(Pertemuan 6)

POPULASI
Seluruh kumpulan objek atau orang
yang akan dipelajari atau diteliti

SAMPEL
Suatu bagian yang diambil dari suatu
populasi
 Peneliti tidak mungkin (tidak efisien) meneliti
seluruh populasi

 Contoh
meneliti preferensi konsumen terhadap
Coca-Cola rasa baru atau Coca-Cola kalsik
 Jika perusahaan melakukan penelitian terhadap
seluruh konsumen yang jumlahnya ratusan juta dan
tersebar diseluruh dunia, akan membutuhkan waktu
yang lama dan biaya yang besar sekali.
 Dengan sampling seorang peneliti dapat menghemat
waktu dan biaya penelitian.
PARAMETER POPULASI STATISTIK SAMPEL
(Karakter Populasi) (Karakter Sampel)

Ukuran Populasi = N Ukuran Sampel = n

Rata-Rata Populasi = μ Rata-Rata Sampel = x

Standar Deviasi Populasi = σ Standar Deviasi sampel = s

Proporsi Populasi = P Proporsi sampel = p

 Random
Sampling
Semua item dalam populsi
memiliki kesempatan yang sama
untuk dipilih sebagai sampel
Dalam statistik induktif, asumsi
yang digunakan adalah sampel
diambil dengan metode random
Non Random
Sampling
Opini atau unsur subjektifitas
sangat mempengaruhi
pemilihan item-item sampel
Simple Random
Sampling

Systematic
Sampling

Stratified
Sampling

Cluster
Sampling
 Simple Random
Sampling
Metode ini menjamin setiap item memiliki kesempatan yang sama
untuk dipilih sebagai sampel

Cara pengambilan sampel dengan menggunakan tabel ‘Random

Digits’

Contoh:
Seorang peneliti ingin mengambil sampel sebanyak 10 orang dari
100 orang karyawan yang terdapat di suatu perusahaan. Cara
yangdapat dilakukan adalah:
 Memberi nomor 00 s/d 99 untuk 100 karyawan.
 Mulai dari kolom 1, dari atas ke bawah, baca 2 digit pertama
pada setiap baris.
 Dengan demikian sampel yang diperoleh adalah karyawan
dengan nomor
 Systematic
Sampling
Metode ini memilih sampel dari populasi dengan cara mengambil
item-item pada populasi secara sistematis atau dengan urutan
tertentu.

Contoh:
Pengambilan sampel sebanyak 10 orang dari 100 karyawan. Cara
yangdapat dilakukan adalah:
 Memberi nomor 00 s/d 99 untuk 100 karyawan.
 Ambil item-item dengan interval 10.
 Dengan demikian sampel yang diperoleh adalah karyawan
dengan nomor 01, 11, 21, 31, 41, 51, 61, 71, 81, 91.
 Stratified
Sampling
Metode ini membagi populasi menjadi beberapa kelompok yang
relatif homogen, yang disebut Strata. Selanjutnya dapat
menggunakan salah satu dari dua pendekatan berikut:
 Memilih secara random dari setiap strata suatu jumlah sampel
yang sesuai proporsi strata tersebut dalam populasi
 Memilih suatu jumlah sampel yang sama dari setiap strata dan
memberi timbangan pada hasilnya menurut proporsi strata
dari populasi.

Strtaified sampling tepat digunakan dalam penelitian yang

populasinya telah terbagi menjadi beberapa kelompok dengan
ukuran yang berbeda.
 Stratified
Sampling
Contoh:
Pasien rumah sakit terbagi menjadi emat kelompok berbeda
berdasarkan golongan usia, seperti pada tabel berikut:
Strata Kelompok Usia Persentase dari Total Populasi
I 0–19 tahun 30%
II 20-39 tahun 40%
III 40-59 tahun 20%
IV > 60 tahun 10%

Untuk mengtahui rata-rata jam tidur pasien di rumah sakit,

seorang peneliti ingin mengambil sampling sebanyak 100 orang.
Dua cara yang dapat dilakukannya adalah:
 Mengambil 30 sampel dari strata I, 40 sampel dari strata II,
20 sampel dari strata III, dan 10 sampel dari strata IV. 100
sampel tersebut dianalisis untuk diketahui jam tidur rata-
ratanya.
 Stratified
Sampling
Strata Kelompok Usia Persentase dari Total Populasi
I 0–19 tahun 30%
II 20-39 tahun 40%
III 40-59 tahun 20%
IV > 60 tahun 10%
 Mengambil masing-masing 25 sampel dari setiap
kelompok/strata. Setiap strta dihiting jam tidur rata-ratanya
(x1, x2, x3, x4), kemudian jam tidur rata-rata sampel (x)
dihitung dengan rata-rata tertimbang:

( x1.w1)  ( x 2.w2)  ( x3.w3)  ( x 4.w4)

X
w1  w2  w3  w4
 Keterangan:
w1=30%, w2=40%, w3=20%, w1=10%
 Cluster
Sampling
Metode ini membagi populasi menjadi beberapa kelompok yang
disebut cluster. Kemudian mengambil sampel dari setiap cluster.

Contoh:
Kita membagi populasi penduduk Jakarta menjadi daerah Jakarta
Utara, jakarta Pusat, Jakarta Barat, dan Jakarta Selatan.

Stratified sampling digunakan jika populasi terbagi menjadi

kelompok-kelompok yang perbedaan antarkelompoknya besar,
tetapi perbedaan item-item dalam suatu kelompok kecil.
Sebaliknya, jika perbedaan antarkelompok kecil dengan perbedaan
item-item dalam suatu kelompok besar, maka hendaknya kita
menggunakan cluster sampling.
Distribusi sampling rata-rata merupakan
distribusi probabilitas yang berisi daftar
semua rata-rata sampel yang mungkin jika
kita mengambil sejumlah sampel dari
populasi
CONTOH
Jika kita memiliki populasi yang terdiri dari
tiga orang yaitu: A, B, dan C. kemudian
mengambil sampel sebanyak dua orang,
bagaimana kemungkinan sampel yang
terpilih???
 POPULASI
A, B, C
3
C 2

Sampel 1 Sampel 2 Sampel 3

A,B A,C B,C
Jika kita mengambil sampel 10 3
dari populasi sebesar 60 maka C 2

Jika kita mengambil sampel n N

dari populasi sebesar N maka C n

Setiap kombinasi sampel memiliki ukuran (statistik

sampel), misalnya rata-rata sampel ( x), maka jika
kita mengambil n sampel dari N populasi, maka kita
akan memiliki x yang cukup banyak.
Contoh:
PT. Green memiliki 7 karyawan bagian produksi
(dianggap sebagai populasi), dengan keterangan
upah per jam setiap karyawan tergambar dalam
tabel berikut:
Karyawan Upah/Jam
A 7
B 9
C 8
D 8
E 7
F 8
G 9

Seorang peneliti ingin mengetahui upah rata-rata

per jam karyawan di perusahaan tersebut. Untuk
melakukannya, ia dapat menggunakan 2 cara yaitu:
 Seorang peneliti ingin mengetahui upah rata-rata per jam
karyawan di perusahaan tersebut. Untuk melakukannya, ia
dapat menggunakan 2 cara yaitu:
 Meneliti seluruh populasi
Rata-rata populasi adalah:
7988789

7

 Meneliti sampel
Misalnya mengambil sampel 4 karyawan, maka ada 35
kombinasi sampel yang mungkin terambil dengan
perhitungan:
7!
  35
(7  4)!4!

Masing-masing kombinasi sampel akan memiliki rata-rata sampel.

Rata-rata sampel untuk semua kemungkinan sampel dengan
ukuran 4:
Rata-Rata Sampel Frekuensi Probabilitas
7,5 3 3/35=0,0857
7,75 8 8/35=0,2286
8 13 13/35=0,3714
8,25 8 3/35=0,0857
8,5 3 8/35=0,2286
35 1
35 rata-rata sampel tersebut membentuk suatu distribusi
sampling rata-rata.
DALIL BATAS TENGAH (THE CENTRAL LIMIT THEOREM)
“Untuk suatu populasi dengan rata-rata μ dan standar deviasi
σ, distribusi sampling rata-rata dari semua kemungkinan
sampel berukuran n yang diambil dari populasi akan
terdistribusi secara normal dengan rata-rata μx dan standar
deviasi σx, dengan μx sama dengan rata-rata populasi (μ) dan
σx sama dengan standar deviasi populasi σ dibagi akar n ,
dengan asumsi bahwa ukuran sampel cukup besar”.

Jika ukuran sampel cukup besar, distribusi rata-rata sampel akan

1.
mendekati normal.

2. x   dan x  
n
3. Untuk n > 30, dianggap sebagai ukuran sampel yang cukup
besar
Distribusi Sampling
1 Rata-Rata

Distribusi Sampling
2 Rata-Rata

Distribusi Sampling
1 Proporsi

Distribusi Sampling
2 Proporsi
 Distribusi Sampling
1 Rata-Rata
Distribusi ini memiliki rata-rata dan standar deviasi berikut.

x   dan x  
n

Contoh:
Bank “Pasti Aman” menghitung tabungan nasabahnya. Setelah
perhitungan, bank tersebut mendapati bahwa rata-rata tabungan
setiap nasabahnya sebesar Rp 2.000,- dengan standar deviasi Rp
600,-. Apabila seorang peneliti mengambil sampel sebanyak 100
nasabah, berapa probabilitas jika:
 Rata-rata sampel akan terletak antara Rp 1.900,- dan Rp 2.050,-
 Rata-rata sampel akan lebih besar dari Rp 2.050,-
 Rata-rata sampel akan lebih kecil dari Rp 1.900,-
 Distribusi Sampling
1 Rata-Rata
Penyelesaian:

x   dan x    x  2.000 dan  x  600  60

n 100
Dengan menerapkan konsep menghitung luas kurva normal,
diperoleh:
1. P (1.900 < x < 2.050)
1.900  2.000
x  1.900, _ z   1,67  45,25%
600
2.000  2.050
x  2.050, _ z   0,83  29,67%
600

maka _ P(1.900  x  2.050)  45,25%  29,67%  74,9%

 Distribusi Sampling
2 Rata-Rata
Jika kita sedang meneliti 2 populasi, populasi 1 dengan ukuran
N1 dan populasi 2 dengan ukuran N2, kemudian masing-masing
diambil sampel n1 dan n2. akan terdapat rata-rata sampel dari
populasi 1 dan populasi 2 yang cukup banyak.

Jika x  x1  x2 , maka kita akan memiliki banyak sekali x

yang membentuk suatu distribusi normal, dengan rata-rata dan
standar deviasi berikut.

 x  x  1   2  12  22
1 2
dan  x x  
1 2
n1 n2
 Distribusi Sampling
2 Rata-Rata
Contoh:
Lampu pijar merk “Ampuh” memiliki rata-rata daya tahan 4500
jam dengan standar deviasi 500 jam, sedangkan lampu pijar merk
“Baik” memiliki rata-rata daya tahan 4000 jam dengan standar
deviasi 400 jam. Jika diambil sampel masing-masing 100 buah
lampu pijar dan diteliti, berapa probabilitas bahwa selisih rata-rata
daya tahan kedua lampu pijar tersebut lebih besar dari 600 jam?

Penyelesaian:

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