A.

Teknik Sampling Probabilitas ( Teknik Sampling Random)

1. Teknik Sampel Acak Sederhana (Simple Random Sampling)
Sampel acak sederhana adalah sebuah sampel yang diambil sedemikian
rupa sehingga setiap unit penelitian atau satuan elementer dari populasi
mempunyai kesempatan yang sama untuk dipilih sebagai sampel. Peluang
yang dimiliki oleh setiap unit penelitian untuk dipilh sebagai sampel sebesar
n/N, yakni ukuran sampel yang dikehendaki dibagi dengan ukuran populasi.
Dalam menggunakan Teknik Sampling Random Sederhana ini ada beberapa
syarat yang harus dipenuhi, antara lain (Singarimbun dan Effendy, 1989):
a. Harus tersedia kerangka sampling atau memungkinkan untuk dibuatkan
kerangka samplingnya (dalam kerangka sampling tidak boleh ada unsur
sampel yang dihitung dua kali atau lebih).
b. Sifat populasinya harus homogen, jika tidak, kemungkinan akan
terjadi bias.
c. Ukuran populasinya tidak tak terbatas, artinya harus pasti berapa ukuran
populasinya.
d. Keadaan populasinya tidak terlalu tersebar secara geografis.
2. Teknik Sampel Acak Sistematik (Systematic Random Sampling)
Teknik sampel acak sistematik merupakan teknik sampel dengan populasi
yang sangat besar. Prasyarat yang harus dipenuhi agar teknik sampel acak
sistematik ini dapat digunakan, sama dengan prasyarat teknik sampel acak
sederhana, yakni tersedia kerangka sampel (ukuran populasi diketahui dengan
pasti) dan populasi mempunyai pola beraturan yang memungkinkan untuk
diberikan nomor urut serta bersifat homogen. Cara pengambilan sampel teknik
ini dengan dilakukan perandoman atau pengundian hanya satu kali, yakni
ketika menentukan unsure pertama dari sampel yang akan diambil. Penentuan

unsure samoel selanjutnya ditempuh dengan cara memanfaatkan interval

sampel. Interval sampel adalah angka yang menunjukan jarak antara nomornomor urut yang terdapat dalam kerangka sampel yang akan dijadikan patokan
dalam menentukan atau memilih unsure sampel kedua dan seterusnya hinga
unsure ke-n.
3. Teknik Sampel Acak Berstrata (Stratified Random Sampling)
Teknik sampel ini digunakan apabila populasi tidak homogeny (heterogen).
Makin heterogen suatu populasi, makin besar pula perbedaan sifat-sifat antara
lapisan tersebut. Untuk dapat menggunakan teknik sampling random strata,
ada beberapa syarat yang harus dipenuhi, antara lain (Singarimbun dan
Effendi, 1989:162-163):
a. Ada kriteria yang jelas yang akan dipergunakan sebagai dasar untuk
menstratifikasi populasi ke dalam lapisan-lapisan. Sebagai contoh,
populasi penelitian Anda adalah seluruh mahasiswa Unsoed. Dalam
kenyataannya karakteristik mahasiswa Unsoed tidak sama (tidak
homogen) sebab terdapat program pendidikan jenjang D3, S1, S2, dan S3
yang tentu saja karakteristik (terutama karakteristik akademisnya)
berbeda-beda. Maka dalam keadaan populasi yang demikian populasi
harus dibagi kedalam strata (subpopulasi) mahasiswa D3, mahasiswa S1,
mahasiswa S2, dan mahasiswa S3.
b. Ada data pendahuluan dari populasi mengenai kriteria yang dipergunakan
untuk menstratifikasi. Misalnya, data mengenai pembagian jenjang
pendidikan pada mahasiswa Unsoed didasarkan pada kenyataan bahwa di
Unsoed memang terdapat berbagai jenjang pendidikan.
c. Jumlah satuan elementer dari setiap strata (ukuran setiap subpopulasi)
harus diketahui dengan pasti. Hal ini diperlukan agar peneliti dapat

membuat kerangka sampling untuk setiap subpopulasi atau strata yang

akan

dijadikan

sumber

dalam

menentukan

sampel

atau

responden. Penentukan saampel sasaran atau responden masih perlu

dilanjutkan dengan menggunakan teknik sampling random sederhana atau
teknik sampling random sistematik, setelah sebelumnya dibuatkan
kerangka sampling untuk setiap subpopulasinya.
Sampel

strata

terdiri

dari

dua

macam,

yakni sampel

strata

proporsional dan sampel strata disproporsional. Teknik sampel random strata

proporsional digunakan apabila proporsi ukuran subpopulasi atau jumlah
satuan elementer dalam setiap strata relatif seimbang atau relatif sama besar.
Dalam sampel strata proporsional, dari setiap strata diambil sampel yang
sebanding dengan besar setiap strata dengan berpatokan pada pecahan
sampling (sampling fraction) yang sama yang digunakan. Pecahan sampling
adalah angka yang menunjukkan persentase ukuran sampel yang akan diambil
dari ukuran populasi tertentu.

4. Teknik Sampel Acak Klaster (Cluster Random Sampling)

Teknik ini digunakan apabila ukuran populasinya tidak diketahui dengan pasti,
sehingga tidak memungkinkan untuk dibuatkan kerangka samplingnya, dan
keberadaannya tersebar secara geografis atau terhimpun dalam klaster-klaster
yang berbeda-beda. Misalnya, populasi puah penelitian kita adalah seluruh
murid Sekolah Dasar (SD) yang ada di Wilayah Purwokerto. Kelompok siswa
SD itu kita buat berdasarkan nama sekolahnya. Kelompok anak SD itu disebut
klaster. Klater dapat berupa sekolah, kelas, kecamatan, desa, kelurahan, RW,
RT, dan sebagainya. Apabila klaster itu bersifat wilayah geografis yang kecil,
maka pengambilan sampelnya dapat dilakukan satu tahap (simple cluster
sampling). Apabila wilayah geografis besar makan dilakukan teknik sampel
klaster banyak tahap (Multistage cluster sampling).
B. Teknik Sampel Nonprobabilitas
1. Teknik Sampel Aksidental (Accidental sampling)
Sampel ini sering disebut sebagai sampel kebetulan yang pengambilannya
didasarkan pada pertimbangan kemudahan bagi peneliti (bukan penelitian),
sehingga sampel ini sering kali disebut convenience sampling atau sampel
keenakan. Orang-orang ilmu statistika bahkan menyebutnya sebagai sampel
kecelakaan, karena saking tidak representatifnya sampel tersebut. Sebisa
mungkin, hindari untuk menggunakan sampel ini, jika kesimpulan penelitian
kita ingin memperoleh kemampuan generalisasi yang tepat. Metode
pengambilan sampel ini dengan memilih siapa yang kebetulan ada atau
dijumpai saja.

2. Teknik Sampel Kuota (Quota Sampling)

Teknik sampling kuota merupakan teknik sampling yang sejenis dengan
teknik sampling strata. Perbedaannya adalah ketika mengambil sampel dari
setiap strata tidak menggunakan cara-cara random, tetapi menggunakan caracara kemudahan (convenience). Caranya, tentukan ukuran sampel dari
masing-masing strata lalu teliti siapa sejumlah orang yang sesuai dengan
ukuran sampel yang ditentukan tadi, siapa saja asal berasal dari strata
tersebut.
3. Teknik Sampel Purposif (Purposeful sampling)
Teknik ini disebut juga judgemental sampling atau sampel pertimbangan
bertujuan. Dasar penetuan sampelnya adalah tujuan penelitian. Sampel ini
digunakan jika dalam upaya memperoleh data tentang fenomena atau
masalah yang diteliti memerlukan sumber data yang memilki kualifikasi
spesifik atau kriteria khusus berdasarkan penilaian tertentu, tingkat
signifikansi tertentu.
4. Teknik Sampel Snowball
Snowball Sampling adalah teknik penentuan sampel yang mula-mula
jumlahnya kecil, kemudian membesar. Ibarat bola salju yang menggelinding
yang lama-lama menjadi besar. Dalam penentuan sampel, pertama-tama
dipilih satu atau dua orang sampel, tetapi karena dengan dua orang sampel ini
belum merasa lengkap terhadap data yang diberikan, maka peneliti mencari
orang lain yang dipandang lebih tahu dan dapat melengkapi data yang
diberikan oleh dua orang sampel sebelumnya. Begitu seterusnya, sehingga
jumlah sampel semakin banyak.
SKALA DATA

1. Data Nominal
Data nominal adalah ukuran yang paling sederhana, dimana angka yang
diberikan kepada objek mempunyai arti sebagai label saja, dan tidak
menunjukkan tingkatan apapun. Ciri-ciri data nominal adalah hanya memiliki
atribut, atau nama, atau diskrit. Data nominal merupakan data diskrit dan tidak
memiliki urutan. Bila objek dikelompokkan ke dalam set-set, dan kepada
semua anggota set diberikan angka, set-set tersebut tidak boleh tumpang tindih
dan bersisa. Misalnya bidang kedokteran gigi yakni periodonsia, ortodonsia
dan prostodonsia. Kemudian masing-masing bidang diberikan angka, misalnya
periodonsi (1), ortodonsi (2) dan prostodonsia (3). Jelas kelihatan bahwa angka
yang diberikan tidak menunjukkan bahwa tingkat bidang lebih tinggi. Angka
tersebut tidak memberikan arti apa-apa jika ditambahkan. Angka yang
diberikan hanya berfungsi sebagai label saja. Begitu juga tentang suku, yakni
Dayak, Bugis dan Badui.
2. Data Ordinal
Data ordinal disebut juga sebagai data kontinum. Data ini, selain memiliki
nama (atribut), juga memiliki peringkat atau urutan. Angka yang diberikan
mengandung tingkatan. Data ini digunakan untuk mengurutkan objek dari yang
paling rendah sampai yang paling tinggi, atau sebaliknya. Ukuran ini tidak
memberikan nilai absolut terhadap objek, tetapi hanya memberikan peringkat
saja. Jika kita memiliki sebuah set objek yang dinomori, dari 1 sampai n,
misalnya peringkat 1, 2, 3, 4, 5 dan seterusnya, bila dinyatakan dalam skala,

maka jarak antara data yang satu dengan lainnya tidak sama. Ia akan memiliki
urutan mulai dari yang paling tinggi sampai paling rendah. Atau paling baik
sampai ke yang paling buruk.
Misalnya dalam skala Likert (Moh Nazir), mulai dari sangat setuju, setuju,
ragu-ragu, tidak setuju sampai sangat tidak setuju dengan pemberian kode
5,4,3,2 dan 1. Dari hasil pengukuran dengan menggunakan skala ordinal ini
akan diperoleh data ordinal.
3. Data Interval
Pemberian angka kepada set dari objek yang mempunyai sifat-sifat ukuran
ordinal dan ditambah satu sifat lain, yakni jarak yang sama pada pengukuran
dinamakan data interval. Data ini memperlihatkan jarak yang sama dari ciri
atau sifat objek yang diukur. Akan tetapi ukuran interval tidak memberikan
jumlah absolut dari objek yang diukur. Data yang diperoleh dari hasil
pengukuran menggunakan skala interval dinamakan data interval.
Misalnya tentang nilai ujian 6 orang mahasiswa, yakni A, B, C, D, E dan F
diukur dengan ukuran interval pada skala prestasi dengan ukuran 1, 2, 3, 4, 5
dan 6, maka dapat dikatakan bahwa beda prestasi antara mahasiswa C dan A
adalah 3 1 = 2. Beda prestasi antara mahasiswa C dan F adalah 6 3 = 3.
Akan tetapi tidak bisa dikatakan bahwa prestasi mahasiswa E adalah 5 kali
prestasi mahasiswa A. Dari hasil pengukuran dengan menggunakan skala
interval ini akan diperoleh data interval. Alat analisis (uji hipotesis asosiatif)
statistik parametrik yang lazim digunakan untuk data interval ini adalah

Pearson Korelasi Product Moment, Partial Correlation, Multiple Correlation,

Partial Regression, dan Multiple Regression.
4. Data Rasio
Ukuran yang meliputi semua ukuran di atas ditambah dengan satu sifat yang
lain, yakni ukuran yang memberikan keterangan tentang nilai absolut dari
objek yang diukur dinamakan ukuran rasio (data rasio). Data rasio, yang
diperoleh melalui pengukuran dengan skala rasio memiliki titik nol.
Karenanya, interval jarak tidak dinyatakan dengan beda angka rata-rata satu
kelompok dibandingkan dengan titik nol di atas. Oleh karena ada titik nol,
maka data rasio dapat dibuat perkalian ataupun pembagian.
Angka pada data rasio dapat menunjukkan nilai sebenarnya dari objek yang
diukur. Jika ada 4 orang pengemudi, A, B, C dan D mempunyai pendapatan
masing-masing perhari Rp. 10.000, Rp.30.000, Rp. 40.000 dan Rp. 50.000.
Bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali
pendapatan pengemudi A. Pendapatan pengemudi D adalah 5 kali pendapatan
pengemudi A. Pendapatan pengemudi C adalah 4/3 kali pendapatan pengemudi
B. Dengan kata lain, rasio antara pengemudi C dan A adalah 4 : 1, rasio antara
pengemudi D dan A adalah 5 : 1, sedangkan rasio antara pengemudi C dan B
adalah 4 : 3. Interval pendapatan pengemudi A dan C adalah 30.000, dan
pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Contoh data
rasio lainnya adalah berat badan bayi yang diukur dengan skala rasio. Bayi A
memiliki berat 3 Kg. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1

Kg. Jika diukur dengan skala rasio, maka bayi A memiliki rasio berat badan 3
kali dari berat badan bayi C. Bayi B memiliki rasio berat badan dua kali dari
berat badan bayi C, dan bayi C memiliki rasio berat badan sepertiga kali berat
badan bayi A, dst.
Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data
rasio. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik
parametrik dan yang lazim digunakan untuk data rasio ini adalah Pearson
Korelasi Product Moment, Partial Correlation, Multiple Correlation, Partial
Regression, dan Multiple Regression.