BAB I

PENDAHULUAN

1.1. Latar Belakang

Metode pengambilan sampel sangat penting untuk diketahui, dan
dipahami karena metode pengambilan sampel adalah cara unuk memudahkan
penelitian para peneliti. Istilah teknis sampling sering kali kita dengar, namun
terkadang istilah-istilah ini ada yang tidak dipahami betul. Oleh karena itu,
tulisan ini akan membahas mengenai teknik sampling. Namun perlu diketahui
juga, populasi merupakan wilayah generalisasi yang terdiri atas; obyek/subyek
yang mempunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh
peneliti untuk dipelajari dan kemudian ditarik kesimpulannya. Populasi bukan
hanya orang, tetapi juga benda-benda alam yang lain. Populasi juga bukan
sekedar jumlah yang ada pada obyek/subyek yang dipelajari, tetapi meliputi
seluruh karakteristik/sifat yang dimiliki oleh obyek atau subyek tersebut.
Bahkan satu orangpun dapat digunakan sebagai populasi, karena satu orang itu
mempunyai berbagai karakteristik, misalnya gaya bicara, disiplin, pribadi, hobi,
dan lain-lain. Sampel adalah sebagian dari jumlah dan karakteristik yang
dimiliki oleh populasi tersebut. Apabila populasi besar, dan peneliti tidak
mungkin mempelajari semua yang ada populasi, hal ini dikarenakan adanya
keterbatasan dana, tenaga dan waktu, maka peneliti dapat menggunakan sampel
yang diambil dari populasi tersebut. Apa yang dipelajari dari sampel itu,
kesimpulannya akan diberlakukan untuk populasi. Oleh karena itu sampel yang
akan diambil dari populasi harus betul-betul representatif (dapat mewakili).
Teknik sampling adalah merupakan teknik pengambilan sampel.
Terdapat berbagai teknik sampling untuk menentukan sampel yang akan
digunakan dalam penelitian. Untuk pengertian dan penjelasan lebih lanjut
mengenai metode pengambilan sampel.

1
1.2. Rumusan Masalah
1. Apa saja metode pengambilan sampel?
2. Apa pengertian distribusi sampel dan perhitungan standar error data ukur
dan data hitung?

1.3. Tujuan
1. Untuk mengetahui metode pengambilan sampel.
2. Untuk mengetahui pengertian distribusi sampel dan perhitungan standar
error data ukur dan data hitung.

2
 BAB II

PEMBAHASAN

2.1. Populasi dan Sampel

2.1.1. Populasi
Kata populasi bukanlah hal yang asing dalam penelitian. Penelitian yang ada
dilaksanakan pada populasi dan ada juga penelitian yang dilakukan pada
sample atau yang lebih umum dikenal sebagai penelitian survey. Seorang
peneliti wajib mengetahui siapa, apa, dimana, dan seberapa besar
populasinya. Banyak definisi dikemukakan tentag populasi, beberapa
pengertian populasi:
1. Population is the collection of all individuals or items under
consideration in a statistical study (Burns and Grove, 2010, Weiss and
Weiss, 2008). Popuasi adalah kumpulan semua individu atau item yang
dipertimbangkan dalam studi statistic.
2. Population is all elements (individuals, objects, events, or substances)
that meet the sample criteria for inclusion in a study; sometimes
reffered to as a target population (Burns and Grove, 2010). Definisi
tersebut mengatakan bahwa populasi adalah sebuah elem (individu-
individu, objek, kejadian ataupun substansi yang cocok dengan criteria
inklusi sampel dalam sebuah studi.
3. Population refers to a collection of people, animals, or object that we
are interested in studying (Chernick, 2011). Populasi merujuk pada
sekumpulan orang-orang, binatang, atau objek yang tertarik untuk
diteliti.
4. Study population is all of the individuals that the researchers are
interested in studying (macnee and McCabe, 2008). Hal tersebut berarti
adalah semua individu-individu yang membuat peneliti tertarik untuk
menelitinya.

3
5. A population is an entire set of persons, objects or events which the
researcher intends to study (Blessing and Forister, 2012). Suatu populasi
adalah seluruh ragkaian orang, benda atau peristiwa yang diinginkan
oleh peneliti untuk dilakukan penelitian.
Berdasarkan definisi tersebut, populasi tidak hanya berupa manusia atau
individu, tetapi juga dapat berupa objek atau kejadian atau peristiwa tertentu
yang akan diteliti. Seorang peneliti seharusnya selalu memahami dengan
baik siapa atau apa populasinya, karena hasil penelitian akan digeneralisir ke
populasi. Untuk memahami lebih jauh tantang populasi, berikut ini dikenal
beberapa tipe populasi penelitian di antaranya:
1. The targer population atau populasi target merupakan kelompok yang
luas di mana target populasi ini merupakan tempat di mana hasil
penelitian akan diaplikasikan.
2. The source population atau populasi sumber merupakan bagian dari
target populasi di mana individu-individu yang akan dijadikan sampel
berada.
3. The sample population atau populasi sampel merupakan populasi di
mana terdapat individu-individu yang akan ditanyakan untuk
berpartisipasi dalam penelitian, yang berasal dari populasi sumber.
4. The study population atau populasi penelitian merupakan individu-
individu yang memenuhi syarat yang berasal dari sample population
yang bersedia untuk berpartisipasi dalam penelitian.

4
2.1.2. Sampel
Selain populasi, penelit juga harus memahami dengan baik siapa atau apa
yang dijadikan sebagai sampel penelitan, serta seberapa besar sampel
penelitiannya. Sampel adalah bagian dari populasi yang dipilih secara
random maupun non- random sekaligus dapat digunakan untuk
menggambarkan keadaan populasi. Ada banyak definisi tentang sampel,
namun berikut ini beberapa definisi tentang sampel, yaitu:
1. Sample is part of population from which information is obtained (Weiss
and Weiss, 2008). Hal tersebut berarti sampel adalah bagian dari populasi
di mana informasi penelitian didapatkan
2. A sample is a subset of population. Sampling involves the selection of the
sample from the population (Blessing and Forister, 2012). Sebuah sampel
adalah sub atau bagian dari populasi.
3. A sample would be a subset of population that is used to draw inferences
about population (Chernick, 2011). Hal tersebut berarti sebuah sampel

5
 menjadi bagian dari populasi yang digunakan untuk menarik kesimpulan
tentang populasi.

2.2. Metode Pengambilan Sampel secara Random dan Non Random

2.2.1 Teknik Sampling
Teknik sampling adalah cara untuk menentukan sampel yang jumlahnya
sesuai dengan ukuran sampel yang akan dijadikan sumber data sebenarnya,
dengan memperhatikan sifat-sifat dan penyebaran populasi agar diperoleh
sampel yang representatif. Secara umum, ada dua jenis teknik pengambilan
sampel yaitu, sampel acak atau random sampling / probability sampling dan
sampel tidak acak atau nonrandom samping/nonprobability sampling.
Random sampling adalah cara pengambilan sampel yang memberikan
kesempatan yang sama untuk diambil kepada setiap elemen populasi. Artinya
jika elemen populasinya ada 100 dan yang akan dijadikan sampel adalah 25,
maka setiap elemen tersebut mempunyai kemungkinan 25/100 untuk bisa
dipilih menjadi sampel. Sedangkan yang dimaksud dengan nonrandom
sampling atau nonprobability sampling, setiap elemen populasi tidak
mempunyai kemungkinan yang sama untuk dijadikan sampel. Lima elemen
populasi dipilih sebagai sampel karena letaknya dekat dengan rumah peneliti,
sedangkan yang lainnya, karena jauh, tidak dipilih; artinya kemungkinannya 0
(nol).
a. Probability/Random Sampling
Teknik random sampling adalah teknik pengambilan sampel dimana semua
individu dalam populasi, baik secara individu maupun kelompok memiliki
kesempatan yang sama untuk menjadi sampel. Teknik ini tidak pilih-pilih dan
didasarkan atas prinsip-prinsip matematis yang telah diuji dalam praktek.
1.Simple Random Sampling atau Sampel Acak Sederhana

6
 Teknik untuk mendapatkan sampel yang langsung dilakukan pada unit
sampling. Dengan demikian setiap unsur populasi harus mempunyai
kesempatan sama untuk bisa dipilih menjadi sampel.
2. Stratified Random Sampling atau Sampel Acak Distratifikasikan
Teknik ini biasa digunakan pada populasi yang mempunyai susunan bertingkat
atau berlapis-lapis. Misalnya sekolah, terdapat beberapa tingkatan kelas. Jika
tingkatan dalam populasi diperhatikan, mula-mula harus dipastikan strata yang
ada, kemudian tiap strata diwakili sampel penelitian.
3. Cluster Sampling atau Sampel Gugus
Teknik ini digunakan jika populasi tidak terdiri dari individu-individu,
melainkan terdiri dari kelompok atau cluster. Misalnya, penelitian dilakukan
terhadap populasi pelajar SMU di suatu kota. Untuk itu random tidak dilakukan
secara langsung pada semua pelajar, tetapi pada sekolah/kelas sebagai
kelompok atau cluster.
b. Nonprobability/Nonrandom Sampling atau Sampel Tidak Acak
Seperti telah diuraikan sebelumnya, jenis sampel ini tidak dipilih secara acak.
Tidak semua unsur atau elemen populasi mempunyai kesempatan sama untuk
bisa dipilih menjadi sampel. Unsur populasi yang terpilih menjadi sampel bisa
disebabkan karena kebetulan atau karena faktor lain yang sebelumnya sudah
direncanakan oleh peneliti.
1. Convenience Sampling atau sampel yang dipilih dengan pertimbangan
kemudahan
Dalam memilih sampel, peneliti tidak mempunyai pertimbangan lain kecuali
berdasarkan kemudahan saja. Seseorang diambil sebagai sampel karena
kebetulan orang tadi ada di situ atau kebetulan dia mengenal orang tersebut.
Oleh karena itu ada beberapa penulis menggunakan istilah accidental sampling
– tidak disengaja – atau juga captive sample (man-on-the-street). Jenis sampel
ini sangat baik jika dimanfaatkan untuk penelitian penjajagan, yang kemudian
diikuti oleh penelitian lanjutan yang sampelnya diambil secara acak (random).

7
 Beberapa kasus penelitian yang menggunakan jenis sampel ini, hasilnya
ternyata kurang obyektif.
2. Purposive Sampling
Sesuai dengan namanya, sampel diambil dengan maksud atau tujuan tertentu.
Seseorang atau sesuatu diambil sebagai sampel karena peneliti menganggap
bahwa seseorang atau sesuatu tersebut memiliki informasi yang diperlukan bagi
penelitiannya. Sampel dipilih berdasarkan penilaian peneliti bahwa dia adalah
pihak yang paling baik untuk dijadikan sampel penelitiannya.. Misalnya, untuk
memperoleh data tentang bagaimana keadaan atau karakteristik suatu sekolah,
maka kepala sekolah merupakan orang yang terbaik untuk bisa memberikan
informasi. Jadi, judment sampling umumnya memilih sesuatu atau seseorang
menjadi sampel karena mereka mempunyai “information rich”.
3. Quota Sampling
Teknik sampel ini adalah bentuk dari sampel distratifikasikan secara
proposional, namun tidak dipilih secara acak melainkan secara kebetulan saja.
Dalam teknik ini jumlah populasi tidak diperhitungkan akan tetapi
diklassifikasikan dalam beberapa kelompok. Sampel diambil dengan
memberikan jatah atau quorum tertentu pada setiap kelompok. Pengumpulan
data dilakukan langsung pada unit sampling. Setelah jatah terpenuhi,
pengumpulan data dihentikan.
4. Snowball Sampling – Sampel Bola Salju
Teknik ini adalah teknik penentuan sampel yang mula-mula jumlahnya kecil,
kemudian membesar. Ibarat bola salju yang menggelindingyang lama-lama
menjadi besar. Teknik ini banyak dipakai ketika peneliti tidak banyak tahu
tentang populasi penelitiannya. Dia hanya tahu satu atau dua orang yang
berdasarkan penilaiannya bisa dijadikan sampel. Karena peneliti menginginkan
lebih banyak lagi, lalu dia minta kepada sampel pertama untuk menunjukan
orang lain yang kira-kira bisa dijadikan sampel.
5. Systematic Sampling atau Sampel Sistematis

8
 Jika peneliti dihadapkan pada ukuran populasi yang banyak dan tidak memiliki
alat pengambil data secara random, cara pengambilan sampel sistematis dapat
digunakan. Cara ini menuntut kepada peneliti untuk memilih unsur populasi
secara sistematis, yaitu unsur populasi yang bisa dijadikan sampel adalah yang
“keberapa”. Misalnya, setiap unsur populasi yang keenam, yang bisa dijadikan
sampel. Soal “keberapa”-nya satu unsur populasi bisa dijadikan sampel
tergantung pada ukuran populasi dan ukuran sampel. Misalnya, dalam satu
populasi terdapat 5000 rumah. Sampel yang akan diambil adalah 250 rumah
dengan demikian interval di antara sampel kesatu, kedua, dan seterusnya adalah
25.
6. Area Sampling atau Sampel Wilayah
Teknik ini dipakai ketika peneliti dihadapkan pada situasi bahwa populasi
penelitiannya tersebar di berbagai wilayah. Misalnya, dalam penelitian
pendidikan kita mengadakan penelitian acak terhadap wilayah-wilayah
pendidikan dari suatu populasi atau kabupaten, kemudian terhadap sekolah-
sekolah, lalu kelas-kelas dan akhirnya para siswa.

2.3 Distribusi Sampling

Distribusi sampling adalah distribusi dari mean-mean yang diambil secara
berulang kali dari suatu populasi. Bila pada suatu populasi tak terhingga dilakukan
pengambilan sampel secara acak berulang-ulang hingga semua sampel yang mungkin
dapat ditarik dari populasi tersebut. Sampel yang diambil dari populasi terbatas dan
sebelum dilakukan pengambilan sampel berikutnya sampel unit dikembalikan
kedalam populasi. Proses ini dilakukan berulang-ulang dalam jumlah yang sangat
banyak sehingga dihasilkan sampel :

                         N!

Sebanyak                                buah sampel

                        n!(N-n)!

9
 Bila sampel-sampel yang dihasilkan dihitung rata-ratanya maka akan
menghasilkan nilai rata-rata yang berbeda  hingga dapat disusun menjadi suatu
distribusi yang disebut distribusi rata-rata sampel.Bila dihitung deviasi standarnya
dinamakan deviasi standar distribusi rata-rata sampel atau kesalahan baku rata-rata
(standard error rata-rata).

Distibusi sampel dihasilkan dari pengambilan sampel yang dilakukan

berulang-ulang. Oleh karena itu distribusi sampel disebut distribusi teoritis atau
distribusi probabilitas.

2.3.1 Distribusi Rata-Rata

Distribusi rata-rata diperoleh dengan pengambilan sampel yang dilakukan
berulang hingga semua kemungkinan sampel yang dapat diambil dari populasi
tersebut terpenuhi. Selanjutnya, rata-rata masing- masing sampel dihitung.
Misalkan kita mempunyai sebuah populasi berkukuran terhingga N dengan parameter
rata-rata µ dan simpangan baku σ. Dari populasi ini diambil secara acak berukuran n.

Jika sampling dilakukan tanpa pengembalian, kita tahu semuanya ada  ( Nn ) buah
sampel yang berlainan. Untuk semua sampel yang didapat, masing-masing dihitung

rata-ratanya. Dengan demikian diperoleh N  buah rata-rata. Anggap semua rata-rata

n ( )
ini sebagai data baru, jadi didapat kumpulan data yang terdiri atas rata-rata dari
sampel-sampel. Bila dari rata-rata yang dihasilkan itu dihitung pula rata dan deviasi
standar maka akan dihasilkan rata-rata dari distribusi rata-rata μ x́ dan deviasi standar
distribusi rata- rata σ x́ .
Rata-rata distribusi dari rata -rata sampel akan sama dengan rata- rata populasi
dan deviasi standar distribusi rata-rata dinamakan kesalahan baku (standard eror)
sama dengan deviasi standar populasi dibagi dengan akar n.

10
 μ x́ =μ

σ
σ x́ =
√n
Keterangan :

n : ukuran sampel N : ukuran populasi

x : rata-rata sampel μ : rata-rata populasi

s : standar deviasi sampel σ : standar deviasi populasi

μx: rata-rata antar semua sampel

σx : standar deviasi antar semua sampel = standard error = kesalahan baku

Contoh :

Diberikan sebuah populasi dengan N=10 yang datanya : 98, 99, 97, 98, 99, 98, 97, 97,
98, 99. Jika dihitung, populasi ini mempunyai µ = 98 dan σ = 0,78. Diambil sampel

berukuran n=2 . Semuanya ada (102 ) = 45 buah sampel. Untuk setiap sampel kita
hitung rata-ratanya. Data dalam tiap sampel dan rata-rata tiap sampel diberikan dalam
daftar berikut ini.

Semua Sampel Berukuran n = 2

Rata-ratanya Diambil dari Populasi Berukuran N = 10

Sampel Rata- Sampel Rata-rata Sampel Rata-rata

rata
(98,99) 98,5 (99,98) 98,5 (99,98) 98,5

11
 (98,97) 97,5 (99,99) 99 (99,97) 98

(98,98) 98 (97,98) 97,5 (99,97) 98

(98,99) 98,5 (97,99) 98 (99,98) 98,5

(98,98) 98 (97,98) 97,5 (99,99) 99

(98,97) 97,5 (97,97) 97 (98,97) 97,5

(98,97) 97,5 (97,97) 97 (98,97) 97,5

(98,98) 98 (97,98) 97,5 (98,98) 98

(98,99) 98,5 (97,99) 98 (98,99) 98,5

(99,97) 98 (98,99) 98,5 (97,97) 97

(99,98) 98,5 (98,98) 98 (97,98) 97,5

(99,99) 99 (98,97) 97,5 (97,99) 98

(99,98) 98,5 (98,97) 97,5 (97,98) 97,5

(99,97) 98 (98,98) 98 (97,99) 98

(99,97) 98 (98,99) 98,5 (98,99) 98,5

Jumlah semua rata-rata = 4410

Jumlah ke-45 buah rata-rata = 4.410. maka rata-ratanya untuk ke-45 rata-rata ini =

4.410
=98 .
45

12
Jadi, μ x́ =98.

Simpangan baku ke-45 rata-rata di atas juga dapat dihitung. Besarnya adalah:

σ x́ =0,52

Tetapi rata-rata populasi μ=98 dan simpangan baku σ =0,78. Selanjutnya kita hitung:

σ N −n 0,78 10−2
n √ =
√
N−1 √ 2 10−1
=0,52

Ternyata berlaku bahwa:

μ x́ =μ
X(1) …………….
σ N −n
σ x́ =
√
√ n N −1

Jika N cukup besar dibandingkan terhadap n, maka berlaku hubungan:

μ x́ =μ
X(2) …………….
σ
σ x́ =
√n

Untuk penggunaan, rumus (2) cukup baik apabila (n/N) ≤ 5%.

Jika sampel acak berukuran n diambil dari sebuah populasi berukuruan N dengan
rata-rata µ dan simpangan baku σ, maka distribusi rata-rata sampel mempunyai rata-
rata dan simpangan baku seperti dalam rumus (1) jika (n/N) > 5%, seperti dalam
rumus (2) jika (n/N) ≤ 5%. σ x́  dinamakan kekeliruan standar rata-rata atau kekeliruan
baku rata-rata atau pula galat baku rata-rata. Ini merupakan ukuran variasi rata-rata

13
sampel sekitar rata-rata populasi µ. σ x́  mengukur besarnya perbedaan rata-rata yang
diharapkan dari sampel ke sampel.

Dalil Limit Pusat

Data limit pusat ialah hubungan antara bentuk distribusi populasi dengan bentuk
distribusi sampling rata-rata. Hubungan tersebut adalah sebagai berikut.
1. Rata-rata dari distribusi rata-rata sampel sama dengan rata-rata populasi dan
tidak bergantung pada besarnya sampel dan bentuk distribusi populasi
μ x́ =μ
2. Dengan penambahan jumlah sampel maka distribusi rata-rata sampel akan
mendekati distribusi normal dan tidak bergantung pada bentuk distribusi
populasi.
σ
σ x́ =
√n

Dalil limit pusat merupakan dalil yang sangat penting dalam statistika
inferensial karena dengan dalil ini memungkinkan kita untuk menafsir parameter
populasi dari sampel tanpa harus mengetahui bentuk distribusi populasi.

Distribusi normal yang didapat dari distribusi rata-rata perlu distandarkan agar
daftar distribusi noramal baku dapat digunakan. Ini perlu untuk perhitungan-
perhitungan. Untuk ini digunakan transformasi.

x́−μ
z=
σ x́

Dari dalil ini diketahui bahwa untuk pendekatan ke distribusi normal

distribusi rata-rata sampel tidak membutuhkan sampel yang besar. Dengan sampel
sebesar 30 telah terjadi pendekatan ke distribusi normal. Bahkan, untuk distibusi rata-

14
rata dengan sampel sebesar 15 pun telah terjadi penekatan ke distribusi normal, agar
penggunaan dalil limit pusat menjadi lebih jelas maka perhatikan contoh di bawah ini.

Contoh :

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 sehingga dalil limit
pusat berlaku. Jadi rata-rata x́ untuk tinggi mahasiswa akan mendekati distribusi
normal dengan :

Rata-rata μ x́= 165 cm

8,4
Simpangan baku σ x́ = cm = 1,252 cm.
√ 45

a) Dari rumus X(3) dengan x́ = 160 cm dan x́ = 168 cm didapat :

160−165 168−165
z 1= =−3,99    dan z 2= =2,40  
1,252 1,252

Penggunaan daftar distribusi normal baku memberikan luas kurva = 0,5 + 0,4918
= 0,9818.

15
 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
c) 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. σ x́ ≤ d

X(4) ………………….

Dari rumus X(4) ini, ukuran sampel yang paling kecil sehubungan dengan distribusi
rata-rata, dapat ditentukan.

Contoh :

Untuk contoh diatas, misalkan harga-harga x́dari 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.

16
3 Distribusi Proporsi
Distribusi proporsi sampel tidak berbeda dengan distribusi rata-rata. Oleh
karena itu semua ketentuan yang berlaku untuk distribusi rata-rata sampel berlaku
pula untuk distrbusi proporsi.
Bila variable X terdapat pada populasi N maka proporsi variable X terhadap
populasi adalah X/N = p. bila dari populasi tersebut diambil sampel sebesarn
maka akan terdapat variable x dan proporsi variable tersebut adalah x/n = p . Bila
pengambilan sampel dilakkanberulang dan masing- masing sampel dihitung
proporsinya makan akan diperoleh nilai proporsi yang berbeda- bedaa.
Nilai- nilai tersebut dapat disusun menjadi distribusi yang disebut distribusi
proporsi. Rata- rata proporsi populasi sama dengan p dan kesalahan baku proporsi
sama dengan akar pq dibagi n.

Rumus µ¿= p

pq
σ ¿=
√ n

Rumus diatas berlaku bila fraksi sampel x/n lebih kecil dari 5% atau bila populasi
tak terhingga dengan sampel yang relative kecil dibandingkan populasi.

Bila fraksi sampel lebih besar dari 5% atau populasi terbatas maka rumurs diatas
harus dilakukan dengan factor perkalian seperti distribusi rata-rata hingga rmus
kesalahan baku proporsi menjadi sebagai berikut :

µ¿=¿ x ¿

Semua rumus diatas berlaku bila sampel lebih besar atau sama dengan 30 karena
dengan sampel sebsar itu terjadi pendekaan ke distribusi normal hingga semua
ketentuan untuk distribusi normal dapat digunakan. Jika sampel kurang dari 30
maka kurva akan mejauhi distribusi normal sehingga perlu dilakukan perhitungan
nilai z. nilai z dapat diperoleh dengan transformasi sebagi berikut :

17
 Rumus z=( x /n− p)/ σ ¿

Contoh :

sebuah apotik menemukan bahwa pembelian dilakukan oleh 20% dari pelanggan
yang memasuki apotiknya. Suatu pagi terdapat sampe acak sebanyak 180 orang
memasuki apotiknya. Berapa probilitas pelanggan yang membeli kurang dari 15% ?

jawab :

dik : n 180

π : 20% = 0,2-

dit : P (x /n< 15% ) ?

jawab : μ x =π = 0,20
n

x
−π
π (1−π ) 0,20(0,80) 0,15−0,20
σ x=
n √ n
=
180 √ =0,0298 = z= n
σx
=
n
0,0298
= - 1,68

Z 0

Lihat tabel z :

18
 luas sebelah kiri 0 = 0,5000
luas antara z-0 = 0,4535-

luas sebelah kiri z = 0,0465

Jadi, probabilita bahwa diantara 180 orang yang masuk ke toko, pelanggan
yang membeli kurang dari 15% adalah sebesar 0,0465 atau 4,65%

Contoh 2 :

Ada petunjuk kuat bahwa 10% anggota masyarakat tergolong ke dalam

golongan A. Sebuah sampel acak terdiri atas 100 orang telah diambil.

a. Tentukan peluangnya bahwa dari 100 orang itu akan ada paling sedikit 15
orang dari golongan A.
b. Berapa orang harus diselidiki agar persentase golongan A dari sampel
yang satu dengan yang lainnya diharapkan berbeda paling besar dengan
2%?

Jawab:

a) Untuk ukuran sampel 100, diantaranya paling sedikit 15 tergolong kategori A,

maka paling sedikit x/n = 0,15. Kekeliruan bakunya adalah :
π (1−π ) 0,10× 0,90
σ x=
n √ n √
=
100
=0,03

0,15−0,10
Bilangan z paling sedikit = =1,67
0,03

Dari daftar normal baku, luasnya = 0,5 – 0,4525 = 0,0475.

Peluang dalam sampel itu aka nada paling sedikit 15 kategori A adalah 0,0475.

b) Dari rumus (8) dengan π = 0,1 dan 1 – π = 0,9 sedangkan d = 0,02, maka :

19
 0,1+ 0,9
√ n
≤ 0,02yang menghasilkan n ≥ 225

Paling sedikit sampel harus berukuran 225.

2.3.3 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 simbol μs  dan
simpangan bakunya, diberi simbolσ s.
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
 σ s=
√ 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:

20
 Varians sebuah populasi yang berdistribusi normal 6,25. Diambil sampel
berukuran 225. Tentukan peluang sampel tersebut akan mempunyai simpangan
bakulebih dari 3,5.

Jawab:

Varians = 6,25 = 2,5. Ukuran sampel cukup besar, maka distribusi simpangan
baku mendekati distribusi normal dengan rata-rata μs =2,5 dan simpangan baku

2,5
σ s= =0,118 .
√ 450

Bilangan z untuk s = 3,5 adalah

3,5−2,5
z= =8,47
0,118

Praktis tidak menjadi sampel berukuran 225 dengan simpangan baku lebih dari
3,5.

2.4 Perhitungan Standar Data Eror, Data Ukur, dan Data Hitung
2.4.1 Standar Eror
Standar error adalah standar deviasi dari rata-rata. Bila kita mempunyai
beberapa kelompok data, misalnya tiga kelompok, maka kita akan mempunyai
tiga buah nila rata-rata. Bila kita hitung nilai standar deviasi dari tiga buah nilai
rata-rata tersebut, maka nilai standar deviasi dari nilai rata-rata tersebut disebut
nilai standar error. Simbol standar error untuk sampel adalah SE.
Perbedaan standar deviasi dan standar eror yaitu bila ingin mengetahui
variance populasi maka untuk menduganya digunakan variance sampel. Hal yang
sama apabila melakukan pendugaan mean sample, selanjutnya dalam pendugaan
tersebut kemungkinan nilai mean akan berbeda-beda untuk tiap sample.
Perbedaan ini dapat menimbulkan variasi pada penduga mean. Variasi pada

21
penduga itulah yang disebut sebagai standard error. Maka kesimpulannya bahwa
standard deviation mengukur variasi pengamatan, sedangkan standard error
mengukur variasi penduga atau statistic.
Rumus

∑X
µ= σ =√ ¿
N
σ
SE =
√n
Ket :
N = Populasi n = Sampel
µ = Mean x = angka
σ = standar deviasi SE = standar eror

Standard error dapat diaplikasikan dalam dua hal:

1. Nilai penduga atau statistic yang dibagi dengan standard error penduga akan
menunjukkan apakah statistic sama dengan nol, kemudian nilai tersebut
dibandingkan dengan nilai distribusi t. Berdasarkan beberapa literatur, rasio
dari nilai penduga atau statistic dengan standard error disebut dengan Wald
Test, atau dalam beberapa aplikasi disebut dengan t-test.
2. Standard error sebagai bagian dari confidence interval. Untuk sample yang
besar, 95% confidence interval diperoleh dari 1.96 x standard error penduga.
Standard error yang digunakan untuk confidence interval adalah standard
error mean (SE(mean)), dengan ketentuan sebagai berikut:
a. 90%CI -> mean +/- 1.64 SE(mean)
b. 95% CI -> mean +/- 1.96 SE(mean)
c. 99% CI -> mean +/- 2.58 SE(mean)

22
 Contoh: Dalam sekumpulan buah, diketahui mean untuk 64 buah adalah 10 gram,
standard deviasinya 2 gram.

Standard error dari sampel tersebut, SE (mean)= 2/√64 = 0.25. 95% confidence
interval dari mean adalah 95% CI = 10 +/- 1.96*0.25 = 10 +/- 0.49 = 9.51 hingga
10.49
Penggunaan lain dari standard error adalah tidak sebagai bagian dari penduga
atau statistic tetapi bagian dari logaritma statistic. Sebagai contoh, model logistic
regresion dihitung dari odds ratio data, tapi standard error bukan sebagai odds
ratio melainkan sebagai log odds ratio. Dalam kondisi ini diperlukan perhitungan
secara komputer untuk mendapatkan confidence interval dalam log scale dan
ditransformasi kembali ke skala asli. Standard error dapat diketahui dari nilai
confidence interval dan selang interval, dengan rumus:

a. 90% ->standard error =interval/1.64

b. 95% ->standard error =interval/1.96
c. 99% ->standard eror = interval/2.58
Standard error dapat juga digunakan untuk menentukan ukuran sample secara
sederhana, dengan rumus: n = (standard deviasi/standard error)^2
Contoh soal Standar Eror

Siswa Nilai
Siswa 1 12
Siswa 2 55
Siswa 3 74
Siswa 4 79
Siswa 5 90
Ket :
Terdapata 5 siswa dengan nilai 12,55,74,79,8

23
 ∑X 12+55+ 74+79+ 90
µ= 
N 5

µ = 62 (Mean)
lalu cari standar deviasi dengan cara :
σ =√ ¿
2 2 2 2 2
σ = 50 7 12 17 2 8
√ 5
σ = √ 27,4 ( standar deviasi)
σ 27,4
SE = 
√n √5
SE = 7,6

2.4.2 Perhitungan Standard Error - Data Ukur

Saat item-item data kita relatif sedikit dan dapat kita akses/ukur maka
perhitungan-perhitungan central tendency (seperti mean, median, modus, dll) dan
variability (seperti range, variance, standard error) sangat mudah kita lakukan.
Masalahnya adalah manakala item-item data yang akan kita deskripsikan ternyata
sangat banyak jumlahnya, bahkan sangat kompleks, dan seringkali kita tidak
memiliki akses ke semua anggota populasi tersebut. Contoh: semua dosen di
Indonesia, semua dokter di pulau Jawa, semua pengguna layanan e-government di
Indonesia.

• Untuk sebuah  populasi yang sangat besar dan kompleks seperti itu, metode

sampling yang disarankan memakai Stratified Sampling, yaitu Stratifed
sampling ialaah cara mengambil sample dengan memperhatikan starata atau
tingkatan didalam populasi. Data data tingkatan tersebut dikelompokkan
berdasarkan karakterisitik tertentu. Dengan cara tiap tiap tingkatan atau

24
 sample tersebut dihitung rata-ratanya. (tiap rata-rata dari satu kelompok
sample disebut samplemean lambangnya x̄ 

Cara Menghitung rata-rata populasi atau Population Mean (µ) yaitu

∑ x̄
µ=
n

Selanjutnya akurasi dari Sample-Sample terhadap Populasi dapat di ukur dengan

menghitung Variability Sample tersebut terhadap Population Meannya. Semakin
bervariasi nilai sample-sample mean, jika sample-sample semakin tidak mewakili
nilai item-item sebenarnya di Populasi, semakin kecil variasnya atau nilainya semakin
mewakili.

Selanjutnya adalah menghitung variability antar samples yang disebut Sampling

Variation. Jika nilai variation rendah maka data yang berkelompok dekat satu sama
lain, namun bila varians tinggi maka datanya lebih tersebar.

Rumus

∑ x−x̄
S2 =
n−1

Di dalam populasi yang kecil (dimana semua item dapat diakses dan diukur nilainya)
biasanya dapat langsung menghitungnya dengan Standard Deviation. Namun di
populasi yang sangat besar & kompleks dengan lebih dari satu samples maka
menghitung ‘Standard Deviation’ Population Mean terhadap nilai Sample Mean yang
ada dengan istilah Standard Error of the Mean (SE).

Standard Error of the Mean (SE) dihitung dengan {Menjumlahkan (selisih

setiap Sampling Mean dengan Population Mean) yg dikuadratkan untuk memperoleh
nilai positif} dibagi banyaknya kelompok samples kemudian diakar dua.

25
 Jika dalam populasi yang kecil (dimana setiap item data dapat diukur) kita
mengenal frequency distribution, maka dalam populasi yang besar dengan lebih dari
satu samples ini kita menyebutnya Sampling Distribusi, yaitu grafik yang
menunjukkan berapa frequency (banyak sample) untuk tiap-tiap nilai Sample Mean.

2.4.3 Data Hitung

Jika dalam populasi yang kecil (dimana setiap item data dapat diukur) maka
dapat menggunakan frequency distribution, dalam populasi yang besar dengan lebih
dari satu samples ini kita menyebutnya Sampling Distribusi, yaitu grafik yang
menunjukkan berapa frequency (banyak sample) untuk tiap-tiap nilai Sample Mean.
Contoh:

Ada 250 kelompok samples dengan nilai Sample Mean antara 1.75-2, ada 170
kelompok samples dengan nilai Sample Mean antara 15-<1.75, dst.

Sama seperti frequency distribusi, semakin besar nilai Standard Error of Mean (SE)
semakin gemuk grafik distribusinya semakin tidak akurat sample-sample kita
mewakili Populasi sebenarnya.

Semakin Kecil nilai Standard Error of Mean (SE) semakin Kurus grafik distribusinya
semakin akurat sample-sample kita mewakili populasi sebenarnya.

26
 BAB III
PENUTUP
1.1. Kesimpulan
Populasi adalah seluruh data yang menjadi perhatian kita dalam suatu ruang
lingkup dan waktu yang kita tentukan. Sampel adalah sebagai bagian dari
populasi, sebagai contoh yang diambil dengan menggunakan cara-cara tertentu.
Teknik sampiling adalah cara untuk menentukan sampel yang jumlahnya
sesuai dengan ukuran sampel yang akan dijadikan sumber data sebenarnya.
Teknik sampling pada dasarnya dapat dikelompokkan menjadi dua yaitu
Probability Sampling dan Nonprobability Sampling.
Probability sampling adalah teknik sampling yang memberikan peluang
yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi anggota
sampel. Teknik sampel ini meliputi: simple random sampling, stratified random
sampling, dan cluster sampling.
Nonprobability sampling adalah teknik yang tidak memberi
peluang/kesempatan yang sama bagi setiap unsur atau anggota populasi untuk
dipilih menjadi sampel. Teknik sampel ini meliputi: convenience sampling,
purposive sampling, quota sampling, snowball sampling, systematic sampling,
area sampling.

1.2. Saran
Tenaga kesehatan terutama bidan diharapkan dengan mempelajari ilmu
biostatistik ini dapat mengetahui dan mengerti tentang populasi, sampel,
disitribusi sampling, dan penghitungan standar eror, data hitung dan data hitung

27
yang nantinya bermanafaat untuk pembuat penelitain sehingga tenaga bidan di
Indonesia dapat menjalani penelitaian dengan baik.

28
 DAFTAR PUSTAKA

Swarjana, I Ketut., 2016. Statistic Kesehatan. Yogyakarta. C.V ANDI OFFSET

Mahmud. 2011. Metode Penelitian Pendidikan. Bandung: CV Pustaka Setia.
Budiarto, eko. 2012. Biostatistik untuk Kedokteran dan kesehatan
Masyarakat.Jakarta : EGC
Sargi, sarah.2013.Distribusi Sampling Rata-rata dan Proporsi.diakses tanggal 12
Mei 2018.itb.academia.edu/SargiSarah.

29