Pendidikan Teknik Informatika

SAMPLING
DAN
DISTRIBUSI SAMPLING

Tujuan Instruksional Khusus (TIK)

Setelah mempelajari bab ini, mahasiswa diharapkan mampu,
1. Menentukan metode penarikan sampling
2. Menghitung distribusi sampling

6.1 Pengantar
Untuk dapat mengerti dengan baik dua tujuan utama Statistik Inferensial
(induktif), yaitu pendugaan statistik dan pengujian hipotesis, pengetahuan
mengenai sampling dan distribusi sampling perlu dikuasai dengan baik.
Kali ini akan dibahas mengenai populasi, sampel, metode penarikan
sampel dan distribusi sampling. Distribusi Sampling nilai rata-rata, nilai proporsi,
Distribusi sampling beda rata-rata dan beda proporsi.
Tujuan pada pembahasan ini adalah diharapkan dapat memahami dan
mengerti tentang populasi, sampel, metode penarikan sampel dan distribusi
sampling.

6.2 Sampling
6.2.1 Populasi dan Sampel
Populasi adalah kumpulan dari seluruh elemen (unit, individu) sejenis
dan bisa dibedakan yang menjadi obyek penyelidikan (penelitian). Individu-
individu yang menjadi obyek penyelidikan ini dan karakteristiknya yang ingin
diketahui disebut satuan penelitian atau unit elementer. Sebagai elemen/obyek
penelitian bisa saja berupa orang, organisasi, barang dan sebagainya.
Sedangkan yang dimaksud dengan karakteristik dari elemen (obyek)
penelitian adalah ciri-ciri, sifat-sifat atau hal-hal yang dimiliki oleh elemen
(obyek) penelitian tersebut. Bila orang yang menjadi obyek penelitian, maka
karakteristik dari orang tersebut bisa berupa umurnya, tingkat pendidikannya,
jenis kelaminnya, tingkat penghasilannya dan lain sebagainya. Bila perusahaan
yang menjadi obyek penelitian, maka karakteristik dari perusahaan tersebut bisa
berupa jumlah karyawan yang dipekerjakan, jumlah produksinya, besar omset
perbulan dan sebagainya. Sehingga Keterangan-keterangan yang berkaitan dengan
karakteristik yang dikumpulkan dari obyek penelitian ini akan membentuk data
Statistik.
Dilihat dari banyaknya anggota dari populasi maka populasi dibedakan
atas populasi terbatas dan populasi tak terbatas.
- Bila anggota suatu populasi terbatas jumlahnya disebut populasi terbatas

76
 Pendidikan Teknik Informatika

- Bila anggota suatu populasi tak terbatas jumlahnya disebut populasi tak
terbatas

Sampel adalah sebagian dari populasi yang karakteristiknya hendak

diselidiki. Unit-unit yang akan diteliti didalam sampel disebut unit sampel. Dan
unit sampel ini dapat berupa unit elementer atau tidak. Bila ditiap unit sampel
terdapat (mempunyai) satu dan hanya satu elemen dari populasi, maka unit
sampel identik dengan unit elementer. Unit-unit sampel membentuk kerangka
sampel dan dari kerangka sampellah anggota sampel dipilih. Yang dimaksud
dengan Kerangka Sampel (Sampling Frame) adalah suatu daftar atau urutan unit
sampel yang telah tersedia. Misalnya dalam meneliti pendapatan petani. Bila
petani yang dipakai sebagai unit sampel maka daftar petani yang tercatat dalam
anggota “subak” bisa dipertimbangkan sebagai kerangka sampel.
Dewasa ini kegiatan survey atau penelitian banyak dilakukan dengan
metode sampling karena metode sampling lebih praktis, biayanya lebih hemat
serta memerlukan waktu dan tenaga lebih sedikit dibandingkan dengan metode
sensus. Pengambilan sebagian obyek dari keseluruhan obyek, dan atas hasil
penyelidikan menghasilkan suatu keputusan atau kesimpulan mengenai
keseluruhan itu dibuat disebut Metode Sampling atau Sampling saja.

6.2.2 Alasan-alasan digunakannya Sampel

Penelitian yang memakai sampel untuk meneliti (menyelidiki)
karakteristik obyek penelitian dan berdasarkan hasil penelitian itu kita menduga
(menaksir) dan menyimpulkan keseluruhan anggota populasi, memiliki beberapa
alasan sebagai berikut :

1. Obyek yang diteliti sifatnya mudah rusak

Untuk mengetahui masa pakai bola lampu, tidak perlu semua bola lampu
dicoba sampai mati, tetapi cukup mengambil beberapa buah saja untuk dicoba
sampai mati/putus. Demikian juga untuk mengetahui enak tidaknya rasa suatu
kue tidak perlu semua persediaan kue dimakan atau dicicipi, cukup dicicipi
beberapa saja.

2. Obyek yang diteliti bersifat homogen

Untuk mengetahui apakah seseorang berpenyakit malaria atau tidak, tidak
perlu semua darah dari orang tersebut diperiksa, tapi cukup beberapa tetes saja.
Demikian juga untuk mengetahui kadar garam dari air laut, tidak perlu semua air
laut diteliti, tetapi cukup beberapa millimeter saja.

3. Untuk menghemat biaya

Dibandingkan dengan biaya untuk meneliti seluruh obyek (cara sensus),
sudah barang tentu meneliti sebagian dari obyek tersebut akan memerlukan biaya
yang lebih sedikit.

77
 Pendidikan Teknik Informatika

4. Untuk menghemat waktu dan tenaga

Penelitian dengan mengambil sampel tentu saja akan memakan waktu
lebih pendek (lebih cepat dapat diselesaikan) dan diperlukan tenaga lebih sedikit
jika dibandingkan dengan meneliti seluruh obyek (cara sensus).

6.2.3 Metode Penarikan Sampel

Pada dasarnya ada dua metode pemilihan sampel yaitu random
sampling (sampling acak) dan non random sampling (sampling tidak acak).

1. Random Sampling
Random Sampling adalah suatu cara penarikan sampel sedemikian rupa,
sehingga setiap anggota populasi memiliki kesempatan yang sama untuk dipilih
sebagai anggota sampel. Dengan demikian cara ini cukup obyektif. Untuk
memilih anggota dengan cara random dapat dilakukan dengan dua cara yaitu,
cara undian dan cara dengan tabel bilangan random.

 Cara Undian
Dengan cara ini, tahapannya sebagai berikut :
- Daftarkan semua anggota populasi
- Beri nomor urut semua anggota populasi
- Nomor urut setiap populasi ditulis pada lembaran-lembaran kertas
berukuran kecil
- Gulung kertas-kertas kecil tersebut
- Masukkan gulungan-gulungan kertas kecil tersebut ke dalam kotak kosong
lalu kotak dikocok-kocok
- Ambil gulungan kertas tersebut satu-persatu dari dalam kotak, sampai
mencapai jumlah sampel yang diinginkan.

Maka nomor-nomor dari gulungan kertas yang terpilih itu merupakan nomor
anggota populasi yang terpilih sebagai anggota sampel, maksudnya anggota
populasi yang terpilih sebagai anggota sampel adalah anggota populasi yang
bernomor sesuai dengan nomor gulungan kertas yang terpilih.

 Cara dengan Tabel (bilangan) Random

Untuk keperluan ini telah tersedia tabel bilangan random. Tabel 6.1 dibawah
ini merupakan sebagian dari tabel bilangan random yang terdiri dari 5 angka. Cara
penggunaan tabel tersebut dapat dijelaskan sebagai berikut :

78
 Pendidikan Teknik Informatika

Tabel 6.1 : Tabel Bilangan Random Angka

Kolom
Baris 1 2 3 4

1 10480 15011 01536 02011

2 22368 46573 25595 85393
3 24130 48360 22527 97265
4 42167 93093 06243 61680
5 37570 39975 81837 16656
6 77921 06907 11008 42751
7 99562 72905 56420 69994
8 96301 91977 05463 07972
9 89579 13442 63661 10281
10 85475 36857 53342 53988
11 28918 69578 88231 33276
12 63553 40961 48235 03427
13 09429 93969 52636 92737
14 10365 61129 87529 85689
15 07119 97336 71048 08178

Misalkan dari sebuah populasi yang berukuran 100 (100 anggota), kita hendak
mengambil sampel berukuran 10. Cara pengambilan sampel sebanyak 10 ini
tahapannya sebagai berikut :
 Anggota populasi mula-mula diberi nomor urut 01 sampai 100
 Penggunaan tabel bilangan random dengan 2 angka sebelah kiri (2 angka
dari depan).

Apabila dimulai dari angka baris pertama dan kolom kedua (yaitu angka 15011),
maka yang akan terpilih sebagai sampel pertama adalah anggota populasi dengan
nomor 15. Untuk lebih jelasnya, sampel terpilih selengkapnya dapat dinyatakan
sebagai berikut :
- Sampel ke-1, anggota populasi dengan nomor 15
- Sampel ke-2, anggota populasi dengan nomor 46
- Sampel ke-3, anggota populasi dengan nomor 48
- Sampel ke-4, anggota populasi dengan nomor 93
- Sampel ke-5, anggota populasi dengan nomor 39
- Sampel ke-6, anggota populasi dengan nomor 06
- Sampel ke-7, anggota populasi dengan nomor 72
- Sampel ke-8, anggota populasi dengan nomor 91
- Sampel ke-9, anggota populasi dengan nomor 13
- Sampel ke-10, anggota populasi dengan nomor 36

79
 Pendidikan Teknik Informatika

Apabila banyaknya sampel yang diinginkan belum terpenuhi, sedangkan angka

dalam kolom yang terpilih telah habis, maka angka pada baris pertama dari kolom
berikutnya dipilih sebagai nomor selanjutnya.

Penarikan sampel yang termasuk random sampling antara lain adalah

Simple Random sampling, Stratified random Sampling, Cluster sampling dan
Systematic random sampling

 Simple Random Sampling

Simple random sampling (sampel acak sederhana) adalah suatu cara
pengambilan sampel (misalkan, berukuran n) dari sebuah populasi (misalkan
berukuran N) secara random. Jumlah sampel yang berukuran n, yang dapat
ditarik dari sebuah populasi yang berukuran N (tanpa pemulihan) adalah salah
satu kombinasi n dari N yaitu,

N!
NCn =
n ! (N - n) !

Stratified Random Sampling

Stratified random sampling (sampling acak berstrata) adalah suatu cara
pengambilan sampel dari sebuah populasi, dengan cara membagi terlebih dahulu
anggota-anggota populasinya menjadi kelompok-kelompok yang lebih kecil (sub
kelompok) yang relative homogen yang disebut strata. Kemudian dari masing-
masing strata tersebut dibandingkan atas dasar perbandingan banyaknya anggota
populasi di setiap strata, maka cara tersebut disebut Stratified Proporsional
Random Sampling, bila tidak disebut Stratified non-Proporsional Random
Sampling.
Dibawah ini diberikan contoh penggunaan dari Stratified Proporsional
Random Sampling. Misalkan, ingin diketahui penghasilan rata-rata sejumlah
petani disuatu daerah tertentu dengan populasinya 500, ingin diambil sampel
sebanyak 50. Yang pertama dilakukan adalah membagi populasi tersebut atas
dasar beberapa strata. Misalkan, penentuan strata tersebut didasarkan atas luas
tanah garapan (luas, sedang, dan sempit) sebagai berikut :

Luas Tanah Jumlah petani

Strata
Garapan sampel
I Luas 40
II Sedang 300
III Sempit 160
Total 500

Apabila kita mengambil sampel berukuran 50 (n = 50), maka pada masing-

masing strata akan dipilih sampel sebanyak :

80
 Pendidikan Teknik Informatika

40
Pada strata I = x 50 = 4 orang
500
300
Pada strata II = x 50 = 30 orang
500
160
Pada strata III = x 50 = 16 orang
500

Jumlah sampel seluruhnya = 50 orang

Selanjutnya proses pemilihan sampel pada masing-masing strata, dipilih secara

acak (random)

 Cluster Sampling
Pada cluster sampling anggota-anggota populasi dibagi dalam sub
kelompok yang disebut cluster (kelompok), pembagian anggota-anggota populasi
ke dalam cluster ini dapat dilakukan atau didasarkan atas wilayah administrasi
pemerintah, batas-batas alam seperti : gunung , sungai, maupun jalan. Selanjutnya
setelah membagi anggota-anggota populasi kedalam cluster secara random (acak),
dari cluster yang baru terpilih, dipilih sampel secara random pula.

 Systematic Random Sampling

Systematic Random Sampling adalah suatu cara pengambilan sampel
secara random, hanya untuk pengambilan anggota populasi yang pertama saja,
sebagai anggota sampel. Sedangkan pemilihan anggota-anggota yang kedua dan
seterusnya ditentukan secara sistematis, yaitu menggunakan interval tertentu
sebesar k. Besar kecilnya k, tergantung dari besar kecilnya jumlah anggota
sampel atau ukuran sampel (n) yang akan diambil dari populasi (yang
N
beranggotakan N), yaitu : k =
n
Contoh : Ukuran populasi = 100
Ukuran sampel yang ingin diambil = 20
100
Maka k = = 5 (nilai interval)
20
Setelah semua anggota populasi diberi nomor urut, misalkan anggota populasi
dengan nomor urut 10 terpilih sebagai anggota sampel yang pertama, maka
anggota populasi yang terpilih sebagai anggota sampel yang kedua, ketiga,
keempat . . . . dan seterusnya yaitu anggota populasi dengan nomor 15, 20, 25, 30,
. . . dan seterusnya sampai dipenuhi jumlah sampel sebanyak 20.

2. Non Random Sampling

Non-random sampling adalah suatu cara pengambilan sampel
sedemikian rupa sehingga setiap anggota populasi tidak mendapat kesempatan
yang sama untuk terpilih menjadi anggota sampel. Pada non-random sampling
pendapat dan pengetahuan dari peneliti akan menjadi dasar pemilihan anggota

81
 Pendidikan Teknik Informatika

populasi untuk dipilih sebagai sampel. Jadi, subyektivitas dari peneliti sangat
berperan didalam pemilihan sampel. Cara pengambilan sampel yang termasuk
kedalam non-random sampling, antara lain adalah purposive sampling (Judgement
sampling) dan quota sampling

 Purposive Sampling
Purposive sampling adalah suatu cara pengambilan sampel dengan
tujuan tertentu, anggota-anggota sampel akan dipilih sedemikian rupa, sehingga
sampel yang dibentuk tersebut dapat mewakili (mencerminkan) sifat-sifat
populasi induknya.

 Quota Sampling
Quota sampling hampir sama dengan stratified random sampling
akan tetapi pemilihan anggota-anggota dari setiap kelompok (strata) tidak
ditentukan berdasarkan jatah (quota).

Cara pengambilan sampel sebetulnya banyak sekali. Misalkan : double sampling,

Multistage sampling, nested sampling dan lain sebagainya. Tetapi pada
pembahasan kali ini cukup dibahas yang umum dan penting saja.

6.2.4 Sampling dengan dan tanpa pemulihan

Sampling dengan pemulihan (sampling with replacement) adalah
sampling yang memberikan peluang bagi setiap anggota populasi untuk dipilih
lebih dari satu kali sebagai anggota sampel. Sedangkan sampling tanpa pemulihan
(sampling without replacement) adalah sampling yang dilakukan sedemikian rupa
sehingga anggota populasi hanya dapat dipilih satu kali untuk menjadi anggota
sampel.

Seperti sudah dijelaskan dimuka populasi dapat finite (anggotanya

terbatas) atau infinite (anggotanya tak terbatas). Bila dari suatu populasi yang
terbatas dilakukan pengambilan sampel dengan pemulihan, maka secara teoritis
populasi tersebut menjadi tak terbatas (infinite), karena berapapun ukuran sampel
dapat ditarik kembali tanpa menghabiskan populasi.

Untuk tujuan-tujuan praktis, sampling dari populasi finite (terbatas)

yang sangat besar dapat dipertimbangkan sebagai sampling dari suatu populasi
n
infinite (tak terbatas). Dan umumnya bila  5 % , maka populasinya dianggap
N
populasi tak terbatas.

6.2.5 Kesalahan-kesalahan dalam Penelitian

Ada 2 macam kesalahan yang bisa terjadi pada waktu mengadakan
penelitian yaitu :

82
 Pendidikan Teknik Informatika

1. Kesalahan Non Sampling

Kesalahan jenis ini bisa terjadi, disebabkan oleh beberapa hal antara
lain :
a. Populasi yang tidak jelas, dan
b. Pertanyaan-pertanyaan tidak tepat

2. Kesalahan Sampling
Kesalahan ini umumnya sering terjadi pada waktu memilih sampel
yang akan dipakai sebagai dasar untuk membuat kesimpulan mengenai
populasi yang merupakan induk sampel tersebut.

6.3 Distribusi Sampling

6. 3.1 Parameter dan Statistik
Parameter adalah nilai observasi yang diperoleh dari hasil pengukuran
maupun penghitungan langsung pada populasi. Atau dengan kata lain sembarang
nilai yang menjelaskan karakteristik suatu populasi disebut parameter. Data
observasi yang diperoleh dari penyelidikan seluruh anggota populasi disebut data
sebenarnya. Jadi parameter merupakan data sebenarnya.
Sedangkan statistik adalah nilai observasi yang diperoleh dari hasil
pengukuran maupun perhitungan atas sampel. Atau dengan kata lain, sebarang
nilai yang menjelaskan karakteristik suatu sampel disebut statistik. Data observasi
yang diperoleh dari hasil penyelidikan anggota sampel disebut data pemikiran.
Jadi statistik berupa data perkiraan. Maka dari itu dalam penelitian yang
menggunakan metode sampling, statistik merupakan penduga dari parameter.
Untuk menyatakan suatu parameter dan statistik dipakai notasi-notasi seperti yang
tercantum pada tabel dibawah ini :

Tabel 6.2 : Notasi Statistik dan Parameter

Statistik Parameter
No Besaran
(sampel) (populasi)
___
1 Mean (rata-rata) X 
2 Simpangan Baku S 
__ x X
3 Proporsi p P=
n N
4 Jumlah data n N
5 Koefisien Korelasi r R
__ __
6 Beda dua rata-rata ( x1 - x 2 ) ( 1 - 2 )

7 Beda dua proporsi (p̂1 - p̂2 ) ( P1 – P2 )

83
 Pendidikan Teknik Informatika

6.3.2 Pengertian Distribusi Sampling

Bila dari sebuah populasi yang berukuran N (beranggotakan N
individu) setiap kali diambil sampel berukuran n (beranggotakan n individu)
secara acak dengan pemulihan, dan setiap pengambilan anggota n buah sampel
tersebut individunya selalu berbeda. Maka dari setiap n buah sampel yang
mungkin terambil/terpilih dari populasi yang berukuran N tersebut, dapat dihitung
harga-harga statistiknya. Untuk pengambilan pertama, kedua, ketiga dan
seterusnya kita bisa menghitung rata-ratanya, x1 , x2 , x3 . . .. dan seterusnya dan
juga dapat dihitung simpangan bakunya s1 , s2 , s3 . . . , dan seterusnya dan bisa
dihitung proporsinya p̂1 , p̂2 , p̂3 . . . , dan seterusnya. Jika nilai statistik-statistik
tersebut dikumpulkan dan dibuatkan tabelnya (daftarnya), maka tabel (daftar )
yang mencantumkan (memuat) nilai statistik-statistik itu disebut Distribusi
Sampling.
Bila tabel tersebut memuat nilai-nilai rata-rata ( x1 , x2 , x3 . . . ,
dan seterusnya) disebut Distribusi Sampling nilai rata-rata. Bila tabel tersebut
memuat nilai-nilai simpangan baku (s1 , s2 , s3 . . . , dan seterusnya) disebut
Distribusi Sampling nilai simpangan baku. Bila tabel tersebut memuat nilai-nilai
proporsi ( p̂1 , p̂2 , p̂3 . . . , dan seterusnya) disebut Distribusi Sampling nilai
proporsi. Demikian pula bila tabel tersebut memuat nilai-nilai beda dua rata-rata
__ __
( x1 - x 2 ) dan nilai-nilai beda dua proporsi (p̂1 - p̂2 ) , masing-masing disebut
Distribusi Sampling nilai beda dua rata-rata dan Distribusi Sampling nilai beda
dua proporsi. Jadi Distribusi Sampling adalah distribusi peluang dengan statistik
sampel sebagai variabel acaknya.
Untuk kedua jenis distribusi sampling yang terakhir ini, yaitu
distribusi sampling nilai beda dua rata-rata dan distribusi sampling nilai beda dua
proporsi, sampel acaknya (sampel pertama dan sampel kedua) yang masing-
masing berukuran n1 dan n2 diambil dari dua buah populasi yang berukuran N1
dan N2 yang memiliki rata-rata, simpangan baku dan proporsi masing-masing
sebesar 1 dan 2 , 1 dan 2 dan P1 dan P2 .

6.3.3 Distribusi Sampling Nilai Rata-rata

Teori Batas Tengah (The Central Limit Theorem)
Bila suatu sampel acak dipilih dari populasi dengan rata-rata ( )
2
dan varian ( ), dan bila besarnya sampel bertambah secara tak terbatas, maka
rata-rata sampelnya (mean of means) akan memiliki distribusi yang mendekati

distribusi normal dengan nilai rata-rata x dan simpangan baku  x =
n
Dengan kata lain, bila ukuran sampel besar ( n  30 ) maka Distribusi Sampling
nilai rata-rata mendekati distribusi normal.

Berdasarkan teori diatas, Distribusi sampling nilai rata-rata memiliki sifat sebagai
berikut :

84
 Pendidikan Teknik Informatika

1. Rata-rata distribusi sampling nilai rata-rata x sama dengan nilai

populasinya 
x = 
2. Simpangan baku distribusi sampling nilai rata-rata,  x

a. Untuk populasi tak terbatas x =
n
(6.1)
b. Untuk populasi terbatas
 N -n
x =
n N -1
(6.2)

3. Jika ukuran sampel cukup besar ( n  30 ) distribusi sampling nilai rata-

rata akan mendekati normal, apapun bentuk distribusi populasinya

4. Jika distribusi populasi normal, distribusi sampling nilai rata-rata akan

normal, berapapun ukuran sampelnya.

 Nilai padanan distribusi sampling nilai rata-rata

Nilai padanan variabel acak rata-rata sampel x , dapat dihitung dengan
rumus :

X - x
Z=
x
(6.3)
x = rata-rata sampel, x = rata-rata distribusi sampling nilai rata-rata,  x
= simpangan baku distribusi sampling nila rata-rata dan Z = nilai padanan
dari x

x x
Gambar 6.1 : Distribusi sampling nilai rata-rata, untuk n  30

Contoh 6.1 : Suatu populasi terdiri dari empat anggota (N = 4), dengan nilai
masing-masing 1, 3, 5, dan 7. Dari populasi ini ditarik sampel berukuran dua (n =
2 ) dengan pemulihan
a. Hitunglah rata-rata dan simpangan baku populasinya

85
 Pendidikan Teknik Informatika

b. Buatlah distribusi sampling nilai rata-ratanya, setelah itu hitunglah nilai

rata-rata dan simpangan baku dari distribusi sampling nilai rata-rata
tersebut.

Penyelesaian :
a). dibuat perhitungannya sebagai berikut :

Tabel 6.3 : Perhitungan rata-rata dan simpangan baku populasi

Nilai Populasi (X) X- (X- )2

1 1–4=-3 9
3 3 – 4 = -1 1
5 5–4=1 1
7 7–4=3 9
 X = 16  ( X -  ) 2 = 20

 Rata – rata populasi  = ( X ) / n = 16 / 4 = 4

 Simpangan baku populasi (  )
 (X -  ) 2 20
 = = = 2,23
N 4

b). Banyaknya sampel yang berukuran dua ( n = 2 ) yang mungkin dapat diambil
dari populasi berukuran empat (N = 4) dengan pemulihan adalah :
Nn =42
= 16
Tabel 5.4 : Banyaknya kemungkinan sampel berukuran 2 dan rata-rata
masing-masing sampel dari populasi berukuran 4

No Sampel Nilai Sampel (X) Rata-rata Sampel (X)

11
1 (1,1) 1
2
1 3
2 (1,3) 2
2
1 5
3 (1,5) 3
2
4 (1,7) 4
5 (3,1) 2
6 (3,3) 3
7 (3,5) 4
8 (3,7) 5
9 (5,1) 3
10 (5,3) 4
11 (5,5) 5

86
 Pendidikan Teknik Informatika

12 (5,7) 6
13 (7,1) 4
14 (7,3) 5
15 (7,5) 6
16 (7,7) 7

Bila rata-rata sampel pada kolom 3 pada tabel diatas diatas, dibuatkan
tabelnya maka didapat distribusi sampling nilai rata-rata sebagai berikut :

Tabel 6.5 : Distribusi Sampling nilai rata-rata

Nilai rata-rata sampel ( X ) 1 2 3 4 5 6 7

Frekuensi (f) 1 2 3 4 3 2 1

5. Berdasarkan tabel diatas dihitung nilai rata-rata x dan simpangan

bakunya  x dengan terlebih dahulu dicari f. X yaitu :

 = 16  . X = 64

 Rata-rata distribusi sampling nilai rata-rata, x

 f . X 64
x =  =4
f 16

 Simpangan baku distribusi sampling nilai rata-rata,  x

 2,23
x = = = 1,58
n 2

Kerjakan 6.1 !
Suatu populasi terdiri dari 5 orang pedagang kaki lima (A, B, C, D, dan E)
dengan modal yang besarnya masing-masing (dalam jutaan rupiah) A = 3, B = 5,
C = 4, D = 10 dan E = 10. Dari populasi tersebut dipilih sampel berukuran 2 ( n =
2 ) tanpa pemulihan, untuk menempati lokasi usaha. Buatlah distribusi sampling
nilai rata-ratanya, dan hitunglah rata-rata dan simpangan baku dari distribusi
sampling nilai rata-rata tersebut!

Contoh 6.2 : Sebuah pabrik memproduksi sejenis aki memiliki rata-rata umur
pakai 900 jam dengan simpangan baku 193,645 jam. Bila diambil 15 sampel
secara acak produk pabrik tersebut, berapa peluang bahwa rata-rata umur pakai
sampai
a. kurang dari 800 jam
b. antara 850 jam hingga 950 jam

87
 Pendidikan Teknik Informatika

penyelesaian :
 = 900 jam  = 193,645 jam n = 15
Karena ukuran populasinya tidak diketahui, maka populasinya dianggap tak
terbatas

a. X = 800 jam x =  = 900 jam

 193,645
x = = = 50 jam
n 15
X - x
800 - 900
P ( X < 800) = . . . ? X = 800  Z =  =-2
x 50
P( X < 800 ) = P( Z < -2)
Liat tabel = -2,0 + 00
= 0,0228
jadi peluang bahwa sampel tersebut
800 900 X memiliki rata-rata umur pakai kurang
-2 0 Z dari 800 jam adalah 0,0228 atau 2,28 %

850 - 900
b. P( 850 < X < 950) = . . . ? X = 850  Z = = -1
50
950 - 900
X = 900  Z = =1
50
P(850 < X < 950) = P(-1 < X < +1 )
= P (Z < +1) – P( Z < -1 )
= 0.8413 – 0.1587
= 0,6826

-1 0 +1 Z Jadi peluang bahwa sampel tersebut memiliki

rata-rata umur pakai antara 850 jam hingga
950 jam adalah 0,6826 atau 68,26 %

6.3.4 Distribusi Sampling Nilai Proporsi

Apabila ukuran populasi sangat besar dan proporsi (P) sangat
kecil yaitu harga proporsi ini tidak terlalu dekat dengan nol ataupun satu, maka
x
distribusi sampling nilai proporsi ( p = ) bisa dianggap berdistribusi normal. Ini
n
sesuai dengan teori batas tengah untuk distribusi sampling proporsi yang
menyatakan : Jika ukuran sampel acak (n) cukup besar, maka distribusi
x
sampling proporsi ( p = ) ternyata mendekati distribusi normal.
n

88
 Pendidikan Teknik Informatika

Berdasarkan pernyataan diatas, Distribusi Sampling Nilai

Proporsi memiliki sifat-sifat sebagai berikut :
1. Rata-rata Distribusi Sampling proporsi (  p̂ ) sama dengan proporsi
populasinya, P
 p̂ =P
2. Simpangan baku distribusi sampling nilai proporsi (  p̂ )
a. Untuk populasi tak terbatas
P (1 - p)
 p̂ = .
n
(6.4)

b. Untuk populasi terbatas

P (1 - p) N -n
 p̂ = . (6.5)
n N -1

3. bila ukuran sampel cukup besar (dalam prakteknya n  30 ), maka

distribusi sampling proporsi dianggap berdistribusi normal, apapun bentuk
distribusi populasinya.

4. Jika distribusi populasi normal, distribusi sampling proporsi akan normal,

berapapun ukuran sampelnya. Nilai padanan variabel acak, proporsi
Sampel p̂ dalam Z dapat dihitung

Dengan rumus :
pˆ - p
Z= (6.6)
 p̂
 p̂ p̂
Distr. Sampling proposi dengan n  30
Oleh karena variabel acak sesungguhnya dari proporsi adalah variabel diskrit,
maka dari itu pendekatan distribusi normal untuk variabel sampling proporsi
1
diperlukan factor kesinambungan sebesar  , sehingga rumus diatas menjadi :
2n
1
( pˆ  )-P
Z= 2n (6.7)
 p̂
Bila n . p dan n (1 - p) > 5, maka factor koreksi kesinambungan boleh diabaikan

89
 Pendidikan Teknik Informatika

Contoh 6.3 : Diketahui bahwa produk yang dihasilkan oleh mesin tertentu 10%
rusak. Berapa peluang bahwa dari 200 produk yang diambil sebagai sampel acak
a. 12 % atau lebih produk rusak
b. 8 % hingga 12% produk rusak

Penyelesaian :
n = 200  p̂ = P = 10 % = 0,1

P (1 - p) 0,1 (1 - 0,1)
 p̂ = .= . = 0,021
n 200
a. P ( p̂  12 %) = . . . ?
pˆ - p
Untuk p̂ = 12 % = 0,12  Z =
 p̂
0,12 - 0,1
= = 0,95
0,021
P ( p̂  12 %) = P ( Z  0,95)
0 0,95 = 1 – P ( Z  0,95 )
Z
= 1 – 0,8289
= 0,1711 atau 17,11 %
Jadi peluang bahwa sampel yang diambil tersebut rusak 12 % atau lebih adalah
0,1711 atau 17,11 %
b. P ( 8 %  p̂  12 % ) = P ( 0,08  p̂  0,12 ) = . . . ?
Untuk
0,08 - 0,1
p̂ = 0,08  Z = = - 0,95
0,021
-0,95 0 0,95 Z
0,12 - 0,1
p̂ = 0,12  Z = = + 0,95
0,021

P ( 0,08  p̂  0,12 ) = P ( - 0,95  Z  +0,95 ) = 0,6578

Jadi peluang bahwa sampel yang diambil rusak 8 % hingga 12 % adalah
0,6578 atau 65,78 %

6.3.5 Distribusi Sampling Beda Dua Rata-rata

Bila 2 (dua) buah sampel random yang independent dipilih dari
2 (dua) buah populasi . Sampel pertama (dengan ukuran n1 : rata-rata X 1 : dan
simpangan baku S1 ) ditarik dari populasi pertama yang berukuran N1 , rata-rata 1
, dan simpangan bakunya 1. Sedangkan sampel yang kedua (ukuran n2 ; rata-rata

90
 Pendidikan Teknik Informatika

X 2 ; simpangan bakunya S2 ) ditarik dari populasi kedua (yang lain) yang

berukuran N2 , rata-rata 2 , dan simpangan bakunya 2 . Bila kumpulan nilai beda
rata-rata ( X 1 - X 2 ) tersebut diatas dimuat dalam satu tabel disebut Distribusi
sampling nilai beda rata-rata. Distribusi sampling beda rata-rata ( X 1 - X2)
memiliki sifat-sifat sebagai berikut :
1. Rata-rata dari distribusi sampling beda rata-rata ,
( x1- x2)  (1   2 )
2. Simpangan Baku distribusi sampling nilai beda rata-rata
a. Untuk populasi tak terbatas
12  22
 ( x1  x 2)  
n1 n2
(6.8)
b. Untuk populasi terbatas
12  22 N-n
 ( x 1  x 2)   .
n1 n2 N -1
(6.9)

3. Bila ukuran sampel cukup besar ( dalam prakteknya diambil n  30 ),

maka distribusi sampling nilai beda rata-rata dianggap berdistribusi
normal.
Dan nilai padanan ( X 1 - X 2 )
Dalam Z dapat dihitung dengan
Rumus (6.10) dibawah ini

( x1- x2)  (1   2 ) ( X1 - X2)

0 Z

( X 1  X 2 ) - (1 -  2 )
Z= (6.10)
 ( x1 x2 )

Contoh 6.4 : Dua jenis bola lampu yaitu bola lampu merek A dan bola lampu
merek B, masing-masing memiliki rata-rata umur pakai 1600 jam dan 1400 jam
dengan simpangan baku berturut-turut 200 jam dan 100 jam. Bila sampel random
sebanyak 100 bola lampu diambil dari merek A dan 50 bola lampu dari merek B.
Berapa peluang bahwa bola lampu merek A mempunyai rata-rata umur pakai :
a. 160 jam lebih dari merek B
b. 250 jam lebih lama dari merek B

91
 Pendidikan Teknik Informatika

Penyelesaian :
Merk A Merk B
1 = 1600 jam 2 = 1400 jam
1 = 200 jam 2 = 100 jam
n1 = 100 n2 = 50

( 1 - 2 ) = 1600 – 1400 = 200

karena ukuran populasinya tidak diketahui,dianggap populasinya tak terbatas,
 ( X 1 - X 2 ) = ( 1 - 2 ) = 200

12  22 (200) 2 (100) 2

 ( x1  x 2)   = 
n1 n2 100 50

= 24,49
a. ( X 1 - X 2 ) = 160 , X1 - X 2 | > 160 ) = . . . ?
P( |
( X 1  X 2 ) - (1 -  2 )
Z=
 ( x1 x2 )
160 - 200
Untuk, ( X 1 - X 2 ) = 160  Z = = -1,63
24,49

-1,63 0 Z

P( | X1 - X 2 | > 160 )= P ( Z > -1,63)

= 1 – P ( Z < - 1,63)
= 1 – 0.0516 = 0,9484 ( = 94,84 % )
Jadi peluang bahwa bola lampu merek A dari sampel yang diambil
memiliki rata-rata umur pakai 160 jam lebih lama dari bola lampu merek
B adalah 0,9484
b. ( X 1 - X 2 ) = 250, P( | X 1 - X 2 | > 250 ) = . . . ?
( X 1  X 2 ) - (1 -  2 )
Z=
 ( x1 x2 )
250 - 200
Untuk, ( X 1 - X 2 ) = 250  Z = = 2,05
24,49

92
 Pendidikan Teknik Informatika

0
2,05 Z
P( | X 1 - X 2 | > 250 ) = P ( Z > 2,05)
= 1 – P ( Z < 2,05)
= 1 – 0.9798 = 0,0202 (= 2,02 %)
Jadi peluang bahwa bola lampu merek A dari sampel yang diambil
memiliki rata-rata umur pakai 250 jam lebih lama dari bola lampu merek
B adalah 0,0202

6.3.6 Distribusi Sampling Beda Dua Proporsi

Uraian ini sebenarnya hampir sama dengan uraian diatas (6.3.5).
Kalau pada bagian 6.3.5 yang menajdi perhatian adalah beda nilai rata-rata ( X 1 -
X 2 ), tapi pada bagian ini yang mejadi perhatian adalah beda proporsi ( p̂ 1 - p̂ 2
).
Distribusi sampling beda dua proporsi , memiliki sifat-sifat sebagai berikut :

1. Rata-rata beda proporsi sampling beda dua proporsi sama dengan beda
proporsi populasinya
 ( p̂ 1 - p̂ 2 ). = ( P1 – P2 )

2. Simpangan baku beda proporsi samplingnya,  ( p̂ 1 - p̂ 2 ).

a. Untuk populasi tak terbatas
P1 (1 - P1 ) P2 (1  P2 )
 ( pˆ1 pˆ 2 ) = .
n1 n2
(6.11)

b. Untuk populasi terbatas

P1 (1 - P1 ) P2 (1  P2 ) N -n
 ( pˆ1 pˆ 2 ) = . .
n1 n2 N -1
(6.12)

3. Bila ukuran sampelnya cukup besar (dalam prakteknya diambil n1  30

dan n2  30), maka distribusi samplingnya dianggap berdistribusi normal

93
 Pendidikan Teknik Informatika

= ( p̂ 1 - p̂ 2 ). ( p̂ 1 - p̂ 2 ).
0 Z
Sedangkan nilai padanan ( p̂ 1 - p̂ 2 ) dalam Z dapat dihitung dengan
rumus sebagai berikut :
( pˆ1 - p̂ 2 ) - (P1 - P2 )
Z= (6.13)
 ( pˆ1 pˆ 2 )

Contoh 6.5 : Pengalaman memperlihatkan, bahwa sekitar 50 % dari para ibu

rumah tangga di kota A menyenangi sabun cuci merek Rinso, sedangkan para ibu
di kota B sekitar 40% menyenangi sabun cuci merek rinso tersebut. Bila diambill
sampel acak dikedua kota tersebut yaitu 200 ibu rumah tangga diambil dari kota A
dan 100 ribu ibu rumah tangga diambil dari kota B. Berapa peluang bahwa
proporsi ibu rumah tangga di kota A yang menyenangi sabun cuci merek rinso
tersebut paling sedikit 5 % lebih besar dari proporsi ibu rumah tangga yang
menyenangi sabun cuci merek rinso di kota B ?

Penyelesaian :
Merk A Merk B
P1 = PA = 50 % = 0,5 P2 = PB = 40 % = 0,4
n1 = nA = 200 n2 = nB = 100
P ( | p̂ 1 - p̂ 2 | > 5 % ) = P ( | p̂ 1 - p̂ 2 | > 0,05 ) = . . . ?
 ( p̂ 1 - p̂ 2 ) = P1 – P2 = 0,5 - 0,4 = 0, 1

P1 (1 - P1 ) P2 (1  P2 )
 ( pˆ1 pˆ 2 ) = .
n1 n2
0,5 (1 - 0,5) 0,4 (1  0,4)
= .
200 100
= 0,06
Untuk,
( pˆ1 - p̂ 2 ) - (P1 - P2 )
( p̂ 1 - p̂ 2 ) = 0,05  Z =
 ( pˆ1 pˆ 2 )
0,05 - 0,01
= = - 0, 83
0.06
-0,83 0 Z

94
 Pendidikan Teknik Informatika

P ( | p̂ 1 - p̂ 2 | > 0,05 )
= P ( Z > - 0,83 )
= 1 – P (Z < - 0,83)
= 1 – 0.2033
= 0,7967 atau ( = 79,67 % )
Jadi peluang bahwa proporsi ibu rumah tangga di kota A yang menyenangi
sabun cuci merek rinso 5 % lebih besar dari proporsi ibu rumah tangga
yang menyenangi sabun cuci merek rinso di kota B adalah 79,67 %

6.4 Latihan !

6-1. Suatu populasi dengan 1500 anggota memiliki rata-rata 3000 dan standar
deviasi 1300. Jika diambil sampel random sebanyak 100 anggota, berapa
peluang bahwa rata-rata sampel dibawah 2900?

6-2. Dalam setiap pengiriman suatu barang, biasanya 90% diterima dalam
keadaan baik. Pada suatu hari telah dikirim 100.000 unit barang tersebut.
berapa peluang bahwa dari 80 unit barang yang dikirimkan tersebut, akan
berisikan barang yang baik
a. Antara 80 % dan 90 %
b. Paling sedikit 92 %

6-3. Rantai-rantai sepeda memiliki ukuran panjang rata-rata 60 cm dengan

simpangana baku 5 cm. Panjang standar yang dikehendaki oleh pabrik
adalah antara 59 cm dan 61 cm. Jika pabrik diatas memproduksi 100 rantai
demikian , berapa persen yang dapat memenuhi spesifikasi standar pabrik?

6-4. Suatu sampel random dengan anggota 50 diambil dari suatu populasi yang
mempunyai rata-rata 42,5 dan simpangan baku 0,4. Hitunglah peluang
bahwa rata-rata sampel ini akan terletak antara 41,2 dan 44,5 !

95