Central Limit Theorem

Bayangkan Anda mencatat pengeluaran harian seratus mahasiswa kos. Bentuk datanya berantakan: kebanyakan menghabiskan Rp 50.000 sampai Rp 100.000 sehari, tetapi sesekali ada hari pesta yang menembus Rp 500.000. Kalau digambar, sebarannya menumpuk di kiri lalu menjulur panjang ke kanan — sama sekali bukan lonceng yang rapi.

Lalu Anda diminta menjawab satu pertanyaan: berapa kira-kira rata-rata pengeluaran harian seluruh mahasiswa di kota itu? Anda tidak mungkin mencatat semua orang, jadi Anda ambil sampel, hitung rata-ratanya, dan ingin tahu seberapa bisa dipercaya angka itu. Masalahnya, hampir semua alat statistika baku menuntut data berbentuk lonceng — sedangkan data Anda jauh dari itu.

Kabar baiknya: bukan datanya yang perlu berbentuk lonceng. Ada satu teorema yang mengubah keadaan, dan banyak orang menyebutnya teorema terpenting di seluruh statistika inferensial. Namanya Teorema Limit Pusat (Central Limit Theorem).

Inti Gagasannya dalam Satu Kalimat

Sebelum rumus apa pun, tangkap dulu intinya:

Kalau Anda mengambil sampel acak berkali-kali dan menghitung rata-rata tiap sampel, kumpulan rata-rata itu akan membentuk lonceng — walaupun data aslinya tidak berbentuk lonceng sama sekali.

Perhatikan kata kuncinya: yang berbentuk lonceng bukan data mentahnya, melainkan rata-rata sampel. Data pengeluaran tadi boleh tetap menceng dan berantakan. Tetapi begitu Anda merata-ratakan tiap sampel, rata-rata-rata-rata itu menumpuk rapi di sekitar satu titik dan membentuk lonceng yang halus.

Kenapa bisa begitu? Karena rata-rata adalah peredam. Saat banyak nilai dirata-ratakan, nilai yang luar biasa tinggi tertutup oleh nilai-nilai yang lebih rendah di sampel yang sama, dan sebaliknya. Hari pesta Rp 500.000 jarang muncul, dan kalaupun masuk ke sebuah sampel, ia hanya satu dari banyak nilai — pengaruhnya terhadap rata-rata diperkecil. Hasilnya, rata-rata sampel cenderung berkumpul dekat rata-rata populasi, jarang melenceng jauh.

Inilah bentuk lonceng yang dituju rata-rata sampel:

Pernyataan Resmi Teorema

Untuk sampel acak $X_1, X_2, \ldots, X_n$ yang diambil dari populasi mana pun dengan rata-rata $\mu$ dan varians $\sigma^2$, rata-rata sampel $\bar{X}$ memenuhi:

$$\bar{X} \;\xrightarrow{\ d\ }\; \mathcal{N}\!\left(\mu,\ \frac{\sigma^2}{n}\right)$$

Mari uraikan tiap lambang dengan polos:

• $\bar{X}$ (dibaca “X-bar”) = rata-rata satu sampel. Kalau sampelnya 80, 90, 100, maka $\bar{X} = 90$.
• $\xrightarrow{d}$ = “konvergen menuju” — artinya, makin besar $n$, bentuk sebaran $\bar{X}$ makin mirip dengan kurva di sebelah kanan tanda panah.
• $\mathcal{N}(\,\cdot\,,\,\cdot\,)$ = distribusi normal (lonceng), dengan dua isian: pusat lalu varians.
• $\mu$ (dibaca “mu”) = rata-rata populasi, pusat lonceng. Rata-rata sampel mengumpul tepat di sini.
• $n$ = ukuran sampel — banyak data dalam satu sampel. Kalau Anda ambil 30 mahasiswa sekaligus, $n = 30$.
• $\sigma^2$ (dibaca “sigma kuadrat”) = varians populasi, ukuran seberapa lebar data mentah tersebar.
• $\sigma^2/n$ = varians rata-rata sampel — perhatikan pembaginya $n$: makin besar sampel, makin kecil varians ini, makin sempit loncengnya.

Membaca utuh: sebaran rata-rata sampel mendekati lonceng yang berpusat di rata-rata populasi, dengan lebar yang mengecil seiring bertambahnya ukuran sampel. Dan ini berlaku apa pun bentuk populasi asalnya — menceng, dua puncak, datar — asalkan $n$ cukup besar.

Tiga akibat yang langsung berguna

Akibat 1 — pusatnya tepat, tidak meleset. Rata-rata dari semua rata-rata sampel sama persis dengan rata-rata populasi $\mu$. Tidak ada kecenderungan menaksir terlalu tinggi atau terlalu rendah; rata-rata sampel adalah penaksir yang tak bias.

Akibat 2 — sebarannya menyusut teratur. Standar deviasi rata-rata sampel adalah $\sigma/\sqrt{n}$, lebih kecil dari standar deviasi data dan mengecil saat $n$ tumbuh. Inilah yang membuat sampel besar menghasilkan estimasi yang lebih presisi.

Akibat 3 — bentuknya jadi normal. Begitu sebaran $\bar{X}$ menjadi lonceng, semua perkakas dunia normal terbuka: aturan 68–95–99,7, skor-Z, interval kepercayaan, dan uji-t — meskipun data mentahnya tidak normal.

Galat Baku: Lebar Lonceng Rata-rata

Akar dari varians $\sigma^2/n$ adalah standar deviasi dari rata-rata sampel. Ia punya nama khusus, galat baku (standard error, SE), supaya tidak tertukar dengan standar deviasi data:

$$SE = \frac{\sigma}{\sqrt{n}}$$

Penjelasan tiap lambang:

• $\sigma$ (dibaca “sigma”) = standar deviasi populasi — jarak khas tiap nilai data dari rata-rata. Kalau pengeluaran khas menyimpang Rp 50.000 dari rata-rata, maka $\sigma$ = 50.000.
• $\sqrt{n}$ = akar dari ukuran sampel. Kalau $n = 100$, maka $\sqrt{n} = 10$.
• $SE$ = jarak khas sebuah rata-rata sampel dari rata-rata populasi.

Bedanya dengan $\sigma$ penting sekali: $\sigma$ menjawab “seberapa berbeda satu mahasiswa dari rata-rata?”, sedangkan $SE$ menjawab “seberapa berbeda satu rata-rata-sampel dari rata-rata sebenarnya?”. Karena dibagi $\sqrt{n}$, galat baku selalu lebih kecil dari standar deviasi data (untuk $n > 1$).

Contoh angka. Populasi pengeluaran mahasiswa punya $\sigma$ = Rp 50.000. Lihat bagaimana galat baku menyusut saat sampel diperbesar:

Makin besar $n$, makin presisi taksiran rata-rata kita. Tetapi perhatikan: melompat dari $n = 25$ ke $n = 100$ — empat kali lipat sampel — hanya memperkecil galat baku separuhnya (Rp 10.000 → Rp 5.000). Itulah harga $\sqrt{n}$: untuk membuat galat baku setengahnya, ukuran sampel harus empat kali lipat.

Perhatikan Lonceng Itu Terbentuk

Teorema ini paling meyakinkan saat dilihat bergerak, bukan dibaca. Perhatikan: di atas ada populasi yang jelas-jelas menceng (tidak normal), lalu tiap siklus menarik satu sampel acak kecil, menghitung rata-ratanya, dan menjatuhkannya ke histogram di bawah. Lama-kelamaan, kumpulan rata-rata itu menumpuk menjadi lonceng yang sempit dan terpusat — itulah Teorema Limit Pusat yang sedang bekerja di depan mata.

Dua hal yang patut dicermati. Pertama, histogram bawah jauh lebih sempit dari sebaran populasi di atas — itulah galat baku $\sigma/\sqrt{n}$ yang lebih kecil dari $\sigma$. Kedua, puncak lonceng jatuh tepat di rata-rata populasi, bukan meleset — itulah sifat tak bias dari Akibat 1.

Contoh Hitung dari Nol

Konsep ini paling jelas pada populasi kecil yang bisa kita telusuri seluruhnya. Misalkan satu kelas hanya berisi empat mahasiswa, dengan nilai tugas:

$$\text{Populasi} = \{1,\ 3,\ 5,\ 7\}$$

Langkah 1 — ciri populasi. Rata-rata populasi:

$$\mu = \frac{1 + 3 + 5 + 7}{4} = \frac{16}{4} = 4$$

Varians populasi (pembagi $n$, karena ini seluruh populasi):

$$\sigma^2 = \frac{(1-4)^2 + (3-4)^2 + (5-4)^2 + (7-4)^2}{4} = \frac{9 + 1 + 1 + 9}{4} = \frac{20}{4} = 5$$

sehingga $\sigma = \sqrt{5} \approx 2{,}236$. Populasi ini datar (tiap nilai sama mungkin) — sama sekali bukan lonceng.

Langkah 2 — ambil semua sampel ukuran $n = 2$. Dengan pengembalian (boleh terambil dua kali), ada $4 \times 4 = 16$ kemungkinan sampel. Hitung rata-rata tiap pasangan:

Langkah 3 — kumpulkan jadi distribusi sampling. Hitung berapa kali tiap rata-rata muncul di tabel:

Lihat kolom frekuensi: 1, 2, 3, 4, 3, 2, 1 — menanjak ke puncak di tengah lalu menurun simetris. Populasi yang tadinya datar sudah berubah menjadi segitiga yang mengarah ke lonceng, hanya dengan $n = 2$. Tambah $n$, bentuknya makin halus menyerupai kurva normal.

Langkah 4 — cek kedua akibat. Rata-rata dari semua rata-rata sampel:

$$\frac{1(1{,}0) + 2(2{,}0) + 3(3{,}0) + 4(4{,}0) + 3(5{,}0) + 2(6{,}0) + 1(7{,}0)}{16} = \frac{64}{16} = 4 = \mu \;\checkmark$$

Tepat sama dengan rata-rata populasi (Akibat 1 — tak bias). Lalu galat baku menurut rumus:

$$SE = \frac{\sigma}{\sqrt{n}} = \frac{\sqrt{5}}{\sqrt{2}} = \sqrt{2{,}5} \approx 1{,}581$$

Kalau Anda hitung standar deviasi langsung dari 16 rata-rata di tabel, hasilnya persis 1,581 — rumus dan hitungan kasar cocok sempurna.

Menafsirkan Galat Baku

Galat baku adalah margin ketidakpastian taksiran Anda. Kembali ke pengeluaran mahasiswa: misalkan rata-rata sebenarnya $\mu$ = Rp 80.000 dan $\sigma$ = Rp 50.000, lalu Anda ambil sampel $n = 100$ sehingga $SE$ = Rp 5.000. Karena distribusi sampling berbentuk lonceng, aturan 68–95–99,7 berlaku untuk rata-rata sampel:

• sekitar 68% rata-rata sampel jatuh di $[\mu - 1\,SE;\ \mu + 1\,SE]$ = [Rp 75.000; Rp 85.000]
• sekitar 95% jatuh di $[\mu - 2\,SE;\ \mu + 2\,SE]$ = [Rp 70.000; Rp 90.000]

Artinya, satu sampel berukuran 100 hampir pasti memberi rata-rata dalam Rp 10.000 dari nilai sebenarnya. Itulah yang membuat kita berani menyimpulkan tentang populasi besar hanya dari satu sampel — kita tahu seberapa jauh rata-rata sampel bisa meleset.

Berapa Besar $n$ yang Cukup?

Aturan praktis paling terkenal: $n \geq 30$. Tetapi angka ini bukan hukum mutlak — kebutuhan tergantung seberapa menceng populasi asalnya. Makin jauh dari lonceng, makin besar sampel yang dibutuhkan agar rata-ratanya menjadi normal:

Pegangan praktisnya: kalau ragu, perbesar sampel. Aturan $n \geq 30$ aman untuk kebanyakan kasus, tetapi data dengan ekor sangat panjang menuntut lebih banyak.

Eksperimen Sendiri

Pilih bentuk populasi (seragam, eksponensial, dua puncak), atur ukuran sampel $n$, dan amati distribusi rata-rata sampel berubah menjadi lonceng saat $n$ membesar.

Beberapa percobaan yang berguna:

1. Pilih eksponensial (sangat menceng) dengan $n = 2$. Sebaran rata-rata masih ikut menceng.
2. Naikkan ke $n = 5$. Bentuknya mulai melengkung menyerupai lonceng.
3. Naikkan ke $n = 30$. Hampir lonceng sempurna.
4. Coba dua puncak. Bahkan populasi berpuncak ganda pun menjadi lonceng tunggal saat $n$ besar.

Galat Baku Bukan Standar Deviasi

Kebingungan paling sering: menyamakan $SE$ dengan $\sigma$. Keduanya mengukur sebaran, tetapi sebaran dari hal yang berbeda:

• $\sigma$ = sebaran data individu dari rata-rata. Tetap besar berapa pun sampel Anda.
• $SE = \sigma/\sqrt{n}$ = sebaran rata-rata sampel dari rata-rata sebenarnya. Menyusut saat $n$ membesar.

Contoh. Tinggi badan mahasiswa punya $\sigma$ = 8 cm.

• Sampel $n = 4$: $SE = 8/\sqrt{4} = 8/2 = 4$ cm
• Sampel $n = 100$: $SE = 8/\sqrt{100} = 8/10 = 0{,}8$ cm

Rata-rata dari sampel 100 mahasiswa akan sangat dekat dengan tinggi rata-rata sebenarnya (galat baku hanya 0,8 cm). Tetapi tinggi tiap individu tetap berpencar sekitar 8 cm dari rata-rata — $\sigma$ tidak berubah. Kalau Anda melihat angka “8 cm” berlabel “deviasi”, tanyakan dulu: deviasi data ($\sigma$) atau deviasi rata-rata ($SE$)? Tafsirannya berbeda total.

Cek Pemahaman

1. Sebuah populasi punya standar deviasi $\sigma = 20$. Anda mengambil sampel berukuran $n = 64$. Berapa galat baku rata-rata sampelnya?

Lihat jawaban

$$SE = \frac{\sigma}{\sqrt{n}} = \frac{20}{\sqrt{64}} = \frac{20}{8} = 2{,}5$$

Galat baku = 2,5. Artinya, rata-rata sampel berukuran 64 biasanya meleset sekitar 2,5 satuan dari rata-rata populasi sebenarnya.

2. Galat baku Anda sekarang 1,0 dengan sampel $n = 50$. Anda ingin memperkecil galat baku menjadi separuhnya (0,5). Berapa ukuran sampel yang dibutuhkan?

Lihat jawaban

Karena $SE = \sigma/\sqrt{n}$, galat baku turun mengikuti $1/\sqrt{n}$. Untuk membuat $SE$ separuhnya, $\sqrt{n}$ harus menjadi dua kali lipat, sehingga $n$ harus menjadi empat kali lipat:

$$n_\text{baru} = 4 \times 50 = 200$$

Inilah harga $\sqrt{n}$: separuh ketidakpastian menuntut empat kali ukuran sampel. (Bukan dua kali — kesalahan yang sangat umum.)

3. (soal transfer) Tinggi badan populasi punya rata-rata $\mu = 170$ cm dan standar deviasi $\sigma = 12$ cm, dengan bentuk menceng (bukan lonceng). Anda mengambil sampel $n = 36$. Apakah Teorema Limit Pusat boleh dipakai, berapa galat bakunya, dan dalam rentang berapa kira-kira 95% rata-rata sampel akan jatuh?

Lihat jawaban

Boleh dipakai: $n = 36 \geq 30$, cukup besar untuk kemencengan sedang, jadi distribusi rata-rata sampel mendekati lonceng walau populasinya menceng.

$$SE = \frac{\sigma}{\sqrt{n}} = \frac{12}{\sqrt{36}} = \frac{12}{6} = 2 \text{ cm}$$

Karena distribusi sampling sudah berbentuk lonceng, sekitar 95% rata-rata sampel jatuh dalam $\pm 2\,SE$ dari $\mu$:

$$[\,170 - 2(2);\ 170 + 2(2)\,] = [166;\ 174] \text{ cm}$$

Perhatikan: data tinggi individu boleh tetap menceng, tetapi rata-rata sampelnya sudah cukup normal untuk memakai aturan ini.

Kesalahan Umum

Mengira data mentahnya yang menjadi normal. Teorema ini berbicara tentang sebaran rata-rata sampel ($\bar{X}$), bukan sebaran data individu ($X$). Populasi boleh tetap menceng selamanya; yang menjadi lonceng adalah kumpulan rata-rata sampel. Ini kesalahpahaman nomor satu.

Melupakan syarat ukuran sampel. Teorema butuh $n$ cukup besar. Sampel $n = 5$ dari populasi yang sangat menceng tidak akan menghasilkan rata-rata yang berbentuk lonceng. Jangan langsung memakai uji-t tanpa memeriksa $n$ dan kemencengan populasi lebih dulu.

Menukar galat baku dengan standar deviasi. Ingat $SE = \sigma/\sqrt{n}$ — galat baku selalu lebih kecil. Melaporkan $\sigma$ padahal yang dimaksud presisi rata-rata (atau sebaliknya) akan menyesatkan pembaca soal seberapa pasti taksiran Anda.

Mengira lipat-dua sampel menggandakan presisi. Galat baku turun mengikuti $1/\sqrt{n}$, bukan $1/n$. Menggandakan sampel hanya memperkecil galat baku sebesar faktor $\sqrt{2} \approx 1{,}41$. Untuk separuh galat baku, butuh empat kali sampel.

Memakai teorema pada distribusi tanpa varians berhingga. Distribusi berekor sangat tebal (mis. Cauchy) tidak punya varians berhingga, sehingga $\sigma^2/n$ tidak terdefinisi dan rata-rata sampel tidak konvergen ke lonceng. Untungnya, hampir semua data dunia nyata punya varians berhingga.

Dipakai di Dunia Nyata

• Jajak pendapat (polling). Survei seribuan responden cukup untuk memprediksi pemilihan dengan margin of error yang sah — karena rata-rata (atau proporsi) sampel berperilaku normal lewat teorema ini, meski opini tiap orang sangat beragam.
• Pengujian A/B produk digital. Membandingkan tingkat konversi dua versi tampilan: data dasarnya hanya 0/1 (klik atau tidak), tetapi rata-rata proporsi tiap kelompok menjadi normal untuk sampel besar, sehingga ujinya sah.
• Kendali mutu manufaktur. Mengambil 5–10 unit per giliran kerja, menghitung rata-rata dimensinya, lalu memasang batas kendali pada $\pm 3\,SE$. Seluruh diagram kendali bertumpu pada $SE = \sigma/\sqrt{n}$ dari teorema ini.
• Penelitian klinis. Membandingkan rata-rata hasil dua kelompok pasien. Walau ukuran dasar (mis. kadar gula darah) tidak normal, rata-ratanya cukup normal untuk uji-t saat $n \geq 30$ per kelompok.
• Bootstrap dan penyampelan ulang. Mengambil ulang dari data Anda berkali-kali untuk membangun sebaran sebuah statistik — sebuah cara komputasional yang meniru gagasan distribusi sampling tanpa mengandaikan bentuk populasi.

Lanjutan

Teorema Limit Pusat adalah pintu masuk seluruh statistika inferensial. Setelah ini, Anda bisa menaksir parameter populasi dari sampel dan menguji klaim tentang populasi dengan dasar yang kokoh.

• Lanjut ke Confidence Interval — memakai galat baku untuk membuat selang taksiran rata-rata.
• Lalu Uji Hipotesis dan Z-Test dan T-Test — menguji klaim tentang rata-rata, sah berkat teorema ini.

Perlu menyegarkan prasyarat dulu?

• Balik ke Distribusi Sampling — gagasan rata-rata sampel punya sebaran sendiri.
• Atau Distribusi Normal — bentuk lonceng dan aturan 68–95–99,7 yang menjadi tujuan teorema ini.