Nur Hafidha Hikmayani

Populasi (N)

Kelompok dari mana sampel dipilih untuk diikutkan
dalam penelitian

Kelompok yang akan diteliti karakteristiknya di mana
hasil penelitian akan digeneralisasikan

populasi target
(istilah ideal)

populasi terjangkau
(istilah realistik)
 Sampel (n)
• Sekelompok orang atau unit penelitian yang terpilih
shg data penelitian dpt diperoleh
• Kelompok terpilih (perwakilan) yang karakteristiknya
menyerupai populasi

Anggota sampel disebut

subjek penelitian
atau
partisipan
 Populasi Sampel
Kuantitas (jumlah) N Kuantitas (jumlah) n
Rerata μ Rerata x
Varians σ2 Varians s2
Simpang baku σ Simpang baku s
 Sampling
(= Pencuplikan)

Proses pemilihan sekelompok orang, peristiwa,

perilaku, atau elemen lain yang mewakili populasinya
untuk penelitian
 Tujuan sampling
Mengumpulkan data dari populasi agar dapat
ditarik kesimpulan yang bisa digeneralisasikan
ke populasi
 Proses sampling

POPULASI (N)

PENARIKAN
KESIMPULAN

SAMPEL (n)
 Sampel
POPULASI (N)

SAMPEL (n) Apakah sampel

representatif?
 Representativeness
(= Keterwakilan)
• Sampel & populasi target sebisa mungkin
mempunyai karakteristik yang mirip
• Perlu dievaluasi:
– Setting
– Karakteristik subjek (umur, jenis kelamin, suku,
pendapatan, pendidikan)
– Distribusi nilai dari variabel yang diukur dalam
penelitian
Generalisasi (validitas eksternal)

POPULASI (N)

PENARIKAN
KESIMPULAN

SAMPEL (n)
Apakah penarikan
kesimpulan bisa
digeneralisasikan?
 Generalisasi

• Memperluas temuan dari sampel penelitian

ke populasi yang lebih besar (populasi target)
• Dipengaruhi kualitas penelitian dan
konsistensi temuan penelitian
 Mengapa melakukan sampling

• Murah
• Cepat
• Akurat
• Error bisa dihitung
Menentukan kriteria sampling

Sampel homogen:
Semirip mungkin, untuk mengontrol
variabel luar

Sampel heterogen:
Mewakili nilai-nilai yang lebih luas
(topik penelitian luas)
 Kriteria sampling
Kriteria inklusi:
Karakteristik yg harus dimiliki subjek atau
elemen sebagai populasi target
Misal:
– Berumur antara 18 hingga 45
– Bisa baca tulis
– Dijadwalkan utk operasi kandung empedu
– Didiagnosis diabetes
 Kriteria sampling

Kriteria eksklusi:
Karakteristik yg bisa menyebabkan individu
atau elemen dikeluarkan dari populasi target
Contoh:
– Menderita gangguan jiwa
– Berumur kurang dari 18 tahun
– Mempunyai kelainan kognitif
 Generalisasi yang tidak tepat

Sampel tidak bisa digeneralisasikan di luar

kriteria samplingnya
– Kemampuan baca tulis, bahasa
– Sampel dengan penyakit lain
 Sampling
berhubungan dengan
besar sampel
Attrition & refusal rate harus diantisipasi
dalam proses sampling & penentuan
besar sampel
 Terminologi
Sample attrition (pengurangan sampel)
Penarikan, berkurang atau hilangnya subjek
penelitian
Attrition rate =
jumlah subjek yang menarik diri
x 100%
jumlah subjek penelitian

Sample retention:
Jumlah subjek yang dapat mengikuti dan
menyelesaikan penelitian
 Terminologi
Refusal rate
Persentase subjek yang menolak ikut penelitian
80 subjek dipilih, 4 menolak
4 ÷ 80 = 0.05 = 5% refusal rate

Acceptance rate
Persentase subjek yang setuju ikut penelitian
80 subjek dipilih, 76 menerima
76 ÷ 80 = 0.95 = 95% acceptance rate
 Kesalahan dalam sampling

1. Sampling error >>> variasi acak

2. Sampling bias >>> variasi sistemik

Mengancam validitas hasil penelitian

Menghindari kesalahan sampling,
idealnya dilakukan sensus pada populasi

Mengendalikan kesalahan sampling,

peneliti memilih teknik sampling yang
sesuai
 Kesalahan dalam sampling
Didapatkan perbedaan antara rerata populasi
dengan rerata sampel

Kesalahan sampling

Populasi Sampel

Rerata Rerata
populasi sampel
 Sampling error
Variasi acak
– Perbedaan acak karena beberapa nilai akan lebih
tinggi atau lebih rendah dibandingkan nilai rerata
populasi
– Perbedaan nilai yang diharapkan, terjadi saat nilai
yang berbeda diukur dari sampel yang sama
– Jika ukuran sampel diperbesar, variasi acak
menurun
 Sampling bias
Variasi sistematik
– Perbedaan non-acak (nilai tidak berbeda secara
acak) dari nilai rerata populasi
– Akibat memilih subjek yang nilai pengukurannya
memang berbeda dari nilai pengukuran populasi
(selection bias: over/under-represented sampel,
sukarelawan, sampel seadanya)
 Prosedur sampling

1. Menentukan populasi (N) yang akan dicuplik

2. Menentukan ukuran sampel (n)
3. Mengontrol bias & error
4. Memilih sampel
1. Menentukan populasi (N)
yang akan dicuplik

Mengidentifikasi kelompok yang akan

diteliti berikut karakteristiknya di mana
hasil penelitian akan digeneralisasikan
2. Menentukan ukuran sampel (n)

Ukuran sampel mempengaruhi keterwakilan

sampel dan analisis statistik data

…ukuran sampel besar bisa mendeteksi

perbedaan antarkelompok

…ukuran sampel kecil kurang representatif

 Menentukan ukuran sampel (n)
Semakin besar ukuran populasi,
semakin kecil proporsi populasi yang diperlukan
utk mendapatkan sampel representatif

1. Rules of thumb:

Untuk populasi kecil (N ‹ 100), survei seluruh populasi

Ukuran populasi ~500, dicuplik 50%-nya

Ukuran populasi ~1500, dicuplik 20%-nya

Ukuran populasi >5000, ukuran sampel 400 mencukupi

2. Lebih akurat memakai rumus besar sampel

Pemilihan rumus tergantung desain penelitian & teknik
analisis statistik yg akan digunakan
 3. Mengontrol bias & error
Waspadai sumber sampling bias & kenali cara
menghindarinya

Putuskan apakah bias terlalu parah sehingga

mempengaruhi hasil penelitian

Pada laporan hasil penelitian, dokumentasikan

kesadaran akan bias, alasan melanjutkan, dan
konsekuensinya
 4. Memilih sampel...

Proses di mana peneliti mencoba untuk

memastikan bahwa sampel merupakan
representasi dari populasi yang dipilih

…perlu mengenal ragam

teknik pencuplikan
 Teknik sampling riset kuantitatif
Teknik
sampling

Non-
Probability
probability

Simple
Systematic Convenience Snowball
Random

Stratified Cluster Judgment Quota

 Langkah-langkah
pemilihan teknik sampling

• Menentukan populasi target

• Menentukan kerangka sampel (sampling frame)
• Probability atau nonprobability sampling
• Unit sampling
• Kesalahan sampling
 Random sampling error (chance fluctuations)
 Nonrandom sampling error (design errors)
 Populasi Target
(Langkah 1)
• Siapa yang punya data/informasi yg
dibutuhkan?
• Bagaimana menentukan populasi target?
- Geografi
- Demografi
- Pengguna
- Kesadaran
 Sampling Frame
(Langkah 2)

• Daftar elemen dalam sebuah populasi

• Sampling frame error
– Jika elemen sampel tertentu tidak terdaftar,
tidak ada, atau tidak terwakili di daftar
 Probability atau Nonprobability
(Langkah 3)

Probability (random) sampling

• Teknik pencuplikan di mana tiap anggota populasi
mempunyai kesempatan yang sama untuk dipilih
• Prosedur ditentukan oleh ‘kesempatan (chance)’
untuk memilih sampel
• Mengontrol sampling bias
 Probability atau Nonprobability
(Langkah 3)
Nonprobability (nonrandom) sampling
• Unit sampel dipilih berdasarkan penilaian pribadi
atau kemudahan/kenyamanan >>> tidak
memenuhi kaidah pencuplikan acak
• Meningkatkan kemungkinan sampling bias
• Tidak ada teknik statistik untuk mengukur random
sampling error pada nonprobability sampling >>>
scr statistik, generalisasi hampir tidak pernah
tepat
Probability Sampling

Probability

Simple
Systematic
random

Stratified Cluster
 Simple Random Sampling (SRS)

 Bentuk asli probability sampling

 Memastikan bahwa tiap elemen dalam populasi
mempunyai kesempatan yang sama untuk
menjadi sampel
 Memakai random table atau random number
generators
 Langkah-langkah SRS
1. Mengidentifikasi & menentukan populasi
2. Menentukan ukuran sampel
3. Mendaftar atau mencari daftar (sampling frame)
seluruh anggota populasi
4. Memberi nomor urut semua individu dalam daftar
(mulai nomor 0, digit sama)
5. Memilih nomer (arbitrary) pada tabel random
numbers
 Langkah-langkah SRS

6. Pada nomer yang terpilih, lihat angka digit yang

diberikan untuk tiap anggota populasi
7. Jika nomor pilihan sesuai dg nomor yang diberikan
pada individu dlm populasi, individu tersebut
dimasukkan dlm sampel
8. Lanjutkan nomor di kolom selanjutnya , ulangi
langkah #7 hingga sesuai dengan ukuran sampel
yang diinginkan/dihitung
Sampling frame

Random samples
SRS dg Tabel Random Number
Semisal ada 300 orang (ID) dalam daftar (N=300), dan
hanya akan dipilih secara acak 100 sampel
Pertama kali dipilih
(pejam mata

tunjuk acak

ambil tiap 3 digit
sesuai jumlah digit N) Dst ke baris bawah hingga
Sampel #2
terpilih 100 sampel
(id 017)

Sampel #1 Sampel #3
(id 091) (id 182)
Tidak dipilih
(krn 472 > N)
 SRS dg Microsoft Excel
Sampling frame disalin ke Excel
Semisal ada 300 orang dalam daftar (300 id), dan hanya akan
dipilih secara acak 100 sampel, langkah2nya sbb:
• Buat kolom baru, beri nama random_number
• Pada sel pertama di bawah judul baris, ketik =RAND(),
tekan enter
• Copy-paste sel pertama tsb ke sel lainnya dalam kolom yang
berisi 300 id
• Urutkan kolom random_number dg SORT
• Pilih 100 id pertama >>> otomatis id terpilih secara acak
 Tekan enter,
muncul angka random

Arahkan kursor di
pojok kanan bawah B2

Tahan & seret ke

bawah hingga
id#300
 Blok kolom B

Klik Sort & Filter di

menu kanan atas,
Pilih ‘sort smallest to
largest’

100 id pertama yg diurutkan

secara acak >>> menjadi sampel
Sampel #1 = id 18
Sampel #2 = id 20
Sampel #3 = id 21
dst hingga sampel #100
SRS dg Online Random Table Generator
misal: http://graphpad.com/quickcalcs/randomN1.cfm
Kelebihan SRS
 Pengetahuan minimal utk populasi yg dibutuhkan
 Validitas eksternal & internal tinggi; estimasi statistik
utk error
 Mudah dianalisis

Kelemahan SRS
 ‘Mahal’ >>> jarang digunakan
 Butuh sampling frame
 Tidak memanfaatkan keahlian peneliti
 Risiko random error lebih besar dibandingkan stratified
sampling
 Systematic Sampling

 Awalnya dipilih dengan proses acak, kemudian

tiap nomer ke-x (xth) dipilih
 x = sampling interval
 Jumlah elemen populasi
antara unit2 yg terpilih utk
sampel
 Error: periodisitas - daftar
asli sudah mempunyai
pola sistematis
 Langkah2 systematic sampling

1. Mengidentifikasi & menentukan populasi

2. Menentukan ukuran sampel
3. Mendapatkan sampling frame
4. Menentukan x yg sama dengan cara membagi
ukuran populasi dengan ukuran sampel yang
diinginkan
 Langkah2 systematic sampling

5. Mulai memilih dari daftar secara acak (pejamkan

mata, tunjuk acak)
6. Dari pilihan awal, ambil nama (id) ke-x dalam
daftar hingga tercapai ukuran sampel yg
dibutuhkan
7. Jika sdh mencapai daftar terakhir sblm ukuran
sampel terpenuhi, kembali ke daftar awal sesuai
sampling interval
 N = 100

Butuh n = 20

x = sampling interval x = N/n = 5

Pilih nomor acak dari 1-5

>>> misal pilih 4

Mulai dari id#4, pilih

sampel tiap kelipatan 5
Kelebihan
 Biaya & penggunaan: sedang
 Validity eksternal & internal tinggii; estimasi statistik utk
error
 Mudah mencuplik; mudah memverifikasi

Kelemahan
 Urutan periodik – sampel bisa terpilih kembali
 Butuh sampling frame
 Stratified Sampling

Strata 2
 Sub-sample dipilih
secara acak dari sampel
dg strata yang berbeda
karakteristiknya (lebih atau Strata 1

kurang)
 Mengapa? Strata 3
 Mengurangi random error
 Lebih akurat merefleksikan
populasi melalui representasi Total sampel = yang terpilih
yang proporsional secara acak dari tiap strata
 Langkah2 stratified sampling
1. Mengidentifikasi & menentukan populasi
2. Menentukan ukuran sampel
3. Mengidentifikasi variabel & subgrup (strata) yang
ingin dijamin kesesuaian dan kesetaraan
representasinya
4. Mengklasifikasikan seluruh anggota populasi ke
dalam salah satu subgrup (strata)
5. Memilih nomer individu yg ‘sesuai’ secara acak
(bisa dg tabel random number) dari tiap strata
[‘sesuai’: jumlah individu setara]
 Sampling frame

Strata

Contoh variabel
stratifikasi lainnya:
• status pendidikan
• kelompok umur
• jenis kelamin Random sampel dari n/N
• tipe institusi
layanan
kesehatan
• dsb.
 Jenis2 Stratified Sampling
 Proportional Stratified Sampling
Jumlah unit sampling yg dipilih dari tiap strata proporsional dg
ukuran populasi dari strata tsb
(fraksi sampling sama
utk tiap strata)

 Disproportional Stratified Sampling

Jumlah unit sampling yg dipilih dari tiap strata dipilih
berdasarkan pertimbangan analitik (misal, karena variabilitas
meningkat, maka ukuran sampel per strata jg ditingkatkan >>>
oversampling/overrepresentasi)
Kelebihan
 Representasi semua subgrup/strata dari populasi/sampel
terjamin
 Karakteristik tiap strata bisa diidentifikasi &
dibandingkan
 Mengurangi variabilitas dari systematic sampling

Kelemahan
 Butuh populasi yg besar
 Butuh informasi yg akurat utk proporsi tiap strata
 Pembuatan/persiapan daftar stratifikasi ‘mahal’
 Cluster sampling

 Unit sampling primer bukan elemen

individual, melainkan klaster yg besar dari
elemen individual.
 Baik tiap klaster maupun elemen di dalamnya
dipilih secara acak atau sistematis
 Mengapa?
Mendapatkan sampel yg beragam secara geografis
Sering digunakan ketika daftar populasi tdk ada atau
alasan biaya
 Langkah2 Cluster Sampling

1. Mengidentifikasi & menentukan populasi

2. Menentukan ukuran sampel
3. Mengidentifikasi & menentukan klaster yg logis
4. Daftar klaster (populasi klaster)
5. Perkirakan rerata jumlah anggota populasi per
klaster
 Langkah2 Cluster Sampling

6. Menentukan jumlah klaster yg dibutuhkan dg cara

membagi ukuran sampel dg perkiraan ukuran
klaster
7. Memilih jumlah klaster yg dibutuhkan scr acak
(klaster diberi nomor ID, dipilih scr acak/SRS)
8. Masukkan semua anggota populasi dalam klaster
yg terpilih >>> individu dlm klaster terpilih bisa
dipilih secara acak jika ukuran populasi besar
 Contoh Cluster Sampling
 Anda diminta utk mencuplik Propinsi X
semua alumni FK UNS yang

Total klaster teridentifikasi

bekerja di Propinsi X
 Belum ada daftar
 Menggunakan stratified
sampling, susunlah semua
‘industri’ kesehatan di Propinsi X
shg klaster2 dlm Propinsi X
teridentifikasi
 Pekerja individual dl klaster2 tsb
dipilih utk berpartisipasi dlm Klaster yg dibutuhkan =
penelitian >>> alumni FK UNS n/jumlah klaster total >>>
terpilih melalui klaster Klaster dipilih scr acak
 Jenis2 Cluster Sampling

 Area sampling
 Unit sampling primer adlh area geografis

 Multistage area sampling

 Cluster sampling yg mengkombinasikan 2 atau
lebih teknik probability sampling lainnya
 Umumnya, area geografis yg lebih kecil dipilih
secara acak melalui beberapa langkah
Kelebihan
 Murah, sering digunakan
 Butuh semua daftar klaster, tapi akhirnya hanya individu
dlm klaster yg terpilih
 Dapat memperkirakan karakteritik klaster maupun
populasi
 Sangat baik utk multistage sampling

Kelemahan
 Error lbh besar utk perbandingan ukuran (dibandingkan
metode probability lainnya)
 Multistage sampling sgt mahal & validitas tergantung
metode sampling lain yg digunakan
Nonprobability Sampling
Non-
probability

Convenience Snowball

Judgment Quota
 Convenience Sampling

 Untuk mendapatkan unit atau orang yang paling

mudah dijumpai
 Alasan: kecepatan & biaya

 Validitas internal & eksternal??

 Bisakah dijustifikasi??
Halo mas bro,
maukah jadi sampel
penelitian saya?
Kelebihan
 Sangat ‘murah’
 Sering digunakan, mudah dimengerti
 Tidak perlu daftar elemen/populasi

Kelemahan
 Variabilitas dan bias tdk bisa diukur & dikontrol
 Hasil tdk bisa digeneralisasikan ke populasi
(hanya berlaku pd sampel)
Judgment/Purposive Sampling

Peneliti memilih sampel berdasarkan beberapa

karakteristik yg sesuai agar memenuhi
tujuan/maksud penelitian
Kelebihan
 Biaya relatif murah
 Sering digunakan, mudah dimengerti
 Sampel memenuhi tujuan penelitian

Kelemahan
 Bias!
 Hasil tdk bisa digeneralisasikan ke populasi
(hanya berlaku pd sampel)
 Quota Sampling

Memastikan bahwa karakteristik

tertentu dari population akan
terwakili hingga batas yang
telah diinginkan/ditentukan
peneliti
 Batas ukuran sampel

 Batas waktu
Kelebihan
 Biaya relatif murah
 Sangat sering digunakan, mudah dimengerti
 Sampel memenuhi tujuan penelitian
 Bisa mendapatkan beberapa elemen utk stratifikasi

Kelemahan
 Variabilitas dan bias tdk bisa diukur & dikontrol
 Hasil tdk bisa digeneralisasikan ke populasi
(hanya berlaku pd sampel)
 Snowball Sampling

Responden awalnya
dipilih dg metode
probability atau non-
probability sampling,
kemudian responden
tambahan diperoleh
berdasarkan informasi
yg diberikan oleh
responden awal
Kelebihan
 Biaya murah
 Berguna dlm kasus2 tertentu (eksklusif)
 Berguna utk menemukan populasi langka

Kelemahan
 Bias karena unit sampling tdk independen
 Hasil tdk bisa digeneralisasikan ke populasi
(hanya berlaku pd sampel)
 Pendekatan (teknik) sampling
riset kualitatif

Ciri riset kualitatif:

Wawancara mendalam (in-depth inquiry), direkam,
ditranskrip

Peneliti melebur/membaur ke setting (immersion)

Penekanan konteks

Memperhatikan perspektif partisipan

Deskripsi setting tunggal

Bukan generalisasi ke setting jamak
Sebagian besar metode sampling adalah
purposive!
Karena:

Ukuran sampel yg dibutuhkan relatif kecil

Banyak kandidat partisipan tdk bersedia
ikut penelitian
Kualitas kemampuan partisipan
utk memberikan informasi yg dikehendaki
(ttg dirinya atau setting) lebih utama

Keterwakilan bersifat sekunder

 Teknik sampling riset kuantitatif

1. Intensity sampling
Memilih partisipan yang memungkinkan penelitian
dg level topik riset yg berbeda

2. Homogeneous sampling
Memilih partisipan yang mempunyai pengalaman,
perspektif, atau penampilan yg mirip
3. Criterion sampling
Memilih semua kasus yang memenuhi karakteristik
yg telah ditentukan sebelumnya oleh peneliti

4. Snowball sampling
Memilih beberapa individu yang dpt
mengidentifikasi individu lain yg juga masih dpt
mengidentifikasi individu lainnya yang potensial
utk menjadi partisipan yg baik

4. Random purposive sampling

Dg sampel yg kecil, memilih secara acak diartikan
bhw partisipan yg dipilih scr purposif tyt terlalu
banyak utk diikutkan semua dalam penelitian
Questions