RMK METODOLOGI PENELITIAN AKUNTANSI

SAMPLING DAN PERSIAPAN DATA

Disusun Oleh:
Prisilia Angelina Tanwil
A031181027

DEPARTEMEN AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS HASANUDDIN
2020
 Sampling

Populasi, Elemen, Sampel, Unit Sampling, dan Subjek

a. Populasi. Populasi adalah keseluruhan kelompok orang, peristiwa, atau hal-hal
menarik yang membuat peneliti ingin menyelidiki/melakukan investigasi.
b. Elemen. Elemen adalah anggota tunggal atau satu anggota dari populasi (setiap
anggota dalam populasi disebut elemen).
c. Sampel. Sampel adalah sebagian atau subkelompok dari populasi yang dipilih oleh
peneliti untuk mewakili populasi yang diharapkan dapat digeneralisasikan.
d. Unit Sampling. Unit Sampling adalah elemen atau himpunan dari unsur-unsur yang
tersedia untuk seleksi dalam beberapa tahap sampling.
e. Subjek. Subjek adalah satu anggota dari sampel (setiap anggota sampel adalah
subjek).
f. Parameter. Parameter adalah karakteristik dari populasi, seperti μ (rata-rata
populasi), σ (standar deviasi populasi), dan σ  2 (varian populasi).

Sampling
Alasan dilakukannya sampling adalah untuk memudahkan peneliti daripada harus
mengumpulkan data dari seluruh populasi. Dalam investigasi penelitian yang
melibatkan beberapa ratus dan bahkan ribuan elemen, secara praktis mustahil untuk
dapat mengumpulkan, menguji dan menelaah dari setiap elemen tersebut. Representasi
Sampel, yaitu memilih sampel harus mewakili populasi yang ada, logis, dan ilmiah.
Normalitas Distribusi adalah atribut atau karakteristik populasi umumnya berdistribusi
normal. Bila kita akan menaksir karakteristik populasi dari sampel yang mewakili
akurasi yang masuk akal, sampel harus dipilih sedemikian sehingga distribusi
karakteristik yang diteliti mengikuti pola distribusi normal yang sama dalam sampel
seperti dalam populasi.
Proses Sampling adalah proses pemilihan jumlah yang memadai dengan elemen yang
tepat dari populasi, sehingga penelitian sampel dan pemahaman tentang sifat atau
karakteristik memungkinkan bagi kita untuk menggeneralisasi sifat atau karakteristik
elemen populasi. Langkah-langkah utamanya yaitu:
1. Mendefinisikan populasi, yaitu menetapkan dan mendefinisikan target populasi, yang
berupa elemen, batas geografi, dan waktu.
2. Menentukan kerangka sampel, yaitu merepresentasikan semua elemen dalam
populasi dan semua elemen dalam populasi tersebut diambil.
3. Menentukan desain sampel, yaitu menentukan teknik atau desain sampling dengan
cara probabilitas dan non-probabilitas.
4. Menentukan ukuran sampel, yaitu menentukan berapa banyak sampel yang
dibutuhkan dalam penelitian yang ditentukan dengan memerhatikan tujuan
penelitian, interval kepercayaan, level keberanian, jumlah variasi, masalah biaya, dan
waktu.
5. Melaksanakan proses sampel, yaitu tahap terakhir dari proses sampling dengan
memperhatikan keputusan-keputusan terkait langkah-langkah yang sudah dilakukan
sebelumnya.
Uma Sekaran (2006) memberikan acuan umum (rules of thumb) untuk menentukan
ukuran sampel, yaitu:
1. Ukuran sampel lebih dari 30 dan kurang dari 500 adalah tepat untuk kebanyakan
penelitian
2. Jika sampel dipecah ke dalam subsampel (pria/wanita, junior/senior, dan
sebagainya), ukuran sampel minimum 30 untuk tiap kategori adalah tepat
3. Dalam penelitian mutivariate (termasuk analisis regresi berganda), ukuran
sampel sebaiknya 10x lebih besar dari jumlah variabel dalam penelitian
4. Untuk penelitian eksperimental sederhana dengan kontrol eskperimen yang
ketat, penelitian yang sukses adalah mungkin dengan ukuran sampel kecil antara 10
sampai dengan 20
Besaran atau ukuran sampel ini sampel sangat tergantung dari besaran tingkat
ketelitian atau kesalahan yang diinginkan peneliti. Namun, dalam hal tingkat kesalahan,
pada penelitian sosial maksimal tingkat kesalahannya adalah 5% (0,05). Makin besar
tingkat kesalahan maka makin kecil jumlah sampel. Namun yang perlu diperhatikan
adalah semakin besar jumlah sampel (semakin mendekati populasi) maka semakin kecil
peluang kesalahan generalisasi dan sebaliknya, semakin kecil jumlah sampel (menjauhi
jumlah populasi) maka semakin besar peluang kesalahan generalisasi. Beberapa rumus
untuk menentukan jumlah sampel antara lain:
 Rumus Slovin
n = N/N(d)2 + 1
n = sampel; N = populasi; d = nilai presisi 95% atau sig. = 0,05.
Misalnya, jumlah populasi adalah 125, dan tingkat kesalahan yang dikehendaki
adalah 5%, maka jumlah sampel yang digunakan adalah:
N = 125 / 125 (0,05)2 + 1 = 95,23, dibulatkan 95
 Formula Jacob Cohen
N = L / F^2 + u + 1
Keterangan:
N = Ukuran sampel F^2 = Effect Size u = Banyaknya ubahan yang terkait dalam
penelitian
L = Fungsi Power dari u, diperoleh dari tabel
Power (p) = 0.95 dan Effect size (f^2) = 0.1. Harga L tabel dengan t.s 1% power 0.95
dan u = 5 adalah 19.76, maka dengan formula tsb diperoleh ukuran sampel
N = 19.76 / 0.1 + 5 + 1 = 203,6, dibulatkan 203
 Rumus berdasarkan Proporsi atau Tabel Isaac dan Michael
Tabel penentuan jumlah sampel dari Isaac dan Michael memberikan kemudahan
penentuan jumlah sampel berdasarkan tingkat kesalahan 1%, 5% dan 10%. Dengan
tabel ini, peneliti dapat secara langsung menentukan besaran sampel berdasarkan
jumlah populasi dan tingkat kesalahan yang dikehendaki.

Teknik Sampling
Teknik sampling merupakan teknik pengambilan sampel yang secara umum terbagi
dua yaitu probability sampling dan non probability sampling. Dalam pengambilan
sampel cara probability besarnya peluang atau probabilitas elemen populasi untuk
terpilih sebagai subjek diketahui. Sedangkan dalam pengambilan sampel dengan cara
nonprobability besarnya peluang elemen untuk ditentukan sebagai sampel tidak
diketahui. Menurut Sekaran (2006), desain pengambilan sampel dengan cara
probabilitas jika representasi sampel adalah penting dalam rangka generalisasi lebih
luas. Bila waktu atau faktor lainnya, dan masalah generalisasi tidak diperlukan, maka
cara nonprobability biasanya yang digunakan.
a. Probability Sampling
 Probability sampling adalah teknik pengambilan sampel yang memberikan
peluang yang sama kepada setiap anggota populasi untuk menjadi sampel. Teknik ini
meliputi:
1. Simple Random Sampling, yaitu teknik yang paling sederhana karena sampel
diambil secara acak, tanpa memperhatikan tingkatan yang ada dalam populasi.
2. Sampling Sistematis, yaitu teknik sampling yang menggunakan nomor urut dari
populasi baik yang berdasarkan nomor yang ditetapkan sendiri oleh peneliti
maupun nomor identitas tertentu, ruang dengan urutan yang seragam atau
pertimbangan sistematis lainnya.
3. Proportionate Stratified Random Sampling, yaitu teknik ini hampir sama dengan
simple random sampling namun penentuan sampelnya memperhatikan strata
(tingkatan) yang ada dalam populasi. Teknik ini umumnya digunakan pada
populasi yang diteliti adalah heterogen (tidak sejenis) yang dalam hal ini berbeda
dalam hal bidang kerja sehingga besaran sampel pada masing-masing strata atau
kelompok diambil secara proporsional untuk memperoleh sampel yang
dibutuhkan.
4. Disproportionate Stratified Random Sampling, yaitu teknik yang hampir mirip
dengan proportionate stratified random sampling dalam hal heterogenitas
populasi, namun ketidakproporsionalan penentuan sample didasarkan pada
pertimbangan jika anggota populasi berstrata namun kurang proporsional
pembagiannya.
5. Cluster Sampling, yaitu teknik yang digunakan jika sumber data atau populasi
sangat luas misalnya penduduk suatu propinsi, kabupaten, atau karyawan
perusahaan yang tersebar di seluruh provinsi. Untuk menentukan mana yang
dijadikan sampelnya, maka wilayah populasi terlebih dahulu ditetapkan secara
random, dan menentukan jumlah sample yang digunakan pada masing-masing
daerah tersebut dengan menggunakan teknik proporsional stratified random
sampling mengingat jumlahnya yang bisa saja berbeda. Teknik ini dapat
dilakukan dengan single-stage dan multistage cluster sampling.
6. Double Sampling, yaitu suatu teknik sampling dimana sampel awalnya digunakan
dalam suatu studi untuk mengumpulkan beberapa informasi awal yang menarik
 dan kemudian subsample dari sampel utama ini digunakan untuk meneliti hal
tersebut secara lebih rinci.

b. Non-Probability Sampling
Non-Probability Sampling artinya teknik pemilihan sampel dimana setiap anggota
populasi tidak memiliki kesempatan atau peluang yang sama sebagai sampel.
Teknik-teknik ini antara lain:
1. Convenience Sampling, yaitu teknik sampling dimana sampel dikumpulkan dari
anggota masyarakat yang tersedia untuk memberikan pendapat mereka, misalnya
untuk menentukan pemilihan produk dalam pasar.
2. Sampling Sistematis (Systematic Sampling), yaitu teknik penentuan sampel
berdasarkan urutan dari anggota populasi yang telah diberi nomor urut.
3. Sampling Kuota (Quota Sampling), yaitu teknik sampling yang menentukan
jumlah sampel dari populasi yang memiliki ciri tertentu sampai jumlah kuota
(jatah) yang diinginkan.
4. Sampling Aksidental (Accidental Sampling), yaitu teknik penentuan sampel
secara kebetulan, atau siapa saja yang kebetulan (insidential) bertemu dengan
peneliti yang dianggap cocok dengan karakteristik sampel yang ditentukan akan
dijadikan sampel.
5. Purposive Sampling adalah merupakan teknik penentuan sampel dengan
pertimbangan khusus sehingga layak dijadikan sampel.
6. Sampling Jenuh adalah teknik penentuan sampel bila semua anggota populasi
digunakan sebagai sampel. Biasanya dilakukan jika populasi dianggap kecil.
7. Snowball Sampling, yaitu teknik penentuan jumlah sampel yang semula kecil
kemudian terus membesar ibarat bola salju dimana sampel awal disuruh memilih
teman mereka untuk dijadikan sampel juga sehingga sampel semakin banyak.
Teknik ini juga lebih cocok untuk penelitian kualitatif.

Yang perlu diperhatikan dalam Penentuan Ukuran Sampel

Ada dua hal yang menjadi pertimbangan dalam menentukan ukuran sample. Pertama
ketelitian (presisi) dan kedua adalah keyakinan (confidence). Ketelitian mengacu pada
seberapa dekat taksiran sampel dengan karakteristik populasi. Keyakinan adalah fungsi
dari kisaran variabilitas dalam distribusi pengambilan sampel dari rata-rata sampel.
Variabilitas ini disebut dengan standar error, disimbolkan dengan S-x. Semakin dekat
kita menginginkan hasil sampel yang dapat mewakili karakteristik populasi, maka
semakin tinggi ketelitian yang kita perlukan. Semakin tinggi ketelitian, maka semakin
besar ukuran sampel yang diperlukan, terutama jika variabilitas dalam populasi tersebut
besar.
Sedangkan keyakinan menunjukkan seberapa yakin bahwa taksiran kita benar-benar
berlaku bagi populasi. Tingkat keyakinan dapat membentang dari 0 – 100%. Keyakinan
95% adalah tingkat lazim yang digunakan pada penelitian sosial / bisnis. Makna dari
keyakinan 95% (alpha 0.05) ini adalah “setidaknya ada 95 dari 100, taksiran sampel
akan mencerminkan populasi yang sebenarnya”.

Faktor Yang Mempengaruhi Pengambilan Desain Sampling

1. Tingkat pengetahuan sebelumnya dalam bidang penelitian yang dilakukan.
2. Tujuan utama penelitian
3. Pertimbangan biaya
 Persiapan Data

a. Logging Data dan Pelacakan Data

Setiap penelitian yang melibatkan pengumpulan data akan memerlukan beberapa
cara untuk log data pada saat data masuk dan melacaknya sampai data tersebut siap
dianalisis. Salah satu elemen kunci sistem pelacakan data adalah log rekrutmen. Log
rekrutmen adalah catatan komprehensif semua individu yang berpartisipasi dalam
penelitian. Log ini menyajikan catatan tanggal dan waktu dari peserta potensial yang
didekati, apakah mereka memenuhi kriteria kelayakan dan memberikan persetujuan
untuk berpartisipasi dalam penelitian. Tujuan utama log rekrutmen adalah untuk
melacak pendaftaran peserta dan menentukan bagaimana perwakilan kelompok yang
dihasilkan peserta penelitian adalah mereka yang peneliti berupaya untuk
memeriksanya. Sistem pelacakan yang baik dapat memberikan peneliti informasi
yang up-to-date mengenai status umum penelitian termasuk partisipasi klien,
pengumpulan data, dan entry data.

b. Penyaringan Data
Setelah pengumpulan data dan sebelum entri data, peneliti harus menyaring data
secara hati-hati untuk akurasi yang baik. Umumnya peneliti harus merencanakan
penyaringan data untuk memastikan bahwa tanggapan dapat dibaca dan dipahami,
tanggapan berada pada rentang yang dapat diterima, tanggapan secara lengkap, dan
semua informasi yang diperlukan telah disertakan.
Proses penyaringan dapat disederhanakan untuk efisiensi waktu dengan
menggunakan instrument penilaian komputerisasi yang diprogram untuk menerima
tanggapan hanya dalam rentang tertentu untuk memeriksa bidang kosong atau yang
dilewati item dan bahkan untuk melakukan crosscheck konsistensi responden. Selain
itu, data yang dimasukkan secara elektonik ditransfer ke database permanen sehingga
mengotomisasi prosedur entri data.

c. Membangun Database
Setelah data disaring dan dikoreksi, selanjutnya data dimasukkan kedalam
database yang terstruktur. Ketika merencanakan penelitian, peneliti harus
 mempertimbangkan struktur database dan mengantisipasi berbagai masalah yang
akan muncul. Ini akan membantu peneliti untuk mengetahui variabel mana yang
harus dimasukkan dan formatnya. Analisis statistik juga dapat menentukan jenis
program yang dipilih untuk database.

d. Codebook Data
Codebook Data adalah tulisan atau daftar komputerisasi yang memberikan
gambaran yang jelas dan komprehensif dari variabel yang akan dimasukkan dalam
database. Codebook ini penting bagi peneliti dalam menganalisis data dan berfungsi
untuk panduan database permanen. Codebook yang baik harus mengandung unsur-
unsur berikut, yaitu nama variabel, deskripsi variabel, format variabel, instrument
atau metode pengumpulan, tanggal dikumoulkan, responden atau grup, lokasi
variabel, dan catatan.

e. Entri Data
Setelah data diperiksa, database telah terstruktur, dan codebook rinci, maka
peneliti dapat melakukan entri data. Dalam entri data kadang terjadi kesalahan
penginputan, sehingga solusi yang dapat dilakukan adalah sistem double entry untuk
memasukkan data ke database dua kali untuk membandingkan dan menentukan
apakah ada perbedaan, namun cara ini sulit dilakukan juga memakan banyak waktu
dan biaya. Sebagai alternatif lain, peneliti dapat merancang prosedur standar untuk
memeriksa data yang tidak akurat dengan menjalankan analisis deskriptif dan
frekuensi setiap variabel. Mendefinisikan kriteria entri data dapat mencegah
kesalahan dan secara substansial dapat mengurangi waktu yang dihabiskan pada data
cleaning.

f. Transformasi Data
Setelah entri data, peneliti akan diminta untuk membuat transformasi tertentu
sebelum data dapat dianalisis, yang melibatkan hal berikut, yaitu mengidentifikasi
dan coding nilai-nilai yang hilang, komputasi total dan variabel baru, membalikkan
skala item, serta recording dan kategorisasi.
g. Mengidentifikasi dan Coding Nilai yang Hilang
Dalam database, terkadang sebagian variabel akan memiliki nilai nomor yang
hilang, karena ada responden yang tidak menjawab atau data akurat yang ditolak
database. Terkadang peneliti tidak menyertakan alasan data yang hilang sehingga
dapat membelokkan hasil. Oleh karena itu, paket statistik (misal SPSS dan SAS)
akan memberikan pilihan untuk mengabaikan kasus-kasus tertentu dimana variabel
dianggap hilang atau secara otomatis memperlakukan nilai kosong sebagai nilai yang
hilang.

h. Perhitungan Total dan Variabel Baru

Dalam beberapa kasus, peneliti mungkin ingin membuat variabel baru
berdasarkan nilai variabel lain. Alasan ingin mengubah variabel dapat disebabkan
oleh tidak terdistribusinya variabel secara normal yang secara substansial dapat
mengubah hasil analisis data. Transformasi data tertentu dapat berfungsi untuk
menormalkan distribusi dan meningkatkan akurasi hasil.

i. Membalik Skala Item

Banyak instrumen dan langkah-langkah menggunakan item dengan skala terbalik
untuk mengurangi kemungkinan peserta jatuh dalam responreset, yaitu sebuah
respon yang terjadi ketika peserta mulai menanggapi dengan cara yang bermotif
untuk pertanyaan atau pernyataan pada tes atau mengukur penilaian terlepas dari isi
masing-masing pernyataan atau pertanyaan. Sehingga sebelum dianalisis, penting
agar semua item dibalik untuk dikodekan ulang dengan tujuan tanggapan jatuh pada
arah yang sama.

j. Mengkodekan Ulang Variabel

Beberapa variabel mungkin lebih mudah dianalisis jika dikodekan ulang kedalam
kategori tertentu atau menggabungkan variabel dalam kategori yang lebih sedikit.
Hal ini dapat terjadi ketika variabel memiliki banyak kategori sehingga kategori
tertentu jarang populasinya dan mungkin melanggar asumsi analisis statistik tertentu,
sehingga variabel harus dikode ulang.