Anda di halaman 1dari 13

PENDAHULUAN Para peneliti kualitatif dan kuantitatif melakukan pendekatan terhadap penarikan sampel (sampling) dengan cara yang

berbeda. Sebagian besar diskusi tentang sampling datang dari para peneliti yang menggunakan gaya kuantitatif. Tujuan utama mereka adalah untuk mendapatkan sampel yang representatif, atau sekelompok kecil unit atau kasus dari kelompok yang jauh lebih besar atau populasi, sehingga peneliti dapat mempelajari kelompok yang lebih kecil dan menghasilkan generalisasi akurat tentang kelompok yang lebih besar. mereka cenderung menggunakan sampling berdasarkan teori probabilitas dari matematika (disebut sampling probabilitas probability sampling) Para peneliti memiliki dua motivasi untuk menggunakan sampling acak atau probabilitas. Motivasi pertama adalah menghemat waktu dan biaya. Jika dilakukan dengan benar, hasil dari sampel dapat memberikan hasil atas 1/1.000 biaya dan waktu. Tujuan kedua sampling probabilitas adalah akurasi. Hasil sampel probabilitas yang dilaksanakan secara hati-hati dan dirancang dengan baik akan menghasilkan hasil yang sama apabila tidak lebih akurat daripada mencoba untuk menjangkau setiap orang di seluruh populasi. Para peneliti kualitatif kurang fokus pada representativitas sampel atau pada teknikteknik rinci untuk menarik sampel probabilitas. Mereka fokus pada bagaimana sampel atau sekelompok kecil kasus, unit, atau aktivitas menjelaskan sifat/ciri utama dari kehidupan sosial. Tujuan sampling adalah untuk mengumpulkan kasus, peristiwa, atau tindakan yang memperjelas dan memperdalam pemahaman. Keprihatinan para peneliti kualitatif adalah untuk menemukan kasus yang akan meningkatkan apa yang peneliti pelajari tentang proses kehidupan sosial dalam konteks yang spesifik. Untuk alasan tersebut, para peneliti kualitatif cenderung untuk mengambil sampling jenis yang kedua: sampling nonprobabilitas. A. SAMPLING NONPROBABILITAS Para peneliti kualitatif jarang menarik sampel representatif/perwakilan dari sejumlah besar kasus untuk mempelajari kasus yang disampel secara seksama tujuan dalam penelitian kuantitatif. Sebagai gantinya, mereka menggunakan sampel nonprobabilitas atau non-acak. Ini berarti mereka jarang menentukan ukuran sampel terlebih dahulu dan memiliki pengetahuan terbatas tentang kelompok yang lebih besar atau populasi dari mana sampel tersebut diambil. Tidak seperti peneliti kuantitatif yang menggunakan pendekatan terencana sebelumnya yang didasarkan pada teori matematika, peneliti kualitatif memilih kasus-kasus secara bertahap, dengan isi kasus spesifik yang menentukan apakah kasus itu dipilih atau tidak. Berikut ini adalah berbagai macam teknik sampling nonprobabilitas. Jenis-jenis Sampel Nonprobabilitas

(1) Haphazard serampangan/tidak teratur: mengambil setiap kasus dengan cara


apapun yang dianggap mudah/sesuai.

(2) Quota - kuota: mengambil sejumlah kasus yang telah ditetapkan dalam setiap
beberapa kategori yang telah ditentukan yang mencerminkan keragaman populasi, menggunakan metode haphazard.

(3) Purposive purposif/sengaja: mengambil semua kemungkinan kasus yang


sesuai dengan kriteria tertentu, dengan menggunakan berbagai metode.

(4) Snowball bola salju: mengambil kasus dengan menggunakan rujukan dari
satu atau beberapa kasus, dan kemudian merujuk lagi dari kasus-kasus tersebut, dan seterusnya.

(5) Deviant case kasus menyimpang: mengambil kasus-kasus yang secara


substansial berbeda dari pola yang dominan (tipe khusus dari sampel purposif)

(6) Sequential berurutan/logis: mengambil kasus-kasus sampai tidak ada


informasi tambahan atau karakteristik baru (sering digunakan dengan metode sampling lainnya).

1. Sampling Serampangan, Kebetulan, atau Praktis (Haphazard, Accidental, or


Convenience Sampling) Pengambilan sampel (sampling) haphazard dapat menghasilkan sampel yang tidak efektif, sangat tidak representatif dan tidak direkomendasikan. Ketika seorang peneliti secara serampangan memilih kasus yang dianggap mudah, dia dapat dengan mudah memperoleh sampel yang benar-benar tidak mewakili populasi. Sampelsampel seperti itu murah dan cepat; namun, kesalahan-kesalahan sistematis yang dengan mudah terjadi membuat sampel-sampel itu lebih buruk daripada tidak ada sampel sama sekali. Wawancara terhadap orang di jalanan yang dilakukan oleh program televisi adalah contoh dari sampel haphazard. Pewawancara televisi pergi ke jalan dengan kamera dan mikrofon untuk berbicara dengan beberapa orang yang mudah diwawancarai. orang-orang yang berjalan melewati sebuah studio televisi di tengah hari tidak mewakili semua orang (misalnya, ibu rumah tangga, masyarakat di daerah pedesaan, dll). Demikian juga, pewawancara televisi sering memilih orangorang yang terlihat "normal" bagi mereka dan menghindari orang yang tidak menarik, miskin, sangat tua, atau tidak jelas/sukar berbicara. Sampel haphazard dapat memiliki nilai entertainment, tetapi mereka dapat memberikan pandangan yang menyimpang dan benar-benar tidak mewakili populasi.

2. Sampling Kuota (Quota sampling)


Sampling kuota merupakan perbaikan (improvement) atas sampling

serampangan (haphazard). Pertama peneliti mengidentifikasi kategori yang relevan dari orang-orang (misalnya, pria dan wanita; atau di bawah usia 30, antara usia 30 sampai 60, di atas usia 60, dll), kemudian memutuskan berapa banyak yang bisa diambil untuk setiap kategori. Oleh karena itu, jumlah orang dalam berbagai kategori sampel tersebut tetap. Sampling kuota merupakan suatu perbaikan karena peneliti dapat

memastikan bahwa beberapa perbedaan ada dalam sampel. Dalam sampel haphazard, semua yang diwawancarai mungkin pada usia, jenis kelamin, atau ras yang sama. Tetapi setelah kuota memperbaiki kategori-kategori dan jumlah kasus di setiap kategori, peneliti dapat menggunakan sampling haphazard. Sebuah kasus dari sejarah sampling mengilustrasikan keterbatasan dari sampling US pada kuota. tahun American 1936, Institute dan of Public Opinion pada milik tahun George 1948, Gallup Gallup menggunakan sampling kuota, sukses memprediksikan hasil dari pemilihan presiden 1940, 1944. Tetapi memprediksikan kandidat yang salah. Prediksi yang tidak benar ini mempunyai beberapa sebab (misalnya, kebanyakan pemilih ragu-ragu, wawancara dihentikan lebih awal), tetapi alasan utamanya karena kategori-kategori kuota tidak menggambarkan secara akurat seluruh area geografis dan semua orang yang benarbenar memberikan suaranya.

3. Sampling Penilaian Atau Purposif (Purposive Or Judgmental Sampling)


Sampling purposif digunakan dalam situasi di mana seorang ahli

menggunakan penilaian/pertimbangan dalam memilih kasus dengan tujuan tertentu dalam pikirannya. Dengan sampling purposif, peneliti tidak pernah tahu apakah kasus yang dipilih mewakili populasi tersebut. Sampling ini sering digunakan dalam penelitian eksplorasi atau penelitian lapangan. Sampling purposif tepat dalam tiga situasi. Pertama, peneliti

menggunakannya untuk memilih kasus-kasus unik yang informatif. Kedua, peneliti dapat menggunakan sampling purposif untuk memilih anggota sulit untuk dijangkau, populasi khusus. Situasi lainnya untuk sampling purposif terjadi ketika peneliti ingin mengidentifikasi jenis kasus tertentu yang membutuhkan investigasi mendalam.

Tujuannya adalah mengurangi generalisasi terhadap populasi yang lebih besar sehingga mendapatkan pemahaman yang mendalam atas jenis kasus tersebut.

4. Sampling Bola Salju (Snowball Sampling)


Sampling bola salju (juga disebut sampling jaringan, rantai rujukan, atau reputasional). adalah metode untuk mengidentifikasi dan menarik sampel (atau memilih) kasus dalam suatu jaringan. Hal ini didasarkan pada analogi bola salju, yang mula-mula kecil tapi menjadi besar karena berguling-guling di salju yang basah dan mengambil salju tambahan. Sampling bola salju merupakan teknik multitahapan. Dimulai dengan satu atau beberapa orang atau kasus dan menyebar berdasarkan jaringan ke kasus awal. Salah satu kegunaan sampling bola salju adalah untuk menarik sampel jaringan. Para peneliti sosial seringkali ditarik pada suatu jaringan yang saling terhubung dari orang atau organisasi. Jaringan ini bisa saja merupakan ilmuwan di seluruh dunia yang menyelidiki masalah yang sama, kaum elit dari sebuah kota ukuran menengah, anggota dari sebuah keluarga kejahatan terorganisasi, orangorang yang menjabat sebagai dewan direksi bank dan perusahaan besar, atau orangorang di kampus perguruan tinggi yang telah memiliki hubungan seksual satu sama lain. Sifat/ciri penting adalah bahwa setiap orang atau unit terhubung dengan yang lain melalui hubungan langsung atau tidak langsung. Ini tidak berarti bahwa setiap orang secara langsung tahu, berinteraksi dengan, atau dipengaruhi oleh setiap orang lain dalam jaringan. Sebaliknya, itu berarti bahwa, secara keseluruhan, dengan jaringan langsung dan tidak langsung, mereka berada dalam sebuah jaringan hubungan yang saling terkait. Para peneliti menyatakan suatu jaringan seperti ini dengan menggambarkan sebuah sosiogram sebuah diagram lingkaran yang terhubung dengan garis.

5. Sampling Kasus Menyimpang (Deviant Case Sampling)


Peneliti menggunakan sampling kasus menyimpang (juga disebut sampling kasus ekstrim) ketika dia mencari kasus yang berbeda dari pola dominan atau atau yang berbeda dari karakteristik dominan dari kasus lainnya. Serupa dengan sampling purposif, seorang peneliti menggunakan beragam teknik untuk menemukan kasuskasus dengan karakteristik tertentu. Sampling kasus menyimpang berbeda dari

sampling purposif dalam hal tujuannya adalah untuk menemukan sekumpulan kasus yang tidak biasa, berbeda atau aneh yang tidak mewakili keseluruhan. Kasus yang menyimpang dipilih karena mereka tidak biasa, dan peneliti berharap untuk belajar lebih banyak tentang kehidupan sosial dengan mempertimbangkan kasus-kasus yang berada di luar pola umum atau termasuk apa yang di luar arus utama dari sejumlah peristiwa.

6. Sampling Sekuensial (Sequential Sampling)


Sampling sekuensial mirip dengan sampling purposif dengan satu perbedaan. Dalam sampling purposif, peneliti mencoba untuk menemukan sebanyak mungkin kasus yang relevan, hingga saat, sumber daya finansial, atau energi nya habis. Tujuannya adalah untuk mendapatkan setiap kasus yang layak. Dalam sampling sekuensial, seorang peneliti terus menerus mengumpulkan kasus-kasus sampai jumlah informasi baru atau keragaman kasus terpenuhi. Sampling sekuensial menuntut peneliti untuk terus mengevaluasi semua kasus yang dikumpulkan.

B.

PENARIKAN SAMPEL (SAMPLING) PROBABILITAS

1. Populasi, Elemen, dan Rerangka Sampling


Seorang peneliti menarik sebuah sampel dari kelompok kasus atau elemen yang lebih besar. Elemen sampling adalah unit analisis atau kasus dalam suatu populasi. Hal ini bisa saja seseorang, kelompok, organisasi, dokumen tertulis atau pesan simbolik, atau bahkan suatu tindakan sosial (seperti penangkapan, perceraian, atau ciuman) yang sedang diukur. Kelompok besar (populasi) memiliki peran penting dalam sampling. Terkadang, istilah universe digunakan secara bergantian dengan populasi. Untuk menentukan populasi, peneliti menetapkan unit yang akan dijadikan sampel, lokasi geografis, dan batas sementara dari populasi. Contoh populasi, semua orang yang berusia 16 tahun atau lebih bertempat tinggal di SIngapura pada tanggal 2 Desember 1999 yang tidak mendekam dalam penjara, rumah sakit jiwa, dan lembaga-lembaga sejenis. Peneliti memulai dengan sebuah gagasan atau ide populasi (semua orang dalam suatu kota) hanya kali ini penetapan populasi dilakukan dengan lebih tepat. Istilah populasi target merujuk pada kelompok spesifik dari kasus-kasus yang ingin diteliti oleh peneliti. Rasio ukuran sampel terhadap ukuran target populasi disebut rasio penarikan sampel (sampling ratio). Contohnya, suatu populasi terdiri dari

50.000 orang, dan peneliti menarik 150 sampel dari 50.000 orang tersebut. Jadi, rasio sampling nya adalah 150/50.000 = 0,003, atau 0,3%. Populasi adalah suatu konsep yang abstrak. Mengapa? Karena kecuali untuk populasi kecil tertentu, seseorang tidak pernah bisa benar-benar memberhentikan laju populasi jika ingin mengukurnya. Contohnya, suatu kota dalam waktu tertentu, ada beberapa orang yang meninggal, beberapa sedang naik atau turun dari pesawat, dan ada beberapa orang yang sedang mengemudi. Para peneliti harus memutuskan dengan tepat siapa yang harus dihitung. Karena populasi merupakan konsep abstrak, kecuali untuk populasi kecil tertentu (mis.semua siswa yang ada di dalam kelas), peneliti perlu mengestimasi populasi. Peneliti mengoperasikan suatu populasi dengan mengembangkan suatu daftar spesifik yang mendekati semua elemen dalam populasi. Daftar ini disebut rerangka penarikan sampel rerangka sampling (sampling frame). Peneliti dapat memilih dari banyak jenis rerangka sampling: catatan pajak, catatan SIM, dan sebagainya. Rerangka sampling yang baik sangat penting untuk sampling yang baik. Ketidasesuaian antara rerangka sampling dan populasi yang didefinisikan secara konseptual dapat menjadi sumber utama kesalahan. Hanya karena ketidaksesuaian antara definisi teoretis dan operasional dari suatu variabel dapat menciptakan pengukuran yang tidak valid, sehingga ketidaksesuaian antara rerangka sampling dan populasi menyebabkan sampling yang tidak valid. Para peneliti mencoba untuk memperkecil ketidaksesuaian tersebut dengan cara mencoba jenis-jenis rerangka sampling yang hampir sesuai dengan populasi. Dengan beberapa pengecualian (misalnya, daftar semua siswa yang terdaftar di universitas), rerangka sampling hampir selalu tidak akurat. Rerangka sampling dapat menyertakan beberapa sampel yang berada di luar target populasi (misalnya, buku telepon yang mendaftar orangorang yang sudah pindah) atau mungkin menghilangkan beberapa sampel di dalamnya (misalnya, bagi yang tidak mempunyai telepon). Setiap karakteristik populasi (misalnya, persentase penduduk kota yang merokok, tinggi rata-rata semua wanita yang berusia di atas 21 tahun, persentase orang yang percaya pada UFO) disebut parameter populasi. Ini adalah karakteristik populasi yang sebenarnya. Parameter-parameter ini ditentukan ketika seluruh elemen dalam sebuah populasi diukur. Parameter tidak selamanya dikenal dengan akurasi yang mutlak, terutama untuk populasi yang besar (misalnya, satu negara), jadi para peneliti harus mengestimasi parameter tersebut berdasarkan sampel.

Mereka

menggunakan

informasi

dari

sampel,

yang

disebut

statistik,

untuk

mengestimasi parameter-parameter populasi.

Apa yang ingin Anda Populasi bicarakan

Berikut ini adalah gambar model dari logika sampling.

Apa yang sebenarnya Anda amati dalam data Sampel Proses Sampling

Rerang ka Samplin g

2. Mengapa Acak? Bidang matematika terapan yang memerlukan teori probabillitas bergantung pada proses acak. Kata acak dalam matematika merujuk pada suatu proses yang menghasilkan hasil acak secara matematis; yaitu proses seleksi yang beroperasi dalam metode yang benar-benar acak (tidak mempunyai pola), dan peneliti dapat menghitung probabilitas hasilnya. Dalam proses acak yang sebenarnya, setiap elemen mempunyai probabilitas terpilih yang sama. Probabilitas sampel yang bergantung pada proses acak memerlukan lebih banyak usaha daripada proses yang nonacak. Peneliti harus mengidentifikasi elemen sampling yang spesifik (misalnya, orang) Contohnya, jika melakukan survei untuk dimasukkan dalam sampel. peneliti perlu mencoba untuk telepon,

mengjangkau orang yang disampel, dengan menelepon kembali empat atau lima kali, untuk mendapatkan sampel acak yang akurat. Sampel acak yang paling mungkin menghasilkan sampel yang benar-benar mewakili populasi. Di samping itu, sampling acak memungkinkan peneliti menghitung secara statistik hubungan antara sampel dan populasi yaitu ukuran kesalahan sampling (sampling error). Definisi kesalahan sampling secara nonstatistik adalah deviasi atau penyimpangan antara hasil sampel dan parameter populasi dikarenakan proses acak. 3. Jenis-Jenis Probabilitas Sampel

a. Acak Sederhana (Simple Random)

Sampel acak sederhana adalah sampel acak yang paling mudah dipahami. Dalam sampling acak sederhana, peneliti mengembangkan rerangka sampling yang akurat, memilih elemen-elemen dari rerangka sampling menurut prosedur acak matematis, kemudian menempatkan elemen yang tepat yang dipilih untuk dimasukkan dalam sampel. Setelah menomori semua elemen dalam rerangka sampling, peneliti

menggunakan daftar angka acak (list of random numbers) untuk menentukan elemen/unsur mana yang akan dipilih. Peneliti membutuhkan nomor acak sebanyak elemen-elemen yang dijadikan sampel; contohnya, untuk 100 sampel, nomor acak yang diperlukan adalah 100. Peneliti dapat memperoleh nomor acak tersebut dari tabel angka acak (random-number table), yaitu tabel angka yang dipilih dengan cara acak secara matematis. Sampling acak tidak menjamin bahwa setiap sampel acak betul-betul menggambarkan atau mewakili populasi tersebut. Malahan, ini berarti bahwa sebagian besar sampel acak sering kali akan mendekati populasi, dan seseorang dapat menghitung probabilitas dari adanya sampel tertentu yang tidak akurat. Peneliti mengestimasi kemungkinan bahwa sampel tertentu tidak aktif atau tidak mewakili karena menggunakan informasi dari sampel untuk memperkirakan distribusi sampling. Dia mengkombinasikan informasi ini dengan pengetahuan dari teorema limit pusat (central limit theorem) untuk membangun interval kepercayaan (confidence intervals). Teorema limit pusat (central limit theorem) dari matematika memberitahukan kita bahwa karena jumlah sampel acak yang berbeda dalam distribusi sampling, yaitu distibusi sampel yang berbeda yang menunjukkan frekuensi hasil sampel yang berbeda dari kebanyakan sampel acak yang terpisah, meningkat menuju tak terhingga, pola sampel dan parameter populasi menjadi lebih dapat diprediksi. Interval kepercayaan (confidence interval) adalah suatu rentang/kisaran di sekitar titik (point) tertentu yang digunakan untuk mengestimasi parameter populasi. Suatu rentang/kisaran digunakan karena statistik proses acak tidak membiarkan peneliti memprediksi titik yang tepat, tetapi membiarkan peneliti mengatakan dengan tingkat kepercayaan yang tinggi bahwa parameter populasi yang sebenarnya terletak dalam kisaran tertentu.

b. Sampling Sistematis

Sampling

sistematis

merupakan

sampling

acak

sederhana

dengan

mempersingkat pemilihan acak. Langkah pertamanya adalah menomori setiap elemen dalam rerangka sampling. Daripada menggunakan daftar angka acak, peneliti menghitung interval sampling, dan interval tersebut menjadi metode seleksi semi-acak (quasi-random selection method) nya. Interval sampling itu peneliti bagaimana memilih elemen-elemen dari sebuah memberitahukan

rerangka sampling dengan melompati elemen-elemen dalam rerangka sebelum memilih salah satu dari sampel. Sebagai contoh, anda ingin menyampel 300 dari 900 nama. Setelah terlebih dahulu mengambil satu sampel (titik awal) secara acak, anda memilih setiap nama ketiga dari 900 nama untuk mendapatkan sampel sebanyak 300 nama. Interval sampling anda adalah 3. Interval sampling mudah untuk dihitung. Yang anda perlukan adalah ukuran sampel dan ukuran populasi (atau ukuran rerangka sampling sebagai suatu estimasi terbaik). Anda dapat berpikir bahwa interval sampling merupakan kebalikan dari rasio sampling. Rasio sampling untuk 300 dari 900 nama adalah 300/900 = 0,333 = 33,3 persen. Interval sampling nya adalah 900/300 = 3. Dalam kebanyakan kasus, sampel acak sederhana dan sampel sistematis memberikan hasil yang hampir sama. Salah satu situasi penting di mana sampling sistematis tidak dapat digantikan selama sampling acak sederhana terjadi ketika elemen-elemen dalam suatu sampel disusun/diatur dalam semacam siklus atau pola.

c. Sampling Bertingkat (Stratified Sampling)


Dalam penarikan sampel (sampling) bertingkat, pertama peneliti membagi populasi ke dalam sub-populasi (tingkatan/strata) berdasarkan informasi tambahan. Setelah membagi populasi ke dalam tingkatan, peneliti menarik sample acak dari setiap subpopulasi. Dia dapat menarik sampel secara acak dalam tingkatan menggunakan acak sederhana atau sampling sistematis. Dalam sampel bertingkat, peneliti mengendalikan ukuran relatif dari setiap stratum, daripada membiarkan proses acak yang mengendalikannya. Hal ini menjamin representativitas atau perbaikan proporsi strata yang berbeda dalam sampel. Tentu saja, informasi tambahan yang diperlukan mengenai strata tidak selalu tersedia.

Umumnya, sampling bertingkat menghasilkan sampel yang lebih mewakili daripada sampling acak sederhana jika informasi stratumnya akurat. Para peneliti menggunakan sampling bertingkat ketika strata kepentingan merupakan persentase kecil dari populasi dan proses acak bisa melewatkan stratum tersebut secara kebetulan. Dalam situasi yang khusus, peneliti mungkin menginginkan proporsi suatu stratum dalam sebuah sampel berbeda dari proporsinya yang sebenarnya dalam populasi. Dalam beberapa situasi juga, peneliti menginginkan proporsi suatu stratum atau subkelompok berbeda dari proporsinya yang sebenarnya dalam populasi. Sebuah contoh sederhana bayangkan sebuah populasi yang terdiri dari 51 persen wanita dan 49 persen pria; parameter populasinya adalah rasio jenis kelamin 51 terhadap 49. Dengan sampel bertingkat, peneliti menarik sampel acak antara wanita dan antara pria sehingga sampel berisi 51 terhadap 49 persen rasio jenis kelamin. Jika peneliti telah menggunakan sampling acak sederhana, akan mungkin bagi sampel acak untuk keluar dari rasio jenis kelamin yang sebenarnya dalam populasi. Jadi, peneliti membuat sedikit kesalahan yang mewakili populasi dan memiliki kesalahan sampling lebih kecil dengan sampling bertingkat.

d. Sampling Kluster (Cluster Sampling)


Sampling kluster membahasakan dua masalah: para peneliti kekurangan rerangka sampling yang baik untuk populasi yang tersebar dan biaya/kos untuk menjangkau elemen-elemen yang disampel sangat tinggi. Daripada menggunakan rerangka sampling tunggal, para peneliti menggunakan rancangan sampling yang melibatkan berbagai tahapan dan kluster/kelompok. Kluster adalah suatu unit yang mengandung elemen-elemen sampling akhir tetapi dapat diperlakukan sementara sebagai suatu elemen sampling itu sendiri. Pertama peneliti menarik sampel kluster, masing-masing mengandung elemen, kemudian menarik sampel kedua dari dalam kluster-kluster yang dipilih di tahapan sampling yang pertama. Dengan kata lain, peneliti secara acak menarik sampel kluster, kemudian secara acak menarik sampel elemen dari dalam kluster-kluster yang dipilih. Hal ini memiliki keuntungan praktis yang besar. Pertama, peneliti dapat membuat rerangka sampling kluster yang baik, bahkan jika itu mustahil untuk membuat satu daru elemen-elemen sampling. Ketika

peneliti memperoleh sebuah sampel kluster, membuat suatu rerangka sampling untuk elemen-elemen dalam setiap kluster menjadi lebih mudah dikelola. Keuntungan kedua untuk populasi yang tersebar secara geografis adalah bahwa berbagai elemen dalam setiap kluster secara fisik dekat satu sama lain. Hal ini dapat memperhemat dalam mencari atau menjangkau setiap elemen. Peneliti menarik beberapa sampel di berbagai tahapan dalam sampling kluster. Dalam sampel tiga tahapan, tahapan pertama adalah sampling acak kluster yang besar; tahapan kedua adalah sampling acak kluster yang kecil dalam setiap kluster besar yang terpilih; dan tahapan terakhir adalah sampling elemenelemen dari dalam kluster kecil yang disampel. Sampling kluster biasanya lebih murah dibandingkan sampling acak

sederhana, tetapi kurang akurat. Setiap tahapan dalam sampling kluster memasukkan kesalahan sampling (sampling error). Ini berarti sampel kluster multitahap tersebut memiliki lebih banyak kesalahan daripada satu tahap sampel acak. Seorang peneliti yang menggunakan sampling kluster harus dapat

memutuskan jumlah kluster dan jumlah elemen di dalam setiap kluster.

e. Probabilility Proportionate To Size (PPS).


PPS adalah suatu prosedur penarikan sampel dimana peluang terpilihnya suatu unit sampel sebanding dengan ukuran. Ukuran yang dimaksud adalah informasi tambahan (auxiliary information) yang dipertimbangkan sebagai dasar penarikan sampel dan memiliki korelasi yang erat dengan variabel-variabel yang akan diteliti.

f. Random Digit Dialing Random digit dialing adalah suatu teknik sampling khusus dalam yang digunakan dalam proyek-proyek penelitian di mana masyarakat diwawancarai atau di-interview melalui telepon. Hal ini berbeda dengan metode sampling tradisonal karena buku telepon yang diterbitkan bukan merupakan rerangka sampling. Tiga jenis orang yang luput ketika rerangka sampling menggunakan buku telepon yaitu, orang yang tidak memiliki telepon, orang yang baru saja pindah

sehingga belum memilki telepon, dan orang-orang yang nomornya tidak terdaftar. Seorang peneliti sebenarnya bisa menghindari masalah yang timbul dari buku telepon dengan cara menggunakan RDD dalam memiilih nomor telepon secara acak. Populasinya adalah nomor telepon bukan orang yang memiliki telepon sehingga tidak akan menemui masalah-masalah tersebut di atas. Random Digit dialing tidaklah sulit, hanya saja membutuhkan waktu yang lebih lama dan dapat membuat peneliti frustasi. Ingat bahwa elemen sampling dalam Random Digit Dialing adalah nomor telepon bukan pemilik nomor telepon.

4. Populasi Tersembunyi (Hidden Populations)


Populasi tersembunyi (hidden population), berbeda dengan general popuation yang bisa terlihat dan mudah diakses, merupakan isu/masalah dalam studi-studi perilaku yang menyimpang atau terstigmatisasi. Contohnya meliputi para pengguna obat-obat terlarang, PSK, homoseksual, penderita HIV/AIDS, tuna wisma, dan lainlain.

5. Seberapa Besarkah Seharusnya Sebuah Sampel?


Jawabannya adalah tergantung pada jenis analisis data yang direncanakan oleh peneliti, pada seberapa akuratkah sampel tersebut terhadap tujuan peneliti, dan pada karakteristik populasi. Sampel yang besar tanpa sampling acak atau dengan rerangka sampling yang buruk kurang representatif daripada sampel yang lebih kecil dengan sampling acak dan rerangka sampling yang sangat baik. Sampel yang baik untuk tujuan kualitatif dapat sangat kecil. Pertanyaan tentang ukuran sampel dapat dibahasakan dalam dua cara. Pertama adalah untuk membuat asumsi mengenai populasi dan menggunakan persamaan statistik mengenai proses sampling acak. Yang kedua dan metode yang lebih sering digunakan adalah aturan praktis (rule of thumb) jumlah konvensional atau yang diterima umum. Peneliti menggunakannya karena mereka jarang memiliki

informasi yang dibutuhkan oleh metode statistik dan karena aturan itu memberikan ukuran sampel yang dekat dengan informasi yang dibutuhkan metode statistik. Salah satu prinsip ukuran sampel adalah, semakin kecil populasi, rasio sampling harus semakin besar untuk memperoleh sampel yang akurat. Keputusan peneliti tentang ukuran sampel terbaik bergantung pada tiga hal: (1) derajat akurasi yang diwajibkan, (2) derajat variabilitas atau diversivitas dalam populasi, (3) jumlah variabel berbeda yang diuji secara serentak dalam analisis data. Analisis data pada subkelompok juga ikut mempengaruhi keputusan peneliti tentang ukuran sampel.

6. Menarik Kesimpulan Peneliti menarik sampel jadi dia dapat menarik kesimpulan dari sampel ke populasi. Faktanya, subbidang analisis data statistik yang berkaitan dengan penarikan kesimpulan yang akurat disebut statistik inferensial (inferential statistics). Peneliti secara langsung mengamati variabel-variabel menggunakan unit-unit dalam sampel. Sampel tersebut mewakili atau merepresentasikan populasi. Para peneliti tidak tertarik dengan sampel itu sendiri; mereka ingin mengambil keseimpulan terhadap populasi. Jadi, ada celah (gap) yang muncul antara apa yang dimiliki peneliti secara konkret/nyata (sampel) dan apa yang menjadi minat sebenarnya (populasi).

KESIMPULAN Penarikan sampel (sampling) digunakan secara luas dalam penelitian sosial. Ada jenis-jenis sampling yang tidak didasarkan pada proses acak. Hanya beberapa yang dapat diterima, dan penggunaan mereka didasarkan pada keadaan yang khusus. Sampling probabilitas dipilih oleh para peneliti kuantitatif karena sampling tersebut menghasilkan sampel yang mewakili populasi dan memungkinkan peneliti menggunakan teknik statistik.