Teknik Sampling dan Survey
UTS Teknik Sampling dan Survey
1 Simulasi Kesalahan Sampling di Lapangan
survei tingkat penggunaan aplikasi transportasi online di 3 kota menengah di Sumatera. Target sampel total adalah 600 responden, masing-masing 200 per kota.
- Di Kota A, tim berhasil mendapatkan 250 responden.
- Di Kota B, hanya 120 responden yang dapat diwawancarai.
- Di Kota C, 180 responden.
1.1 Dua Jenis Kesalahan Sampling
Sampling Error (Kesalahan Sampling)
Terjadi karena jumlah responden dari masing-masing kota tidak sesuai dengan target. Target awal adalah 200 responden per kota, namun realisasinya adalah sebagai berikut:- Kota A: 250 responden
- Kota B: 120 responden
- Kota C: 180 responden
Ketidakseimbangan ini menyebabkan hasil survei kurang merepresentasikan proporsi yang diinginkan dari masing-masing kota.
- Kota A: 250 responden
Non-sampling Error (Kesalahan Non-sampling)
Kesalahan ini mencakup:- Responden yang sulit diakses
- Partisipasi yang rendah di Kota B
- Kendala teknis saat pelaksanaan survei
Hal ini menimbulkan potensi bias karena sebagian populasi tidak terwakili secara memadai.
1.2 Penyesuaian Bobot untuk Representasi Proporsional
Karena jumlah responden tidak seimbang,maka dapat menghitung bobot koreksi (penyesuaian bobot) agar masing-masing kota tetap memberikan kontribusi analisis yang seimbang di akhir.
Langkah-langka menghitung bobot:
Tentukan target kontribusi proporsional
Karena target awal adalah 200 per kota (total 600), maka proporsi ideal tiap kota:\[ \frac{200}{600} = 0{,}3333 \quad \text{(atau 33,33%)} \]
Hitung jumlah responden aktual
\[ 250 \text{ (Kota A)} + 120 \text{ (Kota B)} + 180 \text{ (Kota C)} = 550 \]
Hitung bobot untuk setiap kota dengan rumus:
\[ \text{Bobot Kota} = \frac{\text{Proporsi Target}}{\text{Proporsi Aktual}} \]
Kota A
Proporsi aktual = \(\frac{250}{550} = 0{,}4545\)
Bobot = \(\frac{0{,}3333}{0{,}4545} \approx \mathbf{0{,}733}\)Kota B
Proporsi aktual = \(\frac{120}{550} = 0{,}2182\)
Bobot = \(\frac{0{,}3333}{0{,}2182} \approx \mathbf{1{,}528}\)Kota C
Proporsi aktual = \(\frac{180}{550} = 0{,}3273\)
Bobot = \(\frac{0{,}3333}{0{,}3273} \approx \mathbf{1{,}018}\)
1.3 Kesimpulan Bobot:
| Kota | Jumlah Responden | Bobot Penyesuaian |
|---|---|---|
| Kota A | 250 | 0,733 |
| Kota B | 120 | 1,528 |
| Kota C | 180 | 1,018 |
-Bobot digunakan untuk menyesuaikan kontribusi masing-masing kota dalam analisis agar kembali proporsional seperti target awal.
-Semakin besar bobot, semakin besar kontribusi data tersebut terhadap keseluruhan hasil.
2 Mendesain Survei dengan Pembobotan Waktu Puncak
Membuatlah desain rancangan survei tentang persepsi kenyamanan pengguna ojek online saat jam sibuk (07.00–09.00 dan 17.00–19.00).
2.1 Desain pendekatan sampling
Tujuan:
Menangkap persepsi kenyamanan pengguna ojek online pada jam
sibuk, secara representatif, tanpa melakukan survei sepanjang
hari.
Pendekatan Sampling:
Metode stratified time-based sampling
berdasarkan dua strata waktu: - Strata 1: Pagi hari
(07.00–09.00) - Strata 2: Sore hari (17.00–19.00)
Proporsi Sampling Ideal (berdasarkan data historis): - Strata pagi: 33,3% - Strata sore: 66,7%
Penyesuaian proporsional akan dilakukan jika proporsi responden aktual berbeda dari target.
2.2 Rancangan Waktu, Metode Pemilihan Responden, dan Justifikasi
1. Waktu Pelaksanaan Survei:
Durasi: 5 hari kerja (Senin–Jumat)
Jam pengambilan data:
Pagi: 07.00 – 09.00
Sore: 17.00 – 19.00
2. Lokasi Pengambilan Responden:
Area padat pengguna ojek online seperti:
Stasiun
Halte
Pusat perkantoran
Mall atau pusat perbelanjaan
3. Metode Pemilihan Responden:
Metode:
Intercept survey (wawancara langsung di lokasi)
Survei online melalui link (dibagikan lewat aplikasi atau media sosial komunitas pengguna ojek online)
Kriteria responden:
Pengguna aktif ojek online (minimal 2x/minggu)
Pernah menggunakan ojek online dalam 7 hari terakhir
Menggunakan ojek online pada jam sibuk
4. Justifikasi Pemilihan Unit Sampling:
Unit sampling: Individu pengguna ojek online pada jam sibuk
Pemilihan lokasi dan waktu didasarkan pada titik dan periode padat pengguna
Stratifikasi waktu menjaga representasi antara pengguna pagi dan sore
2.3 Penyesuaian Hasil Survei Berdasarkan Proporsi Responden
2.3.1 Kasus:
Responden aktual: 60% pagi, 40% sore
Data historis: Pengguna sore 2x lebih banyak dari pagi
2.3.2 Langkah-langkah Menghitung Penyesuaian Bobot
1. Tentukan proporsi ideal populasi berdasarkan data historis
Misalnya:
Proporsi pengguna pagi = 1
Proporsi pengguna sore = 2
Total = 1 + 2 = 3
Maka:
\(P_{\text{pagi}} = \frac{1}{3} = 0.33\)
\(P_{\text{sore}} = \frac{2}{3} = 0.67\)
2. Tentukan proporsi aktual responden dari hasil survei
\(R_{\text{pagi}} = 0.60\)
\(R_{\text{sore}} = 0.40\)
3. Hitung bobot penyesuaian
Rumus umum bobot:
\[ \text{Bobot}_i = \frac{P_i}{R_i} \]
Di mana:
\(P_i\): proporsi ideal (populasi sebenarnya)
\(R_i\): proporsi responden aktual
\(i\): kategori waktu (pagi atau sore)
Maka:
- \(\text{Bobot}_{\text{pagi}} = \frac{0.33}{0.60} \approx 0.55\)
- \(\text{Bobot}_{\text{sore}} = \frac{0.67}{0.40} \approx 1.675\)
2.3.3 Perhitungan Melalui R
# Data input: waktu (1 = pagi, 2 = sore), dan skor kenyamanan masing-masing responden
waktu <- c(1,1,1,1,1,2,2,2,2,2) # 5 responden pagi, 5 sore
skor_kenyamanan <- c(4, 3, 5, 4, 4, 2, 3, 3, 2, 4)
# Proporsi populasi ideal (berdasarkan data historis: sore 2x lebih banyak dari pagi)
P_pagi <- 1/3
P_sore <- 2/3
# Proporsi responden aktual
R_pagi <- sum(waktu == 1) / length(waktu)
R_sore <- sum(waktu == 2) / length(waktu)
# Hitung bobot
w_pagi <- P_pagi / R_pagi
w_sore <- P_sore / R_sore
# Tetapkan bobot ke setiap responden
bobot <- ifelse(waktu == 1, w_pagi, w_sore)
# Hitung rata-rata skor kenyamanan terbobot
rata_terbobot <- sum(bobot * skor_kenyamanan) / sum(bobot)
# Tampilkan hasil
cat("Rata-rata skor kenyamanan (terbobot):", round(rata_terbobot, 2), "\n")## Rata-rata skor kenyamanan (terbobot): 3.22.4 Kesimpulan
Dengan metode ini:
Survei tetap efisien (hanya pada jam sibuk)
Hasil tetap mewakili proporsi pengguna sebenarnya
Penyesuaian bobot menjaga validitas dan objektivitas hasil
3 Studi Kasus
Biro akademik kampus untuk merancang instrumen survei yang bertujuan mengevaluasi kepuasan mahasiswa terhadap layanan akademik, yang mencakup layanan seperti: KRS online, bimbingan akademik, pelayanan administrasi, akses informasi akademik, dan bantuan penyelesaian studi.
Tim peneliti diminta untuk:
Merancang 25 pertanyaan utama dengan variasi skala dan bentuk pertanyaan.
Merancang sistem validasi instrumen.
Menentukan metode distribusi dan pengujian kuesioner secara statistik.
Menyiapkan simulasi strategi pengambilan sampel dan pengolahan data awal.
3.1 Desain pertanyaan
Link Pertanyaan: Kepuasan Mahasiswa Terhadap Layanan Akademik
Ringkasan jenis pertanyaan:
Skala Likert: 15 pertanyaan
Tertutup (Ya/Tidak): 4 pertanyaan
Terbuka: 6 pertanyaan
Pilihan kategori: 1 pertanyaan
Checklist (pilihan jamak): 1 pertanyaan
Total: 25 pertanyaan utama dan pertanyaan identitas ada 5 jadi seluruh totalnya ada 30
3.2 Skema validasi
Validasi Isi (Content Validity):
Langkah: Daftar pertanyaan akan diperiksa oleh panel ahli yang terdiri dari dosen, staf biro akademik, dan pakar metode penelitian pendidikan.
Tujuan: Memastikan setiap butir soal merepresentasikan konstruk kepuasan terhadap layanan akademik.
Alat bantu: Menggunakan Content Validity Index (CVI) untuk menilai relevansi setiap item. Item dengan CVI < 0.75 akan direvisi atau dihapus.
Validasi Konstruk (Construct Validity):
Setelah data dikumpulkan, akan dilakukan Exploratory Factor Analysis (EFA) untuk mengelompokkan item berdasarkan dimensi layanan (KRS, Bimbingan, Administrasi, dll).
Korelasi antar item juga dianalisis (inter-item correlation) untuk mendeteksi konsistensi dalam satu dimensi.
Software yang digunakan: SPSS, JASP, atau R.
Kriteria: Munculnya struktur faktor yang sesuai dengan rancangan teori awal dan korelasi antar item dalam satu dimensi harus > 0.3.
Uji Reliabilitas:
Uji reliabilitas akan dilakukan menggunakan Cronbach’s Alpha, dengan target nilai ≥ 0.70 untuk setiap subskala.
Tujuan: Menguji konsistensi internal dari item-item dalam satu dimensi layanan.
Jika nilai Cronbach’s Alpha < 0.70, maka akan dilakukan analisis item-total correlation untuk merevisi atau membuang item yang lemah.
3.3 Strategi Distribusi dan Sampling
3.3.1 Metode Distribusi:
Kuesioner dibagikan melalui Google Form dengan membagikannya ke beberapa media sebagai berikut:
Grup WhatsApp kelas/angkatan
Email mahasiswa aktif
Media sosial kampus
Website akademik resmi
3.3.2 Strategi Pengambilan Sampel:
Sampel diambil secara acak dari strata (Stratified Random Sampling), yakni pada mahasiswa yang berasal dari berbagai program studi dan angkatan. Stratified random sampling dipilih karena menjamin representasi tiap program studi dan angkatan, sehingga hasil lebih generalisable. Dengan stratifikasi, setiap kelompok terwakili secara proporsional.
Strata yang digunakan adalah Program Studi dan Angkatan (2020, 2021, 2022, 2023).
Menggunakan data sampel dari file CSV yang telah disediakan, berikut adalah distribusi mahasiswa berdasarkan program studi dan angkatan yang terwakili dalam data:
| Program Studi | Angkatan | Jumlah Responden (Berdasarkan CSV) |
|---|---|---|
| Teknik Informatika | 2020–2023 | 7 |
| Manajemen | 2020–2023 | 7 |
| Akuntansi | 2020–2023 | 6 |
| Ilmu Komunikasi | 2020–2023 | 5 |
| Psikologi | 2020–2023 | 6 |
| Pendidikan | 2020–2023 | 5 |
| Prodi lainnya | - | 14 |
| Total Responden | 50 |
3.4 Simulasi data dan analisis awal
3.4.1 Rata-Rata per Responden:
Rata-Rata Responden 1:
\(\overline{X}_1 = \frac{3 + 2 + 2}{3} = 2.33\)Rata-Rata Responden 2:
\(\overline{X}_2 = \frac{4 + 3 + 3}{3} = 3.33\)Rata-Rata Responden 3:
\(\overline{X}_3 = \frac{3 + 3 + 3}{3} = 3.00\)Rata-Rata Responden 4:
\(\overline{X}_4 = \frac{4 + 4 + 4}{3} = 4.00\)Rata-Rata Responden 5:
\(\overline{X}_5 = \frac{2 + 2 + 2}{3} = 2.00\)
| A15 | A16 | A17 | Rata-Rata |
|---|---|---|---|
| 3 | 2 | 2 | 2.33 |
| 4 | 3 | 3 | 3.33 |
| 3 | 3 | 3 | 3.00 |
| 4 | 4 | 4 | 4.00 |
| 2 | 2 | 2 | 2.00 |
3.4.2 Rata-Rata Semua Responden:
\(\overline{X} = \frac{2.33 + 3.33 + 3.00 + 4.00 + 2.00}{5} = \frac{14.66}{5} = 2.93\)
3.4.3 Simpangan Baku:
Gunakan rumus:
\(s = \sqrt{\frac{\sum (X_i - \overline{X})^2}{n-1}}\)
Perhitungan:
- \((2.33 - 2.93)^2 = 0.36\)
- \((3.33 - 2.93)^2 = 0.16\)
- \((3.00 - 2.93)^2 = 0.0049\)
- \((4.00 - 2.93)^2 = 1.1449\)
- \((2.00 - 2.93)^2 = 0.8649\)
Jumlah: \(0.36 + 0.16 + 0.0049 + 1.1449 + 0.8649 = 2.58\)
\(s = \sqrt{\frac{2.58}{4}} = \sqrt{0.645} \approx 0.80\)
Jadi, simpangan baku untuk dimensi Bantuan Penyelesaian Studi adalah 0.80.
# Data responden
data <- data.frame(
A1 = c(2, 4, 3, 4, 1),
A2 = c(2, 4, 3, 5, 1),
A3 = c(3, 4, 4, 4, 2),
A4 = c(3, 4, 4, 4, 2),
A5 = c(3, 3, 3, 4, 2),
A6 = c(3, 4, 4, 5, 3),
A7 = c(2, 3, 3, 4, 2),
A8 = c(4, 3, 4, 4, 2),
A9 = c(3, 4, 4, 4, 2),
A10 = c(3, 3, 3, 4, 2),
A11 = c(4, 3, 3, 4, 3),
A12 = c(3, 4, 3, 4, 2),
A13 = c(4, 4, 3, 4, 2),
A14 = c(3, 4, 4, 4, 2),
A15 = c(3, 4, 3, 4, 2),
A16 = c(2, 3, 3, 4, 2),
A17 = c(2, 3, 3, 4, 2)
)
# Daftar dimensi dan kolom terkait
dimensi <- list(
KRS_Online = c("A1", "A2", "A3"),
Bimbingan_Akademik = c("A4", "A5", "A6", "A7"),
Pelayanan_Administratif = c("A8", "A9", "A10", "A11", "A12", "A13", "A14"),
Bantuan_Penyelesaian_Studi = c("A15", "A16", "A17")
)
# Fungsi untuk hitung rata-rata dan simpangan baku per dimensi
hitung_statistik <- function(data, dimensi_list) {
hasil <- data.frame(
Dimensi = character(),
Rata_Rata = numeric(),
Simpangan_Baku = numeric(),
stringsAsFactors = FALSE
)
for (nama in names(dimensi_list)) {
kolom <- dimensi_list[[nama]]
nilai <- rowMeans(data[, kolom])
rata2 <- mean(nilai)
simp_baku <- sd(nilai)
hasil <- rbind(hasil, data.frame(
Dimensi = nama,
Rata_Rata = round(rata2, 2),
Simpangan_Baku = round(simp_baku, 2)
))
}
return(hasil)
}
# Hitung dan tampilkan hasil
hasil_statistik <- hitung_statistik(data, dimensi)
print(hasil_statistik)## Dimensi Rata_Rata Simpangan_Baku
## 1 KRS_Online 3.07 1.23
## 2 Bimbingan_Akademik 3.25 0.77
## 3 Pelayanan_Administratif 3.31 0.70
## 4 Bantuan_Penyelesaian_Studi 2.93 0.803.4.4 Interpretasi
Kepuasan tertinggi berada pada dimensi Bimbingan Akademik dengan rata-rata 3.25, menunjukkan bahwa mahasiswa cenderung cukup puas dengan proses bimbingan akademik mereka.
Kepuasan terendah berada pada dimensi Bantuan Penyelesaian Studi (rata-rata 2.93), menandakan adanya potensi masalah atau harapan yang belum terpenuhi pada aspek tersebut.
Dimensi dengan variasi kepuasan tertinggi adalah Pelayanan Administratif dengan simpangan baku sebesar 1.31, artinya persepsi mahasiswa sangat bervariasi terhadap layanan administratif—ada yang sangat puas, ada pula yang tidak.
KRS Online memiliki kepuasan rata-rata 3.07, cukup memadai namun dengan simpangan yang relatif tinggi (1.23), sehingga bisa menjadi area yang diperhatikan untuk standarisasi kualitas layanan.
Simpangan baku pada seluruh dimensi berkisar antara 0.77 hingga 1.31, menandakan bahwa data cukup tersebar dan tidak semua mahasiswa memiliki pengalaman yang seragam terhadap layanan kampus.