Confidence Interval Mendalam — CI untuk Mean (z vs t), Proporsi, Selisih Mean, dan Sample Size

Satu tim riset dari lembaga survei baru saja mewawancarai 64 rumah tangga di satu kecamatan suburban Semarang. Pertanyaan kuesioner sederhana: berapa pengeluaran rumah tangga per bulan? Setelah data dikumpulkan, mereka menghitung rata-rata sampel: Rp 3.164.200 per bulan. Kepala dinas sosial meminta laporan resmi untuk dokumen kebijakan. Pertanyaan kunci: “Jadi, berapa rata-rata pengeluaran rumah tangga di seluruh kecamatan ini?”

Angka Rp 3.164.200 adalah rata-rata sampel — kebetulan 64 rumah tangga yang berhasil disurvei. Bukan rata-rata populasi (semua 4.000 rumah tangga di kecamatan). Bila tim mengulang survei dengan 64 rumah tangga yang berbeda, hasilnya bisa jadi Rp 3,1 juta, Rp 3,2 juta, atau bahkan Rp 3,0 juta. Variasi ini tidak terhindarkan — itu sifat dasar pengambilan sampel.

Lalu bagaimana menjawab pertanyaan kepala dinas dengan jujur? Bukan dengan menyodorkan satu angka yang berlagak tahu kebenaran. Bukan juga dengan bilang “tidak tahu”. Jawaban yang jujur adalah sebuah rentang: “Rata-rata pengeluaran rumah tangga di kecamatan ini kemungkinan besar berada antara Rp 3.036.000 dan Rp 3.292.000 per bulan.” Rentang inilah yang disebut selang kepercayaan (confidence interval, CI).

Artikel ini membangun selang kepercayaan dari nol dalam lima varian utama: CI untuk rata-rata (dua versi: z bila σ diketahui, t bila tidak), CI untuk proporsi (dua versi: Wald klasik dan Wilson yang lebih akurat), CI untuk selisih dua mean (Welch), perhitungan sample size dari margin galat yang ditargetkan, dan — sama pentingnya — tujuh misinterpretasi paling umum yang membuat orang salah membaca CI. Contoh pengeluaran rumah tangga akan menemani kita sepanjang artikel, dengan kalkulator Excel confidence-interval-template.xlsx berisi semua rumus hidup.

Tiga Pertanyaan Inferensial yang Dijawab CI

Sebelum rumus, mari pahami tiga pertanyaan inferensial yang ingin kita jawab setiap kali menghitung CI:

1. Estimasi titik: berapa nilai “tebakan terbaik” kita untuk parameter populasi? Untuk mean populasi $\mu$, jawabnya adalah rata-rata sampel $\bar{x}$. Untuk proporsi populasi $p$, jawabnya $\hat{p} = x/n$.
2. Ketidakpastian estimasi: seberapa banyak estimasi titik ini akan berayun bila survei diulang? Jawab: standard error (SE), yang mengukur variansi distribusi sampling.
3. Rentang yang masuk akal: dalam interval berapa parameter populasi mungkin berada, dengan tingkat kepercayaan tertentu? Jawab: CI itu sendiri.

Tiga bahan pembentuk CI: (i) estimasi titik sebagai pusat, (ii) standard error sebagai skala lebar, dan (iii) nilai kritis (z* atau t*) sebagai pengali yang menentukan tingkat kepercayaan. Mari bahas masing-masing.

CI untuk Mean — Varian 1: z-interval (σ Diketahui)

Rumus CI 95% untuk mean populasi $\mu$ bila simpangan baku populasi $\sigma$ diketahui:

$$\bar{x} \pm z^* \cdot \frac{\sigma}{\sqrt{n}}$$

Tiga komponen:

• $\bar{x}$: rata-rata sampel — titik pusat selang.
• $\sigma/\sqrt{n}$: standard error bila $\sigma$ diketahui. Mengapa $\sqrt{n}$ di penyebut? Karena Teorema Limit Pusat menjamin variansi rata-rata sampel menurun dengan faktor $n$, bukan $\sqrt{n}$ — sehingga standar deviasinya menurun dengan $\sqrt{n}$.
• $z^*$: nilai kritis yang menentukan tingkat kepercayaan. Untuk 95%, $z^* = 1{,}96$ — angka yang berasal dari distribusi normal standar: 95% luas di bawah kurva normal terletak dalam 1,96 simpangan baku dari pusat.

Untuk pengeluaran rumah tangga, σ populasi biasanya tidak diketahui — jadi varian ini jarang dipakai. Tapi ada kasus di mana σ diketahui: bila ada catatan historis panjang (mis. BPS telah mencatat SD pengeluaran rumah tangga di kecamatan serupa selama 10 tahun terakhir), kita bisa memakai angka historis itu sebagai σ. Atau dalam quality control, bila mesin pengisi botol dikalibrasi dengan toleransi $\sigma = 1{,}2$ ml dari spesifikasi pabrik.

Di Excel, fungsi CONFIDENCE.NORM menghitung margin galat ($z^* \cdot \sigma/\sqrt{n}$) langsung:

=CONFIDENCE.NORM(α; σ; n)

Contoh untuk pengisian botol 499,3 ml rata-rata sampel, $\sigma = 1{,}2$ ml historis, $n = 36$, 95%:

α = 0,05
Margin galat = CONFIDENCE.NORM(0,05; 1,2; 36) = 0,392 ml
CI 95% = [499,3 − 0,392; 499,3 + 0,392] = [498,91; 499,69] ml

Atau setara, hitung manual: $z^* = $ NORM.S.INV(0,975) $= 1{,}96$; SE $= 1{,}2/\sqrt{36} = 0{,}2$; margin $= 1{,}96 \cdot 0{,}2 = 0{,}392$. Hasilnya sama — CONFIDENCE.NORM hanyalah shortcut untuk produk ini.

CI untuk Mean — Varian 2: t-interval (σ Tidak Diketahui)

Varian jauh lebih umum di riset: σ tidak diketahui, jadi kita menaksirnya dengan simpangan baku sampel $s$. Konsekuensinya: nilai kritis bukan lagi $z^*$ dari normal, melainkan $t^*$ dari distribusi t-Student dengan derajat bebas $df = n - 1$.

$$\bar{x} \pm t^* \cdot \frac{s}{\sqrt{n}}, \quad df = n - 1$$

Distribusi t mirip normal — lonceng, simetris — tapi punya ekor lebih tebal. Ekor tebal ini mengkompensasi ketidakpastian ekstra karena kita menaksir $\sigma$ dengan $s$. Untuk $n$ kecil, ekornya jauh lebih tebal (sehingga $t^* > z^*$, margin galat lebih besar). Untuk $n$ besar, t mendekati normal dan $t^* \to z^* = 1{,}96$.

Beberapa nilai kritis t* pada CI 95%:

Untuk pengeluaran rumah tangga dengan $n = 64$: $df = 63$, $t^* = 1{,}998$. Dari data, $s = 512{,}4$ (Rp ribu). Maka:

$$\bar{x} = 3164{,}2, \quad SE = \frac{512{,}4}{\sqrt{64}} = 64{,}05$$$$\text{Margin galat} = 1{,}998 \cdot 64{,}05 = 127{,}96 \approx 128 \text{ (Rp ribu)}$$$$\text{CI 95\%} = [3164{,}2 - 128; \; 3164{,}2 + 128] = [3036; \; 3292] \text{ (Rp ribu)}$$

Artinya: Rp 3.036.000 sampai Rp 3.292.000 per bulan. Inilah jawaban yang jujur untuk kepala dinas.

Di Excel, fungsi CONFIDENCE.T menghitung margin galat langsung:

=CONFIDENCE.T(0,05; 512,4; 64)  → 128,0

Atau pecah menjadi langkah-langkah: $s$ dari STDEV.S(data), $n$ dari COUNT(data), $t^*$ dari T.INV.2T(0,05; 63), lalu kalikan. File pendamping sheet 3_CI_MEAN_T menunjukkan keduanya berdampingan, sehingga Anda bisa lihat bagaimana CONFIDENCE.T adalah shortcut.

Aturan emas: dalam riset praktis, selalu pakai t-interval kecuali Anda yakin $\sigma$ populasi benar-benar diketahui dari sumber yang valid (bukan “kira-kira begini”). Bahkan untuk $n = 30$ atau lebih, walau $t^* \approx z^*$, tidak ada salahnya pakai t — aman dan benar.

CI untuk Proporsi — Varian 1: Wald (Klasik)

Sering kita ingin mengestimasi proporsi populasi: persentase pelanggan puas, persentase mahasiswa lulus tepat waktu, persentase pemilih yang memilih kandidat tertentu. Dari sampel $n$ dengan $x$ kejadian “sukses”:

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

CI Wald 95% untuk proporsi populasi $p$:

$$\hat{p} \pm z^* \cdot \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$$

Contoh: survei kepuasan, $n = 400$, $x = 312$ pelanggan “puas”. $\hat{p} = 0{,}78$, $z^* = 1{,}96$, SE $= \sqrt{0{,}78 \cdot 0{,}22 / 400} = 0{,}0207$, margin galat $= 1{,}96 \cdot 0{,}0207 = 0{,}0405$.

$$\text{CI 95\%} = [0{,}78 - 0{,}0405; \; 0{,}78 + 0{,}0405] = [0{,}740; \; 0{,}821]$$

Estimasi: 78% pelanggan puas, ±4 poin persentase, CI 95%. Saat dilaporkan di media, sering ditulis “78% ± 4%” — angka “±4%” inilah yang biasa disebut margin of error survei.

Syarat validitas Wald: $n \cdot \hat{p} \geq 10$ dan $n \cdot (1 - \hat{p}) \geq 10$ (rule of thumb). Untuk contoh kita, $n \hat{p} = 312$ dan $n(1-\hat{p}) = 88$ — jauh di atas 10. Aman.

CI untuk Proporsi — Varian 2: Wilson (Lebih Akurat)

Wald punya kelemahan serius: bila $\hat{p}$ ekstrem (dekat 0 atau 1) atau $n$ kecil, CI bisa meleset — bahkan bisa “melampaui” batas logis 0 atau 1 (mis. CI [−0,03; 0,15] untuk proporsi, jelas tidak masuk akal). Wilson score interval memperbaikinya:

$$\text{CI Wilson}: \quad \tilde{p} \pm z^* \cdot \frac{\sqrt{\hat{p}(1-\hat{p})/n + z^{*2}/(4n^2)}}{1 + z^{*2}/n}$$

dengan pusat Wilson $\tilde{p} = (\hat{p} + z^{*2}/(2n))/(1 + z^{*2}/n)$ — bukan $\hat{p}$.

Wilson tidak pernah melampaui [0,1], dan akurasinya baik bahkan untuk $n$ kecil atau $\hat{p}$ ekstrem. Untuk $n = 400$ dan $\hat{p} = 0{,}78$, hasil Wilson nyaris identik Wald. Tapi untuk $n = 30$ dan $\hat{p} = 0{,}03$ (1 sukses dari 30), Wald memberi CI [−0,029; 0,089] — tidak masuk akal; Wilson memberi [0,005; 0,148] — masuk akal.

Di Excel, Wilson dapat dihitung dengan beberapa langkah seperti pada sheet 4_CI_PROPORTION file pendamping. Aturan praktis modern: untuk proporsi, selalu cek Wilson. Bila hasilnya sama dengan Wald (selisih < 1 pp), pakai Wald (lebih dikenal pembaca). Bila berbeda jauh, laporkan Wilson.

CI untuk Selisih Dua Mean — Pendekatan Welch

Sering kita ingin membandingkan dua kelompok: rata-rata nilai kelas A vs kelas B, rata-rata pendapatan lulusan PTN vs PTS, rata-rata waktu respons dua server. CI untuk selisih $\mu_1 - \mu_2$ dari dua sampel independen dengan varians yang boleh berbeda (tidak perlu homogen):

$$(\bar{x}_1 - \bar{x}_2) \pm t^* \cdot \sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}$$

Inilah Welch interval, dan derajat bebasnya bukan $n_1 + n_2 - 2$ (seperti pada Student versi pooled), melainkan aproksimasi Satterthwaite:

$$df_{\text{Welch}} = \frac{\left( s_1^2/n_1 + s_2^2/n_2 \right)^2}{\frac{(s_1^2/n_1)^2}{n_1 - 1} + \frac{(s_2^2/n_2)^2}{n_2 - 1}}$$

Persamaan ini tampak rumit, tetapi Excel menghitungnya dalam satu formula. Untuk dua kelas dengan $\bar{x}_1 = 78{,}5$, $s_1 = 8{,}2$, $n_1 = 35$ dan $\bar{x}_2 = 82{,}1$, $s_2 = 7{,}5$, $n_2 = 40$:

$$\bar{x}_1 - \bar{x}_2 = -3{,}6, \quad SE = \sqrt{8{,}2^2/35 + 7{,}5^2/40} = 1{,}842$$$$df_{\text{Welch}} \approx 70{,}5, \quad t^* \approx 1{,}994, \quad \text{margin} = 1{,}994 \cdot 1{,}842 = 3{,}67$$$$\text{CI 95\% untuk } \mu_1 - \mu_2 = [-3{,}6 - 3{,}67; \; -3{,}6 + 3{,}67] = [-7{,}27; \; 0{,}07]$$

Interpretasi: selang memuat 0 (hampir; batas atas 0,07 sangat dekat nol) — berarti kita tidak bisa menolak hipotesis bahwa rata-rata kedua kelas sama pada taraf 5%. Bila selang seluruhnya di atas 0, kita menyimpulkan $\mu_1 > \mu_2$; bila seluruhnya di bawah 0, $\mu_1 < \mu_2$.

Di Excel, derajat bebas Welch dihitung dengan satu formula =(s1^2/n1+s2^2/n2)^2/((s1^2/n1)^2/(n1-1)+(s2^2/n2)^2/(n2-1)), lalu t* = T.INV.2T(0,05; INT(df)). Sheet 5_CI_DIFF_MEANS mengotomatisasi seluruh perhitungan.

Sample Size dari Margin Galat yang Ditargetkan

Sering kita ingin tahu sebelum survei: berapa $n$ yang dibutuhkan agar margin galat tidak melebihi target tertentu? Rumusnya dibalik dari CI.

Untuk mean (membutuhkan taksiran $\sigma$ dari studi penerbit atau data pilot):

$$n = \left( \frac{z^* \cdot \sigma}{E} \right)^2$$

dengan $E$ = margin galat yang ditargetkan. Contoh: kita ingin estimasi rata-rata pengeluaran rumah tangga dengan margin galat maksimum Rp 50.000, tingkat kepercayaan 95%, dan taksiran $\sigma = 250.000$ dari survei tahun lalu:

$$n = \left( \frac{1{,}96 \cdot 250.000}{50.000} \right)^2 = (9{,}8)^2 = 96{,}04 \to 97$$

97 rumah tangga minimum untuk presisi tersebut.

Untuk proporsi (pilih $\hat{p} = 0{,}5$ untuk skenario terburuk/aman):

$$n = \hat{p}(1 - \hat{p}) \cdot \left( \frac{z^*}{E} \right)^2$$

Untuk $E = 0{,}05$ (±5 pp), 95%: $n = 0{,}5 \cdot 0{,}5 \cdot (1{,}96/0{,}05)^2 = 0{,}25 \cdot 1537 = 384{,}16 \to 385$. Inilah asal-usul angka “385” yang sering muncul sebagai ukuran sampel standar survei nasional.

Di Excel, gunakan ROUNDUP untuk memastikan pembulatan ke atas:

n (mean)        = ROUNDUP((z*σ/E)^2; 0)        → 97
n (proporsi)    = ROUNDUP(p̂(1-p̂)*(z/E)^2; 0)   → 385

Sheet 6_SAMPLE_SIZE file pendamping menghitung keduanya. Untuk proporsi, bila ada taksiran $\hat{p}$ dari survei pilot (mis. $\hat{p} = 0{,}3$), pakai angka itu — memberi $n$ lebih kecil dari worst-case 0,5.

Margin of Error: Apa Itu dan Apa Bukan

Istilah margin of error (MoE) sering muncul di media saat survei publikasi: “Survei menemukan 78% puas, margin of error ±4%.” Apa sebenarnya artinya?

MoE adalah setengah lebar CI 95% untuk proporsi. Untuk survei dengan $\hat{p} = 0{,}78$ dan MoE 4 pp, CI 95% = [74%, 82%]. MoE bukan:

• Bukan “peluang tebakan meleset” — MoE 4% bukan berarti “4% kemungkinan salah”.
• Bukan rentang “true value bergerak” — true value tidak bergerak; justru CI yang berubah bila survei diulang.
• Bukan jaminan bahwa true value pasti di dalam rentang — lihat bagian misinterpretasi di bawah.

MoE hanya berlaku untuk sampling error murni — variasi karena kita hanya menanyai sampel, bukan populasi. MoE tidak mencakup: nonresponse bias, pertanyaan yang menyesatkan, respondents yang berbohong, kerangka sampling yang tidak lengkap. Survei dengan MoE kecil tetap bisa sangat salah bila salah satu sumber non-sampling error ini dominan.

Tujuh Misinterpretasi CI yang Sering Muncul

CI adalah konsep yang paling sering disalahpahami dalam statistik, bahkan oleh peneliti berpengalaman. Berikut tujuh misinterpretasi paling umum — pahami dan hindari semuanya.

Misinterpretasi 1 — “95% peluang parameter ada di selang ini.” Ini yang paling sering diucapkan, dan yang paling salah. Setelah selang terbentuk (mis. [3,036, 3,292]), parameter populasi $\mu$ sudah ada di dalamnya atau tidak — tidak ada peluang lagi. Yang memiliki sifat probabilistik adalah prosedurnya, bukan selang tertentu. Pernyataan yang benar: “Bila prosedur ini diulang berkali-kali, sekitar 95% selang yang dibuat akan memuat $\mu$ sebenarnya.”

Misinterpretasi 2 — “95% populasi berada dalam selang ini.” Salah besar. CI untuk mean bukan rentang yang memuat 95% data individu. Untuk itu, gunakan rentang referensi (mean ± 1,96·s), bukan CI. Selang [3,036, 3,292] untuk pengeluaran RT adalah CI untuk mean populasi, bukan rentang yang memuat 95% rumah tangga.

Misinterpretasi 3 — “Selang 99% lebih akurat dari 95%.” Tergantung apa yang dimaksud “akurat”. Selang 99% lebih lebar dari 95% (karena $z^*$ lebih besar: 2,576 vs 1,96), sehingga lebih mungkin memuat $\mu$ — tapi juga kurang informatif (rentang lebih lebar = ketidakpastian lebih besar). Tidak ada yang “lebih akurat” — ada trade-off antara coverage dan presisi.

Misinterpretasi 4 — “Selang sempit berarti estimasi bagus.” Belum tentu. Selang sempit bisa muncul karena $n$ besar (bagus), tapi juga karena $s$ kecil secara kebetulan (mungkin sampel homogen yang tidak mewakili populasi heterogen). Selalu evaluasi apakah sampel representatif sebelum memuji CI sempit.

Misinterpretasi 5 — “Selang tidak memuat 0 berarti secara praktis penting.” Salah. Dengan $n$ besar, selang bisa sangat sempit dan tidak memuat 0 meski efeknya sangat kecil secara praktis. Selisih rata-rata [0,1; 0,3] pada skala 0-100 secara statistik signifikan, tapi mungkin tidak materil. Selalu lihat effect size bersama CI (lihat artikel Effect Size).

Misinterpretasi 6 — “Bila nilai referensi (mis. 100) jatuh dalam selang, berarti tidak ada perbedaan.” Hati-hati. CI tidak memuat 100 hanya berarti kita tidak bisa menolak hipotesis nol pada taraf $\alpha$ — bukan bukti positif bahwa tidak ada perbedaan. Mungkin sampel kita terlalu kecil untuk mendeteksi perbedaan yang sebenarnya ada (low power). Lihat artikel Power Analysis.

Misinterpretasi 7 — “CI dari sampel berbeda tidak dapat dibandingkan langsung.” Sebenarnya bisa, dengan hati-hati. Bila dua CI 95% tidak overlap, perbedaan signifikan pada $\alpha \approx 0{,}005$ (lebih ketat dari 0,05 karena overlap test konservatif). Bila overlap, belum tentu tidak signifikan — gunakan CI khusus untuk selisih (Welch, lihat di atas).

Faktor Apa yang Menentukan Lebar CI?

Lebar CI = $2 \cdot$ margin galat $= 2 \cdot t^* \cdot s/\sqrt{n}$. Tiga faktor memengaruhinya:

1. Tingkat kepercayaan $1 - \alpha$. Meningkatkan dari 95% ke 99% menaikkan $t^*$ dari ~2 ke ~2,6 — selang melebar ~30%. Trade-off: coverage lebih tinggi, tapi informasi lebih rendah.
2. Simpangan baku sampel $s$. Data heterogen ($s$ besar) menghasilkan CI lebar. Tidak banyak yang bisa dilakukan kecuali mengumpulkan sampel yang lebih representatif atau menggunakan teknik seperti stratified sampling.
3. Ukuran sampel $n$. CI menyempit dengan faktor $1/\sqrt{n}$. Menggandakan $n$ menyempitkan CI sekitar 30% (bukan 50%). Untuk menyempitkan CI menjadi setengahnya, perlu $n$ empat kali lipat.

Hubungan $1/\sqrt{n}$ inilah yang menjelaskan law of diminishing returns dalam pengambilan sampel: dari $n = 100$ ke $n = 200$ menyempitkan CI sekitar 29% (signifikan); dari $n = 5.000$ ke $n = 10.000$ hanya menyempitkan 29% juga, tapi biayanya berlipat. Pada titik tertentu, menambah sampel tidak lagi worth the cost.

Panduan Memilih CI yang Tepat

Decision tree ringkas:

Aturan praktis: untuk mean, default t-interval. Untuk proporsi, cek Wilson. Untuk selisih, Welch lebih aman daripada Student pooled. Untuk apa pun yang “aneh” (median, rasio, transformasi non-linear), bootstrap.

Menghitung di Excel: Panduan Pakai File Pendamping

File confidence-interval-template.xlsx berisi sembilan sheet saling terhubung:

• 1_PETUNJUK — panduan warna dan rumus inti.
• 2_CI_MEAN_Z — CI mean, σ diketahui (botol 499,3 ml).
• 3_CI_MEAN_T — CI mean, σ tidak diketahui (IPK 3,15).
• 4_CI_PROPORTION — CI proporsi, Wald + Wilson berdampingan.
• 5_CI_DIFF_MEANS — CI selisih dua mean dengan Welch + df Satterthwaite.
• 6_SAMPLE_SIZE — sample size untuk mean dan proporsi dari target MoE.
• 7_CONTOH_PENGELUARAN — contoh lengkap 64 rumah tangga, CI mean t otomatis dari data mentah.
• 8_CONTOH_KEPUASAN — contoh lengkap survei 400 pelanggan, CI proporsi otomatis.
• 9_RUMUS — kamus rumus, tabel z* dan t* pada berbagai taraf.

Alur kerja yang disarankan:

1. Untuk CI mean dari data mentah, salin data Anda ke kolom Sheet 7_CONTOH_PENGELUARAN (ganti 64 angka default). Ringkasan statistik dan CI otomatis menghitung ulang.
2. Untuk CI proporsi dari jumlah sukses, isi input di Sheet 8_CONTOH_KEPUASAN.
3. Untuk perencanaan survei (sebelum data terkumpul), gunakan Sheet 6_SAMPLE_SIZE dengan target MoE.
4. Untuk eksplorasi konsep, ubah tingkat kepercayaan dari 95% ke 99% atau 90% di sel manapun — semua endpoint menghitung ulang.

Catatan teknis Excel: formula CONFIDENCE.T dan CONFIDENCE.NORM memerlukan pemisah argumen koma (locale US). Pada Excel Indonesia yang mungkin menggunakan titik koma sebagai pemisah, ganti koma ke titik koma. File pendamping disimpan dalam format locale-independent — seharusnya otomatis menyesuaikan saat dibuka di Excel Indonesia.

Penutup: CI sebagai Bahasa Ketidakpastian

Selang kepercayaan adalah cara statistik berbicara tentang ketidakpastian secara jujur. Daripada menyodorkan satu angka yang berlagak tahu kebenaran (estimasi titik) atau menyerah dengan mengatakan “tidak yakin”, CI menawarkan rentang yang masuk akal dengan tingkat kepercayaan eksplisit. Inilah bahasa yang seharusnya dipakai dalam laporan riset, kebijakan publik, dan komunikasi sains.

Tapi kekuatan CI hanya terwujud bila interpretasinya benar. Tujuh misinterpretasi di atas adalah jebakan yang mengintai siapa saja yang melaporkan atau membaca CI. Pelajari sampai benar-benar paham — bukan sekadar hafal rumus. Seorang analis yang melaporkan “95% CI [3,036, 3,292]” tapi menjelaskannya sebagai “95% peluang rata-rata berada di rentang ini” telah menyebarkan kesalahan yang lebih berbahaya daripada tidak melaporkan sama sekali.

Untuk riset lanjutan, pertimbangkan bootstrap (lihat Bootstrap Resampling) untuk CI tanpa asumsi distribusi, dan artikel Uji Hipotesis untuk dualitas CI dengan pengujian — bila CI 95% tidak memuat nilai nol hipotesis, uji dua-arah pada $\alpha = 0{,}05$ akan menolak hipotesis nol. CI dan p-value adalah dua sisi mata uang yang sama; CI memberi informasi tambahan berupa arah dan besar efek, yang tidak diberikan p-value sendirian.

Kuartet artikel inferensial — Distribusi Sampling, Central Limit Theorem, CI ini, dan Uji Hipotesis — adalah fondasi yang membentuk cara berpikir statistik modern. Kuasai keempatnya, dan Anda memiliki kerangka untuk membaca, mengevaluasi, dan menghasilkan riset kuantitatif yang dapat dipercaya.