Anda di halaman 1dari 8

TEKNIK PENARIKAN SAMPEL

Konsep-konsep Dasar Sampling


Salah satu hal yang menakjubkan dalam penelitian ialah kenyataan bahwa kita
dapat menduga sifat-sifat suatu kumpulan objek penelitian hanya dengan mempelajari
dan mengamati sebagian dart kumpulan itu. Bagian yang diamati itu disebut sampel,
sedangkan kumpulan objek penelitian disebut populasi. Objek penelitian dapat berupa
orang, umpi, organisasi, kelompok, lembaga, buku, kata-kata, surat kabar dan lain-
lain. Dalam penelitian, objek penelitian ini disebut satuan analisis (units of analysis)
atau unsur-unsur populasi.
Bila kita meneliti seluruh unsur populasi, kita melakukan sensus. Sensus mudah
dilakukan bila jumlah populasi terbatas. Pimpinan fakultas ingin mengetahui reaksi
mahasiswa di fakultasnya terhadap kurikulum yang baru. Ia dapat mewawancarai
semua mahasiswa, tanpa kecuali. Tentu saja, ada kemungkinan beberapa orang tidak
sempat diwawancarai karena sakit, tidak pernah muncul di fakultas, atau ...
menghindari penelitian. Sensus, memang, tidak selamanya sempurna. Hasil sensus,
yang mengungkapkan karakteristik populasi (seperti rata-rata, ragam, modus, atau
range), disebut parameter.
Bila jumlah unsur populasi itu terlalu banyak, padahal kita ingin menghemat
biaya dan waktu, kita harus puas dengan sampel. Karakteristik sampel disebut
statistik. Kita sebetulnya tidak tertarik pada statistik. Kita ingin menduga secara
cermat parameter dart statistik. Metode pendugaan inilah yang dikenal sebagai teori
sampling. Ini berarti sampel harus mencerminkan semua unsur dalam populasi
secara proporsional. Sampel seperti itu dikatakan sampel tak bias (unibased sample)
atau sampel yang representatif. Sebaliknya sampel bias adalah sampel yang tidak
memberikan kesempatan yang sama pada semua unsur populasi untuk dipilih.
Memang, sampel mungkin menunjukkan karakteristik yang menyimpang dari
karakteristik populasi. Penyimpangan dari karakteristik populasi disebut galat
sampling (sampling error). Jadi, galat sampling adalah perbedaan antara hasil yang
diperoleh dari sampel dengan hasil yang didapat dari sensus (Neter, Wasserman,
Whitmore, 1979: 195). Statistik dapat membantu kita menentukan sampling error
hanya bila kita menggunakan sampel tak bias.
Sampel tak bias adalah sampel yang ditarik berdasarkan probabilitas (probability
sampling). Dalam sampel probabilitas, setiap unsur populasi mempunyai nilai
kemungkinan tertentu untuk dipilih. Karena sampel ini mengasumsikan kerandoman
(randomness), maka sampel probabilitas lazim juga disebut sebagai sampel random.
Bila kita mengambil sampel tertentu berdasarkan pertimbangan-pertimbangan tertentu,
kita memperoleh sampel pertimbangan (judgemental sampling), disebut juga sampel
non-probabilitas. Untuk kedua jenis sampling ini, ada beberapa alternatif teknik
penelitian sampel. Teknik penarikan sampel sering disebut rencana sampling atau
rancangan sampling (sampling design).
Rancangan Sampling
Ada empat rancangan sampling dalam kategori sampel probabilitas: (1) sampling
random sederhana, (2) sampling sistematis, (3) sampling berstrata, dan (4) sampling
Master. Kita akan membicarakan hal-hal praktis dari setiap rancangan ini.
Sampling random sederhana adalah yang paling banyak dipakai. Untuk
menarik sampel seperti ini, kita dapat menuliskan semua unsur populasi dalam secarik
kertas, kemudian mengundinya sampai kita memperoleh jumlah yang dikehendaki.
Unsur-unsur yang jatuh itulah yang menjadi sampel. Cara ini tidak praktis bila
populasinya besar. Karena itu, umumnya peneliti menggunakan cara kedua:
menggunakan tabel random (lihat Lampiran 3). Apa pun metode yang digunakan,
sampling random sederhana harus memiliki kerangka sampling (sampling frame).
Kerangka sampling adalah daftar lengkap semua unsur populasi. Jadi, bila populasi kita
penduduk Desa Bojongsalam, maka kita harus memiliki daftar penduduk Desa
Bojongsalam yang lengkap, kita harus menomori setiap orang dari 1 sampai N.
Berdasarkan kerangka sampling, ditarik sejumlah orang, yang nanti menjadi sampel.
Sampling sistematis juga menggunakan kerangka sampling. Hanya di sini, unsur
yang pertamalah yang dipilih secara random. Unsur-unsur lainnya ditarik dengan
mengambil jarak tertentu. Misalnya, populasi berjumiah 1000. Kita hanya memerlukan
1000
40 unsur. Perbandingan ukuran populasi dengan ukuran sampel, yakni = 25,
40
disebut sampling rasio. Untuk contoh kita, misalkan unsur yang pertama kita pilih
nomor 10. Nomor-nomor berikutnya yang menjadi sampel ialah 35, 60, 85, 110, ..., 960,
985.
Sampling berstrata, seperti ditunjukkan namanya, melibatkan pembagian populasi
ke dalam kelas, kategori, atau kelompok yang disebut strata. Karakteristik strata boleh
jadi kota, daerah, suku bangsa, jenis kelamin, status, usia, dan sebagainya. Ada dua
jenis sampel strata: proporsional dan disproporsional. Dalam sampel strata
proporsional, dari setiap strata diambil sampel yang sebanding dengan besar setiap
strata. Angka yang menunjukkan berapa persen dari setiap strata diambil disebut pecahan
sampling (sampling fraction). Pada sampel strata, pecahan sampling untuk setiap strata
sama. Cara ini akan mengalami kesukaran bila ada sebagian strata yang jumlahnya
terlalu kecil atau sebagian lagi terlalu besar. Bila ada 10.000 orang mahasiswa dan 10
orang dosen, lalu dari setiap strata kita ambil 10%, kita memperoleh sampel yang terdiri
dari 1.000 orang mahasiswa dan I orang down. Dalam hal seperti itu disarankan metode
sampling strata disproporsional. Di sini, dari setiap strata diambil jumlah sampel yang
sama. Nanti dalam analisis data, dan data untuk setiap strata dikalikan dengan bobot
strata tersebut. Prosedur kedua metode ini dapat diikuti pada Tabel 7 dan Tabel 8.
Sampling klaster (cluster sampling) dilakukan bila kita tidak mempunyai kerangka
sampling. Misalnya, kita ingin meneliti anak-anak SD Kotamadya Bandung. Tidak
mungkin kita menghimpun semua anak SD dalam daftar. Selain mungkin daftar itu akan
terlalu panjang, data tentang itu sukar diperoleh. Bila daftar nama anak SD sukar kita
buat, kelompok anak berdasarkan nama sekolahnya mudah kita buat. Kelompok anak itu
disebut klaster. Master dapat berupa sekolah, kelas, kecamatan, desa, RW, RT, dan
sebagainya. Bila klaster itu bersifat geografis, sampling klaster dapat dilakukan satu
tahap (single stage). Misalnya, kita ingin meneliti penduduk Desa Bojongsalam. Desa ini
terdiri dari 12 RK. Dari daftar RK, kita pilih secara random 3 RK. Semua umpi pada 3
RK itu kita jadikan sampel. Bila pada setiap RK kita memilih hanya 4 RT saja secara
random, kita melakukan sampel klaster banyak tahap (multistage).
Rancangan sampling nonprobabilitas, seperti disebutkan di atas, tidak
menggunakan prinsip kerandoman. Yang termasuk ke sini antara lain: (1) sampling
kebetulan (accidental sampling), yaitu mengambil sampel siapa saja yang ada atau
kebetulan ditemui, (2) sampling kuota (quota sampling), yaitu menetapkan jumlah
tertentu untuk setiap strata lalu meneliti siapa saja yang ada sampai jumlah itu terpenuhi,
(3) sampling purposif, yaitu memilih orang-orang tertentu karena dianggap -
berdasarkan penilaian tertentu - mewakili statistik, tingkat signifikansi, dan prosedur
pengujian hipotesis, tidak berlaku bagi rancangan sampling nonprobabilitas.

Ukuran Sampel

Pecahan sampling 0,10 atau 0,20 Bering dianggap banyak penelitian sebagai
ukuran sampel yang memadai. Sebetulnya ukuran sampel bergantung pada derajat
keseragaman, presisi yang dikehendaki, rencana analisis data dan fasilitas yang tersedia
(Singarimbun dan Effendi, 1982). Bila unsur populasi betulbetul seragam, satu unsur saja
cukup. Bila kita ingin melakukan analisis tabulasi silang, jumlah sampel harus cukup
banyak sehingga tidak terlalu banyak yang kosong. Bila biaya, waktu, dan tenaga cukup
tersedia, sampel yang besar dapat digunakan, lalu apa yang disebut presisi?
Presisi, dalam teori sampling, hanya dapat dipahami setelah kita mengerti konsep
estimasi dalam statistik. Tidak mungkin di sini diuraikan estimasi statistik. Secara
singkat, estimasi adalah metode menduga nilai parameter dari statistik. Nilai rata-rata
dalam sampel merupakan penduga nilai rata-rata dalam populasi. Bila dalam sampel kita
menemukan rata-rata pendapatan adalah Rp 20.000,00, kita menduga populasi itu
mempunyai rata-rata pendapatan seperti itu. Dugaan kita tidak selalu presis. Mungkin
rata-rata populasi sebenarnya Rp 20.500,00. Angka Rp 500,00 disebut galat sampling
(sampling error).
Tetapi rata-rata populasi biasanya tidak diketahui. Yang kita ketahui hanyalah
rata-rata sampel. Berdasarkan rata-rata sampel kita menduga rata-rata populasi. Untuk
memperoleh kecermatan pendugaan, kita menetapkan jarak nilai di sekitar nilai rata-rata
sampel. Misalnya, rata-rata populasi terletak antara 20.250 - 20.750. Angka ± 250 dari
rata-rata sampel disebut presisi. Jarak nilainya disebut selang kepercayaan (confidence
interval). Di samping presisi dan selang kepercayaan, estimasi statistik menambahkan
lagi konsep tingkat kepercayaan (reliability atau confidence level). Tingkat kepercayaan
bisa 90%, 95%, atau 99,7% (diartikan hampir pasti). Sebagai contoh, kita dapat berkata:
“Kita 99,7% yakin rata-rata populasi berada di antara ± 250 angka rata-rata
sampel”.
Dengan pengetahuan tentang presisi, selang kepercayaan, dan tingkat
kepercayaan, sekarang kita dapat menghitung besarnya sampel. Ukuran sampel
ditetapkan dengan rumus:
(Z S)2
n =
d2
di mana Z adalah koefisien reliabilitas (1,65 untuk 90%, 1,96 untuk 95%, dan 2,58 untuk
99%) S adalah standar deviasi, dan d adalah nilai presisi.
Misalnya, kita ingin menduga rata-rata kecerdasan mahasiswa dengan presisi
5 point dan reliabilitas 99,7% (hampir pasti). Berapa ukuran sampel yang kita perlukan?
Untuk itu, kita harus lebih dahulu rnengetahui standar deviasi populasi. Bila ini tidak
diketahui, kita mencari standar deviasi dari sampel penelitian terdahulu atau dari sampel
percobaan yang kita lakukan. Katakanlah, kita mendapat angka standar deviasi 14 point.
Ukuran sampel, dengan demikian, diperoleh sebagai berikut:

(Z S)2
n =
d2

(3 x 14)2
n =
25

= 207

Cara lain untuk menghitung ukuran sampel didasarkan pada pendugaan proporsi
populasi. Misalnya, berapa persen dari populasi menonton televisi, berapa persen tidak.
Rumus yang sederhana untuk ini ialah (Yamane, 1967:99):

N
n =
Nd2 + 1

Contoh: Kita ingin menduga proporsi pembaca surat kabar dari populasi 3.000 orang.
Presisi ditetapkan di antara ± 5% dengan tingkat kepercayaan 95% (Z = 2). Berapa besar
sampel yang diperlukan?
Jawabannya:

3000 3000
n = = = 353
2
(3000)(0,05) + 1 (3000x0,05) + 1

Yamane memberikan tabel khusus (lihat Lampiran 3) sehingga kita tidak perlu
menghitung lagi.