Salah satu teknik dalam menentukan sampel penelitian adalah proportional random sampling. Teknik ini menjadi salah satu jenis dari kategori probability sampling. Pada beberapa penelitian, penerapan teknik ini sangat tepat. 

Lewat teknik ini, peneliti akan menyusun atau mengelompokan setiap populasi yang terpencar di sejumlah lokasi. Kemudian diambil secara acak dalam jumlah yang sama di masing-masing lokasi. 

Teknik semacam ini memberi kemungkinan besar sampel bisa representatif sehingga meminimalkan bias. Lalu, seperti apa penerapannya dalam penelitian? Berikut informasi dan penjelasan lengkapnya. 

Apa Itu Proportional Random Sampling?

Dikutip dari buku berjudul Statistik untuk Penelitian karya dari Ari Setiawan (2024), proportional random sampling adalah pengambilan sampel dari anggota populasi secara proporsional, sampling ini dilakukan jika anggota populasinya heterogen (tidak sejenis). 

Populasi heterogen artinya populasi tersebut memiliki beragam individu atau kelompok individu. Misalnya populasi penelitian adalah masyarakat di kota Yogyakarta. Maka peneliti mendapati populasi heterogen karena masyarakat di Yogyakarta memiliki beragam usia, gender, latar belakang pendidikan, profesi, tingkat pendapatan, dan sebagainya. 

Seperti yang dijelaskan di awal, teknik sampling satu ini adalah bagian dari probability sampling. Seperti yang diketahui, teknik sampling terbagi menjadi dua kategori besar. Yakni probability dan nonprobability sampling. Keduanya terbagi lagi menjadi beberapa teknik. 

Sebagai bagian atau jenis dari probability sampling, maka penerapannya cenderung rapi dan terstruktur. Sehingga ada pola berulang dalam menentukan sampel di populasi skala besar. Hal ini membantu mendapatkan sampel yang tepat dan merepresentasikan populasi. 

Sayangnya, ketika penelitian memiliki populasi skala besar. Penerapan teknik sampling ini memakan waktu lebih. Sebab perlu menentukan rumus untuk menghitung kebutuhan jumlah sampel, pola dalam pemilihan sampel, dan sebagainya. 

Namun, efisiensi akan dirasakan di belakang karena tidak perlu menjadikan seluruh populasi sebagai sampel penelitian. Proses pengambilan data tidak memakan waktu lama, sehingga menjadikannya lebih efektif dan efisien. 

Sebagai contoh dari penerapan proportional random sampling adalah ketika peneliti ingin mengetahui tingkat kepuasan konsumen perusahaan X. Perusahaan X ini memiliki data penjualan di tiga tempat berbeda dengan jumlah konsumen sebagai berikut: 

• Toko A memiliki 5.000 pelanggan (50% dari total pelanggan)
• Toko B memiliki 3.000 pelanggan (30% dari total pelanggan)
• Toko C memiliki 2.000 pelanggan (20% dari total pelanggan)

Peneliti kemudian ingin mendapatkan sampel maksimal 1.000 pelanggan. Maka perhitungan sampel di masing-masing strata (kelompok—toko) adalah sebagai berikut: 

• Toko A: 50% x 1.000 = 500 pelanggan
• Toko B: 30% x 1.000 = 300 pelanggan
• Toko C: 20% x 1.000 = 200 pelanggan

Teknik ini memastikan setiap strata mendapat sampel yang porsinya tetap atau sama dengan strata lain. Seperti contoh di atas, semakin tinggi jumlah pelanggan di toko A maka semakin banyak jumlah sampel yang diambil. 

Jika kondisinya di setiap toko memiliki jumlah pelanggan sama banyak. Maka peneliti akan mengambil sampel dalam jumlah yang sama di setiap toko. Hal ini membantu mendapatkan sampel yang representatif di setiap strata. 

Kelebihan Proportional Random Sampling 

Penerapan teknik proportional random sampling memberikan banyak keuntungan. Hal ini tidak terlepas dari keunggulan yang dimiliki. Diantaranya adalah: 

1. Sampel Lebih Representatif 

Kelebihan yang pertama dari teknik ini adalah sampel yang dipilih bisa merepresentasikan populasi. Hal ini bisa terjadi, karena peneliti akan mengambil sampel per strata (kelompok) dalam proporsi yang sama. 

Artinya, jumlah sampel per strata akan memiliki persentase sama besar . Sehingga sampel tersebut mampu merepresentasikan strata masing-masing. Pada akhirnya, seluruh sampel bisa merepresentasikan populasi. 

Dalam penelitian, mendapatkan sampel yang representatif sangat penting. Sebab bisa meningkatkan kualitas data. Ketika data penelitian berkualitas maka akan ikut meningkatkan kualitas kesimpulan atau hasil penelitian (hasil analisis data). 

2. Akurasi Data Penelitian Lebih Tinggi 

Keunggulan yang kedua dari proportional random sampling adalah memberikan akurasi data yang tinggi. Dikatakan demikian karena setiap strata memberikan sampel dengan bias yang minim. Sebab bisa merepresentasikan setiap strata.

Jika seluruh sampel sudah representatif maka tentu akan didapatkan data berkualitas. Data seperti ini yang disebut sebagai data dengan akurasi tinggi. Sebab data tersebut mampu mewakili seluruh data populasi. 

Jika pada teknik lain ada kemungkinan memilih sampel yang keliru dan jumlahnya tidak proporsional. Maka pada teknik ini bisa diatasi, sebab sejak awal penentuan jumlah sampel setiap strata dijamin proporsional. 

3. Membantu Analisis Setiap Strata (Kelompok) 

Keunggulan selanjutnya adalah bisa membantu analisis per strata atau kelompok populasi. Ada kalanya, peneliti perlu melakukan analisis terhadap seluruh sampel dan data yang didapatkan per strata. Kemudian melakukan perbandingan. 

Kenapa peneliti perlu melakukan analisis per strata? Salah satunya untuk membandingkan hasil atau data yang dikumpulkan. Kemudian melakukan tindak lanjut sesuai dengan hasil analisis tersebut. 

Misalnya, jika strata A terdiri dari individu berusia remaja. Sementara strata B didominasi oleh individu di usia dewasa antara 30 sampai 40 tahunan. Kemudian akan mempengaruhi data, dimana tingkat kepuasan strata A dan B terpaut jauh. 

Hal ini kadang perlu dijadikan perhatian oleh peneliti. Sehingga bisa menyusun strategi untuk mendapatkan data yang lebih representatif dan mengurangi resiko bias. Misalnya, diakali dengan memilih sampel di strata B yang dari usia remaja juga.

Kekurangan Proportional Random Sampling 

Hanya saja, teknik proportional random sampling juga memiliki beberapa kelemahan yang perlu diperhatikan. Seperti: 

1. Membutuhkan Informasi Lengkap Terkait Populasi 

Kekurangan atau kelemahan yang pertama dari teknik sampling saat ini adalah tingginya kebutuhan mendapat informasi lengkap. Yakni informasi dari seluruh populasi penelitian. 

Hal ini terjadi, karena penerapannya diawali dengan membagi populasi dalam beberapa strata. Jika tidak mendapat informasi detail dan lengkap terkait karakteristik populasi. Maka pembagian strata menjadi tidak maksimal dan sulit. 

Adanya tuntutan atau kebutuhan ini menjadikan penerapannya memakan waktu lebih di awal. Tuntutan akan semakin tinggi dan semakin sulit jika peneliti berhadapan dengan populasi skala besar, tersebar terlalu luas, dan sebagainya. 

2. Prosesnya Rumit dan Membutuhkan Waktu Lebih 

Kelemahan yang kedua adalah proses penerapan proportional random sampling rumit. Sehingga butuh waktu lebih, padahal ada banyak peneliti yang berhadapan dengan durasi penelitian pendek. Misalnya durasi sudah ditentukan penyelenggara hibah. 

Kenapa penerapannya menjadi rumit? Alasannya adalah karena teknik sampling ini memiliki tahapan lebih panjang. Apalagi jika dibandingkan dengan teknik simple random sampling. Secara garis besar, tahapannya antara lain: 

• Mengidentifikasi dan membagi populasi ke dalam strata.
• Menentukan proporsi masing-masing strata.
• Mengambil sampel secara acak dalam setiap strata.

Tahapan ini terbilang lebih panjang dan di setiap tahapan bisa memakan waktu. Apalagi jika ada variasi dalam populasi dan tersebar tidak merata di wilayah yang terlalu luas. 

3. Tidak Efisien Jika Variasi Strata Kecil 

Kelemahan ketiga dari teknik sampling ini adalah menjadi tidak efisien jika variasi di setiap strata kecil. Secara umum, teknik ini menjadi efisien jika variasi setiap strata signifikan atau perbedaannya besar. 

Misalnya, jika peneliti ingin mengetahui tingkat kepuasan pelanggan berdasarkan usia pelanggan. Kemudian mendapati ada satu atau lebih strata yang isinya adalah pelanggan di usia 50 tahun ke atas. 

Maka peneliti akan kesulitan mendapatkan tingkat kepuasan dari pelanggan yang usianya berbeda jauh. Misalnya di kalangan remaja. Hal ini memberikan tuntutan kepada peneliti untuk mencari sampel lain yang punya variasi signifikan. 

Tentunya akan membutuhkan waktu lebih lama lagi, kebutuhan sumber daya lain juga akan mengikuti. Oleh sebab itu, teknik sampling ini tidak bisa diterapkan begitu saja tanpa mendapatkan informasi rinci terkait populasi seperti penjelasan sebelumnya. 

4. Sulit dalam Menentukan Strata yang Tepat 

Kelemahan keempat dari proportional random sampling adalah adanya kemungkinan sulit menentukan strata. Artinya, peneliti keliru dalam memilih strata untuk dijadikan sampel penelitian. 

Hal ini bisa terjadi ketika peneliti menetapkan variabel penelitian yang keliru. Sehingga sampel yang dipilih dari setiap strata ikut keliru. Kondisi ini tentunya akan menurunkan kualitas data karena representasi yang rendah. 

Misalnya, peneliti ingin mengetahui tingkat efektivitas suatu kurikulum terhadap prestasi akademik siswa SMA. Jika strata yang diambil berdasarkan usia, maka data tidak akurat. Namun akan lebih tepat jika memilih berdasarkan tingkat kelas. Sehingga didapatkan data yang lebih valid.  

5. Sulit Diterapkan Jika Populasi Tersebar Luas dan Tidak Merata  

Kelemahan selanjutnya adalah penjelasan sekilas sebelumnya, yakni sulit diterapkan jika populasi tersebar terlalu luas. Sekaligus ketika populasi tersebar tidak merata. Kondisi semacam ini menyulitkan peneliti mendapatkan informasi detail terkait populasi. 

Jika informasinya minim,maka rentan melakukan kesalahan saat membagi populasi menjadi beberapa strata. Dampaknya bisa membuat sampel keliru dan data menjadi tidak berkualitas. 

Misalnya, peneliti kesulitan menjangkau populasi yang ada di daerah terpencil. Sehingga kesulitan untuk mengetahui populasi ini bisa masuk di strata mana. Jika diabaikan maka tentu akan menurunkan kualitas sampel dan data yang dihimpun selama penelitian. 

Rumus Proportional Random Sampling

Dikutip melalui Repository Universitas Pendidikan Indonesia (UPI), penggunaan rumus pada proportional random sampling adalah untuk menentukan jumlah sampel di masing-masing strata. Rumus tersebut adalah: 

Keterangan: 

• n_h​ = jumlah sampel dari strata ke-hhh
• N_h​ = jumlah populasi dalam strata ke-hhh
• N = total populasi
• n = total ukuran sampel yang diinginkan

Berikut adalah contoh perhitungan dengan memakai rumus di atas: 

Peneliti ingin melakukan survei terhadap 1.000 orang dari populasi 10.000 orang yang terbagi dalam 3 kelompok umur:

• Remaja (n₁) = 4.000 orang
• Dewasa (n₂) = 5.000 orang
• Lansia (n₃) = 1.000 orang
• Total populasi (N) = 10.000 orang
• Total sampel yang diambil (n) = 1.000 orang

Maka, jumlah sampel dari setiap strata dihitung sebagai berikut:

• Remaja: 

n₁​ = 10.000/4.000​ × 1.000 = 400

• Dewasa: 

n₂ ​= 10.000/5.000 ​× 1.000 = 500

• Lansia: 

n₃​ = 10.000/1.000​ × 1.000 = 100

Jadi, di strata pertama pada usia remaja akan diambil sampel 400 orang, di usia dewasa 500 orang, dan di usia lansia ada 100 orang. Peneliti kemudian memilih sampel secara acak di masing-masing strata. Sebab tinggal fokus pada jumlah sampelnya saja. 

Contoh Proportional Random Sampling

Membantu lebih memahami lagi apa itu proportional random sampling dan bagaimana penerapannya dalam penelitian. Maka berikut beberapa contoh sebagai penjelasan tambahan: 

Contoh Proportional Random Sampling 1

Survei Kepuasan Pelanggan Supermarket

Sebuah perusahaan ritel ingin mengetahui tingkat kepuasan pelanggan di tiga cabangnya. Setiap cabang memiliki jumlah pelanggan yang berbeda, sehingga perusahaan menggunakan teknik sampling proportional random untuk mendapatkan sampel yang representatif.

Data populasi: 

• Cabang A → 5.000 pelanggan
• Cabang B → 3.000 pelanggan
• Cabang C → 2.000 pelanggan
• Total pelanggan → 10.000 pelanggan
• Sampel yang diinginkan → 1.000 pelanggan

Perhitungan sampel per cabang: 

• Cabang A: (5.000/10.000) × 1.000= 500 pelanggan
• Cabang B: (3.000/10.000) × 1.000 = 300 pelanggan
• Cabang C: (2.000/10.000) × 1.000 = 200 pelanggan. 

Contoh Proportional Random Sampling 2

Studi Akademik Tentang Prestasi Siswa

Seorang peneliti ingin mengetahui pengaruh metode pembelajaran baru terhadap prestasi siswa di tiga sekolah menengah atas. Berhubung jumlah siswa di setiap sekolah berbeda, digunakan proportional random sampling untuk memastikan representasi yang adil.

Data populasi: 

• SMA 1 → 1.200 siswa
• SMA 2 → 800 siswa
• SMA 3 → 1.000 siswa
• Total siswa → 3.000 siswa
• Sampel yang diinginkan → 300 siswa

Perhitungan sampel per sekolah: 

• SMA 1: (1.200/3.000) × 300 = 120 siswa
• SMA 2: (800/3.000) × 300 = 80 siswa
• SMA 3: (1.000/3.000) × 300 = 100 siswa

Contoh Proportional Random Sampling 3

Penelitian Pemilih dalam Pemilu

Sebuah lembaga survei ingin mengetahui preferensi pemilih terhadap calon presiden berdasarkan wilayah tempat tinggal. Karena jumlah pemilih di setiap daerah berbeda, digunakan Proportional Random Sampling

Data populasi: 

• Kota A → 600.000 pemilih
• Kota B → 300.000 pemilih
• Kota C → 100.000 pemilih
• Total pemilih → 1.000.000 pemilih
• Sampel yang diinginkan → 1.000 pemilih

Perhitungan sampel per kota: 

• Kota A: (600.000/1.000.000) × 1.000 = 600 pemilih
• Kota B: (300.000/1.000.000) × 1.000 = 300 pemilih
• Kota C: (100.000/1.000.000) × 1.000 = 100 pemilih

Contoh Proportional Random Sampling 4

Studi Tentang Preferensi Konsumen dalam Membeli Produk Elektronik

Sebuah perusahaan elektronik ingin mengetahui preferensi konsumen dalam membeli produk elektronik berdasarkan pendapatan bulanan. Karena jumlah konsumen di tiap kategori pendapatan berbeda, digunakan Proportional Random Sampling.

Data Populasi Berdasarkan Pendapatan Bulanan:

• Pendapatan Rendah (N₁) = 20.000 orang
• Pendapatan Menengah (N₂) = 50.000 orang
• Pendapatan Tinggi (N₃) = 30.000 orang
• Total populasi (N) = 100.000 orang
• Total sampel yang diambil (n) = 1.000 orang

Perhitungan Sampel Per Kategori Pendapatan:

• Pendapatan Rendah: (20.000/100.000) × 1.000 = 200 orang
• Pendapatan Menengah: (50.000/100.000) × 1.000 = 500 orang
• Pendapatan Tinggi: (30.000/100.000) × 1.000 = 300 orang

Itulah penjelasan secara rinci mengenai apa dan seperti apa penerapan teknik proportional random sampling. Semakin dipahami, maka semakin mudah dalam penerapannya. Sekaligus bisa meminimalkan kesalahan atau bias dalam penerapan. 

Jika memiliki pertanyaan maupun ingin membagikan pengalaman pribadi sebagaimana isi artikel ini. Jangan ragu membuka diskusi melalui kolom komentar. Klik juga tombol Share sehingga informasi dari artikel ini tidak berhenti di Anda saja.