Panduan ilmiah menghitung sampel minimum yang benar โ konsep power, effect size, Type I/II Error, tabel referensi lengkap, dan perbandingan Slovin vs Power Analysis.
"Berapa sampel yang cukup?" adalah pertanyaan yang hampir selalu muncul di sidang skripsi. Jawabannya bukan sekadar rumus Slovin โ melainkan melibatkan empat konsep statistik yang saling terkait.
Statistical power adalah probabilitas bahwa sebuah uji statistik akan berhasil mendeteksi efek yang memang benar-benar ada di populasi โ yaitu menolak Hโ yang salah dengan tepat.
Probabilitas menolak Hโ yang sebenarnya benar โ disebut Type I Error atau false positive. Standar yang paling umum digunakan: ฮฑ = 0.05 (5%). Semakin kecil ฮฑ, semakin ketat syarat signifikansi.
Probabilitas menolak Hโ yang sebenarnya salah โ kemampuan mendeteksi efek yang ada. Standar minimum yang diterima secara luas: power โฅ 0.80 (80%). Semakin besar power, semakin baik.
Besarnya perbedaan atau hubungan yang secara substantif bermakna di populasi. Ditentukan dari literatur sebelumnya, pilot study, atau konvensi Cohen (1988). Semakin besar effect size, semakin sedikit sampel yang dibutuhkan.
Jumlah responden/observasi. Inilah yang kita cari melalui power analysis โ berapa N minimum yang dibutuhkan agar power โฅ 0.80, pada ฮฑ = 0.05, untuk efek yang diharapkan.
Menyimpulkan ada efek padahal sebenarnya tidak ada. False positive. Dikontrol dengan menetapkan ฮฑ = .05.
Contoh: Obat dinyatakan efektif padahal tidak.
Gagal menemukan efek padahal sebenarnya ada. False negative. Terjadi saat sampel terlalu kecil (underpowered).
Contoh: Obat efektif tapi dianggap tidak terbukti.
Power penelitian Anda akan meningkat jika:
Untuk menghitung sampel minimum via power analysis, Anda harus menentukan effect size terlebih dahulu. Ini adalah langkah yang paling sering dilewati โ dan paling krusial.
Cari meta-analisis atau studi serupa di bidang Anda. Ambil effect size yang dilaporkan (Cohen's d, r, fยฒ, dll.) sebagai estimasi untuk penelitian Anda. Ini adalah pendekatan paling valid secara ilmiah.
Lakukan uji coba kecil (N = 20โ30) untuk mendapatkan estimasi awal effect size. Kemudian gunakan estimasi itu untuk menghitung sampel utama. Cocok ketika belum ada literatur yang cukup di bidang spesifik Anda.
Jika tidak ada referensi sama sekali, gunakan konvensi umum yang ditetapkan Jacob Cohen: kecil, sedang, atau besar. Gunakan "sedang" sebagai default yang paling umum dipakai dalam penelitian sosial.
| Ukuran Efek | Kecil | Sedang | Besar | Digunakan untuk |
|---|---|---|---|---|
| Cohen's d | 0.20 | 0.50 | 0.80 | t-test (perbandingan dua mean) |
| Cohen's f | 0.10 | 0.25 | 0.40 | ANOVA (3+ kelompok) |
| Pearson r | 0.10 | 0.30 | 0.50 | Korelasi Pearson / Spearman |
| Cohen's fยฒ | 0.02 | 0.15 | 0.35 | Regresi linier berganda |
| Cramer's V | 0.10 | 0.30 | 0.50 | Chi-square (asosiasi kategori) |
| w | 0.10 | 0.30 | 0.50 | Chi-square goodness-of-fit |
Secara intuitif: efek yang besar mudah terdeteksi dengan sampel kecil. Efek yang kecil butuh sampel sangat besar agar bisa terdeteksi.
Semua tabel di bawah menggunakan standar: power = 0.80, ฮฑ = .05, dua sisi (two-tailed). Gunakan sebagai referensi cepat dalam menentukan ukuran sampel penelitian Anda.
Perbandingan rata-rata dua kelompok independen. N berikut adalah per kelompok.
| Effect Size (Cohen's d) | N per Kelompok | Total N | Interpretasi |
|---|---|---|---|
| Sangat Kecil (d = 0.10) | 1571 | 3142 | Hampir mustahil secara praktis |
| Kecil (d = 0.20) | 394 | 788 | Butuh sampel sangat besar |
| Sedang (d = 0.50) | 64 | 128 | Umum dalam penelitian sosial โ |
| Besar (d = 0.80) | 26 | 52 | Efek mudah terdeteksi โ |
| Sangat Besar (d = 1.20) | 12 | 24 | Efek sangat kuat โ |
Perbandingan rata-rata tiga atau lebih kelompok. N berikut adalah per kelompok.
| Effect Size (Cohen's f) | 3 Kelompok | 4 Kelompok | 5 Kelompok |
|---|---|---|---|
| Kecil (f = 0.10) | 322 / kelompok (966 total) | 274 / kel. (1096) | 240 / kel. (1200) |
| Sedang (f = 0.25) | 52 / kelompok (156 total) | 45 / kel. (180) | 39 / kel. (195) |
| Besar (f = 0.40) | 21 / kelompok (63 total) | 18 / kel. (72) | 16 / kel. (80) |
Total N yang dibutuhkan berdasarkan jumlah prediktor dan effect size (fยฒ).
| Jumlah Prediktor | Kecil (fยฒ=.02) | Sedang (fยฒ=.15) | Besar (fยฒ=.35) |
|---|---|---|---|
| 1 prediktor | 395 | 55 | 25 |
| 2 prediktor | 481 | 68 | 30 |
| 3 prediktor | 547 | 77 | 34 |
| 5 prediktor | 645 | 92 | 42 |
| 7 prediktor | 726 | 103 | 46 |
| 10 prediktor | 844 | 119 | 54 |
| Effect Size (r) | Sampel Minimum | Keterangan |
|---|---|---|
| Kecil (r = 0.10) | 782 | Nyaris tidak bermakna secara praktis |
| r = 0.20 | 197 | Hubungan lemah-sedang |
| Sedang (r = 0.30) | 84 | Paling umum dalam penelitian sosial โ |
| r = 0.40 | 46 | Hubungan sedang-kuat |
| Besar (r = 0.50) | 28 | Hubungan kuat dan jelas |
Untuk SEM tidak ada rumus tunggal seperti uji lainnya. Berikut panduan yang paling banyak digunakan:
Minimal 10 responden per parameter yang diestimasi. Model dengan 20 parameter bebas โ N minimum = 200.
5โ10 responden per indikator (item kuesioner). 25 item โ N = 125โ250. Paling populer digunakan di Indonesia.
3โ5 konstruk, 15โ25 item: targetkan N = 150โ250. Cukup untuk sebagian besar tesis S2.
5+ konstruk, 30+ item: targetkan N โฅ 300. Lebih stabil untuk estimasi parameter dan lebih mudah achieve fit.
Rumus Slovin sudah menjadi "reflek" mahasiswa Indonesia. Tapi tahukah Anda kapan Slovin tepat digunakan โ dan kapan justru menyesatkan?
Rumus Slovin (1960) dirancang untuk menentukan ukuran sampel dalam survei deskriptif dari populasi yang berhingga dan diketahui jumlahnya:
di mana N = ukuran populasi, e = margin of error yang dapat ditoleransi (biasanya 0.05 atau 0.10)
Inilah yang jarang diajarkan: Slovin tidak mempertimbangkan kemampuan mendeteksi efek statistik. Akibatnya:
| Aspek | Rumus Slovin | Power Analysis |
|---|---|---|
| Tujuan | Sampling deskriptif dari populasi berhingga | Mendeteksi efek dengan kekuatan statistik tertentu |
| Input | N populasi + margin of error (e) | ฮฑ, power, effect size, jenis uji |
| Mempertimbangkan efek? | โ Tidak | โ Ya โ ini inti perhitungannya |
| Cocok untuk uji hipotesis? | โ ๏ธ Tidak dirancang untuk itu | โ Ya, itulah tujuannya |
| Standar jurnal internasional? | Jarang diterima | โ Standar untuk penelitian inferensial |
| Perlu populasi diketahui? | Ya โ wajib | Tidak โ bekerja pada populasi tak terhingga |
| Software gratis? | Kalkulator sederhana | G*Power (gratis), Ruang Statistika Pro |
Penelitian Anda menggunakan regresi, t-test, ANOVA, korelasi, SEM, atau uji hipotesis lainnya โ meskipun metode pengumpulan datanya adalah survei.
Penelitian Anda murni deskriptif: ingin mengestimasi proporsi atau rata-rata populasi yang jumlahnya diketahui, tanpa menguji hipotesis apapun.
Semua konsep power analysis yang dibahas dalam ebook ini dapat langsung Anda praktikkan di Ruang Statistika โ tanpa instalasi software, tanpa coding.
Input: ฮฑ, power target, effect size, jenis uji. Output: N minimum yang dibutuhkan.
Input: N aktual yang sudah terkumpul. Output: power yang dicapai untuk efek tertentu.
Input: N dan power. Output: minimum detectable effect size dengan sampel yang dimiliki.
Grafik interaktif hubungan antara N dan power untuk berbagai efek size โ siap export untuk laporan.
Selain Ruang Statistika, Anda juga bisa menggunakan G*Power 3.1 โ software gratis yang tersedia di gpower.hhu.de.
Power analysis, 30+ modul analisis statistik, dan interpretasi AI dalam Bahasa Indonesia. Langsung dari browser, tanpa instalasi.
๐ Buka Ruang StatistikaStatistisi Ahli ยท Demografer ยท Founder Ruang Statistika
Yogo Aryo Jatmiko adalah seorang Statistisi Ahli di Badan Pusat Statistik (BPS) Indonesia dengan lebih dari 10 tahun pengalaman di bidang statistik populasi dan demografi. Ia juga merupakan Dosen Demografi di Politeknik Statistika STIS, lembaga kedinasan di bawah BPS.
Sebagai peneliti aktif dengan lebih dari 8 publikasi jurnal, Yogo memiliki keahlian mendalam dalam analisis data kependudukan, proyeksi penduduk, dan pemodelan statistik lanjutan. Ia terlibat langsung dalam Tim Proyeksi Penduduk SP2020 dan berbagai proyek strategis BPS. Dikenal sebagai pembicara webinar nasional, termasuk sesi analisis data JASP dan AI untuk 500+ peserta dari berbagai universitas di Indonesia.
Regresi, SEM, CFA, Mediasi, Moderasi, ANOVA, Power Analysis
Life Table, Proyeksi Penduduk, Kohort-Komponen
ARIMA, Regresi Bayesian, SAE-HB
SPSS, R/RStudio, Python, AMOS, SmartPLS, G*Power, JASP, Stata
LinkedIn ยท ResearchGate ยท ORCID ยท Google Scholar