MASALAH PRESISI DAN PERCAYA DIRI DALAM

MENENTUKAN UKURAN SAMPEL (Chapter 14, topik 6)

Setelah membahas berbagai desain sampling probabilitas dan non-probabilitas, sekarang kita
perlu memusatkan perhatian pada aspek kedua dari masalah desain sampling – ukuran sampel.
Misalkan kita memilih 30 orang dari populasi 3000 melalui prosedur sampling acak sederhana.
Tidak ada statistik sampel yang akan sama persis dengan parameter populasi , tidak peduli
seberapa canggih desain sampling probabilitas. Ingatlah bahwa alasan utama untuk desain
probabilitas adalah untuk meningkatkan probabilitas bahwa statistik sampel akan sedekat
mungkin dengan parameter populasi. Meskipun estimasi titik X mungkin tidak secara akurat
mencerminkan rata-rata populasi, , estimasi interval dapat dibuat di mana akan berada, dengan
probabilitas terlampir – yaitu, pada tingkat kepercayaan tertentu.

Masalah interval kepercayaan dan tingkat kepercayaan dibahas dalam diskusi berikut tentang
presisi dan kepercayaan.

PRESISI
Presisi mengacu pada seberapa dekat perkiraan kami dengan karakteristik populasi
sebenarnya. Biasanya, kami memperkirakan parameter populasi berada dalam
kisaran, berdasarkan estimasi sampel. Sebagai contoh, mari kita katakan bahwa dari studi
sampel acak sederhana 50 dari total 300 karyawan di sebuah bengkel, kita menemukan bahwa
tingkat produksi harian rata-rata per orang adalah 50 buah produk tertentu . Semakin sempit
interval ini, semakin besar presisi. Misalnya, jika kita dapat memperkirakan bahwa rata-rata
populasi akan berada di antara 45 dan 55 buah produksi daripada 40 dan 60 , maka kita
memiliki lebih presisi. Artinya, kami sekarang memperkirakan rata-rata berada dalam kisaran
yang lebih sempit, yang pada gilirannya berarti kami memperkirakan dengan ketepatan atau
presisi yang lebih besar.
Semakin kecil dispersi atau variabilitas ini, semakin besar kemungkinan rata-rata sampel akan
lebih dekat dengan rata-rata populasi. Kita tidak perlu mengambil beberapa sampel yang
berbeda untuk memperkirakan variabilitas ini. Kesalahan standar dihitung dengan rumus
berikut:

𝑠
di mana S adalah standar deviasi sampel, n adalah ukuran sampel, dan 𝑆𝑥̅ = menunjukkan
√𝑛
kesalahan standar atau tingkat presisi yang ditawarkan oleh sampel.
Perhatikan bahwa kesalahan standar berbanding terbalik dengan akar kuadrat dari ukuran
sampel. Hal lain yang perlu diperhatikan adalah bahwa semakin kecil variasi dalam
populasi, semakin kecil kesalahan standar, yang pada gilirannya menyiratkan bahwa ukuran
sampel tidak perlu besar. Singkatnya, semakin dekat kita ingin hasil sampel kita mencerminkan
karakteristik populasi,semakin besar presisi yang harus kita tuju.

KEPERCAYAAN DIRI
Sedangkan presisi menunjukkan seberapa dekat kita memperkirakan parameter populasi
berdasarkan statistik sampel,kepercayaan menunjukkan seberapa yakin kita bahwa perkiraan
kita akan benar-benar berlaku untuk populasi. Dalam contoh tingkat produksi sebelumnya, kita
tahu bahwa kita lebih tepat ketika kita memperkirakan produksi rata-rata sebenarnya jatuh di
suatu tempat antara 45 dan 55 buah daripada di antara 40 dan 60.Namun, kita mungkin lebih
percaya pada estimasi terakhir daripada di bekas. Dengan kata lain, ada trade-off antara presisi
dan keyakinan untuk setiap ukuran sampel yang diberikan, seperti yang akan kita lihat nanti
dalam bab ini.

Intinya, kepercayaan mencerminkan tingkat kepastian yang dengannya kita dapat menyatakan
bahwa perkiraan parameter populasi kita, berdasarkan statistik sampel kita, akan berlaku.

CONTOH DATA, PRESISI DAN PERCAYA DIRI DALAM ESTIMASI

Ketepatan dan kepercayaan diri merupakan isu penting dalam pengambilan sampel karena
ketika kami menggunakan data sampel untuk menarik kesimpulan tentang populasi, kami
berharap untuk menjadi cukup 'tepat sasaran', dan memiliki beberapa gagasan tentang tingkat
kemungkinan kesalahan.Statistik yang memiliki distribusi yang sama dengan distribusi sampling
rata-rata digunakan dalam prosedur ini, biasanya statistik z atau t.
Dari sampel 64 pelanggan yang diambil sampelnya melalui prosedur desain sampling
sistematis, kita dapat menemukan bahwa mean sampel 𝑋̅ = 105, dan standar deviasi sampel S
= 10. 𝑋̅ , mean sampel,adalah estimasi titik µ, mean populasi. Kita dapat membangun selang
kepercayaan di sekitar X untuk memperkirakan kisaran di mana akan jatuh.
Kesalahan standar dan persentase atau tingkat kepercayaan yang kita butuhkan akan
menentukan lebar interval, yang dapat diwakili oleh rumus berikut, di mana K adalah statistik t
untuk tingkat kepercayaan yang diinginkan

µ = 𝑋 ± 𝐾𝑆

Kita tahu bahwa,

𝑆
𝑆𝑋̅ =
√𝑛

Jadi,

10
𝑆𝑋̅ = = 1.25
√64
Singkatnya, ukuran sampel, n, adalah fungsi dari:

• variabilitas dalam populasi;

• presisi atau akurasi yang dibutuhkan;
• tingkat kepercayaan yang diinginkan;
• jenis rencana pengambilan sampel yang digunakan – misalnya, pengambilan sampel
acak sederhana versus pengambilan sampel acak bertingkat.

TRADE-OFF ANTARA PERCAYA DIRI DAN PRESISI

Kami telah mencatat bahwa jika kami ingin lebih presisi, atau lebih percaya diri, atau keduanya,
ukuran sampel perlu ditingkatkan - kecuali, tentu saja, ada sangat sedikit variabilitas dalam
populasi itu sendiri. Namun, jika ukuran sampel (n) tidak dapat ditingkatkan, untuk alasan apa
pun – katakanlah, kita tidak dapat menanggung biaya peningkatan pengambilan sampel –
maka, dengan n yang sama, satu-satunya cara untuk mempertahankan tingkat presisi yang
sama adalah dengan mengabaikan kepercayaan dengan mana kita dapat memprediksi
perkiraan kita. Artinya, kita mengurangi tingkat kepercayaan atau kepastian perkiraan kita.

Dengan demikian menjadi perlu bagi peneliti untuk mempertimbangkan setidaknya empat
aspek saat membuat keputusan tentang ukuran sampel yang diperlukan untuk melakukan
penelitian:

• Seberapa presisi yang benar-benar dibutuhkan dalam memperkirakan karakteristik

populasi yang diminati – yaitu, berapa margin kesalahan yang diizinkan?
• Berapa banyak kepercayaan yang benar-benar dibutuhkan – yaitu, berapa banyak
peluang yang dapat kita ambil untuk membuat kesalahan dalam memperkirakan
parameter populasi?
• Sejauh mana ada variabilitas dalam populasi pada karakteristik yang diselidiki?
• Apa analisis biaya-manfaat untuk meningkatkan ukuran sampel?

SAMPLE DATA AND HYPOTHESIS TESTING

Prosedur untuk pengujian ini menggabungkan informasi yang sama seperti dalam estimasi
interval, tetapi tujuan di balik kedua metode tersebut agak berbeda.
Mengacu pada contoh sebelumnya dari pembelian nilai dolar rata-rata pelanggan di
department store, alih-alih mencoba memperkirakan nilai pembelian rata-rata pelanggan toko
dengan tingkat akurasi tertentu, mari kita katakan bahwa kita sekarang ingin menentukan
apakah atau tidak pelanggan menghabiskan jumlah rata-rata yang sama dalam pembelian di
Department Store A seperti di Department Store B. Dari Bab 6, kita tahu bahwa pertama-tama
kita harus menetapkan hipotesis nol, yang akan menyatakan bahwa tidak ada perbedaan dalam
nilai dolar yang dikeluarkan oleh pelanggan yang berbelanja di dua toko yang berbeda.
 𝐻0 ∶ 𝜇𝐴 − 𝜇𝐵 = 0

Hipotesis alternatif perbedaan akan dinyatakan secara non-arah (karena kami tidak tahu
apakah pelanggan membeli lebih banyak di Toko A atau Toko B) sebagai:

𝐻𝐴 ∶ 𝜇𝐴 − 𝜇𝐵 ≠ 0

Jika kita mengambil sampel 20 pelanggan dari masing-masing dua toko dan menemukan bahwa
nilai rata-rata pembelian dolar pelanggan di Toko A adalah 105 dengan standar deviasi 10, dan
angka yang sesuai untuk Toko B adalah 100 dan 15, masing-masing, kita melihat bahwa:

𝑋𝐴 − 𝑋𝐵 = 105 − 100 = 5

Sedangkan hipotesis nol kami telah mendalilkan tidak ada perbedaan . Untuk menentukan ini
pertama-tama kita harus menemukan probabilitas atau kemungkinan dari dua kelompok
berarti memiliki perbedaan 5 dalam konteks hipotesis nol atau perbedaan 0. Hal ini dapat
dilakukan dengan mengubah perbedaan rata-rata sampel menjadi statistik t dan melihat apa
probabilitas menemukan t dari nilai itu. Kita perlu menggunakan uji dua sisi karena kita tidak
tahu apakah perbedaan antara Toko A dan Toko B akan positif atau negatif.

Kesimpulannya, kemudian, adalah bahwa tidak ada perbedaan yang signifikan antara berapa
banyak pelanggan membeli (pengeluaran dolar) di Department Store A dan Department Store
B. Dengan demikian kami akan menerima hipotesis nol dan menolak alternatif.

Data sampel dengan demikian dapat digunakan tidak hanya untuk memperkirakan parameter
populasi, tetapi juga untuk menguji hipotesis tentang nilai populasi, korelasi populasi, dan
sebagainya, seperti yang akan kita lihat lebih lengkap di Bab 16.