Program Studi Manajemen · FEB UNDIP

Statistika Bisnis I

Pertemuan 1 · Jenis Statistik, Data, dan Sampling

Dari definisi statistika hingga cara menarik sampel yang benar — fondasi seluruh semester.

RPS Minggu 1 · Sub-CPMK 1 · 2 × 50 menit

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan memahami perbedaan statistik deskriptif dan inferensial serta teknik pengambilan sampel dalam penelitian bisnis (Sub-CPMK 1):

Capaian 1 — Dua Cabang

Membedakan statistik deskriptif (meringkas data) dan inferensial (menyimpulkan dari sampel ke populasi) dengan contoh bisnis nyata.

Capaian 2 — Jenis Data

Mengklasifikasikan variabel ke skala nominal, ordinal, interval, rasio; kualitatif/kuantitatif; diskrit/kontinu.

Capaian 3 — Populasi & Sampel

Membedakan populasi vs sampel dan parameter vs statistik dalam kasus bisnis konkret.

Capaian 4 — Sampling

Menjalankan teknik sampling probabilistik & non-probabilistik, mengenali sampling error dan bias seleksi.

Empat capaian ini adalah penjabaran langsung dari Sub-CPMK minggu pertama di RPS. Capaian pertama adalah pembedaan paling fundamental: apakah kita sekadar meringkas data yang sudah ada, atau memakai sebagian data untuk menyimpulkan sesuatu tentang keseluruhan yang tidak kita amati. Capaian kedua membekali Anda mengenali "bahan baku" statistika — data yang punya beberapa jenis dengan perlakuan berbeda; keliru menggolongkannya akan membuat seluruh analisis Anda salah. Capaian ketiga dan keempat membawa kita ke jantung penelitian bisnis: bagaimana memilih sebagian kecil unit untuk diamati sehingga kesimpulannya tetap bisa dipercaya untuk keseluruhan. Jadikan empat poin ini daftar periksa Anda — kalau di akhir kelas Anda bisa menjelaskan keempatnya dengan kalimat sendiri, Anda sudah menguasai pertemuan ini.

Tiga Keputusan Bisnis yang Tak Bisa Ditebak — Harus Diukur

Bayangkan Anda baru bekerja di tiga tempat berbeda. Hari pertama, tiga pertanyaan menghampiri:

Di Marketing

📣

"Apakah kemasan baru lebih disukai konsumen?" Tidak mungkin tanya 270 juta orang. Survei sebagian → simpulkan untuk semua.

Di Bank

🏦

"Berapa rata-rata saldo nasabah, dan seberapa beragam?" Jutaan rekening diringkas jadi beberapa angka kunci.

Di Bursa (BEI)

📈

"Apakah saham sektor energi lebih berisiko daripada konsumsi?" Bandingkan pola data harga, bukan firasat.

Ketiga pertanyaan ini menuntut data + cara mengolahnya — itulah statistika. Hari ini kita pelajari bahasa dan alat dasarnya.

Saya selalu membuka mata kuliah ini dengan tiga skenario konkret, karena statistika baru terasa hidup ketika ada keputusan nyata yang bergantung padanya. Di bagian pemasaran, Anda tak mungkin bertanya kepada seluruh penduduk Indonesia apakah mereka suka kemasan baru Anda — Anda hanya bisa bertanya pada sebagian, lalu menyimpulkan untuk semua, dan itu adalah inferensi. Di bank, Anda punya data jutaan rekening, tetapi atasan tidak mau melihat jutaan angka; ia ingin ringkasan beberapa angka kunci seperti rata-rata dan sebaran — dan itu adalah deskripsi. Di bursa, Anda ingin tahu apakah satu sektor lebih berisiko daripada yang lain, dan Anda menjawabnya bukan dengan firasat melainkan dengan membandingkan pola data historis. Perhatikan, ketiganya muncul di hari pertama kerja, dan ketiganya tidak bisa dijawab dengan perasaan — semuanya butuh statistika.

Bagian 1 dari 4

Apa Itu Statistika & Dua Cabangnya

Dari definisi statistika sebagai cara berpikir, ke pembedaan terpenting: meringkas yang ada (deskriptif) versus menyimpulkan yang tak teramati (inferensial).

Definisi Deskriptif Inferensial

Apa Itu Statistika (Statistics)?

Statistika adalah ilmu mengumpulkan, mengorganisasi, menyajikan, menganalisis, dan menafsirkan data untuk membantu pengambilan keputusan yang lebih efektif. (art and science of collecting, organizing, presenting, analyzing, and interpreting data)

Data = Bahan Baku

Data

Fakta dan angka yang dikumpulkan — omzet harian, jawaban kuesioner, harga saham. Data mentah belum berarti apa-apa sebelum diolah.

Keputusan = Tujuan

Info

Statistika mengubah data mentah menjadi informasi yang menuntun keputusan — investasi, pemasaran, kebijakan publik.

Kata kunci: keputusan di bawah ketidakpastian. Kalau kita tahu segalanya dengan pasti, kita tak butuh statistika.

Dua Cabang Statistika

Statistik Deskriptif

Ringkas

Metode untuk mengorganisasi, meringkas, dan menyajikan data dalam bentuk informatif. Menjawab: "Bagaimana gambaran data yang sudah saya punya?"

Alat: tabel, grafik, rata-rata, median, standar deviasi.

Statistik Inferensial

Simpulkan

Metode untuk menarik kesimpulan tentang populasi berdasarkan sampel. Menjawab: "Apa yang bisa saya simpulkan tentang keseluruhan dari sebagian?"

Alat: estimasi, uji hipotesis, interval keyakinan.

Pembeda inti: deskriptif berhenti di data yang ada di tangan; inferensial melompat dari sampel ke populasi — dan karenanya selalu mengandung risiko salah.

Inilah pembedaan yang saya minta Anda hafal, karena seluruh mata kuliah ini terbagi rapi ke dalam dua cabang ini. Statistik deskriptif adalah ketika Anda hanya meringkas data yang sudah ada di tangan — misalnya nilai ujian seluruh 40 mahasiswa di kelas ini, Anda hitung rata-ratanya 75 — Anda tidak menyimpulkan apa-apa tentang mahasiswa di luar kelas, Anda hanya menggambarkan yang ada. Statistik inferensial adalah ketika Anda mengamati sebagian, lalu berani menyimpulkan tentang keseluruhan yang tidak Anda amati; misalnya dari survei 1.100 pemilih, lembaga survei berani memprediksi pilihan seluruh penduduk Indonesia. Perhatikan lompatan berbahaya di cabang inferensial: karena kita menyimpulkan keseluruhan hanya dari sebagian, selalu ada kemungkinan kita keliru — dan justru mengelola kemungkinan keliru itulah keahlian inti yang akan kita asah di paruh kedua semester.

Deskriptif & Inferensial di Sekitar Anda (Indonesia)

BPS — Inflasi / IHK

BPS

BPS tidak mendata harga di semua toko se-Indonesia. Mereka mengamati sampel harga di kota terpilih, lalu menyimpulkan inflasi nasional.

INFERENSIAL

BEI — Ringkasan Pasar

BEI

Laporan harian "IHSG ditutup di level X, rata-rata harian, volume tertinggi" meringkas ribuan transaksi yang benar-benar terjadi.

DESKRIPTIF

Lembaga Survei

~1.100

responden

Dari ~1.100–2.000 responden, hasil "diperkirakan ±2,5%" untuk seluruh pemilih — jujur mencantumkan margin kesalahan.

INFERENSIAL

Satu lembaga bisa memakai keduanya: BPS mendeskripsikan data yang terkumpul, lalu menginferensi kondisi nasional dari sampel.

Supaya kedua cabang ini tidak terasa abstrak, mari kita lihat contoh yang Anda dengar hampir setiap bulan di berita Indonesia. Ketika BPS mengumumkan inflasi bulan lalu sekian persen, mereka tidak mencatat harga di setiap warung dan supermarket di seluruh Indonesia — mereka mengamati sampel harga di sejumlah kota dan pasar terpilih, lalu menyimpulkan tingkat inflasi nasional: itu pekerjaan inferensial. Sebaliknya, ketika Bursa Efek Indonesia melaporkan bahwa IHSG ditutup di level tertentu dengan volume sekian, itu murni deskriptif: meringkas ribuan transaksi yang benar-benar terjadi hari itu. Ketika lembaga survei memprediksi hasil pemilu dari sekitar seribu seratus responden dengan margin kesalahan dua setengah persen, itu inferensial — dan perhatikan bahwa mereka jujur mencantumkan margin kesalahan, karena kejujuran statistik yang baik mengakui bahwa menyimpulkan dari sampel selalu mengandung risiko keliru.

Bagian 2 dari 4

Bahan Baku: Populasi, Data, dan Skala

Sebelum mengolah, kenali bahannya: beda populasi & sampel, parameter & statistik, dan empat skala pengukuran yang menentukan operasi apa yang sah dilakukan.

Populasi vs Sampel

Populasi (Population)

>900

emiten BEI (per 2025)

Seluruh unit yang ingin kita pelajari. Contoh lain: seluruh nasabah sebuah bank; semua UMKM di Jawa Tengah.

Sampel (Sample)

emiten terpilih

Sebagian unit yang benar-benar kita amati, dipilih dari populasi. Contoh: 400 nasabah disurvei; 200 UMKM diwawancarai.

Kita meneliti sampel karena meneliti seluruh populasi sering mahal, lama, atau mustahil. Daftar lengkap unit populasi yang siap diambil sampel disebut kerangka sampel (sampling frame) — mis. daftar resmi emiten di situs BEI.

Dua kata ini — populasi dan sampel — adalah pasangan paling penting di seluruh statistika, jadi mari kita pastikan tidak pernah tertukar. Populasi adalah keseluruhan yang ingin kita pelajari; kalau Anda meneliti kinerja perusahaan publik di Indonesia, populasi Anda adalah seluruh emiten yang tercatat di Bursa Efek Indonesia, yang per 2025 jumlahnya lebih dari sembilan ratus perusahaan. Sampel adalah sebagian yang benar-benar Anda amati, misalnya lima puluh emiten yang Anda pilih untuk dianalisis laporan keuangannya. Mengapa kita repot-repot mengambil sampel dan tidak meneliti seluruh populasi saja? Karena meneliti seluruh populasi sering kali mahal, makan waktu lama, atau bahkan mustahil — bayangkan mensurvei seluruh 270 juta penduduk Indonesia setiap bulan. Satu istilah teknis yang akan sering muncul: kerangka sampel, yaitu daftar lengkap seluruh unit populasi yang siap kita pilih; tanpa kerangka sampel yang baik, penarikan sampel acak menjadi mustahil dilakukan dengan benar.

Coba Sendiri: Bedakan Populasi, Sampel, dan Simbolnya

Klik untuk menandai mana populasi/sampel pada tiap skenario, lalu cocokkan simbol mu/sigma dengan x-bar/s yang tepat.

Parameter vs Statistik (Kembarannya)

Sama seperti populasi punya "kembaran" sampel, angka ringkasannya juga sepasang:

Parameter → Populasi

μ σ π

Angka ringkas yang menggambarkan POPULASI. Biasanya tidak diketahui. Lambang: μ (rata-rata), σ (standar deviasi), π (proporsi).

Statistik → Sampel

x̄ s p

Angka ringkas yang dihitung dari SAMPEL. Diketahui. Lambang: x̄ (rata-rata), s (std deviasi), p (proporsi). Dipakai menaksir parameter.

Ukuran	Populasi → Parameter	Sampel → Statistik
Rata-rata	μ ("myu")	x̄ ("eks-bar")
Standar deviasi	σ ("sigma")	s
Proporsi	π / P	p

Jembatan emas inferensi: kita pakai statistik (yang diketahui) untuk menaksir parameter (yang tak diketahui). x̄ → menaksir → μ.

Setelah memahami populasi dan sampel, sekarang kita kenali "kembaran angka" dari keduanya — dan ini sering membingungkan mahasiswa di awal. Setiap angka ringkasan punya dua versi: kalau dihitung dari seluruh populasi namanya parameter, kalau dihitung dari sampel namanya statistik. Inilah ironi yang indah: parameter adalah angka yang benar-benar ingin kita ketahui — misalnya rata-rata sebenarnya kepuasan seluruh nasabah bank — tetapi justru parameter inilah yang tidak kita ketahui, karena kita tidak mengamati seluruh populasi. Sebaliknya, statistik adalah angka yang kita ketahui karena kita menghitungnya dari sampel yang kita amati. Maka seluruh seni inferensi statistik adalah memakai statistik yang kita ketahui sebagai jembatan untuk menaksir parameter yang tak kita ketahui — parameter populasi ditulis dengan huruf Yunani seperti mu dan sigma, sedangkan statistik sampel ditulis dengan huruf Latin seperti x-bar dan s.

Empat Skala Pengukuran Data — Wajib Hafal (NOIR)

Skala data menentukan operasi apa yang sah Anda lakukan. Urut dari paling "lemah" ke paling "kuat":

Skala	Ciri Utama	Operasi yang Sah	Contoh Bisnis
NOMINAL	Label/kategori, tak ada urutan	Frekuensi, modus	Sektor industri, jenis kelamin, kode emiten
ORDINAL	Ada urutan, jarak tak setara	+ Median, persentil	Peringkat obligasi (idAAA…idD), skor kepuasan 1–5
INTERVAL	Jarak setara, nol bukan "tidak ada"	+ Rata-rata, selisih	Suhu °C, tahun kalender, tahun IPO
RASIO	Jarak setara, nol mutlak ("tidak ada")	+ Rasio, perkalian	Omzet (Rp), ROA (%), jumlah karyawan, harga saham

Uji cepat "nol mutlak": Rp 0 = benar-benar tidak ada uang → rasio. 0 °C ≠ "tidak ada suhu" → interval.

Kalau ada satu hal dari slide ini yang harus Anda hafal seumur hidup, ini dia: empat skala pengukuran data, yang sering disingkat NOIR dari Nominal, Ordinal, Interval, dan Rasio. Mengapa ini penting? Karena skala data menentukan operasi matematika apa yang sah Anda lakukan — menghitung rata-rata pada data nominal seperti nomor punggung pemain adalah kesalahan fatal yang masih sering saya temui bahkan pada mahasiswa tingkat akhir. Yang paling membingungkan adalah beda interval dan rasio, dan kuncinya ada pada makna angka nol: pada skala rasio seperti omzet rupiah, nol berarti benar-benar tidak ada uang, sehingga kita boleh bilang "omzet A dua kali omzet B"; tetapi pada skala interval seperti suhu Celsius, nol derajat bukan berarti tidak ada suhu, sehingga kita tidak boleh bilang "20 derajat dua kali lebih panas dari 10 derajat". Hafal mnemonik NOIR dan uji "nol mutlak?" ini — keduanya penyelamat terbesar Anda di kuis dan ujian.

Dua Penggolongan Lain yang Sering Dipakai

Kualitatif vs Kuantitatif

Kat / Num

Kualitatif (kategori): menyatakan jenis/sifat, tak dijumlahkan → mencakup Nominal & Ordinal. Contoh: sektor, peringkat, status puas/tidak.

Kuantitatif (numerik): hasil pengukuran/penghitungan → mencakup Interval & Rasio. Contoh: omzet, jumlah karyawan, harga saham.

Diskrit vs Kontinu (khusus kuantitatif)

D / K

Diskrit: hanya nilai terpisah/terhitung, biasanya bulat. Contoh: jumlah karyawan (351, tak mungkin 351,7), jumlah cabang.

Kontinu: bisa nilai berapa pun dalam suatu rentang. Contoh: berat, waktu, harga saham (Rp 4.532,57).

Hierarki: data kuantitatif terbagi lagi jadi diskrit (dihitung) atau kontinu (diukur). Data kualitatif tidak punya pembagian ini.

Selain empat skala tadi, ada dua cara penggolongan lain yang sangat sering Anda jumpai di buku teks dan di praktik. Penggolongan pertama adalah kualitatif versus kuantitatif: data kualitatif menyatakan jenis atau sifat dan tidak masuk akal dijumlahkan, mencakup skala nominal dan ordinal; data kuantitatif adalah hasil pengukuran atau penghitungan berupa angka, mencakup skala interval dan rasio. Penggolongan kedua hanya berlaku untuk data kuantitatif, yaitu diskrit versus kontinu. Data diskrit hanya bisa bernilai terpisah dan biasanya bulat — sebuah perusahaan bisa punya 350 atau 351 karyawan, tetapi mustahil 350,7 karyawan. Data kontinu bisa bernilai berapa pun dalam suatu rentang, seperti berat, waktu, atau harga saham yang bisa bergerak ke pecahan rupiah; kuncinya bukan pada "ada koma atau tidak", melainkan pada apakah nilainya pada dasarnya bisa diukur sehalus apa pun.

Hitung dari Nol — HDN-1: Golongkan 8 Variabel Emiten BEI

Anda menyusun basis data emiten BEI. Tentukan skala & jenis tiap variabel:

#	Variabel	Contoh Nilai	Skala	Jenis
1	Sektor industri	"Energi", "Keuangan"	Nominal	Kualitatif
2	Kode emiten (ticker)	BBCA, TLKM, GOTO	Nominal	Kualitatif
3	Peringkat obligasi	idAAA, idAA, …, idD	Ordinal	Kualitatif
4	Skor kepuasan investor (1–5)	1 = sgt tdk puas … 5 = sgt puas	Ordinal	Kualitatif
5	Tahun IPO ⚠️	1991, 2014, 2022	Interval	Kuantitatif diskrit
6	Jumlah karyawan	351; 12.480	Rasio	Kuantitatif diskrit
7	ROA (%)	3,2%; 11,7%	Rasio	Kuantitatif kontinu
8	Harga saham penutupan (Rp)	Rp 4.532; Rp 9.875	Rasio	Kuantitatif kontinu

Jebakan: Tahun IPO (#5) berupa angka tetapi tetap Interval (tahun '0' bukan 'tidak ada waktu'). ROA & harga punya nol mutlak → Rasio. #6 diskrit (hanya bilangan bulat); #7 & #8 kontinu.

Sekarang kita kerjakan latihan klasifikasi dari nol, memakai variabel nyata yang akan Anda temui jika kelak menganalisis emiten Bursa Efek Indonesia. Variabel sektor industri dan kode emiten seperti BBCA atau TLKM adalah label tanpa urutan — skalanya nominal dan jenisnya kualitatif. Peringkat obligasi dari idAAA sampai idD ada urutan jelas, sehingga skalanya naik menjadi ordinal, tetapi tetap kualitatif karena jaraknya tak setara. Perhatikan jebakan klasik di variabel kelima, tahun IPO: ini berupa angka, sehingga banyak mahasiswa langsung menyebutnya rasio, padahal ini interval — sebab tahun nol bukan berarti "tidak ada waktu". Jumlah karyawan, ROA, dan harga saham ketiganya punya nol mutlak sehingga ketiganya rasio; jumlah karyawan bersifat diskrit karena hanya bisa bilangan bulat, sedangkan ROA dan harga saham bersifat kontinu karena bisa bernilai pecahan sehalus apa pun.

Dua Struktur Data: Lintas-Unit vs Lintas-Waktu

Cross-Section (Lintas-Unit)

📷

Banyak unit diamati pada satu titik waktu. Contoh: ROA 50 emiten pada akhir 2024.

Pertanyaan: "Unit mana yang lebih baik?"

Time-Series (Runtun Waktu)

🎞️

Satu unit diamati sepanjang banyak waktu. Contoh: laba BBCA 2015–2024 (10 tahun).

Pertanyaan: "Bagaimana tren/perubahannya?"

Gabungan keduanya — banyak unit × banyak waktu — disebut data panel (mis. ROA 50 emiten selama 10 tahun = 500 observasi). Akan Anda jumpai di mata kuliah lanjutan.

Selain jenis dan skala, data juga punya struktur, dan dua struktur paling dasar adalah cross-section dan time-series. Data cross-section ibarat foto sesaat: Anda memotret banyak unit sekaligus pada satu titik waktu, misalnya membandingkan ROA dari lima puluh emiten pada akhir tahun 2024 — pertanyaannya selalu "unit mana yang lebih baik dari unit lain?". Data time-series ibarat film: Anda mengamati satu unit terus-menerus sepanjang waktu, misalnya mengikuti laba Bank BCA dari tahun 2015 sampai 2024 — pertanyaannya selalu "bagaimana tren dan perubahannya dari waktu ke waktu?". Membedakan keduanya penting karena teknik analisisnya berbeda; tren dan musiman hanya relevan untuk time-series, sedangkan perbandingan antar-unit adalah ranah cross-section. Kalau Anda gabungkan keduanya — banyak unit diamati selama banyak waktu sekaligus — Anda mendapat data panel yang sangat kaya, dan itu akan Anda pelajari di mata kuliah ekonometrika atau statistika lanjutan.

Sumber Data: Primer vs Sekunder

Data Primer

Sendiri

Dikumpulkan langsung dari sumber untuk tujuan penelitian Anda. Cara: survei/kuesioner, wawancara, eksperimen, observasi.

+ Sesuai kebutuhan, terbaru.
− Mahal, lama.

Data Sekunder

Ada

Dikumpulkan pihak lain, sudah tersedia. Sumber Indonesia: BPS, BEI/IDX, OJK, BI, laporan tahunan emiten, Kemenkop.

+ Murah, cepat.
− Mungkin tak persis sesuai kebutuhan; cek mutu & definisi.

Aturan praktis: cek dulu data sekunder yang ada (BPS, BEI) sebelum repot mengumpulkan data primer. Tapi pastikan definisi variabel cocok dengan kebutuhan Anda.

Pertanyaan praktis pertama dalam setiap penelitian adalah: datanya dari mana? Data primer adalah data yang Anda kumpulkan sendiri secara langsung untuk menjawab pertanyaan penelitian Anda, misalnya dengan menyebar kuesioner kepada pelanggan, mewawancarai pemilik UMKM, atau melakukan eksperimen — keunggulannya data ini persis sesuai kebutuhan dan paling mutakhir, tetapi kelemahannya mahal dan memakan waktu. Data sekunder adalah data yang sudah dikumpulkan pihak lain dan tinggal Anda pakai; di Indonesia kita sangat beruntung punya banyak sumber sekunder berkualitas seperti BPS, Bursa Efek Indonesia, OJK, Bank Indonesia, serta laporan tahunan setiap emiten yang wajib dipublikasikan. Nasihat saya: selalu cek dulu apakah data sekunder yang Anda butuhkan sudah tersedia sebelum repot mengumpulkan data primer, karena sering kali sudah ada dan gratis. Tetapi hati-hati satu hal: pastikan definisi variabel pada data sekunder benar-benar cocok dengan yang Anda maksud, karena dua sumber bisa memakai istilah sama dengan definisi berbeda, dan kelalaian ini diam-diam merusak banyak penelitian.

Bagian 3 dari 4

Cara Mengambil Sampel yang Benar

Teknik probabilistik (peluang terpilih diketahui) vs non-probabilistik, empat metode acak, lalu sumber kesalahan: sampling error, non-sampling error, dan bias seleksi.

Probabilistik Non-Probabilistik Error & Bias

Dua Keluarga Teknik Sampling

Probabilistik (Acak)

🎲

Setiap unit punya peluang terpilih yang diketahui & bukan nol. Pemilihan diserahkan ke mekanisme acak, bukan selera peneliti.

+ Bisa dihitung margin error; dasar inferensi yang sah.
Jenis: simple random, sistematis, stratified, cluster.

Non-Probabilistik

✋

Peluang terpilih tidak diketahui; bergantung pertimbangan/kemudahan peneliti.

+ Murah & cepat.
− Rawan bias, tak bisa dihitung margin error secara sah.
Jenis: convenience, judgment, quota.

Inferensi statistik yang sah (menghitung margin error, uji hipotesis) mensyaratkan sampling probabilistik. Non-probabilistik berguna untuk eksplorasi awal, bukan generalisasi presisi.

Semua teknik sampling terbagi ke dalam dua keluarga besar, dan pembedaan ini menentukan apakah hasil Anda boleh digeneralisasi atau tidak. Keluarga pertama adalah sampling probabilistik atau acak: ciri intinya adalah setiap unit dalam populasi punya peluang terpilih yang diketahui dan bukan nol, serta pemilihan diserahkan kepada mekanisme acak seperti undian, bukan kepada selera peneliti. Keluarga kedua adalah sampling non-probabilistik, di mana peluang terpilih tidak diketahui karena pemilihan bergantung pada kemudahan atau pertimbangan subjektif peneliti. Mengapa pembedaan ini krusial? Karena hampir semua alat inferensi statistik — menghitung margin kesalahan, membangun interval keyakinan, menguji hipotesis — secara matematis hanya sah jika sampelnya probabilistik. Non-probabilistik murah, cepat, dan cocok untuk penjajakan awal atau riset kualitatif, tetapi Anda tidak boleh memakainya lalu mengklaim presisi statistik atas seluruh populasi.

Empat Teknik Sampling Probabilistik

1 — Simple Random (Acak Sederhana)

SRS

Setiap unit & setiap kombinasi unit punya peluang sama. Cara: undian/angka acak.
Cocok bila populasi homogen & ada daftar lengkap.

2 — Sistematis

k=N/n

Pilih acak unit ke-r pertama, lalu ambil tiap kelipatan k (= N/n). Praktis untuk daftar panjang.
Hati-hati bila daftar berpola siklis.

3 — Stratified (Berlapis)

Strata

Bagi populasi jadi strata homogen (mis. sektor), ambil sampel dari TIAP strata proporsional.
Menjamin semua kelompok terwakili → lebih presisi.

4 — Cluster (Gugus)

Gugus

Populasi dibagi jadi gugus (mis. kota), pilih SEBAGIAN gugus acak, amati semua/sebagian unit di dalamnya.
Hemat biaya bila populasi tersebar geografis.

Stratified vs Cluster mudah tertukar: Stratified ambil dari SEMUA kelompok (kelompok homogen di dalam); Cluster ambil hanya SEBAGIAN gugus (gugus heterogen mewakili populasi).

Empat teknik probabilistik ini adalah perkakas wajib seorang peneliti bisnis. Sampling acak sederhana adalah seperti mengocok dan menarik nama dari topi: setiap unit dan setiap kombinasi unit punya peluang sama, standar emas, tetapi butuh daftar lengkap dan repot untuk populasi sangat besar. Sampling sistematis adalah jalan pintas praktis: Anda pilih titik awal secara acak lalu ambil tiap unit ke-k, seperti memilih tiap pengunjung ke-sepuluh yang masuk mal. Dua teknik terakhir paling sering tertukar: pada stratified, Anda membagi populasi menjadi kelompok-kelompok yang seragam di dalamnya seperti sektor industri, lalu mengambil sampel dari setiap kelompok supaya semua terwakili. Sedangkan pada cluster, Anda membagi populasi menjadi gugus-gugus seperti kota, lalu hanya memilih beberapa gugus secara acak — kunci pembedanya, stratified mengambil dari semua kelompok, cluster hanya dari sebagian gugus.

Tiga Teknik Sampling Non-Probabilistik

Convenience (Kemudahan)

Easy

Ambil unit yang paling mudah dijangkau. Contoh: survei ke teman sekelas, polling pengunjung satu cabang.

Cepat tapi paling rawan bias.

Judgment (Pertimbangan)

Expert

Peneliti memilih sengaja unit yang dianggap representatif/ahli. Contoh: wawancara 5 pakar industri.

Bergantung keahlian peneliti.

Quota (Kuota)

Quota

Tetapkan jatah per kategori (mis. 50 pria, 50 wanita), isi sesukanya sampai kuota penuh.

Mirip stratified tapi pengisian tak acak.

Ketiganya tidak acak → tidak bisa dihitung margin error secara sah. Berguna untuk eksplorasi, uji coba kuesioner, riset kualitatif — bukan generalisasi presisi ke populasi.

Tiga teknik non-probabilistik harus Anda kenali bukan untuk dipuja melainkan untuk diwaspadai. Convenience sampling adalah yang paling sering dilakukan sekaligus paling berbahaya: Anda mengambil siapa pun yang paling mudah dijangkau, misalnya menyebar kuesioner ke teman sekelas atau hanya pengunjung satu cabang toko — cepat dan murah, tetapi hasilnya bisa sangat menyesatkan. Judgment atau purposive sampling adalah ketika peneliti dengan sengaja memilih unit yang ia anggap paling representatif atau paling ahli — sah untuk riset kualitatif, tetapi sangat bergantung pada ketepatan penilaian peneliti. Quota sampling tampak mirip stratified karena sama-sama menetapkan jatah per kategori, tetapi bedanya fatal: pada quota, pengisian jatah dilakukan sesuka peneliti tanpa pengacakan. Ketiga teknik ini punya tempat untuk penjajakan awal atau riset kualitatif mendalam, tetapi jangan pernah memakainya lalu mengklaim presisi statistik atas seluruh populasi.

Hitung dari Nol — HDN-2: Sampel Sistematis 20 dari 825 Emiten

Kerangka sampel: 825 emiten bernomor 1–825. Anda ingin n = 20 secara acak sistematis:

Langkah	Perhitungan	Hasil
1. Tentukan interval k	k = N/n = 825 ÷ 20 = 41,25 → bulatkan ke bawah (floor)	k = 41
2. Pilih titik awal acak r	Undian dalam {1 … 41} → terpilih	r = 17
3. Bangun deret r + i·k	i = 0, 1, 2, …, 19	20 nomor
4. Daftar nomor terpilih	17, 58, 99, 140, 181, 222, 263, 304, 345, 386, 427, 468, 509, 550, 591, 632, 673, 714, 755, 796	796 ≤ 825 ✓

Hasil: 20 emiten terpilih (17, 58, …, 796). Verifikasi: nomor ke-20 = 17 + 19×41 = 17 + 779 = 796 ≤ 825 ✓. Sistematis = praktis: cukup satu angka acak (r), sisanya berpola.

Sekarang kita kerjakan penarikan sampel dari nol, dan saya pilih sampling sistematis karena ini yang paling praktis Anda pakai di lapangan. Bayangkan Anda punya kerangka sampel berisi delapan ratus dua puluh lima emiten yang sudah bernomor, dan Anda ingin mengambil dua puluh secara acak sistematis. Langkah pertama, hitung interval k: 825 dibagi 20 sama dengan 41,25, lalu kita bulatkan ke bawah menjadi 41 agar deret tidak melampaui 825. Langkah kedua, pilih titik awal secara acak antara 1 dan 41 — misalkan undian menghasilkan 17; hanya titik awal inilah yang benar-benar acak, dan itulah keindahan sistematis. Langkah ketiga dan keempat, bangun deretnya dengan menambah 41 berulang kali: 17, 58, 99, dst., sampai nomor ke-20 yaitu 796, yang masih di bawah 825 sehingga seluruh deret valid. Sebagai pembanding, kalau kita pakai stratified berdasarkan sektor, kita membagi jatah 20 secara proporsional ke setiap sektor sehingga sektor besar seperti teknologi dapat tujuh dan sektor kecil dapat dua atau tiga — keunggulannya, dengan stratified setiap sektor dijamin terwakili.

Stratified Multistage Nyata: Susenas BPS

Susenas (Survei Sosial Ekonomi Nasional) oleh BPS adalah contoh hidup sampling berlapis-bertahap (stratified multistage) — basis banyak angka kemiskinan & kesejahteraan Indonesia.

Berlapis (Stratified)

Strata

Wilayah Indonesia dibagi per provinsi/kabupaten & karakteristik (urban/rural) → tiap lapisan terwakili agar tak ada daerah terlewat.

Bertahap (Multistage)

Tahap

Tahap-1: pilih blok sensus secara acak. Tahap-2: pilih rumah tangga di blok terpilih. Menggabungkan ide cluster (gugus blok) + stratified.

Mengapa serumit ini? Karena meneliti semua ~280 juta penduduk tiap tahun mustahil. Desain multistage membuat sampel terjangkau biaya sekaligus mewakili keberagaman Indonesia.

Supaya teknik-teknik tadi tidak terasa seperti teori kosong, mari kita lihat satu contoh nyata berskala nasional: Survei Sosial Ekonomi Nasional atau Susenas yang dijalankan BPS. Angka kemiskinan, pengeluaran rumah tangga, dan banyak indikator kesejahteraan Indonesia berasal dari survei ini, dan Susenas menggabungkan beberapa teknik yang baru kita pelajari menjadi satu desain stratified multistage. Sisi berlapisnya: Indonesia dibagi menurut wilayah dan karakteristik seperti perkotaan versus perdesaan, sehingga tidak ada daerah penting yang terlewat. Sisi bertahapnya: pada tahap pertama dipilih blok-blok sensus secara acak, lalu pada tahap berikutnya dipilih rumah-rumah tangga di dalam blok terpilih — ini menggabungkan ide cluster dan stratified sekaligus. Mengapa BPS tidak mendata semua ~280 juta penduduk saja? Karena itu mustahil dilakukan setiap tahun dari sisi biaya; desain multistage inilah yang membuat survei terjangkau sekaligus tetap mewakili keberagaman luar biasa negeri kita.

Dua Sumber Kesalahan dalam Survei

Sampling Error (Kesalahan Penyampelan)

∝ 1/√n

Selisih wajar antara statistik sampel dan parameter populasi, hanya karena kita mengamati sebagian.

Wajar & terukur. Mengecil bila n diperbesar (∝ 1/√n).

Non-Sampling Error

⚠️

Kesalahan di luar soal ukuran sampel: kuesioner ambigu, responden bohong, salah input, non-respons, kerangka sampel cacat.

Berbahaya: TIDAK otomatis hilang walau n diperbesar.

n	Patokan 1/√n	SE Proporsi (p=0,5)
100	10,0%	5,00%
400	5,0%	2,50%
1.000	3,2%	1,58%

Bahaya tersembunyi: memperbesar sampel hanya mengecilkan sampling error. Non-sampling error bisa membesar pada survei besar yang dikelola buruk. Sampel besar yang bias lebih menyesatkan daripada sampel kecil yang bersih.

Setiap survei mengandung kesalahan, dan tugas peneliti yang baik bukan menghilangkannya — melainkan memahami dan mengendalikannya. Sampling error adalah selisih wajar antara hasil sampel dan kebenaran populasi, semata-mata karena kita mengamati sebagian; ini kesalahan yang jujur dan terukur, dan kabar baiknya ia mengecil secara sistematis ketika kita memperbesar sampel, kira-kira sebanding satu per akar n — untuk memperkecil setengahnya, kita perlu memperbesar sampel empat kali lipat. Non-sampling error jauh lebih licik: ini mencakup semua kesalahan di luar soal ukuran sampel, seperti pertanyaan kuesioner yang ambigu, responden yang berbohong, kesalahan input data, atau non-respons ketika orang yang terpilih menolak menjawab. Pelajaran terpenting yang harus Anda bawa seumur hidup: memperbesar sampel hanya menyembuhkan sampling error, dan sama sekali tidak menyembuhkan non-sampling error — bahkan survei sejuta orang yang dikelola buruk bisa jauh lebih menyesatkan daripada survei seribu orang yang dikelola dengan cermat dan acak.

Bias Seleksi — Pembunuh Senyap Survei

Bias seleksi terjadi ketika cara memilih sampel membuat sebagian populasi sistematis lebih/kurang terwakili — sehingga sampel tidak mewakili populasi, sebelum satu angka pun dihitung.

Contoh 1 — Survei Online Sukarela

💻

Hanya yang punya internet & mau mengisi yang terdata. Pendapat yang tak online/tak peduli hilang → over-mewakili kelompok tertentu.

Contoh 2 — Survivorship Bias (Bursa)

📉

Menganalisis hanya emiten yang masih bertahan hari ini, mengabaikan yang sudah delisting/bangkrut → kinerja pasar tampak lebih bagus dari kenyataan.

Penangkal: kerangka sampel yang lengkap & adil + pemilihan acak + tindak lanjut non-respons. Bias seleksi tak bisa diperbaiki dengan memperbesar sampel.

Dari semua jebakan dalam sampling, bias seleksi adalah yang paling licik karena ia bekerja diam-diam sebelum Anda menghitung satu angka pun. Bias seleksi terjadi ketika cara Anda memilih sampel secara sistematis membuat sebagian populasi lebih terwakili dan sebagian lain kurang terwakili. Contoh paling umum di era sekarang adalah survei online sukarela: yang masuk datanya hanyalah orang yang punya akses internet sekaligus mau repot mengisi, sementara suara mereka yang tak online atau tak peduli lenyap sepenuhnya. Contoh kedua sangat penting bagi Anda yang tertarik pasar modal, yaitu survivorship bias: kalau Anda menganalisis kinerja saham hanya dari emiten yang masih bertahan dan tercatat hari ini, Anda diam-diam mengabaikan semua perusahaan yang sudah bangkrut atau di-delisting, sehingga gambaran kinerja pasar tampak jauh lebih cemerlang daripada kenyataannya. Bias seleksi sama sekali tidak bisa diperbaiki dengan memperbesar sampel — satu-satunya penangkalnya adalah kerangka sampel yang lengkap dan adil, pemilihan yang benar-benar acak, serta usaha sungguh-sungguh menindaklanjuti mereka yang tidak merespons.

Coba Sendiri: Simulasikan Bias Seleksi pada Sampling

Bandingkan hasil sampling acak vs sampling bias-seleksi pada populasi yang sama, dan amati bagaimana estimasi menyimpang.

Sensus vs Survei: Kapan Pakai yang Mana?

Sensus (Cacah Lengkap)

100%

seluruh populasi

Mengamati SELURUH populasi. Hasil = parameter (bukan taksiran).
+ Tak ada sampling error.
− Mahal, lama, kadang mustahil.

Contoh: Sensus Penduduk BPS (~10 tahun sekali); pendataan UMKM Kemenkop.

Survei (Sampel)

Sebagian

populasi

Mengamati SEBAGIAN populasi. Hasil = statistik (taksiran parameter).
+ Murah, cepat, bisa sering.
− Ada sampling error (tapi terukur).

Contoh: Susenas, survei IHK bulanan, riset pasar.

Aturan praktis: pakai sensus bila populasi kecil/krusial & terjangkau (mis. 50 cabang sendiri); pakai survei bila populasi besar/mahal/sering diukur (mis. konsumen nasional tiap bulan).

Untuk menutup bagian sampling, mari kita jernihkan satu pilihan mendasar: kapan kita harus mendata semua, dan kapan cukup sebagian? Mendata seluruh populasi disebut sensus, dan hasilnya adalah parameter sejati, bukan taksiran, sehingga tidak ada sampling error; contohnya adalah Sensus Penduduk yang dilakukan BPS, atau ketika Kementerian Koperasi dan UKM berupaya mendata seluruh UMKM Indonesia. Tetapi sensus mahal, lama, dan kadang mustahil dilakukan sering — itulah mengapa Sensus Penduduk hanya dilakukan sekitar sepuluh tahun sekali. Mengamati sebagian populasi disebut survei, dan hasilnya adalah statistik yang menaksir parameter; survei jauh lebih murah, cepat, dan bisa dilakukan rutin, dengan konsekuensi adanya sampling error yang untungnya terukur. Aturan praktisnya sederhana: gunakan sensus bila populasinya kecil, krusial, dan terjangkau; gunakan survei bila populasinya besar, mahal, atau perlu diukur berulang — frekuensi pengukuran sering menjadi alasan utama memilih survei ketimbang sensus.

Peta Konsep Pertemuan 1

Sebelum kita tutup, mari kita rangkai semua yang kita pelajari hari ini menjadi satu peta utuh, karena memahami hubungan antar-konsep jauh lebih kuat daripada menghafalnya terpisah-pisah. Di puncak peta ada statistika, yang bercabang menjadi dua: deskriptif untuk meringkas dan inferensial untuk menyimpulkan. Cabang inferensial menuntut kita mengambil sampel dari populasi melalui teknik sampling, yang bercabang menjadi keluarga probabilistik dan non-probabilistik. Setiap data yang kita kumpulkan punya jenis tertentu — skalanya nominal sampai rasio, strukturnya cross-section atau time-series, sumbernya primer atau sekunder. Dan dari sampel itu kita hitung statistik untuk menaksir parameter populasi, sambil mewaspadai tiga ancaman: sampling error yang wajar, non-sampling error yang berbahaya, dan bias seleksi yang licik. Kalau Anda bisa menelusuri peta ini dari atas ke bawah dengan kalimat sendiri, Anda sudah benar-benar menguasai pertemuan pertama ini.

Cheat Sheet: Skala Data & Teknik Sampling

Tabel 1 — Skala Data

Skala	Kata Kunci	Boleh Hitung	Contoh BEI
Nominal	label, tak berurutan	frekuensi, modus	sektor, kode emiten
Ordinal	berurutan, jarak tak setara	+ median	peringkat idAAA…idD
Interval	jarak setara, nol relatif	+ rata-rata, selisih	tahun IPO
Rasio	jarak setara, nol mutlak	+ rasio/kali	ROA, harga saham, jml karyawan

Tabel 2 — Teknik Sampling

Keluarga	Teknik	Inti
Prob.	Simple Random	undian, peluang sama
Prob.	Sistematis	tiap ke-k, awal acak r
Prob.	Stratified	sampel dari SEMUA strata
Prob.	Cluster	ambil SEBAGIAN gugus
Non-prob.	Convenience	yang termudah dijangkau
Non-prob.	Judgment	dipilih sengaja (ahli)
Non-prob.	Quota	jatah kategori, isi tak acak

Simpan dua tabel ini — keduanya sering keluar di kuis & UTS, dan jadi rujukan saat Anda merancang penelitian skripsi nanti.

Penutup & Persiapan Pertemuan 2

Yang Sudah Kita Kuasai

✓

Statistika & dua cabangnya (deskriptif / inferensial)
Populasi / sampel, parameter / statistik
Jenis data: 4 skala, kualitatif/kuantitatif, diskrit/kontinu, cross-section/time-series, primer/sekunder
7 teknik sampling + sampling error, non-sampling error & bias seleksi

Persiapan Pertemuan 2

→

Baca Lind dkk. Ch. 2 (penyajian data: tabel & grafik)
Bawa contoh 1 dataset bisnis (boleh dari laporan tahunan emiten BEI)
Pikirkan: "Bagaimana meringkas 825 angka jadi 1 gambar yang bercerita?"

Pertemuan 2 kita masuk statistik deskriptif: menyajikan data dalam tabel frekuensi & grafik (histogram, batang, pie) agar pola tersembunyi terlihat. Fondasi hari ini akan langsung terpakai.

Sub-CPMK 1 ✓ Selesai

Kita sudah sampai di penghujung pertemuan pertama, dan saya ingin Anda menengok ke belakang sejenak untuk menyadari betapa banyak fondasi yang sudah kita pasang hari ini. Anda kini bisa membedakan statistika deskriptif dari inferensial, mengenali populasi dan sampel beserta parameter dan statistiknya, menggolongkan data ke dalam empat skala dan beberapa struktur, serta menjalankan dan membandingkan teknik sampling sambil mewaspadai kesalahan dan bias. Untuk pertemuan kedua, saya minta Anda membaca bab penyajian data di buku Lind dan kawan-kawan, dan kalau bisa, bawalah satu dataset bisnis nyata, misalnya angka-angka dari laporan tahunan sebuah emiten yang Anda minati. Renungkan satu pertanyaan ini sebagai jembatan: seandainya Anda punya delapan ratus dua puluh lima angka, bagaimana cara meringkasnya menjadi satu gambar yang langsung bercerita? Itulah yang akan kita jawab pekan depan ketika kita masuk ke statistik deskriptif lewat tabel frekuensi dan grafik — dan Anda akan melihat bahwa fondasi pertemuan pertama hari ini langsung terpakai di sana.