 |
| Systematic SamplingSS |
Seperti halnya kita mempelajari Data Science, pemahaman tentang teknik pengambilan sampel untuk riset atau penelitian juga tak kalah penting. Bila sebelumnya kita telah melakukan praktikum bagaimana menerapkan Simple Random Sampling (SRS) dengan R, pada bagian ini kita akan belajar bersama bagaimana penerapan Systematic Sampling (SS) dengan R pada data yang kita gunakan sebelumnya, yaitu data rasio Gini kabupaten dan kota se-Jawa Timur tahun 2022.
Sebelum beranjak ke praktik, kita coba telaah dulu konsep atau definisi dari teknik Systematic Sampling. Saya sengaja tidak menggunakan nama Systematic Random Sampling supaya singkatannya tidak sama dengan SRS. Jadi pada unggahan ini, kita sepakat untuk menggunakan istilah Systematic Sampling atau SS. Systematic Sampling pada dasarnya merupakan salah satu bentuk probability sampling sama halnya dengan SRS. Systematic Sampling merupakan teknik pengambilan sampel dengan menggunakan interval tertentu sebagai penentu indeks sampel terpilih pada kerangka sampel (sample frame) yang telah diurutkan terlebih dahulu. Teknik ini banyak digunakan karena dinilai lebih mudah dan sistematis ketimbang SRS.
Kapan Systematic Sampling ini bisa digunakan? Yaitu ketika populasinya berukuran besar, kemudian kerangka sampel tersedia, serta populasi bersifat homogen.
Kelemahan dari teknik pengambilan sampel ini adalah ketika data yang digunakan bersifat periodik atau siklis. Sebab, penggunaan interval akan menyebabkan sampel yang terpilih kurang representatif terhadap karakteristik populasi.
Bagaimana pemanfaatan teknik sampling ini dengan R? Pada praktik berikut ini, kita akan tetap menggunakan data pada unggahan berikut. Setelah datanya disiapkan, langkah pengambilan sampel dengan Systematic Sampling dapat mengikuti tahapan berikut:
#Import Data
ginijatim2022 <- read_excel("C:/Users/56848")
head(ginijatim2022)
## # A tibble: 6 x 3
## id kako gini
## <dbl> <chr> <dbl>
## 1 1 Kabupaten Pacitan 0.338
## 2 2 Kabupaten Ponorogo 0.336
## 3 3 Kabupaten Trenggalek 0.331
## 4 4 Kabupaten Tulungagung 0.342
## 5 5 Kabupaten Blitar 0.335
## 6 6 Kabupaten Kediri 0.329
#Melakukan pengacakan sebanyak 100 kali
set.seed(100)
#Membuat fungsi systematic random sampling
dptsampel <- function(N,n){
k = ceiling(N/n) #Interval
r = sample(1:k, 1) #Titik awal Angka Random
seq(r, r + k*(n-1), k) #Pembentukan Indeks Penyeleksi Sampel
}
#Pengambilan sampel dengan systematic RS
#N = 38 dan a = 10
(indekssampel <- dptsampel(38, 10))
## [1] 2 6 10 14 18 22 26 30 34 38
#Sampel terpilih
sampelsys <- ginijatim2022[ginijatim2022$id %in% indekssampel, ]
sampelsys
## # A tibble: 10 x 3
## id kako gini
## <dbl> <chr> <dbl>
## 1 2 Kabupaten Ponorogo 0.336
## 2 6 Kabupaten Kediri 0.329
## 3 10 Kabupaten Banyuwangi 0.329
## 4 14 Kabupaten Pasuruan 0.325
## 5 18 Kabupaten Nganjuk 0.301
## 6 22 Kabupaten Bojonegoro 0.28
## 7 26 Kabupaten Bangkalan 0.306
## 8 30 Kota Kediri 0.371
## 9 34 Kota Pasuruan 0.36
## 10 38 Kota Batu 0.308
#Mendapatkan rata-rata rasio Gini
mean(sampelsys$gini)
## [1] 0.3245
#Melakukan pengacakan sebanyak 500 kali
set.seed(500)
#Membuat fungsi systematic random sampling
dptsampel <- function(N,n){
k = ceiling(N/n) #Interval
r = sample(1:k, 1) #Titik awal Angka Random
seq(r, r + k*(n-1), k) #Pembentukan Indeks Penyeleksi Sampel
}
#Pengambilan sampel dengan systematic RS
#N = 38 dan a = 10
(indekssampel2 <- dptsampel(38, 10))
## [1] 3 7 11 15 19 23 27 31 35 39
#Sampel terpilih
sampelsys2 <- ginijatim2022[ginijatim2022$id %in% indekssampel2, ]
sampelsys2
## # A tibble: 9 x 3
## id kako gini
## <dbl> <chr> <dbl>
## 1 3 Kabupaten Trenggalek 0.331
## 2 7 Kabupaten Malang 0.368
## 3 11 Kabupaten Bondowoso 0.365
## 4 15 Kabupaten Sidoarjo 0.373
## 5 19 Kabupaten Madiun 0.354
## 6 23 Kabupaten Tuban 0.345
## 7 27 Kabupaten Sampang 0.28
## 8 31 Kota Blitar 0.381
## 9 35 Kota Mojokerto 0.381
#Mendapatkan rata-rata rasio Gini
mean(sampelsys2$gini)
## [1] 0.3531111
#Aktivasi library TeachingSampling
library(TeachingSampling)
#Menentukan indeks sampel dengan S.SY(N, a) a adalah grup
sysampel <- S.SY(38, 4)
sysampel
## [,1]
## [1,] 3
## [2,] 7
## [3,] 11
## [4,] 15
## [5,] 19
## [6,] 23
## [7,] 27
## [8,] 31
## [9,] 35
#Sampel terpilih
sampelsys3 <- ginijatim2022[sysampel,]
sampelsys3
## # A tibble: 9 x 3
## id kako gini
## <dbl> <chr> <dbl>
## 1 3 Kabupaten Trenggalek 0.331
## 2 7 Kabupaten Malang 0.368
## 3 11 Kabupaten Bondowoso 0.365
## 4 15 Kabupaten Sidoarjo 0.373
## 5 19 Kabupaten Madiun 0.354
## 6 23 Kabupaten Tuban 0.345
## 7 27 Kabupaten Sampang 0.28
## 8 31 Kota Blitar 0.381
## 9 35 Kota Mojokerto 0.381
#Mendapatkan rata-rata rasio Gini
mean(sampelsys3$gini)
## [1] 0.3531111
Demikian sedikit sharing kita kali ini. Semoga sedikit banyak bermanfaat. Jangan lupa untuk terus menyimak unggahan-unggahan menarik berikutnya. Selamat memahami dan mempraktikkan!