Langsung ke konten utama

Penerapan Probability Proportional to Size (PPS) Sampling dengan R

PPS Sampling dengan R

Pada unggahan sebelumnya, kita telah belajar bersama mengenai beberapa teknik pengambilan sampel (sampling) yang bisa dipelajari kembali pada tautan [1], [2], dan [3]. Dalam kesempatan kali ini, kita akan melanjutkan belajar bersama mengenai salah satu teknik sampling yang cukup banyakan digunakan, yaitu Probability Proportional to Size (PPS) Sampling dan praktiknya menggunakan R.

Pada dasarnya, PPS Sampling merupakan salah satu teknik pengambilan sampel secara acak bertipe probability sampling. Dalam tipe probability sampling, setiap elemen dalam populasi akan mempunyai peluang yang sama untuk terambil sebagai sampel sebab menggunakan kaidah-kaidah peluang. Hal ini terlihat pada penerapan PPS Sampling di mana Probability Proportional to Size Sampling merupakan sebuah prosedur pengambilan sampel yang mana peluang terpilihnya suatu sampel sebanding dengan ukuran unit sampel tersebut. Ukuran unit sampel yang dimaksud dalam hal ini merupakan informasi tambahan atau variabel pendukung (auxillary information) yang diperoleh pada tahapan pendahuluan, informasi di lapangan, atau informasi pendukung sehingga dapat digunakan sebagai dasar penarikan sampel.

Adapun syarat sebuah informasi dikatakan sebagai informasi tambahan atau variabel pendukung yang mampu dijadikan dasar pengambilan sampel yaitu ketika informasi tersebut memiliki korelasi kuat (tinggi) dengan variabel yang akan diteliti (Y). Sebagai contoh, bila variabel yang diteliti adalah penduduk saat ini, maka variabel pendukungnya adalah penduduk periode sebelumnya; bila variabel yang diteliti adalah jumlah kelahiran, maka variabel pendukungnya bisa jumlah Wanita Usia Subur (WUS) periode sebelumnya; bila variabel penelitiannya luas panen, maka variabel pendukungnya dapat berupa luas lahan yang ditanami; dan bila variabel penelitiannya produksi suatu pabrik, maka variabel pendukungnya dapat berupa jumlah tenaga kerja.

Apa keunggulan teknik PPS Sampling ini?

Keuntungan dari pemanfaatan PPS Sampling selain menghasilkan penduga yang unbiased, juga memiliki akurasi yang lebih tinggi dibandingkan teknik lainnya, serta menghasilkan penduga rerata dan varians yang lebih sederhana.

Apa saja jenis prosedur PPS Sampling?

Jenis dari PPS Sampling ini sebenarnya banyak. Berdasarkan cara pengambilan sampelnya, PPS Sampling terbagi menjadi 2, yaitu metode kumulatif dan metode Lahiri. Sedangkan berdasarkan kerangka sampel (sampling frame) yang digunakan terbagi menjadi metode Sampford, Tille, Madow, dan Midzuno (kerangka sampel dalam bentuk list), serta metode Rao, Hartley, dan Cochran untuk kerangka sampel dalam bentuk peta.

Lantas, bagaimana penerapan PPS Sampling dengan menggunakan R?

Untuk penerapan PPS Sampling, kali ini kita hanya mempraktikkan teknik Sampford untuk kerangka sampel berbentuk list, dan metode Lahiri untuk pengambilan sampel berdasarkan cara pengambilannya. Namun, sebelum praktik, ada baiknya kita siapkan datanya terlebih dahulu untuk prosedur Lahiri dapat diunduh pada tautan berikut. Setelah datanya sudah siap, tahapan pemilihan sampel dengan PPS Sampling dapat mengikuti langkah-langkah berikut:

#Data dummy
data <- data.frame(id = 1:7, z = c(1.8, 2 ,3.2 ,2.9 ,1.5 ,2.0 ,2.2))
#Melihat data
data
##   id   z
## 1  1 1.8
## 2  2 2.0
## 3  3 3.2
## 4  4 2.9
## 5  5 1.5
## 6  6 2.0
## 7  7 2.2
#PPS sampling metode Sampford
#Melakukan pemilihan sampel sebanyak 2 dengan pengacakan sebanyak 100 kali
#Metode Sampford mensyaratkan fraksi sampling (n/N) < 0.3
set.seed(100)
library(samplingbook)
indpps <- pps.sampling(z=data$z, n=2, method='sampford', return.PI=FALSE)
data[indpps$sample, ]
##   id   z
## 4  4 2.9
## 1  1 1.8
#Import data
library(readxl)
ruta <- read_excel("ruta.xlsx")

#Melihat data
ruta
## # A tibble: 35 x 3
##    Id_ruta Jml_art Luas_lahan
##      <dbl>   <dbl>      <dbl>
##  1       1       5       18.2
##  2       2       8       35  
##  3       3       2       43.2
##  4       4       4       43.5
##  5       5       7       97.5
##  6       6       6       36.5
##  7       7       4       62.6
##  8       8       3       53.6
##  9       9      10       46.4
## 10      10      12      178. 
## # ... with 25 more rows
#Membuat fungsi pemilihan sampel metode Lahiri
lahiri <- function(x, n){
  counts <- table(x)
  y <- as.numeric(names(counts))
  N <- length(counts)
  M <- max(counts)
  out <- numeric(n)
  current <- 0L
  while(current < n){
    i <- sample(N, 1)
    j <- sample(M, 1)
    if(j <= counts[i]){
      current <- current + 1L
      out[current] <- y[i]
    }
  }
  out
}
#Pemilihan sampel sebanyak 10 rumah tangga (ruta) dengan pengacakan 200 kali
jml_art <- ruta[[2]]
set.seed(200)
l <- lahiri(jml_art, 10)
pps_lahiri <- ruta[l, ]
pps_lahiri
## # A tibble: 10 x 3
##    Id_ruta Jml_art Luas_lahan
##      <dbl>   <dbl>      <dbl>
##  1       7       4       62.6
##  2       6       6       36.5
##  3       5       7       97.5
##  4       8       3       53.6
##  5       7       4       62.6
##  6       4       4       43.5
##  7       5       7       97.5
##  8       5       7       97.5
##  9       4       4       43.5
## 10       4       4       43.5


Demikian sedikit sharing kita kali ini. Semoga sedikit bisa bermanfaat bagi penyimak setia blog sederhana ini. Jangan lupa untuk terus mengikuti setiap unggahan terbaru dan menarik lainnya. Selamat memahami dan mempraktikkan!

Komentar

Postingan populer dari blog ini

Mencari P - Value dan Titik Kritis Uji F, Uji t, Uji Chi Square, dan Uji Z Normal dengan R

Mencari nilai p-value dan titik kritis Bagi teman-teman yang pernah mengenal statistika, pasti familier dengan istilah p-value dan titik kritis. P-value biasanya didefinisikan sebagai probabiltas atau peluang maksimal yang diamati dari hasil uji statistik, bahasa gampangnya adalah besarnya kesalahan penelitian berdasarkan uji statistik. Sebagai contoh sederhana, dari 100 orang dengan nama masing-masing dan diklasifikasikan ke dalam gender nama perempuan dan nama laki-laki, didapatkan nilai p-value uji statistiknya sebesar 0,05 atau 5%. Itu artinya, dari 100 orang, ada kemungkinan sebanyak 5 orang yang namanya salah klasifikasi. Dari namanya terdeteksi sebagai nama perempuan, padahal aktualnya yang bersangkutan bergender laki-laki. Sedangkan titik kritis atau titik uji adalah nilai batas pengujian hipotesis statistik, apakah masuk dalam wilayah tolak hipotesis, ataukah gagal menolaknya. Titik ini berkaitan erat dengan nilai p-value . Kalau biasanya kita mendapatkan kedua nilai ini da...

Cara Mendowload dan Install R serta RStudio di Windows (Step by Step)

Cara Download dan Install R serta R Studio di Windows Halo teman-teman, mohon maaf karena beberapa waktu ini, blog ini sempat vakum dari unggahan. Kali ini saya akan coba berbagai mengenai bagaimana cara mengunduh ( download ) dan menginstal ( install ) program R sekaligus R Studio khususnya di Windows. Unggahan kali ini sedikit terbalik karena semestinya saya unggah terlebih dahulu pertama kali di blog ini, namun bukan masalah, mengingat kemarin ada beberapa pihak yang meminta untuk menerangkap bagaimana tahapan mengunduh dan instalasi R dan R Studio, jadinya saya dahulukan pada unggahan ini sebelum pembahasan mengenai Data Mining , Data Science , atau bahasan Big Data kita terlampau jauh. Baik, kita akan mulai dengan bagaimana mengunduh R dan R Studio melalui mesin pencari Google. R dan R Studio ini memang beberapa waktu terakhir ini booming , apalagi dengan munculnya konsep mengenai Big Data , Data Modelling, Data Mining, dan Data Science serta Data Visualization . Sebenarnya, men...

Analisis Tipologi Klassen (Klassen Typology) dan Visualisasi Spasialnya dengan R

Tipologi Klassen dan visualisasinya dengan R Halo teman-teman, sebelumnya kita telah membahas tentang analisis Shift Share dan Location Quotient (LQ) dengan menggunakan R. Kali ini, kita akan membahas mengenai satu lagi alat analisis yang sebenarnya merupakan alat analisis tiga serangkai dari SS dan LQ, yaitu analisis Tipologi Klassen. Dalam penelitian ekonomi kewilayahan, ketiga analisis ini seringkali digunakan, baik dalam rangka melihat perkembangan dan transformasi struktur ekonomi suatu wilayah maupun melihat keunggulan kompetitif dan keunggulan komparatif wilayah satu dengan wilayah lainnya dengan mengacu wilayah referensi. Terlebih dulu, sebelum melakukan visualisasi spasial menggunakan fungsi plot(), ada baiknya kita bahas terlebih dahulu mengenai Tipologi Klassen itu sendiri. Tipologi Klassen merupakan teknik pengelompokan sektor, subsektor, lapangan usaha, atau komoditas tertentu di wilayah analisis berdasarkan pertumbuhan nilai tambah wilayah analisis terhadap nasional atau...