MENGINGAT KEMBALI SEJUMLAH ISTILAH

DAN UJI STATISTIK

Disusun oleh:

Rauzatul Jannah (140410143)

Geo Bahari Nasution (140410255)

Zul Helmi A (140410271)

Masrizal

KEMENTERIAN RISET TEKNOLOGI DAN PENDIDIKAN

TINGGI
UNIVERSITAS MALIKUSSALEH
FAKULTAS EKONOMI dan BISNIS,
JURUSAN MANAJEMEN
2017
 MENGINGAT KEMBALI SEJUMLAH ISTILAH DAN UJI STATISTIK

Dalam penelitian, kita mencari data ilmiah, yang dengan analisis memberikan
jawaban atas pertanyaan penelitian. Data merupakan informasi mentah yang dapat
diperoleh melalui wawancara, kuesionr, observasi, atau basis data sekunder. Dengan
mengelola data dengan cara tertentu, menganalisinya dan mengartikan hasilnya, kita
menemukan jawaban yang kita cari.

Dalam kebenyakan penelitian organisasional, pada tingkat yang sangat minimal,

tujuan penelitian adalah untuk mengetahui berapa sering fenomena tertentu terjadi
(frekuensi), dan mean dari kelompok data, sekaligus tingkat variabilitas dalam
kelompok (yaitu, tendensi sentral dan dispersi variabel terikat serta bebas). Semua itu
dikenal sebagai statistika deskriptif yaitu yang menggambarkan fenomena yang menarik
perhatian. Selanjutnya kita tentu ingin mengetahui bagaimana veriabel terikat satu sama
lain, apakah perbedaan atara dua atau lebih kelompok dan sebagainya. Hal ini disebut
dengan statistik inferensial yaitu hasil statistik yang membuat kita mampu menarik
kesimpulan dan sampel ke populasi. Statistika ini dikategorikan sebagai parametrik dan
non parametrik. Penggunaan statistik parametrik adalah berdasarkan asumsi bahwa
populasi dimana sampel diambil berdistribusi secara normal dan data dikumpulkan pada
skala interval atau rasio. Sedangkan statistik nonparametrik tidak membuat asumsi
eksplisit mengenai normalitas distribusi dalam populasi dan dipakai ketika data
dikumpulkan pada skala nominal atau audinal.

Statistik deskriptif dan inteferensial dapat dihasilkan dengan menggunakan

program peranti luanak PC yang dirancang untuk memasukkan data, mengedit dan
menganalisis, serta memberikan hasil untuk berbagai tipe analisi data. Contoh seperti
SPSS, SAS, MINITAB, Excel dan lain sebagainya.

Secara singkat kita akan melihat sekilas beberapa istilah dan tipe pengajian,
seperti frekuensi, ukuran tendensi sentral dan dispersi, korelasi, uji t, analisis regresi dan
sebagainya.
STATISTIK DESKRIPTIF

Statitik deskriptif meliputi transformasi data mentah kedalam bentuk yang akan
memberikan informasi untuk menjelaskan sekumpilan faktor dalam suatu situasi.

Statistik deskriptif ditunjukkan dengan frekuensi, ukuran tendasi sentral, dan dispersi.

1. Frekuensi

Frekuensi hanya mengacu pada berapa kali berbagai sub kategori dari suatu
fenomena tertentu terjadi, darimana persentase dan persentase komulatif. Jumlah
terjadinya dapat dengan mudah dihitung.

2. Ukuran Tendensi Sentral dan Dispersi

Berguna untuk menjelaskan serangkaian observasi dalam sekumpulan data secara

hemat dan bermakna yang akan membuat individu mampu untuk memperoleh ide
mngenai , atau rasa tentang karakteristik dasar dari data. Ukuran tendensi sebtral dan
dispersi memungkinkan kita mencapai tujuan tersebut. Berikut ini tiga ukuran tendensi
memungkinkan kita mencapai tujuan tersebut. Berikut tiga ukuran tendensi sentral yaitu
mean (rerata hitun), median (nilai tengah), modus (nilai yang laing sering muncul).
Ukuran tendensi meliputi kisaran/rentang/jangkauan(range), standar deviasi dan varians
(dengan ukuran tendensi sentral adalah mean)., dan kisaran antar kuartil yaitu dengan
ukuran tendensi sentral adalah median.

Ukuran Tendensi sentral

Mean atau biasa disebut dengan rerata hitung adalah ukuran tendensi sentral yang
memberikan gambaran umum mengenai data tanpa membanjiri seseorang secara tidak
perlu dengan setiap obsevasi dalam sekelompok data.

Misalnya departemen produksi mungkin menyimpan data rinci mengenai beberapa

banyak unit dari sebuah produk yang dihasilkan stiap hari. Tetapi untuk menaksirkan
persediaan bahan mentah, semua yang manajer ingin ketahui adalah berapa banayak
unit per bulan, dalam mean dihasilkan departemen selama enam bulan terakhir. Ukuran
tendensi sentral dalam hal ini mean, dapat memberi ide yang baik kepada manajer
mengenai kuantitas bahan yang perlu disimpan.
Demikian pula sorang manjajer pemasaran ingin mengetahui berapa kaleng sub yang
terjual (dalam mean) setiap minggu, atau seorang banker mungkin berminat terhadap
jumlah rekening baru yang dibuka tiap bulan (dalam mean). Mean dari sekumpulan data
misalnya 10 observasi, adalah jumlah dari 10 0bservasi individual dibagi 10 (totl jumlah
observasi).

Median atau biasa disebut dengan nilai tengah dalam sekelompok observasi jika
mereka diatur, entah dalam urutan rendah-tinggi atau sebaliknya. Misalnya, untuk
melihat bagaimana median ditentukan sebagai ukuran tendensi sentral. Misalkan gaji
tahunan sembilan karyawan dalam satu departemen adalah $65.000, $30.000, $64.000,
$35.000, $63.000, $32.000, $60.000 dan $61.000. Mean gajidisini adalah sekitar
$48.333, namun mediannya $60.000. yaitu jika diatur dalam urutan yang menaik,
angkanya adalah sebagai berikut $25.000, $30.000, $32.000, $35.000, $60.000,
$61.000, $63.000, $64.000, $65.000 dan angka ditengah adalah $60.000. bila jumlah
karyawan genap maka mediannya adalah mean dari dua gaji ditengah.

Modus dalam beberapa kasus, sekelompok obsevasi tidak dapat digambarkan secara
memadai dengan mean atau median, tetapi bisa ditinjau dengan fenomena yang paling
sering terjadi.

Misal dalam satu departemen dimana ada 10 wanita kulit putih, 24 pria kulit putih, 3
wanita Amerika-Afrika, dan 2 wanita Asia, kelompok yang paling sering terjadi -
modus- adalah pria kulit putih, mean adapun median tidak dapat dihitung atau
diterapkan dalam kasus ini. Juga tidak ada cara untuk menunjukkan ukuran dispersi.

Seperti terbukti diatas, data nominal hanya dapat dideskripsikan dengan modus sebagai
ukuran tendensi sentral. Ada kemungkinan behwa suatu kumpulan data memuat
observasi bimodal. Misalnya, menggunakan skenario terlebih dahulu, bisa juga terdapat
24 pria asia yang secara khusus direkrut untuk sebuah proyek. Dengan demikian, kita
mempunyai dua modus: pria kulit putih dan pria asia.

Kita telah mengilustrasikan begaimana mean, median dan modus dapat menjadi ukuran
tendensi sentral yang berguna, berdasarkan tipe data yang dimiliki. Sekarang kita akan
membahas mengenai despersi.
Ukuran Dispersi

Selain dari mengetahui bahwa ukuran trendensi sentral adalah mean, median,
dan modus (tergantung pada tipe data yang tersedia), seseorang juga perlu mengetahui
tentang variabelitas yang eksis dalam sekumpulan observasi. Seperti ukuran tendensi
sentral, Ukuran dispersi juga khusus untuk data nominal dan interval.

Dua sekumpulan data bisa memiliki mean yang sama, tetapi dispersi bisa saja
berbeda. Misalnya bila perusahaan A bisa menjual 30, 40, dan 50 unit dari sebuah
produk selama bulan April, Mei dan Juni secara berturut-turut, dan perusahaan B
menjual 10, 40, dan 70 unit selama periode yang sama, maka mean unit yang perlu
terjual per bulan oleh kedua perusahaan adalah sama -40-unit- tetapi variabilitas atau
dispersi (dispersion) dalam perusahaan yang berakhir lebih besar.

Tiga ukuran dispersi yang berkaitan dengan mean adalah kisaran, varians, dan
standar deviasi, yang dijelaskan dibawah ini.

Tiga ukuran dispersi yang berkaitan dengan mean adalah sebagai berikut

a. Kisaran

Kisaran/rentang/jangkauan (range) merupakan nilai ekstrem dalam sekumpulan

observasi. Kisaran untuk perusahaan A antara 30 dan 50 (dispersi 20 unit), sedangkan
kisaran untuk perusahaan B antara 10 dan 70 unit (dispersi 60 unit). Ukuran sispersi lain
yang lebih berguna adalah varians.

b. Varians

Varians dihitung dengan mengurangkan mean dari tiap observasi dalam kumpulan
data, mengambil kuadrat dari selisihnya, dan membagi totalnya dengan jumlah
observasi. Dalam contoh diatas varians untuk masing-masing perusahaan adalah:

(30−40)2+(40−40)2+(50−40)2
Varians untuk perusahaan A = = 66,7
3

(10−40)2+(40−40)2+(70−40)2
Varians untuk perusahaan B = = 600
3
Seperti bisa kita lihat varians lebih besar dalam perusahaan B dibandingkan perusahaan
A. Menjadi lebih sulit bagi manajer perusahaan B untuk mengistimasi seberapa banyak
barang yang disimpan daripada bagi manajer perusahaan A. Dengan demikian, varians
memberi petunjuk mengenai seberapa menyebar data dalam sekumpulan data.

c. Standar Deviasi

Standar deviasi adalah ukuran dispersi yang lain untuk data berskala inteval dan
rasio, serta memberikan indeks penyebaran distribusi atau variabilitas dalam data. Ini
adalah ukuran dispersi yang sangat sering dipakai, dan merupakan akar kuadrat dari
varians. Dalam kasus kedua perusahaan diatas, standar deviasi untuk perusahaan A dan
B adalah √66,7 dan √600 atau 8,167 dan 24,495, berturut-turut.

Mean dan standar deviasi merupakan statistik deskriptif yang paling lazim. Standar
deviasi dalam kombinasi dengan mean adalah alat yang sangat berguna karena kaidah
statistik berikut ini, dalam distribusi normal :

1. Hampir semua obsevasi berada dalam tiga standar deviasi dari mean.
2. Lebih dari 90% obsevasi berada dalam dua stabdar deviasi dari mean.
3. Lebih dari setengah observasi berada dalam satu standar deviasi dalam mean.

Dengan menerapkan hal tersebut pada kasus perusahaan A dan B, apa yang ditunjukkan
pada manajer perusahaan A adalah bahwa jika mean adalah 40 unit, dan standar deviasi
8,167, secara sangat simplistis (yaitu tanpa menghitung standar error dan
mempertimbangkan skor z untuk tingkar kepercayaan) ia akan memerlukan kira-kira
antara 15 dan 65 unit untuk bulan depan [40± (3 x 8,167)]. Dengan kata lain dalam
semua probabilitas, perusahaan A memerlukan tidak lebih dari 65 unit. Untuk
perusahaan B, disisi lain, permintaan bisa saja sebesar 114 unit. Permintaan dapat
bervariasi diantara 0 dan 114 [40±(3 x 24,485)]-sebaran yang lebih luas.

Seperti dapat diperkirakan, bila suatu taksiran harus dibuat mengenai jumlah untuk
optimum yang harus diproduksi untuk bulan depan berdasarkan data penjualan tida
bulan, manajer perusahaan B akan mengalami kesulitan yang lebih besar dibanding
manajer perusahaan A, meskipun kedua perusahaan menjual 40 unit per bulan, dalam
mean. Daripada berusaha menaksi berapa unit yang sebaiknya diproduksi berdasarkan
mean 3 bukan yang lalu. Manajer perusahaan B dapat memilih untuk menelusuri tren
selama bulan yang sama tahun lalu dan menjadikan dasar untuk penafsiran karena
terdapat variabel yang sangat besar dalam penjualan.

Dalam contoh terdahulu perhitungan mean, dan standar deviasi dapat dilakukan karena
observasi berkaitan dengan nilai yang diukur pada skala rasio-yaitu, tidak bersifat
nominal atau ordinal. Bila onsevasi diukur entah pada skala interval atau rasio, adalah
mungkin untuk menghitung mean, lihat kembali pembahasan mengenai skala pada fur
8.3 pada Bab 8, dimana mean dikatakan tepat sebagai ukuran tendensi sentral, dan
varians dan standar deviasi dinyatakan sebagai indikator dispersi yang tepat, jika skala
interval atu rasio digunakan sebagai dasar pengukuran.

ukuran dispersi lainnya. Bila median adalah ukuran tendensi sentral, persentil, desil
dan kuartil menjadi berarti. Sama seperti median yang membagi total keseluruhan
obsevasi kedalam dua (2) bagian yang sama, kuartil membaginya kedalam empat (4)
bagian yang sama, desil kedalam sepuluh (10) dan persetil kedalam seratus (100) bagian
yang sama. Persetil digunakan jika melibatkan data yang sangat banyak. Misalnya skor
test GRE atau GMAT. Bila area observasi dibagi kedalam 100 bagian yang sama,
terdapat 99 poin persetil. Setiap skor yang ada mempunya probabilitas 0,01 untuk jatuh
dalam salah atu poin tersebut. Jika skor john berada dalam persentil ke-16, hal tersebut
menujukkan bahwa 84% mereka yang mengikuti ujian mempunyai skor yang lebih baik
darinya, sedangkan 15% lebih buruk.

Seringkali kita ingin mengetahui dimana kita berada dalam perbandingan dengan orang
lain, apakah ditengah, diatas 10 atau 25%, dibaeah 20 atau 25%, atau dimana ?
misalnya, jika dalam satu test yang diselenggarakan perusahaan. Tn choi mendapatkan
skor 78 dari total 100 poin, ia akan tidak senang jika termasuk dalam 10% terbawah
dintara rekan-rekannya (peserta test), tetapi akan cukup senang jika ia berada diantara
10% tertas, meskipun faktanya skornya tetap sama. Posisinya dalam kaitan dengan
orang lain dapat ditentukan dengan tendensi sentral, median dan persentil dimana ia
berada.

Ukuran dispersi untuk median, kisaran antarkuartil, meliputi setengah 50% dari
observasi (yaitu, observasi yang megeluarkan 25% kuartil terbawah dan teratas).
Kisaran antar kuartil dapat sangat berguna ketika harus dibuat perbandingan diantara
beberapa kelompok.

Misalnya perusahaan telepon dapat membandingkan tagihan jarak jauh pelanggan

dibeberapa daerah dengan mengambil sampel tagihan pelanggan dari tiap kota untuk
dibandibgkan. Dengan memotong kuartil pertama dan ketiga, serta membandingkan
median dan sebarannya, mareka dapat memperoleh ide yang baik mengenai dimana
tagihan cenderung paling tinggi, pada tingkat apa pelanggan bervariasi dalam frekuensi
penggunaan panggilan jarak jauh, dan seterusnya. Hal tersebut dilakukan dengan box
and whisker plot untuk setiap area. Box and whisker plot adalah sarana grafis yang
menggambarkan tendensi sentral, persentil, dan variabilitas. Sebuah kotak (box)
digambarkan memanjang dari kuartul pertama ke kuartil ketiga dan garis ditarik dari
dari tiap sisi kotak ke skor ekstrim, seperti ditunjukkan dalam figur M1 b mempunyai
median yang ditunjukkan oleh titik dalam setiap kotak. Perbandingan setiap sisi dari
berbagai plot dengan jelas menunjukkan angka tertinggi, kisaran dan sebaran untuk
setiap daerah atau kota.

Singkatnya kita telah mengilustrasikan bagaimana mean, median, dan modus dapat
menjadi ukuran tendensi sentral yang berguna , bergantubg pada tipe data yang tersedia.
Demikian pula kita telah melihat bagaimana standar deviasi (dan varians, yang adalah
kuadrat dari standar deviasi), dan kisaran antar kuartil berguba sebagai ukuran dispersi.
Dengan jelas tidak ada ukuran dispersi yang berkaitan dengan modus.

STATISTIK INFERENSIAL

Statistik inferensial diperlukan saat kita mungkin ingin mengetahui atau menduga dari
analisis data :

1. Hubungan antara dua variabel (misalnya anatara iklan dan penjualan)

2. Perbedaan ataran satu variabel diantar berbagai sub kelompok (misal apakah pria
atau wanita yang membeli lebih banyak suatu produk)
3. Bagaimana beberapa variabel bebas dapat menjelaskan varians dalam suatu
variabel terikat (misalnya, bagaimana investasi di pasar saham dipengaruhi oleh
tingkat penganguran, persepsi ekonomi, pendapatan yang dibelanjakan, dan
harapan deviden)
 Ada beberapa statistik inferensial

Korelasi

Dalam proyek penelitian yang memasukkan beberapa variabel, disamping

mengetahui mean dan standar deviasi dari varibel terikat dan bebas, kita sering ingin
mengetahui bagaimana variabel yang satu berkaitan dengan variabel yang lain.

Figur M1

(a) Box dan Whisker plot

(b) Perbandingan tagihan telepon ditiga kota

Yaitu kita ingin melihat sifat, arah dan signifikansi hubungan bivariat dari variabel
yang digunakan dalam studi (yaitu hubungan antara dua variabel apasaja diantara
variabel yang diungkap dalam studi). Matriks korelasi pearson akan memberikan
informasi tersebut, yaitu menunjukkan arah, kekuatan, dan signifikansi hubungan
bivariat dari semua variabel dalam studi.
 Korelasi diperoleh dengan menilai variasi dalam satu variabel sebagi variabel
alin yang juga bervariasi. Uktuk menyederhanakan anggaplah kita telah mempunyai
data dua variabel harga dan penjualan untuk dua produk berbeda. Volume penjualan
pada tiap tingkat harga dapat diplot untuk masing-masing produk, seperti
ditunjukkan dalam diagram pancar dalm figur M2a dan M2b.

Figur M2b menunjukkan pola yang dapat dilihat mengenai bagaimana dua
vaktor bervariasi secara simultan [tren dari pencaran (scatter) adalah garis lurus
kebawah], sedangkan figu M2a tidak. Dengan melihat pada diagram pacar pada
figur M2b, tampak bahwa ada korelasi negatif antara harga dan penjualan produk.
Yaitu, saat harga naik, penjualan produk turun secara konsisten. Figur M2a tidak
memberikan pola yang berarti utuk produk yang lain. Koefesien korelasi yang
menunjukkan kekuatan dan arah hubungan bisa dihitung dengan menerapkan rumus
yang melibatkan dua set figur dalam kasus ini, volume penjualan yang berbeda pada
harga yang berbeda. Secara teoritis bisa saja terdapat korelasi positif sempurna
diantara dua variabel, yang ditunjukkan oleh 1,0 (plus 1). Atau korelasi negatif
sempurna yang adalah -1,0 (minus 1). Tetapi hal tersebut tidak akan ditemukan
dalam kenyataan ketika menghitung korelasi antara dua variabel apasaja yang
diduga berbeda satu sama lain.

Sementara korelasi dapat membentang dari -1,0 dan +1,0, kita perlu mengetahui
apakah korelasi yang ditemukan antara dua variabel signifikan atau tidak (yaitu,
apakah hal tersebut hanya kebetulan atau apakah terdapat probabilitas tinggi dari
keberadaan aktualnya). Koefesien korelasi menunjukkan kekuatan dan arah
hubungan antara suatu variabel dengan varibel lainnya. Tingkat signifikan hubungan
korelasi yaitu p = 0.05 biasanya merupakan tingkat konvensional yang diterima
dalam penelitian ilmu sosial. Hal tersebut menunjukkan bahwa 95 kali dari 100, kita
dapat yakin hanya ada kemungkinan 5% bahwa hubungan tersebut tidak benar-benar
eksis. Bila terdapat korelasi 0,56 (disimbulkan dengan r= 0,56) antara dua variabel
Adan B, dengan p < 0,01, maka kita mengetahui bahwa ada hubungan positif antara
dua variabel dab probabilitas hal tersebut tidak benar adalah 1% atau kurang. Yaitu
lebih dari 99% dari waktu kita menduga korelasi tersebut eksis. Korelasi o,56 juga
 menunjukkan bahwa variabel akan menjelaskan varians satu sama lain pada tingkat
31,4% (0,562).

Dengan ini kita memang tidak mengetahui variabel mana yang menyebabkan
suatu hal, tetapi kita tau bahwa kedua variabel saling berkaitan satu sama lain.
Dengan demikian sebuah hipotesis yang mendalilkan hubungan positif atau negatif
yang signifikan antar dua varibel dapat dites dengan menguji korelasi antar
keduanya. Analisi variasi bivariat yang menunjukkan kekuatan hubungan (r) antar
dua variabel dapat dihasilkan untuk ukuran variabel pada skala interval atau rasio.

Pengujian nonparametrik juga bisa digunakan untuk menilai hubungan antara

variabel yang tidak diukur pada skala interval atau rasio. Korelasi rank spearman
dan korelasi rank kendall digunakan untuk menguji hubungan antara variabel
ordinal. Lihat tabel M3, yang menunjukkan jenis analisis statistik yang berbeda
untuk masing-masing tipe data, jika variabel bebas dan tergantung diukur pada
berbagai skala.

Hubungan antara Dua Variabel Nominal : Uji X2

kita mungkin kadang ingin mengetahui apakah terdapat hubungan antar dua
variabel nominal atau apakah keduanya tidak saling berkaitan. Sebagai contoh:

1. Apakah menonton iklan televisi tentang sebuah produk (ya/tidak) berkaitan

dengan membeli produk tersebut oleh individu (memebeli/tidak membeli)?
Figur M2

(a) Diagram pancar tanpa pola yang dapat dilihat

(b) Diagram pancar yang menunjukkan kemiringan menurun atau negatif

Apakah jenis pekerjaan yang dilakukan oleh individu [pekerjaan kerah putih (staff
kantor) versus pekerjaan kerah biru (buruh)] adalah fungsi dari warna kulit mareka
(putih versus tidak putih)? Perbandingan tersebut dimungkinkan dengan mengatur data
menurut kelompok atau kategori dan melihat pakah terdapak hubungan statistik rang
signifikan. Misalnya kita mengumpulkan data dari sampel 55 orang yang warna kulit
dan sifat pekerjaannya, dipilih dari perhitungan frekuensi, diilustrasikan seperti dalam
tabel M2, berupa tebel kontijensi two-by-two. Hanya dengan melihat tabel M2 tampak
jelas bahwa bahwa mereka yang berkulit putih melakukan pekerjaan kerah putih. Hanya
sedikit dari yang tidak berkulit putih melakukan pekerjaan kerah putih. Dengan
demikian tampaknya ada hubungan antara warna kulit dan jenis pekerjaan yang
dilakukan keduanya tidak tampak bebas. Hal tersebut dapat dipertegas secara statistik
dengan uji chi-square (X2) – pengujian non parametrik yang akan dilakukan
menunjukkan apakah pola yang teramati semata-mata hanya kebetulan atau tidak.
Seperti yang kita ketahui pengujian nonparametrik digunakan jika normalitas distribusi
tidak dapat diasumsikan seperti dalam data nominal atau ordinal. Uji X2
membandingkan frekuensi yang diduga (berdasarkan probabilitas) dan frekuensi yang
teramati, dan statistik X2 diperoleh dengan rumus:

(𝑂𝑖−𝐸)2
X2 = ∑ ( )
𝐸𝑖

Dimana X2 adalah statistik chi-square; Oi adalah frekuensi yang teramati dari sel ke-i
dan Ei adalah frekuensi yang diduga. Statistik X2 dengan tingkiat signifikansi dapat
diperoleh untuk data nominal melaluli analisis komputer.

Dengan demikian ketika menguji perbedaan dalam hubungan di antara variabel yag
berskala nominal, statistik X2 (chi-square) dapat digunakan. Hipotesis nol akan disusun
untuk menyatakan bahwa tidak ada hubungan singnifikan antara dua variabel. Statistik
ini berkaitan dengan derajat kebebasan yang menunjukkan apakah suatu hubungan
signifikan eksis diantara dua veriabel normal. Derajat kebebasan (degrees of freedom-
df) adalah satu kurang dari jumlah sel dalam kolom dan baris. Bila ada empat sel (dua
kolom dua baris), maka derajat kebebasan adalah 1[(2-1) x (2-1)]. Statistik chi-square
untuk berbagai df.

Statistik X2 juga bisa dipakai untuk sejumlah tingkat dari dua veriabel nominal.

Jadi simoulannya uji signifikan X2 membantu kita untuk melihat apakah dua variabel
nominal berkaitan atau tidak. Selain uji X2 , uji lain seperti uji fisher exact, probability
test dan conchran Q test juga digunakan untuk menentukan hubungan antara dua
variabel yang berskala norminal.

Perbedaan Rata-rata yang Signifikan antara Dua Kelompok: Uji t

 Ada banyak contoh ketika kita ingin mengetahui apakah dua kelompok berbeda
satu sama lain pada variabel tertentu yang berskala interval atau rasio. Misalnya, apakah
pria dan wanita menekankan kepentingan mereka untuk kebijakan waktu fleksibel
ditempat kerja pada tingkat yang sama, atau apakah kebutuhan mereka berbeda ?
apakah kinerja para MBA lebih baik dalam konteks organisasional dibanding dengan
mahasiswa bisnis yang hanya dengan gelar sarjana? Apakah orah didaerah kota
memiliki investasi tabungan yang berbeda daroada mereka yang dipinggir kota? Apakah
kinerja CPA lebih baik dari pada non-CPA dalam tugas-tugas akuntansi? Untuk
menemukan jawaban atas semua pertanyaan tersebut, uji t dilakukan untuk melihat
apakah terdapat perbedaan signifikan rata-rata untuk kedua kelom[ok dalam variabel
penelitian. Yaitu variabel nominal yang dibagi kedalm dua subkelompok (seperti
kisalnya perokok, dan no perokok; karyawan yang lebih muda dan yang lebih tua) diuji
untuk melihat pakah terdapat perbedaan rata-rata yang signifikan antara dua kelompok
terpisah pada suatu variabel terikat yang diukur pada skala interval dan rasio (seperti
misalnya, tingkat kesejahteraan, gaji, atau tingkat pemahaman).

Tabel M2

Tabel kontijensi dan Warna kulit dan Jenis Pekerjaan

Warna Kulit Jenis Pekerjaan

Kerah Putih Kerah Biru Total

Putih 30 5 35

Tidak putih 2 18 20

Total 32 23 55

Uji t memasukkan rata-rata atau standar deviasi dari dua kelompok pada variabel dan
menguji apakah perbedaan numerikal dan rata-rata berbeda secara signifikan dari nol
(0) sebagaimana didlilkan dalam hipotesis nil kita. Yang telah dipelajari pada bab data
sampel dan pengujian hipotesis.
 Ketika membandingkan perbedaan rata-rata antara dua kelompok yang berbeda
pada suatu variabel, kita melakukan uj t pada dua sampel bebas. Kita juga dapat
menguji perbedaan pada kelompok yang sama sebelum atau sesudah melakukan
perlakuan. Dalam hal ini rumus untuk uji t disesuaikan untuk menghitung korelasi
antara dua skor jika ada. Dengan kata lain uji t yang disesuaikan (adjusted t test) untuk
sampel yang sesuai atau jenis sampel terikat lainnya mencerminkan perbedaan rata-rata
yang sebenernya.

Tabel II diakhir buku ini menunjukkan nilai t, untuk distribusi bentuk lonceng
simetris (symmetrical bell-shaped distribution) dengan rata-rata = 0 dan standar deviasi
= 1, untuk bebagai derajat kebebasan [yaitu jumlah observasi atau ukuran sampel
sekarangjumlah pembatas atau (n-1)df.

Perbedaan Rata-rata yang Signifikan di antara Banyak Kelompok : ANOVA

Sementara uji t akan menunjukkan apakah terdapat perbedaan rata-rata yang

signifikan dalam suatu variabel terikat antara dua kelompok, analisis varians (ANOVA)
membantu menguji perbedaan rata-rata yang signifikan dianatara lebih dari dua
kelompok pada variabel terikat berskala interval atau rasio.

Hasil ANOVA menunjukkan apakah hasil rata-rata dari berbagai kelompok

secara signifikan berbeda satu sama lain, seperti ditunjukkan oleh statistik F. Statistik F
menunjukkan apakah dua varians sampel berbeda satu sama lain atau dari populasi yang
sama. Distribusi F adalah distribusi probabilitas dari varians sampel dan keluarga
ditribusi berubah dengan perubahan ukuran sampel.

Bila perbedaan rata-rata yang signifikan diantar kelompok ditunjukkan oleh

statistik F, tidak ada cara untuk mengetahui hanya dari hasil ANOVA dimana perbedaan
tersebut berada, yaitu, apakah perbedaan yang signifikan adalah antar kelompok A dan
B, atau antara B dan C, atau A dan c, dan sterusnya. Karena itu akan tidak bijaksna
untuk menggunakan banyak uji t (multiple t-test). Mengambil dua kelompok pada satu
waktu, karena semakin besar jumlah uji t yang dilakukan, semakin rendah keyakinan
yang dapat kita lekatkan pada hasil. Misalnya tiga uji t yang dilakukan secara simultan
akan menurunkan tingkat kepercayaan dari 95% menjadi 86% (0,95)3. Tetapi beberapa
pengujian seperti uji Scheffe, Uji Duncan Multiple Range, Uji Tukey, dan Uji Student-
Newman-Keul dapat digunakan untuk mendeteksi secara persis letak perbedaan rata-
rata.

Statistik yang diklasifikasikan menurut tipe, jumlah, dan ukuran skala variabel

Variabel Kriteria
Satu Dua atau Lebih
Nominal Ordinal Interval Nomina Ordinal Interval
l
Che-square Uji tanda Analisis Analisis
untuk utnuk (sign) varians multidiskrimina
independensi Uji n (mutiple
median discriminant
Uji mann analysis)
Cochran Q whitney
kemungkinan U
saat fisher Analisis
varians
satu arah
kruskal-
wallis
Korelasi Analisis
rank varians
Spearma dengan
n analisis
tren

Korelasi
rank
kendall
Analisis varians Analisis Analisis regret
Regresi berganda
(multiple
 regresion
analysis)
Analisis Analisis Analisis varians
two way varians
friedman (desain
factorial
)
Analisis Analisis Analisis Korelasi
multidiskrimina regresi multidiskrimina kanonikal
n (multiple bergand nt (canonical
discriminant) a correltions)

Analisis Regresi Berganda

Sementara koefesien korelasi r menunjukkan kekuatan hubungan antara dua

variabel, hal tersebut memberi kita ide mengenai berapa banyak varians dalam variabel
terikat atau kriteria yang akan dijelaskan jika beberapa variabel bebas diteorikan secara
simultan mempengaruhinya.

R square atau lazim disebut sebagai R2 adalah jumlah varians yang dijelaskan dalam
variabel terikat.

Singkatnya analisis regresi berganda digunakan untuk menguji pengaruh

simultan dari beberapa variabel bebas terhadap variabel terikat yang berskala interval.
Deengan kata lain analisis regresi berganda membantu dalam memahami beberapa
banyak varians dalam variabel terikat yang dijelaskan oleh sekelompok prediktor. Bila
kita ingin mengetahui mana diantar sekelompok prediktor yang paling penting dalam
menjelaskan varians, yang berikutnya, dan seterusnya. Analisis regresi berganda
bertingkat (stepwise) dapat dilakukan jika kita ingin mengetahui apakah sekelompok
variabel bebas menambah varians yang dijelaskan dalam variable terikat.

Analisis regresi nerganda juga dilakukan untuk menelusuri anteseden kronologis

(squential entecedents) yang menyebabkan variabel terikat melaluli apa yang disebut
sebagai analisis jalur (pats analysis).
Pengujian dan Analisis Multivariat Lainnya

secara sibgkat kita akan melihat tiga tehnik multivariat-analisis varians

multivariat (multivariate analysis of variance-MANOVA), analisis diskriminan
(diskriminant analysis), dan Korolasi kanonikal (canonical correlations). Kita juga
akan melihat secara singkat beberapa tehnik multivariat lainnya, separti analisis faktor
(factor analysis). Analisis klaster (cluster analysis), dan penskalaan multidimensional
(mutidimensional scaling). Analisis multivariat menguji beberapa variabel dan
hubungannya secara simultan; berbeda dari analisi bervariat yang menguji hubungan
antara dua variabel, dan anilis univariat dimana satu variabel pada satu waktu diuji
untuk generalisasi dari sampel kepopulasi.

MANOVA mirip dengan ANOVA, dengan perbedaan bahwa ANOVA menguji

perbedaan rata-rata lebih dari dua kelompok pada satu variabel terikat, sedangkan
MANOVA menguji perbedaan rata-rata di antara kelompok pada beberap variabel
terikat secara simultan, dengan menggunakan jumlah kuadrat dan matriks lintas produk
(cross-product). Sama seperti uji t multiple akan membiaskan hasil, uji ANOVA
berganda, menggunakan satu variabel terikat pada satu waktu, juga akan membiaskan
hasil, karena variabel terikat sangat mungkin saling berkaitan. MANOVA
menggelakkan bias tersebut dengan secara simultan menguji semua variabel terikat,
sehingga menghapuskan pengaruh dari interkorelasi diantara mereka.

Dalam uji ANOVA variabel bebas diukur pada skala nominal dan variabel terikat pada
skala interval atau ratio.

Hipotesiis nol yang diuji dengan MANOVA adalah: µ = µ2 = µ3 = ...µn

Hipotesis alternatif adalah: µ1 ≠ µ2 ≠ µ3 ≠ ...µn

Analisis diskriminan (diskriminant analysis) membantu mengindentifikasikan variabel

bebas uang membedakan variabel terikat berskala nominal- misalkan yang tinggi pada
satu variabel dari yang rendah oada variabel tersebut. Kombinasi linear dari variabel
bebas yang menyatakan fungsi pembeda menunjukkan perbedaan besar yang eksis
dalam rata-rata kedua kelompok. Dengan kata lain, variabel bebas yang diukur pada
skala interval atau ratio membedakan kelompok tang diteliti.
Korelasi kanonikal (canonical correlation) menguji hubungan antar dua atau lebih
variabel terikat dan beberapa variabel bebas; misalnya korelasi antara beberapa perilaku
kerja (seperti kesenangan dalam pekerjaan, penyelesaian pekerjaan tepat waktu, dan
jumlah absensi) serta pengaruhnya pada beberapa faktor kinerja (seperti kualitas kerja,
keluaran, dan tingkat penolakan). Fokus dalam hal ini adalah mengungkap profil
perilaku kerja dikaitkan dengan kinerja yang menghasilkan produk berkualitas tinggi.

Tipe analisis statistik yeng lain seperti analisis faktor, analisis klaster, dan penskalaan
multidemensional membantu kita untuk memahami bagaiman variabel yang diteliti
membentuk suatu pola atau struktur, berbeda dari fokus pada memprediksi variabel
terikat atau menelusuru hubungan.

Analisis faktor (factor analysis) membantu mengurangi sejumlah besar variabel (misal,
semua pertanyaan yang mengungkap beberapa variabel penelitian dalam sebuah
kuesioner) menjadi sekumpulan faktor yang berarti, dapat diinterpretasi, dan dapat
dikelola. Analisis komponem utama mentransformasi smua variabel kedalam
sekelompok variabel gabungan yang tidak berkorelasi satu sama lain. Misalkan kita
mengukur sebuah kuesioner empat konsep, yaitu kesehatan mental, kepuasan kerja,
kepuasan hidup, dan ketelibatan kerja, dengan 7 pertanyaan untuk mengunkap masing-
masing, bila kita menganalisis faktor 28 item tersebut, kita akan menemukan 4 faktor
dengan variabel yang tepat termuat pada setiap faktor, yang mengonfirmasi bahwa kita
telah mengukur konsep dengan benar.

digunakan untuk mengklasifikasikan objek atau individu kedalam Analisis klaster

(cluster analysis)kelompok yang saling ekslusif dan lengkap secara bersama dengan
homogenitas tinggi didalam klaster dan homogenitas rendah antar kelompok. Dengan
kata lain, analisis klaster membantu mengdentifikasi objek yang mirip satu sama lain,
berdasarkab ebebrapa kriteria spesifik. Misalnya, jika sampel kita mencakup macam-
macam responden dengan preferensi merek yang berbeda untuk suatu produk, analisis
klaster akan mengelompokkan individu menurut preferensi mereka untuk setiap merek
yang berbeda.

Penskalaan multidemensional (mutidimensional skaling) menggelompokkan objek

kedalam kelompok yang multi dimensional. Objek yang responden rasakan berbeda
dijauhkan, dan semakin besar perbedaan yang dirasakan, semakin jarak antar objek
dalam kelompok multidimensional. Dengan kata lain, penskalaan multidimensional
memberikan gambaran spasial persepsi responden mengenai produk, layanan, atau
unsur penelitian lainnya. Dan menyoroti persamaan dan perbedaan yang dirasakan.

Singkatnya teknik multi variat MANOVA, analisis diskriminant, dan korelasi kanonikal
membantu kita menganalisis pengaruh variabel bebas terhadap variabel terikat dengan
berbagai cara. Teknik multi variat lainnya seperti analisis faktor, analisis klaster, dan
penskalaan multidimensional memberi wawasan yang berharga kedalam kelompok data
dengan bentuk pola-pola data dalam satu atau lain bentuk.

Adalah berfaedah bahwa beberapa tehnik univariat, bivariat, dan multi variat tersedia
untuk menganalisis data sampel, sehingga kita dapat menggeneralisasi hasil yang
diperoleh dari sampel ke populasi secara luas. Tetapi, penting pula untuk memberi
perhatian pada hipotesis yang disusun, dan penggunaan tehnik statistik yang tepat untuk
mengujinya, daripada menerapkan tehnik rumit yang tidak tepat.

ANALISIS DATA KUALITATIF

Data kualitatif bisa diperoleh melalui banyak sumber, yang utama diantaranya
wawancara mendalam, observasi partisipan atau non partisipan, film dan video tape, uji
proyektif, study kasus dokumen dan data elektronik. Diskripsi persoalan yang diteliti
merupakan eksensi utama dari penelitian kualitatif dan berbagai tehnik interpretasi
dapat digunakan untuk menguraikan, menerjemahkan, mengartikan pola, dan
menemukan pola dari berbgai fenomena yang terjadi.

Data yang disisihkan dapat dikategorisasi dan dikodekan berdasarkan sejumlah

skema klasifikasi yang berarti. Setelah itu, perhitungan frekuensi dapat digunakan, dan
X2 atau uji non parametrik lain yang tepat dapat dilakukan.

Bila informasi diperoleh dari sumber seperti surat kabar, artikel jurnal, audio
yang video tape, dan informasi tersebut dapat diklasifikasi, ditabulasi, dianalisis untuk
memahami fenomena, menjelaskannya, atau meramalkan tren masa depan. Ramalan
masa depan naisbitt yang terkenal (lihat mega trens) bisa saja meruopakan hasil dari
keterlibatan dirinya dalam pengujian seemacam itu. Dalam menganalisis informasi
kualitatif, peneliti melakukan penyelidikan mendalam dan secara subjektif
menginterpretasikan data dalam upaya menghitung banyak variasi dalam fenomena
yang diteliti.

Peristiwa, objek, orang, kata, dan sintaks yang digunakan dalam berbagai
sumber sering secara hati-hati dianalisis isinya, dimana beberapa kesimpulan ditarik dan
proyeksi dibuat untuk masa depan. Solusi perbaikan untuk beberapa jenis permasalahan
yang dihadapi dalam organisasi juga mungkin diperoleh dari analisis isi terhadap studi
kasus, rekaman audio, video tape, dan lain-lain.

Analisis isi meliputi kuantifikasi informasi kualitatif yang diperoleh melaluli

analisis sitematik terhadap informasi yang relevan, sehingga menghasilkan rata-rata
untuk dimasukkan dalam analisis statistik. Misalnya, analisis isi terhadap umpan balik
pada efektifitas beberapa jenis iklan media yang dimanipulasi dengan teliti di TV, radio,
surat kabar, dan situs web dapat diuji kemanjurannya pada ingatan dan pembelian
kembali suatu produk. Juga dimungkinkan untuk mengubah data kualitatif kedalam
data, seperti interval dengan membuat beberapa skema yang rasional yang dapat
dibenarkan.

Singkatnya, ketika menganalisis data kualitatif data yang diperoleh disatukan

dan dikategorikan dibaeah tema yang tepat, kategori respons kemudian ditransformasi
kedalam angka, dan disiapkan untuk analisis data yang sesuai. Dengan menggunakan
berbagai metode, seperti mewawancara, observasi, dan mencari informasi yang tersedia
mengenai perusahaan, peneliti membangun validitas konvergen dan keyakinan terhadap
keandalan data.

RELEVANSI MANAJERIAL

Manajer membuat keputusan setiap hari, yang sebagian diantaranya rutin dan
sebagian lagi sangat penting bagi organisasi. Kemampuan untuk memahami berbagai
tipe analisis serta probabilitas yang terkait dengan setiap hasil yang diproyeksikan untuk
membantu manajer untuk mengambil risiko yang telah diperhitungkan (atau
menghindarinya) berdasarkan kecenderungan alami mereka sekaligus kegawatan situasi
masalah.