Teknik Sampling dan Survei
Margin of Error pada Moda Transportasi
Dataset Moda Transportasi
Laporan Studi
I. Pendahuluan
Penelitian ini bertujuan untuk membandingkan efektivitas metode Probability Sampling dan Non-Probability Sampling dalam mengestimasi karakteristik populasi, khususnya dalam memperkirakan moda transportasi yang digunakan oleh pekerja harian. Dalam penelitian berbasis sampel, Margin of Error (MoE) merupakan indikator krusial yang menunjukkan sejauh mana hasil sampel dapat merepresentasikan populasi secara keseluruhan.
MoE berperan penting dalam menentukan akurasi estimasi yang dihasilkan dari suatu survei. Semakin kecil nilai MoE, semakin dekat hasil survei dengan kondisi sebenarnya di populasi, sehingga kesimpulan yang diambil menjadi lebih reliabel. Namun, pengurangan MoE sering kali memerlukan peningkatan ukuran sampel, yang dapat berdampak pada efisiensi waktu dan sumber daya.
Dengan memahami berbagai metode pengambilan sampel dan bagaimana masing-masing metode memengaruhi MoE, penelitian ini juga bertujuan untuk mengevaluasi potensi bias yang dapat muncul. Metode Probability Sampling, yang menggunakan pendekatan acak, umumnya menghasilkan estimasi yang lebih akurat dengan MoE yang lebih kecil dibandingkan metode Non-Probability Sampling, yang dapat memiliki bias seleksi lebih tinggi. Oleh karena itu, analisis ini akan memberikan wawasan mendalam mengenai kelebihan dan keterbatasan setiap metode serta rekomendasi terbaik untuk digunakan dalam penelitian berbasis survei.
II. Metode Pengambilan Sampel yang Digunakan
Metode yang diterapkan dalam penelitian ini meliputi:
A. Metode Probabilitas
- Simple Random Sampling (SRS)
Pilih 453 individu secara acak dari seluruh populasi menggunakan generator angka acak. Metode ini memastikan setiap individu memiliki peluang yang sama untuk dipilih, sehingga hasil lebih tidak bias.
- Stratified Sampling
Bagi populasi ke dalam kelompok berdasarkan moda transportasi, kemudian ambil 453 sampel secara acak dari setiap kelompok. Metode ini meningkatkan representativitas karena memastikan setiap kelompok dalam populasi terwakili secara proporsional.
- Systematic Sampling
Pilih individu pada interval tetap dari daftar populasi yang telah diurutkan.
Contoh: Jika terdapat 1.000 individu dalam populasi dan sampel yang dibutuhkan adalah 453, maka interval pemilihan dihitung sebagai berikut:
\[ k = \frac{1000}{453} = 2 \] Artinya, individu dipilih setiap individu ke-2 dari daftar populasi.
- Cluster Sampling
Pilih secara acak dua moda transportasi, kemudian survei semua individu dalam kategori tersebut. Metode ini lebih efisien untuk populasi besar, tetapi dapat meningkatkan Margin of Error (MoE) jika cluster yang terpilih tidak cukup mewakili populasi secara keseluruhan.
B. Metode Non-Probabilitas
- Convenience Sampling: Wawancara dilakukan terhadap pekerja yang mudah dijangkau.
- Quota Sampling: Sejumlah pekerja tetap disurvei dalam setiap kategori tanpa pemilihan acak.
- Judgmental Sampling: Pekerja dipilih berdasarkan pertimbangan peneliti.
- Snowball Sampling: Pekerja awal merekomendasikan pekerja lain untuk berpartisipasi dalam survei.
III. Perhitungan MoE untuk Pengambilan Sampel Probabilitas
Margin of Error (MoE) dihitung menggunakan rumus:
\[ MoE = Z \times \left(\frac{s}{\sqrt{n}}\right) \]
| Metode_Sampling | Margin_of_Error |
|---|---|
| Simple Random Sampling | 461891.3 |
| Stratified Sampling | 204840.1 |
| Systematic Sampling | 437038.7 |
| Cluster Sampling | 464172.3 |
Dimana:
- Z = 1.96 (untuk tingkat kepercayaan 95%)
- s = Simpangan baku sampel (dihitung dari data yang dikumpulkan)
- n = Ukuran sampel
Perhitungan Simpangan Baku Sampel Berdasarkan Dataset
| Rata.rata.Sampel | Jumlah.Kuadrat.Deviasi | Variansi | Simpangan.Baku | |
|---|---|---|---|---|
| Usia | 38.74 | 1.483680e+05 | 1.48520e+02 | 12.19 |
| Pendapatan | 10993010.08 | 2.570387e+16 | 2.57296e+13 | 5072434.82 |
| Jarak_Kerja_km | 15.43 | 7.011303e+04 | 7.01800e+01 | 8.38 |
| Waktu_Tempuh_menit | 64.56 | 9.962985e+05 | 9.97300e+02 | 31.58 |
Dari hasil Margin of Error (MoE) untuk masing-masing metode Probability Sampling, kita dapat menyimpulkan:
- Stratified Sampling memiliki MoE paling kecil
(204,840.1)
- Ini berarti bahwa metode ini memberikan estimasi yang lebih akurat
dibandingkan metode lainnya.
- Hasil ini sesuai dengan teori bahwa pembagian populasi ke dalam strata berdasarkan karakteristik yang relevan (Moda Transportasi) mengurangi variabilitas antar kelompok dan meningkatkan akurasi estimasi.
- Ini berarti bahwa metode ini memberikan estimasi yang lebih akurat
dibandingkan metode lainnya.
- Systematic Sampling memiliki MoE sebesar
(437,038.7)
- MoE ini lebih besar dibandingkan Stratified Sampling, tetapi lebih
kecil dari Simple Random Sampling dan Cluster Sampling.
- Metode ini cukup efisien, tetapi bisa terpengaruh pola dalam data, yang mungkin menyebabkan sampel kurang representatif dalam beberapa kasus.
- MoE ini lebih besar dibandingkan Stratified Sampling, tetapi lebih
kecil dari Simple Random Sampling dan Cluster Sampling.
- Simple Random Sampling memiliki MoE sebesar
(461,891.3)
- Ini menunjukkan bahwa sampel acak murni tidak selalu menghasilkan
MoE yang paling kecil, terutama jika distribusi populasi tidak
merata.
- Tidak adanya stratifikasi menyebabkan variasi dalam sampel yang lebih besar, sehingga MoE lebih tinggi dibandingkan Stratified Sampling.
- Ini menunjukkan bahwa sampel acak murni tidak selalu menghasilkan
MoE yang paling kecil, terutama jika distribusi populasi tidak
merata.
- Cluster Sampling memiliki MoE terbesar (464,172.3)
- MoE yang paling besar menunjukkan bahwa metode ini memberikan hasil
yang paling bervariasi dibandingkan metode lainnya.
- Hal ini bisa terjadi karena Cluster Sampling hanya mengambil
beberapa kelompok secara acak, yang bisa menyebabkan sampel kurang
representatif terhadap populasi secara keseluruhan.
- MoE yang besar tidak selalu berarti metode ini buruk, tetapi menunjukkan bahwa hasilnya lebih rentan terhadap bias dibandingkan metode lain.
- MoE yang paling besar menunjukkan bahwa metode ini memberikan hasil
yang paling bervariasi dibandingkan metode lainnya.
Kesimpulan
- Stratified Sampling adalah metode terbaik untuk dataset
ini, karena menghasilkan Margin of Error (MoE) paling
kecil, sehingga memberikan estimasi yang lebih akurat.
- Systematic Sampling memberikan hasil yang cukup
baik, tetapi bisa terpengaruh pola dalam data.
- Simple Random Sampling memiliki MoE yang lebih
besar, menunjukkan bahwa metode ini mungkin kurang efisien
dibandingkan Stratified Sampling untuk dataset
ini.
- Cluster Sampling memiliki MoE terbesar, yang berarti bahwa hasilnya paling bervariasi dan bisa lebih bias dibandingkan metode lainnya.
IV. Analisis Bias dalam Pengambilan Sampel Non-Probabilitas
Dalam pengambilan sampel non-probabilitas, pemilihan individu tidak dilakukan secara acak, sehingga berpotensi menimbulkan bias dalam hasil survei. Berikut adalah sumber bias dalam setiap metode dan dampaknya terhadap hasil survei, serta perbandingannya dengan metode probabilitas.
| Metode Non-Probabilitas | Sumber Bias | Dampak Bias | Dibandingkan dengan Probabilitas |
|---|---|---|---|
| Convenience Sampling | Pemilihan responden berdasarkan kemudahan akses | Tidak mewakili populasi secara menyeluruh | SRS memberikan peluang yang lebih adil |
| Judgmental Sampling | Pemilihan berdasarkan subjektivitas peneliti | Tidak objektif, mengabaikan beberapa kelompok | Stratified Sampling mempertimbangkan semua kelompok |
| Quota Sampling | Tidak mempertimbangkan proporsi nyata populasi | Distribusi tidak akurat, tetap bergantung pada aksesibilitas | Stratified Sampling menggunakan distribusi populasi yang benar |
| Snowball Sampling | Pemilihan berdasarkan rekomendasi individu lain | Terbatas pada jaringan sosial tertentu, tidak independen | Cluster Sampling lebih acak dan representatif |
Kesimpulan
- Metode Non-Probabilitas cenderung memiliki
bias yang lebih tinggi, karena tidak menggunakan
pemilihan acak dalam pengambilan sampel.
- Metode Probabilitas lebih unggul dalam menghasilkan
sampel yang lebih representatif, yang mengarah pada
estimasi yang lebih akurat dan Margin of Error yang lebih
kecil.
- Jika waktu dan sumber daya terbatas, metode non-probabilitas bisa digunakan, tetapi harus diinterpretasikan dengan hati-hati karena kemungkinan besar terdapat bias yang mempengaruhi hasil survei.
V. Perbandingan Semua Metode
Setelah menghitung MoE dan menganalisis bias, hasil menunjukkan bahwa metode probabilitas memberikan estimasi yang lebih akurat dibandingkan metode non-probabilitas. Stratified Sampling terbukti lebih efisien dalam menangkap variasi populasi, sementara Cluster Sampling lebih ekonomis untuk sampel dalam jumlah besar.
Metode non-probabilitas lebih cepat dan murah tetapi memiliki tingkat bias yang lebih tinggi, sehingga kurang dapat digeneralisasi ke populasi luas.
VI. Ukuran Sampel yang Diperlukan untuk MoE = 5
Ukuran sampel minimum yang diperlukan dihitung dengan rumus:
\[ MoE = Z \times \left(\frac{\sigma}{\sqrt{n}}\right) \]
Di mana:
- Z = 1.96 (nilai Z untuk tingkat kepercayaan
95%)
- σ = 8.38 (simpangan baku sampel berdasarkan Jarak
kerja)
- MoE = 5 (Margin of Error yang diinginkan)
Untuk menghitung ukuran sampel minimum (n), kita gunakan rumus:
\[ n = \left(\frac{Z \times \sigma}{MoE}\right)^2 \]
Substitusi nilai:
\[ n = \left(\frac{1.96 \times 8.38}{5}\right)^2 \]
\[ n = \left(\frac{16.4248}{5}\right)^2 \]
\[ n = (3.28496)^2 \]
\[ n = 10.8 \]
Karena ukuran sampel harus berupa bilangan bulat, maka:
\[ n_{\text{min}} = \lceil 10.8 \rceil = 11 \]
Kesimpulan
Ukuran sampel minimum yang diperlukan adalah 11 individu untuk mencapai Margin of Error (MoE) sebesar 5 dengan tingkat kepercayaan 95%.
VII. Kesimpulan dan Rekomendasi
Metode probabilitas direkomendasikan untuk penelitian yang membutuhkan hasil yang dapat digeneralisasi, karena memberikan Margin of Error yang lebih kecil dan hasil yang lebih akurat. Namun, metode non-probabilitas dapat digunakan dalam penelitian eksploratif atau ketika sumber daya terbatas.
Untuk mendapatkan hasil yang lebih optimal dalam survei terkait moda transportasi pekerja harian, Stratified Sampling direkomendasikan karena memungkinkan proporsi populasi yang lebih akurat dalam setiap kategori yang ditentukan.
Referensi
[1] M. S. P. Mahmud, R. Chen, A. A. Mamun, and S. M. S. Islam, “A systematic review of the impact of artificial intelligence on the management of chronic diseases,” Reliability Engineering & System Safety, vol. 236, p. 109157, 2023. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0951832023001369. [Accessed: 08-Mar-2025].
---
title: "Teknik Sampling dan Survei"
subtitle: "Margin of Error pada Moda Transportasi"
author: "Alya Maura Raditha (52240003)"
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::readthedown:   # https://github.com/juba/rmdformats
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "C:/Users/Dell/OneDrive/Documents/statis/style.css"
---

<img id="author" src="C:\Users\Dell\OneDrive\Documents\statis\img/mora.jpg" alt="Logo" style="width:300px; display: block; margin: auto;">

---

# Dataset Moda Transportasi

```{r echo=FALSE, message=FALSE, warning=FALSE}
data <- read.csv("C:/Users/Dell/OneDrive/Documents/statis/datrans.csv", header = TRUE, sep = ",", stringsAsFactors = FALSE)
head(data)   # Menampilkan 6 baris pertama
``` 

# Laporan Studi

## I. Pendahuluan
  Penelitian ini bertujuan untuk membandingkan efektivitas metode Probability Sampling dan Non-Probability Sampling dalam mengestimasi karakteristik populasi, khususnya dalam memperkirakan moda transportasi yang digunakan oleh pekerja harian. Dalam penelitian berbasis sampel, Margin of Error (MoE) merupakan indikator krusial yang menunjukkan sejauh mana hasil sampel dapat merepresentasikan populasi secara keseluruhan.

  MoE berperan penting dalam menentukan akurasi estimasi yang dihasilkan dari suatu survei. Semakin kecil nilai MoE, semakin dekat hasil survei dengan kondisi sebenarnya di populasi, sehingga kesimpulan yang diambil menjadi lebih reliabel. Namun, pengurangan MoE sering kali memerlukan peningkatan ukuran sampel, yang dapat berdampak pada efisiensi waktu dan sumber daya.

  Dengan memahami berbagai metode pengambilan sampel dan bagaimana masing-masing metode memengaruhi MoE, penelitian ini juga bertujuan untuk mengevaluasi potensi bias yang dapat muncul. Metode Probability Sampling, yang menggunakan pendekatan acak, umumnya menghasilkan estimasi yang lebih akurat dengan MoE yang lebih kecil dibandingkan metode Non-Probability Sampling, yang dapat memiliki bias seleksi lebih tinggi. Oleh karena itu, analisis ini akan memberikan wawasan mendalam mengenai kelebihan dan keterbatasan setiap metode serta rekomendasi terbaik untuk digunakan dalam penelitian berbasis survei.

---

## II. Metode Pengambilan Sampel yang Digunakan
Metode yang diterapkan dalam penelitian ini meliputi:

### A. Metode Probabilitas 

1. **Simple Random Sampling (SRS)**  
Pilih **453 individu** secara acak dari seluruh populasi menggunakan generator angka acak. Metode ini memastikan setiap individu memiliki peluang yang sama untuk dipilih, sehingga hasil lebih tidak bias.  
2. **Stratified Sampling**  
Bagi populasi ke dalam kelompok berdasarkan **moda transportasi**, kemudian ambil **453 sampel secara acak dari setiap kelompok**. Metode ini meningkatkan representativitas karena memastikan setiap kelompok dalam populasi terwakili secara proporsional.  
3. **Systematic Sampling**  
Pilih individu pada interval tetap dari daftar populasi yang telah diurutkan.  
   **Contoh:** Jika terdapat **1.000 individu** dalam populasi dan sampel yang dibutuhkan adalah **453**, maka interval pemilihan dihitung sebagai berikut:  
   \[
   k = \frac{1000}{453} = 2
   \]
   Artinya, individu dipilih setiap **individu ke-2** dari daftar populasi.  
4. **Cluster Sampling**  
Pilih secara acak **dua moda transportasi**, kemudian survei **semua individu** dalam kategori tersebut. Metode ini lebih efisien untuk populasi besar, tetapi dapat meningkatkan **Margin of Error (MoE)** jika cluster yang terpilih tidak cukup mewakili populasi secara keseluruhan.

### B. Metode Non-Probabilitas
1. **Convenience Sampling**: Wawancara dilakukan terhadap pekerja yang mudah dijangkau.
2. **Quota Sampling**: Sejumlah pekerja tetap disurvei dalam setiap kategori tanpa pemilihan acak.
3. **Judgmental Sampling**: Pekerja dipilih berdasarkan pertimbangan peneliti.
4. **Snowball Sampling**: Pekerja awal merekomendasikan pekerja lain untuk berpartisipasi dalam survei.

---

## III. Perhitungan MoE untuk Pengambilan Sampel Probabilitas
Margin of Error (MoE) dihitung menggunakan rumus:

\[
MoE = Z \times \left(\frac{s}{\sqrt{n}}\right)
\]

```{r echo=FALSE, message=FALSE, warning=FALSE}
# Load library
library(dplyr)
library(tibble)  
library(knitr) 

# Baca dataset
data <- read.csv("C:/Users/Dell/OneDrive/Documents/statis/datrans.csv", 
                 header=TRUE, sep=",", stringsAsFactors=FALSE)

# Fungsi untuk menghitung Margin of Error (MoE)
calculate_moe <- function(sample_data, confidence_level = 0.95) {
  z_score <- qnorm((1 + confidence_level) / 2)  # Z-score untuk CI 95%
  s <- sd(sample_data$Pendapatan, na.rm = TRUE)  # Simpangan baku sampel
  n <- nrow(sample_data)  # Ukuran sampel
  moe <- z_score * (s / sqrt(n))
  return(moe)
}

# 1. Simple Random Sampling (SRS)
set.seed(123)
srs_sample <- data %>% sample_n(453)
moe_srs <- calculate_moe(srs_sample)

# 2. Stratified Sampling (berdasarkan Moda Transportasi)
strata_sample <- data %>%
  group_by(Moda_Transportasi) %>%
  sample_n(453, replace = TRUE)  # Pastikan setiap strata memiliki cukup sampel
moe_strata <- calculate_moe(strata_sample)

# 3. Systematic Sampling
k <- floor(nrow(data) / 453)
sys_sample <- data[seq(1, nrow(data), by = k), ]
moe_sys <- calculate_moe(sys_sample)

# 4. Cluster Sampling (Pilih 2 Moda Transportasi secara acak)
clusters <- sample(unique(data$Moda_Transportasi), 2)
cluster_sample <- data %>% filter(Moda_Transportasi %in% clusters)
moe_cluster <- calculate_moe(cluster_sample)

# Membuat tabel hasil dengan format rapi
hasil_moe <- tibble(
  Metode_Sampling = c("Simple Random Sampling", "Stratified Sampling", "Systematic Sampling", "Cluster Sampling"),
  Margin_of_Error = c(moe_srs, moe_strata, moe_sys, moe_cluster)
)

# Menampilkan tabel dengan kable
kable(hasil_moe, caption = "Perbandingan Margin of Error (MoE) pada Metode Probability Sampling")

``` 

Dimana:

- **Z** = 1.96 (untuk tingkat kepercayaan 95%)
- **s** = Simpangan baku sampel (dihitung dari data yang dikumpulkan)
- **n** = Ukuran sampel

**Perhitungan Simpangan Baku Sampel Berdasarkan Dataset**

```{r echo=FALSE, message=FALSE, warning=FALSE}
# Load library
library(dplyr)
library(knitr)  # Untuk tampilan tabel rapi

# Baca dataset
df <- read.csv("C:/Users/Dell/OneDrive/Documents/statis/datrans.csv")

# Pilih variabel numerik
numeric_cols <- c("Usia", "Pendapatan", "Jarak_Kerja_km", "Waktu_Tempuh_menit")

# Fungsi untuk menghitung statistik sampel
compute_sample_stats <- function(data) {
  n <- length(data)  # Jumlah sampel
  x_bar <- mean(data, na.rm = TRUE)  # Rata-rata sampel
  sum_squared_deviation <- sum((data - x_bar)^2, na.rm = TRUE)  # Jumlah kuadrat deviasi
  variance <- sum_squared_deviation / (n - 1)  # Variansi sampel
  sample_std <- sqrt(variance)  # Simpangan baku sampel
  
  return(data.frame(
    "Rata-rata Sampel" = round(x_bar, 2),
    "Jumlah Kuadrat Deviasi" = round(sum_squared_deviation, 2),
    "Variansi" = round(variance, 2),
    "Simpangan Baku" = round(sample_std, 2)
  ))
}

# Hitung statistik untuk semua variabel numerik
results <- lapply(df[numeric_cols], compute_sample_stats)

# Gabungkan hasil menjadi satu tabel
final_results <- do.call(rbind, results)
rownames(final_results) <- numeric_cols
kable(final_results, align = "c")


``` 

---

Dari hasil **Margin of Error (MoE) untuk masing-masing metode Probability Sampling**, kita dapat menyimpulkan:

1. **Stratified Sampling memiliki MoE paling kecil (204,840.1)**  
   - Ini berarti bahwa metode ini memberikan estimasi yang lebih akurat dibandingkan metode lainnya.  
   - Hasil ini sesuai dengan teori bahwa pembagian populasi ke dalam strata berdasarkan karakteristik yang relevan (Moda Transportasi) mengurangi variabilitas antar kelompok dan meningkatkan akurasi estimasi.  

2. **Systematic Sampling memiliki MoE sebesar (437,038.7)**  
   - MoE ini lebih besar dibandingkan Stratified Sampling, tetapi lebih kecil dari Simple Random Sampling dan Cluster Sampling.  
   - Metode ini cukup efisien, tetapi bisa terpengaruh pola dalam data, yang mungkin menyebabkan sampel kurang representatif dalam beberapa kasus.  

3. **Simple Random Sampling memiliki MoE sebesar (461,891.3)**  
   - Ini menunjukkan bahwa sampel acak murni tidak selalu menghasilkan MoE yang paling kecil, terutama jika distribusi populasi tidak merata.  
   - Tidak adanya stratifikasi menyebabkan variasi dalam sampel yang lebih besar, sehingga MoE lebih tinggi dibandingkan Stratified Sampling.  

4. **Cluster Sampling memiliki MoE terbesar (464,172.3)**  
   - MoE yang paling besar menunjukkan bahwa metode ini memberikan hasil yang paling bervariasi dibandingkan metode lainnya.  
   - Hal ini bisa terjadi karena Cluster Sampling hanya mengambil beberapa kelompok secara acak, yang bisa menyebabkan sampel kurang representatif terhadap populasi secara keseluruhan.  
   - MoE yang besar tidak selalu berarti metode ini buruk, tetapi menunjukkan bahwa hasilnya lebih rentan terhadap bias dibandingkan metode lain.  

### Kesimpulan
- **Stratified Sampling adalah metode terbaik untuk dataset ini**, karena menghasilkan **Margin of Error (MoE) paling kecil**, sehingga memberikan estimasi yang lebih akurat.  
- **Systematic Sampling memberikan hasil yang cukup baik**, tetapi bisa terpengaruh pola dalam data.  
- **Simple Random Sampling memiliki MoE yang lebih besar**, menunjukkan bahwa metode ini mungkin kurang efisien dibandingkan **Stratified Sampling** untuk dataset ini.  
- **Cluster Sampling memiliki MoE terbesar**, yang berarti bahwa hasilnya paling bervariasi dan bisa lebih bias dibandingkan metode lainnya.  

---

## IV. Analisis Bias dalam Pengambilan Sampel Non-Probabilitas

Dalam **pengambilan sampel non-probabilitas**, pemilihan individu tidak dilakukan secara acak, sehingga berpotensi menimbulkan bias dalam hasil survei. Berikut adalah **sumber bias dalam setiap metode** dan **dampaknya terhadap hasil survei**, serta perbandingannya dengan metode probabilitas.


| **Metode Non-Probabilitas** | **Sumber Bias** | **Dampak Bias** | **Dibandingkan dengan Probabilitas** |
|-----------------------------|----------------|-----------------|-------------------------------------|
| **Convenience Sampling** | Pemilihan responden berdasarkan kemudahan akses | Tidak mewakili populasi secara menyeluruh | SRS memberikan peluang yang lebih adil |
| **Judgmental Sampling** | Pemilihan berdasarkan subjektivitas peneliti | Tidak objektif, mengabaikan beberapa kelompok | Stratified Sampling mempertimbangkan semua kelompok |
| **Quota Sampling** | Tidak mempertimbangkan proporsi nyata populasi | Distribusi tidak akurat, tetap bergantung pada aksesibilitas | Stratified Sampling menggunakan distribusi populasi yang benar |
| **Snowball Sampling** | Pemilihan berdasarkan rekomendasi individu lain | Terbatas pada jaringan sosial tertentu, tidak independen | Cluster Sampling lebih acak dan representatif |


### Kesimpulan

- **Metode Non-Probabilitas** cenderung memiliki **bias yang lebih tinggi**, karena tidak menggunakan pemilihan acak dalam pengambilan sampel.  
- **Metode Probabilitas lebih unggul** dalam menghasilkan sampel yang **lebih representatif**, yang mengarah pada estimasi yang lebih akurat dan **Margin of Error yang lebih kecil**.  
- Jika **waktu dan sumber daya terbatas**, metode non-probabilitas **bisa digunakan**, tetapi harus **diinterpretasikan dengan hati-hati** karena kemungkinan besar terdapat bias yang mempengaruhi hasil survei.

---

## V. Perbandingan Semua Metode
Setelah menghitung MoE dan menganalisis bias, hasil menunjukkan bahwa metode probabilitas memberikan estimasi yang lebih akurat dibandingkan metode non-probabilitas. **Stratified Sampling** terbukti lebih efisien dalam menangkap variasi populasi, sementara **Cluster Sampling** lebih ekonomis untuk sampel dalam jumlah besar.

Metode non-probabilitas lebih cepat dan murah tetapi memiliki tingkat bias yang lebih tinggi, sehingga kurang dapat digeneralisasi ke populasi luas.

---

## VI. Ukuran Sampel yang Diperlukan untuk MoE = 5
Ukuran sampel minimum yang diperlukan dihitung dengan rumus:

\[
MoE = Z \times \left(\frac{\sigma}{\sqrt{n}}\right)
\]

Di mana:

- **Z = 1.96** (nilai Z untuk tingkat kepercayaan 95%)  
- **σ = 8.38** (simpangan baku sampel berdasarkan Jarak kerja)  
- **MoE = 5** (Margin of Error yang diinginkan)  

Untuk menghitung ukuran sampel minimum **(n)**, kita gunakan rumus:

\[
n = \left(\frac{Z \times \sigma}{MoE}\right)^2
\]

Substitusi nilai:

\[
n = \left(\frac{1.96 \times 8.38}{5}\right)^2
\]

\[
n = \left(\frac{16.4248}{5}\right)^2
\]

\[
n = (3.28496)^2
\]

\[
n = 10.8
\]

Karena ukuran sampel harus berupa bilangan bulat, maka:

\[
n_{\text{min}} = \lceil 10.8 \rceil = 11
\]

### Kesimpulan
Ukuran sampel **minimum yang diperlukan adalah 11 individu** untuk mencapai **Margin of Error (MoE) sebesar 5** dengan tingkat kepercayaan 95%.

---

## VII. Kesimpulan dan Rekomendasi
Metode probabilitas direkomendasikan untuk penelitian yang membutuhkan hasil yang dapat digeneralisasi, karena memberikan Margin of Error yang lebih kecil dan hasil yang lebih akurat. Namun, metode non-probabilitas dapat digunakan dalam penelitian eksploratif atau ketika sumber daya terbatas.

Untuk mendapatkan hasil yang lebih optimal dalam survei terkait moda transportasi pekerja harian, **Stratified Sampling** direkomendasikan karena memungkinkan proporsi populasi yang lebih akurat dalam setiap kategori yang ditentukan.

---

# Referensi

**[1]** M. S. P. Mahmud, R. Chen, A. A. Mamun, and S. M. S. Islam, “A systematic review of the impact of artificial intelligence on the management of chronic diseases,” *Reliability Engineering & System Safety*, vol. 236, p. 109157, 2023. [Online]. Available: [https://www.sciencedirect.com/science/article/pii/S0951832023001369](https://www.sciencedirect.com/science/article/pii/S0951832023001369). [Accessed: 08-Mar-2025].