DISTRIBUSI SAMPEL

PENELITIAN

Agustinus Sudibyo, S.Kep., Ns

 SAMPEL

SAMPEL adalah sebagian dari jumlah dan

karakteristik yg dimiliki oleh populasi.

Sampel adalah sebagian dari populasi. Artinya

tidak akan ada sampel jika tidak ada populasi.
 Istilah
• Populasi  seluruh atau elemen
kelompok dengan
karakteristik umum
• Sampling  proses seleksi bagian/anggota
populasi untuk keperluan analisis

• Sampel  bagian/anggota populasi yang

dianggap bisa mewakili populasi
 TEKNIK SAMPLING

Probability Sampling Non-probability Sampling

(Random) (Non Random)

1. Simple Random Sampling 1. Sampling Kuota

2. Proportionate Stratified Random Sampling
2. Sampling Aksidental
3. Disproportionate Stratified Random Sampling
3. Purposive Sampling
4. Area/cluster Sampling
4. Sampling Jenuh
5. Systematic Random Sampling
5. Snowball Sampling
Pengertian Distribusi Sampling

 Distribusi sampling adalah distribusi teoritis dan

bukan aktual karena dalam praktiknya tidak ada yang
mengambil sampel secara berturut-turut dari suatu
populasi. (Polit & Beck, 2012).
 Sedangkan menurut Hastono (2010), distribusi
sampling adalah distribusi dari mean-mean sampel
yang diambil secara berulang kali dari suatu populasi.
 Untuk itu, perlu diketahui suatu ketentuan yang dapat
membedakan beberapa ukuran antara sampel dan
populasi (Hastono, 2010).
DISTRIBUSI SAMPEL
NORMAL APABILA
1. Nilai Median ada di tengah-tengah kotak
2. Nilai whisker terbagi secara simetris ke atas
dan ke bawah
3. Tidak ada nilai ekstrim atau outlier
CARA MENILAI PERSEBARAN
DATA
A. SECARA DESKRIPTIFKoefisien Varians, rasio skewness dan
rasio kurtosis
B. SECARA ANALITIKUji Kolmogrorov-Smirnov atau Shapiro
Wilk sampel >50
• Untuk penyajian data, jika sebaran normal dianjurkan menggunakan
mean dan standar deviasi.
• Jika sebaran data tidak normal menggunakan Uji Nonparametri
Ukuran-ukuran untuk sampel dan populasi adalah
sebagai berikut.

Sampel Populasi
Nilai (karakteristik) Statistik Parameter
Mean (rata-rata hitung)
Standar Deviasi S
Jumlah Unit N N

Tabel 2.1. Perbedaan Simbol Sampel dan Populasi (Hastono, 2010)

Misalnya kita memiliki suatu populasi yang
mempunyai nilai mean sama dengan N elemen dari
standar deviasi.
1) Dilakukan pengambilan sampel random besarnya n
(x1,x2,...........xm). dihitung rata-rata x dan simpangan
baku s. Sampel yang diambil berulang kali ini akan
menghasilkan bermacam-macam nilai rata-rata. Dari
sampel satu sampai sampel ke m didapatkan rata-rata
hitung 1, 2,.......................... m.
2) Mean atau rata-rata dari sampel ini (1, 2, ................
m.) apabila disusun akan membentuk distribusi.
Distribusi nilai mean-mean sampel inilah yang
disebut distribusi sampling harga mean.
Central Limit Theorem (CLT)

Sifat Distribusi Sampling disebut Central Limit

Theorem (teorema limit pusat). Sifat inilah yang
mendasari teori inferens. Sifat-sifat tersebut adalah
sebagai berikut.
1. Sifat 1
Apabila sampel-sampel random dengan n elemen
masing-masing diambil dari suatu populasi
normal, yang mempunyai mean = µ varian σ2,
distribusi sampling harga mean akan mempunyai
mean sama dengan µ dan varian σ2/n atau standar
deviasi σ/√n. Standar deviasi distribusi sampling
harga mean ini dikenal sebagai “Standar Error”
(SE).
 2. Sifat 2
Apabila populasi berdistribusi normal, distribusi
sampling harga mean juga akan berdistribusi
normal. Maka, berlaku sifat seperti persamaan
dibawah ini (z score adalah nilai deviasi relatif
antara nilai sampel dan populasi = nilai distribusi
normal standar):
3. Sifat 3
Walaupun populasi berdistribusi sembarang, kalau
diambil sampel-sampel berulang kali secara random,
distribusi harga meannya akan membentuk distribusi
normal.
Aplikasi Central Limit Theorem

 Sifat 1 dalam CLT menghasilkan standar deviasi

distribusi sampling harga mean yang disebut
sebagai Standar Error (SE).
 Sifat 2 dalam CLT menyebutkan bahwa apabila
populasi berdistribusi normal, distribusi sampling
harga mean juga akan berdistribusi normal.
 Sifat 3 menyatakan walaupun populasi
berdistribusi sembarang, jika sampel diambil
berulang kali dengan cara random, distribusi harga
mean nya juga akan berdistribusi normal.
Contoh Soal:
Selama ini diyakini bahwa kadar Hb orang sehat µ = 12
gr% dan varian σ2 = 2,5 gr%. Seorang peneliti
mengambil 25 orang pengunjung suatu puskesmas.
Hitunglah probabilitas dari rata-rata Hb sampel tadi jika
yang diminta nilai Hb:
a. > 13 gr%
b. 11 gr% - 13,5 gr%
Jawaban:

Diketahui:
µ= 12 gr%
σ2 =2,5 gr%
N= 25
a. x̄ =13 gr%
b. x̄ = 11; 13,5 gr%
Ditanya:
a. Probabilitas dari rata-rata Hb sampel tadi jika yang
diminta nilai Hb > 13 gr%
b. Probabilitas dari rata-rata Hb sampel tadi jika yang
diminta nilai 11 sampai 13,5 gr%
Hitungan:
a. SE = σ/√n
= 2,5/√25
= 0,5 gr%

= 13-12/0,5
=2
Luas distribusi pada Z tabel dengan nilai Z = 2 adalah
0,4772. Lebih jelas digambarkan dalam kurva normal.

Karena yang ditanyakan adalah proporsi daerah yang diarsir

(> 13 gr%), maka P(x > 13 gr%) = 0,5-0,4772 =0,0228=
2,28%
Jadi, proporsi dengan Hb > 13 gr% pada sampel tersebut
adalah 2,28%.
b. SE = σ/√n
= 2,5/√25
= 0,5 gr%

= 11-12/0,5
= -2
Luas distribusi pada Z tabel dengan nilai Z=-2 adalah -0,4772.
SE =
= 2,5/√25
= 0,5 gr%
= 13,5-12/0,5
=3
Luas distribusi pada Z tabel dengan nilai Z=3 adalah 0,4987.
Karena yang ditanyakan adalah proporsi daerah yang diarsir
(11 gr%; 13,5 gr%), maka P(11 gr% < x < 13,5 gr%) =
0,4987 + 0,4987 =0,9759= 97,59%.
Jadi, proporsi di antara 11gr% sampai 13,5 gr%pada sampel
tersebut adalah 97,59%.
Kesimpulan

1) Distribusi sampling adalah distribusi dari mean-

mean sampel yang diambil secara berulang kali dari
suatu populasi.
2) Sifat Distribusi Sampling disebut Central Limit
Theorem (teorema limit pusat). Sifat-sifat tersebut
adalah sifat pertama adalah standar error (SE); sifat
kedua yaitu apabila populasi berdistribusi normal
maka distribusi sampling harga mean juga akan
berdistribusi normal; sifat ketiga adalah walaupun
populasi berdistribusi sembarang, tetapi jika diambil
berulang kali maka membentuk distribusi normal.
DAFTAR PUSTAKA

Dahlan, M. Sopiyudin. 2009. Besar Sampel dan Cara Pengambilan Sampel

dalam Penelitian Kedokteran dan Kesehatan. Jakarta : Salemba Medika

Luknis, S. & Hastono, S.P. (2010). Statistik Kesehatan. Jakarta: Rajawali

Pers.

Pagano, M &Gauvreau, K. (1993). Principles of Biostatistics. California:

Wadsworth.

Polit, D.F. & Beck, C.T. (2012). Nursing research: generating and assessing
evidence for nursing practice. 9th ed. China: Wolters Kluwer Health |
Lippincott Williams & Wilkins.

Sastroasmoro, S dan Ismael, S. 2011. Dasar-dasar Metodologi Penelitian

Klinis. Binarupa Aksara : Jakarta.
ESTIMASI DAN INTERVAL
ESTIMASI (RANGKUMAN)
A. Estimasi Parameter
Ada dua area di dalam statistik inferensial yaitu:
1) Estimasi (estimation) yaitu statistik sampel untuk
mengestimasi nilai parameter populasi yang tidak
diketahui.
2) Uji hipotesis test of hipotesis yaitu tentang keyakinan
kebenaran sampel terhadap nilai parameter populasi
yang tidak diketahui.
ADA DUA JENIS ESTIMASI TERHADAP
PARAMETER POPULASI
1. Estimasi titik (point estimation) yaitu nilai tunggal
statistik sampel yang digunakan untuk mengestimasi
parameter populasi.
2. Estimasi interval (interval estimation) yaitu nilai interval
dari statistik sampel yang berisi kemungkinan terjadinya
parameter populasi.
1. ESTIMASI TITIK
• Estimasi titik adalah nilai tertentu yang digunakan untuk
mengestimasi nilai populasi.
• Ada tiga kriteria ketepatan estimasi titik sehingga bisa
digunakan untuk membuat keputusan tentang parameter
populasi yaitu:
a) Tidak bias
b) Konsisten
c) Efisien
a) Tidak bias, tidak bias maksudnya disini adalah nilai
statistik sampel tidak akan persis sama dengan nilai
parameter populasi. Nilainya kemungkinan akan di
bawah atau di atas karena kesalahan sampling. Oleh
karena itu Keinginan kita adalah bahwa nilai harapan
(expected value) atau nilai rata-rata semua nilai statistik
sampel yang diestimasi secara random dari semua
kemungkinan sampel yang ada sama dengan parameter
populasi. Jika hal ini benar maka dikatakan bahwa
statistik sampel adalah estimator yang tidak bias dari
parameter populasi.
b) Konsisten, yaitu sebuah titik estimasi dikatakan
konsisten bila nilai statistik sampel cenderung sama
dengan parameter populasi tidak bias ketika jumlah
sampel terus bertambah.
c) Efisiensi di mana suatu estimator yang tidak biasa
mempunyai ciri yang efisien bila mempunyai deviasi
standar atau standard error yang lebih kecil di dalam
populasi yang sama.
2. ESTIMASI INTERVAL
• Ketepatan estimasi sampel bisa diukur dengan menggunakan
estimasi interval. Estimasi interval adalah sebuah interval
keyakinan (confidence interval) berisi pernyataan keyakinan
bahwa interval tersebut berisi nilai parameter. Besarnya estimasi
interval ini dipengaruhi oleh 3 faktor:
a) Besarnya sampel (n)
b) Tingkat keyakinan atau kepercayaan yang dipilih (level of
confidence)
c) Variabilitas dari populasi yang diukur dengan standar deviasi.
• Dari ketiga faktor tersebut kita bisa menentukan jenis
distribusi mana yang digunakan di dalam menghitung
estimasi interval.
• Jika populasi berdistribusi normal, maka pertanyaan
berikutnya Apakah standar deviasi dari populasi diketahui
atau tidak.
• Jika diketahui maka kita menggunakan uji distribusi Z.
Namun jika tidak diketahui maka kita menggunakan uji
distribusi t.
• Bila populasi tidak mempunyai distribusi normal tetapi
sampel datanya besar yaitu paling tidak 30 atau lebih maka
digunakan uji distribusi Z. Sedangkan jika sampelnya
kurang dari 30 maka digunakan uji non parametrik.
SEKIAN & TERIMA KASIH