Teknik Sampling (Probability vs Non-Probability)

Anda sudah menghitung butuh 286 responden dari 1.000 karyawan sebuah perusahaan. Pertanyaan berikutnya terdengar sepele tetapi menentukan sah atau tidaknya seluruh skripsi: 286 yang mana? Apakah asal pilih 286 orang yang kebetulan sedang berada di kantin saat Anda datang? Atau ada cara yang lebih benar?

Cara memilih siapa yang masuk ke sampel disebut teknik sampling (teknik penyampelan). Pilihan yang keliru membuat sampel tidak mewakili populasi — dan kalau sampelnya sudah meleset sejak awal, secanggih apa pun analisis statistik sesudahnya, kesimpulannya tetap bias. Bayangkan menebak rasa sepanci sup: kalau sendok hanya menciduk dari permukaan yang berminyak, simpulan Anda tentang seluruh sup akan salah, betapapun teliti Anda mencicipi.

Intuisi: Sampel adalah Sebagian dari Populasi

Sebelum masuk ke teknik, kunci semua pembahasan ini dalam satu gambar. Populasi adalah seluruh kelompok yang ingin Anda simpulkan (mis. semua 1.000 karyawan). Sampel adalah sebagian kecil yang benar-benar Anda teliti. Tugas teknik sampling: memastikan sebagian kecil itu menjadi cermin yang jujur dari keseluruhan.

Pertanyaan besarnya: dengan cara apa enam titik hijau itu dipilih? Di sinilah dua keluarga teknik berpisah jalan.

Dua Keluarga Besar

Kata kuncinya peluang yang diketahui. Pada penyampelan berpeluang, Anda bisa menyebut angka pasti: “tiap karyawan punya peluang 286 berbanding 1.000 untuk terpilih”. Justru karena peluang itu diketahui, teori statistik bisa menghitung seberapa jauh sampel mungkin meleset dari populasi — itulah yang membuat generalisasi sahih. Pada penyampelan tanpa peluang, peluang terpilih tidak diketahui (bahkan sebagian anggota berpeluang nol), sehingga rumus galat penyampelan tidak berlaku.

Aturan dasar memilih keluarga:

• Kalau Anda ingin menarik kesimpulan ke seluruh populasi secara statistik dan punya kerangka sampel (daftar lengkap anggota populasi), pakai probability.
• Kalau populasi sulit diakses atau tidak punya kerangka sampel, non-probability sering jadi satu-satunya pilihan realistis. Banyak skripsi manajemen berada di sini.

Teknik Probability

1. Penyampelan Acak Sederhana (Simple Random Sampling)

Setiap anggota punya peluang sama untuk terpilih, persis seperti undian yang jujur. Cocok kalau populasi relatif homogen (anggotanya mirip-mirip) dan tersedia daftar lengkapnya.

Cara: beri nomor tiap anggota dari 1 sampai $N$, lalu ambil $n$ nomor secara acak — bisa dengan lotre, tabel angka acak, atau fungsi acak di Excel (=RANDBETWEEN(1; N), ulang sampai dapat $n$ nomor unik).

Contoh. Populasi 1.000 karyawan bernomor 1–1.000. Untuk memilih 286 secara acak sederhana, hasilkan 286 nomor acak unik antara 1 dan 1.000; karyawan dengan nomor itulah sampelnya.

2. Penyampelan Sistematis (Systematic Sampling)

Daripada mengundi 286 kali, pilih satu titik awal acak lalu ambil setiap anggota ke-$k$ dari daftar. Jarak loncatan $k$ disebut interval penyampelan dan dihitung dengan:

$$k = \frac{N}{n}$$

Penjelasan tiap lambang:

• $N$ = banyak anggota populasi (ukuran daftar lengkap). Contoh: $N = 1000$ karyawan.
• $n$ = banyak anggota sampel yang ingin diambil. Contoh: $n = 200$ orang.
• $k$ = interval, yaitu setiap berapa nomor sekali Anda mengambil satu anggota.

Contoh hitung dari nol. Populasi $N = 1000$, sampel yang diinginkan $n = 200$:

$$k = \frac{1000}{200} = 5$$

Jadi Anda mengambil satu dari setiap lima orang. Langkahnya:

1. Pilih titik awal acak antara 1 sampai $k$, misalnya undian menghasilkan 3.
2. Ambil nomor 3, lalu loncat sejauh $k = 5$ berulang kali: 3, 8, 13, 18, 23, … sampai daftar habis.
3. Karena tiap loncatan sejauh 5 atas 1.000 nomor, total yang terpilih $= 1000 / 5 = 200$ — persis sesuai target.

Praktis untuk daftar panjang karena Anda tidak perlu mengundi ratusan kali, cukup sekali untuk titik awal. Selalu mulai dari titik awal acak, bukan otomatis dari nomor 1 — kalau selalu mulai dari 1, pemilihan jadi mekanis dan kehilangan unsur acaknya.

Satu catatan: kalau $N$ tidak habis dibagi $n$, $k$ menjadi pecahan (mis. $N = 1000$, $n = 300$ memberi $k = 3{,}33$). Bulatkan $k$ ke bilangan bulat terdekat (di sini 3); akibatnya jumlah yang terpilih bisa sedikit berbeda dari target — tidak masalah selama mendekati.

3. Penyampelan Stratifikasi (Stratified Sampling)

Populasi dibagi lebih dulu ke beberapa kelompok yang berbeda secara penting, disebut strata (tunggal: stratum), lalu sampel diambil dari tiap stratum. Cocok kalau populasi heterogen (beragam) dan perbedaan antar kelompok relevan untuk penelitian — misalnya jabatan, divisi, atau jenis kelamin. Keunggulannya: tiap kelompok dijamin terwakili, tidak ada yang luput hanya karena kebetulan.

Cara yang paling lazim adalah alokasi proporsional: jatah sampel tiap stratum sebanding dengan ukuran stratum di populasi.

$$n_h = n \times \frac{N_h}{N}$$

Penjelasan tiap lambang:

• $n_h$ = banyak sampel yang diambil dari stratum ke-$h$ (mis. jatah untuk kelompok “staf”).
• $n$ = total sampel keseluruhan. Contoh: $n = 200$.
• $N_h$ = banyak anggota stratum ke-$h$ di populasi. Contoh: ada 600 staf, jadi $N_{\text{staf}} = 600$.
• $N$ = total anggota populasi. Contoh: $N = 1000$.
• Pecahan $\tfrac{N_h}{N}$ = porsi stratum itu terhadap seluruh populasi (mis. staf $= 600/1000 = 60\%$).

Contoh hitung dari nol. Populasi 1.000 karyawan terdiri atas 600 staf, 300 supervisor, dan 100 manajer. Total sampel $n = 200$. Alokasi proporsionalnya:

Perhatikan kolom terakhir berjumlah tepat 200 — itu tanda alokasi proporsional yang benar. Setelah jatah tiap stratum ditetapkan, di dalam tiap stratum Anda memilih anggotanya secara acak sederhana.

Kalau hasil bagi tidak bulat (mis. $n = 286$ atas 600 staf memberi $286 \times 0{,}60 = 171{,}6$), bulatkan tiap jatah ke bilangan terdekat, lalu sesuaikan satu stratum agar totalnya kembali pas dengan $n$.

4. Penyampelan Klaster (Cluster Sampling)

Populasi dibagi ke kelompok-kelompok yang disebut klaster — biasanya berdasar lokasi atau unit alami, seperti cabang, sekolah, atau desa. Lalu Anda memilih beberapa klaster secara acak, dan meneliti seluruh anggota di klaster yang terpilih (atau menyampelnya lagi).

Bedanya dengan stratifikasi penting dan sering tertukar:

• Stratifikasi: ambil sampel dari semua kelompok (semua stratum diwakili). Tujuannya presisi — memastikan keterwakilan.
• Klaster: ambil hanya sebagian kelompok, lalu teliti tuntas yang terpilih. Tujuannya efisiensi — menghemat biaya dan waktu.

Cocok kalau populasi tersebar luas secara geografis dan mahal atau mustahil menjangkau semua titik. Contoh. Sebuah bank punya 50 cabang di seluruh Indonesia. Daripada mengirim peneliti ke 50 kota, pilih acak 5 cabang, lalu survei seluruh karyawan di 5 cabang itu.

Teknik Non-Probability

Pada keluarga ini, pemilihan tidak acak. Peluang tiap anggota terpilih tidak diketahui, sehingga hasilnya tidak bisa digeneralisasi secara statistik ke populasi. Tetap sahih dipakai — asal keterbatasan ini diakui jujur di bab metode.

Penjelasan singkat masing-masing:

• Purposif — Anda sengaja memilih orang yang memenuhi syarat. Misalnya meneliti loyalitas pelanggan: hanya mereka yang pernah membeli minimal tiga kali yang dimasukkan. Pemilihan berbasis pertimbangan, bukan undian.
• Kuota — mirip stratifikasi (ada jatah per kelompok), tetapi pengisian jatahnya tidak acak. Misalnya butuh 50 pria dan 50 wanita; Anda terus mencari responden sampai masing-masing kuota terisi, siapa pun yang ditemui lebih dulu.
• Aksidental — paling praktis dan paling rentan bias. Membagikan kuesioner ke siapa saja yang lewat. Murah dan cepat, tetapi sampelnya condong ke orang-orang yang kebetulan ada di tempat dan waktu itu.
• Snowball — dipakai saat daftar anggota mustahil disusun. Anda mulai dari satu-dua responden, lalu minta mereka menunjukkan kenalan yang juga memenuhi kriteria, dan seterusnya membesar seperti bola salju yang menggelinding.

Untuk populasi yang sangat kecil (umumnya kurang dari 100 anggota), pertimbangkan sensus (saturasi): teliti semua anggota, tidak perlu menyampel sama sekali. Kalau seluruh populasi diteliti, tidak ada galat penyampelan.

Di skripsi manajemen, yang paling sering dipakai adalah purposif (karena responden harus memenuhi kriteria) dan aksidental (karena keterbatasan akses dan biaya).

Alur Memilih Teknik

Lima pertanyaan ini menuntun Anda ke teknik yang tepat:

1. Apakah ada kerangka sampel (daftar lengkap anggota populasi)? Kalau tidak ada → keluarga non-probability.
2. Kalau ada daftar: apakah perlu generalisasi statistik yang kuat ke populasi? Kalau ya → keluarga probability.
3. Apakah populasi punya kelompok berbeda yang penting untuk diwakili semua? → stratifikasi.
4. Apakah populasi tersebar luas dan mahal dijangkau semuanya? → klaster.
5. Apakah responden wajib memenuhi kriteria khusus? → purposif. Dan kalau populasi sangat kecil (< 100) → sensus.

Coba alur ini di widget berikut. Jawab beberapa pertanyaan tentang penelitian Anda, lalu widget merekomendasikan teknik yang paling cocok beserta alasannya.

Cek Pemahaman

1. Sebuah populasi $N = 1200$ karyawan, Anda ingin sampel $n = 200$ dengan penyampelan sistematis. Berapa interval $k$, dan kalau titik awal acaknya 4, sebutkan lima nomor pertama yang terpilih.

Lihat jawaban

Interval $k = N/n = 1200/200 = 6$. Titik awal 4, lalu loncat 6 berulang: 4, 10, 16, 22, 28, …. Total terpilih $= 1200/6 = 200$, sesuai target.

2. Populasi 900 mahasiswa terdiri atas 500 dari Manajemen, 300 dari Akuntansi, dan 100 dari Ekonomi Pembangunan. Anda memakai stratifikasi proporsional dengan total sampel $n = 180$. Berapa jatah tiap program studi?

Lihat jawaban

Pakai $n_h = n \times N_h/N$ dengan $n = 180$, $N = 900$:

• Manajemen: $180 \times 500/900 = 100$
• Akuntansi: $180 \times 300/900 = 60$
• Ekonomi Pembangunan: $180 \times 100/900 = 20$

Totalnya $100 + 60 + 20 = 180$ — pas.

3. (Transfer) Anda meneliti kepuasan pasien rawat inap di 30 rumah sakit yang tersebar di lima provinsi. Anggaran hanya cukup mengunjungi beberapa rumah sakit, dan tiap rumah sakit punya daftar pasien lengkap. Teknik mana yang paling tepat, dan kenapa bukan stratifikasi?

Lihat jawaban

Teknik yang tepat: penyampelan klaster — pilih acak beberapa rumah sakit (klaster), lalu teliti pasien di rumah sakit terpilih. Alasannya efisiensi: mengunjungi semua 30 rumah sakit di lima provinsi mahal dan tidak realistis. Bukan stratifikasi karena stratifikasi mengharuskan mengambil sampel dari semua kelompok (semua 30 rumah sakit harus dikunjungi), sementara di sini justru tujuannya membatasi diri pada sebagian kelompok untuk menghemat biaya. Kalau yang penting adalah memastikan tiap provinsi terwakili, klaster bisa dipadukan dengan stratifikasi (pilih klaster dari tiap provinsi).

Excel Companion

/excel/teknik-sampling.xlsx berisi: tabel ringkas semua teknik dengan kapan dipakai, kalkulator interval penyampelan sistematis ($k = N/n$), kalkulator alokasi stratifikasi proporsional (hitung $n_h$ per stratum dari data mentah), dan contoh penerapan di skripsi.

Kesalahan Umum

Menyebut “random sampling” padahal aksidental. Membagikan kuesioner ke siapa saja yang kebetulan lewat bukan penyampelan acak — itu aksidental. Klaim “acak” mengimplikasikan setiap anggota berpeluang sama terpilih, padahal pada aksidental sebagian besar populasi berpeluang nol. Sebut teknik yang benar agar tidak salah mengklaim generalisasi.

Stratifikasi tidak proporsional tanpa alasan. Kalau tiap stratum diambil sama rata (mis. masing-masing 50) padahal ukuran stratum berbeda jauh (600 staf vs 100 manajer), sampel jadi timpang: manajer terwakili berlebihan, staf kurang terwakili. Pakai alokasi proporsional kecuali ada alasan metodologis khusus (mis. ingin membandingkan antarstratum dengan presisi setara).

Mengklaim generalisasi dari non-probability. Purposif, kuota, aksidental, dan snowball tidak bisa digeneralisasi secara statistik ke populasi. Akui keterbatasan ini di bab metode dan saran — jangan menuliskan kesimpulan seolah berlaku untuk seluruh populasi.

Lupa titik awal acak pada sistematis. Selalu mulai dari nomor acak antara 1 sampai $k$, bukan otomatis dari nomor 1. Kalau daftar punya pola tersembunyi (mis. tiap kelipatan 5 adalah supervisor) dan Anda tidak mengacak titik awal, sampel bisa sistematis meleset.

Kerangka sampel tidak lengkap. Penyampelan berpeluang menuntut daftar lengkap populasi. Daftar yang bolong membuat sebagian anggota mustahil terpilih, sehingga peluang mereka jadi nol — dan klaim “berpeluang” pun gugur.

Mengira klaster sama dengan stratifikasi. Keduanya membagi populasi ke kelompok, tetapi stratifikasi mengambil dari semua kelompok (demi keterwakilan), sedangkan klaster mengambil hanya sebagian kelompok (demi efisiensi). Tertukar di sini sering jadi temuan penguji saat sidang.

Dipakai di Dunia Nyata

Skripsi karyawan satu perusahaan. Tersedia daftar lengkap karyawan dari bagian SDM → bisa acak sederhana, atau stratifikasi per divisi/jabatan kalau perbedaan antarkelompok penting.

Riset pelanggan. Tidak ada daftar lengkap seluruh pelanggan → purposif (kriteria: pernah membeli) atau aksidental di gerai. Akui keterbatasan generalisasinya.

Survei nasional (mis. BPS, lembaga survei). Populasi tersebar di ribuan desa → klaster bertingkat per wilayah untuk efisiensi, sering dipadu stratifikasi agar tiap wilayah terwakili.

Penelitian populasi tersembunyi. Pelaku UMKM informal, komunitas tertentu yang sulit didata → snowball, mulai dari beberapa kontak awal yang merujuk kenalan mereka.

Lanjutan

• Menentukan Ukuran Sampel — berapa banyak responden yang perlu diambil (Slovin, Krejcie-Morgan, aturan Hair).
• Statistik Deskriptif dan Karakteristik Responden — menggambarkan siapa sampel Anda di bab hasil.
• Skala Likert dan Penyusunan Kuesioner — alat untuk mengukur responden yang sudah terpilih.

Fondasi:

• Metode Penyampelan
• Bias dan Galat Penyampelan

Reference

• Sugiyono (2019), Metode Penelitian Kuantitatif
• Cochran, W. (1977), Sampling Techniques
• Cooper & Schindler (2014), Business Research Methods