CHAPTER 12

ANALISIS DATA KUANTITATIF: MENGUJI HIPOTESIS

A. Dua Kesalahan dalam Menguji Hipotesis
1. Kesalahan tipe I adalah suatu kesalahan bila menolak hipotesis nol (Ho) yang benar
(seharusnya diterima). Tingkat kesalahan dinyatakan dengan .
2. Kesalahan tipe II adalah kesalahan bila menerima hipotesis yang salah (seharusnya
ditolak). Tingkat kesalahan dinyatakan dengan .
Bila nilai statistic (data sampel) yang diperoleh dari hasil pengumpulan data sama
dengan nilai parameter populasi atau masih berada pada nilai interval parameter
populasi, maka hipotesis yang dirumuskan 100% diterima. Jadi tidak terdapat kesalahan
tetapi bila nilai statistic di luar nilai parameter populasi akan terdapat kesalahan.
Kesalahan ini semakin besar bila nilai statistic jauh dari nilai parameter populasi. Tingkat
kesalahan ini dinamakan level of significant atau tingkat signifikan.
B. Bentuk Hipotesis
Bentuk hipotesis ada 3 yaitu :
1. Hipotesis Deskriptif
Hipotesis deskriptif yang akan diuji dengan statistic parametris merupakan dugaan
terhadap nilai dalam satu sampel (unit sampel) dibandingkan dengan standart,
sedangkan hipotesis yang akan diuji dengan statistic nonparametris merupakan
dugaan ada tidaknya perbedaan secara signifikan nilai antar kelompok dalam satu
sampeL.
2. Hipotesis Komparatif
Hipotesis komparatif merupakan dugaan ada tidaknya perbedaan secara signifikan
nilai-nilai dua kelompok atau lebih. Dibedakan menjadi 2:
a. Komparatif untuk 2 sampel
b. Komparatif lebih dari 2 sampel
3. Hipotesis Assosiatif
Hipotesis Assosiatif adalah dugaan terhadap ada tidaknya hubungan secara
signifikan aantara dua variable atau lebih.
Secara statistic hipotesis diartikan sebagai pernyataan mengenai keadaan populasi
yang akan diuji kebenarannya berdasarkan data yang diperoleh dari sampel
penelitian. Oleh karena itu dalam statistic yang diuji adalah hipotesis nol. Hipotesis
nol adalah penyetaan tidak adanya perbedaan antara parameter dengan statistic.
Lawan dari hipotesis nol adalah hipotesis alternative yang menyatakan ada

perbedaan antara parameter dan statistic. Hipotesis nol diberi notasi Ho, dan
hipotesis alternative diberi notasi Ha
C. Regresi Linier Sederhana
Regresi linier sederhana adalah regresi yang melibatkan hubungan antara satu variabel
tak bebas dengan satu variabel bebas. Variabel tak bebas adalah variabel yang nilainya
selalu bergantung dengan nilai variabel lain, sedangkan variabel bebas adalah variabel
yang nilainya tidak bergantung pada variabel lain.
D. Regresi Linier Berganda
Untuk menunjukkan besarnya keeratan hubungan antara dua variabel acak yang masingmasing memiliki skala pengukuran minimal interval dan berdistribusi bivariat.
Yang dimaksud dengan analisis regresi linear berganda ialah suatu analisis asosiasi yang
digunakan secara bersamaan untuk meneliti pengaruh dua atau lebih variable bebas
terhadap satu variable tergantung dengan skala interval. Pada dasarnya teknik analisis ini
merupakan kepanjangan dari teknik analisis regresi linear sederhana.
Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi diantaranya
ialah:
Data harus berskala interval.
Variabel bebas terdiri lebih dari dua variable.
Variabel tergantung terdiri dari satu variable.
Hubungan antar variable bersifat linier.

Artinya semua variable bebas mempengaruhi variable tergantung. Pengertian ini

secara teknis disebut bersifat rekursif, maksudnya pengaruh bersifat searah dari
variable-variabel X ke Y Tidak boleh terjadi sebaliknya atau juga saling
berpengaruh secara timbal balik (reciprocal).
Tidak boleh terjadi multikolinieritas.

Artinya sesama variable bebas tidak boleh berkorelasi terlalu tinggi, misalnya 0,9
atau terlalu rendah, misalnya 0,01.
Tidak boleh terjadi otokorelasi.
Akan terjadi otokorelasi jika angka Durbin dan Watson sebesar < 1 atau > 3
dengan skala 1 4.
Jika ingin menguji keselarasan model (goodness of fit), maka dipergunakan
simpangan baku kesalahan. Untuk kriterianya digunakan dengan melihat angka
Standard Error of Estimate (SEE) dibandingkan dengan nilai simpangan baku

(Standard Deviation). Jika angka Standard Error of Estimate (SEE) < simpangan
baku (Standard Deviation), maka model dianggap selaras.
Kelayakan model regresi diukur dengan menggunakan nilai signifikansi.
Model regresi layak dan dapat dipergunakan jika angka signifikansi lebih kecil
dari 0,05 (dengan presisi 5%) atau 0,01 (dengan presisi 1%)
E. Multicollinearity
Tidak terjadi kolinearitas/multikolinearitas, artinya tidak terjadi korelasi yang terlalu
tinggi antar variabel bebas. Pengujian dapat dilakukan dengan analisis korelasi/ regresi,
Tolerance, dan VIF (Variance Inflation Factor).
F. Other multivariate tests and analyses
1. Discriminant analysis
Analisis diskriminan adalah salah satu teknik statistik yang bisa digunakan pada
hubungan dependensi (hubungan antarvariabel dimana sudah bisa dibedakan
mana variabel respon dan mana variabel penjelas). Lebih spesifik lagi, analisis
diskriminan digunakan pada kasus dimana variabel respon berupa data kualitatif
dan variabel penjelas berupa data kuantitatif. Analisis diskriminan bertujuan
untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang
saling

bebas

(mutually

exclusive/disjoint) dan

menyeluruh

(exhaustive)

berdasarkan sejumlah variabel penjelas

2. Regresi Logistik
Regresi logistic merupakan salah satu analisi multivariate, yang berguna untuk
memprediksi dependent variabel berdasarkan variabel independen.
Pada logistic regresi, dependen variabel adalah variabel dikotomi (kategori).
Ketika kategori variabel dependennya berjumlah dua kategori maka digunakan
binary logistic, dan ketika dependen variabelnya lebih dari dua kategori maka
digunakan multinominal logistic regression. Lalu ketika dependen variabelnya
berbentuk ranking, maka disebut dengan ordinal logistic regression.
a. Konsep Regresi Logistik
Regresi logistik merupakan alternative uji jika asumsi multivariate normal
distribution pada variabel bebasnya tidak bisa terpenuhi ketika akan
dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan
variabel bebas merupakan campuran antara variabel kontinyu (metric) dan
kategorial (non metric). Misalnya, probabilitas bahwa orang yang menderita

serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia,
kebiasaan merokok, jenis kelamin, dan lainnya.
b. Asumsi Regresi Logistik
Regresi logistik tidak membutuhkan hubungan linier antara variabel

bebas dengan variabel terikat.

Regresi logistik dapat menyeleksi hubungan karena menggunakan

pendekatan non linier log transformasi untuk memprediksi odds ratio.

Odd dalam regresi logistik sering dinyatakan sebagai probabilitas.
Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau odd
seorang anak dapat lulus atau tidak pada Ujian Nasional.
Variabel bebas tidak memerlukan asumsi multivariate normality
Asumsi homokedastis tidak diperlukan
Variabel bebas tidak perlu dirubah ke bentuk metric (interval atau skala

ratio)
3. Conjoint analysis
Conjoint analysis(CA) adalah alat statistik yang popular digunakan oleh para
peneliti pemasaran untuk membantu dalam desain produk. Menurut Orme
(2004), kata sifat Conjoint berasal dari kata kerja to conjoint yang berarti
bergabung bersama . Green dan Srinivasan (1990), Yoo dan Ohta (1995)
mendefenisikan CA sebagai metode decompositional yang mengestimasi
struktur

keinginan

konsumen

dengan

mengingat

evaluasi

secara

keseluruhannya dari serangkaian alternatif yang lebih spesifik dalam tingkat

atribut yang berbeda. Green dkk (2001) mendefinisikan CA sebagai suatu
teknik untuk mengukur trade-off untuk menganalisis respon survey tentang
keinginan dan tujuan untuk membeli, dan metode untuk simulasi bagaimana
konsumen mungkin akan bereaksi terhadap perubahan dalam produk saat ini
atau untuk produk baru yang diperkenalkan serangkaian kompetitif yang
sudah ada. Wind (1982) menyatakan bahwa CA digunakan untuk mengukur
efek gabungan dari dua atau lebih variabel independen (atribut) yang
diurutkan dari variabel dependen (menyukai secara keseluruhan, kemungkinan
mencoba, kemungkinan berpindah, niat untuk membeli, kepercayaan, nilai
atau beberapa ukuran evaluasi lainnya)

4. Analysis of Variance (ANOVA)

Selain dikategorikan sebagai omnibus t-test, ANOVA juga digunakan untuk
menguji

perbandingan

mean.

ANOVA

dapat

digunakan

untuk

membandingkan mean lebih dari dua kelompok atau kondisi.

a. one-way ANOVA digunakan untuk membandingkan mean dari dua
atau lebih dari variabel bebas tunggal.
b. Multifactor ANOVA digunakan saat sebuah penelitian melibatkan dua
atau lebih variabel bebas. Bila menggunakan dua faktor maka
menggunakan two-way ANOVA, tiga faktor menggunakan three-way
ANOVA dan seterusnya.
5. Multiple analysis of variance atau MANOVA,
Manova mempunyai pengertian sebagai suatu teknik statistik yang digunakan
untuk

menghitung

pengujian signifikansi

perbedaan

rata-rata

secara

bersamaan antara kelompok untuk dua atau lebih variable tergantung. Teknik
ini bermanfaat untuk menganalisis variable-variabel tergantung lebih dari dua
yang berskala interval atau rasio.
Dalam SPSS prosedur MANOVA disebut juga GLM Multivariat digunakan
untuk menghitung analisis regresi dan varians untuk variabel tergantung lebih
dari satu dengan menggunakan satu atau lebih variabel faktor atau covariates.
Variabel - variabel faktor digunakan untuk membagi populasi kedalam
kelompok-kelompok. Dengan menggunakan prosedur general linear model
ini, kita dapat melakukan uji H0 mengenai pengaruh variabel-variabel faktor
terhadap rata-rata berbagai kelompok distribusi gabungan semua variabel
tergantung. Kita dapat meneliti interakasi antara faktor-faktor dan efek dari
faktor-faktor individu. Lebih lanjut, efek-efek covariates dan interaksi antar
covariate dengan semua faktor dapat dimasukkan. Dalam analisis regresi,
variabel bebas atau predictor dispesifikasi sebagai covariates
Sebagai contoh: Suatu perusahaan plastik mengukur tiga ciri khusus filem
plastik: daya tahan tidak sobek, kehalusan, dan kapasitas. Dua tingkat ekstrusi
dan dua zat aditif yang berbeda diujicobakan. Kemudian ketiga karakteristik
tersebut diukur dengan menggunakan

kombinasi tingkatan ekstrusi dan

jumlah aditif masing-masing. Penelitian menemukan bahwa tingkat ekstrusi

dan jumlah zat aditif masing-masing memberikan hasil yang signifikan, tetapi

interaksi kedua faktor tidak signifikan.

6. Analisis Kolerasi Konikal
Pengertian dari analisis korelasi kanonikal ialah suatu teknik statistik yang
digunakan untuk menentukan tingkatan asosiasi linear antara dua perangkat
variable, dimana masing-masing perangkat terdiri dari beberapa variable.
Sebenarnya analisis korelasi kanonikal merupakan perpanjangan dari analisis
regresi linear berganda yang berfokus pada hubungan antara dua perangkat
variable yang berskala interval. Fungsi utama teknik ini ialah untuk melihat
hubungan linieritas

antara variable-variabel kriteria

(variable-variabel

tergantung) dengan beberapa variable bebas yang berfungsi sebagai predictor.

Sebagai contoh seorang peneliti ingin mengkaji korelasi antara seperangkat
variable dalam perilaku berbelanja sebagai kriteria dan beberapa variable
mengenai personalitas sebagai predictor. Tujuan penelitian ini ialah peneliti
ingin mengetahui bagaimana beberapa karakteristik personalitas tersebut
mempengaruhi perilaku berbelanja, misalnya pembuatan daftar belanja,
jumlah toko yang dikunjungi, dan frekuensi belanja dalam satu minggu.
Untuk menggunakan teknik analisis ini syarat-syarat yang harus dipenuhi
diantaranya ialah:
Variabel bebas terdiri dari lebih dari dua variable yang berskala

interval.
Variabel tergantung terdiri dari lebih dari dua variable yang berskala

interval.
Hubungan antar variabel bebas dan tergantung bersifat linier. Artinya

semua variabel bebas mempengaruhi secara searah terhadap semua

variable tergantung, misalnya korelasi antara variable-variabel bebas
personalitas yang digunakan sebagai predictor dengan variable-variabel
tergantung yang digunakan sebagai kriteria bersifat searah. Jika nilai
variabel variable personalitas besar, maka nilai variable-variabel
perilaku berbelanja harus besar juga. Jika terjadi variabel variable
personalitas besar bernilai besar sedang nilai variable-variabel perilaku
berbelanja menjadi mengecil, maka hal ini berlawanan dengan asumsi
linieritas.
G. Data warehousing, data mining, and operations research

Data warehouse
Merupakan teknik penyimpanan data. Data warehouse berbeda dengan database
walaupun begitu, keduanya memiliki hubungan yang erat. Mari kita lihat dahulu
perbedaan database dengan data warehouse. Database biasanya merupakan data harian
atau rentang waktu yang lebih kecil dari itu, dan sifat datanya adalah real time.
Sedangkan data warehouse merupakan gabungan data dari beberapa database, maka data
yang ada pada datawarehouse merupakan data historis.
Sebagai contoh. Bank X memiliki pusat di kota Y memiliki cabang di kota A, B,C
masing-masing kota memiliki database. Nah di kota Y data yang ada pada database lalu
dikumpulkan di kota Y. Gabungan data dari beberapa database itu kemudian dimasukkan
ke dalam gudang data yang dalam istilah kerennya data warehouse. Data warehouse
sifatnya bukan realtime, melainkan data historis
Data Mining
Merupakan teknologi baru yang sangat berguna untuk membantu perusahaan perusahaan
menemukan informasi yang sangat penting dari gudang data mereka. Ketersediaan data
yang banyak dan kebutuhan akan informasi atau pengetahuan sebagai pendukung
pengambilan keputusan untuk membuat solusi bisnis dan dukungan infrastruktur di
bidang teknik informatika merupakan cikal bakal dari lahirnya teknologi data mining.
Sehingga informasi tersebut bisa digunakan sebagai solusi pengambilan keputusan di
dunia bisnis, untuk pengembangan bisnis.