Menghitung Timeline Fieldwork Survey

Seperti yang saya sempat bahas di tulisan sebelumnya, kali ini saya akan mencoba menghitung timeline dari suatu survey dengan memanfaatkan simulasi Monte Carlo.

Gimana sih maksudnya?

Oke, sekarang saya coba bahas market research 101 dulu yah terkait dengan workflow menjalankan survey market research.

Workflow Market Research

Berikut ini adalah proses yang proper dalam menjalankan suatu survey:

Saya pribadi membagi flow di atas menjadi tiga titik kritis yang tidak boleh salah sama sekali, yakni:

1. Formulate problem; Jika salah dalam memformulasikan masalah, maka keseluruhan cycle akan menjadi percuma.
2. Design research dan collect data; Bayangkan jika kita sudah melakukan survey ke 200 orang dan ternyata ada kesalahan sehingga harus diulang!
3. Analyze data; Jangan sampai salah menganalisa yang mengakibatkan salah dalam mengambil kesimpulan. Sesuaikan dengan tujuan dan masalah yang ingin diselesaikan.

---

Proses Fieldwork

Fieldwork dalam dunia survey adalah suatu proses pekerjaan lapangan dimana interviewer sedang mencari-cari responden yang sesuai dengan target untuk kemudian diwawancarai sesuai dengan kuesioner yang telah dibuat sebelumnya.

Lama atau tidaknya suatu proses fieldwork tergantung dari berbagai macam hal, biasanya yang sering terjadi:

1. Tingkat kesulitan dan kompleksitas kriteria target responden. Kadangkala kita harus mencari responden yang memiliki kriteria yang cukup kompleks. Apalagi jika kriteria tersebut tidak ada patokan data sekundernya (di BPS atau AC Nielsen). Contohnya: mencari perempuan usia 30 - 45 tahun yang rutin berolahraga dan memiliki riwayat penyakit tertentu.
2. Keengganan calon responden diwawancara. Ini juga salah satu faktor yang penting. Tidak semua orang mau diwawancarai.
3. Area pelaksanaan riset.
4. Force majeure. Contohnya: kondisi musim hujan (banjir) atau kerusuhan (pasca pemilu kemarin).

---

Yuk Simulasi!

Sekarang saya akan memberikan contoh bagaimana simulasi bisa digunakan untuk menghitung berapa lama fieldwork suatu survey bisa diselesaikan.

Jadi begini ceritanya:

---

Saya hendak melaksanakan survey di kota X. Menurut AC Nielsen, ada empat kelas sosial ekonomi yang ada di kota itu dengan proporsi sebagai berikut: kelas A 3.1%, kelas B 21.0%, kelas C 52.4%, dan kelas D 23.4%.

Sedangkan saya harus mendapatkan responden dari keempat kelas tersebut dengan minimal jumlah tertentu, yakni: kelas A minimal 70 orang, kelas B minimal 100 orang, kelas C minimal 150 orang dan kelas D minimal 180 orang.

Menurut BPS, ada sekitar 350.000 orang di kota tersebut.

Ada 5 orang interviewer yang bertugas mencari dan mewawancara responden. Biasanya, setiap interviewer mampu mewawancarai 4 sampai 9 orang responden.

Asumsi yang digunakan:

1. Setiap orang yang hendak diwawancarai punya peluang 50 - 50 untuk mau diwawancarai sampai selesai.
2. Survey dilakukan secara random.

---

Pertanyaan:

1. Butuh berapa banyak calon responden yang ditemui agar terpenuhi jumlah minimal responden?
2. Dari jumlah tersebut (dibandingkan dengan populasi BPS), apakah memungkinkan dilakukan survey di kota itu?
3. Jika iya, butuh berapa hari hingga survey bisa selesai?

---

Simulasi Responden

Saya akan buat fungsi-fungsi simulasinya yah. Bisa jaid ini bukan fungsi yang paling tidy tapi seharusnya mudah untuk dipahami yah.

Pertama-tama, mari kita buat fungsi untuk menebak kelas ekonomi dari calon responden yang ditemui:

# bikin fungsi pertama
proporsi = c(3.1/100,21.0/100,52.4/100,23.4/100)
ses = c('A','B','C','D')

orang = function(){
  sample(ses,1,prob = proporsi)
}
orang()

## [1] "C"

Berikutnya kita kembangkan fungsi pertama dengan memasukkan asumsi pertama.

# bikin fungsi kedua
siapa = function(){
  hitung = orang()
  A = ifelse(hitung == 'A',1,0)
  B = ifelse(hitung == 'B',1,0)
  C = ifelse(hitung == 'C',1,0)
  D = ifelse(hitung == 'D',1,0)
  data = data.frame(A,B,C,D) # calon responden yang ditemui memiliki kelas ekonomi apa?
  mau = sample(c(1,0),1,prob = c(.5,.5)) # apakah calon responden mau diwawancarai atau tidak?
  data = data*mau # kelas ekonomi responden yang diwawancarai. Apakah ada atau tidak ada?
  return(data)
}
siapa()

##   A B C D
## 1 0 0 0 0

Berikutnya kita akan mencari butuh berapa banyak calon responden yang dibutuhkan agar target responden saya terpenuhi.

Bagaimana caranya?

Jika dilihat, responden pada kelas sosial ekonomi A memiliki proporsi terkecil di populasi. Maka dari itu, secara logika, jika kita mencari sebanyak-banyaknya calon responden secara random maka yang paling terakhir bisa fulfill adalah responden kelas A.

Nanti bisa dibuktikan yah logika ini.

Kita akan membangun suatu fungsi menggunakan looping menggunakan while() dan menghitung berapa banyak calon responden yang dibutuhkan.

# bikin fungsi ketiga
berapa_calon_responden = function(n){
  n+100 #dummy aja biar bisa masuk ke sapply
  data_1 = siapa()
  i = 1
  while(sum(data_1$A)<70 && data_1$B<100){ # kelas sosial ekonomi A harus minimal 70
    data_fi = siapa()
    data_1 = rbind(data_1,data_fi)
    i = i + 1
  }
  return(i) # berapa banyak calon responden yang ditemui sampai terpenuhi banyak minimal responden
}

Contohnya, dalam sekali iterasi untuk memenuhi minimal responden, dibutuhkan calon responden sebanyak 4051.

Nah, sekarang kita bikin deh simulasinya dalam 500-an iterasi.

# simulasi dimulai dari mari
hasil = data.frame(id = c(1:2)) # untuk keperluan visual di blog ini, saya set di dua dulu
# Data hasil simulasi 500 kali ada di github yah

hasil$banyak_calon_resp = sapply(hasil$id,berapa_calon_responden)

Berapa expected value banyaknya calon responden dari simulasi ini: 4440.

Berikut adalah summary statistik dari hasil simulasinya:

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    3205    4170    4454    4493    4838    6240

Sekarang kita sudah mendapatkan berapa banyak calon responden yang harus dicari agar target minimal banyaknya responden per kelas sosial ekonomi tercukupi.

Jika kita bandingkan dengan populasi di kota tersebut, angka ini relatif masih mungkin untuk dilaksanakan riset. Perbandingannya sekitar 1:77 (expected value dari simulasi : populasi).

---

Simulasi Responden dan Interviewer

Berdasarkan function di atas, kita akan kembangkan simulasi untuk menghitung berapa waktu yang ditempuh para interviewer untuk bisa mewawancarai semua calon responden tersebut.

# dalam sehari, berapa banyak responden yang bisa diwawancarai oleh lima orang interviewer
interviewer = function(n){
  n
  int = 0
  for(i in 1:5){
    int = int + sample(c(4:9),1)
  }
  return(int)
}

# sekarang kita akan hitung butuh berapa hari yah
berapa_hari = function(n_resp){
  i = 0
  while(n_resp>0){
    n_resp = n_resp - interviewer(1)
    i = i+1
  }
  return(i)
}

hasil$berapa_hari = sapply(hasil$banyak_calon_resp,berapa_hari)

Expected value untuk berapa_hari interviewer bisa menyelesaikan wawancara ini adalah 139 hari alias 20 minggu.

Mari kita lihat summary statistik dari berapa_hari yang harus ditempuh:

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   100.0   129.0   137.0   138.8   150.0   191.0

Berikut adalah sebaran berapa_hari hasil simulasi:

Kesimpulan:

Dari simulasi di atas, kita bisa melaksanakan survey di kota tersebut walau waktu yang dibutuhkan relatif lebih lama.

---

Notes:

File csv hasil simulasi bisa dilihat di sini.