the Central Limit Theorem Kunto Wibisono, SE., M.Si.
Sumber: Douglas A. Lind, William G. Marchal, Samuel A. Wathen
Tujuan Sesi 8 • Untuk menjelaskan mengapa sampel adalah satu-satunya cara yang layak untuk mengamati dan mempelajari suatu populasi. • Menjelaskan berbagai metode dasar untuk memilih sampel. • Mendefinisikan dan membuat distribusi sampling dari mean sampel. • Menjelaskan teori batas pusat (central limit theorem). • Menggunakan teori batas pusat untuk menemukan probabilitas pemilihan kemungkinan sampel dari populasi tertentu. Kunto Wibisono, SE., M.Si. Mengapa Mengambil Sampel Dalam Populasi • Untuk menghubungi seluruh populasi akan lebih memakan waktu. • Biaya mempelajari semua item dalam suatu populasi menjadikan biaya penelitian menjadi lebih mahal. • Ketidakmungkinan fisik memeriksa semua item dalam populasi. • Sifat destruktif dari beberapa tes. • Hasil sampel dipadang sudah dapat memadai dan mewakili populasi. Kunto Wibisono, SE., M.Si. Probability Sampling Probability Sampling atau sampel probabilitas adalah sampel yang dipilih dalam populasi yang diteliti memiliki kemungkinan untuk dimasukkan dalam sampel.
Kunto Wibisono, SE., M.Si.
Metode Dalam Probability Sampling
• Simple Random Sampling
• Systematic Random Sampling • Stratified Random Sampling • Cluster Sampling
Kunto Wibisono, SE., M.Si.
Simple Random Sampling
Sampel dipilih secara acak, dan setiap orang dalam
populasi mempunyai kesempatan yang sama untuk dipilih.
Kunto Wibisono, SE., M.Si.
Contoh Simple Random Sampling
Populasi penelitian adalah 845 karyawan Nitra Industries.
Sampel dari 52 karyawan harus dipilih dari populasi itu. Nama setiap karyawan ditulis di selembar kertas kecil dan menyimpan semua slip dalam sebuah kotak. Setelah mereka benar-benar tercampur, seleksi pertama dilakukan dengan melihat slip keluar dari kotak tanpa melihatnya. Proses ini diulang sampai sampel 52 karyawan dipilih.
Tentukan titik awal atau kriteria sampel acak, dan
kemudian setiap anggota populasi dipilih berdasarkan kriteria tersebut.
Kunto Wibisono, SE., M.Si.
Contoh Systematic Random Sampling Populasi terdiri dari 845 karyawan Nitra Industries. Sampel dari 52 karyawan harus dipilih dari populasi itu. Pertama, k dihitung sebagai ukuran populasi dibagi dengan ukuran sampel. Untuk Nitra Industries, kami akan memilih setiap daftar karyawan ke-16 (diperoleh dari 845/52). Jika k bukan bilangan bulat, maka bulatkan. Pengambilan sampel acak digunakan dalam pemilihan nama depan. Kemudian, pilih setiap nama ke-16 pada daftar sesudahnya.
Kunto Wibisono, SE., M.Si.
Stratified Random Sampling
Suatu populasi dibagi menjadi beberapa subkelompok,
yang disebut strata, dan sampel dipilih secara acak dari setiap strata.
Kunto Wibisono, SE., M.Si.
Contoh Stratified Random Sampling Misalkan kita ingin mempelajari pengeluaran iklan untuk 352 perusahaan terbesar di Amerika Serikat untuk menentukan apakah perusahaan dengan pengembalian ekuitas tinggi (ukuran profitabilitas) menghabiskan lebih banyak dari setiap dolar penjualan untuk iklan daripada perusahaan dengan pengembalian atau defisit rendah.
Untuk memastikan bahwa sampel adalah representasi yang adil dari
352 perusahaan, perusahaan dikelompokkan berdasarkan persentase pengembalian atas ekuitas dan sampel yang proporsional dengan ukuran relatif grup dipilih secara acak.
Kunto Wibisono, SE., M.Si.
Contoh Stratified Random Sampling
Kunto Wibisono, SE., M.Si.
Cluster Sampling
Suatu populasi dibagi menjadi beberapa kelompok
dengan menggunakan batas geografi yang terjadi secara alami atau batas lainnya. Kemudian, cluster dipilih secara acak dan sampel dikumpulkan dengan memilih secara acak dari setiap cluster.
Kunto Wibisono, SE., M.Si.
Contoh Cluster Sampling Misalkan Anda ingin menentukan pendapat penduduk di Oregon tentang kebijakan perlindungan lingkungan negara bagian dan federal.
Pengambilan sampel kluster dapat digunakan dengan membagi negara
menjadi unit-unit kecil, baik di tingkat kabupaten atau daerah. Pilih secara acak, misalkan diambil 4 wilayah, lalu ambil sampel penduduk di masing-masing daerah dan wawancarai mereka.
Perhatikan bahwa ini adalah kombinasi dari cluster sampling dan
simple random sampling.
Kunto Wibisono, SE., M.Si.
Contoh Cluster Sampling
Kunto Wibisono, SE., M.Si.
Stratified Sampling vs Cluster Sampling
Kunto Wibisono, SE., M.Si.
Catatan Penting Probability Sampling
• Dalam sampel nonprobabilitas, pengambilan sampel
didasarkan pada penilaian orang yang memilih sampel.
• Kesalahan pengambilan sampel (sampling error)
adalah perbedaan antara statistik sampel dan parameter populasi yang sesuai.
Kunto Wibisono, SE., M.Si.
Distribusi Sampel dan Rata-Rata Sampel
Distribusi sampling dari rata-rata sampel adalah
distribusi probabilitas yang terdiri dari semua kemungkinan rata-rata sampel dari ukuran sampel tertentu yang dipilih dari suatu populasi.
Kunto Wibisono, SE., M.Si.
Contoh Distribusi Sampel dan Rata-Rata Sampel
Tartus Industries memiliki tujuh karyawan produksi (dianggap sebagai populasi).
Penghasilan setiap jam dari setiap karyawan diberikan dalam tabel di bawah ini.
2. Berapa distribusi sample dari rata-rata sampel untuk sampel yang berukuran 2? 3. Berapa nilai rata-rata distribusi sample-nya?
Kunto Wibisono, SE., M.Si.
Contoh Distribusi Sampel dan Rata-Rata Sampel
Kunto Wibisono, SE., M.Si.
Contoh Distribusi Sampel dan Rata-Rata Sampel
Kunto Wibisono, SE., M.Si.
Contoh Distribusi Sampel dan Rata-Rata Sampel
Kunto Wibisono, SE., M.Si.
Central Limit Theorem
“Jika semua sampel dari ukuran tertentu dipilih dari
populasi, distribusi sampling dari rata-rata sampel akan berdistribusi normal. Perkiraan ini akan semakin meningkat dengan sampel yang lebih besar”.
Kunto Wibisono, SE., M.Si.
Distribusi dan Rata-Rata Sampel (Sigma Known)
• Ketika sampel diambil dari populasi diketahui
mengikuti distribusi normal. Dalam hal ini, ukuran sampel bukan merupakan faktor. • Jika bentuk diketahui tidak normal, tetapi sampel mengandung setidaknya 30 pengamatan, teorema limit pusat menjamin distribusi sampling dari rata- rata mengikuti distribusi normal. Kunto Wibisono, SE., M.Si. Distribusi dan Rata-Rata Sampel (Sigma Known)