Yang Perlu diketahui tentang Sample dan Sampling

Sobat Reas, tentu sudah sangat familiar dengan istilah Sample maupun Sampling. Bahkan tentu kita sangat sering melakukan kegiatan sampling untuk olah data sehari-hari. Misalnya menghitung loss ratio produk dari tahun ke tahun, atau analisa experience produk dengan sample data klaim tertanggung dan masih banyak lagi. Namun, sebenarnya apakah yang dimaksud dengan sample itu? Dan bagaimana seharusnya kita melakukan sampling agar data yang kita olah benar-benar menggambarkan kondisi populasi?

Apa itu Sample?

Apa jadinya kalau misalnya dikehidupan sehari-sehari tidak mengenal sample? Mungkin ada yang menganggap biasa saja, tapi jauh dari itu ternyata sample adalah sesuatu yang sangat penting. Dalam beberapa kasus kita harus melakukana sample. Secara matematis sample sendiri diartikan sebagai himpunan bagian dari sebuah populasi. Atau secara sederhana sample diartikan sebagai sebagian data yang diambil dari populasi. Ilustrasinya sebagaimana gambar di bawah ini:

Lantas, mengapa kita harus melakukan sample? Bukankah lebih teliti jika analisa dilakukan pada populasi? Bukankah analisa pada sample bisa saja bias? Pertanyaan-pertanyaan tersebut sangat wajar muncul. Namun demikian, ternyata sample memang sangat penting dilakukan. Disamping biasanya menghemat waktu dan biaya karena pengumpulan data populasi sangat sulit dan lama, beberapa kasus memang mengharuskan adanya sampling agar analisanya bermakna. Contohnya? Rapid tes yang akhir-akhir ini dilakukan. Bayangkan kalau misalnya rapid tes dilakukan pada darah bukan pada sample darah. Jika dilakukan pada darah, maka seluruh darah yang ada di tubuh kita dikeluarkan terlebih dahulu, kemudian dibawa ke laboratorium untuk diperiksa. Apa yang terjadi? Berbahaya bukan? Untungnya kita mengenal metode sample sehingga kita hanya perlu beberapa ml darah kita saja untuk mendeteksi adanya virus di tubuh kita. Contoh lainnya adalah pada industri otomotif. Sebelum dijual dipasaran biasanya dilakukan uji coba pada beberapa mobil apakah sesuai dengan kualitas produk yang diinginkan. “Beberapa mobil” yang diuji juga mengikuti kaidah sample. Bayangkan jika yang diuji harus semua mobil, bukankah tidak jadi ada mobil baru yang akan dijual? Alasan perlu adanya sample selain karena ukuran populasinya memang sangat besar, masalah waktu, biaya dan menghindari beberapa percobaan yang bersifat merusak, seperti yang telah dicontohkan sebelumnya.

Sample yang baik didapatkan dengan Sampling yang bagaimana? 

Tujuan utama analisa pada sample adalah menarik kesimpulan atas parameter-parameter populasi melalui beberapa anggota populasi tersebut. Diharapkan, parameter-parameter yang didapatkan dari sample atau yang dikenal dengan statistik dapat merepresentasikan kondisi sebenarnya populasi. Sebagai contoh, jika kita mengambil sample beberapa penduduk di Indonesia dan didapatkan rata-rata nya adalah 38th. Maka diharapkan rata-rata dari seluruh penduduk Indonesia tidak jauh dari yang diperkirakan yaitu 38th. Pemaparan tersebut adalah contoh sample yang tak bias atas populasi. Lantas bagaimana cara mendapatkan sample yang tak bias? Sample yang baik bukan perkara banyaknya sample yang diambil, hal tersebutlah yang melatarbelakangi beberapa pembahasan statistik, tidak dijumpai ukuran baku untuk menentukan minimum sample. Ketimbang memperhitungkan banyaknya, maka penarikan sample lebih baik memperhitungkan ke-representatif-annya. Sample yang kecil belum tentu tidak representatif dan begitu pula, ukuran sample besar tidak menjamin bahwa sample tersebut representatif.

Beberapa teknik sampling dapat digunakan agar penarikan sample mendapatkan data yang representatif. Teknik atau cara sampling yang perlu diketahui tersebut antara lain:

1. Simple Random Sampling
Sesuai dengan namanya, simple random sampling adalah teknik sample yang dapat digunakan untuk memilih data sample. Kata kunci dari teknik sampling ini adalah random. Seluruh anggota populasi memiliki kemungkinan yang sama untuk terpilih mewakili populasinya. Konsekuensi atas kondisi tersebut, peneliti harus benar-benar melakukan pemilihan secara acak. Artinya tidak ada kesengajaan memilih atau mengeliminasi data tertentu. 

https://www.99.co/id/panduan/cluster-random-sampling-adalah
Simple random sampling baik digunakan untuk data yang homogen. Cara pengambilan sampel dengan simple random sampling dapat dilakukan dengan metode undian atau tabel bilangan random.     

2.      Convenience Sampling (Accidental Sampling)
Banyak yang mengira bahwa simple random sampling adalah teknik termudah dari sebuah sampling. Namun demikian, teknik yang paling mudah sebenarnya adalah teknik yang didasarkan pada sebuah “accidental” atau kebetulan. Convenience Sampling atau yang sering disebut Accidental Sampling adalah cara memilih siapa saja yang secara kebetulan dijumpai oleh peneliti. Misalkan sebuah penelitian ingin meneliti produk asuransi apa yang kira-kira dibutuhkan oleh millenial. Menggunakan teknik ini, peneliti akan mewancarai millenial yang secara accidental ditemui. Namun, proses ini tentu harus tetap memperhatikan kaidah random atas suatu sampling. Sehingga teknik ini dianggap teknik yang paling tidak dianjurkan karena faktor “pilih memilih” sangat dekat dengan teknik ini.       

3.      Cluster Random Sampling
Teknik sampling ini memandang populasi sebagai bagian-bagian kelompok atau cluster. Cluster-cluster tersebut biasanya terbentuk secara geografis. Setelah dipandang sebagai cluster-cluster, kemudian secara random dipilih sebagian cluster untuk dijadikan sample. Semua anggota cluster yang terpilih akan menjadi sample penelitian.     

https://sites.google.com/site/panoramaindonesia2008/jawa.jpg

Contoh teknik ini adalah misalkan peneliti membagi pulau Jawa menjadi beberapa cluster berdasarkan kabupaten. Kemudian dipilih secara acak 15 Kabupaten yang selanjutnya semua penduduk pada 15 kabupaten terpilih akan dijadikan sample penelitian dengan populasi pulau Jawa.

4.      Stratified Random Sampling    
Hampir mirip dengan cluster random sampling, pada Stratified Random Sampling, populasi dibagi kedalam kelompok-kelompok. Bedanya, jika pada Cluster Random Sampling pembagian kelompok secara geografis, maka pada Stratified Random Sampling pembagian kelompok secara non-geografis misalnya gender, usia, atau tingkat pendidikan. Kelompok-kelompok yang terbentuk bukan bernama cluster, melainkan strata. Selanjutnya pada masing-masing strata dipilih kembali data yang akan dijadikan “perwakilan” strata yang kemudian akan menjadi sample penelitian.

https://www.99.co/id/panduan/cluster-random-sampling-adalah

Misalkan peneliti ingin mengetahui produk asuransi yang paling diminati. Peneliti kemudian membagi populasi menjadi strata-strata berdasarkan usia. Misalkan usia 20 sd 30, usia 31 sd 40, usia 41 sd 50, dan usia 51 sd 60. Kemudian pada masing-masing strata, dipilih secara random beberapa anggotanya untuk mewakili menjadi sample penelitian. Teknik sampling ini baik untuk data yang heterogen. Keheterogen pada contoh diwakili oleh usia populasi yang beragam.

Setelah diuraikan beberapa contoh teknik sampling seperti diatas, diharapkan suatu penelitian atau analisa data bisa dilakukan dengan baik dan benar. Jika memang diperlukan suatu sampling karena beberapa keterbatasan yang disampaikan, maka peneliti dapat menarik sample yang representatif untuk menghindari kesimpulan yang bias terhadap populasi.