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

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

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

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. 2. Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat tergantung dari sampel yang kita ambil. 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 . anggota sampel dikembalikan ke dalam ruang sampel. Berdasarkan Ukurannya.b) Penarikan sampel dengan pemulihan : bila setelah didata. 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. 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 .

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 .

• 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 . simpangan baku = σ Populasi berukuran = N yang Page | 9 . 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 .

penarikan sampel dari populasi yang .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.

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 . peluang rata-rata sampel akan berisi kurang dari 253 ml? 2. menyebar normal. peluang rata-rata sampel akan berisi lebih dari 255 ml? 1.0) = 0.4772 = 0. 1.adalah 250 ml dengan standar deviasi = 15 ml. n 100 10 z= 253 − 250 3 = = 2. hitunglah : a. standard error atau galat baku sampel tersebut? b. standard error atau galat baku sampel tersebut? b.0 15 . Jadi P( x < 253) = P(z < 2. Rata-rata populasi dianggap Jika setiap hari diambil 100 gelas AKUA sebagai sampel acak DENGAN PEMULIHAN. Jika sampel diperkecil menjadi 25 gelas.9772 Page | 11 . 15 . hitunglah : a.5 + 0.

0. Jika penarikan sampel dilakukan TANPA PEMULIHAN dan rata-rata tinggi mahasiswa diasumsikan menyebar normal. hitunglah : a.0475 Contoh : Dari 500 mahasiswa FE-GD diketahui rata-rata tinggi badan = 165 cm dengan standar deviasi = 12 cm. galat baku sampel? b.2. peluang sampel akan memiliki rata-rata tinggi badan kurang dari 160 cm? Diselesaikan dengan DALIL 2 → TANPA PEMULIHAN Page | 12 .67) = 0. diambil 36 orang sebagai sampel acak.0 Jadi P( x > 255 ) = P(z > 1. 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 = = = 3.0 3. 3.5 .0 n 25 5 z= 255 − 250 5 = = 167 .4525 = 0.

S...2. dengan distribusi normal....2 Distribusi Sampling Rata-rata Sampel Kecil 2. P( x < 160) = P(z < -2. Gosset)...964. 1. n 36 z= 160 − 165 = −2.964..0.928..964.59.4952 = 0. Dua hal yang perlu diperhatikan dalam Tabel t adalah  derajat bebas (db) Page | 13 ..1 DISTRIBUSI t • • Distribusi Sampling didekati dengan distribusi t Student = distribusi t Distribusi-t pada prinsipnya adalah pendekatan distribusi sampel kecil (W. = 2 x 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 = 0.5 .N = 500 Catatan digunakan µx = µ = 165 σ = 12 n = 36 n 36 = = 0.072 = 7. 499 GALAT BAKU σx = 12 σ x FK = × 0.59) = 0..0048 2.928.929... = 1.. = 0.

5% 95 % 2. 0.306 Page | 14 .01 (1%) .025(2. • Nilai α adalah luas daerah kurva di kanan nilai t kiri nilai –t atau luas daerah kurva di • • • Nilai α → 0. 0.1. α) = t tabel(8. 0. Nilai α ditentukan = 2.306 0 2.5% -2.306 Jadi t = 2.1 (10%) .306 2.5%) . n : ukuran sampel.306 dan -t = -2.5%) 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. nilai α Derajat bebas (db) = degree of freedom = v = n .005(0.5% di kiri dan kanan • Misalkan kurva t tabel (db.05 (5%) . 0.025) = 2.

Arti Gambar di atas nilai t sampel berukuran n = 9. Peluang t >2.306 < t < 2.306 = 2.5 % dan Peluang t < -2.306 = 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 % 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. baku = s   Populasi berukuran = N   MAKA terdistribusi : NORMAL Rata-rata = µ Page | 15 .306. berpeluang 95% jatuh dalam selang -2.

α) = t-tabel(8.80 n=9 x = 1. =t= 0.025) = 2.1 = 8 t tabel (db.306 Jadi 95 % berada dalam selang -2. = = 1875 .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 1.306 < t < 2.025 n = 9 → db = n .15 .24 x−µ 195 − 180 0.08 s n 0. Apakah hasil penelitian Yayasan Konsumen mendukung pernyataan Manajemen PT JURAM? Jawab : 95 % berada dalam selang → berarti 5 % berada di luar selang. Yayasan Konsumen melakukan pengujian nikotin terhadap 9 batang rokok dan diketahui rata-rata sampel = 1. data tersebar normal.5% di kanan t α = 2.24 9 Page | 16 . 0.5 % di kiri t dan 2.80 mg. 2. .24 mg.306 Nilai t-hitung = ? t= µ = 1.5 % = 0.95 mg nikotin dengan standar deviasi = 0.

Nilai t hitung = 1.875 berada dalam selang -2.306 < t < 2. 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.

berapa peluang terdapat perbedaan IQ kedua kelompok akan kurang dari 2? Jawab : Populasi Parameter Rata-rata (µ) Ragam (σ²) populasi ke-1 (Mhs. Eropa) 125 119 populasi ke-2 (Mhs. diasumsikan kedua populasi berukuran besar Jika diambil 100 mahasiswa Eropa dan 100 mahasiswa Asia sebagai sampel.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. Asia) 128 181 Page | 18 .

5 .. .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. i =1. setiap pengamatan Xi..2190 = 0.0.577. n dari sampel acak tersebut akan mempunyai distribusi normal yang sama seperti popolasi yang bersangkutan..3.2.58) = 0. Sehingga dapat disimpulkan bahwa: memiliki distribusi normal Page | 19 .58 119 181 3 + 100 100 P(z<-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. DISTRIBUSI SAMPLING RATA-RATA 3. Maka.2810 3. ≈ −0..

diskrit atau menerus. n1 dan n2. distribusinya adalah distribusi normal standar n(z. Hasil ini merupakan konsekeuesi dari suatu teorema batas tengah (central limit theorem) berikut: Teorema: Central Limit Theorem. mendekati distribusi Page | 20 . distribusi sampling dari X akan tetap mendekati nomal dengan rata-rata μ dan varians σ2 asalkan sampel yang diambil dalam jumlah yang besar. diambil dari dua populasi. Bila X adalah rata-rata suatu sampel acak yang diambil dari suatu populasi dengan ukuran n. maka distribusi sampling dari perbedaan rata-rata.1) 3.1 Distribusi sampling dari dua rata-rata Teorema: Bila dua sampel yang saling bebas.dengan rata-rata : dan varians : Bila sampel yang diambil dari suatu populasi yang tidak diketahui distribuisnya.0. maka bentuk batas distribusi : bila n ∞. dengan rata-rata μ1 dan μ2 dan varians σ12 dan σ22 . rata-rata μ dan varians σ2.

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

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

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

kita menggunakan notasi umum berikut dalam bagian ini: parameter ketertarikan populasi sampel statistik atau poin estimasi akan Notasi adalah surat yunani theta. Statistik sampel adalah objektif parameter dari populasi parameter E( )= Dimana E ( ) = nilai yang diharapkan dari statistik sampel jika Gambar 7. Karena beberapa sampel statistik yang berbeda dapat digunakan sebagai poin estimasi untuk beberapa parameter populasi. mewakili setiap populasi parameter seperti populasi mean. statistik harus memeriksa apakah statistik sampel menunjukan sifat yang berkaitan dengan titik penduga yang baik. kesalahan estimasi mengimbangi dalam Page | 24 . dan lainnya. 5.1 Unbiased Unbiased Estimators : jika nilai yang diharapkan dari statistik sampel adalah sama dengan parameter populasi yang diperkirakan.menggunakan titik penduga . Umumnya. dan notasi disebut “theta-hat”. populasi standar deviasi . mean dari distribusi sampling adalah sama dengan nilai parameter populasi. populasi proporsi.1 menunjukkan unbiased dan biased titik penduga. Di dalam ilustrasi tersebut menunjukkan objektif penduga.

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

Karena kesalahan baku dari estimator 2 kurang dari kesalahan baku estimator titik 2 . kita akan lebih suka menggunakan estimator titik dengan standard error yang lebih kecil. karena cenderung memberikan perkiraan lebih dekat dengan parameter populasi. 1 1 kurang dari kesalahan baku 2 . Page | 26 . Dalam situasi ini. Perhatikan bahwa untuk rata-rata sampel . nilai dari paramater titik 1 memiliki kesempatan lebih besar untuk menjadi dekat dengan 2 daripada melakukan nilai-nilai . Dengan kata lain. Perhatikan bahwa kesalahan baku. 5.2 Efficiency (Efesiensi) Berasumsi bahwa sampel randome sederhana n elemen dapat digunakan untuk menyediakan dua estimator titik objektif tentang parameter populasi yang sama. 5. dengan demikian. kami menunjukkan bahwa kesalahan standar yang diberikan oleh = . 1 relatif lebih efisien daripada dan merupakan estimator titik pilihan. dan 2 1 .menggunakan n-1 daripada n adalah untuk membuat sampel varians estimator bias dari varians populasi.3 Consistensy (Konsistensi) Sebuah properti ketiga yang terkait dengan estimator titik yang baik adalah konsistensi. Gambar 7.11 menunjukkan distribusi sampling dari dua penduga titik bias. ukuran sampel yang besar cenderung memberikan estimasi titik yang lebih baik daripada ukuran sampel yang kecil.Estimator titik konsisten jika estimator titik cenderung menjadi lebih dekat dengan parameter populasi sebagai ukuran sampel menjadi lebih besar. Estimator titik dengan kesalahan kecil standrad dikatakan memiliki efisiensi relatif lebih besar daripada yang lain.

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

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

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. Setiap elemen dalam sample cluster membentuk sebuah sampel. Jika semua cluster sesuai. sampling cluster yang kecil akan memberikan estimasi yang baik bagi populasi parameter. 6. Stratifikasi yang tidak proporsional dapat saja menghasilkan presisi yang lebih baik daripada stratifikasi yang bersifat proporsional. Nilai dari cluster sampling bergantung pada bagaimana perwakilan setiap cluster dalam seluruh populasi.standar deviasi stratum. Cluster sampling cenderung memberikan hasil yang baik ketika elemen dalam cluster tidak menyerupai. banyak observasi sample yang dapat diperoleh dalam waktu singkat. 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.

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

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

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

Aturan umum yang berlaku adalah untuk mengabaikan factor koreksi populasi terbatas jika n/N <= 0. Page | 33 . 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.Objektif alat titik estimator ketika nilai yang diharapkan dari titik estimasi adalah seimbang terhadap parameter populasi. titik estimator dengan standard error yang lebih kecil-lah yang lebih efisien. Efisiensi Relatif diberikan dua titik estimator dari parameter populasi yang sama. Faktor koreksi populasi terbatas dari rumus yang digunakan dalam rumus Sigma x bar dan Sigma p topi dimana merupakan populasi terbatas.

Sign up to vote on this title
UsefulNot useful