MATAKULIAH

Probabilitas & Statistika

SYAHRUL IMARDI, M.T

Tim Pengampu Matakuliah P & S

Syahrul Imardi, MT

www.sar.ac.id 6
 TUJUAN MATERI

1. Memahami dan menjelaskan statistik sampel dan parameter populasi

2. Memahami dan menjelaskan jenis-jenis sampling
3. Memahami dan menjelaskan jenis-jenis metode random sampling
4. Memahami konsep distribusi sampling dan perhitungannya
5. Menjelaskan dalil batas tengah (central limit theorem)
6. Memahami dan menjelaskan konsep faktor koreksi untuk populasi
terbatas.
7. Menjelaskan konsep distribusi sampling beda rata-rata
8. Memahami dan menjelaskan distribusi sampling proporsi.
9. Memahami dan mengoperasikan rumus-rumus distribusi sampling
proporsi.
PENDAHULUAN
Ketika mempelajari statistika induktif/inferensia, kita sering menjumpai istilah
populasi dan sampel. Populasi dalam definisi statistika adalah seluruh kumpulan
objek atau orang yang akan dipelajari/diteliti. Kata sampel sendiri berarti suatu
bagian yang diambil dari suatu populasi. Tujuan statistika inferensia adalah untuk
memperoleh informasi tentang suatu populasi berdasarkan informasi yang
diperoleh dari sampel. Apabila kita mengumpulkan data dari seluruh elemen dalam
suatu populasi kita akan memperoleh data yang sesungguhnya yang biasanya
dikenal dengan istilah parameter. Sedangkan jika kita melakukan penarikan sampel,
kita akan memperoleh hasil yang berupa data pendugaan yang biasanya disebut
statistik (Supranto, 2007). Apakah sampel yang diambil cukup representatif, artinya
memberikan gambaran yang sama? Dengan teknik pengambilan sampel yang baik,
seorang peneliti dapat memperoleh sampel yang representatif..
• STATISTIK SAMPEL DAN PARAMETER POPULASI
• Secara matematis, kita dapat menggambarkan populasi dan sampel menggunakan
beberapa parameter, seperti rata-rata hitung (mean), median, modus, deviasi
standar, dan proporsi. Yang dimaksud dengan statistik sampel adalah karakter
suatu sampel, sedangkan karakteristik populasi disebut parameter populasi.

Parameter populasi Statistik sampel

Ukuran populasi=N Ukuran populasi=n
Rata-rata populasi=μ Rata-rata populasi=x
Standar deviasi populasi=σ Standar deviasi populasi=s
Proporsi populasi=p Proporsi populasi=p
• PENARIKAN SAMPEL (TEKNIK SAMPEL)
• Penarikan sampel merupakan proses pemilihan sejumlah elemen dari populasi.
Untuk menentukan sampel yang akan digunakan dalam penelitian, terdapat
berbagi teknik sampling yang dipakai. Karakteristik populasi seperti μ (rata-rata
populasi atau mean), σ (population standard deviation), dan σ2 (population
variance) disebut parameter populasi (population parameter).
• METODE PENARIKAN SAMPEL
• Ada dua metode dasar penarikan sampel, yaitu (1) penarikan sampel probabilitas
dan (2) penarikan sampel nonprobabilitas. Penarikan sampel probabilitas
merupakan suatu prosedur objektif, yang dalam hal ini probabilitas pemilihan
diketahui terlebih dahulu untuk setiap unit/elemen populasi. Selain itu, setiap
elemen populasi memiliki peluang atau probabilitas yang sama untuk dipilih
sebagai sampel. Penarikan sampel probabilitas ini berdasarkan metode pemilihan
acak
• Istilah acak (random) sering disalahartikan menjadi sembarang (dipilih sesuka
hati), padahal sebenarnya acak merupakan suatu konsep matematik yang tepat
yang diterapkan mengikuti sejumlah aturan yang ketat sehingga setiap elemen
dalam populasi memiliki peluang yang sama untuk dipilih sebagai sampel.

• PROBABILITY SAMPLING
• Probability sampling adalah teknik sampling atau pengambilan sampel yang
memberikan peluang yang sama bagi setiap unsur atau anggota populasi untuk
dipilih menjadi sampel. Terdapat beberapa metode penarikan sampel probabilitas,
yaitu (1) sampling acak sederhana (simple random sampling), (2) sampling acak
berstrata proporsional (3) sampling acak berstrata disproporsional (4) metode
sampling klaster/ berkelompok (cluster sampling)
1. Sampling Acak Sederhana
• dikatakan sederhana (simple) karena pengambilan anggota sampel dari populasi
dilakukan secara acak tanpa memperhatikan strata yang ada dalam populasi itu. Cara ini
dilakukan bila anggota populasi dianggap homogen. Contoh yang paling sederhana
adalah cara undian. Misalnya kita ingin menarik sampel sebanyak 35 secara acak dari
suatu populasi yang berjumlah 100, yang terdiri atas dealer sepeda motor X di Bekasi,
Bandung, dan Jakarta. Masing-masing nama dealer diberi nomor sampai dengan 100,
kemudian setiap nomor ditulis pada secarik kertas, dan selanjutnya kertas-kertas
bernomor tersebut dimasukkan ke dalam sebuah kotak. Setelah seluruh kertas dalam
kotak tersebut dikocok dengan baik, selanjutnya dipilih sebanyak 35 sampel yang
prosedur penarikannya dilakukan 35 kali.
• 2. Sampling acak berstrata
• Metode sampling acak berstrata merupakan suatu prosedur dimana subsampel-
subsampel acak sederhana ditarik dari setiap strata yang kurang lebih sama dalam
beberapa karakteristik. Ada dua macam sampling acak berstrata, yaitu sampling acak
berstrata proporsional dan disproporsional.
a) Sampling acak berstrata proporsional
• teknik ini digunakan apabila populasi mempunyai anggota atau unsur yang tidak
homogen dan berstrata secara proporsional. Untuk suatu organisasi yang mempunyai
pegawai dengan latar belakang pendidikan berstrata, populasi pegawai itu berstrata.
Misalnya jumlah pegawai lulus S1=45 S2=30, STM=800, ST=900, SMK=400, dan SD=300.
contoh lain, populasi =1000 (wanita =700, pria=300), sampel yang diperlukan 100.
secara proporsional sampel yang dapat ditarik adalah: wanita = 700/1000 x 100 = 70,
pria = 300/1000 x 100 = 30.
• b) Sampling acak berstrata disproporsional
• Teknik ini digunakan untuk menentukan jumlah sampel bila populasi berstrata,
tetapi kurang proporsional. Berdasarkan kasus di atas, secara disproporsional
dapat di tarik sampel, misalnya untuk wanita 60% = 60 dan pria 40% = 40. prinsip
sampling disproporsional adalah 1) semakin besar suatu strata, semakin besar
sampel, 2) semakin tinggi variabelitas di dalam suatu sampel, semakin besar
sampel.
c) Sampling klaster
• pada sampling klaster kriteria yang digunakan dalam pembentukan
kelompok (klaster) bertolak belakang dengan apa yang digunakan dalam sampling
berstrata. Dalam sampling berstrata, kelompok-kelompok yang dibentuk harus
bersifat homogen. Contoh strata toko berdasarkan ukuran (besar, menengah, kecil)
strata usia 0-19, 20-39, 40-59, >=60.
•
• Dalam sampling kluster sebelum kita dapat memilih sample klaster, populasi harus
dibagi ke dalam kelompok-kelompok yang bersifat mutually exclusive. Selanjutnya
baru kita memilih kelompok-kelompok tersebut secara acak sebagai sampel.

• NONPROBABILITY SAMPLING
• Sampling nonprobabilitas merupakan suatu prosedur penarikan sampel yang
bersifat subjektif. Dalam hal ini, probabilitas pemilihan elemen-elemen populasi
tidak dapat ditentukan. Hal ini disebabkan setiap elemen populasi tidak memiliki
peluang yang sama untuk dipilih sebagai sampel. Sampling nonprobabilitas bisa
menghemat waktu dan biaya karena tidak memerlukan kerangka sampling
(sampling frame), namun hasilnya bisa mengandung bias dan ketidakpastian.
Terdapat beberapa teknik sampling nonprobabilitas, yaitu:
1) Sampling sistematik (systematic sampling)
2) Sampling wilayah (area sampling)
3) Sampling kemudahan (convenience sampling)
4) Sampling kuota (quota sampling)
5) Sampling bertujuan/ pertimbangan (purposive/ judgmental sampling), dan
6) Sampling bola salju (snowball sampling).
1) Sampling Sistematik
sampling sistematik adalah teknik sampling berdasarkan urutan anggota populasi yang
telah diberi nomor urut. Dalam penarikan sample sistematik, populasi dibagi dengan
ukuran sampel yang diperlukan (n) dan sampel diperoleh dengan cara mengambil setiap
subjek ke-n. Contoh, populasi 100, ukuran sampel 10. bagi populasi dengan ukuran
sampel, 100/10 = 10. selanjutnya, pilih nomor antara 1 dan 10, misalnya 5, kemudian,
pilih yang ke-10 setelah itu hingga 10 dipilih 5, 15 ,25, 35, 45, 55, 65, 75, 85,95.
2) Sampling Wilayah
sampling wilayah merupakan bentuk sampling klaster dalam suatu wilayah. Suatu kota
yang menunjukkan wilayah-wilayah dapat dijadikan dasar pembentukan sampel wilayah
dan selanjutnya bisa diperoleh data dari penduduk yang berada dalam wilayah-wilayah
tertentu.
Contoh, sebuah stasiun radio melakukan survei profil dan perilaku pendengar radio.
Penelitian dapat menggunakan peta kota, kemudian mengidentifikasi wilayah-wilayah kota
tersebut hingga ke kecamatan, kelurahan, RW, dan RT yang dipilih secara acak. Selanjutnya,
sampel dipilih secara acak dari setiap subpopulasi tersebut.
3) Sampling Kemudahan
untuk mendapatkan informasi dengan cepat, murah, dan mudah sering digunakan
sampling kemudahan. Prosedurnya adalah dengan langsung menghubungi unit-unit sampling
yang mudah dijumpai, seperti mahasiswa suatu kelas, jemaah tempat-tempat ibadah, rekan-
rekan, para tetangga, pengunjung toko dan lain-lain.
Disamping kemudahan dan kelebihan dari teknik sampling ini, terdapat beberapa
keterbatasan hasil yang diperoleh dapat memunculkan bias dalam pengambilan keputusan.
Dan tidak cocok untuk penelitian deskriptif dan kausal.
4) Sampling Pertimbangan
• sampling pertimbangan merupakan bentuk penarikan sampel
nonprobabilitas yang didasarkan pada kriteria-kriteria tertentu. Misalnya dalam
suatu penelitian tentang masalah sumber daya manusia, peneliti mungkin hanya
ingin memperoleh informasi dari pegawai yang memiliki karakteristik tertentu.
Contoh lain, untuk penelitian tentang kualitas makanan, sampel sumber datanya
adalah orang yang ahli makanan. Sampel ini cocok digunakan untuk penelitian
kualitatif atau penelitian-penelitian yang tidak melakukan generalisasi.
5) Sampling Kouta
• sampling kuota merupakan bentuk lain dari sampling pertimbangan.
Prinsipnya adalah karakteritik2 tertentu yang relevan menjelaskan dimensi2
populasi.
6) Sampling bola salju
• sampling bola salju merupakan suatu metode penarikan sampel yang dalam
hal ini responden yang berhasil diperoleh diminta untuk menunjukkan responden-
responden lainnya secara berantai. Teknik sampling ini sangat tepat digunakan bila
populasinya sangat spesifik.
• KONSEP DISTRIBUSI SAMPLING
• Selanjutnya kita akan membahas empat jenis distribusi sampling, yaitu 1 rata-rata,
beda 2 rata-rata, 1 proporsi, dan beda 2 proporsi. Distribusi sampling rata-rata
adalah distribusi probabilitas yang berisi daftar semua rata-rata sampel yang
mungkin jika kita mengambil sejumlah sampel dari populasi, beserta dengan
probabilitas setiap rata-rata sampel. Jika kita memiliki populasi yang terdiri atas
tiga orang, yaitu A, B, C, lalu mengambil sampel sebanyak 2 orang, ada atau 3
kombinasi sampel yang mungkin terpilih, yaitu AB, AC, dan BC.

Populasi A, B, C

Sampel(1) A, B Sampel(2) A, C Sampel(3) B, C

• Jika kita mengambil 10 sampel dari populasi sebesar 60, kita akan memiliki . Kita tahu
bahwa ukuran populasi (N) biasanya sangat besar dan ukuran sampel (n) relatif lebih
kecil. Oleh karenanya, jika kita melakukan pengambilan sampel n dari N populasi, kita
akan memiliki. . Dengan demikian, kombinasi ini sangat besar. Setiap kombinasi
sampel memiliki ukuran (statistik sampel), misalnya rata-rata sampel ( ). Maka jika kita
mengambil n sampel dari N populasi, kita akan memiliki rata-rata sampel yang cukup
banyak.
• Telah disebutkan bahwa rata-rata sampel, merupakan variabel acak sehingga
mempunyai distribusi sendiri. Distribusi X disebut distribusi sampel dari rata-rata.
Menurut dalil batas memusat (the central limit theorem), jika populasi terdistribusi
secara normal, x yang banyak tersebut juga akan tersitribusi secara normal. Distribusi x
tersebut adalah distribusi sampling atau tepatnya distribusi sampling rata-rata
merupakan distribusi normal yang berbentuk lonceng, simetris, dan memiliki rata-rata
sebesar dan deviasi standar.
• Contoh 1
• PT Green Bay Packer memiliki 7 karyawan bagian produksi (dianggap sebagai populasi)
dengan keterangan upah per jam setiap karyawan seperti berikut.
Karyawan Upah/Jam
Joe 7
Sam 9
Sue 8
Bob 8
Jan 7
Art 8
Ted 9
• Seorang peneliti ingin mengetahui rata-rata upah per jam karyawan di perusahaan
tersebut. Untuk melakukannya ia dapat menggunakan dua cara, yaitu:
a. Meneliti seluruh populasi
rata-rata populasi adalah
µ = 7+9+8+8+7+8+9
7
b. Meneliti sampel
• misalnya, peneliti tersebut mengambil sampel sebanyak 4 karyawan, maka ada 35 kombinasi
sampel yang mungkin terambil, yaitu dari perhitungan

• Masing-masing kombinasi sampel memiliki statistik sampel atau x (rata-rata sampel). Tiga
puluh lima rata-rata tersebut disajikan pada tabel berikut:
Rata-rata sampel Frekuensi Probabilitas
7,5 3 3/35 = 0,0857
7,75 8 8/35=0,2286
8 13 13/35=0,3714
8,25 8 8/35=0,2286
8,5 3 3/35=0,0837
35 1
• Tiga puluh lima rata-rata sampel tersebut membentuk suatu distribusi sampling rata-rata.
Sebelum menggambar distribusi sampling rata-rata untuk contoh ini, kita membuat distribusi
frekuensinya terlebih dahulu, seperti pada gambar di bawah berikut ini. Distribusi sampling 1
rata-rata peristiwa pengambilan sampel sebesar 4 dari populasi sebesar 7 adalah sebagai
berikut:
Distribusi sampling rata-rata
0.4
0.3
0.2
0.1
0
7.5 7.75 8 8.25 8.5

• Distribusi sampling tersebut memiliki rata-rata µẋ dan deviasi standar σẋ, yang dihitung
dengan rumus
• DALIL BATAS MEMUSAT (THE CENTRAL LIMIT THEOREM)
• Dalil batas memusat adalah suatu dalil yang sangat penting peranannya dalam distribusi
sampling, yang menyatakan bahwa untuk suatu populasi dengan rata-rata µ dan varian σ,
distribusi sampling rata-rata dari semua kemungkinan berukuran n yang diambil dari populasi
akan terdistribusi secara normal dengan rata-rata µẋ dan deviasi standar σẋ, dimana nilai µẋ
sama dengan rata-rata populasi (µ), dan σẋ sama dengan deviasi standar populasi dibagi akar
n atau σ/√n dengan asumsi bahwa ukuran sampel cukup besar. Dengan kata lain, dalam
pemilihan sampel acak sederhana dengan ukuran n dari suatu populasi yang berasal dari
distribusi apapun (binomial, Poisson, dsb), distribusi dari rata-rata sampel sampel dapat di
dekati dengan distribusi probabilitas normal untuk ukuran sampel yang besar. Beberapa hal
yang perlu diingat dari dalil tersebut sebagai berikut:
1. Jika ukuran sampel (n) cukup besar, distribusi rata-rata sampel akan mendekati normal, tidak
peduli apakah populasinya terdistribusi secara normal atau tidak.
2. µẋ = µ dan σẋ = σ/√n
3. Tidak ada angka yang pasti tentang “ukuran sampel yang cukup besar”, tetapi biasanya angka
n > 30 dianggap cukup besar.
• DISTRIBUSI SAMPLING RATA-RATA
• Pada hakikatnya, distribusi sampling rata-rata adalah distribusi probabilitas rata-rata sejumlah C
sampel: N adalah ukuran populasi dan n adalah ukuran sampel yang diambil dari populasi.
Distribusi ini memiliki rata-rata µẋ dan standar deviasi σẋ, sementara itu menurut dalil batas
memusat, µẋ = µ dan σẋ = σ/√n . Jika disusun ke dalam suatu distribusi, rata-rata tersebut sama
seperti nilai-nilai dalam distribusi skor mentah. Distribusi semacam ini disebut distribusi sampel
rata-rata (sampel distribution of means). Selanjutnya dapat dihitung rata-rata dari distribusi sampel
rata-rata (means of sample distribution of means). Rata-rata distribusi ini akan sama dengan rata-
rata populasi (Partino, 2010)
• Contoh 2
• Bank Lantana menghitung tabungan seluruh nasabahnya. Setelah penghitungan, bank tersebut
mendapati bahwa rata-rata tabungan setiap nasabahnya sebesar Rp2.000,- dengan deviasi standar
Rp600,-. Apabila seorang peneliti mengambil sampel sebanyak 100 nasabah, berapa probabilitas
jika
a. rata-rata sampel akan terletak antara Rp1.900,- dan Rp2.050,-
b. Rata-rata sampel akan lebih besar dari Rp2.050,-;
c. Rata-rata sampel akan lebih kecil dari Rp1.900,-;
d. Rata-rata sampel akan atau lebih kecil dari Rp1.900,-?
Jawab:
Jika peneliti mengambil sampel 100 dari populasi 600, akan terdapat
kombinasi sampel yang mungkin. Dengan kata lain, akan terdapat
sebanyak rata-rata sampel. Jumlah rata-rata sampel tersebut cukup
banyak sehingga distribusinya normal (hal ini konsisten dengan dalil
batas memusat). Distribusi sampling rata-rata ini memiliki rata-rata
dan deviasi standar sebagai berikut.
µẋ = µ = 2000
σẋ = σ/√n = 600/√100 = 60
Selanjutnya, untuk menyelesaikan soal tersebut, kita akan
menerapkan konsep menghitung luas daerah kurva normal.

Untuk

Maka

Maka P(1900 < x <2050) = 45,25% + 29,67% = 74,9%

P(x > 2050) =

µ x = 2000 2050
σ x = 60
Untuk x = 2050, z = 0,83 = 29,67%
Maka P(x > 2050) = 50% - 29,67% = 20,33%

P(x < 1900) =

1900 µ x = 2000, σ x = 60
Untuk x = 1900, z = -1,67 = 42,25%
Maka P(x < 1900) = 50% - 45,25% = 4,75%
FAKTOR KOREKSI UNTUK POPULASI TERBATAS
Jika populasi (keseluruhan objek penelitian) sangat besar, kita
asumsikan populasi tersebut takterbatas (infinite). Bagaiman jika
populasi tidak takterbatas atau tidak sangat besar? Dalam kasus ini,
kita harus melakukan beberapa penyesuaian/koreksi terhadap
deviasi standar dari distribusi sampling dengan cara mengalikan σ/√n
dengan suatu faktor koreksi sebesar sehingga

menjadi rumus
Keterangan :
N = ukuran populasi (yang terbatas/tidak besar)
n = ukuran sampel
Mengapa faktor koreksi ini perlu dan apa efeknya? Jika sampel adalah
suatu persentase yang cukup besar dari populasinya, kita
mengharapkan ukurannya akan lebih tepat daripada ukuran suatu
sampel yang lebih kecil. Perhatikan efek dari faktor koreksi, misalnya
kita mengambil sampel dengan ukuran 100 dari populasi berukuran
1000, besar faktor koreksinya adalah 0,9492. jika dikalikan dengan
faktor koreksi tersebut, deviasi standar distribusi sampling rata-rata
(atau galat baku mean) akan berkurang sebesar 1 – 94,92% = 5%.
Semakin besar ukuran sampel, semakin besar pengurangan galat
baku tersebut, demikian pula sebaliknya.
Tabel perhitungan faktor koreksi untuk berbagai ukuran sampel jika
populasi 1.000
Bagian dari
Ukuran Sampel (n) Faktor Koreksi
populasinya (n/N)
10 1% 99,55%
25 2,5% 98,79%
50 5% 97,52%
100 10% 94,92%
200 20% 89,49%
500 50% 70,75%
Jika n/N lebih kecil dari 5%, faktor koreksi mendekati 1 sehingga
muncul aturan jika n/N lebih kecil dari 5%, faktor koreksi tidak perlu
digunakan, kalaupun digunakan, pengaruhnya tidak akan banyak
karena nilainya mendekati 1.
Contoh 3
Bila sampel acak dengan n = 10 dipilih dari populasi sebesar 40
dengan rata-rata 5,5 dan deviasi standar 2,9155, berapa rata-rata dan
deviasi distribusi sampling rata-rata?
Jawab :
Menurut dalil batas memusat dan penyesuain terhadap koreksi,
µx = µ = 5,5 dan
=0,2773
DISTRIBUSI SAMPLING BEDA RATA-RATA
Misalnya kita sedang meneliti 2 populasi, yaitu populasi 1 dan
populasi 2, yang masing-masing memiliki ukuran N1 dan N2,
kemudian dari masing-masing populasi tersebut kita mengambil
sampel dengan ukuran n1 dan n2. pengambilan sampel n1 dari
populasi N1 menghasilkan kombinasi sampel sebanyak dan
pengambilan sampel n2 dari populasi N2 menghasilkan kombinasi
sampel sebanyak dengan kata lain, kita memiliki X1 (rata-rata
sampel dari populasi 1) dan X2 (rata-rata sampel dari populasi 2) yang
cukup banyak. Jika X adalah selisih X1 dan X2 atau (X = X1 – X2), kita
akan memiliki X yang banyak sekali yang membentuk suatu distribusi
normal yang disebut distribusi sampling beda rata-rata. Distribusi
sampling ini memiliki rata-rata µX1 – X2 dan deviasi standar atau galat
baku σX1 – X2 .

X1 – X2
µX1 – X2
σX1 – X2
Gambar di atas menggambarkan bahwa distribusi sampling beda
rata-rata sebenarnya merupakan distribusi probabilitas variabel X1–X2
sementara itu, proses terbentuknya distribusi tersebut terlihat pada
ganbar berikut

Populasi 1 Populasi 2
N1 N2

Ambil sampel Ambil smapel

terdapat kombinasi sebesar n2
sebesar n1
sampel yg mungkin
Sampel senanyak menghasilkan rata-rata sampel 1 (X1) sebanyak

sampel sebanyak mengahasilkan rata-rata sampel 2 (X2) sebanyak

Jika kita mengurangkan X1 dengan X2, kita akan mendapat variabel X1

– X2 yang banyak sekali yang membentuk suatu distribusi normal.
menurut dalil batas memusat, µX1 – X2= µ1 – µ2
dengan rumusan :
σX1 – X2 =

X1 – X2
Contoh 4
Lampu pijar merek Ampuh memiliki rata-rata daya tahan 4.500 jam
dengan deviasi standar 500 jam, sedangkan lampu pijar merek Baik
memiliki rata-rata daya tahan 4.000 jam dengan deviasi standar 400
jam. Jika diambil sampel masing-masing 100 buah lampu pijar dan
diteliti, berapa probabilitas bahwa selisih rata-rata daya tahan kedua
lampu pijar tersebut lebih besar dari 600 jam?
Jawab:

X1 – X2
µX1 – X2
σX1 – X2
µX1 – X2= µ1 – µ2= 4500 – 4000 = 500

σX1 – X2 = = =64

P (X1 – X2 > 600)=?

Untuk menghitung probabilitas tersebut, kita harus menghitung luas
daerah yang diarsir dengan mengunakan konsep distribusi normal
dengan tabel Z.
Contoh 4
Ingat bahwa

Karena X = X1 – X2
µ= µX1 – X2
σ= σX1 – X2

untuk X1 – X2 = 600

P(X1 – X2 > 600) = 50% - 44,06% = 5,94%

DISTRIBUSI SAMPLING PROPORSI
PROPORSI populasi (P) dapat dicari dengan rumus P = X/N. X =
jumlah item proporsi dan N = jumlah seluruh item. Sebagai contoh.
Total mahasiswa adalah 100 orang. Jika 30 mahasiswa dianataranya
merokok, proporsi mahasiswa yang merokok adalah 30/100 atau
30%. Proporsi populasi ditulis sebagai P dan proporsi sampel ditulis
dengan simbol P atau p. proses pembentukan distribusi sampling ini
sama dengan pembentukan distribusi sampling rata-rata yang telah
dibahas sebelumnya. Jika dari populasi dengan ukuran N diambil
sampel dengan ukuran n, akan ada kombinasi sampel yang mungkin
sebanyak yang berarti kita memiliki P (proporsi sampel) sebanyak
pula. P yang dimaksud berjumlah sangat besar dan membentuk
distribusi normal dengan rata-rata µ P dan σ P.
Selanjutnya kita ketahui bahwa rata-rata distribusi sampling proporsi
(µ P) adalah sama dengan proporsi populasi (P) dan deviasi standar
distribusi sampling proporsi (galat baku proporsi atau standar error of
proportion) σ P adalah sama dengan . Untuk populasi

yang terbatas atau n/N<5%, kita gunakan faktor koreksi sebesar

Contoh 5
Dari 1.000 buah mobil yang diproduksi, diketahui 100 diantaranya
cacat. Jika diambil sampel acak sebanyak 500 buah mobil dari
populasi tersebut dan diteliti, berapa besar probabilitas proporsi
mobil yang cacat lebih besar dari 12%?
Jawab:
P = proporsi populasi mobil yang rusak = 100/1000=10%
µ p = P 10% = 0,1

σp= =

Probabilitas (P > 0,12)

Prob (P > 0,12) = 50% - 43,82% = 6,18%

DISTRIBUSI SAMPLING BEDA PROPORSI
Pada dasarnya, proses terbentuknya distribusi sampling beda
proporsi ini sama dengan pembentukan distribusi sampling beda
rata-rata. Misalnya terdapat 2 populasi binomial (populasi yang
dibedakan menjadi 2 kelompok, seperti merokok dan tidak merokok,
setuju dan tidak setuju, dan sebagainya) dengan ukuran N1 dan N2.
dari kedua populasi tersebut masing-masing kita ambil sampel
sebesar n1 dan n2. kita akan memiliki kemungkinan kombinasi sampel
sebesar dan . Dengan kata lain, kita memiliki proporsi sampel 1
(p1) sebanyak dan proporsi sampel 2 (p2) sebanyak . Jika p
adalah selisih p1 dan p2 (atau p= p1 – p2), kita akan mendapatkan p1–
p2 banyak yang membentuk distribusi normal dengan rata-rata µ p1 –
P2 dan deviasi standar σ p1 – p2.
Selanjutnya diketahui bahwa rata-rata distribusi sampling beda
proporsi populasi 1 proporsi populasi 2 (µ p1 – p2) dan bahwa deviasi
standar distribusi sampling beda proporsi (σ p1 – p2) sama dengan

Jika populasi terbatas atau n/N lebih kecil dari 5% faktor koreksi
diterapkan terhadap deviasi standar distribusi sampling beda
proporsi.
Rumus

Atau

Contoh 6
Berdasarkan sebuah penelitian, 5 dari orang yang tidak merokok
terkena TBC dan dari setiap 100 perokok, 1 orang diantaranya
terkena TBC. Jika diambil sampel masing-masing 100 orang dari
kedua kelompok, berapa probabilitas bahwa selisih populasi perokok
dan populasi bukan perokok yang terkena TBC lebih besar dari 50%?
Jawab:
P1 = proporsi populasi perokok yang terkena TBC
P2 = proporsi populasi bukan perokok yang terkena TBC
= 5% - 1% = 4%
Probabilitas ini dicari dengan menghitung luas daerah yang diarsir
dengan menggunakan tabel Z.

untuk x =

= 50% - 16,28% = 33,72%

 EVALUASI
1. Rata-rata sebesar 20% telur yang ditetaskan dengan mesin tetas gagal menetas. Bila ada 70 butir
telur ayam yang dipilih secara acak, hitunglah probabilitas mendapatkan proporsi telur ayam
yang mengalami kegagalan sedikitnya 25%!

•
 Referensi utama : Cleve Moler, Numerical
Computing with MATLAB, SIAM. S. C.
Chapra & R. P. Canale, Numerical Methods
for Engineers, 6th Edition, McGraw Hill,
2009.

42
THANKS!
Ada Pertanyaan?

43