DISTRIBUSI SAMPLING

(Distribusi Penarikan Sampel)

Ika Savitri, SKM, M. Epid

PROGRAM STUDI ILMU KEPERAWATAN

STIK SITI KHADIJAH PALEMBANG
2020
OUTLINE

1. Definisi Distribusi Sampling

2. Standar Error Sampling
3. Sentral Limit Teori
4. Definisi Estimasi
5. Estimasi Titik dan Estimasi Selang
6. Estimasi rerata dan proporsi
PENDAHULUAN

2. diteliti

1. teknik
sampling
POPULASI
SAMPEL

3. generalisasi

 Populasi adalah keseluruhan unit analisis yang karakteristiknya akan diduga.

 Sampel adalah sebagian kecil dari populasi atau objek yang memiliki
karakteristik sama (sampel).
 Mengumpulkan informasi dari populasi disebut sensus,
dari sini diperoleh parameter.
 Sampling  mengumpulkan informasi dari sebagian
unsur populasi diperoleh statistik.
 Sampling digunakan untuk menduga karakteristik dari
populasi.
 Hasil dari sampel adalah nilai estimasi dari karakteristik
populasi.
 Dengan metode sampling yang sesuai/tepat, sampel yang
terpilih akan menghasil estimator yang “baik” mengenai
karakteristik populasi.
LAMBANG DALAM POPULASI &
SAMPEL
Besaran Populasi (N) Sampel (n)
Rata-rata µ (Myu)
X (x bar)
Varian
σ2 (sigma kuadrat) S2
Simpangan Baku
(standar deviasi)
σ (sigma) S
Jumlah Observasi N n
Proporsi P p
DISTRIBUSI SAMPLING

“Distribusi probabilitas dari sebuah statistik sampel.”

Kemungkinan sampel dengan ukuran n yang bisa diambil dari

sebuah populasi, dan untuk setiap sampel kita hitung elemen
statistiknya, maka distribusi dari elemen statistik tersebut
dinamakan distribusi sampling.

Distribusi peluang teoritis dari ukuran-ukuran statistik, misalnya

adalah rata-rata, varian dan proporsi. Termasuk juga distribusi
beda dua rata-rata dan beda dua proporsi.

Konsep distribusi sampling ini dijadikan sebagai dasar dari statistik

inferensial, dimana dengan distribusi sampling dapat
diketahui karakteristik populasi (parameter).
MENGAPA HARUS SAMPLING ?

1. Efisiensi biaya dan waktu karena adanya populasi yg

sangat besar dan tidak terbatas.
2. Menjaga agar populasi tidak rusak.
3. Mewakili dari populasi.
STANDAR ERROR SAMPLING

“Standar error adalah standar deviasi rata-rata dari

sebuah distribusi sampel yang menyatakan seberapa
besar akurasi yang dimiliki.”

Semakin kecil standar error, maka akurasinya semakin baik atau

cukup mewakili populasi yang sedang diteliti, begitupun
sebaliknya.

Standar error dipengaruhi oleh banyaknya sampel, semakin

banyaknya sampel maka standar error akan semakin kecil.
THE CENTRAL LIMIT THEOREM
Teori limit Pusat merupakan teorema yang sangat penting
untuk statistika inferensial. Teorema ini mendeskripsikan
hubungan antara distribusi sampling mean dan populasinya.

Contoh :

Jika sejumlah peneliti masing-masing mengambil sampel 100 mhs suatu

PTS scr random dan mengukur BB mereka maka mean BB sampel yang
diperoleh peneliti pertama kemungkinan sedikit berbeda dengan mean
BB sampel yang diperoleh peneliti kedua. Demikian juga dengan hasil yg
diperoleh peneliti ketiga, keempat dst.

Harga mean sampel tersebut satu sama lain tidak mesti sama, tetapi
sebagian besar mean dari sampel-sampel itu cenderung mengelompok di
sekitar mean populasi.

 Inilah yang dikenal dengan teori batas tengah (the central limit theorem)
SIFAT DISTRIBUSI SAMPLING

Apabila sampel-sampel random dg “n” individu diambil dari

suatu populasi yang mempunyai mean = µ dan standar
deviasi σ, maka distribusi sampling harga mean akan
mempunyai mean (mean of the means) sama dengan mean
populasinya (µ) dan standar deviasi (standar error of the
mean) sama dengan :
SIFAT DISTRIBUSI SAMPLING

Bila anggota sampel besar ( n > 30 ) maka distribusi sampling

harga mean dianggap mendekati distribusi normal.
CIRI KURVA NORMAL
1. Kurva berbentuk garis lengkung halus spt “gentha”
2. Simetris terhadap rata-rata/mean
3. Kedua ekor/ujungnya semakin mendekati sumbu
absisnya tetapi tidak pernah memotong.
4. Jarak titik belok kurva tersebut dengan sumbu
simetrisnya sama dengan σ
5. Luas daerah di bawah lengkungan kurva tersebut dari
minus tak terhingga sampai plus tak terhingga sama
dengan 1 atau 100 %
KURVA NORMAL STANDAR
Kurva normal umum yang sudah diubah menjadi distribusi
Z, dimana distribusi tersebut mempunyai µ = 0 dan σ = 1

Kegunaan Kurva Normal ?

Sebagai asumsi dasar penggunaan uji statistik parametrik
(skala data minimal interval dan data berdistribusi normal)

Bagaimana mengetahui data berdistribusi normal ?

uji Kolmogorov Smirnov (sampel bsr >50) / shapiro-wilk,
dg grafik, dengan kurva normal
RUMUS DISTRIBUSI Z :
Untuk data populasi (parameter)

Untuk data sampel (statistik)

INFERENSIA STATISTIK

Tujuan dari inferensia statistik adalah untuk memperoleh

informasi tentang populasi berdasarkan informasi sampel.

Inferensi Statistik meliputi :

1. Estimasi Parameter, terdiri dari :
 Estimasi Titik (Point Estimation), yaitu suatu nilai
dari sampel sebagai estimator parameter.
 Estimasi Interval (Interval Estimation), yaitu suatu
interval yang dengan tingkat kepercayaan tertentu
memuat nilai parameter.

2. Pengujian Hipotesis
 ESTIMASI TITIK
Adalah statistik yang dihitung dari informasi sampel yang
digunakan untuk memperkirakan parameter populasi.

Contoh :
Best Buy Inc. ingin memperkirakan rata-rata umur pembeli televisi. Mereka
memilih sampel berisi 50 pembeli terakhir, menentukan umur masing-masing
pembeli, dan memperhitungkan rata-rata umur pembeli dalam sampel tersebut.
Rata-rata sampel tersebut adalah estimasi titik dari rata-rata populasi.

 Rata-rata sampel ( ), adl estimasi titik dari rata-rata populasi µ

 P (proporsi sampel) adl estimasi titik dari  (pi) (proporsi populasi)
 S (standar deviasi sampel) adl estimasi titik dari s (standar deviasi pop).

Secara umum, parameter populasi akan diberi simbol θ (baca theta).

Jadi θ bisa merupakan rata-rata µ, simpangan baku σ dan proporsi  .
 Estimasi titik adalah nilai tunggal yang berasal dari suatu sampel dan
digunakan untuk memperkirakan nilai populasi.

Kita berharap bahwa estimasi titik nilainya sedekat mungkin dengan

parameter populasi, karena itu akan kita ukur berapa dekat nilai tersebut
sebenarnya. Interval kepercayaan dapat digunakan untuk melakukan
pengukuran tersebut.

Interval Kepercayaan adalah kisaran nilai yang dibuat dari data sampel
di mana parameter populasi cenderung terjadi dalam kisaran tersebut
dengan probabilitas yang spesifik. Probabilitas spesifik ini disebut
tingkat kepercayaan (level of confidence).

Misalkan, kita memilih sampel yang tdd 50 eksekutif muda untuk

mengetahui berapa jam yang mereka habiskan untuk bekerja selama 1
minggu lalu. Hitung rata-rata dari sampel 50 orang ini dan gunakan nilai
rata-rata sampel sebagai estimasi titik dari rata-rata populasi yang tidak
diketahui.

Estimasi adalah nilai tunggal. Pendekatan yang lebih informatif adalah

dengan memberikan kisaran nilai yang kita harapkan akan terjadi dalam
parameter populasi tertentu yaitu yang kita sebut interval kepercayaan.
PENAKSIRAN SELANG (INTERVAL
ESTIMATION)
Penaksiran dilakukan diantara 2 nilai estimasi, ada batas
bawah & batas atas berdasarkan interval kepercayaan ttt.

Semakin tinggi interval kepercayaan yg digunakan, maka

interval semakin baik
• Interval kepercayaan 90%  Z =1,64  α =0,1
• Interval kepercayaan 95%  Z =1,96  α =0,05
• Interval kepercayaan 99%  Z = 2,58 α =0,01

Semakin sempit interval yg dihasilkan dlm estimasi, maka

penaksiran presisi (semakin tepat)
JENIS DISTRIBUSI SAMPLING :
1. Distribusi Sampling Rata-rata (Mean)
Distribusi sampling rata-rata adalah kumpulan dari bilangan-bilangan yang
masing-masing merupakan rata-rata hitung dari samplenya (Sudjana, 2001 : 87).

2. Distribusi Sampling Proporsi

Distribusi sampling proporsi adalah kumpulan atau distribusi semua
perbandingan samplenya untuk suatu peristiwa (Sudjana, 2001 : 95).

3. Distribusi Sampling Selisih Rata-rata

Distribusi sampling selisih rata-rata adalah distribusi probabilitas yang dapat
terjadi dari selisih rata-rata dua sampel yang berbeda berdasarkan pada dua
sampel tertentu dari ukuran parameter dua populasinya.

4. Distribusi Sampling Selisih Proporsi

Distribusi sampling selisih proporsi adalah distribusi probabilitas yang dapat
terjadi dari selisih proporsi dua sampel yang berbeda berdasarkan pada dua
sampel tertentu dari ukuran parameter dua populasinya,