Program Studi Bisnis Digital • FEB

Metodologi Penelitian Bisnis

Pertemuan 8 — Metode Penelitian Kuantitatif & Sampling Probabilitas vs Non-Probabilitas

Dari populasi ke sampel: bagaimana peneliti bisnis memilih sebagian kecil orang secara ilmiah agar kesimpulannya bisa dipercaya mewakili yang lebih besar.

RPS MINGGU 9 • 2 × 50 MENIT

Selamat datang kembali setelah UTS, Anda baru saja menyelesaikan bagian pertama semester yang membahas dasar-dasar penelitian sampai metode kualitatif. Hari ini kita masuk ke babak kedua yang jauh lebih "berangka": metode penelitian kuantitatif dan cara memilih siapa saja yang akan kita teliti, yang disebut sampling. Bayangkan Anda ingin tahu seberapa puas pengguna Tokopedia terhadap fitur baru mereka — tidak mungkin Anda mewawancarai seluruh puluhan juta penggunanya, jadi Anda perlu memilih sebagian kecil secara cermat agar hasilnya tetap bisa dipercaya mewakili keseluruhan. Itulah inti pertemuan hari ini: memahami logika penelitian kuantitatif dan dua jalur besar teknik sampling, probabilitas dan non-probabilitas, lengkap dengan cara menghitung ukuran sampelnya. Pertemuan ini adalah pertemuan kedelapan dalam urutan mata kuliah karena UTS mengambil slot minggu ke-8 dalam RPS, jadi anggap ini sebagai awal babak kedua semester kita.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan karakteristik penelitian kuantitatif serta memilih dan menghitung teknik sampling yang tepat untuk sebuah studi bisnis. Secara rinci:

CAPAIAN 1

CIRI KUANTITATIF

Menjelaskan ciri & alur proses penelitian kuantitatif, dan bedanya dengan kualitatif (Pertemuan 7).

CAPAIAN 2

SAMPLING PROBABILITAS

Membedakan jenis sampling probabilitas dan menghitung ukuran sampel dengan rumus Slovin.

CAPAIAN 3

NON-PROBABILITAS

Mengenali jenis sampling non-probabilitas dan kapan tepat digunakan dalam riset bisnis digital.

CAPAIAN 4

KUALITAS DATA

Menjelaskan validitas, reliabilitas, objektivitas, dan generalisabilitas hasil penelitian kuantitatif.

Mari kita lihat empat capaian belajar hari ini secara berurutan. Pertama, Anda akan bisa menjelaskan apa yang membuat sebuah penelitian disebut kuantitatif dan bagaimana alurnya berbeda dari penelitian kualitatif yang sudah kita bahas di pertemuan 7 tentang wawancara mendalam dan FGD. Kedua, Anda akan belajar membedakan jenis-jenis sampling probabilitas — di mana setiap anggota populasi punya peluang yang bisa dihitung untuk terpilih — dan menghitung sendiri ukuran sampel yang dibutuhkan memakai rumus Slovin. Ketiga, Anda akan mengenal jalur satunya, sampling non-probabilitas, yang sering dipakai justru karena keterbatasan praktis di lapangan, terutama dalam riset bisnis digital yang serba cepat. Terakhir, Anda akan memahami empat kriteria yang menentukan apakah hasil penelitian kuantitatif layak dipercaya: validitas, reliabilitas, objektivitas, dan generalisabilitas — empat kata kunci yang akan terus kita pakai sampai pertemuan 9 tentang skala pengukuran.

Bagian 1 dari 3

Memahami Penelitian Kuantitatif

Apa yang membuat sebuah penelitian bisnis disebut "kuantitatif", dan bagaimana alurnya?

Apa Itu Penelitian Kuantitatif?

Penelitian kuantitatif adalah pendekatan penelitian yang mengukur variabel dalam bentuk angka dan menganalisisnya dengan statistik untuk menguji hipotesis serta menarik kesimpulan yang bisa digeneralisasi.

Empat ciri utamanya, dibandingkan dengan penelitian kualitatif (Pertemuan 7):

Ciri	Kuantitatif	Kualitatif (pembanding)
Data	Angka (numerik)	Kata-kata, narasi, tema
Logika berpikir	Deduktif (teori → uji data)	Induktif (data → teori)
Sampel	Besar, dipilih acak/terukur	Kecil, dipilih bertujuan
Tujuan	Menguji hipotesis, menggeneralisasi	Memahami makna & konteks mendalam

Definisi ini penting untuk Anda catat baik-baik: penelitian kuantitatif mengukur variabel dalam bentuk angka dan menganalisisnya dengan statistik, dengan tujuan akhir menguji hipotesis dan menarik kesimpulan yang bisa digeneralisasi ke populasi yang lebih luas. Tabel ini sengaja membandingkannya langsung dengan penelitian kualitatif yang sudah Anda pelajari di pertemuan 7, supaya perbedaannya makin jelas. Data kuantitatif berbentuk angka seperti skor kepuasan 1 sampai 5, sementara data kualitatif berbentuk kata-kata dari wawancara. Logika berpikirnya juga berkebalikan: penelitian kuantitatif bersifat deduktif, mulai dari teori lalu diuji dengan data, sedangkan kualitatif bersifat induktif, mulai dari data lalu dibangun menjadi teori. Sampel kuantitatif cenderung besar dan dipilih secara acak atau terukur agar bisa mewakili populasi, berbeda dengan sampel kualitatif yang kecil dan dipilih dengan tujuan tertentu, misalnya informan kunci yang paling paham topiknya. Nah, memilih sampel yang besar dan mewakili itulah yang akan menjadi fokus utama kita hari ini.

Alur Proses Penelitian Kuantitatif

Sifatnya linear dan terstruktur — setiap tahap harus selesai sebelum lanjut ke tahap berikutnya.

Kotak abu tua (kanan) — tahap yang paling menentukan kualitas kesimpulan akhir: siapa yang diteliti (sampling) dan bagaimana datanya dianalisis.

Perhatikan alur ini baik-baik karena bersifat linear, artinya Anda tidak bisa melompat ke tahap analisis sebelum populasi dan sampelnya jelas. Semuanya dimulai dari teori dan hipotesis yang sudah kita bahas di pertemuan 5, lalu diterjemahkan menjadi desain penelitian eksploratif, deskriptif, atau kausal seperti pertemuan 6. Tahap ketiga, yang menjadi fokus utama kita hari ini, adalah menentukan populasi penelitian dan memilih sampelnya — misalnya, jika Anda meneliti kepuasan pengguna aplikasi belanja daring, populasinya adalah seluruh pengguna aktif, dan Anda harus memutuskan siapa sebagian kecil yang akan benar-benar disurvei. Setelah sampel ditentukan, barulah data dikumpulkan lewat kuesioner atau instrumen lain yang akan kita bahas di pertemuan 10, kemudian dianalisis secara statistik di pertemuan 11, dan akhirnya ditarik kesimpulan yang diharapkan bisa digeneralisasi ke seluruh populasi. Kotak keempat dan ketiga dari kanan diberi warna lebih gelap karena di situlah letak keputusan paling krusial — sampel yang salah pilih bisa membuat seluruh analisis statistik canggih sekalipun jadi tidak berarti.

Populasi vs Sampel: Mengapa Kita Tidak Meneliti Semua Orang?

Populasi

Keseluruhan objek/subjek yang menjadi target kesimpulan penelitian — bisa orang, transaksi, atau perusahaan.

Contoh: seluruh pengguna aktif aplikasi Tokopedia di Indonesia.
Sering terlalu besar, tersebar, atau mahal untuk diteliti seluruhnya (sensus).

Sampel

Sebagian dari populasi yang benar-benar diteliti, diambil melalui sampling frame (daftar/kerangka anggota populasi yang bisa diakses).

Contoh: 400 pengguna Tokopedia yang disurvei via aplikasi.
Tujuan: hasil dari sampel bisa mewakili — digeneralisasi ke — populasi.

Kunci keberhasilan generalisasi terletak pada teknik sampling yang dipakai — itulah topik utama dua bagian berikutnya.

Pertanyaan yang sering muncul dari mahasiswa adalah, kenapa tidak kita survei saja semua orangnya sekalian, supaya hasilnya pasti akurat? Jawabannya ada di definisi populasi itu sendiri: populasi adalah keseluruhan objek atau subjek yang menjadi target kesimpulan penelitian, misalnya seluruh pengguna aktif Tokopedia di Indonesia yang jumlahnya puluhan juta orang — meneliti semuanya, yang disebut sensus, jelas mahal, lambat, dan seringkali tidak realistis dalam waktu penelitian yang terbatas. Karena itu peneliti memilih sampel, yaitu sebagian dari populasi yang benar-benar diteliti, diambil melalui sesuatu yang disebut sampling frame, yaitu daftar atau kerangka anggota populasi yang bisa benar-benar kita akses, misalnya daftar nomor telepon pengguna terdaftar. Kalau sampel dipilih dengan cara yang tepat, hasil dari 400 responden saja bisa mewakili — atau dalam istilah teknis, digeneralisasi ke — jutaan pengguna lainnya. Nah, cara memilih sampel yang tepat inilah yang menentukan apakah generalisasi itu bisa dipercaya atau tidak, dan itulah yang akan kita pelajari mendalam di dua bagian berikutnya: sampling probabilitas dan non-probabilitas.

Coba Sendiri: Visualisasikan Populasi dan Sampel

Geser ukuran populasi dan sampel, lalu amati langsung berapa persen populasi yang benar-benar terwakili dalam kerumunan titik.

Bagian 2 dari 3

Sampling Probabilitas

Setiap anggota populasi punya peluang terpilih yang bisa dihitung — jalur paling "adil" secara statistik.

Empat Jenis Sampling Probabilitas

Ciri utama: peluang setiap anggota populasi untuk terpilih diketahui dan sama/terukur — bukan berdasarkan kemudahan akses peneliti.

Jenis	Cara Kerja	Contoh Bisnis Digital
Simple Random	Undi acak murni dari seluruh sampling frame	Undi 400 dari 10.000 ID pengguna terdaftar
Systematic	Pilih tiap interval ke-k dari daftar terurut	Ambil transaksi ke-1, ke-51, ke-101, dst.
Stratified	Populasi dibagi strata (kelompok), lalu diacak per strata	Strata per wilayah: Jawa, Sumatera, lainnya
Cluster	Populasi dibagi klaster (mis. kota), lalu klaster diundi utuh	Undi 3 dari 20 kota tempat gerai UMKM beroperasi

Empat jenis sampling probabilitas ini memiliki satu benang merah: peluang setiap anggota populasi untuk terpilih diketahui dan bisa dihitung, bukan bergantung pada siapa yang kebetulan mudah dihubungi peneliti. Simple random sampling adalah bentuk paling murni — bayangkan Anda mengundi 400 nama dari 10.000 ID pengguna terdaftar, persis seperti mengocok arisan, di mana setiap ID punya peluang yang sama persis untuk keluar. Systematic sampling sedikit berbeda: Anda mengurutkan daftar populasi, lalu mengambil tiap interval tertentu, misalnya transaksi ke-1, ke-51, ke-101, dan seterusnya — lebih praktis daripada mengundi satu per satu tapi tetap terukur peluangnya. Stratified sampling membagi populasi ke dalam kelompok atau strata yang punya karakteristik berbeda, misalnya wilayah Jawa, Sumatera, dan lainnya, lalu mengacak sampel dari masing-masing strata secara terpisah — ini akan kita hitung bersama di slide berikutnya. Terakhir, cluster sampling mengelompokkan populasi menjadi klaster, misalnya kota tempat gerai UMKM beroperasi, lalu mengundi beberapa klaster secara utuh untuk diteliti semua anggotanya — cara ini menghemat biaya perjalanan survei tapi butuh lebih banyak klaster agar tetap representatif.

Hitung dari Nol #1 — Ukuran Sampel dengan Rumus Slovin

Kasus: sebuah platform pelatihan UMKM digital punya 2.000 peserta terdaftar (populasi). Peneliti menetapkan margin of error (batas toleransi kesalahan) 5%.

n = N ÷ (1 + N·e²)

Langkah	Perhitungan	Nilai
1. Populasi (N)	Diberikan	2.000 peserta
2. Margin of error (e)	Diberikan	5% = 0,05
3. e²	0,05 × 0,05	0,0025
4. N × e²	2.000 × 0,0025	5
5. 1 + N·e²	1 + 5	6
6. Ukuran sampel (n)	2.000 ÷ 6	333,33 → dibulatkan 334

UKURAN SAMPEL MINIMUM

334

peserta dari populasi 2.000 • margin of error 5%

Mari kita hitung bersama, langkah demi langkah. Rumus Slovin adalah salah satu cara paling praktis dan paling sering dipakai mahasiswa untuk menentukan ukuran sampel minimum ketika populasinya sudah diketahui jumlah pastinya. Kasus kita: sebuah platform pelatihan UMKM digital punya 2.000 peserta terdaftar sebagai populasi, dan peneliti menetapkan margin of error sebesar 5 persen, yang berarti kita menoleransi kemungkinan kesalahan estimasi sebesar 5 persen dari hasil yang sebenarnya. Angka 5 persen ini kita ubah ke bentuk desimal, 0,05, lalu dikuadratkan menjadi 0,0025. Nilai ini kita kalikan dengan populasi 2.000, hasilnya 5. Kemudian kita tambahkan 1, menjadi 6 — angka ini adalah penyebut dalam rumus Slovin. Terakhir, populasi 2.000 kita bagi dengan 6, hasilnya 333,33, yang kita bulatkan ke atas menjadi 334 karena kita tidak mungkin punya 0,33 responden — dalam praktik, pembulatan sampel selalu ke atas agar syarat minimum tetap terpenuhi. Jadi, peneliti perlu mensurvei setidaknya 334 peserta dari 2.000 populasi agar hasilnya bisa dipercaya mewakili keseluruhan dengan margin kesalahan 5 persen.

Coba Sendiri: Hitung Ukuran Sampel Slovin Anda

Geser populasi dan margin of error, lalu lihat ukuran sampel minimum berubah langsung sesuai rumus Slovin.

Hitung dari Nol #2 — Alokasi Sampel Stratified Proporsional

Kasus: penelitian pada 1.000 pengguna aplikasi fintech, dengan sampel total yang ditargetkan 200 orang. Populasi dibagi 3 strata wilayah.

n_h = (N_h ÷ N) × n

Langkah	Perhitungan	Nilai
1. Total populasi (N)	Diberikan	1.000 pengguna
2. Total sampel target (n)	Diberikan	200 pengguna
3. Strata Jawa (N_h=600)	600 ÷ 1.000 × 200	120
4. Strata Sumatera (N_h=250)	250 ÷ 1.000 × 200	50
5. Strata lainnya (N_h=150)	150 ÷ 1.000 × 200	30
6. Verifikasi total sampel	120 + 50 + 30	200 (cocok)

Sekarang contoh kedua: bagaimana caranya membagi sampel ke beberapa strata secara adil sesuai proporsi ukurannya, yang disebut alokasi proporsional. Populasi 1.000 pengguna aplikasi fintech ini kita bagi menjadi tiga strata wilayah: 600 di Jawa, 250 di Sumatera, dan 150 di wilayah lainnya — perhatikan bahwa 600 ditambah 250 ditambah 150 sama dengan 1.000, jumlah populasi total kita. Target sampel keseluruhan sudah ditentukan sebesar 200 orang. Untuk strata Jawa, kita hitung proporsinya, 600 dibagi 1.000, dikalikan target sampel 200, hasilnya 120 responden dari Jawa. Untuk Sumatera, 250 dibagi 1.000 dikalikan 200, hasilnya 50 responden. Untuk wilayah lainnya, 150 dibagi 1.000 dikalikan 200, hasilnya 30 responden. Sebagai langkah verifikasi yang selalu perlu Anda lakukan, kita jumlahkan 120 ditambah 50 ditambah 30, hasilnya tepat 200 — cocok dengan target sampel kita, artinya perhitungan alokasi ini benar. Teknik ini memastikan setiap wilayah terwakili proporsional sesuai besarnya populasi, bukan diwakili jumlah yang sama rata yang justru bisa menyesatkan.

Coba Sendiri: Hitung Alokasi Stratified Anda

Ubah jumlah strata dan ukuran populasi tiap strata, lalu lihat alokasi sampel proporsionalnya terhitung otomatis.

Bagian 3 dari 3

Sampling Non-Probabilitas & Kualitas Data

Ketika akses ke populasi terbatas — dan bagaimana menilai apakah hasil penelitian layak dipercaya.

Empat Jenis Sampling Non-Probabilitas

Ciri utama: peluang terpilih tidak diketahui/tidak sama — pemilihan berdasar kemudahan akses atau pertimbangan peneliti.

Jenis	Cara Kerja	Contoh Bisnis Digital
Convenience	Ambil siapa saja yang paling mudah dijangkau	Survei mahasiswa di kantin kampus tentang e-wallet
Purposive	Pilih responden sesuai kriteria/tujuan spesifik	Wawancara 10 pemilik toko yang khusus memakai QRIS
Snowball	Responden awal merujuk responden berikutnya	Meneliti komunitas reseller tertutup via rujukan
Quota	Tentukan kuota per kategori, lalu ambil siapa saja hingga penuh	50 responden pria & 50 wanita pengguna aplikasi ojek daring

Sampling non-probabilitas punya ciri utama yang berlawanan dengan yang tadi kita bahas: peluang setiap anggota populasi untuk terpilih tidak diketahui atau tidak sama, karena pemilihannya didasarkan pada kemudahan akses atau pertimbangan peneliti, bukan pengundian acak. Convenience sampling adalah yang paling sering dipakai mahasiswa karena paling praktis — misalnya menyurvei mahasiswa di kantin kampus tentang penggunaan e-wallet, karena mereka paling mudah dijangkau, meski belum tentu mewakili seluruh populasi pengguna e-wallet di Indonesia. Purposive sampling memilih responden berdasarkan kriteria spesifik yang relevan dengan tujuan penelitian, misalnya mewawancarai 10 pemilik toko yang secara khusus sudah memakai QRIS sebagai metode pembayaran, karena merekalah yang punya pengalaman relevan dengan topik penelitian. Snowball sampling dipakai ketika populasi sulit diidentifikasi langsung, misalnya meneliti komunitas reseller tertutup di media sosial — responden pertama merujuk Anda ke responden berikutnya, seperti bola salju yang membesar. Terakhir, quota sampling menetapkan kuota per kategori terlebih dahulu, misalnya 50 responden pria dan 50 wanita pengguna aplikasi ojek daring, lalu peneliti mengambil siapa saja yang sesuai kategori hingga kuotanya penuh, tanpa proses pengundian acak.

Kapan Memilih Probabilitas, Kapan Non-Probabilitas?

PILIH PROBABILITAS BILA

Generalisasi Kuat Dibutuhkan

Sampling frame lengkap tersedia, anggaran & waktu memadai, hasil akan dipakai untuk keputusan strategis besar (mis. survei kepuasan nasional).

PILIH NON-PROBABILITAS BILA

Akses/Waktu Terbatas

Populasi sulit didata lengkap (mis. komunitas tertutup), riset eksploratif awal, atau anggaran & waktu sangat terbatas (mis. tugas akhir mahasiswa).

Trade-off: sampling non-probabilitas lebih praktis dan murah, tetapi generalisasinya ke populasi lebih lemah secara statistik — harus disebutkan sebagai keterbatasan (limitation) dalam laporan penelitian.

Pertanyaan yang sering muncul: kalau probabilitas lebih "adil" secara statistik, kenapa masih ada peneliti yang memakai non-probabilitas? Jawabannya soal trade-off praktis. Anda sebaiknya memilih sampling probabilitas ketika sampling frame lengkap tersedia — misalnya perusahaan punya basis data seluruh pelanggannya — anggaran dan waktu penelitian memadai, serta hasilnya akan dipakai untuk keputusan strategis besar, seperti survei kepuasan pelanggan skala nasional yang akan memengaruhi investasi jutaan rupiah. Sebaliknya, non-probabilitas menjadi pilihan realistis ketika populasi sulit didata lengkap, misalnya komunitas reseller tertutup di media sosial yang tidak punya daftar anggota resmi, atau ketika penelitian masih bersifat eksploratif awal, atau yang paling sering Anda alami sebagai mahasiswa, ketika anggaran dan waktu penelitian tugas akhir sangat terbatas. Yang penting untuk Anda ingat dan selalu tuliskan dalam laporan penelitian: sampling non-probabilitas memang lebih praktis dan murah, tetapi kekuatan generalisasinya ke populasi lebih lemah secara statistik, sehingga wajib disebutkan sebagai keterbatasan penelitian, bukan disembunyikan seolah-olah sama kuatnya dengan sampling probabilitas.

Coba Sendiri: Bandingkan Delapan Teknik Sampling

Pilih skenario riset Anda, lalu lihat teknik sampling mana yang paling cocok beserta alasan probabilitas/non-probabilitasnya.

Empat Kriteria Kualitas Penelitian Kuantitatif

Apa pun teknik samplingnya, hasil penelitian kuantitatif dinilai dari empat kriteria berikut:

VALIDITAS

Ketepatan Ukur

Instrumen benar-benar mengukur apa yang seharusnya diukur (mis. kuesioner kepuasan benar-benar mengukur kepuasan, bukan hal lain).

RELIABILITAS

Konsistensi Ukur

Hasil pengukuran konsisten bila diulang pada kondisi serupa (dibahas mendalam & dihitung di Pertemuan 9 — Cronbach's Alpha).

OBJEKTIVITAS

Bebas Bias Peneliti

Hasil tidak dipengaruhi opini/harapan pribadi peneliti — prosedur dan analisis bisa diverifikasi pihak lain.

GENERALISABILITAS

Bisa Diperluas

Kesimpulan dari sampel berlaku untuk populasi — kekuatannya sangat bergantung pada teknik sampling yang dipilih.

Empat kriteria ini adalah "rapor" bagi setiap penelitian kuantitatif, apa pun teknik sampling yang dipakai. Validitas menanyakan apakah instrumen penelitian benar-benar mengukur apa yang seharusnya diukur — misalnya, apakah kuesioner yang Anda buat benar-benar mengukur kepuasan pelanggan, atau justru secara tidak sengaja mengukur hal lain seperti loyalitas merek. Reliabilitas menanyakan konsistensi: jika pengukuran yang sama diulang pada kondisi serupa, apakah hasilnya konsisten atau berubah-ubah drastis — topik ini akan kita hitung secara detail di pertemuan 9 minggu depan memakai koefisien Cronbach's Alpha. Objektivitas berarti hasil penelitian tidak dipengaruhi opini atau harapan pribadi peneliti, dan idealnya prosedur serta analisisnya bisa diverifikasi ulang oleh pihak lain yang independen. Terakhir, generalisabilitas adalah kemampuan kesimpulan dari sampel untuk berlaku bagi populasi yang lebih luas — dan seperti yang sudah kita bahas panjang lebar hari ini, kekuatan generalisabilitas ini sangat bergantung pada teknik sampling yang Anda pilih: probabilitas memberi generalisasi yang jauh lebih kuat dibanding non-probabilitas.

Validitas & Reliabilitas: Dua Sisi Mata Uang

Keduanya berbeda tapi saling melengkapi — instrumen bisa reliabel tapi tidak valid, jarang sebaliknya.

Analogi Sasaran Tembak

Valid & Reliabel: tembakan selalu kena tengah sasaran (ideal).
Reliabel, tidak Valid: tembakan konsisten mengumpul, tapi jauh dari tengah (mengukur konsisten hal yang salah).
Tidak Reliabel & tidak Valid: tembakan tersebar acak (instrumen buruk).

Contoh bisnis: timbangan digital yang selalu menunjukkan angka 2 kg lebih berat dari berat asli itu reliabel (konsisten) tapi tidak valid (tidak akurat) — berbahaya kalau dipakai UMKM untuk menimbang produk jualan.

Untuk memahami hubungan validitas dan reliabilitas, analogi sasaran tembak biasanya paling mudah dicerna. Kondisi ideal adalah valid dan reliabel sekaligus: tembakan selalu mengenai tengah sasaran, artinya pengukuran akurat sekaligus konsisten. Kondisi kedua, reliabel tapi tidak valid, terjadi ketika tembakan mengumpul rapat di satu titik tapi titik itu jauh dari tengah sasaran — dalam konteks penelitian, ini berarti instrumen Anda mengukur sesuatu secara konsisten, tapi yang diukur bukan yang seharusnya diukur. Kondisi ketiga, tidak reliabel sekaligus tidak valid, adalah yang paling buruk: tembakan tersebar acak ke mana-mana, tandanya instrumen penelitian Anda benar-benar tidak bisa dipercaya. Contoh bisnis yang mudah dibayangkan: timbangan digital yang selalu menunjukkan angka 2 kilogram lebih berat dari berat sebenarnya. Timbangan ini reliabel karena hasilnya konsisten setiap kali dipakai, tapi tidak valid karena angkanya tidak akurat — bila dipakai UMKM untuk menimbang produk jualan seperti kopi atau bahan makanan, ini bisa merugikan pembeli atau penjual tergantung arah kesalahannya. Prinsip yang sama berlaku untuk kuesioner penelitian: kuesioner bisa saja menghasilkan skor yang konsisten setiap kali disebar, tapi kalau pertanyaannya salah sasaran, hasilnya tetap tidak valid.

Coba Sendiri: Animasi Sasaran Tembak Validitas-Reliabilitas

Geser tingkat bias dan sebaran tembakan, lalu amati bagaimana pola di papan sasaran berubah untuk tiap kombinasi valid/reliabel.

Studi Kasus: Merancang Sampling untuk Survei Kepuasan E-Commerce

Tim riset internal sebuah marketplace ingin mengukur kepuasan penjual UMKM terhadap fitur baru dashboard penjualan.

Elemen	Keputusan Tim Riset
Populasi	Seluruh penjual UMKM aktif yang memakai dashboard baru (~50.000 akun)
Sampling frame	Basis data akun penjual terdaftar & aktif 30 hari terakhir
Teknik sampling	Stratified random — strata berdasar skala usaha (mikro/kecil/menengah)
Ukuran sampel	Dihitung dengan rumus Slovin, margin of error 5%

Karena sampling frame lengkap tersedia (basis data internal), tim riset memilih jalur probabilitas — bukan convenience sampling — agar hasilnya bisa jadi dasar keputusan pengembangan produk perusahaan.

Mari kita rangkai semua yang sudah kita pelajari hari ini dalam satu studi kasus utuh. Bayangkan tim riset internal sebuah marketplace besar ingin mengukur seberapa puas penjual UMKM terhadap fitur baru dashboard penjualan yang baru diluncurkan. Populasinya adalah seluruh penjual UMKM aktif yang memakai dashboard baru tersebut, sekitar 50.000 akun. Karena perusahaan punya basis data internal lengkap berisi akun penjual terdaftar dan aktif dalam 30 hari terakhir, mereka punya sampling frame yang solid — inilah kondisi ideal yang memungkinkan mereka memilih sampling probabilitas, bukan sekadar convenience sampling seperti menyurvei siapa saja yang kebetulan online. Tim riset memilih stratified random sampling, dengan strata berdasarkan skala usaha — mikro, kecil, dan menengah — karena mereka menduga kepuasan terhadap fitur dashboard bisa berbeda tergantung skala usaha penjualnya. Ukuran sampelnya dihitung memakai rumus Slovin yang baru kita praktikkan, dengan margin of error 5 persen. Kotak hijau di bawah menegaskan poin penting: karena sampling frame lengkap tersedia, memilih jalur probabilitas adalah keputusan yang tepat, sebab hasilnya akan dipakai sebagai dasar keputusan pengembangan produk yang berdampak besar bagi perusahaan.

Latihan Kelas: Rancang Sampling Anda Sendiri

Instruksi

Bekerja berkelompok (3–4 orang). Pilih satu topik riset bisnis digital yang Anda minati (mis. kepuasan pengguna aplikasi, perilaku belanja daring UMKM). Kerjakan:

Tentukan populasi dan apakah sampling frame lengkap tersedia.
Pilih satu teknik sampling (probabilitas atau non-probabilitas) — jelaskan alasannya.
Jika memilih probabilitas: hitung ukuran sampel dengan rumus Slovin (asumsikan N dan margin of error sendiri).

Waktu: 12 menit diskusi, 2 kelompok mempresentasikan hasil (3 menit/kelompok).

Sekarang giliran Anda mempraktikkan langsung apa yang sudah kita pelajari hari ini. Bentuk kelompok kecil tiga sampai empat orang, lalu pilih satu topik riset bisnis digital yang benar-benar Anda minati, misalnya kepuasan pengguna suatu aplikasi atau perilaku belanja daring UMKM di sekitar Anda. Tugas pertama adalah menentukan populasi penelitian Anda dan mendiskusikan apakah sampling frame yang lengkap tersedia atau tidak — ini akan menentukan pilihan Anda di langkah berikutnya. Tugas kedua, pilih satu teknik sampling, boleh probabilitas atau non-probabilitas, dan jelaskan alasannya secara eksplisit merujuk pada apa yang sudah kita bahas hari ini. Jika kelompok Anda memilih jalur probabilitas, tugas ketiga adalah menghitung ukuran sampel memakai rumus Slovin seperti yang baru kita praktikkan, dengan mengasumsikan sendiri angka populasi dan margin of error yang masuk akal untuk topik Anda. Kita beri waktu dua belas menit untuk berdiskusi, dan setelahnya saya akan meminta dua kelompok secara acak mempresentasikan hasilnya di depan kelas selama tiga menit masing-masing.

Rangkuman: Cheat Sheet Sampling

Konsep	Inti
Kuantitatif	Data angka, logika deduktif, tujuan menguji hipotesis & generalisasi
Populasi vs sampel	Populasi = keseluruhan target; sampel = sebagian yang benar-benar diteliti
Sampling probabilitas	Simple random, systematic, stratified, cluster — peluang terpilih terukur
Sampling non-probabilitas	Convenience, purposive, snowball, quota — peluang terpilih tidak terukur
Kualitas penelitian	Validitas · Reliabilitas · Objektivitas · Generalisabilitas
Rumus kunci	Slovin: n = N ÷ (1+N·e²) • Stratified: n_h = (N_h÷N)×n

Mari kita rangkum seluruh materi hari ini dalam satu tabel ringkas yang bisa Anda jadikan catatan belajar. Penelitian kuantitatif dicirikan oleh data berbentuk angka, logika berpikir deduktif dari teori ke data, dengan tujuan menguji hipotesis dan menggeneralisasi hasil. Populasi adalah keseluruhan target penelitian, sementara sampel adalah sebagian yang benar-benar diteliti melalui sampling frame. Sampling probabilitas mencakup simple random, systematic, stratified, dan cluster, dengan ciri khas peluang terpilih yang bisa dihitung; sampling non-probabilitas mencakup convenience, purposive, snowball, dan quota, dengan peluang terpilih yang tidak terukur. Kualitas penelitian kuantitatif dinilai dari empat kriteria yang harus terus Anda ingat: validitas, reliabilitas, objektivitas, dan generalisabilitas. Terakhir, dua rumus kunci yang sudah kita praktikkan hari ini: rumus Slovin untuk menghitung ukuran sampel minimum, dan rumus alokasi proporsional untuk membagi sampel ke beberapa strata. Simpan tabel ini karena kita akan langsung memakainya lagi di pertemuan berikutnya.

Kaitan dengan Sub-CPMK Minggu Ini

Sub-CPMK minggu 9: "Menjelaskan metode penelitian kuantitatif dan teknik sampling probabilitas serta non-probabilitas, termasuk validitas, reliabilitas, objektivitas, dan generalisabilitas."

SUDAH TERCAPAI

Sampling + Kualitas

Anda kini bisa memilih teknik sampling yang tepat, menghitung ukuran sampel, dan menilai kualitas penelitian dengan 4 kriteria.

DIPERDALAM MINGGU DEPAN

Skala Pengukuran

Pertemuan 9 (minggu 10) membahas skala nominal/ordinal/interval/rasio & uji reliabilitas Cronbach's Alpha.

Sejenak mari kita hubungkan kembali apa yang sudah kita pelajari hari ini dengan Sub-CPMK minggu kesembilan, yaitu kemampuan menjelaskan metode penelitian kuantitatif dan teknik sampling probabilitas serta non-probabilitas, termasuk empat kriteria validitas, reliabilitas, objektivitas, dan generalisabilitas. Dengan dua latihan hitung dari nol dan studi kasus marketplace yang sudah kita bahas, Anda sekarang punya kerangka kerja lengkap: mulai dari memahami perbedaan penelitian kuantitatif dan kualitatif, memilih teknik sampling yang tepat sesuai situasi, menghitung ukuran sampelnya, sampai menilai kualitas hasil penelitian tersebut. Minggu depan, di pertemuan kesembilan menurut penomoran mata kuliah kita — yang jatuh di minggu kesepuluh RPS — kita akan memperdalam salah satu kriteria yang baru kita singgung sekilas hari ini, yaitu reliabilitas, dengan mempelajari skala pengukuran nominal, ordinal, interval, dan rasio, serta cara menghitung koefisien Cronbach's Alpha untuk menguji reliabilitas instrumen kuesioner Anda secara nyata.

Penutup & Tugas Sebelum Pertemuan Berikutnya

Minggu Depan

Pertemuan 9 (RPS minggu 10): Skala Pengukuran & Validitas-Reliabilitas Instrumen — nominal, ordinal, interval, rasio, dan Cronbach's Alpha.

TUGAS INDIVIDU

Rencana Sampling Mini

Tentukan populasi & teknik sampling untuk topik proposal riset Anda, lengkap dengan perhitungan ukuran sampel — kumpulkan sebelum pertemuan berikutnya.

Sebagai penutup, mari kita lihat sekilas apa yang menanti Anda di pertemuan berikutnya dan tugas yang perlu diselesaikan sebelum itu. Minggu depan, di pertemuan kesembilan yang jatuh pada minggu kesepuluh RPS, kita akan membahas skala pengukuran — nominal, ordinal, interval, dan rasio — beserta cara menguji validitas dan reliabilitas instrumen memakai koefisien Cronbach's Alpha, sebuah kelanjutan langsung dari kriteria kualitas penelitian yang baru kita singgung hari ini. Tugas individu Anda adalah menyusun rencana sampling mini: tentukan populasi dan teknik sampling yang paling sesuai untuk topik proposal riset Anda sendiri, lengkap dengan perhitungan ukuran sampel memakai rumus Slovin seperti yang sudah kita praktikkan bersama. Kumpulkan tugas ini sebelum pertemuan berikutnya dimulai, karena tugas ini akan menjadi salah satu fondasi penting bagi proposal penelitian lengkap yang akan Anda susun di pertemuan 13 dan 14 menjelang akhir semester. Terima Kasih atas partisipasi aktif Anda hari ini, sampai jumpa di pertemuan berikutnya.