Kenapa Memilih Sampel & Teknik Statistik yang Tepat Itu Penting
Dua kesalahan paling sering ditemukan di BAB III skripsi kuantitatif: (1) teknik sampling dipilih asal tanpa justifikasi, dan (2) teknik analisis statistik dipilih karena "biasanya dipakai orang lain", bukan karena benar-benar sesuai dengan data dan tujuan penelitian. Padahal, dua keputusan ini menentukan apakah kesimpulan penelitian Anda valid dan bisa dipertanggungjawabkan secara ilmiah — bukan cuma soal "supaya BAB III kelihatan lengkap" (Ahmed, 2024).
Dua Jenis Teknik Sampling
| Jenis | Ciri Utama | Kapan Cocok Dipakai |
|---|---|---|
| Probability Sampling | Setiap anggota populasi punya peluang diketahui dan tidak nol untuk terpilih — dipilih secara acak | Saat Anda butuh hasil yang bisa digeneralisasi ke seluruh populasi |
| Non-Probability Sampling | Pemilihan sampel tidak acak, berdasarkan pertimbangan tertentu (kemudahan akses, kriteria khusus) | Saat populasi sulit didaftar lengkap, atau penelitian bersifat eksploratif/kelompok spesifik |
Probability sampling lebih disukai kalau tujuan Anda adalah menggeneralisasi temuan ke populasi yang lebih luas, karena meminimalkan bias pemilihan sampel (Zrineh, Al-Usta, & Alwawi, 2026). Tapi non-probability sampling bukan berarti "salah" — untuk penelitian pada kelompok yang sulit diakses secara acak (misalnya komunitas atau segmen pelanggan spesifik), non-probability sampling tetap sah dipakai asal disadari keterbatasannya pada generalisasi hasil (Turban et al., 2023).
Jenis-Jenis Teknik Sampling (Probability & Non-Probability)
| Jenis | Teknik | Cara Kerja | Sesuai Ketika |
|---|---|---|---|
| Probability | Simple Random Sampling | Semua anggota populasi punya peluang sama terpilih | Kerangka sampling tersedia, populasi relatif homogen |
| Probability | Systematic Sampling | Interval tetap dari titik acak awal | Populasi terdaftar berurutan, tanpa pola periodik yang bentrok interval |
| Probability | Stratified Sampling | Populasi dibagi strata, sampel diambil tiap strata | Ada subkelompok berbeda karakteristik yang perlu terwakili |
| Probability | Cluster Sampling | Klaster dipilih acak lalu diteliti utuh | Populasi tersebar geografis/organisasi |
| Non-Probability | Purposive Sampling | Kriteria spesifik ditetapkan peneliti | Perlu responden dengan karakteristik/pengetahuan spesifik |
| Non-Probability | Convenience Sampling | Berdasarkan kemudahan akses | Keterbatasan sumber daya, tahap eksploratif |
| Non-Probability | Snowball Sampling | Responden merekomendasikan responden lain | Populasi tersembunyi/sulit diidentifikasi |
| Non-Probability | Quota Sampling | Kuota per kategori ditetapkan, diisi non-acak | Perlu proporsi kategori tanpa kerangka sampling lengkap |
Stratified sampling terutama berguna kalau populasi Anda punya subkelompok yang cukup berbeda karakteristiknya (misalnya karyawan front office vs housekeeping) — hasil estimasinya lebih akurat dibanding simple random sampling murni. Non-probability sampling (purposive/convenience/snowball/quota) tetap sah kalau kerangka sampling lengkap tidak tersedia atau populasi sulit diidentifikasi — asal disadari batasan generalisasinya (lihat bagian "Kesalahan Umum" di bawah).
Menentukan Ukuran Sampel yang Tepat
Ukuran sampel yang terlalu kecil membuat hasil penelitian tidak bisa dipercaya (berisiko gagal mendeteksi hubungan/pengaruh yang sebenarnya ada — disebut Type II error). Ukuran sampel yang terlalu besar membuang waktu dan biaya tanpa manfaat tambahan yang berarti (Serdar, Cihan, Yücel, & Serdar, 2021).
Faktor yang perlu dipertimbangkan saat menentukan ukuran sampel:
- Ukuran populasi — populasi besar butuh rumus penghitungan sampel (Slovin, Krejcie-Morgan) atau software (G*Power)
- Tingkat kepercayaan yang diinginkan (umumnya 95%)
- Margin of error yang bisa diterima (umumnya 5%)
- Perkiraan besar efek/hubungan yang ingin dideteksi — efek yang kecil butuh sampel lebih besar untuk terdeteksi secara statistik
Sample size bukan keputusan satu kali di awal — idealnya direncanakan lewat power analysis sebelum turun lapangan, bukan ditentukan asal-asalan setelah data terkumpul (Serdar et al., 2021; Burmeister & Aitken, 2012).
Pendekatan Menghitung Ukuran Sampel
Bukan soal pendekatan mana yang "lebih benar" — tapi apakah pendekatan yang dipilih cocok dengan estimand (apa yang sebenarnya ingin diestimasi) penelitian Anda. Slovin dan Krejcie-Morgan diturunkan khusus untuk estimasi proporsi populasi; kalau penelitian Anda menguji perbedaan rata-rata atau pengaruh antar variabel, rule of thumb regresi atau power analysis lebih sesuai (Tejada & Punzalan, 2012).
| Pendekatan | Sesuai untuk Estimand | Keterbatasan |
|---|---|---|
| Slovin (n = N/(1+Ne²)) | Estimasi PROPORSI populasi terhingga, tingkat kepercayaan 95% | Merupakan kasus khusus rumus Cochran dengan z≈2 (kepercayaan 95%) dan p=0.5. Konsekuensi: (a) hanya sah untuk estimasi proporsi, bukan mean; (b) tingkat kepercayaan terkunci di 95%; (c) bila proporsi sebenarnya jauh dari 0.5, hasilnya lebih besar dari yang diperlukan. Memakainya untuk estimasi mean secara implisit mengasumsikan varians populasi 0.25 — praktis tidak realistis. Tidak ada penulis bernama Slovin yang dapat diidentifikasi; rujukan tertua yang memuatnya adalah Yamane (1967). |
| Krejcie-Morgan (1970) | Estimasi proporsi populasi terhingga dengan presisi tertentu | Berbasis tabel dengan asumsi tetap: proporsi populasi 0.5 (varians maksimum) dan kepercayaan 95% — asumsi ini sering tidak disadari pemakainya. |
| Cochran (1977) | Estimasi proporsi maupun mean, dengan kepercayaan dan varians yang dapat ditentukan sendiri | Menuntut estimasi varians/proporsi populasi awal. Ini rumus induk yang darinya Slovin dan Krejcie-Morgan diturunkan sebagai kasus khusus. |
| Rule of thumb regresi (mis. 50 + 8k) | Perencanaan kasar regresi berganda saat informasi effect size belum tersedia | Heuristik. Hasilnya titik awal, BUKAN bukti kecukupan sampel. Jangan diperlakukan sebagai ambang lulus. |
| Power analysis (mis. G*Power) | Penelitian menguji hipotesis dan effect size dapat diestimasi dari literatur/pilot | Menuntut estimasi effect size yang sering tidak tersedia untuk topik baru; hasil sangat sensitif terhadap estimasi tersebut. |
Cara Memilih Teknik Analisis Statistik
Banyak mahasiswa memilih teknik statistik terakhir — setelah data terkumpul — padahal seharusnya direncanakan sejak BAB III disusun. Berikut empat pertanyaan yang menentukan teknik mana yang tepat (Kim, Kim, & Kwak, 2024; Ginn & Campbell-Cooper, 2025):
- Apa tujuan dan hipotesis penelitian Anda? Menguji pengaruh (kausal) beda tekniknya dengan menguji hubungan (korelasional) atau sekadar mendeskripsikan kondisi (deskriptif).
- Apa skala data Anda? Nominal, ordinal, interval, atau rasio — ini menentukan apakah Anda boleh pakai uji parametrik atau harus pakai non-parametrik.
- Apakah asumsi statistik teknik tersebut terpenuhi? Untuk regresi/uji-t/ANOVA, yang relevan sebenarnya adalah normalitas residual model — bukan data mentah. Hasil uji ini bukan gerbang otomatis: pada sampel besar, penyimpangan normalitas biasanya berdampak kecil terhadap kesimpulan, jadi pertimbangkan juga ukuran sampel dan besar penyimpangannya, bukan cuma lolos/tidaknya satu uji formal (Midway & White, 2025).
- Berapa jumlah kelompok/variabel yang dibandingkan? Dua kelompok, lebih dari dua kelompok, atau menguji hubungan antar banyak variabel sekaligus — masing-masing punya teknik yang berbeda.
Peta Teknik Analisis Berdasarkan Tujuan Penelitian
| Tujuan | Kondisi | Opsi Teknik |
|---|---|---|
| Hubungan 2 variabel kontinu | Hubungan linear, variabel sesuai, asumsi memadai | Korelasi Pearson |
| Hubungan 2 variabel kontinu | Data ordinal, atau hubungan monotonik tapi kondisi Pearson tidak terpenuhi | Korelasi Spearman |
| Hubungan 2 variabel kontinu | Ada outlier berpengaruh atau masalah distribusi | Korelasi robust, transformasi, atau analisis sensitivitas |
| Pengaruh 1+ variabel bebas → 1 terikat | Outcome kontinu, asumsi model terpenuhi | Regresi linear sederhana/berganda |
| Pengaruh 1+ variabel bebas → 1 terikat | Outcome bukan kontinu (biner, cacah, proporsi) | GLM dengan distribusi yang sesuai (logistik, Poisson, dll.) |
| Pengaruh 1+ variabel bebas → 1 terikat | Residual bermasalah | Robust standard errors, atau model yang lebih sesuai |
| Beda rata-rata 2 kelompok | Asumsi memadai | Independent samples t-test |
| Beda rata-rata 2 kelompok | Varians tidak setara | Welch's t-test |
| Beda rata-rata 2 kelompok | Asumsi jauh dari terpenuhi, atau data ordinal | Mann-Whitney U |
| Beda 2 kelompok berpasangan | Asumsi memadai | Paired samples t-test |
| Beda 2 kelompok berpasangan | Alternatif | Wilcoxon Signed-Rank |
| Beda rata-rata 3+ kelompok | Asumsi memadai | One-way ANOVA |
| Beda rata-rata 3+ kelompok | Varians tidak setara | Welch's ANOVA |
| Beda rata-rata 3+ kelompok | Alternatif | Kruskal-Wallis |
| Hubungan antar variabel KATEGORIKAL | Frekuensi sel memadai | Chi-Square (uji untuk data kategorikal — DI LUAR dikotomi parametrik/non-parametrik) |
| Hubungan antar variabel KATEGORIKAL | Frekuensi sel kecil | Fisher's Exact Test |
Prinsip penting: pemilihan teknik ditentukan bersama oleh tujuan penelitian, skala data, dan kesesuaian asumsi — bukan oleh satu nilai p uji normalitas semata (Kim et al., 2024). Hasil uji normalitas yang kurang ideal TIDAK otomatis mengharuskan pindah ke padanan non-parametrik — pertimbangkan dulu ukuran sampel dan seberapa besar penyimpangannya (Midway & White, 2025). Yang jelas keliru bukan "hasil ujinya kurang sempurna", melainkan memilih teknik tanpa mempertimbangkan asumsi sama sekali.
Kesalahan Umum yang Wajib Dihindari
- Teknik sampling ditulis tanpa justifikasi — hanya menulis "purposive sampling" tanpa menjelaskan kriteria pemilihan dan alasan mengapa teknik itu paling sesuai.
- Ukuran sampel ditentukan setelah data terkumpul, bukan direncanakan sejak BAB III lewat rumus/perhitungan yang jelas.
- Pemeriksaan asumsi dilewatkan sama sekali — langsung pakai regresi/uji-t/Pearson tanpa ada rencana pemeriksaan (normalitas residual, homogenitas varians, dst) apa pun. Bukan soal hasil ujinya harus sempurna — yang wajib ada adalah rencana pemeriksaannya dan pelaporannya.
- Teknik statistik dipilih karena "biasa dipakai skripsi lain", bukan karena disesuaikan dengan tujuan penelitian dan skala data sendiri.
- Non-probability sampling dipakai untuk klaim generalisasi populasi luas — padahal non-probability sampling secara metodologis membatasi seberapa jauh hasil bisa digeneralisasi.
Ringkasan Cepat
- Pilih probability sampling kalau ingin menggeneralisasi ke populasi luas; non-probability sampling untuk populasi yang sulit didaftar acak atau penelitian eksploratif.
- Tentukan ukuran sampel lewat rumus (Slovin, Krejcie-Morgan) atau power analysis (G*Power) — bukan asal tebak.
- Sebelum memilih teknik analisis, jawab dulu: tujuan penelitian, skala data, kesesuaian asumsi, dan jumlah kelompok/variabel — dinilai bersama, bukan satu nilai p semata.
- Hasil uji normalitas yang kurang ideal tidak otomatis mengharuskan pindah ke non-parametrik — pertimbangkan ukuran sampel dan besar penyimpangannya. Yang wajib dihindari adalah memilih teknik tanpa pertimbangan asumsi sama sekali.
Referensi
- Ahmed, S. K. (2024). How to choose a sampling technique and determine sample size for research: A simplified guide for researchers. Oral Oncology Reports. https://doi.org/10.1016/j.oor.2024.100662
- Zrineh, A., Al-Usta, M., & Alwawi, A. (2026). Sampling Methods and Sample Size Determination in Clinical Research: An Educational Review. Journal of General and Family Medicine. https://doi.org/10.1002/jgf2.70096
- Nanjundeswaraswamy, T. S., & Divakar, S. (2021). Determination of Sample Size and Sampling Methods in Applied Research. Proceedings on Engineering Sciences. https://doi.org/10.24874/pes03.01.003
- Sarker, M., & Al-Muaalemi, M. A. (2022). Sampling Techniques for Quantitative Research. In Principles of Social Research Methodology. https://doi.org/10.1007/978-981-19-5441-2_15
- Turban, J. L., Almazan, A. N., Reisner, S. L., & Keuroghlian, A. S. (2023). The Importance of Non-Probability Samples in Minority Health Research: Lessons Learned from Studies of Transgender and Gender Diverse Mental Health. Transgender Health. https://doi.org/10.1089/trgh.2021.0132
- Serdar, C. C., Cihan, M., Yücel, D., & Serdar, M. A. (2021). Sample size, power and effect size revisited: Simplified and practical approach in pre-clinical, clinical and laboratory studies. Biochemia Medica. https://doi.org/10.11613/BM.2021.010502
- Casillan, A. J., & Bush, E. L. Study population: Who and why them?. In Translational Surgery. https://doi.org/10.1016/B978-0-323-90300-4.00024-0
- Kim, J., Kim, D. H., & Kwak, S. G. (2024). Comprehensive guidelines for appropriate statistical analysis methods in research. Korean Journal of Anesthesiology. https://doi.org/10.4097/kja.24016
- Ginn, G. L., & Campbell-Cooper, C. (2025). Choosing statistical methods for clinical trials. Medicine. https://doi.org/10.1016/j.mpmed.2025.04.007
- Cheema, J. R. (2014). Some general guidelines for choosing missing data handling methods in educational research. Journal of Modern Applied Statistical Methods, 13, 53-75. https://doi.org/10.22237/jmasm/1414814520
- Sabharwal, M. (2018). The Use of Soft Computing Technique of Decision Tree in Selection of Appropriate Statistical Test For Hypothesis Testing. In Advances in Intelligent Systems and Computing. https://doi.org/10.1007/978-981-10-5687-1_15
- Slater, P., & Hasson, F. (2025). Quantitative Research Designs, Hierarchy of Evidence and Validity. Journal of Psychiatric and Mental Health Nursing. https://doi.org/10.1111/jpm.13135
- Burmeister, E., & Aitken, L. M. (2012). Sample size: How many is enough?. Australian Critical Care. https://doi.org/10.1016/j.aucc.2012.07.002
- Hyer, S., & Balani, J. (2024). Basic statistical methods in research and their interpretation. South Sudan Medical Journal. (DOI belum tersedia — jurnal ini umumnya tidak mendaftarkan DOI per artikel.)
- Midway, S., & White, J. W. (2025). Testing for normality in regression models: mistakes abound (but may not matter). Royal Society Open Science, 12(4), 241904. https://doi.org/10.1098/rsos.241904 — dasar koreksi normalitas residual vs data mentah, dan dampak kecil pilihan parametrik/non-parametrik terhadap power (lihat
lib/konstruk-uji-statistik.ts, Temuan #5).