Anda di halaman 1dari 14

Nama : Nida Alya Nasywa (18020058)

Raudina Tasya Adila (18020067)


Siti Fatimah (18020082)
Sulaiman Muhamad H (18020085)

TUGAS RESUME MATERI :


SAMPLING DAN DISTRIBUSI SAMPLING

A. Populasi dan Sampel


 Populasi adalah wilayah generalisasi yang terdiri atas obyek atau subyek yang
mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk
dipelajari dan kemudian ditarik kesimpulannya (Sugiyono. 2005 : 90). Populasi atau
universe adalah jumlah keseluruhan dari satuan-satuan atau individu-individu yang
karakteristiknya hendak diteliti. Dan satuan-satuan tersebut dinamakan unit analisis,
dan dapat berupa orang-orang, institusi-institusi, benda-benda, dst. (Djawranto, 1994 :
420). Kesimpulannya populasi adalah total kumpulan obyek penelitian atau observasi
yang akan dipelajari oleh pengambil keputusan
- kegiatannya: sensus

 Sampel atau contoh adalah sebagian dari populasi yang karakteristiknya hendak
diteliti (Djarwanto, 1994:43). Sampel yang baik, yang kesimpulannya dapat
dikenakan pada populasi, adalah sampel yang bersifat representatif atau yang dapat
menggambarkan karakteristik populasi jadi kesimpulannya Sampel adalah anggota
populasi yang diobservasi yang diharapkan dapat mewakili populasi.
- kegiatannya: sampling
B. Teknik Sampling
 Pengertian teknik pengambilan sampel
Teknik pengambilan sampel atau teknik sampling adalah teknik pengambilan sampel
dari populasi. Sampel yang merupakan sebagaian dari populasi tsb. kemudian diteliti
dan hasil penelitian (kesimpulan) kemudian dikenakan pada populasi (generalisasi).
 Manfaat sampling
1) Menghemat beaya penelitian.
2) Menghemat waktu untuk penelitian.
3) Dapat menghasilkan data yang lebih akurat.
4) Memperluas ruang lingkup penlitian.
 Syarat-syarat teknik sampling
Teknik sampling boleh dilakukan bila populasi bersifat homogen atau memiliki
karakteristik yang sama atau setidak-tidaknya hampir sama. Bila keadaan populasi
bersifat heterogen, sampel yang dihasilkannya dapat bersifat tidak representatif atau
tidak dapat menggambarkan karakteristik populasi.
 Jenis-jenis teknik sampling
1) Teknik sampling secara probabilitas

Teknik sampling probabilitas atau random sampling merupakan teknik sampling yang
dilakukan dengan memberikan peluang atau kesempatan kepada seluruh anggota
populasi untuk menjadi sampel. Dengan demikian sampel yang diperoleh diharapkan
merupakan sampel yang representatif. Teknik sampling semacam ini dapat dilakukan
dengan cara-cara sebagai berikut.

a) Teknik sampling secara rambang sederhana.


Cara paling populer yang dipakai dalam proses penarikan sampel rambang sederhana
adalah dengan undian.

b) Teknik sampling secara sistematis (systematic sampling).

Prosedur ini berupa penarikan sample dengan cara mengambil setiap kasus (nomor
urut) yang kesekian dari daftar populasi.
c) Teknik sampling secara rambang proportional.

Jika populasi terdiri dari subpopulasi-subpopulasi maka sample penelitian diambil


dari setiap subpopulasi. Adapun cara peng-ambilan- nya dapat dilakukan secara
undian maupun sistematis.

d) Teknik sampling secara rambang bertingkat.

Bila subpoplulasi-subpopulasi sifatnya bertingkat, cara peng-ambilan sampel sama


seperti pada teknik sampling secara proportional.

e) Teknik sampling secara kluster (cluster sampling)

Ada kalanya peneliti tidak tahu persis karakteristik populasi yang ingin dijadikan
subjek penelitian karena populasi tersebar di wilayah yang amat luas. Untuk itu
peneliti hanya dapat menentukan sampel wilayah, berupa kelompok klaster yang
ditentukan secara bertahap. Teknik pengambilan sample semacam ini disebut cluster
sampling atau multi-stage sampling.

2) Teknik sampling secara nonprobabilitas.

Teknik sampling nonprobabilitas adalah teknik pengambilan sample yang ditemukan


atau ditentukan sendiri oleh peneliti atau menurut pertimbangan pakar.

Beberapa jenis atau cara penarikan sampel secara nonprobabilitas adalah sebagai
berikut.

a) Puposive sampling atau judgmental sampling

Penarikan sampel secara puposif merupakan cara penarikan sample yang dilakukan
memiih subjek berdasarkan kriteria spesifik yang dietapkan peneliti.

b) Snow-ball sampling (penarikan sample secara bola salju).

Penarikan sample pola ini dilakukan dengan menentukan sample pertama. Sampel
berikutnya ditentukan berdasarkan informasi dari sample pertama, sample ketiga
ditentukan berdasarkan informasi dari sample kedua, dan seterusnya sehingga jumlah
sample semakin besar, seolah-olah terjadi efek bola salju.
c) Quota sampling (penarikan sample secara jatah).

Teknik sampling ini dilakukan dengan atas dasar jumlah atau jatah yang telah
ditentukan. Biasanya yang dijadikan sample penelitian adalah subjek yang mudah
ditemui sehingga memudahkan pula proses pengumpulan data.

d) Accidental sampling atau convenience sampling

Dalam penelitian bisa saja terjadi diperolehnya sampel yang tidak direncanakan
terlebih dahulu, melainkan secara kebetulan, yaitu unit atau subjek tersedia bagi
peneliti saat pengumpulan data dilakukan. Proses diperolehnya sampel semacam ini
disebut sebagai penarikan sampel secara kebetulan.

C. Ukuran Lokasi Sampel : Mean sampel, Median dan Mode

Untuk mendefinisikan beberapa statistik penting yang menggambarkan ukuran sampel acak
yang sesuai statistik yang paling umum digunakan untuk mengukur pusat kumpulan data,
disusun dalam urutan besarnya, adalah mean, median, dan moda. Misalkan X1, X2, ..., Xn
mewakili n variabel acak.

a) Mean Sampel

1
Perhatikan bahwa statistik mengansumsikan nilai = ∑𝑛𝑖=1 𝑋𝑖 ketika X1
𝑛

diasumsikan nilai dari X1, X2 diasumsi nilai X2, dan seterusnya. Istilah sampel rata-
rata diterapkan pada statistik X dan nilainya dihitung x. Contoh dari rata-rata adalah
sebagai berikut. Contoh dari penggunaan rata-rata adalah sebagai berikut

1. Perhatikan pengukuran berikut, dalam liter, untuk dua sampel jus jeruk yang
dibotolkan oleh perusahaan A dan B:
0,97+1,00+0,94+1,03+ 1,06 5 1,06+1,01+0,88+0,91+ 1,14 5
A= = =5 B= = =5
5 5 5 5

Kedua sampel baik yang perusahaan A dan B memiliki rata-rata yang sama, yaitu
1,00 liter. Jelas bahwa perusahaan A memiliki botol jus jeruk dengan konten yang
lebih seragam daripada perusahaan B. Dapat dikatakan bahwa variabilitas, atau
distribusi, dari pengamatan dari rata-rata kurang untuk sampel A daripada untuk
sampel B.

b) Median Sampel

Median merupakan ukuran lokasi yang menunjukkan nilai tengah dari suatu sampel.
Contoh untuk mean dan median adalah sebagai berikut.

Perhatikan pengamatan berikut :

0.32 0.53 0.28 0.37 0.47 0.43 0.36 0.42 0.38 0.43

Median dari sampel ini adalah 0,43, karena nilai ini terjadi lebih dari nilai lainnya.
Ukuran lokasi atau kecenderungan sentral dalam sampel tidak dengan sendirinya
memberikan indikasi yang jelas tentang sifat sampel. Dengan demikian, ukuran
variabilitas dalam sampel juga harus dipertimbangkan.

Variabilitas dalam sampel menunjukkan bagaimana pengamatan menyebar dari rata-


rata. Pembaca dirujuk ke Bab 1 untuk diskusi lebih lanjut. Dimungkinkan untuk
memiliki pengamatan pada pengamatan dengan cara yang tidak sesuai dengan hal ini
terutama dalam variabilitas pengukuran mereka tentang rata-rata.

c) Varian Sampel
Nilai dihitung S2 untuk sampel yang diberikan dilambangkan dengan s2. Perhatikan
bahwa S2 pada dasarnya didefinisikan sebagai rata-rata kuadrat dari penyimpangan
pengamatan dari rata-rata mereka. Alasan untuk menggunakan n − 1 sebagai pembagi
daripada pilihan yang lebih jelas n akan menjadi jelas dalam Bab 9.

Contoh :

1. Perbandingan harga kopi di 4 toko bahan makanan yang dipilih secara acak di San
Diego menunjukkan peningkatan dari bulan sebelumnya 12, 15, 17, dan 20 sen
untuk kantong 1 pon. Temukan varians dari sampel acak kenaikan harga ini.

Rata dari sampel adalah 16 sen.

Maka, varian dari sampel adalah

d) Standar deviasi

Dimana S2 adalah varian dari sampel. Xmax menunjukkan nilai Xi terbesar dan Xmin
terkecil.

e) Range
D. Distribusi Sampling
Distribusi sampling adalah distribusi peluang teoritis dari ukuran-
ukuran statistik, misalnya adalah rata-rata, varian dan proporsi, termasuk juga
distribusi beda dua rata-rata dan beda dua proporsi. Konsep distribusi sampling ini
dijadikan sebagai dasar dari statistik inferensial, dimana dengan distribusi sampling
dapat diketahui karakteristik populasi (parameter). Nilai dari parameter populasi
bersifat konstan, sedangkan nilai estimasi parameter (estimator) tidak bersifat konstan.
Distribusi Sampling adalah distribusi probabilitas dari suatu Statistik (yaitu semua
pengamatan yang mungkin dari statistik untuk sampel dari suatu ukuran sampel yang
diberikan)[2]. Pada penulisan ini, diberikan distribusi sampling sebagai review statistik,
meliputi:
1. Distribusi Sampling Mean.
2. Distribusi Sampling Selisih Dua Mean.
 Distribusi Sampling Mean.
Distribusi Sampling Mean adalah distribusi sampling untuk mean sampel (Xbar) dari
suatu populasi berukuran N. Mean sampel ini berdistribusi Normal dengan mean
μXbar dan varian σXbar.

Secara khusus dalam distribusi sampling mean terdapat dua prinsip penting,
antaralain[2]:
1. Jika sampel diambil dengan pengembalian dari populasi terhingga, maka berlaku :

2. Jika sampel diambil tanpa pengembalian dari populasi terhingga, maka berlaku :

Standar deviasi dari Xbar menunjukkan besarnya Sampling Error yang


diharapkan ketika populasi Mean diestimasi oleh mean sampel (Xbar), sehingga
ukuran ini sering disebut sebagai standard error dari mean sampel (Xbar). Secara
umum, standar deviasi dari suatu Statistik (untuk pendugaan parameter) disebut
sebagai standard error (SE) dari suatu Statistik . Jika peneliti melakukan sampling dari
populasi dengan distribusi tidak diketahui (baik terhingga maupun tak terhingga),
distribusi sampling Xbar akan mendekati distrbusi Normal dengan mean μ and varian
σ2/n pada ukuran sampel sangat besar (n -> ∞). Hal ini sangat berkaitan atau sesuai
dengan teorema yang disebut Central Limit Theorem (CLT).
Central Limit Theorem:

Secara empiris, pendekatan distribusi Normal untuk Xbar akan secara umum
baik jikaukuran n ≥ 30, dengan diberikan distribusi populasi yang tidak miring
(skewed). Jika n < 30, maka pendekatan distribusi Normal baik hanya jika populasi
tidak terlalu berbeda dari distribusi Normal. Jika populasi diketahui berdistribusi
Normal, maka distribusi Sampling. Xbar akan mengikuti distribusi Normal secara
tepat, serta tidak tergantung berapa kecil ukuran sampel.

Teorema untuk Distribusi t :

Catatan untuk Distribusi t:


 Distribusi t dapat diterapkan pada ukuran sampel baik kecil maupun besar. Secara
empiris, ukuran sampel kecil adalah n ≤ 30.
 Pada ukuran sampel sangat besar (n -> ∞), bentuk kurva distribusi t mendekati
distribusi normal standar (Z).

 Distribusi Sampling Selisih Dua Mean.

Distribusi sampling mean biasanya digunakan peneliti untuk meneliti satu


populasi saja.Terkadang peneliti juga tertarik meneliti pengamatan dari dua populasi
dengan tujuan untuk melakukan perbandingan antara populasi pertama dan populasi
kedua. Dasar untuk perbandingan itu adalah Selisih Dua Mean (μ1 −μ2) yang
menggambarkan perbedaan dalam makna populasi. Misalkan terdapat dua populasi,
yaitu: populasi pertama memiliki mean μ1 dan varian σ12, dan populasi kedua
mempunyai mean μ2 dan varian σ22. Misalkan juga statistik Xbar1 merupakan mean
dari sampel acak berukuran n1 yang dipilih dari populasi pertama, dan statistik Xbar2
adalah mean dari sampel acak berukuran n2 yang diambil dari populasi kedua.
Sampel dari populasi pertama independen terhadap sampel dari populasi
kedua. Distribusi Sampling Selisih Dua Mean adalah distribusi sampling untuk selisih
dua mean sampel (Xbar1 – Xbar2) dari dua populasi yang masing-masing berukuran
N1 dan N2. Selisih dua mean sampel ini berdistribusi Normal dengan mean μXbar1-
Xbar2 dan varian σXbar1-Xbar22.

Sebagaimana dalam distribusi sampling mean sebelumnya, maka juga berlaku dua
prinsip penting terkait distribusi sampling ini.
1. Jika sampel diambil dengan pengembalian dari 2 populasi terhingga, maka berlaku

2. Jika sampel diambil tanpa pengembalian dari 2 populasi terhingga, maka berlaku

Central Limit Theorem (CLT) juga dapat dengan mudah diterapkan untuk kasus
distribusi sampling selisih dua mean.

Secara empiris[1], jika n1 dan n2 lebih besar atau sama dengan 30, maka pendekatan
distribusi Normal untuk distribusi Xbar1 – Xbar2 akan sangat baik ketika distribusi
yang mendasari tidak terlalu jauh dari distribusi Normal. Ketika n1 dan n2 kurang dari
30, pendekatan Normal baik ketika populasi tidak berbeda jauh dari distribusi
Normal.
Teorema untuk Distribusi t :

 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
X(6) ……………… 𝑛

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
X(7) ……………… 𝑛 −𝜋
𝑧=
𝜎𝑥
𝑛

Jika perbedaan antara proporsi sampel yang satu dengan yang lainnya
diharapkan tidak lebih dari sebuah harga d yang ditentukan, maka berlaku :

𝜎𝑥 ≤ 𝑑
X(8) 𝑛 ………………

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.

 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
X(9) ……………… 𝜎
𝜎𝑠 =
√2𝑛
dengan σ = simpangan baku populasi.

Transformasi yang diperlukan untuk membuat distribusi menjadi normal baku adalah:
𝑠−𝜎
X(10) ……………… 𝑧=
𝜎𝑠
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 :
1. Seorang insinyur kimia mengklaim bahwa populasi berarti hasil dari proses batch
tertentu adalah 500 gram per mililiter bahan baku. Untuk memeriksa klaim ini, ia
mengambil sampel 25 kumpulan setiap bulan. Jika nilai-t yang dihitung turun
antara −t0.05 dan t0.05. Apa kesimpulan yang harus diambilnya dari sampel yang
memiliki mean x = 518 gram per mililiter dan standar deviasi sampel s = 40
gram? Asumsikan distribusi hasil mendekati normal. Diketahui bahwa t0.05 =
1.711 untuk 24 derajat kebebasan.
Jawab :
Insinyur dapat puas dengan klaimnya jika sampel 25 batch menghasilkan nilai-t
antara -1.711 dan 1.711. Jika μ = 500, maka
518−500
𝑡= = 2,25
40 √25

Nilai jauh di atas 1,711. Probabilitas untuk mendapatkan nilai-t, dengan v = 24,
sama dengan atau lebih besar dari 2,25 adalah sekitar 0,02. Jika μ> 500, nilai t
yang dihitung dari sampel lebih masuk akal. Oleh karena itu, insinyur cenderung
menyimpulkan bahwa proses menghasilkan produk yang lebih baik daripada yang
dia kira.

2. 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. 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.

b) Rata-rata tinggi paling sedikit 166 cm memberikan angka z paling sedikit =


166−165
= 0,80
1,252

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.
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.


REFERENSI
Walpole, R.E., Myers, R.H., Myers, S.L., and Ye, K., (2012), Probability and
Statistics for
Weiss, N.A., (2012), Elementary Statistics, 8th Edition, Boston: Addison-Wesley.