Cluster sampling adalah metode pengambilan sampel di mana populasi ditempatkan dalam kelompok yang terpisah. Sampel acak dari kelompok-kelompok ini kemudian dipilih untuk mewakili populasi tertentu. Ini adalah proses yang umumnya digunakan untuk riset pasar ketika tidak ada cara yang layak untuk menemukan informasi tentang populasi atau demografi secara keseluruhan.
Ada 3 persyaratan yang harus dipenuhi agar cluster sampling menjadi bentuk pengumpulan informasi yang akurat.
- Kelompok harus seheterogen mungkin dan mengandung subpopulasi yang berbeda dan berbeda dalam setiap kelompok.
- Setiap kelompok harus menawarkan representasi yang lebih kecil dari keseluruhan populasi atau demografis.
- Grup harus saling eksklusif satu sama lain untuk menghindari tumpang tindih data. Seharusnya tidak mungkin dua cluster terjadi bersamaan.
Setelah persyaratan ini terpenuhi, dua jenis cluster sampling dapat dilakukan. Dalam pengambilan sampel klaster satu tahap, semua item dari setiap klaster yang dipilih digunakan. Dalam two-stage cluster sampling, digunakan teknik random sampling sehingga cluster yang dipilih menghasilkan informasi.
Ini adalah poin utama yang perlu dipertimbangkan ketika membahas keuntungan dan kerugian dari cluster sampling.
Daftar Keuntungan Pengambilan Sampel Cluster
1. Memungkinkan penelitian dilakukan dengan ekonomi yang berkurang.
Jika Anda meneliti demografi atau komunitas tertentu, biaya untuk mewawancarai setiap rumah tangga atau individu dalam kelompok akan sangat terbatas. Dengan menggunakan cluster sampling, dimungkinkan untuk mengumpulkan informasi tentang demografi atau komunitas tertentu dengan mengurangi jumlah yang dibutuhkan untuk menghasilkan data yang akurat. Meskipun tidak ada data yang 100% akurat tanpa investigasi menyeluruh dari setiap orang yang terlibat, cluster sampling menghasilkan hasil dengan margin kesalahan yang sangat rendah.
2. Pengambilan sampel cluster mengurangi variabilitas.
Semua bentuk pengambilan sampel membuat perkiraan. Yang diberikan cluster sampling adalah proses estimasi yang lebih akurat ketika cluster telah di-cluster dengan tepat. Dengan asumsi bahwa setiap klaster mewakili populasi umum yang diteliti, informasi yang diperoleh melalui metode ini menawarkan pengurangan variabilitas dalam hasil-hasilnya karena ini merupakan pencerminan yang lebih akurat dari kelompok secara keseluruhan.
3. Ini adalah pendekatan yang lebih layak.
Kemampuan untuk mengelola input data yang besar yang akan membutuhkan sampel demografis atau komunitas penuh tidak akan layak untuk peneliti rata-rata. Rancangan pendekatan cluster sampling secara khusus ditujukan untuk memperhitungkan populasi yang besar. Jika Anda perlu menemukan data yang mewakili kelompok populasi besar, pengambilan sampel klaster memungkinkan Anda mengekstrapolasi informasi yang dikumpulkan ke dalam format yang dapat digunakan.
4. Pengambilan sampel cluster dapat diambil dari beberapa daerah.
Cluster dapat didefinisikan dalam satu komunitas, beberapa komunitas, atau beberapa demografi. Prosedur yang digunakan untuk memperoleh informasi mengikuti proses yang sama, terlepas dari ukuran sampel. Itu berarti peneliti dapat menghasilkan informasi yang berguna tentang lingkungan dengan menggunakan sampel acak dari rumah tangga tertentu. Mereka juga dapat mengungkap informasi dalam skala besar dengan memperbesar demografi di berbagai wilayah untuk menghasilkan hasil di tingkat nasional.
5. Menawarkan keuntungan dari stratified dan random sampling.
Apa yang membuat pengambilan sampel klaster menjadi metode yang bermanfaat adalah kenyataan bahwa metode ini mencakup semua manfaat pengambilan sampel acak dan pengambilan sampel bertingkat dalam prosesnya. Ini membantu mengurangi potensi bias manusia dalam informasi yang dikumpulkan. Ini juga menyederhanakan proses pengumpulan informasi, mengurangi risiko pengaruh negatif yang disebabkan oleh variasi acak. Ketika digabungkan, hasil yang diperoleh dari sampel dapat menghasilkan kesimpulan yang kemudian dapat diterapkan pada populasi umum.
6. Pengambilan sampel klaster membuat sampel data yang besar.
Jauh lebih mudah untuk membuat sampel data yang lebih besar menggunakan sampel cluster karena strukturnya. Setelah kelompok dirancang dan ditempatkan, informasi yang dikumpulkan serupa untuk setiap kelompok. Itu memungkinkan untuk membandingkan titik data, menemukan kesimpulan dalam kelompok populasi tertentu, dan menghasilkan informasi pelacakan yang dapat mengamati bagaimana berbagai kelompok berkembang dari waktu ke waktu.
Daftar Kekurangan Pengambilan Sampel Cluster
1. Lebih mudah untuk membuat data bias dalam cluster sampling.
Rancangan setiap kelompok merupakan dasar dari data yang akan dikumpulkan dari proses sampling. Cluster yang tepat yang mewakili populasi yang diteliti akan menghasilkan hasil yang akurat. Jika seorang peneliti mencoba membuat hasil spesifik untuk mencerminkan bias pribadi, maka lebih mudah untuk menghasilkan data yang mencerminkan bias dengan menyusun kelompok dengan cara tertentu. Bahkan jika itu adalah bias yang tidak disadari, data akan menjadi refleksi dari struktur, menciptakan kesan presisi yang salah.
2. Kesalahan pengambilan sampel bisa menjadi masalah besar.
Informasi yang dikumpulkan melalui cluster sampling sangat tergantung pada keterampilan peneliti. Jika informasi atau metode pengumpulan tidak memuaskan, data yang dikumpulkan tidak akan bermanfaat sebagaimana mestinya. Kesalahan yang ditemukan dalam data tersebut akan tampak sebagai poin yang sah, padahal pada kenyataannya, kesalahan tersebut mungkin merupakan cerminan yang tidak akurat dari populasi umum. Untuk alasan itu, siapa pun yang baru melakukan penelitian tidak disarankan menggunakan cluster sampling sebagai metode awal.
3. Banyak kelompok diposisikan berdasarkan informasi pengenal diri.
Peneliti sering menentukan penempatan dalam kelompok individu atau rumah tangga berdasarkan informasi pengenal diri. Itu berarti bahwa orang dapat mempengaruhi kualitas data dengan salah mengartikannya dalam beberapa cara. Semua yang mungkin diperlukan untuk menciptakan pengaruh negatif adalah salah saji pendapatan, etnis, atau preferensi politik. Struktur yang tidak memadai dalam proses penempatan oleh peneliti juga dapat menambah kebingungan pada proses penempatan. Mungkin juga ada orang yang dengan sengaja mengidentifikasi diri mereka sebagai kelompok yang berbeda untuk mencondongkan penelitian untuk tujuan mereka sendiri.
4. Setiap kelompok mungkin memiliki beberapa titik data yang tumpang tindih.
Tujuan dari cluster sampling adalah untuk mengurangi tumpang tindih dalam data, yang dapat mempengaruhi kelengkapan kesimpulan yang dapat ditemukan. Namun, saat membuat klaster, semua kelompok demografis, komunitas, atau populasi akan memiliki beberapa tingkat tumpang tindih di tingkat individu. Itu menciptakan tingkat variabilitas dalam data yang menciptakan kesalahan pengambilan sampel secara teratur. Dalam beberapa kasus, kesalahan pengambilan sampel bisa cukup besar untuk mengurangi sifat representatif dari data, sehingga membuat kesimpulan menjadi tidak valid.
5. Membutuhkan ukuran yang sama agar efektif.
Salah satu kelemahan utama pengambilan sampel klaster adalah membutuhkan kesetaraan ukuran agar Anda dapat mencapai kesimpulan yang akurat. Jika satu kelompok memiliki sampel yang representatif sebanyak 2000 orang, sedangkan kelompok kedua memiliki 1000 dan semua yang lain memiliki 500, maka dua kelompok pertama akan kurang terwakili dalam kesimpulan, sedangkan kelompok yang lebih kecil akan terwakili secara berlebihan. Proses itu dapat menyebabkan disparitas data, menciptakan kesalahan pengambilan sampel yang besar yang sulit untuk diidentifikasi.
6. Hasil cluster sampling hanya berlaku untuk kelompok populasi tersebut.
Masalah yang muncul dengan pengambilan sampel klaster adalah kenyataan bahwa populasi yang dikandungnya hanya mewakili kelompok tertentu itu. Jika seseorang mensurvei kota-kota di Carolina Utara, misalnya, maka informasi yang diperoleh dari penelitian itu tidak dapat diterapkan secara akurat pada populasi umum Amerika Serikat. Itu hanya akan akurat untuk populasi negara bagian, dan bahkan kemudian, tidak mungkin untuk menerapkan temuan berdasarkan perbedaan regional. Itu sebabnya harus ada definisi yang kuat untuk setiap kelompok agar penelitian menjadi akurat.
7. Membutuhkan jumlah minimum kasus untuk presisi.
Pengambilan sampel klaster membutuhkan beberapa titik investigasi untuk mengurangi kesalahan pengambilan sampel yang dihasilkan oleh investigasi. Tanpa penelitian tingkat tinggi, potensi tumpang tindih data meningkat. Ada juga risiko yang lebih besar untuk memperoleh data satu sisi melalui proses ini jika lebih sedikit contoh yang diambil dari setiap kelompok.
8. Pengambilan sampel klaster hanya berfungsi dengan baik ketika orang dapat diklasifikasikan sebagai unit.
Proses yang terkait dengan pengambilan sampel klaster mengharuskan orang diklasifikasikan sebagai unit daripada individu. Itu berarti bahwa mereka harus mengidentifikasi diri dengan kelompok tertentu, seperti “Republik” atau “Demokrat.” Jika titik data individual akan dikumpulkan, maka diperlukan bentuk investigasi yang berbeda.
Keuntungan dan kerugian sampling cluster ini dapat membantu kita menemukan informasi spesifik tentang populasi besar tanpa investasi waktu atau biaya metode sampling lainnya. Pada saat yang sama, tanpa kontrol yang ketat dan keterampilan penyidik yang kuat, lebih banyak kesalahan dapat ditemukan dalam informasi ini yang dapat mengarahkan penyidik ke hasil yang salah. Oleh karena itu, hanya peneliti berpengalaman yang akrab dengan area sampling yang harus menggunakan bentuk penelitian ini secara teratur.
