Minimal Sampel SmartPLS: 10 Times Rule, Inverse Square Root, dan G*Power

Oleh Skriptas · 26 Oktober 2026 · 7 menit baca

Minimal sampel SmartPLS: 10 times rule, inverse square root (Kock dan Hadaya), dan G*Power, dengan contoh hitung dan cara menulis justifikasinya di Bab 3.

Minimal sampel SmartPLS adalah pertanyaan yang hampir selalu muncul saat seminar proposal. Jawaban "PLS bisa untuk sampel kecil" sering dipakai, tetapi tidak cukup sebagai justifikasi ilmiah. PLS-SEM memang berjalan pada sampel kecil, tetapi kecil bukan berarti cukup: dengan sampel terlalu sedikit, jalur yang sebenarnya ada tidak akan signifikan, dan hasil Anda tidak stabil.

Artikel ini membandingkan tiga cara menentukan jumlah sampel untuk PLS-SEM yang diterima di literatur: 10 times rule, inverse square root method dari Kock dan Hadaya (2018), dan perhitungan power dengan G*Power. Anda akan mendapat rumus, contoh hitung, dan cara menuliskannya di Bab 3 agar penguji puas. Semua angka contoh diberi label contoh.

Mitos "PLS tidak butuh sampel besar"

Mitos ini bermula dari sifat algoritma PLS yang tetap konvergen pada sampel kecil dan tidak mensyaratkan normalitas. Hair et al. menegaskan bahwa kemampuan berjalan berbeda dengan daya uji (statistical power). Semakin kecil sampel, semakin besar koefisien jalur yang dibutuhkan agar signifikan. Dengan 50 responden, jalur sebesar 0,25 hampir pasti tidak signifikan meskipun secara teori ada. Jadi pertanyaan yang benar bukan "berapa minimal agar SmartPLS mau jalan", melainkan "berapa minimal agar efek sebesar yang saya duga terdeteksi".

Cara 1: 10 times rule

Aturan praktis dari Barclay, Higgins, dan Thompson (1995): sampel minimal sama dengan 10 kali nilai terbesar di antara (a) jumlah indikator formatif terbanyak pada satu konstruk, atau (b) jumlah panah struktural terbanyak yang mengarah ke satu konstruk.

Contoh (angka contoh): model dengan X1, X2, X3 mengarah ke M, lalu M dan X1 mengarah ke Y. Panah terbanyak ke satu konstruk adalah 3 (ke M). Sampel minimal = 10 x 3 = 30.

Angka 30 ini yang sering dikutip, dan di situlah masalahnya. Hair et al. serta Kock dan Hadaya menunjukkan 10 times rule cenderung menghasilkan sampel terlalu kecil karena tidak mempertimbangkan besar efek yang diharapkan. Gunakan sebagai batas bawah paling kasar, bukan sebagai angka akhir.

Cara 2: inverse square root method (Kock dan Hadaya, 2018)

Metode ini memakai koefisien jalur terkecil yang diperkirakan signifikan dalam model (p min). Pada taraf signifikansi 5% dan power 80%, rumusnya:

n > (2,486 / |p min|)^2

Contoh hitung (angka contoh):

Kock dan Hadaya menyarankan 0,2 sebagai nilai konservatif bila Anda belum punya perkiraan koefisien dari penelitian terdahulu, sehingga angka 155 responden sering dikutip. Beberapa buku membulatkannya menjadi 160. Keduanya berasal dari rumus yang sama. Bila penelitian terdahulu di topik Anda melaporkan koefisien jalur terkecil 0,3, Anda cukup menargetkan sekitar 69 sampai 70 responden, dan itu justifikasi yang kuat.

Metode kedua dari penulis yang sama, gamma-exponential method, memberi angka sedikit lebih kecil (sekitar 146 untuk koefisien 0,2) tetapi perlu tabel atau perangkat lunak. Untuk skripsi, inverse square root sudah lebih dari cukup dan mudah dipertanggungjawabkan.

Cara 3: G*Power

G*Power adalah program gratis untuk menghitung ukuran sampel berdasarkan power. Hair et al. merekomendasikannya untuk PLS-SEM dengan pendekatan regresi pada konstruk yang punya prediktor terbanyak.

1. Unduh G*Power dari situs Universitas Duesseldorf dan pasang.
2. Test family: F tests. Statistical test: Linear multiple regression: Fixed model, R2 deviation from zero.
3. Type of power analysis: A priori.
4. Effect size f2: 0,15 (sedang) adalah pilihan yang paling umum. Pakai 0,02 bila Anda mengantisipasi efek kecil.
5. Alpha err prob: 0,05. Power: 0,80 (beberapa pembimbing meminta 0,95).
6. Number of predictors: jumlah panah terbanyak yang mengarah ke satu konstruk.
7. Klik Calculate, baca Total sample size.

Hasil yang umum (angka contoh dengan f2 = 0,15, alpha 0,05, power 0,80): 2 prediktor sekitar 68, 3 prediktor sekitar 77, 4 prediktor sekitar 85, 5 prediktor sekitar 92. Dengan power 0,95 angkanya naik, misalnya sekitar 119 untuk 3 prediktor. Simpan tangkapan layar G*Power sebagai lampiran.

Metode mana yang dipakai?

Praktik yang aman: hitung dengan inverse square root dan G*Power, ambil yang lebih besar, lalu tambahkan 10 sampai 20 persen untuk mengantisipasi jawaban tidak lengkap. Bila hasilnya di atas kemampuan Anda mengumpulkan data, bahas keterbatasannya secara jujur daripada memaksakan angka.

Sampel kecil: apa akibatnya pada hasil?

• Standar error bootstrap membesar sehingga t statistik mengecil. Jalur yang sebenarnya ada dinyatakan tidak signifikan.
• Koefisien jalur dan R Square berubah banyak bila satu atau dua responden dikeluarkan.
• HTMT dan AVE menjadi tidak stabil, outer model lebih sering gagal.
• Dengan teknik sampel non-probabilitas seperti purposive, sampel kecil juga membatasi generalisasi.

Sampel untuk model dengan mediasi, moderasi, dan multigroup

Semua perhitungan di atas berlaku untuk model sederhana. Beberapa fitur model menuntut lebih:

• Mediasi: efek tidak langsung adalah hasil kali dua koefisien, sehingga biasanya lebih kecil dari masing-masing jalur. Masukkan perkiraan efek tidak langsung (misalnya 0,15) sebagai p min, bukan koefisien jalur tunggal. Hasilnya, kebutuhan sampel naik.
• Moderasi: efek interaksi hampir selalu kecil (f Square di bawah 0,05). Di G*Power, pakai f Square 0,02 untuk interaksi, yang menghasilkan ratusan responden. Bila tidak tercapai, bahas keterbatasan daya uji secara jujur.
• Multigroup analysis: setiap kelompok harus memenuhi perhitungan sendiri. Membandingkan laki-laki dan perempuan berarti kebutuhan sampel dikalikan dua.
• Indikator formatif: 10 times rule memakai jumlah indikator formatif terbanyak, dan Hair et al. menyarankan sampel yang lebih besar karena bobot formatif kurang stabil.

Strategi mencapai target sampel

Menghitung target adalah satu hal, mencapainya hal lain. Beberapa cara yang terbukti membantu mahasiswa:

• Sebar kuesioner lewat beberapa kanal sekaligus: grup angkatan, komunitas yang relevan, dan jaringan responden awal yang diminta meneruskan (snowball bila desain Anda mengizinkan).
• Pasang pertanyaan saringan di awal agar responden yang tidak memenuhi kriteria berhenti lebih awal, sehingga data bersih sejak masuk.
• Gunakan attention check sederhana (misalnya "pilih jawaban setuju untuk butir ini") dan buang respons yang gagal. Catat jumlahnya di Bab 3.
• Pantau jumlah respons harian. Bila laju melambat, tambah kanal daripada menunggu.
• Targetkan 10 sampai 20 persen di atas angka minimal untuk mengganti respons yang tidak lengkap atau asal-asalan.

Data sekunder dan panel

Bila konstruk Anda dibentuk dari data laporan keuangan atau indikator tahunan, jumlah observasi tetap jumlah baris data (perusahaan kali tahun). Prinsip yang sama berlaku: hitung kebutuhan dengan inverse square root dan laporkan apa adanya. Untuk data semacam ini, pertimbangkan juga apakah regresi panel lebih tepat daripada PLS, lihat regresi data panel di EViews.

Cara menulis justifikasi sampel di Bab 3

Contoh paragraf (angka contoh): "Ukuran sampel minimal ditentukan dengan inverse square root method (Kock dan Hadaya, 2018). Dengan asumsi koefisien jalur terkecil sebesar 0,2, taraf signifikansi 5%, dan power 80%, sampel minimal yang dibutuhkan adalah (2,486/0,2)^2 = 155 responden. Perhitungan G*Power 3.1 dengan f2 = 0,15, alpha = 0,05, power = 0,80, dan tiga prediktor menghasilkan 77 responden. Penelitian ini menargetkan 170 responden untuk mengantisipasi kuesioner yang tidak lengkap."

Lengkapi dengan teknik pengambilan sampel dan kriteria responden, yang pola penulisannya ada di panduan populasi dan sampel. Bila Anda memakai rumus Slovin karena populasi diketahui, baca juga cara menghitung sampel dengan rumus Slovin dan jelaskan mengapa angka Slovin dibandingkan dengan kebutuhan power PLS.

Checklist

• Jumlah panah terbanyak ke satu konstruk sudah dihitung.
• Perkiraan koefisien jalur terkecil punya dasar (penelitian terdahulu atau nilai konservatif 0,2).
• Hasil inverse square root dan G*Power dicatat.
• Target sampel ditambah cadangan 10 sampai 20 persen.
• Justifikasi ditulis lengkap di Bab 3 dengan sitasi.

Menentukan sampel adalah keputusan yang sebaiknya dibuat sebelum kuesioner disebar, karena menambah responden belakangan jauh lebih sulit. Kalau Anda ingin memastikan angkanya sebelum turun lapangan, saya membuka konsultasi metodologi via Zoom Rp25.000 per sesi, dan bimbingan SmartPLS mulai Rp30.000 per sesi setelah data terkumpul. Konsultasi awal gratis lewat WhatsApp.