STATISTIKA PENDIDIKAN

Oleh
Ana Risqa JL, S.Si, M.Si
Statistika Pendidikan
Pertemuan 6

Pengantar Metode Penarikan Contoh

dan
Sebaran Penarikan Contoh
Rancangan Pengumpulan Data

Kenapa ?
 Untuk mendapatkan penduga yang tidak
berbias, (misal systematic error)
 Untuk meningkatkan presisi kesimpulan
 Kesimpulan dapat digeneralisasi ke populasi
target
Ada dua jenis rancangan pengumpulan data
yang utama:
 Observasi :
 Data dikumpulkan melalui pengamatan langsung
terhadap penomena yang terjadi dilapangan, yang
merupakan potret dari penomena yang sedang
diamati.
 Surveimerupakan salah satu bentuk khusus dari
observasi
 Percobaan :
 Data yang dikumpulkan merupakan respon dari
objek/individu/unit yang dikondisikan tertentu.
Pengantar Metode Sampling
Tujuan Utama:
Mendapatkan sampel yang mencerminkan populasi
 dapat digunakan untuk menduga populasi
Metode Sampling  Probability vs Non Probability Sampling

Masalah utama dalam sampling:

1. Menentukan metode sampling yang sesuai
2. Menentukan ukuran sampel yang mewakili populasi
(dengan tingkat ketelitian yang diinginkan dan segala kendala yang ada)
Probability Sampling
Metode Sampling yang berbasis pada pemilihan secara acak
Acak  setiap unit memiliki peluang yang sama untuk terpilih
 Butuh kerangka contoh (daftar seluruh unit atau anggota
populasi)
Beberapa definisi:
N = banyaknya objek dalam kerangka contoh (sampling frame)
n = banyaknya objek dalam contoh
f = n/N = fraksi contoh
Beberapa Metode (Probability Sampling)
• Penarikan Contoh Acak Sederhana (Simple Random Sampling)
• Penarikan Contoh Acak Berlapis (Stratified Random Sampling)
• Penarikan Contoh Sistematis (Systematic Random Sampling)
• Penarikan Contoh Gerombol (Cluster Random Sampling)
• Penarikan Contoh Bertahap (Multi-Stage Sampling)

Error  Sampling Error vs Non Sampling Error

Ukuran contoh optimum (n)
 n = f(ragam, ukuran populasi, ketelitian yang diinginkan, biaya, waktu)
 Ukuran contoh yang diperlukan untuk menduga  dengan batas
error pendugaan sebesar B adalah:
N 2 B2 z 2 NV 2
n , dengan D  n 2 2
( N  1) D   2
4 z V  ( N  1) 2
Z=1.96 dengan SK 95%, V=Std relatif
thd mean, =batas kesalahan yang
diinginkan (% thd mean)

 Ukuran contoh yang diperlukan untuk menduga P dengan batas

error pendugaan sebesar B adalah:
Np (1  p ) z 2 Np (1  p )
n n 2
( N  1) D  p (1  p ) z p (1  p )  ( N  1) 2 p 2
Contoh Penentuan ukuran contoh optimum (n)
Tentukan ukuran contoh optimum untuk menduga rata-rata produksi petambak jika
diketahui N=10000 dan range produksi petambak antara 10-20 ton, dan batas error
yang diinginkan B=1 ton.

range 10 10000 * 2.52

    2.5 n 2
 24.94  25
4 4 1
(10000  1) *  2.5 2
4

Tentukan ukuran contoh optimum untuk menduga proporsi (p) indukan udang yang
baik jika diketahui N=2000 dan diinginkan batas error B=0.05. Asumsikan proporsi
awal tidak diketahui.

Np (1  p ) 2000 * .5 * .5
n   333.47  334
( N  1) D  p (1  p ) .052
( 2000  1) *  .5 * .5
4
Non Probability Sampling
• Pemilihan tidak dilakukan secara acak
• Generalisasi terhadap populasi agak sulit dilakukan
• Sering digunakan dalam penelitian sosial, marketing
research, dll., krn Probability Sampling tidak praktis atau
bahkan tidak dapat diterapkan
• Accidental/Haphazard/Convenience vs Purposive
• Purposive  Model Instance Sampling, Expert Sampling,
Quota Sampling, Heterogenety Sampling, Snowball
Sampling
Sebaran Penarikan Contoh

 Andaikan ada suatu populasi dengan jumlah anggotanya

sebanyak N. Dari populasi ini diambil contoh sebanyak
n. Apabila dari setiap kemungkinan contoh tersebut
dihitung suatu statistik, katakanlah rata-rata (), maka
semua nilai statistik tersebut akan membentuk suatu
sebaran yang disebut sebaran percontohan.

Sebaran Percontohan
 merupakan sebaran peluang bagi suatu
statistik tertentu.
Sebaran Percontohan Rata-rata Contoh
X = E(X) = 0  1  2  3 = 1.5
N=4 4
0,1,2,3
3 3 2 3 2 3 2 3 2
( 0  )  (1  )  ( 2  )  (3  )
=5
2
 X2 =  ( x   ) f ( X  x) = 2 2 2 2
x 0 4 4

X f P(X)
Percontohan dengan Pengembalian 0 1 1/16
0.5 2 2/16
No. Contoh No. Contoh
X X 1 3 3/16

n=2 1 0,0 0 9 2,0 1

1.5 4 4/16
2 3 3/16
2 0,1 0.5 10 2,1 1.5
2.5 2 2/16
3 0,2 1 11 2,2 2
3 1 1/16
4 0,3 1.5 12 2,3 2.5
5 1,0 0.5 13 3,0 1.5
 X = 3/2
6 1,1 1 14 3,1 2
7 1,2 1.5 15 3,2 2.5
 X2 = 5/8 = (5/4)/2
8 1,3 2 16 3,3 3
Sebaran Percontohan Rata-rata Contoh
X = E(X) = 0  1  2  3 = 1.5
N=4 4
0,1,2,3
3 3 2 3 2 3 2 3 2
( 0  )  (1  )  ( 2  )  (3  )
=5
2
 X
2
=  ( x   ) f ( X  x) = 2 2 2 2
x 0 4 4

Percontohan tanpa Pengembalian

No. Contoh
X
X f P(X)
n=2 1 0,1 0.5 X = 3/2
0.5 1 1/6
2 0,2 1
1 1 1/6 5
3 0,3 1.5
1.5 2 2/6
 X2 = 5/12 = 4 42
 
4 1,2 1.5 2  4 1 
2 1 1/6
5 1,3 2  X2  N  n 
2.5 1 1/6  
6 2,3 2.5
n  N 1 
Sebaran Percontohan
Misalkan sampel diambil dari populasi normal
 Sebaran dari rata-rata
 Jika 2 diketahui maka rata-rata menyebar N(,2/n)
 Jika 2 tidak diketahui maka rata-rata menyebar t-student dengan
derajat bebas n-1
 Berdasarkan dalil limit pusat, walau 2 tidak diketahui asalkan ukuran
sampel besar (n>30) maka sebaran dari rata-rata dapat juga
diaproksimasi dengan sebaran N(,s2/n)
 Sebaran dari (n-1)s2/2
 (n-1)s2/2 menyebar khi-kuadrat dengan derajat bebas n-1
 Sebaran dari (n1-1)s12/(n2-1)s22
 (n1-1)s12/(n2-1)s22 menyebar F dengan derajat bebas pembilang (n1-1)
dan derajat bebas penyebut (n2-1).
 TERIMA KASIH

26/02/20 Revis
MAN11443 Statistik Deskriptif
16 : 00