Program Studi Manajemen · FEB UNDIP · Seminar Manajemen MSDM

Menentukan Sampel
dan Metode Pengumpulan Data

Pertemuan 11 · Bab 3 Proposal Skripsi MSDM

Dari "siapa yang kita teliti" sampai "bagaimana datanya kita jaring" — dua keputusan yang menentukan kredibilitas seluruh riset Anda.

RPS minggu 12 · 2x50 menit

Selamat datang di pertemuan kesebelas Seminar Manajemen MSDM. Dua pertemuan lalu Anda sudah menyusun operasionalisasi variabel — Anda tahu apa yang mau diukur dan indikatornya apa. Hari ini kita masuk ke pertanyaan berikutnya yang sama pentingnya, yaitu siapa yang akan Anda ukur, dan dengan cara apa data itu Anda kumpulkan. Bayangkan Anda ingin meneliti pengaruh kepuasan kerja terhadap turnover intention karyawan di sebuah bank syariah seperti BSI cabang Semarang; Anda tidak mungkin mewawancarai seluruh karyawan BSI se-Indonesia, jadi Anda perlu menentukan sampel yang representatif dan metode pengumpulan data yang tepat. Hari ini Anda akan belajar menentukan populasi dan sampel penelitian, memilih teknik sampling yang sesuai, menghitung ukuran sampel minimum, dan memilih metode pengumpulan data yang paling cocok dengan tujuan penelitian Anda — siapkan draf proposal Anda karena bagian ini langsung menjadi bagian dari Bab 3.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menentukan sampel dan metode pengumpulan data yang tepat untuk proposal Bab 3:

Capaian 1 — Populasi & Sampel

①

Membedakan populasi, sampel, dan unit analisis penelitian MSDM Anda sendiri secara tepat.

Capaian 2 — Teknik Sampling

②

Memilih teknik probability atau non-probability sampling yang sesuai dengan desain riset.

Capaian 3 — Ukuran Sampel

③

Menghitung ukuran sampel minimum memakai rumus Slovin dan mengevaluasi tingkat respons.

Capaian 4 — Metode Pengumpulan Data

④

Menetapkan metode (kuesioner, wawancara, observasi, data sekunder) yang koheren dengan tujuan penelitian.

Keempat capaian ini adalah bekal langsung untuk sub-bab metode penelitian di Bab 3 proposal Anda. Pertama, Anda harus bisa memisahkan tiga istilah yang sering tertukar, yaitu populasi, sampel, dan unit analisis, karena kekeliruan di sini akan merembet ke seluruh bagian metodologi. Kedua, Anda harus tahu kapan memakai teknik probability sampling seperti simple random sampling, dan kapan memakai non-probability seperti purposive sampling — pilihan ini bergantung pada tujuan dan karakteristik populasi Anda. Ketiga, Anda akan berlatih menghitung ukuran sampel minimum dengan rumus Slovin, bukan asal menebak angka seperti seratus responden. Keempat, Anda harus mampu memilih metode pengumpulan data yang benar-benar cocok dengan pertanyaan penelitian Anda; jadikan empat poin ini panduan saat Anda menulis draf Bab 3 minggu depan.

Kenapa Sampel Bisa Membuat Skripsi Anda Ditolak Reviewer

Metode terbaik pun percuma kalau sampelnya keliru. Kenali tiga kesalahan paling sering muncul di sidang proposal:

Kesalahan 1

🎯

Populasi tak jelas: "karyawan Indonesia" — terlalu luas, tak bisa dijangkau. Harus spesifik, mis. karyawan tetap PT Bank Mega Syariah cabang Semarang.

Kesalahan 2

🎲

Teknik sampling tak sesuai desain: pakai convenience sampling untuk klaim generalisasi populasi — tidak konsisten secara metodologis.

Kesalahan 3

📋

Ukuran sampel asal: "saya pakai 100 responden" tanpa dasar perhitungan — reviewer pasti bertanya "dari mana angka itu?"

Ketiga hal ini adalah bagian metodologi yang paling sering dikoreksi dosen penguji. Hari ini kita luruskan satu per satu, dimulai dari fondasi paling dasar: populasi dan sampel.

Saya sering melihat mahasiswa gugup di sidang proposal justru karena bagian sampel, bukan karena teori atau hipotesisnya. Contoh nyata: seorang mahasiswa menulis "populasi penelitian ini adalah karyawan di Indonesia" untuk skripsi tentang burnout karyawan — penguji langsung bertanya, populasi itu terlalu luas dan tidak operasional, siapa sebenarnya yang bisa Anda jangkau? Contoh lain, mahasiswa memakai convenience sampling, yaitu sekadar menyebar kuesioner ke teman dan kenalan, lalu mengklaim hasilnya berlaku untuk seluruh karyawan sebuah industri — ini tidak konsisten karena convenience sampling tidak mendukung generalisasi seperti itu. Contoh ketiga, ukuran sampel seratus orang ditulis tanpa perhitungan apa pun, padahal ada rumus standar seperti Slovin yang bisa dipakai untuk menjustifikasi angka tersebut. Hari ini kita akan membereskan ketiga persoalan ini agar Bab 3 proposal Anda kokoh secara metodologis dan tidak mudah digugat penguji.

Bagian 1 dari 3

Populasi, Sampel
& Ukuran Sampel

Menentukan siapa yang diteliti (populasi), siapa yang benar-benar dijangkau (sampel), dan berapa jumlah minimumnya secara terukur.

Populasi Sampling Frame Rumus Slovin

Populasi, Sampel, dan Unit Analisis

Tiga istilah dasar yang sering tertukar mahasiswa — pahami perbedaannya sejak awal.

Populasi

🌐

Keseluruhan objek/subjek yang punya karakteristik sesuai kriteria penelitian. Contoh: seluruh karyawan tetap PT Bank Mega Syariah cabang Semarang (420 orang).

Sampel

🔎

Bagian dari populasi yang benar-benar diteliti, diharapkan representatif. Contoh: 154 karyawan yang terpilih dari 420.

Unit Analisis

👤

Level yang dianalisis — individu (karyawan), kelompok (divisi/tim), atau organisasi (cabang bank). Menentukan cara Anda mengumpulkan & mengolah data.

Aturan praktis: rumuskan populasi Anda dengan siapa, di mana, kriteria apa — bukan sekadar "karyawan" atau "perusahaan" secara umum.

Mari kita bereskan kebingungan yang paling sering terjadi. Populasi adalah keseluruhan subjek yang memenuhi kriteria penelitian Anda — misalnya seluruh karyawan tetap sebuah bank syariah di Semarang yang berjumlah 420 orang. Sampel adalah bagian dari populasi itu yang benar-benar Anda survei, misalnya 154 orang yang terpilih lewat prosedur tertentu, dan sampel ini diharapkan bisa mewakili karakteristik populasi secara keseluruhan. Unit analisis adalah level di mana Anda melakukan analisis — apakah Anda menganalisis pada level individu karyawan, level kelompok seperti divisi SDM dan divisi pemasaran, atau level organisasi seperti membandingkan antar-cabang bank. Kesalahan paling umum mahasiswa adalah merumuskan populasi terlalu umum, misalnya "karyawan Indonesia", padahal semakin spesifik populasi Anda dengan kriteria siapa, di mana, dan batasan apa, semakin mudah Anda menentukan sampel dan meyakinkan penguji bahwa penelitian Anda feasible dikerjakan.

Coba Sendiri: Bedakan Populasi, Sampel & Unit Analisis

Klik contoh kasus penelitian yang berbeda-beda dan lihat bagaimana ketiga istilah ini dipetakan pada tiap kasus.

Mengapa Meneliti Sampel, Bukan Seluruh Populasi (Sensus)?

Meneliti seluruh populasi (sensus) memang paling akurat, tapi jarang praktis untuk skripsi. Berikut alasannya:

Konsekuensinya: sampel harus diambil dengan teknik yang benar dan ukuran yang memadai agar kesimpulannya tetap bisa dipercaya mewakili populasi.

Secara teori, cara paling akurat meneliti sebuah populasi adalah sensus, yaitu mendata seluruh anggotanya — seperti Badan Pusat Statistik melakukan sensus penduduk setiap sepuluh tahun. Tapi untuk skripsi dengan populasi 420 karyawan bank, mewawancarai atau mensurvei seluruhnya butuh biaya, waktu, dan tenaga yang tidak realistis bagi mahasiswa dengan tenggat satu semester. Karena itu kita memakai sampel, yaitu sebagian dari populasi yang representatif, sehingga penelitian jadi jauh lebih efisien tapi tetap bisa digeneralisasikan ke populasi asalnya — dengan syarat. Syaratnya adalah sampel itu diambil dengan teknik yang tepat dan jumlahnya memadai secara statistik, bukan asal ambil semampunya; kalau dua syarat ini dilanggar, hasil penelitian Anda tidak lagi bisa dipercaya mewakili populasi yang Anda klaim, dan itulah yang akan kita bahas di slide-slide berikutnya.

Kerangka Sampel: Daftar Konkret Calon Responden

Sampling frame adalah daftar nyata seluruh anggota populasi yang menjadi basis penarikan sampel — bukan sekadar konsep abstrak.

Contoh Sampling Frame

📑

Daftar absensi HRIS 420 karyawan Bank Mega Syariah cabang Semarang lengkap dengan NIK pegawai & divisi — inilah kerangka sampel Anda.

Kalau Frame Tak Tersedia

🧩

Untuk populasi tersebar seperti "UMKM kuliner di Semarang", frame lengkap sulit didapat — gunakan pendekatan non-probability (bagian 2).

Kesalahan umum: menyamakan sampling frame dengan populasi. Frame bisa lebih sempit dari populasi teoretis — mis. HRIS hanya mendata karyawan aktif, bukan yang cuti panjang.

Sampling frame ini konsep yang sering dilewatkan mahasiswa tapi krusial secara praktis. Setelah Anda menetapkan populasi secara konseptual, Anda perlu daftar konkret dan bisa diakses berisi seluruh anggotanya — misalnya data HRIS perusahaan yang memuat nama, nomor induk pegawai, dan divisi dari 420 karyawan Bank Mega Syariah cabang Semarang; itulah sampling frame Anda, dan dari daftar itulah Anda menarik sampel secara acak atau sistematis. Masalahnya, tidak semua populasi punya frame serapi itu — bayangkan Anda meneliti UMKM kuliner di Semarang, tidak ada satu daftar resmi yang mencakup seluruhnya, sehingga probability sampling jadi sulit dan Anda perlu beralih ke pendekatan non-probability yang akan kita bahas sebentar lagi. Ingat juga bahwa sampling frame bisa lebih sempit dari populasi teoretis Anda, misalnya data HRIS mungkin tidak mencakup karyawan yang sedang cuti panjang, sehingga Anda perlu menjelaskan keterbatasan ini secara jujur di Bab 3.

Hitung dari Nol: Ukuran Sampel Minimum (Rumus Slovin)

Populasi karyawan tetap PT Bank Mega Syariah cabang Semarang N = 250 orang. Margin kesalahan yang ditoleransi e = 5%.

n = N ÷ (1 + N·e²)

Langkah	Perhitungan	Nilai
Populasi (N)	diketahui	250 karyawan
Margin kesalahan (e)	ditetapkan	5% (0,05)
e²	0,05 × 0,05	0,0025
N × e²	250 × 0,0025	0,625
1 + (N × e²)	1 + 0,625	1,625
n = N ÷ (1 + N·e²)	250 ÷ 1,625	153,85
Dibulatkan ke atas	pembulatan konservatif	154 responden

Ukuran sampel minimum ≈ 154 responden dari populasi 250 karyawan — inilah angka yang harus Anda tulis di Bab 3, lengkap dengan rumus dan asumsi margin kesalahannya.

Inilah rumus yang paling sering dipakai skripsi MSDM untuk menjustifikasi ukuran sampel secara terukur, disebut rumus Slovin. Rumusnya sederhana: n sama dengan N dibagi satu ditambah N dikali e kuadrat, di mana N adalah jumlah populasi dan e adalah margin kesalahan yang Anda toleransi, biasanya 5% atau 10% untuk riset sosial. Mari kita hitung bersama untuk populasi 250 karyawan dengan margin kesalahan 5 persen: pertama kita kuadratkan margin kesalahannya menjadi 0,0025, lalu kalikan dengan populasi menjadi 0,625, tambahkan satu menjadi 1,625, kemudian bagi populasi 250 dengan angka itu sehingga hasilnya 153,85. Karena jumlah responden tidak mungkin pecahan, kita bulatkan ke atas secara konservatif menjadi 154 responden — inilah ukuran sampel minimum yang harus Anda kejar, dan angka ini jauh lebih meyakinkan penguji dibanding menulis "seratus responden" tanpa dasar perhitungan apa pun.

Coba Sendiri: Hitung Ukuran Sampel Rumus Slovin

Geser jumlah populasi dan margin kesalahan riset Anda sendiri, lalu lihat berapa ukuran sampel minimum yang dihasilkan rumus Slovin.

Bagian 2 dari 3

Teknik Sampling:
Probability & Non-Probability

Memilih cara menarik sampel dari populasi — acak murni untuk generalisasi kuat, atau bertujuan untuk kedalaman & keterjangkauan.

Probability Non-Probability Kesesuaian Desain

Probability Sampling: Setiap Anggota Punya Peluang Sama

Cocok saat sampling frame tersedia lengkap dan Anda ingin hasil bisa digeneralisasi ke populasi.

Simple Random Sampling

🎟

Undi acak dari daftar HRIS 420 karyawan — mis. pakai fungsi random number generator Excel untuk pilih 154 nama.

Stratified Sampling

🗂

Bagi populasi per strata (mis. divisi Pemasaran, Operasional, SDM), lalu ambil sampel proporsional tiap strata.

Cluster Sampling

🏢

Populasi tersebar per klaster (mis. 8 cabang bank) — acak beberapa cabang, lalu survei semua karyawan di cabang terpilih.

Systematic Sampling

🔢

Pilih tiap responden ke-k dari daftar terurut, mis. tiap nama ke-3 dari absensi HRIS.

Empat teknik ini termasuk keluarga probability sampling, artinya setiap anggota populasi punya peluang yang sama dan diketahui untuk terpilih. Simple random sampling paling sederhana: Anda mengundi secara acak dari seluruh 420 karyawan, misalnya menggunakan fungsi acak di Excel untuk memilih 154 nama. Stratified sampling dipakai kalau populasi Anda punya sub-kelompok penting yang ingin terwakili proporsional, misalnya membagi karyawan menurut divisi pemasaran, operasional, dan SDM, lalu mengambil sampel dari tiap divisi sesuai proporsinya. Cluster sampling cocok kalau populasi tersebar secara geografis, misalnya delapan cabang bank di Jawa Tengah — Anda mengacak beberapa cabang saja lalu mensurvei semua karyawan di cabang terpilih itu, jauh lebih efisien dibanding mendatangi semua cabang. Systematic sampling memilih responden dengan interval tetap dari daftar yang sudah terurut, misalnya setiap nama urutan ketiga; teknik ini praktis kalau Anda sudah punya daftar lengkap dan rapi seperti absensi HRIS.

Coba Sendiri: Bandingkan Empat Teknik Probability Sampling

Pilih salah satu dari empat teknik probability sampling dan lihat ilustrasi bagaimana masing-masing menarik sampel dari populasi yang sama.

Non-Probability Sampling: Dipilih dengan Pertimbangan Tertentu

Dipakai saat sampling frame tak tersedia atau tujuan penelitian butuh kriteria khusus — hasil tak bisa digeneralisasi bebas ke populasi.

Purposive Sampling

🎯

Pilih responden sesuai kriteria spesifik, mis. hanya karyawan dengan masa kerja ≥ 2 tahun yang paham budaya organisasi.

Convenience Sampling

🤲

Ambil responden yang mudah dijangkau, mis. rekan kerja yang bersedia mengisi kuesioner — cepat, tapi rawan bias.

Snowball Sampling

❄

Responden pertama merekomendasikan responden berikutnya — cocok untuk populasi tersembunyi, mis. pekerja gig-economy.

Quota Sampling

📊

Tetapkan kuota per kategori (mis. 50 pria, 50 wanita), lalu ambil responden pertama yang memenuhi hingga kuota tercapai.

Non-probability tetap sah secara metodologis untuk riset MSDM — syaratnya: jelaskan kriteria pemilihan & akui keterbatasan generalisasinya di Bab 3.

Kelompok kedua adalah non-probability sampling, di mana peluang terpilih tidak sama untuk semua anggota populasi, melainkan berdasarkan pertimbangan tertentu. Purposive sampling memilih responden berdasarkan kriteria spesifik yang relevan dengan tujuan penelitian, misalnya hanya karyawan dengan masa kerja minimal dua tahun karena mereka dianggap lebih memahami budaya organisasi perusahaan. Convenience sampling mengambil siapa pun yang mudah dijangkau, misalnya rekan kerja atau kenalan yang bersedia mengisi kuesioner — praktis dan cepat, tapi rawan bias karena tidak representatif. Snowball sampling cocok untuk populasi yang sulit diidentifikasi, misalnya pekerja gig-economy seperti pengemudi ojek online, di mana responden pertama merekomendasikan responden berikutnya yang mereka kenal. Quota sampling menetapkan jumlah target per kategori tertentu, misalnya lima puluh responden pria dan lima puluh wanita, lalu peneliti mengambil siapa saja yang memenuhi kategori itu sampai kuotanya penuh. Yang penting Anda ingat: teknik non-probability tetap sah dipakai skripsi MSDM asal Anda jelaskan kriteria pemilihannya dan jujur mengakui keterbatasan generalisasinya di Bab 3.

Walkthrough: Memilih Teknik Sampling untuk Riset Anda

Dua kasus riset MSDM — ikuti alur penalaran memilih tekniknya langkah demi langkah.

Kasus A — Kepuasan Kerja vs Turnover

Populasi: 250 karyawan tetap, HRIS lengkap tersedia.
Frame lengkap tersedia → probability sampling memungkinkan.
Populasi terbagi 3 divisi tak setara jumlahnya → pilih stratified sampling.
Keputusan: stratified random sampling, 154 responden proporsional per divisi.

Kasus B — Adaptasi Kerja Pengemudi Ojek Online

Populasi: pengemudi ojek online Semarang, tak ada daftar resmi lengkap.
Tanpa sampling frame → probability sampling tidak feasible.
Populasi "tersembunyi", saling kenal via komunitas → pilih snowball sampling.
Keputusan: snowball sampling, mulai dari 5 pengemudi awal via komunitas mitra.

Mari kita praktikkan penalaran memilih teknik sampling lewat dua kasus nyata. Kasus pertama, penelitian tentang kepuasan kerja terhadap turnover intention di sebuah bank dengan 250 karyawan tetap dan data HRIS yang lengkap — karena sampling frame-nya tersedia, kita bisa memakai probability sampling; dan karena populasinya terbagi tiga divisi dengan jumlah yang tidak setara, pilihan paling tepat adalah stratified random sampling agar tiap divisi terwakili proporsional, menghasilkan 154 responden sesuai perhitungan Slovin tadi. Kasus kedua berbeda total: penelitian tentang adaptasi kerja pengemudi ojek online di Semarang, di mana tidak ada satu daftar resmi yang mencatat seluruh pengemudi aktif, sehingga probability sampling menjadi tidak feasible. Karena populasi ini bersifat tersembunyi namun saling terhubung lewat komunitas mitra pengemudi, snowball sampling menjadi pilihan paling masuk akal, dimulai dari lima pengemudi awal yang kemudian merekomendasikan rekan-rekannya. Perhatikan bagaimana ketersediaan sampling frame menjadi faktor penentu utama pilihan teknik.

Coba Sendiri: Pilih Teknik Sampling untuk Riset Anda

Jawab beberapa pertanyaan tentang populasi & sampling frame riset Anda, dan alat ini akan menyarankan teknik sampling yang paling sesuai.

Menentukan Responden: Siapa yang Benar-Benar Mengisi Kuesioner?

Responden bukan selalu sama dengan unit analisis — tentukan keduanya secara eksplisit di Bab 3.

Unit Analisis Individu

🙋

Topik: kepuasan kerja, komitmen organisasi. Responden = karyawan itu sendiri yang mengisi kuesioner tentang persepsinya.

Unit Analisis Organisasi

🏬

Topik: kinerja cabang bank. Responden = manajer cabang (informan kunci), meski unit analisisnya adalah cabang.

Kriteria inklusi/eksklusi harus dinyatakan tegas, mis. "karyawan tetap, masa kerja ≥ 1 tahun, bekerja penuh waktu" — bukan sekadar "karyawan bank".

Ada satu perbedaan halus yang sering luput dari perhatian mahasiswa, yaitu antara unit analisis dan responden. Kalau topik Anda tentang kepuasan kerja atau komitmen organisasi, unit analisisnya adalah individu, dan respondennya memang karyawan itu sendiri yang mengisi kuesioner tentang persepsi pribadinya. Tapi kalau topik Anda tentang kinerja organisasi, misalnya membandingkan kinerja delapan cabang bank, unit analisisnya adalah cabang sebagai entitas, sementara respondennya tetap manusia, biasanya manajer cabang yang menjadi informan kunci mewakili data organisasinya. Selain itu, Anda wajib menuliskan kriteria inklusi dan eksklusi secara tegas di Bab 3 — misalnya "karyawan tetap dengan masa kerja minimal satu tahun yang bekerja penuh waktu", bukan sekadar menulis "karyawan bank" secara umum, karena kriteria yang jelas ini akan memudahkan Anda dan pembaca memahami batasan generalisasi hasil penelitian Anda.

Bagian 3 dari 3

Metode
Pengumpulan Data

Memilih kuesioner, wawancara, observasi, atau data sekunder — dan memastikan pilihan itu koheren dengan tujuan penelitian Anda.

Kuesioner Wawancara & Observasi Tingkat Respons

Kuesioner: Metode Utama Riset MSDM Kuantitatif

Kuesioner tertutup dengan skala Likert paling umum dipakai karena efisien untuk sampel besar dan mudah diolah statistik.

Contoh item: "Saya merasa puas dengan kebijakan penggajian di perusahaan ini" — responden memilih 1–5. Setiap indikator (dari operasionalisasi variabel P10) diterjemahkan jadi 1 atau lebih item.

Kuesioner tertutup dengan skala Likert lima poin adalah metode paling dominan di skripsi MSDM kuantitatif, dari sangat tidak setuju di angka satu sampai sangat setuju di angka lima. Keunggulannya jelas: bisa disebar ke banyak responden sekaligus, murah, dan datanya langsung berbentuk angka yang siap diolah dengan SPSS atau SmartPLS. Ingat kembali materi pertemuan sepuluh tentang operasionalisasi variabel — setiap indikator yang sudah Anda rumuskan di sana diterjemahkan menjadi satu atau beberapa item pernyataan kuesioner. Misalnya untuk indikator kepuasan terhadap kebijakan penggajian, Anda bisa menulis item "Saya merasa puas dengan kebijakan penggajian di perusahaan ini", dan responden tinggal memilih angka satu sampai lima sesuai tingkat kesetujuannya. Kuncinya, jangan membuat item kuesioner Anda sendiri sebelum indikator dari pertemuan sepuluh benar-benar jelas, karena kuesioner yang baik selalu berangkat dari operasionalisasi variabel yang matang.

Metode Pelengkap: Wawancara, Observasi, Data Sekunder

Kuesioner sering perlu dilengkapi metode lain agar data lebih kaya dan valid.

Wawancara

🎙

Tanya-jawab mendalam, mis. dengan manajer HRD, untuk menggali konteks di balik angka kuesioner.

Observasi

👁

Mengamati langsung perilaku kerja, mis. tingkat kehadiran & interaksi tim di ruang kerja — melengkapi data persepsi.

Data Sekunder

🗄

Data yang sudah ada, mis. rekap turnover HRIS 3 tahun terakhir atau laporan kinerja perusahaan — memperkuat argumen fenomena Bab 1.

Kombinasi umum riset MSDM: kuesioner (data utama) + wawancara singkat ke 2–3 informan kunci untuk memperkaya interpretasi hasil di Bab 5 nanti.

Selain kuesioner, tiga metode ini sering dipakai untuk melengkapi atau memperkuat data utama Anda. Wawancara memberi kedalaman konteks yang tidak bisa ditangkap angka kuesioner — misalnya Anda mewawancarai manajer HRD untuk memahami mengapa tingkat turnover di divisi tertentu lebih tinggi. Observasi berguna untuk mengamati perilaku kerja secara langsung, seperti tingkat kehadiran atau pola interaksi tim di ruang kerja, yang bisa melengkapi data persepsi dari kuesioner. Data sekunder memanfaatkan data yang sudah tersedia di perusahaan, misalnya rekap turnover dari HRIS selama tiga tahun terakhir, yang sangat berguna untuk memperkuat argumen fenomena di Bab 1 proposal Anda. Kombinasi yang paling umum dan disarankan untuk skripsi MSDM adalah menjadikan kuesioner sebagai data utama untuk menguji hipotesis secara kuantitatif, lalu menambahkan wawancara singkat ke dua atau tiga informan kunci untuk memperkaya interpretasi hasil di Bab 5 nanti — ini membuat pembahasan Anda tidak sekadar angka, tapi juga bermakna.

Sekilas: Instrumen Harus Valid & Reliabel

Sebelum kuesioner disebar ke sampel penuh, instrumen wajib diuji dulu — pendalamannya di pertemuan berikutnya.

Validitas

✅

Apakah item kuesioner benar-benar mengukur konstruk yang dimaksud? Dicek lewat uji validitas (korelasi item-total, expert judgment).

Reliabilitas

🔁

Apakah hasil pengukuran konsisten bila diulang? Dicek lewat Cronbach's Alpha (umumnya ambang ≥ 0,70).

Praktik lazim: sebar dulu ke 30 responden pilot (bukan bagian sampel utama) untuk uji validitas-reliabilitas, baru sebar ke sampel penuh.

Sebelum kuesioner Anda benar-benar disebar ke seluruh sampel, ada satu langkah penting yang tidak boleh dilewati, yaitu uji validitas dan reliabilitas instrumen — meski pendalaman tekniknya akan kita bahas lebih rinci di pertemuan berikutnya. Validitas menjawab pertanyaan apakah item kuesioner Anda benar-benar mengukur konstruk yang dimaksud, misalnya apakah pertanyaan tentang kepuasan kerja benar-benar mengukur kepuasan kerja, bukan konsep lain yang mirip. Reliabilitas menjawab apakah hasil pengukuran itu konsisten kalau diulang pada waktu berbeda, biasanya diukur dengan Cronbach's Alpha, dengan ambang batas yang lazim diterima minimal 0,70. Praktik yang disarankan adalah menyebar kuesioner dulu ke sekitar tiga puluh responden pilot yang bukan bagian dari sampel utama Anda, untuk menguji validitas dan reliabilitasnya; kalau hasilnya baik, barulah Anda menyebarkannya ke seluruh sampel yang sudah dihitung tadi, misalnya 154 responden.

Hitung dari Nol: Tingkat Respons & Sampel Efektif

Kuesioner disebar ke 200 responden. Tak semua kembali, dan tak semua yang kembali layak dianalisis.

Langkah	Perhitungan	Nilai
Kuesioner disebar	diketahui	200
Kuesioner kembali (82%)	82% × 200	164
Kuesioner tidak lengkap/gugur (10%)	10% × 164	≈ 16
Sampel valid digunakan	164 − 16	148
Tingkat respons efektif	148 ÷ 200 × 100%	74%

148 responden valid — sedikit di bawah target minimum 154 (Slovin). Jujur laporkan di Bab 3 & pertimbangkan menyebar kuesioner cadangan untuk menutup selisih.

Angka ukuran sampel minimum yang kita hitung tadi, 154 responden, adalah target — kenyataan di lapangan sering meleset karena tidak semua kuesioner kembali dan valid. Mari kita hitung skenario nyata: Anda menyebar 200 kuesioner untuk mengejar target 154, dan dalam praktiknya hanya 82 persen yang kembali, yaitu 164 kuesioner. Dari 164 yang kembali itu, biasanya ada sekitar 10 persen yang tidak lengkap atau gugur karena responden asal mencontreng semua sama, sehingga tersisa 148 kuesioner yang benar-benar valid untuk dianalisis. Bagilah 148 dengan 200 kuesioner yang disebar tadi, dikali seratus persen, dan Anda mendapat tingkat respons efektif 74 persen — angka ini lazim dilaporkan di Bab 3 sebagai bukti kredibilitas pengumpulan data Anda. Perhatikan bahwa 148 responden valid ini sedikit di bawah target minimum 154 dari perhitungan Slovin; dalam situasi seperti ini, Anda perlu jujur melaporkan selisihnya dan idealnya menyebar beberapa kuesioner cadangan sejak awal untuk mengantisipasi hal ini.

Coba Sendiri: Simulasikan Tingkat Respons Kuesioner Anda

Ubah jumlah kuesioner yang disebar serta persentase yang kembali dan gugur, lalu lihat apakah sampel valid Anda masih memenuhi target minimum.

Latihan Kelas: Rancang Sampel & Metode Proposal Anda

Kerjakan untuk topik penelitian proposal Anda masing-masing (15 menit), lalu 3 mahasiswa presentasi singkat:

Instruksi Kerja

Rumuskan populasi Anda secara spesifik (siapa, di mana, kriteria apa).
Tentukan apakah sampling frame tersedia — jika ya, sebutkan sumbernya (mis. HRIS, data BPS).
Hitung ukuran sampel minimum dengan rumus Slovin (tulis N dan e yang Anda pakai).
Pilih teknik sampling yang sesuai & jelaskan alasannya dalam 1–2 kalimat.
Tentukan metode pengumpulan data utama + pelengkap yang akan Anda pakai.

Bawa hasilnya sebagai draf awal sub-bab "Populasi, Sampel, dan Metode Pengumpulan Data" di Bab 3 — akan Anda satukan dengan Bab 1 & Bab 2 di pertemuan 12.

Sekarang giliran Anda mempraktikkan langsung apa yang sudah kita pelajari hari ini untuk topik proposal Anda masing-masing. Anda punya waktu lima belas menit untuk merumuskan lima hal: pertama, populasi penelitian Anda secara spesifik, bukan sekadar "karyawan" tapi lengkap dengan kriteria dan lokasinya; kedua, apakah sampling frame-nya tersedia dan dari mana sumbernya; ketiga, hitung ukuran sampel minimum memakai rumus Slovin seperti yang baru kita praktikkan; keempat, pilih teknik sampling yang paling masuk akal untuk kasus Anda dan jelaskan alasannya secara singkat; dan kelima, tentukan metode pengumpulan data utama serta pelengkapnya. Setelah itu, tiga mahasiswa akan saya minta mempresentasikan hasilnya secara singkat di depan kelas supaya kita bisa saling belajar dari kasus yang berbeda-beda. Simpan baik-baik hasil latihan ini karena akan langsung menjadi draf awal sub-bab metode penelitian yang akan Anda satukan dengan Bab 1 dan Bab 2 di pertemuan dua belas nanti.

Ringkasan Pertemuan 11

Sampel Kuat,
Metode Tepat

Populasi dirumuskan spesifik, ukuran sampel terhitung (Slovin), teknik sampling sesuai desain, metode pengumpulan data koheren dengan tujuan penelitian.

Bab 3 Selesai Sebagian Menuju Pertemuan 12

Mari kita rangkum apa yang sudah Anda kuasai hari ini. Anda kini bisa merumuskan populasi secara spesifik dan membedakannya dari sampel dan unit analisis, menghitung ukuran sampel minimum secara terukur memakai rumus Slovin alih-alih menebak angka, memilih teknik sampling yang sesuai antara probability dan non-probability berdasarkan ketersediaan sampling frame dan tujuan riset, serta menentukan metode pengumpulan data yang koheren dengan pertanyaan penelitian Anda, lengkap dengan cara menghitung tingkat respons yang realistis. Ini melengkapi sub-bab metode penelitian dalam Bab 3 proposal Anda. Di pertemuan dua belas depan, Anda akan menyatukan seluruh bagian ini — Bab 1 tentang latar belakang dan rumusan masalah, Bab 2 tentang tinjauan pustaka dan kerangka pemikiran, serta Bab 3 tentang metode penelitian yang baru kita selesaikan — menjadi satu draf proposal lengkap yang koheren dan siap dipresentasikan. Siapkan seluruh file Anda dari pertemuan-pertemuan sebelumnya sebelum pertemuan berikutnya.

Menentukan Sampeldan Metode Pengumpulan Data

Pertemuan 11 · Bab 3 Proposal Skripsi MSDM

Tujuan Pembelajaran Hari Ini

Kenapa Sampel Bisa Membuat Skripsi Anda Ditolak Reviewer

Populasi, Sampel, dan Unit Analisis

Coba Sendiri: Bedakan Populasi, Sampel & Unit Analisis

Mengapa Meneliti Sampel, Bukan Seluruh Populasi (Sensus)?

Kerangka Sampel: Daftar Konkret Calon Responden

Hitung dari Nol: Ukuran Sampel Minimum (Rumus Slovin)

Coba Sendiri: Hitung Ukuran Sampel Rumus Slovin

Probability Sampling: Setiap Anggota Punya Peluang Sama

Coba Sendiri: Bandingkan Empat Teknik Probability Sampling

Non-Probability Sampling: Dipilih dengan Pertimbangan Tertentu

Walkthrough: Memilih Teknik Sampling untuk Riset Anda

Coba Sendiri: Pilih Teknik Sampling untuk Riset Anda

Menentukan Responden: Siapa yang Benar-Benar Mengisi Kuesioner?

Kuesioner: Metode Utama Riset MSDM Kuantitatif

Metode Pelengkap: Wawancara, Observasi, Data Sekunder

Sekilas: Instrumen Harus Valid & Reliabel

Hitung dari Nol: Tingkat Respons & Sampel Efektif

Coba Sendiri: Simulasikan Tingkat Respons Kuesioner Anda

Latihan Kelas: Rancang Sampel & Metode Proposal Anda

Menentukan Sampel
dan Metode Pengumpulan Data