Skip to main content

11 — Ukuran Populasi/Sampel dan Teknik Sampling / Inklusi–Eksklusi

Tujuan: Menjelaskan cara menetapkan dan menuliskan ukuran populasi/sampel awal serta teknik sampling / filter inklusi–eksklusi agar cakupan data skripsi DS/ML dapat diaudit dan klaim generalisasi proporsional.

Poin checklist terkait:
- Ukuran populasi/sampel awal diketahui
- Teknik sampling / filter inklusi–eksklusi dijelaskan
Lihat Checklist Metodologi Penelitian ML-DS.
Materi sebelumnya: 10 — Provenance, label & etika · Materi berikutnya: 12 — Data cleaning
Terkait: 03 — Cross-validation & partisi · 08 — Class imbalance & SMOTE.


Dari “pakai dataset X” ke jejak N yang dapat diaudit

Setelah provenance dikunci (10), penguji masih bertanya dua hal: dari berapa unit pada sumber awal, dan dengan aturan apa baris, pasien, citra, atau dokumen masuk atau keluar analisis? Tanpa jawaban itu, sulit menilai apakah \(N\) akhir masuk akal, apakah ada selection bias, dan apakah klaim generalisasi melebihi cakupan sampel.

Bedakan istilah di BAB III agar tidak campur:

Istilah Makna operasional
Populasi target Kelompok yang ingin digeneralisasi (mis. mahasiswa aktif prodi Y tahun 2024)
Populasi sumber / frame Unit yang secara praktis tersedia (database, registri, dump)
Sampel awal Jumlah setelah filter inklusi kasar / unduhan pertama — sebelum cleaning berat
Sampel akhir Jumlah yang masuk modelling setelah cleaning dan missing handling

Pada dataset sekunder, “populasi” sering berarti seluruh record pada sumber yang memenuhi definisi kasus, dan “sampel” bisa berupa total sampling dari frame itu. Tuliskan \(N\) mentah, \(N\) setelah inklusi–eksklusi, \(N\) siap model, serta unit analisis (baris? pasien? kunjungan? citra?).

Dataset mentah berisi 15.420 rekaman diagnosis. Setelah filter inklusi–eksklusi primer tersisa 12.105 (sampel awal). Setelah cleaning dan penanganan missing, 11.480 dipakai untuk pemodelan (sampel akhir).


Teknik sampling — sebut yang benar-benar terjadi

Jangan menyalin istilah statistik yang tidak dipakai. Total sampling / sensus pada frame berarti semua unit pada populasi sumber dipakai — lazim ketika seluruh CSV setelah filter masuk analisis. Simple random atau stratified muncul pada survei primer atau subsample dari frame besar. Convenience sampling (kuesioner daring yang mudah dijangkau) wajib disertai batasan selection bias. Time-based selection memilih menurut periode; bedakan dari random split eksperimen.

Catatan penting untuk skripsi ML: mengunduh dataset publik lalu memfilter baris biasanya total sampling pada frame setelah filter, bukan random sampling. Train/test split adalah partisi eksperimen (03), bukan teknik sampling populasi — jangan menulis “sampling 80:20” sebagai pengganti penjelasan populasi. Undersampling/oversampling kelas adalah penanganan imbalance pada data latih (08), ditulis terpisah.


Inklusi–eksklusi vs cleaning

Inklusi–eksklusi adalah aturan domain tentang siapa/apa yang masuk analisis: periode data, rentang usia, diagnosis terkonfirmasi, resolusi citra minimum, dan semacamnya. Eksklusi mengeluarkan duplikat identitas, data demo, missing pada variabel inti yang tidak bisa diimputasi secara sah, atau outlier non-domain yang sudah dipastikan error entri.

Tahap Fokus
Inklusi–eksklusi Definisi kasus / cakupan ilmiah
Cleaning (12) Kualitas teknis: duplikat, format, noise

“Hanya pasien diabetes tipe 2” = inklusi. “Hapus baris tanggal tidak bisa di-parse” = cleaning. Keduanya mengurangi \(N\) — tulis berurutan.

Sumber (N₀)
  → inklusi/eksklusi primer → N₁ (sampel awal)
  → cleaning / dedup / noise → N₂
  → missing handling (drop) → N₃
  → siap model = sampel akhir

Flowchart atau tabel bertingkat N₀ → N_akhir sangat dihargai penguji.


Klaim yang proporsional terhadap sampel

Satu rumah sakit tahun 2023 tidak mendukung klaim nasional. Dataset publik negara A mendukung temuan pada distribusi A; transfer ke populasi lokal perlu kehati-hatian. Kuesioner convenience satu kampus membawa selection bias. Data sintesis mendukung klaim metodologis, bukan klinis populasi nyata. Ukuran sampel besar tidak otomatis membuat sampel representatif jika frame-nya bias.

Populasi target adalah […]. Populasi sumber [nama] berisi N₀ [unit]. Teknik pengambilan sampel: [total sampling pada frame / stratified / …]. Kriteria inklusi: (1) … (2) … . Kriteria eksklusi: (1) … (2) … . Setelah filter diperoleh N₁ (sampel awal). Jumlah akhir setelah pra-pemrosesan dilaporkan pada bagian persiapan data.


Yang sering bermasalah

  1. Hanya “sampel berjumlah 1.000” tanpa \(N\) awal dan aturan filter.
  2. Menyebut random sampling padahal memakai seluruh CSV setelah filter.
  3. Menyamakan rasio train/test dengan teknik sampling populasi.
  4. Filter tidak ditulis, tetapi \(N\) mengecil drastis di BAB IV.
  5. Klaim generalisasi jauh lebih luas dari frame sampel.

Sebelum lanjut ke cleaning


Sampel yang dapat dibela menjawab berapa jumlahnya di awal dan dengan aturan apa angka itu terbentuk. Baru setelah itu klaim generalisasi boleh ditulis — dan barulah cleaning merapikan kualitas teknis tanpa mengaburkan jejak \(N\).