 |
| Stratified Random Sampling alokasi proporsional dengan Python |
Pada setiap kegiatan statistik, kita tidak terlepas dari kegiatan pemilihan sampel dari populasi yang menjadi target penelitian. Aktivitas ini biasa diistilahkan sebagai sampling. Sampling memungkinkan penelitian, riset, atau sebuah survei yang kita lakukan memiliki kekuatan teknis dan metodologis yang andal. Kendati secara praktis, sampling terbagi menjadi unprobability dan probability sampling.
Dalam artikel kali ini, kita akan mengulas kembali mengenai teknik pengambilan sampel berjenis stratified random sampling yang memerhatikan ukuran subpopulasi atau biasa dikenal alokasi proporsional. Teknik ini sangat sering digunakan mengingat pada kenyataannya, ukuran subpopulasi dalam target populasi jarang yang sama (balance).
Tidak hanya mencakup aspek tersebut, dalam aktivitas penarikan sampel, kita juga perlu mempertimbangkan aspek keterwakilan sampel untuk setiap subpopulasi yang digunakan. Keterwakilan sampel di setiap subpopulasi ini akan menjamin bahwa penduga parameter yang diperoleh mampu menggambarkan kondisi populasi yang sebenarnya secara akurat dan andal.
Stratified random sampling umumnya digunakan ketika setiap elemen dalam populasi target baik secara alami maupun secara buatan dapat atau terkelompokkan dalam sub-sub populasi sedemikian rupa sehingga varians di dalam subpopulasi sehomogen mungkin, sedangkan varians antar subpopulasi seheterogen mungkin.
Pemanfaatan stratified random sampling ini banyak digunakan dalam berbagai jenis riset, misalkan riset mengenai pengaruh metode belajar tertentu dengan subpopulasi berupa kelas-kelas, riset mengenai pengaruh metode pembelajaran zoom meeting atau pembelajaran online terhadap prestasi belajar dengan subpopulasi penduduk menurut pendidikan terakhir yang ditamatkan, atau riset yang menggunakan variabel latent terkait kinerja karyawan atau sejenisnya.
Selain menggunakan bahasa pemrograman R (bagi yang mau menyimak bisa klik tautan berikut), teknik pengambilan sampel stratified random sampling juga dapat diterapkan menggunakan bahasa pemrograman Python. Dengan men-generate data dummy, berikut tatacara melakukan pengambilan sampel stratified random sampling dengan metode alokasi proporsional subpopulasi dengan Python:
import numpy as np
import pandas as pd
# Data yang akan di-sampling dalam bentuk DataFrame
data = pd.DataFrame({'feature': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
'label': ['A', 'A', 'B', 'B', 'B', 'C', 'C', 'C', 'C', 'C']})
# Melihat sekilas data
data
| feature | label | |
|---|---|---|
| 0 | 1 | A |
| 1 | 2 | A |
| 2 | 3 | B |
| 3 | 4 | B |
| 4 | 5 | B |
| 5 | 6 | C |
| 6 | 7 | C |
| 7 | 8 | C |
| 8 | 9 | C |
| 9 | 10 | C |
# Memisahkan fitur dan label
X = data['feature']
y = data['label']
# Menghitung jumlah sampel proporsional sebanyak 6
sampel = 6
proporsional_proportions = data['label'].value_counts() / len(data)
sample_sizes = np.floor(proporsional_proportions * (sampel+1)).astype(int)
# Melakukan alokasi proporsional dengan memilih sampel secara acak dari setiap strata
sample_indices = []
for label, size in sample_sizes.items():
stratum_indices = data[data['label'] == label].index
stratum_sample_indices = np.random.choice(stratum_indices, size=size, replace=False)
sample_indices.extend(stratum_sample_indices)
# Mengambil sampel dari DataFrame berdasarkan indeks
sample_data = data.loc[sample_indices]
# Menampilkan hasil sampling
print("Data sampel terpilih:")
print(sample_data)
Data sampel terpilih: feature label 5 6 C 6 7 C 8 9 C 3 4 B 4 5 B 1 2 A
Demikian sedikit sharing mengenai teknik pengambilan sampel kali ini, semoga bermanfaat dan jangan lupa untuk terus mengikuti unggahan terbaru dalam blog sederhana ini. Selamat memahami dan mempraktikkan!