› Tutorial Olah Data
Cara Menghitung Jumlah Sampel Penelitian: Rumus Slovin, Lemeshow, Krejcie–Morgan, dan G*Power
Tim Statistician Jokify · Terbit · Diperbarui

Jumlah sampel ditentukan oleh tiga hal: ukuran populasi (N), presisi yang Anda inginkan, dan analisis statistik yang akan dipakai. Untuk survei dengan populasi yang diketahui, cara menghitung jumlah sampel yang paling cepat adalah rumus Slovin, n = N / (1 + N·e²): populasi 850 mahasiswa dengan margin of error (e) 5% menghasilkan 272 responden. Bila populasi tidak diketahui, gunakan rumus Cochran — di Indonesia dikenal sebagai rumus Lemeshow — yang menghasilkan 385 responden, dan bila penelitian Anda menguji hipotesis, cek juga jumlah minimum dari G*Power lalu pakai angka yang terbesar.
Langkah Singkat Menghitung Jumlah Sampel
- Definisikan populasi dan ambil angka N dari kerangka sampel yang jelas sumbernya, misalnya data bagian akademik, daftar karyawan, atau daftar perusahaan di BEI.
- Pastikan sampel dipilih secara acak (probability sampling), karena rumus Slovin, Krejcie–Morgan, dan Lemeshow hanya sah untuk sampel acak. Bila tidak memungkinkan, tentukan jumlahnya dari langkah 5 dan jangan mengklaim margin of error.
- Pilih rumus yang sesuai dengan kondisi penelitian Anda (lihat tabel di bawah).
- Hitung, lalu bulatkan hasilnya ke atas: 222,2 menjadi 223, bukan 222.
- Cek jumlah minimum yang dibutuhkan analisis Anda (G*Power, aturan analisis faktor/SEM, atau regresi logistik) dan pakai angka yang terbesar.
- Tambahkan cadangan data gugur dengan rumus n / (1 − r), misalnya r = 10%.
- Tuliskan rumus, sumber, nilai setiap parameter, dan hasilnya di Bab 3.
Rumus Mana untuk Kondisi Apa?
| Kondisi penelitian | Rumus atau metode | Contoh hasil |
|---|---|---|
| Populasi diketahui, survei dengan sampel acak | Slovin atau Krejcie–Morgan | N = 850, e = 5% → 272 (Slovin), 265 (Krejcie–Morgan) |
| Populasi tidak diketahui atau sangat besar | Cochran/"Lemeshow": n = Z²·p(1 − p) / d² | Z = 1,96; p = 0,5; d = 5% → 385 |
| Ada proporsi dari penelitian terdahulu | Cochran dengan p tersebut (plus koreksi bila N diketahui) | p = 0,3 → 323 |
| Yang ditaksir rata-rata (skor, rupiah, jam) | n = Z²·σ² / d² | σ = Rp60.000; d = Rp10.000 → 139 |
| Menguji hipotesis (regresi, uji t, ANOVA, korelasi, chi-square) | Analisis power dengan G*Power | Regresi 3 prediktor, f² = 0,15 → 77 |
| Analisis faktor atau CB-SEM (AMOS) | 5–10 responden per indikator, minimal 100 | 25 indikator → 125–250 |
| PLS-SEM (SmartPLS) | Metode inverse square root | Koefisien jalur terkecil 0,2 → 155 |
| Regresi logistik | Minimal 10 kejadian per prediktor | 4 prediktor, kejadian 25% → 160 |
| Populasi kecil dan semua anggotanya terjangkau | Sensus (sampel jenuh) | Seluruh anggota populasi |
Bila penelitian Anda deskriptif sekaligus menguji hipotesis, hitung keduanya lalu ambil angka yang terbesar. Jumlah sampel juga baru separuh keputusan: Anda masih harus menjelaskan cara memilih anggotanya, dan ragam teknik pengambilan sampel — dari acak sederhana sampai purposive — dibahas di panduan teknik sampling.
Rumus Slovin: Cara Menghitung dan Contohnya
Rumus Slovin sangat populer di skripsi Indonesia karena hanya membutuhkan dua angka:
n = N / (1 + N·e²)
n = jumlah sampel minimum
N = ukuran populasi
e = margin of error (batas kesalahan taksiran), misalnya 0,05
Contoh (data ilustrasi): populasi penelitian Anda adalah 850 mahasiswa aktif Fakultas Ekonomi Universitas X, dan Anda menetapkan e = 5%.
e² = 0,05² = 0,0025
N·e² = 850 × 0,0025 = 2,125
1 + N·e² = 3,125
n = 850 / 3,125 = 272 responden
Tabel Jumlah Sampel Rumus Slovin
| Populasi (N) | Slovin e = 10% | Slovin e = 5% | Krejcie–Morgan (5%) |
|---|---|---|---|
| 100 | 50 | 80 | 80 |
| 250 | 72 | 154 | 152 |
| 500 | 84 | 223 | 217 |
| 850 | 90 | 272 | 265 |
| 1.000 | 91 | 286 | 278 |
| 2.000 | 96 | 334 | 322 |
| 5.000 | 99 | 371 | 357 |
| 10.000 | 100 | 385 | 370 |
Hasil Slovin dibulatkan ke atas, sedangkan kolom Krejcie–Morgan diambil dari tabel aslinya (Krejcie & Morgan, 1970). Perhatikan bahwa setelah N sekitar 5.000, jumlah sampel hampir tidak bertambah: presisi ditentukan oleh besarnya n, bukan oleh persentase n terhadap N.
Asumsi dan Batasan Rumus Slovin
Tejada dan Punzalan (2012) menunjukkan bahwa rumus Slovin sebenarnya rumus Cochran untuk menaksir proporsi pada sampel acak sederhana, dengan dua penyederhanaan: z ≈ 2 (tingkat kepercayaan sekitar 95%, tepatnya 95,45%) dan p = 0,5. Dengan z = 2 dan p = 0,5, diperoleh n₀ = 2² × 0,25 / e² = 1/e²; setelah dimasukkan ke koreksi populasi terbatas n₀ / (1 + n₀/N), hasilnya tepat N / (1 + N·e²). Konsekuensinya:
- Rumus ini hanya sah untuk probability sampling. Pada sampel purposive atau kuesioner yang disebar bebas di grup WhatsApp, angka "e = 5%" tidak punya makna statistik.
- e adalah presisi untuk menaksir proporsi (misalnya persentase mahasiswa yang puas, ±5 poin persen), bukan taraf signifikansi α.
- Rumus ini tidak memperhitungkan kebutuhan uji hipotesis; untuk itu gunakan G*Power.
- Penelusuran Tejada dan Punzalan tidak menemukan publikasi seorang "Slovin" yang mengajukan rumus ini, dan sumber tertua yang mereka temukan tampaknya Yamane (1967). Kutip sumber itu — atau buku metodologi yang benar-benar Anda baca — bukan "Slovin (1960)".
Rumus Krejcie–Morgan dan Tabelnya
Krejcie dan Morgan (1970) memang memberikan satu rumus; tabel mereka hanyalah hasil rumus itu untuk berbagai ukuran populasi:
s = χ²·N·P(1 − P) / (d²·(N − 1) + χ²·P(1 − P))
χ² = 3,841 (chi-square, df = 1, α = 0,05)
P = 0,5
d = 0,05
Untuk N = 850: pembilangnya 3,841 × 850 × 0,25 = 816,21; penyebutnya 0,0025 × 849 + 3,841 × 0,25 = 2,1225 + 0,96025 = 3,08275; jadi s = 264,77 → 265, sama dengan tabel.
Karena 3,841 ≈ 1,96², rumus ini identik dengan rumus Cochran ditambah koreksi populasi terbatas. Itulah sebabnya Krejcie–Morgan menghasilkan jumlah yang sama atau sedikit lebih kecil daripada Slovin pada e = 5% (Slovin memakai z = 2) — bukan lebih besar atau "lebih konservatif".
Tabel Krejcie–Morgan
Nilai di bawah dihitung ulang dengan rumus di atas dan dibulatkan ke bilangan bulat terdekat; hasilnya identik dengan tabel asli Krejcie dan Morgan (1970).
| N | n | N | n |
|---|---|---|---|
| 10 | 10 | 400 | 196 |
| 15 | 14 | 420 | 201 |
| 20 | 19 | 500 | 217 |
| 30 | 28 | 600 | 234 |
| 40 | 36 | 700 | 248 |
| 50 | 44 | 800 | 260 |
| 60 | 52 | 850 | 265 |
| 70 | 59 | 900 | 269 |
| 80 | 66 | 1.000 | 278 |
| 90 | 73 | 1.200 | 291 |
| 100 | 80 | 1.500 | 306 |
| 120 | 92 | 2.000 | 322 |
| 140 | 103 | 3.000 | 341 |
| 160 | 113 | 4.000 | 351 |
| 180 | 123 | 5.000 | 357 |
| 200 | 132 | 7.000 | 364 |
| 250 | 152 | 10.000 | 370 |
| 300 | 169 | 20.000 | 377 |
| 340 | 181 | 50.000 | 381 |
| 380 | 191 | 1.000.000 | 384 |
Untuk N yang tidak ada di tabel, hitung langsung dengan rumusnya atau pakai baris N berikutnya yang lebih besar. Tabel ini hanya berlaku untuk d = 5% dan tingkat kepercayaan 95%. Sebagian kampus memakai tabel Isaac dan Michael yang dimuat Sugiyono (2019), tersedia untuk taraf kesalahan 1%, 5%, dan 10%; angkanya tidak selalu sama dengan Krejcie–Morgan, jadi sebutkan tabel mana yang Anda pakai dan jangan mencampur keduanya.
Rumus Lemeshow (Cochran) dan Koreksi Populasi Terbatas
Bila jumlah populasi tidak diketahui — misalnya pengguna aplikasi ojek daring atau konsumen sebuah merek — gunakan rumus Cochran (1977) untuk menaksir proporsi. Di Indonesia rumus ini lebih dikenal sebagai rumus Lemeshow, mengacu pada buku Lemeshow et al. (1990):
n = Z²·p(1 − p) / d²
Z = 1,96 untuk tingkat kepercayaan 95%
p = perkiraan proporsi (0,5 bila belum ada data)
d = presisi absolut, misalnya 0,05
n = 1,96² × 0,5 × 0,5 / 0,05²
= 3,8416 × 0,25 / 0,0025
= 384,16 → 385 responden
Nilai p = 0,5 memberi hasil terbesar, sehingga aman dipakai bila belum ada data. Bila penelitian terdahulu menemukan proporsi sekitar 30%, hasilnya turun: 1,96² × 0,3 × 0,7 / 0,0025 = 322,69 → 323 responden.
| Tingkat kepercayaan | Z | d = 10% | d = 5% |
|---|---|---|---|
| 90% | 1,645 | 68 | 271 |
| 95% | 1,96 | 97 | 385 |
| 99% | 2,576 | 166 | 664 |
Di sebagian skripsi manajemen, bentuk khusus untuk p = 0,5 ini dikenal sebagai rumus Rao Purba, n = Z² / (4·moe²), dengan moe = margin of error. Hasilnya identik dengan tabel di atas: Z = 1,96 dan moe = 10% memberi 3,8416 / 0,04 = 96,04 → 97.
Sama seperti Slovin, rumus ini mengandaikan sampel acak. Populasi yang tidak diketahui jumlahnya biasanya juga tidak punya daftar anggota, sehingga sampelnya cenderung non-probability (purposive atau insidental). Dalam kondisi itu, pakai 385 sebagai patokan jumlah minimum dan jangan mengklaim margin of error 5%.
Jika yang Ditaksir Rata-Rata
Untuk variabel kontinu (skor, rupiah, jam), ganti p(1 − p) dengan varians: n = Z²·σ² / d², dengan σ dari penelitian terdahulu atau uji coba. Contoh ilustrasi: Anda ingin menaksir rata-rata pengeluaran kuota internet mahasiswa per bulan, simpangan baku hasil uji coba sekitar Rp60.000, dan presisi yang diinginkan ±Rp10.000. Hasilnya n = 1,96² × (60.000 / 10.000)² = 3,8416 × 36 = 138,3 → 139 responden.
Koreksi Bila Jumlah Populasi Diketahui
Bila n₀ lebih dari sekitar 5% populasi, terapkan koreksi populasi terbatas (finite population correction) dari Cochran (1977):
n = n₀ / (1 + (n₀ − 1) / N)
Contoh (data ilustrasi): populasi UMKM di sebuah kota ternyata tercatat 1.200 unit. Nilai n₀ = 384,16 jauh di atas 5% × 1.200 = 60, jadi:
n = 384,16 / (1 + 383,16 / 1.200)
= 384,16 / 1,3193
= 291,2 → 292 responden
Bandingkan dengan tabel Krejcie–Morgan untuk N = 1.200, yaitu 291. Selisih satu responden itu hanya soal pembulatan, karena keduanya rumus yang sama. Sebagian buku menulis koreksinya sebagai n₀ / (1 + n₀/N) — bentuk yang menurunkan rumus Slovin — dan hasilnya hampir sama (291,0).
Jumlah Sampel Berdasarkan Analisis: G*Power dan Aturan Lain
Rumus presisi memastikan taksiran Anda cukup tepat, tetapi tidak menjamin uji hipotesis Anda cukup kuat (power) untuk mendeteksi pengaruh yang memang ada. Karena itu, penelitian yang menguji hipotesis perlu menghitung juga jumlah minimum berdasarkan analisisnya.
Langkah G*Power untuk Regresi Linier Berganda
G*Power (Faul et al., 2009) dapat diunduh gratis dari situs Heinrich-Heine-Universität Düsseldorf; versi terbarunya 3.1.9.7 untuk Windows dan 3.1.9.6 untuk macOS. Untuk regresi dengan tiga variabel bebas:
- Pada Test family, pilih F tests.
- Pada Statistical test, pilih Linear multiple regression: Fixed model, R² deviation from zero.
- Pada Type of power analysis, pilih A priori: Compute required sample size - given α, power, and effect size.
- Isi Effect size f² = 0,15; α err prob = 0,05; Power (1-β err prob) = 0,80; Number of predictors = 3.
- Klik Calculate. Hasilnya: Total sample size = 77, dengan Actual power 0,8018, Critical F = 2,73, serta df 3 dan 73.
Nilai f² = 0,15 adalah efek "sedang" menurut Cohen (1988); efek kecil 0,02 dan besar 0,35. Lebih baik lagi bila f² diturunkan dari penelitian terdahulu dengan f² = R² / (1 − R²): R² = 0,20 memberi f² = 0,25 dan n minimum 48, sedangkan efek kecil (f² = 0,02) membutuhkan 550 responden. Sebagai pembanding, aturan praktis Green (1991) — N ≥ 50 + 8m untuk menguji model secara keseluruhan dan N ≥ 104 + m untuk menguji tiap prediktor (m = jumlah prediktor) — memberi 74 dan 107 untuk tiga prediktor, dengan catatan Green sendiri bahwa aturan ini mengasumsikan efek sedang. Cara menjalankan dan membaca regresinya ada di tutorial regresi linier berganda.
Tabel n Minimum untuk Uji yang Umum di Skripsi
Semua baris memakai α = 0,05 (dua arah untuk uji t dan korelasi), power 0,80, dan effect size sedang menurut Cohen (1988).
| Analisis | Test family → Statistical test di G*Power | Effect size | n minimum |
|---|---|---|---|
| Regresi linier berganda (3 prediktor) | F tests → Linear multiple regression: Fixed model, R² deviation from zero | f² = 0,15 | 77 |
| Uji t sampel independen | t tests → Means: Difference between two independent means (two groups) | d = 0,5 | 64 per kelompok (128) |
| Uji t sampel berpasangan | t tests → Means: Difference between two dependent means (matched pairs) | d_z = 0,5 | 34 pasang |
| ANOVA satu arah (3 kelompok) | F tests → ANOVA: Fixed effects, omnibus, one-way | f = 0,25 | 159 (53 per kelompok) |
| Korelasi Pearson | Exact → Correlation: Bivariate normal model | ρ = 0,3 | 84 |
| Chi-square tabel 2 × 3 (df = 2) | χ² tests → Goodness-of-fit tests: Contingency tables | w = 0,3 | 108 |
Untuk membandingkan dua proporsi — misalnya kelompok kasus dan kontrol pada skripsi kesehatan — gunakan G*Power dengan z tests → Proportions: Difference between two independent proportions, atau rumus uji dua proporsi dalam Lemeshow et al. (1990).
Analisis Faktor, CB-SEM, dan PLS-SEM
- Analisis faktor dan CB-SEM (AMOS): 5–10 responden per indikator, minimal 100 (Hair et al., 2019). Kuesioner dengan 25 indikator membutuhkan 125–250 responden. Uraian langkahnya ada di panduan CFA dengan AMOS.
- PLS-SEM (SmartPLS): gunakan metode inverse square root (Kock & Hadaya, 2018), n minimum = (2,486 / |p_min|)² untuk α 5% dan power 80%, dengan p_min = koefisien jalur terkecil yang diperkirakan signifikan. Nilai p_min 0,2 menghasilkan 155; 0,3 menghasilkan 69; 0,1 menghasilkan 619. Kock dan Hadaya menunjukkan bahwa aturan lama "10 kali" (10 × jumlah panah terbanyak yang menuju satu konstruk) dapat memberi perkiraan yang tidak akurat. Lihat juga tutorial SmartPLS.
Regresi Logistik
Pada regresi logistik, patokannya bukan total responden, melainkan jumlah kejadian (events) pada kategori hasil yang lebih jarang: minimal 10 kejadian per prediktor (Peduzzi et al., 1996). Dengan 4 prediktor dan perkiraan kejadian 25%, Anda butuh 40 kejadian, sehingga jumlah sampelnya 40 / 0,25 = 160 responden. Penjelasan analisisnya ada di panduan regresi logistik.
Cadangan Data Gugur (Non-Response)
Angka dari rumus adalah jumlah data valid yang harus dianalisis, bukan jumlah kuesioner yang disebar. Untuk mengantisipasi kuesioner yang tidak kembali atau tidak lengkap, bagi n dengan proporsi data yang diperkirakan masuk:
n_sebar = n / (1 − r)
r = perkiraan proporsi data gugur (umumnya 10–20%)
Dengan n = 272 dan r = 10%, Anda menyebar 272 / 0,9 = 302,2 → 303 kuesioner; dengan r = 20%, 340 kuesioner. Mengalikan 272 × 1,1 hanya memberi 300 kuesioner, yang bila 10% gugur menyisakan 270 data — kurang dari target. Bila data valid tetap kurang, laporkan jumlah aktual dan response rate-nya di Bab 4 dan bahas sebagai keterbatasan; jangan pernah menambah data fiktif.
Contoh Lengkap dan Penulisannya di Bab 3
Dari Populasi sampai Jumlah Kuesioner
Kasus ilustrasi (fiktif): Anda meneliti pengaruh kualitas koleksi, kualitas layanan, dan fasilitas terhadap kepuasan pengguna perpustakaan. Populasinya 850 mahasiswa aktif Fakultas Ekonomi Universitas X menurut daftar bagian akademik, dan sampel dipilih secara acak berstrata per program studi.
- Presisi (Slovin, e = 5%): 850 / (1 + 850 × 0,0025) = 272; sebagai pembanding, tabel Krejcie–Morgan memberi 265.
- Analisis (G*Power, regresi tiga prediktor, f² = 0,15): 77.
- Angka terbesar dipakai: 272 responden valid.
- Cadangan data gugur 10%: 272 / 0,9 = 302,2 → 303 kuesioner disebar.
- Jatah per program studi dihitung secara proporsional; contoh lengkapnya ada di bagian stratified pada panduan teknik sampling yang ditautkan di atas.
Populasi yang jelas definisinya adalah syarat semua langkah di atas; cara merumuskannya dibahas di artikel populasi dan sampel penelitian.
Template Paragraf Bab 3
Bab 3 perlu memuat rumus beserta sumbernya, nilai setiap parameter, hasil perhitungan dan pembulatannya, cadangan data gugur, serta teknik pengambilan sampelnya. Struktur Bab 3 secara utuh dibahas di panduan menyusun metodologi penelitian. Sesuaikan template berikut dengan penelitian Anda — jangan disalin mentah.
Populasi penelitian ini adalah 850 mahasiswa aktif Fakultas Ekonomi Universitas X per 1 September 2026 berdasarkan data bagian akademik. Jumlah sampel minimum dihitung dengan rumus n = N / (1 + N·e²) (Yamane, 1967), yang di Indonesia dikenal sebagai rumus Slovin, dengan e = 5%, sehingga n = 850 / (1 + 850 × 0,05²) = 272 responden. Karena rumus ini mengasumsikan sampel acak dan proporsi 0,5 (Tejada & Punzalan, 2012), sampel dipilih dengan teknik proportionate stratified random sampling per program studi. Analisis power dengan G*Power 3.1.9.7 (Faul et al., 2009) dengan f² = 0,15, α = 0,05, power = 0,80, dan tiga prediktor menghasilkan minimum 77 responden, sehingga 272 responden memenuhi kedua syarat. Untuk mengantisipasi 10% data gugur, kuesioner disebarkan kepada 303 mahasiswa.
Karena jumlah pengguna aplikasi X di Kota Y tidak diketahui, jumlah sampel minimum dihitung dengan rumus n = Z²·p(1 − p) / d² (Cochran, 1977; Lemeshow et al., 1990) dengan Z = 1,96, p = 0,5, dan d = 0,05, sehingga n = 384,16 yang dibulatkan menjadi 385 responden. Karena responden dipilih secara purposive, angka ini dipakai sebagai patokan jumlah minimum, dan hasil penelitian tidak diklaim mewakili seluruh pengguna dengan margin of error 5%.
Kesalahan Umum dalam Menghitung Jumlah Sampel
- Memakai Slovin untuk sampel non-acak. Kuesioner Google Form yang disebar bebas adalah sampel insidental, sehingga margin of error 5% tidak berlaku. Jelaskan jumlah sampel dengan G*Power dan batasi klaim generalisasinya.
- Menyamakan e dengan α. e adalah presisi taksiran proporsi, sedangkan α adalah peluang menolak H0 yang sebenarnya benar. Keduanya tidak saling terkait: e = 10% boleh dipadukan dengan uji pada α = 0,05, hanya saja taksirannya kurang presisi dan sampel yang lebih kecil menurunkan power.
- Membulatkan ke bawah. Hasil 222,2 dibulatkan menjadi 223, bukan 222, agar presisi tidak turun di bawah target.
- Mengutip "Slovin (1960)". Kutip sumber yang bisa dilacak, yaitu Yamane (1967) atau buku yang Anda baca.
- Menganggap 30 sebagai jumlah sampel minimal. Angka 30 berasal dari aturan praktis dalil limit pusat untuk rata-rata, bukan aturan jumlah sampel; regresi tiga prediktor dengan efek sedang saja membutuhkan 77.
- Tidak melaporkan response rate. Penguji ingin tahu berapa kuesioner yang disebar, berapa yang kembali, dan berapa yang valid.
Kesimpulan
Rumus jumlah sampel menjawab dua pertanyaan berbeda: seberapa presisi taksiran Anda (Slovin, Krejcie–Morgan, Lemeshow) dan seberapa kuat uji hipotesis Anda (G*Power, aturan SEM, kejadian per prediktor). Untuk skripsi kuantitatif yang menguji hipotesis, hitung keduanya, ambil yang terbesar, lalu tambahkan cadangan data gugur. Yang sering luput bukan angkanya, melainkan kecocokan rumus dengan teknik pengambilan sampel, karena rumus presisi hanya sah untuk sampel acak. Tulis semua parameter dan sumbernya agar perhitungan Anda dapat diulang oleh siapa pun.
Bila Anda ingin memastikan rumus, jumlah sampel, dan teknik pengambilan sampel saling cocok sebelum seminar proposal, bimbingan metodologi Jokify mendampingi Anda menyusun dan memeriksa perhitungannya langkah demi langkah, agar Anda memahami setiap angka dan siap mempertahankannya saat sidang.
Pertanyaan yang Sering Diajukan
Bolehkah memakai e = 10% pada rumus Slovin?
Boleh, selama alasannya dijelaskan dan pedoman kampus atau pembimbing Anda mengizinkan. Konsekuensinya, taksiran proporsi hanya presisi sekitar ±10 poin persen, dan sampel yang lebih kecil juga menurunkan power uji, jadi tetap cek kebutuhan minimum dari G*Power. Nilai e tidak mengubah taraf signifikansi yang Anda pakai.
Berapa jumlah sampel minimal untuk skripsi kuantitatif?
Tidak ada satu angka minimal yang berlaku umum. Jumlahnya ditentukan oleh rumus presisi (bila sampel acak) dan kebutuhan analisis, misalnya 77 untuk regresi tiga prediktor dengan efek sedang, 64 per kelompok untuk uji t independen, atau minimal 100 untuk analisis faktor. Sebagian fakultas menetapkan batas bawah sendiri, jadi cek pedoman skripsi Anda.
Bagaimana menghitung sampel untuk kuesioner online yang disebar lewat media sosial?
Kuesioner yang disebar terbuka tidak memberi setiap anggota populasi peluang terpilih yang diketahui, jadi sampelnya non-probability (insidental atau purposive). Tentukan jumlahnya dengan G*Power atau aturan analisis, sebutkan tekniknya dengan jujur, dan batasi kesimpulan pada karakteristik responden yang terkumpul. Bila kampus mewajibkan rumus Slovin atau Lemeshow, pakai hasilnya sebagai patokan jumlah minimum tanpa mengklaim margin of error-nya.
Bagaimana jika data yang terkumpul kurang dari target?
Laporkan jumlah aktual, response rate, dan penyebabnya di Bab 4, lalu hitung konsekuensinya dengan G*Power: power untuk effect size yang Anda rencanakan (bukan yang teramati), atau analisis sensitivity untuk melihat effect size terkecil yang masih dapat dideteksi dengan n aktual. Bahas kekurangan ini sebagai keterbatasan penelitian dan diskusikan dengan pembimbing apakah pengumpulan data perlu diperpanjang. Jangan pernah menambah responden fiktif atau menduplikasi data.
Mengapa hasil hitungan saya berbeda satu angka dari tabel?
Biasanya karena pembulatan. Tabel Krejcie–Morgan membulatkan ke bilangan bulat terdekat, sedangkan hasil rumus jumlah sampel lazimnya dibulatkan ke atas; perbedaan nilai Z (1,96 atau 2) juga menggeser hasil. Keduanya dapat dipertanggungjawabkan selama Anda menyebutkan rumus, parameter, dan cara pembulatannya.
Referensi
- Cochran, W. G. (1977). Sampling techniques (3rd ed.). Wiley.
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
- Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160. https://doi.org/10.3758/BRM.41.4.1149
- Green, S. B. (1991). How many subjects does it take to do a regression analysis? Multivariate Behavioral Research, 26(3), 499–510. https://doi.org/10.1207/s15327906mbr2603_7
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
- Heinrich-Heine-Universität Düsseldorf. (2020). G*Power (Versi 3.1.9.7) [Perangkat lunak]. https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower
- Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261. https://doi.org/10.1111/isj.12131
- Krejcie, R. V., & Morgan, D. W. (1970). Determining sample size for research activities. Educational and Psychological Measurement, 30(3), 607–610. https://doi.org/10.1177/001316447003000308
- Lemeshow, S., Hosmer, D. W., Klar, J., & Lwanga, S. K. (1990). Adequacy of sample size in health studies. Wiley.
- Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
- Sugiyono. (2019). Metode penelitian kuantitatif, kualitatif, dan R&D. Alfabeta.
- Tejada, J. J., & Punzalan, J. R. B. (2012). On the misuse of Slovin's formula. The Philippine Statistician, 61(1), 129–136. https://www.psai.ph/docs/publications/tps/tps_2012_61_1_9.pdf
- Yamane, T. (1967). Statistics: An introductory analysis (2nd ed.). Harper & Row.


