Kalkulator Sampling — skripsiku.id

Sistem Filter 6 Lapis (Hierarkis): Jawab filter secara berurutan. Beberapa filter akan otomatis dilewati (skip) jika tidak relevan. Hasil akan muncul otomatis setelah semua filter terisi.

L0Paradigma

L1Populasi

L2Struktur

L3Responden

L4Kapasitas

L5Inferensial

Layer 0 — Paradigma Penelitian

Apa paradigma utama penelitian skripsimu?

Layer 1 — Ketersediaan & Ukuran Populasi

Bagaimana kondisi daftar populasi (sampling frame) dan ukurannya?

Layer 2 — Struktur & Sebaran Populasi

Bagaimana karakteristik internal dan sebaran geografis populasimu?

Layer 3 — Karakteristik & Aksesibilitas Responden

Bagaimana karakteristik target responden penelitianmu?

Layer 4 — Kapasitas & Konteks Peneliti

Bagaimana kondisi sumber daya penelitianmu sebagai mahasiswa skripsi?

Layer 5 — Tujuan Inferensial

Seberapa jauh hasil penelitianmu perlu digeneralisasikan?

Rekomendasi Metode Sampling

⬆

Jawab filter di atas secara berurutan untuk melihat rekomendasi.

ProbabilitySetiap anggota punya peluang terpilih

Non-ProbabilityTidak semua punya peluang terpilih

SensusAmbil semua anggota populasi

KombinasiGabungan dua pendekatan

🧮

Kalkulator Sampel

Hitung jumlah sampel yang tepat menggunakan 4 formula ilmiah — Slovin, Cochran, PLS-SEM (Hair et al.), dan Regresi Berganda (Green) — lengkap dengan tabel komparasi otomatis.

✦ Rumus Slovin & Cochran ✦ PLS-SEM & Regresi ✦ Koreksi FPC & Stratified ✦ Tabel Komparasi Otomatis

✦ Upgrade ke Premium

Fitur ini hanya tersedia untuk pengguna akun Premium.

Kalkulator Jumlah Sampel

Empat formula kalkulasi dengan hasil langsung dan tabel komparasi otomatis. Pilih tab formula yang sesuai.

Rumus Slovin

Rumus Cochran

PLS-SEM

Regresi Berganda

Kalkulasi Lanjutan

Rumus Slovin

n = N / (1 + N·e²)

Populasi diketahui dan terhingga. Paling umum di skripsi Indonesia. ⚠ Catatan: Slovin mengunci p=0.5 dan Z=1.96 tanpa fleksibilitas (Tejada & Punzalan, 2012). Untuk presisi lebih tinggi gunakan Cochran.

Ukuran Populasi (N)

Margin Error (e)

—

sampel minimum (Slovin)

—

+20% buffer

—

+30% buffer

📌 Panduan Penggunaan Slovin

✅ Gunakan Slovin jika:

Populasi terhingga dan jumlahnya diketahui
Penelitian deskriptif atau korelasional sederhana
Dosen pembimbing tidak mensyaratkan formula statistik ketat

❌ Hindari Slovin jika:

Menggunakan PLS-SEM atau CB-SEM
Perlu menyesuaikan tingkat kepercayaan atau proporsi
Populasi > 100.000 atau tidak diketahui

Rumus Cochran

n₀ = (Z²·p·q) / e²

Lebih fleksibel dari Slovin. Bisa digunakan untuk populasi tidak diketahui (∞). Mendukung koreksi FPC jika N diketahui dan n/N > 5%.

Tingkat Kepercayaan

Proporsi (p) — gunakan 0.5 jika tidak diketahui

Margin Error (e)

Ukuran Populasi N (opsional — untuk koreksi FPC)

—

sampel minimum (Cochran)

📌 Cochran vs Slovin

Aspek	Slovin	Cochran
Derivasi statistik	⚠ Lemah	✅ Kuat
Fleksibilitas p	❌ Dikunci 0.5	✅ Bebas
Populasi ∞	❌	✅
Koreksi FPC	❌	✅

PLS-SEM (SmartPLS)

n ≥ max(10×indikator, 30)

Rule of 10 Hair et al. (2017) sebagai batas minimum mutlak. ⚠ Penting: Hair et al. (2022, 3rd ed.) kini merekomendasikan power analysis via G*Power atau SmartPLS 4. Nilai ini adalah batas bawah absolut.

Jalur panah terbanyak menuju satu konstruk

Indikator terbanyak dalam satu konstruk

—

sampel minimum (PLS-SEM)

—

Minimum

100

Ideal Hair

200

Optimal

📌 Pilih SmartPLS atau AMOS?

SmartPLS (PLS-SEM):

Cocok untuk eksplorasi & prediksi
Toleran terhadap data tidak normal
n minimum lebih rendah (≥30–100)
Konstruk reflektif & formatif

AMOS (CB-SEM):

Cocok untuk konfirmasi teori
Butuh data normal & n ≥100–200
Fit indices lebih banyak (CFI, RMSEA, dll.)
Hanya konstruk reflektif

Regresi Linear Berganda

n ≥ 50 + 8m (Green, 1991)

Disesuaikan dengan estimasi G*Power berdasarkan ukuran efek (α=0.05, power=0.80). ⚠ Untuk efek kecil, n yang dibutuhkan sangat besar. Selalu verifikasi dengan G*Power (Cohen, 1988).

Jumlah variabel independen (m)

Ukuran efek yang diharapkan

—

sampel minimum (Regresi)

—

Green (1991)

—

G*Power est.

📌 Acuan n Minimum per Metode

Metode	Min	Ideal
Korelasi	≥30	≥100
Regresi (1 IV)	≥58	≥100
Regresi (3 IV)	≥74	≥150
PLS-SEM	≥30	≥100
CB-SEM (AMOS)	≥100	≥200

Stratified Sampling

nᵢ = n × (Nᵢ/N)

Proporsi sampel per strata setelah total n ditetapkan via Slovin/Cochran.

Total sampel (n) dari Slovin/Cochran

Ukuran populasi strata ini (Nᵢ)

Total populasi keseluruhan (N)

—

sampel untuk strata ini (nᵢ)

Koreksi FPC

n = (n₀·N)/(n₀+N-1)

Jika n hasil Cochran > 5% dari N, gunakan koreksi Finite Population Correction untuk mengecilkan sampel.

n awal (Cochran tanpa koreksi)

Ukuran populasi (N)

—

sampel setelah koreksi FPC

Tabel Komparasi Semua Formula (Otomatis)

💡 Cara pakai: Hitung minimal satu formula di atas, lalu tabel ini akan otomatis terisi dan dibandingkan semua hasilnya.

📊

Hitung minimal satu formula di atas untuk mengisi tabel komparasi.

Generator Justifikasi Metodologi (AI)

Setelah menentukan metode dan ukuran sampel, langkah berikutnya adalah menyusun justifikasi metodologi yang solid untuk Bab 3 skripsimu. Gunakan Generator AI kami untuk membuat draf awal yang kuat.

Non-Response Bias

Topik paling sering diabaikan mahasiswa. Menentukan jumlah sampel saja tidak cukup — kamu harus mempertimbangkan berapa yang benar-benar merespons dan dampak bias-nya.

Mengapa ini kritis? Jika kamu mengirim 150 kuesioner tapi hanya 60 yang kembali (response rate 40%), kamu tidak hanya kehilangan jumlah sampel — kamu berpotensi mendapat bias sistematis karena responden dan non-responden bisa berbeda karakteristiknya.

📊 Response Rate Realistis

Kuesioner online (Google Form): 20–40%
Kuesioner tatap muka: 70–95%
Email/WhatsApp blast: 10–25%
Via gatekeeper (kantor): 50–80%

⚠ Mayoritas skripsi Indonesia: rencanakan dengan asumsi 30–40% response rate.

🔢 Rumus Distribusi Kuesioner

n_distribusi = n_target / response_rate

Contoh: butuh 100 sampel, estimasi response rate 50%:
→ Distribusikan 200 kuesioner

Selalu tambahkan 10–15% ekstra untuk data tidak valid/rusak.

✅ Cara Menguji Non-Response Bias

Wave analysis: Bandingkan karakteristik responden awal vs akhir. Jika berbeda signifikan, ada bias.

T-test demografis: Uji apakah responden dan non-responden berbeda secara statistik pada variabel kunci.

🛡 Strategi Meningkatkan Response Rate

• Kuesioner singkat (<10 menit)
• Follow-up reminder 2× setelah distribusi
• Manfaatkan gatekeeper (HRD, ketua kelas)
• Tatap muka lebih baik dari online
• Jelaskan tujuan penelitian dengan jelas

📝 Wajib Dilaporkan di BAB 3

• Jumlah kuesioner didistribusikan
• Jumlah yang kembali dan valid
• Response rate aktual (%)
• Cara penanganan non-response
• Limitasi yang mungkin timbul

⚠ Ambang Batas Response Rate

Survei tatap muka:
≥70% — sangat baik · 50–69% — cukup · <30% — risiko tinggi

Survei online:
≥50% — sangat baik · 30–49% — dapat diterima · <20% — risiko bias sistematis

(Baruch & Holtom, 2008; Cook et al., 2000)

Kalkulator Distribusi Kuesioner

Berapa kuesioner harus disebarkan?

Masukkan target sampel dan estimasi response rate.

Target sampel minimum (n)

Estimasi Response Rate

—

kuesioner yang harus didistribusikan

Panduan & Perbandingan Lengkap

Referensi komprehensif: perbandingan semua metode sampling, acuan n minimum per metode analisis, dan panduan memilih formula.

Acuan Minimum Sampel per Metode Analisis

Metode Analisis	Minimum	Ideal	Referensi
Korelasi Pearson/Spearman	n ≥ 30	n ≥ 50–100	Cohen (1992)
Regresi Linear Sederhana	n ≥ 50	n ≥ 100	Green (1991)
Regresi Berganda (3 IV)	n ≥ 74	n ≥ 150	Green (1991): 50+8(3)
Regresi Logistik	n ≥ 50, 10/kategori	n ≥ 100	Hosmer & Lemeshow (2000)
Independent t-test	n ≥ 20/kelompok	n ≥ 30/kelompok	Cohen (1988)
One-Way ANOVA	n ≥ 20/kelompok	n ≥ 30/kelompok	Cohen (1988)
Chi-Square	Exp. freq ≥ 5/sel	n ≥ 50 total	Cochran (1954)
PLS-SEM (SmartPLS)	n ≥ 30	n ≥ 100–200	Hair et al. (2017)
CB-SEM (AMOS)	n ≥ 100	n ≥ 200–400	Hair et al. (2010)
ARIMA / Time Series	n ≥ 30 titik waktu	n ≥ 50–100	Box & Jenkins (1970)
Analisis Tematik	6–8 informan	Hingga saturasi tema	Guest, Bunce & Johnson (2006)
Grounded Theory	15–20 informan	Hingga saturasi teoritis	Glaser & Strauss (1967)
Fenomenologi	5–8 informan	8–15 informan	Creswell (2013)

Perbandingan Formula Ukuran Sampel

Formula	Cocok Untuk	Syarat Utama	Kelemahan	Referensi
Slovin	Skripsi deskriptif/korelasional sederhana, N diketahui	N terhingga & diketahui	Tidak memiliki derivasi statistik kuat; mengunci p=0.5 dan Z=1.96	Umar (2003); Tejada & Punzalan (2012)
Cochran	Semua tipe penelitian kuantitatif, populasi besar/∞	Menentukan p dan Z secara eksplisit	Membutuhkan estimasi proporsi p yang akurat	Cochran (1977)
PLS-SEM (10×)	Structural Equation Modeling, SmartPLS	Mengetahui max. indikator & jalur	Hair (2022) menarik sebagai panduan utama; kini G*Power lebih dianjurkan	Hair et al. (2017, 2022)
Green (Regresi)	Regresi linear berganda, analisis mediasi	Estimasi ukuran efek (besar/sedang/kecil)	Efek kecil membutuhkan n sangat besar; harus diverifikasi G*Power	Green (1991); Cohen (1988)

Kalkulator Jumlah Sampel

Rumus Slovin

📌 Panduan Penggunaan Slovin

Rumus Cochran

📌 Cochran vs Slovin

PLS-SEM (SmartPLS)

📌 Pilih SmartPLS atau AMOS?

Regresi Linear Berganda

📌 Acuan n Minimum per Metode

Stratified Sampling

Koreksi FPC

Generator Justifikasi Metodologi (AI)

Non-Response Bias

Berapa kuesioner harus disebarkan?

Panduan & Perbandingan Lengkap

Decision Tree: Pilih Formula