Menentukan berapa banyak responden yang dibutuhkan adalah salah satu keputusan metodologis paling krusial dalam penelitian kuantitatif. Sampel yang terlalu kecil menghasilkan temuan yang tidak dapat digeneralisasi, sementara sampel yang terlalu besar memboroskan waktu dan sumber daya. Berikut ini rangkuman sembilan metode penentuan ukuran sampel yang lazim digunakan dalam riset ilmu sosial.
1. Cochran’s Formula merupakan formula statistik klasik untuk mengestimasi ukuran sampel berdasarkan proporsi populasi. Peneliti perlu memasukkan tiga parameter: tingkat kepercayaan (biasanya 95%), margin of error (misalnya 5%), dan estimasi proporsi populasi. Metode ini sangat cocok untuk survei berskala besar. Sebagai contoh, jika seorang peneliti ingin mengukur proporsi karyawan manufaktur di Jawa Barat yang merasa puas terhadap sistem kompensasi mereka, Cochran’s formula akan menghitung jumlah minimum responden yang dibutuhkan agar hasilnya representatif. Catatan pentingnya: jika estimasi proporsi awal tidak akurat, ukuran sampel yang dihasilkan bisa menyesatkan.
2. Slovin’s Formula adalah versi yang lebih sederhana dan sangat populer di kalangan mahasiswa serta peneliti pemula. Rumusnya hanya membutuhkan dua input: jumlah populasi (N) dan margin of error (e), dengan formula n = N / (1 + Ne²). Misalnya, dalam sebuah perusahaan dengan 500 karyawan dan margin of error 5%, Slovin’s formula menghasilkan sampel sekitar 222 orang. Metode ini banyak digunakan dalam skripsi dan penelitian kecil di bidang MSDM karena kemudahannya. Namun perlu diingat bahwa penyederhanaan asumsinya bisa mengurangi akurasi untuk dataset yang kompleks atau populasi yang sangat heterogen.
3. Power Analysis adalah teknik yang lebih canggih, menentukan ukuran sampel berdasarkan tiga komponen: effect size (seberapa besar efek yang ingin dideteksi), tingkat signifikansi (α), dan statistical power (biasanya 80%). Metode ini sangat relevan untuk penelitian eksperimental di bidang MSDM misalnya, ketika ingin menguji apakah program pelatihan kepemimpinan benar-benar meningkatkan skor engagement karyawan dibandingkan kelompok kontrol. Kelebihannya adalah presisi yang tinggi, tetapi kelemahannya terletak pada risiko salah memperkirakan effect size, yang bisa menyesatkan seluruh perhitungan.
4. Tabel Krejcie-Morgan menyediakan referensi praktis berupa tabel yang langsung menunjukkan ukuran sampel yang direkomendasikan untuk berbagai ukuran populasi pada tingkat kepercayaan 95% dan margin of error 5%. Peneliti cukup mencari ukuran populasinya di kolom kiri, lalu membaca ukuran sampel yang sesuai di kolom kanan. Ini sangat berguna dalam riset organisasi, misalnya, untuk survei iklim kerja di sebuah instansi pemerintah dengan 1.000 pegawai, tabel ini langsung menunjukkan bahwa dibutuhkan sekitar 278 responden. Keterbatasannya adalah asumsi tetap tentang confidence level dan margin of error, sehingga kurang fleksibel untuk desain riset yang membutuhkan parameter berbeda.
5. Confidence Interval Method memastikan bahwa estimasi sampel berada dalam rentang presisi yang telah ditentukan. Peneliti perlu menentukan tingkat kepercayaan, margin of error, dan estimasi standar deviasi populasi. Metode ini banyak digunakan dalam survei demografis dan polling. Dalam konteks MSDM, metode ini cocok untuk riset estimasi parameter, misalnya, memperkirakan rata-rata jam pelatihan per tahun yang diterima karyawan di industri perbankan, di mana peneliti membutuhkan tingkat presisi tertentu agar hasilnya bermakna bagi pengambil kebijakan.
6. Rule of Thumb adalah pedoman informal yang menyarankan ukuran sampel minimum berdasarkan konvensi umum dalam penelitian. Aturan yang paling sering dikutip antara lain: minimal 30 observasi untuk analisis statistik dasar, minimal 100 untuk analisis regresi sederhana, atau 5–10 responden per variabel independen dalam analisis regresi berganda. Metode ini cocok untuk studi eksploratori atau pilot, misalnya, riset awal untuk memetakan faktor-faktor yang memengaruhi intensi turnover karyawan generasi Z di startup teknologi. Meskipun praktis, metode ini tidak memiliki justifikasi statistik yang kuat, sehingga kurang tepat untuk penelitian yang menuntut pengujian hipotesis secara ketat.
7. Pilot Study Method melibatkan pelaksanaan studi pendahuluan berskala kecil untuk mengestimasi variansi dan parameter populasi sebelum menentukan ukuran sampel penelitian utama. Ini sangat bermanfaat ketika peneliti belum memiliki gambaran tentang variabilitas data. Sebagai contoh, sebelum melakukan survei besar tentang efektivitas sistem manajemen kinerja berbasis OKR di perusahaan-perusahaan BUMN, peneliti bisa melakukan pilot study terhadap 30–50 karyawan terlebih dahulu untuk mengestimasi standar deviasi skor efektivitas, lalu menggunakan angka tersebut untuk menghitung ukuran sampel final. Catatan pentingnya: pilot yang terlalu kecil bisa menghasilkan estimasi variansi yang tidak akurat.
8. Finite Population Correction (FPC) adalah faktor koreksi yang diterapkan ketika proporsi sampel cukup besar dibandingkan populasinya, umumnya ketika sampel melebihi 5% dari total populasi. FPC mengurangi ukuran sampel yang dibutuhkan karena setiap anggota populasi memiliki probabilitas terpilih yang lebih tinggi. Ini relevan dalam riset MSDM di organisasi berskala menengah, misalnya, survei kepuasan kerja di sebuah sekolah dengan hanya 120 guru. Tanpa koreksi, formula standar mungkin menyarankan 92 sampel, tetapi dengan FPC angka tersebut bisa turun menjadi sekitar 65. Mengabaikan koreksi ini berpotensi menghasilkan sampel yang lebih besar dari yang sesungguhnya diperlukan, sehingga memboroskan sumber daya.
9. Resource-Based Method mengambil pendekatan pragmatis: ukuran sampel ditentukan berdasarkan ketersediaan sumber daya seperti waktu, anggaran, dan akses terhadap responden. Peneliti memperkirakan jumlah maksimum partisipan yang secara realistis bisa dijangkau dalam batasan yang ada. Metode ini umum digunakan dalam riset lapangan dan investigasi organisasi, misalnya, ketika seorang mahasiswa pascasarjana hanya memiliki waktu tiga bulan dan anggaran terbatas untuk meneliti praktik talent management di perusahaan keluarga, maka jumlah responden disesuaikan dengan kapasitas tersebut. Konsekuensinya jelas: ukuran sampel yang terbatas berpotensi mengurangi kekuatan statistik dan generalisabilitas temuan.
Secara keseluruhan, tidak ada satu metode yang secara universal paling unggul. Pilihan bergantung pada tujuan penelitian, ketersediaan informasi tentang populasi, jenis analisis statistik yang direncanakan, serta keterbatasan praktis yang dihadapi peneliti. Untuk riset MSDM yang bersifat konfirmatori dan menguji hipotesis, power analysis atau Cochran’s formula memberikan dasar perhitungan yang paling kokoh. Untuk riset eksploratori atau skripsi, Slovin’s formula atau tabel Krejcie-Morgan sudah memadai sebagai titik awal. Yang terpenting, peneliti harus mampu menjelaskan dan mempertanggungjawabkan pilihan metode penentuan sampelnya dalam bagian metodologi penelitian.
