Sesi 01a: deep-dive sampling

Leave a Comment / Statistika Bisnis / By
← Kembali ke Sesi 01: Konsep Dasar

πŸ” Sesi 01a: Deep-Dive Mekanisme Akuisisi Data

Di Sesi 01 kita sudah kenalan dengan konsep dasar akuisisi data. Sekarang saatnya bedah lebih dalam: bagaimana cara mengambil sampel yang benar-benar representatif? Apa itu sampling frame dan mengapa dia krusial? Kapan pakai probability vs non-probability sampling? Post ini adalah “bengkel teknis” dari konsep sampling β€” lengkap dengan contoh kasus UMKM Indonesia dan peringatan kesalahan fatal yang sering dilakukan peneliti pemula.

🍲 Bagian 1: Populasi vs Sampel β€” “Tidak Perlu Habiskan Panci untuk Tahu Rasanya”

πŸ€” Review Cepat dari Sesi 01

Sebelum masuk ke detail teknis, mari kita refresh dua konsep fundamental:

  • Populasi: Seluruh objek yang ingin Anda simpulkan (misal: semua pembeli Shopee Indonesia)
  • Sampel: Sebagian dari populasi yang benar-benar Anda teliti (misal: 500 pembeli Shopee di Jakarta)
🍲 Analogi Ibu Memasak Sup (Lagi):
Ibu tidak perlu menghabiskan seluruh panci sup untuk tahu rasanya. Cukup ambil satu sendok (sampel), cicipi, lalu simpulkan rasa seluruh panci (populasi).

Syaratnya satu: sayur di panci harus sudah diaduk rata. Kalau belum diaduk, sendok yang diambil mungkin cuma dapat kuah di permukaan β€” hasilnya bias. Dalam riset, “mengaduk rata” ini disebut teknik sampling yang tepat.

πŸ“š Contoh dalam Bisnis

Skenario Bisnis Populasi Sampel
Survei kepuasan pelanggan Tokopedia Seluruh 100 juta+ pengguna aktif 2.000 pengguna yang dipilih acak
Audit kualitas produksi UMKM keripik Seluruh 10.000 bungkus yang diproduksi bulan ini 100 bungkus yang diuji di lab
Studi perilaku pembeli di pasar tradisional Seluruh pengunjung pasar selama 1 bulan 200 pengunjung yang diwawancara

πŸ€” Kenapa Tidak Teliti Semua Populasi (Sensus)?

Idealnya, kita ingin meneliti seluruh populasi. Tapi dalam praktik, ini sering tidak mungkin karena:

  • Biaya mahal: Survei 1 juta pelanggan jauh lebih mahal daripada 1.000 pelanggan
  • Waktu lama: Butuh berbulan-bulan untuk kumpulkan data seluruh populasi
  • Tidak praktis: Kadang populasi terlalu besar atau bahkan infinite (misal: semua transaksi masa depan)
  • Destruktif: Kalau Anda uji kualitas korek api dengan menyalakan semuanya, tidak ada yang tersisa untuk dijual!
πŸ’‘ Prinsip Dasar Inferensi Statistik:
Kita pakai statistik (ukuran dari sampel, misal: xΜ„) untuk menduga parameter (ukuran populasi, misal: ΞΌ). Seluruh statistika inferensial adalah seni membuat dugaan yang akurat dan bisa dipercaya.
πŸ“‹ Bagian 2: Sampling Frame β€” “Pijakan yang Cacat, Kesimpulan yang Rubuh”

πŸ€” Apa Itu Sampling Frame?

Sampling frame = daftar fisik/item yang menjadi pijakan pengambilan sampel. Ini adalah “daftar nama” yang Anda pakai untuk memilih siapa yang akan disurvei.

πŸ—ΊοΈ Hubungan Populasi β†’ Sampling Frame β†’ Sampel

[POPULASI] (konsep abstrak: semua UMKM Indonesia)
↓ diwujudkan dalam
[SAMPLING FRAME] (daftar fisik: data UMKM dari Dinas Koperasi)
↓ dipilih dengan teknik sampling
[SAMPEL] (500 UMKM yang benar-benar disurvei)

⚠️ Mengapa Sampling Frame Krusial?

Sampling frame adalah jembatan antara konsep dan realitas. Kalau jembatan ini cacat, seluruh riset akan cacat β€” tidak peduli seberapa canggih analisis statistiknya.

🚨 Bahaya Sampling Frame yang Cacat:
Kalau sampling frame tidak mencakup seluruh populasi target, Anda akan terkena Coverage Error (salah satu dari 4 sumber error di Sesi 01). Kesimpulan Anda hanya berlaku untuk yang ada di daftar β€” bukan untuk seluruh populasi.

πŸ“š Contoh Kasus Sampling Frame

βœ… Sampling Frame yang Baik:
Riset: “Kepuasan pelanggan Shopee di Indonesia.”
Sampling frame: Database seluruh pengguna Shopee yang pernah bertransaksi dalam 6 bulan terakhir (dari internal Shopee).
Alasan: Mencakup seluruh populasi target, data mutakhir, lengkap.
❌ Sampling Frame yang Cacat:
Riset: “Kepuasan pelanggan Shopee di Indonesia.”
Sampling frame: Daftar follower akun Instagram @shopee_id.
Masalah:
  • Tidak mencakup pelanggan yang tidak pakai Instagram
  • Bias ke generasi muda (yang lebih aktif di IG)
  • Bias ke yang sudah follow (mungkin lebih loyal)
Kesimpulan dari sampling frame ini tidak bisa digeneralisasi ke seluruh pelanggan Shopee.

πŸ” Checklist Sampling Frame yang Baik

  1. β˜‘οΈ Lengkap: Mencakup seluruh populasi target?
  2. β˜‘οΈ Akurat: Data mutakhir (tidak ada yang sudah pindah, meninggal, dll)?
  3. β˜‘οΈ Tidak ada duplikasi: Satu anggota tidak terdaftar 2x?
  4. β˜‘οΈ Relevan: Hanya mencakup anggota populasi target (tidak ada yang “nyasar”)?
πŸ’‘ Ingat: Sampling frame yang sempurna itu langka. Tugas peneliti adalah meminimalkan cacat dan jujur melaporkan keterbatasan frame yang dipakai.
βš–οΈ Bagian 3: Dua Jalan Sampling β€” Probability vs Non-Probability

πŸ€” Mengapa Ada Dua “Jalan”?

Ada dua filosofi besar dalam sampling, tergantung tujuan riset:

🎲 Probability Sampling

“Metode Representatif”

Mekanisme acak untuk membunuh bias manusia. Setiap anggota populasi punya peluang yang diketahui untuk terpilih.

Tujuan: Generalisasi ke populasi (inferensi statistik)

🎯 Non-Probability Sampling

“Metode Praktis”

Pemilihan berdasarkan pertimbangan peneliti. Peluang terpilih tidak diketahui.

Tujuan: Eksplorasi, efisiensi, riset kualitatif

🎰 Analogi Undian vs Seleksi:
  • Probability sampling seperti undian berhadiah β€” nama dikocok acak, setiap peserta punya peluang sama. Tidak ada yang bisa “mengatur” siapa yang menang.
  • Non-probability sampling seperti menunjuk langsung β€” Anda pilih siapa yang menurut Anda “pantas” atau “paling mudah” dijangkau. Cepat, tapi subjektif.
⚠️ Aturan Emas:
Kalau tujuan Anda adalah generalisasi ke populasi (inferensi statistik), Anda WAJIB pakai probability sampling. Non-probability sampling hanya boleh dipakai untuk riset eksploratif atau kualitatif β€” dan Anda harus jujur mengakui keterbatasan ini.
🎲 Bagian 4: Probability Sampling β€” 4 Teknik “Anti-Bias”

πŸ€” Prinsip Utama

Setiap anggota populasi punya peluang yang diketahui (tidak nol) untuk terpilih. Ini syarat wajib untuk statistik inferensial β€” kalau mau generalisasi ke populasi, harus pakai probability sampling.

πŸ“Š 4 Jenis Probability Sampling

1. Simple Random Sampling (Acak Sederhana)

Cara kerja: Setiap anggota populasi punya peluang yang sama untuk terpilih. Seperti undian.

πŸ›’ Contoh: Dari 1.000 pelanggan, pilih 100 secara acak pakai tabel bilangan random atau software. Setiap pelanggan punya peluang 100/1000 = 10% untuk terpilih.

Kelebihan: Sederhana, tidak bias
Kekurangan: Butuh daftar lengkap populasi (sampling frame), bisa tidak representatif kalau populasi heterogen

2. Stratified Sampling (Berstrata)

Cara kerja: Bagi populasi jadi strata (kelompok homogen), lalu ambil acak dari tiap strata secara proporsional.

πŸ›’ Contoh: Survei kepuasan pelanggan e-commerce. Populasi heterogen (ada yang belanja elektronik, fashion, F&B).
  • Strata 1: Pembeli elektronik (40% populasi)
  • Strata 2: Pembeli fashion (35% populasi)
  • Strata 3: Pembeli F&B (25% populasi)
  • Ambil sampel proporsional: 40 dari elektronik, 35 dari fashion, 25 dari F&B β†’ total 100 responden

Kelebihan: Lebih representatif, bisa bandingkan antar strata
Kekurangan: Butuh informasi strata beforehand

3. Systematic Sampling (Sistematis)

Cara kerja: Pilih setiap anggota ke-k dari daftar populasi.

πŸ›’ Contoh: Dari 1.000 pelanggan, mau ambil 100 sampel. Interval k = 1000/100 = 10. Pilih acak 1 orang dari 10 pertama, lalu ambil setiap orang ke-10 setelahnya (urutan ke-10, ke-20, ke-30, dst).

Kelebihan: Lebih mudah dari simple random, tetap acak
Kekurangan: Bisa bias kalau ada pola tersembunyi di daftar (misal: daftar diurutkan berdasarkan usia)

4. Cluster Sampling (Kelompok)

Cara kerja: Bagi populasi jadi kluster (kelompok heterogen), pilih beberapa kluster secara acak, lalu teliti semua anggota di kluster yang terpilih.

πŸ›’ Contoh: Survei UMKM di Jawa Barat. Populasi tersebar di 27 kabupaten/kota.
  • Pilih acak 5 kabupaten dari 27
  • Teliti semua UMKM di 5 kabupaten itu

Kelebihan: Efisien biaya dan waktu untuk populasi tersebar luas
Kekurangan: Kurang presisi kalau kluster homogen internal

πŸ’‘ Kapan Pakai Probability Sampling?
  • Inferensi statistik (generalisasi ke populasi)
  • Butuh estimasi yang tidak bias
  • Ada sampling frame lengkap
  • Sumber daya cukup (waktu, biaya)
🎯 Bagian 5: Non-Probability Sampling β€” Cepat & Praktis, Tapi Hati-hati Bias

πŸ€” Prinsip Utama

Peluang terpilih tidak diketahui. Tidak bisa dipakai untuk generalisasi statistik, tapi berguna untuk riset eksploratif atau ketika probability sampling tidak memungkinkan.

πŸ“Š 4 Jenis Non-Probability Sampling

1. Convenience Sampling (Kenyamanan)

Cara kerja: Ambil responden yang paling mudah dijangkau.

πŸ›’ Contoh: Survei kepuasan pelanggan dengan menyebar kuesioner di media sosial. Responden = follower yang kebetulan lihat dan mau isi.

Kelebihan: Cepat, murah, mudah
Kekurangan: Sangat bias, tidak representatif

2. Purposive Sampling (Pertimbangan)

Cara kerja: Peneliti sengaja memilih responden berdasarkan kriteria tertentu.

πŸ›’ Contoh: Riset tentang strategi ekspansi UMKM. Hanya pilih pemilik UMKM dengan omzet >Rp100 juta/bulan dan pengalaman >5 tahun β€” karena mereka dianggap “ahli”.

Kelebihan: Fokus pada informan kunci, cocok untuk riset kualitatif
Kekurangan: Subjektif, tidak bisa generalisasi

3. Snowball Sampling (Bola Salju)

Cara kerja: Mulai dari 1-2 responden, lalu minta mereka tunjuk kenalannya yang cocok, dst.

πŸ›’ Contoh: Studi tentang komunitas dropshipper eksklusif. Sulit dicari karena tidak ada daftar resmi. Mulai dari 1 dropshipper, minta dia tunjuk 3 kenalannya, lalu minta mereka tunjuk lagi, dst.

Kelebihan: Bisa akses populasi tersembunyi/tertutup
Kekurangan: Bias jaringan sosial, tidak representatif

4. Quota Sampling (Kuota)

Cara kerja: Tentukan kuota untuk tiap kategori (seperti stratified), tapi pengisian kuota tidak acak.

πŸ›’ Contoh: Survei mau 100 responden: 50 pria, 50 wanita. Pewawancara cari 50 pria dan 50 wanita yang kebetulan ditemui β€” tidak pakai undian.

Kelebihan: Lebih terstruktur dari convenience, bisa kontrol proporsi
Kekurangan: Masih ada bias seleksi (yang ditemui pewawancara mungkin tidak representatif)

⚠️ Kesalahan Fatal Mahasiswa:
Pakai convenience sampling (misal: sebar kuesioner ke teman-teman) lalu klaim hasilnya representatif untuk seluruh populasi. Tidak bisa!

Kalau mau generalisasi, harus probability sampling. Kalau pakai non-probability, batasi klaim hanya ke sampel yang diteliti, dan akui keterbatasan ini di bab “Keterbatasan Riset”.
πŸ’‘ Kapan Pakai Non-Probability Sampling?
  • Riset eksploratif / kualitatif
  • Tidak ada sampling frame
  • Sumber daya sangat terbatas
  • Populasi sulit dijangkau
  • TIDAK untuk generalisasi statistik!
πŸ—ΊοΈ Bagian 6: Peta Keputusan β€” Pilih Teknik Sampling yang Tepat

πŸ€” Bagaimana Cara Memilih?

Jawab pertanyaan ini secara berurutan untuk menentukan teknik sampling yang paling cocok:

🌳 Decision Tree Sampling

  1. Apa tujuan riset?
    • Generalisasi ke populasi β†’ Probability sampling
    • Eksplorasi / kualitatif β†’ Non-probability sampling
  2. Apakah ada sampling frame lengkap?
    • Ya β†’ Simple random, systematic, stratified
    • Tidak, tapi populasi tersebar β†’ Cluster
    • Tidak ada sama sekali β†’ Non-probability
  3. Apakah populasi homogen atau heterogen?
    • Homogen β†’ Simple random, systematic
    • Heterogen dengan kelompok jelas β†’ Stratified
    • Heterogen tersebar geografis β†’ Cluster
  4. Apakah butuh kriteria khusus?
    • Ya β†’ Purposive
    • Populasi tersembunyi β†’ Snowball

πŸ“Š Tabel Perbandingan Cepat

Teknik Jenis Kapan Dipakai Contoh Aplikasi
Simple Random Probability Populasi homogen, frame lengkap Undian berhadiah pelanggan
Stratified Probability Populasi heterogen, butuh proporsi Survei per segmen (UMKM, korporat, retail)
Systematic Probability Frame lengkap, butuh efisiensi Audit setiap transaksi ke-10
Cluster Probability Populasi tersebar geografis Survei petani di beberapa kabupaten
Convenience Non-Probability Riset eksploratif, sumber daya terbatas Sebar kuesioner di media sosial
Purposive Non-Probability Butuh kriteria khusus/ahli Wawancara pemilik UMKM omzet >1 jt/bulan
Snowball Non-Probability Populasi sulit dijangkau Studi komunitas dropshipper
Quota Non-Probability Butuh proporsi tertentu, tidak acak Survei 50 pria + 50 wanita
πŸ’‘ Prinsip LEAN untuk Sampling:
“Tidak ada teknik sampling yang paling benar. Yang ada adalah paling cocok dengan kondisi populasi, tujuan riset, dan sumber daya Anda.”

Tapi ingat: kalau mau inferensi statistik, probability sampling adalah harga mati.
βœ… Bagian 7: Ringkasan & Checklist Sebelum Mulai Sampling

πŸ“‹ Checklist 6 Pertanyaan Kunci

Sebelum Anda mulai mengumpulkan data, pastikan bisa menjawab “YA” untuk keenam pertanyaan ini:

  1. β˜‘οΈ Sudah definisikan populasi target dengan jelas?
  2. β˜‘οΈ Sudah identifikasi sampling frame yang akan dipakai? (dan akui keterbatasannya)
  3. β˜‘οΈ Sudah tentukan tujuan: generalisasi (probability) atau eksplorasi (non-probability)?
  4. β˜‘οΈ Sudah pilih teknik sampling yang sesuai dengan karakteristik populasi?
  5. β˜‘οΈ Sudah hitung ukuran sampel yang dibutuhkan? (akan dibahas di Sesi 06)
  6. β˜‘οΈ Sudah antisipasi bias (coverage, nonresponse, measurement)?
πŸ’‘ Prinsip LEAN untuk Sampling:
“Sampel yang baik adalah sampel yang bisa dipercaya.”
Tidak perlu sampel besar kalau bias. Tidak perlu rumit kalau simple random sudah cukup. Fokus pada validitas, bukan kompleksitas.

πŸ“š Persiapan Sesi Berikutnya

Di Sesi 02, kita akan belajar bagaimana mengorganisasi dan memvisualisasikan data yang sudah kita kumpulkan β€” dari tabel frekuensi sampai histogram. Pastikan Anda sudah paham konsep sampling di sesi ini sebelum lanjut!

πŸ”— Kembali ke Sesi 01

Mau review konsep dasar (konstruksi variabel, skala NOIR, 4 sumber error)?

← Kembali ke Sesi 01: Konsep Dasar
Sesi 01: Fondasi & Struktur Data Bisnis
Stat Bis
Statistika Bisnis Sesi 02: Arsitektur dan Visualisasi Data

Leave a Comment

Your email address will not be published. Required fields are marked *