Proses dari sampling statistik melibatkan pemilihan koleksi individu dari a populasi. Cara kami melakukan seleksi ini sangat penting. Cara kami memilih sampel menentukan jenis sampel yang kami miliki. Di antara berbagai macam jenis sampel statistik, jenis sampel yang paling mudah untuk dibentuk disebut sampel kenyamanan.
SEBUAH sampel kenyamanan terbentuk ketika kita memilih elemen dari populasi berdasarkan elemen apa yang mudah diperoleh. Terkadang sampel kenyamanan disebut sampel ambil karena pada dasarnya kami mengambil anggota dari populasi untuk sampel kami. Ini adalah jenis teknik pengambilan sampel yang tidak bergantung pada proses acak, seperti yang kita lihat dalam a sampel acak sederhana, untuk menghasilkan sampel.
Untuk mengilustrasikan ide sampel kenyamanan, kita akan memikirkan beberapa contoh. Benar-benar tidak terlalu sulit untuk melakukan ini. Pikirkan cara termudah untuk menemukan perwakilan untuk populasi tertentu. Ada kemungkinan besar bahwa kami telah membentuk sampel kenyamanan.
Seperti yang ditunjukkan oleh namanya, sampel kenyamanan jelas mudah diperoleh. Hampir tidak ada kesulitan dalam memilih anggota populasi untuk sampel kenyamanan. Namun, ada harga yang harus dibayar untuk kurangnya upaya ini: sampel kenyamanan hampir tidak berharga dalam statistik.
Alasan mengapa sampel kenyamanan tidak dapat digunakan untuk aplikasi dalam statistik adalah karena kami tidak yakin sampel tersebut mewakili populasi tempat sampel itu dipilih. Jika semua teman kita memiliki kecenderungan politis yang sama, maka bertanya kepada mereka siapa yang akan mereka pilih dalam pemilu tidak memberi tahu kita tentang bagaimana orang-orang di seluruh negeri akan memilih.
Lebih jauh, jika kita berpikir tentang alasan pengambilan sampel acak, kita harus melihat alasan lain mengapa sampel kenyamanan tidak sebagus desain pengambilan sampel lainnya. Karena kami tidak memiliki prosedur acak untuk memilih individu dalam sampel kami, meskipun sampel kami cenderung bias. Sampel yang dipilih secara acak akan melakukan pekerjaan yang lebih baik untuk membatasi bias.