Apa Itu Statistika

Atasan menghampiri meja Anda: “Berapa rata-rata gaji karyawan di perusahaan kita?” Anda buka sistem kepegawaian — total ada 1.247 karyawan. Apakah Anda harus tarik seluruh data, jumlahkan, lalu bagi 1.247? Atau cukup ambil 100 nama secara acak, hitung rata-ratanya, dan laporkan itu?

Kedua jalan bisa memberi jawaban. Tetapi yang kedua jauh lebih cepat — dan, kalau dikerjakan dengan benar, hampir sama akuratnya. Pertanyaan ini bukan soal mahir Excel. Ini soal statistika: cara berpikir yang membuat keputusan dari data yang tidak lengkap menjadi mungkin, sekaligus jujur tentang seberapa yakin kita boleh.

Inilah inti seluruh materi ini, dalam satu gambar:

Artikel ini meletakkan tiga fondasi yang dipakai di seluruh materi berikutnya: populasi vs sampel, parameter vs statistik, dan deskriptif vs inferensial.

Apa yang Sebenarnya Dilakukan Statistika

Statistika adalah cara berpikir untuk mengambil keputusan saat informasi tidak lengkap. Kita hampir tidak pernah memegang seluruh data yang ada di dunia. Yang kita pegang hanyalah sepotong — sebuah sampel. Statistika mengajarkan cara, dari potongan itu, menarik klaim yang masuk akal tentang keseluruhan yang lebih besar, sambil mengukur seberapa besar peluang kita keliru.

Statistika punya dua peran utama, dan keduanya saling melengkapi:

Banyak orang berhenti di peran deskriptif — mereka hitung rata-rata, lalu selesai. Padahal keputusan nyata hampir selalu menuntut peran inferensial: bukan “berapa rata-rata 100 orang ini”, melainkan “apa artinya 100 orang ini bagi 1.247 orang yang sebenarnya saya urus”.

Analogi: Mencicipi Sup

Cara paling klasik memahami statistika: bayangkan Anda memasak sup dalam panci besar. Untuk tahu apakah rasanya sudah pas, Anda tidak perlu menghabiskan seisi panci. Cukup ambil satu sendok, lalu cicipi.

Satu sendok itu adalah sampel. Seisi panci adalah populasi. Asalkan sup teraduk rata, satu sendok sudah cukup mewakili rasa seluruh panci.

Itulah inti statistika. Anda tidak perlu mensurvei seluruh mahasiswa Indonesia untuk menaksir rata-rata indeks prestasi mereka. Cukup ambil sampel yang mewakili.

Tetapi ada satu syarat yang menentukan segalanya: sup harus teraduk rata. Kalau bagian pinggir panci asin sementara bagian tengah hambar, satu sendok justru menyesatkan. Dalam statistika, kondisi ini disebut bias penyampelan (sampling bias) — sampel yang sistematis berat sebelah sehingga tidak mewakili populasi. Penanganannya dibahas tuntas di Metode Penyampelan.

Populasi vs Sampel: Notasi Resmi

Statistika selalu memisahkan dua hal yang mudah tertukar: angka yang sebenarnya ingin kita ketahui (milik populasi) dan angka yang benar-benar bisa kita hitung (dari sampel).

• Parameter = angka ringkas yang menggambarkan seluruh populasi. Biasanya tidak terjangkau, karena mendata seluruh populasi terlalu mahal atau mustahil.
• Statistik = angka ringkas yang dihitung dari sampel. Inilah yang ada di tangan kita, dan kita pakai untuk menebak parameter.

Konvensinya konsisten: huruf Yunani untuk parameter populasi, huruf Latin untuk statistik sampel.

Tanda “bar” ($\bar{\phantom{x}}$) dan “hat” ($\hat{\phantom{p}}$) di atas huruf adalah penanda bahwa angka itu estimasi dari sampel, bukan nilai populasi yang sebenarnya. Jadi begitu Anda lihat $\bar{x}$, artinya “rata-rata yang dihitung dari sampel” — sebuah tebakan untuk $\mu$ yang sesungguhnya.

Rata-rata Sampel: Tebakan Pertama Kita

Statistik yang paling dasar adalah rata-rata sampel. Rumusnya:

$$\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i = \frac{x_1 + x_2 + \cdots + x_n}{n}$$

Penjelasan tiap lambang:

• $x_i$ = nilai data ke-$i$ dalam sampel. Misalnya $x_1$ data pertama, $x_2$ data kedua, dan seterusnya.
• $\sum_{i=1}^{n}$ artinya “jumlahkan untuk semua data, dari yang ke-1 sampai ke-$n$”. Jadi $\sum_{i=1}^{n} x_i$ adalah total seluruh nilai.
• $n$ = banyak data dalam sampel. Kalau Anda mengambil 5 mahasiswa, maka $n = 5$.
• $\bar{x}$ = rata-rata sampel, yaitu total dibagi banyak data.

Contoh hitung dari nol

Anda mengukur tinggi badan lima mahasiswa S2 (cm): 168, 172, 165, 170, 175. Lima orang ini adalah sampel; populasinya adalah seluruh mahasiswa S2 yang ingin Anda simpulkan.

$$\bar{x} = \frac{168 + 172 + 165 + 170 + 175}{5} = \frac{850}{5} = 170$$

Rata-rata sampel $\bar{x} = $ 170 cm.

Inilah loncatan penting: angka 170 cm bukan sekadar rata-rata lima orang itu. Ia adalah tebakan terbaik untuk $\mu$ — rata-rata tinggi seluruh populasi mahasiswa S2 (dengan asumsi kelima orang itu diambil secara acak). Kita tidak akan pernah tahu $\mu$ persisnya tanpa mengukur semua orang, jadi $\bar{x}$ adalah jembatan terbaik yang kita punya.

Tetapi tebakan itu belum lengkap. Untuk tahu seberapa akurat $\bar{x} = 170$ menebak $\mu$, kita butuh tiga hal lanjutan:

1. Variabilitas data — seberapa tersebar tinggi badannya. Lihat Variabilitas.
2. Galat baku rata-rata (standard error) — seberapa goyah $\bar{x}$ kalau sampel diulang. Lihat Teorema Limit Pusat.
3. Interval kepercayaan untuk $\mu$ — rentang taksiran beserta tingkat keyakinannya. Lihat Interval Kepercayaan.

Menghitung rata-rata hanyalah pintu masuk. Yang membuat statistika kuat adalah kemampuan mengukur ketidakpastian di sekitar rata-rata itu.

Proporsi Sampel: Saat Datanya “Ya / Tidak”

Tidak semua data berupa angka seperti tinggi badan. Sering kali data hanya berbentuk dua pilihan: puas atau tidak, lulus atau gagal, memilih A atau bukan. Untuk data semacam ini, ringkasannya bukan rata-rata, melainkan proporsi — bagian yang menjawab “ya”:

$$\hat{p} = \frac{x}{n}$$

Penjelasan tiap lambang:

• $x$ = banyak data yang masuk kategori yang dihitung (misalnya yang menjawab “puas”).
• $n$ = banyak seluruh data dalam sampel.
• $\hat{p}$ = proporsi sampel, sebuah tebakan untuk proporsi populasi $\pi$.

Contoh. Dari 100 pelanggan yang disurvei, 62 menyatakan puas. Maka:

$$\hat{p} = \frac{62}{100} = 0{,}62 = 62\%$$

Sama seperti $\bar{x}$ menebak $\mu$, di sini $\hat{p} = 62\%$ menebak $\pi$ — proporsi puas seluruh pelanggan, bukan hanya 100 orang yang Anda tanya.

Deskriptif vs Inferensial

Dua cabang besar statistika ini paling sering tertukar, padahal bedanya tegas:

Statistika deskriptif meringkas data yang Anda miliki — tidak lebih. Tidak ada klaim tentang populasi yang lebih luas, tidak ada peluang yang dilibatkan. Alatnya: rata-rata, median, modus, standar deviasi, rentang, histogram, boxplot.

Statistika inferensial melompat dari sampel ke populasi. Ia memakai probabilitas untuk menyatakan seberapa yakin kesimpulannya. Alatnya: interval kepercayaan, uji hipotesis, regresi.

Cara cepat membedakan: kalau pertanyaannya hanya tentang data di tangan, itu deskriptif; kalau pertanyaannya tentang sesuatu yang lebih luas dari data di tangan, itu inferensial.

Perbedaan ini dibahas lebih dalam di Statistika Deskriptif vs Inferensial.

Cek Pemahaman

1. Seorang dosen mencatat nilai ujian tiga mahasiswa: 80, 90, 100. Hitung rata-rata sampelnya ($\bar{x}$) dari nol.

Lihat jawaban

Jumlahkan: $80 + 90 + 100 = 270$. Banyak data $n = 3$. Rata-rata sampel $\bar{x} = 270 / 3 = 90$. Jadi $\bar{x} = $ 90. (Catatan: ini menebak $\mu$, rata-rata seluruh mahasiswa, hanya kalau ketiga orang itu sampel acak — bukan sengaja dipilih yang nilainya tinggi.)

2. Sebuah lembaga survei mewawancarai 1.200 pemilih dari total sekitar 205 juta pemilih nasional, lalu melaporkan “53% mendukung kandidat X”. Manakah dalam laporan ini yang berupa populasi, sampel, parameter, dan statistik?

Lihat jawaban

• Populasi = seluruh 205 juta pemilih nasional (yang sebenarnya ingin diketahui).
• Sampel = 1.200 pemilih yang diwawancarai.
• Parameter = proporsi sebenarnya seluruh pemilih yang mendukung X — tidak diketahui, dilambangkan $\pi$.
• Statistik = $\hat{p} = 53\%$, dihitung dari 1.200 orang, dipakai untuk menebak $\pi$.

Bahwa lembaga survei berani mengklaim tentang 205 juta orang dari 1.200 orang saja — itulah statistika inferensial bekerja.

Kesalahan Umum

Mengira sampel adalah populasi. “Saya ambil populasi 100 orang” — keliru; 100 orang itu sampel. Populasi adalah keseluruhan yang ingin Anda simpulkan. Kalau riset Anda tentang mahasiswa FEB UNDIP, populasinya adalah semua mahasiswa FEB UNDIP, bukan 100 yang kebetulan Anda survei.

Mengira sampel besar pasti mewakili. Sampel 500 orang yang semuanya dari satu kelas tetap tidak mewakili seluruh kampus. Yang menentukan keterwakilan bukan jumlahnya, melainkan apakah sampel itu acak dan menangkap keragaman populasi. Sampel berat sebelah tetap berat sebelah meski jumlahnya besar.

Berhenti di rata-rata, lupa variabilitas. Rata-rata tanpa ukuran sebaran hanya separuh cerita. Dua kelompok bisa punya rata-rata sama tetapi sebaran sangat berbeda. Lihat Variabilitas.

Mengira statistika sekadar deret rumus. Statistika adalah cara berpikir tentang ketidakpastian, bukan ritual menyalin rumus. Memakai uji-t tanpa paham asumsinya menghasilkan angka yang rapi tetapi tak bermakna.

Melompat ke alat canggih tanpa fondasi. Banyak yang langsung ke SEM-PLS atau regresi data panel tanpa nyaman dengan populasi, sampel, dan rata-rata. Akibatnya analisis runtuh di dasarnya, dan penelaah jurnal langsung menemukan retaknya.

Excel Template

⬇ Unduh 01-apa-itu-statistika.xlsx

Berkas pendamping berisi beberapa lembar; yang paling instruktif:

• POPULASI_VS_SAMPEL — 1.000 observasi populasi simulasi, lalu sampel acak diambil darinya dengan formula hidup, sehingga Anda lihat sendiri $\bar{x}$ sampel mendekati $\mu$ populasi.
• HITUNG_MANUAL — rata-rata sampel langkah demi langkah dari data mentah (kolom jumlah dan pembagian terbuka, bukan angka ketik).
• NOTASI — tabel notasi populasi vs sampel ($\mu$/$\bar{x}$, $\sigma$/$s$, $N$/$n$, $\pi$/$\hat{p}$).
• KESALAHAN_UMUM — lima miskonsepsi yang paling sering muncul.

Dipakai di Dunia Nyata

• Analitik SDM. Survei keterlibatan karyawan cukup mengambil sampel 100–200 orang untuk menyimpulkan ribuan; tidak perlu mensensus semuanya.
• Riset pemasaran. Lembaga survei menaksir preferensi pasar dari sampel 500–1.000 responden; jajak pendapat pemilu nasional lazim memakai sekitar 1.200 orang untuk seluruh negeri.
• Kendali mutu manufaktur. Pabrik mengambil sampel 5–10 unit per giliran kerja untuk memantau dimensi produk, bukan memeriksa 100% keluaran.
• Riset akademik. Hampir semua skripsi dan tesis memakai penyampelan — populasi mahasiswa, perusahaan, atau provinsi terlalu besar untuk disensus.
• Audit laporan keuangan. Auditor menyampel transaksi (statistik atau pertimbangan profesional) untuk menyimpulkan apakah laporan “disajikan secara wajar”.

Lanjutan

Ini adalah fondasi mutlak. Tanpa nyaman membedakan populasi dari sampel dan deskriptif dari inferensial, materi berikutnya akan terasa abstrak. Pelan-pelan saja.

• Jenis Data — nominal sampai rasio; menentukan alat statistik mana yang sah dipakai.
• Tendensi Sentral — rata-rata, median, modus secara rinci.
• Variabilitas — standar deviasi, varians, koefisien variasi; pelengkap wajib rata-rata.
• Statistika Deskriptif vs Inferensial — perbedaan dua cabang ini lebih mendalam.

Setelah fondasi ini kokoh, jalur panjangnya membentang sampai uji hipotesis, interval kepercayaan, dan akhirnya regresi.