Bab 2 PDF
Bab 2 PDF
LANDASAN TEORI
Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
Dalam melakukan sampling, terdapat teori dasar yang disebut teori sampling. Teori sampling
populasinya. Teori sampling bertujuan untuk membuat sampling menjadi lebih efisien.
Pengertian efisien dalam teori dasar sampling adalah rancangan sampling yang menghasilkan
dugaan yang paling mendekati parameter populasi, membutuhkan biaya pengumpulan data
Rancangan sampling yang efisien adalah rancangan sampling yang dapat menghemat waktu,
tenaga dan biaya tanpa mengurangi keakuratan data, dan informasi yang diperoleh benar-
Eriyanto (2007) mengemukakan bahwa pemakaian sampel akan berguna jika dapat
digunakan sebagai alat pendugaan (inferensia). Nilai populasi disebut sebagai parameter,
populasinya.
Sampling acak sederhana merupakan bentuk paling sederhana dari pengambilan sampel.
Sampel acak sederhana dari n ukuran sampel diambil ketika setiap kemungkinan irisan
(subset) dari n unit dalam populasi memiliki kesempatan yang sama untuk terpilih
sebagai sampel. Sampel acak sederhana dapat digunakan apabila dalam satu populasi
Sampling acak sederhana adalah sampling acak, dimana setiap elemen memiliki peluang
yang sama untuk dipilih dari populasi. Sampling acak sederhana dilakukan apabila:
sama).
(Hasan, 2001)
Dalam Cochran (1991) definisi sampling acak sederhana adalah sebuah metode untuk
memilih n unit dari N sehingga setiap elemen dari NCn sampel yang berbeda
𝜎2 𝑁 − 𝑛
𝑉(𝑦̅) = ( )
𝑛 𝑁−1
Dimana:
2
∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2
𝜎 =
𝑁
Sampling acak berlapis adalah bentuk sampling acak yang elemen populasinya dibagi
dilakukan apabila:
2. Ada kriteria yang digunakan sebagai dasar untuk menstratifikasikan elemen populasi
ke dalam stratum-sratum.
3. Dapat diketahui dengan tepat jumlah unit/satuan samplingnya dari setiap stratum
dalam populasi.
(Hasan, 2001)
Cochran (1991) mengemukakan bahwa dalam sampling acak berlapis, unit populasi (N)
dibagi ke dalam sub populasi, masing-masing N1, N2,…., NH. Sub populasi ini tidak
boleh tumpang tindih, dan bila seluruh sub populasi dijumlahkan, maka diperoleh:
N1+ N2+….+ NH = N
Sub populasi disebut lapisan (strata). Untuk memperoleh keuntungan yang maksimal
dari pelapisan (stratification), nilai NH harus diketahui. Bila lapisan telah ditentukan,
sebuah sampel diambil dari masing-masing lapisan secara acak untuk lapisan berbeda.
n1 + n2 +….+nH = n
menghasilkan batas kesalahan sampling (sampling error) yang lebih kecil dari pada
sampling acak sederhana dengan ukuran sampel yang sama. Jika hasil pengukuran
b) Biaya observasi pada suatu survei bias dikurangi dengan melakukan stratifikasi pada
c) Memungkinkan diterapkannya metode dan prosedur yang berbeda untuk setiap strata
yang diambil.
1 𝑁𝑖 −𝑛𝑖 𝑆2
𝑉(𝑦̅) = 𝑁2 ∑𝐿𝑖=1 𝑁𝑖2 ( ) ( 𝑛𝑖 )
𝑁𝑖 𝑖
∑𝑛𝑖=1(𝑌𝑖𝑗 − 𝑌̅)2
𝑆𝑖2 =
𝑛−1
merupakan kelompok dari elemen (Scheaffer, Mendenhall dan Ott., 1996). Sampling
keterbatasan biaya dan selain itu juga karena tidak tersedianya sampling frame secara
One-Stage Cluster Sampling membagi populasi menjadi kelompok atau kluster. Beberapa
kluster kemudian dipilih secara acak sebagai wakil dari populasi, kemudian sampel diambil
dari dalam kluster yang terpilih secara acak yang akan dijadikan sebagai sampel penelitian.
One-stage cluster sampling dapat digunakan apabila posisi geografis elemen-elemen populasi
berjauhan, tidak tersedianya sampling frame secara lengkap, dan untuk efisiensi biaya,
Populasi N kluster
𝑚𝑖 n kluster
∑𝑛 𝑦
𝑦̅𝑜𝑛𝑒 = ∑𝑛𝑖=1𝑚𝑖 (1)
𝑖=1 𝑖
𝑚
Dengan yi = ∑𝑖=1
𝑖
𝑦𝑖𝑗
Pada one-stage cluster, pemilihan kluster dilakukan secara acak sehingga penduga variansnya
𝑁−𝑛 2
𝑉̂ (𝑦̅𝑜𝑛𝑒 ) = ( )𝑆
𝑁𝑛𝑀̅2
dengan:
2
∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅𝑚𝑖 )2
𝑆 =
𝑛−1
Bukti:
∑ 𝑛
𝑦
𝑉̂ (𝑦̅𝑜𝑛𝑒 ) = V (∑𝑛𝑖=1𝑚𝑖 )
𝑖=1 𝑖
1
= 2 𝑉(∑𝑛𝑖=1 𝑦𝑖 ) (2)
(∑𝑛
𝑖=1 𝑚𝑖 )
∑𝑛
𝑖=1 𝑚𝑖
Diketahui bahwa 𝑚
̅= , sehingga ∑𝑛𝑖=1 𝑚𝑖 = 𝑛𝑚
̅. Untuk kasus one-stage cluster
𝑛
𝑛
̅ = ∑𝑖=1 𝑚𝑖 atau ∑𝑛𝑖=1 𝑚𝑖 = 𝑛𝑀
sampling, 𝑚𝑖 = 𝑀𝑖 , sehingga 𝑀 ̅ . Dengan demikian, persamaan
𝑛
(2) menjadi:
𝑛
1
𝑉̂ (𝑦̅𝑜𝑛𝑒 ) = 2 2 𝑉 (∑ 𝑦𝑖 )
𝑛 𝑀̅
𝑖=1
1 ∑𝑛
𝑖=1 𝑦𝑖
= 𝑛2 𝑀̅2 𝑉(𝑛 𝑦̅ ∗ ) : dengan 𝑦̅ ∗ = 𝑛
1
= 𝑛2 𝑀̅2 𝑛2 𝑉(𝑦̅ ∗ )
1
= ̅2
𝑉(𝑦̅ ∗ ) (3)
𝑀
∑𝑛
𝑖=1 𝑦𝑖 𝑚𝑖
Perhatikan bahwa 𝑦̅ ∗ = , dengan 𝑦𝑖 adalah ∑𝑗=1 𝑦𝑖𝑗 atau merupakan total pengamatan
𝑛
pada kluster terpilih ke-i. Dengan demikian, penduga total bagi kluster ke-i adalah 𝑦̅𝑚𝑖 .
Mengikuti konsep penduga varians pada kasus simple random sampling, maka diperoleh:
𝑁−𝑛 𝑆 2
𝑉(𝑦̅ ∗ ) = ( 𝑁
) 𝑛
(4)
∑𝑛 ̅𝑚𝑖 )2
𝑖=1(𝑦𝑖 − 𝑦
dengan 𝑆 2 = 𝑛−1
1 𝑁−𝑛 𝑆 2
𝑉(𝑦̅ ∗ ) = 𝑀̅2 ( ) atau
𝑁 𝑛
𝑁−𝑛
= ̅2
𝑆2 (terbukti).
𝑁𝑛𝑀
Catatan:
N= jumlah kluster
Metode two-stage kluster sampling merupakan pengembangan dari metode kluster sampling
dimana pengambilan sampel dilakukan secara dua tahap, yaitu tahap pertama, memilih
beberapa kluster dalam populasi secara acak dan tahap kedua memilih beberapa unit sampel
Tahap 1
Tahap 2
Notasi:
M = ∑𝑁
𝑖=1 𝑀𝑖 = jumlah elemen/unit sampling dalam populasi
1 ∑𝑛𝑖=1 𝑀𝑖 𝑦̅𝑖
𝑦̅𝑡𝑤𝑜 =
̅
𝑀 𝑛
Bukti:
Akan dibuktikan melalui pendekatan total populasi. Diketahui bahwa total populasi = 𝑁𝑦̅
𝑁 𝑦̅𝑡𝑜𝑡𝑎𝑙
𝑦̅𝑡𝑤𝑜 =
𝑀
𝑁 ∑𝑛
𝑖=𝑖 𝑦𝑖
=𝑀 (5)
𝑛
𝑦𝑖 = ∑ 𝑦𝑖𝑗
𝑗=1
= 𝑀𝑖 𝑦̅𝑖
1 ∑𝑛 ̅𝑖
𝑖=1 𝑀𝑖 𝑦
𝑦̅𝑡𝑤𝑜 = ̅
(terbukti)
𝑀 𝑛
Bukti:
Menurut scheaffer, et.al (1996) penduga ragam bagi penduga rata-rata populasi untuk kasus
Pertama menguraikan:
𝑛
1
𝑉1 [𝐸2 (𝑦̅𝑡𝑤𝑜 ) ] = 𝑉1 [ ∑ 𝑦̅𝑖 ]
𝑛
𝑖=1
= 𝑉1 [𝑦̅]
𝑁 − 𝑛 𝑆12
=
𝑁 𝑛
1
dengan 𝑆12 = 𝑁−1 ∑𝑁 ̅𝑖 − 𝑦̅)2
𝑖=1(𝑦
𝑁−𝑛 1
maka diperoleh ( ) (𝑛𝑀̅2 ) 𝑆𝑏2 .
𝑁
𝑛
1
𝐸1 [𝑉2 (𝑦̅𝑡𝑤𝑜 )] = 𝐸1 (𝑉2 ( ∑ 𝑦̅𝑖 ))
𝑛
𝑖=1
𝑛
1
= 𝐸1 [ 2 (∑ 𝑦̅𝑖 )]
𝑛
𝑖=1
1
= 𝐸1 ( 2 (𝑉2 (𝑦̅1 ) + 𝑉2 (𝑦̅2 ) + ⋯ + 𝑉2 (𝑦̅𝑛 )))
𝑛
1
= 𝐸1 ( 2 𝑛 𝑉(𝑦̅𝑖 ))
𝑛
1
= 𝐸1 ( 𝑉(𝑦̅𝑖 ))
𝑛
1
= 𝐸 [𝑉(𝑦̅𝑖 )]
𝑛 1
𝑛
11
= ∑ 𝑉(𝑦̅𝑖 )
𝑛𝑁
𝑖=1
𝑛
11 ̅ − 𝑚 𝑆22
𝑀
= ∑
𝑛𝑁 ̅
𝑀 𝑚
𝑖=1
2
∑𝑛
𝑖=1(𝑦𝑖𝑗 −𝑦
̅𝑖 )
dengan 𝑆22 = 𝑚−1
Dengan demikian diperoleh penduga varians bagi penduga rata-rata populasinya adalah:
𝑛
𝑁−𝑛 1 1 ̅ − 𝑚 𝑆22
𝑀
𝑉̂ (𝑦̅𝑡𝑤𝑜 ) = ( ) ( 2 ) 𝑆𝑏2 + ∑( )
𝑁 ̅
𝑛𝑀 𝑛𝑁 ̅
𝑀 𝑚
𝑖=1