Rumus Simple Random Sampling dan Contoh Penggunaannya

Warga Bimbingan, dalam dunia penelitian, menentukan metode pengambilan sampel yang tepat adalah langkah penting untuk mendapatkan hasil yang representatif. Salah satu metode yang sering digunakan adalah simple random sampling, yang dikenal karena kesederhanaan dan akurasinya.

Metode ini memastikan setiap anggota populasi memiliki peluang yang sama untuk dipilih, sehingga data yang dihasilkan lebih adil dan bebas bias. Dengan pendekatan ini, penelitian dapat lebih terfokus dan menghasilkan temuan yang relevan.

Di artikel ini, kita akan membahas apa itu simple random sampling, rumus-rumusnya, termasuk Slovin dan Lemeshow, serta contoh aplikasinya dalam penelitian. Yuk, pelajari lebih lanjut! 

Apa Itu Simple Random Sampling?

Simple random sampling adalah metode pengambilan sampel di mana setiap anggota populasi memiliki peluang yang sama untuk terpilih. 

Ibarat undian arisan, semua anggota populasi punya kesempatan yang adil untuk masuk ke dalam sampel, tanpa terkecuali. Ini membuat simple random sampling menjadi salah satu metode yang paling sering digunakan dalam penelitian karena hasilnya dianggap representatif.

Metode ini biasanya dilakukan dengan cara seperti pengundian manual, tabel angka acak, atau menggunakan software khusus. Keuntungan dari simple random sampling adalah bebas dari bias, sehingga data yang dihasilkan lebih akurat dan relevan. 

Namun, metode ini lebih cocok digunakan jika populasi mudah diakses dan datanya terorganisir dengan baik. 

Baca juga: Stratified Random Sampling: Definisi, Jenis, dan Contohnya

Rumus Simple Random Sampling

Simple random sampling adalah metode pengambilan sampel di mana setiap anggota populasi memiliki peluang yang sama untuk terpilih. 

Untuk menentukan ukuran sampel dalam simple random sampling, rumus yang umum digunakan adalah Rumus Slovin:

Keterangan:

1. n = Ukuran sampel yang diperlukan.
2. N = Ukuran populasi (total jumlah anggota populasi).
3. e = Margin of error yang diinginkan (biasanya 0,05 atau 5%).

Contoh Penggunaan Rumus:

Misalnya, seorang peneliti ingin melakukan survei terhadap populasi 1.000 orang (N = 1.000) dengan margin of error 5% (e = 0,05). Maka, ukuran sampel dapat dihitung sebagai berikut:

Jadi, ukuran sampel yang dibutuhkan adalah 286 responden

Keunggulan Rumus Slovin:

1. Sederhana dan mudah digunakan, cocok untuk peneliti pemula.
2. Efektif untuk populasi yang terdefinisi dengan jelas.
3. Memungkinkan penyesuaian margin of error untuk meningkatkan akurasi.
4. Membantu menghemat waktu dan biaya dengan menentukan ukuran sampel optimal.
5. Praktis untuk penelitian kuantitatif dengan populasi finite.

Kapan Menggunakan Rumus Slovin?

Rumus Slovin sangat cocok digunakan untuk penelitian yang populasi totalnya sudah terdefinisi dengan jelas. Artinya, jumlah populasi sudah diketahui dan terorganisir, seperti data karyawan, siswa, pelanggan, atau anggota komunitas tertentu. 

Rumus ini membantu menghitung ukuran sampel yang optimal dengan mempertimbangkan margin of error, sehingga penelitian lebih hemat waktu dan biaya.

Contoh:

Jika kamu ingin mengetahui tingkat kepuasan 5.000 pelanggan di sebuah perusahaan, Rumus Slovin bisa digunakan untuk menentukan berapa jumlah pelanggan yang perlu diwawancarai dengan tingkat kepercayaan tertentu (misalnya 95%) dan margin of error 5%.

Baca juga: Random Sampling: Definisi, Jenis, & Teknik Pengumpulannya

Rumus Simple Random Sampling Lemeshow

Sumber: Canva

Rumus simple random sampling menurut Lemeshow sering digunakan untuk menentukan ukuran sampel ketika populasi belum diketahui atau dalam penelitian yang melibatkan proporsi tertentu, seperti survei kesehatan atau sosial. Berikut adalah rumusnya:

Keterangan:

1. n = Ukuran sampel yang diperlukan.
2. Z = Nilai Z sesuai tingkat kepercayaan (confidence level):
3. 1,645 untuk tingkat kepercayaan 90%.
4. 1,96 untuk tingkat kepercayaan 95%.
5. 2,576 untuk tingkat kepercayaan 99%.
6. P = Proporsi populasi yang memiliki karakteristik tertentu. Jika tidak diketahui, gunakan P = 0,5 untuk memaksimalkan ukuran sampel.
7. 1 - P = Proporsi populasi yang tidak memiliki karakteristik tersebut.
8. d = Margin of error yang diinginkan (biasanya 0,05 atau 5%).

Contoh Penggunaan Rumus:

Misalnya, seorang peneliti ingin mengetahui prevalensi penyakit tertentu di sebuah wilayah. Dengan tingkat kepercayaan 95% (Z = 1,96), proporsi yang diharapkan adalah 50% (P = 0,5), dan margin of error sebesar 5% (d = 0,05). Perhitungannya adalah:

Jadi, ukuran sampel yang diperlukan adalah 384 responden.

Keunggulan Rumus Lemeshow:

1. Cocok digunakan untuk penelitian dengan populasi yang tidak diketahui.
2. Sederhana dan fleksibel, dapat digunakan dalam berbagai bidang penelitian.
3. Memastikan ukuran sampel cukup representatif untuk analisis statistik.

Dengan rumus ini, peneliti dapat menentukan ukuran sampel yang ideal untuk menghasilkan data yang valid dan dapat dipercaya! 

Kapan Menggunakan Rumus Lemeshow?

Rumus Lemeshow, di sisi lain, sering digunakan untuk penelitian dengan populasi yang tidak diketahui atau tidak terdefinisi dengan baik. 

Biasanya digunakan dalam studi proporsi, seperti prevalensi penyakit, rata-rata partisipasi masyarakat, atau distribusi karakteristik tertentu. 

Rumus ini sangat cocok untuk penelitian yang membutuhkan tingkat kepercayaan tinggi (95% atau lebih) dan berfokus pada representasi proporsi populasi.

Contoh:

Jika kamu ingin mengetahui prevalensi penyakit tertentu di sebuah wilayah tanpa mengetahui jumlah pasti penduduknya, Rumus Lemeshow dapat membantu menghitung ukuran sampel berdasarkan tingkat kepercayaan dan margin of error.

Baca juga: Simple Random Sampling: Definisi, Contoh, & Cara Penerapan

Tingkatkan Pemahaman Sampling di Bootcamp Data Science dibimbing.id!

Setelah memahami rumus simple random sampling dan contoh penerapannya, kamu pasti menyadari pentingnya metode ini dalam dunia data science. Yuk, gabung di Bootcamp Data Science di dibimbing.id dan kembangkan skill analisis data kamu!

Di bootcamp ini, kamu akan belajar langsung dari mentor-mentor profesional tentang metode sampling, analisis data, hingga penerapan konsep statistik dalam penelitian nyata. Dengan materi berbasis praktik, kamu bisa langsung mengaplikasikan ilmu ke proyek dan portofolio profesional.

Tenang aja, kalau ada yang belum paham, kamu bisa mengulang materi sampai benar-benar menguasainya. Apalagi, dengan lebih dari 700+ hiring partner dan 90% alumni sukses berkarier, kesempatanmu di bidang data makin terbuka lebar!

Ada pertanyaan seperti, “Kenapa sampling penting di data science?” atau “Apa yang akan diajarkan?” Yuk, konsultasi gratis di sini! Kami siap bantu #BimbingSampeJadi Data Scientist andal! 

Referensi:

1. Random Sampling – Definition, Types, Formula and Example [Buka]
2. Simple Random Sampling: 6 Basic Steps With Examples [Buka]