Instrumen dan desain sudah Anda kunci pekan lalu. Sekarang pertaruhan sesungguhnya dimulai: di lapangan, data yang masuk jarang serapi rencana — keputusan Anda tentang sampling, respons, dan kualitas data akan menentukan apakah temuan riset ini layak dipakai direksi mengambil keputusan.
RPS minggu 9 · 2x50 menit
Bagian 1 dari 3
Strategi Sampling dan Penentuan Ukuran Sampel
Diskusi kelas: bila anggaran riset Anda hanya cukup untuk 150 responden padahal populasi target 8.000 karyawan, apa yang Anda korbankan — presisi, representativitas, atau kecepatan?
Pengumpulan Data sebagai Rangkaian Keputusan Manajerial
Bukan sekadar "menyebar kuesioner" — empat keputusan berurutan yang tiap simpulnya punya konsekuensi biaya, waktu, dan validitas.
Kesalahan paling mahal terjadi di simpul 1 — kerangka sampel yang bias tidak bisa diperbaiki oleh teknik statistik secanggih apa pun di tahap analisis nanti.
Probability vs Non-Probability: Kapan Masing-Masing Dipilih
Probability Sampling
Setiap unit populasi punya peluang terpilih yang diketahui — dasar generalisasi statistik
Simple random, stratified, cluster, systematic
Wajib bila tujuan riset adalah estimasi parameter populasi (mis. survei kepuasan nasabah nasional)
Biaya & waktu lebih tinggi — perlu kerangka sampel lengkap
Non-Probability Sampling
Peluang terpilih tidak diketahui — tidak untuk generalisasi statistik ketat
Purposive, snowball, convenience, quota
Relevan untuk riset eksploratif, populasi sulit dijangkau (mis. eksekutif C-level, UMKM informal)
Purposive umum pada studi kasus B2B dan riset kualitatif lanjutan
Keputusan manajerial: bila hasil riset akan dipakai untuk klaim ke investor atau regulator, non-probability sampling melemahkan kredibilitas — nyatakan keterbatasan itu secara eksplisit di laporan.
Hitung dari Nol: Ukuran Sampel dengan Rumus Slovin
Kasus: populasi 8.000 karyawan sebuah BUMN, riset kepuasan kerja, margin of error yang ditoleransi manajemen 5%.
Langkah
Perhitungan
Nilai
1. Tetapkan populasi (N) dan margin error (e)
N = 8.000; e = 0,05
N=8.000, e=0,05
2. Rumus Slovin
n = N / (1 + N·e²)
n = 8.000 / (1 + 8.000×0,0025)
3. Hitung penyebut
1 + (8.000 × 0,0025)
1 + 20 = 21
4. Bagi populasi dengan penyebut
8.000 / 21
380,95
5. Pembulatan ke atas (praktik lapangan)
pembulatan konservatif
n = 381 responden
381
responden minimum pada e = 5% — naikkan ~20-30% sebagai buffer non-respons
Coba Sendiri: Hitung Ukuran Sampel Slovin Anda
Ubah ukuran populasi dan margin of error pada widget, amati bagaimana ukuran sampel minimum berubah secara langsung.
Hitung dari Nol: Menyesuaikan Target Rekrutmen untuk Non-Respons
Kasus lanjutan: dari pengalaman riset serupa di sektor perbankan, tingkat respons survei internal karyawan diperkirakan hanya ~65%.
Langkah
Perhitungan
Nilai
1. Sampel minimum valid (dari slide sebelumnya)
n = 381
381
2. Estimasi tingkat respons historis
response rate = 65%
0,65
3. Rumus target rekrutmen
target = n / response rate
381 / 0,65
4. Hitung target awal
381 / 0,65
586,15
5. Pembulatan ke atas untuk kontrak enumerator
pembulatan konservatif
target = 587 undangan
587
undangan yang harus disebar agar 381 responden valid tercapai pada response rate 65%
Mini-Kasus: Survei Kepuasan Nasabah Bank Syariah Nasional
Keputusan manajerial, bukan sekadar teknis statistik — ilustrasi berbasis pola umum riset perbankan Indonesia.
Tim riset internal sebuah bank syariah nasional (ilustrasi) ditugaskan mengukur kepuasan 1,2 juta nasabah aktif. Anggaran hanya cukup untuk survei berbasis aplikasi mobile banking — kerangka sampel otomatis mengecualikan nasabah senior yang mayoritas bertransaksi di kantor cabang. Direksi tetap ingin hasil riset dipakai untuk klaim "kepuasan nasabah nasional 87%" di laporan tahunan.
Pertanyaan keputusan: sebagai manajer riset, apakah Anda menyetujui klaim generalisasi nasional tersebut — dan apa syarat yang harus Anda ajukan ke direksi sebelum data ini dipublikasikan?
Bagian 2 dari 3
Metode dan Modalitas Pengumpulan Data
Diskusi kelas: untuk riset persepsi karyawan terhadap kebijakan hybrid working, apakah Anda memilih survei daring, wawancara tatap muka, atau kombinasi keduanya — dan mengapa?
Modalitas Pengumpulan Data Kuantitatif
Survei Daring
Biaya marjinal rendah, jangkauan luas
Bias: hanya menjangkau populasi melek digital
Cocok: nasabah aplikasi, karyawan kantor pusat
Survei Tatap Muka / Telepon
Respons lebih tinggi, kualitas jawaban lebih terjaga
Biaya & waktu enumerator signifikan
Cocok: segmen non-digital, area rural
Data Sekunder / Arsip Internal
Transaksi, log CRM, data ERP — tanpa bias recall
Perlu izin akses & anonimisasi (kepatuhan UU PDP)
Cocok: riset perilaku aktual, bukan persepsi
Riset bisnis profesional jarang memakai satu modalitas saja — kombinasi survei daring untuk skala dan wawancara terbatas untuk validasi kedalaman adalah pola yang paling sering dipertahankan penguji tesis dan direksi.
Modalitas Pengumpulan Data Kualitatif
Wawancara Mendalam (In-Depth Interview)
Eksplorasi motif & konteks — cocok untuk keputusan strategis kompleks
Butuh keterampilan pewawancara terlatih untuk hindari leading question
Dinamika kelompok memunculkan insight yang tak muncul individual
Risiko: dominasi peserta vokal, groupthink
Contoh: FGD karyawan lintas divisi soal budaya kerja baru
Observasi partisipan dan studi dokumen (laporan tahunan, notulen rapat, korespondensi internal) melengkapi kedua metode di atas sebagai triangulasi sumber — dibahas lebih dalam pada Pertemuan 12-13 (analisis data kualitatif).
Platform Pengumpulan Data Digital: Pertimbangan Pemilihan
Pilihan platform adalah keputusan biaya-manfaat, bukan preferensi — untuk tesis MM, Google Forms umumnya cukup; untuk riset korporat berskala nasional, investasi Qualtrics sering terjustifikasi oleh kebutuhan kendali mutu.
Sumber Bias dalam Pengumpulan Data dan Mitigasinya
Jenis Bias
Contoh Kasus
Mitigasi
Social desirability bias
Karyawan melebih-lebihkan kepuasan kerja saat disurvei atasan langsung
Jaminan anonimitas, pihak ketiga netral
Non-response bias
Nasabah tak puas cenderung tak mengisi survei kepuasan
Follow-up bertahap, insentif wajar
Coverage bias
Kerangka sampel hanya nasabah aplikasi, abaikan nasabah cabang
Kombinasi multi-modalitas pengumpulan
Interviewer bias
Nada suara pewawancara memengaruhi jawaban responden
Pelatihan enumerator, protokol wawancara baku
Acquiescence bias
Responden cenderung setuju pada semua pernyataan
Item bermuatan terbalik (reverse-worded)
Bagian 3 dari 3
Etika, Kendali Mutu, dan Manajemen Lapangan
Diskusi kelas: bila tim enumerator Anda melaporkan 95% target tercapai dalam waktu setengah dari jadwal, apakah itu kabar baik atau tanda bahaya?
Etika Pengumpulan Data: Bukan Formalitas Administratif
Informed Consent
Responden paham tujuan riset, penggunaan data, hak menolak
Untuk riset korporat: jelaskan apakah hasil akan memengaruhi penilaian kinerja individu
Dokumentasikan persetujuan — penting untuk audit etik tesis
Kerahasiaan & UU PDP
Anonimisasi identitas sebelum analisis, terutama data karyawan/nasabah
UU No. 27/2022 (PDP): perlu dasar pemrosesan data pribadi yang sah
Data sensitif (kesehatan, keuangan pribadi) butuh perlindungan berlapis
Riset internal perusahaan sering mengabaikan proses etik karena "hanya untuk kebutuhan manajemen" — standar yang sama tetap berlaku ketika hasilnya dipakai untuk keputusan yang berdampak pada individu, misalnya restrukturisasi atau evaluasi kinerja.
Kerangka Analisis: Mendeteksi Kualitas Data Lapangan Bermasalah
Langkah
Yang Diperiksa
Indikator Peringatan
1. Audit kecepatan pengisian
Waktu rata-rata pengisian survei per responden
Jauh lebih cepat dari waktu baca minimum
2. Audit pola jawaban
Variasi jawaban antar-item skala Likert
Straight-lining (semua jawaban sama)
3. Audit distribusi per enumerator
Jumlah & profil responden tiap enumerator
Satu enumerator jauh melebihi rata-rata tim
4. Verifikasi silang lapangan
Spot-check telepon ulang ke sampel responden
Responden tidak mengingat pernah disurvei
5. Rekonsiliasi metadata
Timestamp, lokasi GPS (bila tersedia)
Data terkumpul di luar jam & lokasi kerja lapangan
Kesimpulan praktik: kendali mutu bukan langkah setelah data terkumpul, melainkan proses paralel harian selama pengumpulan berlangsung — makin lambat terdeteksi, makin mahal biaya perbaikannya.
Mini-Kasus: Riset Pasar UMKM Digital untuk Ekspansi E-Commerce
Sebuah startup logistik (ilustrasi, terinspirasi model operasional pemain seperti Shipper/Waresix) ingin mengumpulkan data dari 500 UMKM se-Jawa untuk memvalidasi rencana ekspansi layanan gudang. Tim lapangan hanya punya waktu tiga minggu dan anggaran terbatas untuk enumerator lokal di lima kota.
Pertanyaan keputusan: bagaimana Anda merancang kombinasi kerangka sampel, teknik sampling, dan modalitas pengumpulan data agar hasilnya kredibel untuk dipresentasikan ke calon investor Seri B dalam tiga minggu?
Merancang Timeline dan Anggaran Pengumpulan Data
Alokasikan ~15-20% anggaran total pengumpulan data untuk kendali mutu (pelatihan, spot-check, kontingensi non-respons) — pos yang paling sering dipotong pertama saat anggaran ketat, padahal paling menentukan kredibilitas hasil.
Ringkasan: Lima Keputusan Kunci Pengumpulan Data
Keputusan 1-2
Kerangka sampel menentukan siapa yang bisa terwakili; teknik sampling menentukan seberapa kuat klaim generalisasi Anda.
Keputusan 3-4
Ukuran sampel adalah trade-off presisi-biaya yang terukur (Slovin + buffer non-respons); modalitas dipilih berdasar kedalaman vs jangkauan yang dibutuhkan.
Keputusan 5
Kendali mutu berjalan paralel selama pengumpulan berlangsung, bukan pemeriksaan di akhir — etika & kepatuhan UU PDP melekat di setiap keputusan di atas, bukan langkah terpisah.
Latihan Penerapan: Rancang Rencana Pengumpulan Data Proposal Anda
Ambil topik riset yang sudah Anda rancang sejak Pertemuan 2-7 (desain riset Anda sendiri)
Tentukan populasi target, kerangka sampel realistis, dan teknik sampling yang paling tepat
Hitung ukuran sampel minimum (Slovin atau justifikasi alternatif) dan target rekrutmen dengan asumsi response rate yang wajar untuk konteks Anda
Pilih modalitas pengumpulan data dan jelaskan alasan trade-off biaya-kedalaman-jangkauan
Identifikasi satu risiko bias paling mungkin terjadi pada riset Anda dan mitigasinya
Hasil latihan ini menjadi bahan mentah bagian metodologi proposal riset yang akan Anda susun di Pertemuan 9 — simpan catatan Anda.
Menuju Pertemuan 9
Dari Rencana Pengumpulan Data ke Proposal Riset Utuh
Pekan depan Anda akan merangkai seluruh elemen — topik, kerangka teoritis, desain, dan rencana pengumpulan data hari ini — menjadi satu dokumen proposal riset yang siap diajukan secara profesional.