HASIL PRAKTIKUM TEKNIK SAMPLING DAN SURVEY

Praktikum 1
11 April 2022
08.00-10.00 WITA
Lab. komputer matematika

Praktikum satu membahas tentang mengenal simple random sampling membuat

penarikan sampling acak sderhana di R. simple random sampling adalah salah
satu teknik pengambilan sampel yang perlu kamu pahami dalam penelitian.
Dalam statistika, sampel sendiri merupakan bagian kecil yang mewakili kelompok
atau keseluruhan yang lebih besar. Istilah sampel ini memang biasanya berkaitan
dengan statistika ataupun suatu penelitian. Random sampling atau metode acak
sederhana ini biasanya digunakan untuk mewakili kelompok yang tidak bias.
Random sampling adalah teknik pengambilan sampel dari suatu populasi yang
berdasarkan pada setiap elemen populasi yang ada. Setiap anggota himpunan
bagian memiliki kemungkinan yang sama untuk dipilih. Contohnya: “Jumlah
siswa disebuah kelas di SMA tertentu di Jakarta yang akan diberikan bantuan.
Simple random sampling ini bisa dilakukan melalui undian, tabel bilangan
random atau dengan acak sistematis. Teknik ini dapat dipergunakan bilamana
jumlah unit sampling di dalam suatu populasi tidak terlalu besar. Misal, populasi
terdiri dari 100 orang siswa IPA. Untuk memperoleh sampel sebanyak 30 orang
dari populasi tersebut, digunakan teknik ini, baik dengan cara undian, ordinal,
maupun tabel bilangan random. Teknik ini dapat digambarkan di bawah ini.
Berikut program membuat contoh penarikan sampel sederhana.

Program 2.1.1 menduga nilai total dan rata-rata

> #Pembuatan data vektor
> a <-
c("A","B","C","D","E","F","G","H","I","J","K","L","M","N","O","P
")
> #Penarikan Sampel dengan pengembalian
> n1 <- sample(a,size=5,replace=TRUE)
> #Tanpa Pengembalian
> n2 <- sample(a,size=7,replace=FALSE)
> #Pembuatan data simulasi
> id<- c(1:1000)
> x<-abs(rnorm(1000))
> dat<-data.frame(id,x)
> #Tanpa pengembalian
> srs.rows<-sample(1000,100,replace=FALSE)
> srs.rows
> srs<-dat[srs.rows,]
> #Pembentukkan Model Survey
> fpc.srs<-rep(1000,100)
 > des.srs<-svydesign(id=~1,strata=NULL,data=srs,fpc=fpc.srs)
> #Menduga Total
> svytotal(~x,design=des.srs)
> confint(svytotal(~x,design=des.srs))
> #Menduga Rat-rata
> svymean(~x,design=des.srs)
> confint(svymean(~x,design=des.srs))
Output:
[1] 951 72 688 878 900 871 860 367 147 427 320
340 631 991 74
[16] 275 483 667 479 216 365 832 847 827 439 551
321 397 675 937
[31] 864 252 77 607 566 806 786 790 972 967 1000
926 917 469 56
[46] 981 627 116 549 944 797 80 948 347 245 312
209 491 595 531
[61] 761 441 490 247 596 183 23 191 401 220 572
764 801 769 148
[76] 532 554 125 36 137 333 244 185 771 545 636
830 323 475 891
[91] 913 697 123 576 293 893 48 870 87 559

total SE
x 767.1 57.722

2.5 % 97.5 %
x 653.9675 880.2319

mean SE
x 0.7671 0.0577

2.5 % 97.5 %
x 0.6539675 0.8802319

Interpretasi :
Pada program diatas untuk menduga sampel tenaga kerja dalam suatu industry
dengan menggunakan metode sampel acak sederhana, pertama kita akan membuat
data vector terlebih dahulu setelah itu melakukan pengambilan sampel
pengembalian n1 <- sample(a,size=5,replace=TRUE) sedangkan untuk
melakukan pengambilan sampel tanpa pengembalian menggunakan syntax n2 <-
sample(a,size=7,replace=FALSE). Karena kita tidak memiliki data untuk contoh
program diatas maka kita akan memanggil data berupa data simulasi dengan
menggunakan syntax id<- c(1:1000). Pada program diatas kita akan menduga
sampel dengan metode pengambilan sampeltanpa pengembalian dengan
menggunakan syntax srs.rows<-sample(1000,100,replace=FALSE), setelah itu
menentukan model survey dengan menggunakan syntax fpc.srs<-rep(1000,100)
dan des.srs<-svydesign(id=~1,strata=NULL,data=srs,fpc=fpc.srs). Setelah itu
kita akan menduga total dengan meggunakan syntax svytotal(~x,design=des.srs)
dan confint(svytotal(~x,design=des.srs)) dan yang terakhir menduga rata-rata
dengan menggunakan syntax svymean(~x,design=des.srs) dan
confint(svymean(~x,design=des.srs)).
Berdasarkan output, dari 7 sampel yang terambil dengan menggunakan metode
pengambilan sampel tanpa pengembalian, penduga total yang didapatkan sebesar
767.1 dan standar error 57.722 dengan selang kepercayaan 2.5% sebesar 653.9675
Artinya kesalahan kita tidak akan melewati 653.9675 orang dan selang
kepercayaan 97.5% sebesar 880.2319 artinya kesalahan kita tidak akan melewati
880.2319 orang. Sedangkan untuk penduga rata-rata didapatkan sebesar 0.76.71
dengan standar error 0.0577 dan selang kepercayaan sebesar 2.5% sebesar
0.6539675 artinya kesalahan kita tidak akan melewati 0.6539675 orang sedangkan
untuk selang kepercayaan 97.5% sebesar 0.8802319
Program 2 penarikan contoh acak sederhana
n=10
N=250
y=c(125,135,134,127,150,175,200,160,140,144)
yrat <-mean(y)
yrat
skua=sum((y-yrat)^2)/(n-1)
#koefisien keragaman
s=sqrt(skua)
kk=(s/yrat)*100
#rasio ukuran contoh terhadap populasi
n/N
ragam=skua/n
sim=sqrt(ragam)
sim
#Batas galat pendugaan
x<-2.262
BGYrat<-x*sim
BGYrat

Output:
> yrat
[1] 149

> #rasio ukuran contoh terhadap populasi

> n/N
[1] 0.04
> sim
[1] 7.443118

> #Batas galat pendugaan

> x<-2.262

> BGYrat
[1] 16.83633

Interpretasi :

Program diatas adalah contoh penarikan sampel acak sederhana dengan jumlah
populasi (N) = 250, sampel (n) = 10, didapatkan rata-rata dari data ( ^y ¿ sebesar
149, dengan koefisien keragaman 15.79678 dan ragam sebesar 23.5372,
selanjutnya menentukan rasio ukuran contoh terhadap populasi dengan membagi
jumlah sampel dengan jumlah populasi didapatkan hasil 0.04 dan simpangan
baku 7.443118 dengan batas galat 16.83633.
Praktikum 2
Senin, 16 April 2022
08.00-10.00 WITA
Lab. computer matematika
Praktikum kedua membahas tentang penarikan sampel acak berlapis (stratified
random sapling) dan melakukan penarikan sampling acak berlapis di R.
penarikan sampel acak berlapis adalah suatu metode di mana populasi yang
berukuran N, dibagi-bagi menjadi subsubpopulasi dan di antara dua subpopulasi
tidak boleh ada yang saling tumpangtindih selanjutnya setiap subpopulasi disebut
sebagai strata / lapisan (stratum). Beberapa alasan dalam pengguanaannya,antara
lain: 1. Jika data diketahui ketelitian yang diinginkan untuk subkelompok tertentu
dari populasi, ada baiknya memperlakukan setiap subkelompok sebagai suatu
populasi tertentu. 2. Administrasi yang baik dapat memakai keguanaan strata. 3.
Masalah penarikan sampel dapat berbeda dalam bagian populasi yang berbeda. 4.
Pelapisan dapat menghasilkan suatu manfaat dalam ketelitian perkiraan dari
karakteristik populasi. Berikut contoh program melakukan penarikan acak berlapis
Program:
#program 1
N1=155
N2=62
N3=93
N=N1+N2+N3
N
n1=20
n2=8
n3=12
n=n1+n2+n3
n
x1 <-
c(35,28,26,41,43,29,32,37,36,25,29,31,29,38,40,45,28,27,35,34)
x2 <- c(27,4,49,10,15,41,25,30)
x3 <- c(8,15,21,7,14,30,20,11,12,32,34,24)
rm(list=ls(mean))
y1rat = mean(x1)
y1rat
s1kua = (sum((x1-y1rat)^2))/(n1-1)
y2rat = mean(x2)
s2kua = (sum((x2-y2rat)^2))/(n2-1)
y3rat = mean(x3)
s3kua = (sum((x3-y3rat)^2))/(n3-1)
#penduga nilai rata-rata populasi
yrats = (1/N)*((N1*y1rat) + (N2*y2rat)+(N3*y3rat))
yrats
#ragam dugaan
a = (N1-n1)/N1
b = (N2-n2)/N2
c = (N3-n3)/N3
vst <- (1/N^2)*(((N1^2*s1kua*a)/n1) + ((N2^2*s2kua*b)/n2) +
((N3^2*s3kua*c)/n3))
syt = sqrt(vst)
#dengan taraf kepercayaan 99% maka talpha/2=2,709
#galat penduga nilai rata-rata
t=2.709
BGy = t*syt
BGy

Output:
> #program 1
> N
[1] 310
> n
[1] 40
> y1rat
[1] 33.4

> #penduga nilai rata-rata populasi

> yrats
[1] 27.425

> #ragam dugaan

> syt
[1] 1.401966

> #dengan taraf kepercayaan 99% maka talpha/2=2,709

> #galat penduga nilai rata-rata
> t=2.709
> BGy
[1] 3.797926
Interpretasi :
Pada program satu memasukkan nilai sampel dari masig-masing strata, didapatkan
hasil 310, dan jumlah sampel dari masing-masing sampel yaitu 40, nilai rata-rata
dari data sebesar 27.425 dan ragam dugaan 1.401966 dengan menggunakan nilai t
sebesar 2.709 maka didapatkan batas galat sebesar 3.797926.
Program 2:
#program 2
#pembuatan strata
y <- c(rnorm(500),rnorm(500, mean = 5))
grup <- c(rep('a',500),rep('b',500))
pop <- data.frame(grup,y)
#penarikan sampel berstrata
str.rows = c(sample(500,50),sample(501:1000,50))
str = pop[str.rows,]
#pembuatan model survey
 library(survey)
fpc.str<-rep(500,100)
des.str = svydesign(id=~1,strata=~grup,data=str,fpc.str)
#penduga total
svytotal(~y,design=des.str)
confint(svytotal(~y,design = des.str))
#penduga rata-rata
svymean(~y,design=des.str)
confint(svymean(~y,design = des.str))

Output :
> #penduga total
total SE
y 0.48257 0.0202

2.5 % 97.5 %
y 0.4428951 0.5222403

> #penduga rata-rata

mean SE
y 2.4128 0.1012

2.5 % 97.5 %
y 2.214475 2.611201

Interpretasi :

Untuk program ke dua merupakan kelanjutan dari program pertama, diaman

kelanjutanya kita akan melakukan pembuatan strata dengan membangkitkan data
yang berdistribusi normal dengan jumlah 500 data dan mean sebesar 5. Setelah itu
melakukan penarikan sampel berstrata
Praktikum 3
Senin, 9 Mei 2022
07.00-09.00 WITA
Lab. komputer statistika
Praktikum pertama membahas tentang pengenalan pendugaan rasio (ratio
estimator) adalah suatu metode estimasi yang memanfaatkan hubungan yang kuat
antara variabel pendukung atau auxilliary information (Xi) dengan variabel yang
diteliti (Yi) dengan tujuan untuk meningkatkan efisiensi perkiraan. Berikut
merupakan contoh syntax yang digunakan untuk melakukan pendugaan rasio
dengan aplikasi R
Syntax Kegunaan
Calibrate Menghitung penaksiran rasio
Confint Menduga interval kepercayaan rasio
Covmat Menghitung matriks varian-covarians pada rasio
Return,replicates Mengembalikan perkiraan ulangan rasio
Sa.rm Mengahapus niilai yang hilang
Separature Menghitung penarikan rasio terpisah untuk strata

Program 1:
#Program 1
y<-c(0.011,0.23,0.45,0.75,0.21,0.32)
x<-c(0.013,0.12,0.47,0.050,0.26,0.57)
n=6
a=sum(y^2)
a
b=sum(x^2)
b
c=sum(y*x)
c
xrat=sum(x)/n
xrat
yrat=sum(y)/n
yrat
Rduga=sum(y)/sum(x)
Rduga
nilaibobot=170
kgula=(sum(y)/sum(x))*nilaibobot
kgula
rdugaan=(nilaibobot^2)*((1/(n*xrat^2)))*(((a-(2*Rduga*c))+
((Rduga^2)*b))/(n-1))
rdugaan
ragamdugaan=sqrt(rdugaan)
ragamdugaan
#Batas Pendugaan nilai total
#Nilai tabel t untuk taraf kepercayaan 95% adalah 2,571
nilai=2.571
BG = nilai*ragamdugaan
BG
#Dugaan peluang(1-alfa) maka
Gty_BG=1-0.05
#Selang Kepercayaan Kandungan Gula
o=kgula-BG
i=kgula+BG

Output:
> #Program 1
> y<-c(0.011,0.23,0.45,0.75,0.21,0.32)
> x<-c(0.013,0.12,0.47,0.050,0.26,0.57)
> n=6
> a=sum(y^2)
> a
[1] 0.964521
> b=sum(x^2)
> b
[1] 0.630469
> c=sum(y*x)
> c
[1] 0.513743
> xrat=sum(x)/n
> xrat
[1] 0.2471667
> yrat=sum(y)/n
> yrat
[1] 0.3285
> Rduga=sum(y)/sum(x)
> Rduga
[1] 1.329063
> nilaibobot=170
> kgula=(sum(y)/sum(x))*nilaibobot
> kgula
[1] 225.9407
> rdugaan=(nilaibobot^2)*((1/(n*xrat^2)))*(((a-(2*Rduga*c))+
((Rduga^2)*b))/(n-1))
> rdugaan
[1] 11236.69
> ragamdugaan=sqrt(rdugaan)
> ragamdugaan
[1] 106.0032
> #Batas Pendugaan nilai total
> #Nilai tabel t untuk taraf kepercayaan 95% adalah 2,571
> nilai=2.571
> BG = nilai*ragamdugaan
> BG
[1] 272.5343
> #Dugaan peluang(1-alfa) maka
> Gty_BG=1-0.05
> #Selang Kepercayaan Kandungan Gula
> o=kgula-BG
> o
[1] -46.59368
> i=kgula+BG
> i
[1] 498.475
Interpretasi:
Program diatas merupakan program untuk menentukan penduga rasio dengan
syarat N tidak diketahui, terlebih dahulu memasukkan nilai n lalu memasukan
nilai dari masing-masing data yang memuat x dan y, mencari jumlah kuadrat dari
data x dan y dengan menggunakan sintaks sum(x)/n begitu pun pada data y
sedangkan untuk menghitung jumlah x dan y menggunakan sintaks sum(x*y).
Selanjutnya mengetahui rata-rata dengan menggunakan sintaks yrat=sum(y)/n
begitupun untuk data x. Dalam menentukan Rduga menggunakan sintaks
Rduga=sum(y)/sum(x). selanjutnya mencari nilai Sr2 dengan menggunakan
sintaks rdugaan rdugaan=(nilaibobot^2)*((1/(n*xrat^2)))*(((a-(2*Rduga*c))+
((Rduga^2)*b))/(n-1))
Rduga^2)*b)/(n-1)), lalu mencari 𝑉̂ (𝑟) dengan menggunakan sintaks
ragam_dugaan=sqrt(rdugaan). Setelah itu kita akan mencari nilai t tabel dengan
menggunakan selang kepercayaan 95% diperoleh nilai t = 2.571 serta menentukan
batas galat dengan menggunakan sintaks Gty_BG=1-0.05 dan yang terakhir
mencari nilai selang kepercayaan yaitu BB (o) dan BA(i), dimana o menggunakan
sintaks o=kgula-BG sedangkan i menggunakan sintaks o=kgula+BG.
dapat diketahui dari output bahwa nilai Rduga 0,9626357 dan nilai 𝑉̂ (𝑟)
1.329063. Selanjutnya mencari nilai ragam dugaan dengan menggunakan rumus
penduga rasio dengan syarat N tidak diketahui, didapatkan hasil dari ragam
dugaan berdasarkan pada output yaitu 106.0032, lalu menentukan batas penduga
nilai total dengan mencari nilai t tabel terlebih dahulu menggunakan taraf
kepercayaan sebesar 95% diperoleh nilai t tabel yaitu 2.571, nilai batas galat
272,534, batas atas -46.59368 dan batas bawah ] 498.475. Dapat disimpulkan
bahwa selang kepercayaan Rduga berada pada interval -24,26357 < R > 26,18884.
Berdasarkan dari selang kepercayaan maka rasio atau perbandingan antara data x
dan data y berada pada interval - 24,26357 sampai 26,1888.
Program:
#program jawaban respon 3 nomor 2
n=10
thix=1800
y=c(0.11,0.15,0.12,0.11,0.17,0.13,0.009,0.012,0.010,0.012)
x=c(0.200,0.240,0.215,0.210,0.250,0.230,0.195,0.205,0.210,0.220)
ykua=y^2
xkua=x^2
xy=x*y
xrat=mean(x)
yrat=mean(y)
Rduga=sum(y)/sum(x)
Rduga
thiy=(sum(y)/sum(x))*thix
vty=(thix^2)*(1/(n*(xrat^2)))*((sum(ykua)-(2*Rduga*sum(xy))+
((Rduga^2)*sum(xkua)))/(n-1))
vty
sty=sqrt(vty)
sty
#Batas galat pendugaan
t=2.262
BGty=t*sty
BGty

Output:
> #program jawaban respon 3 nomor 2
> n=10
> thix=1800
> y=c(0.11,0.15,0.12,0.11,0.17,0.13,0.009,0.012,0.010,0.012)
>x=c(0.200,0.240,0.215,0.210,0.250,0.230,0.195,0.205,0.210,0.220)
> ykua=y^2
> xkua=x^2
> xy=x*y
> xy
[1] 0.022000 0.036000 0.025800 0.023100 0.042500 0.029900
0.001755 0.002460 0.002100 0.002640
> xrat=mean(x)
> yrat=mean(y)
> Rduga=sum(y)/sum(x)
> Rduga
[1] 0.3829885
> thiy=(sum(y)/sum(x))*thix
> vty=(thix^2)*(1/(n*(xrat^2)))*((sum(ykua)-(2*Rduga*sum(xy))+
((Rduga^2)*sum(xkua)))/(n-1))
> vty
[1] 25091.22
> sty=sqrt(vty)
> sty
[1] 158.4021
> #Batas galat pendugaan
> t=2.262
> BGty=t*sty
> BGty
[1] 358.3055
Interpretasi:
Dapat diketahui dari output bahwa nilai Rduga 0.3829885 dan nilai 𝑉̂ (𝑟)
25091.22. Selanjutnya mencari nilai ragam dugaan dengan menggunakan rumus
penduga rasio dengan syarat N tidak diketahui, didapatkan hasil dari ragam
dugaan berdasarkan pada output yaitu 158.4021, lalu menentukan batas penduga
nilai total dengan mencari nilai t tabel terlebih dahulu menggunakan taraf
kepercayaan sebesar 95% diperoleh nilai t tabel yaitu 2.262, nilai batas galat
358.3055.
Praktikum 5
Jumat 3 juni 2022
14.00-15.30 WITA
Lab. komputer statistika
Praktikum kelima membahas tentang cluster random sampling adalah teknik
pengambilan sampling di mana peneliti akan membentuk beberapa cluster dari
proses penyeleksian individu yang menjadi bagian dari populasi. Perlu diketahui,
populasi sendiri adalah kumpulan individu pada wilayah serta waktu tertentu.
Dalam teknik ini, beberapa cluster dari populasi akan dipilih dengan dasar sifat
dan karakteristik yang identik atau homogen. Pengambilan sample sendiri akan
dilakukan secara acak dari beragam cluster yang berada di dalam sebuah
populasi. Berikut contoh program membuat penarikan sampel acak bergerombol
(cluster random sampling).
Respon:
Diketahui contoh cluster berukuran n=25 (pendapatan rumah tangga dalam ribu
rupiah). Dengan N=415 cluster.
Cluster(i) Rumah Total Cluster(i Rumah Total
tangga(mi) pendapatan(yi) ) tangga pendapatan
1 8 96.000 14 10 49.000
2 12 121.000 15 9 53.000
3 4 42.000 16 3 30.000
4 5 65.000 17 6 32.000
5 6 52.000 18 5 22.000
6 6 40.000 19 5 45.000
7 7 75.000 20 4 37.000
8 5 65.000 21 6 51.000
9 8 45.000 22 8 30.000
10 3 50.000 23 7 39.000
11 2 85.000 24 3 47.000
12 6 43.000 25 8 41.000
13 5 54.000 Total 151 1.329.000

Dengan taraf 95% tentukan rata-rata pendapatan tahunan per rumah tangga!
Penyelesaian:
a) Penyelesaian secara manual
1. Rata-rata pendapatan tahunan per rumah tangga
2. Ragam dugaan
3. Galat penduga rata-rata
b) Menggunakan softaware R
Program:
#Program 1
#Cluster
mydata=read.csv("D:/data cluster.csv", header = TRUE, sep =
";")
mydata
n=25
N=415
m=mydata$m
y=mydata$y
yrat=sum(y)/sum(m)
yrat
sykua=sum((y^2))
sykua
smkua=sum((m^2))
smkua
sym=sum(y*m)
sym
syyratm=sykua-(2*yrat*sym)+((yrat^2)*smkua)
syyratm
mrat=sum(m)/n
mrat
#Distribusi hasil diatas
vy=((N-n)/N)*(1/(n*(mrat^2)))*(syyratm/(n-1))
vy
sy= sqrt(vy)
sy
#Dengan taraf kepercayaan 95% maka buat galat penduganya
z=1.96
BGY=z*sy
BGY

Output:
> mydata
Cluster.i. m y
1 1 8 96000
2 2 12 121000
3 3 4 42000
4 4 5 65000
5 5 6 52000
6 6 6 40000
7 7 7 75000
8 8 5 65000
9 9 8 45000
10 10 3 50000
11 11 2 85000
12 12 6 43000
13 13 5 54000
14 14 10 49000
15 15 9 53000
16 16 3 50000
17 17 6 32000
18 18 5 22000
19 19 5 45000
20 20 4 37000
21 21 6 51000
22 22 8 30000
23 23 7 39000
24 24 3 47000
25 25 8 41000
> yrat
[1] 8801.325
> sykua
[1] 8.2039e+10
> smkua
[1] 1047
> sym
[1] 8403000
> syyratm
[1] 15228029122
> mrat
[1] 6.04
> #Distribusi hasil diatas
> vy
[1] 653785.2
> sy
[1] 808.5698
> #Dengan taraf kepercayaan 95% maka buat galat penduganya
> BGY
[1] 1584.797

Program:
#Program 2
#Pembuatan data cluster
library(survey)
library(sampling)
df=data.frame(x=rnorm(1000))
df$id<-rep(1:250,each=4)
cl=sampling::cluster(df,clustername=c("id"),size=10,method="sr
swor")
cls=getdata(df,cl)
nech=nrow(cl)
#Pembuatan model survey
M=rep(250,nech)
dclus1=svydesign(id=~id,data=cls,fpc=~M,weight=~Prob)
#Penduga total dan mean
svytotal(~x, design=dclus1)
confint(svytotal(~x,design=dclus1))
svymean(~x, design=dclus1)
confint(svymean(~x, design=dclus1))

Output:
> #Penduga total dan mean
> svytotal(~x, design=dclus1)
total SE
x -0.0080829 0.1594
> confint(svytotal(~x,design=dclus1))
2.5 % 97.5 %
x -0.3204451 0.3042794
> svymean(~x, design=dclus1)
mean SE
x -0.0050518 0.0996
> confint(svymean(~x, design=dclus1))
2.5 % 97.5 %
x -0.2002782 0.1901746
Praktikum 4
Senin, 23 Mei 2022
07.00-09.00 WITA
Lab. komputer statistika
Prkatikum keempat membahas tentang pengenalan Systematic Random Sampling
dan membuat systematic Random Sampling di R. Systematic random
sampling adalah pemilihan individu atau anggota tertentu dari seluruh populasi.
Metode ini sering dilakukan mengikuti interval yang telah ditentukan. Metode
pengambilan sampel sistemik dapat dibandingkan dengan metode
pengambilan sampel acak sederhana.
Rumus Systematic Random Sampling:
Jarak interval:
N
K
n
Penduga rata-rata:
n

∑ yi
i=1
y si =
n

( )
2
^ ( y si )= N−n s
V
N n
BG ( y si ) =t α s ( y 2si )
;n−1
2

Selang kepercayaan untuk penduga rata-rata:

 n
N ∑ yi
i−1
τ^ si =N y si =
n
Penduga total:
n
N ∑ yi
i=1
τ^ si =N y si =
n
Selang kepercyaan untuk penduga total:

v ( ^τ si )=N
2
( N−n s2
N n )
Penentuan ukuran contoh:
2 2
NZ σ
n=
( N −1 ) G 2 + Z 2 σ

Contoh soal:
Seorang peneliti ingin mengetahui rata-rata penggunaan pulsa dalam suatu kota.
Diketahui N=1500. Peneliti menginginkan galat tidak lebih besar dari 5 pulsa
dengan taraf kepercayaan 95%, ragam pemakaian diperkirakan 225 atau
simpangan baku 15. Berapa ukuran contoh yang harus diambil agar spesifikasi
terpenuhi?
Penyelesaian:
1) Secara manual
Diketahui: N = 1500
G=5
Z = 1,96
σ2 =
Ditanyakan: ukuran contoh (n) = ?
Penyelesaian:
2 2
NZ σ
n=
( N −1 ) G 2 + Z 2 σ
( 1500) ( 1.96 )2 (225)
n=
( 1500−1 ) (5)2+ (1.96 )2 (225)
 ¿ 33.82 ≈34
2) Menggunakan program R
Program 1 systematic random sampling:
#Systematic Random Sampling
#Penentuan n untuk rata-rata populasi
N=1500
sig=15
g=5
alpha=0.05
z=1.96
n=(N*(z^2)*(sig^2))/(((N-1)*(g^2))+((z^2)*(sig^2)))
n
#maka selang penarikan contoh
k=N/n
k

Output:
> #Systematic Random Sampling
> #Penentuan n untuk rata-rata populasi
> n
[1] 33.81747
> #maka selang penarikan contoh
> k
[1] 44.35578
Interpretasi:
Program di atas merupakan program systematic random sampling yaitu
menentukan nilai n untuk rata-rata populasi dan menentukan selang penarikan
contoh. Pada program di atas, didekarasikan jumlah N adalah 1500 dengan galat
5, alfa 0.05 dan Z 1.96. Kemudian mencari nilai n dengan memasukkan nilai-nilai
yang telah dideklarasikan tadi ke rumus manual program, sehingga diperoleh n
sebesar 33.81747. Selanjutnya, menentukan selang penarikan contoh dengan
variabel k sehingga diperoleh nilai k adalah 44.35578.
Penduga proporsi populasi
Penduga proporsi biasa digunakan untuk mengetahui persepsi, misalnya persepsi
mahasiswa terhadap pembelajaran online. Rumus menentukan ukuran contoh untuk
menduga proporsi:

N Z 2 P(1−P)
n=
( N −1 ) G2 + Z 2+ P(1−P)
contoh kasus:
Peneliti ingin mengetahui proporsi pelanggan yang terkena denda tiap bulan.
Berdasarkan pengalaman setiap bulan diperkirakan sekitar 10% dari pelanggan
terkena denda. Dengan galat tidak lebih dari 2% dan taraf kepercayaan 90%,
tentukan n!
Jawab:
1) Penyelesaian secara manual
Diketahui: N = 1500
P = 0,1
Z = 1.645
G = 0,02
Ditanyakan: ukuran contoh (n) = ?
Penyelesaian:
N Z 2 P(1−P)
n=
( N −1 ) G2 + Z 2+ P(1−P)
2
(1500) ( 1.645 ) 0.1(0.9)
n=
( 1500−1 ) (0.02)2+(1.645)2+ 0.1(0.9)
¿ 433
N 1500
Maka nilai k = =
n 433
2) Mengunakan program R
Program 2 :
#Contoh soal 2
N=1500
p=0.1
sig=15
g=0.02
alpha=0.1
z=1.645
n=(N*z^2*(p*(1-p)))/(((N-1)*g^2)+(z^2*(p*(1-p))))
n
#maka selang penarikan contoh
k=N/n
k

Output:
> n
[1] 433.2761
> #maka selang penarikan contoh
> k
[1] 3.461996
Interpretasi:
 Program di atas merupakan program systematic random sampling untuk
menentukan nilai n bagi proporsi populasi dan menentukan selang penarikan
contoh. Pada program di atas, didekarasikan jumlah N adalah 1500 dengan P
0.1, galat 0.02 dan Z 1.645. Kemudian mencari nilai n dengan memasukkan
nilai-nilai yang telah dideklarasikan tadi ke rumus manual program, sehingga
diperoleh n sebesar 433.2761. Selanjutnya, menentukan selang penarikan
contoh dengan variabel k sehingga diperoleh nilai k adalah 3.261996.
Program 3 pembuatan fungsi systematic:
#Pembuatan fungsi systematic
systematic.sample=function(n,N){
k=floor(N/n)
ss=sample(k,1)
s=seq(length=n, from=ss, by=k)
return(s)
}
#penarikan sampel secara systematic
sampel=systematic.sample(10,100)
#Buatkan data simulasi
id=c(1:1000)
x=abs(rnorm(1000))
sampel
data= data.frame(id,x)
#Pembuatan Model Survey
library(survey)
fpc.srs=rep(1000,100)
ss.rows=systematic.sample(100,1000)
ss.rows
ss=data[ss.rows,]
des.srs=svydesign(id=~1, strata=NULL, data=ss,fpc=fpc.srs)

#Penduga Total
svytotal(~x, design = des.srs)
confint(svytotal(~x, design = des.srs))

#Pendugan Rata-rata
svymean(~x, design = des.srs)

Output:
> #Systematic Random Sampling
> #Penentuan n untuk rata-rata populasi
> N=1500
> sig=15
> g=5
> alpha=0.05
> z=1.96
> n=(N*(z^2)*(sig^2))/(((N-1)*(g^2))+((z^2)*(sig^2)))
> n
[1] 33.81747
> #maka selang penarikan contoh
> k=N/n
> k
[1] 44.35578
> #Contoh soal 2
> N=1500
> p=0.1
> sig=15
> g=0.02
> alpha=0.1
> z=1.645
> n=(N*z^2*(p*(1-p)))/(((N-1)*g^2)+(z^2*(p*(1-p))))
> n
[1] 433.2761
> #maka selang penarikan contoh
> k=N/n
> k
[1] 3.461996
>
> #Pembuatan fungsi systematic
> systematic.sample=function(n,N){
+ k=floor(N/n)
+ ss=sample(k,1)
+ s=seq(length=n, from=ss, by=k)
+ return(s)
+ }
> #penarikan sampel secara systematic
> sampel=systematic.sample(10,100)
> #Buatkan data simulasi
> id=c(1:1000)
> x=abs(rnorm(1000))
> sampel
[1] 1 11 21 31 41 51 61 71 81 91
> data= data.frame(id,x)
> #Pembuatan Model Survey
> library(survey)
> fpc.srs=rep(1000,100)
> ss.rows=systematic.sample(100,1000)
> ss.rows
[1] 2 12 22 32 42 52 62 72 82 92 102 112 122 132
142 152 162 172 182 192 202 212 222 232 242 252 262 272 282 292
302 312 322 332 342
[36] 352 362 372 382 392 402 412 422 432 442 452 462 472 482
492 502 512 522 532 542 552 562 572 582 592 602 612 622 632 642
652 662 672 682 692
[71] 702 712 722 732 742 752 762 772 782 792 802 812 822 832
842 852 862 872 882 892 902 912 922 932 942 952 962 972 982 992
> ss=data[ss.rows,]
> des.srs=svydesign(id=~1, strata=NULL, data=ss,fpc=fpc.srs)
>
> #Penduga Total
> svytotal(~x, design = des.srs)
total SE
x 789.19 54.275
> confint(svytotal(~x, design = des.srs))
2.5 % 97.5 %
x 682.81 895.5625
>
> #Pendugan Rata-rata
> svymean(~x, design = des.srs)
mean SE
x 0.78919 0.0543
Interpretasi:
Program di atas merupakan program pembuatan fungsi sistematik pada program
R. Pertama membuat function systematic.sample untuk penarikan sampel secara
sistematik. Selanjutnya menentukan jumlah sampel dengan memasukkan nilai n
dan N pada function yang telah dibuat tadi. Kemudian membuat data simulasi
yaitu data normal dengan N 1000. Selanjutnya melakukan pembuatan model
survey dengan fungsi ss.rows yaitu menampilkan data sampel, fpc.srs dan des.srs
untuk membuat design survey. Lalu mencari penduga total dengan fungsi svytotal
yaitu didapatkan sebesar 793.97 dengan nilai SE sebesar 48.674. Serta penduga
rata-rata dengan fungsi svymean yaitu sebesar 0.79397 dengan SE 0.0487.
Berdasarkan hasil tersebut maka peduga total populasi adalah sebesar 793.97
dengan standar error sebesar 48.674.