Populasi

 Seluruh subjek/objek penelitian dengan

karakteristik tertentu
 Seluruh karakteristik/sifat
 sekelompok orang, kejadian, atau benda, yang
dijadikan obyek penelitian
Sampel
 Bagian dari populasi yang akan diteliti
 Sebagian jumlah dari karakteristik yang dimiliki
populasi
 Jenis
 Kriteria Inklusi (yang harus ada)
 Kriteria Eksklusi (yang ditolak)
Populasi dan Sampel

Populasi
N, μ, P,σ

Proses Sampel
Inferensial n, x, p, s

3
4
 Why Sample?
 Bisa makan waktu terlalu lama, tenaga yang besar
 Perlu biaya yang besar, juga buat interviewer. Perlu
pelatihan yang efektif dan supervisi yang cukup ketika
pengambilan data.
 mempelajari populasi malah bisa jadi hasilnya ngga akurat,
terutama populasinya besar.
 Manajemen proyeknya lebih gampang dengan sampling:
 bisa ada waktu tambahan untuk memperbaiki
interview/questionnaire design
 prosedur mendapatkan responden-yang-sulit-ditemukan
Syarat Sampel yang Baik
 Mewakili sebanyak mungkin karakteristik
populasi/representatif valid
 Sampel valid ditentukan oleh dua pertimbangan.
1. Akurasi atau ketepatan  tingkat ketidakadaan “bias”
(kekeliruan) dalam sample  makin sedikit tingkat
kekeliruan yang ada dalam sampel, makin akurat sampel
tersebut.
2. Presisi Estimasi mengacu pada persoalan sedekat mana
estimasi kita dengan karakteristik populasi.
Metode Sampling
 Cara memperoleh sampel :
1. Simple Random Sampling
2. Stratified Random Sampling
3. Cluster Random Sampling
4. Systematic Random Sampling
5. Non Random Sampling
6. Sistematic Sampling
7. Quota Sampling
8. Accidental Sampling
9. Purposive Sampling
7
Simple Random Sampling
  teknik pengambilan sampel yang memberikan kesempatan
yang sama kepada populasi untuk dijadikan sampel.
 Syarat untuk dapat dilakukan teknik simple random sampling
adalah:
 Anggota populasi tidak memiliki strata sehingga relatif
homogen
 Adanya kerangka sampel yaitu merupakan daftar elemen-
elemen populasi yang dijadikan dasar untuk pengambilan
sampel.

Populasi Sampel
Stratified random sampling

 Populasi distratakan secara proporsional

(sebanding, seimbang), baru kemudian dilakukan
pengambilan sampel secara acak dengan
menggunakan cara undian atau tabel.
 Anggota populasi tdk homogen
 populasi dibagi dalam beberapa group yang lebih
homogen)
Cluster Sampling
 Objek/sumber data luas
 populasi dibagi menjadi beberapa klaster
 Populasi Heterogen
 Cara :Randomisasi dua tahap
 Menentukan sampel daerah
 Menentukan sampel orang
Non Random Sampling
 Tidak memberi peluang yg sama dari tiap anggota
populasi
 Bertujuan tidak untuk generalisasi
Systematic Sampling
 Merupakan cara pengambilan sampel dimana
sampel pertama ditentukan secara acak sedangkan
sampel berikutnya diambil berdasarkan satu interval
tertentu
 Berdasarkan urutan anggota populasi yg telah diberi
nomor urut
 Sifat populasi heterogen
 anggota sampel diambil berdasarkan interval waktu
atau ruang tertentu
Quota Sampling
 Peneliti menentukan unit-unit populasi lalu
menentukan jatah atau jumlah sampel masing-
masing unit;atau menentukan jumlah sampel
populasi;kemudian sampel itu ditentukan dengan
cara yang paling mungkin atau paling mudah
dilakukan
 Dengan menentukan ciri-ciri tertentu smp jumlah
kuota tercapai
Accidental Sampling
 Kebetulan bertemu
 Peneliti menentukan sampel dengan asal ambil atau
asal pilih
Purposive Sampling
 Untuk tujuan tertentu
 Peneliti secara sengaja menentukan personil yang
dianggap tepat menjadi sampel dengan tanpa
melakukan random terlebih dahulu.
 Misal : jika ingin meneliti tingkat stress anak 1 maka
yg diteliti adalah anak 1 bukan 2, 3 dst
Distribusi Sampling

Distribusi Sampling adalah

distribusi probabilita dengan statistik sampel
sebagai variabel acaknya.

Statisik sampel antara lain :

X : (rata-rata sampel),
p : (proporsi sampel),

X X
1 : (Beda 2 rata-rata),
2

p p
1 2 : (Beda 2 proporsi),

16
Dalil Limit Pusat
(The Central Limit Theorem) :

 Bila sampel acak berukuran n diambil dari

suatu populasi dengan rata-rata μ dan
deviasi standar σ, maka
 1.  x =   N n
2.  x  populasi terbatas
x 
 n N 1


populasi tdk terbatas x 
n
X 
Z
 Sehingga : x
17
Distribusi Sampling Rata-rata
contoh
 Membuat distribusi Sampling rata-rata sampel
dengan sampel berukuran n = 2 dari suatu populasi
berukuran N = 4 yaitu ( 3, 4, 6, 7)
 Rata-rata dan deviasi standar populasi :
 x 3 467  x   
2

  5   2,5
N 4 N

 Dengan sampling without replacement, maka

banyaknya kemungkinan sampel yang terjadi
adalah sebanyak : 4!
C2 
4
6
2!(4  2)! 18
Ilustrasi
Distribusi Sampling Rata-rata
Kombinasi Kemungkinan
Hasil Sampel
Dist Sampling Rata-rata dg n = 2
Nilai Rata-rata
sampel x sampel x Rata-rata Frek- Proba
sampel x wensi bilita
3 4 3,5
3 6 4,5 3,5 1 1/6
3 7 5 4,5 1 1/6
4 6 5 5 2 2/6
4 7 5,5 5,5 1 1/6
6,5 6,5 1 1/6
6 7
30 6 1
19
Ilustrasi
Distribusi Sampling Rata-rata
 Berdasarkan tabel ilustrasi diatas, maka :

30
X   5
6
ternyata x =μ

(3,5  5) 2  (4,5  5) 2  (5  5) 2  (5  5) 2  (5,5  5) 2  (6,5  5) 2 5

X  
6 6
atau
ternyata
 N  n 2,5 4  2 5  N n
     x
X
n N 1 2 4 1 6 n N 1
20
Contoh soal 1
 Plat baja yg diproduksi oleh sebuah pabrik
baja memiliki daya regang rata-rata 500 dan
deviasi standar sebesar 20 jika sample
random yg terdiri dari 100 plat dipilih dari
populasi yg terdiri dari 100.000 plat.
Berapakah probabilita rata-rata sample akan
kurang dari 496 ?
Diket:  = 500  =20 n= 100
N = 100.000 (populasi besar)
Ditanya: P ( X < 496) ?
21
Jawaban soal 1
 x = μ = 500

 20
X   2
n 100

xx 496  500

Z    2
x 2
496 500 X
Sehingga
-2 0 Z
P ( X < 496) = 0,5 – 0.0228
= 0,4772
22
Distribusi t Student
 Dalam Dalil Limit Pusat dinyatakan bahwa rata-rata
sampel acak akan mendekati dist normal dengan deviasi
standar   
X
n

 Akan tetapi jarang sekali nilai σ diketahui, sehingga

biasanya σ diduga dengan deviasi standar sampel s

 Untuk n ≥ 30, nilai-nilai ( X   ) /( s / n) masih akan

mendekati dist normal standar (z)

 Untuk n < 30, nilai-nilai ( X   ) /( s / n ) akan X 

mendekati dist student (t) dengan t
s
derajat bebas db = n -1 sehingga : n
23
Distribusi Sampling Proporsi

 Proporsi Populasi
K Proporsi Sampel
P 
N
k
P 
n

k = anggota yang sukses

24
Distribusi Sampling Proprsi
k
 Bila P , dimana k menyatakan banyaknya
n
peristiwa sukses dari sampel yang berukuran n
yang besar, maka p akan menyebar normal
dengan :
P  P dan  P
pq
n
Maka :
P  P PP
Z  
 P  P

25
Distribusi Sampling Proporsi
 Membuat distribusi Sampling proporsi sampel
dengan sampel berukuran n = 3 dari suatu populasi
berukuran N = 5 yaitu ( 1 2 3 4 5 ) dimana
anggota ke 1 , 3 dan 5 adalah anggota ‘sukses’

 Sehingga Proporsi Populasi :

P (sukses) = 3/5 = 0,6

 Dengan sampling without replacement, maka

banyaknya kemungkinan sampel yang terjadi
adalah sebanyak : 5 5!
C3   10
3!(5  3)! 26
Ilustrasi
Distribusi Sampling Proporsi
Kemungkinan sampel terpilih

No. Sampel Proporsi P

yg terpilih sampel Distribusi Probabilita Proporsi,
1 1, 2 ,3 2/3 dg n = 3
2 1, 2, 4 1/3 P Frek Prob
3 1, 2, 5 2/3
4 1, 3, 4 2/3 1/3 3 0,3
5 1, 3, 5 3/3 2/3 6 0,6
6 1, 4, 5 2/3 3/3 1 0,1
7 2, 3, 4 1/3
8 2, 3, 5 2/3 10 1
9 2, 4, 5 1/3
10 3, 4, 5 2/3 27
Ilustrasi
Distribusi Sampling Proporsi

 Berdasarkan tabel dist sampling proporsi di

atas :
 P  (1/ 3)(0,3)  (2 / 3)(0,6)  (3 / 3)(0,1)  0,6
Ternyata : P  P q=1-p

pq N n (0,6)(0,4) 53
P      0,2
n N 1 3 5 1

28
Contoh soal 2

 Diketahui bahwa 2% barang kiriman adalah

cacat. Berapa probabilitas bahwa suatu
pengiriman sebanyak 400 barang terdapat
3% atau lebih yg cacat ? P ( P ≥ 0,03) = ?

 P  p  2%  0,02
pq 0,02 x0,98
P    0,007
n 400 0 1,43

P  P 0,03  0,02
Z   1,43
P 0,007 P (Z>1,43) = 0,5 – 0,4236 = 0,0764
29
Distribusi Sampling Beda 2 Rata-rata

 Bila sampel-sampel bebas berukuran n1 dan n2 diambil

dari dua populasi yang besar dengan nilai tengah μ1
dan μ2 dan dev. standar σ1 dan σ2, maka :
 Beda rata-rata sampel akan menyebar mendekati
distribusi normal dengan :

 12  22
 x1  x 2  1   2 dan  x1  x 2  
n1 n2

Shg :
Z 
x 1 
 x 2  1  1 
 x1  x 2

30
Distribusi Sampling Beda 2 Proporsi

 Bila P1  P2 menyatakan beda dua proporsi peristiwa

sukses yang diperoleh dari dua sampel acak yang
diambil dari dua populasi yang mempunyai dist. Binom
dengan prob sukses masing-masing, p1 dan p2 , dan
prob gagal q1 dan q2, maka P1  P2 akan menyebar
normal dengan :
p1q2 p2 q2
 P1  P 2  P1  P2  P1  P 2  
n1 n2

P  P  P  P 
1 2
Shg : Z  1 2

 P1  P 2
31
Latihan Soal 1
 Misalkan rata-rata pendapatan keluarga per
hari di daerah kota adalah 10.000 dengan
deviasi standar 3000 dan rata-rata
pendapatan di daerah pedesaan 4.000
dengan deviasi standar 500. jika diambil
sampel random keluarga kota sebanyak 50
dan keluarga pedesaan sebanyak 200,
berapa probabilitas beda antara pendapatan
keluarga per hari antara kota dan pedesaan
lebih dari 5.000 ?
32
Latihan soal 2
 5% produksi shift pagi cacat dan 10%
produksi shift malam cacat. Bila diambil
sampel random sebanyak 200 barang dari
shift pagi dan 300 barang dari shift malam,
berapa probabilitas beda persentase barang
yang cacat pada shift malam lebih besar 2%
dari shift pagi?

33
Estimasi
 Estimasi adalah keseluruhan proses yang menggunakan
sebuah estimator untuk menghasilkan sebuah estimate
dari suatu parameter.

 Estimasi adalah suatu metode, dimana kita dapat

menduga nilai/karakteristik (parameter) populasi dari
hasil nilai (statistics) sampel

 Dua macam estimasi:

 Estimasi titik (Point Estimate)
 Estimasi selang ( Interval Estimate)

34
Estimasi/Pendugaan Titik
 Sebuah estimasi titik dari sebuah parameter  adalah sesuatu
angka tunggal yang dapat dianggap sebagai nilai yang masuk
akal dari .
 Nilai populasi (parameter) ditentukan hanya oleh satu nilai.
 Nilai yang dipakai untuk menduga disebut “estimator”
 Bila nilai parameter  dari populasi hanya diduga dengan
memakai satu nilai statistik dari sampel yang diambil dari
populasi tersebut

 Ciri estimator yang baik adalah:

 Tidak bias
 Efisien dan
 Konsisten
35
 Pendugaan Titik

X 
 X  penduga titik untuk
n 

S2 
 ( X  X ) 2
 penduga titik untuk
n 1 2

 X
p  penduga titik untuk
n P
 Estimasi Titik
 Mean populasi: μ, dapat diduga dari
bermacam-macam nilai yang ada didalam
sampel seperti, x1, x2….xn, Mo, Md dan x
(mean)
 Nilai mean ( x ) : estimator yang terbaik.

 Jadi x μ
s σ
p π
Contoh
 Seorang ahli sosial ekonomi ingin mengestimasi
rata-rata penghasilan buruh di suatu kota. Sebuah
sampel dikumpulkan menghasilkan rata-rata Rp
2.000.000,-.

 Dalam hal ini telah dilakukan estimasi titik, dengan

menggunakan estimator berupa statistic mean ( )
untuk mengestimasi parameter mean populasi (μ).
Nilai sampel Rp 2.000.000,- sebagai nilai estimate
dari mean populasi.
38
Contoh
 Dari survey cepat, 210 ibu hamil di Bekasi didapat rata-
rata kadar Hb 9,5 gr%
 Disimpulkan bahwa kadar Hb bumil di Bekasi adalah
9,5 gr%
 Kelemahan pendugaan titik ini adalah:
 Sering meleset/salah
 Tidak diketahui derajat kebenaran dari pendugaan
……. untuk ini dipakai Estimasi Selang

39