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

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

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

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 . Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel.b) Penarikan sampel dengan pemulihan : bila setelah didata. anggota sampel dikembalikan ke dalam ruang sampel. 2. 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. Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat tergantung dari sampel yang kita ambil. 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. Berdasarkan Ukurannya.

2. simpangan baku = σ µx =µ dan σ x = σ n dan nilai z = x−µ σ n Page | 7 .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 −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 .• N −n disebut sebagai FAKTOR KOREKSI populasi terhingga.

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.penarikan sampel dari populasi yang .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. Perusahaan ini menyatakan bahwa rata-rata isi segelas AKUA Page | 10 . .

9772 Page | 11 .5 + 0. standard error atau galat baku sampel tersebut? b. hitunglah : a. Jika sampel diperkecil menjadi 25 gelas. peluang rata-rata sampel akan berisi lebih dari 255 ml? 1. Rata-rata populasi dianggap Jika setiap hari diambil 100 gelas AKUA sebagai sampel acak DENGAN PEMULIHAN. standard error atau galat baku sampel tersebut? b. 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 . menyebar normal. Jadi P( x < 253) = P(z < 2.0 15 . n 100 10 z= 253 − 250 3 = = 2. hitunglah : a. 15 . 1.0) = 0.4772 = 0.adalah 250 ml dengan standar deviasi = 15 ml. peluang rata-rata sampel akan berisi kurang dari 253 ml? 2.

Jika penarikan sampel dilakukan TANPA PEMULIHAN dan rata-rata tinggi mahasiswa diasumsikan menyebar normal. galat baku sampel? b.67) = 0. 3. 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. peluang sampel akan memiliki rata-rata tinggi badan kurang dari 160 cm? Diselesaikan dengan DALIL 2 → TANPA PEMULIHAN Page | 12 .4525 = 0.0 Jadi P( x > 255 ) = P(z > 1.0475 Contoh : Dari 500 mahasiswa FE-GD diketahui rata-rata tinggi badan = 165 cm dengan standar deviasi = 12 cm. diambil 36 orang sebagai sampel acak.0 3.0 n 25 5 z= 255 − 250 5 = = 167 .2. hitunglah : a.5 .

.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.. n 36 z= 160 − 165 = −2.0. = 0.964.59..964.5 ..928. dengan distribusi normal...2 Distribusi Sampling Rata-rata Sampel Kecil 2.1 DISTRIBUSI t • • Distribusi Sampling didekati dengan distribusi t Student = distribusi t Distribusi-t pada prinsipnya adalah pendekatan distribusi sampel kecil (W. 1.N = 500 Catatan digunakan µx = µ = 165 σ = 12 n = 36 n 36 = = 0.072 = 7. P( x < 160) = P(z < -2... = 2 x 0...964.928. Dua hal yang perlu diperhatikan dalam Tabel t adalah  derajat bebas (db) Page | 13 .. Gosset).0048 2.929.59) = 0. = 1..S...2.4952 = 0. 499 GALAT BAKU σx = 12 σ x FK = × 0.

 nilai α Derajat bebas (db) = degree of freedom = v = n .306 0 2. Nilai α ditentukan = 2.025(2. 0.01 (1%) .306 2.1.005(0.5% -2. 0. 0.306 dan -t = -2. • Nilai α adalah luas daerah kurva di kanan nilai t kiri nilai –t atau luas daerah kurva di • • • Nilai α → 0. n : ukuran sampel. α) = t tabel(8. 0.306 Jadi 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 = 8.5%) . 0.5% 95 % 2.306 Page | 14 .025) = 2.1 (10%) .05 (5%) .5% di kiri dan kanan • Misalkan kurva t tabel (db.

306 < t < 2.306.5 % 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 . karenanya nilai σ diduga dari nilai simpangan baku sampel (s) Dalil 4 JIKA Sampel: ukuran KECIL n < 30   diambil dari rata-rata = x simp. berpeluang 95% jatuh dalam selang -2.5 % dan Peluang t < -2.306 = 2. Peluang t >2.306 = 2.Arti Gambar di atas nilai t sampel berukuran n = 9.

5 % di kiri t dan 2.025) = 2.95 s = 0.5 % = 0.24 x−µ 195 − 180 0.025 n = 9 → db = n .08 s n 0.306 < t < 2. Yayasan Konsumen melakukan pengujian nikotin terhadap 9 batang rokok dan diketahui rata-rata sampel = 1.24 mg.306 Nilai t-hitung = ? t= µ = 1. Apakah hasil penelitian Yayasan Konsumen mendukung pernyataan Manajemen PT JURAM? Jawab : 95 % berada dalam selang → berarti 5 % berada di luar selang. 2.15 .80 n=9 x = 1.80 mg. data tersebar normal.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 1.5% di kanan t α = 2.306 Jadi 95 % berada dalam selang -2. = = 1875 . =t= 0. 0.95 mg nikotin dengan standar deviasi = 0. .1 = 8 t tabel (db.24 9 Page | 16 . α) = t-tabel(8.

Nilai t hitung = 1.875 berada dalam selang -2.306 < t < 2. 2.306 jadi hasil penelitian Yayasan Konsumen masih sesuai dengan pernyataan manajemen PT JURAM.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 .

Asia) 128 181 Page | 18 . 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. 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.

0.. .. n dari sampel acak tersebut akan mempunyai distribusi normal yang sama seperti popolasi yang bersangkutan. ≈ −0.577..2.2810 3.2190 = 0.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 = = −0.5 . Sehingga dapat disimpulkan bahwa: memiliki distribusi normal Page | 19 . setiap pengamatan Xi..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 σ2.58 119 181 3 + 100 100 P(z<-0. i =1. DISTRIBUSI SAMPLING RATA-RATA 3. Maka..3.58) = 0.

rata-rata μ dan varians σ2. 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. Bila X adalah rata-rata suatu sampel acak yang diambil dari suatu populasi dengan ukuran n. diskrit atau menerus. dengan rata-rata μ1 dan μ2 dan varians σ12 dan σ22 .0. diambil dari dua populasi.1 Distribusi sampling dari dua rata-rata Teorema: Bila dua sampel yang saling bebas.1) 3. mendekati distribusi Page | 20 . 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. distribusinya adalah distribusi normal standar n(z. maka distribusi sampling dari perbedaan rata-rata. maka bentuk batas distribusi : bila n ∞.

kita perlu memahami sifat-sifat distribusi sampling standar . 4.normal dengan rata-rata dan varians sebagai berikut: Sehingga: mendekati variabel normal standar. sedangkan nilai parameter (populasi) merupakan variabel acak dan distribusi probabilitas sehingga disebut distribusi sampling p. Untuk menentukan hubungan proporsi sampel p dengan proporsi populasi P. deviasi 4.1 Nilai yang diharapkan Page | 21 . dan bentuk distribusi sampling . : nilai yang diharapkan . Rumus untuk menghitung proporsi adalah : = x/n di mana : x : jumlah / anggota sampel n : jumlah sampel Proporsi sampel ) . DISTRIBUSI SAMPLING PROPORSI ( Nilai statistik (sampel) dari proporsi adalah adalah P.

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

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

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

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

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

Karena berkaitan dengan ukuran sampel sehingga ukuran sampel besar menyediakan lebih kecil. Nilai . 6. kita juga dapat adalah estimator konsisten dari proporsi menyimpulkan bahwa propotion sampel populasi p.1 Stratified Random Sampling Page | 27 . Menggunakan alasan serupa. Metode Sampling 6. 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 . Dalam hal ini.

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

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

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

metode ini merupakan cara mudah dalam pemilihan sampel. dan sebagainya. Contoh seorang reporter ingin mengambil sampel dari 2/3 anggota dewan untuk mendapatkan opini umum yang mewakili semua anggota dewan. teman sekerja. 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 . 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.misalnya teman. convenience sample memiliki kelebihan yaitu pemilihan sample yang mudah.5 Judgement Sampling Teknik nonprobability sampling yang lain adalah judgement sampling. Secara keseluruhan. sehingga perwakilannya terhadap populasi dapat dipertanggungjawabkan. Oleh karena itu. 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. para pengunjung mall pada saat belanja. Kelemahannya ialah mengandung sejumlah kesalahan sistematik dan variabel-variabel yang tidak diketahui. Keuntungannya ialah unit-unit yang terakhir dipilih dapat dipilih sehingga mereka mempunyai banyak kemiripan.

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

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

Sign up to vote on this title
UsefulNot useful