RINGKASAN MATERI KULIAH METODE PENELITIAN

“ANALISIS DATA KUANTITATIF: PENGUJIAN HIPOTESIS”

Dosen Mata Kuliah: Prof. Dr. Sutrisno T.,SE., Ak., M.Si.

Disusun oleh:
Cynthia Maharani (155020307111054)

JURUSAN AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA
MALANG
2018
 PERTEMUAN KE-11
RINGKASAN MATERI KULIAH METODE PENELITIAN
ANALISIS DATA KUANTITATIF: PENGUJIAN HIPOTESIS

A. MENYIAPKAN DATA UNTUK ANALISIS

Langkah berikutnya yang dilakukan oleh peneliti setelah mengumpulkan data baik
melalui kuisioner, wawancara, observasi, atau data yang sifatnya sekunder yang sudah siap
gunakan untuk analisis. Adapun tahapan yang biasa dilakukan dalam persiapan data untuk
dianalisis adalah sebagai berikut:
1. Mengodekan dan Memasukkan Data
Pengkodekan data merupakan salah satu tahapan sebelum melakukan analisis data
untuk mentraskripsi data dari koisioner dan kemudian memasukkan data tersebut sebagai
bahan analisis. Metode ini biasanya dilakukan dengan cara menelusuri setiap kuisioner untuk
setiap item supaya terhindar dari kebingungan jika data yang digunakan berupa kuisioner
(Sekaran: 2006).
Langkah yang tidak kala penting dalam persiapan analisis data adalah memasukkan
data pada perangkat lunak (yang digunakan) dalam pengujian seperti SPSS dan lainnya.
Setelah data dimasukkan dimungkinkan peneliti untuk melakukan editing.
2. Mengedit Data
Mengedit data dilakukan untuk memastikan tidak adanya kesalahan dari data yang
diperoleh melalui kuisioner, wawancara, observasi, dan lain-lain. Sebagaimana disebutkan
bahwa pengeditan dilakukan pada hari yang sama saat pengumpulan data sehingga responden
bisa dikontak untuk informasi lebih lanjut jika diperlukan. Dalam proses editing sebaiknya
menggunakan tinta warna yang berbeda, manakalah ada kesalahan dikemudian hari mudah
ditemukan. Data yang yang harus diperiksa adalah ketidaklengkapan dan konsistensinya
(Sekaran: 2006). Hal-hal yang perlu diperhatikan dalam pengeditan data antara lain sebagai
berikut, antara lain seperti kelengkapan dan kesempurnaan data, kejelasan tulisan, kejelasan
makna jawaban, konsistensi data, keseragaman satuan yang digunakan dalam data
(uniformitas data, kesesuaian jawaban
3. Transformasi Data
Tujuan utama dari transformasi data ini adalah untuk mengubah skala pengukuran
data asli menjadi bentuk lain sehingga data dapat memenuhi asumsi-asumsi yang mendasari
analisis ragam. Adapun jenis-jenis transformasi adalah sebagai berikut, diantaranya:
a. Transformasi Square Root (Akar)
b. Tansformasi Logaritma
c. Transformasi Arcsin
d. Transformasi Square (Kuadrat)
e. Transformasi Cubic (Pangkat Tiga)
f. Transformasi Inverse (Kebalikan)
g. Transformasi Inverse Square Root (Kebalikan Akar)
h. Transformasi Inverse Square (Kebalikan Kuadrat)
i. Transformasi Inverse Cubic (Kebalikan Pangkat Tiga)
j. Transformasi Reverse Score (Balik Skor).
B. PEMAHAMAN TERHADAP DATA
1. Frekuensi
Frekuensi mengacu pada berapa kali berbagai subkategori dari sustu fenomena
tertentu terjadi, dari mana prosentase dan prosentase kumulatif jumlah kejadiannya dapat
dengan mudah dihitung. Informasi berkaitan dengan hasil frekuensi dapat ditampilkan dalam
bentuk histogram dan grafik batang (Sekaran: 2006).
2. Ukuran Tendensi Sentral dan Dispersi
Peneliti dapat memperoleh perasaan terhadap data dengan memeriksa tendensi sentral
dan dispersi. Pengukuran dispersi adalah pengukuran seberapa jauh penyimpangan nilai-nilai
data dari nilai pusatnya (rata-ratanya) atau bagaimana penyebaran suatu kelompok data. Ada
tiga ukuran tendensi sentral yaitu mean, median, dan modus. Sedangkan untuk ukran disperse
meliputi range, standart deviasi, varians, dan kisaran antarkuartil.
3. Hubungan antar Variabel
Selain distribusi frekwensi, mean, dan strandar deviasi adalah baik untuk mengetahui
bagaimana variabel terikat dan bebas dalam penelitian berkaitan satu sama lain. Maka, suatu
matriks interkorelasi variabel juga dapat disusun.

C. MENGUJI KETEPATAN DATA

1. Reliabilitias
Reliabilitas bentuk pengukuran yang dibuktikan dengan menguji konsistensi dan
stabilitas. Konsistensi menunjukkan seberapa baik item-item yang mengukur sebuah konsep
bersatu menjadi sebuah kumpulan. Menurut Yogiyanto (2010) suatu pengukuran dikatakan
reliebel jika pengukuran tersebut dapat dipercaya, supaya dapat dipercaya makahasil dari
pengukuran harus konsisten. Dan dikatakan konsisten manakalah beberapa pengukuran
terhadap subyek yang sama diperoleh hasil yang tidak berbeda. Adapun bentuk pengukuran
reliabilitas yang sering digunakan adalah alfa cronbach, split-half reliability coefficient,
parallel form reliability, dan test-retest reliability.
2. Validitas
Validitas merupakan seberapa jauh suatu tes atau satu set dari operasi-operasi
mengukur apa yang seharusnya diukur (Yogiyanto: 2010). Atau definisi lainnya mengartikan
validitas sebagai sejauhmana ketepatan dan kecermatan suatu alat ukur dalam melakukan
fungsi ukurnya. Ada tiga kategori validitas yang sering dijumpai, yaitu validitas berdasarkan
kreteria, validitas konvergen, validitas diskriminan.

D. PENGUJIAN HIPOTESIS
Uji hipotesis adalah metode pengambilan keputusan yang didasarkan dari analisis data,
baik dari percobaan yang terkontrol, maupun dari observasi (tidak terkontrol). Dalam statistik
sebuah hasil bisa dikatakan signifikan secara statistik jika kejadian tersebut hampir tidak
mungkin disebabkan oleh faktor yang kebetulan, sesuai dengan batas probabilitas yang sudah
ditentukan sebelumnya. Menurut Furchan (2007) untuk menguji hipotesis peneliti harus:
a. Menarik kesimpulan tentang konsekuensi-konsekuensi yang akan dapat diamati
apabila hipotesis tersebut benar.
 b. Memilih metode-metode penelitian yang akan memungkinkan pengamatan,
eksperimentasi, atau prosedur lain yang diperlukan untuk menunjukkan apakah
akibat-akibat tersebut terjadi atau tidak.
c. Menerapkan metode ini serta mengumpulkan data yang dapat dianalisis untuk
menunjukkan apakah hipotesis tersebut didukung oleh data atau tidak.

E. TYPE KESALAHAN 1, KESALAHAN 2, DAN KEKUATAN STATISTIK

Sugiyono (2010) menyatakan bahwa dalam menaksir populasi berdasarkan data sampel
kemungkinan akan terdapat dua kesalahan, yaitu:
a. Kesalahan Tipe I, adalah suatu kesalahan bila menolak hipotesis nol (Ho) yang
benar (seharusnya diterima). Dalam hal ini tingkat kesalahan dinyatakan dengan
Alfa (α).
b. Kesalahan tipe II, adalah kesalahan bila menerima hipotesis yang salah
(seharusnya ditolak). Tingkat kesalahan untuk ini dinyatakan dengan Beta (β).
Kekuatan statistik (statistical power) bergantung pada:
 alfa (): kriteria signifikansi statistik yang digunakan dalam ujian. Jika alpha bergerak
lebih dekat ke nol (misalnya, jika alpha bergerak dari 5% menjadi 1%), maka
probabilitas untuk menemukan efek bila ada efek menurun. Ini berarti bahwa semakin
rendah alpha maka semakin rendah daya; semakin tinggi alpha, maka semakin tinggi
daya.
 Pengaruh ukuran: pengaruh ukuran dari perbedaan atau kekuatan hubungan dalam
populasi: perbedaan besar (atau hubungan yang kuat) dalam populasi lebih mungkin
ditemukan dari perbedaan kecil (kesamaan, hubungan).
 Ukuran sampel: pada tingkat tertentu dari alpha, ukuran sampel yang meningkat akan
menghasilkan lebih banyak kekuatan, karena peningkatan ukuran sampel
menyebabkan lebih akuratnya estimasi parameter. Sehingga meningkatkan ukuran
sampel menyebabkan probabilitas tinggi untuk menemukan apa yang kita cari.
Namun, meningkatkan ukuran sampel juga dapat menyebabkan terlalu banyak daya,
karena bahkan efek yang sangat kecil akan ditemukan dengan significant secara
statistik.

F. MEMILIH TEKNIK STATISTIKA YANG TEPAT

Pilihan teknik statistik yang sesuai sangat tergantung pada jumlah variabel (independen
dan dependen), memeriksa dan skala pengukuran (metrik atau nonmetric) dari variabel..
Aspek lain bermain peran adalah apakah asumsi tes parametrik terpenuhi dan ukuran sampel
1. Teknik statistika univarite. Biasanya digunakan ketika ingin mengetahui hubungan
dua variabel.
2. Teknik statistika multivariate. Biasanya digunakan ketika ada hubungan antara
banyak variabel.
  Pengujian rata-rata sampel tunggal
Pengujian rata-rata sampel tunggal digunakan ketika kita ingin mengetahui apakah
sampel kita berasal dari populasi tertentu tetapi kita tidak memiliki informasi populasi
yang tersedia bagi kita.
 Pengujian dua sampel rata-rata berpasangan
Dua sampel berpasangan artinya sampel dengan subjek yang sama namun mengalami
dua perlakuan atau pengukuran yang berbeda.
 Pengujian dua sampel rata-rata tidak berpasangan
Pengujian ini digunakan untuk membandingkan rata-rata dari dua group yang tidak
berhubungan satu dengan yang lain, apakah kedua group tersebut mempuyai rata-rata
yang sama ataukah tidak secara signifikan.
 Pengujian Hipotesis mengenai beberapa cara
Sedangkan (sampel independen) t-test menunjukkan apakah atau tidak ada berarti
perbedaan yang signifikan dalam variabel dependen antara dua kelompok, analisis
varians (ANOVA) membantu untuk menguji perbedaan rata-rata yang signifikan
antara lebih dari dua kelompok pada interval atau rasio skala variabel dependen.

G. Analisis Regresi
Analisis Regresi merupakan salah satu analisis yang bertujuan untuk mengetahui
pengaruh suatu variabel terhadap variabel lain. Koefisien determinan, R2, memberikan
informasi tentang kebaikan dari model regresi: itu adalah ukuran statistik dari seberapa baik
garis regresi mendekati titik data sempurna. R2adalah persentase varians dalam variabel
dependen yang dijelaskan oleh variasi dalam variabel independen. Jika R2 adalah 1, model
regresi menggunakan kualitas yang dirasakan sempurna bisa memprediksi kecenderungan
untuk membeli. Dengan kata lain, model regresi cocok dengan data sempurna. Jika R2 = 0,
tidak ada variasi kecenderungan untuk membeli dan dapat dikaitkan dengan variabel
independen, yaitu persepsi kualitas.
Ide dasar dari analisis regresi berganda adalah serupa dengan yang anlisis regresi
sederhana. Analisis regresi berganda adalah teknik multivariat yang sangat sering digunakan
dalam penelitian bisnis. Beberapa anlisis regresi menyediakan sarana obyektif untuk menilai
derajat dan karakter hubungan antara variabel independen dan variabel dependen: Koefisien
regresi menunjukkan kepentingan relatif dari masing-masing variabel independen dalam
prediksi variabel dependen.
1. Koefisien Regresi Standar
Atau koefisien betaadalah perkiraan yang dihasilkan dari analisis regresi dilakukan
pada variabel yang telah dibakukan. Ini biasanya dilakukan untuk memungkinkan
peneliti untuk membandingkan efek relatif dari variabel independen, ketika variabel
independen diukur dalam satuan pengukuran yang berbeda.
2. Regresi dengan Variabel Dummy
Variabel dummy memiliki dua atau lebih level yang berbeda, biasanya dikodekan
dengan 0 atau 1. Variabel dummy juga memungkinkan kita untuk menggunakan
variabel nominal atau ordinal sebagai variabel independen untuk menjelaskan, atau
memprediksi variabel dependen.
 3. Multicollinearity
Adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-
masing variabel independen dalam model regresi. Multicollinearitybiasanya terjadi
ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model
regresi.
Cara termudah dan biasanya digunakan untuk mendeteksi multicollinearityadalah untuk
memeriksa korelasi matriks untuk variabel independen. Adanya korelasi yang tinggi adalah
tanda pertama dari multicollinearity yang cukup besar. Bagaimanapun, ketika
multicollinearity menghasilkan hubungan yang kompleks antara beberapa variabel
independen, mungkin tidak dapat dijelaskan oleh pendekatan ini.
Untuk melihat indikasi adanya multikolinearitas dengan tolerance value (TOL), dan
yang paling umum digunakan adalah varians inflation factor (VIF), dengan nilai toleransi
kurang dari 1 atau VIF lebih besar dari 10 menunjukkan multicollinearity signifikan.
a. Pengujian dan Analisis Multivariat Lainnya
 Analisis determinan
Analisis diskriminan adalah analisis statistik peubah ganda (multivariate
statistical analysis) yang bertujuan untuk memisahkan beberapa kelompok data
yang sudah terkelompokkan dengan cara membentuk fungsi diskriminan.
 Regresi logistik
Juga digunakan ketika variabel dependen adalah non metrik. Namun, ketika
variabel dependen hanya memiliki dua kelompok, regresi logistik sering disukai
karena tidak menghadapi asumsi yang ketat yang diskriminan wajah anlysis dan
karena sangat mirip dengan analisis regresi. Kedua metode menghasilkan
persamaan prediksi dan dalam kedua kasus koefisien regresi mengukur
kemampuan prediksi dari variabel independen. dengan demikian, regresi logistik
memungkinkan peneliti untuk memprediksi hasil diskrit
 Analisis Conjoint
Adalah sebuah teknik analisis yang dapat digunakan untuk menentukan tingkat
kepentingan relatif berdasarkan persepsi pelanggan yang dibawa oleh suatu
produk tertentu dan nilai kegunaan yang muncul dari atribut-atribut produk
terkait. Dalam model multivariat lainnya analisis konjoin dapat digunakan untuk
mengembangkan skor dari beberapa individu dan mengembangkan model untuk
tiap individu.
 Two way ANOVA
Dapat digunakan untuk menguji pengaruh dua variabel non metrik independen
pada variabel dependen tunggal metrik. dicatat bahwa, dalam konteks ini,
variabel independen sering disebut sebagai faktor dan ini adalah mengapa desain
yang bertujuan untuk menguji pengaruh dua variabel independen nonmetric pada
sigle metrik tergantung sering disebut factorial design.
 MANOVA
Mirip dengan ANOVA, dengan perbedaan bahwa ANOVA menguji perbedaan
rata-rata lebih dari dua kelompok pada satu variabel dependen, sedangkan
MANOVA adalah menguji perbedaan rata-rata antara kelompok-kelompok di
 beberapa variabel dependen secara bersamaan, dengan menggunakan jumlah
kuadrat dan matriks cross-produk. Di uji MANOVA, variabel independen adalah
langkah-langkah pada skala nominal dan variabel tergantung pada interval atau
rasio skala
 Korelasi Canonical
Analisis ini dapat mengukur tingkat keeratan hubungan antara satu kumpulan
peubah dependen dengan satu kumpulan peubah independen. Disamping itu,
analisis korelasi kanonik juga mampu menguraikan struktur hubungan di dalam
kumpulan peubah independen.

H. DATA WAREHOUSING, DATA MINING AND OPERATIONS RESEARCH

Data warehousing dan data mining adalah aspek informasi sistem. Banyak perusahaan
yang saat ini menggunakan data warehouse. Data warehouse biasanya mengumpulkan data-
data yang sudah terkumpul dari departemen berbeda dan bisa diproses dari beberapa proses
analisis online (OLAP) yang mendukung pengambilan keputusan.
Menggunakan algoritma untuk menganalisis data pada cara yang berarti, data mining
lebih berpengaruh efektif pada data warehouse dari mengidentifikasi hubungan tersembunyi
dan pola dalam data yang tersimpan di dalamnya.
Operation research (OR) atau management science (MS) adalah alat canggih yang
digunakan untuk menyederhanakan dan dengan demikian memperjelas beberapa jenis
masalah kompleks yang meminjamkan diri untuk kuantifikasi. OR menggunakan matematika
yang lebih tinggi dan statistik untuk mengidentifikasi, menganalisis, sebuah akhirnya
memecahkan masalah yang rumit kompleksitas besar yang dihadapi oleh manajer.
Ada beberapa macam perangkat lunak (software) analitis yang dapat membantu untuk
menganalisis data:
 LISREL: didesain untuk memperkirakan dan memeriksa model persamaan struktural
 MATLAB: adalah program komputer yang sebenarnya didesain untuk
menyederhanakan implementasi dari numerical linear aljabar routines.
 Mplus: adalah program model statistika yang menawarkan peneliti berbagai pilihan
model estimator dan algoritma.
 SAS: adalah sistem terpadu dari produk software, mampu melakukan berbagai
analisis statistik seperti statistik deskriptif, teknik multivariat, dan analisis time series.
 SPSS: adalah manajemen data dan analisis program yang didesain untuk melakukan
analisis data statistik, termasuk statistika deskriptif seperti plot, frekuensi, diagram
dan daftar serta prosedur canggih inferensial dan multivariat statistik seperti analisis
varians (ANOVA), analisis faktor, analisis cluster, dan data kategori analisis.
 SPSS AMOS: adalah didesain untuk memperkiran dan memeriksa model persamaan
struktural.