🎥 Video Kuliah: Sampling & Sampling Distribution
Sebelum membaca materi, tonton video kuliah ini. Ini adalah “rekaman kuliah” dari materi yang akan kita baca bersama.
🤔 Bagian 1: Mengapa Sampling Penting? (Populasi vs Sampel)
🤔 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!
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 — hasilnya bias. Dalam riset, “mengaduk rata” ini disebut teknik sampling yang tepat.
📚 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 dari populasi (misal: mean populasi = μ)
- Statistik: Ukuran dari sampel (misal: mean sampel = x̄)
Kita pakai statistik (dari sampel) untuk menduga parameter (populasi).
Untuk riset bisnis di Indonesia, sumber data populasi atau kerangka sampel dapat merujuk pada lembaga resmi seperti Badan Pusat Statistik (BPS). Data resmi seperti ini membantu peneliti memahami ukuran populasi, karakteristik wilayah, dan dasar pengambilan sampel.
🎲 Bagian 2: Probability Sampling — Setiap Anggota Punya Peluang Terpilih
🤔 Apa Itu Probability Sampling?
Probability sampling = setiap anggota populasi memiliki peluang yang diketahui untuk terpilih. Ini syarat wajib untuk generalisasi ke populasi.
📊 4 Jenis Probability Sampling
1. Simple Random Sampling (Acak Sederhana)
2. Stratified Sampling (Berstrata)
3. Systematic Sampling (Sistematis)
4. Cluster Sampling (Kelompok)
- Inferensi statistik (generalisasi)
- Butuh estimasi tidak bias
- Ada sampling frame lengkap
- Sumber daya cukup
🎯 Bagian 3: Non-Probability Sampling — Cepat & Praktis, Tapi Hati-hati Bias
🤔 Apa Itu Non-Probability Sampling?
Non-probability sampling = peluang terpilih tidak diketahui. Tidak bisa untuk generalisasi statistik, tapi berguna untuk riset eksploratif.
📊 4 Jenis Non-Probability Sampling
1. Convenience Sampling (Kenyamanan)
2. Purposive Sampling (Pertimbangan)
3. Snowball Sampling (Bola Salju)
4. Quota Sampling (Kuota)
- Riset eksploratif / kualitatif
- Tidak ada sampling frame
- Sumber daya sangat terbatas
- TIDAK untuk generalisasi statistik!
Pakai convenience sampling (sebar kuesioner ke teman-teman) lalu klaim hasilnya representatif untuk seluruh populasi. Tidak bisa!
📊 Bagian 4: Sampling Distribution & Central Limit Theorem (CLT)
🤔 Apa Itu Distribusi Sampling?
Distribusi sampling = distribusi probabilitas dari suatu statistik (misal: mean) yang dihitung dari semua kemungkinan sampel dengan ukuran yang sama.
Bayangkan Anda tarik mesin slot 1.000 kali. Setiap kali catat jackpot-nya. Lalu buat histogram dari 1.000 nilai itu — itulah distribusi sampling.
🎯 Central Limit Theorem (CLT) — Teorema Paling Ajaib!
CLT bilang: Kalau ukuran sampel cukup besar (n ≥ 30), distribusi mean sampel akan mendekati Normal, tidak peduli bentuk distribusi populasinya.
Bayangkan populasi asalnya sangat menceng (misal: pendapatan). Kalau Anda ambil sampel berulang kali dan hitung mean-nya, distribusi mean sampel itu akan simetris seperti lonceng!
📊 Rumus Distribusi Sampling dari Mean
σx̄ = σ / √n (standar error)
Populasi: μ = Rp10 juta, σ = Rp5 juta. Sampel n = 100:
- μx̄ = Rp10 juta
- σx̄ = 5 / √100 = Rp0,5 juta
CLT bukan bilang “data sampel akan Normal”. CLT bilang “mean sampel akan Normal kalau diulang berkali-kali”.
Untuk memahami konsep distribusi sampling dan Central Limit Theorem lebih dalam, Anda juga dapat membaca referensi dari NIST Engineering Statistics Handbook dan penjelasan visual dari Khan Academy tentang Central Limit Theorem.
🧪 Lihat Central Limit Theorem Bergerak Secara Visual
Setelah memahami teori distribusi sampling dan CLT, coba lihat simulasi interaktifnya. Di Lab Statistika Interaktif, Anda dapat mengubah bentuk populasi, ukuran sampel, dan jumlah pengulangan untuk melihat bagaimana mean sampel perlahan membentuk distribusi Normal.
🧪 Buka Lab Statistika Interaktif →📏 Bagian 5: Menentukan Ukuran Sampel — “Berapa Responden yang Cukup?”
🤔 Pertanyaan Klasik: “Berapa Sampel yang Cukup?”
Jawabannya: tergantung tujuan riset, margin of error, confidence level, variabilitas populasi, dan sumber daya.
📊 Rumus Ukuran Sampel untuk Estimasi Mean
- Z = z-score (95% → 1,96; 99% → 2,576)
- σ = standar deviasi populasi
- E = margin of error yang diinginkan
📊 Rumus Ukuran Sampel untuk Estimasi Proporsi
- p = estimasi proporsi (pakai 0,5 jika tidak tahu)
- E = margin of error (dalam desimal)
🎯 Aturan Praktis (Rule of Thumb)
| Jenis Riset | Ukuran Sampel Minimum |
|---|---|
| Survei deskriptif (populasi besar) | 100-500 responden |
| Riset eksperimental (perbandingan grup) | 30 per grup |
| Analisis multivariat (regresi, SEM) | 10-20 observasi per variabel |
| Riset kualitatif (wawancara mendalam) | 10-30 informan |
“Lebih besar belum tentu lebih baik.”
Sampel 1.000 dengan bias seleksi lebih buruk dari sampel 100 yang benar-benar acak.
✅ Bagian 6: Ringkasan & Checklist Praktis
🗺️ Peta Konsep Sesi 06
| Konsep | Inti | Kapan Dipakai |
|---|---|---|
| Probability Sampling | Setiap anggota punya peluang | Generalisasi |
| Non-Probability Sampling | Peluang tidak diketahui | Eksploratif |
| Distribusi Sampling | Distribusi dari statistik | Estimasi, uji hipotesis |
| Central Limit Theorem | Mean sampel → Normal (n besar) | Dasar inferensi |
| Ukuran Sampel | n = f(Z, σ, E) | Desain riset |
📋 Checklist Sebelum Mulai Sampling
- ☑️ Sudah definisikan populasi target?
- ☑️ Sudah tentukan tujuan: generalisasi atau eksplorasi?
- ☑️ Sudah pilih teknik sampling yang sesuai?
- ☑️ Sudah hitung ukuran sampel yang dibutuhkan?
- ☑️ Sudah antisipasi bias?
- ☑️ Sudah validasi representativitas sampel?
“Sampel yang baik adalah sampel yang bisa dipercaya.”
Fokus pada validitas, bukan kompleksitas.
📚 Persiapan Sesi Berikutnya
Di sesi berikutnya, kita masuk ke confidence intervals — cara estimasi parameter dengan “margin of error” terkuantifikasi.
🔍 Ingin Lebih Dalam tentang Teknik Sampling?
Kalau Anda butuh detail lebih lanjut tentang probability vs non-probability sampling, sampling frame, dan decision tree untuk memilih teknik yang tepat — kami sudah siapkan deep-dive khusus di Sesi 01a.
🔬 Buka Deep-Dive Sampling →🧮 Butuh Kalkulator Ukuran Sampel Versi Mandiri?
Jika Anda ingin langsung menghitung jumlah responden tanpa membaca ulang seluruh materi Sesi 06, gunakan halaman khusus sample size calculator. Tool ini cocok untuk mahasiswa, dosen, dan praktisi riset yang ingin menghitung ukuran sampel survei dengan cepat.
🧮 Buka Sample Size Calculator →🧮 Kalkulator Ukuran Sampel
Hitung jumlah responden yang dibutuhkan berdasarkan tujuan riset Anda
(Cochran)
(Lemeshow)
Rumus Cochran:
Dengan Z = 1.96 (confidence level 95%), p = proporsi estimasi, e = margin of error.
Jika populasi diketahui dan sampel > 5% populasi, dikoreksi dengan Finite Population Correction (FPC):
Analisis: …
Rumus Lemeshow (membandingkan 2 proporsi):
Dengan P̄ = (P₁+P₂)/2, Q = 1-P, Zα = 1.96 (α=5%), Zβ = 0.84 (power 80%).
Analisis Selisih: …