TL;DR
Rumus Slovin nentuin ukuran sampel dengan membagi jumlah populasi sama satu ditambah populasi dikali kuadrat margin of error, ditulis n sama dengan N dibagi (1 + N e kuadrat). Contohnya populasi 1.187 pelanggan dengan margin 5 persen ngasih sampel 300 orang. Rumus ini cuma jalan kalau jumlah populasi diketahui pasti dan datanya diambil acak.
Rumus Slovin ngitung jumlah sampel dengan membagi jumlah populasi sama satu ditambah populasi dikali kuadrat margin of error.
Ditulis singkat: n = N / (1 + N e²).
Cuma butuh dua angka, dan itu yang bikin rumus ini paling laris di skripsi Indonesia.
Panduan ini ngurai hitungannya langkah demi langkah, kasih tabel hasil siap pakai, rumus Excel-nya, terus batasan yang jarang disebut waktu bimbingan.
Rumus Slovin adalah cara cepat nentuin ukuran sampel minimal dari populasi yang jumlahnya diketahui. Inputnya cuma dua: jumlah populasi dan margin of error yang kamu terima. Hasilnya jumlah responden minimal yang bikin hasil penelitianmu masih dianggap mewakili populasi di tingkat kesalahan tersebut.
n = N / (1 + N e²)
n = jumlah sampel
N = jumlah populasi
e = margin of error (0,05 buat 5 persen)Margin of error itu seberapa jauh hasil sampel boleh meleset dari kondisi populasi sebenarnya. Margin 5 persen artinya kamu terima kemungkinan hasilnya geser 5 poin ke atas atau ke bawah.
Satu catatan jujur soal asal usulnya: nama Slovin sering ditelusuri ke rumus Yamane, dan sumber aslinya susah dilacak. Di skripsi Indonesia rumus ini diterima luas, tapi jurnal internasional biasanya minta metode lain.
Urutannya: kuadratkan margin of error, kali sama jumlah populasi, tambah satu, lalu bagi jumlah populasi sama hasil itu. Kesalahan paling sering kejadian di langkah pertama, yaitu lupa mengkuadratkan nilai e sebelum dikali N.
Contoh: populasi 1.187 pelanggan, margin of error 5 persen.
Selalu bulatkan ke atas. Membulatkan 299,18 jadi 299 bikin margin of error kamu sedikit lebih lebar dari yang kamu tulis di bab metode.
Makin besar populasi, makin kecil persentase yang perlu diambil. Populasi 100 butuh 80 persen dari totalnya, sedangkan populasi 10.000 cuma butuh 3,9 persen. Ini alasan kenapa patokan ambil 10 persen populasi nggak masuk akal buat semua kasus.
| Populasi (N) | Sampel, margin 5% | Sampel, margin 10% | Porsi di margin 5% |
|---|---|---|---|
| 100 | 80 | 50 | 80,0% |
| 250 | 154 | 72 | 61,6% |
| 500 | 222 | 84 | 44,4% |
| 1.000 | 286 | 91 | 28,6% |
| 1.187 | 300 | 93 | 25,3% |
| 5.000 | 371 | 99 | 7,4% |
| 10.000 | 385 | 100 | 3,9% |
Perhatiin kolom margin 10 persen. Angkanya nyaris berhenti tumbuh di sekitar 100, berapa pun populasinya.
Itu sebabnya margin 10 persen kelihatan menggoda buat mahasiswa yang kejar waktu. Tapi konsekuensinya nyata: hasil surveimu boleh meleset sampai 10 poin, dan itu terlalu lebar buat nyimpulin beda antar kelompok.
Taruh jumlah populasi di sel B2 dan margin of error di B3, lalu tulis satu rumus di B4. Pakai ROUNDUP biar hasilnya langsung berupa bilangan bulat yang dibulatkan ke atas. Struktur tiga sel ini bikin kamu bisa coba beberapa skenario margin cuma dengan ganti satu angka.
B2 : 1187 (jumlah populasi)
B3 : 0,05 (margin of error)
B4 : =ROUNDUP(B2/(1+B2*B3^2);0)
Hasil B4: 300Kalau kamu mau bikin tabel skenario, isi kolom margin dari 0,03 sampai 0,10, terus tarik rumusnya ke bawah dengan mengunci sel populasi jadi $B$2.
Buat ngitung jumlah populasi dari daftar mentah, misalnya daftar karyawan atau daftar pelanggan, pakai rumus COUNTIF dengan kriteria yang sesuai batas populasimu. Kalau kriterianya lebih dari satu, misalnya status aktif dan divisi tertentu, ganti pakai COUNTIFS.
Dataset latihan toko_berkah punya 4.312 transaksi sepanjang 2024 dari 1.187 pelanggan unik. Dari jumlah itu, 736 pelanggan pernah belanja lebih dari sekali dan 451 cuma sekali.
Misalnya kamu mau survei kepuasan pelanggan. Populasinya 1.187 orang, bukan 4.312 transaksi, soalnya unit analisisnya orang.
Hasil Slovin di margin 5 persen: 300 responden.
Kalau 300 responden itu diambil acak murni, jatah tiap kelompok bakal ngikutin proporsi populasi.
| Kelompok | Jumlah populasi | Porsi | Jatah sampel |
|---|---|---|---|
| Pelanggan berulang | 736 | 62,0% | 186 |
| Pelanggan sekali beli | 451 | 38,0% | 114 |
| Total | 1.187 | 100% | 300 |
Cara ngitung jatahnya: jumlah kelompok dibagi total populasi, dikali ukuran sampel. Buat pelanggan berulang, 736 dibagi 1.187 dikali 300 hasilnya 186.
Di sini ada hal yang sering kelewat. Kalau kamu mau motong hasilnya lagi per kategori produk, misalnya sembako dan alat rumah tangga, kelompok sekali beli tinggal 57 responden per kategori.
Jumlah segitu terlalu tipis buat uji beda yang meyakinkan. Solusinya naikin ukuran sampel di luar hasil Slovin, atau kurangi jumlah pecahan analisisnya. Prinsip bagi-bagi kelompok ini sama persis kayak segmentation di analisis data.
Slovin butuh dua syarat: jumlah populasi diketahui pasti, dan data diambil acak dari populasi itu. Kalau salah satu syarat nggak kepenuhan, hasil hitungannya kehilangan arti walau angkanya tetap keluar. Ini kondisi yang bikin rumusnya nggak cocok.
| Kondisi | Pakai apa gantinya |
|---|---|
| Jumlah populasi nggak diketahui | Rumus proporsi atau Lemeshow |
| Penelitian kualitatif | Purposive sampling plus saturasi data |
| Penelitian eksperimen dua kelompok | Minimal 30 per kelompok |
| Analisis SEM atau PLS | 10 kali jalur terbanyak ke satu konstruk |
| Populasi di bawah 100 | Sensus, ambil semuanya |
| Mau bandingin banyak subkelompok | Hitung per subkelompok, bukan total |
Buat riset kualitatif, jumlah informan ditentuin saturasi data. Cara bukti saturasinya ada di populasi dan sampel penelitian kualitatif.
Buat konteks populasi tingkat nasional yang bisa dipakai sebagai pembanding di bab pembahasan, data resminya ada di situs Badan Pusat Statistik.
Rumus Slovin ditulis n sama dengan N dibagi (1 + N dikali e kuadrat). Huruf n adalah jumlah sampel yang kamu cari, N adalah jumlah populasi, dan e adalah margin of error yang kamu terima, biasanya 0,05 atau 0,1. Kuadratkan dulu nilai e sebelum dikali N, itu langkah yang paling sering keliru waktu dihitung manual.
Pakai 5 persen kalau hasilnya bakal dipakai buat ngambil keputusan atau diuji secara statistik, dan 10 persen kalau penelitiannya bersifat penjajakan dengan sumber daya terbatas. Bedanya besar: populasi 1.000 orang butuh 286 sampel di margin 5 persen, tapi cuma 91 di margin 10 persen. Sebutin alasan pemilihanmu di bab metode biar nggak keliatan asal pilih.
Ke atas. Kalau hitunganmu ngasih 299,2 maka sampelnya 300, bukan 299. Membulatkan ke bawah bikin margin of error kamu sedikit lebih besar dari yang direncanain. Di Excel pakai ROUNDUP dengan nol desimal biar konsisten. Bedanya cuma satu atau dua responden, tapi ini yang bikin hitunganmu bisa dipertanggungjawabkan waktu ditanya.
Jangan pakai Slovin kalau jumlah populasi nggak diketahui, kalau penelitianmu kualitatif, atau kalau kamu mau bandingin beberapa kelompok kecil sekaligus. Rumus ini butuh nilai N yang pasti dan asumsi pengambilan acak. Buat populasi tak terhingga pakai rumus proporsi atau Lemeshow. Buat riset kualitatif, jumlah informan ditentukan saturasi data, bukan rumus.
Jarang. Slovin populer banget di skripsi Indonesia, tapi asal usul rumusnya kabur dan sering ditelusuri ke rumus Yamane. Jurnal internasional biasanya minta perhitungan ukuran sampel berbasis analisis daya statistik atau tabel Krejcie dan Morgan. Buat skripsi dan tesis di Indonesia, Slovin masih diterima luas asal kamu bisa jelasin asumsinya.
Tiga hal yang bikin hitungan Slovin kamu aman: nilai e dikuadratkan, hasilnya dibulatkan ke atas, dan angka N punya sumber yang bisa ditunjuk.
Coba masukin angka populasimu sendiri ke rumus Excel di atas, terus bandingin hasil margin 5 persen sama 10 persen. Selisihnya bakal ngasih tau seberapa besar biaya dari akurasi yang kamu mau.
Setelah ukuran sampelnya ketemu, lanjut ke cara narik sampelnya di populasi dan sampel penelitian kuantitatif. Butuh contoh penulisan populasi dari berbagai bidang? Ada di 12 contoh populasi dan sampel.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom datetime nyimpen tanggal, jam, hari, semuanya nempel jadi satu. Accessor .dt di pandas ngeluarin tiap bagian jadi kolom sendiri buat dianalisa.
Nama toko ketik campur huruf besar-kecil, spasi nyasar di ujung, atau kode produk nempel jadi satu. Accessor .str di pandas ngerapiin semua itu tanpa loop.
Model machine learning cuma ngerti angka, bukan teks kayak merah atau biru. get_dummies ngubah kolom kategori jadi kolom 0/1 dalam satu baris kode.