SlideShare a Scribd company logo
1 of 18
POLTEK SURABAYA
  METODOLOGI PENELITIAN
         Pertemuan V
        POPULASI
METODOLOGI PENELITIAN
Sifat Populasi Yang Dicari
  Sampling dilakukan untuk mengadakan estimasi terhadap
  parameter populasi. Misalkan populasinya adalah luas sawah di
  Jawa Timur, maka secara statistik dari sample tersebut,
  dilakukan estimasi perhitungan terhadap parameter yang
  penting, yaitu;
  (1) Mean (rata-rata luas sawah);
  (2) Rasio antara dua total atau dua mean;
  (3) Proporsi yaitu bagian dari unit yang termasuk dalam
  katagori tertentu;
  (4) Variance.
METODOLOGI PENELITIAN
Estimasi Terhadap Mean dan Total Populasi
   Jika sample yang besarnya “n” ditarik secara random
   dari populasi yang beranggotakan “N”, maka estimasi
   terhadap mean populasi dan variance populasi adalah
   sbb:
Mean                           Variance dari X

        n

       ∑                            s2  N − n 
        X       i
                            V ( x) =          
  X =   i
                                    n N 
            n
METODOLOGI PENELITIAN
                             ∑( X            )
Dimana                                           2
                                    i   −X
                   s   2
                           =
                                n −1
Bound Error Estimasi

                                          s ( N − n) 2
                             2 V ( x) = 2
                                          n (N )
Dan      N −n
          N
   adalah finite population correction (fpc), jika besarnya sample relatif kecil
   dibandingkan populasi, maka fpc dianggap = 1, dan tidak perlu ditulis.
METODOLOGI PENELITIAN
Contoh :
  Sebuah sample yang besarnya 9 ditarik dari populasi umur dosen sebuah
  universitas negeri yang berjumlah 484. Berapa rata-rata umur dosen
  universitas tersebut jika data observasi sample sbb;


 No         Xi       Umur (th)            5.         X5          40,0
 1.         X1         33,5               6.         X6          41,0
 2.         X2         32,0               7.         X7          45,0
 3.         X3         52,0               8.         X8          42,5
 4.         X4         43,0               9.         X9          39,0
No.       Xi           Xi2         (Xi-X)       (Xi-X)2
   1       33,5        1122,3        -7,39        54,60
   2       32,0        1024,0        -8,89        79,01
   3       52,0        2704,0        11,11        123,46
   4       43,0        1849,0        2,11          4,46
   5       40,0        1600,0        -0,89         0,79
   6       41,0        1681,0        0,11          0,01
   7       45,0        2025,0        4,11         16,90
   8       42,5        1806,3        1,61          2,60
   9       39,0        1521,0        -1,89         3,57
 Total     368,0       15332,5                    285,39
   n        9,0                                       
   N       484                                 
Mean X     40,89                                      
   s2      35,67                               
  fpc      0,98                                
B of Err   3,94                                
METODOLOGI PENELITIAN
Kesimpulan contoh 1
2.   Estimasi rata-rata/mean umur dari Dosen universitas negeri
     tersebut adalah 40, 89 tahun
3.   Kemungkinan estimasi terjadinya penyimpangan kesalahan/
     error adalah 3,94 tahun.
METODOLOGI PENELITIAN
Estimasi Total Populasi
                                                       N∑Xi
                                  T = N .X =
                                                            n
Variance dari Estimasi Total Populasi
                                                              s 2  N − n 
                                 V (T ) = V ( N . X ) = N 2 .  
                                                             n N 
                                                                         
Bound of Error

                                      s 2  N − n 
                  2 V ( NX ) = 2 N 2  
                                     n N 
                                                 
METODOLOGI PENELITIAN
Contoh :
Sebuah kampung dengan 750 orang petani karet ingin diestimasikan total luas
tanaman karetnya. Sebuah sample yang besarnya 50 ditarik secara random dan dari
sample tersebut didapat rata luas kebun karet per petani adalah 10,31 ha dengan
variance sample s2 = 2,25 ha. Berapa total luas kebun karetnya?

n = 50; N = 750; X = 10,31; s2 = 2,25
Total luas kebun karet :    T = N .X
= 750 x 10,31 = 7.732,50 ha
Bound of Error :
                                   s 2  N − n 
                  2 V ( T ) = 2 N  
                                  2
                                  n N 
                                              
METODOLOGI PENELITIAN
                      2,25   750 − 50 
2 V ( T ) = 2 ( 750) 
                    2
                                        = 2 23,625 = 307,5ha
                      50   750 

Kesimpulan :
Total luas kebun karet adalah 7732,50 ha dan kita percaya bahwa
error dari estimasi tersebut kurang dari 307,40 ha.
Besarnya Sample
Dalam melaksanakan survey, besarnya sample harus menjadi perhatian, karena
terlalu besar sample adalah pemborosan biaya, tenaga dan waktu, sebaliknya
terlalu kecil sample dapat menyebabkan besarnya penyimpangan (error)
METODOLOGI PENELITIAN
     Ada pertanyaan yang menjadi pertimbangan menentukan
     besarnya sample
2.   Berapa derajad ketepatan yang diinginkan?
     Misalnya 0,5 ha untuk rata-rata luas 4 ha, berarti kita masih bisa
     menerima pada range 3,5 ha s/d 4,5 ha.
4.   Berapa persen benar kita baru bisa menerima derajad ketepatan
     tersebut?
     apakah 95 %, yang berarti kita menerima derajad ketepatan
     tersebut dengan error 5%.
     Setelah terjawab dua pertanyaan tersebut barulah bisa ditentukan
     besarnya sample yang tepat dengan memecahkan persamaan
     bound of error yang sudah diketahui sebagaimana di atas.
METODOLOGI PENELITIAN
                    σ 2  N − n 
2 V ( NX ) = 2 N 2  
                    n  N =B
                               

        Nσ    2
n=
   ( N − 1) D + σ 2



                      B2
 Dimana :         D=
                     4N 2
METODOLOGI PENELITIAN
Contoh :
Seorang ingin mengetahui total berat anak ayam umur 4 minggu yang
jumlahnya 1000 ekor. Ingin ditarik sebuah sample dengan syarat bound of error
estimasi sama dengan 1000 gram. Dari pengalaman dengan penelitian
sebelumnya, juga diketahui variance populasi adalah 36,5 gram. Berapa
besarnya sample?
Jawabannya :
σ2 = 36,5
             B2      1000 2
         D=       =            = 0,25
                    4(1000 )
                2            2
            4N
METODOLOGI PENELITIAN
         Nσ          2
n=                 =
   ( N −1) D +σ  2


  1000(36,5)
                 =125,025
999( 0,25) +36,5
Semakin besar Bound of Error semakin kecil
Samplenya dan sebaliknya
METODOLOGI PENELITIAN
ESTIMASI PROPORSI POPULASI
 Adakalanya dalam survey data yang ingin diketahui adalah proporsi dari
 populasinya, maka sample dibedakan atas sifat DIINGINI dan TIDAK
 DIINGINI yang berturut-turut ditulis sebagai 1 dan 0
 Untuk sample n, maka proporsi sampel adalah p
 Estimator dari Proporsi populasi
                                     p=
                                        ∑X        i

                                              n
 Sedangkan Variance


                               ( )
                            V p =
                                          (
                                  p 1− p  N − n 
                                                
                                                      )
                                   n −1  N 
METODOLOGI PENELITIAN
Besarnya Sampel untuk mengestimasikan Proporsi dapat dicari
sebagaimana mendapatkan besarnya sampel untuk
mengestimasikan mean populasi


 n=
         N. p 1− p  (         )
    ( N −1) D + p 1 − p   (        )
 Dimana
                 B2
              D=
                 4
METODOLOGI PENELITIAN
Bound of Error Estimasi


  B=2 V p =2    ( )       (
             p 1− p  N − n 
                           
                              )
              n −1  N 
METODOLOGI PENELITIAN
     Cukup Sekian Dulu

More Related Content

What's hot

Distribusi probabilitas-diskrit-poisson
Distribusi probabilitas-diskrit-poissonDistribusi probabilitas-diskrit-poisson
Distribusi probabilitas-diskrit-poisson
Narwan Ginanjar
 
Distribusi t sudent
Distribusi t sudentDistribusi t sudent
Distribusi t sudent
Devandy Enda
 
Met num3 persnonl-inier_baru
Met num3 persnonl-inier_baruMet num3 persnonl-inier_baru
Met num3 persnonl-inier_baru
Alen Pepa
 
00 kuliah-03-01-distribusi-probabilitas-diskret-teoritis
00 kuliah-03-01-distribusi-probabilitas-diskret-teoritis00 kuliah-03-01-distribusi-probabilitas-diskret-teoritis
00 kuliah-03-01-distribusi-probabilitas-diskret-teoritis
Raden Maulana
 
Met num3 persnonl-inier_baru
Met num3 persnonl-inier_baruMet num3 persnonl-inier_baru
Met num3 persnonl-inier_baru
Alvin Setiawan
 
Presentasi distribusi poisson
Presentasi distribusi poissonPresentasi distribusi poisson
Presentasi distribusi poisson
Wulan_Ari_K
 

What's hot (19)

Tugas i statin lanjutan rahmi elviana 1620932015
Tugas i statin lanjutan   rahmi elviana 1620932015Tugas i statin lanjutan   rahmi elviana 1620932015
Tugas i statin lanjutan rahmi elviana 1620932015
 
Distribusi probabilitas-diskrit-poisson
Distribusi probabilitas-diskrit-poissonDistribusi probabilitas-diskrit-poisson
Distribusi probabilitas-diskrit-poisson
 
Distribusi t sudent
Distribusi t sudentDistribusi t sudent
Distribusi t sudent
 
Met num3 persnonl-inier_baru
Met num3 persnonl-inier_baruMet num3 persnonl-inier_baru
Met num3 persnonl-inier_baru
 
00 kuliah-03-01-distribusi-probabilitas-diskret-teoritis
00 kuliah-03-01-distribusi-probabilitas-diskret-teoritis00 kuliah-03-01-distribusi-probabilitas-diskret-teoritis
00 kuliah-03-01-distribusi-probabilitas-diskret-teoritis
 
Distribusi binomial, poisson dan normal
Distribusi binomial, poisson dan normalDistribusi binomial, poisson dan normal
Distribusi binomial, poisson dan normal
 
Distribusi teoretis
Distribusi teoretisDistribusi teoretis
Distribusi teoretis
 
Modul statistika-ii-part-2
Modul statistika-ii-part-2Modul statistika-ii-part-2
Modul statistika-ii-part-2
 
Tugas statistik
Tugas statistikTugas statistik
Tugas statistik
 
Met num3 persnonl-inier_baru
Met num3 persnonl-inier_baruMet num3 persnonl-inier_baru
Met num3 persnonl-inier_baru
 
Met num3 persnonl-inier_baru
Met num3 persnonl-inier_baruMet num3 persnonl-inier_baru
Met num3 persnonl-inier_baru
 
13.analisa korelasi
13.analisa korelasi13.analisa korelasi
13.analisa korelasi
 
Probstat ekpektasi matematika (kelompok2)
Probstat ekpektasi matematika (kelompok2)Probstat ekpektasi matematika (kelompok2)
Probstat ekpektasi matematika (kelompok2)
 
Statistik pengukuran instrumen reliabilitas
Statistik    pengukuran instrumen reliabilitasStatistik    pengukuran instrumen reliabilitas
Statistik pengukuran instrumen reliabilitas
 
statistika ekonomi 2 DISTRIBUSI TEORITIS
statistika ekonomi 2 DISTRIBUSI TEORITISstatistika ekonomi 2 DISTRIBUSI TEORITIS
statistika ekonomi 2 DISTRIBUSI TEORITIS
 
7.distribusi binomial
7.distribusi binomial7.distribusi binomial
7.distribusi binomial
 
42514 persamaan non linier
42514 persamaan non linier42514 persamaan non linier
42514 persamaan non linier
 
Presentasi distribusi poisson
Presentasi distribusi poissonPresentasi distribusi poisson
Presentasi distribusi poisson
 
Minggu 4
Minggu 4Minggu 4
Minggu 4
 

Viewers also liked (9)

Inf
InfInf
Inf
 
Lettera giovi vs regione lazio
Lettera giovi vs regione lazioLettera giovi vs regione lazio
Lettera giovi vs regione lazio
 
inf
infinf
inf
 
Hal dasar dalam_akuntansi
Hal dasar dalam_akuntansiHal dasar dalam_akuntansi
Hal dasar dalam_akuntansi
 
Presentazione ofnews
Presentazione ofnewsPresentazione ofnews
Presentazione ofnews
 
Mission Vision
Mission VisionMission Vision
Mission Vision
 
Accident Seat
Accident SeatAccident Seat
Accident Seat
 
Fra trykt til utrygt: Dag Erlend Lohne Mohn
Fra trykt til utrygt: Dag Erlend Lohne MohnFra trykt til utrygt: Dag Erlend Lohne Mohn
Fra trykt til utrygt: Dag Erlend Lohne Mohn
 
Japan Economy
Japan EconomyJapan Economy
Japan Economy
 

Similar to Metode penelitian v

Statistik 1 3 dispersi
Statistik 1 3 dispersiStatistik 1 3 dispersi
Statistik 1 3 dispersi
Selvin Hadi
 
01. rancob fp unsam pertemuan ketiga dan seterusnya 2011
01. rancob fp unsam pertemuan ketiga dan seterusnya 201101. rancob fp unsam pertemuan ketiga dan seterusnya 2011
01. rancob fp unsam pertemuan ketiga dan seterusnya 2011
Ir. Zakaria, M.M
 
Fp unsam 2009 bab iii distribusi sampling
Fp unsam 2009 bab iii distribusi samplingFp unsam 2009 bab iii distribusi sampling
Fp unsam 2009 bab iii distribusi sampling
Ir. Zakaria, M.M
 
Fp unsam 2009 sampling dan-distribusi-sampling
Fp unsam 2009 sampling dan-distribusi-samplingFp unsam 2009 sampling dan-distribusi-sampling
Fp unsam 2009 sampling dan-distribusi-sampling
Ir. Zakaria, M.M
 
Ppt hipotesis benar
Ppt hipotesis benarPpt hipotesis benar
Ppt hipotesis benar
diamarsella
 
Statistik 1 9 uji hipothesis dua sampel
Statistik 1 9 uji hipothesis dua sampelStatistik 1 9 uji hipothesis dua sampel
Statistik 1 9 uji hipothesis dua sampel
Selvin Hadi
 

Similar to Metode penelitian v (20)

Metode penelitian v
Metode penelitian vMetode penelitian v
Metode penelitian v
 
Distribusi sampling
Distribusi samplingDistribusi sampling
Distribusi sampling
 
Statistik 1 3 dispersi
Statistik 1 3 dispersiStatistik 1 3 dispersi
Statistik 1 3 dispersi
 
Teori penaksiran1
Teori penaksiran1Teori penaksiran1
Teori penaksiran1
 
01. rancob fp unsam pertemuan ketiga dan seterusnya 2011
01. rancob fp unsam pertemuan ketiga dan seterusnya 201101. rancob fp unsam pertemuan ketiga dan seterusnya 2011
01. rancob fp unsam pertemuan ketiga dan seterusnya 2011
 
Analisis korelasi linier sederhana
Analisis korelasi linier sederhanaAnalisis korelasi linier sederhana
Analisis korelasi linier sederhana
 
Ukuran Letak Data kuartil dan beberapa pembagian lainnya
Ukuran Letak Data  kuartil  dan  beberapa pembagian  lainnyaUkuran Letak Data  kuartil  dan  beberapa pembagian  lainnya
Ukuran Letak Data kuartil dan beberapa pembagian lainnya
 
Fp unsam 2009 bab iii distribusi sampling
Fp unsam 2009 bab iii distribusi samplingFp unsam 2009 bab iii distribusi sampling
Fp unsam 2009 bab iii distribusi sampling
 
Central tendency
Central tendencyCentral tendency
Central tendency
 
Fp unsam 2009 sampling dan-distribusi-sampling
Fp unsam 2009 sampling dan-distribusi-samplingFp unsam 2009 sampling dan-distribusi-sampling
Fp unsam 2009 sampling dan-distribusi-sampling
 
APG Pertemuan 5 : Inferensia Vektor Rata-rata
APG Pertemuan 5 : Inferensia Vektor Rata-rataAPG Pertemuan 5 : Inferensia Vektor Rata-rata
APG Pertemuan 5 : Inferensia Vektor Rata-rata
 
ANALISIS REGRESI LINIER BERGANDA DAN PENGUJIAN ASUMSI RESIDUAL
ANALISIS REGRESI LINIER BERGANDA DAN PENGUJIAN ASUMSI RESIDUALANALISIS REGRESI LINIER BERGANDA DAN PENGUJIAN ASUMSI RESIDUAL
ANALISIS REGRESI LINIER BERGANDA DAN PENGUJIAN ASUMSI RESIDUAL
 
Ek107 122215-838-11
Ek107 122215-838-11Ek107 122215-838-11
Ek107 122215-838-11
 
Bab 6 uji beda
Bab 6 uji bedaBab 6 uji beda
Bab 6 uji beda
 
APG Pertemuan 6 : Inferensia Dua Vektor Rata-rata
APG Pertemuan 6 : Inferensia Dua Vektor Rata-rataAPG Pertemuan 6 : Inferensia Dua Vektor Rata-rata
APG Pertemuan 6 : Inferensia Dua Vektor Rata-rata
 
Uji perbedaan uji t
Uji perbedaan uji tUji perbedaan uji t
Uji perbedaan uji t
 
Stat d3 3
Stat d3 3Stat d3 3
Stat d3 3
 
Minggu 11_Teknik Analisis Komparasi
Minggu 11_Teknik Analisis KomparasiMinggu 11_Teknik Analisis Komparasi
Minggu 11_Teknik Analisis Komparasi
 
Ppt hipotesis benar
Ppt hipotesis benarPpt hipotesis benar
Ppt hipotesis benar
 
Statistik 1 9 uji hipothesis dua sampel
Statistik 1 9 uji hipothesis dua sampelStatistik 1 9 uji hipothesis dua sampel
Statistik 1 9 uji hipothesis dua sampel
 

More from Stevie Principe (20)

Laporan kerja praktek
Laporan kerja praktekLaporan kerja praktek
Laporan kerja praktek
 
Contoh proposalskripsi
Contoh proposalskripsiContoh proposalskripsi
Contoh proposalskripsi
 
Rs sisflow
Rs sisflowRs sisflow
Rs sisflow
 
Rs sisflow
Rs sisflowRs sisflow
Rs sisflow
 
Payroll
PayrollPayroll
Payroll
 
Rekrutmen and seleksi
Rekrutmen and seleksiRekrutmen and seleksi
Rekrutmen and seleksi
 
Payroll
PayrollPayroll
Payroll
 
Payroll
PayrollPayroll
Payroll
 
Payroll
PayrollPayroll
Payroll
 
Payroll
PayrollPayroll
Payroll
 
Payroll
PayrollPayroll
Payroll
 
Payroll
PayrollPayroll
Payroll
 
20100325 1 pengenalankonsepimk
20100325 1 pengenalankonsepimk20100325 1 pengenalankonsepimk
20100325 1 pengenalankonsepimk
 
Chapter1 introduction to hci
Chapter1 introduction to hciChapter1 introduction to hci
Chapter1 introduction to hci
 
4 piranti interaktif - new
4   piranti interaktif - new4   piranti interaktif - new
4 piranti interaktif - new
 
3 interface metaphors dan model konseptual-donz
3   interface metaphors dan model konseptual-donz3   interface metaphors dan model konseptual-donz
3 interface metaphors dan model konseptual-donz
 
1 pengenalan-konsep-imk
1 pengenalan-konsep-imk1 pengenalan-konsep-imk
1 pengenalan-konsep-imk
 
Penulisan syntax vb
Penulisan syntax vbPenulisan syntax vb
Penulisan syntax vb
 
Fungsi string vb
Fungsi string vbFungsi string vb
Fungsi string vb
 
Fungsi date vb
Fungsi date vbFungsi date vb
Fungsi date vb
 

Metode penelitian v

  • 1. POLTEK SURABAYA METODOLOGI PENELITIAN Pertemuan V POPULASI
  • 2. METODOLOGI PENELITIAN Sifat Populasi Yang Dicari Sampling dilakukan untuk mengadakan estimasi terhadap parameter populasi. Misalkan populasinya adalah luas sawah di Jawa Timur, maka secara statistik dari sample tersebut, dilakukan estimasi perhitungan terhadap parameter yang penting, yaitu; (1) Mean (rata-rata luas sawah); (2) Rasio antara dua total atau dua mean; (3) Proporsi yaitu bagian dari unit yang termasuk dalam katagori tertentu; (4) Variance.
  • 3. METODOLOGI PENELITIAN Estimasi Terhadap Mean dan Total Populasi Jika sample yang besarnya “n” ditarik secara random dari populasi yang beranggotakan “N”, maka estimasi terhadap mean populasi dan variance populasi adalah sbb: Mean Variance dari X n ∑ s2  N − n  X i V ( x) =   X = i n N  n
  • 4. METODOLOGI PENELITIAN ∑( X ) Dimana 2 i −X s 2 = n −1 Bound Error Estimasi s ( N − n) 2 2 V ( x) = 2 n (N ) Dan N −n N adalah finite population correction (fpc), jika besarnya sample relatif kecil dibandingkan populasi, maka fpc dianggap = 1, dan tidak perlu ditulis.
  • 5. METODOLOGI PENELITIAN Contoh : Sebuah sample yang besarnya 9 ditarik dari populasi umur dosen sebuah universitas negeri yang berjumlah 484. Berapa rata-rata umur dosen universitas tersebut jika data observasi sample sbb; No Xi Umur (th) 5. X5 40,0 1. X1 33,5 6. X6 41,0 2. X2 32,0 7. X7 45,0 3. X3 52,0 8. X8 42,5 4. X4 43,0 9. X9 39,0
  • 6. No. Xi Xi2 (Xi-X) (Xi-X)2 1 33,5 1122,3 -7,39 54,60 2 32,0 1024,0 -8,89 79,01 3 52,0 2704,0 11,11 123,46 4 43,0 1849,0 2,11 4,46 5 40,0 1600,0 -0,89 0,79 6 41,0 1681,0 0,11 0,01 7 45,0 2025,0 4,11 16,90 8 42,5 1806,3 1,61 2,60 9 39,0 1521,0 -1,89 3,57 Total  368,0 15332,5   285,39 n 9,0   N 484   Mean X 40,89   s2 35,67   fpc 0,98   B of Err 3,94      
  • 7. METODOLOGI PENELITIAN Kesimpulan contoh 1 2. Estimasi rata-rata/mean umur dari Dosen universitas negeri tersebut adalah 40, 89 tahun 3. Kemungkinan estimasi terjadinya penyimpangan kesalahan/ error adalah 3,94 tahun.
  • 8. METODOLOGI PENELITIAN Estimasi Total Populasi N∑Xi T = N .X = n Variance dari Estimasi Total Populasi  s 2  N − n  V (T ) = V ( N . X ) = N 2 .   n N     Bound of Error  s 2  N − n  2 V ( NX ) = 2 N 2   n N    
  • 9. METODOLOGI PENELITIAN Contoh : Sebuah kampung dengan 750 orang petani karet ingin diestimasikan total luas tanaman karetnya. Sebuah sample yang besarnya 50 ditarik secara random dan dari sample tersebut didapat rata luas kebun karet per petani adalah 10,31 ha dengan variance sample s2 = 2,25 ha. Berapa total luas kebun karetnya? n = 50; N = 750; X = 10,31; s2 = 2,25 Total luas kebun karet : T = N .X = 750 x 10,31 = 7.732,50 ha Bound of Error :  s 2  N − n  2 V ( T ) = 2 N   2 n N    
  • 10. METODOLOGI PENELITIAN  2,25   750 − 50  2 V ( T ) = 2 ( 750)  2   = 2 23,625 = 307,5ha  50   750  Kesimpulan : Total luas kebun karet adalah 7732,50 ha dan kita percaya bahwa error dari estimasi tersebut kurang dari 307,40 ha. Besarnya Sample Dalam melaksanakan survey, besarnya sample harus menjadi perhatian, karena terlalu besar sample adalah pemborosan biaya, tenaga dan waktu, sebaliknya terlalu kecil sample dapat menyebabkan besarnya penyimpangan (error)
  • 11. METODOLOGI PENELITIAN Ada pertanyaan yang menjadi pertimbangan menentukan besarnya sample 2. Berapa derajad ketepatan yang diinginkan? Misalnya 0,5 ha untuk rata-rata luas 4 ha, berarti kita masih bisa menerima pada range 3,5 ha s/d 4,5 ha. 4. Berapa persen benar kita baru bisa menerima derajad ketepatan tersebut? apakah 95 %, yang berarti kita menerima derajad ketepatan tersebut dengan error 5%. Setelah terjawab dua pertanyaan tersebut barulah bisa ditentukan besarnya sample yang tepat dengan memecahkan persamaan bound of error yang sudah diketahui sebagaimana di atas.
  • 12. METODOLOGI PENELITIAN  σ 2  N − n  2 V ( NX ) = 2 N 2    n  N =B    Nσ 2 n= ( N − 1) D + σ 2 B2 Dimana : D= 4N 2
  • 13. METODOLOGI PENELITIAN Contoh : Seorang ingin mengetahui total berat anak ayam umur 4 minggu yang jumlahnya 1000 ekor. Ingin ditarik sebuah sample dengan syarat bound of error estimasi sama dengan 1000 gram. Dari pengalaman dengan penelitian sebelumnya, juga diketahui variance populasi adalah 36,5 gram. Berapa besarnya sample? Jawabannya : σ2 = 36,5 B2 1000 2 D= = = 0,25 4(1000 ) 2 2 4N
  • 14. METODOLOGI PENELITIAN Nσ 2 n= = ( N −1) D +σ 2 1000(36,5) =125,025 999( 0,25) +36,5 Semakin besar Bound of Error semakin kecil Samplenya dan sebaliknya
  • 15. METODOLOGI PENELITIAN ESTIMASI PROPORSI POPULASI Adakalanya dalam survey data yang ingin diketahui adalah proporsi dari populasinya, maka sample dibedakan atas sifat DIINGINI dan TIDAK DIINGINI yang berturut-turut ditulis sebagai 1 dan 0 Untuk sample n, maka proporsi sampel adalah p Estimator dari Proporsi populasi p= ∑X i n Sedangkan Variance ( ) V p = ( p 1− p  N − n    ) n −1  N 
  • 16. METODOLOGI PENELITIAN Besarnya Sampel untuk mengestimasikan Proporsi dapat dicari sebagaimana mendapatkan besarnya sampel untuk mengestimasikan mean populasi n= N. p 1− p ( ) ( N −1) D + p 1 − p ( ) Dimana B2 D= 4
  • 17. METODOLOGI PENELITIAN Bound of Error Estimasi B=2 V p =2 ( ) ( p 1− p  N − n    ) n −1  N 
  • 18. METODOLOGI PENELITIAN Cukup Sekian Dulu