Ukuran sampel adalah satu-satunya faktor yang paling dapat dikontrol dalam kualitas penelitian. Terlalu kecil dan Anda membuang-buang sumber daya untuk mengumpulkan data yang tidak meyakinkan. Terlalu besar dan Anda mengeluarkan uang yang tidak perlu untuk sebuah pertanyaan yang bisa dijawab oleh penelitian yang lebih kecil. Mendapatkan ukuran sampel yang tepat sebelum pengumpulan data dimulai adalah salah satu keputusan statistik terpenting yang dibuat seorang peneliti.
Mengapa Ukuran Sampel Penting
Penelitian berukuran kecil tidak memiliki kekuatan statistik untuk mendeteksi dampak nyata — penelitian ini membuang-buang sumber daya dan menghasilkan negatif palsu yang dapat menunda penemuan penting. Dalam uji klinis, penelitian yang kurang kuat mungkin gagal mendeteksi pengobatan yang benar-benar efektif, sehingga menyebabkan pengobatan tersebut ditinggalkan sebelum waktunya. Sebaliknya, penelitian yang terlalu besar memerlukan biaya yang tidak perlu dan, dalam penelitian klinis, memaparkan lebih banyak partisipan pada kondisi eksperimental daripada yang diperlukan – meningkatkan kekhawatiran etika berdasarkan prinsip keseimbangan. Untuk survei dan jajak pendapat, sampel yang terlalu kecil menghasilkan margin kesalahan yang sangat besar sehingga hasilnya tidak dapat diinterpretasikan: jajak pendapat dengan n = 30 pada tingkat kepercayaan 95% memiliki margin sebesar ±18%, sehingga perubahan politik yang besar sekalipun secara statistik tidak dapat dibedakan. Penghitungan ukuran sampel yang tepat menyeimbangkan ketepatan statistik, kekuatan, dan batasan praktis — dan penghitungan harus dilakukan sebelum pengumpulan data dimulai, bukan setelahnya, karena penyesuaian ukuran sampel post-hoc menimbulkan bias. Standar replikasi modern kini memerlukan prapendaftaran penghitungan ukuran sampel, sehingga langkah ini merupakan persyaratan metodologis dan kewajiban etis dalam penelitian yang didanai.
Semakin Berkurangnya Pengembalian Sampel yang Lebih Besar
Margin kesalahan berkurang seiring dengan bertambahnya akar kuadrat ukuran sampel. Menggandakan n hanya membagi separuh margin. Beralih dari n = 100 ke n = 400 mengurangi separuh margin kesalahan, namun beralih dari n = 400 ke n = 1.600 hanya mengurangi separuhnya lagi, dan biayanya pun meningkat empat kali lipat setiap kalinya. Hubungan akar kuadrat ini berarti bahwa peningkatan presisi menjadi semakin mahal seiring bertambahnya sampel. Untuk rumus proporsi standar n = z²p(1−p)/E², membagi dua E membutuhkan 4× responden. Pada tingkat kepercayaan 95% dan margin ±5%: n ≈ 384. Pada ±2,5% (dua kali presisi): n ≈ 1,537. Pada ±1% (lima kali presisi): n ≈ 9,604. Implikasi praktisnya adalah bahwa biasanya terdapat titik yang tepat (sweet spot) — seringkali sekitar n = 400–1.500 untuk survei — di luar itu, peningkatan presisi lebih lanjut memerlukan biaya yang lebih besar daripada manfaatnya. Memahami kurva ini membantu peneliti menetapkan target yang realistis dan hemat biaya daripada mengejar kesempurnaan teoretis.
Analisis Kekuatan — Langkah yang Sering Terlupakan
Banyak peneliti hanya fokus pada keyakinan dan margin kesalahan, mengabaikan kekuatan statistik. Daya (1 − β) adalah probabilitas mendeteksi efek nyata pada ukuran tertentu. Suatu penelitian dapat memiliki CI yang ketat sebesar 95% namun masih kurang kuat jika ukuran efek yang diukur relatif kecil terhadap ukuran sampel. Analisis kekuatan bekerja dalam dua arah: dengan anggaran tetap (ukuran sampel), dampak terkecil apa yang dapat Anda deteksi dengan andal? Atau, mengingat ukuran efek target (dari literatur sebelumnya atau kepentingan praktis), berapa banyak subjek yang Anda perlukan untuk mendapatkan kekuatan 80%? Cohen's d membakukan ukuran efek sehingga dapat dibandingkan antar penelitian: d = 0,2 (kecil), 0,5 (sedang), 0,8 (besar). Dengan n = 50 per kelompok, sebuah penelitian hanya memiliki kekuatan 40% untuk mendeteksi efek kecil (d = 0,2) namun 98% kekuatan untuk mendeteksi efek besar (d = 0,8). Gagal memperhitungkan kekuatan berarti penelitian yang kurang kuat dipublikasikan dengan hasil negatif yang secara keliru mengesampingkan dampak nyata — berkontribusi terhadap krisis replikasi dalam psikologi dan kedokteran.
Populasi Terbatas dan Mitos Sensus
Kesalahpahaman yang umum terjadi adalah Anda perlu mensurvei sebagian besar populasi untuk mendapatkan hasil yang dapat diandalkan. Kenyataannya, untuk populasi di atas 10.000, ukuran sampel yang diperlukan hampir tidak berubah karena faktor koreksi populasi terbatas mendekati 1. Ketepatan survei hampir seluruhnya ditentukan oleh ukuran sampel absolut, bukan oleh pecahan sampel. Jajak pendapat n = 1.068 mencapai margin ±3% dengan tingkat kepercayaan 95% baik populasinya 100.000 atau 330 juta. Koreksi populasi terbatas n_adj = nN/(n + N − 1) hanya penting ketika mengambil sampel lebih dari 5–10% dari total populasi — misalnya, mensurvei 100 dari 500 karyawan. Untuk populasi kecil (N = 500), pengambilan sampel 50 memerlukan n_adj ≈ 44, bukan 384 — suatu pengurangan yang signifikan. Memahami kapan koreksi ini harus diterapkan akan mencegah pengambilan sampel yang berlebihan (pemborosan sumber daya) dan pengambilan sampel yang terlalu rendah (presisi yang tidak mencukupi) dalam konteks seperti pengendalian kualitas, survei komunitas kecil, atau survei populasi hewan.