Systematic Random Sampling dan cara melakukan

-

 Contoh Penerapan Systematic Random Sampling (SRS)

Misal:

  • Populasi: Seluruh mahasiswa Universitas X yang berjumlah 10.000 orang.
  • Penelitian: Ingin mengetahui rata-rata nilai Ujian Akhir Semester (UAS) Mata Kuliah Statistika.
  • Sampel: Diperlukan 400 mahasiswa untuk mewakili populasi.

Langkah-langkah:

  1. Menentukan kerangka sampel: Daftar lengkap seluruh mahasiswa Universitas X yang berisi 10.000 nama.
  2. Menentukan n interval: Jumlah sampel dibagi dengan jumlah elemen dalam kerangka sampel.
    • n interval = 400 mahasiswa / 10.000 mahasiswa = 0,04.
  3. Menentukan titik awal acak: Pilih nomor acak antara 1 dan n interval. Misalkan, nomor acak yang dipilih adalah 3.
  4. Memilih sampel:
    • Ambil elemen ke-3, ke-7, ke-11, ... , dan seterusnya dari kerangka sampel.
    • Dalam kasus ini, mahasiswa ke-3, ke-7, ke-11, ..., dan ke-3999 akan dipilih sebagai sampel.

Keuntungan Systematic Random Sampling:

  • Mudah: SRS mudah diimplementasikan dan dipahami.
  • Efisien: SRS tidak memerlukan stratifikasi atau penomoran elemen populasi terlebih dahulu.
  • Representatif: SRS dapat menghasilkan sampel yang representatif dari populasi jika kerangka sampel lengkap dan akurat.

Kekurangan Systematic Random Sampling:

  • Ketergantungan: Jika elemen dalam kerangka sampel tidak terurut secara acak, SRS dapat menghasilkan sampel yang bias.
  • Ketidakefektifan: SRS tidak efektif untuk populasi dengan pola yang diketahui, seperti stratifikasi geografis.

Contoh lain:

  • Survei kepuasan pelanggan: Mengirim kuesioner kepada setiap pelanggan ke-10 yang datang ke toko.
  • Penelitian kualitas produk: Memeriksa setiap produk ke-100 yang keluar dari jalur produksi.
  • Analisis opini publik: Mewawancarai setiap orang ke-50 yang ditemui di jalan.

Kesimpulan:

Systematic Random Sampling (SRS) adalah teknik pengambilan sampel yang mudah, efisien, dan dapat menghasilkan sampel yang representatif dari populasi.

Namun, penting untuk mempertimbangkan keterbatasan SRS sebelum menggunakannya, seperti ketergantungan dan ketidakefektifan untuk populasi dengan pola yang diketahui.

Komentar

Posting Komentar

Postingan populer dari blog ini

Apa itu Rizz dan Skibidi ?

-
Gambar
Tentu, mari kita bahas dua istilah slang Gen Z lainnya yang populer: Rizz dan Skibidi . Keduanya sangat relevan dengan budaya internet dan media sosial saat ini. Rizz "Rizz" adalah singkatan dari kata "charisma" (karisma). Arti: Istilah ini mengacu pada kemampuan seseorang untuk menarik, merayu, atau memikat orang lain, terutama lawan jenis, melalui perkataan, pesona, atau gaya yang menarik . Ini adalah tentang keterampilan sosial dalam "mendekati" atau "menggaet" seseorang. Asal-Usul: Istilah ini dipopulerkan oleh streamer dan YouTuber Amerika, Kai Cenat, sekitar tahun 2021-2022. Ia sering menggunakannya dalam siarannya untuk menggambarkan kemampuannya atau kemampuan orang lain dalam berinteraksi romantis atau menarik perhatian. Penggunaan: Noun: Sebagai kata benda, "rizz" menggambarkan karisma atau daya tarik itu sendiri. Verb (to rizz): Sebagai kata kerja, "to rizz" berarti berhasil memikat atau merayu seseorang. ...
Baca selengkapnya

Efek Peter: efek husnuzhon di kantor

-
Gambar
  Efek Peter:   Efek Peter menyatakan bahwa individu dalam suatu organisasi cenderung dipromosikan ke tingkat kompetensi mereka yang paling tinggi, di mana mereka kemudian menjadi tidak kompeten. Dengan kata lain, orang yang berkinerja baik dalam suatu peran akan terus dipromosikan sampai mereka mencapai posisi di mana mereka tidak lagi mampu bekerja dengan efektif.
Baca selengkapnya

Contoh Penerapan Maximum Likelihood Estimation (MLE)

-
  Estimasi Parameter Distribusi Normal Mari kita ambil contoh sederhana: kita memiliki data tinggi badan dari sekelompok orang yang kita asumsikan berdistribusi normal. Kita ingin mencari nilai rata-rata (μ) dan standar deviasi (σ) populasi berdasarkan data tersebut. Langkah-langkah: Asumsikan distribusi: Kita asumsikan bahwa tinggi badan mengikuti distribusi normal dengan parameter μ dan σ². Tuliskan fungsi likelihood: Jika kita memiliki n data titik, x₁, x₂, ..., xn, maka fungsi likelihood adalah: L(μ, σ²) = ∏(1/√(2πσ²)) * exp(-(xi-μ)²/(2σ²)) Maksimalkan fungsi likelihood: Biasanya, lebih mudah untuk memaksimalkan logaritma dari fungsi likelihood (log-likelihood) karena sifat logaritma. Kita akan mendapatkan persamaan likelihood untuk μ dan σ². Dengan menyelesaikan persamaan tersebut, kita akan mendapatkan nilai μ dan σ² yang memaksimalkan fungsi likelihood. Hasil: Estimator maximum likelihood untuk μ adalah rata-rata sampel (x̄). Estimator maximum likelihood untuk σ² adalah var...
Baca selengkapnya