Kalkulator Ukuran Sampel Uji A/B
Hitung ukuran sampel dan durasi pengujian yang diperkirakan yang diperlukan untuk uji A/B yang valid, dari tingkat konversi baseline Anda, efek minimum yang dapat dideteksi, kekuatan statistik, dan tingkat signifikansi — sebelum Anda mulai mengumpulkan data.
Input
Tingkat konversi Anda saat ini sebelum menjalankan pengujian.
Perubahan terkecil yang patut dideteksi. Relatif: 20 berarti kenaikan 20% dari baseline (5% → 6%). Absolut: 20 berarti +20 poin persentase — gunakan nilai kecil seperti 1 atau 2 untuk efek pp yang realistis.
2 = uji A/B klasik. Varian 3+ menerapkan koreksi Bonferroni ke tingkat signifikansi, karena setiap perlakuan dibandingkan dengan kontrol.
Rata-rata traffic harian di semua varian digabungkan, untuk memperkirakan berapa lama pengujian akan berjalan.
Output
| Metric | Value |
|---|---|
| No data yet | |
Cara lain menggunakan alat ini
REST API
curl -X POST https://api.iotools.cloud/v1/tool/ab-test-sample-size-calculator \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"baselineRate": "5",
"mdeType": "relative",
"minimumDetectableEffect": "20",
"testSides": "two",
"power": "80",
"significanceLevel": "0.05",
"variants": "2",
"dailyVisitors": ""
}'Ganti dengan kunci Anda sendiri dari akun Anda. Bidang alat menjadi isi permintaan — tanpa pembungkus.
Tanyakan ke agen AI
Use the IOTools `ab-test-sample-size-calculator` tool (A/B Test Sample Size Calculator) on this input:
YOUR_INPUT_HERETempelkan ini ke agen mana pun yang terhubung ke server MCP IOTools, lalu tambahkan input Anda.
Widget sematan
<iframe
src="https://iotools.cloud/embed/ab-test-sample-size-calculator/"
width="100%" height="520" frameborder="0" scrolling="no" loading="lazy"
title="Kalkulator Ukuran Sampel Uji A/B — iotools.cloud"
sandbox="allow-scripts allow-forms allow-same-origin allow-downloads allow-popups allow-popups-to-escape-sandbox"
allow="clipboard-write"
style="width:100%;border:1px solid #e5e7eb;border-radius:12px;overflow:hidden"></iframe>
<script src="https://iotools.cloud/embed.js" async></script>Tempelkan ini di halaman Anda sendiri — gratis, tanpa kunci, cukup tautan balik.
| Biaya per panggilan API/MCP | Mulai dari 5 kredit |
|---|---|
| Butuh kredit lebih? | Lihat harga |
Juga tersedia melalui
Panduan
Apa yang dilakukan kalkulator ini?
Sebelum meluncurkan uji A/B, alat ini memberi tahu Anda berapa banyak pengunjung yang Anda butuhkan per varian untuk andal mendeteksi peningkatan yang Anda pedulikan. Masukkan tingkat konversi baseline, efek minimum yang dapat dideteksi (kenaikan terkecil yang dapat tertangkap), target kekuatan statistik dan tingkat signifikansi, dan alat ini menjalankan rumus ukuran sampel dua proporsi standar untuk memberikan Anda angka pasti — ditambah perkiraan durasi pengujian jika Anda memasukkan traffic harian Anda.
Ini adalah perhitungan yang harus dijalankan sebelum uji dimulai. Setelah uji selesai, gunakan Kalkulator Signifikansi Uji A/B untuk mengevaluasi hasil yang benar-benar Anda kumpulkan.
Cara menggunakannya
- Masukkan tingkat konversi baseline — tingkat yang Anda dapatkan hari ini.
- Masukkan efek minimum yang dapat dideteksi — seberapa besar perubahan yang patut dideteksi. Pilih Relatif (kenaikan % dari baseline, mis. 20 berarti 5% → 6%) atau Absolut (perubahan poin persentase yang tetap, mis. 2 berarti 5% → 7%).
- Pilih dua arah (varian bisa lebih baik atau lebih buruk) atau satu arah (Anda hanya peduli jika lebih baik).
- Pilih kekuatan statistik Anda (80% adalah default umum) dan tingkat signifikansi (0,05 adalah standar).
- Atur jumlah varian, termasuk kontrol — 2 untuk uji A/B klasik, lebih banyak untuk uji A/B/n.
- Secara opsional masukkan pengunjung harian Anda untuk mendapatkan perkiraan durasi pengujian.
Mengapa ukuran sampel berubah dengan lebih banyak varian?
Dengan 3 atau lebih varian, setiap perlakuan dibandingkan dengan kontrol, jadi menguji lebih banyak varian berarti menjalankan lebih banyak uji hipotesis sekaligus. Tanpa koreksi, hal itu meningkatkan tingkat positif palsu keseluruhan Anda — semakin banyak perbandingan yang Anda jalankan, semakin besar kemungkinan salah satunya terlihat "signifikan" murni karena kebetulan. Kalkulator ini menerapkan koreksi Bonferroni, membagi tingkat signifikansi Anda dengan jumlah perbandingan, sehingga tingkat kesalahan nyata di seluruh percobaan tetap pada apa yang Anda tetapkan.
Apa perbedaan antara MDE relatif dan absolut?
Relatif MDE berskala dengan baseline Anda — kenaikan relatif 20% pada baseline 5% menargetkan 6%, tetapi kenaikan 20% yang sama pada baseline 40% menargetkan 48%. Absolut MDE adalah perubahan poin persentase tetap terlepas dari baseline — memasukkan 2 selalu menambah 2 poin persentase, apakah baseline Anda 5% atau 40%. MDE relatif adalah konvensi yang lebih umum untuk tes tingkat konversi karena berskala dengan bijak di seluruh halaman dengan tingkat baseline yang sangat berbeda.
Mengapa efek yang lebih kecil membutuhkan begitu banyak pengunjung?
Ukuran sampel tumbuh kira-kira dengan kebalikan kuadrat dari efek yang Anda coba deteksi — mengurangi setengah efek minimum yang dapat dideteksi kira-kira melipatgandakan sampel yang diperlukan. Itulah mengapa mengejar kenaikan sangat kecil (1-2% relatif) pada halaman traffic rendah dapat memerlukan ukuran sampel dalam ratusan ribu, sementara efek besar yang diharapkan pada halaman konversi tinggi memerlukan jauh lebih sedikit pengunjung.
Privasi
Semua perhitungan dijalankan secara lokal di browser Anda — angka Anda tidak pernah dikirim ke server.