SAMPLING & SURVEY TECHNIQUES

Margin Of Error

STUDI KASUS: PENANGANAN MARGIN KESALAHAN (MoE) DALAM METODE PENGAMBILAN SAMPEL

1. Latar Belakang

Universitas ingin memperkirakan rata-rata pengeluaran makanan bulanan mahasiswanya. Metode pengambilan sampel yang digunakan dapat mempengaruhi akurasi estimasi. Studi ini membandingkan:

Simple Random Sampling (SRS)
Convenience Sampling

Untuk menilai efektivitas, kita akan menghitung dan membandingkan Margin of Error (MoE).

2. Rumusan Masalah

Membandingkan akurasi SRS vs. Convenience Sampling.
Bagaimana perbandingan Margin of Error (MoE)?
Apakah ada perbedaan signifikan dalam distribusi pengeluaran?

3. Membaca Dataset

## tibble [500 × 6] (S3: tbl_df/tbl/data.frame)
##  $ ID Mahasiswa                    : chr [1:500] "ID0001" "ID0002" "ID0003" "ID0004" ...
##  $ Jenis Kelamin                   : chr [1:500] "Laki-laki" "Laki-laki" "Perempuan" "Laki-laki" ...
##  $ Usia                            : num [1:500] 24 24 23 23 18 20 22 25 23 24 ...
##  $ Fakultas                        : chr [1:500] "Sastra" "Sastra" "Hukum" "Hukum" ...
##  $ Metode Sampling                 : chr [1:500] "SRS" "SRS" "Convenience Sampling" "SRS" ...
##  $ Pengeluaran Makanan Bulanan (Rp): num [1:500] 1544614 663756 1790538 1254256 1041697 ...

##  ID Mahasiswa       Jenis Kelamin           Usia         Fakultas        
##  Length:500         Length:500         Min.   :18.00   Length:500        
##  Class :character   Class :character   1st Qu.:20.00   Class :character  
##  Mode  :character   Mode  :character   Median :21.00   Mode  :character  
##                                        Mean   :21.45                     
##                                        3rd Qu.:23.00                     
##                                        Max.   :25.00                     
##  Metode Sampling    Pengeluaran Makanan Bulanan (Rp)
##  Length:500         Min.   : 501884                 
##  Class :character   1st Qu.: 915705                 
##  Mode  :character   Median :1273184                 
##                     Mean   :1278514                 
##                     3rd Qu.:1639198                 
##                     Max.   :1997212

Dataset yang digunakan berisi informasi tentang pengeluaran makanan bulanan mahasiswa, metode pengambilan sampel, dan karakteristik lainnya. Untuk metode Simple Random Sampling (SRS) dan Convenience Sampling, kita menggunakan data yang telah difilter sesuai metode tersebut.

📥 Unduh Dataset di sini

3.1 Struktur Data

Dataset terdiri dari 500 baris dan 6 kolom. Berikut adalah deskripsi variabel:

Variabel	Tipe Data	Deskripsi
ID Mahasiswa	Character	Identifikasi unik untuk setiap mahasiswa.
Jenis Kelamin	Character	Kategori jenis kelamin mahasiswa (“Laki-laki” atau “Perempuan”).
Usia	Numeric	Usia mahasiswa dalam tahun (rentang: 18-25 tahun).
Fakultas	Character	Fakultas tempat mahasiswa terdaftar (contoh: Sastra, Hukum, Ekonomi, dll.).
Metode Sampling	Character	Metode pengambilan sampel: SRS (Simple Random Sampling) atau Convenience Sampling.
Pengeluaran Makanan Bulanan (Rp)	Numeric	Jumlah uang yang dikeluarkan mahasiswa untuk makanan per bulan (dalam Rupiah).

3.2 Ringkasan Data

3.2.1 Data

Berikut adalah data dari dataset:

ID Mahasiswa	Jenis Kelamin	Usia	Fakultas	Metode Sampling
ID0001	Laki-laki	24	Sastra	SRS
ID0002	Laki-laki	24	Sastra	SRS
ID0003	Perempuan	23	Hukum	Convenience Sampling
ID0004	Laki-laki	23	Hukum	SRS
ID0005	Perempuan	18	Ekonomi	Convenience Sampling
ID0006	Perempuan	20	Ekonomi	SRS

Mahasiswa berasal dari berbagai fakultas dan menggunakan metode sampling yang berbeda. Usia mahasiswa dalam contoh ini berkisar antara 18 hingga 24 tahun.

3.2.2 Statistik Deskriptif

Usia Mahasiswa:
- Minimal: 18 tahun
- Maksimal: 25 tahun
- Kuartil 1 (Q1): 20 tahun
- Median: 21 tahun
- Mean (Rata-rata): 21.45 tahun
- Kuartil 3 (Q3): 23 tahun
- Kesimpulan: Mayoritas mahasiswa berusia sekitar 21-23 tahun.
Pengeluaran Makanan Bulanan (Rp):
- Minimal: Rp 501.884
- Kuartil 1 (Q1): Rp 915.705
- Median: Rp 1.273.184
- Mean (Rata-rata): Rp 1.278.514
- Kuartil 3 (Q3): Rp 1.639.198
- Maksimal: Rp 1.997.212
- Kesimpulan: Sebagian besar mahasiswa menghabiskan sekitar Rp 1.273.184 per bulan untuk makanan. Sebaran pengeluaran relatif simetris.

3.3 Kesimpulan

Usia mahasiswa berkisar antara 18-25 tahun, dengan rata-rata 21.45 tahun.
Pengeluaran makanan bulanan mahasiswa rata-rata adalah Rp 1.278.514, dengan rentang antara Rp 501.884 hingga Rp 1.997.212.
Metode pengambilan sampel yang digunakan terdiri dari SRS dan Convenience Sampling.
Fakultas mahasiswa tersebar di berbagai bidang, seperti Sastra, Hukum, dan Ekonomi.

4. Menentukan Metode Margin of Error untuk Studi Kasus

Metode Margin of Error (MoE) dihitung menggunakan rumus:

\[ MoE = Z * SE \]

Di mana:

Z adalah nilai kritis yang sesuai dengan tingkat kepercayaan
SE adalah standar error, yaitu standar deviasi dibagi akar ukuran sampel

Dalam penelitian ini, kita akan menghitung Margin of Error (MoE) menggunakan dua metode pengambilan sampel yang berbeda:

Simple Random Sampling (SRS) - Probabilitas
Convenience Sampling - Non-Probabilitas

4.1 Alasan Menggunakan Simple Random Sampling (SRS)

Simple Random Sampling (SRS) dipilih sebagai metode probabilitas dalam penelitian ini karena:

Setiap individu dalam populasi memiliki peluang yang sama untuk terpilih, sehingga mengurangi bias seleksi.
Memastikan distribusi sampel yang lebih representatif, sehingga hasil penelitian dapat digeneralisasi ke populasi yang lebih luas.
Dapat digunakan untuk menghitung Margin of Error (MoE) dengan tepat, karena data yang diperoleh lebih mendekati distribusi normal.
Sederhana dan efektif dibandingkan metode probabilitas lainnya, seperti Stratified Sampling atau Cluster Sampling, yang membutuhkan segmentasi awal.

Perbandingan dengan Metode Probabilitas Lainnya

Metode	Kelebihan	Kekurangan
Simple Random Sampling (SRS)	Tidak bias, sederhana, dan representatif	Perlu daftar populasi, bisa sulit diterapkan untuk populasi besar
Stratified Sampling	Akurasi tinggi jika ada perbedaan antar kelompok	Perlu data awal untuk pengelompokan yang akurat
Cluster Sampling	Hemat biaya dan waktu untuk populasi besar	Bisa memiliki variabilitas tinggi jika klaster tidak homogen
Systematic Sampling	Mudah diterapkan dan terstruktur	Bisa menghasilkan bias jika ada pola dalam populasi

Kesimpulan: SRS dipilih karena sederhana, akurasi tinggi, dan bisa digeneralisasi ke populasi, sementara metode lain seperti Stratified atau Cluster Sampling lebih cocok jika ada informasi demografi yang perlu dipertimbangkan.

4.2 Alasan Menggunakan Convenience Sampling

Convenience Sampling dipilih sebagai metode non-probabilitas dalam penelitian ini karena:

Mudah dan cepat dilakukan, karena sampel dipilih berdasarkan aksesibilitas tanpa proses acak.
Tidak memerlukan daftar populasi, sehingga cocok untuk penelitian dengan keterbatasan waktu dan sumber daya.
Sering digunakan dalam survei awal (preliminary research) untuk mendapatkan gambaran kasar sebelum melakukan penelitian lebih besar.
Cocok untuk situasi di mana tidak memungkinkan mendapatkan akses ke seluruh populasi (misalnya, hanya bisa mewawancarai mahasiswa di kantin atau perpustakaan).

Perbandingan dengan Metode Non-Probabilitas Lainnya

Metode	Kelebihan	Kekurangan
Convenience Sampling	Mudah, cepat, dan murah	Bias tinggi, hasil tidak bisa digeneralisasi
Quota Sampling	Menargetkan proporsi tertentu dalam populasi	Memerlukan data awal yang akurat
Judgmental Sampling	Dipilih berdasarkan keahlian peneliti	Sangat subjektif, bisa menghasilkan bias
Snowball Sampling	Berguna untuk populasi sulit dijangkau	Tidak acak, bias tinggi, tidak bisa direplikasi

Kesimpulan: Convenience Sampling dipilih karena praktis dan mudah diterapkan, meskipun memiliki keterbatasan dalam akurasi dan representasi populasi.

4.3 Kesimpulan dan Justifikasi Pemilihan Metode

Aspek	Simple Random Sampling (SRS)	Convenience Sampling	Alternatif Lain
Jenis Sampling	Probabilitas	Non-Probabilitas	Probabilitas & Non-Probabilitas
Kesempatan Dipilih	Sama untuk semua individu	Berdasarkan kemudahan akses	Berdasarkan kriteria tertentu
Kemudahan Pelaksanaan	Perlu daftar populasi dan pemilihan acak	Cepat dan mudah dilakukan	Bisa lebih kompleks
Biaya	Lebih mahal	Lebih murah	Bervariasi
Bias	Rendah	Tinggi	Sedang - Tinggi
Dapat Digeneralisasi	Ya, hasil mewakili populasi	Tidak, hanya berlaku untuk sampel tersebut	Tergantung metode
Perhitungan MoE	Akurat	Kurang akurat	Bervariasi

Kesimpulan:
- SRS lebih cocok untuk studi akademik atau penelitian yang membutuhkan hasil yang akurat dan dapat digeneralisasi.
- Convenience Sampling lebih cocok untuk penelitian eksplorasi atau studi dengan keterbatasan sumber daya.
- Dengan membandingkan Margin of Error (MoE) dari kedua metode ini, kita dapat mengukur perbedaan akurasi antara sampling probabilitas dan non-probabilitas.

5. Menghitung Margin Of Error

5.1 Menghitung Standar Deviasi

Standar deviasi dihitung menggunakan rumus:

\[ s = \sqrt{\frac{\sum (x\_i - \bar{x})^2}{n-1}} \]

Di mana:

\(x_i\) = nilai individu dalam sampel
\(\bar{x}\) = rata-rata sampel
\(n\) = ukuran sampel
\(s\) = standar deviasi sampel

Dari dataset yang diberikan, perhitungan menghasilkan:

Rata-rata pengeluaran makanan bulanan: Rp 1.278.514
Varians sampel: Rp 178.590.686.775
Standar deviasi sampel untuk SRS: Rp 421.206
Standar deviasi sampel untuk Convenience Sampling: Rp 425.090

Standar deviasi ini digunakan dalam perhitungan Standar Error (SE) dan Margin of Error (MoE).

5.2 Rumus Perhitungan

Margin of Error (MoE) dihitung menggunakan rumus:

\[ MoE = Z * SE \]

Standar Error (SE) dihitung dengan rumus:

\[ SE = \frac{\sigma}{\sqrt{n}} \]

Di mana:

Z = Skor Z sesuai dengan tingkat kepercayaan (misalnya, 1.96 untuk 95%)
σ = Simpangan baku populasi atau sampel
n = Ukuran sampel

5.3 Menentukan Tingkat Kepercayaan

Tingkat kepercayaan yang kita gunakan di sini adalah 95%. Ini berarti kita yakin bahwa 95% dari sampel yang kita ambil akan mencerminkan rata-rata populasi dengan benar.

5.4 Menentukan Nilai Kritis (Z-Value)

Karena tingkat kepercayaan adalah 95%, nilai kritis (Z) yang sesuai adalah 1.96. Nilai ini diambil dari tabel distribusi normal (tabel Z) dan menunjukkan jarak dari rata-rata dalam satuan standar deviasi.

5.5 Menghitung Standar Error (SE)

5.5.1 Metode Simple Random Sampling (SRS)

Standar deviasi sampel (σ): Rp 421.206
Ukuran sampel (n): 277

Menghitung SE:

\[ SE = \frac{421.206}{\sqrt{277}} = Rp 25.308 \]

Jadi, standar error untuk metode SRS adalah Rp 25.308.

5.5.2 Metode Convenience Sampling

Standar deviasi sampel (σ): Rp 510.789
Ukuran sampel (n): 223

Menghitung SE:

\[ SE = \frac{510.789}{\sqrt{223}} = Rp 34.242 \]

Jadi, standar error untuk metode Convenience Sampling adalah Rp 34.242.

5.6 Menghitung Margin of Error (MoE)

5.6.1 Metode Simple Random Sampling (SRS)

\[ MoE = 1.96 * 25.308 = Rp 49.602 \]

Jadi, Margin of Error untuk metode SRS adalah Rp 49.602.

5.6.2 Metode Convenience Sampling

\[ MoE = 1.96 * 34.242 = Rp 67.114 \]

Jadi, Margin of Error untuk metode Convenience Sampling adalah Rp 67.114.

5.7 Menentukan Interval Kepercayaan

5.7.1 Metode Simple Random Sampling (SRS)

Rata-rata sampel: Rp 1.285.987

\[ CI = \bar{x} \pm (Z * SE) \] Metode Simple Random Sampling (SRS)

Rata-rata sampel (𝑥̄): Rp 1.285.987
Standar Error (SE): Rp 25.308
Z-score untuk 95% confidence level: 1.96
Margin of Error (MoE):
\[ 1.96 \times 25.308 = 49.602 \]

\[ Batas Bawah = 1.285.987 - 49.602 = Rp 1.236.385 Batas Atas = 1.285.987 + 49.602 = Rp 1.335.590 \]

Interval kepercayaan untuk metode SRS: Rp 1.236.385 sampai Rp 1.335.590.

5.7.2 Metode Convenience Sampling

Rata-rata sampel: Rp 1.310.450

\[ CI = \bar{x} \pm (Z * SE) \]

Metode Convenience Sampling

Rata-rata sampel (𝑥̄): Rp 1.310.450
Standar Error (SE): Rp 34.265
Z-score untuk 95% confidence level: 1.96
Margin of Error (MoE):
\[ 1.96 \times 34.265 = 67.114 \]

\[ Batas Bawah = 1.310.450 - 67.114 = Rp 1.243.336 Batas Atas = 1.310.450 + 67.114 = Rp 1.377.564 \]

Interval kepercayaan untuk metode Convenience Sampling: Rp 1.243.336 sampai Rp 1.377.564.

6. Kesimpulan

Perhitungan Margin of Error ini menunjukkan bahwa metode Simple Random Sampling (SRS) menghasilkan Margin of Error yang lebih kecil (Rp 49.602) dibandingkan metode Convenience Sampling (Rp 67.114). Ini berarti metode SRS memberikan estimasi rata-rata pengeluaran makanan bulanan mahasiswa yang lebih akurat. Dengan demikian, dalam studi yang memerlukan tingkat akurasi tinggi, metode SRS lebih disarankan.

Menjawab rumusan masalah:

Membandingkan akurasi SRS vs. Convenience Sampling: SRS lebih akurat karena menghasilkan Margin of Error yang lebih kecil dan interval kepercayaan yang lebih sempit.
Bagaimana perbandingan Margin of Error (MoE)? Margin of Error metode SRS adalah Rp 49.602, sedangkan metode Convenience Sampling adalah Rp 67.114.
Apakah ada perbedaan signifikan dalam distribusi pengeluaran? Ya, metode Convenience Sampling menunjukkan lebih banyak variasi dan outlier, sehingga distribusinya kurang stabil dibandingkan SRS.

Rata-rata pengeluaran lebih tinggi pada SRS.

MoE lebih kecil pada SRS, hasil estimasi lebih akurat.

Convenience Sampling memiliki lebih banyak outlier.

SRS metode yang lebih baik.

7. Rekomendasi Lanjutan

Lakukan uji statistik (t-test).
Analisis faktor lain (jenis kelamin, fakultas).
Lakukan regresi.

8. Referensi

https://bookdown.org/dsciencelabs/sampling_and_survey_techniques/docs/04-Margin-of-Error.html#convenience-sampling

https://researchscape.com/blog/the-myth-of-margin-of-error

https://dovetail.com/surveys/margin-of-error/

https://www.qualtrics.com/experience-management/research/margin-of-error/

https://pmc.ncbi.nlm.nih.gov/articles/PMC4817645/

---  
title: "SAMPLING & SURVEY TECHNIQUES"  
subtitle: "Margin Of Error"  
author: "Dadan Ramdan Hidayat (52240028)"  
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: true  
    css: "style.css"  
---  

<img src="FOTO TERBARU_11zon.jpg" width="300" style="display: block; margin: auto;" alt="">


# STUDI KASUS: PENANGANAN MARGIN KESALAHAN (MoE) DALAM METODE PENGAMBILAN SAMPEL  

## 1. Latar Belakang

Universitas ingin memperkirakan rata-rata pengeluaran makanan bulanan mahasiswanya. Metode pengambilan sampel yang digunakan dapat mempengaruhi akurasi estimasi. Studi ini membandingkan:  

1.  Simple Random Sampling (SRS)  
2.  Convenience Sampling  

Untuk menilai efektivitas, kita akan menghitung dan membandingkan Margin of Error (MoE).  

## 2. Rumusan Masalah  

*   Membandingkan akurasi SRS vs. Convenience Sampling.  
*   Bagaimana perbandingan Margin of Error (MoE)?  
*   Apakah ada perbedaan signifikan dalam distribusi pengeluaran?  

## 3. Membaca Dataset  
```{r, echo=FALSE, warning=FALSE, message=FALSE}
# Load library untuk membaca file Excel
library(readxl)  

# Membaca file dataset yang bernama "sample_survey_data.xlsx"
data <- read_excel("sample_survey_data.xlsx")  

# Menampilkan 6 baris pertama dari dataset
head(data)  

# Menampilkan struktur dataset (jenis variabel, jumlah kolom, dll.)
str(data)  

# Menampilkan ringkasan statistik dari dataset
summary(data)  
```
Dataset yang digunakan berisi informasi tentang pengeluaran makanan bulanan mahasiswa, metode pengambilan sampel, dan karakteristik lainnya. Untuk metode Simple Random Sampling (SRS) dan Convenience Sampling, kita menggunakan data yang telah difilter sesuai metode tersebut.

📥 [Unduh Dataset di sini](https://1drv.ms/x/c/e163d2802ef089bd/EWpVpLUS00JLqCEjX573qRcBUZqkayRXLTtthtzN2UNWJg?e=kQh3W5)

### 3.1 Struktur Data  

Dataset terdiri dari 500 baris dan 6 kolom. Berikut adalah deskripsi variabel:  

| Variabel                         | Tipe Data   | Deskripsi                                                                      |  
| -------------------------------- | ----------- | ------------------------------------------------------------------------------ |  
| ID Mahasiswa                     | Character   | Identifikasi unik untuk setiap mahasiswa.                                       |  
| Jenis Kelamin                    | Character   | Kategori jenis kelamin mahasiswa ("Laki-laki" atau "Perempuan").               |  
| Usia                             | Numeric     | Usia mahasiswa dalam tahun (rentang: 18-25 tahun).                               |  
| Fakultas                         | Character   | Fakultas tempat mahasiswa terdaftar (contoh: Sastra, Hukum, Ekonomi, dll.).   |  
| Metode Sampling                  | Character   | Metode pengambilan sampel: SRS (Simple Random Sampling) atau Convenience Sampling. |  
| Pengeluaran Makanan Bulanan (Rp) | Numeric     | Jumlah uang yang dikeluarkan mahasiswa untuk makanan per bulan (dalam Rupiah).   |  

### 3.2 Ringkasan Data  

#### 3.2.1 Data   

Berikut adalah data dari dataset:  

| ID Mahasiswa | Jenis Kelamin | Usia | Fakultas | Metode Sampling      |  
| ------------ | ------------- | ---- | -------- | -------------------- |  
| ID0001       | Laki-laki    | 24   | Sastra   | SRS                  |  
| ID0002       | Laki-laki    | 24   | Sastra   | SRS                  |  
| ID0003       | Perempuan     | 23   | Hukum    | Convenience Sampling |  
| ID0004       | Laki-laki    | 23   | Hukum    | SRS                  |  
| ID0005       | Perempuan     | 18   | Ekonomi  | Convenience Sampling |  
| ID0006       | Perempuan     | 20   | Ekonomi  | SRS                  |  

Mahasiswa berasal dari berbagai fakultas dan menggunakan metode sampling yang berbeda. Usia mahasiswa dalam contoh ini berkisar antara 18 hingga 24 tahun.  

#### 3.2.2 Statistik Deskriptif  

1.  **Usia Mahasiswa:**  
    *   Minimal: 18 tahun  
    *   Maksimal: 25 tahun  
    *   Kuartil 1 (Q1): 20 tahun  
    *   Median: 21 tahun  
    *   Mean (Rata-rata): 21.45 tahun  
    *   Kuartil 3 (Q3): 23 tahun  
    *   *Kesimpulan: Mayoritas mahasiswa berusia sekitar 21-23 tahun.*  

2.  **Pengeluaran Makanan Bulanan (Rp):**  
    *   Minimal: Rp 501.884  
    *   Kuartil 1 (Q1): Rp 915.705  
    *   Median: Rp 1.273.184  
    *   Mean (Rata-rata): Rp 1.278.514  
    *   Kuartil 3 (Q3): Rp 1.639.198  
    *   Maksimal: Rp 1.997.212  
    *   *Kesimpulan: Sebagian besar mahasiswa menghabiskan sekitar Rp 1.273.184 per bulan untuk makanan. Sebaran pengeluaran relatif simetris.*  

### 3.3 Kesimpulan  

*   Usia mahasiswa berkisar antara 18-25 tahun, dengan rata-rata 21.45 tahun.  
*   Pengeluaran makanan bulanan mahasiswa rata-rata adalah Rp 1.278.514, dengan rentang antara Rp 501.884 hingga Rp 1.997.212.  
*   Metode pengambilan sampel yang digunakan terdiri dari SRS dan Convenience Sampling.  
*   Fakultas mahasiswa tersebar di berbagai bidang, seperti Sastra, Hukum, dan Ekonomi.  


## 4. Menentukan Metode Margin of Error untuk Studi Kasus

Metode Margin of Error (MoE) dihitung menggunakan rumus:

$$
MoE = Z * SE
$$

Di mana:

- **Z** adalah nilai kritis yang sesuai dengan tingkat kepercayaan
- **SE** adalah standar error, yaitu standar deviasi dibagi akar ukuran sampel

Dalam penelitian ini, kita akan menghitung **Margin of Error (MoE)** menggunakan dua metode pengambilan sampel yang berbeda:  

1. **Simple Random Sampling (SRS) - Probabilitas**  
2. **Convenience Sampling - Non-Probabilitas**  

### 4.1 Alasan Menggunakan Simple Random Sampling (SRS)  

Simple Random Sampling (SRS) dipilih sebagai metode **probabilitas** dalam penelitian ini karena:  

- **Setiap individu dalam populasi memiliki peluang yang sama untuk terpilih**, sehingga mengurangi bias seleksi.  
- **Memastikan distribusi sampel yang lebih representatif**, sehingga hasil penelitian dapat digeneralisasi ke populasi yang lebih luas.  
- **Dapat digunakan untuk menghitung Margin of Error (MoE) dengan tepat**, karena data yang diperoleh lebih mendekati distribusi normal.  
- **Sederhana dan efektif dibandingkan metode probabilitas lainnya**, seperti **Stratified Sampling** atau **Cluster Sampling**, yang membutuhkan segmentasi awal.  

#### Perbandingan dengan Metode Probabilitas Lainnya  

| **Metode**                   | **Kelebihan**                                            | **Kekurangan**                                        |
|------------------------------|----------------------------------------------------------|------------------------------------------------------|
| **Simple Random Sampling (SRS)** | Tidak bias, sederhana, dan representatif | Perlu daftar populasi, bisa sulit diterapkan untuk populasi besar |
| **Stratified Sampling**       | Akurasi tinggi jika ada perbedaan antar kelompok       | Perlu data awal untuk pengelompokan yang akurat     |
| **Cluster Sampling**          | Hemat biaya dan waktu untuk populasi besar            | Bisa memiliki variabilitas tinggi jika klaster tidak homogen |
| **Systematic Sampling**       | Mudah diterapkan dan terstruktur                      | Bisa menghasilkan bias jika ada pola dalam populasi |

> **Kesimpulan:** SRS dipilih karena **sederhana**, **akurasi tinggi**, dan **bisa digeneralisasi** ke populasi, sementara metode lain seperti Stratified atau Cluster Sampling lebih cocok jika ada informasi demografi yang perlu dipertimbangkan.

### 4.2 Alasan Menggunakan Convenience Sampling  

Convenience Sampling dipilih sebagai metode **non-probabilitas** dalam penelitian ini karena:  

- **Mudah dan cepat dilakukan**, karena sampel dipilih berdasarkan aksesibilitas tanpa proses acak.  
- **Tidak memerlukan daftar populasi**, sehingga cocok untuk penelitian dengan keterbatasan waktu dan sumber daya.  
- **Sering digunakan dalam survei awal (preliminary research)** untuk mendapatkan gambaran kasar sebelum melakukan penelitian lebih besar.  
- **Cocok untuk situasi di mana tidak memungkinkan mendapatkan akses ke seluruh populasi** (misalnya, hanya bisa mewawancarai mahasiswa di kantin atau perpustakaan).  

#### Perbandingan dengan Metode Non-Probabilitas Lainnya  

| **Metode**                     | **Kelebihan**                                        | **Kekurangan**                                      |
|--------------------------------|------------------------------------------------------|----------------------------------------------------|
| **Convenience Sampling**        | Mudah, cepat, dan murah                             | Bias tinggi, hasil tidak bisa digeneralisasi     |
| **Quota Sampling**              | Menargetkan proporsi tertentu dalam populasi       | Memerlukan data awal yang akurat                 |
| **Judgmental Sampling**         | Dipilih berdasarkan keahlian peneliti              | Sangat subjektif, bisa menghasilkan bias         |
| **Snowball Sampling**           | Berguna untuk populasi sulit dijangkau             | Tidak acak, bias tinggi, tidak bisa direplikasi  |

> **Kesimpulan:** Convenience Sampling dipilih karena **praktis dan mudah diterapkan**, meskipun memiliki keterbatasan dalam akurasi dan representasi populasi.  

### 4.3 Kesimpulan dan Justifikasi Pemilihan Metode  

| **Aspek**                  | **Simple Random Sampling (SRS)** | **Convenience Sampling** | **Alternatif Lain** |
|----------------------------|--------------------------------|-------------------------|----------------------|
| **Jenis Sampling**          | Probabilitas                   | Non-Probabilitas       | Probabilitas & Non-Probabilitas |
| **Kesempatan Dipilih**      | Sama untuk semua individu      | Berdasarkan kemudahan akses | Berdasarkan kriteria tertentu |
| **Kemudahan Pelaksanaan**   | Perlu daftar populasi dan pemilihan acak | Cepat dan mudah dilakukan | Bisa lebih kompleks |
| **Biaya**                   | Lebih mahal                    | Lebih murah             | Bervariasi |
| **Bias**                    | Rendah                          | Tinggi                 | Sedang - Tinggi |
| **Dapat Digeneralisasi**    | Ya, hasil mewakili populasi    | Tidak, hanya berlaku untuk sampel tersebut | Tergantung metode |
| **Perhitungan MoE**         | Akurat                         | Kurang akurat          | Bervariasi |

> **Kesimpulan:**  
> - **SRS lebih cocok untuk studi akademik atau penelitian yang membutuhkan hasil yang akurat dan dapat digeneralisasi.**  
> - **Convenience Sampling lebih cocok untuk penelitian eksplorasi atau studi dengan keterbatasan sumber daya.**  
> - **Dengan membandingkan Margin of Error (MoE) dari kedua metode ini, kita dapat mengukur perbedaan akurasi antara sampling probabilitas dan non-probabilitas.**  


## 5. Menghitung Margin Of Error

### 5.1 Menghitung Standar Deviasi

Standar deviasi dihitung menggunakan rumus:

> $$
> s = \sqrt{\frac{\sum (x\_i - \bar{x})^2}{n-1}}
> $$

Di mana:

- **\(x_i\)** = nilai individu dalam sampel
- **\(\bar{x}\)** = rata-rata sampel
- **\(n\)** = ukuran sampel
- **\(s\)** = standar deviasi sampel

Dari dataset yang diberikan, perhitungan menghasilkan:

- **Rata-rata pengeluaran makanan bulanan:** Rp 1.278.514
- **Varians sampel:** Rp 178.590.686.775
- **Standar deviasi sampel untuk SRS:** Rp 421.206
- **Standar deviasi sampel untuk Convenience Sampling:** Rp 425.090

Standar deviasi ini digunakan dalam perhitungan Standar Error (SE) dan Margin of Error (MoE).

### 5.2 Rumus Perhitungan

Margin of Error (MoE) dihitung menggunakan rumus:

> $$
> MoE = Z * SE
> $$

Standar Error (SE) dihitung dengan rumus:

> $$
> SE = \frac{\sigma}{\sqrt{n}}
> $$

Di mana:

- **Z** = Skor Z sesuai dengan tingkat kepercayaan (misalnya, 1.96 untuk 95%)
- **σ** = Simpangan baku populasi atau sampel
- **n** = Ukuran sampel

### 5.3 Menentukan Tingkat Kepercayaan

Tingkat kepercayaan yang kita gunakan di sini adalah **95%**. Ini berarti kita yakin bahwa 95% dari sampel yang kita ambil akan mencerminkan rata-rata populasi dengan benar.

### 5.4 Menentukan Nilai Kritis (Z-Value)

Karena tingkat kepercayaan adalah 95%, nilai kritis (Z) yang sesuai adalah **1.96**. Nilai ini diambil dari tabel distribusi normal (tabel Z) dan menunjukkan jarak dari rata-rata dalam satuan standar deviasi.

### 5.5 Menghitung Standar Error (SE)

#### 5.5.1 Metode Simple Random Sampling (SRS)

- **Standar deviasi sampel (σ):** Rp 421.206
- **Ukuran sampel (n):** 277

Menghitung SE:

> $$
SE = \frac{421.206}{\sqrt{277}} = Rp 25.308
> $$

Jadi, standar error untuk metode SRS adalah **Rp 25.308**.

#### 5.5.2 Metode Convenience Sampling

- **Standar deviasi sampel (σ):** Rp 510.789
- **Ukuran sampel (n):** 223

Menghitung SE:

> $$
SE = \frac{510.789}{\sqrt{223}} = Rp 34.242
> $$

Jadi, standar error untuk metode Convenience Sampling adalah **Rp 34.242**.

### 5.6 Menghitung Margin of Error (MoE)

#### 5.6.1 Metode Simple Random Sampling (SRS)

> $$
MoE = 1.96 * 25.308 = Rp 49.602
> $$

Jadi, Margin of Error untuk metode SRS adalah **Rp 49.602**.

#### 5.6.2 Metode Convenience Sampling

> $$
MoE = 1.96 * 34.242 = Rp 67.114
> $$

Jadi, Margin of Error untuk metode Convenience Sampling adalah **Rp 67.114**.

### 5.7 Menentukan Interval Kepercayaan

#### 5.7.1 Metode Simple Random Sampling (SRS)

- **Rata-rata sampel:** Rp 1.285.987

$$
CI = \bar{x} \pm (Z * SE)
$$
**Metode Simple Random Sampling (SRS)**  

- **Rata-rata sampel (𝑥̄):** Rp 1.285.987 

- **Standar Error (SE):** Rp 25.308  

- **Z-score untuk 95% confidence level:** 1.96  

- **Margin of Error (MoE):**  
  $$ 1.96 \times 25.308 = 49.602 $$  
  
> $$
Batas Bawah = 1.285.987 - 49.602 = Rp 1.236.385
Batas Atas = 1.285.987 + 49.602 = Rp 1.335.590
> $$

Interval kepercayaan untuk metode SRS: **Rp 1.236.385** sampai **Rp 1.335.590**.

#### 5.7.2 Metode Convenience Sampling

- **Rata-rata sampel:** Rp 1.310.450

$$
CI = \bar{x} \pm (Z * SE)
$$

**Metode Convenience Sampling**  

- **Rata-rata sampel (𝑥̄):** Rp 1.310.450  

- **Standar Error (SE):** Rp 34.265  

- **Z-score untuk 95% confidence level:** 1.96  

- **Margin of Error (MoE):**  
  $$ 1.96 \times 34.265 = 67.114 $$  

> $$
Batas Bawah = 1.310.450 - 67.114 = Rp 1.243.336
Batas Atas = 1.310.450 + 67.114 = Rp 1.377.564
> $$

Interval kepercayaan untuk metode Convenience Sampling: **Rp 1.243.336** sampai **Rp 1.377.564**.

## 6. Kesimpulan

Perhitungan Margin of Error ini menunjukkan bahwa metode Simple Random Sampling (SRS) menghasilkan Margin of Error yang lebih kecil (Rp 49.602) dibandingkan metode Convenience Sampling (Rp 67.114). Ini berarti metode SRS memberikan estimasi rata-rata pengeluaran makanan bulanan mahasiswa yang lebih akurat. Dengan demikian, dalam studi yang memerlukan tingkat akurasi tinggi, metode SRS lebih disarankan.

Menjawab rumusan masalah:

- Membandingkan akurasi SRS vs. Convenience Sampling: SRS lebih akurat karena menghasilkan Margin of Error yang lebih kecil dan interval kepercayaan yang lebih sempit.
- Bagaimana perbandingan Margin of Error (MoE)? Margin of Error metode SRS adalah Rp 49.602, sedangkan metode Convenience Sampling adalah Rp 67.114.
- Apakah ada perbedaan signifikan dalam distribusi pengeluaran? Ya, metode Convenience Sampling menunjukkan lebih banyak variasi dan outlier, sehingga distribusinya kurang stabil dibandingkan SRS.

> - Rata-rata pengeluaran lebih tinggi pada SRS.
> - MoE lebih kecil pada SRS, hasil estimasi lebih akurat.
> - Convenience Sampling memiliki lebih banyak outlier.
> - SRS metode yang lebih baik.

## 7. Rekomendasi Lanjutan

- Lakukan uji statistik (t-test).
- Analisis faktor lain (jenis kelamin, fakultas).
- Lakukan regresi.


## 8. Referensi 

https://bookdown.org/dsciencelabs/sampling_and_survey_techniques/docs/04-Margin-of-Error.html#convenience-sampling

https://researchscape.com/blog/the-myth-of-margin-of-error

https://dovetail.com/surveys/margin-of-error/

https://www.qualtrics.com/experience-management/research/margin-of-error/

https://pmc.ncbi.nlm.nih.gov/articles/PMC4817645/

