Tugas

Sampling and Survey

Logo

1.Penjelasan Pengambilan Sampel

Pengambilan sampel dalam statistik adalah teknik untuk mewakili keseluruhan populasi dengan hanya meneliti sebagian kecil yang disebut sampel. Agar hasil lebih akurat, sampel harus cukup besar, dipilih secara acak, dan bisa dibandingkan dengan kelompok sampel lain. Misalnya, jika sebuah sekolah ingin mengetahui pendapat siswa tentang susu cokelat saat makan siang, mengambil sampel 100 dari 1.000 siswa akan lebih representatif dibanding hanya 10 siswa. Pengambilan sampel tidak hanya berlaku untuk manusia, tetapi juga untuk objek lain seperti negara, perusahaan, atau burung. Untuk memahami lebih lanjut, bisa melihat video atau tutorial di situs GCF Global.

Sumber: https://www.youtube.com/watch?v=qhzkCebkSWE

2.Penjelasan Populasi

Populasi dalam statistik mencakup semua individu atau objek dalam suatu kelompok, seperti seluruh warga negara atau produk dari suatu perusahaan. Sampel adalah bagian kecil dari populasi yang digunakan untuk analisis. Populasi memiliki parameter tertentu, seperti rata-rata dan proporsi, sementara sampel memiliki statistik yang sesuai, seperti rata-rata sampel dan proporsi sampel. Karena mengumpulkan data dari seluruh populasi bisa sulit, statistik memungkinkan kita mengambil sampel untuk mendapatkan wawasan tentang populasi yang lebih besar. Dengan metode ini, kita bisa memperkirakan berbagai informasi penting tanpa harus mengumpulkan data dari setiap anggota populasi.

Sumber: https://www.youtube.com/watch?v=bJm2pt-mq2c

2.1 Populasi

Populasi (N) mengacu pada seluruh kelompok individu, objek, atau peristiwa yang sedang dipelajari oleh seorang peneliti. Populasi mencakup semua pengamatan yang relevan dengan penelitian.

Contoh Populasi:

✔ Semua penduduk sebuah kota ketika mempelajari perilaku memilih.

✔ Setiap ponsel pintar yang diproduksi dari sebuah pabrik ketika menganalisis tingkat cacat.

✔ Setiap siswa di sebuah universitas ketika mengukur nilai ujian rata-rata.

Jenis-jenis Populasi:

✔️ Populasi Berhingga: Populasi dengan jumlah elemen yang tetap. Contoh: Karyawan di sebuah perusahaan.

✔️ Populasi Tak Terbatas: Populasi dengan jumlah elemen yang tidak terhitung. Contoh: Bakteri dalam cawan petri.

✔️ Populasi Target: Populasi spesifik yang ingin diteliti oleh peneliti.

✔️ Populasi yang Dapat Diakses: Bagian dari populasi target yang tersedia untuk diteliti.

2.2 Sampel

Sampel (n) adalah bagian dari populasi yang dipilih untuk dianalisis. Karena mempelajari seluruh populasi sering kali tidak praktis karena biaya, waktu, atau aksesibilitas, peneliti mengambil sampel untuk membuat kesimpulan tentang seluruh populasi.

Contoh Penggunaan Sampel:

✔ Menyurvei 1.000 penduduk suatu kota untuk memperkirakan opini publik.

✔ Memeriksa 500 smartphone yang dipilih secara acak untuk menilai tingkat kerusakan.

✔ Menganalisis nilai ujian dari 200 siswa yang dipilih secara acak.

Karakteristik Sampel yang Baik:

✔️ Representatif: Mencerminkan populasi secara akurat.

✔️ Acak: Dipilih tanpa bias.

✔️ Cukup Besar: Memastikan estimasi yang dapat diandalkan.

✔️ Bias Minimal: Menghindari kesalahan sistematis.

Perbedaan Populasi dan Sampel

Ketika melakukan penelitian atau analisis statistik, penting untuk memahami perbedaan antara populasi dan sampel.
- Populasi adalah keseluruhan kelompok yang menjadi objek penelitian.
- Sampel adalah sebagian kecil dari populasi yang dipilih untuk dianalisis.

Berikut adalah tabel yang membandingkan perbedaan antara populasi dan sampel:

## Warning: package 'knitr' was built under R version 4.4.2

Perbedaan antara Populasi dan Sampel
Fitur	Populasi..N.	Sampel..n.
Definisi	Kelompok keseluruhan dalam penelitian	Bagian dari populasi yang dipilih
Ukuran	Besar atau tak terbatas	Lebih kecil dan dapat diatur
Notasi	Huruf besar (N, μ, σ)	Huruf kecil (n, x̄, s)
Parameter	Nilai sebenarnya (misal: μ, σ)	Estimasi dari populasi (misal: x̄, s)
Biaya & Waktu	Biaya tinggi, waktu lama	Lebih cepat dan hemat biaya
Akurasi	Memberikan informasi yang akurat	Memiliki margin of error

3.Alasan Penggunaan Sample

Penggunaan sampel dalam penelitian memungkinkan efisiensi biaya dan waktu, memudahkan studi pada populasi besar atau sulit diakses, serta menjaga akurasi data melalui metode statistik yang tepat. Selain itu, sampel mengurangi kompleksitas pengelolaan data dan memastikan etika penelitian, terutama dalam studi berisiko seperti uji klinis atau eksperimen sensitif. Dengan memilih sampel representatif, hasil penelitian dapat digeneralisasi ke populasi secara efektif tanpa mengorbankan kualitas.

4.Menghindari Bias dari Sampel

Bias dalam penelitian merujuk pada kesalahan sistematis yang memengaruhi keakuratan hasil, seperti alat ukur yang tidak akurat (misalnya termometer dengan pembacaan lebih tinggi) atau metode pengambilan sampel yang tidak representatif (contoh: hanya memilih pria muda untuk uji vaksin, mengabaikan kelompok lain). Jenis bias lain mencakup bias konfirmasi, ketika peneliti cenderung mengabaikan penjelasan alternatif (seperti efek gula dalam studi pewarna makanan pada hiperaktif anak). Bias dapat muncul di setiap tahap penelitian, mulai dari desain metode, pengumpulan data, hingga interpretasi hasil. Untuk meminimalkannya, penting menggunakan alat yang valid, memastikan sampel acak dan beragam, serta terbuka mempertimbangkan bukti yang bertentangan dengan hipotesis awal. Dengan menghindari sumber bias, hasil investigasi menjadi lebih objektif dan dapat dipercaya.

Sumber: https://www.youtube.com/watch?v=BNICMrYtPJY&t=1s

5.Pengacakan dalam Sengambilan Sampel

Proses ilmu data melibatkan tujuh langkah sistematis yang membantu menjawab pertanyaan kompleks, seperti menentukan gaji rata-rata ilmuwan data. Pertanyaan ini memerlukan pertimbangan variabel seperti lokasi geografis, kesenjangan gaji berbasis gender atau ras, serta penyesuaian biaya hidup—terutama dalam konteks kerja jarak jauh. Penelitian eksperimental idealnya membutuhkan pengacakan partisipan ke kelompok berbeda untuk mengidentifikasi hubungan sebab-akibat, namun hal ini sulit diterapkan dalam studi gaji karena keterbatasan kontrol terhadap faktor eksternal (seperti budaya perusahaan atau kepribadian individu). Alternatifnya, studi observasional mengumpulkan data alami melalui survei laporan diri, meskipun metode ini rentan terhadap bias pengukuran. Tantangan utama termasuk memastikan keandalan data (misalnya, apakah responden melaporkan gaji atau total kompensasi) dan validitas interpretasi. Penting bagi ilmuwan data untuk merancang metode pengumpulan yang transparan, mempertimbangkan keragaman sampel, dan kritis terhadap keterbatasan data agar hasil penelitian tetap relevan dan akurat.

Sumber: https://www.youtube.com/watch?v=U272FFxG8LE&t=1s

5.1 Simple Random Sampling (SRS):

Simple Random Sampling (SRS) adalah Metode pengambilan sampel di mana setiap anggota populasi memiliki peluang yang sama untuk dipilih.

Cara Kerja: Setiap anggota populasi diberi nomor unik, lalu dipilih secara acak menggunakan generator angka acak atau sistem lotere.

Contoh: Sebuah perusahaan memilih 500 karyawan dari 5.000 karyawan dengan memberi nomor pada setiap karyawan dan memilih 500 nomor secara acak.

5.2 Systematic Sampling:

Systematic Sampling adalah Metode pengambilan sampel di mana elemen dipilih pada interval teratur dari daftar yang diurutkan.

Cara Kerja: Menentukan interval sampling dengan membagi ukuran populasi dengan ukuran sampel, lalu memilih setiap elemen pada interval tersebut setelah titik awal acak.

Contoh: Seorang peneliti memilih setiap pelanggan ke-5 dari daftar 1.000 pembeli, dimulai dari titik acak.

5.3 Stratified Sampling:

Stratified Sampling adalah Metode pengambilan sampel yang membagi populasi menjadi subkelompok (strata) berdasarkan karakteristik tertentu, lalu mengambil sampel secara proporsional dari setiap strata.

Cara Kerja: Populasi dibagi menjadi strata, lalu sampel diambil secara acak dari setiap strata sesuai dengan proporsi mereka dalam populasi.

Contoh: Sebuah universitas mensurvei mahasiswa dari berbagai tahun akademik dengan proporsi yang sesuai dengan populasi mahasiswa.

6.Tantangan Pengambilan Sampel

Sampling dalam penelitian adalah proses penting yang seringkali menghadapi berbagai tantangan yang dapat memengaruhi keakuratan dan keandalan hasil. Beberapa tantangan utama meliputi bias non-respons, di mana partisipan tidak mau atau tidak mampu merespons, yang dapat diatasi dengan mengirim pengingat tindak lanjut, menawarkan insentif, atau menyederhanakan format survei. Kesalahan kerangka sampling, seperti daftar yang tidak lengkap atau kedaluwarsa, dapat diminimalkan dengan memperbarui kerangka sampling, memeriksa silang sumber data, atau menggunakan teknik stratified sampling. Ukuran sampel yang tidak memadai seringkali disebabkan oleh keterbatasan sumber daya atau perhitungan yang salah, dan dapat diatasi dengan menggunakan metode statistik untuk menentukan ukuran sampel yang tepat serta memperhitungkan potensi dropout. Selain itu, kendala biaya dan waktu seperti biaya pengumpulan data yang tinggi atau keterlambatan dalam menjangkau partisipan dapat dikelola dengan menggunakan metode yang lebih efisien seperti survei online, otomatisasi pengumpulan data, dan optimalisasi sumber daya. Dengan mengatasi tantangan ini, peneliti dapat meningkatkan keandalan dan efisiensi proses sampling serta memastikan bahwa sampel yang dihasilkan lebih representatif terhadap populasi target.

7.Pengaplikasian dalam Industri

Sampling memiliki peran penting di berbagai industri, seperti riset pasar untuk memahami preferensi pelanggan, kesehatan untuk mempelajari data pasien dan uji klinis, kontrol kualitas dalam memastikan standar produk, serta keuangan untuk menganalisis transaksi dan tren pasar, yang memungkinkan organisasi mendapatkan wawasan akurat, membuat keputusan yang tepat, dan mengoptimalkan proses dengan mengurangi kesalahan dan bias.

---
title: "Tugas"
subtitle: "Sampling and Survey"
author: "Muhammad Nabil Pratama"
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"
---

<img id="isi_nama" src="C:/Users/M Nabil Pratama/OneDrive/Pictures/Screenshots/Gambar WhatsApp 2024-12-06 pukul 13.33.15_c3fd0fc7.jpg" alt="Logo" style="width:200px; display: block; margin: auto;">


# 1.**Penjelasan Pengambilan Sampel**
Pengambilan sampel dalam statistik adalah teknik untuk mewakili keseluruhan populasi dengan hanya meneliti sebagian kecil yang disebut sampel. Agar hasil lebih akurat, sampel harus cukup besar, dipilih secara acak, dan bisa dibandingkan dengan kelompok sampel lain. Misalnya, jika sebuah sekolah ingin mengetahui pendapat siswa tentang susu cokelat saat makan siang, mengambil sampel 100 dari 1.000 siswa akan lebih representatif dibanding hanya 10 siswa. Pengambilan sampel tidak hanya berlaku untuk manusia, tetapi juga untuk objek lain seperti negara, perusahaan, atau burung. Untuk memahami lebih lanjut, bisa melihat video atau tutorial di situs GCF Global.

Sumber: https://www.youtube.com/watch?v=qhzkCebkSWE

# 2.**Penjelasan Populasi**
Populasi dalam statistik mencakup semua individu atau objek dalam suatu kelompok, seperti seluruh warga negara atau produk dari suatu perusahaan. Sampel adalah bagian kecil dari populasi yang digunakan untuk analisis. Populasi memiliki parameter tertentu, seperti rata-rata dan proporsi, sementara sampel memiliki statistik yang sesuai, seperti rata-rata sampel dan proporsi sampel. Karena mengumpulkan data dari seluruh populasi bisa sulit, statistik memungkinkan kita mengambil sampel untuk mendapatkan wawasan tentang populasi yang lebih besar. Dengan metode ini, kita bisa memperkirakan berbagai informasi penting tanpa harus mengumpulkan data dari setiap anggota populasi.

Sumber: https://www.youtube.com/watch?v=bJm2pt-mq2c

## **2.1 Populasi**
Populasi (N) mengacu pada seluruh kelompok individu, objek, atau peristiwa yang sedang dipelajari oleh seorang peneliti. Populasi mencakup semua pengamatan yang relevan dengan penelitian.

Contoh Populasi:

✔ Semua penduduk sebuah kota ketika mempelajari perilaku memilih.

✔ Setiap ponsel pintar yang diproduksi dari sebuah pabrik ketika menganalisis tingkat cacat.

✔ Setiap siswa di sebuah universitas ketika mengukur nilai ujian rata-rata.

### *Jenis-jenis Populasi:*

✔️ Populasi Berhingga: Populasi dengan jumlah elemen yang tetap. Contoh: Karyawan di sebuah perusahaan.

✔️ Populasi Tak Terbatas: Populasi dengan jumlah elemen yang tidak terhitung. Contoh: Bakteri dalam cawan petri.

✔️ Populasi Target: Populasi spesifik yang ingin diteliti oleh peneliti.

✔️ Populasi yang Dapat Diakses: Bagian dari populasi target yang tersedia untuk diteliti.

## **2.2 Sampel**
Sampel (n) adalah bagian dari populasi yang dipilih untuk dianalisis. Karena mempelajari seluruh populasi sering kali tidak praktis karena biaya, waktu, atau aksesibilitas, peneliti mengambil sampel untuk membuat kesimpulan tentang seluruh populasi.

Contoh Penggunaan Sampel:

 ✔ Menyurvei 1.000 penduduk suatu kota untuk memperkirakan opini publik.

 ✔ Memeriksa 500 smartphone yang dipilih secara acak untuk menilai tingkat kerusakan.

 ✔ Menganalisis nilai ujian dari 200 siswa yang dipilih secara acak.

### *Karakteristik Sampel yang Baik:*

✔️ Representatif: Mencerminkan populasi secara akurat.

✔️ Acak: Dipilih tanpa bias.

✔️ Cukup Besar: Memastikan estimasi yang dapat diandalkan.

✔️ Bias Minimal: Menghindari kesalahan sistematis.

## **Perbedaan Populasi dan Sampel**

Ketika melakukan penelitian atau analisis statistik, penting untuk memahami perbedaan antara **populasi** dan **sampel**.  
- **Populasi** adalah keseluruhan kelompok yang menjadi objek penelitian.  
- **Sampel** adalah sebagian kecil dari populasi yang dipilih untuk dianalisis.  

Berikut adalah tabel yang membandingkan perbedaan antara populasi dan sampel:

```{r, echo=FALSE, message=FALSE}
library(knitr)

# Data perbedaan dalam bentuk tabel
data <- data.frame(
  Fitur = c("Definisi", "Ukuran", "Notasi", "Parameter", "Biaya & Waktu", "Akurasi"),
  "Populasi (N)" = c("Kelompok keseluruhan dalam penelitian", 
                     "Besar atau tak terbatas", 
                     "Huruf besar (N, μ, σ)", 
                     "Nilai sebenarnya (misal: μ, σ)", 
                     "Biaya tinggi, waktu lama", 
                     "Memberikan informasi yang akurat"),
  "Sampel (n)" = c("Bagian dari populasi yang dipilih", 
                   "Lebih kecil dan dapat diatur",
                   "Huruf kecil (n, x̄, s)",
                   "Estimasi dari populasi (misal: x̄, s)",
                   "Lebih cepat dan hemat biaya",
                   "Memiliki margin of error")
)

# Menampilkan tabel dengan kable
knitr::kable(data, caption = "Perbedaan antara Populasi dan Sampel")
```
# 3.**Alasan Penggunaan Sample**
Penggunaan sampel dalam penelitian memungkinkan efisiensi biaya dan waktu, memudahkan studi pada populasi besar atau sulit diakses, serta menjaga akurasi data melalui metode statistik yang tepat. Selain itu, sampel mengurangi kompleksitas pengelolaan data dan memastikan etika penelitian, terutama dalam studi berisiko seperti uji klinis atau eksperimen sensitif. Dengan memilih sampel representatif, hasil penelitian dapat digeneralisasi ke populasi secara efektif tanpa mengorbankan kualitas.

# 4.**Menghindari Bias dari Sampel**
Bias dalam penelitian merujuk pada kesalahan sistematis yang memengaruhi keakuratan hasil, seperti alat ukur yang tidak akurat (misalnya termometer dengan pembacaan lebih tinggi) atau metode pengambilan sampel yang tidak representatif (contoh: hanya memilih pria muda untuk uji vaksin, mengabaikan kelompok lain). Jenis bias lain mencakup bias konfirmasi, ketika peneliti cenderung mengabaikan penjelasan alternatif (seperti efek gula dalam studi pewarna makanan pada hiperaktif anak). Bias dapat muncul di setiap tahap penelitian, mulai dari desain metode, pengumpulan data, hingga interpretasi hasil. Untuk meminimalkannya, penting menggunakan alat yang valid, memastikan sampel acak dan beragam, serta terbuka mempertimbangkan bukti yang bertentangan dengan hipotesis awal. Dengan menghindari sumber bias, hasil investigasi menjadi lebih objektif dan dapat dipercaya.

Sumber: https://www.youtube.com/watch?v=BNICMrYtPJY&t=1s

# 5.**Pengacakan dalam Sengambilan Sampel**
Proses ilmu data melibatkan tujuh langkah sistematis yang membantu menjawab pertanyaan kompleks, seperti menentukan gaji rata-rata ilmuwan data. Pertanyaan ini memerlukan pertimbangan variabel seperti lokasi geografis, kesenjangan gaji berbasis gender atau ras, serta penyesuaian biaya hidup—terutama dalam konteks kerja jarak jauh. Penelitian eksperimental idealnya membutuhkan pengacakan partisipan ke kelompok berbeda untuk mengidentifikasi hubungan sebab-akibat, namun hal ini sulit diterapkan dalam studi gaji karena keterbatasan kontrol terhadap faktor eksternal (seperti budaya perusahaan atau kepribadian individu). Alternatifnya, studi observasional mengumpulkan data alami melalui survei laporan diri, meskipun metode ini rentan terhadap bias pengukuran. Tantangan utama termasuk memastikan keandalan data (misalnya, apakah responden melaporkan gaji atau total kompensasi) dan validitas interpretasi. Penting bagi ilmuwan data untuk merancang metode pengumpulan yang transparan, mempertimbangkan keragaman sampel, dan kritis terhadap keterbatasan data agar hasil penelitian tetap relevan dan akurat.

Sumber: https://www.youtube.com/watch?v=U272FFxG8LE&t=1s

## **5.1 Simple Random Sampling (SRS):**
 Simple Random Sampling (SRS) adalah Metode pengambilan sampel di mana setiap anggota populasi memiliki peluang yang sama untuk dipilih.

Cara Kerja: Setiap anggota populasi diberi nomor unik, lalu dipilih secara acak menggunakan generator angka acak atau sistem lotere.

Contoh: Sebuah perusahaan memilih 500 karyawan dari 5.000 karyawan dengan memberi nomor pada setiap karyawan dan memilih 500 nomor secara acak.

## **5.2 Systematic Sampling:**
 Systematic Sampling adalah Metode pengambilan sampel di mana elemen dipilih pada interval teratur dari daftar yang diurutkan.
 
Cara Kerja: Menentukan interval sampling dengan membagi ukuran populasi dengan ukuran sampel, lalu memilih setiap elemen pada interval tersebut setelah titik awal acak.

Contoh: Seorang peneliti memilih setiap pelanggan ke-5 dari daftar 1.000 pembeli, dimulai dari titik acak.

## **5.3 Stratified Sampling:**
 Stratified Sampling adalah Metode pengambilan sampel yang membagi populasi menjadi subkelompok (strata) berdasarkan karakteristik tertentu, lalu mengambil sampel secara proporsional dari setiap strata.

Cara Kerja: Populasi dibagi menjadi strata, lalu sampel diambil secara acak dari setiap strata sesuai dengan proporsi mereka dalam populasi.

Contoh: Sebuah universitas mensurvei mahasiswa dari berbagai tahun akademik dengan proporsi yang sesuai dengan populasi mahasiswa.

# **6.Tantangan Pengambilan Sampel**
Sampling dalam penelitian adalah proses penting yang seringkali menghadapi berbagai tantangan yang dapat memengaruhi keakuratan dan keandalan hasil. Beberapa tantangan utama meliputi bias non-respons, di mana partisipan tidak mau atau tidak mampu merespons, yang dapat diatasi dengan mengirim pengingat tindak lanjut, menawarkan insentif, atau menyederhanakan format survei. Kesalahan kerangka sampling, seperti daftar yang tidak lengkap atau kedaluwarsa, dapat diminimalkan dengan memperbarui kerangka sampling, memeriksa silang sumber data, atau menggunakan teknik stratified sampling. Ukuran sampel yang tidak memadai seringkali disebabkan oleh keterbatasan sumber daya atau perhitungan yang salah, dan dapat diatasi dengan menggunakan metode statistik untuk menentukan ukuran sampel yang tepat serta memperhitungkan potensi dropout. Selain itu, kendala biaya dan waktu seperti biaya pengumpulan data yang tinggi atau keterlambatan dalam menjangkau partisipan dapat dikelola dengan menggunakan metode yang lebih efisien seperti survei online, otomatisasi pengumpulan data, dan optimalisasi sumber daya. Dengan mengatasi tantangan ini, peneliti dapat meningkatkan keandalan dan efisiensi proses sampling serta memastikan bahwa sampel yang dihasilkan lebih representatif terhadap populasi target.

# **7.Pengaplikasian dalam Industri**
Sampling memiliki peran penting di berbagai industri, seperti riset pasar untuk memahami preferensi pelanggan, kesehatan untuk mempelajari data pasien dan uji klinis, kontrol kualitas dalam memastikan standar produk, serta keuangan untuk menganalisis transaksi dan tren pasar, yang memungkinkan organisasi mendapatkan wawasan akurat, membuat keputusan yang tepat, dan mengoptimalkan proses dengan mengurangi kesalahan dan bias.