PERBEDAAN PROBABILITY SAMPLING DAN NONPROBABILITY SAMPLING

Teknik sampling merupakan hal penting dalam sebuah penelitan, terlebih bila penelitian tersebut menggunakan data primer sebagai bahan penelitian. Sebelum melakukan penelitian ataupun survei, peneliti perlu menentukan teknik pengambilan sampel yang sesuai dengan tujuan penelitiannya. Penelitian kualitatif dan kuantitatif memerlukan teknik sampling yang berbeda. Secara umum, teknik sampling dapat dikategorikan menjadi dua, yakni probability sampling dan nonprobability sampling. 

Nonprobability Sampling merupakan teknik pemilihan sampel tidak dipilih secara acak dari populasi. Sampel yang dipilih pada nonprobability sampling didasarkan pada kriteria yang telah ditetapkan oleh peneliti, jadi sampel yang dipilih murni berdasarkan subjektifitas peneliti. Metode sampling ini banyak digunakan oleh peneliti untuk melakukan penelitian kualitatif.

Probability Sampling adalah teknik pengambilan sampel dimana pemilihan sampel dari populasi dilakukan secara acak. Setiap elemen dalam populasi dapat terpilih secara acak dan memiliki peluang terpilih yang dapat dikalkulasi.

Tabel Perbedaan Antara Probability Sampling dengan Nonprobability Sampling.

Probability sampling	Non-probability sampling
Sampel dipilih secara acak.	Pemilihan sampel dipilih berdasarkan penilaian peneliti.
Setiap individu pada populasi memiliki peluang terpilih yang dapat dihitung.	Tidak semua elemen dalam populasi memiliki peluang untuk terpilih, dan peluang tersebut tak dapat dihitung.
Digunakan ketika peneliti ingin menghindari sampling bias.	Digunakan ketika peneliti tidak mementingkan sampling bias.
Baik digunakan ketika populasi memiliki karakteristik yang bervariasi.	Baik digunakan ketika populasi memiliki perlakuan yang sama.
Digunakan ketika peneliti ingin mendapatkan sampel yang akurat dan dapat mewakili populasi.	Sampel tidak dapat mewakili populasi secara akurat.
Tidak mudah menjumpai atau mendapatkan sampel yang terpilih.	Mudah mendapatkan sampel.
Dapat menggunakan hipotesis untuk mendapatkan suatu keputusan.	Analisis hanya dapat dilakukan secara general.

Kesimpulan

Probability sampling memiliki prinsip pemilihan sampel yang random, sedangkan nonprobability sampling bergantung pada asumsi bahwa karakteristik populasi cendering sama, sehingga kita dapat beranggapan bahwa setiap sampel yang terpilih akan mewakili karakteristik yang dimiliki populasi.

Read More

PENGERTIAN CONVENIENCE SAMPLING BESERTA CONTOH PENGGUNAAN

Convenience sampling adalah salahsatu jenis nonprobability sampling dimana sampel yang dipilih adalah sampel yang menurut peneliti merupakan sampel yang mudah dijangkau. Biasanya, sampel yang dipilih pada convenience sampling adalah sampel yang tersedia.

Definisi

Prosedur yang digunakan untuk mendapatkan unit sampel menurut keinginan peneliti dengan menggunakan sampel yang paling sederhana dan paling ekonomis. Metode convenience sampling tidak memerlukan daftar populasi yang panjang serta tidak memerlukan kerangka sampel. Akan tetapi, output yang dihasilkan dari penelitian ini memiliki tingkat objektivitas yang rendah.

Contoh Aplikasi Pelaksanaan

Convenience sampling sering digunakan oleh perusahaan untuk mengukur persepsi konsumen tentang citra mereka di pasar. Data dikumpulkan dari konsumen untuk mengetahui pendapat konsumen mengenai produk yang baru diluncurkan. Dalam pelaksanaannya, perusahaan biasanya memilih sampel konsumen yang gampang mereka temui.

Contoh kasusnya adalah perusahaan game yang ingin mengetahui bagaimana kinerja salah satu game mereka di pasar satu hari setelah dirilis. Analisnya dapat memilih untuk membuat survei online di Facebook untuk menilai game itu. Tantangan utama dari pendekatan ini adalah menjangkau orang-orang yang bermain game. Karena media sosial adalah tempat yang luas, selalu sulit untuk mengumpulkan sampel dari populasi yang diminati.

Kebanyakan orang mungkin tidak tertarik atau menganggap serius survei saat menyelesaikannya, yang mengakibatkan kesalahan pengambilan sampel. Survei dapat ditingkatkan secara signifikan jika analis mempostingnya ke halaman penggemar yang didedikasikan untuk pecinta game. Dia mungkin menemukan lebih banyak orang dalam kelompok itu yang cenderung menilai dan menilai permainan secara kritis.

Kelebihan Penggunaan Convenience sampling

• Data dapat terkumpul dengan cepat.
  Karena sampel yang dipilih adalah sampel yang gampang dijangkau, maka pengumpulan data dapat dilaksanakan dengan mudah. Pada contoh kasus sebelumnya, survei yang dilaksanakan oleh perusahaan game akan mendapatkan respon yang baik dari penggemar game tersebut. Penggemar game tersebut telah memiliki ikatan dengan game tersebut, sehingga mereka akan dengan mudah meluangkan waktunya untuk memberikan masukan kepada game yang mereka sukai.


• Sampel dapat dipilih dengan biaya yang murah.
  Sampel yang dipilih pada Convenience sampling biasanya didapatkan dengan biaya yang murah. Itu dikarenakan peneliti memilih sampel yang dirasa mudah untuk dijadikan sampel. Pada contoh kasus sebelumnya, perusahaan game hanya cukup memposting survey tersebut di halaman Facebook penggemar game tersebut, maka tanpa ada bujukan lebih lanjut, para penggemar game tersebut akan mengisi survey tersebut.


• Tak banyak memiliki aturan yang harus dipatuhi
  Terkadang akan sulit bagi kita untuk melakukan suatu survey jika survey tersebut menerapkan metode sampling yang memiliki banyak aturan. Hal tersebut tidak berlaku jika kita menerapkan metode convenience sampling. Tak banyak aturan sampling yang harus ditaati

Kekurangan Penggunaan Convenience sampling

• Sampel tak dapat merepresentasikan populasi.
• Cenderung memiliki sampling bias yang tinggi.

Read More

PENGERTIAN PROBABILITY SAMPLING

Probability Sampling adalah teknik pengambilan sampel dimana pemilihan sampel dari populasi dilakukan secara acak. Setiap elemen dalam populasi dapat terpilih secara acak dan memiliki peluang terpilih yang dapat dikalkulasi.

Suatu teknik pengambilan sampel dapat dikatakan sebagai probability sampling apabila pemilihan sampel dilakukan secara acak atau random. Sehingga setiap elemen dalam populasi memiliki peluang yang sama untuk dapat terpilih. Probability sampling membutuhkan lebih banyak waktu dan biaya bila dibandingkan dengan nonprobability sampling. Namun, karena setiap elemen dipilih secara acak, serta peluang terpilihnya setiap elemen dalam populasi dapat dihitung, maka sampel tersebut dapat menghasilkan estimasi yang dapat dipercaya dan analisis inferensia dapat dilakukan.

Hal yang paling penting dalam probability sampling adalah setiap elemen pada populasi memiliki peluang terpilih yang dapat dihitung dan dipilih secara acak. Sebagai contoh, jika kita memiliki populasi yang terdiri dari 50 orang, maka setiap orang memiliki peluang terpilih sebesar 1/50 atau 0,02. Teknik probability sampling memberikan peneliti kemampuan untuk mendapatkan sampel yang dapat menggambarkan populasi. Probability sampling menggunakan teori statistik untuk memilih (sedikit) sampel secara acak dari populasi dan data yang didapatkan dari sampel dapat digunakan untuk mengestimasi populasi.

Beberapa Jenis Probability Sampling yang umum:

Terdapat banyak jenis probability sampling dan turunannya, namun yang disebutkan disini adalah yang cukup umum digunakan.

1. Simple Random Sampling: metode pemilihan sampel yang dilakukan secara acak. Contohnya, dari 100 orang yang menjadi populasi, masing-masing orang akan diberikan nomor. Lalu, nomor akan dipilih secara acak. Pemilihan nomor dapat dilakukan seperti lotere (atau arisan), ataupun menggunakan Tabel Angka Random, atau bahkan menggunakan software yang dapat meng-generate angka secara acak. Nomor yang keluar akan terpilih menjadi sampel.


2. Systematic Sampling: metode pengambilan sampel dimana peneliti memilih nomor awal acak dan menentukan interval dalam pemilihan sampel berikutnya. Contoh, dari 100 orang yang menjadi populasi, masing-masing diberikan nomor. Peneliti kemudian menentukan nomor awal acak dan menentukan interval yang digunakan. Misalkan, nomor awal acak yang terpilih adalah 5, dan interval yang digunakan adalah 10, maka orang yang terpilih menjadi sampel adalah orang ke-5, ke-15, ke-25, dst.


3. Stratified Random Sampling: metode pengambilan sampel dimana peneliti membagi populasi menjadi kelompok (biasa disebut strata) yang mutually exclussive, lalu kemudian memilih sampel dari masing-masing strata. Pembagian strata biasanya dilakukan berdasarkan kriteria yang membagi populasi menjadi kelompok berdasarkan kesamaan. Misalkan, pembentukan strata berdasarkan jenis kelamin, kelompok umur, ataupun agama. Contoh: terdapat 100 orang menjadi populasi, lalu dibagi menjadi dua strata berdasarkan jenis kelamin. Lalu, dari masing-masing strata (wanita dan pria) dipilih individu yang akan menjadi sampel.


4. Cluster Random Sampling: metode sampel ini biasanya digunakan jika populasi penelitian tersebar pada wilayah geografis yang cukup luas. Untuk menghemat waktu dan dibiaya, maka setiap wilayah dianggap sebagai cluster. Selanjutnya akan dipilih beberapa cluster secara random, dari cluster terpilih akan dipilih individu yang akan menjadi sampel.

Kelebihan Probability Sampling

• Sampling bias kecil. Dikarenakan sampel yang terpilih didapatkan secara acak, maka tak ada subjektifitas peneliti dalam pemilihan sampel, sehingga sampling bias dapat diminimalisir.


• Data yang dihasilkan dapat digunakan untuk analisis lebih lanjut, seperti analisis inferensia. Selain itu, data yang didapatkan dapat menghasilkan estimasi terhadap populasi yang reliabel. Selain itu, kita dapat menggunakan confidence intervall dan margin of error untuk melakukan validasi terhadap data yang kita hasilkan.


• Simpel. Pemilihan sampel yang simpel dan tidak memerlukan subjektifitas peneliti membuat hemat waktu penelitan.

Kekurangan Probability Sampling

• Harus menggunakan kerangka sampel. Jika kerangka sampel belum tersedia, maka akan memakan waktu yang banyak untuk membentuk kerangka sampel.


• Jika pemilihan metode probability sampling tidak tepat (diantara simple random sampling, systematic sampling, stratified sampling, dll), maka biaya survei dapat menjadi besar ataupun margin of error yang dihasilkan menjadi besar.

Read More

PENGERTIAN NONPROBABILITY SAMPLING

Nonprobability Sampling merupakan teknik pemilihan sampel dimana tidak semua populasi memiliki peluang yang sama untuk terpilih menjadi sampel.

Suatu survei atau penelitian dilakukan untuk mendapatkan data ataupun informasi yang akan digunakan untuk mengambil suatu keputusan. Data atau informasi tersebut biasanya didapatkan dari sampel. Teknik pemilihan sampel sangat bergantung pada pertimbangan dari peneliti atau pelaksana survei, terlebih lagi teknik sampling yang digunakan juga akan sangat bergantung kepada tujuan survei itu sendiri. Jika populasi target yang akan diteliti tidak memiliki kerangka sampel, maka teknik nonprobability sampling dapat digunakan.

Definisi Nonprobability Sampling

Nonprobability Sampling merupakan teknik pemilihan sampel tidak dipilih secara acak dari populasi. Sampel yang dipilih pada nonprobability sampling didasarkan pada kriteria yang telah ditetapkan oleh peneliti, jadi sampel yang dipilih murni berdasarkan subjektifitas peneliti. Metode sampling ini banyak digunakan oleh peneliti untuk melakukan penelitian kualitatif.

Nonprobability Sampling sangat cocok digunakan untuk studi eksplorasi sebelum survei dengan probability sampling dilaksanakan. Metode nonprobability sampling digunakan oleh peneliti ketika sangat sulit untuk mendapatkan/membuat kerangka sampel karena keterbatasan waktu dan biaya.

Tipe-tipe Nonprobability Sampling

Beberapa jenis Nonprobability Sampling yang cukup umum:

1. Convenience sampling

Pada teknik pemilihan sampel ini, peneliti memilih sampel dari populasi berdasarkan sampel yang tersedia dan dapat dijangkau oleh peneliti. Sampel yang dipilih pada metode ini hanya dipilih karena sampel tersebut mudah diakses dan peneliti menyadari bahwa sampel yang dipilih tidak mewakili populasi.

2. Quota sampling

Teknik sampling ini mengklasifikasikan populasi menjadi beberapa kelompok menurut kriteria tertentu (yang ditentukan oleh peneliti). Lalu kemudian, peneliti menentukan jumlah sampel dari setiap kelompok yang telah diklasifikasikan. Pada teknik ini, pengklasifikasian yang dibuat oleh peneliti dapat menimbulkan bias. Penjelasan lebih lanjut tentang quota sampling sudah dibahas pada artikel Pengertian Quota sampling dan contoh penggunaannya.

3. Snowball sampling

Snowball Sampling adalah teknik sampling non probabilitas yang digunakan ketika sampel yang dicari memiliki karakteristik yang sulit ditemukan. Teknik snowball sampling menggunakan pengambilan sampel dimana sampel berikutnya merupakan rekomendasi ataupun penunjukan dari sampel sebelumnya.

4. Purposive sampling

Purposive sampling atau judgemental sampling merupakan teknik pemilihan sampel dimana peneliti memilih sampel hanya berdasarkan penilaian dan pertimbangan dari peneliti itu sendiri.

Kelebihan penggunaan Nonprobability sampling

• Sesungguhnya, akan lebih mudah bagi peneliti untuk melakukan survei menggunakan nonprobability sampling di dunia nyata. Kemudahan ini disebabkan peneliti tidak memerlukan kerangka sampel dalam melakukan pemilihan sampel. Meskipun para statistisi akan cenderung lebih memilih probabilty sampling.
• Penggunaan nonprobability sampling pada penelitian juga akan menghemat biaya dan waktu yang digunakan dalam pengumpulan data. Hal ini dikarenakan sampel yang dipilih oleh peneliti akan lebih mudah diteliti.

Read More

SKALA PENGUKURAN (LEVEL OF MEASUREMENT)

Data dapat dikategorikan kedalam salah satu dari empat kategori berikut. Yaitu, nominal, ordinal, interval, dan rasio. Setiap kategori memiliki kekurangan dan kelebihannya masing-masing.

1. Skala Nominal

Biasa disebut juga sebagai skala kategori. Data yang diukur dengan skala nominal tidak dapat dijumlahkan, dikali, dibagi ataupun dikurangi. Skala nominal juga merupakan yang paling lemah dari empat skala pengukuran. Skala nominal membedakan satu objek atau peristiwa dari yang lain atas dasar nama.

Contoh.

Agama : Islam, Kristen, Katolik, Budha, Hindu, dll

Jenis Kelamin : Laki-laki, perempuan

Tempat lahir : semua nama tempat yang mungkin

2. Skala Ordinal

Skala pengukuran ini selain memiliki sifat pengukuran nominal, yaitu membedakan, skala ordinal juga memiliki tingkatan. 

Contoh.

Peringkat Kelas : 1st, 2nd, 3rd, ...

Pendapatan (menurut kategori) : pendapatan rendah, pendapatan menengah, pendapatan tinggi

Skala Liker : sangat tidak setuju, tidak setuju, normal, setuju, dan sangat setuju

3. Skala Interval

Skala pengukuran ini, selain memiliki sifat membedakan dan memiliki tingkat, skala pengukuran ini juga memiliki jarak ataupun selisih. Sehingga ada perbedaan yang jelas antar tingkatan,

Contoh.

Suhu ruangan (baik dalam Celcius, Farenheit, ataupun satuan suhu lainnya)

Tingkat IQ

4. Skala Rasio

Skala rasio merupakan satu-satunya skala pengukuran yang memiliki sifat nol mutlak. Artinya, jika sesuatu bernilai nol, maka hal tersebut menunjukkan tidak adanya sifat yang diukur. Misalkan, jika anda memiliki tinggi 0 cm, itu artinya anda tidak ada. 

Contoh.

Umur

Tinggi Badan

Berat badan

Jumlah penjualan

Jumlah anak

dan masih banyak lainnya

Read More

PENGERTIAN SNOWBALL SAMPLING

Snowball Sampling adalah teknik nonprobability sampling yang digunakan ketika sampel yang dicari memiliki karakteristik yang sulit ditemukan. Teknik snowball sampling menggunakan pengambilan sampel dimana sampel berikutnya merupakan rekomendasi ataupun penunjukan dari sampel sebelumnya.

Contohnya, ketika kita ingin meneliti kepuasan pengunjung rutin di suatu klub malam (sebut saja Holywi*gs), tentu akan sulit untuk mengetahui siapa saja yang sering mengunjungi klub malam tersebut. Kita bisa saja mencari satu persatu orang yang ingin kita survei, namun tentu saja akan lebih mudah jika kita menanyakan langsung kepada orang pertama yang menjadi sampel, siapa saja yang akan menjadi sampel berikutnya.

Contoh lainnya, kita ingin melakukan survei perlakuan yang diterima oleh penderita AIDS dari masyarakat. Kita akan kesulitan untuk menemukan orang yang menderita AIDS, sehingga kita perlu menemui komunitas penderita AIDS dan meminta kontak penderita AIDS dari mereka.

Snowball Sampling seperti namanya, dimana jumlah sampel akan terus meningkat seperti bola salju yang berguling, sehingga peneliti memiliki cukup sampel untuk dilakukan analisa dan mengambil keputusan. Teknik snowball sampling juga sering digunakan pada dunia bisnis, dimana tak jarang karakteristik sampel yang dibutuhkan sulit untuk ditemui.

Jenis-Jenis Teknik Snowball Sampling

1. Linear Snowball Sampling: Sampel bermula dari satu orang/individu lalu sampel pertama memberikan informasi tentang satu orang/individu lain yang memenuhi kriteria. Hal itu terus berlanjut hingga jumlah sampel yang diinginkan terpenuhi
2. Exponential Non-Discriminative Snowball Sampling: Pada tipe ini, subjek/sampel pertama merekomendasikan beberapa sampel lainnya, dan semua sampel hasil rekomendasi digunakan. Begitu juga sampel berikutnya merekomendasikan beberapa sampel lainnya lagi. Hal ini terus berlanjut hingga jumlah sampel yang diinginkan terpenuhi
3. Exponential Discriminative Snowball Sampling: Pada tipe ini, subjek/sampel pertama merekomendasikan beberapa sampel lainnya, namun dari beberapa subjek hasil rekomendasi, hanya satu yang dipilih sesuai dengan kebutuhan penelitian. Begitu seterusnya hingga jumlah sampel yang diinginkan terpenuhi

Kelebihan Teknik Snowball Sampling

1. Lebih Mudah Mendapatkan Sampel: Rekomendasi dari sampel yang telah kita teliti membuat kita lebih mudah mendapatkan sampel yang sesuai dengan kriteria yang telah ditetapkan pada awal penelitian. Waktu penelitian yang sedianya digunakan untuk mencari sampel dapat dialihkan untuk melakukan hal yang lain.
2. Lebih Murah: Selain lebih mudah, rekomendasi sampel yang biaya yang dikeluarkan menjadi lebih sedikit dikarenakan tidak akan sulit untuk mencari sampel yang dibutuhkan.
3. Responden yang Ragu-Ragu: Untuk penelitian dengan topik yang cukup sensitif, teknik snowball sampling sangat cocok digunakan untuk menghindari keragu-raguan yang ditunjukkan oleh responden. 

Kekurangan Teknik Snowball Sampling

1. Sampling Bias dan Margin of Error: Dikarenakan teknik snowball sampling ini merupakan teknik sampling non probabilitas, serta sampel yang didapat merupakan rekomendasi dari sampel sebelumnya, maka akan ada potensi terjadinya sampling bias dan margin of error.
2. Kurang Kerjasama: Ada kemungkinan responden awal yang kita temui akan sulit untuk dimintai rekomendasi untuk sampel berikutnya. Hal ini mungkin terjadi pada topik-topik penelitian yang sangat sensitif. 

Read More

PENGANGGURAN DARI LULUSAN SMK

Badan Pusat Statistik baru-baru ini mengeluarkan rilis mengenai statistik ketenagakerjaan di Indonesia. Ditengah pandemi Corona yang sedang menimpa dunia saat ini, BPS tetap melakukan rilis data meskipun harus dilakukan secara online. Data tersebut didapatkan melalui Survei Angkatan Kerja Nasional (SAKERNAS) yang dilaksanakan pada Februari 2020. Survei SAKERNAS sendiri merupakan survei rutin yang dilakukan oleh BPS setiap 2 kali setahun (Februari dan Agustus), yang bertujuan untuk melakukan pendataan terhadap situasi angkatan kerja di Indonesia. Rilis resmi dari BPS dapat didownload langsung di website resmi BPS (www.bps.go.id), sedangkan rilis resmi Statistik Ketenagakerjaan Februari 2020 dapat diunduh disini.

Rilis BPS tersebut menyatakan tingkat pengangguran terbuka (TPT) di Indonesia pada Februari 2020 adalah sebesar 4,99 persen. Hal tersebut berarti dari 100 orang angkatan kerja, terdapat 4 hingga 5 orang yang tidak memiliki pekerjaan. Secara persentase, TPT pada Februari 2020 menurun jika dibandingkan dengan TPT Februari 2019 (5,01 persen). Namun, secara jumlah, orang pengangguran di Indonesia bertambah 60 ribu jiwa.

Tingkat pengangguran lulusan SMK lebih besar dibandingkan lulusan lainnya

Jika dilihat lebih jauh, terdapat fakta yang cukup menarik, dimana tingkat pengangguran pada lulusan SMK pada Februari 2020 adalh 8,49 persen, lebih tinggi dibanding tingkat pendidikan lainnya. Artinya, seseorang yang merupakan lulusan SMK lebih berpeluang menganggur dibandingkan seseorang lulusan lainnya. Padahal, lulusan SMK adalah orang-orang yang diharapkan langsung dapat terserap kedalam dunia kerja. Pendidikan SMK memang dikhususkan untuk membentuk orang yang langsung siap diterjunkan ke dalam dunia pekerjaan. Lalu, apakah pendidikan SMK sudah berhasil membuat lulusan yang siap bekerja? Atau malah menambah jumlah pengangguran di Indonesia?

Media Kompas mengatakan bahwa pengangguran di Indonesia didominasi oleh lulusan SMK

Mencermati Data

Perlu diketahui bahwa pengangguran di Indonesia tidaklah didominasi oleh lulusan SMK. Setidaknya, tidak ada data BPS yang mendukung klaim tersebut. Data BPS pada rilis resminya hanya menyatakan bahwa tingkat pengangguran lulusan SMK lebih tinggi dibandingkan lulusan tingkat pendidikan lainnya. Artinya, dari seluruh pengangguran secara keseluruhan, belum tentu lulusan SMK mendominasi. Berdasarkan publikasi BPS yang berjudul Indikator Pasar Tenaga Kerja Agustus 2019 (dapat didownload disini), pengangguran di Indonesia memang didominasi oleh lulusan Sekolah Menengah (SMA, SMK, dan sederajat). Namun, tidak ada data lanjutan yang menyatakan bahwa lulusan SMK mendominasi pengangguran di Indonesia.

Tetap Menjadi Masalah

Akan tetapi, permasalahan tingginya tingkat pengangguran pada lulusan SMK tetap menjadi permasalahan yang harus dipecahkan oleh pemerintah. Beberapa tahun yang lalu, pemerintah berusaha mempromosikan SMK. Pemerintah bertujuan meningkatkan supply angkatan kerja yang memiliki kemampuan yang sesuai dengan permintaan pasar. Namun, gencarnya promosi tersebut malah membawa masalah disaat ini. Terjadi over supply pada pasar tenaga kerja yang menyebabkan tingginya tingkat pengangguran lulusan SMK.

Apa yang Salah Dengan SMK?

SMK adalah sekolah menengah yang didesain untuk menghasilkan lulusan yang memiliki keahlian dan siap untuk masuk kedalam pasar tenaga kerja. Pada tahun 2019, terdapat 14.064 SMK diseluruh Indonesia. Menariknya, 75 persen dari jumlah tersebut merupakan swasta. Hal ini dikarenakan pemerintah memang menggandeng pihak industri dalam menyiapkan lulusan SMK, sehingga lulusan SMK dapat sesuai dengan harapan pihak industri.

Terdapat juga beberapa stigma negatif di masyarakat terhadap SMK. Kasus-kasus tawuran yang dilakukan oleh beberapa SMK memperkuat stigma negatif tersebut. Selain itu, kurikulum SMK saat ini dinilai belum sesuai dengan keinginan pasar tenaga kerja saat ini. Oleh sebab itu, pemerintah diharapkan melakukan perubahan terhadap kurikulum SMK yang ada saat ini. Kurikulum SMK diharapkan lebih mampu menolong para siswa sebelum mereka terjun kedalam dunia pekerjaan yang sesungguhnya.

Harapan Pada Mendikbud Baru

Terpilihnya Nadiem Makarim sebagai Menteri Pendidikan memberikan harapan bagi permasalahan ini. Pengalaman Nadiem pada perusahaan start up raksasa diharapkan mampu memberikan perubahan terhadap sistem pendidikan di Indonesia, terutama permasalahan yang dihadapi oleh lulusan SMK saat ini.

Industri 4.0 menuntut sumber daya manusia yang dapat bersaing dengan teknologi yang semakin canggih. Jika lulusan SMK tidak dapat menyesuaikan dengan kebutuhan industri saat ini, maka program pemerintah mempromosikan pendidikan vokasi akan menambah beban pada pemerintah saat ini.

Read More

STATISTIK NON PARAMETRIK

Statistik merupakan bagian penting dari ilmu pengetahuan. Seluruh bidang ilmu pengetahuan menggunakan statistik untuk menguji kebenaran-kebenaran baru, ataupun menguji suatu teori terhadap suatu populasi tertentu. Selain pada ilmu pengetahuan, statistik juga memiliki peranan penting dalam dunia industri. Beberapa produsen biasanya terlebih dahulu melakukan survey sebelum meluncurkan produk mereka. Hal itu dilakukan untuk mengetahui tanggapan konsumen terhadap produk-produk produsen tersebut. 

Secara umum, statistik terbagi atas dua. Statistik deskriptif yaitu statistik yang menganalisis data populasi dengan cara mendeskripsikan atau menggambarkan data, tanpa memberikan kesimpulan yang berlaku umum (generalisasi). Biasanya, statistik deskriptif tak dapat digunakan sebagai gambaran terhadap populasi. Yang kedua adalah statistik inferensia yaitu jenis statistik yang menganalisis data sampel dan membuat generalisasi pada populasi. Statistik inferensia dapat digunakan untuk menentukan karakteristik dari sebuah populasi.

Statistik inferensia yang lazim digunakan adalah statistik yang dilakukan untuk mengestimasi parameter dan melakukan uji hipotesis. Hal tersebut biasanya disebut dengan statistik parametrik. Namun, statistik parametrik memiliki beberapa persyaratan, yaitu :

1. Variabel penelitian (data yang ada) harus mengikuti distribusi normal;
2. Ukuran sampel terpenuhi;
3. Skala pengukuran paling kuat (biasanya adalah skala rasio);
4. Serta asumsi-asumsi lainnya.

Pada beberapa situasi, persyaratan diatas sangat sulit dipenuhi. Salah satu persyaratan yang paling sulit dipenuhi adalah data mengikuti distribusi normal dan skala pengukuran. Tak jarang, beberapa survei yang dilakukan perusahaan tidak menggunakan skala pengukuran yang kuat (biasanya skala nominal). Sehingga, akan menjadi sulit untuk melakukan estimasi parameter. Selain itu, beberapa survei yang dilakukan perusahaan tidak menggunakan kerangka sampel dalam penarikan sampelnya. Hal tersebut menyebabkan statistik parametrik tidak mungkin dilakukan.

Statistik nonparamterik hadir untuk mengatasi permasalahan-permasalahan diatas. Statistik nonparamterik dapat digunakan meskipun variabel penelitian tidak mengikuti distribusi normal. Selain itu, terdapat beberapa kelebihan dari statistik nonparametrik, antara lain :

1. Tidak memerlukan ukuran sampel yang harus memenuhi syarat;
2. Uji statistik dapat digunakan untuk ukuran sampel data yang kecil;
3. Berlaku untuk semua jenis skala pengukuran. Mulai dari skala nominal hingga skala rasio
4. Uji dapat dilakukan pada sampel-sampel yang diambil dari populasi yang berbeda

Meskipun demikian, pengujian statistik nonparametrik menimbulkan kelemahan-kelemahan jika dibandingkan dengan pengujian statistik parametrik. Adapun kelemahannya, antara lain :

1. Jika ukuran sampel cukup besar, asumsi variabel berdistribusi normal dan skala pengukuran interval, maka hasil uji statistik nonparametrik lebih lebih dibandingkan uji statistik parametrik. Kelemahan ini dapat dilihat dari power efisiensi yang dihasilkan masing-masing uji.
2. Uji statistik nonparametrik tidak bisa melakukan uji interaksi antar variabel.
3. Memungkinkan adanya informasi yang terbuang.

Read More

PROVINSI TERMISKIN DI INDONESIA

Kemiskinan masih menjadi perhatian bagi pemerintah. Meskipun angka kemiskinan secara nasional telah dibawah 10 persen, namun penanganan kemiskinan masih terus dilakukan oleh pemerintah. Beberapa program bantuan sosial terus dilakukan, seperti beras sejahtera, bantuan sembako, dan bantuan premi BPJS. Selain pemerintah pusat, pemerintah daerah juga melakukan program-program untuk mengatasi kemiskinan di wilayahnya masing-masing. 

Sebagai salah satu indikator keberhasilan terhadap penanganan kemiskinan, pemerintah menggunakan data kemiskinan yang dihitung oleh BPS. Data kemiskinan dihitung BPS melalui Survei Sosial Ekonomi Nasional (SUSENAS). Lalu, sebenarnya, provinsi mana yang memiliki persentase penduduk miskin yang paling besar? Berikut data yang didapatkan dari website Badan Pusat Statistik.

Provinsi	Persentase Penduduk Miskin
PAPUA	26,55
PAPUA BARAT	21,51
NUSA TENGGARA TIMUR	20,62
MALUKU	17,65
GORONTALO	15,31
Sumber : SUSENAS September 2019

Tabel tersebut menunjukkan bahwa 5 Provinsi dengan persentase penduduk miskin terbanyak semuanya berada di wilaya Indonesia bagian timur. Data tersebut juga semakin memperjelas bahwa memang terjadi ketimpangan antara wilayah Indonesia bagian timur dengan wilayah Indonesia bagian barat.

Secara tidak mengejutkan, Papua dan Papua Barat masih memiliki persentase penduduk miskin terbanyak. Menurut data dari BPS, 1 dari 4 orang di Papua merupakan penduduk miskin. Sedangkan, 1 dari 5 orang di Papua Barat dan NTT hidup dibawah garis kemiskinan. Faktor infrastruktur yang sangat terbelakang membuat wilayah bagian timur Indonesia, khususnya Papua, semakin sulit mengatasi kemiskinan. Dibutuhkan kerjasama dan sinergi yang baik antara pemerintah pusat dan pemerintah daerah.

Untuk wilayah barat Indonesia, Provinsi Aceh menjadi pemimpin klasemen untuk urusan persentase penduduk miskin (secara keseluruhan, Provinsi Aceh peringkat 6). Persentase penduduk miskin di Aceh mencapai angka 15,01 persen. Angka tersebut menurun jika dibandingkan pada periode Maret 2019 (15,32 persen). Lalu, apakah memang Aceh harus melakukan ekspor ganja untuk keluar dari jurang kemiskinan?

Read More

UJI NORMALITAS DENGAN R PROGRAMMING

Artikel ini merupakan kelanjutan dari artikel sebelumnya yang membahas tentang uji normalitas dengan menggunakan uji formal. Namun, sebelum melakukan uji normalitas menggunakan uji statistik formal, ada baiknya kita melihat normalitas suatu data melalui grafik dan statistik deskripsi lainnya.

Seperti yang diketahui sebelumnya, banyak uji statistik seperti uji korelasi, regresi, dan analisis ANOVA membutuhkan data yang mengikuti distribusi normal atau Gaussian distribution. Uji tersebut disebut dengan tes parametrik, karena validitas uji tersebut bergantung pada distribusi datanya.

Sebelum melakukan uji parametrik, kita harus melakukan uji untuk memastikan bahwa data yang akan kita gunakan telah memenuhi asumsi yang dibutuhkan untuk melakukan uji tersebut. Jika asumsi tersebut ternyata tidak terpenuhi atau terlanggar, maka kita sebaiknya menggunakan uji non-parametrik untuk mengatasi hal tersebut.

Pada kesempatan kali ini, akan dibahas mengenai pengecekan normalitas data dengan melihat grafik dari data menggunakan aplikasi R.

Install Package yang Dibutuhkan

Package R dibutuhkan untuk melakukan eksplorasi data adalah dplyr. Lalu untuk visualisasi data adalah ggpubr

> install.packages("dplyr")

> install.packages("ggpubr")

Panggil Package yang Telah di Install

> library("dplyr")

> library("ggpubr")

  

Lakukan Import Data

#Jika formatnya adalah .txt, maka gunakan ini

> my_data <- read.delim(file.choose())

#Jika format data adalah .csv, maka gunakan ini

> my_data <- read.csv(file.choose())

 

Perlu diketahui bahwa menurut Teori Limit Pusat, sampel yang besarnya lebih dari 30 dapat dianggap berdistribusi Normal. Namun, untuk meyakinkan dan mendapatkan kepastian, maka perlu dilakukan pengecekan terhadap distribusi data kita.

Membuat Density Plot

> ggdensity(mydata, main="Density Plot")

Kita dapat melihat grafik yang dihasilkan dan membandingkan dengan grafik distribusi normal secara teori. Jika dilihat dari grafik data, maka bentuk grafik tersebut telah menyerupai grafik distribusi normal.

Membuat Q-Q Plot

> ggqqplot(mydata, main="QQ Plot") 

f

Selain melihat dari grafik kepadatan, kita juga dapat melihat grafik QQ Plot dari data yang kita miliki. Melihat QQ Plot dapat memberikan gambaran mengenai penyebaran data kita apakah sesuai dengan penyebaran data teoritis. Jika melihat QQ Plot yang dihasilkan dari data eksperimen kita, maka penyebaran data berada di sekitar titik teoritis. Hal ini mengindikasikan bahwa data kita memiliki distribusi sebaran normal.

Mendapatkan Dukungan dari Uji Formal

Setelah melakukan pendeteksian menggunakan grafik, maka ada baiknya dilakukan uji formal untuk mendapatkan kepastian mengenai distribusi dari data yang kita miliki. Namun, jika kita sudah cukup yakin dengan melihat grafik, maka uji formal dapat tidak dilakukan.

Uji formal normalitas dapat menggunakan beberapa uji. Shapiro-Wilk Test merupakan salah satu uji normalitas yang cukup powerful. Selain Shapiro-Wilk test, ada juga uji Jarque Berra, uji Kolmogorov-Smirnov, uji Lilifors, dan uji Anderson Darling. Semua uji tersebut memiliki kelebihan dan kekurangan masing-masing. Pemilihan uji normalitas dapat disesuaikan dengan karakteristik data yang kita miliki.

Read More