A. DISTRIBUSI SAMPLING
Distribusi sampling adalah distribusi dari mean-mean yang diambil secara berulang
kali dari suatu populasi. Bila pada suatu populasi tak terhingga dilakukan pengambilan
sampel secara acak berulang-ulang hingga semua sampel yang mungkin dapat ditarik dari
populasi tersebut. Sampel yang diambil dari populasi terbatas dan sebelum dilakukan
pengambilan sampel berikutnya sampel unit dikembalikan kedalam populasi.
Untuk mempelajari populasi kita memerlukan sampel yang diambil dari populasi
yang bersangkutan. Meskipun kita dapat mengambil lebih dari sebuah sampel berukuran n
dari sebuah populasi berukuran N, pada prakteknya hanya sebuah sampel yang biasa diambil
dan digunakan untuk hal tersebut. Sampel yang diambil ialah sampel acak dan dari sampel
tersebut nilai-nilai statistiknya dihitung untuk digunakan seperlunya. Untuk ini diperlukan
sebuah teori yang dikenal dengan nama distribusi sampling. Distribusi sampling biasanya
diberi nama bergantung pada nama statistik yang digunakan. Demikianlah umpamanya kita
kenal distribusi sampling rata-rata, distribusi sampling proporsi, distribusi simpangan baku,
dan lain-lain. Nama-nama tersebut biasa disingkat lagi berturut-turut menjadi distribusi rata-
rata, distribusi proporsi, distribusi simpangan baku, dan lain-lain.
1. DISTRIBUSI RATA-RATA
Contoh :
Diberikan sebuah populasi dengan N=10 yang datanya : 98, 99, 97, 98, 99, 98, 97, 97, 98,
99. Jika dihitung, populasi ini mempunyai µ = 98 dan σ = 0,78. Diambil sampel
berukuran n=2 . Semuanya ada (10
2
) = 45 buah sampel. Untuk setiap sampel kita hitung
rata-ratanya. Data dalam tiap sampel dan rata-rata tiap sampel diberikan dalam daftar
berikut ini.
4.410
maka rata-ratanya untuk ke-45 rata-rata ini = = 98.
45
simpangan baku ke-45 rata-rata di atas juga dapat dihitung. Besarnya adalah:
𝜎𝑥̅ = 0,52
Tetapi rata-rata populasi 𝜇 = 98 dan simpangan baku 𝜎 = 0,78. Selanjutnya kita hitung:
𝜎 𝑁 − 𝑛 0,78 10 − 2
√ = √ = 0,52
𝑛 𝑁−1 √2 10 − 1
Ternyata berlaku bahwa:
𝜇𝑥̅ = 𝜇
X(1) …………….
𝜎 𝑁−𝑛
𝜎𝑥̅ = √
√𝑛 𝑁 − 1
𝜇𝑥̅ = 𝜇
X(2) …………….
𝜎
𝜎𝑥̅ =
√𝑛
Untuk penggunaan, rumus (2) cukup baik apabila (n/N) ≤ 5%.
Jika sampel acak berukuran n diambil dari sebuah populasi berukuruan N dengan rata-rata µ dan
simpangan baku σ, maka distribusi rata-rata sampel mempunyai rata-rata dan simpangan baku
seperti dalam rumus (1) jika (n/N) > 5%, seperti dalam rumus (2) jika (n/N) ≤ 5%. 𝜎𝑥̅ dinamakan
kekeliruan standar rata-rata atau kekeliruan baku rata-rata atau pula galat baku rata-rata. Ini
merupakan ukuran variasi rata-rata sampel sekitar rata-rata populasi µ. 𝜎𝑥̅ mengukur besarnya
perbedaan rata-rata yang diharapkan dari sampel ke sampel.
Distribusi normal yang didapat dari distribusi rata-rata perlu distandarkan agar daftar distribusi
noramal baku dapat digunakan. Ini perlu untuk perhitungan-perhitungan. Untuk ini digunakan
transformasi.
𝑥̅ − 𝜇
X(3) ……………….. 𝑧=
𝜎𝑥̅
Contoh :
Tinggi badan mahasiswa rata-rata mencapai 165 cm dan simpangan baku 8,4 cm. Telah diambil
sebuah sampel acak terdiri atas 45 mahasiswa. Tentukan berapa peluang tinggi rata-rata ke-45
mahasiswa tersebut :
Jawab:
Jika ukuran populasi tidak dikatakan besarnya, selalu dianggap cukup besar untuk berlakunya
teori. Ukuran sampel n= 45 tergolong sampel besar sehingga dalil limit pusat berlaku. Jadi rata-
rata 𝑥̅ untuk tinggi mahasiswa akan mendekati distribusi normal dengan :
8,4
Simpangan baku 𝜎𝑥̅ = cm = 1,252 cm.
√45
160−165 168−165
𝑧1 = = −3,99 dan 𝑧2 = = 2,40
1,252 1,252
Penggunaan daftar distribusi normal baku memberikan luas kurva = 0,5 + 0,4918 =
0,9818.
Peluang rata-rata tinggi ke-45 mahasiswa antara 160 cm dan 168 cm adalah 0,9918.
166−165
b) Rata-rata tinggi paling sedikit 166 cm memberikan angka z paling sedikit = =
1,252
0,80
Dari daftar normal baku, luas kurva = 0,5-0,2881 = 0,2119. Peluang yang dicari = 0,2119
Apabila dari populasi diketahui variansnya dan perbedaan antara rata-rata dari sampel ke sampel
diharapkan tidak lebih dari sebuah harga d yang ditentukan, maka berlaku hubungan.
𝜎𝑥̅ ≤ 𝑑
X(4) ………………….
Dari rumus X(4) ini, ukuran sampel yang paling kecil sehubungan dengan distribusi rata-rata,
dapat ditentukan.
Contoh :
Untuk contoh diatas, misalkan harga-harga 𝑥̅ dari sampel yang satu dengan sampel yang lainnya
diharapkan tidak lebih dari 1 cm.
𝜎 8,4
≤ 𝑑 yang menghasilkan ≤1
√𝑛 √𝑛
atau n ≥ 70,58.
1. DISTRIBUSI PROPORSI
Uraian untuk distribusi proporsi sejalan dengan untuk distribusi rata-rata. Misalkan
populasi diketahui berukuran N yang didalamnya didapat peristiwa A sebanyak Y di antara N.
Maka didapat parameter proporsi A sebesar µ = (Y/N).
Dari populasi ini diambil sampel acak berukuran n dan dimisalkan didalamnya ada
peristiwa A sebanyak x. Sampel ini memberikan statistik proporsi peristiwa A = x/n. Jika semua
sampel yang mungkin diambil dari populasi itu maka didapat sekumpulan harga-harga statistik
proporsi. Dari kumpulan ini kita dapat menghitung rata-ratanya, diberi simbol µx/n.
Untuk ini ternyata bahwa, jika ukuran populasi kecil dibandingkan dengan ukuran
sampel, yakni (n/N) > 5%, maka :
𝜇𝑥 = 𝜋
𝑛
X(5) ………………
𝜋(1 − 𝜋) 𝑁 − 𝑛
𝜎𝑥 = √ √
𝑛 𝑛 𝑁−1
dan jika ukuran populasi besar dibandingkan dengan ukuran sampel, yakni (n/N) ≤ 5% maka :
𝜇𝑥 = 𝜋
𝑛
X(6) ………………
𝜋(1 − 𝜋)
𝜎𝑥 = √
𝑛 𝑛
Jika dari populasi yang berdistribusi binom dengan parameter π untuk peristiwa A, 0 < π
< 1, diambil sampel acak berukuran n dimana statistik proporsi untuk peristiwa A (x/n), maka
untuk n cukup besar, distribusi proporsi (x/n) mendekati distribusi normal dengan parameter
seperti dalam rumus (5) jika (n/N) > 5%, dan seperti dalam rumus (6) jika (n/N) ≤ 5%.
Seperi dalam distribusi rata-rata, disini pun akan digunakan n ≥ 30 untuk memulai
berlakunya sifat di atas. Untuk perhitungan, daftar distribusi normal baku dapat digunakan dan
untuk itu diperlukan transformasi 𝑥: − 𝜋
𝑧=𝑛
𝜎𝑥
𝑛
X(7) ………………
Jika perbedaan antara proporsi sampel yang satu dengan yang lainnya diharapkan tidak
lebih dari sebuah harga d yang ditentukan, maka berlaku :
𝜎𝑥 ≤ 𝑑
𝑛
X(8) ………………
Karena σx/n mengandung faktor π dengan π = parameter populasi, maka rumus (8) berlaku jika
parameter π sudah diketahui besarnya. Jika tidak, dapat ditempuh cara konservatif dengan
mengambil harga kekeliruan baku atau galat baku yang terbesar, yakni π (1 – π ) = ¼.
Contoh :
Ada petunjuk kuat bahwa 10% anggota masyarakat tergolong ke dalam golongan A. Sebuah
sampel acak terdiri atas 100 orang telah diambil.
a) Tentukan peluangnya bahwa dari 100 orang itu akan ada paling sedikit 15 orang dari golongan
A.
b) Berapa orang harus diselidiki agar persentase golongan A dari sampel yang satu dengan yang
lainnya diharapkan berbeda paling besar dengan 2%?
Jawab:
a) Untuk ukuran sampel 100, diantaranya paling sedikit 15 tergolong kategori A, maka
paling sedikit x/n = 0,15. Kekeliruan bakunya adalah :
0,15−0,10
Bilangan z paling sedikit = = 1,67
0,03
Peluang dalam sampel itu aka nada paling sedikit 15 kategori A adalah 0,0475.
b) Dari rumus (8) dengan π = 0,1 dan 1 – π = 0,9 sedangkan d = 0,02, maka :
0,1+0,9
√ ≤ 0,02 yang menghasilkan n ≥ 225
𝑛
Jika populasi berdistribusi normal atau hampir normal, maka distribusi simpangan baku, untuk n
besar, biasanya n ≥ 100, sangat mendekati distribusi normal dengan :
𝜇𝑠 = 𝜎
𝜎
𝜎𝑠 =
√2𝑛
X(9) ………………
Transformasi yang diperlukan untuk membuat distribusi menjadi normal baku adalah:
𝑠−𝜎
𝑧=
𝜎𝑠
X(10) ………………
Untuk populasi tidak berdistribusi normal dan untuk sampel berukuran kecil, 𝑛 < 100, rumus-
rumusnya snngat sulit dan karena peggunaannya tidak banyak maka disini tidak dijelaskan lebih
lanjut.
Contoh:
Varians sebuah populasi yang berdistribusi normal 6,25. Diambil sampel berukuran 225.
Tentukan peluang sampel tersebut akan mempunyai simpangan bakulebih dari 3,5.
Jawab:
Varians = 6,25 ber = 2,5. Ukuran sampel cukup besar, maka distribusi simpangan baku
2,5
mendekati distribusi normal dengan rata-rata 𝜇𝑠 = 2,5 dan simpangan baku 𝜎𝑠 = = 0,118.
√450
Rumus Slovin
Dari notasi diatas, n adalah jumlah sampel minimal, nilai N adalah populasi sedangkan nilai e
adalah error margin. Berangkat dari ide perihal margin error inilah mungkin sang pencipta dari
rumus ini memberikan kesempatan kepada para peneliti untuk menetapkan besar sampel
minimal berdasarkan tingkat kesalahan atau margin of error.
Misalnya sebuah penelitian dengan derajat kepercayaan 95%, maka tingkat kesalahan adalah 5%.
Sehingga peneliti dapat menentukan batas minimal sampel yang dapat memenuhi syarat margin
of error 5% dengan memasukkan margin error tersebut ke dalam formula atau rumus slovin.
Contoh Cara Hitung Rumus Slovin
Berdasarkan notasi rumus besar sampel penelitian minimal oleh Slovin diatas, maka apabila kita
punya 1.000 orang dalam sebuah populasi, kita bisa tentukan minimal sampel yang akan diteliti.
Margin of error yang ditetapkan adalah 5% atau 0,05.
Perhitungannya adalah:
n = N / (1 + (N x e²))
Sehingga: n = 1000 / (1 + (1000 x 0,05²))
n = 1000 / (1 + (1000 x 0,0025))
n = 1000 / (1 + 2,5)
n = 1000 / 3,5
n = 285,7143
Apabila dibulatkan maka besar sampel minimal dari 1000 populasi pada margin of error 5%
adalah sebesar 286.
Setelah membaca dan memperhatikan cara perhitungan di atas, saya kira para pembaca sekalian
sudah paham bagaimana cara menghitung rumus besar sampel minimal untuk penelitian anda.
Sebagai latihan para pembaca agar benar-benar memahami, silahkan anda hitung besar sampel
minimal untuk penelitian dengan margin of error 1% pada populasi sebanyak 10.000, 2.000,
1.000 dan 500. Silahkan teman-teman semua mencobanya.
Jika langkah teman-teman para pembaca ini benar, maka sampel minimal untuk margin of error
1% pada populasi 10.000 adalah 5.000, populasi 2.000 adalah minimal 1667, jika 1000 maka
minimal 909 dan jika 500 adalah 476.