POPULASI, SAMPEL dan METODE

PENGAMBILAN SAMPEL
RIFZI DEVI NURVITASARI, S.Tr.Keb., M.Keb.
Objektif :

1. Mampu membedakan antara populasi dan sampel.

2. Mampu menjelaskan pentingnya sampel pada penelitian.
3. Mampu membedakan berbagai macam metode
sampling.
4. Mampu menjelaskan pentingnya metode dan distribusi
sampling pada penelitian.
1. Saat anda akan membeli buah mangga di pasar, anda
dihadapkan pada pilihan yang mana yang rasanya manis ?

2. Apabila anda ingin mengetahui jumlah sel darah merah pada

seorang pasien, bagaimana caranya ?

3. Apabila anda akan melakukan studi effek kontrasepsi

hormonal pada akseptor KB di kota Malang, mungkinkah
Anda melakukannya ? Bagaimana caranya ?

“ Populasi – sampel – estimasi (pendugaan) “

Pengertian Populasi

Populasi (semesta/ universe)

 sejumlah besar subyek yang memiliki karakteristik
tertentu
 keseluruhan dari unit di dalam pengamatan yang akan
kita lakukan
 Populasi tidak harus berupa orang, tapi bisa desa,
Rumah Sakit, rumah tangga
Pengertian Sampel

 Sebagian dari populasi yang nilai/ karakteristiknya kita ukur dan

yang nantinya kita pakai untuk menduga karakteristik dari populasi

 A sample is a finite part of a statistical population

whose properties are studied to gain the
information about the whole
 The real challenge of statistics is how to come up with a reliable
statement about a population on the basis of sample information
Mengapa perlu sampel ?

1. Populasi sangat besar dan tak terbatas …..impossible.

2. Kemampuan dan keterbatasan.
3. Merugikan populasi
4. Kebutuhan informasi yang cepat
5. Secara statistik Sample dapat untuk membuat
pendugaan terhadap populasi
How important ?

 How a subgroup is selected is of critical importance

 The way the sample is selected, not its size, determines
whether we may draw appropriate inferences about the
population.
 The key to selecting an appropriate sample is that the
sample be representative of the population
What is population ?

 Populasi riil (actual) : hasil penelitian dapat diterapkan pada

populasi yang sesungguhnya.
 Populasi abstrak : Hasil penelitian tidak diterapkan pada populasi
yan sesungguhnya. Misal : studi eksperimen dengan hewan coba
 Populasi target : populasi riil dimana hasil penelitian akan
diterapkan
 Populasi akses (terjangkau): populasi dimana sampel diambil
POPULASI TARGET

POPULASI
AKSES

SAMPEL
Advantages and Disadvantages of
sample

 Advantages :  Disadvantages :
 Obtaining result quickly  Sampling error
 Reduce sources demand  Create discrimination
 May lead to better feeling among population
accuracy  Not recommended when
 Precise allowance can be all data are legally
made required
Sampling bias and chance

Sampling bias
Error yang bersumber dari karakteristik sampel

Chance
Variasi dari sampel random yang dapat menimbulkan
kesalahan penafsiran terhadap populasi
 Chance. A
Chance. C

bias Chance. B
Chance. D

True Sample
value value

Untuk mengurang Bias :

- memperbesar sampel
- methoda sampling yang tepat
METODE PENGAMBILAN
SAMPEL
(SAMPLING METHOD)
What is Sampling

“Sampling is the act, process, or techniques of

selecting a suitable sample, or a representative
part of a population for the purpose of
determining parameters or characteristics of the
whole population.”
Webster, 1985
The aim and consideration of
sampling

 Always try to :  Bias may occur :

 Achieve maximum
precision within a given
sample size
 Avoid selecting bias
 Non random method
 Sampling frame:
incomplete or inaccurate
 Characteristics sample
impossible to reach
POPULASI
PARA SAMPEL
METER
STATISTIK
Bagaimana cara memilih sampel
……..Sampling method ?

SAMPLING METHODS

RANDOM SAMPLING NON RANDOM SAMPLING

(probability sampling) (non probability sampling)

Simple Random Sampling

Accidental Sampling
Systematic Random Sampling
Purposive Sampling
Stratified Random Sampling
Quota Sampling
Cluster Random Sampling
Snow Ball sampling
Multistage Random Sampling*
SIMPLE RANDOM
POPULASI ( N )
YANG DIMINATI

IDENTITAS SETIAP
ANGGOTA POPULASI SAMPLING FRAME

PILIH SAMPEL ( n ) :
-UNDIAN
-TABEL RANDOM

SAMPEL
(n)
Simple Random Sampling

▪ Tentukan batasan populasi yang akan diukur dimensi/variabelnya

▪ Tetapkan target populasi dan populasi akses
▪ Susun Sampling Frame (daftar subjek / anggota populasi)
▪ Hitung jumlah populasi ( N )
▪ Tetapkan jumlah sample yang diperlukan (n)
▪ Pilih sampel
Simple Random Sampling

 Kelemahan :
• Kesulitan mendapatkan
 Kelebihan :
sampling frame
• Anggota populasi memiliki
• Populasi besar → sulit
peluang sama sbg sampel.
• Jumlah sample banyak →
• Lebih objektif
perlu waktu lama.
• Mudah
• Kemungkinan untuk
terpilihnya sampel sedikit
pada wilayah yang jauh
(lokasi subjek), sehingga tidak
efektip dan efisien
SYSTEMATIC RANDOM
POPULASI ( N )
YANG DIMINATI

IDENTITAS SETIAP
ANGGOTA POPULASI SAMPLING FRAME

SAMPLING FRACTION

PILIH SAMPEL ( n )

SAMPEL
(n)
Systematic Random

• Tentukan batasan populasi yang ingin diukur dimensi/variabelnya

• Tetapkan populasi
• Susun sampling frame, hitung jumlah populasi ( N )
• Tetapkan jumlah sampel yang diperlukan ( n )
• Hitung angka intervalnya (k) = N/n
• Pilih satu angka 1 s/d k dari tabel random, undian atau komputer
• Setelah menemukan angka pertama ( X1 ) maka X2 = X1+k
X3 = X2 + k ……dst sampai terkumpul n subjek
Systematic Random

Kelebihan :
• Seperti Simpel random Kelemahan :
• Lebih cepat dari simple • Seperti Simpel random
random
STRATIFIED RANDOM SAMPLING

POPULASI ( N )
YANG DIMINATI

IDENTITAS SETIAP
ANGGOTA POPULASI
STRATIFIKASI
STRATA
ANGGOTA POPULASI
PROPORTIONAL

STRATA STRATA STRATA

SAMPEL SAMPEL SAMPEL

Stratified Random

o Apabila pada populasi terdapat distribusi karakteristik dan kita

menginginkan masing masing karakteristik terwakili sebagai sampel.
o Misal : karakteristik ekonomi pada populasi ada 3 strata yaitu rendah ( 40
% ), menengah ( 30 % ), tinggi ( 30 % )
o Tetapkan populasi dan dimensi / variabelnya
o Susun sampling frame sesuai stratanya ( N1, N2,N3 )
o Tentukan jumlah sampel n
o Pilih sampel secara proporsional
o n1= proporsi N1 x n , n2= proporsi N2 x n …..dst
o n = n1 + n2 + …….nx.
Stratified Random Sampling

 Kelemahan :
 Kelebihan :
- Sering tidak jelas batas antar
- masing strata dapat terwakili strata
sebagai sampel
- Sampling Frame sulit disusun
 CLUSTER RANDOM

Susun sampling frame Sampel n2

Sampel n3

Susun
Sampling 1 2 3 4
frame
8 7 6 5

Susun sampling frame

* Wilayah populasi dibagi 8 cluster

Sampel n1
Cluster Random

o Tetapkan populasi , dimensi / variabelnya

o Tetapkan wilayah populasinya
o Bagi wilayah populasi menjadi cluster (kelompok wilayah)
o Susun sampling frame dari cluster
o Pilih cluster – cluster yang terpilih sebagi sampel
o Susun sampling frame populasi dari masing masing cluster terpilih
o Tetapkan jumlah sampel n subjek dari masing masing cluster
terpilih sesuai karakteristik populasi
Cluster random sampling

Kelebihan : Kelemahan :
- Efektifitas dan efisiensi - Pada wilayah populasi yang
- sangat representatip besar sulit membagi cluster
Multistage Random

 Menggabungkan dua atau lebih metoda pemilihan sampel

 Umumnya gabungan metoda cluster dan simple random

• Lakukan tahap metoda cluster

• Susun sampling frame subjek pada cluster terpilih
• Pilih subjek dari Cluster terpilih secara simple random sampai
sejumlah n yang ditetapkan
 KOTA AMARTA

STAGE -1 KEC KEC KEC

STAGE -2 KEL-1 KEL-2

STAGE-3 RW-1 RW-2 RW-1 random

RW-2

n2 n3 SAMPEL
n1
Non Random sampling

QUOTA SAMPLING : PURPOSIVE SAMPLING :

o pemilihan subjek sampel o pengambilan subjek
sampai jumlah yang sampel dengan maksud
disepakati atau jumlah atau pertimbangan
sampel sampai waktu karakteristik tertentu,
tertentu misalnya menggunakan
kriteria inklusi
o misal : sampai 80 sampel
saja atau mulai 1 Sept
2014 s/d 10 sept 2014
Non Random sampling

ACCIDENTAL (convenience) SNOW BALL SAMPLING

SAMPLING o pengambilan sampel
o pengambilan sampel dengan memanfaatkan
sesuai dengan kemauan network atau jaringan
peneliti dengan dan biasanya informasi
pertimbangan sampel berikutnya
kemudahan diperoleh dari sampel
mendapatkan jumlah sebelumnya
sampel.
DISTRIBUSI SAMPLING

PENDAHULUAN :
Tujuan :
▪ Mempelajari distirbusi sampling dari sebuah statistik
▪ Prinsip dasar distribusi sampling rata-rata
▪ Prinsip dasar distribusi sampling proporsi

Triola, Chapter 5-4 dan 5-5

▪ Distribusi sampling (sampling distribution) adalah distribusi dari rata-rata atau
proporsi sampel yang diambil secara berulang-ulang (n kali) dari populasi.

▪ Ada sebanyak n rata-rata atau n nilai proporsi

Why sample with replacement ?
▪ Ketika pemilihan sampel dalam jumlah kecil dari populasi yang besar, tidak ada
perbedaan signifikan antara pengembalian dan tanpa pengembalian
▪ Sampling dengan pengembalian merupakan kejadian independen yang tidak
dipengaruhi oleh hasil sebelumnya, dan kejadian yang indipenden mudah
dianalisa.
Distribusi Sampling Rata-Rata

Distribusi dari besaran rata-rata yang muncul dari sampel-sampel.

Pemilihan sampel dari populasi terbatas :

Apabila sampel-sampel random beranggota n masing-masing diambil dari suatu
populasi yang mempunyai mean = µ dan standar deviasi = σ , maka distribusi
sampling rata-rata akan mempunyai mean dan standar deviasi dengan pengembalian
(with replacement) sebesar:

∑(𝑥) ∑𝑥−𝜇 2
𝑀𝑒𝑎𝑛 = 𝜇 = 𝑆𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑣𝑖𝑎𝑠𝑖 = 𝜎 =
𝑁 𝑁
Contoh 1

Diberikan sebuah populasi dengan N = 3, yakni terdiri atas 1, 2, dan 5. Perhitungan

populasi tersebut memiliki µ = 2,7 dan σ = 1,7. Apabila diambil sampel sebanyak 2 (n).
Hitung mean dan standar deviasi !
Bila pengambilan sampel dilakukan dengan pengembalian
(with replacement), maka akan terdapat 9 sampel
dengan anggota 2 angka yang bisa diambil dari
populasi tersebut. (N = 3 = 9).
n 2

Populasi : 1 2 5

Sampel :
1 1 2 1 5 1

1 2 2 2 5 2

1 5 2 5 5 5
 Perhitungan untuk populasi :

1+2+5
𝑀𝑒𝑎𝑛 = 𝜇 = = 2,7
3

∑ 𝑥−𝜇 2 (1 − 2,7)2+(2 − 2,7)2+(5 − 2,7)2

𝑆𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑣𝑖𝑎𝑠𝑖 = 𝜎 = = = 1,7
𝑁 3

Standar deviasi mengukur bagaimana nilai-nilai data tersebar. Bisa juga didefinisikan sebagai, rata-rata
jarak penyimpangan titik-titik data diukur dari nilai rata-rata data tersebut.
Perhitungan sampel, contoh untuk
sampel 1,1.

1 +1
𝑀𝑒𝑎𝑛 = =1
2
1 +1
𝑀𝑒𝑑𝑖𝑎𝑛 = =1
2
2
∑ 𝑥−𝜇 (1 − 1)2+(1 − 1)2
𝑉𝑎𝑟𝑖𝑎𝑛𝑠 = 𝜎2 = = =0
𝑁 2

∑ 𝑥−𝜇 2
𝑆𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑣𝑖𝑎𝑠𝑖 = 𝜎 = = 0=0
𝑁
Perhitungan sampel diperoleh data berikut ini :
Rangkuman dari tabel sebelumnya :

Mean Frekuensi Probability

1 1 1/9
1,5 2 2/9
2 1 1/9
3 2 2/9
3,5 2 2/9
5 1 1/9
Jumlah 9 1

𝑅𝑎𝑡𝑎 − 𝑅𝑎𝑡𝑎 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢 𝑠𝑖 𝑆𝑎𝑚𝑝𝑙𝑖𝑛𝑔= 𝜇 = ∑ 𝑥 𝑃 𝑥 = 2,7

Sample statistic dapat digunakan untuk mengestimasi parameter populasi, diantaranya
yang menghasilkan nilai sesuai target parameter populasi adalah mean dan variance.
Meskipun standar deviasi tidak sama dengan parameter populasi, perbedaan tersebut
masih relatif kecil jika digunakan untuk jumlah data yang besar.
Distribusi Sampling Proporsi

Distribusi sampling proporsi adalah distribusi dari proporsi (presentase) yang

diperoleh dari semua sampel sama besar yang mungkin dari satu populasi.

Dapat digunakan untuk mengetahui perbandingan antara dua hal yang

berkomplemen seperti % bilangan ganjil dan bilangan genap, % pemilih dan bukan
pemilih dalam pemilu, dsb.
Contoh 2

Diberikan sebuah populasi dengan N = 3, yakni terdiri atas 1, 2, dan 5. Dua bilangan
tersebut adalah bilangan ganjil dan satu bilangan yang lain adalah bilangan genap.
Apabila diambil sampel dua bilangan, maka tentukan distribusi sampling proporsi
untuk bilangan ganjil! Tentukan mean dan bandingkan nilainya dengan parameter
populasinya.
Perhitungan untuk populasi :

𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑖𝑙𝑎𝑛𝑔𝑎𝑛 𝑔𝑎𝑛𝑗𝑖𝑙 2

𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑏𝑖𝑙𝑎𝑛𝑔𝑎𝑛 𝑔𝑎𝑛𝑗𝑖𝑙 = = = 0,667
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖 3

Perhitungan untuk sampel, contoh untuk sampel 1,1.

𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑖𝑙𝑎𝑛𝑔𝑎𝑛 𝑔𝑎𝑛𝑗𝑖𝑙 𝑝𝑎𝑑𝑎 𝑠𝑎𝑚𝑝𝑒𝑙 2

𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑏𝑖𝑙𝑎𝑛𝑔𝑎𝑛 𝑔𝑒𝑛𝑎𝑝 (𝑠𝑎𝑚𝑝𝑒𝑙 1,1) = = =1
𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑏𝑖𝑙𝑎𝑛𝑔𝑎𝑛 𝑝𝑎𝑑𝑎 𝑠𝑎𝑚𝑝𝑒𝑙 2
Hasil perhitungan:

𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖 𝑆𝑎𝑚𝑝𝑙𝑖𝑛𝑔 Proporsi = ∑ 𝑃𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑥 𝑃 𝑥 = 0,667

Teori Limit Sentral

Pada umumnya, normalitas dari distribusi sampling rata-rata disebut teorema limit
sentral dan dinyatakan sebagai berikut :
1. Jika populasi tidak terdistribusi secara normal, untuk sampel dengan jumlah n>30,
distribusi sampling dapat diasumsikan mendekati distribusi normal.
2. Jika populasi cukup besar dan berdistribusi secara normal maka distribusi
samplingnya akan normal.
Berlaku rumus berikut ini:
Mean : 𝜇𝑥− = 𝜇

𝜎
Standar deviasi : 𝜎𝑥− =
𝑛
Contoh 3

Diberikan populasi dengan N = 10,

yakni terdiri atas 0, 1, 2, 3, 4, 5, 6, 7,
8, dan 9. Sampel diambil sebanyak
4 angka (n) dan data mengenai 50
sampel tercantum pada tabel di
samping.

50 sampel x 4 angka/(sampel) = 200

angka
Distribusi 200 angka dari 50 sampel
data di atas sebagai berikut :

Jumlah angka (0-9) tidak terdistribusi secara normal, jumlah angka hampir sama dari
0-9.
 Sedangkan, distribusi sampling rata-rata (x)
dari 50 sampel sebagai berikut :

Rata-rata angka dari sampel tersebut terdistribusi secara normal. Pada teori limit
sentral, n>30 dapat diasumsikan terdistribusi normal. Pada contoh 3 ini, dengan n =
4 memiliki distribusi normal.
Semakin besar ukuran sampel (n), distribusi sampling rata-rata mendekati
distribusi normal.
 Aplikasi Teori Limit Sentral

▪ When working with an individual value from a normally distributed population,

𝑥−𝜇
𝑧=
𝜎

𝑥 ̅−𝜇−
▪ When working with a mean for some sample (or group), 𝑧 = 𝜎−
 Contoh 4

Sistem keamanan pada Gondola yaitu kapasitas maksimum 12 orang dan berat
maksimum 2400 lb. Kapasitas akan melebihi batasannya jika 12 orang tersebut
memiliki berat rata-rata melebihi 2400 lb/12 = 167 lb. Dikarenakan laki-laki memiliki
berat yang lebih besar dibandingkan perempuan, “kejadian buruk” jika 12 orang
tersebut semuanya laki-laki. Laki-laki memiliki berat yang terdistribusi normal dengan
rata-rata 172 lb dan standar deviasi 29 lb (National Health Survey).
a. Tentukan probabilitas satu orang laki-laki (naik Gondola) dan memiliki berat lebih
besar dari 167 lb
b. Tentukan probabilitas 12 orang laki-laki (naik Gondola) dan memiliki berat rata-
rata lebih besar dari 167 lb (sehingga berat total melebih barat maksimum
gondola)
a.
𝑥−𝜇
𝑧=
𝜎
167 − 172
𝑧= = −0,17
29
Berdasarkan Tabel A-2, z = -0,17 diperoleh nilai 0,4325 (slide berikutnya) dan grafik
berikut:
Sehingga, probabilitas laki-laki
(naik Gondola) memiliki berat

lebih 167 lb adalah 1-0,4325=0,5675.

b.

𝜇𝜎 = 𝜇29=
𝑥
−

𝜎𝑥− =172 = = 8,31758

𝑛 12

𝑥̅ − 𝜇−𝑥 167 − 172

𝑧= = = −0,60
𝜎𝑥− 8,31758
Berdasarkan Tabel A-2, z = -0,60 diperoleh nilai 0,2743 (slide berikutnya) dan grafik
berikut:

Sehingga, probabilitas 12 laki-laki

(naik Gondola) memiliki berat lebih 167 lb
adalah 1-0,2743=0,7257.
b. 𝜇 − = 𝜇=
172
𝑥

𝜎 29
𝜎𝑥− = = = 8,31758
𝑛 12

𝑥̅ − 𝜇−𝑥 167 − 172

𝑧= = = −0,60
𝜎𝑥− 8,31758
Berdasarkan Tabel A-2, z = -0,60 diperoleh nilai 0,2743 (slide berikutnya) dan grafik
berikut:

Sehingga, probabilitas 12 laki-laki

(naik Gondola) memiliki berat lebih 167 lb
adalah 1-0,2743=0,7257.
 Contoh 5

Rata-rata temperatur badan suatu populasi sebesar 98,6°F. Standar deviasi populasi
0,62°F (University of Maryland). Jika ukuran sampel n = 106, tentukan probabilitas
rata-rata diperoleh 98,2°F atau kurang.
 Ukuran sampel n sebesar 106, sehingga lebih dari
30 sehingga digunakan teori limit sentral.

𝜇𝑥− = 𝜇 = 98,6

𝜎 0,62
𝜎𝑥− = = = 0,0602197
𝑛 106

𝑥̅ − 𝜇−𝑥 98,2 − 98,6

𝑧= = = −6,64
𝜎𝑥− 0,0602197
Berdasarkan Tabel A-2, z = -6,64 diperoleh nilai 0,0001 (slide berikutnya) dan grafik
berikut:
Sehingga, probabilitas rata-rata
diperoleh 98,2°F atau kurang
adalah 1-0,0001=0,9999.
Koreksi untuk Populasi Terbatas

Ketika sampling tanpa pengembalian dan nilai sampel

𝑥 n lebih besar dari 5% dari
jumlah populasi N (n > 0,05N), standar deviasi (𝜎−) dari sampling rata-rata dikalikan
dengan faktor koreksi berikut:
𝑁−𝑛
𝑁−1

Rumus standar deviasi menjadi:

𝜎 𝑁−𝑛
𝜎𝑥− =
𝑛 𝑁−1
TERIMA KASIH