Interval kepercayaan adalah kisaran nilai yang kemungkinan berisi parameter populasi sebenarnya (rata-rata, proporsi, perbedaan antar kelompok, dll.) berdasarkan sampel — dan memahami arti sebenarnya dari interval kepercayaan adalah salah satu konsep yang paling sering disalahpahami dalam statistik. Interval kepercayaan 95% tidak berarti ada kemungkinan 95% nilai sebenarnya berada di dalam interval tersebut (salah saji yang umum); artinya jika Anda mengulangi proses pengambilan sampel berkali-kali, sekitar 95% interval yang dihasilkan akan berisi parameter sebenarnya. Bagian di bawah ini membahas apa yang diukur oleh interval kepercayaan dan mengapa interval kepercayaan itu penting untuk pelaporan ilmiah yang jujur, bagaimana ukuran sampel dan tingkat kepercayaan berbanding terbalik dengan lebar interval, dan rumus khusus untuk interval kepercayaan rata-rata dan proporsi beserta asumsinya.

Apa Arti Interval Keyakinan Sebenarnya

Interval kepercayaan mengukur ketidakpastian dalam estimasi yang diperoleh dari sampel. Saat kita menghitung 95% CI sebesar [48,2, 51,8] untuk suatu mean, interpretasi teknisnya adalah sebagai berikut: prosedur yang digunakan untuk menghasilkan interval ini memiliki sifat bahwa, pada banyak sampel berulang hipotetis, 95% interval yang dihasilkan oleh prosedur ini akan berisi mean populasi sebenarnya. Interval itu sendiri merupakan variabel acak — ia berubah seiring dengan perubahan sampel — sedangkan rata-rata populasi sebenarnya tetap dan tidak diketahui.

Perbedaan ini penting karena frasa umum "ada 95% kemungkinan rata-rata sebenarnya ada dalam interval ini" secara teknis salah dalam statistik klasik (sering) — setelah Anda menghitung interval tertentu, apakah interval tersebut berisi rata-rata sebenarnya (probabilitas 1) atau tidak (probabilitas 0), dan kita tidak tahu yang mana. Angka 95% berlaku untuk perilaku prosedur jangka panjang, bukan untuk interval tunggal apa pun. Interval kredibel Bayesian, konstruksi matematika yang berbeda, memang mendukung penafsiran intuitif "probabilitas dalam interval" tetapi memerlukan penentuan distribusi sebelumnya. Untuk pekerjaan praktis, CI frequentist sudah memadai dan dipahami secara luas meskipun ada masalah interpretasi yang tidak kentara.

Ukuran Sampel, Tingkat Keyakinan, dan Pengorbanan Lebar

Lebar interval kepercayaan ditentukan oleh tiga faktor: ukuran sampel (n), variabilitas data (deviasi standar s), dan tingkat kepercayaan yang dipilih (90%, 95%, 99%, dll.). Sampel yang lebih besar menghasilkan interval yang lebih sempit karena kesalahan standar rata-rata (s/√n) menyusut seiring bertambahnya n — menggandakan ukuran sampel akan mengurangi lebar interval sekitar 30% (faktor √2). Menggandakan ukuran sampel menjadi separuh lebarnya. Hubungan hasil yang semakin berkurang inilah yang menyebabkan perencanaan ukuran sampel menjadi penting — beralih dari n=100 ke n=400 merupakan keuntungan besar, namun dari n=400 ke n=1600 menambah presisi tambahan yang lebih sedikit untuk 4× biaya pengumpulan data.

Tingkat kepercayaan yang lebih tinggi menghasilkan interval yang lebih lebar karena Anda memerlukan margin kesalahan yang lebih besar agar lebih yakin bahwa interval tersebut menangkap parameter sebenarnya. CI 99% memiliki lebar sekitar 31% dibandingkan CI 95% berdasarkan data yang sama; CI 99,9% berarti 59% lebih lebar. Pilih tingkat kepercayaan berdasarkan konsekuensi kesalahan — penelitian medis dan persetujuan peraturan biasanya menggunakan 95% atau 99%, sedangkan analisis bisnis eksplorasi mungkin menggunakan 80% atau 90% untuk interval yang lebih ketat dan dapat ditindaklanjuti. Kalkulator menunjukkan respons lebar interval terhadap pilihan ini sehingga Anda dapat memilih keseimbangan yang sesuai dengan konteks keputusan spesifik Anda.

Rumus dan Asumsi

CI untuk rata-rata populasi menggunakan rumus x̄ ± t*(s/√n), dengan t* adalah nilai t kritis dari distribusi t dengan n−1 derajat kebebasan pada tingkat kepercayaan pilihan Anda. Untuk n ≥ 30 distribusi t pada dasarnya identik dengan distribusi normal dan Anda dapat menggunakan nilai z sebagai gantinya (1,96 untuk 95% CI, 2,576 untuk 99% CI). Untuk sampel yang lebih kecil, nilai t sedikit lebih besar daripada nilai z, sehingga intervalnya melebar untuk memperhitungkan ketidakpastian tambahan mengenai deviasi standar sebenarnya.

Untuk proporsi populasi, rumusnya adalah p̂ ± z*·√(p̂(1−p̂)/n), dengan p̂ adalah proporsi sampel. Rumus proporsi ini memerlukan np̂ ≥ 10 DAN n(1−p̂) ≥ 10 agar perkiraan normal dapat berfungsi — langgar rumus ini dan gunakan metode binomial eksak sebagai gantinya. Kedua rumus tersebut mengasumsikan pengambilan sampel acak independen dari populasi; bias sistematis (sampel kenyamanan, seleksi mandiri) membatalkan interpretasi CI terlepas dari ukuran sampel. Jika asumsi dilanggar, keluaran kalkulator mungkin valid secara teknis namun menyesatkan dalam hal ketidakpastian sebenarnya — selalu periksa asumsi sebelum memercayai intervalnya.

Interval Keyakinan: Mengukur Ketidakpastian

Apa Arti Interval Keyakinan Sebenarnya

Interval kepercayaan 95% tidak berarti ada kemungkinan 95% bahwa parameter sebenarnya terletak dalam interval spesifik yang Anda hitung. Sebaliknya, ini menggambarkan kinerja prosedur: jika Anda mengulangi studi yang sama sebanyak 100 kali, sekitar 95 interval yang dihasilkan akan berisi nilai sebenarnya. Setiap interval tunggal berisi nilai sebenarnya atau tidak — keacakan ditentukan dalam pengambilan sampel, bukan parameternya.

Kapan Menggunakan Z vs T

Gunakan distribusi Z ketika simpangan baku populasi (σ) diketahui atau ketika n besar (≥ 30). Untuk sampel kecil dengan σ yang tidak diketahui, distribusi T menyebabkan ketidakpastian tambahan dengan menghasilkan interval yang sedikit lebih lebar. Nilai kritis t menyatu ke nilai z seiring dengan peningkatan df — dengan df = 30, perbedaannya kurang dari 1%.

Ukuran dan Presisi Sampel

Margin kesalahan sebanding dengan 1/√n. Untuk mengurangi separuh margin kesalahan, Anda harus melipatgandakan ukuran sampel. Hubungan ini menjelaskan mengapa jajak pendapat politik mensurvei sekitar 1.000–1.500 orang: lebih dari itu, peningkatan presisi berkurang dengan cepat dibandingkan dengan biaya pengumpulan data tambahan. Sample Size Solver di atas menunjukkan dengan tepat n yang Anda perlukan untuk margin kesalahan target apa pun.