BAB II PEMBAHASAN

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

Misalkan kita mempunyai sebuah populasi berkukuran terhingga N dengan

parameter rata-rata µ dan simpangan baku σ. Dari populasi ini diambil secara acak
berukuran n. Jika sampling dilakukan tanpa pengembalian, kita tahu semuanya ada (𝑁𝑛)
buah sampel yang berlainan. Untuk semua sampel yang didapat, masing-masing dihitung
rata-ratanya. Dengan demikian diperoleh (𝑁𝑛) buah rata-rata. Anggap semua rata-rata ini
sebagai data baru, jadi didapat kumpulan data yang terdiri atas rata-rata dari sampel-
sampel. Dari kumpulan ini kita dapat menghitung rata-rata dan simpangan bakunya. Jadi
didapat rata-rata daripada rata-rata, diberi simbol 𝜇𝑥̅ (baca: mu indeks eks garis), dan
simpangan baku daripada rata-rata, diberi simbol 𝜎𝑥̅ (baca: sigma indeks eks garis).
 Beberapa notasi :

n : ukuran sampel N : ukuran populasi

x : rata-rata sampel μ : rata-rata populasi

s : standar deviasi sampel σ : standar deviasi populasi

μx: rata-rata antar semua sampel

σx : standar deviasi antar semua sampel = standard error = galat baku

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.

Semua Sampel Berukuran n = 2

Rata-ratanya Diambil dari Populasi Berukuran N = 10

Sampel Rata-rata Sampel Rata-rata Sampel Rata-rata
(98,99) 98,5 (99,98) 98,5 (99,98) 98,5

(98,97) 97,5 (99,99) 99 (99,97) 98

(98,98) 98 (97,98) 97,5 (99,97) 98

(98,99) 98,5 (97,99) 98 (99,98) 98,5

(98,98) 98 (97,98) 97,5 (99,99) 99

(98,97) 97,5 (97,97) 97 (98,97) 97,5

(98,97) 97,5 (97,97) 97 (98,97) 97,5

(98,98) 98 (97,98) 97,5 (98,98) 98

(98,99) 98,5 (97,99) 98 (98,99) 98,5

(99,97) 98 (98,99) 98,5 (97,97) 97

(99,98) 98,5 (98,98) 98 (97,98) 97,5

(99,99) 99 (98,97) 97,5 (97,99) 98

(99,98) 98,5 (98,97) 97,5 (97,98) 97,5

(99,97) 98 (98,98) 98 (97,99) 98

(99,97) 98 (98,99) 98,5 (98,99) 98,5

Jumlah semua rata-rata = 4410

Jumlah ke-45 buah rata-rata = 4.410.

4.410
maka rata-ratanya untuk ke-45 rata-rata ini = = 98.
45

Jadi, 𝜇𝑥̅ = 98.

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

Jika N cukup besar dibandingkan terhadap n, maka berlaku hubungan:

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.

Dalil limit pusat :

Jika sebuah populasi mempunyai rata-rata µ dan simpangan baku σ yang besarnya
terhingga, maka untuk ukuran sampel acak n cukup besar, distribusi rata-rata sampel mendekati
𝜎
distribusi normal dengan rata-rata 𝜇𝑥̅ = 𝜇 dan simpangan baku 𝜎𝑥̅ = .
√𝑛

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 :

a). antara 160 cm dan 168 cm.

b). paling sedikit 166 cm.

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 :

Rata-rata 𝜇𝑥̅ = 165 cm

8,4
Simpangan baku 𝜎𝑥̅ = cm = 1,252 cm.
√45

a) Dari rumus X(3) dengan 𝑥̅ = 160 cm dan 𝑥̅ = 168 cm didapat :

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.

Jika populasi cukup besar, maka :

𝜎 8,4
≤ 𝑑 yang menghasilkan ≤1
√𝑛 √𝑛

atau n ≥ 70,58.

Paling sedikit perlu diambil sampel terdiri atas 71 mahasiswa.

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

σx/n dinamakan kekeliruan baku proporsi atau galat baku proporsi.

Untuk ukuran sampel n cukup besar, berlakulah sifat berikut :

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 :

𝜋(1 − 𝜋) 0,10 × 0,90

𝜎𝑥 = √ =√ = 0,03
𝑛 𝑛 100

0,15−0,10
Bilangan z paling sedikit = = 1,67
0,03

Dari daftar normal baku, luasnya = 0,5 – 0,4525 = 0,0475.

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

Paling sedikit sampel harus berukuran 225.

2. DISTRIBUSI SIMPANGAN BAKU

 Seperti biasa kita mempunyai populasi berukuran N. Diambil sampel-sampel acak
berukuran n, lalu untuk tiap sampel dihitung simpangan bakunya, yaitu s. Dari kumpulan ini
sekarang dapat dihitung rata-ratanya, diberi simbol𝜇𝑠 dan simpangan bakunya, diberi simbol𝜎𝑠 .

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) ………………

dengan σ = simpangan baku populasi.

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

Bilangan z untuk s = 3,5 adalah

 3,5 − 2,5
𝑧= = 8,47
0,118
Praktis tidak menjadi sampel berukuran 225 dengan simpangan baku lebih dari 3,5.
APAKAH “ SAMPLING ERROR?”
Istilah samplin eror dapat diartikan sebagai kesalahan sampling atau kesalahan pengambilan
sampel. Dan dalam kenyataannya, setiap metode pemilihan sampel dapat dipakai tergantung
pada permasalahan dan karakteristik populasi atau objek yang ditinjau.
Dipihak lain, bahkan ada yang menyatakan tingkat kesalahan penarikan sampel 5% (Tempo,
Edisi 20 – 26 Oktober 1998, pada halaman 13) berkaitan dengan “PENELITIAN Jajak Pendapat
tentang Pemerintahan Habibie” yang dilakukan oleh TEMPO bekerja sama dengan Insight;
dengan 499 responden di 25 kelurahan di lima wilayah DKI dari tanggal 5 – 11 Oktober 1998.
Pernyataan semacam ini jelas dapat menimbulkan salah pengertian, karena sampling error tidak
berkaitan dengan ukuran kuantitatif yang diobservasi atau diukur. Setiap ukuran kuantitatif atau
nilai statistik hanya mempunyai dua kemungkinan, yaitu salah atau benar, dan berbeda atau tidak
berbeda dengan apa yang diharapkan. Pernyataan “ kesalahan 5%” atau “kebenaran 95%”
terhadap suatu nilai statistik merupakan pernyataan yang tidak patut dipakai.
Kesalahan sampling (sampling error) merupakan istilah yang mempunyai pengertian statistika
teoritis. Kesalahan semacam ini tidak dapat diterjemahkan ke dalam pengertian sehari – hari
karena berkaitan dengan nilai diharapkan (expected value) dan parameter populasi yang nilai
atau ukurannya tidak pernah diketahui dengan menyakinkan oleh setiap peneliti. Akan tetapi,
kesalahan tersebut jelas terjadi dan dapat didefinisikan atau dinyatakan secara teoritis.
Berkaitan dengan sampling error, Kish (1965, p. 506) menyatakan “Ordinarily, samplin error
account f or most of the veriable errors of a survey and biases arise shiefly from non sampling
sources”. Selanjutnya, Kish menyajikan hubungan antara sampling error dengan bias memakai
nilai harapan dalam bentuk sebagai berikut :
E[Tn – µ]2 = E[Tn – E(Tn)2] + E [E(Tn) – µ]2
Dimana nilai harapannya E(…) dihitung berdasarkan distribusi semua nilai yang mungkin dari
estimatir atau stetistik Tn. Rumus ini jelas menunjukkan bahwa samplig error tidak berkaitan
dengan sebuah data sampel tertentu, karena E(…) didefinisikan untuk suatu ruang sampel.
Referensi :
Agung. I Gusti Ngurah, 2003, Statistika Penerapan Metode Analisis Untuk Tabulasi Sempurna
dan Tak Sempurna, Jakarta, PT RajaGrafindo Persada.
Cara Hitung Rumus Slovin Besar Sampel

Cara Perhitungan Rumus Slovin Besar Sampel Minimal

Pengertian Rumus Slovin

Rumus Slovin adalah sebuah rumus atau formula untuk menghitung jumlah sampel minimal
apabila perilaku dari sebuah populasi tidak diketahui secara pasti. Rumus ini pertama kali
diperkenalkan oleh Slovin pada tahun 1960. Rumus slovin ini biasa digunakan dalam penelitian
survey dimana biasanya jumlah sampel besar sekali, sehingga diperlukan sebuah formula untuk
mendapatkan sampel yang sedikit tetapi dapat mewakili keseluruhan populasi.

Notasi Rumus Slovin

Rumus Slovin dapat dilihat berdasarkan notasi sebagai berikut:

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.

Referensi Rumus Slovin

Siapa sesungguhnya Slovin yang disebut sebagai pencipta atau yang mempublikasikan rumus ini
adalah menjadi tanda tanya besar. Sebab dari berbagai sumber yang ada, tidak jelas disebutkan
siapa sesungguhnya slovin tersebut. Ada sumber yang menyatakan bahwa slovin adalah Mark
Slovin, Michael Slovin dan Kulkol Slovin.
Di dalam buku Nursalam dengan jelas sekali dijelaskan perihal rumus ini dan cara
perhitungannya. Begitu juga dengan beberapa buku karangan penulis indonesia lainnya, seperti
sugiyono maupun arikunto. Namun tidak jelas siapa sesungguhnya slovin tersebut.
Rujukan international dalam penggunaan rumus ini salah satunya adalah berdasarkan:
Sevilla, Consuelo G. et. al (2007). Research Methods. Rex Printing Company. Quezon City.
Ariola, M. (2006). Principles and Methods of Research. Rex book store, Inc.
Ryan, T. (2013). Sample Size Determination and Power. John Wiley and Sons.
Yamane, Taro. (1967). Statistics: An Introductory Analysis, 2nd Edition, New York: Harper and
Row.
Kelemahan Rumus Slovin
Rumus sampel minimal oleh Slovin ini tampak begitu mudah dan praktis. Seolah-olah kita bisa
langsung tetapkan bahwa sampel minimal yang diambil dari rumus ini dapat digunakan bahwa
hasil penelitian nantinya mempunyai tingkat kesalahan sesuai dengan rumus ini.
namun seperti kita ketahui, kekuatan statistik tidak cukup dengan hal itu. Kita harus perhatikan
nilai Man atau Proporsi. Tetapi walau bagaimanapun, rumus ini begitu terkenal dan banyak
sekali dipakai oleh para peneliti. Dan unikany lagi, siapa sesungguhnya sang pencipta atau
Slovin dibalik rumus ini, tetaplah menjadi misteri.
Demikian para pembaca sekalian, semoga penjelasan singkat tentang rumus slovin ini dapat
bermanfaat bagi anda semuanya dan tentunya tugas akhir anda selesai tepat pada waktunya.
Salam dari saya.