Teknik Sampling dan Survei

Margin Of Error

Logo

1 Data Pengeluaran Mahasiswa

2 Laporan Studi

2.1 Pendahuluan

Penelitian ini bertujuan untuk mengevaluasi berbagai metode pengambilan sampel dalam mengestimasi pengeluaran makanan bulanan mahasiswa. Dalam survei statistik, penting untuk menentukan Margin of Error (MoE), yang mencerminkan tingkat ketidakpastian dalam estimasi parameter populasi.

Margin of Error (MoE) berfungsi untuk:

  1. Mengukur sejauh mana hasil sampel dapat mewakili populasi.

  2. Menentukan tingkat kepercayaan dalam estimasi.

  3. Memilih metode pengambilan sampel yang optimal dengan tingkat kesalahan minimal.

Dengan memahami MoE, kita dapat mengevaluasi metode mana yang lebih akurat dan efisien dalam pengambilan data.

2.2 Metode Pengambilan Sampel yang Digunakan

2.2.1 Pengambilan Sampel Probabilitas

  1. Simple Random Sampling (SRS)
    • Memilih 200 siswa secara acak dari populasi 10.000 siswa.
    • Setiap siswa memiliki peluang yang sama untuk dipilih.
  2. Stratified Sampling
    • Populasi dibagi menjadi 4 strata berdasarkan tahun akademik.
    • Dari masing-masing strata, dipilih 50 siswa secara acak sehingga totalnya tetap 200 siswa.
  3. Systematic Sampling
    • Dipilih setiap siswa ke-50 dari daftar yang telah diurutkan berdasarkan nomor mahasiswa.
    • Dengan total populasi 10.000 siswa dan ukuran sampel 200, maka setiap siswa ke-50 akan diambil.
  4. Cluster Sampling
    • Memilih 5 kelas secara acak, lalu mensurvei semua siswa dalam kelas tersebut.
    • Efisien jika kelas memiliki jumlah siswa yang hampir sama.
  5. Multi-Stage Sampling
    • Tahap 1: Fakultas dipilih secara acak.
    • Tahap 2: Dari fakultas yang dipilih, kelas dipilih secara acak.
    • Tahap 3: Dari kelas yang dipilih, beberapa siswa dipilih secara acak.

2.2.2 Pengambilan Sampel Non-Probabilitas

  1. Convenience Sampling
    • Siswa yang mudah dijangkau, seperti di kafetaria atau perpustakaan, diwawancarai.
  2. Quota Sampling
    • 50 siswa dari setiap fakultas dipilih tanpa acak.
  3. Judgmental Sampling
    • Siswa dipilih berdasarkan penilaian peneliti, misalnya penghuni asrama yang mungkin memiliki pola pengeluaran lebih stabil.
  4. Snowball Sampling
    • Dimulai dengan beberapa siswa, lalu mereka merekomendasikan teman-teman mereka untuk ikut survei.

2.3 Perhitungan MoE untuk Pengambilan Sampel Probabilitas

MoE dihitung dengan rumus:

\[ MoE = Z * \frac{\sigma}{\sqrt{n}} \]

Di mana:

  • Z = 1.96 (untuk tingkat kepercayaan 95%)

  • σ = Simpangan baku sampel (dihitung dari data)

  • n = Ukuran sampel (200 siswa)

Berikut hasil perhitungan MoE untuk setiap metode sampling:

Metode Sampling σ (Simpangan Baku) n (Ukuran Sampel) MoE
Simple Random Sampling 206.4 200 14.61
Stratified Sampling 189.1 200 13.37
Systematic Sampling 202.6 200 14.33
Cluster Sampling 61.2 200 4.33
Multi-Stage Sampling 183.9 200 13.01

2.3.1 Analisis MoE:

  1. Simple Random Sampling (SRS) memiliki MoE = 14.61, yang cukup tinggi, menunjukkan bahwa estimasi masih memiliki variabilitas yang cukup besar.

  2. Stratified Sampling memiliki MoE = 13.37, lebih kecil dari SRS karena metode ini membagi populasi ke dalam strata sehingga meningkatkan akurasi.

  3. Systematic Sampling memiliki MoE = 14.33, hampir sama dengan SRS karena pemilihan sampel dilakukan secara berkala.

  4. Cluster Sampling memiliki MoE yang paling kecil = 4.33, karena sampel diambil dari kelompok tertentu yang lebih homogen. Ini menunjukkan bahwa metode ini memberikan estimasi yang lebih stabil dalam kelompok terpilih.

  5. Multi-Stage Sampling memiliki MoE = 13.01, cukup kecil, karena beberapa tahapan pengambilan sampel dilakukan untuk mengurangi variabilitas data.

2.4 Analisis Bias dalam Pengambilan Sampel Non-Probabilitas

Metode Sumber Bias Dampak
Convenience Sampling Tidak representatif karena hanya mencakup siswa di lokasi tertentu. Hasil survei bisa bias terhadap kelompok tertentu.
Quota Sampling Tidak ada pemilihan acak, hanya memastikan kuota terpenuhi. Tidak mencerminkan seluruh populasi secara proporsional.
Judgmental Sampling Bergantung pada penilaian subjektif peneliti. Potensi bias besar karena peneliti mungkin memilih sampel yang tidak representatif.
Snowball Sampling Terbatas pada jaringan sosial responden awal. Dapat menciptakan efek homogen karena teman cenderung memiliki karakteristik serupa.

Kesimpulan:

  • Metode probabilitas lebih akurat dan mengurangi bias.

  • Metode non-probabilitas lebih mudah diterapkan tetapi cenderung bias.

2.4.1 Perbandingan Semua Metode

2.5 Ukuran Sampel yang Diperlukan untuk MoE = 5

Dihitung dengan rumus:

\[ n = \left(\frac{Z \times \sigma}{MoE}\right)^2 \]

Untuk σ = 206.4, Z = 1.96, dan MoE = 5:

\[ n = \left(\frac{1.96 \times 206.4}{5}\right)^2 \]

\[ n = \left(\frac{404.54}{5}\right)^2 \]

\[ n = (80.91)^2 = 6545 \]

Kesimpulan: Untuk mencapai MoE = 5, dibutuhkan 6.545 siswa, yang cukup besar dibandingkan populasi 10.000 Mahasiswa.

2.6 Kesimpulan dan Rekomendasi

  1. Cluster Sampling memiliki MoE paling kecil, tetapi rentan terhadap bias jika cluster yang dipilih tidak representatif.

  2. Stratified Sampling direkomendasikan jika populasi memiliki variasi yang signifikan dalam subkelompoknya.

  3. Systematic Sampling lebih praktis tetapi bisa kurang akurat jika ada pola dalam populasi.

  4. Jika sumber daya terbatas, metode probabilitas sederhana seperti SRS bisa digunakan.

---
title: "Teknik Sampling dan Survei"
subtitle: "Margin Of Error"
author: 
  - "Nova Sitorus 52240023"
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
    number_sections: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
---

<style>
  body {
    text-align: justify;
  }
</style>

<img src="NOVA.jpg" alt="Logo" style="width:500px; display: block; margin: auto;"/>



# Data Pengeluaran Mahasiswa

```{r, echo=FALSE, message=FALSE, warning=FALSE}
set.seed(123)  # Agar hasil dapat direproduksi

# Membuat Data Populasi (10.000 siswa)
data_populasi <- data.frame(
  ID = 1:10000,
  Tahun_Akademik = sample(1:4, 10000, replace = TRUE),  # Tahun akademik (1-4)
  Pengeluaran = round(rnorm(10000, mean = 1000000, sd = 200000), 0)  # Pengeluaran dalam Rp
)

# Menampilkan 10 data pertama
head(data_populasi, 10)

```


# Laporan Studi

## **Pendahuluan**

Penelitian ini bertujuan untuk mengevaluasi berbagai metode pengambilan sampel dalam mengestimasi pengeluaran makanan bulanan mahasiswa. Dalam survei statistik, penting untuk menentukan **Margin of Error (MoE)**, yang mencerminkan tingkat ketidakpastian dalam estimasi parameter populasi.

Margin of Error (MoE) berfungsi untuk:

1. Mengukur sejauh mana hasil sampel dapat mewakili populasi.

2. Menentukan tingkat kepercayaan dalam estimasi.

3. Memilih metode pengambilan sampel yang optimal dengan tingkat kesalahan minimal.

Dengan memahami MoE, kita dapat mengevaluasi metode mana yang lebih akurat dan efisien dalam pengambilan data.

---

## **Metode Pengambilan Sampel yang Digunakan**

### **Pengambilan Sampel Probabilitas**

1. **Simple Random Sampling (SRS)**
   - Memilih 200 siswa secara acak dari populasi 10.000 siswa.
   - Setiap siswa memiliki peluang yang sama untuk dipilih.
   
2. **Stratified Sampling**
   - Populasi dibagi menjadi **4 strata** berdasarkan tahun akademik.
   - Dari masing-masing strata, dipilih 50 siswa secara acak sehingga totalnya tetap 200 siswa.
   
3. **Systematic Sampling**
   - Dipilih setiap siswa ke-50 dari daftar yang telah diurutkan berdasarkan nomor mahasiswa.
   - Dengan total populasi **10.000 siswa** dan ukuran sampel **200**, maka setiap siswa ke-50 akan diambil.
   
4. **Cluster Sampling**
   - Memilih **5 kelas secara acak**, lalu mensurvei **semua siswa dalam kelas tersebut**.
   - Efisien jika kelas memiliki jumlah siswa yang hampir sama.
   
5. **Multi-Stage Sampling**
   - **Tahap 1:** Fakultas dipilih secara acak.
   - **Tahap 2:** Dari fakultas yang dipilih, kelas dipilih secara acak.
   - **Tahap 3:** Dari kelas yang dipilih, beberapa siswa dipilih secara acak.

### **Pengambilan Sampel Non-Probabilitas**

1. **Convenience Sampling**
   - Siswa yang mudah dijangkau, seperti di kafetaria atau perpustakaan, diwawancarai.
   
2. **Quota Sampling**
   - **50 siswa dari setiap fakultas** dipilih tanpa acak.
   
3. **Judgmental Sampling**
   - Siswa dipilih berdasarkan penilaian peneliti, misalnya penghuni asrama yang mungkin memiliki pola pengeluaran lebih stabil.
   
4. **Snowball Sampling**
   - Dimulai dengan beberapa siswa, lalu mereka merekomendasikan teman-teman mereka untuk ikut survei.

---

## **Perhitungan MoE untuk Pengambilan Sampel Probabilitas**

MoE dihitung dengan rumus:

\[
MoE = Z * \frac{\sigma}{\sqrt{n}}
\]

Di mana:

- **Z = 1.96** (untuk tingkat kepercayaan 95%)

- **σ = Simpangan baku sampel (dihitung dari data)**

- **n = Ukuran sampel (200 siswa)**

Berikut hasil perhitungan MoE untuk setiap metode sampling:

| **Metode Sampling**         | **σ (Simpangan Baku)** | **n (Ukuran Sampel)** | **MoE**  |
|-----------------------------|------------------------|------------------------|----------|
| **Simple Random Sampling**  | 206.4                  | 200                    | 14.61    |
| **Stratified Sampling**     | 189.1                  | 200                    | 13.37    |
| **Systematic Sampling**     | 202.6                  | 200                    | 14.33    |
| **Cluster Sampling**        | 61.2                   | 200                    | 4.33     |
| **Multi-Stage Sampling**    | 183.9                  | 200                    | 13.01    |


### **Analisis MoE:**

1.  **Simple Random Sampling (SRS)** memiliki **MoE = 14.61**, yang cukup tinggi, menunjukkan bahwa estimasi masih memiliki variabilitas yang cukup besar.

2.  **Stratified Sampling** memiliki **MoE = 13.37**, lebih kecil dari SRS karena metode ini membagi populasi ke dalam strata sehingga meningkatkan akurasi.

3.  **Systematic Sampling** memiliki **MoE = 14.33**, hampir sama dengan SRS karena pemilihan sampel dilakukan secara berkala.

4.  **Cluster Sampling** memiliki **MoE yang paling kecil = 4.33**, karena sampel diambil dari kelompok tertentu yang lebih homogen. Ini menunjukkan bahwa metode ini memberikan estimasi yang lebih stabil dalam kelompok terpilih.

5.  **Multi-Stage Sampling** memiliki **MoE = 13.01**, cukup kecil, karena beberapa tahapan pengambilan sampel dilakukan untuk mengurangi variabilitas data.

---

## **Analisis Bias dalam Pengambilan Sampel Non-Probabilitas**

| **Metode**              | **Sumber Bias**                | **Dampak**        |
|-------------------------|--------------------------------|-------------------|
| **Convenience Sampling**    | Tidak representatif karena hanya mencakup siswa di lokasi tertentu. | Hasil survei bisa bias terhadap kelompok tertentu. |
| **Quota Sampling**          | Tidak ada pemilihan acak, hanya memastikan kuota terpenuhi. | Tidak mencerminkan seluruh populasi secara proporsional. |
| **Judgmental Sampling**     | Bergantung pada penilaian subjektif peneliti. | Potensi bias besar karena peneliti mungkin memilih sampel yang tidak representatif. |
| **Snowball Sampling**       | Terbatas pada jaringan sosial responden awal. | Dapat menciptakan efek homogen karena teman cenderung memiliki karakteristik serupa. |

**Kesimpulan:**

- **Metode probabilitas lebih akurat dan mengurangi bias.**

- **Metode non-probabilitas lebih mudah diterapkan tetapi cenderung bias.**

---

### **Perbandingan Semua Metode**

```{r, echo=FALSE, message=FALSE, warning=FALSE}
library(ggplot2)
library(plotly)  # Library untuk interaktif

# Data Margin of Error (MoE) dari berbagai metode sampling
data <- data.frame(
  Metode = c("SRS", "Stratified", "Systematic", "Cluster", "Multi-Stage"),
  MoE = c(14.61, 13.37, 14.33, 4.33, 13.01)
)

# Membuat plot menggunakan ggplot2
p <- ggplot(data, aes(x = Metode, y = MoE, fill = Metode, text = paste("MoE:", MoE))) +
  geom_bar(stat = "identity") + 
  labs(title = "Perbandingan Margin of Error (MoE)", y = "MoE", x = "Metode Sampling") +
  theme_minimal()

# Mengubah ggplot menjadi grafik interaktif dengan tooltip menggunakan plotly
ggplotly(p, tooltip = "text")
```
---

## **Ukuran Sampel yang Diperlukan untuk MoE = 5**

Dihitung dengan rumus:

\[
n = \left(\frac{Z \times \sigma}{MoE}\right)^2
\]

Untuk **σ = 206.4**, **Z = 1.96**, dan **MoE = 5**:

\[
n = \left(\frac{1.96 \times 206.4}{5}\right)^2
\]

\[
n = \left(\frac{404.54}{5}\right)^2
\]


\[
n = (80.91)^2 = 6545
\]

Kesimpulan: Untuk mencapai **MoE = 5**, dibutuhkan **6.545** siswa, yang cukup besar dibandingkan populasi **10.000 Mahasiswa**.

---

## Kesimpulan dan Rekomendasi

1. **Cluster Sampling** memiliki MoE paling kecil, tetapi rentan terhadap bias jika cluster yang dipilih tidak representatif.

2. **Stratified Sampling** direkomendasikan jika populasi memiliki variasi yang signifikan dalam subkelompoknya.

3. **Systematic Sampling** lebih praktis tetapi bisa kurang akurat jika ada pola dalam populasi.

4. Jika sumber daya terbatas, metode probabilitas sederhana seperti SRS bisa digunakan.
