Statistika #12 (Simulasi, Pengambilan Sampel, dan Penarikan Kesimpulan)

STATISTIKA SMA • PAKET 12

Simulasi, Pengambilan Sampel, dan Penarikan Kesimpulan

Bagaimana kita mempelajari populasi yang besar tanpa harus mengamati setiap anggotanya?

Populasi • Sampel • Teknik Sampling • Variasi Sampel • Estimasi

1. Populasi dan Sampel

Dalam penelitian, kita sering ingin mengetahui karakteristik kelompok yang besar. Mengumpulkan data dari seluruh anggota kelompok bisa membutuhkan banyak waktu dan biaya.

Populasi: seluruh individu atau objek yang menjadi sasaran penelitian.
Sampel: sebagian anggota populasi yang dipilih untuk diteliti.
Parameter: ukuran numerik yang menggambarkan populasi.
Statistik sampel: ukuran numerik yang dihitung dari sampel.

Contoh	Populasi	Sampel
Penelitian waktu belajar	Semua siswa yang menjadi sasaran penelitian	Siswa yang terpilih menjadi responden
Survei transportasi	Seluruh siswa di sekolah	Sejumlah siswa yang dipilih
Survei kepuasan kantin	Seluruh siswa yang menjadi sasaran survei	Siswa yang mengisi survei sesuai metode sampling

Contoh parameter dan statistik: proporsi seluruh siswa yang berjalan kaki ke sekolah adalah parameter populasi. Proporsi siswa yang berjalan kaki dalam sampel merupakan statistik sampel.

2. Mengapa Menggunakan Sampel?

Penggunaan sampel dapat menghemat waktu, biaya, dan tenaga. Namun, sampel harus dipilih dengan cara yang sesuai agar informasi yang diperoleh dapat digunakan secara masuk akal.

Ilustrasi sederhana

Sebuah sekolah memiliki 1.000 siswa. Kita ingin memperkirakan proporsi siswa yang membawa bekal dari rumah.

Menanyakan kepada seluruh 1.000 siswa merupakan sensus.
Menanyakan kepada 100 siswa terpilih merupakan survei sampel.
Hasil dari 100 siswa digunakan untuk memperkirakan keadaan populasi, bukan dianggap pasti sama dengan keadaan seluruh siswa.

Sampel yang besar belum tentu mewakili populasi. Jika hanya bertanya kepada siswa yang sedang berada di kantin, misalnya, kita mungkin melewatkan siswa yang membawa bekal dari rumah.

3. Teknik Pengambilan Sampel

A. Simple random sampling

Setiap anggota populasi memiliki peluang yang sama untuk dipilih. Contohnya, memilih 100 nomor siswa secara acak dari daftar lengkap siswa.

B. Stratified random sampling

Populasi dibagi menjadi kelompok atau strata, kemudian anggota sampel dipilih secara acak dari setiap strata. Contohnya, memilih siswa dari setiap tingkat kelas.

C. Cluster sampling

Populasi dibagi menjadi kelompok alami, misalnya kelas. Beberapa kelas dipilih secara acak, kemudian siswa di kelas terpilih diteliti sesuai rancangan penelitian.

D. Systematic sampling

Memilih anggota dengan interval tertentu dari daftar setelah menentukan titik awal secara acak. Contohnya, memilih setiap siswa ke-10 pada daftar.

E. Convenience sampling

Memilih orang yang paling mudah dijangkau. Cara ini praktis, tetapi berisiko menghasilkan sampel yang tidak mewakili populasi.

Untuk membuat kesimpulan tentang populasi, pengambilan sampel secara probabilitas biasanya lebih mendukung generalisasi daripada memilih responden hanya karena mudah dijangkau.

4. Bias dan Variasi Sampel

Bias sampling terjadi ketika cara memilih sampel secara sistematis membuat kelompok tertentu terlalu terwakili atau kurang terwakili.

Variasi sampel adalah perubahan hasil statistik yang dapat terjadi ketika kita mengambil sampel acak yang berbeda dari populasi yang sama.

Situasi	Masalah atau konsep
Survei hanya dilakukan kepada siswa yang aktif di klub olahraga	Risiko bias pemilihan responden
Dua sampel acak dari sekolah yang sama menghasilkan persentase berbeda	Variasi sampel
Jumlah sampel ditambah dengan metode acak yang sesuai	Variasi acak biasanya mengecil untuk estimasi proporsi dalam kondisi sebanding
Survei besar, tetapi hanya mengambil responden dari satu kelas tertentu	Ukuran besar tidak otomatis menghilangkan bias

Kunci penting: memperbesar sampel dapat mengurangi variasi acak, tetapi tidak otomatis menghilangkan bias akibat metode pemilihan yang keliru.

5. Simulasi Interaktif: Apakah Sampel Mewakili Populasi?

Bayangkan sebuah populasi buatan berisi 1.000 orang. Sebanyak 60% memiliki karakteristik yang sedang kita teliti. Kita akan mengambil sampel berulang kali dan melihat seberapa jauh proporsi sampel dari proporsi populasi.

Simulasi ini menggunakan populasi buatan dengan 600 orang berkategori "Ya" dan 400 orang berkategori "Tidak". Nilai 60% diketahui karena kita sedang melakukan simulasi, bukan penelitian nyata.

Ukuran sampel: 30 orang

Geser untuk mengubah jumlah anggota sampel dari 10 hingga 500 orang.

Metode pemilihan sampel

Pilihan kedua adalah demonstrasi bias buatan: peluang memilih anggota kelompok "Ya" dibuat tiga kali peluang memilih anggota kelompok "Tidak".

Proporsi populasi60%

Proporsi sampel terakhir—

Rata-rata 100 sampel—

Rentang hasil simulasi—

Pilih ukuran dan metode sampel, lalu jalankan simulasi.

Hasil simulasi berubah setiap kali dijalankan. Ini merupakan ilustrasi variasi sampel, bukan jaminan bahwa setiap sampel akan mendekati nilai populasi.

6. Mengapa Sampel Lebih Besar Biasanya Lebih Stabil?

Untuk sampel acak yang sesuai, estimasi proporsi cenderung memiliki variasi acak lebih kecil ketika ukuran sampel bertambah.

Untuk memperkirakan proporsi populasi \(p\), simpangan baku teoritis dari proporsi sampel \(\hat p\), pada pengambilan sampel independen dengan model binomial, adalah:

\[ \sigma_{\hat p}=\sqrt{\frac{p(1-p)}{n}} \]

\(p\) adalah proporsi populasi dan \(n\) adalah ukuran sampel.

Jika proporsi populasi 0,6:

\[ n=100:\quad \sigma_{\hat p} =\sqrt{\frac{0{,}6(0{,}4)}{100}} \approx0{,}049 \] \[ n=400:\quad \sigma_{\hat p} =\sqrt{\frac{0{,}6(0{,}4)}{400}} \approx0{,}0245 \]

Artinya, dalam model ini, simpangan baku untuk sampel 400 orang sekitar setengah simpangan baku untuk sampel 100 orang.

Rumus tersebut berlaku untuk model pengambilan sampel independen seperti binomial. Jika mengambil sampel tanpa pengembalian dari populasi terbatas, variasi dapat berbeda; koreksi populasi terbatas mungkin diperlukan.

7. Estimasi Proporsi dan Interval Kepercayaan

Jika \(x\) anggota sampel memiliki karakteristik yang diteliti dan ukuran sampel adalah \(n\), proporsi sampel dihitung dengan:

\[ \hat p=\frac{x}{n} \]

Misalnya, dari 100 siswa yang dipilih secara acak, 60 siswa membawa bekal. Proporsi sampelnya:

\[ \hat p=\frac{60}{100}=0{,}60=60\% \]

Dalam kondisi yang sesuai, kita dapat menghitung interval kepercayaan perkiraan 95% dengan metode normal sederhana:

\[ \hat p\pm1{,}96 \sqrt{\frac{\hat p(1-\hat p)}{n}} \]

Untuk contoh tersebut, perkiraan intervalnya sekitar 50,4% sampai 69,6%.

Dalam interpretasi frequentist, interval kepercayaan 95% berarti prosedur yang digunakan akan mencakup parameter sebenarnya dalam sekitar 95% sampel berulang, jika asumsi model terpenuhi. Bukan berarti ada probabilitas 95% bahwa parameter tetap berada di dalam satu interval yang sudah dihitung.

Interval normal sederhana bukan pilihan terbaik untuk semua keadaan. Sampel kecil, proporsi yang dekat 0 atau 1, desain sampling yang kompleks, dan bias pemilihan dapat membuat interval ini tidak sesuai.

8. Kalkulator Interaktif Interval Proporsi

Masukkan jumlah responden yang memiliki karakteristik tertentu dan jumlah sampel. Kalkulator akan menghitung proporsi sampel serta interval kepercayaan 95% dengan pendekatan normal sederhana.

Jumlah responden dengan karakteristik yang diteliti (x) Jumlah seluruh responden (n)

Hasil akan muncul di sini.

9. Latihan Soal

Soal 1. Sebuah penelitian ingin mengetahui kebiasaan seluruh siswa kelas X. Siapakah populasi penelitiannya?

Soal 2. Dari 200 siswa yang dipilih, 120 siswa menggunakan transportasi umum. Berapa proporsi sampelnya?

Soal 3. Mengapa sampel yang besar belum tentu mewakili populasi?

Soal 4. Dalam kondisi sebanding, apa pengaruh peningkatan ukuran sampel acak terhadap variasi estimasi proporsi?

Cari Blog Ini

Navigasi Materi