PENGERTIAN
Sampel adalah sebagian dari anggota populasi yang dipilih dengan cara tertentu
yang akan diteliti sifat-sifatnya dalam penelitian. Nilai-nilai yang berasal dari data
sampel dinamakan dengan Statistik.
Manfaat Sampling :
Page | 1
Populasi Terhingga dan Tak Hingga :
Populasi terhingga (finite population) adalah populasi yang jumlah seluruh
anggotanya tetap dan dapat didaftar. Contoh: pengukuran berat badan
mahasiswa ITS jurusan Teknik Kelautan angkatan 2007.
Populasi tak terhingga (infinite population) adalah populasi yang memiliki
anggota yang banyaknya tak terhingga. Contoh: pengamatan kejadian
kecelakaan yang terjadi di bundaran ITS selama kurun waktu yang tidak
dibatasi.
Rata-Rata : myu x
Selisih 2 Rata-rata 1 2 : nilai x1 x 2 : nilai mutlak
mutlak
Varians = Ragam ² s²
Page | 2
Sampel yang baik diperoleh dengan memperhatikan hal-hal berikut :
1. keacakannya (randomness)
2. ukuran
3. teknik penarikan sampel (sampling) yang sesuai dengan kondisi atau sifat
populasi
Contoh :
Ditetapkan interval = 20
Page | 3
c. Penarikan Sampel Acak Berlapis (Stratified Random Sampling)
Perhatikan !!!!
Contoh :
Perhatikan !!!!
Contoh :
Page | 4
Terdapat 40 kelas untuk tingkat II Jurusan Ekonomi-GD, setiap kelas terdiri
dari 100 orang. Populasi mahasiswa kelas 2, Ekonomi-UGD = 40 100 =
4000.
Jika suatu penelitian dilakukan pada populasi tersebut dan sampel yang
diperlukan = 600 orang, dilakukan pendataan mengenai lama waktu belajar
per hari maka sampel dapat diambil dari 6 kelas.... Dari 40 kelas, ambil secara
acak 6 kelas.
Contoh :
Page | 5
Berdasarkan Ukurannya, maka sampel dibedakan menjadi :
a) Sampel Besar jika ukuran sampel (n) 30
b) Sampel Kecil jika ukuran sampel (n) < 30
Jumlah Sampel Acak yang dapat ditarik dari suatu populasi adalah sangat
banyak.
Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel.
Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat
tergantung dari sampel yang kita ambil.
Karena statistik sampel adalah peubah acak maka ia mempunyai distribusi
yang kita sebut sebagai : Distribusi peluang statistik sampel atau Distribusi
Sampling atau Distribusi Penarikan Sampel.
Page | 6
2.1 Distribusi Sampling Rata-Rata Sampel Besar
Dalil 1
JIKA
Sampel:
rata-rata = x
Populasi berukuran = N
Terdistribusi NORMAL
MAKA
x
x = dan x dan nilai z
n n
Page | 7
Dalil 2
JIKA
Sampel:
rata-rata = x
Populasi berukuran = N
Terdistribusi NORMAL
MAKA
x
N n z
x = dan x dan nilai N n
n N 1 ( / n )
N 1
N n
disebut sebagai FAKTOR KOREKSI populasi terhingga.
N 1
Faktor Koreksi (FK) akan menjadi penting jika sampel berukuran n diambil
dari populasi berukuran N yang terhingga/ terbatas besarnya
Page | 8
Jika sampel berukuran n diambil dari populasi berukuran N yang sangat besar
N n
maka FK akan mendekati 1 1 , hal ini mengantar kita pada dalil
N 1
ke-3 yaitu
JIKA
Sampel:
rata-rata = x
distribusi : SEMBARANG
MAKA
x
x = dan x dan nilai z
n n
Page | 9
Dalil Limit Pusat berlaku untuk : - penarikan sampel dari populasi yang
sangat besar,
- distribusi populasi tidak dipersoalkan
Beberapa buku mencatat hal berikut : Populasi dianggap BESAR jika ukuran
sampel
n
KURANG DARI 5 % ukuran populasi atau 5%
N
Contoh :
PT AKUA sebuah perusahaan air mineral rata-rata setiap hari memproduksi 100 juta
gelas air mineral. Perusahaan ini menyatakan bahwa rata-rata isi segelas AKUA
adalah 250 ml dengan standar deviasi = 15 ml. Rata-rata populasi dianggap
menyebar normal.
1. Jika setiap hari diambil 100 gelas AKUA sebagai sampel acak DENGAN
PEMULIHAN, hitunglah :
Page | 10
2. Jika sampel diperkecil menjadi 25 gelas, hitunglah :
15 15
GALAT BAKU = x 15
.
n 100 10
253 250 3
z 2.0
15
. 15
.
15 15
GALAT BAKU = x 3.0
n 25 5
Page | 11
255 250 5
z 1.67
3.0 3.0
Contoh :
Dari 500 mahasiswa FE-GD diketahui rata-rata tinggi badan = 165 cm dengan standar
deviasi = 12 cm, diambil 36 orang sebagai sampel acak. Jika penarikan sampel
dilakukan TANPA PEMULIHAN dan rata-rata tinggi mahasiswa diasumsikan
menyebar normal, hitunglah :
b. peluang sampel akan memiliki rata-rata tinggi badan kurang dari 160 cm?
N = 500 x = = 165 = 12 n = 36
n 36
Catatan = 0.072 = 7.2% > 5% Dalil Limit Pusat tidak dapat digunakan
N 500
N n 500 36 464
FK = 0.929... 0.964...
N 1 500 1 499
Page | 12
12
GALAT BAKU x x FK = 0.964... = 2 x 0.964... = 1.928...
n 36
160 165
z 2.59...
1.928...
2.2.1 DISTRIBUSI t
nilai
n : ukuran sampel.
Nilai adalah luas daerah kurva di kanan nilai t atau luas daerah kurva di
kiri nilai –t
Page | 13
Pembacaan Tabel Distribusi-t
2.5% 95 % 2.5%
-2.306 0 2.306
Arti Gambar di atas nilai t sampel berukuran n = 9, berpeluang 95% jatuh dalam
selang
Page | 14
Dalam banyak kasus nilai simpangan baku populasi () tidak diketahui, karenanya
nilai diduga dari nilai simpangan baku sampel (s)
Dalil 4
JIKA
Sampel:
Populasi berukuran = N
terdistribusi : NORMAL
Rata-rata =
MAKA
s x
x = dan x dan nilai t s
n n
Contoh :
Page | 15
2.5 % di kiri t dan 2.5% di kanan t
= 2.5 % = 0.025
n = 9 db = n - 1 = 8
Nilai t hitung = 1.875 berada dalam selang -2.306 < t < 2.306
jadi hasil penelitian Yayasan Konsumen masih sesuai dengan pernyataan manajemen
PT JURAM.
Dalil 5
JIKA
Page | 16
rata-rata = x1 dan x2 Dua (2) Populasi berukuran BESAR
Rata-rata 1 dan 2
Ragam 1 dan 2
2 2
MAKA
12 22
x 1 x2
1 2 dan standard error = x x dan
1 2
n1 n2
x1 x2 1 2
z
nilai z 12 22
n1 n2
Contoh :
Diketahui rata-rata IQ mahasiswa Eropa = 125 dengan ragam = 119 sedangkan rata-
rata IQ mahasiswa Asia = 128 dengan ragam 181. diasumsikan kedua populasi
berukuran besar
Jika diambil 100 mahasiswa Eropa dan 100 mahasiswa Asia sebagai sampel, berapa
peluang terdapat perbedaan IQ kedua kelompok akan kurang dari 2?
Page | 17
Jawab :
Populasi
P( x 1 x2 <2 ) = P ( z < ?)
x1 x2 1 2 23 1
z 0577
. ... 058
.
12 22 119 181
3
100 100
n1 n2
Page | 18
Bila suatu sampel acak dari suatu n pengamatan diambil dari suatu populasi
normal dengan rata-rata μ dan varians σ2. Maka, setiap pengamatan Xi, i =1,2,3, ..., n
dari sampel acak tersebut akan mempunyai distribusi normal yang
sama seperti popolasi yang bersangkutan. Sehingga dapat disimpulkan bahwa:
dengan rata-rata :
dan varians :
Bila sampel yang diambil dari suatu populasi yang tidak diketahui
distribuisnya,
distribusi sampling dari X akan tetap mendekati nomal dengan rata-rata μ dan
varians σ2 asalkan sampel yang diambil dalam jumlah yang besar. Hasil ini
merupakan konsekeuesi dari suatu teorema batas tengah (central limit theorem)
berikut:
Teorema: Central Limit Theorem. Bila X adalah rata-rata suatu sampel acak
yang diambil dari suatu populasi dengan ukuran n, rata-rata μ dan varians σ2,
maka bentuk batas distribusi :
Page | 19
bila n ∞, distribusinya adalah distribusi normal standar n(z;0,1)
Sehingga:
Nilai statistik (sampel) dari proporsi adalah , sedangkan nilai parameter (populasi)
adalah P.
= x/n
di mana :
n : jumlah sampel
Page | 20
Proporsi sampel merupakan variabel acak dan distribusi probabilitas sehingga
disebut distribusi sampling p.
Nilai yang diharapkan p, seluruh nilai kemungkinan p, sama dengan proporsi populasi
P.
E( )=P
di mana :
P : proporsi populasi
Page | 21
Kesalahan baku populasi tidak terbatas
σ p= P ( 1-P )
n
Dapat kita lihat bahwa perbedaan kesalahan baku proporsi terbatas dan tidak terbatas
hanya pada faktor koreksi (N –n ) / (N- 1)
Z= -P
σp
c. Bentuk distribusi sampling
Page | 22
5.Properties Of Point Estimators (Sifat Penduga Titik)
,standar deviasi sampel s, dan proposi sampel dapat digunakan sebagai titik
Karena beberapa sampel statistik yang berbeda dapat digunakan sebagai poin
estimasi untuk beberapa parameter populasi, kita menggunakan notasi umum berikut
dalam bagian ini:
Notasi adalah surat yunani theta, dan notasi disebut “theta-hat”. Umumnya,
mewakili setiap populasi parameter seperti populasi mean, populasi standar deviasi ,
populasi proporsi, dan lainnya.
5.1 Unbiased
Unbiased Estimators : jika nilai yang diharapkan dari statistik sampel adalah sama
dengan parameter populasi yang diperkirakan.
Page | 23
Statistik sampel adalah objektif parameter dari populasi parameter jika
E( )=
Dimana
hal ini, karena kadang-kadang nilai estimator titik mungkin kurang dari dan
lainnya kali itu mungkin lebih besar daripada . dalam hal ini dari penduga bias,
mean dari distribusi sampling kurang dari atau lebih daripada nilai parameter
Page | 24
Dalam membahas distribusi sampling dari mean sampel dan proporsi sampel,
Dalam hal ini standar deviasi sampel s dan varians sampel , dapat
sampel , adalah penduga yang tidak bias dari varians populasi . Pada
kenyataannya, ketika kita pertama kali presenteed rumus untuk varians sampel dan
standar deviasi sampel,n-1 daripada n digunakan sebagai penyebut. alasan untuk
menggunakan n-1 daripada n adalah untuk membuat sampel varians estimator bias
dari varians populasi.
Page | 25
Berasumsi bahwa sampel randome sederhana n elemen dapat digunakan untuk
menyediakan dua estimator titik objektif tentang parameter populasi yang sama.
Dalam situasi ini, kita akan lebih suka menggunakan estimator titik dengan standard
error yang lebih kecil, karena cenderung memberikan perkiraan lebih dekat dengan
parameter populasi. Estimator titik dengan kesalahan kecil standrad dikatakan
memiliki efisiensi relatif lebih besar daripada yang lain.
Gambar 7.11 menunjukkan distribusi sampling dari dua penduga titik bias, 1
dan 2 . Perhatikan bahwa kesalahan baku, 1 kurang dari kesalahan baku 2. dengan
demikian, nilai dari 1 memiliki kesempatan lebih besar untuk menjadi dekat dengan
titik 1 kurang dari kesalahan baku estimator titik 2, 1 relatif lebih efisien
Sebuah properti ketiga yang terkait dengan estimator titik yang baik adalah
konsistensi.Estimator titik konsisten jika estimator titik cenderung menjadi lebih
dekat dengan parameter populasi sebagai ukuran sampel menjadi lebih besar. Dengan
kata lain, ukuran sampel yang besar cenderung memberikan estimasi titik yang lebih
baik daripada ukuran sampel yang kecil. Perhatikan bahwa untuk rata-rata sampel ,
Page | 26
Karena berkaitan dengan ukuran sampel sehingga ukuran sampel besar
cenderung untuk memberikan estimasi titik lebih dekat dengan populasi berarti .
Dalam hal ini, kita dapat mengatakan bahwa rata-rata sampel adalah estimator
konsisten dari mean populasi . Menggunakan alasan serupa, kita juga dapat
populasi p.
Page | 27
6. Metode Sampling
Populasi
Populasi
Strata 11
Strata Strata 22
Strata Strata H
Strata H
Setelah strata terbentuk, simple random sampel diambil dari setiap stratum.
Rumusnya adalah dengan mengkombinasi hasil individu stratum sampel ke satu
elemen yang diestimasi dari kepentingan populasi parameter. Nilai dari stratified
random sampling bergantung pada bagaimana homogennya elemen dalam starata.
Jika elemen dalam starata menyerupai, starata akan memiliki selisih yang rendah/
sedikit. Jika staratanya homogen, stratified random sampling akan memberikan hasil
yang tepat seperti simple random sampling dengan menggunakan total ukuran sample
yang kecil.
Page | 28
untuk membuat stratum berstrata. Ukuran sampel biasanya proporsional dengan
ukuran relatif strata. Sekalipun demikian semua varian berbeda secara signifikan
diantara strata. Semua ukuran sampel harus dibuat seara proporsional terhadap
standar deviasi stratum. Stratifikasi yang tidak proporsional dapat saja menghasilkan
presisi yang lebih baik daripada stratifikasi yang bersifat proporsional.
Populasi
Page | 29
6.3 Systematic Sampling
Page | 30
Convenience sampling adalah teknik nonprobability sampling. Penarikan
sample menggunakan teknik inidilakukan dengan cara memilih unit-unit analisis yang
dianggap sesuai oleh penenliti. Pemilihan sampel didasarkan pada kemudahan akses,
misalnya teman, teman sekerja, para pengunjung mall pada saat belanja, dan
sebagainya. Oleh karena itu, convenience sample memiliki kelebihan yaitu pemilihan
sample yang mudah. Kelemahannya ialah mengandung sejumlah kesalahan sistematik
dan variabel-variabel yang tidak diketahui.
Page | 31
Istilah-Istilah
Sampel acak sederhana Populasi terbatas: sampel yang dipilih dimana tiap ukuran
sampel n memiliki kemungkinan yang sama untuk terpilih. Populasi tidak terbatas:
sampel yang dipilih dimana tiap bagian berasal dari populasi yang sama dan element
tersebut dipilih secara bebas.
Sampling dengan penggantian element yang sudah terpilih dari suatu sampel, tidak
bisa dipilih kembali saat pengambilan berikutnya.
Sampling dengan penggantian element yang sudah terpilih dari suatu sampel, bisa
dipilih kembali pada pengambilan berikutnya.
Sampel statistik sebuah karakteristik sampel, seperti sampel rata-rata, sampel standar
deviasi, sampel proporsi. Nilai dari sampel statistic digunakan untuk mengestimasi
nilai parameter populasi.
Titik estimator sampel statistic seperti x bar, standar deviasi, atau p topi,
menyediakan titik estimasi dari parameter populasi.
Titik estimasi nilai dari titik estimator yang digunakan sebagai contoh tertentu dalam
perkiraan parameter populasi.
Page | 32
Distribusi sampling distribusi kemungkinan yang terdiri dari seluruh nilai sampel
statistic.
Objektif alat titik estimator ketika nilai yang diharapkan dari titik estimasi adalah
seimbang terhadap parameter populasi.
rumus Sigma x bar dan Sigma p topi dimana merupakan populasi terbatas. Aturan
umum yang berlaku adalah untuk mengabaikan factor koreksi populasi terbatas jika
n/N <= 0.5
Efisiensi Relatif diberikan dua titik estimator dari parameter populasi yang sama,
titik estimator dengan standard error yang lebih kecil-lah yang lebih efisien.
Page | 33