Statistika Bisnis Sesi 06

Leave a Comment / Statistika Bisnis / By

🎯 Sesi 06: Sampling & Sampling Distribution

Keputusan bisnis hampir selalu dibuat berdasarkan data sampel, bukan populasi. Pertanyaannya: bagaimana cara mengambil sampel yang representatif? Dan bagaimana kita bisa percaya pada kesimpulan dari sampel? Di sesi ini, kita belajar teknik sampling yang benar, memahami Central Limit Theorem (salah satu teorema paling ajaib dalam statistika), dan cara menentukan ukuran sampel yang optimal. Ini adalah jembatan dari statistika deskriptif ke inferensi statistik!

πŸŽ₯ Video Kuliah: Sampling & Sampling Distribution

Sebelum membaca materi di bawah, tonton video kuliah ini. Di dalamnya saya jelaskan bertahap β€” dari teknik sampling, distribusi sampling, sampai Central Limit Theorem. Video ini adalah “rekaman kuliah” dari materi yang akan kita baca bersama.

πŸ’‘ Catatan: Video ini mencakup seluruh materi Sesi 06. Tonton sampai selesai sebelum lanjut baca section di bawah. Konsep CLT mungkin butuh beberapa kali pengulangan β€” itu wajar, karena ini konsep fundamental.
πŸ€” Bagian 1: Mengapa Sampling Penting? (Populasi vs Sampel)

πŸ€” Kenapa Tidak Teliti Semua Populasi?

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

  • Biaya mahal: Survei 1 juta pelanggan jauh lebih mahal daripada 1.000 pelanggan
  • Waktu lama: Butuh waktu 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!
🍲 Analogi Ibu Memasak (Lagi):
Ingat analogi di Sesi 01? Ibu tidak perlu menghabiskan seluruh panci sayur untuk tahu rasanya. Cukup ambil satu sendok (sampel), cicipi, lalu simpulkan rasa seluruh panci (populasi).

Syaratnya: 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 Definisi Penting

  • Populasi: Seluruh objek yang ingin disimpulkan (misal: semua pembeli Shopee Indonesia)
  • Sampel: Subset populasi yang benar-benar diteliti (misal: 500 pembeli Shopee di Jakarta)
  • Parameter: Ukuran yang dihitung dari populasi (misal: mean populasi = ΞΌ)
  • Statistik: Ukuran yang dihitung dari sampel (misal: mean sampel = xΜ„)
πŸ’‘ Prinsip Dasar Inferensi Statistik:
Kita pakai statistik (dari sampel) untuk menduga parameter (populasi). Seluruh sesi ini dan sesi berikutnya adalah tentang: bagaimana caranya supaya dugaan itu akurat dan bisa dipercaya.
🎲 Bagian 2: Probability Sampling β€” Setiap Anggota Punya Peluang Terpilih

πŸ€” Apa Itu Probability Sampling?

Probability sampling = teknik sampling dimana setiap anggota populasi memiliki peluang yang diketahui (tidak nol) untuk terpilih. Ini adalah 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

βœ… Kapan Pakai Probability Sampling?
  • Inferensi statistik (generalisasi ke populasi)
  • Butuh estimasi yang tidak bias
  • Ada sampling frame lengkap
  • Sumber daya cukup (waktu, biaya)
🎯 Bagian 3: Non-Probability Sampling β€” Cepat & Praktis, Tapi Hati-hati Bias

πŸ€” Apa Itu Non-Probability Sampling?

Non-probability sampling = teknik sampling dimana 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)

⚠️ Kapan Pakai Non-Probability Sampling?
  • Riset eksploratif / kualitatif
  • Tidak ada sampling frame
  • Sumber daya sangat terbatas
  • Populasi sulit dijangkau
  • TIDAK untuk generalisasi statistik!
⚠️ 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.
πŸ“Š Bagian 4: Sampling Distribution & Central Limit Theorem (CLT)

πŸ€” Apa Itu Sampling Distribution?

Sampling distribution = distribusi probabilitas dari suatu statistik (misal: mean, proporsi) yang dihitung dari semua kemungkinan sampel dengan ukuran yang sama dari populasi yang sama.

🎰 Analogi Mesin Slot (Lagi):
Bayangkan Anda tarik mesin slot 1.000 kali. Setiap kali catat berapa jackpot yang dapat. Lalu buat histogram dari 1.000 nilai itu.

  • Satu tarikan = satu sampel
  • 1.000 tarikan = 1.000 sampel
  • Histogram dari 1.000 nilai = sampling distribution
Sampling distribution menjawab: “Kalau saya ulang eksperimen ini berkali-kali, bagaimana distribusinya?”

πŸ“Š Mengapa Sampling Distribution Penting?

Karena kita cuma ambil satu sampel dari populasi. Kita tidak tahu apakah sampel kita “beruntung” (dekat dengan parameter) atau “sial” (jauh dari parameter). Sampling distribution memberi kita peta tentang bagaimana statistik berperilaku β€” sehingga kita bisa hitung margin of error dan confidence level.

🎯 Central Limit Theorem (CLT) β€” Teorema Paling Ajaib!

CLT bilang: Kalau ukuran sampel cukup besar (biasanya n β‰₯ 30), distribusi mean sampel akan mendekati Normal, tidak peduli bentuk distribusi populasinya.

πŸ’‘ Mengapa CLT “Ajaib”?
Bayangkan populasi asalnya sangat menceng (misal: pendapatan β€” mayoritas rendah,ε°‘ζ•° sangat tinggi). Kalau Anda ambil sampel berulang kali dan hitung mean-nya, distribusi mean sampel itu akan simetris seperti lonceng!

Ini luar biasa karena: kita bisa pakai metode statistik yang asumsikan Normal (seperti z-test, t-test) meskipun data aslinya tidak Normal.

πŸ“Š Rumus Sampling Distribution of the Mean

Jika populasi punya mean ΞΌ dan standar deviasi Οƒ, maka:

Mean dari sampling distribution (ΞΌxΜ„) = ΞΌ
Standar deviasi dari sampling distribution (ΟƒxΜ„) = Οƒ / √n

Dimana:

  • ΞΌxΜ„ = mean dari semua mean sampel = sama dengan mean populasi
  • ΟƒxΜ„ = standar error of the mean = makin besar n, makin kecil errornya
πŸ›’ Contoh: Omzet UMKM
Populasi UMKM di suatu kota punya mean omzet ΞΌ = Rp10 juta dan Οƒ = Rp5 juta. Kalau kita ambil sampel n = 100 UMKM:
  • ΞΌxΜ„ = Rp10 juta (sama dengan populasi)
  • ΟƒxΜ„ = 5 / √100 = 5 / 10 = Rp0,5 juta
Interpretasi: Kalau kita ulang sampling ini berkali-kali, 95% mean sampel akan ada di kisaran 10 Β± 2(0,5) = Rp9-11 juta.

🎯 Implikasi Praktis CLT

  1. Semakin besar n, semakin kecil standar error β†’ estimasi makin presisi
  2. n β‰₯ 30 biasanya cukup untuk asumsi Normal (kecuali populasi sangat menceng)
  3. Tidak perlu tahu bentuk distribusi populasi β€” selama n besar, sampling distribution akan Normal
⚠️ Kesalahpahaman Umum:
CLT bukan bilang “data sampel akan Normal”. CLT bilang “mean sampel akan Normal kalau diulang berkali-kali”. Data individual tetap mengikuti distribusi populasi aslinya.
πŸ“ Bagian 5: Menentukan Ukuran Sampel β€” “Berapa Responden yang Cukup?”

πŸ€” Pertanyaan Klasik: “Berapa Sampel yang Cukup?”

Ini pertanyaan paling sering ditanyakan mahasiswa saat mau skripsi. Jawabannya: tergantung. Tergantung:

  • Tujuan riset (deskriptif? eksperimental?)
  • Tingkat presisi yang diinginkan (margin of error)
  • Tingkat kepercayaan (confidence level)
  • Variabilitas populasi (standar deviasi)
  • Sumber daya (waktu, biaya)

πŸ“Š Rumus Ukuran Sampel untuk Estimasi Mean

Kalau tujuan riset adalah estimasi mean populasi dengan margin of error tertentu:

n = (Z Γ— Οƒ / E)Β²

Dimana:

  • n = ukuran sampel yang dibutuhkan
  • Z = z-score untuk confidence level yang diinginkan (95% β†’ Z=1,96; 99% β†’ Z=2,576)
  • Οƒ = standar deviasi populasi (kalau tidak tahu, pakai estimasi dari studi pilot)
  • E = margin of error yang diinginkan (dalam satuan yang sama dengan data)
πŸ›’ Contoh: Survei Kepuasan Pelanggan
Anda ingin estimasi rata-rata skor kepuasan (skala 1-10) dengan:
  • Confidence level = 95% (Z = 1,96)
  • Margin of error = Β±0,5 poin (E = 0,5)
  • Estimasi Οƒ = 2 (dari studi pilot atau literatur)
Hitung:
n = (1,96 Γ— 2 / 0,5)Β² = (7,84)Β² = 61,46 β†’ dibulatkan 62 responden

πŸ“Š Rumus Ukuran Sampel untuk Estimasi Proporsi

Kalau tujuan riset adalah estimasi proporsi (misal: % pelanggan puas):

n = (ZΒ² Γ— p Γ— (1-p)) / EΒ²

Dimana:

  • p = estimasi proporsi (kalau tidak tahu, pakai p = 0,5 β†’ hasil paling konservatif)
  • E = margin of error (dalam desimal, misal Β±5% β†’ E = 0,05)
πŸ›’ Contoh: Survei Market Share
Anda ingin estimasi % pelanggan yang pakai QRIS dengan:
  • Confidence level = 95% (Z = 1,96)
  • Margin of error = Β±3% (E = 0,03)
  • Estimasi p = 0,5 (konservatif, karena tidak tahu)
Hitung:
n = (1,96Β² Γ— 0,5 Γ— 0,5) / 0,03Β² = (3,8416 Γ— 0,25) / 0,0009 = 0,9604 / 0,0009 = 1.067 responden

🎯 Aturan Praktis (Rule of Thumb)

Kalau tidak mau hitung rumus, pakai panduan ini:

Jenis Riset Ukuran Sampel Minimum
Survei deskriptif (populasi besar) 100-500 responden
Riset eksperimental (perbandingan grup) 30 per grup (minimum untuk CLT)
Analisis multivariat (regresi, SEM) 10-20 observasi per variabel
Riset kualitatif (wawancara mendalam) 10-30 informan (sampai jenuh)
πŸ’‘ Prinsip LEAN untuk Ukuran Sampel:
“Lebih besar belum tentu lebih baik.”
Sampel 1.000 dengan bias seleksi lebih buruk dari sampel 100 yang benar-benar acak. Fokus pada kualitas sampling, bukan cuma kuantitas.
βœ… Bagian 6: Ringkasan & Checklist Praktis Sesi 06

πŸ—ΊοΈ Peta Konsep Sesi 06

Konsep Inti Kapan Dipakai
Probability Sampling Setiap anggota punya peluang terpilih Inferensi statistik, generalisasi
Non-Probability Sampling Peluang tidak diketahui Riset eksploratif, kualitatif
Sampling Distribution Distribusi dari statistik (mean, proporsi) Estimasi, uji hipotesis
Central Limit Theorem Mean sampel β†’ Normal kalau n besar Dasar inferensi statistik
Ukuran Sampel n = f(Z, Οƒ, E) Desain riset

πŸ“‹ Checklist Sebelum Mulai Sampling

  1. β˜‘οΈ Sudah definisikan populasi target dengan jelas?
  2. β˜‘οΈ Sudah tentukan tujuan: generalisasi (probability) atau eksplorasi (non-probability)?
  3. β˜‘οΈ Sudah pilih teknik sampling yang sesuai?
  4. β˜‘οΈ Sudah hitung ukuran sampel yang dibutuhkan?
  5. β˜‘οΈ Sudah antisipasi bias (nonresponse, coverage, measurement)?
  6. β˜‘οΈ Sudah validasi representativitas sampel (bandingkan dengan data populasi jika ada)?

🎯 Pertanyaan Reflektif

  1. Mengapa probability sampling wajib untuk inferensi statistik?
  2. Apa yang dimaksud dengan Central Limit Theorem dan mengapa ini “ajaib”?
  3. Bagaimana hubungan antara ukuran sampel dan margin of error?
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.

πŸŽ₯ Lanjutkan dengan Video

Untuk penjelasan lebih detail tentang CLT dan cara hitung ukuran sampel, tonton video di bagian atas. Video ini mencakup contoh-contoh kasus bisnis yang relevan.

πŸ“š Persiapan Sesi Berikutnya

Di sesi berikutnya, kita akan masuk ke confidence intervals β€” cara estimasi parameter populasi dengan “margin of error” yang terkuantifikasi. Pastikan Anda sudah paham konsep sampling distribution dan CLT di sesi ini sebelum lanjut!

πŸ“– Mau versi lebih ringkas & teknis?
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas β€” mencakup definisi formal, rumus lengkap, dan contoh tambahan. Silakan dibaca sebagai pelengkap.

↓ Gulir ke bawah untuk materi pelengkap ↓

Sesi 06 – Sampling & Sampling Distribution

Learning Guide

Sesi ini membahas teknik pengambilan sampel dan konsep distribusi sampling sebagai fondasi inferensi statistik. Pemahaman ini sangat penting karena keputusan bisnis hampir selalu dibuat berdasarkan data sampel, bukan populasi.

Learning Objectives

  • Membedakan metode sampling probabilistik dan non-probabilistik.
  • Menjelaskan konsep sampling distribution.
  • Menghitung probabilitas mean dan proporsi sampel.

7.1 Sampling Methods

Sampling adalah proses memilih sebagian elemen dari populasi untuk mewakili karakteristik populasi tersebut.

🎲 A. Probability Sampling (Acak)

Setiap anggota populasi memiliki peluang yang diketahui (tidak nol) untuk terpilih. Ini adalah syarat wajib untuk statistik inferensial.

Contoh: Simple Random, Stratified, Systematic.

🎯 B. Non-Probability Sampling (Tidak Acak)

Digunakan ketika kerangka sampel tidak tersedia atau untuk riset eksploratif cepat.

Contoh: Convenience (kemudahan), Purposive (pertimbangan ahli).

7.2 Sampling Distribution & CLT

Sampling distribution adalah distribusi probabilitas dari suatu statistik (misalnya mean) yang dihitung dari semua kemungkinan sampel.

Teorema Limit Tengah (Central Limit Theorem):
Jika ukuran sampel cukup besar (n > 30), distribusi mean sampel akan mendekati normal, tidak peduli bentuk distribusi populasinya.

πŸ› οΈ Praktik: Menentukan Ukuran Sampel

Salah satu pertanyaan paling umum dalam riset bisnis adalah: “Berapa banyak responden yang harus saya survei?”

Gunakan kalkulator di bawah ini sesuai tujuan riset Anda:

  1. Tab 1 (Satu Populasi – Cochran): Gunakan untuk survei pasar deskriptif (contoh: “Berapa % kepuasan pelanggan?”).
  2. Tab 2 (Dua Populasi – Lemeshow): Gunakan untuk eksperimen atau perbandingan (contoh: “Apakah Promo A lebih efektif daripada Promo B?”).

β–Ό Silakan coba hitung di bawah ini β–Ό

Sumber Referensi: Levine, Szabat, & Stephan. (2017). Business Statistics: A First Course. Pearson.

1. Survei Pasar
(Cochran)
2. Eksperimen
(Lemeshow)
Standar umum: 5% atau 10%
Minimal Responden: 0 …
πŸ’‘ Lihat Penjelasan Statistik β–Ό

Analisis: …

Rumus: Cochran Formula dengan Confidence Level 95% (Z=1.96).

Desimal (Contoh: 0.5)
Desimal (Contoh: 0.3)
Sampel Per Kelompok: 0 …
πŸ’‘ Lihat Penjelasan Statistik β–Ό

Analisis Selisih: …

Power 80%: Riset ini punya peluang 80% untuk mendeteksi perbedaan jika memang ada.

Statistika Bisnis Sesi 05
Stat Bis
Statistika Bisnis Sesi 07

Leave a Comment

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