1.

PENGERTIAN
Sampel adalah sebagian dari anggota populasi yang dipilih dengan cara tertentu yang akan diteliti sifat-sifatnya dalam penelitian. Nilai-nilai yang berasal dari data sampel dinamakan dengan Statistik. Sampling distribution adalah distribusi probabilitas dari suatu

statistik.Sampling distribution tergantung dari ukuran populasi, ukuran sampel, metode memililih sampel. Distribusi sampling dari X dengan dengan ukuran sampel n adalah suatu distribusi yang bila percobaan dilakukan secara berulang (selalu dengan jumlah sampel n) akan menghasilkan banyak nilai sampel dengan rata-rata X . Distribusi sampling ini menggambarkan variabilitas (perubahan) rata-rata sampel terhadap rata-rata populasi μ. Random Sampling atau sampling secara acak adalah suatu proses pengambilan sampel dimana setiap anggota populasi memiliki kesempatan yang sama untuk terpilih sebagai sampel.

Manfaat Sampling :  untuk membantu memahami distribusi dari suatu karakteristik populasi yang tidak diketahui, ilmuwan dan insinyur sering menggunakan data sampel
 teknik sampling berguna dalam penarikan kesimpulan (inference) yg valid

dan dapat dipercaya  teknik pengambilan sampling yang baik dan benar dapat menghemat biaya dan waktu tanpa mengurangi keakuratan hasil

Page | 1

Populasi Terhingga dan Tak Hingga :

Populasi terhingga (finite population) adalah populasi yang jumlah seluruh anggotanya tetap dan dapat didaftar. Contoh: pengukuran berat badan mahasiswa ITS jurusan Teknik Kelautan angkatan 2007. Populasi tak terhingga (infinite population) adalah populasi yang memiliki anggota yang banyaknya tak terhingga. Contoh: pengamatan kejadian kecelakaan yang terjadi di bundaran ITS selama kurun waktu yang tidak dibatasi.

Penelitian sensus adalah penelitian yang dilakukan dengan cara mengumpulkan data dari semua anggota populasi. Penelitian sampling adalah penelitian yang dilakukan dengan cara mengumpulkan data dari anggota sample. Beda antara Statistik Sampel Vs Parameter Populasi? perhatikan tabel berikut: Ukuran/Ciri Parameter Populasi Statistik Sampel

Rata-Rata Selisih 2 Rata-rata

µ : myu

x : nilai x1 − x 2 mutlak S s²  p atau p : nilai

µ1 − µ2
mutlak

Standar Deviasi = σ : sigma Simpangan Baku Varians = Ragam Proporsi σ² π : phi atau p

Page | 2

Selisih 2 proporsi

π1 − π 2
mutlak

:

nilai

p1 − p2 mutlak

:

nilai

Sampel yang baik diperoleh dengan memperhatikan hal-hal berikut : 1. keacakannya (randomness) 2. ukuran 3. teknik penarikan sampel (sampling) yang sesuai dengan kondisi atau sifat populasi

Beberapa Teknik Penarikan Sampel :
a. Penarikan Sampel Acak Sederhana (Simple Randomized Sampling)

Pengacakan dapat dilakukan dengan : undian, tabel bilangan acak, program komputer.
b. Penarikan Sampel Sistematik (Systematic Sampling)

Tetapkan interval lalu pilih secara acak anggota pertama sampel Contoh : Ditetapkan interval = 20 Secara acak terpilih : Anggota populasi ke-7 sebagai anggota ke-1 dalam sampel maka : Anggota populasi ke-27 menjadi anggota ke-2 dalam sampel Anggota populasi ke-47 menjadi anggota ke-3 dalam sampel, dst.

Page | 3

Penarikan Sampel Gerombol/Kelompok (Cluster Sampling) Populasi juga terdiri dari beberapa kelas/kelompok Sampel yang diambil berupa kelompok bukan individu anggota Perhatikan !!!! Page | 4 . Dari setiap kelas diambil sampel secara acak. Perhatikan !!!! Antar Kelas bersifat (cenderung) berbeda nyata (heterogen).c. maka sampel acak dapat diambil dari : Kelas Eksekutif Kelas Bisnis Kelas Ekonomi : 50 orang : 50 orang : 50 orang d. Penarikan Sampel Acak Berlapis (Stratified Random Sampling) Populasi terdiri dari beberapa kelas/kelompok. Contoh : Dari 1500 penumpang KA (setiap kelas memiliki ukuran yang sama) akan diambil 150 orang sebagai sampel. Anggota dalam suatu kelas akan (cenderung) sama (homogen). dilakukan pendataan tentang tingkat kepuasan.

. Penarikan Sampel Area (Area Sampling) Prinsipnya sama dengan Cluster Sampling. dilakukan pendataan mengenai lama waktu belajar per hari maka sampel dapat diambil dari 6 kelas.. Populasi mahasiswa kelas 2. dengan memilih secara acak KOTAMADYA tempat pengambilan sampel. Kodya Bogor. Sampel acak menjadi dasar penarikan sampel lain. Anggota dalam suatu kelas akan (cenderung) berbeda (heterogen). Pengelompokan ditentukan oleh letak geografis atau administratif. ambil secara acak 6 kelas. yaitu : a) Penarikan sampel tanpa pemulihan/tanpa pengembalian : setelah didata. Ekonomi-UGD = 40 × 100 = 4000.. Sukabumi dan Bandung. Contoh : Terdapat 40 kelas untuk tingkat II Jurusan Ekonomi-GD. Page | 5 . Jika suatu penelitian dilakukan pada populasi tersebut dan sampel yang diperlukan = 600 orang. anggota sampel tidak dikembalikan ke dalam ruang sampel. Dari 40 kelas. Contoh : Pengambilan sampel di daerah JAWA BARAT.Antar Kelas bersifat (cenderung) sama (homogen). misalnya Penarikan Sampel Acak dapat dilakukan dengan 2 cara. e. setiap kelas terdiri dari 100 orang. dapat dilakukan terpilih.

2. DISTRIBUSI SAMPLING RATA-RATA Beberapa notasi : n x s : ukuran sampel : rata-rata sampel : standar deviasi sampel : rata-rata antar semua sampel N µ σ : ukuran populasi : rata-rata populasi :standar deviasi populasi : standar deviasi sampel µx σx Page | 6 . Karena statistik sampel adalah peubah acak maka ia mempunyai distribusi yang kita sebut sebagai : Distribusi peluang statistik sampel atau Distribusi Sampling atau Distribusi Penarikan Sampel. maka sampel dibedakan menjadi : a) Sampel Besar jika ukuran sampel (n) ≥ 30 b) Sampel Kecil jika ukuran sampel (n) < 30 Distribusi Penarikan Sampel atau Distribusi Sampling : • • • • Jumlah Sampel Acak yang dapat ditarik dari suatu populasi adalah sangat banyak.b) Penarikan sampel dengan pemulihan : bila setelah didata. Berdasarkan Ukurannya. anggota sampel dikembalikan ke dalam ruang sampel. Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat tergantung dari sampel yang kita ambil. Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel.

2.1 Distribusi Sampling Rata-Rata Sampel Besar Dalil 1 JIKA Sampel:  berukuran = n ≥ 30  diambil DENGAN PEMULIHAN dari rata-rata = x   Populasi berukuran = N   MAKA Distribusi Rata-rata akan mendekati distribusi Normal dengan : Terdistribusi NORMAL Rata-rata = µ . simpangan baku = σ µx =µ dan σ x = σ n dan nilai z = x−µ σ n Page | 7 .

simpangan baku = σ Distribusi Rata-rata akan mendekati distribusi Normal dengan : µx =µ σ dan σ x = n N −n N −1 dan nilai z= x−µ N −n (σ / n ) N −1 Page | 8 .Dalil 2 JIKA Sampel:  berukuran = n ≥ 30  diambil TANPA PEMULIHAN dari rata-rata = x   Populasi berukuran = N   MAKA Terdistribusi NORMAL Rata-rata = µ .

• N −n disebut sebagai FAKTOR KOREKSI populasi terhingga. simpangan baku = σ Populasi berukuran = N yang Page | 9 . N −1 • • Faktor Koreksi (FK) akan menjadi penting jika sampel berukuran n diambil dari populasi berukuran N yang terhingga/ terbatas besarnya Jika sampel berukuran n diambil dari populasi berukuran N yang sangat besar maka FK akan mendekati 1 → ke-3 yaitu N −n ≈ 1 . hal ini mengantar kita pada dalil N −1 DALIL LIMIT PUSAT = DALIL BATAS TENGAH = THE CENTRAL LIMIT THEOREM Dalil 3 DALIL LIMIT PUSAT JIKA Sampel: berukuran = n rata-rata = x   diambil dari   BESAR   distribusi : SEMBARANG Rata-rata = µ .

.distribusi populasi tidak dipersoalkan • Beberapa buku mencatat hal berikut : Populasi dianggap BESAR jika ukuran sampel KURANG DARI 5 % ukuran populasi atau n < 5% N Dalam pengerjaan soal DISTRIBUSI SAMPLING RATA-RATA perhatikan asumsiasumsi dalam soal sehingga anda dapat dengan mudah dan tepat menggunakan dalildalil tersebut! Contoh : PT AKUA sebuah perusahaan air mineral rata-rata setiap hari memproduksi 100 juta gelas air mineral.MAKA Distribusi Rata-rata akan mendekati distribusi Normal dengan : µx = µ dan σ x = σ n dan nilai z = x−µ σ n • Dalil Limit Pusat berlaku untuk : sangat besar.penarikan sampel dari populasi yang . Perusahaan ini menyatakan bahwa rata-rata isi segelas AKUA Page | 10 .

Rata-rata populasi dianggap Jika setiap hari diambil 100 gelas AKUA sebagai sampel acak DENGAN PEMULIHAN. Jika sampel diperkecil menjadi 25 gelas. peluang rata-rata sampel akan berisi kurang dari 253 ml? 2.5 + 0. peluang rata-rata sampel akan berisi lebih dari 255 ml? 1. hitunglah : a. 1. standard error atau galat baku sampel tersebut? b. n 100 10 z= 253 − 250 3 = = 2.0) = 0. menyebar normal.9772 Page | 11 .adalah 250 ml dengan standar deviasi = 15 ml. Diselesaikan dengan DALIL 1 → karena PEMULIHAN Diselesaikan dengan DALIL 3 → karena POPULASI SANGAT BESAR N = 100 000 000 P( x < 253) = P(z < ?) GALAT BAKU = µx = µ = 250 σ = 15 n = 100 σx = σ 15 15 = = = 15 . 15 .0 15 . standard error atau galat baku sampel tersebut? b. Jadi P( x < 253) = P(z < 2.4772 = 0. hitunglah : a.

peluang sampel akan memiliki rata-rata tinggi badan kurang dari 160 cm? Diselesaikan dengan DALIL 2 → TANPA PEMULIHAN Page | 12 . hitunglah : a.4525 = 0. Jika penarikan sampel dilakukan TANPA PEMULIHAN dan rata-rata tinggi mahasiswa diasumsikan menyebar normal.0 3. diambil 36 orang sebagai sampel acak.0. 3.0 n 25 5 z= 255 − 250 5 = = 167 .0475 Contoh : Dari 500 mahasiswa FE-GD diketahui rata-rata tinggi badan = 165 cm dengan standar deviasi = 12 cm.67) = 0. Diselesaikan dengan DALIL 3 → karena POPULASI SANGAT BESAR N = 100 000 000 P( x > 255) = P(z > ?) GALAT BAKU = µx = µ = 250 σ = 15 n = 25 σx = σ 15 15 = = = 3.2. galat baku sampel? b.5 .0 Jadi P( x > 255 ) = P(z > 1.

.. n 36 z= 160 − 165 = −2.964..928.. = 1...928.. 499 GALAT BAKU σx = 12 σ x FK = × 0.S.59) = 0.964.4952 = 0.2% > 5% → Dalil Limit Pusat tidak dapat N 500 P( x < 160) = P(z < ?) FK = N −n = N −1 500 − 36 = 500 − 1 464 = 0.59..0048 2.0.2 Distribusi Sampling Rata-rata Sampel Kecil 2. = 2 x 0.929. Gosset). 1.1 DISTRIBUSI t • • Distribusi Sampling didekati dengan distribusi t Student = distribusi t Distribusi-t pada prinsipnya adalah pendekatan distribusi sampel kecil (W..072 = 7... dengan distribusi normal.2.. Dua hal yang perlu diperhatikan dalam Tabel t adalah  derajat bebas (db) Page | 13 . = 0. P( x < 160) = P(z < -2.5 .N = 500 Catatan digunakan µx = µ = 165 σ = 12 n = 36 n 36 = = 0...964.

0.306 0 2.5% di kiri dan kanan • Misalkan kurva t tabel (db.05 (5%) .306 Jadi t = 2. 0. n : ukuran sampel.01 (1%) .1.025) = 2. • Nilai α adalah luas daerah kurva di kanan nilai t kiri nilai –t atau luas daerah kurva di • • • Nilai α → 0. 0.5% 95 % 2.306 dan -t = -2.5% -2.5%) .005(0. 0.025(2. α) = t tabel(8. 0.5%) Nilai α terbatas karena banyak kombinasi db yang harus disusun! Kelak Distribusi t akan kita gunakan dalam PENGUJIAN HIPOTESIS Pembacaan Tabel Distribusi-t n = 9 → db = 8. nilai α Derajat bebas (db) = degree of freedom = v = n . Nilai α ditentukan = 2.1 (10%) .306 Page | 14 .306 2.

306 < t < 2. karenanya nilai σ diduga dari nilai simpangan baku sampel (s) Dalil 4 JIKA Sampel: ukuran KECIL n < 30   diambil dari rata-rata = x simp.5 % dan Peluang t < -2. berpeluang 95% jatuh dalam selang -2.5 % Perbedaan Tabel z dan Tabel t Tabel z → nilai z menentukan nilai α Tabel t → nilai α dan db menentukan nilai t Dalam banyak kasus nilai simpangan baku populasi (σ) tidak diketahui.306.306 = 2. baku = s   Populasi berukuran = N   MAKA terdistribusi : NORMAL Rata-rata = µ Page | 15 .306 = 2. Peluang t >2.Arti Gambar di atas nilai t sampel berukuran n = 9.

Apakah hasil penelitian Yayasan Konsumen mendukung pernyataan Manajemen PT JURAM? Jawab : 95 % berada dalam selang → berarti 5 % berada di luar selang.306 Jadi 95 % berada dalam selang -2. .80 n=9 x = 1. data tersebar normal.24 9 Page | 16 . 0.5% di kanan t α = 2.80 mg. Yayasan Konsumen melakukan pengujian nikotin terhadap 9 batang rokok dan diketahui rata-rata sampel = 1.24 x−µ 195 − 180 0.306 Nilai t-hitung = ? t= µ = 1.5 % di kiri t dan 2.1 = 8 t tabel (db.5 % = 0.08 s n 0.306 < t < 2. 2. α) = t-tabel(8.025) = 2. =t= 0. = = 1875 .95 mg nikotin dengan standar deviasi = 0.24 mg.025 n = 9 → db = n .15 .95 s = 0.Distribusi Rata-rata akan mendekati distribusi-t dengan : µx =µ dan σ x = s n dan nilai t= x−µ s n pada derajat bebas = n-1 dan suatu nilai α Contoh : Manajemen PT JURAM menyatakan bahwa 95% rokok produksinya rata-rata mengandung nikotin 1.

875 berada dalam selang -2.Nilai t hitung = 1.306 < t < 2.3 Distribusi Sampling Beda 2 Rata-Rata Dalil 5 JIKA Dua (2) Sampel  berukuran n1 dan n2  diambil dari rata-rata = x1 dan x2   Dua (2) Populasi berukuran BESAR  Rata-rata µ1 dan µ2 2 2  Ragam σ1 dan σ 2 MAKA Distribusi Rata-rata akan mendekati distribusi Normal dengan : µx1 − x2 = µ1 − µ2 dan standard error = σ x1 − x2 σ12 σ2 2 = + n1 n2 dan Page | 17 .306 jadi hasil penelitian Yayasan Konsumen masih sesuai dengan pernyataan manajemen PT JURAM. 2.

nilai z z= x1 − x2 − µ1 − µ2 σ12 σ2 2 + n1 n2 • Beda atau selisih 2 rata-rata = µ1 − µ2 → ambil nilai mutlaknya! Melibatkan 2 populasi yang BERBEDA dan SALING BEBAS Sampel-sampel yang diambil dalam banyak kasus (atau jika dilihat secara akumulatif) adalah sampel BESAR • • Contoh : Diketahui rata-rata IQ mahasiswa Eropa = 125 dengan ragam = 119 sedangkan ratarata IQ mahasiswa Asia = 128 dengan ragam 181. berapa peluang terdapat perbedaan IQ kedua kelompok akan kurang dari 2? Jawab : Populasi Parameter Rata-rata (µ) Ragam (σ²) populasi ke-1 (Mhs. Asia) 128 181 Page | 18 . Eropa) 125 119 populasi ke-2 (Mhs. diasumsikan kedua populasi berukuran besar Jika diambil 100 mahasiswa Eropa dan 100 mahasiswa Asia sebagai sampel.

.1 Rata-rata distribusi sampling 1 rata-rata Bila suatu sampel acak dari suatu n pengamatan diambil dari suatu populasi normal dengan rata-rata μ dan varians σ2..0. setiap pengamatan Xi. DISTRIBUSI SAMPLING RATA-RATA 3..2..577.2810 3.. n dari sampel acak tersebut akan mempunyai distribusi normal yang sama seperti popolasi yang bersangkutan.Beda 2 Rata-rata = µx1 − x2 = µ1 − µ2 = 125 − 128 = − 3 = 3 Sampel : n1 = 100 n2 = 100 P( x 1 − x 2 <2 ) = P ( z < ?) z= x1 − x2 − µ1 − µ2 σ12 σ2 2 + n1 n2 = 2−3 −1 = = −0.. Sehingga dapat disimpulkan bahwa: memiliki distribusi normal Page | 19 . i =1. Maka.58) = 0.3.58 119 181 3 + 100 100 P(z<-0.2190 = 0.5 . ≈ −0.

1 Distribusi sampling dari dua rata-rata Teorema: Bila dua sampel yang saling bebas. diambil dari dua populasi.dengan rata-rata : dan varians : Bila sampel yang diambil dari suatu populasi yang tidak diketahui distribuisnya. maka distribusi sampling dari perbedaan rata-rata. Hasil ini merupakan konsekeuesi dari suatu teorema batas tengah (central limit theorem) berikut: Teorema: Central Limit Theorem. rata-rata μ dan varians σ2. maka bentuk batas distribusi : bila n ∞.0. distribusinya adalah distribusi normal standar n(z. Bila X adalah rata-rata suatu sampel acak yang diambil dari suatu populasi dengan ukuran n. distribusi sampling dari X akan tetap mendekati nomal dengan rata-rata μ dan varians σ2 asalkan sampel yang diambil dalam jumlah yang besar. n1 dan n2. mendekati distribusi Page | 20 . dengan rata-rata μ1 dan μ2 dan varians σ12 dan σ22 . diskrit atau menerus.1) 3.

kita perlu memahami sifat-sifat distribusi sampling standar . deviasi 4. Untuk menentukan hubungan proporsi sampel p dengan proporsi populasi P. Rumus untuk menghitung proporsi adalah : = x/n di mana : x : jumlah / anggota sampel n : jumlah sampel Proporsi sampel ) . 4. sedangkan nilai parameter (populasi) merupakan variabel acak dan distribusi probabilitas sehingga disebut distribusi sampling p.1 Nilai yang diharapkan Page | 21 .normal dengan rata-rata dan varians sebagai berikut: Sehingga: mendekati variabel normal standar. dan bentuk distribusi sampling . DISTRIBUSI SAMPLING PROPORSI ( Nilai statistik (sampel) dari proporsi adalah adalah P. : nilai yang diharapkan .

pada standar deviasi juga Seperti kita ketahui di standar deviasi terdiri dari populasi terbatas dan tidak terbatas. adalah bias pengukur P. b. sama dengan proporsi populasi P. E( di mana : E( ) : nilai yang diharapkan )=P P : proporsi populasi karena E ( ) = P. seluruh nilai kemungkinan p. Standar deviasi (kesalahan baku) x .1) Page | 22 .P ) n • Kesalahan baku populasi tidak terbatas σ p= P ( 1-P ) n Dapat kita lihat bahwa perbedaan kesalahan baku proporsi terbatas dan tidak terbatas hanya pada faktor koreksi (N –n ) / (N. • Kesalahan baku populasi terbatas σp= N–n N–1 P ( 1.Nilai yang diharapkan p.

langkah selanjutnya adalah menentukan bentuk distribusi sampling. probabilitas dari x/n sama dengan probabilitas binomial x. Bentuk distribusi sampling Seperti kita ketahui. Distribusi sampling diperkirakan oleh distribusi normal di mana ukuran .05 maka kita menggunakan faktor koreksi. Sedangkan jika populasi terbatas dengan n/N > 0. dan proposi sampel penduga yang berhubungan dengan populasi dapat digunakan sebagai titik parameter . Proporsi sampel = x/n. Karena n merupakan konstan.Seperti rata-rata sampel x . kita tidak perlu menggunakan faktor koreksi .05 . Sampel acak sederhana dari populasi besar. kita menunjukkan bagaimana statistik sampel seperti mean . sampelnya besar dan terdapat dua kondisi : np >= 5 dan n(1-P) >=5 5. di mana distribusi sampling probabilitas dan probabilitas untuk tiap nilai x/n sama dengan probabilitas x. Kita menggunakan kesalahan baku proporsi mengacu pada standar deviasi Setelah itu.Properties Of Point Estimators (Sifat Penduga Titik) Di bab ini.standar deviasi sampel s. setelah mengetahui standar deviasi distribusi sampling . kita dapat menentukan nilai Z : Z= -P σp c. nilai x adalah variabel berbeda dengan distribusi acak binomial . perbedaan antara kesalahan baku populasi terbatas dan populasi tak terbatas menjadi diabaikan jika ukuran populasi terbatas lebih besar dibandingkan dengan ukuran sampel. Jika populasi terbatas dengan n/N <= 0. Sebelum Page | 23 .

1 Unbiased Unbiased Estimators : jika nilai yang diharapkan dari statistik sampel adalah sama dengan parameter populasi yang diperkirakan. Di dalam ilustrasi tersebut menunjukkan objektif penduga. kesalahan estimasi mengimbangi dalam Page | 24 . populasi proporsi. dan lainnya. dan notasi disebut “theta-hat”.menggunakan titik penduga . mean dari distribusi sampling adalah sama dengan nilai parameter populasi.1 menunjukkan unbiased dan biased titik penduga. statistik harus memeriksa apakah statistik sampel menunjukan sifat yang berkaitan dengan titik penduga yang baik. Umumnya. 5. mewakili setiap populasi parameter seperti populasi mean. Karena beberapa sampel statistik yang berbeda dapat digunakan sebagai poin estimasi untuk beberapa parameter populasi. Statistik sampel adalah objektif parameter dari populasi parameter E( )= Dimana E ( ) = nilai yang diharapkan dari statistik sampel jika Gambar 7. kita menggunakan notasi umum berikut dalam bagian ini: parameter ketertarikan populasi sampel statistik atau poin estimasi akan Notasi adalah surat yunani theta. populasi standar deviasi .

dalam hal ini dari penduga bias. dapat . Pada .10 . karena kadang-kadang nilai estimator titik mungkin kurang dari dan lainnya kali itu mungkin lebih besar daripada . Dalam membahas distribusi sampling dari mean sampel dan proporsi sampel. keduanya estimators objektif tentang parameter populasi yang berhubungan. ketika kita pertama kali presenteed rumus untuk varians sampel dan standar deviasi sampel.statistik sampel memiliki probabilitas hugh dari melebih-lebihkan nilai dari parameter populasi. Ilustrasi di Panel B 7. alasan untuk Page | 25 . kami menyatakan bahwa E ( ) = dan E ( )=p.n-1 daripada n digunakan sebagai penyebut. adalah penduga yang tidak bias dari varians populasi kenyataannya. mean dari distribusi sampling kurang dari atau lebih daripada nilai parameter populasi. Dalam hal ini standar deviasi sampel s dan varians sampel ditunjukkan bahwa E( )= sampel . kita concluede bahwa varians .hal ini. Dengan demikian. E ( ) lebih besar daripada jumlah bias ditunjukkan dalam gambar . Dengan demikian.

dan 2 1 . ukuran sampel yang besar cenderung memberikan estimasi titik yang lebih baik daripada ukuran sampel yang kecil.2 Efficiency (Efesiensi) Berasumsi bahwa sampel randome sederhana n elemen dapat digunakan untuk menyediakan dua estimator titik objektif tentang parameter populasi yang sama. Dengan kata lain. nilai dari paramater titik 1 memiliki kesempatan lebih besar untuk menjadi dekat dengan 2 daripada melakukan nilai-nilai . dengan demikian. 5.Estimator titik konsisten jika estimator titik cenderung menjadi lebih dekat dengan parameter populasi sebagai ukuran sampel menjadi lebih besar. Gambar 7. 1 relatif lebih efisien daripada dan merupakan estimator titik pilihan. kita akan lebih suka menggunakan estimator titik dengan standard error yang lebih kecil. Estimator titik dengan kesalahan kecil standrad dikatakan memiliki efisiensi relatif lebih besar daripada yang lain. 5.menggunakan n-1 daripada n adalah untuk membuat sampel varians estimator bias dari varians populasi.11 menunjukkan distribusi sampling dari dua penduga titik bias. karena cenderung memberikan perkiraan lebih dekat dengan parameter populasi. Page | 26 . Dalam situasi ini. Perhatikan bahwa untuk rata-rata sampel . Karena kesalahan baku dari estimator 2 kurang dari kesalahan baku estimator titik 2 . 1 1 kurang dari kesalahan baku 2 . kami menunjukkan bahwa kesalahan standar yang diberikan oleh = . Perhatikan bahwa kesalahan baku.3 Consistensy (Konsistensi) Sebuah properti ketiga yang terkait dengan estimator titik yang baik adalah konsistensi.

6. Dalam hal ini.Karena berkaitan dengan ukuran sampel sehingga ukuran sampel besar menyediakan lebih kecil. kita dapat mengatakan bahwa rata-rata sampel konsisten dari mean populasi adalah estimator . kita juga dapat adalah estimator konsisten dari proporsi menyimpulkan bahwa propotion sampel populasi p. kami menyimpulkan bahwa ukuran sampel yang lebih besar cenderung untuk memberikan estimasi titik lebih dekat dengan populasi berarti .1 Stratified Random Sampling Page | 27 . Nilai . Menggunakan alasan serupa. Metode Sampling 6.

Rumusnya adalah dengan mengkombinasi hasil individu stratum sampel ke satu elemen yang diestimasi dari kepentingan populasi parameter. dll adalah kebijaksanaan pembuat sample. umur. Jika kondisi populasi mengandung sejumlah katagori yang berbeda. Jika elemen dalam starata menyerupai. tipe industry. Hasil yang terbaik diperoleh ketika elemen-elemen dalam setiap stratum hampir sama. Ukuran sampel biasanya proporsional dengan ukuran relatif strata.Di dalam Stratified Random Sampling. Populasi Populasi Strata 1 Strata 1 Strata 2 Strata 2 Strata H Strata H Setelah strata terbentuk. Sampel kemudian dipilih masing-masing stratum secara terpisah untuk membuat stratum berstrata. maka kerangka sampel dapat diorganisasikan dengan menggunakan katagori ini ke dalam strata yang terpisah. starata akan memiliki selisih yang rendah/ sedikit. Dasar membentuk strata seperti departemen. stratified random sampling akan memberikan hasil yang tepat seperti simple random sampling dengan menggunakan total ukuran sample yang kecil. Jika staratanya homogen. simple random sampel diambil dari setiap stratum. Nilai dari stratified random sampling bergantung pada bagaimana homogennya elemen dalam starata. Semua ukuran sampel harus dibuat seara proporsional terhadap Page | 28 . Berikut adalah diagram populasi yang memisahkan ke dalam H strata. lokasi. elemen dalam populasi yang pertama dipisahkan menjadi kelompok yang disebut strata sehingga setiap elemen di populasi milik satu dan hanya satu stratum. Sekalipun demikian semua varian berbeda secara signifikan diantara strata.

Umumnya cluster sampling membutuhkan ukuran sampel yang besar daripada simple random sampling/stratified random sampling tetapi hal tersebut dapat menghasilkan penghematan biaya karena pada faktanya ketika interviewer dikirimkan ke sample cluster. Cluster sampling cenderung memberikan hasil yang baik ketika elemen dalam cluster tidak menyerupai.3 Systematic Sampling Dalam beberapa situasi sampling terutama dengan populasi besar akan memakan waktu untuk memilih sebuah simple random sampel dengan mencari Page | 29 . sampling cluster yang kecil akan memberikan estimasi yang baik bagi populasi parameter. banyak observasi sample yang dapat diperoleh dalam waktu singkat.2 Cluster Sampling Di dalam cluster sampling. Stratifikasi yang tidak proporsional dapat saja menghasilkan presisi yang lebih baik daripada stratifikasi yang bersifat proporsional. Tujuan pokok menggunakan metode ini ialah untuk mengurangi biaya dengan cara meningkatkan efisiensi penarikan sampel Populasi Cluster 1 Cluster 2 Cluster K 6. elemen dalam populasi adalah yang pertama dipisahkan kedalam grup yang disebut cluster. 6. Jika semua cluster sesuai.standar deviasi stratum. Nilai dari cluster sampling bergantung pada bagaimana perwakilan setiap cluster dalam seluruh populasi. Setiap elemen dalam sample cluster membentuk sebuah sampel.

Contoh jika sampel ukuran 50 yang diinginkan dari populasi yang terdiri dari 5000 elemen. sampel dari 50 di identifikasi dengan memindahkan secara sistematik ke populasi dan mengindentifikasi setiap 100 elemen setelah pertama kali pemilihan acak elemen. Formulanya dengan salah satu sampel random sampling yang disajikan dapat digunakan untuk menentukan sifat dari distribusi sample sehingga dapat digunakan untuk membuat probabilitas tentang kesalahan yang terkait dengan penggunaan hasil sampel untuk membuat kesimpulan populasi. Karena elemen pertama dipilih secara acak. Alternatif untuk simple random sampling adalah systematic sampling. 6. Pemilihan sampel didasarkan pada kemudahan akses. sample systematic seringkali diasumsikan memiliki sifat dari simple random sampling. Convenience sampling adalah teknik nonprobability sampling. kita akan membuat sampel 1 elemen untuk setiap 5000/50=100 elemen dalam populasi. Asumsi ini terutama berlaku ketika daftar elemen di populasi adalah urutan acak elemen. Elemen yang dipilih dari populasi yang diketahui sebagai probabilitas dalam sample. Penarikan sample menggunakan teknik inidilakukan dengan cara memilih unit-unit analisis yang dianggap sesuai oleh penenliti. Elemen sampel yang lain akan di identifikasikan dengan memulai elemen sampel pertama dan memilih setiap 100 elemen yang ada di daftar populasi. Keuntungan dari sample probabilitas adalah distribusi sampelnya sesuai dengan stastik sampel yang dapat di identifikasi. Sampel dari 50 akan lebih mudah untuk di identifikasi dengan cara ini daripada jika simple random sampling digunakan. Page | 30 .4 Convenience Sampling Metode Sampling dibahas sejauh ini disebut dengan teknik probability sampling. Systematic sample untuk masalah ini melibatkan pemilihan acak salah satu dari 100 elemen pertama dari daftar populasi.nomor secara acak dan menghitungnya atau mencari sepanjang daftar populasi sampai elemen yang sesuai ditemukan. Sebenarnya.

Tetapi kualitas hasil sampel tersebut tergantung pada penilaian orang-orang yang dipilih menjadi sampel sehingga diperlukan kehati-hatian dalam menarik kesimpulan yang didasarkan pada penilaian sampel untuk digunakan dalam membuat kesimpulan populasi. Teknik ini digunakan terutama apabila hanya ada sedikit orang yang mempunyai keahlian (expertise) di bidang yang sedang diteliti. Kelemahannya ialah mengandung sejumlah kesalahan sistematik dan variabel-variabel yang tidak diketahui. Kerugiannya ialah memunculkan keanekaragaman dan estimasi terhadap populasi dan sampel yang dipilihnya. Secara keseluruhan. Page | 31 . metode ini merupakan cara mudah dalam pemilihan sampel. Contoh seorang reporter ingin mengambil sampel dari 2/3 anggota dewan untuk mendapatkan opini umum yang mewakili semua anggota dewan. para pengunjung mall pada saat belanja. sehingga perwakilannya terhadap populasi dapat dipertanggungjawabkan. 6. teman sekerja. Keuntungannya ialah unit-unit yang terakhir dipilih dapat dipilih sehingga mereka mempunyai banyak kemiripan. Oleh karena itu.misalnya teman. convenience sample memiliki kelebihan yaitu pemilihan sample yang mudah.5 Judgement Sampling Teknik nonprobability sampling yang lain adalah judgement sampling. dan sebagainya. Teknik judgement/ penelitian atau dikenal juga sebagai teknik penarikan sampel purposif ini dilakukan dengan cara memilih sampel dari suatu populasi didasarkan pada informasi yang tersedia serta sesuai dengan penelitian yang sedang berjalan.

Sampling dengan penggantian element yang sudah terpilih dari suatu sampel. Populasi tidak terbatas: sampel yang dipilih dimana tiap bagian berasal dari populasi yang sama dan element tersebut dipilih secara bebas.Istilah-Istilah Parameter karakteristik numerik dari populasi. standar deviasi. Nilai dari sampel statistic digunakan untuk mengestimasi nilai parameter populasi. menyediakan titik estimasi dari parameter populasi. standar deviasi populasi σ. Sampling dengan penggantian element yang sudah terpilih dari suatu sampel. sampel standar deviasi. bisa dipilih kembali pada pengambilan berikutnya. Titik estimator sampel statistic seperti x bar. sampel proporsi. Titik estimasi nilai dari titik estimator yang digunakan sebagai contoh tertentu dalam perkiraan parameter populasi. Distribusi sampling distribusi kemungkinan yang terdiri dari seluruh nilai sampel statistic. seperti sampel rata-rata. Page | 32 . atau p topi. seperti rata-rata populasi µ. proporsi populasi p. Sampel acak sederhana Populasi terbatas: sampel yang dipilih dimana tiap ukuran sampel n memiliki kemungkinan yang sama untuk terpilih. tidak bisa dipilih kembali saat pengambilan berikutnya. Sampel statistik sebuah karakteristik sampel.

Page | 33 . titik estimator dengan standard error yang lebih kecil-lah yang lebih efisien. Aturan umum yang berlaku adalah untuk mengabaikan factor koreksi populasi terbatas jika n/N <= 0. Central limit theorem teorema yang memungkinkan seseorang untuk menggunakan distribusi probabilitas normal untuk mendekati distribusi sampling rata-rata meski sampel dalam jumlah besar.5 Standard Error standar deviasi dari titik estimasi. Faktor koreksi populasi terbatas dari rumus yang digunakan dalam rumus Sigma x bar dan Sigma p topi dimana merupakan populasi terbatas.Objektif alat titik estimator ketika nilai yang diharapkan dari titik estimasi adalah seimbang terhadap parameter populasi. Efisiensi Relatif diberikan dua titik estimator dari parameter populasi yang sama.