh perhitungan distribusi sampling sebenarnya hanya beberapa rumus inti yang saling sejajar. Perhatikan strukturnya: kolom kiri tentang rata-rata, dan di bawahnya tentang proporsi, dan keduanya punya pola yang persis sama — ada rumus pusat, ada rumus standar error, dan ada rumus z. Untuk rata-rata, pusatnya mu, standar error-nya sigma dibagi akar n, dan z-nya memakai standar error itu sebagai penyebut. Untuk proporsi, pusatnya p, standar error-nya akar p dikali satu dikurangi p dibagi n, dan z-nya mengikuti pola yang sama. Faktor koreksi populasi terbatas hanya dipakai jika sampel mengambil porsi besar populasi. Yang ingin saya tekankan, jangan menghafal tabel ini sebagai tujuh hal terpisah; semuanya lahir dari satu ide tunggal Teorema Limit Pusat — kalau Anda paham ide induknya, tabel ini akan terasa logis, bukan beban hafalan.

Peta Konsep: Bagaimana Semua Terhubung

Distribusi sampling bukan topik berdiri sendiri — ia fondasi yang dipakai untuk membangun selang kepercayaan dan uji hipotesis di sisa semester.

Sebelum kita tutup, saya ingin Anda melihat gambar besar bagaimana semua potongan hari ini saling terhubung. Di pusat segalanya ada satu ide: distribusi sampling, yaitu sebaran sebuah statistik jika kita mengambil sampel berkali-kali. Dari ide pusat itu ada dua cabang yang strukturnya kembar — cabang rata-rata dengan x-bar yang berpusat di mu dan berstandar error sigma dibagi akar n, serta cabang proporsi dengan p-topi yang berpusat di p dan berstandar error akar p dikali satu dikurangi p dibagi n. Di atas kedua cabang itu ada payung besar bernama Teorema Limit Pusat, yang menjamin keduanya berbentuk normal sehingga bisa dihitung dengan tabel z. Yang paling penting Anda sadari, distribusi sampling bukan topik yang berdiri sendiri lalu selesai minggu ini; ia adalah fondasi yang akan terus kita pakai di Pertemuan 11 dan 12 untuk membangun selang kepercayaan, dan di Pertemuan 13 serta 14 untuk menguji hipotesis. Kuasai fondasi ini sekarang, dan sisa semester akan terasa jauh lebih ringan.

Latihan & Diskusi Kelas

Latihan 1 — Rata-Rata

x̄

Berat karung beras suatu pabrik: μ = 50 kg, σ = 2 kg. Diambil sampel n = 64 karung.

Berapa peluang rata-rata sampel antara 49,6 dan 50,4 kg?

Petunjuk: hitung SE, lalu dua nilai z.

Latihan 2 — Proporsi

p̂

Proporsi pelanggan puas suatu bank p = 0,40. Diambil sampel n = 100.

Berapa peluang proporsi sampel lebih dari 0,50?

Petunjuk: SE proporsi, satu nilai z.

Kerjakan 5 menit. Tentukan dulu: rata-rata atau proporsi? → hitung standar error yang tepat → transformasi z → peluang. Kita bahas bersama (kunci di Lampiran B).

Sekarang giliran Anda berhitung, karena distribusi sampling hanya benar-benar dikuasai dengan latihan, bukan dengan menonton saya. Latihan pertama menguji rata-rata: berat karung beras punya rata-rata lima puluh kilogram dengan simpangan baku dua kilogram, lalu diambil sampel enam puluh empat karung, dan saya minta Anda hitung peluang rata-rata sampel berada antara empat puluh sembilan koma enam dan lima puluh koma empat kilogram — ingat, karena ada dua batas, Anda butuh dua nilai z. Latihan kedua menguji proporsi: empat puluh persen pelanggan sebuah bank puas, diambil sampel seratus pelanggan, dan Anda hitung peluang proporsi sampel melebihi lima puluh persen. Sebelum menghitung, biasakan dua langkah disiplin: pertama tentukan apakah soal ini tentang rata-rata atau proporsi, lalu pilih rumus standar error yang tepat, baru transformasi z. Saya beri waktu lima menit, kerjakan dengan tenang, dan setelah itu kita bahas jawabannya bersama dengan kunci yang ada di Lampiran B. Kunci: Latihan 1 — SE = 0,25; z = ±1,60; P ≈ 89,04%. Latihan 2 — SE = 0,049; z = +2,04; P ≈ 2,1%.

Persiapan Pertemuan 11

Hari ini Anda belajar mengapa rata-rata sampel bisa dipercaya. Pertemuan depan kita pakai itu untuk menaksir parameter populasi lewat selang kepercayaan.

Pertemuan 11 — Estimasi & Selang Kepercayaan

Estimasi titik vs estimasi selang
Selang kepercayaan untuk rata-rata (μ)
Margin of error — apa artinya?
Arti tingkat kepercayaan 90/95/99%

Tugas Mandiri — Latih!

HDN-1 & 2

Ulangi kedua Hitung dari Nol dengan angka Anda sendiri sampai langkahnya terasa otomatis. Hafal rumus standar error rata-rata dan proporsi. Bawa tabel z ke kelas berikutnya.

Kuasai standar error & CLT malam ini. Sampai jumpa di Pertemuan 11 — Estimasi & Selang Kepercayaan.

Kita sampai di penghujung pertemuan yang padat ini, dan saya harap Anda kini paham bukan hanya cara menghitung, tetapi mengapa rata-rata sampel kecil bisa dipercaya untuk menebak populasi raksasa. Hari ini fokus kita adalah memahami distribusi sampling dan Teorema Limit Pusat, dan di Pertemuan 11 nanti kita akan langsung memanfaatkannya untuk satu tujuan praktis yang sangat penting, yaitu menaksir parameter populasi yang tak diketahui lewat selang kepercayaan. Anda akan belajar bahwa daripada menebak rata-rata populasi dengan satu angka tunggal yang hampir pasti meleset, lebih bijak menebaknya dengan sebuah rentang lengkap dengan tingkat keyakinan — dan rentang itu dibangun persis dari standar error yang kita pelajari hari ini. Tugas mandiri Anda sederhana tapi penting: ulangi kedua Hitung dari Nol hari ini dengan angka Anda sendiri sampai langkahnya terasa otomatis, dan pastikan Anda hafal kedua rumus standar error. Kuasai standar error dan Teorema Limit Pusat malam ini, dan sampai jumpa minggu depan di Pertemuan 11.

Rangkuman Pertemuan 10

Konsep	Inti yang Harus Anda Kuasai
Distribusi sampling	Sebaran sebuah statistik (x̄, p̂) jika sampel diulang berkali-kali — bukan sebaran data mentah dalam satu sampel.
Pusat	E(x̄) = μ; E(p̂) = p → statistik sampel tak bias untuk parameternya.
Standar error	σ_x̄ = σ/√n; σ_p̂ = √(p(1−p)/n) → mengecil saat n naik; bukan simpangan baku populasi.
Pengaruh n	Akar n: butuh sampel 4× untuk pangkas standar error jadi ½. Hubungan tidak linear.
CLT	n besar (≥ 30) → x̄ mendekati normal, apa pun bentuk populasi. Inilah yang membolehkan tabel z.
z	z = (x̄ − μ)/(σ/√n) → hitung peluang via tabel z. Penyebut = standar error, bukan σ biasa.
Fondasi inferensi	CLT menyalakan selang kepercayaan (P11–12) & uji hipotesis (P13–14) di sisa semester.

Jika Anda bisa menjelaskan setiap baris ini dengan kalimat sendiri tanpa membuka buku, Anda sudah menguasai Pertemuan 10.

Ini rangkuman seluruh materi hari ini dalam satu tabel, dan saya sarankan Anda menguji diri dengan cara berikut: tutup buku, lalu coba jelaskan setiap baris dengan kalimat Anda sendiri. Baris yang paling sering keluar di ujian dan paling sering disalahpahami adalah definisi distribusi sampling — tegaskan bahwa ia sebaran statistik lintas sampel, bukan data mentah — dan rumus standar error yang memakai akar n. Hafalkan juga pernyataan inti Teorema Limit Pusat, yaitu untuk n besar rata-rata sampel mendekati normal apa pun bentuk populasinya, karena inilah yang membuat tabel z bisa dipakai. Jangan lupa pula konsekuensi akar n: memperbesar sampel empat kali baru memangkas separuh ketidakpastian. Kalau ada satu baris yang masih ragu Anda jelaskan, itu sinyal untuk Anda baca ulang catatan malam ini, karena seluruh materi setelah ujian tengah semester akan berdiri di atas pertemuan ini.