Prinsip dalam pengambilan sampel

Teknik Sampling and Survei

awokwowk

1. Apa itu Sampling ?

Sampling adalah proses pememilihan data dari populasi untuk mewakili karakteristik seluruh populasi. sedangkan, sample adalah sebagian kecil data yang dipilih dari populasi.

Usahakan sample harus mencerminkan populasi dengan ukuran sample yang cukup besar. Pastikan bahwa sample yang diambil mengambilnya dengan acak dengan multiple sample groups.Contohnya, terdapat 1000 data populasi jika mengambil 10 sample data mungkin tidak lebih akurat maka dari itu perlu mengambil 100 atau \(\frac{1}{10}\) dari populasi yang akan menjadikannya lebih akurat untuk mewakili keseluruhan populasi.

2. Populasi vs Sampel

2.1 Populasi

Populasi adalah semua data yang termasuk dalam kelompok tertentu yang akan diteliti oleh peneliti.

Contoh :

  • Orang yang warga negara asal Indonesia pada negara Indonesia.
  • panjang celana yang dipakai warga negara Indonesia.

Simbol yang digunakkan pada populasi :

  • \(\mu\) : Rata - rata
  • \(p\) : Proporsi
  • \(\sigma\) : Standar deviasi / Simpangan baku
  • \(N\) : Size
  • \(\rho\) : Korelasi koefisien

Jenis-jenis populasi :

  • Populasi terbatas : Populasi dengan jumlah elemen yang tetap.
  • Populasi tak terbatas : Populasi dengan jumlah elemen yang tidak dapat dihitung.
  • Populasi target : Populasi yang akan dianalis.
  • Populasi yang dapat diakses : Bagian dari populasi sasaran yang bisa diakses atau didapatkan.

Namun, jika populasi sangat besar ukurannya mungkin akan sulit untuk mengumpulkan data. Oleh karena itu dapat menggunakan data sample agar lebih mudah mengumpulkan data.

2.2 Sampel

Sampel adalah bagian dari populasi yang dipilih untuk analisis. Contohnya, terdapat 1000 warga negara dan dipilih 100 orang dari berbagai provinsi.

Simbol yang digunakkan pada populasi :

  • \(\bar{x}\) : Rata - rata
  • \(\hat{p}\) : Proporsi
  • \(s\) : Standar deviasi / Simpangan baku
  • \(n\) : Size
  • \(r\) : Korelasi koefisien

Sampel yang baik adalah sampel yang memiliki bias yang kecil untuk menghindari kesalahan sistematis dengan pemilihan secara acak namun tetap mencerminkan populasi.

2.3 Perbedaan Utama

  • Definisi: Populasi adalah keseluruhan kelompok yang diteliti, sedangkan sampel adalah bagian kecil yang diambil dari populasi.
  • Ukuran: Populasi biasanya berukuran besar atau tak terbatas, sedangkan sampel lebih kecil dan mudah diatur.
  • Notasi: Populasi menggunakan huruf besar seperti \(N\), \(\mu\), dan \(\sigma\), sedangkan sampel memakai huruf kecil seperti \(n\), \(\bar{x}\), dan \(s\).
  • Ketepatan: Nilai dalam populasi dianggap sebagai angka sebenarnya, sedangkan sampel hanya memberikan perkiraan yang memiliki kemungkinan kesalahan.
  • Biaya & Waktu: Meneliti seluruh populasi lebih mahal dan memakan waktu lebih lama dibandingkan dengan menggunakan sampel.
  • Akurasi: Populasi memberikan informasi yang lebih akurat, sedangkan sampel hanya memberikan nilai perkiraan dengan beberapa margin kesalahan.

3. Kenapa menggunakan sampel ?

Bukan hanya karena data sampel lebih dikit dan mudah dikelola untuk diteliti, namun data sampel juga lebih membantu dalam hal lainnya, seperti :

  • Menghemat biaya dan waktu.
  • Memungkinkan penelitian tetap dilakukan jika terdapat data yang sulit diakses.
  • Memberikan hasil yang tepat dan mewakili populasi jika dipilih dengan benar.
  • Menyederhanakan Pengelolaan Data.
  • Lebih aman dan juga etis pada penelitian tertentu, seperti uji coba medis.

4. Menghindari bias sampel

Bias pengambilan sampel terjadi ketika data dalam populasi tidak terwakili atau malah terlalu banyak diwakili dalam sampel. Akibatnya, hasil penelitian bisa menjadi tidak akurat dan tidak mencerminkan kondisi sebenarnya dan membuat kesimpulan yang diambil bisa salah dan mengurangi kevalidan studi.

Penyebab bias dalam pengambilan sampel:

  1. Kurangnya cakupan
  • Masalah: Ada kelompok dalam populasi yang tidak masuk dalam sampel.
  • Solusi: Gunakan kerangka sampel yang representatif agar semua kelompok terwakili.
  1. Representasi berlebih
  • Masalah: Kelompok tertentu memiliki peluang lebih besar untuk dipilih.
  • Solusi: Gunakan pengambilan sampel berstrata agar proporsi lebih adil.
  1. Bias seleksi diri
  • Masalah: Peserta memilih sendiri untuk ikut, sehingga menghasilkan non-acak.
  • Solusi: Gunakan undangan acak dan berikan insentif agar lebih banyak kelompok beragam yang ikut.

Mengurangi bias dalam pengambilan sampel itu penting supaya hasil penelitian lebih akurat dan bisa mewakili populasi dengan baik. Dengan menggunakan solusi pada penyebab bias untuk mengurangi bias makan kualitas penelitian akan lebih baik.

5. Pengacakan dalam Pengambilan Sampel

Pengacakan adalah cara untuk memastikan data pada populasi punya peluang yang sama untuk dipilih. Ini membantu mengurangi bias dalam pengambilan sampel dan meningkatkan generalisasi temuan penelitian.

5.1 Pengambilan Sampel Acak Sederhana

Metode ini memastikan setiap anggota populasi punya peluang yang sama untuk dipilih.

Caranya:

  1. Beri nomor unik ke setiap anggota.
  2. Gunakan angka acak atau sistem undian untuk memilih sampel.

Contoh: Perusahaan memilih 500 dari 5.000 karyawan dengan memberi nomor lalu mengundi secara acak.

5.2 Pengambilan Sampel Sistematis

Metode ini memilih sampel secara berkala dari daftar berurutan.

Caranya:

  1. Tentukan jumlah sampel yang dibutuhkan.
  2. Hitung interval dengan rumus \(\frac{\text{Ukuran Populasi}}{\text{Ukuran Sampel}}\).
  3. Pilih titik awal secara acak, lalu ambil setiap individu sesuai interval.

Contoh: Jika ingin survei tiap pelanggan ke-5 dari 1.000 orang, dan titik awalnya 3, maka sampel diambil di urutan ke-3, ke-8, ke-13, dan seterusnya.

5.3 Pengambil Sampel Berstrata

Metode ini membagi populasi ke dalam kelompok (strata) berdasarkan karakteristik tertentu, lalu mengambil sampel secara acak dari setiap kelompok sesuai proporsi.

Caranya:

  1. Tentukan kategori strata yang relevan (misalnya, usia atau tingkat pendidikan).
  2. Hitung proporsi setiap strata dalam populasi.
  3. Pilih sampel secara acak dari tiap strata.

Contoh: Jika 40% mahasiswa adalah mahasiswa baru, 30% tingkat dua, 20% tingkat tiga, dan 10% tingkat empat, maka sampel akan dipilih sesuai proporsi ini.

6. Tantangan dalam Pengambilan Sampel

  1. Bias Non-Respon
  • Penyebab: Peserta tidak mau/mampu menjawab, survei terlalu panjang/rumit, kelompok tertentu kurang berpartisipasi.
  • Solusi: Kirim pengingat, tawarkan insentif, buat survei lebih sederhana.
  1. Kesalahan Kerangka Sampling
  • Penyebab: Daftar data tidak lengkap/kedaluwarsa, klasifikasi salah, ada peserta duplikat/tidak memenuhi syarat.
  • Solusi: Perbarui data, periksa sumber data, gunakan sampel berstrata.
  1. Ukuran Sampel Tidak Memadai
  • Penyebab: Sumber daya terbatas, salah perhitungan ukuran sampel, risiko dropout tinggi dalam studi jangka panjang.
  • Solusi: Gunakan metode statistik untuk menentukan ukuran sampel yang tepat, perhitungkan kemungkinan dropout.
  1. Kendala Biaya dan Waktu
  • Penyebab: Pengumpulan data mahal, keterlambatan menjangkau partisipan, butuh alat/personel khusus.
  • Solusi: Gunakan metode hemat biaya (misalnya survei online), otomatisasi pengumpulan data, optimalkan sumber daya.

7. Aplikasi dalam Industri

Pengambilan sampel penting dalam berbagai industri karena membantu mengumpulkan informasi, membuat keputusan yang tepat, dan meningkatkan efisiensi proses.

  1. Riset Pasar : Survei & kelompok fokus untuk memahami preferensi dan perilaku pelanggan.
  2. Pelayanan Kesehatan : Analisis data pasien & uji klinis untuk melihat tren kesehatan dan efektivitas pengobatan.
  3. Kontrol Kualitas : Pemeriksaan produk dalam produksi untuk memastikan standar kualitas.
  4. Keuangan : Analisis transaksi untuk menilai risiko, mendeteksi penipuan, dan keputusan investasi.

Dengan menerapkan teknik pengambilan sampel yang tepat, industri dapat memperoleh data yang akurat, mengurangi kesalahan, serta meningkatkan efisiensi dan penghematan biaya.

Referensi

  • DScience Labs. (n.d.). Principles of sampling. In Sampling and survey techniques. Bookdown, dari Klik Disini.

  • TED. (2013, September 23). How to make stress your friend | Kelly McGonigal [Video]. YouTube, dari Klik Disini.

  • TED. (2010, June 3). The power of vulnerability | BrenĂ© Brown [Video]. YouTube, dari Klik Disini.

---
title: "Prinsip dalam pengambilan sampel "

subtitle: "Teknik Sampling and Survei"

author: "Syifa Nurulfajri(52240001)"

date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::readthedown:
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style.css.css"
    
---

<img src="Potoo.jpg" alt="awokwowk" id="logo-utama" style="width:500px; display: block; margin: auto;"/>

---

# 1. Apa itu Sampling ?

Sampling adalah proses pememilihan data dari populasi untuk mewakili karakteristik seluruh populasi. sedangkan, sample adalah sebagian kecil data yang dipilih dari populasi. 

Usahakan sample harus mencerminkan populasi dengan ukuran sample yang cukup besar. Pastikan bahwa sample yang diambil mengambilnya dengan acak dengan multiple sample groups.Contohnya, terdapat 1000 data populasi jika mengambil 10 sample data mungkin tidak lebih akurat maka dari itu perlu mengambil 100 atau $\frac{1}{10}$ dari populasi yang akan menjadikannya lebih akurat untuk mewakili keseluruhan populasi. 

---

# 2. Populasi vs Sampel

## 2.1 Populasi

Populasi adalah semua data yang termasuk dalam kelompok tertentu yang akan diteliti oleh peneliti. 

Contoh :

- Orang yang warga negara asal Indonesia pada negara Indonesia. 
- panjang celana yang dipakai warga negara Indonesia. 

**Simbol yang digunakkan pada populasi :**

- $\mu$ : Rata - rata 
- $p$ : Proporsi 
- $\sigma$ : Standar deviasi / Simpangan baku
- $N$ : Size 
- $\rho$ : Korelasi koefisien 

**Jenis-jenis populasi :**

- **Populasi terbatas** : Populasi dengan jumlah elemen yang tetap. 
- **Populasi tak terbatas** : Populasi dengan jumlah elemen yang tidak dapat dihitung. 
- **Populasi target** : Populasi yang akan dianalis. 
- **Populasi yang dapat diakses** : Bagian dari populasi sasaran yang bisa diakses atau didapatkan. 

Namun, jika populasi sangat besar ukurannya mungkin akan sulit untuk mengumpulkan data. Oleh karena itu dapat menggunakan data sample agar lebih mudah mengumpulkan data. 

## 2.2 Sampel

Sampel adalah bagian dari populasi yang dipilih untuk analisis. Contohnya,  terdapat 1000 warga negara dan dipilih 100 orang dari berbagai provinsi. 

**Simbol yang digunakkan pada populasi :**

- $\bar{x}$ : Rata - rata 
- $\hat{p}$ : Proporsi 
- $s$ : Standar deviasi / Simpangan baku
- $n$ : Size 
- $r$ : Korelasi koefisien 

Sampel yang baik adalah sampel yang memiliki bias yang kecil untuk menghindari kesalahan sistematis dengan pemilihan secara acak namun tetap mencerminkan populasi. 

## 2.3 Perbedaan Utama 

- **Definisi:** Populasi adalah keseluruhan kelompok yang diteliti, sedangkan sampel adalah bagian kecil yang diambil dari populasi.  
- **Ukuran:** Populasi biasanya berukuran besar atau tak terbatas, sedangkan sampel lebih kecil dan mudah diatur.  
- **Notasi:** Populasi menggunakan huruf besar seperti $N$, $\mu$, dan $\sigma$, sedangkan sampel memakai huruf kecil seperti $n$, $\bar{x}$, dan $s$.  
- **Ketepatan:** Nilai dalam populasi dianggap sebagai angka sebenarnya, sedangkan sampel hanya memberikan perkiraan yang memiliki kemungkinan kesalahan.  
- **Biaya & Waktu:** Meneliti seluruh populasi lebih mahal dan memakan waktu lebih lama dibandingkan dengan menggunakan sampel.  
- **Akurasi:** Populasi memberikan informasi yang lebih akurat, sedangkan sampel hanya memberikan nilai perkiraan dengan beberapa margin kesalahan.

---

# 3. Kenapa menggunakan sampel ?

Bukan hanya karena data sampel lebih dikit dan mudah dikelola untuk diteliti, namun data sampel juga lebih membantu dalam hal lainnya, seperti : 

- Menghemat biaya dan waktu.
- Memungkinkan penelitian tetap dilakukan jika terdapat data yang sulit diakses.
- Memberikan hasil yang tepat dan mewakili populasi jika dipilih dengan benar. 
- Menyederhanakan Pengelolaan Data.
- Lebih aman dan juga etis pada penelitian tertentu, seperti uji coba medis. 

---

# 4. Menghindari bias sampel 

Bias pengambilan sampel terjadi ketika data dalam populasi tidak terwakili atau malah terlalu banyak diwakili dalam sampel. Akibatnya, hasil penelitian bisa menjadi tidak akurat dan tidak mencerminkan kondisi sebenarnya dan membuat kesimpulan yang diambil bisa salah dan mengurangi kevalidan studi. 

**Penyebab bias dalam pengambilan sampel:**

1. **Kurangnya cakupan**

- **Masalah:** Ada kelompok dalam populasi yang tidak masuk dalam sampel.  
- **Solusi:** Gunakan **kerangka sampel yang representatif** agar semua kelompok terwakili.  

2. **Representasi berlebih**  

- **Masalah:** Kelompok tertentu memiliki peluang lebih besar untuk dipilih.
- **Solusi:** Gunakan **pengambilan sampel berstrata** agar proporsi lebih adil.  

3. **Bias seleksi diri**  

- **Masalah:** Peserta memilih sendiri untuk ikut, sehingga menghasilkan non-acak. 
- **Solusi:** Gunakan **undangan acak** dan berikan **insentif** agar lebih banyak kelompok beragam yang ikut.  

Mengurangi bias dalam pengambilan sampel itu penting supaya hasil penelitian lebih akurat dan bisa mewakili populasi dengan baik. Dengan menggunakan solusi pada penyebab bias untuk mengurangi bias makan kualitas penelitian akan lebih baik.

---

# 5. Pengacakan dalam Pengambilan Sampel

Pengacakan adalah cara untuk memastikan data pada populasi punya peluang yang sama untuk dipilih. Ini membantu mengurangi bias dalam pengambilan sampel dan meningkatkan generalisasi temuan penelitian. 

## 5.1 Pengambilan Sampel Acak Sederhana 

Metode ini memastikan setiap anggota populasi punya peluang yang sama untuk dipilih. 

**Caranya:** 

1. Beri nomor unik ke setiap anggota.  
2. Gunakan angka acak atau sistem undian untuk memilih sampel.  

**Contoh:** Perusahaan memilih 500 dari 5.000 karyawan dengan memberi nomor lalu mengundi secara acak.

## 5.2 Pengambilan Sampel Sistematis

Metode ini memilih sampel secara berkala dari daftar berurutan. 

**Caranya:** 

1. Tentukan jumlah sampel yang dibutuhkan.  
2. Hitung interval dengan rumus $\frac{\text{Ukuran Populasi}}{\text{Ukuran Sampel}}$.  
3. Pilih titik awal secara acak, lalu ambil setiap individu sesuai interval.  

**Contoh:** Jika ingin survei tiap pelanggan ke-5 dari 1.000 orang, dan titik awalnya 3, maka sampel diambil di urutan ke-3, ke-8, ke-13, dan seterusnya.

## 5.3 Pengambil Sampel Berstrata

Metode ini membagi populasi ke dalam kelompok (strata) berdasarkan karakteristik tertentu, lalu mengambil sampel secara acak dari setiap kelompok sesuai proporsi.  

**Caranya:**  

1. Tentukan kategori strata yang relevan (misalnya, usia atau tingkat pendidikan).  
2. Hitung proporsi setiap strata dalam populasi.  
3. Pilih sampel secara acak dari tiap strata.  

**Contoh:** Jika 40% mahasiswa adalah mahasiswa baru, 30% tingkat dua, 20% tingkat tiga, dan 10% tingkat empat, maka sampel akan dipilih sesuai proporsi ini.

---

# 6. Tantangan dalam Pengambilan Sampel 

1. **Bias Non-Respon**

- **Penyebab:** Peserta tidak mau/mampu menjawab, survei terlalu panjang/rumit, kelompok tertentu kurang berpartisipasi.
- **Solusi:** Kirim pengingat, tawarkan insentif, buat survei lebih sederhana.  

2. **Kesalahan Kerangka Sampling**  

- **Penyebab:** Daftar data tidak lengkap/kedaluwarsa, klasifikasi salah, ada peserta duplikat/tidak memenuhi syarat.  
- **Solusi:** Perbarui data, periksa sumber data, gunakan sampel berstrata.  

3. **Ukuran Sampel Tidak Memadai**  

- **Penyebab:** Sumber daya terbatas, salah perhitungan ukuran sampel, risiko dropout tinggi dalam studi jangka panjang. 
- **Solusi:** Gunakan metode statistik untuk menentukan ukuran sampel yang tepat, perhitungkan kemungkinan dropout.  

4. **Kendala Biaya dan Waktu**  

- **Penyebab:** Pengumpulan data mahal, keterlambatan menjangkau partisipan, butuh alat/personel khusus.  
- **Solusi:** Gunakan metode hemat biaya (misalnya survei online), otomatisasi pengumpulan data, optimalkan sumber daya.  

---

# 7. Aplikasi dalam Industri 

Pengambilan sampel penting dalam berbagai industri karena membantu mengumpulkan informasi, membuat keputusan yang tepat, dan meningkatkan efisiensi proses. 

1. **Riset Pasar** :  Survei & kelompok fokus untuk memahami preferensi dan perilaku pelanggan.  
2. **Pelayanan Kesehatan** : Analisis data pasien & uji klinis untuk melihat tren kesehatan dan efektivitas pengobatan. 
3. **Kontrol Kualitas** : Pemeriksaan produk dalam produksi untuk memastikan standar kualitas.  
4. **Keuangan** : Analisis transaksi untuk menilai risiko, mendeteksi penipuan, dan keputusan investasi.  

Dengan menerapkan teknik pengambilan sampel yang tepat, industri dapat memperoleh data yang akurat, mengurangi kesalahan, serta meningkatkan efisiensi dan penghematan biaya.

---

# Referensi 

- DScience Labs. (n.d.). Principles of sampling. In Sampling and survey techniques. Bookdown, dari <a href = "https://bookdown.org/dsciencelabs/sampling_and_survey_techniques/docs/01-Principles-of-Sampling.html#what-is-sampling">Klik Disini</a>.

- TED. (2013, September 23). How to make stress your friend | Kelly McGonigal [Video]. YouTube, dari <a href = "https://youtu.be/bJm2pt-mq2c">Klik Disini</a>.

- TED. (2010, June 3). The power of vulnerability | Brené Brown [Video]. YouTube, dari <a href = "https://youtu.be/qhzkCebkSWE">Klik Disini</a>.