1 5 : Q u a n t i t a t i v e D a t a A n a l y s i s - H y p o t h e s i s t e s t i n g |1
Latar Belakang
Hipotesis seperti yang diketahui, merupakan dugaan yang mungkin benar,
atau mungkin juga salah. Dia akan ditolak jika salah atau palsu, dan akan
diterima jika faktor-faktor membenarkannya. Penolakan dan penerimaan
hipotesis, dengan begitu sangat tergantung kepada hasil-hasil penyelidikan
terhadap faktor-faktor yang dikumpulkan.
Hipotesis dapat juga dipandang sebagai konklusi yang sifatnya sangat
sementara. Sebagai konklusi sudah tentu hipotesis tidak dibuat dengan semena-
mena, melainkan atas dasar pengetahuan-pengetahuan tertentu. Pengetahuan
ini sebagian dapat diambil dari hasil-hasil serta problematika-problematika yang
timbul dari penyelidikan-penyelidikan yang mendahului, dari renungan-renungan
atas dasar pertimbangan yang masuk akal, ataupun dari hasil-hasil penyelidikan
yang dilakukan sendiri. Untuk mengetahui kedudukan hipotesis antara lain :
1. Perlu di uji apakah ada data yang menunjuk hubungan variabel penyebab
dan variabel akibat.
2. Adakah data yang menunjukkan bahwa akibat yang ada, memang
ditimbulkan oleh penyebab itu.
3. Adanya data yang menunjukkan bahwa tidak ada penyebab lain yang bisa
menimbulkan akibat tersebut.
Apabila ketiga hal tersebut dapat dibuktikan, maka hipotesis yang
dirumuskan mempunyai kedudukan yang kuat dalam penelitian.
Kegunaan hipotesis
Kegunaan hipotesis antara lain:
1. Hipotesis memberikan penjelasan sementara tentang gejala-gejala serta
memudahkan perluasan pengetahuan dalam suatu bidang.
2. Hipotesis memberikan suatu pernyataan hubungan yang langsung dapat
diuji dalam penelitian.
3. Hipotesis memberikan arah kepada penelitian.
4. Hipotesis memberikan kerangka untuk melaporkan kesimpulan
penyelidikan.
Jenis-jenis hipotesis
Ada dua jenis hipotesis yang digunakan dalam penelitian antara lain:
1. Hipotesis kerja atau alternatif, disingkat Ha.
Ciri-ciri hipotesis
Ciri-ciri hipotesis yang baik:
1. Hipotesis harus mempunyai daya penjelas.
2. Hipotesis harus menyatakan hubungan yang diharapkan ada di antara
variabel-variabel-variabel.
3. Hipotesis harus dapat diuji.
4. Hipotesis hendaknya konsistesis dengan pengetahuan yang sudah ada.
5. Hipotesis hendaknya dinyatakan sesederhana dan seringkas mungkin.
Menguji hipotesis
Suatu Hipotesis harus diuji berdasarkan data empiris, yakni berdasarkan
apa yang dapat diamati dan dapat diukur. Untuk itu peneliti harus mencari situasi
atau lapangan empiris yang memberi data yang diperlukan. Tidak selalu mudah
mencari sempel yang dapat dan rela memberi data. Untuk meneliti kesejahteraan
buruh suatu perusahaan, harus diperoleh izin terlebih dahulu dari pemilik
ataupun pemimpinnya. Selain itu tidak selalu ada kesediaan orang untuk
memberikan informasi yang benar secara jujur. Ada lagi kesulitan-kesulitan lain
yang harus diatasi untuk memperoleh lapangan empiris guna menguji hipotesis
kita.
Sesudah hipotesis dirumuskan, hipotesis tersebut kemudian diuji secara
empiris dan tes logika. Untuk menguji suatu hipotesis, peneliti harus melakukan
beberapa hal sebagai berikut :
1. Menarik kesimpulan tentang konsekuensi-konsekuensi yang akan dapat
diamati apabila hipotesis tersebut benar.
2. Memilih metode-metode penelitian yang mungkin pengamatan,
eksperimental, atau prosedur lain yang diperlakukan untuk menunjukkan
apakah akibat-akibat tersebut terjadi atau tidak.
3. Menerapkan metode ini serta mengumpulkan data yang dapat dianalisis
untuk menunjukkan apakah hipotesis tersebut didukung oleh data atau
tidak.
Andai kata kita telah mengumpulkan data, bagaimanakah kita simpulkan
apakah hipotesis yang kita kemukakan itu benar atau salah? Ada bahayanya
seorang peneliti cenderung membenarkan dugaan atau hipotesisnya, karena ia
dipengaruhi oleh bias atau prasangka. Dengan menggunakan data kuantitatif
yang diolah melalui ketentuan-ketentuan statistik dapat ditiadakan bias itu
sedapat mungkin. Tentu saja seorang penyelidik harus jujur, jangan
memanipulasi data, dan harus menjunjung tinggi penelitian sebagai usaha untuk
mencari kebenaran sampel.
b. Kesalahan Jenis II
Kesalahan jenis II adalah kesalahan karena H0 diterima padahal
kenyataannya salah. Artinya, kita menerima hipotesis (H0) yang seharusnya
ditolak.
Apabila kedua jenis kesalahan tersebut dinyatakan dalam bentuk probabilitas
didapatkan hal-hal berikut :
a. Kesalahan jenis I disebut kesalahan yang dalam bentuk penggunaannya
disebut sebagai taraf nyata atau taraf signifikan (level of significant).
1 - disebut sebagai tingkat keyakinan (level of confidence), karena
dengan itu kita yakin bahwa kesimpulan yang kita buat adalah benar,
sebesar 1 -
b. Kesalahan jenis II disebut kesalahan yang dalam bentuk penggunaannya
disebut sebagai fungsi ciri operasi (operating characteristic function).
1 - disebut sebagai kuasa pengujian karena memperlihatkan kuasa
terhadap pengujian yang dilakukan untuk menolak hipotesis yang
seharusnya ditolak.
Tentu saja seorang peneliti itu, ingin mengelakkan kesalahan-kesalahan di
atas itu. Namun, tak selalu kesalahan itu dapat ditiadakan sama sekali. Yang
dapat dilakukan ialah bagaimana memperkecil kesalahan itu. Untuk itu peneliti
harus rela menerima resiko sekecil yang diinginkannya, menurut tingkat
kepercayaan tentang keputusan yang diambilnya. Caranya adalah menentukan
tingkat signifikansi atau tingkat kepercayaan yang diinginkannya.
Untuk mengetahui sampai manakah suatu hipotesis dapat diterima atau
harus ditolak maka secara statistik dapat dihitung tingkat signifikansinya.
Biasanya tingkat signifikansinya ditentukan sebanyak 0,05 dan 0,01.
Ho : = 0
Ha : < 0
Pengujian ini disebut pengujian sisi kiri
H0 : = 0
H1 : 0
Pengujian ini disebut pengujian dua sisi.
Asumsikan bahwa standar deviasi yang diamati adalah 8. Oleh karena itu,
t-statistik menjadi:
besar dari nilai tabel yang sesuai, hipotesis nol (tidak ada perbedaan yang
signifikan) ditolak.
Pada hasil perhitungan t-statistik (2,438) lebih besar dari nilai tabel yang
sesuai (1,729). Ini berarti bahwa perbedaan antara 36,2 dan 32 adalah signifikan
secara statistik. Hipotesis nol harus ditolak sehingga: ada perbedaan yang
signifikan dalam waktu belajar antara mahasiswa dari universitas dan mahasiswa
pada umumnya.
Penggunaan dalam spss sebagai berikut :
Contoh:
Seorang profesor universitas tertarik pada efek program pengajarannya pada kinerja murid-
muridnya. Dengan menguji sepuluh siswa diberi tes matematika pada minggu pertama semester dan
nilai mereka dicatat. Selanjutnya, siswa diberi tes setara selama minggu terakhir semester. Profesor
itu sekarang ingin tahu apakah nilai matematika siswa meningkat. Setelah menghitung t-statistik,
kita sekarang dapat membandingkan nilai t dengan table standar t-value dengan derajat img
kebebasan untuk menentukan apakah t-statistik mencapai ambang signifikansi statistik. Sekali lagi,
ketika t-statistik lebih besar dari nilai tabel yang sesuai, hipotesis nol (tidak ada perbedaan yang
signifikan) ditolak.
Uji t-statistik lebih besar dari nilai tabel yang sesuai (1,83). Ini berarti bahwa perbedaan
antara 70 dan 57,5 signifikan secara statistik. Hipotesis nol harus ditolak sehingga: ada peningkatan
yang signifikan dalam skor matematika.
McNemars Test
Uji McNemar adalah metode nonparametrik yang digunakan pada data
nominal. Hal ini akan dinilai signifikansi yang berbeda antara dua sampel
dependent ketika variable yang diteliti ialah dichotomous. Uji melalui McNemars
Test ini digunakan untuk membandingkan sebelum dan sesudah penelitian untuk
menguji pengaruh eksperimental. Misalnya seorang peneliti ingin menentukan
apakah penggunaan metode pelatihan baru (disebut CARE) memiliki pengaruh
pada kinerja atlet. Perhitungan individu atlet ditunjukkan pada tabel 15.2
Performa rata-rata sebelum pelatihan metode baru ditunjukkan pada kolom yaitu
sejumlah 244 atlet menunjukan average perfomance sebelum mereka dilatih
dengan metode CARE, sedangkan 134 atlet menunjukkan good performance.
Kemudian untuk melihat hasil setelah melalui pelatihan metode baru CARE maka
dilihat pada baris dalam tabel yaitu 190 atlet menunjukkan kinerja rata-rata
setelah menggunakan metode CARE, kemudian jumlah atlet yang
menyampaikan kinerja yang baik meningkat 188 atlet.
Tabel 15.2 dapat diubah dengan huruf a, b, c dan d. Total kolom dan baris
merupakan total margin (a+b, c+d, a+c, dan b+d). Untuk total keseluruhan
ditunjukkan dengan n , berikut dalam tabel 15.3
Uji McNemar adalah teknik yang agak mudah untuk menguji homogenitas
marjinal. Homogenitas marjinal mengacu pada kesetaraan (atau kurangnya
perbedaan yang signifikan) antara satu atau lebih dari jumlah baris marjinal dan
jumlah kolom marjinal yang sesuai. Dalam contoh ini, homogenitas marginal
menunjukkan bahwa jumlah baris yang sama dengan total kolom yang sesuai,
atau
a+b=a+c
c+d=b+d
variabel dependen, yang diukur pada interval atau rasio skala (misalnya, tingkat
kesejahteraan, membayar, atau tingkat pemahaman).
REGRESSION ANALYSIS
Simple regression analysis digunakan ketika satu variable independen
diperkirakan mempengaruhi satu dependent variable. Sebagai contoh, kita
memiliki hipotesis bahwa kecenderungan untuk membeli suatu produK hanya
bergantung pada persepsi kualitas produk tersebut. Dalam hal ini, kita harus
mengumpulkan informasi mengenai persepsi kualitas dan kecenderungan
membeli suatu produk kemudian memplot data sehingga didapat informasi
mengenai hubungan antara kedua variable tersebut.
Figure. 15.2
Scatter plot of perceived quality versus propensity to buy
Dari gambar 15.2 didapat hubungan linier antara persepsi kualitas dengan
kecenderungan membeli suatu produk. Kita dapat membuat model hubungan
linier ini dengan least squares function.
Figure. 15.3
Regression of propensity to buy on perceived quality
Yi = 0 + 1 X 1i + i
Yi = 0 + 1 D1i + 2i D2i + i
Multicollinearity
Multikolinieritas adalah fenomena statistik sering dijumpai di mana dua atau
lebih variabel independen dalam model regresi berganda sangat berkorelasi.
Dalam kasus yang paling parah (jika korelasi antara dua variabel independen
sama dengan 1 atau -1) multikolinearitas membuat estimasi koefisien regresi
mustahil. Dalam semua kasus lain itu membuat perkiraan koefisien regresi tidak
dapat diandalkan.
Cara yang paling sederhana untuk mendeteksi multikolinearitas adalah
memeriksa matriks korelasi untuk variabel independen. Kehadiran korelasi yang
tinggi (kebanyakan orang menganggap korelasi 0,70 dan di atas tinggi)
merupakan tanda pertama dari multikolinearitas yang cukup besar. Namun,
ketika multikolinearitas adalah hasil dari hubungan yang kompleks antara
beberapa variabel independen, hal itu mungkin tidak akan terungkap dengan
pendekatan ini. Oleh karena itu, langkah-langkah yang lebih umum untuk
mengidentifikasi multikolinearitas adalah nilai toleransi dan faktor inflasi varians
(VIF - kebalikan dari nilai toleransi). Langkah-langkah ini menunjukkan sejauh
mana satu variabel independen dijelaskan oleh variabel independen lainnya.
Nilai cut off yang umum adalah nilai toleransi 0,10, yang sesuai dengan VIF dari
10.
Perhatikan multikolinearitas tidak menjadi masalah yang serius jika tujuan
dari penelitian adalah untuk memprediksi atau meramalkan nilai-nilai masa
depan variabel dependen, karena meskipun estimasi dari koefisien regresi
mungkin tidak stabil, multikolinearitas tidak mempengaruhi keandalan ramalan.
Namun, jika tujuan dari penelitian adalah untuk memperkirakan koefisien regresi
masing-masing, multikolinearitas adalah masalah. Dalam hal ini, kita dapat
menggunakan satu atau lebih metode berikut untuk mengurangi:
Mengurangi set variabel independen terhadap satu set yang tidak segaris
(dicatat bahwa ini dapat menyebabkan dihilangkan Bias variabel, yang
juga merupakan masalah serius).
Menggunakan cara yang lebih canggih untuk menganalisis data, seperti
regresi ridge.
Membuat variabel baru yang merupakan gabungan dari variabel yang
sangat berkorelasi.
(1)
(2)
(3)
Model (3) menyatakan bahwa kemiringan model (1) merupakan fungsi dari
variabel X2. Meskipun model ini memungkinkan kita untuk menguji moderasi,
model berikut ini lebih baik:
(4)
(5)
di mana, dan .
Logistic Regression
Digunakan ketika variable dependent menunjukkan nonmetric . Tetapi
ketika variable dependent hanya memiliki dua grup , regresi logistik lebih sering
digunakan tidak harus menghadapi asumsi yang ketat karena metode ini hampir
sama dengan analisis regresi.
Conjoint Analysis
Teknis statistik yang digunakan banyak lapangan seperti pemasaran,
manajemen produk, dan riset operasi. Analisis conjoint membutuhkan partisipant
untuk penelitian mereka. Analisis ini akan menentukan atau menggunakan
atribut untuk menemukan hasil penelitian mereka. Conjoint ini juga
menggunakan analisis multiple Regresi .
Two-way ANOVA
Bisa digunakan untuk memeriksa efek dari variable independent nonmetric pada
variable dependent single metric.
MANOVA
Mirip dengan ANOVA, tetapi dengan perbedaan bahwa test ANOVA mengetes
perbedaan lebih dari 1 grup pada variable dependent, dimana test MANOVA
mengetes perbedaan antara beberapa variable dependent sekaligus sedangkan
Anova menggunakan 1 variable dependent secara satu persatu.
Jika kondisi ini dipertahankan dan semua arah terprediksi, maka efek
keadilan, kelelahan, dan pengayaan pekerjaan yang dirasakan harus kurang
dalam model 3 dibandingkan dalam model 2. Mediasi sempurna berlaku jika
keadilan, kelelahan, dan pengayaan pekerjaan yang dirasakan tidak
Rasio ab/SEab bisa disebut sebagai nilai statistik z. Efek tidak langsung dari
perceived justice (2.175, p<0.05) dan tingkat kelelahan (2.985, p<0.01) keduanya
adalah signifikan.