Analisis Komponen Utama/ Principal Component Analysis (Teori) • • Tujuannya mereduksi dimensi peubah yang saling berkorelasi menjadi peuba h2 baru yang tidak berkorelasi dengan tetap mempertahankan sebanyak mungkin keragaman data asalnya. (patokan 80%) Misal ada 1000 variableapa kelebihan n kekurangannya..!! 1. Terlalu rumit 2. "egi interpretasi sulit "ehingga perlu dilakukan reduksi data. "yaratnya harus ada korelasi kuat antar variable. #angkah langkah $& ' $* engujian hipotesis matriks korelasi+ melihat ada tidaknya korelasi yang erat antar variable. dengan menggunakan uji bartlet* H0: ρ =Ip("elain diagonal utama,0$rtinya korelasi antar peubah 0) -1* ρ≠ Ip("elain diagonal utama,0$rtinya korelasi yang erat antar peubah UJi Barlett: n =jumlah observasip, jumlah variable R, matrik korelasi (estimasi) = determinan matrik korelasi Tolak -0 jika x 2 hitung> x 2 tabel arena kita niatnya make $ &yang kita harapkan To lak -0. $rtinya antar variable a/al ada korelasi sehingga tujuan reduksi' penyusutan dimensi data menjadi terapai. 1. Menar i akar ir i da ri mat ri ks kova ri an ( ") a ta u basi s kore lasi ( ) . i ka s at uan vari able sama pake kovarianjika satuan berbeda pake korelasi. 2. Me ngur ut ka n ak ar i ri yang di pe role h da ri te rb esar ke t er kei l (31432...4 3p4 0) 5. Membuat peuba h ba ru (komponen ut ama) y ang me rupakan kombinasi l inear da ri peubah asalnya. Membuat vetor iri yang dinormalisasi (dibuat orthonormal) dari masing2 akar iri yang bersesuaian 61,e17,e1191:;:e1p9 p 62,e27,e2191:;:e2p9 p
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
-1 * ρ≠ Ip ("elain diagonal utama,0 $rtinya korelasi yang erat antar peubah
UJi Barlett:
n = jumlah observasi p , jumlah variable R , matrik korelasi (estimasi) = determinan
matrik korelasi
Tolak -0 jika
x2 hitung > x2 tabel
arena kita niatnya make $& yang kita harapkan Tolak -0. $rtinya antar variable a/al ada
korelasi sehingga tujuan reduksi' penyusutan dimensi data menjadi terapai.1. Menari akar iri dari matriks kovarian (") atau basis korelasi (). ika satuan variable
sama pake kovarian jika satuan berbeda pake korelasi.
2. Mengurutkan akar iri yang diperoleh dari terbesar ke terkeil (3 143 2...4 3 p4 0)
5. Membuat peubah baru (komponen utama) yang merupakan kombinasi linear dari peubahasalnya.
Membuat vetor iri yang dinormalisasi (dibuat orthonormal) dari masing2 akar iri yang
The functionprincomp() also comes with the default"stats" package, and it is very
similar to her cousinprcomp(). What I don’t like ofprincomp() is that sometimes it won’t
display all the values for the loadings, but this is a minor detail.# PCA with function princomp
pca = princomp(USArrests, cor = TRUE)
# sqrt of eigenvalues
pca$sdev
Comp.1 Comp. Comp. Comp.4
1.#$4% &.%%4% &.#%$1 &.41'4
# loadings
unclass(pca$loadins)
Comp.1 Comp. Comp. Comp.4
Murder *&.##% &.41+ *&.41 &.'4%
Assault *&.#+ &.1++& *&.'+1 *&.$441
UranPop *&.$+ *&.+$+ *&.$+& &.1++
Rape *&.#44 *&.1'$ &.+1$+ &.&+%&
# PCs (aka scores)
head (pca$scores)
Comp.1 Comp. Comp. Comp.4
Alaama *&.%+#' 1.14 *&.444$ &.1#''$
Alasa *1.%#&1 1.&$ .&4&&& *&.4+#+
Ari/ona *1.$' *&.$4'& &.$+ *&.+4'#
Aransas &.1414 1.11%+ &.114#$ *&.1++11
Cali0ornia *.#4& *1.#4% &.#%+#' *&.41%%'
Colorado *1.#14' *&.%+$' 1.&%#&1 &.&&14'#
Option 3: using PCA()
A highly recommended option, especially if you want more detailed results and
assessing tools, is thePCA() function from the package"FactoMineR". It is by far thebest PCA function in R and it comes with a number of parameters that allow you to
tweak the analysis in a very nice way.# PCA with function PCA
rinipal omponent $nalysis ($) is a po/er@ul tool /hen you have many variables and you/ant to look into things that these variables an e9plain. $s the name o@ $ suggests $
@inds the ombination o@ your variables /hih e9plains the phenomena. En this sense PCA is
useful when you want to reduce the number of the ariables . Fne ommon senario o@ $
is that you have n variables and you /ant to ombine them and make them 5 or G variables
/ithout losing muh o@ the in@ormation that the original data have. More mathematially $ istrying to @ind some linear projetions o@ your data /hih preserve the in@ormation your data
have.
$ is one o@ the methods you may /ant to try i@ you have lots o@ #ikert data and try tounderstand /hat these data tell you. #etHs say /e asked the partiipants @our BDsale #ikert
Iuestions about /hat they are about /hen hoosing a ne/ omputer and got the results like
Drand <- c(?,0,*,/,*,/,3,?,7,*,7,>,>,*,*,7 data <- data2frame(Price, oftware,Aesthetics, Drand
$t this point data looks pretty muh the same as the table above. Jo/ /e do $. En thereare t/o @untions @or $* promp() and prinomp(). promp() uses a orrelation oe@@iient
matri9 and prinomp() uses a variane ovariane matri9. Kut it seems that the results beome
similar in many ases (/hih E havenHt @ormally tested so be are@ul) and the results gained @rom
prinomp() have nie @eatures so here E use prinomp().
"tandard deviation means the standard deviation o@ the ne/ variables. $ alulates theombination o@ the variables suh that ne/ variables have a large standard deviation. Thus
generally a larger standard deviation means a better variable. $ heuristis is that /e take all the
ne/ variables /hose standard deviations are roughly over 1.0 (so /e /ill take omp.1 andomp.2).
$nother /ay to determine ho/ many ne/ variables /e /ant to take is to look at umulative
proportion o@ variane. This means ho/ muh o@ the in@ormation that the original data have an be desribed by the ombination o@ the ne/ variables. Nor instane /ith only omp.1 /e an
desribe C1% o@ the in@ormation the original data have. E@ /e use omp.1 and omp2 /e an
desribe 8O% o@ them. Penerally 80% is onsidered as the number o@ the perentage /hihdesribes the data /ell. "o in this e9ample /e an take omp.1 and omp.2 and ignore
omp.5 and omp.G.
En this manner /e an derease the number o@ the variables (in this e9ample @rom G variables to2 variables). 6our ne9t task is to understand /hat the ne/ variable means in the onte9t o@ your
data. $s /e have seen the @irst ne/ variable an be alulated as @ollo/s*
Et is a very good idea to plot the data to see /hat this ne/ variable means. 6ou an use !core! to
take the values o@ eah variable modeled by $.
plot(pca'scores4,36 arplot(pca'scores4,36
Qith the graphs (sorry E /as kinda laRy to upload the graph but you an Iuikly generate it byyoursel@) you an see artiipant 1 D 8 get negative values and the other partiipants get positive
values. Et seems that this ne/ variable indiates /hether a user ares about rie and "o@t/are or
$esthetis and Krand @or her omputer. "o /e probably an name this variable as
LNeature'Nashion inde9 or something. There is no de@initive ans/er @or this part o@ $. 6ouneed to go through your data and make sense /hat the ne/ variables mean by yoursel@.
Nator $nalysis is another po/er@ul tool to understand /hat your data mean partiularly /hen
you have many variables. Qhat Nator $nalysis does is to try to @ind hidden variables /hih
e9plain the behavior o@ your observed variables. Fur interests here also lie in reduing thenumber o@ variables. "o /e hope that /e an @ind a smaller number o@ ne/ variables /hih
e9plain your data /ell. En this sense it sounds very similar to$. $lthough the outome is very
similar in terms o@ reduing the number o@ variables the approah to redue the number o@variable is di@@erent. E /ill e9plain this in the ne9t setion.
E@ you are a little more kno/ledgeable you may have heard o@ the terms like S9ploratory Nator
$nalysis (SN$) and on@irmatory Nator $nalysis (N$). SN$ means that you donHt really kno//hat hidden variables (or @ators) e9ist and ho/ many they are. "o you are trying to @ind them.
N$ means that you already have some guesses or models @or your hidden variables (or @ators)
and you /ant to hek /hether your models are orret. En many ases your Nator $nalysis isSN$ and E e9plain it in this page.
Qe are going to use a similar e9ample in $. #etHs say you have some data like this @rom your
survey about /hat is important /hen they deide /hih omputer to buy.
Price5 A new comp$ter is cheap to yo$ (35 strongly disagree B 75 stronglyagree,
oftware5 The on a new comp$ter allows yo$ to $se software yo$ want to$se (35 strongly disagree B 75 strongly agree,
Aesthetics5 The appearance of a new comp$ter is appealing to yo$ (35strongly disagree B 75 strongly agree,
Drand5 The rand of the on a new comp$ter is appealing to yo$ (35strongly disagree B 75 strongly agree,
.riend5 Oo$r friends opinions are important to yo$ (35 strongly disagree B 75
strongly agree, .amily5 Oo$r familys opinions are important to yo$ (35 strongly disagree B 75
strongly agree2Nor suess@ully doing Nator $nalysis /e need more data than this e9ample. E@ your /ant to
@ind n @ators you /ant to have roughly 3n - $ndimensions o@ data and 5n - 10n samples. $nd
Nator $nalysis assumes the normality o@ the data so it is not a great tool @or ordinal data.-o/ever in pratie /e an use Nator $nalysis on ordinal data i@ the sale is O or more and
data an be treated as interval data.
Through Nator $nalysis you /ant to @ind hidden variables (common factors) /hih maye9plain the responses you gained. Nor looking at ho/ to do Nator $nalysis in E /ould like to
*he intuition of Principal Component Analysis is to find new combination of ariables
which form lar'er ariances. Qhy are larger varianes important! This is a similar onept o@
entropy in in@ormation theory. #etHs say you have t/o variables. Fne o@ them (ar 1) @orms J(10.01) and the other (ar 2) @orms J(1 1). Qhih variable do you think has more in@ormation!
ar 1 is al/ays pretty muh 1 /hereas ar 2 an take a /ider range o@ values like 0 or 2. Thus
ar 2 has more hanes to have various values than ar 1 /hih means ar 2Hs entropy is largerthan ar 1Hs. Thus /e an say ar 2 ontains more in@ormation than ar 1.
$lthough the e9ample above just looks at one variable at one time PCA tries to find linear
combination of the ariables which contain much information by loo+in' at the ariance .This is /hy the standard deviation is one o@ the important metris to determine the number o@
ne/ variables in $. $nother interesting aspet o@ the ne/ variables derived by $ is that all
ne/ variables are orthogonal. 6ou an think that $ is rotating and translating the data suhthat the @irst a9is ontains the most in@ormation and the seond has the seond most in@ormation
and so @orth.
*he intuition of )actor Analysis is to find hidden ariables which affect your obseredariables by loo+in' at the correlation. E@ one variable is orrelated /ith another variables /e
an say that these t/o variables are generated @rom one hidden variable so /e an e9plain the
phenomena /ith that one hidden variable instead o@ the t/o variable. #etHs take a look at theorrelation matri9 o@ the data /e have (see the ode e9ample belo/ to reate the data @rame)
"o it looks like that rie has strong negative orrelations /ith $esthetis and Krand and Nriend
has a strong orrelation /ith Namily. This means that /e an e9pet that /e /ill have t/oommon @ators and one /ill be related to rie $esthetis and Krand and the other /ill be
related to Nriend and Namily. #etHs move on to Nator $nalysis and see /hat /ill happen.
En the @ollo/ing ode e9ample E skipped some details suh as using varima9 rotation or proma9rotation ( uses varima9 rotation by de@ault). E@ you /ant to kno/ more details E reommend
you to read other books or re@erenes @or no/. E may add these details later but not sure;
loadings 023; Proportion )ar ;2/>* Test of the hypothesis that 3 factor is s$Hcient2
The chi s$are statistic is 3027 on degrees of freedom2 The p-%al$e is ;2370
-ere the @ator analysis is doing a null hypothesis test in /hih the null hypothesis is that the
model desribed by the @ator /e have @ound predits the data /ell. "o /e have the hiDsIuare
goodnessDo@D@it /hih is 12.8 and the p value is 0.1B. This means /e annot rejet the null
hypothesis so the @ator predits the data /ell @rom the statistis perspetive. This is /hy theresult says LTest o@ the hypothesis that 1 @ator is su@@iient. #etHs take a look at the Nator
Kut obviously the model gets improved i@ you have more variables /hih sho/s the tradeDo@@
bet/een the number o@ variables and the auray o@ the model. "o ho/ should /e deide ho/
many @ators /e should pik up! This is the topi @or the ne9t setion.
How many factors should we use,
Qe @ound the t/o @ators in the e9ample /hih are*
actor
1
actor
2
Price -;2>*7
oftwar
e
-;23>3 ;233
Aestheti
cs
;2//
Drand ;20@ ;20?0
.riend ;23;; ;20
.amily ;2>0;
En the results o@ N$ some oe@@iients are missing but this means these oe@@iients are just too
small and not neessary eIual to Rero. 6ou an see the all oe@@iients by doing
like fa%&oading!'(1) /ith more preisions.
$lthough the goodnessDo@D@it tells you /hether the urrent number o@ variables are su@@iient or
not it does not tell /hether the number o@ variables are large enough @or desribing the
in@ormation that the original data have. Nor instane /hy donHt /e try three @ators instead o@one or t/o @ators! There are a @e/ /ays to ans/er this Iuestion.
This means /hether you an e9plain your ne/ variables in a sensible /ay. Nor e9ample Nator 1
has large /eight on rie $esthetis and Krand /hih may indiate /hether people /ant
pratial aspets or @ashionable aspets on their omputers. Nator 2 has large /eights on Nriendand Namily /hih seems to mean that people around users have some e@@ets on the omputer
purhase. Thus both @ators seem to have some meanings and thatHs /hy /e should keep them.
This is not really a mathematial /ay to determine the number o@ @ators but is a standard /ayto do. Keause /e /ant to @ind @ators /hih e9plain something /e an just ignore @ators
/hih donHt really make sense. This is probably intuitive but E kno/ you may argue that it is too
subjetive. "o /e have more mathematial /ays to determine the number o@ @ators.
C"m"lati#e #ariance
"imilar to $ you an look at the umulative portion o@ variane and i@ that reahes some
numbers you an stop adding more @ators. =eiding the threshold @or the umulative portion is
kind o@ heuristi. Et an be 80% similar to $. E@ your @ous is on reduing the number o@variables it an be O0 D C0 %.
$aiser criterion
The aiser rule is to disard omponents /hose eigenvalues are belo/ 1.0. This is also used in""". 6ou an easily alulate the eigenvalues @rom the orrelation matri9.
iste!atis atau ;e+inisi a!pling iste!atis adalah teknik penga!bilan sa!pel berdasarkan urutan dari anggota populasi yang
telah diberi no!or urut.'ontoh a!pling iste!atis( anggota populasi yang terdiri dari 1 orang( dari se!ua se!ua anggota
populasi itu diberi no!or urut 1 sa!pai 1. &enga!bilan sa!pel dapat dilakukan dengan !enga!bil no!or gan"il sa"a( genap
sa"a( atau kelipatan dari bilangan tertentu( !isalnya kelipatan dari bilangan li!a. Untuk itu !aka yang dia!bil sebagai sa!pel
adalah no!or urut 1( 7( 1( 17( 2 dan seterusnya sa!pai 1. 2. a!pling Kuota &engertian a!pling Kuota atau ;e+inisi
a!pling Kuota adalah teknik untuk !enentukan sa!pel dari populasi yang !e!punyai iri<iri tertentu sa!pai "u!lah kuota yang
diinginkan.'ontoh a!pling Kuota( akan !elakukan penelitian tentang Karies =igi( "u!lah sa!pel yang ditentukan 7 orang( "ika
pengu!pulan data belu! !e!enuhi kuota 7 orang tersebut( !aka penelitian dipandang belu! selesai. Bila pengu!pulan data
dilakukan seara kelo!pok yang terdiri atas 7 orang pengu!pul data( !aka setiap anggota kelo!pok harus dapat !enghubungi1 orang anggota sa!pel( atau 7 orang tersebut harus dapat !enari data dari 7 anggota sa!pel. 3. a!pling nsidental
&engertian a!pling nsidental atau ;e+inisi a!pling nsidental adalah teknik penentuan sa!pel berdasarkan kebetulan( yaitu
siapa sa"a yang seara kebetulan atau insidental berte!u dengan peneliti dapat digunakan sebagai sa!pel( bila dipandang orang
yang kebetulan dite!ui itu ook sebagai su!ber data. . &urposi$e a!pling &engertian &urposi$e a!pling atau ;e+inisi
&urposi$e a!pling adalah teknik penentuan sa!pel dengan perti!bangan tertentu. 'ontoh &urposi$e a!pling( akan !elakukan
penelitian tentang kualitas !akanan( !aka sa!pel su!ber datanya adalah orang yang ahli !akanan. a!pel ini lebih ook
digunakan untuk &enelitian Kualitati+ atau penelitian yang tidak !elakukan generalisasi. 7. a!pling Jenuh /ensus0 &engertian
a!pling Jenuh atau ;e+inisi a!pling Jenuh adalah teknik penentuan sa!pel bila se!ua anggota populasi digunakan sebagai
sa!pel. al ini sering dilakukan bila "u!lah populasi relati+ keil( kurang dari 3 orang( atau penelitian yang ingin !e!buat
generalisasi dengan kesalahan yang sangat keil. ?. no%ball a!pling &engertian no%ball a!pling atau ;e+inisi no%ball
a!pling adalah teknik penentuan sa!pel yang !ula<!ula "u!lahnya keil( ke!udian !e!besar. barat bola sal"u yang
!enggelinding yang la!a<la!a !en"adi besar. ;ala! penentuan sa!pel( perta!a<ta!a dipilih satu atau dua orang sa!pel( tetapi
karena dengan dua orang sa!pel ini belu! !erasa lengkap terhadap data yang diberikan( !aka peneliti !enari orang lain yang
dipandang lebih tahu dan dapat !elengkapi data yang diberikan oleh dua orang sa!pel sebelu!nya. Begitu seterusnya( sehingga
"u!lah sa!pel se!akin banyak. &ada penelitian kualitati+ banyak !enggunakan sa!pel &urposi$e dan no%ball. 'ontohnya akan!eneliti siapa pro$okasi kerusuhan( !aka akan ook !enggunakan &urposi$e a!pling dan no%ball a!pling. 'ara
&enga!bilan a!pel dengan &robabilitas a!pling Ada e!pat !aa! teknik penga!bilan sa!pel yang ter!asuk dala! teknik
penga!bilan sa!pel dengan probabilitas sa!pling. Kee!pat teknik tersebut( yaitu ara aak( strati+ikasi( klaster( dan siste!atis. 1.
a!pling Aak Ada beberapa na!a untuk !enyebutkan teknik pe!ilihan sa!pling ini. 5a!a tersebut ter!asuk di antaranya:
rando! sa!pling atau teknik aak. Apa pun na!anya teknik ini sangat populer dan banyak dian"urkan penggunaannya dala!
proses penelitian. &ada teknik aak ini( seara teoretis( se!ua anggota dala! populasi !e!punyai probabilitas atau kese!patan
yang sa!a untuk dipilih !en"adi sa!pel. Untuk !endapat responden yang hendak di"adikan sa!pel( satu hal penting yang harus
diketahui oleh para peneliti adalah bah%a perlunya bagi peneliti untuk !engetahui "u!lah responden yang ada dala! populasi.
)eknik !e!ilih seara aak dapat dilakukan baik dengan !anual atau tradisional !aupun dengan !enggunakan tabel rando!. a.
'ara )radisional 'ara tradisional ini dapat dilihat dala! ku!pulan ibu<ibu ketika arisan. )eknik aak ini dapat dilakukan dengan
langkah<langkah seperti berikut: tentukan "u!lah populasi yang dapat dite!ui@ da+tar se!ua anggota dala! populasi( !asukkan
dala! kotak yang telah diberi lubang penarikan@ kook kotak tersebut dan keluarkan le%at lubang pengeluaran yang telah dibuat@
no!or anggota yang keluar adalah !ereka yang ditun"uk sebagai sa!pel penelitian@ lakukan terus sa!pai "u!lah yang diinginkan
dapat diapai. b. Menggunakan )abel Aak &ada ara kedua ini( proses pe!ilihan sub"ek dilakukan dengan !enggunakan tabelyang dihasilkan oleh ko!puter dan telah diakui !an+aatnya dala! teori penelitian. )abel tersebut u!u!nya terdiri dari kolo! dan
angka li!a digit yang telah seara aak dihasilkan oleh ko!puter. ;engan !enggunakan tabel tersebut( angka<angka yang ada
digunakan untuk !e!ilih sa!pel dengan langkah sebagai berikut: identi+ikasi "u!lah total populasi@ tentukan "u!lah sa!pel yang
diinginkan@ da+tar se!ua anggota yang !asuk sebagai populasi@ berikan se!ua anggota dengan no!or kode yang di!inta(
!isalnya: <2 untuk populasi yang ber"u!lah 3 orang( atau < untuk "u!lah populasi 1 orang@ pilih seara aak
/!isalnya tutup !ata0 dengan !enggunakan penun"uk pada angka yang ada dala! tabel@ pada angka<angka yang terpilih( lihat
hanya angka digit yang tepat yang dipilih. Jika populasi 7 !aka hanya 3 digit dari akhir sa"a. Jika populasi !e!punyai anggota
!aka hanya diperlukan dua digit dari akhir sa"a@ "ika angka dikaitkan dengan angka terpilih untuk indi$idual dala! populasi
!en"adi indi$idu dala! sa!pel. ebagai ontoh( "ika populasinya ber"u!lah 7( !aka angka terpilih 37 !asuk sebagai indi$idu
sa!pel. ebaliknya "ika populasi hanya 3( !aka angka terpilih 37 tidak ter!asuk sebagai indi$idu sa!pel@ gerakan penun"uk
dala! kolo! atau angka lain@ ulangi langkah no!or C sa!pai "u!lah sa!pel yang diinginkan terapai. Ketika "u!lah sa!pel yang
diinginkan telah terapai !aka langkah selan"utnya adalah !e!bagi dala! kelo!pok kontrol dan kelo!pok perlakuan sesuai
dengan bentuk desain penelitian. 'ontoh Me!ilih a!pel dengan a!pling Aak eorang kepala sekolah ingin !elakukan studi
terhadap para sis%a yang ada di sekolah. &opulasi sis%a MK ternyata "u!lahnya ? orang. a!pel yang diinginkan adalah 18
dari populasi. ;ia ingin !enggunakan teknik aak( untuk !enapai hal itu( dia !enggunakan langkah<langkah untuk !e!ilih
sa!pel seperti berikut. &opulasi yang "u!lahnya ? orang diidenti+ikasi. a!pel yang diinginkan 18 x ? D ? orang. &opulasi
dida+tar dengan diberikan kode dari <7. )abel aak yang berisi angka rando! digunakan untuk !e!ilih data dengan
!enggerakkan data sepan"ang kolo! atau baris dari tabel. Misalnya diperoleh sederet angka seperti berikut: 7C 1 C7 2 ?32C C C #leh karena "u!lah populasi ? orang !aka dua angka terpilih !en"adi sa!pel yaitu: 7C dan 2C. 'oba langkah d
sa!pai diperoleh se!ua "u!lah ? responden. 2. )eknik trati+ikasi ;ala! penelitian pendidikan !aupun penelitian sosial lainnya(
sering kali dite!ui kondisi populasi yang ada terdiri dari beberapa lapisan atau kelo!pok indi$idual dengan karakteristik berbeda. ;i
sekolah( !isalnya ada kelas satu( kelas dua( dan kelas tiga. Mereka "uga dapat dibedakan !enurut "enis kela!in responden
!en"adi kelo!pok laki<laki dan kelo!pok pere!puan. ;i !asyarakat( populasi dapat berupa kelo!pok !asyarakat( !isalnya
petani( pedagang( pega%ai negeri( pega%ai s%asta( dan sebagainya. Keadaan populasi yang de!ikian akan tidak tepat dan tidak
ter%akili@ "ika digunakan teknik aak. Karena hasilnya !ungkin satu kelo!pok terlalu banyak yang terpilih sebagai sa!pel(
sebaliknya kelo!pok lain tidak ter%akili karena tidak !unul dala! proses pe!ilihan. )eknik yang paling tepat dan !e!punyai
akurasi tinggi adalah teknik sa!pling dengan ara strati+ikasi. )eknik strati+ikasi ini harus digunakan se"ak a%al( ketika peneliti
!engetahui bah%a kondisi populasi terdiri atas beberapa anggota yang !e!iliki strati+ikasi atau lapisan yang berbeda antara satu
dengan lainnya. Ketepatan teknik strati+ikasi "uga lebih dapat ditingkatkan dengan !enggunakan proporsional besar keilnya
anggota lapisan dari populasi ditentukan oleh besar keilnya "u!lah anggota populasi dala! lapisan yang ada. eperti halnya
teknik !e!ilih sa!pel seara aak( teknik strati+ikasi "uga !e!punyai langkah<langkah untuk !enentukan sa!pel yang diinginkan.
,angkah<langkah tersebut dapat dilihat seperti berikut : denti+ikasi "u!lah total populasi. )entukan "u!lah sa!pel yang diinginkan.
;a+tar se!ua anggota yang ter!asuk sebagai populasi. &isahkan anggota populasi sesuai dengan karakteristik lapisan yang
di!iliki. &ilih sa!pel dengan !enggunakan prinsip aak seperti yang telah dilakukan dala! teknik rando! di atas. ,akukan langkah
pe!ilihan pada setiap lapisan yang ada. a!pai "u!lah sa!pel dapat diapai. 'ontoh !enentukan sa!pel dengan teknik
strati+ikasi eorang peneliti ingin !elakukan studi dari suatu populasi guru MK yang "u!lahnya orang( sa!pel yang diinginkan
adalah 18 dari populasi. ;ala! anggota populasi ada tiga lapisan guru( !ereka adalah yang !e!punyai golongan dua( golongan
tiga( dan golongan e!pat. ;ia ingin !e!ilih sa!pel dengan !enggunakan teknik strati+ikasi. )erangkan langkah<langkah guna
!enga!bil sa!pel dengan !enggunakan teknik strati+ikasi tersebut. Ja%abannya adalah sebagai berikut. Ju!lah total populasi
adalah orang. ;a+tar se!ua anggota yang ter!asuk sebagai populasi dengan no!or <C. Bagi populasi !en"adi tiga lapis(
dengan setiap lapis terdiri 3 orang. Undilah sa!pel yang diinginkan 38 x D 2 orang. etiap lapis !e!punyai anggota
orang. untuk lapisan perta!a gerakan penun"uk /pensil0 dala! tabel aak. ;an pilih dari angka tersebut dan a!bil yang !e!iliki
nilai lebih keil dari angka C sa!pai akhirnya diperoleh sub"ek. ,akukan langkah ? dan untuk apis kedua dan ketiga sa!pai
total sa!pel diperoleh "u!lah 2 orang. 3. )eknik Klaster )eknik klaster !erupakan teknik !e!ilih sa!pel lainnya dengan
!enggunakan prinsip probabilitas. )eknik ini !e!punyai sedikit perbedaan "ika dibandingkan dengan kedua teknik yang telah
dibahas di atas. )eknik klaster atau 'luster a!Epling ini !e!ilih sa!pel bukan didasarkan pada indi$idual( tetapi lebih didasarkan
pada kelo!pok( daerah( atau kelo!pok sub"ek yang seara ala!i berku!pul bersa!a. )eknik klaster sering digunakan oleh parapeneliti di lapangan yang %ilayahnya !ungkin luas. ;engan !enggunakan teknik klaster ini( !ereka lebih dapat !enghe!at biaya
dan tenaga dala! !ene!ui responden yang !en"adi sub"ek atau ob"ek penelitian. Me!ilih sa!pel dengan !enggunakan teknik
klaster ini !e!punyai beberapa langkah seperti berikut. denti+ikasi populasi yang hendak digunakan dala! studi. b. )entukan
besar sa!pel yang diinginkan. )entukan dasar logika untuk !enentukan klaster. &erkirakan "u!lah rata<rata sub"ek yang ada pada
setiap klaster. ;a+tar se!ua sub"ek dala! setiap klaster dengan !e!bagi antara "urnlah sa!pel dengan "u!lah klaster yang ada.
eara rando!( pilih "u!lah angggota sa!pel yang diinginkan untuk setiap klaster. Ju!lah sa!pel adalah "u!lah klaster dikalikan
"u!lah anggota populasi per klaster. 'ontoh terapan pe!ilihan sa!pel dengan !enggunakan teknik klasterMisalkan seorang
peneliti hendak !elakukan studi pada populasi yang "u!lahnya . guru dala! 1 sekolah yang ada. Fa!pel yang diinginkan
adalah orang. 'ara yang digunakan adalah teknik sa!pel seara klaster dengan sekolah sebagai dasar penentuan logis klaster
yang ada. Bagai!anakah langkah !enentukan sa!pel tersebut Ja%abannya adalah sebagai berikut. )otal populasi adalah .
orang. Ju!lah sa!pel yang diinginkan orang. ;asar logis klaster adalah sekolah yang "u!lahnya ada 1. ;ala! populasi(
setiap sekolah adalah .G1 D guru setiap sekolah. Ju!lah klaster yang ada adalah G D 1. #leh karena itu( 1
sekolah di antara 1 sekolah dipilih seara rando!. Jadi( se!ua guru yang ada dala! 1 sekolah sa!a dengan "u!lah sa!pel
yang diinginkan. . )eknik eara iste!atis )eknik !e!ilih sa!pel yang kee!pat adalah teknik siste!atis atau syste!ati
sa!pling. )eknik pe!ilihan ini !enggunakan prinsip proporsional. 'aranya ialah dengan !enentukan pilihan sa!pel pada setiap
1Gk( di !ana k adalah suatu angka pe!bagi yang telah ditentukan !isalnya 7(? atau 1. yarat yang perlu diperhatikan oleh para
peneliti adalah adanya da+tar atau list se!ua anggota populasi. Untuk populasi yang dida+tar atas dasar urutan ab"ad pe!akaian
!etode !enggunakan teknik siste!atis "uga dapat diterapkan. *alaupun !ungkin sa"a ter"adi bah%a suatu na!a seperti na!a
yang bera%alan su( sri dala! bahasa ndonesia akan ter"adi pengu!pulan na!a dala! a%alan tersebut. isternatis proporsional k
dapat !e!ilih dengan baik. )eknik obser$asi lapangan khusus untuk penelitian di lokasi ta!bang &engu!pulan ;ata penelitian
)eknik ini dilakukan dengan ara !elakukan penga!atan langsung di lapangan. Menga!ati tidak hanya !elihat( !elainkan
!ereka!( !enghitung( !engukur( dan !enatat ke"adian yang ada di lapangan. )eknik ini ada dua !aa!( yaitu obser$asi
langsung /obser$asi partisipasi0 yaitu apabila pengu!pulan data !elalui penga!atan dan penatatan ge"alage"ala pada ob"ek yang
dilakukan seara langsung di te!pat ke"adian( dan obser$asi tidak langsung /obser$asi non<partisipasi0 yaitu pengu!pulan data
!elalui penga!atan dan penatatan ge"ala<ge"ala pada ob"ek tidak seara langsung di lapangan. Beberapa ara yang biasa
dilakukan dala! obser$asi adalah sebagai berikut: 10 Me!buat atatan anekdot /anedotal reord0( yaitu atatan in+or!al yang
digunakan pada %aktu !elakukan obser$asi. 'atatan ini berisi +eno!ena atau peristi%a yang ter"adi saat obser$asi. 20 Me!buat
da+tar ek /heklist0( yaitu da+tar yang berisi atatan setiap +aktor seara siste!atis. ;a+tar ek ini biasanya dibuat sebelu!
obser$asi dan sesuai dengan tu"uan obser$asi. 30 Me!buat skala penilaian /rating sale0( yaitu skala yang digunakan untuk
!enetapkan penilaian seara bertingkat untuk !enga!ati kondisi data seara kualitiati+. 0 Menatat dengan !enggunakan alat
/!ehanial de$ie0( yaitu penatatan yang dilakukan !elalui penga!atan dengan !enggunakan alat( !isalnya slide( ka!era(
ko!puter( dan alat pereka! suara. #bser$asi tersebut dapat terbentang !ulai dari kegiatan pengu!pulan data yang +or!al hinggayang tidak +or!al. Bukti obser$asi seringkali ber!an+aat untuk !e!berikan in+or!asi ta!bahan tentang topik yang akan diteliti.
#bser$asi dapat !ena!bah di!ensi<di!ensi baru untuk pe!aha!an konteks !aupun +eno!ena yang akan diteliti. #bser$asi
tersebut bisa begitu berharga sehingga peneliti bisa !enga!bil +oto<+oto pada situs studi kasus untuk !ena!bah keabsahan
penelitian /;abbs( 1?: 1130.
'opy the BH) )raders and Make Money /#ne 'lik0 : http:GGo%.lyGK5'I