FEB UNDIP · Metodologi Penelitian Bisnis

Metode Penelitian Kuantitatif & Sampling

Pertemuan 8 · Dari Populasi ke Sampel yang Dapat Dipercaya

Bagaimana peneliti bisnis menyimpulkan hal tentang ribuan nasabah, konsumen, atau UMKM — hanya dengan mengamati sebagian kecil dari mereka, secara sah dan terukur.

RPS minggu 9 · 2x50 menit

Selamat datang di Pertemuan 8. Sampai minggu lalu, Anda sudah memahami desain penelitian dan bagaimana merumuskan kerangka teoritis serta hipotesis; hari ini kita masuk ke jantung penelitian kuantitatif, yaitu bagaimana data yang valid dikumpulkan dari populasi yang sering kali terlalu besar untuk diteliti seluruhnya. Bayangkan Anda ingin meneliti kepuasan nasabah BBCA di seluruh Indonesia, atau perilaku belanja pengguna Tokopedia — mustahil menjangkau semuanya, sehingga Anda perlu strategi sampling yang membuat kesimpulan dari sebagian kecil tetap bisa dipercaya mewakili keseluruhan. Pertemuan ini akan membekali Anda dengan logika populasi-sampel, teknik-teknik sampling probabilitas dan non-probabilitas, cara menghitung ukuran sampel dengan rumus Slovin, serta bagaimana menjaga validitas dan reliabilitas instrumen yang digunakan. Di akhir sesi, Anda akan mampu merancang rencana sampling sendiri untuk proposal penelitian Anda.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu merancang strategi sampling kuantitatif yang valid dan menilai kualitas instrumen pengukurannya (Sub-CPMK 6.1 & 6.2). Secara rinci:

Capaian 1 — Konsep

Populasi & Sampel

Membedakan populasi dan sampel, serta parameter dan statistik, dalam konteks riset bisnis.

Capaian 2 — Teknik

Probabilitas & Non-Probabilitas

Memilih teknik sampling probabilitas (acak sederhana, stratifikasi, klaster, sistematis) atau non-probabilitas sesuai tujuan riset.

Capaian 3 — Hitungan

Ukuran Sampel

Menghitung ukuran sampel dengan rumus Slovin dan alokasi proporsional stratified sampling tanpa kesalahan aritmetika.

Capaian 4 — Kualitas

Validitas & Reliabilitas

Menilai validitas dan reliabilitas instrumen serta mengenali sumber bias sampling.

Survei ke 30 Juta Pengguna Tokopedia — Perlukah?

Bayangkan Anda ingin meneliti kepuasan pengguna Tokopedia terhadap fitur baru. Tiga pilihan ada di depan Anda:

Opsi 1 — Sensus

100%

Survei Seluruh Populasi

Mensurvei seluruh puluhan juta pengguna. Biaya dan waktu tidak realistis untuk skripsi Anda.

Opsi 2 — Asal Comot

Tanya Teman Sekelas Saja

Cepat dan murah, tetapi tidak mewakili populasi pengguna Tokopedia yang sesungguhnya sangat beragam.

Opsi 3 — Sampling

Sampel Terancang

Menentukan ukuran & teknik sampel yang tepat agar hasil tetap dapat digeneralisasi dengan biaya terjangkau.

Opsi 3 adalah jalan yang ditempuh peneliti profesional — dan itulah yang akan kita kuasai hari ini: bagaimana merancang sampel yang representatif tanpa harus mensurvei semua orang.

Saya sering membuka topik sampling dengan dilema semacam ini, karena di sinilah mahasiswa biasanya salah kaprah. Opsi pertama, mensurvei seluruh pengguna Tokopedia, terdengar paling "lengkap" tetapi sama sekali tidak realistis untuk sebuah skripsi dengan waktu dan dana terbatas. Opsi kedua, sekadar bertanya ke teman sekelas karena mudah dijangkau, adalah jebakan paling umum — hasilnya bisa sangat bias karena teman sekelas Anda belum tentu mewakili pengguna Tokopedia yang beragam usia, daerah, dan pola belanjanya. Opsi ketiga, merancang sampel secara sistematis, adalah jalan tengah yang dipakai peneliti profesional: cukup mengamati sebagian kecil populasi, tetapi dengan teknik yang benar sehingga kesimpulannya tetap sah digeneralisasi ke seluruh populasi. Hari ini Anda akan belajar persis bagaimana merancang opsi ketiga itu.

Bagian 1 dari 3

Riset Kuantitatif, Populasi & Sampel

Sebelum bicara teknik sampling, kita perlu sepakat dulu: apa itu riset kuantitatif, dan apa beda populasi dari sampel?

Riset Kuantitatif: Angka, Deduksi, Generalisasi

Riset kuantitatif menguji hipotesis melalui pengukuran numerik pada sampel, lalu menyimpulkan ke populasi.

Kuantitatif

Deduktif

Uji hipotesis

Berangkat dari teori & hipotesis, diuji dengan data numerik
Sampel besar, instrumen terstandar (kuesioner Likert)
Hasil digeneralisasi secara statistik ke populasi
Contoh: survei kepuasan nasabah BBCA n = 385 responden

Kualitatif (recap)

Induktif

Bangun makna

Berangkat dari fenomena, membangun makna & teori
Sampel kecil, mendalam (wawancara, FGD)
Hasil digeneralisasi secara teoritis/analitis, bukan statistik
Contoh: studi kasus adaptasi 5 UMKM ke Shopee

Pertemuan ini fokus pada sisi kuantitatif — khususnya bagaimana sampel dirancang agar generalisasi statistiknya sah.

Kita sudah membahas riset kualitatif secara mendalam pada pertemuan sebelumnya, jadi mari sejenak menempatkannya bersebelahan dengan riset kuantitatif agar posisinya jelas. Riset kuantitatif bersifat deduktif: Anda mulai dari teori dan hipotesis, lalu mengujinya dengan data numerik dari sampel berukuran besar, menggunakan instrumen yang terstandar seperti kuesioner skala Likert. Riset kualitatif sebaliknya bersifat induktif, mulai dari fenomena dan membangun makna melalui sampel kecil yang digali mendalam lewat wawancara atau focus group discussion. Perbedaan paling penting untuk hari ini adalah cara generalisasinya: riset kuantitatif menggeneralisasi secara statistik menggunakan sampel yang representatif, sedangkan riset kualitatif menggeneralisasi secara teoritis. Karena itu, seluruh pertemuan hari ini akan berfokus membangun fondasi agar generalisasi statistik Anda benar-benar sah dipertanggungjawabkan.

Populasi (N) vs Sampel (n): Siapa yang Benar-Benar Anda Amati?

Notasi & Istilah

Populasi (N): keseluruhan unit yang ingin disimpulkan — mis. seluruh nasabah BBCA di Jawa Tengah
Sampel (n): bagian populasi yang benar-benar diukur/disurvei
Parameter: nilai sebenarnya di populasi (mis. rata-rata kepuasan populasi, biasanya tak diketahui)
Statistik: nilai yang dihitung dari sampel, dipakai untuk menduga parameter

Coba Sendiri: Bedakan Populasi & Sampel

Ubah ukuran populasi dan sampel, lalu amati bagaimana lingkaran sampel membesar-mengecil relatif terhadap populasi.

Mengapa & Kapan Sampling Diperlukan?

Sampling bukan sekadar "jalan pintas" — ia adalah kebutuhan praktis dan ilmiah ketika populasi besar.

Alasan 1

Biaya

Efisiensi Anggaran

Mensurvei seluruh populasi (sensus) mahal — mis. seluruh 64 juta UMKM Indonesia mustahil didatangi satu per satu.

Alasan 2

Waktu

Batas Skripsi

Skripsi punya tenggat; sensus penuh butuh waktu bertahun-tahun untuk populasi besar.

Alasan 3

Akurasi

Kontrol Kualitas Data

Sampel kecil yang dikelola cermat bisa lebih akurat daripada sensus besar yang datanya sulit dikontrol.

Pengecualian: bila populasi kecil dan terjangkau (mis. 40 karyawan satu kantor cabang), sensus — meneliti semua unit — justru lebih tepat daripada sampling.

Sampling sering disalahpahami sebagai jalan pintas yang mengorbankan akurasi, padahal sebaliknya. Alasan pertama adalah biaya: bayangkan mencoba menjangkau seluruh enam puluh empat juta UMKM di Indonesia, biayanya akan jauh melampaui kemampuan penelitian mana pun, apalagi skripsi. Alasan kedua adalah waktu, karena skripsi Anda punya tenggat, dan sensus penuh terhadap populasi besar bisa memakan waktu bertahun-tahun. Alasan ketiga justru menarik: sampel yang dirancang dan dikelola dengan cermat bisa menghasilkan data yang lebih akurat dibanding sensus besar yang sulit dikontrol kualitasnya, karena pengawas lapangan bisa lebih fokus mengawasi proses pengumpulan data pada jumlah responden yang lebih kecil. Namun ingat pengecualiannya: jika populasi Anda kecil dan mudah dijangkau, misalnya hanya empat puluh karyawan di satu kantor cabang, maka sensus — meneliti semua unit tanpa kecuali — justru menjadi pilihan yang lebih tepat daripada sampling.

Bagian 2 dari 3

Teknik Sampling: Probabilitas & Non-Probabilitas

Setelah paham mengapa sampling perlu, sekarang kita pelajari bagaimana caranya — dan bagaimana menghitung berapa banyak sampel yang cukup.

Probability Sampling — Setiap Unit Punya Peluang Diketahui

Ciri utama: ada kerangka sampel (sampling frame) — daftar lengkap populasi — sehingga peluang terpilih tiap unit dapat dihitung. Inilah dasar generalisasi statistik yang sah.

Empat teknik dalam keluarga probability sampling ini punya satu kesamaan penting: peneliti memiliki kerangka sampel, yaitu daftar lengkap populasi, sehingga peluang setiap unit terpilih dapat dihitung secara pasti. Acak sederhana adalah yang paling dasar — setiap unit diundi dengan peluang sama, cocok bila populasi relatif homogen, misalnya memilih 200 dari 2.000 nasabah dalam satu cabang bank. Stratifikasi membagi populasi ke dalam strata yang berbeda karakteristik, misalnya berdasarkan jenis usaha UMKM, lalu mengambil sampel acak dari tiap strata agar semua kelompok terwakili proporsional. Klaster berguna ketika populasi tersebar secara geografis luas — Anda mengacak klaster, misalnya kecamatan, lalu mensurvei semua unit di klaster terpilih, sehingga lebih hemat biaya perjalanan dibanding acak sederhana yang tersebar ke seluruh wilayah. Sistematis mengambil tiap unit ke-k dari daftar populasi yang sudah diurutkan, misalnya tiap nasabah kesepuluh dalam daftar rekening — praktis namun tetap probabilistik selama urutan daftarnya tidak berpola tersembunyi.

Non-Probability Sampling — Peluang Terpilih Tidak Diketahui

Convenience

Kemudahan

Siapa saja yang mudah dijangkau

Mis. survei pengunjung mal terdekat. Cepat & murah, tapi rawan bias — tidak mewakili populasi luas.

Purposive

Pertimbangan

Sesuai kriteria tertentu

Mis. hanya mewawancarai manajer keuangan UMKM yang sudah go digital — sesuai tujuan riset spesifik.

Quota

Kuota

Target jumlah per kategori

Mis. 50 responden pria & 50 wanita — mirip stratifikasi, tapi pemilihan dalam kuota tidak acak.

Snowball

Berantai

Responden merujuk responden

Untuk populasi sulit dijangkau, mis. investor kripto anonim — responden pertama merujuk responden berikutnya.

Kelemahan umum: hasil tidak bisa digeneralisasi secara statistik ke populasi. Cocok untuk riset eksploratif atau populasi khusus/sulit dijangkau — bukan untuk uji hipotesis generalisasi luas.

Empat teknik non-probability ini sering dipakai mahasiswa karena praktis, tetapi harus dipahami keterbatasannya. Convenience sampling mengambil siapa saja yang mudah dijangkau, misalnya menyebar kuesioner ke pengunjung mal terdekat kampus — cepat namun rawan bias karena pengunjung mal belum tentu mewakili konsumen secara umum. Purposive sampling memilih responden berdasarkan kriteria spesifik yang relevan dengan tujuan riset, misalnya hanya mewawancarai manajer keuangan UMKM yang sudah bertransformasi digital, karena merekalah yang punya informasi yang Anda butuhkan. Quota sampling mirip stratifikasi karena menetapkan target jumlah per kategori, misalnya lima puluh responden pria dan lima puluh wanita, tetapi berbeda karena pemilihan individu di dalam kuota itu tidak dilakukan secara acak. Snowball sampling berguna untuk populasi yang sulit dijangkau atau sensitif, seperti investor kripto anonim, di mana responden pertama merujuk Anda ke responden berikutnya — namun ingat, keempat teknik ini tidak memungkinkan generalisasi statistik yang sah, sehingga lebih cocok untuk riset eksploratif atau populasi khusus.

Coba Sendiri: Bandingkan Probability & Non-Probability

Pilih teknik sampling dan amati apakah ia masuk kategori probability atau non-probability beserta konsekuensinya bagi generalisasi.

Hitung dari Nol — HDN-1: Ukuran Sampel dengan Rumus Slovin

Dinas KUKM Kota Semarang membina N = 500 UMKM. Anda ingin meneliti dengan margin error e = 5%. Berapa ukuran sampel minimum?

n = N ÷ (1 + N·e²)

Langkah	Perhitungan	Nilai
1 Identifikasi N & e	N = 500; e = 5% = 0,05	—
2 Kuadratkan e	0,05²	0,0025
3 N × e²	500 × 0,0025	1,25
4 Penyebut	1 + 1,25	2,25
5 n = N ÷ penyebut	500 ÷ 2,25	222,22
6 Pembulatan ke atas	selalu bulatkan naik (jangan turun)	n = 223

Sampel minimum = 223 UMKM. Aturan: hasil desimal Slovin selalu dibulatkan ke atas, karena membulatkan ke bawah membuat sampel sedikit kurang dari margin error yang ditetapkan.

Mari kita kerjakan kasus nyata yang sering muncul dalam skripsi manajemen: Dinas Koperasi dan UKM Kota Semarang membina lima ratus UMKM, dan Anda ingin meneliti dengan margin error lima persen. Langkah pertama, identifikasi angkanya: N sama dengan lima ratus, e sama dengan nol koma nol lima. Langkah kedua, kuadratkan e menjadi nol koma nol nol dua lima. Langkah ketiga, kalikan N dengan e kuadrat, hasilnya satu koma dua lima, lalu tambahkan satu menjadi dua koma dua lima sebagai penyebut. Langkah terakhir, bagi lima ratus dengan dua koma dua lima, hasilnya dua ratus dua puluh dua koma dua dua — dan karena aturan baku Slovin adalah selalu membulatkan ke atas, ukuran sampel minimum Anda adalah dua ratus dua puluh tiga UMKM. Ingat baik-baik aturan pembulatan ini, karena membulatkan ke bawah berarti margin error sesungguhnya akan sedikit lebih besar dari lima persen yang Anda targetkan.

Coba Sendiri: Hitung Ukuran Sampel Slovin Anda

Masukkan populasi dan margin error rencana skripsi Anda, lalu amati ukuran sampel minimum yang dihasilkan rumus Slovin.

Hitung dari Nol — HDN-2: Alokasi Proporsional Stratified Sampling

500 UMKM binaan terbagi 3 strata bidang usaha: Kuliner 250, Fashion 150, Kerajinan 100. Dari total sampel n = 223 (HDN-1), berapa alokasi tiap strata?

n_h = (N_h ÷ N) × n

Langkah	Perhitungan	Nilai
1 Total sampel & populasi	n = 223; N = 500	—
2 Proporsi Kuliner	250 ÷ 500	0,50
3 Sampel Kuliner	0,50 × 223	111,5 ≈ 112
4 Proporsi Fashion	150 ÷ 500	0,30
5 Sampel Fashion	0,30 × 223	66,9 ≈ 67
6 Proporsi Kerajinan	100 ÷ 500	0,20
7 Sampel Kerajinan	0,20 × 223	44,6 ≈ 45
8 Verifikasi total	112 + 67 + 45	224 (≈223, selisih pembulatan)

Selisih 1 unit dari pembulatan tiap strata adalah hal wajar dalam praktik — cukup dokumentasikan, atau kurangi 1 dari strata dengan desimal terkecil (Kerajinan) agar total tepat 223.

Sekarang kita lanjutkan kasus UMKM yang sama, tetapi memakai stratified sampling karena populasi lima ratus UMKM tadi ternyata terbagi tiga bidang usaha yang berbeda karakteristik. Prinsip alokasi proporsional sederhana: proporsi tiap strata di populasi harus sama dengan proporsi strata itu di sampel. Kuliner meliputi separuh populasi, dua ratus lima puluh dari lima ratus, sehingga sampelnya juga separuh dari dua ratus dua puluh tiga, yaitu seratus sebelas koma lima yang dibulatkan menjadi seratus dua belas. Fashion meliputi tiga puluh persen populasi sehingga sampelnya enam puluh enam koma sembilan dibulatkan enam puluh tujuh, dan Kerajinan dua puluh persen populasi menghasilkan empat puluh empat koma enam dibulatkan empat puluh lima. Perhatikan saat kita jumlahkan ketiga alokasi ini, hasilnya dua ratus dua puluh empat, selisih satu dari target dua ratus dua puluh tiga — ini bukan kesalahan hitung, melainkan konsekuensi wajar dari pembulatan tiap strata, dan Anda cukup mencatatnya secara transparan dalam metodologi skripsi Anda.

Coba Sendiri: Alokasikan Sampel ke Tiap Strata

Ubah jumlah populasi tiap strata dan total sampel, lalu amati bagaimana alokasi proporsional tiap strata terhitung otomatis.

Latihan Kilat: Hitung Sendiri Ukuran Sampel Anda

Kerjakan berpasangan (5 menit) dengan rumus Slovin di atas, lalu satu pasangan akan diminta menjelaskan hasilnya di depan kelas.

Kasus Latihan

Populasi: N = 1.200 mahasiswa FEB UNDIP program Manajemen
Margin error yang ditetapkan: e = 7%
Tugas: (1) hitung n dengan Slovin, (2) bulatkan ke atas, (3) usulkan 1 teknik probability sampling yang paling cocok untuk populasi mahasiswa ini & alasannya

Petunjuk cepat: e = 0,07 → e² = 0,0049 → N·e² = 1.200 × 0,0049 = 5,88 → penyebut = 6,88 → n = 1.200 ÷ 6,88 = 174,4 → bulatkan ke atas.

Sekarang giliran Anda mempraktikkan sendiri rumus yang baru saja kita pelajari, karena keterampilan ini hanya benar-benar melekat setelah dikerjakan tangan sendiri, bukan sekadar ditonton. Silakan berpasangan dengan teman sebangku, gunakan kasus populasi seribu dua ratus mahasiswa Manajemen FEB UNDIP dengan margin error tujuh persen, dan ikuti langkah-langkah yang sama seperti pada HDN-1 tadi. Setelah mendapatkan angka ukuran sampelnya, diskusikan juga teknik probability sampling mana yang paling masuk akal dipakai untuk populasi mahasiswa ini — apakah acak sederhana sudah cukup, atau perlu stratifikasi berdasarkan angkatan. Saya akan berkeliling memeriksa hasil hitungan Anda, dan setelah lima menit, satu pasangan akan saya minta menjelaskan jawabannya beserta alasan pemilihan tekniknya di depan kelas.

Bagian 3 dari 3

Instrumen, Validitas, Reliabilitas & Etika Data

Sampel yang besar dan tepat teknik tetap sia-sia jika instrumen pengukurannya tidak valid, tidak reliabel, atau dikumpulkan tanpa etika.

Setelah menguasai cara menentukan siapa dan berapa banyak yang disurvei, bagian terakhir ini membahas alat ukurnya sendiri — kuesioner atau instrumen yang Anda pakai untuk mengumpulkan data dari sampel tadi. Sebuah sampel yang representatif tidak akan berguna apa-apa jika instrumen yang dipakai untuk mengukurnya ternyata tidak valid, artinya tidak benar-benar mengukur apa yang ingin diukur, atau tidak reliabel, artinya hasilnya tidak konsisten bila diulang. Kita juga akan membahas sumber-sumber kesalahan dalam sampling serta pertimbangan etika saat mengumpulkan data dari responden manusia, karena keduanya sama pentingnya dengan ketepatan teknik dan hitungan matematis yang sudah kita kuasai. Bagian ini akan menutup pertemuan hari ini sekaligus mempersiapkan Anda untuk menyusun instrumen penelitian pada bagian proposal Anda.

Skala Pengukuran: Nominal, Ordinal, Interval, Rasio

Skala	Ciri	Contoh Riset Bisnis
Nominal	Kategori, tanpa urutan	Jenis usaha UMKM: kuliner/fashion/kerajinan
Ordinal	Kategori berurutan, jarak tak sama	Tingkat kepuasan: sangat tidak puas → sangat puas
Interval	Jarak sama, tanpa nol mutlak	Skor sikap Likert 1–5 (dianggap interval)
Rasio	Jarak sama, nol mutlak berarti "tidak ada"	Omzet UMKM per bulan (Rp), jumlah karyawan

Skala Likert (mis. 1 = Sangat Tidak Setuju … 5 = Sangat Setuju) adalah instrumen paling umum riset bisnis kuantitatif — secara teknis ordinal, namun lazim diperlakukan sebagai interval untuk analisis statistik parametrik.

Sebelum menyusun kuesioner, Anda perlu tahu jenis skala apa yang sedang Anda pakai, karena ini menentukan analisis statistik apa yang boleh digunakan nanti. Skala nominal hanya mengelompokkan tanpa urutan, misalnya jenis usaha UMKM antara kuliner, fashion, atau kerajinan — tidak ada yang "lebih tinggi" dari yang lain. Skala ordinal punya urutan tetapi jarak antar-kategorinya tidak sama, seperti tingkat kepuasan dari sangat tidak puas sampai sangat puas. Skala interval punya jarak yang sama antar-titik tetapi tidak punya nol mutlak, dan inilah level di mana skor Likert biasanya diperlakukan meskipun secara teknis aslinya ordinal. Skala rasio adalah yang paling lengkap, punya nol mutlak yang benar-benar berarti "tidak ada", contohnya omzet UMKM dalam rupiah atau jumlah karyawan — perhatikan bahwa memilih skala yang salah dalam kuesioner Anda bisa membuat seluruh analisis statistik berikutnya menjadi tidak sah.

Validitas Instrumen: Apakah Alat Ukur Mengukur yang Seharusnya?

Walkthrough 1 — Content Validity (Validitas Isi)

Anda menyusun 10 item kuesioner untuk mengukur "literasi keuangan UMKM"
Item-item diperiksa oleh 3 pakar akuntansi/keuangan (expert judgment)
Pakar menilai: apakah 10 item ini mewakili seluruh dimensi literasi keuangan (menabung, kredit, investasi, pembukuan)?
Hasil: 2 item direvisi karena tidak mewakili dimensi "pembukuan" → validitas isi tercapai

Walkthrough 2 — Construct Validity (Validitas Konstruk)

Uji statistik: uji korelasi item-total atau Confirmatory Factor Analysis
Tiap item kuesioner "kepuasan nasabah" dikorelasikan dengan skor total konstruknya
Item dengan korelasi item-total < 0,30 dianggap lemah mengukur konstruk yang sama
Hasil: item lemah dibuang/direvisi sebelum kuesioner disebar ke sampel penuh

Validitas menjawab pertanyaan paling mendasar: apakah kuesioner Anda benar-benar mengukur apa yang ingin diukur? Mari lihat dua jalur pengujiannya. Validitas isi diuji dengan meminta pakar memeriksa apakah item-item kuesioner sudah mewakili seluruh dimensi konsep yang diukur — misalnya sepuluh item literasi keuangan UMKM diperiksa tiga pakar akuntansi, dan bila ternyata dimensi pembukuan belum terwakili, dua item direvisi sebelum dianggap valid secara isi. Validitas konstruk diuji secara statistik, biasanya dengan korelasi item-total atau analisis faktor konfirmatori, untuk memastikan setiap item benar-benar mengukur konstruk yang sama dengan item lainnya. Aturan praktisnya, item dengan korelasi item-total di bawah nol koma tiga puluh dianggap lemah dan sebaiknya dibuang atau direvisi. Kedua uji ini harus dilakukan sebelum Anda menyebarkan kuesioner ke sampel penuh yang sudah Anda hitung tadi, karena menyebarkan instrumen yang belum valid berarti membuang seluruh usaha sampling Anda sebelumnya.

Reliabilitas: Apakah Hasil Ukurannya Konsisten?

Reliabilitas diukur dengan Cronbach's Alpha (α) — konsistensi internal antar-item dalam satu konstruk.

α < 0,60

Lemah

Tidak layak dipakai

Item-item tidak konsisten mengukur konstruk yang sama — instrumen perlu dirombak.

0,60 ≤ α < 0,70

Diragukan

Batas minimum riset eksploratif

Sering dipakai skripsi tahap awal, tapi sebaiknya diperbaiki bila memungkinkan.

α ≥ 0,70

Reliabel

Standar umum riset bisnis

Ambang yang lazim disyaratkan jurnal & pembimbing skripsi FEB.

Cara kerja: Cronbach's Alpha dihitung software (SPSS/JASP) dari matriks korelasi antar-item; Anda tidak menghitung manual, tetapi wajib bisa membaca & menafsirkan nilainya sebelum lanjut ke analisis utama.

Jika validitas menjawab "apakah mengukur yang benar", reliabilitas menjawab "apakah hasilnya konsisten" — bila kuesioner yang sama disebar ulang ke responden yang sama minggu depan, apakah hasilnya akan serupa? Ukuran paling umum adalah Cronbach's Alpha, yang mencerminkan seberapa konsisten item-item dalam satu konstruk saling berkorelasi. Nilai di bawah nol koma enam puluh dianggap lemah dan instrumennya perlu dirombak total. Nilai antara nol koma enam puluh sampai nol koma tujuh puluh tergolong diragukan, sering muncul di skripsi tahap awal namun idealnya diperbaiki. Nilai nol koma tujuh puluh ke atas baru dianggap reliabel dan menjadi standar umum yang disyaratkan jurnal maupun pembimbing skripsi di FEB. Perhatikan bahwa dalam praktik Anda tidak menghitung Cronbach's Alpha secara manual — itu dihitung otomatis oleh software seperti SPSS — namun sebagai peneliti, Anda wajib bisa membaca dan menafsirkan angka itu sebelum melanjutkan ke analisis data yang sesungguhnya.

Kesalahan Sampling & Bias — Musuh Diam-Diam Generalisasi

Sampling Error

Wajar

Selisih sampel vs populasi

Selisih alami antara statistik sampel & parameter populasi karena hanya sebagian yang diamati — diperkecil dengan sampel lebih besar & teknik probabilitas.

Non-Sampling Error

Bias

Kesalahan sistematis

Bukan soal ukuran sampel — muncul dari desain/proses yang keliru: instrumen bias, pewawancara mengarahkan, data salah entri.

Dua Bias Paling Sering di Riset Bisnis Mahasiswa

Selection bias: memilih sampel dari sumber yang tidak mewakili — mis. kuesioner online hanya menjangkau responden melek internet
Non-response bias: yang mengisi kuesioner hanya responden dengan pandangan kuat (sangat puas/sangat kecewa) — yang netral memilih tidak mengisi

Ada dua jenis kesalahan yang perlu Anda bedakan agar tidak salah mendiagnosis masalah riset Anda. Sampling error adalah selisih wajar antara statistik sampel dan parameter populasi, muncul semata karena Anda hanya mengamati sebagian — dan ini bisa diperkecil dengan memperbesar ukuran sampel atau memakai teknik probabilitas yang tepat, seperti yang sudah kita hitung tadi. Non-sampling error jauh lebih berbahaya karena bersifat sistematis dan tidak hilang meski sampel diperbesar — ia muncul dari kesalahan desain, seperti instrumen yang bias, pewawancara yang secara tidak sadar mengarahkan jawaban, atau kesalahan entri data. Dua bias yang paling sering saya temukan di skripsi mahasiswa adalah selection bias, misalnya menyebar kuesioner online yang hanya terjangkau responden melek internet sehingga populasi yang gagap teknologi tak terwakili, dan non-response bias, di mana yang mau repot mengisi kuesioner hanyalah mereka yang punya pendapat kuat, sementara responden netral memilih diam. Waspadai keduanya sejak tahap merancang instrumen dan metode distribusi, bukan setelah data terkumpul.

Coba Sendiri: Deteksi Jenis Bias dalam Riset Anda

Pilih skenario pengumpulan data, lalu amati apakah widget mengidentifikasinya sebagai sampling error atau non-sampling error (bias).

Etika Pengumpulan Data Kuantitatif

Informed Consent

Setuju

Persetujuan Sukarela

Responden diberi tahu tujuan riset & berhak menolak/berhenti kapan saja — tanpa paksaan.

Anonimitas & Kerahasiaan

Rahasia

Lindungi Identitas

Data pribadi (nama, NIK, kontak) tidak dipublikasikan — hanya dipakai agregat untuk analisis.

Kejujuran Data

Jujur

Tanpa Manipulasi

Dilarang membuang data "mengganggu hipotesis" (cherry-picking) atau mengarang responden fiktif.

Contoh pelanggaran nyata: menyebar kuesioner ke keluarga sendiri lalu mengklaim sebagai "sampel acak nasabah bank" — ini pemalsuan metodologi, bukan sekadar kesalahan teknis.

Sekuat apa pun rumus sampling dan setinggi apa pun Cronbach's Alpha Anda, semuanya runtuh bila proses pengumpulan datanya melanggar etika. Informed consent berarti responden harus diberi tahu tujuan penelitian dan berhak menolak berpartisipasi atau berhenti kapan saja tanpa konsekuensi apa pun — ini bukan formalitas, melainkan hak dasar responden sebagai manusia. Anonimitas dan kerahasiaan berarti data pribadi seperti nama, NIK, atau nomor kontak tidak boleh dipublikasikan dalam laporan penelitian, dan hanya dipakai dalam bentuk agregat untuk analisis. Kejujuran data berarti Anda dilarang keras membuang data yang "mengganggu" hipotesis Anda atau bahkan mengarang responden fiktif demi mencapai target sampel — pelanggaran semacam ini disebut cherry-picking dan termasuk pelanggaran integritas akademik yang serius. Contoh yang sering terjadi tanpa disadari: menyebar kuesioner hanya ke keluarga dan teman dekat, lalu di laporan mengklaimnya sebagai sampel acak nasabah bank — ini bukan sekadar kesalahan teknis, melainkan pemalsuan metodologi yang bisa berujung sanksi akademik.

Tugas: Rancang Rencana Sampling untuk Proposal Anda

Instruksi Tugas (dikumpulkan pekan depan)

Tentukan populasi penelitian proposal Anda (definisikan N secara spesifik)
Hitung ukuran sampel dengan rumus Slovin (tentukan e Anda sendiri & jelaskan alasannya)
Pilih & justifikasi 1 teknik sampling (probabilitas atau non-probabilitas) sesuai desain riset Anda
Sebutkan 1 risiko bias yang mungkin muncul & cara memitigasinya

Ringkasan hari ini: Populasi (N) & sampel (n) → 4 teknik probabilitas + 4 non-probabilitas → hitung n via Slovin & alokasi stratified → validitas & reliabilitas (α ≥ 0,70) → waspadai sampling error, bias, dan etika data.

Sebagai penutup, tugas Anda pekan ini adalah mempraktikkan seluruh materi hari ini langsung ke proposal penelitian yang sedang Anda susun. Definisikan dulu populasi Anda secara spesifik dan konkret, bukan sekadar "seluruh konsumen Indonesia" yang terlalu luas untuk diteliti. Hitung ukuran sampel dengan rumus Slovin, tentukan sendiri margin error yang Anda anggap wajar untuk riset Anda, dan jelaskan alasannya di lembar tugas. Pilih satu teknik sampling yang paling sesuai dengan desain riset Anda, lalu jelaskan mengapa teknik itu — bukan yang lain — yang paling tepat. Terakhir, identifikasi satu risiko bias yang mungkin muncul dalam rencana pengumpulan data Anda dan bagaimana Anda akan memitigasinya; ingat, hari ini kita sudah menempuh perjalanan panjang dari memahami populasi dan sampel, menguasai delapan teknik sampling, menghitung ukuran sampel dan alokasi stratified, sampai menjaga validitas, reliabilitas, dan etika — semua ini akan langsung Anda pakai di bagian metodologi proposal Anda pada pertemuan mendatang.