BAB III STRATIFIED CLUSTER SAMPLING
3.1
Pengertian Stratified Cluster Sampling Proses memprediksi hasil quick count sangat dipengaruhi oleh pemilihan
sampel yang dilakukan dengan metode sampling tertentu. Sampel yang baik adalah sampel yang dapat mewakili karakteristik seluruh populasi. Ketika populasi bersifat heterogen dan sangat besar, akan sulit mengambil sampel secara acak dari populasi yang heterogen, hal tersebut disebabkan oleh sampel yang diambil secara acak belum tentu mewakili setiap bagian yang heterogen dari populasi tersebut. Sedangkan ketika populasi bersifat homogen, maka sampel yang diambil secara acak dari setiap anggota populasi dapat mewakili karakteristik populasi dengan baik. Selain itu, populasi yang besar akan menyulitkan dalam membuat daftar data populasi, sehingga membutuhkan waktu dan biaya yang cukup besar. Salah satu metode sampling yang dapat digunakan untuk menghasilkan sampel yang baik dari populasi yang besar tersebut adalah metode stratified cluster sampling. Yamane (1967) menyatakan βStratified cluster sampling combines the characteristics of stratified sampling and cluster sampling. It breaks down the population into strata which are internally homogeneous, and therefore heterogeneous among one another, and clusters are selected from each stratumβ. Berdasarkan kutipan di atas, diketahui bahwa stratified cluster sampling merupakan proses pengambilan sampel yang menggabungkan karakteristik dari stratified random sampling dengan karakteristik simple cluster sampling. Pada stratified cluster sampling, populasi dikelompokkan ke dalam strata yang homogen didalamnya sehingga kelompok itu akan heterogen dengan kelompok lainnya dan proses selanjutnya yaitu pemilihan cluster dari tiap stratum. Proses pengelompokkan populasi ke dalam stratum bertujuan agar sampel yang diambil dari setiap stratum dapat merepresentasikan karakteristik populasi dengan baik. Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
26
27
Oleh karena itu, stratum harus dibentuk sehomogen mungkin dengan menganalisis karakteristik populasi dengan baik. Proses selanjutnya yaitu populasi pada masing-masing strata akan dikelompokkan ke dalam beberapa cluster. Proses ini bertujuan untuk mempermudah pengelompokkan populasi sehingga dapat mengefisiensikan waktu dan biaya yang ada. Ketika variasi yang besar terjadi pada antar stratum, pengambilan sampel di stratified cluster sampling menjadi lebih efisien. Oleh karena itu, keuntungan sampling dengan menggunakan metode stratified cluster sampling ini adalah sampling dengan metode ini akan memiliki variansi lebih kecil daripada simple cluster sampling. Terdapat tahapan-tahapan yang harus dilakukan dalam pengambilan sampel dengan menggunakan metode stratified cluster sampling, yaitu sebagai berikut: 1. Tahap pertama yaitu populasi yang berukuran N dibagi ke dalam beberapa stratum (sub populasi), dimana setiap stratum bersifat homogen (memiliki kriteria yang sama) dan masing-masing strata terdiri atas ππΌ , π2 , π3 , β¦ , ππΏ elemen. Diantara dua stratum (sub populasi) tidak boleh ada yang saling tumpang tindih sehingga π1 + π2 + π3 + β― + ππΏ = π. Setiap stratum dapat dipandang
sebagai
populasi
tersendiri
(sub
populasi).
Pada
proses
pembentukan stratum harus diperhatikan variabel apa yang akan dijadikan sebagai dasar pembentukan stratum, yaitu variabel yang memiliki korelasi tinggi dengan variabel yang diteliti. 2. Tahap kedua yaitu membagi populasi ke dalam πβ kelompok secara acak, hal ini berarti tidak ada kriteria tertentu yang mensyaratkan pembentukan suatu kelompok. πβ kelompok ini dinamakan primary sampling units (psu) atau unit sampling utama (usu). 3. Berdasarkan kelompok usu tersebut, tahapan ketiga yaitu memilih secara acak πβ kelompok yang akan dijadikan sampel. πβ kelompok sampel ini masingmasing berukuran πβπ . Selanjutnya πβ kelompok ini disebut secondary sampling units (ssu) atau unit sampling kedua (usk).
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
28
4. Selanjutnya tahap keempat adalah memilih secara acak πβπ buah dari masingmasing usk tersebut yang dinamakan kelompok ultimate (utama). 5. Pada tahap kelima, setelah memperoleh sampel, selanjutnya melakukan penaksiran terhadap parameter yang diperlukan dan membuat kesimpulan untuk populasi serta variansnya berdasarkan hasil penaksiran sampel.
3.2
Pengertian Total Populasi Pada sebuah survei selain populasi, sampel menjadi sesuatu yang sangat
penting. Oleh karena itu, hal yang dilakukan pada saat melakukan suatu survei adalah menentukan sifat-sifat, mengukur dan mencatat setiap unit dalam sampel. Sifat-sifat dari setiap unit dalam sampel ini dinamakan karakteristik populasi. Penarikan sampel mempunyai banyak tujuan, namun terdapat empat karakteristik populasi yang lebih sering digunakan (Yamane, 1967) yaitu: 1. Rata-rata populasi Rata-rata populasi adalah nilai rata-rata dari data populasi (Azhar, 2011). Rata-rata populasi dinotasikan dengan πΜ
, dan didefinisikan sebagai berikut: π
β ππ π +π +β―+π π πΜ
= 1 2π π = π=1 =π π
(3.1)
Sedangkan rata-rata sampel didefinisikan sebagai berikut: π¦Μ
=
π¦1 +π¦2 +β―+π¦π
π
=
βππ=1 π¦π π
π¦
=π
(3.2)
Penaksir dari rata-rata populasi dinotasikan dengan πΜ
Μ, dan penaksir tak bias dari rata-rata populasi adalah rata-rata sampel, dinyatakan sebagai berikut: πΜ
Μ = π¦Μ
(3.3)
Pembuktian: 1 πΈ(π¦Μ
) = πΈ [ (π¦1 + π¦2 + β― + π¦π )] π 1 = [πΈ(π¦1 ) + πΈ(π¦2 ) + β― + πΈ(π¦π )] π 1 = (ππΜ
) = πΜ
π πΈ(π¦Μ
) = πΜ
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
29
2. Jumlah populasi atau total populasi Menurut Hidayat (2013), total populasi adalah jumlah keseluruhan dari satuan-satuan atau individu-individu yang karakteristiknya hendak diteliti. Total populasi dinotasikan dengan Y, dan didefinisikan sebagai berikut: π = βπ π=1 ππ = π1 + π2 + β― + ππ
(3.4)
atau berdasarkan persamaan (3.1) diperoleh: π = ππΜ
(3.5)
Sedangkan total sampel didefinisikan sebagai berikut: π¦ = βππ=1 π¦π = π¦1 + π¦2 + β― + π¦π
(3.6)
atau berdasarkan persamaan (3.2) diperoleh: π¦ = ππ¦Μ
(3.7)
Penaksir dari total populasi dinotasikan dengan πΜ. Berdasarkan persamaan (3.3), diperoleh informasi bahwa penaksir tak bias untuk total populasi adalah total sampel, dinyatakan sebagai berikut: π
β π¦π πΜ = ππ¦Μ
= π π=1 π
(3.8)
Pembuktian: πΈ(πΜ ) = πΈ(ππ¦Μ
) = π[πΈ(π¦Μ
)] = ππΜ
πΈ(πΜ ) = π
3. Rasio dari dua jumlah populasi atau dua rata-rata populasi Menurut Wibisaputro (2015), rasio adalah perbandingan antara pembilang (numerator) dan penyebut (denominator) yang saling terpisah dan tidak ada hubungannya. Rasio populasi dinotasikan dengan R dan didefinisikan sebagai berikut: π
πΜ
π
= π = πΜ
(3.9)
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
30
Penaksir dari rasio populasi dinotasikan dengan π
Μ , dengan perumusan sebagai berikut: π
β π¦π π¦Μ
π
Μ = π₯Μ
= βπ=1 π π₯ π=1 π
(3.10)
Pembuktian: π¦Μ
πΈ(π
Μ ) = πΈ ( ) π₯Μ
πΈ (π¦Μ
) = πΈ (π₯Μ
) =
πΜ
πΜ
πΈ(π
Μ ) = π
4. Proporsi dari unit-unit sampel yang masuk dalam beberapa kelas tertentu Menurut Wibisaputro (2015), proporsi adalah bentuk pecahan yang pembilangnya merupakan bagian dari penyebutnya. Proporsi digunakan untuk melihat komposisi suatu variabel dalam populasi. Bentuk proporsi ini sering dinyatakan dalam persen, yaitu dengan mengalikan pecahan proporsi dengan 100%. Proporsi tidak mempunyai satuan (dimensi), karena satuan dari pembilang dan penyebutnya sama, sehingga saling meniadakan. Perumusan proporsi adalah sebagai berikut: π
πππππππ π = π+π . 100%
(3.11)
dimana π merupakan bagian dari jumlah populasi dan π merupakan jumlah populasi yang telah dikurangi oleh π. Perhatikan bahwa huruf-huruf besar biasanya menunjukkan karakteristik populasi, sedangkan karakteristik sampel biasanya diberi simbol huruf-huruf kecil. Karakteristik populasi yang digunakan pada skripsi ini adalah total populasi. Alasan penggunaan karakterisitik total populasi, yaitu karena tujuan dari skripsi ini adalah untuk memperoleh total suara dari populasi. Selain itu,
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
31
penggunaan total populasi ini diharapkan akan lebih mewakili fakta yang ada (Notoatmodjo, 2002). Pada stratified cluster sampling, total populasi didefinisikan sebagai berikut: π
β π = (βπΏβ=1 βπ=1 πβπ )
(3.12)
Sedangkan rata-rata populasi didefinisikan sebagai berikut: π πΜ
= πΏπ = β
3.3
π
βπ βπΏβ=1 βπ=1 βπ
πΏπβ
(3.13)
Penaksir Total Populasi Stratified Cluster Sampling Sampel berkelompok tiga tahap (three-stage cluster sampling) adalah
teknik pengambilan sampel yang dilakukan dalam 3 tahap. Tahap pertama adalah membagi populasi ke dalam beberapa kelompok (cluster) misalkan terdapat L (psu), kemudian dari L psu tersebut diasumsikan terpilih sebanyak l sampel acak dari psu. Tahap kedua, dari i (indeks sampel acak (psu)) masing-masing mempunyai ππ kelompok (ssu), kemudian asumsikan π Μ
dipilih dari setiap sampel acak (psu). Terakhir asumsikan terdapat πππ (tsu) dalam j (indeks sampel kelompok (ssu)) dari i (indeks sampel acak (psu)) dan subsampel πππ dipilih dari j sampel kelompok (ssu). Sedangkan pada stratified cluster sampling L adalah strata, bukan kelompok (cluster) dengan h sebagai indeks dari strata L. Selain itu, pada stratified cluster sampling πΏ = π artinya bahwa pada stratified cluster sampling seluruh strata (L) yang berada dalam populasi akan dijadikan sampel penelitian. Oleh karena itu, penaksir dari total populasi untuk stratified cluster sampling diperoleh dari keadaan πΏ = π yang ditaksir dari total populasi X untuk three-stage cluster sampling. Penaksir total populasi untuk three-stage cluster sampling adalah sebagai berikut: πΜ = πΏπΜ
Μ πΏ
= π βππ=1 πΜπ πΏ = π βππ=1 ππ πΜΏΜπ
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
32
πΏ
π
πΏ
π
Μ
Μ = π βππ=1 πΜ
π βπ π=1 πππ Μ
= π βππ=1 πΜ
π βπ π=1 πππ π₯Μ
ππ πΏ π Μ
πππ πππ πΜ = π βππ=1 πΜ
π βπ π=1 π βπ=1 π₯πππ
(3.14)
ππ
dimana L menyatakan cluster. Pada pembahasan sebelumnya telah dikemukakan, berbeda dengan three-stage cluster sampling bahwa pada stratified cluster sampling L menyatakan strata menggantikan cluster dan keadaan πΏ = π dipenuhi, maka dengan mengganti indeks i menjadi indeks h untuk mengindikasikan sebagai strata akan diperoleh penaksir tak bias dari total populasi untuk stratified cluster sampling yang diturunkan dari persamaan (3.14), diperoleh: πΏ π πβ πβπ πβπ βj=1 π₯βππ πΜ = π βπh=1 πβ βi=1 π β
=
πΏ
βπ
πβ
β πβπ βπΏh=1 βπ βπβπ π₯ i=1 πΏ πβ πβπ j=1 βππ
π πβ πβπ πβπ βj=1 π₯βππ πΜ = βπΏh=1 πβ βi=1 π β
(3.15)
βπ
π
Persamaan ( π βπ ) β π₯βππ adalah penaksir dari total populasi untuk cluster βπ
π
ke-i di stratum ke-h. Oleh karena itu, π΄ = β ( π βπ ) β π₯βππ adalah penaksir total βπ
π
populasi untuk sampel mh cluster di stratum h. Persamaan π΅ = (πβ ) π΄ adalah β
penaksir total populasi dari stratum ke-h. Oleh karena itu β π΅ adalah penaksir total populasi untuk semua L strata. Seperti yang telah dikemukakan pada subbab sebelumnya, bahwa rataβrata sampel merupakan penaksir yang tak bias bagi rataβrata populasi, sehingga untuk penaksir total populasi diperoleh: πΈ(πΜ) = π Dengan kata lain, penaksir total populasi (πΜ) merupakan penaksir yang tak bias untuk total populasi. Pembuktian: Ekspektasi dari (πΜ) harus dipandang dalam tiga tahapan yaitu ekspektasi yang berkaitan dengan tahapan pertama sampling, tahapan kedua sampling, dan Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
33
ekspektasi bersyarat yang berkaitan dengan tahapan ketiga sampling, dengan menganggap tahapan pertama dan tahapan kedua konstan. πΈπ merupakan ekspektasi bersyarat sepanjang j dan menganggap tahapan pertama dan tahapan kedua konstan. πΈ(πΜ) = πΈβ πΈπ πΈπ (πΜ) π
π π
π
β βπ βπ βj=1 = πΈβ πΈπ πΈπ (βπΏh=1 πβ βi=1 π₯βππ ) π β
πΈ(πΜ) =
βπ
πβ
πβ πβπ πβπ β πΈ πΈβ πΈπ (βπΏh=1 π βi=1 πβπ j=1 π β
(π₯βππ ))
(3.16)
Pada metode simple cluster sampling, diberikan i sebagai indeks pada psu dan selanjutnya dari setiap psu tersebut dilakukan pemilihan sampel acak sebanyak ππ , sehingga diperoleh πΈπ (π₯ππ ) = πΜΏ π . Hal yang sama juga terdapat pada metode stratified cluster sampling, karena diberikan h sebagai indeks pada strata, i sebagai indeks pada psu dan selanjutnya dari setiap psu tersebut dilakukan pemilihan sampel acak sebanyak πβπ , sehingga diperoleh πΈπ (π₯βππ ) = πΜΏ βπ . π πβ πβπ πβπ ΜΏ βj=1 π βπ ) πΈ(πΜ) = πΈβ πΈπ (βπΏh=1 πβ βi=1 π β
βπ
π πβ πβπ = πΈβ πΈπ (βπΏh=1 πβ βi=1 (πβπ . πΜΏ βπ ) ) π β
= πΈβ πΈπ (βπΏh=1
πβ πβ
βπ
β ΜΏ βπ i=1 πβπ . π βπ )
π
π
β = πΈβ πΈπ (βπΏh=1 πβ βi=1 πβπ ) β
π
π
β = πΈβ (βπΏh=1 πβ βi=1 πΈπ (πβπ ) ) β
π
π
1
π
β β βπ=1 = πΈβ (βπΏh=1 πβ βi=1 πβπ ) π β
π
= πΈβ (βπΏh=1 πβ πβ β
β
1 πβ
β βπ π=1 πβπ )
πβ = πΈβ (βπΏh=1 βπ=1 πβπ ) πβ = (βπΏh=1 βπ=1 πΈβ (πβπ ) ) 1
πβ βπΏβ=1 πβπ ) = (βπΏh=1 βπ=1 πΏ 1
πβ βπΏβ=1 πβπ ) = (βπΏh=1 πΏ βπ=1
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
34
1
π
β βπΏβ=1 πβπ ) = (πΏ. πΏ βπ=1
πβ πΈ(πΜ) = (βπΏβ=1 βπ=1 πβπ ) = π
Terbukti bahwa πΈ(πΜ) = π, dengan kata lain (πΜ) merupakan penaksir yang tak bias untuk total populasi (π).
3.4
Variansi dari Penaksir Total Populasi dan Penaksirnya
3.4.1 Variansi dari Penaksir Total Populasi Setelah memperoleh taksiran dari total populasi, langkah selanjutnya adalah menentukan variansi dari πΜ. Varians dari penaksir tak bias πΜ untuk three-stage cluster sampling diperoleh dengan menggabungkan dua varians two-stage cluster sampling. Varians dari πΜ untuk kasus two-stage cluster sampling adalah: 2
2
πβπ π π π βπ π π(πΜ) = π2 π ππ + π βπ ππ2 ππ π ππ π
(3.17)
π
dimana 1
Μ
2 ππ2 = πβ1 βπ π (ππ β π ) 1
π
ππ2 = π β1 βπ π(πππ β πΜΏπ )
2
π
Dengan mensubstitusikan persamaan (3.17) ke psu dan ssu pada kasus three-stage cluster sampling, diperoleh: πΏ2
πΏβπ ππ2 πΏ
π
πΏ
+ π βπΏπ ππ2
Μ
) ππ2 (ππ βπ ππ
(3.18)
Μ
π
dimana 1 ππ2 = πΏβ1 βπΏ (ππ β πΜ
)2 1 π ππ2 = π β1 β π (πππ β πΜΏπ )
2
π
Selanjutnya, dengan mensubstitusikan persamaan (3.17) ke ssu dan tsu pada kasus three-stage cluster sampling, diperoleh:
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
35
Μ
ππ2 ππ βπ
ππ 2
+ Μ
π
ππ
ππ Μ
π
2 π βπ π πππ
2 πππ βπππ πππ
πππ
(3.19)
πππ
dimana πππ2 = π
1 ππ β1
0 ΜΏ βπ π (ππππ β πππ )
2
Perumusan untuk π(πΜ) pada kasus three-stage cluster sampling diperoleh dengan menggabungkan persamaan (3.18) dan persamaan (3.19), diperoleh: 2
ππ2
Μ
πΏβπ π πΏ ππ βπ π(πΜ) = πΏ2 πΏ ππ + π βπΏ (ππ2 π
+ Μ
π
π
= πΏ2
πΏβπ ππ2 πΏ
π
πΏ
+ π βπΏ ππ2
Μ
ππ2 ππ βπ ππ
ππ Μ
π
2 π βπ π πππ
πΏ
+ π βπΏ
Μ
π
ππ Μ
π
2 πππ βπππ πππ
πππ
2 π βπ π πππ
πππ
)
2 πππ βπππ πππ
πππ
πππ
Oleh karena itu, variansi dari πΜ untuk three-stage cluster sampling adalah sebagai berikut: 2
π2
2
π βπ Μ
ππ πΏβπ π πΏ ππ βπ πΏ π ππ π(πΜ) = πΏ2 πΏ ππ + π βπΏi=1 ππ2 π + π βπΏi=1 πΜ
π βj=1 πππ2 πππ ππ πππ Μ
π π
ππ
ππ
(3.20)
Dengan memisalkan πΏ = π dan mengganti indeks i menjadi indeks h untuk mengindikasikan sebagai strata, maka akan diperoleh variansi dari πΜ untuk stratified cluster sampling yaitu sebagai berikut : 2
Μ
πΏβπΏ π πΏ πβ βπ π(πΜ) = πΏ2 πΏ πΏπ + πΏ βπΏh=1 πβ2 π β
Μ
πβ βπ π(πΜ) = βπΏh=1 πβ2 π β
πβ2
πΏ
+ πΏ βπΏh=1 Μ
π
πβ2
+ βπΏh=1 Μ
π
πβ Μ
π
πβ Μ
π
2 β βπ i=1 πβπ
2 β βπ i=1 πβπ
2 πβπ βπβπ πβπ
πβπ
πβπ
(3.21)
2 πβπ βπβπ πβπ
πβπ
πβπ
Seperti yang telah diperlihatkan, ππ2 , variansi antar cluster (dimana dalam kasus ini menjadi strata) dikeluarkan dari persamaan (3.21). πΏ
πΏ
πβ
2 π β πβ πβ2 πβ π β πβπ πβπ 2 βπ 2 β Μ π(π) = β πβ +β β πβπ πβ πβ πβ πβπ πβπ h=1
h=1
(3.22)
i=1
πβ
πβ2 =
1 β( πβπ β πΜ
β )2 πβ β 1
(3.23)
π=1
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
36
πβπ
2 πβπ
1 = β( πβππ βπΜΏβπ )2 πβπ β 1
(3.24)
i=1
Jika πβ = π Μ
dan πβπ = πΜ
, persamaan (3.22) menunjukkan bahwa ketika diberikan πΏπ Μ
πΜ
= π, π(πΜ) direduksi dengan menurunkan πΜ
dan menaikkan π Μ
. Besarnya πΜ
biasanya sekitar 5 β 15 (Yamane, 1967), sedangkan π Μ
mungkin sangat kecil atau sangat besar, bergantung pada permasalahnya (Yamane, 1967).
3.4.2 Penaksir Variansi dari Penaksir Total Populasi Pada populasi berukuran besar, sulit untuk menentukan nilai dari V(πΜ ) secara langsung sehingga dapat menggunakan penaksirnya. Penaksir variansi dari πΜ untuk three-stage cluster sampling adalah: π
π
Μ
π
i=1
i=1
j=1
2 π β πππ π ππ πΏ β π π π2 πΏ π βπ Μ
π π2 πΏ ππ 2 π 2 ππ Μ Μ π (π) = πΏ + β ππ + β β πππ πΏ π π ππ π Μ
π π Μ
πππ πππ 2
Dengan memisalkan πΏ = π dan mengganti indeks i menjadi indeks h untuk mengindikasikan sebagai strata, maka akan diperoleh penaksir variansi dari πΜ untuk stratified cluster sampling yaitu sebagai berikut : πΏ
Μ
π
h=1
i=1
πΏ
2 πΏ β πΏ π π2 πΏ π βπ Μ
π β2 πΏ πβ π β πβπ π βπ 2 βπ 2 β 2 Μ Μ π (π) = πΏ + β πβ + β β πβπ πΏ πΏ πΏ πβ π Μ
πΏ π Μ
πβπ πβπ h=1
πΏ
πΜ (πΜ) = β πβ2 h=1
πΏ
Μ
π
h=1
i=1
2 πβ β π Μ
π β2 πβ π β πβπ π βπ 2 βπ +β β πβπ πβ π Μ
π Μ
πβπ πβπ
Jika πβ = π Μ
dan πβπ = πΜ
seperti yang telah dilakukan di atas, dapat dilihat bahwa πΜ (πΜ) dipengaruhi terutama oleh π β2 . πΏ
πΏ
πβ
2 π β πβ π β2 πβ π β πβπ π βπ 2 βπ 2 β Μ Μ π (π) = β πβ +β β πβπ πβ πβ πβ πβπ πβπ h=1
h=1
(3.25)
i=1
πβ
π β2 =
1 β( πΜβπ β πΜ
Μβ )2 πβ β 1 i=1
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
37
πβπ
2 π βπ
1 = β( π₯βππ βπ₯ΜΏβπ )2 πβπ β 1 π=1
πβπ
πβπ πβπ πΜβπ = β π₯βππ = π₯ = πβπ π₯ΜΏβπ πβπ πβπ βπ j=1
πβ
1 πΜ
Μβ = β πΜβπ πβ i=1
πβπ
π₯ΜΏβπ =
1 β π₯βππ πβπ j=1
π₯βππ adalah suara pemilu di TPS ke- j dari kelompok ke-i di stratum ke βh. Huruf π₯ ditulis dengan huruf kecil, hal ini menandakan nilai (suara pemilu) berasal dari sampel. πΜβπ = πβπ π₯ΜΏβπ merupakan penaksir jumlah total dari kelompok ke-i di stratum ke-h, π₯ΜΏβπ =
1 πβπ
βπ βπj=1 π₯βππ merupakan rata-rata sampel dari subsampel πβπ , dan
1 πβ Μ πΜ
Μβ = π βi=1 πβπ merupakan rata-rata sampel dari πΜβπ , π = 1,2, . . , πβ . β
Pembuktian: ο·
π πβπ πΈ(πΜβπ ) = πΈ ( βπ βj=1 π₯βππ ) πβπ
=
πβπ πβπ
π
βπ πΈ (βj=1 π₯βππ )
πβπ
πβπ = β πΈ(π₯βππ ) πβπ j=1 πβπ
πβπ = β πΜΏβπ πβπ j=1
=
πβπ (π . πΜΏ ) πβπ βπ βπ
= πβπ . πΜΏβπ = πβπ
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
38
ο·
1
πβπ πΈ(π₯ΜΏβπ ) = πΈ (π βj=1 π₯βππ ) βπ
πβπ
1 = πΈ (β π₯βππ ) πβπ j=1
πβπ
1 = β πΈ(π₯βππ ) πβπ j=1 πβπ
1 = β πΜΏβπ πβπ j=1
=
1 ( π . πΜΏ ) πβπ βπ βπ
= πΜΏβπ ο·
1 πβ Μ πΈ(πΜ
Μβ ) = πΈ (π βi=1 πβπ ) β
πβ
1 = πΈ (β πΜβπ ) πβ i=1
πβ
1 = β πΈ(πΜβπ ) πβ i=1 πβ
1 = β πβπ πβ i=1
= πΜ
β π β2 menunjukkan penaksir variansi di antara psu (kelompok) di dalam strata ke-h. Karena πβ adalah sampel acak dari πβ , πΜβπ merupakan penaksir jumlah total dari kelompok ke-i di stratum ke-h, dan πΜ
Μβ merupakan rata-rata sampel dari πΜβπ . Diketahui pula bahwa π β2 adalah penaksir tak bias dari πβ2 , sehingga πΈ(π β2 ) = πΈ (π
1
β β1
β Μ Μ
Μ 2 βπ i=1( πβπ β πβ ) )
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
39
1
πΈ(π β2 ) = π
β β1
β Μ
2 βπ π=1( πβπ β πβ )
πΈ(π β2 ) = πβ2 2 π βπ menunjukkan penaksir variansi di dalam psu (kelompok) dari strata
ke-h. Karena πβπ adalah sampel acak dari πβπ , dan π₯ΜΏβπ merupakan rata-rata sampel 2 2 dari subsampel πβπ , diketahui pula bahwa π βπ adalah penaksir tak bias dari πβπ ,
sehingga 2 πΈ(π βπ ) = πΈ (π
1
βπ β1
2 πΈ(π βπ )=π
1 βπ β1
βπ βππ=1 ( π₯βππ βπ₯ΜΏβπ )2 )
βπ ΜΏ 2 βπ i=1( πβππ βπβπ )
2 2 πΈ(π βπ ) = πβπ
Penaksir varians πΜ (πΜ) merupakan penaksir yang tak bias untuk varians, hal ini dapat dibuktikan dengan membuktikan πΈ (πΜ (πΜ)) = π(πΜ) pada proses pembuktian berikut ini. Pembuktian: 2
π βπ π π πβ 2 πβπ βπβπ πΈ (πΜ (πΜ)) = πΈ (βπΏh=1 πβ2 βπ β πβ + βπΏh=1 πβ βi=1 πβπ π β
= πΈ (βπΏh=1 πβ2
πβ βπβ π β2 πβ
= πΈβ πΈπ (βπΏh=1 πβ2 = πΈβ (πΈπ βπΏh=1 πβ2 = πΈβ (πΏ. πβ2 = πΏπΈβ (πβ2
β
πβ
πβ
πβ
πβ βπβ π β2 πβ
π
πβ
π
πβ
)
πβπ
π
πβ
πβπ
2 πβπ βπβπ π βπ
β
πβ βπβ π β2 πβ
βπ
2 β ) + πΈ (βπΏh=1 πβ βi=1 πβπ
πβ βπβ π β2
πβ βπβ π β2 πβ
β
2 π βπ
πβπ
π
2 β ) + πΈβ πΈπ πΈπ (βπΏh=1 πβ βi=1 πβπ
2 πβπ βπβπ π βπ
πβπ
β
π
π
2 β ) + πΈβ πΈπ (βπΏh=1 πβ πΈπ βi=1 πβπ π
2 πβπ βπβπ π βπ
β
2 ) + πΈβ (πΈπ βπΏh=1 πβ πβπ
πβπ
2 πβπ βπβπ π βπ
πβπ
πβπ
πβπ
)
2 πβπ βπβπ π βπ
β
2 ) + πΈβ πΈπ (βπΏh=1 πβ πβ πβπ
)
πβπ
πβπ
πβπ
)
)
)
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
40
1
= πΏ πΏ βπΏh=1 πβ2 = βπΏh=1 πβ2 = βπΏh=1 πβ2 = βπΏh=1 πβ2 = βπΏh=1 πβ2
πβ βπβ πβ2 πβ
πβ βπβ πβ2 πβ
πβ
πβ βπβ πβ2 πβ
πβ
πβ βπβ πβ2 πβ
πβ
πβ βπβ πβ2 πβ
πβ
πβ
2 + πΈβ (βπΏh=1 πΈπ (πβ πβπ
2 πβπ βπβπ π βπ
πβπ
πβπ
))
πβ 2 + πΈβ (βπΏh=1 π βπ=1 πβ πβπ
2 πβπ βπβπ π βπ
1
2 πβπ βπβπ π βπ
1
πβπ
β
π
2 β + πΈβ (βπΏh=1 π πβ βπ=1 πβπ
πβπ
β
π
2 β + πΈβ (βπΏh=1 βπ=1 πβπ
π
2 πβπ βπβπ π βπ
πβπ
2 β + πΈβ (βπΏh=1 βπ=1 1. πβπ
πβπ
πβπ
)
)
2 πβπ βπβπ π βπ
πβπ
πβπ
)
πβπ
)
Karena ketika ukuran πβ kelompok mendekati ukuran πβ kelompok, maka πβ πβ
π
β πβ β 1 β
= βπΏh=1 πβ2
πβ βπβ πβ2 πβ
πβ
π
π
2 β + βπΏh=1 πβ βπ=1 πβπ β
2 πβπ βπβπ πβπ
πβπ
πβπ
= π(πΜ) Berdasarkan pembuktian di atas, ini menunjukkan bahwa πΜ (πΜ) adalah penaksir tak bias dari π(πΜ).
3.5
Alokasi Sampel Permasalahan yang biasanya muncul pada pengalokasian sampel adalah
berapa banyak kelas πβ dan berapa banyak πβπ dari kelas ke-hi yang harus dipilih. Apakah akan dipilih πβ kelas lebih sedikit dan lebih banyak πβπ atau sebaliknya? Prosedur untuk menyelidiki permasalahan ini adalah pertama-tama menentukan variansi dan fungsi biaya yang berfungsi sebagai kendala linear, dan kemudian menentukan πβ dan πβπ untuk meminimumkan variansi subjek fungsi biaya yang diberikan. Untuk menyederhanakan variansi, perhatikan subsampelsubsampel dari proporsi yang sama, seringkali mengambil dari psu itu, sehingga akan diasumsikan bahwa Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
41
πβπ = π2β πβπ
(3.26)
Misalkan, apabila π2β = 0,05, berarti 5% dari πβπ diambil sebagai sampel acak. Sebagai ilustrasi, misalkan πβ = 10 kelas di strata ke-h, maka πβ1 πβ2 πβ10 = =β―= = π2β πβ1 πβ2 πβ10
(3.27)
Persamaan (3.27) dapat dinyatakan sebagai berikut: 1 10 1
(πβ1 + β― + πβ10 )
(πβ1 + β― + πβ10 ) 10
= π2β
yang dapat dinyatakan sebagai πΜ
β = π2β Μ
β π
(3.28)
Μ
β adalah rata-rata jumlah populasi per kelas di strata ke-h dan juga dapat dimana π dianggap sebagai nilai ekspektasi dari πβπ . Hal ini dapat dinyatakan sebagai berikut: π
β βπ π Μ
β = β = i=1 βπ π πβ π Demikian pula, πΜ
β juga dapat dianggap sebagai nilai ekspektasi dari πβπ , dan dapat ditunjukkan sebagai Μ
β πΜ
β = π2β π Perhatikan bahwa interpretasi ini berbeda dari πβ
1 πΜ
β = β πβπ πβ i=1
yang hanya rata-rata sampel. Μ
β sebagaimana didefinisikan pada Dengan menggunakan πΜ
β dan π persamaan (3.28), perumusan variansi yang diberikan pada persamaan (3.22) menjadi: πΏ
πΏ
πβ
2 Μ
β πΜ
β πβπ πβ β πβ πβ2 πβ π Μ
β2 β π(πΜ) = β πβ2 +β βπ Μ
β πΜ
β πβ πβ πβ π h=1
h=1
(3.29)
i=1
Ruas kanan persamaan (3.29) dapat disederhanakan lagi menjadi: Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
42
βπΏh=1
πβ πβ
Μ
Μ
β β Μ
2 πβ βπ βπ i=1 πβ Μ
πβ
2 πβπ
πΜ
β
π
π
2 Μ
β βπΜ
β πβπ π2 π Μ
β π πΜ
β β
β β = βπΏh=1 πβ βi=1 π2 β
π
Μ
β βπΜ
β 1 πβ2 π βπβ π 2 2 Μ
β π πΜ
β i=1 βπ β πβ
= βπΏh=1 πβ
Μ
β βπΜ
β 1 πβ2 π βπβ π 2 Μ
β πβ i=1 βπ Μ
β π βπ
= βπΏh=1 π
Μ
β βπΜ
β 2 πβ2 π π2β Μ
β Μ
β π βπ
= βπΏh=1 π dengan
πβ
2 π2β
1 2 = β πβπ πβ i=1
Μ
π
1
πβ 2 2 π2β = π βi=1 πβπ . (πΜ
β ) β
β
Μ
β = πβπ dan π Μ
β = πβ /πβ , sehingga: dimana ditetapkan π πβ
2 π2β
1 2 = β πβπ πβπ Μ
β πβ π π
π
2 Μ
β menunjukkan jumlah populasi dari strata ke-h, sedangkan βπ β πβπ πβπ πβ π dapat
diinterpretasikan sebagai jumlah kuadrat variansi di dalam kelas di strata ke-h 2 untuk semua πβ kelas. Oleh karena itu, π2β dapat dianggap mewakili dalam 2 variansi kelas untuk strata ke-h. Dengan menggunakan π2β , persamaan (3.29)
menjadi: πΏ
π(πΜ) =
πΏ
β πβ2 h=1
Μ
β β πΜ
β πβ β πβ πβ2 πβ2 π 2 +β π2β Μ
β πβ πβ πβ πΜ
β π
(3.30)
h=1
dan akhirnya diperoleh variansi sederhana yang akan digunakan untuk memudahkan analisis selanjutnya. Berdasarkan penaksir variansi pada persamaan (3.25), maka diperoleh penaksir variansi dengan alokasi sampel yaitu: πΏ
πΜ (πΜ) =
β πβ2 h=1
πΏ
Μ
β β πΜ
β πβ β πβ π β2 πβ2 π 2 +β π 2β Μ
πβ πβ πβ πΜ
β πβ
(3.31)
h=1 πβ
2 π 2β
1 2 = β πβπ π βπ πβ πΜ
β
(3.32)
π=1
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
43
3.6
Perbandingan Stratified Cluster Sampling dan Simple Cluster Sampling Pada bab sebelumnya telah dikemukakan bahwa stratified cluster
sampling memiliki varians lebih kecil daripada simple random sampling, simple cluster sampling, dan stratified random sampling. Oleh karena itu, stratified cluster sampling digunakan ketika ingin mengurangi variansi dari penaksir dan menurunkan biaya survei. Untuk mempertimbangkan pengurangan variansi, perlu dibandingkan taksiran variansi dari stratified cluster sampling dengan taksiran variansi dari metode lainnya. Berikut adalah perbandingan taksiran variansi dari stratified cluster sampling dengan taksiran variansi dari simple cluster sampling. Untuk perbandingan taksiran varians dengan metode yang lainnya dapat dilihat pada lampiran 4. Untuk menyederhanakan variansi dari stratified cluster sampling, dapat dengan cara memisalkan: Μ
= πβ = π
βπΏ πβ π = πΏ πΏ
βπΏ π β π πβ = π Μ
= = πΏ πΏ πΏ
(3.33) (3.34)
π
1 Μ
= πβπ = π β β πβπ Μ
Μ
Μ
ππΏ
(3.35)
Selanjutnya dengan mengasumsikan jumlah setiap subsampel sama dari setiap kelas (psu), maka variansi dari rata-rata untuk sampling stratifikasi proporsional (proportional stratified random sampling) adalah: πΏ
πβπ πβ πβ2 π(π₯Μ
ππππ ) = β π π π
(3.36)
Kemudian dari persamaan (3.36), sampling unit utama N dan n keduanya digantikan oleh M (total populasi) dan m (total sampel) sehingga persamaan (3.36) menjadi πΏ
πβπ πβ πβ2 π(π₯Μ
π π‘ ) = β π π π
(3.37)
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
44
πΏ
πβπ π/πΏ πβ2 = β π π π πΏ
πβπ 1 πβ2 = β π πΏπ Μ
π
1 2 πβ2 = β(πΜΏβπ β πΜΏβ ) Μ
β1 π
(3.38)
π
πβπ πβπ
πΜΏβπ =
(3.39)
Μ
π
1 πΜΏβ = β πΜΏβπ Μ
π π
Variansi dari rata-rata untuk metode sampling acak sederhana (simple random sampling ) m cluster adalah: 1
2 ππππ
Μ
πΏ π π β π (π) β β (πΜΏβπ β πΜΏ) = π π Μ
π
πΏ
πΏ
2
(3.40) Μ
π
1 1 πΜΏ = β β πΜΏβπ = β β πΜΏβπ Μ
πΏ π π Untuk mengevaluasi keuntungan stratifikasi, akan dibandingkan dua variansi, yaitu variansi pada persamaan (3.37) dan variansi pada persamaan (3.40): πΏ
πβπ 1 πβ2 2 ππ π‘ = β π πΏπ
(3.41) πΏ
Μ
π
π βπ1 1 2 = β β(πΜΏβπ β πΜΏβ ) Μ
β1 ππ πΏ π
πΏ
2 ππππ
Μ
π
πβπ 1 2 = β β(πΜΏβπ β πΜΏ) ππ π πΏ
(3.42)
Μ
π
π βπ1 1 2 = β β(πΜΏβπ β πΜΏ) Μ
ππ πΏ π Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
45
Μ
, maka dengan memisalkan π Μ
=π Μ
β 1, persamaan (3.41) dan Pada saat 1 βͺ π persamaan (3.42) dapat disederhanakan menjadi: πΏ
Μ
π
2 ππ π‘ = π β β(πΜΏβπ β πΜΏβ ) πΏ
Μ
π
2 ππππ = π β β(πΜΏβπ β πΜΏ)
2
(3.43)
2
(3.44)
dimana π=
π βπ1 1 Μ
ππ πΏ π
Keuntungan absolut akibat stratifikasi ditemukan dengan: πΏ 2 ππππ
β
2 ππ π‘
Μ
π
πΏ
2
Μ
π
2
= π [β β(πΜΏβπ β πΜΏ) β β β(πΜΏβπ β πΜΏβ ) ]
(3.45)
Penyederhanaan tanda dalam kurung secara aljabar adalah sebagai berikut: πΏ
Μ
π
2
πΏ
Μ
π
Μ
π
πΏ
2
2
2
β β(πΜΏβπ β πΜΏ) β β β(πΜΏβπ β πΜΏβ ) = β β [(πΜΏβπ β πΜΏ) β (πΜΏβπ β πΜΏβ ) ] πΏ
Μ
π
= β β(πΜΏβ β πΜΏ)(2πΜΏβπ β πΜΏ β πΜΏβ ) β
π
πΏ
Μ
πΜΏβ β π Μ
πΜΏ β π Μ
πΜΏβ ) = β(πΜΏβ β πΜΏ)(2π β πΏ
2
Μ
= β(πΜΏβ β πΜΏ) π β
Oleh karena itu persamaan (3.45) dapat dinyatakan dengan: πΏ 2 ππππ
β
2 ππ π‘
2
Μ
= π β(πΜΏβ β πΜΏ) π
(3.46)
β πΏ
π βπ1 2 = β(πΜΏβ β πΜΏ) ππ πΏ β
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
46
πΏ
2 ππππ
=
2 ππ π‘
π βπ1 2 + β(πΜΏβ β πΜΏ) ππ πΏ
(3.47)
β
Hal ini menunjukkan bahwa stratified cluster sampling memiliki variansi lebih kecil daripada simple cluster sampling. Ketika ada perbedaan antar strata, maka dianjurkan untuk menggunakan stratified cluster sampling.
Mega Wati, 2015 ANALISIS QUICK COUNT MENGGUNAKAN METODE STRATIFIED CLUSTER SAMPLING (STUDI KASUS PEMILU GUBERNUR JAWA BARAT 2013) Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu