Bias dan Galat Penyampelan

Menjelang Pilkada, dua lembaga merilis hasil jajak pendapat. Lembaga A memprediksi calon X menang 54 persen; lembaga B memprediksi calon Y menang 51 persen. Hasil resmi: calon Y menang 52 persen. Lembaga A meleset 7 poin, lembaga B meleset 1 poin.

Sekilas keduanya hanya “salah”, tetapi salahnya berbeda jenis. Meleset 1 poin seperti lembaga B itu wajar — setiap kali kita menanyai sebagian orang, bukan semua, angkanya akan bergoyang sedikit di sekitar nilai sebenarnya. Itu galat penyampelan: kesalahan acak yang tak terhindarkan. Meleset 7 poin, selalu condong ke calon yang sama, menandakan sesuatu yang lebih serius: metode lembaga A sistematis memihak. Itu bias.

Membedakan keduanya bukan soal istilah. Galat penyampelan bisa diukur dan diperkecil dengan menambah data; bias tidak. Salah mendiagnosis — mengira masalah bias bisa diobati dengan sampel lebih besar — adalah salah satu kekeliruan termahal dalam riset.

Dua Jenis Meleset

Bayangkan menembak sasaran. Ada dua cara tembakan bisa “gagal”:

• Tembakan berserak ke segala arah, tetapi kalau dirata-rata jatuh tepat di pusat. Setiap tembakan meleset, tetapi tidak ada arah yang dipilih. Tambah banyak tembakan, rata-ratanya makin mendekati pusat. Ini galat penyampelan.
• Tembakan menggumpal rapat, tetapi semuanya melenceng ke pojok yang sama. Konsisten, terarah, dan menambah tembakan tidak menggeser gumpalan itu kembali ke pusat. Ini bias.

Perhatikan: animasi di bawah memutar kedua skenario itu berdampingan.

Papan kiri (tanpa bias) menebar peluru acak mengelilingi pusat; tanda silang “rata-rata tembakan” jatuh nyaris persis di pusat sasaran — itulah nilai sebenarnya yang kita kejar. Papan kanan (bias) justru menembak rapat dan presisi, tetapi seluruh gumpalan melenceng ke kanan-atas, sehingga rata-ratanya pun melenceng. Inilah inti pembedanya: galat penyampelan meleset acak dan mengecil saat data bertambah; bias meleset terarah dan bertahan berapa pun banyaknya data. Sampel besar mengencangkan sebaran (galat kecil), tetapi tidak pernah menggeser gumpalan yang sudah salah arah.

Ringkasnya dalam satu tabel:

Pegangan utama: galat penyampelan bisa dihitung dan diperkecil dengan menambah data. Bias tidak. Sampel berjumlah jutaan yang biasnya parah tetap menghasilkan jutaan data yang salah arah.

Galat Penyampelan: Meleset karena Hanya Sebagian

Galat penyampelan (sampling error) adalah variasi acak yang muncul semata-mata karena kita memeriksa sampel, bukan seluruh populasi. Kalau kita menanyai 1.200 pemilih alih-alih 100 juta, angka yang kita peroleh pasti sedikit berbeda dari angka populasi sesungguhnya — bukan karena ada yang keliru, melainkan karena setiap kelompok 1.200 orang yang berbeda akan memberi angka yang sedikit berbeda.

Galat ini selalu ada di setiap penarikan kesimpulan dari sampel, dan kabar baiknya: ia bisa diukur.

Menghitung galat penyampelan untuk proporsi

Untuk sebuah proporsi (persentase yang menjawab “ya”, mendukung calon tertentu, dan sebagainya), galat baku dihitung dengan:

$$SE = \sqrt{\frac{\hat{p}\,(1 - \hat{p})}{n}}$$

Penjelasan tiap lambang:

• $\hat{p}$ (dibaca “p-topi”) = proporsi pada sampel — misalnya 0,52 kalau 52 persen responden mendukung calon X.
• $1 - \hat{p}$ = proporsi sisanya — yang tidak mendukung; kalau $\hat{p} = 0{,}52$ maka $1 - \hat{p} = 0{,}48$.
• $n$ = banyak responden dalam sampel.
• $SE$ = galat baku, yaitu seberapa jauh proporsi sampel khasnya bergoyang dari proporsi populasi sebenarnya.

(Untuk rata-rata — bukan proporsi — galat bakunya $SE = s/\sqrt{n}$; rinciannya ada di Teorema Limit Pusat.)

Dari galat baku, kita peroleh margin galat — lebar separuh selang keyakinan:

$$\text{margin galat} = z \times SE$$

dengan $z = 1{,}96$ untuk tingkat keyakinan 95 persen (angka ini berasal dari distribusi normal; untuk sekarang terima saja bahwa 1,96 memetik 95 persen tengah).

Contoh hitung dari nol

Sebuah jajak pendapat menanyai $n = 1.200$ pemilih; sebanyak 52 persen menyatakan mendukung calon X, jadi $\hat{p} = 0{,}52$.

Langkah 1 — hitung galat baku:

$$SE = \sqrt{\frac{0{,}52 \times 0{,}48}{1.200}} = \sqrt{\frac{0{,}2496}{1.200}} = \sqrt{0{,}000208} \approx 0{,}0144$$

Jadi galat bakunya sekitar 1,44 persen.

Langkah 2 — hitung margin galat 95 persen:

$$\text{margin galat} = 1{,}96 \times 0{,}0144 \approx 0{,}0283 = 2{,}83\%$$

Langkah 3 — bentuk selang keyakinan: ambil $\hat{p}$ lalu kurangi dan tambah margin galatnya:

$$52\% \pm 2{,}83\% \;\Rightarrow\; [49{,}2\%;\ 54{,}8\%]$$

Tafsirnya: dukungan calon X di populasi mungkin sebenarnya 50 persen, mungkin 54 persen — kita tidak tahu pasti dari satu sampel. Tetapi cara ini menghasilkan selang yang, dalam 95 dari 100 jajak pendapat serupa, memuat nilai sebenarnya. Inilah galat penyampelan yang sudah dikuantifikasi — bukan dihilangkan, melainkan dilaporkan jujur.

Kenapa galat penyampelan mengecil saat n membesar

Lihat penyebut $n$ di dalam akar. Memperbesar $n$ memperkecil seluruh pecahan, sehingga $SE$ mengecil. Tetapi karena ada akar kuadrat, hubungannya tidak satu-banding-satu: untuk menyetengahkan galat baku, Anda perlu empat kali lipat data.

Ambil proporsi $\hat{p} = 0{,}5$ (kasus paling melebar) dan lihat polanya:

Setiap kali $n$ dilipat-empatkan (100 → 400 → 1.600), galat bakunya tepat separuh. Itulah makna “menyusut dengan $\sqrt{n}$”: galat tidak hilang, hanya mengecil — dan mengecilnya makin lambat. Inilah perbedaan tajam dengan bias, yang tidak mengecil sama sekali.

Bias: Meleset yang Tidak Tersembuhkan oleh Data

Bias adalah penyimpangan sistematis dari nilai sebenarnya. Sistematis berarti arahnya konsisten — estimasi kita cenderung selalu terlalu tinggi, atau selalu terlalu rendah, bukan acak ke kedua sisi. Karena arahnya tetap, menambah data hanya menambah data yang sama-sama miringnya. Gumpalan di papan kanan animasi tadi tidak bergeser ke pusat betapa pun banyak peluru ditembakkan.

Bias hampir selalu masuk lewat cara sampel dikumpulkan atau cara pertanyaan diajukan. Berikut tujuh sumber yang paling sering muncul, masing-masing dengan contoh konkret.

Bias seleksi — sampel tidak mewakili populasi karena cara memilihnya pilih kasih. Jajak pendapat daring otomatis melewatkan orang yang tidak punya akses internet (cenderung lebih tua, di pedesaan, berpendapatan rendah). Hasilnya condong ke profil pengguna internet — dan itu konsisten, bukan kebetulan.

Bias nonrespons — orang yang menolak menjawab berbeda secara sistematis dari yang bersedia. Survei kepuasan di pusat perbelanjaan: pelanggan yang kecewa cenderung pergi tanpa mengisi, sementara yang puas lebih ramah mengisi. Akibatnya skor kepuasan tampak lebih tinggi daripada kenyataan.

Bias sukarelawan — yang ikut atas kemauan sendiri punya pendapat yang lebih kuat daripada rata-rata. Jajak pendapat “ketik REG kirim ke 1234” atau polling daring yang bisa diisi siapa saja: yang repot-repot ikut biasanya yang punya kepentingan atau emosi besar pada isu itu, sehingga hasilnya melebih-lebihkan sikap ekstrem.

Bias keterselamatan (survivorship bias) — kita hanya melihat yang “selamat” dan lupa yang gugur tak terlihat. Mempelajari rahasia sukses dengan hanya memeriksa perusahaan rintisan yang berhasil — sementara ribuan yang bangkrut tidak masuk data — membuat tingkat keberhasilan tampak jauh lebih tinggi daripada nyatanya.

Bias jawaban (response bias) — responden tidak menjawab jujur. Pada survei pendapatan orang cenderung melaporkan lebih rendah; pada survei jam belajar atau aktivitas baik, cenderung melaporkan lebih tinggi. Arahnya bisa ditebak, jadi sistematis.

Bias ingatan (recall bias) — responden lupa atau salah mengingat. Pertanyaan “berapa kali Anda makan di luar bulan lalu?” menghasilkan angka yang kabur, dan kekaburannya sering condong satu arah (cenderung kurang-ingat kejadian yang biasa-biasa saja).

Bias kata pertanyaan — cara pertanyaan dibingkai menggiring jawaban. “Apakah Anda setuju bahwa korupsi adalah masalah serius?” menggiring ke “setuju”. “Mendukung perang?” akan beda hasilnya dengan “Mendukung intervensi militer demi menegakkan demokrasi?”, padahal menanyakan hal yang sama. Pewawancara yang menyiratkan jawaban “benar” lewat nada atau bahasa tubuh menimbulkan masalah serupa.

Pelajaran sejarah: Literary Digest 1936

Pada Pemilihan Presiden Amerika 1936, majalah Literary Digest mengirim kartu jajak pendapat dan menerima sekitar 2,4 juta balasan — sampel raksasa untuk ukuran zaman itu. Mereka memprediksi Alf Landon menang telak. Hasil sebenarnya: Franklin Roosevelt menang telak.

Apa yang salah? Daftar nama diambil dari direktori telepon, catatan kepemilikan mobil, dan langganan majalah — pada 1936, ketiganya menandai orang berpunya, yang condong memilih Landon. Itu bias seleksi. Ditambah bias nonrespons: pendukung Landon lebih bersemangat membalas kartu. Dua bias bekerja searah, dan sampel 2,4 juta yang bias justru menghasilkan ramalan yang terbalik total.

Pelajarannya tegas: ukuran sampel tidak menyembuhkan bias. Sampel kecil yang dipilih acak jauh lebih bisa dipercaya daripada sampel raksasa yang miring.

Cara Memilih Mitigasi yang Tepat

Karena kedua jenis kesalahan berbeda sifat, obatnya pun berbeda. Salah satu pertanda pemahaman yang matang adalah memberi obat yang sesuai dengan penyakitnya.

Untuk galat penyampelan (acak, terukur):

• Tambah ukuran sampel $n$ — cara paling langsung, walau hasilnya tunduk pada hukum $\sqrt{n}$ (empat kali data untuk separuh galat).
• Pakai penyampelan berstrata — biasanya memberi presisi lebih tinggi daripada penyampelan acak sederhana pada ukuran sampel yang sama.
• Selalu laporkan galat baku dan selang keyakinan, bukan satu angka telanjang.

Untuk bias (sistematis, tak tersembuhkan oleh data):

• Penyampelan acak dari kerangka yang lengkap — pertahanan utama melawan bias seleksi.
• Pantau angka nonrespons; bila tinggi, timbang ulang data atau setidaknya laporkan terus terang.
• Survei lintas-cara (gabungan daring, telepon, tatap muka) agar tidak ada satu kelompok yang seluruhnya terlewat.
• Uji-coba kuesioner lebih dulu untuk menjaring pertanyaan yang menggiring.
• Tutup hipotesis dari pewawancara agar mereka tidak tanpa sadar menggiring jawaban.
• Validasi dengan tolok ukur luar — bandingkan hasil dengan data resmi yang independen.
• Praregistrasi rencana analisis untuk mencegah bias konfirmasi (memetik hanya data yang mendukung dugaan; lihat Nilai-p).

Cek Pemahaman

1. Sebuah survei daring tentang kepuasan layanan internet mengumpulkan 50.000 responden dan menyimpulkan 90 persen pengguna puas. Apakah masalah utamanya galat penyampelan atau bias? Apa obatnya?

Lihat jawaban

Masalah utamanya bias, bukan galat penyampelan. Survei daring tentang layanan internet otomatis hanya menjaring orang yang internetnya berfungsi cukup baik untuk mengisi survei — mereka yang layanannya buruk atau putus tidak akan terwakili. Ini bias seleksi yang searah (melebih-lebihkan kepuasan). Angka 50.000 yang besar tidak menolong sama sekali — justru memberi rasa percaya diri palsu. Obatnya bukan menambah responden, melainkan memperbaiki cara pengambilan data: pakai kerangka sampel yang juga menjangkau pelanggan bermasalah (misalnya menelepon daftar pelanggan acak, termasuk yang sedang gangguan).

2. Sebuah jajak pendapat dengan $n = 625$ menghasilkan proporsi pendukung $\hat{p} = 0{,}40$. Hitung galat baku dan margin galat 95 persennya dari nol.

Lihat jawaban

Galat baku: $SE = \sqrt{\dfrac{0{,}40 \times 0{,}60}{625}} = \sqrt{\dfrac{0{,}24}{625}} = \sqrt{0{,}000384} \approx 0{,}0196$, yaitu sekitar 1,96 persen.

Margin galat 95 persen: $1{,}96 \times 0{,}0196 \approx 0{,}0384 = 3{,}84\%$.

Jadi selang keyakinannya $40\% \pm 3{,}84\%$, yakni kira-kira $[36{,}2\%;\ 43{,}8\%]$.

3. (Penerapan) Anda punya dua pilihan untuk jajak pendapat Pilkada dengan anggaran sama: (a) sampel acak 800 orang, atau (b) sampel “siapa saja yang mau mengisi formulir daring” sebanyak 8.000 orang. Mana yang lebih bisa dipercaya, dan kenapa?

Lihat jawaban

Pilihan (a), sampel acak 800 orang, lebih bisa dipercaya — meski jumlahnya sepuluh kali lebih kecil. Pilihan (b) mengidap bias sukarelawan dan bias seleksi: hanya orang yang punya internet dan cukup bersemangat untuk mengisi yang masuk, dan kelompok itu sistematis berbeda dari pemilih umum. Angka 8.000 hanya memperkecil galat penyampelan, tetapi sama sekali tidak menyentuh biasnya — persis kesalahan Literary Digest 1936. Sampel acak 800 punya galat penyampelan yang sedikit lebih besar (terukur, sekitar ±3,5 poin), tetapi tidak bias — dan galat yang terukur jauh lebih baik daripada bias yang tak terlihat.

Excel Pendamping

⬇ Unduh 08-bias-dan-sampling-error.xlsx

Berkas pendamping memuat tabel pembanding bias versus galat penyampelan, daftar tujuh sumber bias beserta contohnya, kalkulator galat baku dan margin galat untuk proporsi, serta daftar periksa mitigasi.

Kesalahan Umum

Mengira sampel besar berarti bebas bias. Literary Digest punya 2,4 juta data tetapi meleset total karena biasnya parah. Ukuran sampel hanya menyembuhkan galat penyampelan, tidak pernah menyembuhkan bias.

Mengira galat baku itu bias. Galat baku mengukur sebaran acak; bias mengukur kesalahan terarah. Keduanya beda fundamental dan butuh obat berbeda — menambah data untuk yang pertama, memperbaiki metode untuk yang kedua.

Melewatkan analisis nonrespons. Selalu catat berapa persen yang menolak menjawab dan, kalau bisa, periksa apakah mereka berbeda dari yang menjawab. Angka nonrespons yang tinggi adalah lampu kuning bias.

Memakai sampel seadanya untuk klaim populasi. Sampel “siapa yang kebetulan ada” (convenience sample) berisiko tinggi bias seleksi. Boleh untuk uji-coba awal, tidak untuk kesimpulan resmi tentang populasi.

Melaporkan estimasi tanpa menyebut sumber bias. Selalu jelaskan cara sampel diambil dan akui kemungkinan sumber bias. Keterbukaan ini mencegah pembaca salah memanfaatkan angka Anda.

Dipakai di Dunia Nyata

• Lembaga survei dan jajak pendapat. Margin galat ±2–3 poin yang Anda lihat di berita pemilu adalah galat penyampelan yang dilaporkan terbuka; pekerjaan tersulit lembaga justru menekan bias lewat kerangka sampel yang lengkap dan penimbangan ulang.
• Uji klinis obat. Penyampelan acak terkendali (randomized controlled trial) ada justru untuk membunuh bias seleksi: pasien dibagi ke kelompok obat dan plasebo secara acak agar tidak ada kelompok yang sistematis lebih sehat.
• Riset pasar. Survei kepuasan pelanggan rentan bias nonrespons; perusahaan yang serius melacak siapa yang tidak menjawab, bukan hanya yang menjawab.
• Riset akademik. Praregistrasi dan publikasi hasil yang nihil dipakai untuk melawan bias keterselamatan dan bias konfirmasi di literatur ilmiah.

Lanjutan

Bias dan galat penyampelan adalah dua hal yang harus diawasi seumur hidup seorang peneliti. Rancangan sampel yang baik menekan bias; ukuran sampel yang cukup menekan galat. Keduanya harus dipikirkan sebelum data dikumpulkan, bukan setelah.

• Balik ke Metode penyampelan untuk teknik mengambil sampel yang menghindari bias seleksi.
• Lanjut ke Teorema Limit Pusat — fondasi di balik rumus galat baku.
• Lalu ke Selang Keyakinan untuk mengubah galat penyampelan menjadi selang yang bisa dilaporkan.