Subscribe to DeepL Pro to translate larger documents.

Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 for more information. https://rajpub.com/index.php/jssr
Visit www.DeepL.com/pro

DOI: https://doi.org/10.24297/jssr.v15i.8670

Metode dan Rule-Of-Thumbs dalam Penentuan Jumlah Sampel Minimum Ketika Menerapkan Pemodelan
Persamaan Struktural: Sebuah Tinjauan

Ranatunga RVSPK1, Priyanath HMS2, Megama RGN3

1Pusat Studi Komputer, Universitas Sabaragamuwa Sri Lanka, Belihuloya. Sri Lanka.

2Departemen Ekonomi dan Statistik, Universitas Sabaragamuwa Sri Lanka, Belihuloya. Sri Lanka.

3Fakultas Ilmu Terapan, Universitas Sri Jayewardenepura. Nugegoda. Sri Lanka.

priya@ssl.sab.ac.lk

Abstrak

Metode dan teknik dasar yang terlibat dalam penentuan ukuran sampel minimum dalam penggunaan
Structural Equation Modeling (SEM) dalam sebuah proyek penelitian, merupakan salah satu masalah krusial
yang dihadapi oleh para peneliti karena terdapat beberapa kontroversi di antara para ahli mengenai metode
dan aturan praktis yang terlibat dalam penentuan ukuran sampel minimum ketika menerapkan Structural
Equation Modeling (SEM). Oleh karena itu, makalah ini mencoba untuk membuat tinjauan tentang metode dan
aturan praktis yang terlibat dalam penentuan ukuran sampel pada penggunaan SEM untuk mengidentifikasi
metode yang lebih sesuai. Makalah ini mengumpulkan artikel penelitian yang terkait dengan penentuan ukuran
sampel untuk SEM dan meninjau metode dan aturan praktis yang digunakan oleh para ahli yang berbeda.
Studi ini menemukan bahwa sejumlah besar metode dan aturan praktis telah digunakan oleh para ahli yang
berbeda. Makalah ini mengevaluasi mekanisme permukaan dan aturan praktis dari lebih dari dua belas
metode sebelumnya yang memiliki kelebihan dan keterbatasan masing-masing. Akhirnya, penelitian ini
mengidentifikasi dua metode yang lebih cocok secara metodologis dan teknis yang telah diidentifikasi oleh
para sarjana yang tidak kuat yang secara mendalam membahas semua aspek teknik dalam penentuan
ukuran sampel minimum untuk analisis SEM dan dengan demikian, persiapan merekomendasikan dua
metode ini untuk memperbaiki masalah penentuan ukuran sampel minimum ketika menggunakan SEM dalam
proyek penelitian.

Kata kunci: Penentuan Jumlah Sampel Minimum, Pemodelan Persamaan Struktural.

Pendahuluan

Structural Equation Model (SEM) adalah salah satu teknik analisis data multivariat kuantitatif yang paling
banyak digunakan saat ini untuk menguji hubungan antara variabel teramati dan variabel laten dengan
pendekatan eksploratori dan pengujian hipotesis konfirmatori serta berbagai jenis model analisis prediktif.
Teknik pemodelan ini sangat cocok digunakan dalam ilmu-ilmu sosial yang sebagian besar konsep-konsep
utamanya tidak dapat diamati secara terbuka dan secara inheren bersifat laten yang secara umum
didefinisikan sebagai variabel laten (Kline, 1998; Kock & Lynn, 2012). SEM adalah pendekatan yang menonjol
untuk menganalisis model jalur dengan variabel laten tersebut untuk menghasilkan kesimpulan akhir tentang
sifat penggabungan teori-teori. SEM berakar pada analisis jalur, yang ditemukan oleh ahli genetika Sewall
Wright pada tahun 1921 (sebagaimana dikutip oleh Hox & Bechger, 1999). Seperti yang disebutkan oleh
Westland (2010), teknik pemodelan ini telah dikembangkan dalam tiga aliran yang berbeda, seperti metode
regresi persamaan, algoritma kemungkinan maksimum iteratif untuk analisis jalur, dan algoritma kecocokan
kuadrat terkecil iteratif untuk analisis jalur.

SEM memiliki fleksibilitas y a n g lebih besar karena dapat digunakan untuk meneliti hubungan yang sangat
kompleks di antara berbagai jenis data seperti dimensi, kategorik tersensor atau hitungan dan juga dapat digunakan
untuk membandingkan di antara model-model alternatif (Schreiber, Nora, Stage, Barlow, & King, 2006; Wolf,

102
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

Harrington, Clark, & Miller, 2013). Sebaliknya, di dalam fleksibilitas SEM ini, telah diidentifikasi sebuah anomali,
yaitu tidak t e r s e d i a n y a pedoman yang komprehensif mengenai persyaratan ukuran sampel oleh para peneliti
terdahulu. Namun, berbeda dengan

103
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

Para peneliti menyarankan dan menerapkan prosedur yang berbeda sebagai aturan praktis untuk
menentukan ukuran sampel untuk penelitian berbasis SEM (MacCallum & Austin, 2000; Westland, 2010). Oleh
karena itu, makalah ini bertujuan untuk membuat tinjauan tentang konsep dasar yang terlibat dalam penentuan
ukuran sampel minimum untuk SEM dan mengidentifikasi metode yang lebih sesuai untuk penentuan ukuran
sampel minimum untuk SEM.

Makalah ini disusun sebagai berikut; pertama, pendahuluan dengan masalah dan tujuan penelitian, kedua, latar
belakang teoritis dari penelitian ini dijelaskan secara singkat. Metodologi yang digunakan telah disebutkan di
bagian ketiga, dan hasil dan diskusi disajikan berdasarkan tinjauan literatur sebelumnya. Terakhir, rangkuman
dan kesimpulan disertakan.

Latar Belakang Teoritis

Peneliti menggunakan pengambilan sampel karena ketidakmampuan untuk mempelajari populasi sesuai
kebutuhan. Ukuran sampel yang tidak memadai atau tidak perlu berdampak pada kualitas dan k e a k u r a t a n
penelitian. Oleh karena itu, sangat penting untuk mewakili karakteristik populasi dalam sampel yang diteliti. Salah
satu faktor y a n g paling penting adalah pemilihan jumlah kasus yang berbeda dari populasi, yang akan mewakili
semua karakteristik populasi. Tiga kriteria perlu ditentukan untuk menentukan ukuran sampel yang tepat, seperti
tingkat presisi, tingkat kepercayaan, dan tingkat variabilitas dalam atribut yang diukur (Miaoulis & Michener, 1976).
Terdapat tiga dasar untuk memilih ukuran sampel, yaitu dasar biaya, dasar varians, dan d a s a r kekuatan statistik
(Singh & Masuku, 2014). Penentuan ukuran sampel dengan b a s i s kekuatan statistik menggunakan target untuk
kekuatan uji statistik y a n g akan diterapkan setelah sampel dikumpulkan di mana kualitas estimasi yang dihasilkan
dan dinilai berdasarkan kekuatan uji hipotesis telah digunakan untuk menilai ukuran sampel (Singh & Masuku,
2014).

Perbedaan antara parameter sampel yang dihitung dan parameter populasi yang sebenarnya dilambangkan
dengan kesalahan. Menurut Muthén & Muthén, (2002), presisi menggambarkan sifat ini, dan parameter
sampel harus mendekati parameter populasi dengan margin kesalahan yang sempit, yang berarti presisi yang
tinggi. Kekuatan statistik mengacu pada kesalahan tipe II atau 1- β, yang berarti probabilitas untuk menolak
hipotesis nol yang salah (Cohen, 1988). Sebagian besar, kekuatan yang diukur sebagai 0,8 atau 80% dari
probabilitas menolak hipotesis nol digunakan oleh penelitian ilmu sosial (Cohen, 1988; Goodhue, Lewis, &
Thompson, 2012). Dalam konteks SEM, power telah digunakan untuk menguji model sebagian besar,
penentuan ukuran sampel berdasarkan powerbase telah digunakan ((Goodhue et al., 2012; Kock & Hadaya,
2018; Westland, 2010).

Keputusan yang diambil oleh peneliti secara langsung mempengaruhi validasi penelitian, kesesuaian metode
parametrik atau nonparametrik yang akan digunakan, serta ketepatan dan kekuatan estimasi parameter
model. American Psychological Association, (2009) menyebutkan bahwa "bagaimana ukuran sampel yang
diinginkan ditentukan (misalnya, analisis kekuatan atau presisi). Jika analisis sementara dan aturan
penghentian digunakan untuk memodifikasi ukuran sampel yang diinginkan, jelaskan metodologi dan
hasilnya". Wilkinson (1999) menyebutkan bahwa peneliti harus menjelaskan proses pengambilan sampel dan
ukurannya serta mendokumentasikan ukuran efek dan prosedur analitik dari perhitungan daya.

Metodologi

Masalah penentuan jumlah sampel minimum tidak didefinisikan secara jelas, dan masih dalam proses
penentuan oleh para peneliti. Oleh karena itu, penelitian ini menggunakan studi eksplorasi berdasarkan informasi
sekunder, dimana metode ini dapat digunakan untuk memahami masalah yang ada dengan lebih baik.
Penelitian ini dimulai dengan gagasan umum dan menggunakannya sebagai media untuk mengidentifikasi isu-
isu yang dapat menjadi fokus penelitian di masa depan. Penelitian ini pada dasarnya menggunakan
pendekatan grounded theory, dan didasarkan pada lebih dari lima puluh artikel yang diterbitkan dalam jurnal
yang relevan dengan penentuan ukuran sampel minimum untuk analisis SEM.

104
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

Tinjau Penentuan Ukuran Sampel Minimum

Meskipun penentuan ukuran sampel minimum SEM lebih bermasalah, berbagai aturan praktis telah disarankan
dalam literatur SEM. Nunnally, (1967) menyebutkan bahwa kesalahan pengambilan sampel dalam bobot 𝛽
merupakan fungsi dari semua variabel yang digunakan dalam analisis regresi. Dan dia menyebutkan dua fakta.
Yang pertama adalah
sampling error yang merupakan fungsi dari ukuran sampel dan interkorelasinya, serta yang terakhir,
perbedaan sistematis antara karakteristik kedua sampel. Menurut idenya, meskipun bobot Regresi mungkin
kuat di seluruh sampel yang memiliki rata-rata dan varians yang sangat berbeda, namun hal ini tidak boleh
diterima begitu saja. Lebih lanjut, ia mencatat bahwa "sebagai aturan praktis, tetapi bukan angka ajaib, Anda
harus memiliki 10 subjek per prediktor untuk mendapatkan persamaan prediksi yang stabil" (Nunnally, 1967);
Wolf et al., 2013). Dengan adanya usulan ini, perdebatan mengenai penentuan ukuran sampel minimum
dalam SEM telah berkembang secara signifikan.

Metode ukuran sampel minimum 100 atau 400 telah disarankan oleh Boomsma (1982) dan (1985). Mereka lebih
lanjut menyarankan rasio indikator terhadap variabel laten sebagai r = p ⁄ k. Menurut aturan ini, r = 4 membutuhkan
ukuran sampel minimal 100 dan r = 2 membutuhkan ukuran sampel 400. Penyempurnaan lebih lanjut dengan
35000 simulasi Monte Carlo telah dilakukan oleh Marsh, Balla, & McDonald (1988) terhadap aturan ini dan
menyarankan jika r = 3 membutuhkan ukuran sampel m i n i m a l 200 dan r = 2 membutuhkan ukuran sampel
m i n i m a l 400. Begitu juga jika r = 12 maka ukuran sampel kecil dan minimal 50. Berdasarkan temuan dari kedua
penelitian tersebut, para peneliti berusaha untuk menggunakan lebih sedikit indikator per variabel laten untuk
mengendalikan biaya. Kline, (2005) menyebutkan aturan ini sebagai aturan N ≥ 100. Penjelasan serupa telah
disampaikan oleh Ding, Velicer, & Harlow (1995) bahwa sebagian besar penelitian yang mengevaluasi ukuran
sampel pada indeks kecocokan SEM yang berbeda menemukan bahwa sebagian besar indeks kecocokan menjadi
bias p a d a ukuran sampel yang kecil. Anderson & Gerbing, (1984) juga menyebutkan hasil y a n g serupa dan
mengatakan bahwa hal ini lebih serius pada ukuran sampel yang kecil yang dikombinasikan dengan faktor lain
s e p e r t i ukuran loading yang rendah dan rasio indikator y a n g besar terhadap faktor. Penelitian serupa seperti
Bearden, Sharma & Teel (1982); Bentler, (1990); Bentler & Bonett, (1980); Curran, West & Finch (1996); Marsh,
Balla & McDonald (1988); dan Mulaik, James, Alstine, Bennett, Lind, & Stilwell (1989) mengimplikasikan hasil yang
sama dengan indeks kecocokan yang berbeda. Akhirnya, Ding dkk., (1995) merekomendasikan 100 hingga 150
ukuran sampel minimum untuk melakukan SEM sesuai dengan evaluasi ini.

Jumlah parameter bebas dalam model juga dipertimbangkan dalam menentukan ukuran sampel (Raykov,
2006). Menurut aturan ini, ukuran sampel minimum harus sepuluh kali jumlah parameter bebas dari model.
Jika model memiliki 20 parameter bebas maka jumlah observasi harus 200. Bentler, (1990) menyarankan
rasio 5 : 1 dari ukuran sampel dengan jumlah parameter bebas. Lebih lanjut, Velicer & Fava, (1998) meninjau
rekomendasi literatur terdahulu dalam penentuan sampel minimum dan menyimpulkan bahwa ukuran sampel
minimum bukanlah fungsi dari indikator. Menurut mereka, goodness of fit dan mendapatkan solusi yang tepat
dicapai dengan dua hal seperti jumlah indikator yang lebih besar per variabel laten dan faktor yang lebih tinggi
dalam ukuran sampel yang diberikan. Akibatnya, MacCallum dkk., (1999) berpendapat dan menunjukkan
bahwa karakteristik model seperti tingkat kesamaan di seluruh variabel, ukuran sampel, dan tingkat
determinasi faktor dapat mempengaruhi estimasi parameter dan statistik kecocokan model dan oleh karena
itu, hal ini membuat beberapa keraguan pada ukuran sampel di atas aturan praktis u n t u k analisis SEM
tertentu.

Jika modelnya kompleks, PLS-SEM bekerja secara efisien pada ukuran sampel yang lebih kecil (Fornell &
Bookstein, 1982). Goodhue, Lewis, & Thompson (2006, 2007) mencoba menguji aturan sepuluh subjek
dengan menggunakan simulasi Monte Carlo dan membuat perbandingan dengan ukuran sampel 40, 90, 150, dan
200 di bawah ukuran efek seperti 'besar', 'sedang', 'kecil', dan 'tidak ada efek'. Menurut kesimpulan mereka,
mereka menyebutkan "untuk model SEM sederhana dengan data yang terdistribusi secara normal dan ukuran
yang relatif dapat diandalkan, tidak ada teknik yang memiliki kekuatan yang memadai untuk mendeteksi efek
kecil atau sedang pada ukuran sampel kecil" (Goodhue et al., 2006). Tanaka, (1987) menyarankan ukuran
sampel dari model SEM harus bergantung pada jumlah parameter yang diestimasi daripada jumlah indikator.
Namun, Westland, (2010) menyatakan bahwa karena model SEM saat ini biasanya diestimasi secara

105
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

keseluruhan, dan jumlah entri unik dalam matriks kovarians adalah (p (p + 1)) / 2 ketika p adalah jumlah
indikator dan seharusnya ukuran sampel sebanding dengan (p (p + 1)) / 2 daripada p. Lebih lanjut, ia
menyebutkan masalah penentuan ukuran sampel minimum ini lebih kompleks daripada yang disebutkan di
atas dan hal ini telah ditunjukkan oleh p e n e l i t i a n simulasi Monte Carlo yang dilakukan pada tahun 1980-an
dan 1990-an.

106
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

Menurut Ringle, Sarstedt, & Straub (2012), jumlah konstruk yang dibutuhkan untuk sampel yang lebih kecil
adalah sekitar delapan konstruk. Namun, identifikasi ukuran sampel minimum yang diperlukan untuk analisis
PLS-SEM merupakan salah satu masalah mendasar dan penting yang harus dipertimbangkan secara
mendalam oleh para peneliti (Goodhue et al., 2012; Kock & Hadaya, 2018). Hair, Ringle, & Sarstedt (2011)
memperkenalkan "aturan 10 kali" dan merupakan metode yang banyak digunakan dalam literatur terdahulu
(Kock & Hadaya, 2018). Aturan ini mengasumsikan bahwa ukuran sampel harus lebih besar dari 10 kali jumlah
maksimum inner atau outer model link yang mengarah ke variabel laten manapun dalam keseluruhan model
dan akibatnya, metode ini merupakan metode yang paling sederhana untuk mengestimasi ukuran sampel
dibandingkan dengan metode lainnya. Oleh karena itu, metode ini lebih populer di kalangan peneliti. (Hair et al.,
2011; Kock & Hadaya, 2018; Westland, 2010). Namun, menurut Goodhue dkk., (2012) dan Kock & Hadaya,
(2018) metode "aturan 10 kali" untuk estimasi jumlah sampel minimum sering kali menghasilkan estimasi yang
tidak akurat.

Simulasi Monte Carlo juga telah digunakan sebagai metode untuk menentukan ukuran sampel minimum PLS-
SME (Kock, 2016; Paxton et al., 2001; Robert & Casella, 1999; Wolf et al., 2013). Pengetahuan tentang distribusi
sampling adalah kunci untuk mengevaluasi perilaku suatu statistik dan dengan demikian simulasi Monte Carlo
memberikan fasilitas kepada para peneliti untuk mengevaluasi kinerja sampling tetap dari estimator dengan
menciptakan kondisi yang terkendali dari distribusi sampling dari estimasi parameter yang dihasilkan. Oleh
karena itu, peneliti dapat secara artifisial membuat dan menggunakan distribusi sampling untuk menentukan
sifat-sifat statistika serta efisiensinya (Paxton et al., 2001). Menurut Kock & Hadaya, (2018) "estimasi ukuran
sampel minimum dalam PLS-SEM mengharuskan peneliti untuk menetapkan sejumlah titik ukuran sampel
(misalnya, 15, 20, 30, dan 40), menghasilkan sejumlah sampel (misalnya, 1000) untuk setiap titik ukuran
sampel, menghitung persentase sampel yang memiliki efek signifikan (misalnya, yang P < .05) ditemukan
untuk setiap titik ukuran sampel (kekuatan yang terkait dengan setiap ukuran sampel), dan memperkirakan
melalui interpolasi ukuran sampel minimum di mana kekuatan mencapai ambang batas yang diinginkan (mis,
.8)" dan mereka lebih lanjut menyebutkan bahwa meskipun metode simulasi Monte Carlo adalah metode yang
menonjol untuk menentukan ukuran sampel minimum, metode ini merupakan cara yang sulit dan
membutuhkan keahlian teknis dan metodologis dengan kemampuan pemrograman komputer yang baik serta
memakan waktu (Kock & Hadaya, 2018). Wolf dkk., (2013) juga menyimpulkan bahwa "pelajaran terakhir
yang dapat dipetik adalah bahwa menentukan persyaratan ukuran sampel untuk SEM memerlukan evaluasi
yang cermat dan disengaja dari model spesifik yang dihadapi".

Hair dkk., (2014) telah membahas metode alternatif lain selain "aturan 10 kali" untuk estimasi ukuran sampel
minimum dan Kock & Hadaya, (2018) menyebutnya sebagai "metode R-kuadrat minimum" karena metode ini
menggunakan R2 minimum dalam model untuk mengestimasi ukuran sampel minimum. Metode ini secara
khusus dibangun berdasarkan tabel pangkat Cohen (1988) untuk regresi kuadrat terkecil dan tiga elemen
yang diperlukan untuk menentukan ukuran sampel. Elemen pertama dari metode R-squared minimum adalah
jumlah maksimum anak panah yang menunjuk pada variabel laten dalam sebuah model, tingkat signifikansi
yang digunakan adalah yang kedua dan yang ketiga adalah R2 minimum dalam model. Tabel 01
mengilustrasikan versi yang diperkecil dari tabel yang disajikan oleh Hair dkk., (2014) dan tergantung pada
tingkat signifikansi 0,05, yang merupakan tingkat signifikansi yang paling sering digunakan dan
mengasumsikan bahwa power ditetapkan pada 0,8. Metode ini tampaknya merupakan perbaikan dari metode
aturan 10 kali, karena metode ini membutuhkan setidaknya satu elemen tambahan di luar jaringan hubungan
dalam model.

Maksimum jumlah anak 𝑹𝟐 minimumdalam model

panah yang mengarah ke suatu 0.1 0.25 0.50 0.75
konstruksi
2 110 52 33 26
3 124 59 38 30
4 137 65 42 33
5 147 70 45 36
6 157 75 48 39

107
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

7 166 80 51 41
8 174 84 54 44
9 181 88 67 46
10 189 91 59 48

108
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

Tabel 01 - Versi yang dikurangi dari tabel yang disajikan oleh Hair dkk., (2014) untuk memperkirakan ukuran
sampel minimum pada
"Metode R-Kuadrat Minimum".

Meskipun metode aturan 10 kali adalah aplikasi yang sederhana bagi para peneliti, namun telah digambarkan
bahwa estimasi yang tidak akurat (Goodhue et al., 2012). Sampel yang lebih kecil dapat digunakan dengan PLS-
SEM ketika metode lain gagal melakukan analisis. Namun, sifat populasi secara langsung mempengaruhi
keabsahan analisis tersebut yang bergantung pada heterogenitas populasi (Sarstedt, Ringle, & Hair, 2017). Oleh
karena itu, sampel yang dirancang dengan buruk akan memberikan analisis yang salah oleh PLS-SEM (Sarstedt et
al., 2017). Seperti yang disebutkan oleh Marcoulides & Chin, (2013) analisis kekuatan yang mencakup struktur
model ukuran efek yang diharapkan dan tingkat signifikansi harus diterapkan untuk menentukan ukuran sampel
yang diperlukan.

Kock & Hadaya, (2018) menyarankan dua metode baru yang terkait untuk menentukan ukuran sampel minimum
dalam aplikasi PLS-SEM yang didasarkan pada persamaan matematis yang mana kedua metode ini tidak
menggunakan kelemahan dari simulasi Monte Carlo yang disebutkan di atas atau pada elemen-elemen yang
membentuk aturan 10 kali atau metode kuadrat terkecil. Metode pertama disebut "Metode Akar Kuadrat Terbalik",
yang menggunakan akar k u a d r a t terbalik dari ukuran sampel untuk estimasi kesalahan standar. Metode kedua
disebut "Metode Gamma-Eksponensial" yang telah m e n g i m p l e m e n t a s i k a n koreksi fungsi pemu l u s a n
gamma dan eksponensial untuk menghitung estimasi kesalahan standar y a n g digunakan dalam metode pertama.

Metode Akar Kuadrat Terbalik:

Ketika para peneliti menganalisis sampel dari populasi dalam PLS_SEM, PLS_SEM menghasilkan koefisien jalur
yang disebut β. Setiap koefisien jalur ini mungkin memiliki kesalahan standar yang disebut S. Seperti yang
disebutkan oleh Kock, (2015) dan Weakliem, (2016) jika telah diplotkan distribusi rasio β / S, ini menunjukkan rasio
T kritis untuk tingkat signifikansi tertentu. Cohen, (1988), Goodhue dkk., (2012) dan (Kock, 2015) menjelaskan
kekuatan
dari pengujian dan menggambarkan probabilitas bahwa rasio |𝛽|/𝑆 terletak lebih besar dari rasio T kritis
untuk
tingkat signifikansi tertentu yang dipilih. |𝛽| adalah nilai absolut yang menunjukkan kekuatan koefisien jalur y a n g
mempengaruhi. Tingkat signifikansi yang biasanya digunakan dalam penelitian ini adalah 0,05 atau (P < .05). Oleh
karena itu, rasio T kritis dapat dilambangkan sebagai T.05. Seperti halnya pada umumnya dalam penelitian,
diasumsikan bahwa jika jalur
koefisien berdistribusi normal, power akan lebih besar dari 0,8. Dengan menggunakan sifat-sifat ini, Kock &
Hadaya, (2018) telah menyajikan persamaan untuk menghitung ukuran sampel minimum sebagai bilangan
bulat positif yang memenuhi rumus (1) berikut di bawah metode akar kuadrat terbalik

N̂> (2.486/|β|min)^2 (1)

Namun, kesalahan standar sebenarnya S telah dihitung menggunakan Ŝdan menurut Kock & Hadaya, (2018),
ini meremehkan nilai sebenarnya pada sampel yang sangat kecil (yaitu, 1 < 𝑁 ≤ 10), dan melebih-lebihkan
pada ukuran sampel yang lebih besar (yaitu, 𝑁 > 10). Oleh karena itu, mereka menyarankan Metode
Eksponensial Gamma yang memiliki
diperkenalkan sebagai penyempurnaan dari metode akar kuadrat terbalik yang telah dijelaskan sebagai berikut
rumus (2).

|𝛽|min (Ne) _^ (((e|β|min)/√(N̂)))>2.486 (2)

Seperti halnya persamaan koreksi fungsi gamma, persamaan ini dapat diselesaikan dengan program
komputer yang dimulai dengan N̂= 1 dan secara progresif meningkatkan nilainya menjadi 2, 3, dan seterusnya
hingga bilangan bulat positif terkecil yang memenuhi persamaan tersebut diperoleh.

Ringkasan dan Kesimpulan

109
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

Penentuan ukuran sampel dari analisis SEM adalah salah satu masalah yang paling mendasar dan krusial.
Ulasan di atas mengenai pemilihan penentuan ukuran sampel minimum dalam literatur sebelumnya telah
memberikan lebih dari dua belas metode yang telah digunakan oleh para peneliti sebelumnya. Pada awal
aturan 10 subjek per prediktor yang disebutkan oleh Nunnally, (1967), perdebatan dimulai dan berbagai aturan
praktis telah

110
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

diperkenalkan termasuk rasio indikator terhadap variabel laten oleh Boomsma, (1985) dan Marsh dkk., (1988),
pemilihan ukuran sampel pada berbagai indeks goodness of fit SEM oleh Bearden, Sharma & Teel (1982), Bentler,
(1990), Bentler & Bonett, (1980), Curran, West & Finch (1996), Marsh dkk., (1988), dan Mulaik dkk., (1989),
aturan N > 100 oleh Kline, (2005), ukuran sampel 100 hingga 150 oleh Ding dkk., (1995), 10 kali jumlah parameter
bebas oleh Raykov, (2006). Ringle dkk., (2012), menyebutkan sekitar delapan konstruk untuk sampel yang lebih
kecil. Simulasi Monte Carlo juga telah digunakan sebagai metode untuk menentukan ukuran sampel minimum
UKM (Kock, 2016; Paxton et al., 2001; Robert & Casella, 1999). Aplikasi sederhana seperti "10 kali jumlah
maksimum inner atau outer link yang mengarah ke variabel laten" yang digunakan oleh "aturan 10 kali" (Hair
et al., 2011) dan telah menjadi metode yang lebih disukai oleh lebih banyak peneliti. Sekali lagi, metode R2
minimum juga telah digunakan oleh Hair dkk., (2014) yang juga lebih populer dan kemudian dikritik dalam
literatur. Akhirnya, Kock & Hadaya, (2018) memperkenalkan metode akar kuadrat terbalik, dan metode
gamma-eksponensial dan mereka membuktikan bahwa kedua metode tersebut cukup akurat dari sebelumnya
yang didasarkan pada tiga percobaan Monte Carlo.

Menurut literatur terdahulu, banyak metode dan aturan praktis yang telah digunakan untuk memecahkan
masalah mendasar dari penentuan ukuran sampel minimum dalam analisis SEM. Namun, masing-masing
metode ini memiliki keterbatasannya sendiri ketika menerapkan model yang berbeda dan oleh karena itu,
metode ini telah dikritik dalam literatur. Pada dasarnya, dasar yang digunakan untuk mengatasi masalah
tersebut adalah masalah pada sebagian besar metode ketika penentuan ukuran sampel lebih kritis pada
beberapa faktor yang membuat pengaruh pada goodness-of-fit akhir analisis SEM. Kock & Hadaya, (2018)
telah membahas lebih dalam tentang sifat masalah ini dan menunjukkan solusi yang lebih akurat dan praktis
untuk masalah tersebut. Metode pertama lebih sederhana dan lebih menarik dalam sifatnya dan metode
kedua jauh lebih kompleks daripada yang pertama. Peneliti yang tidak kaya secara metodis dapat
menggunakan kedua metode ini secara lebih sederhana dengan aplikasi komputer kecil pada data normal dan
non-normal.

Makalah ini menyajikan lebih dari dua belas metode penentuan ukuran sampel dan kontribusinya terhadap
masalah, pelajaran yang dapat dipetik, serta kelebihan dan kekurangannya dalam literatur terdahulu sebagai
tinjauan yang lebih bersifat nonteknis. Ini adalah salah satu kontribusi dari tinjauan ini. Sebagian besar peneliti
yang tidak memiliki pengetahuan metodologis dan teknis, menggunakan SEM sebagai metode analisis
mereka menghadapi masalah mendasar dan kritis ini dan tinjauan ini memberikan jalan untuk menemukan
solusi yang dapat mereka temukan bagaimana mereka harus menentukan ukuran sampel untuk analisis
mereka berdasarkan SEM.

Referensi

1. American Psychological Association. (2009). Publication Manual of the American Psychological

Association, 6th Edition (6th ed.). American Psychological Association.

2. Anderson, J. C., & Gerbing, D. W. (1984). Pengaruh kesalahan pengambilan sampel terhadap solusi
yang tidak tepat konvergen, dan indeks kesesuaian untuk analisis faktor kesesuaian kemungkinan
maksimum. Psychometrika, 49, 155 - 172.

3. Bentler, P. M. (1990). Indeks kecocokan komparatif dalam model struktural. Buletin Psikologi, 107(2),
238-
246. https://doi.org/10.1037/0033-2909.107.2.238

4. Bentler, P. M., & Bonett, D. G. (1980). Uji signifikansi dan kecocokan dalam analisis struktur kovarians.
Psychological Bulletin, 88(3), 588-606. https://doi.org/10.1037/0033-2909.88.3.588

5. Boomsma, A. (1985). Ketidakkonvergenan, solusi yang tidak tepat, dan nilai awal dalam estimasi
kemungkinan maksimum LISREL. Psychometrika, 50, 229-242.

6. Cohen, J. (1988). Analisis kekuatan statistik untuk ilmu-ilmu perilaku (2nd ed.). L. Erlbaum Associates.

111
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

7. Ding, L., Velicer, W. F., & Harlow, L. L. (1995). Pengaruh metode estimasi, jumlah indikator per faktor,
dan solusi yang tidak tepat terhadap indeks kecocokan pemodelan persamaan struktural. Pemodelan
Persamaan Struktural: Jurnal Multidisiplin, 2(2), 119-143.
https://doi.org/10.1080/10705519509540000

8. Fornell, C., & Bookstein, F. L. (1982). Dua Model Persamaan Struktural: LISREL dan PLS yang Diterapkan
pada Teori Suara Keluar Konsumen. Journal of Marketing Research, 19(4), 440-452.
https://doi.org/10.2307/3151718

9. Goodhue, D., Lewis, W., & Thompson, R. L. (2006). PLS, Ukuran Sampel Kecil, dan Kekuatan Statistik
dalam Penelitian MIS. Prosiding Konferensi Internasional Hawaii Tahunan ke-39 tentang Ilmu Sistem
(HICSS'06). https://doi.org/10.1109/HICSS.2006.381

10. Goodhue, D., Lewis, W., & Thompson, R. L. (2012). Apakah PLS Memiliki Keunggulan untuk Ukuran
Sampel Kecil atau Data Tidak Normal? MIS Quarterly, 36(3), 981-1001.
https://doi.org/10.2307/41703490

11. Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2014). Primer tentang Pemodelan Persamaan
Struktural Kuadrat Terkecil Parsial (PLS-SEM). Thousand Oaks, California: SAGE Publications.

12. Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Sungguh Sebuah Peluru Perak. Jurnal Teori
dan Praktik Pemasaran, 19(2), 139-152. https://doi.org/10.2753/MTP1069-6679190202

13. Hox, J. J., & Bechger, T. M. (1999). Pengantar Pemodelan Persamaan Struktural. Family Science Review,
11, 354-373.

14. Kline, R. B. (1998). Metodologi dalam ilmu-ilmu sosial. Prinsip dan praktik pemodelan persamaan
struktural. Guilford Press.

15. Kline, R. B. (2005). Metodologi dalam ilmu-ilmu sosial. Prinsip dan praktik pemodelan persamaan
struktural (2nd ed.). Guilford Press.

16. Kock, N. (2015). Nilai P satu ekor atau dua ekor dalam PLS-SEM? Jurnal Internasional E-Kolaborasi,
11(2), 1-7.

17. Kock, N. (2016). Perambatan non-normalitas di antara variabel laten dan indikator dalam simulasi PLS-
SEM. Jurnal Metode Statistik Terapan Modern, 15(1), 299-315.

18. Kock, N., & Hadaya, P. (2018). Estimasi ukuran sampel minimum dalam PLS-SEM: Metode akar kuadrat
terbalik dan gamma-eksponensial. Jurnal Sistem Informasi, 28(1), 227-261.

19. Kock, N., & Lynn, G. S. (2012). Kolinearitas lateral dan hasil yang menyesatkan dalam SEM berbasis
varians: Sebuah ilustrasi dan rekomendasi. Jurnal Asosiasi Sistem Informasi, 13(7), 546-580.

20. MacCallum, R. C., & Austin, J. T. (2000). Penerapan pemodelan persamaan struktural dalam penelitian
psikologi. Tinjauan Tahunan Psikologi, 51, 201-226.

21. MacCallum, R. C., Widaman, K. F., Zhang, S., & Hong, S. (1999). Ukuran sampel dalam analisis faktor.
Metode Psikologis, 4, 84-99.

22. Marcoulides, G. A., & Chin, W. W. (2013). Anda menulis, tapi orang lain membaca: Kesalahpahaman
metodologis yang umum dalam PLS dan metode terkait. Dalam Perspektif baru dalam kuadrat terkecil
parsial dan metode terkait (hal. 31-64). Springer, New York, NY.

23. Marsh, HW, Balla, JR, & McDonald, RP (1988). Indeks kesesuaian dalam analisis faktor konfirmatori:
Pengaruh ukuran sampel. Psychological Bulletin, 103(3), 391-410. https://doi.org/10.1037/0033-
2909.103.3.391
112
Jurnal Penelitian Ilmu Sosial Vol 15 (2020) ISSN: 2321-1091 https://rajpub.com/index.php/jssr

24. Miaoulis, G., & Michener, R. D. (1976). Pengantar Pengambilan Sampel. Kendall/Hunt Publishing
Company: Dubuque, Iowa.

25. Mulaik, SA, James, LR, Van Alstine, J., Bennett, N., Lind, S., & Stilwell, CD (1989). Evaluasi indeks
kesesuaian untuk model persamaan struktural. Psychological Bulletin, 105(3), 430-445.
https://doi.org/10.1037/0033-2909.105.3.430

26. Muthén, L. K., & Muthén, B. O. (2002). Bagaimana Menggunakan Studi Monte Carlo untuk Menentukan
Ukuran Sampel dan Menentukan Power. Pemodelan Persamaan Struktural: A Multidisciplinary Journal,
9(4), 599-620. https://doi.org/10.1207/S15328007SEM0904_8 Nunnally, J. C. (1967). Teori Psikometri.
McGraw- Hill.

27. Paxton, P., Curran, P. J., Bollen, K. A., Kirby, J., & Chen, F. (2001). Eksperimen Monte Carlo: Desain dan
implementasi. Structural Equation Modeling, 8(2), 287-312.
https://doi.org/10.1207/S15328007SEM0802_7

28. Raykov, T. (2006). Kursus pertama dalam pemodelan persamaan struktural (2nd ed.). Mahwah, NJ:
Lawrence Erlbaum Associates.

29. Ringle, CM, Sarstedt, M., & Straub, DW (2012). Komentar editor: Pandangan kritis terhadap
penggunaan PLS- SEM dalam MIS triwulanan. 36(1). https://doi.org/10.2307/41410402

30. Robert, C., & Casella , G. (1999). Monte Carlo Statistik Methods.
Springer-Verlag. https://doi.org/10.1007/978-1-4757-3071-5

31. Sarstedt, M., Ringle, C. M., & Hair, J. F. (2017). Pemodelan Persamaan Struktural Kuadrat Terkecil
Parsial (In: Homburg C., Klarmann M., Vomberg A. (Eds). Buku Pegangan Riset Pasar, Heidelberg:
Springer.

32. Singh, A. S., & Masuku, M. B. (2014). Teknik pengambilan sampel & penentuan ukuran sampel dalam
penelitian statistika terapan: Sebuah tinjauan umum. Jurnal Internasional Ekonomi, Perdagangan dan
Manajemen, Vol II (Edisi 11).

33. Tanaka, J. S. (1987). Seberapa besar yang cukup? Ukuran sampel dan goodness-of-fit dalam model
persamaan struktural dengan variabel laten. Perkembangan Anak, S8, 134 - 146.

34. Velicer, W. F., & Fava, J. L. (1998). Pengaruh pengambilan sampel variabel dan subjek pada pemulihan
pola faktor. Psychological Methods, 3(2), 231-251. https://doi.org/10.1037/1082-989X.3.2.231

35. Weakliem, D. L. (2016). Pengujian Hipotesis dan Pemilihan Model dalam Ilmu-ilmu Sosial (edisi 1). The
Guilford Press.

36. Westland, J. C. (2010). Batas bawah ukuran sampel dalam pemodelan persamaan struktural. Electronic
Commerce Research and Applications, 9, 476 - 487. https://doi.org/10.1016/j.elerap.2010.07.003

37. Wilkinson, L. (1999). Metode statistik dalam jurnal psikologi: Pedoman dan penjelasan. American
Psychologist, 54(8), 594-604. https://doi.org/10.1037/0003-066X.54.8.594

38. Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Persyaratan Ukuran Sampel untuk
Model Persamaan Struktural: Sebuah Evaluasi Kekuatan, Bias, dan Ketepatan Solusi. Educational and
Psychological Measurement, 76(6), 913-934. https://doi.org/10.1177/0013164413495237

113