Minimum Sample Size
for PLS-SEM
by : Danny Prasetyo Hartanto & Nur Asfi Royhan (2026)
Berawal dari kritik yang berkaitan dengan 10 Times Rule oleh berbagai peneliti seperti Kock and Hadaya (2016, 2018) yang menyatakan (10 times rule) banyak digunakan oleh peneliti karena kesederhaan dan kemudahan penerapannya, namun metode ini menghasilkan estimasi yang kurang presisi. Goodhue et al (2012) yang mengungkapkan 10 times rule telah menjadi favorit di antara pengguna PLS-SEM, namun di masa lalu terbukti menghasilkan estimasi yang tidak akurat. Bahkan Hair et al (2011, 2019) yang notabene membuat aturan tersebut juga memberikan mengkritik bahwa aturan 10 kali lipat (10 times rule) bukanlah indikator yang dapat diandalkan untuk kebutuhan ukuran sampel dalam PLS-SEM dan paling baik hanya dilihat sebagai estimasi kasar.
Oleh karena itu, terdapat metode alternatif untuk mengestimasi ukuran sampel minimum berbasis formula matematika yang bisa digunakan untuk PLS-SEM, diantaranya The Monte Carlo Simulation Method, Minimum R-Squared Method, Inverse Square Root, dan Gamma-Exponential, yang mana metode tersebut hanya digunakan ketika ukuran populasi tidak diketahui (Infinite Population).
The Monte Carlo Simulation Method


Monte Carlo Simulation merupakan metode pendekatan yang sangat kompleks untuk menentukan ukuran sampel minimum pada PLS-SEM. Hal ini dikarenakan metode ini memerlukan keahlian metodologis yang memadai. Metode ini memakan banyak waktu dalam melakukan simulasi estimasi sampel, meskipun dilakukan oleh peneliti metodologi yang berpengalaman dan memiliki kemampuan pemrograman yang baik sekalipun.
Namun demikian, metode Monte Carlo termasuk metode yang akurat bahkan disarankan untuk mengestimasi ukuran sampel minimum
The Minimum R-Squared Method


R squared minimum dalam model dapat digunakan sebagai dasar utama dalam penentuan ukuran sampel minimum. Hal ini mengacu pada tabel power regresi OLS (ordinary least square) oleh Cohen (1988; 1992).
Penentuan ukuran sampel minimum memerlukan tiga unsur penting, diantaranya
Jumlah panah (jalur) terbanyak yang mengarah ke variabel laten (structural Model)
Significance level (alpha)
Nilai koefisien determinasi (R squared) minimum dalam model struktural.
Berikut merupakan tabel versi ringkas dari tabel yang disajikan oleh Hair et al. (2014) yang menggunakan significance level (alpha) sebesar 5% dengan statistical power sebesar 80%.
Namun, perlu disadari bahwa metode R squared minimum, dapat menghasilkan ukuran sampel minimum yang sangat tidak akurat (grossly inaccurate), sebagaimana akan ditunjukkan pada pembahasan berikut.
Inverse Square Root
Keterangan :
Z = Nilai Normal Baku
α = Batas toleransi kesalahan
β = Kesalahan type II = 20% (Power = 80%)
|𝜰| min = Absolute Path Coefficient Minimum yang signifikan




Formula untuk Two Tailed Hypotesis
Formula untuk One Tailed Hypotesis
Gamma-Exponential
Keterangan :
n = Sampel
e = Bilangan Euler (2.718281828)
|𝜰| min = Absolute Path Coefficient Minimum yang signifikan
Z = Nilai Normal Baku
α = Batas toleransi kesalahan
β = Kesalahan type II = 20% (Power = 80%)


Pada metode Gamma-Exponential, ukuran sampel (n) tidak diperoleh secara langsung, melainkan dicari melalui percobaan (trial), hingga perhitungan disebelah kiri bernilai lebih besar dari 2,486.
Angka 2.486 berasal dari penjumlahan nilai normal baku (Z) pada tingkat signifikansi (αlpha) 5% dan power statistik (1-beta) 80% untuk pengujian One-Tailed (satu sisi). Lebih detail dilihat dari proses berikut :


Mengacu pada proses perolehan nilai 2,486 yang diperoleh dari penjumlahan nilai normal baku (Z) pada tingkat signifikansi (alpha) 5%, maka penulis bermaksud memperluas penerapan metode tersebut untuk tingkat signifikansi lainnya, yaitu alpha = 1%, alpha = 10%, maupun nilai alpha lainnya.
Dengan demikian, formula Gamma-Exponential dapat dinyatakan sebagai berikut:

Contoh 1


Jenis hipotesis penelitian dalam contoh tersebut adalah two tailed hypothesis.
Pada hasil dalam tabel di atas diketahui nilai path coefficient paling rendah (minimum) dan signifikan adalah -0.284 dengan p value = 0.033.
Jika hipotesis kita menggunakan Alpha = 5%, maka sampel minimum yang dibutuhkan dalam penelitian tersebut adalah 98 sesuai perhitungan berikut


Suatu penelitian, ingin menguji pengaruh beban kerja dan burnout terhadap kinerja secara langsung maupun tidak langsung melalui kepuasan kerja.
Hipotesis Penelitian :
H1 : Ada pengaruh beban kerja terhadap kepusan kerja
H2 : Ada pengaruh burnout terhadap kepusan kerja
H3 : Ada pengaruh beban kerja terhadap kinerja
H4 : Ada pengaruh burnout terhadap kinerja
H5 : Ada pengaruh kepuasan kerja terhadap kinerja
Berikut adalah tabel hasil pengujian hipotesis pada penelitian terdahulu yang relevan dengan penelitian kita.
Contoh 2


Jenis hipotesis penelitian dalam contoh tersebut adalah one tailed hypothesis.
Pada hasil dalam tabel di atas diketahui nilai path coefficient paling rendah (minimum) dan signifikan adalah 0.155 dengan p value = 0.043 (0.085/2)
Jika hipotesis kita menggunakan Alpha = 5%, maka sampel minimum yang dibutuhkan dalam penelitian tersebut adalah 258 sesuai perhitungan berikut


Suatu penelitian, ingin menguji pengaruh beban kerja dan burnout terhadap kinerja secara langsung maupun tidak langsung melalui kepuasan kerja.
Hipotesis Penelitian :
H1 : Beban kerja berpengaruh negatif terhadap keterikatan kerja
H2 : Kepuasan kerja berpengaruh positif terhadap keterikatan kerja
H3 : Beban kerja berpengaruh negatif terhadap kinerja
H4 : Kepuasan kerja berpengaruh positif terhadap kinerja
H5 : Keterikatan kerja berpengaruh positif terhadap kinerja
Berikut adalah tabel hasil pengujian hipotesis pada penelitian terdahulu yang relevan dengan penelitian kita.
Untuk mempermudah menghitung sampel dengan formula Inverse Square Root, peneliti dapat mengakses InQuest Calculator berikut :
Untuk mempermudah menghitung sampel dengan formula Gamma-Exponential, peneliti dapat mengakses InQuest Calculator berikut :
Referensi :
Cohen, J. 1988. Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates.
Cohen, J. 1992. A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
Goodhue, D.L., Lewis, W., and Thompson, R. (2012). Does PLS have advantages for small sample size or non-normal data? MIS Quarterly, 36(3), 981-1001.
Hair, J.F., Black, W.C., Babin, B.J. and Anderson, R.E. 2019. Multivariate Data Analysis. 8th Edition, Cengage Learning, London.
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. 2014. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). Thousand Oaks, CA: Sage Publications.
Hair, J. F., Hult, G. T. M., Ringle, C. M., and Sarstedt, M. 2022. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). 3rd Ed. Thousand Oaks, CA: Sage
Hair, J. F., Ringle, C. M., & Sarstedt, M. 2011. PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139-152. https://doi.org/10.2753/MTP1069-6679190202
Kock, N., & Hadaya, P. 2016. Minimum sample size estimation in PLS-SEM:The inverse square root and gamma-exponential methods. Information Systems Journal.https://doi.org/10.1111/isj.12131
Kock, N., & Hadaya, P. 2018. Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227 261
© Copyright by Arena Statistics. All Rights Reserved
 - versi 2 White-AMqzvNxKRPfRLVOA.png)