07 — Sampling & Distribusi Sampling
Tujuan Pembelajaran: 1. Memahami urgensi filosofis dan praktis mengapa sensus sering kali tidak memungkinkan, serta membedakan secara tegas antara parameter populasi (\(\mu, \sigma^2, \sigma, p\)) dan statistik sampel (\(\bar{x}, s^2, s, \hat{p}\)). 2. Mengenali berbagai bentuk bias representasi (selection bias, survivorship bias, non-response bias) dan mengevaluasi kualitas pengambilan data. 3. Membedakan dan memilih metode Probability Sampling (Simple Random, Stratified, Cluster, Systematic) dan Non-Probability Sampling secara tepat sesuai konteks rekayasa. 4. Memahami hakikat eksperimen mental Distribusi Sampling sebagai distribusi probabilitas dari kumpulan statistik rata-rata sampel yang diambil berulang kali. 5. Membuktikan sifat penaksir tak bias (\(\mu_{\bar{X}} = \mu\)) dan menghitung Kesalahan Standar (Standard Error / \(SE = \sigma / \sqrt{n}\)), serta mengaplikasikan Faktor Koreksi Populasi Terhingga (Finite Population Correction / FPC). 6. Menguasai Teorema Limit Pusat (Central Limit Theorem / CLT) sebagai hukum agung statistika inferensial yang menjamin konvergensi normal rata-rata sampel (\(n \ge 30\)) dari populasi berdistribusi apa pun. 7. Menganalisis Distribusi Sampling Proporsi (\(\hat{p}\)) pada data biner/kategorik beserta syarat kelayakan normalnya.
Slide Kuliah (Typst):
- 📄 Slide Teori & Konsep (62 Slide): Buka Presentasi Web · Unduh PDF
- 📊 Slide Latihan Soal & Pembahasan (32 Slide): Buka Presentasi Soal · Unduh PDF Latihan SoalNavigasi Silabus: 00 — Deskripsi MK & Silabus · Pertemuan sebelumnya: 06 — Peubah acak kontinu · Pertemuan berikutnya: 08 — Ujian Tengah Semester (UTS).
Gunakan tombol panah keyboard atau spasi untuk berpindah slide. Buka Layar Penuh · Buka Slide Kumpulan Soal & Pembahasan.
1. Mengapa Perlu Sampling? Pondasi Inferensial
Analogi Mencicipi Kuah Sup
Ketika seorang koki memasak kuah sup dalam panci raksasa bervolume 50 liter, ia tidak perlu meminum seluruh 50 liter kuah sup sampai habis hanya untuk mengetahui apakah supnya sudah cukup gurih. Ia cukup mengaduk sup hingga merata, lalu mencicipi satu sendok makan saja.
- Panci 50 Liter: Adalah Populasi (\(N\)) yang ingin diketahui karakteristiknya.
- Mengaduk Merata: Adalah proses pengacakan (Random Sampling) agar bumbu tersebar merata.
- Satu Sendok Makan: Adalah Sampel (\(n\)) yang kita amati secara langsung.
- Rasa di Sendok: Adalah Statistik Sampel (\(\bar{x}\)) yang digunakan untuk menyimpulkan Parameter Populasi (\(\mu\)).
Mengapa Sensus Sering Kali Mustahil Dilakukan?
- Biaya & Waktu: Mengukur seluruh unit dalam populasi raksasa (misal: jutaan pengguna internet atau jutaan transaksi mikro) membutuhkan anggaran miliaran dan waktu berbulan-bulan. Keputusan bisnis dan rekayasa sering kali harus diambil dalam hitungan jam.
- Uji Bersifat Destruktif (Destructive Testing):
- Menguji daya tahan benturan mobil (crash test). Jika disensus, seluruh mobil yang diproduksi akan hancur dan tidak ada yang tersisa untuk dijual.
- Menguji masa kedaluwarsa baterai atau umur bola lampu.
- Populasi Tak Terhingga (Infinite Population): Aliran paket data jaringan (packet streaming), klik iklan digital, atau transaksi kartu kredit yang terus mengalir tanpa batas akhir.
2. Parameter Populasi vs Statistik Sampel
Salah satu fondasi terpenting dalam statistika inferensial adalah memisahkan antara entitas populasi dan entitas sampel. Notasi matematika keduanya sengaja dibedakan:
| Karakteristik Ukuran | Notasi Parameter (Populasi) | Notasi Statistik (Sampel) | Keterangan & Karakteristik |
|---|---|---|---|
| Ukuran Data | \(N\) (Kapital) | \(n\) (Huruf kecil) | Sampel \(n\) adalah bagian kecil dari populasi \(N\) (\(n < N\)). |
| Rata-rata (Mean) | \(\mu\) (mu) | \(\bar{x}\) (x-bar) | \(\mu\) bernilai tetap (konstan teoretis); \(\bar{x}\) berupa peubah acak yang berubah tiap sampel. |
| Varians | \(\sigma^2\) (sigma-squared) | \(s^2\) (sample variance) | Varians sampel membagi dengan \((n - 1)\) agar menjadi penaksir tak bias. |
| Simpangan Baku | \(\sigma\) (sigma) | \(s\) | Persebaran data dalam satuan ukuran asli variabel. |
| Proporsi Sukses | \(p\) atau \(P\) | \(\hat{p}\) (p-hat) | Rasio kejadian sukses: \(\hat{p} = X / n\). |
Prinsip Emas Inferensial:
Parameter populasi bernilai konstan, namun hampir tidak pernah kita ketahui nilainya secara pasti di dunia nyata. Statistik sampel dapat kita hitung secara presisi dari data, namun nilainya berfluktuasi tergantung sampel acak mana yang terpilih.
3. Bahaya Terbesar Sampling: Bias Representasi
Ukuran sampel yang sangat besar tidak menjamin keakuratan jika proses pengambilannya mengandung bias. Dua kasus klasik paling terkenal dalam sejarah:
1. Bias Seleksi (Selection Bias) — Pilpres AS 1936
Majalah Literary Digest menyurvei 2,4 juta responden lewat buku telepon dan registrasi kepemilikan mobil. Hasilnya memprediksi Alf Landon menang telak 57%. Pada kenyataannya, Franklin D. Roosevelt menang mutlak dengan perolehan 62%.
Penyebab: Di tengah era Great Depression 1936, hanya warga kelas atas yang memiliki telepon dan mobil. Sampel 2,4 juta tersebut tidak mewakili rakyat kelas menengah ke bawah.
2. Bias Kesintasan (Survivorship Bias) — Pesawat Tempur PD II
Pihak militer memeriksa pesawat tempur yang berhasil kembali ke pangkalan dan menemukan lubang peluru terbanyak di sayap dan badan pesawat. Mereka mengusulkan memasang lapis baja tambahan pada bagian tersebut.
Pola sebaran lubang peluru (titik merah) pada pesawat tempur yang berhasil kembali ke pangkalan.
Koreksi Abraham Wald: Pesawat yang tertembak pada bagian mesin dan kokpit tidak pernah kembali pulang (jatuh di medan perang). Armor pelindung justru wajib dipasang pada bagian mesin yang terlihat mulus pada pesawat yang selamat!
HUKUM UTAMA:
Sampel n = 500 yang diambil secara acak representatif
JAUH LEBIH BERHARGA
daripada sampel n = 5.000.000 yang mengandung bias seleksi sistematis!
Studi Kasus & Diskusi Blok 1
Studi Kasus 1.1: Tragedi Polling Pilpres AS 1936 (Literary Digest vs Gallup)
- Konteks: Majalah Literary Digest menyebar 10 juta kartu pos survei dan menerima 2,3 juta balasan (\(n = 2.300.000\)), memprediksi Alf Landon menang 57% atas Roosevelt. Nyatanya, George Gallup hanya menyurvei \(n = 50.000\) orang dan berhasil memprediksi kemenangan telak Roosevelt (62%).
- Pertanyaan: Mengapa sampel 2,3 juta orang gagal total dibanding sampel 50 ribu orang, dan bias apa saja yang terjadi?
- Pembahasan:
- Selection Bias: Kerangka sampel diambil dari buku telepon dan registrasi mobil mewah saat era Depresi Besar 1936, di mana hanya orang kaya (pemilih Landon) yang terdaftar. Mayoritas rakyat miskin tidak memiliki peluang terpilih (\(P = 0\)).
- Non-Response Bias: Tingkat respons hanya 23%, dan yang sukarela membalas umumnya mereka yang sangat membenci petahana (opini ekstrem).
- Pelajaran: Ukuran sampel raksasa tidak ada gunanya jika kerangka sampelnya cacat (Garbage In, Garbage Out).
Studi Kasus 1.2: Evaluasi Retensi Fitur AI Mobile (Survivorship Bias)
- Konteks: Startup mengukur kepuasan fitur AI baru dengan menyurvei pengguna aktif harian (Daily Active Users) di minggu ke-4 pasca peluncuran. Hasilnya mencapai 92% kepuasan, lalu tim memutuskan meluncurkan ke seluruh pengguna.
- Pertanyaan: Kesalahan fatal apa yang terjadi dalam pengambilan sampel?
- Pembahasan:
- Jebakan Survivorship Bias: Pengguna yang mengalami bug, performa lemot, atau respons AI buruk sudah menghapus aplikasi (churn) pada minggu ke-1 atau ke-2.
- Responden di minggu ke-4 hanyalah “pesawat yang selamat kembali ke pangkalan” (survivors).
- Solusi: Lakukan analisis kohort (Cohort Analysis) sejak Hari ke-1 dan lakukan wawancara khusus pada kelompok pengguna yang melakukan uninstall.
4. Metode Penarikan Sampel (Sampling Methods)
Metode penarikan sampel secara umum dikelompokkan ke dalam dua mazhab besar dengan karakteristik metodologis dan batasan inferensial yang sangat berbeda:
A. Metode Penarikan Sampel Probabilitas (Probability Sampling)
Setiap unit dalam populasi memiliki peluang yang diketahui secara matematis (\(P > 0\)) untuk terpilih. Merupakan syarat mutlak bagi penerapan statistika inferensial, pendugaan parameter dengan selang kepercayaan (\(95\%\) CI), dan uji hipotesis formal (\(p\)-value).
- Simple Random Sampling (SRS):
- Setiap unit tunggal maupun kombinasi \(n\) unit memiliki peluang terpilih yang setara persis (\(P = n/N\)).
- Dilakukan melalui undian acak atau algoritma pembangkit angka acak (Random Number Generator / RNG) seperti
numpy.random.choice(populasi, size=n, replace=False). - Kelemahan: Membutuhkan sampling frame lengkap sejak awal dan berisiko mengabaikan kelompok minoritas jika ukuran sampel kecil.
- Stratified Random Sampling (Sampling Acak Berstrata):
- Populasi yang heterogen dibagi terlebih dahulu menjadi sub-kelompok yang homogen di dalamnya (strata, misal: berdasarkan fakultas, gender, tingkat pendapatan, atau tipe perangkat keras).
- Dari setiap stratum, sampel acak diambil secara proporsional sesuai porsi populasinya.
- Keunggulan Utama: Menjamin keterwakilan adil dari seluruh segmen, termasuk kelompok minoritas, serta menghasilkan estimasi dengan presisi (galat baku) yang lebih kecil daripada SRS.
- Cluster Sampling (Sampling Klaster / Area):
- Populasi dibagi ke dalam kelompok-kelompok alamiah yang sudah ada secara geografis atau administratif (clusters, misal: kota, sekolah, blok perumahan).
- Peneliti mengundi klaster mana yang terpilih, kemudian seluruh anggota di dalam klaster terpilih disurvei (sensus internal).
- Pembeda Kritis Stratum vs Klaster: Stratum bersifat homogen di dalam (peneliti mengambil sedikit anggota dari semua stratum); Klaster bersifat heterogen di dalam sebagai miniatur populasi (peneliti mengambil semua anggota dari sedikit klaster terpilih).
- Systematic Sampling (Sampling Sistematis):
- Peneliti menyusun daftar populasi, menghitung interval sampling \(k = N/n\), mengundi titik awal acak \(r\) (\(1 \le r \le k\)), lalu mengambil unit pada urutan kelipatan periodik: \(r, r+k, r+2k, r+3k, \dots\).
- Sangat cepat dan praktis untuk uji kendali mutu pabrik atau transaksi berjalan.
- Peringatan Fatal: Jangan gunakan jika data memiliki pola musiman berulang (misal mengambil data penjualan tiap kelipatan 7 hari akan selalu jatuh pada hari Minggu).
- Multistage Sampling (Sampling Bertahap / Bertingkat):
- Kombinasi hierarkis bertingkat dari beberapa metode sampling untuk menangani populasi raksasa dengan cakupan geografis luas (seperti survei nasional BPS atau Quick Count Pemilu).
- Penarikan dilakukan bertahap dari unit terbesar hingga unit terkecil:
- Tahap 1 (Provinsi): Memilih 10 dari 38 provinsi secara acak (Klaster Wilayah).
- Tahap 2 (Kabupaten/Kota): Dari provinsi terpilih, memilih 5 kabupaten/kota acak.
- Tahap 3 (TPS / Desa): Dari kabupaten terpilih, memilih 4 TPS secara acak.
- Tahap 4 (Rumah Tangga): Di TPS terpilih, mengambil 10 kepala keluarga secara Simple Random Sampling.
- Keunggulan Utama: Mengeliminasi kebutuhan menyusun daftar 270 juta nama penduduk di awal. Sampling frame hanya perlu disusun untuk daftar lokal di tingkat akhir.
B. Metode Penarikan Sampel Non-Probabilitas (Non-Probability Sampling)
Peluang unit populasi untuk terpilih tidak diketahui secara matematis. Sampel dipilih berdasarkan pertimbangan subjektif, kemudahan akses, atau ketersediaan responden.
Peringatan Ilmiah Mutlak:
Hasil analisis dari metode non-probabilitas TIDAK BISA digeneralisasikan ke populasi luas secara matematis. Margin of Error (MoE), selang kepercayaan (\(95\%\) CI), dan uji hipotesis inferensial formal tidak berlaku pada teknik ini.
- Convenience Sampling (Sampling Seadanya / Akses Termudah):
- Memilih anggota sampel hanya karena mereka paling dekat, paling mudah dihubungi, atau paling cepat merespons (misal: menyebarkan kuesioner ke grup WhatsApp teman sekamar atau mencegat mahasiswa di kantin kampus).
- Kelemahan: Menghasilkan bias seleksi yang sangat tinggi. Kesimpulan riset tidak dapat diandalkan untuk populasi umum.
- Purposive / Judgmental Sampling (Sampling Berdasarkan Pertimbangan Ahli):
- Peneliti memilih responden secara sengaja berdasarkan kriteria keahlian khusus atau penilaian profesional (expert judgment).
- Contoh: Mewawancarai 10 orang Chief Information Security Officer (CISO) perbankan untuk meneliti ancaman ransomware, atau memilih 30 transaksi mencurigakan di atas Rp 1 Miliar untuk audit forensik.
- Keunggulan: Menghasilkan wawasan teknis yang sangat tajam dan mendalam dari narasumber kunci (key informants).
- Snowball Sampling (Sampling Bola Salju / Rantai Rujukan):
- Dimulai dari sejumlah kecil responden awal (seed). Setelah diwawancarai, responden tersebut diminta untuk mereferensikan kenalan mereka yang memiliki kriteria serupa. Jejaring responden membesar bagai bola salju yang menggelinding.
- Kasus Penggunaan Ideal: Sangat vital untuk populasi tersembunyi, tertutup, atau terstigma (hard-to-reach populations) yang tidak memiliki daftar dokumen resmi, seperti penderita penyakit langka (rare diseases), komunitas peretas etis (bug bounty hunters), atau mantan narapidana.
- Kelemahan: Rentan terhadap Homophily Bias (responden cenderung merekomendasikan rekan yang sepemikiran atau satu lingkaran sosial).
- Quota Sampling (Sampling Kuota):
- Peneliti menetapkan kuota jumlah responden per kategori demografi (misal: 50 pengguna Android dan 50 pengguna iOS, atau 30 pria dan 30 wanita). Begitu kuota terpenuhi, perekrutan ditutup.
- Perbedaan Kritis Quota vs Stratified: Pada Stratified Sampling, penentuan anggota di tiap kelompok dilakukan lewat undian acak (RNG) dari daftar populasi resmi; pada Quota Sampling, pengisian dilakukan secara seadanya/siapa cepat dia dapat tanpa pengacakan formal.
- Sangat sering digunakan oleh biro riset pasar komersial untuk menekan biaya dan waktu.
- Voluntary Response Sampling (Responden Sukarela / Self-Selection):
- Sampel terbentuk karena responden berinisiatif memilih diri mereka sendiri untuk berpartisipasi, bukan dipilih aktif oleh peneliti.
- Contoh: Polling Twitter/X, kolom ulasan bintang 1 s.d. 5 di Play Store, Google Maps, atau e-commerce.
- Bahaya Polarisasi Ekstrem: Hanya mereka yang memiliki opini emosional sangat kuat (sangat puas atau sangat benci/marah) yang bersedia mengisi ulasan. Mayoritas pengguna yang “puas wajar” tidak mengisi, sehingga menghasilkan distribusi ulasan bimodal berbentuk huruf “U” yang terdistorsi parah.
C. Matriks Panduan: Memilih Metode Sampling yang Tepat
| Dimensi Evaluasi | Probability Sampling | Non-Probability Sampling |
|---|---|---|
| Kerangka Sampel (Sampling Frame) | Wajib ada daftar lengkap anggota populasi | Tidak membutuhkan kerangka sampel lengkap |
| Peluang Terpilih (\(P\)) | Diketahui secara pasti (\(P > 0\)) dan terukur | Tidak diketahui, bergantung subjektivitas |
| Kemampuan Generalisasi | Sah secara statistik mewakili populasi | Hanya berlaku untuk sampel penelitian |
| Margin of Error (MoE) | Dapat dihitung secara matematis (\(\pm \text{MoE}\)) | Tidak dapat dihitung secara valid |
| Biaya & Waktu | Relatif tinggi, butuh protokol ketat | Cepat, fleksibel, dan hemat biaya |
| Sifat Riset yang Tepat | Riset Kuantitatif, Survei Kebijakan, Quick Count | Studi Eksplorasi Awal, Usability UI/UX, Riset Kualitatif Pakar |
Studi Kasus & Diskusi Blok 2
Studi Kasus 2.1: Audit Fraud Transaksi E-Commerce (Stratified Oversampling)
- Konteks: E-commerce memproses 500.000 transaksi/hari: Mikro (< Rp 50 rb) 70%, Retail (Rp 50 rb - Rp 2 jt) 28%, Korporat (> Rp 50 jt) 2%. Tim audit ingin menarik sampel harian \(n = 2.500\) transaksi.
- Pertanyaan: Apa bahaya jika memakai Simple Random Sampling (SRS), dan metode apa yang tepat?
- Pembahasan:
- Bahaya SRS: Transaksi korporat (2%) hanya akan terambil sekitar \(2\% \times 2.500 = 50\) transaksi, terlampau sedikit untuk mendeteksi variasi modus fraud bernilai miliaran rupiah.
- Solusi: Terapkan Stratified Sampling Disproporsional (Oversampling). Berikan porsi sampel lebih besar pada korporat (misal 500 transaksi korporat, 1.000 retail, 1.000 mikro) demi memitigasi risiko finansial terbesar.
Studi Kasus 2.2: Inspeksi Server Wilayah vs Riset Sindikat Kejahatan Siber
- Konteks:
- Kasus A: Audit server di 1.200 cabang di 300 kota dengan anggaran logistik terbatas.
- Kasus B: Riset pola kerja sindikat pembuat ransomware dan broker data dark web.
- Pertanyaan: Tentukan metode sampling paling ideal untuk Kasus A dan Kasus B!
- Pembahasan:
- Kasus A: Cluster / Multistage Sampling: Kota berfungsi sebagai klaster. Mengundi 20 kota secara acak, lalu mengaudit cabang di 20 kota terpilih menghemat 80% biaya dan waktu perjalanan dibanding SRS.
- Kasus B: Snowball Sampling: Populasi tersembunyi (hidden population) tanpa direktori publik. Peneliti membangun relasi dengan informan kunci (seed), lalu meminta rantai rujukan (chain referral) ke narasumber tepercaya berikutnya.
5. Konsep Distribusi Sampling & Standard Error
Apa itu Distribusi Sampling? (Eksperimen Mental)
Bayangkan kita memiliki populasi 100.000 mahasiswa dengan IPK rata-rata \(\mu = 3{,}20\) dan \(\sigma = 0{,}40\). 1. Kita ambil sampel acak \(n = 50\), dihitung rata-ratanya: didapat \(\bar{x}_1 = 3{,}24\). 2. Kita kembalikan, lalu ambil sampel acak ke-2 berukuran \(n = 50\): didapat \(\bar{x}_2 = 3{,}18\). 3. Kita ulangi proses ini sebanyak \(10.000\) kali hingga memiliki \(10.000\) angka rata-rata: \(\bar{x}_1, \bar{x}_2, \dots, \bar{x}_{10.000}\). 4. Distribusi Sampling dari \(\bar{X}\) adalah histogram atau distribusi probabilitas dari ke-\(10.000\) nilai rata-rata sampel tersebut!
Dua Sifat Teoretis Utama Distribusi Sampling:
- Rata-Rata Distribusi Sampling Selalu Sama dengan Rata-Rata Populasi (Unbiased Estimator): \[\mu_{\bar{X}} = E(\bar{X}) = \mu\]
- Kesalahan Standar (Standard Error / \(SE\)): Variabilitas rata-rata sampel jauh lebih kecil daripada variabilitas data mentah populasi: \[\sigma_{\bar{X}} = \frac{\sigma}{\sqrt{n}}\]
Mengapa Dibagi \(\sqrt{n}\)? (Hukum Pembesaran Sampel)
Pada data mentah individu (\(n = 1\)), sangat wajar kita menemukan individu ekstrem (sangat tinggi atau sangat rendah). Namun pada kelompok beranggotakan \(n = 100\) orang acak, peluang bahwa seluruh 100 orang tersebut kebetulan ekstrem bersamaan adalah mendekati nol. Nilai tinggi dan rendah saling meniadakan saat dijumlahkan.
Hukum Pangkat Kuadrat:
Untuk memperkecil galat standar (\(SE\)) menjadi setengahnya (\(1/2\)), kita harus melipatgandakan ukuran sampel menjadi \(4\) kali lipat (\(2^2 = 4\)).
Faktor Koreksi Populasi Terhingga (Finite Population Correction / FPC)
Rumus \(\sigma / \sqrt{n}\) mengasumsikan populasi tak berhingga atau penarikan sampel dengan pengembalian. Jika sampel diambil dari populasi terbatas tanpa pengembalian dan porsinya signifikan (aturan praktis: fraksi sampling \(n/N > 0{,}05\) atau \(> 5\%\)), maka galat standar wajib dikoreksi dengan faktor FPC: \[\sigma_{\bar{X}} = \frac{\sigma}{\sqrt{n}} \times \sqrt{\frac{N - n}{N - 1}}\]
Interpretasi: Jika \(n = N\) (sensus lengkap), maka \(\sqrt{(N-N)/(N-1)} = 0\), yang berarti \(SE = 0\) (tidak ada kesalahan sampling lagi).
Studi Kasus & Diskusi Blok 3
Studi Kasus 3.1: Pengetatan SLA Latensi API Mikroservis (Aturan Kuadrat)
- Konteks: SRE mengukur latensi API perbankan dengan \(\sigma = 60\) ms. Sampel awal \(n_1 = 25\) menghasilkan galat baku \(SE_1\). Manajemen meminta galat baku dipotong menjadi seperempatnya (\(1/4\)).
- Pertanyaan: Berapa ukuran sampel baru \(n_2\) yang dibutuhkan, dan apa prinsip dasarnya?
- Pembahasan:
- \(SE_1 = 60 / \sqrt{25} = 12\) ms. Target: \(SE_2 = 12 / 4 = 3\) ms.
- \(60 / \sqrt{n_2} = 3 \implies \sqrt{n_2} = 20 \implies n_2 = 400\) request.
- Aturan Kuadrat: Memotong galat menjadi \(1/k\) membutuhkan sampel sebesar \(k^2\) kali lipat (\(4^2 = 16\) kali lipat: \(25 \times 16 = 400\)).
Studi Kasus 3.2: Audit Repositori Modul Terbatas (Faktor Koreksi FPC)
- Konteks: Tim QA memeriksa modul microservice pada repositori lokal \(N = 300\) dengan \(\sigma = 10\). Sampel diambil \(n = 60\) modul tanpa pengembalian.
- Pertanyaan: Apakah FPC wajib digunakan, dan berapa \(SE\) terkoreksi?
- Pembahasan:
- Fraksi sampling \(n/N = 60/300 = 20\% > 5\% \implies\) FPC wajib digunakan.
- \(\text{FPC} = \sqrt{(300-60)/(300-1)} = \sqrt{240/299} \approx 0{,}8959\).
- \(SE = \frac{10}{\sqrt{60}} \times 0{,}8959 = 1{,}291 \times 0{,}8959 \approx 1{,}157\) poin. FPC menyusutkan galat sekitar 10,4% karena seperlima populasi sudah diperiksa.
6. Teorema Limit Pusat (Central Limit Theorem / CLT)
Teorema Limit Pusat adalah landasan paling agung yang memungkinkan berjalannya seluruh statistika inferensial modern:
\[\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right) \quad \text{untuk } n \ge 30\]
Bunyi Teorema:
Bila sampel acak berukuran \(n\) diambil dari populasi dengan bentuk distribusi apa pun (miring, seragam, bimodal, eksponensial) yang memiliki rata-rata \(\mu\) dan varians \(\sigma^2\) terhingga, maka ketika \(n\) cukup besar (\(n \ge 30\)), distribusi sampling dari rata-rata sampel \(\bar{X}\) akan selalu mendekati Distribusi Normal.
Bentuk Populasi Asal (n=1) Distribusi Sampling Rata-Rata (n >= 30)
------------------------- ----------------------------------------
Sangat Miring (Skewed) \
Seragam (Uniform) +-----> SELALU BERBENTUK LONCENG SIMETRIS
Bimodal (Berkepala Dua) / NORMAL N(mu, sigma^2/n)
Standarisasi Z untuk Rata-Rata Sampel (\(\bar{X}\))
Untuk menghitung peluang bahwa rata-rata sampel berada di atas, di bawah, atau di antara nilai tertentu: \[Z = \frac{\bar{X} - \mu}{\sigma_{\bar{X}}} = \frac{\bar{X} - \mu}{\frac{\sigma}{\sqrt{n}}}\]
7. Distribusi Sampling Proporsi (\(\hat{p}\))
Ketika kita berhadapan dengan data biner/kategorik (sukses/gagal, ya/tidak, beli/tidak beli), statistik yang kita ukur adalah proporsi sampel: \[\hat{p} = \frac{X}{n} \quad (\text{di mana } X \text{ adalah jumlah kejadian sukses})\]
Karakteristik Matematis \(\hat{p}\):
- Rata-Rata Distribusi Sampling Proporsi: \[\mu_{\hat{p}} = E(\hat{p}) = p \quad (\text{Penaksir Tak Bias})\]
- Kesalahan Standar Proporsi (Standard Error): \[\sigma_{\hat{p}} = \sqrt{\frac{p(1 - p)}{n}}\]
- Syarat Kelayakan Normal CLT: Distribusi sampling \(\hat{p}\) dapat didekati dengan kurva normal jika: \[n p \ge 10 \quad \text{dan} \quad n(1 - p) \ge 10\]
- Standarisasi Skor Z Proporsi: \[Z = \frac{\hat{p} - p}{\sigma_{\hat{p}}} = \frac{\hat{p} - p}{\sqrt{\frac{p(1 - p)}{n}}}\]
Studi Kasus & Diskusi Blok 4
Studi Kasus 4.1: Mitigasi Lonjakan Bandwidth Kantor (CLT pada Distribusi Miring)
- Konteks: Bandwidth karyawan sangat miring ke kanan (right-skewed) dengan \(\mu = 15\) Mbps dan \(\sigma = 12\) Mbps. Router kantor melayani \(n = 36\) karyawan serentak dengan kapasitas aman rata-rata 19 Mbps per karyawan.
- Pertanyaan: Apakah kurva normal boleh dipakai, dan berapakah peluang router mengalami overload?
- Pembahasan:
- Keabsahan CLT: Karena \(n = 36 \ge 30\), Teorema Limit Pusat menjamin rata-rata sampel \(\bar{X}\) berdistribusi Normal, tidak peduli seberapa miring data populasi asalnya.
- \(\sigma_{\bar{X}} = 12 / \sqrt{36} = 2\) Mbps.
- Skor \(Z = (19 - 15) / 2 = +2{,}00\).
- Peluang overload: \(P(\bar{X} > 19) = 1 - \Phi(2{,}00) = 1 - 0{,}9772 = 0{,}0228\) (\(2{,}28\%\)). Kapasitas router dinyatakan aman!
Studi Kasus 4.2: Uji Signifikansi A/B Testing Click-Through-Rate (CTR)
- Konteks: Varian tombol checkout baru diuji ke \(n = 400\) pengunjung acak dan menghasilkan 52 konversi (\(\hat{p} = 0{,}13\)). Rasio konversi historis adalah \(p = 0{,}10\).
- Pertanyaan: Uji syarat normalitas proporsi dan hitung peluang munculnya kenaikan ini murni karena faktor acak!
- Pembahasan:
- Syarat CLT: \(np = 400 \times 0{,}10 = 40 \ge 10\) dan \(n(1-p) = 400 \times 0{,}90 = 360 \ge 10\) (Terpenuhi).
- \(\sigma_{\hat{p}} = \sqrt{\frac{0{,}10 \times 0{,}90}{400}} = \frac{0{,}30}{20} = 0{,}015\) (\(1{,}5\%\)).
- Skor \(Z = (0{,}13 - 0{,}10) / 0{,}015 = +2{,}00\).
- Peluang kebetulan acak: \(P(\hat{p} \ge 0{,}13) = 1 - \Phi(2{,}00) = 0{,}0228\) (\(2{,}28\% < 5\%\)). Terdapat bukti empiris kuat bahwa tombol baru nyata meningkatkan konversi.
8. Ringkasan Formula Distribusi Sampling
| Parameter / Fitur | Distribusi Sampling Rata-Rata (\(\bar{X}\)) | Distribusi Sampling Proporsi (\(\hat{p}\)) |
|---|---|---|
| Statistik yang Diamati | \(\bar{X} = \frac{\sum X_i}{n}\) | \(\hat{p} = \frac{X}{n}\) |
| Pusat Distribusi (Mean) | \(\mu_{\bar{X}} = \mu\) | \(\mu_{\hat{p}} = p\) |
| Kesalahan Standar (\(SE\)) | \(\sigma_{\bar{X}} = \frac{\sigma}{\sqrt{n}}\) | \(\sigma_{\hat{p}} = \sqrt{\frac{p(1 - p)}{n}}\) |
| FPC (Jika \(n/N > 0{,}05\)) | \(\sigma_{\bar{X}} = \frac{\sigma}{\sqrt{n}} \sqrt{\frac{N-n}{N-1}}\) | \(\sigma_{\hat{p}} = \sqrt{\frac{p(1-p)}{n}} \sqrt{\frac{N-n}{N-1}}\) |
| Syarat Pendekatan Normal | Populasi asal normal ATAU \(n \ge 30\) (CLT) | \(n p \ge 10\) dan \(n(1 - p) \ge 10\) |
| Transformasi Skor Z | \(Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}}\) | \(Z = \frac{\hat{p} - p}{\sqrt{\frac{p(1-p)}{n}}}\) |
9. Pembahasan 10 Soal Terapan Lengkap (Slide Terpisah)
Seluruh 10 soal di bawah ini disajikan pada slide deck 07_soal.typ dengan slide soal dan slide solusi yang dipisah secara tegas:
Soal 1: Perhitungan Standard Error dan Pengaruh Ukuran Sampel
Kasus: Gaji awal lulusan TI memiliki rata-rata \(\mu = 8{,}5\) juta rupiah dan \(\sigma = 2{,}4\) juta rupiah.
- Untuk \(n = 16\): \(\sigma_{\bar{X}} = \frac{2{,}4}{\sqrt{16}} = \frac{2{,}4}{4} = 0{,}60\) juta (Rp 600.000,-).
- Untuk \(n = 64\): \(\sigma_{\bar{X}} = \frac{2{,}4}{\sqrt{64}} = \frac{2{,}4}{8} = 0{,}30\) juta (Rp 300.000,-).
- Untuk \(n = 400\): \(\sigma_{\bar{X}} = \frac{2{,}4}{\sqrt{400}} = \frac{2{,}4}{20} = 0{,}12\) juta (Rp 120.000,-).
- Untuk memotong \(SE\) menjadi \(1/3\): Ukuran sampel harus dinaikkan menjadi \(3^2 = 9\) kali lipat.
Soal 2: Penentuan Ukuran Sampel Minimum untuk Target Presisi
Kasus: Baterai kendaraan listrik dengan \(\sigma = 18\) bulan. Ditargetkan \(SE \le 2\) bulan.
\[\frac{18}{\sqrt{n}} \le 2 \implies \sqrt{n} \ge 9 \implies n \ge 81 \text{ baterai}\]
Soal 3: Peluang Individu vs Peluang Rata-Rata Kelompok
Kasus: Kueri database normal \(N(80, 15^2)\) ms.
1. Peluang 1 kueri tunggal \(> 85\) ms:
\(Z = \frac{85 - 80}{15} = +0{,}33 \implies P(X > 85) = 1 - \Phi(0{,}33) = 1 - 0{,}6293 = 0{,}3707\) (37,07%).
2. Peluang rata-rata 36 kueri \(> 85\) ms:
\(\sigma_{\bar{X}} = \frac{15}{\sqrt{36}} = 2{,}5\) ms.
\(Z = \frac{85 - 80}{2{,}5} = +2{,}00 \implies P(\bar{X} > 85) = 1 - \Phi(2{,}00) = 1 - 0{,}9772 = 0{,}0228\) (2,28%).
Wawasan: Peluang satu kejadian ekstrem adalah hal biasa (\(37\%\)), namun rata-rata kelompok menjadi ekstrem bersamaan adalah hal yang sangat langka (\(2{,}28\%\)).
Soal 4: Kapasitas Beban Maksimum Lift (Kasus Keselamatan Rekayasa)
Kasus: Lift berkapasitas 16 orang dengan batas beban aman total \(1.184\) kg (rata-rata 74 kg/orang). Berat karyawan \(N(70, 8^2)\) kg.
- \(\sigma_{\bar{X}} = \frac{8}{\sqrt{16}} = 2{,}0\) kg.
- \(Z = \frac{74 - 70}{2{,}0} = +2{,}00\).
- \(P(\bar{X} > 74) = 1 - \Phi(2{,}00) = 1 - 0{,}9772 = 0{,}0228\) (2,28% risiko kelebihan beban).
Soal 5: Waktu Layanan Panggilan Berdistribusi Miring (Right-Skewed)
Kasus: Durasi panggilan call center miring dengan \(\mu = 12\) menit, \(\sigma = 4\) menit. Sampel \(n = 64\).
- Berdasarkan CLT, karena \(n = 64 \ge 30\), distribusi \(\bar{X}\) normal dengan \(\sigma_{\bar{X}} = \frac{4}{\sqrt{64}} = 0{,}5\) menit.
- \(z_1 = \frac{11 - 12}{0{,}5} = -2{,}00\) dan \(z_2 = \frac{13 - 12}{0{,}5} = +2{,}00\).
- \(P(11 \le \bar{X} \le 13) = \Phi(2{,}00) - \Phi(-2{,}00) = 0{,}9772 - 0{,}0228 = 0{,}9544\) (95,44%).
Soal 6: Rata-Rata Pengundian Dadu Berulang (\(n = 50\))
Kasus: Dadu seimbang (\(\mu = 3{,}5\), \(\sigma = 1{,}7078\)). Dilempar \(n = 50\) kali.
- \(\sigma_{\bar{X}} = \frac{1{,}7078}{\sqrt{50}} = 0{,}2415\).
- \(Z = \frac{3{,}8 - 3{,}5}{0{,}2415} = +1{,}24\).
- \(P(\bar{X} > 3{,}8) = 1 - \Phi(1{,}24) = 1 - 0{,}8925 = 0{,}1075\) (10,75%).
Soal 7: Uji Kualitas Lembaran Logam pada Batch Terbatas (\(N = 250\))
Kasus: \(N = 250\), \(\mu = 5{,}0\) mm, \(\sigma = 0{,}4\) mm, sampel \(n = 40\).
- Uji Fraksi: \(n/N = 40 / 250 = 16\% > 5\% \implies\) FPC wajib digunakan.
- \(\text{FPC} = \sqrt{\frac{250 - 40}{250 - 1}} = \sqrt{\frac{210}{249}} \approx 0{,}9184\).
- \(\sigma_{\bar{X}} = \frac{0{,}4}{\sqrt{40}} \times 0{,}9184 = 0{,}0632 \times 0{,}9184 = 0{,}0581\) mm.
Soal 8: Rasio Konversi E-Commerce & Syarat Kelayakan CLT
Kasus: Konversi pembelian \(p = 0{,}08\), sampel \(n = 400\) pengunjung.
1. Syarat CLT: \(np = 32 \ge 10\) dan \(n(1-p) = 368 \ge 10\) (terpenuhi).
2. Standard Error: \(\sigma_{\hat{p}} = \sqrt{\frac{0{,}08 \times 0{,}92}{400}} = \sqrt{0{,}000184} \approx 0{,}01356\) (1,36%).
3. Peluang \(\hat{p} > 10\%\):
\(Z = \frac{0{,}10 - 0{,}08}{0{,}01356} = +1{,}47 \implies P(\hat{p} > 0{,}10) = 1 - \Phi(1{,}47) = 1 - 0{,}9292 = 0{,}0708\) (7,08%).
Soal 9: Survei Elektabilitas Politik / Quick Count Pemilu
Kasus: Suara asli kandidat \(p = 0{,}52\) (52%). Sampel acak \(n = 1.000\) pemilih.
- \(\sigma_{\hat{p}} = \sqrt{\frac{0{,}52 \times 0{,}48}{1.000}} = \sqrt{0{,}0002496} \approx 0{,}0158\) (1,58%).
- Batas kalah (\(\hat{p} < 0{,}50\)):
\(Z = \frac{0{,}50 - 0{,}52}{0{,}0158} = -1{,}27\).
- \(P(\hat{p} < 0{,}50) = \Phi(-1{,}27) = 1 - 0{,}8980 = 0{,}1020\) (10,20% risiko survei salah memprediksi).
Soal 10: Uji Kontrol Cacat Mutu Semikonduktor
Kasus: Klaim cacat \(p = 0{,}02\). Sampel \(n = 500\) menghasilkan \(16\) cacat (\(\hat{p} = 0{,}032\)).
- \(\sigma_{\hat{p}} = \sqrt{\frac{0{,}02 \times 0{,}98}{500}} \approx 0{,}00626\).
- \(Z = \frac{0{,}032 - 0{,}02}{0{,}00626} = +1{,}92\).
- \(P(\hat{p} \ge 0{,}032) = 1 - \Phi(1{,}92) = 1 - 0{,}9726 = 0{,}0274\) (2,74%).
- Kesimpulan: Peluang munculnya 16 cacat jika klaim benar hanya \(2,74\%\) (\(< 5\%\)). Ada bukti empiris kuat bahwa klaim pabrik patut dicurigai (pengantar uji hipotesis!).