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

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

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

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. 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 . Berdasarkan Ukurannya. 2. 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. Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel. anggota sampel dikembalikan ke dalam ruang sampel. Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat tergantung dari sampel yang kita ambil.

simpangan baku = σ µx =µ dan σ x = σ n dan nilai z = x−µ σ n Page | 7 .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 .

Dalil 2 JIKA Sampel:  berukuran = n ≥ 30  diambil TANPA PEMULIHAN dari rata-rata = x   Populasi berukuran = N   MAKA Terdistribusi NORMAL Rata-rata = µ . 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 .

simpangan baku = σ Populasi berukuran = N yang Page | 9 .• N −n disebut sebagai FAKTOR KOREKSI populasi terhingga. 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. Perusahaan ini menyatakan bahwa rata-rata isi segelas AKUA Page | 10 .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 .

hitunglah : a.adalah 250 ml dengan standar deviasi = 15 ml.0 15 . Jadi P( x < 253) = P(z < 2.0) = 0. 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 . standard error atau galat baku sampel tersebut? b.9772 Page | 11 . n 100 10 z= 253 − 250 3 = = 2. Rata-rata populasi dianggap Jika setiap hari diambil 100 gelas AKUA sebagai sampel acak DENGAN PEMULIHAN. menyebar normal. standard error atau galat baku sampel tersebut? b. 1. peluang rata-rata sampel akan berisi lebih dari 255 ml? 1. hitunglah : a. Jika sampel diperkecil menjadi 25 gelas. peluang rata-rata sampel akan berisi kurang dari 253 ml? 2.5 + 0.4772 = 0.

2. galat baku sampel? b. peluang sampel akan memiliki rata-rata tinggi badan kurang dari 160 cm? Diselesaikan dengan DALIL 2 → TANPA PEMULIHAN Page | 12 .0 n 25 5 z= 255 − 250 5 = = 167 . hitunglah : a.0475 Contoh : Dari 500 mahasiswa FE-GD diketahui rata-rata tinggi badan = 165 cm dengan standar deviasi = 12 cm. 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 = = = 3.5 .4525 = 0. 3.0.0 Jadi P( x > 255 ) = P(z > 1.0 3. Jika penarikan sampel dilakukan TANPA PEMULIHAN dan rata-rata tinggi mahasiswa diasumsikan menyebar normal. diambil 36 orang sebagai sampel acak.67) = 0.

.. P( x < 160) = P(z < -2. Gosset).964.0048 2. 499 GALAT BAKU σx = 12 σ x FK = × 0..S.....2 Distribusi Sampling Rata-rata Sampel Kecil 2.2% > 5% → Dalil Limit Pusat tidak dapat N 500 P( x < 160) = P(z < ?) FK = N −n = N −1 500 − 36 = 500 − 1 464 = 0.2. n 36 z= 160 − 165 = −2..072 = 7.59.. = 0.. Dua hal yang perlu diperhatikan dalam Tabel t adalah  derajat bebas (db) Page | 13 . dengan distribusi normal..928...928.1 DISTRIBUSI t • • Distribusi Sampling didekati dengan distribusi t Student = distribusi t Distribusi-t pada prinsipnya adalah pendekatan distribusi sampel kecil (W.5 . = 1.4952 = 0.929.0..59) = 0. 1.N = 500 Catatan digunakan µx = µ = 165 σ = 12 n = 36 n 36 = = 0.964. = 2 x 0.964.

306 0 2.306 Jadi t = 2. α) = t tabel(8.5%) .025) = 2. Nilai α ditentukan = 2.5% di kiri dan kanan • Misalkan kurva t tabel (db.05 (5%) . n : ukuran sampel. 0. nilai α Derajat bebas (db) = degree of freedom = v = n . 0.5% 95 % 2.1.1 (10%) .5% -2. • Nilai α adalah luas daerah kurva di kanan nilai t kiri nilai –t atau luas daerah kurva di • • • Nilai α → 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. 0.025(2.01 (1%) .306 2. 0.306 dan -t = -2.005(0.306 Page | 14 . 0.

Peluang t >2.306 < t < 2.306. berpeluang 95% jatuh dalam selang -2.306 = 2. baku = s   Populasi berukuran = N   MAKA terdistribusi : NORMAL Rata-rata = µ Page | 15 . karenanya nilai σ diduga dari nilai simpangan baku sampel (s) Dalil 4 JIKA Sampel: ukuran KECIL n < 30   diambil dari rata-rata = x simp.Arti Gambar di atas nilai t sampel berukuran n = 9.306 = 2.5 % dan Peluang t < -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.

15 .24 9 Page | 16 .5 % = 0.24 x−µ 195 − 180 0.306 Nilai t-hitung = ? t= µ = 1. 2. Yayasan Konsumen melakukan pengujian nikotin terhadap 9 batang rokok dan diketahui rata-rata sampel = 1.08 s n 0.306 < t < 2.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 1.24 mg.95 s = 0. 0.306 Jadi 95 % berada dalam selang -2. data tersebar normal.025 n = 9 → db = n .5 % di kiri t dan 2.80 n=9 x = 1.1 = 8 t tabel (db. Apakah hasil penelitian Yayasan Konsumen mendukung pernyataan Manajemen PT JURAM? Jawab : 95 % berada dalam selang → berarti 5 % berada di luar selang.80 mg.5% di kanan t α = 2.95 mg nikotin dengan standar deviasi = 0. α) = t-tabel(8. = = 1875 . . =t= 0.025) = 2.

Nilai t hitung = 1.306 jadi hasil penelitian Yayasan Konsumen masih sesuai dengan pernyataan manajemen PT JURAM.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 .875 berada dalam selang -2. 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. Eropa) 125 119 populasi ke-2 (Mhs. diasumsikan kedua populasi berukuran besar Jika diambil 100 mahasiswa Eropa dan 100 mahasiswa Asia sebagai sampel. 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 .

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 = = −0.1 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..5 ..2810 3.577. .3. DISTRIBUSI SAMPLING RATA-RATA 3.58) = 0.2190 = 0. ≈ −0.58 119 181 3 + 100 100 P(z<-0. i =1. Maka. n dari sampel acak tersebut akan mempunyai distribusi normal yang sama seperti popolasi yang bersangkutan. Sehingga dapat disimpulkan bahwa: memiliki distribusi normal Page | 19 .0... setiap pengamatan Xi..2.

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

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

E( di mana : E( ) : nilai yang diharapkan )=P P : proporsi populasi karena E ( ) = P.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. adalah bias pengukur P. Standar deviasi (kesalahan baku) x . sama dengan proporsi populasi P. b. • Kesalahan baku populasi terbatas σp= N–n N–1 P ( 1.1) Page | 22 . seluruh nilai kemungkinan p. pada standar deviasi juga Seperti kita ketahui di standar deviasi terdiri dari populasi terbatas dan tidak terbatas.Nilai yang diharapkan p.

sampelnya besar dan terdapat dua kondisi : np >= 5 dan n(1-P) >=5 5.05 . Bentuk distribusi sampling Seperti kita ketahui. Distribusi sampling diperkirakan oleh distribusi normal di mana ukuran . kita tidak perlu menggunakan faktor koreksi . Sedangkan jika populasi terbatas dengan n/N > 0. Kita menggunakan kesalahan baku proporsi mengacu pada standar deviasi Setelah itu. kita menunjukkan bagaimana statistik sampel seperti mean .standar deviasi sampel s. Sampel acak sederhana dari populasi besar. Sebelum Page | 23 . Karena n merupakan konstan. Jika populasi terbatas dengan n/N <= 0. probabilitas dari x/n sama dengan probabilitas binomial x. perbedaan antara kesalahan baku populasi terbatas dan populasi tak terbatas menjadi diabaikan jika ukuran populasi terbatas lebih besar dibandingkan dengan ukuran sampel. di mana distribusi sampling probabilitas dan probabilitas untuk tiap nilai x/n sama dengan probabilitas x. nilai x adalah variabel berbeda dengan distribusi acak binomial . setelah mengetahui standar deviasi distribusi sampling . dan proposi sampel penduga yang berhubungan dengan populasi dapat digunakan sebagai titik parameter . langkah selanjutnya adalah menentukan bentuk distribusi sampling.05 maka kita menggunakan faktor koreksi.Properties Of Point Estimators (Sifat Penduga Titik) Di bab ini. Proporsi sampel = x/n. kita dapat menentukan nilai Z : Z= -P σp c.Seperti rata-rata sampel x .

kesalahan estimasi mengimbangi dalam Page | 24 . Statistik sampel adalah objektif parameter dari populasi parameter E( )= Dimana E ( ) = nilai yang diharapkan dari statistik sampel jika Gambar 7.1 Unbiased Unbiased Estimators : jika nilai yang diharapkan dari statistik sampel adalah sama dengan parameter populasi yang diperkirakan. mewakili setiap populasi parameter seperti populasi mean. Di dalam ilustrasi tersebut menunjukkan objektif penduga. statistik harus memeriksa apakah statistik sampel menunjukan sifat yang berkaitan dengan titik penduga yang baik. kita menggunakan notasi umum berikut dalam bagian ini: parameter ketertarikan populasi sampel statistik atau poin estimasi akan Notasi adalah surat yunani theta. Umumnya. Karena beberapa sampel statistik yang berbeda dapat digunakan sebagai poin estimasi untuk beberapa parameter populasi.menggunakan titik penduga . populasi standar deviasi .1 menunjukkan unbiased dan biased titik penduga. populasi proporsi. dan notasi disebut “theta-hat”. mean dari distribusi sampling adalah sama dengan nilai parameter populasi. 5. dan lainnya.

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

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

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

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

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

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

Teknik ini digunakan terutama apabila hanya ada sedikit orang yang mempunyai keahlian (expertise) di bidang yang sedang diteliti. Kerugiannya ialah memunculkan keanekaragaman dan estimasi terhadap populasi dan sampel yang dipilihnya. Page | 31 . Keuntungannya ialah unit-unit yang terakhir dipilih dapat dipilih sehingga mereka mempunyai banyak kemiripan. Contoh seorang reporter ingin mengambil sampel dari 2/3 anggota dewan untuk mendapatkan opini umum yang mewakili semua anggota dewan. convenience sample memiliki kelebihan yaitu pemilihan sample yang mudah.misalnya teman. 6. metode ini merupakan cara mudah dalam pemilihan sampel.5 Judgement Sampling Teknik nonprobability sampling yang lain adalah judgement sampling. dan sebagainya. para pengunjung mall pada saat belanja. 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. sehingga perwakilannya terhadap populasi dapat dipertanggungjawabkan. 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. Secara keseluruhan. Kelemahannya ialah mengandung sejumlah kesalahan sistematik dan variabel-variabel yang tidak diketahui. Oleh karena itu. teman sekerja.

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

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

Sign up to vote on this title
UsefulNot useful