METODE PENELITIAN BISNIS DAN TEKNIK

PENULISAN LAPORAN
Analisis Data Awal: Data Coding, Editing dan Sorting
Dosen Pengampu : Prof. Dr. Endang Siti Astuti M.Si

Disusun oleh:
1. Annisa Nursanty (165030200111008)
2. Adi Luhur Sanjaya (165030207111063)

PROGRAM STUDI ADMINISTRASI BISNIS

FAKULTAS ILMU ADMINISTRASI

UNIVERSITAS BRAWIJAYA

MALANG

2019
 BAB I
PENDAHULUAN
1.1 Latar Belakang

Data yang telah dikumpulkan dari sampel populasi yang representatif, langkah
selanjutnya adalah menganalisisnya untuk menguji hipotesis penelitian. Analisis data
sekarang secara rutin dilakukan dengan program perangkat lunak seperti SPSS, SAS,
STATPAK, SYSTAT, Excel, dan sejenisnya. Semuanya ramah pengguna dan interaktif dan
memiliki kemampuan untuk berinteraksi secara mulus dengan berbagai basis data.

Setelah data diperoleh melalui kuesioner, wawancara, observasi, atau melalui

sumber sekunder, mereka perlu diedit. Jika ada respon kosong harus ditangani dengan cara
tertentu, kode data, dan skema kategorisasi harus dipersiapkan. Data kemudian harus
dimasukkan, dan beberapa program perangkat lunak digunakan untuk menganalisisnya.
Namun, sebelum mulai menganalisis data untuk menguji hipotesis, beberapa langkah awal
perlu diselesaikan. Ini membantu memastikan bahwa data tersebut cukup baik dan berkualitas
terjamin untuk analisis lebih lanjut.

Ada langkah-langkah yang diperlukan untuk menyiapkan data untuk dianalisis,

mengedit, mengkode, dan mengelompokkan, serta berbagai analisis statistik dan tes yang
digunakan untuk menguji berbagai hipotesis untuk menjawab pertanyaan penelitian. Analisis
data harus didasarkan pada pengujian hipotesis yang dimiliki sudah dirumuskan.

1.2 Rumusan Masalah

1.2.1 Apa itu data coding?
1.2.2 Apa itu data editing?
1.2.3 Apa itu data sorting?
1.2.4 Apa itu analisis deskriptif?
1.2.5 Apa itu tabulasi silang?
1.3 Tujuan
1.3.1 Untuk mengetahui apa itu data coding.
1.3.2 Untuk mengetahui apa itu data editing.
1.3.3 Untuk mengetahui apa itu data sorting.
1.3.4 Untuk mengetahui apa itu analisis deskriptif.
1.3.5 Untuk mengetahui apa itu tabulasi silang.
 BAB II
PEMBAHASAN
2.1 Data Coding
Aturan untuk menafsirkan, mengategorikan, merekam, dan mentransfer data ke media
penyimpanan data disebut kode. Pengeditan dapat dibedakan dari pengkodean, yang
merupakan penugasan skor numerik atau klasifikasi simbol untuk data yang diedit
sebelumnya. Pengeditan yang cermat membuat pekerjaan pengkodean lebih mudah. Kode
dimaksudkan untuk mewakili makna dalam data. Menetapkan simbol numerik
memungkinkan transfer data dari kuesioner atau formulir wawancara ke komputer. Kode
sering, tetapi tidak selalu, adalah simbol numerik. Namun, mereka lebih didefinisikan secara
luas sebagai aturan untuk menafsirkan, mengklasifikasikan, dan merekam data. Jika
pewawancara melakukan perencanaan pengodean ketika mendesain kuisioner maka akan
mempermudah pekerjaan, seperti saat memindahkan hasil kuisioner ke lembar kode atau
secara langsung mengetik data.

Konstruksi Kode
Ada dua aturan dasar dalam pembuatan kode. Pertama, kategori pengkodean harus
lengkap, artinya bahwa kategori pengkodean harus ada untuk semua kemungkinan tanggapan.
Dengan variabel kategori seperti jenis kelamin,membuat kategori lengkap tidak menjadi
masalah. Namun, masalah dapat muncul ketika respons mewakili sejumlah kecil mata
pelajaran atau ketika tanggapan mungkin dikategorikan ke dalam kelas yang biasanya tidak
ditemukan. Misalnya, ketika ditanya tentang kepemilikan mobil, hampir setiap orang
(responden) mungkin memiliki mobil dengan merek yang berbeda sehingga akan
menyulitkan dalam pengkodean. Pemecahan masalah tersebut dapat dilakukan dengan
dimasukkannya kategori kode "lain" untuk memastikan bahwa semua jawaban responden
termasuk kategori. Kedua, kategori pengkodean harus saling eksklusif dan independen. Ini
artinya seharusnya tidak ada tumpang tindih di antara kategori untuk memastikan bahwa
subjek atau respons dapat ditempatkan hanya dalam satu kategori.

Kode Buku
Kode buku memberikan ringkasan cepat yang sangat berguna ketika file data menjadi
sangat banyak atau besar. Para peneliti umumnya mengidentifikasi responden secara individu
dengan memberikan masing-masing nomor identifikasi atau nomor kuesioner. Ketika
wawancara dapat diidentifikasi dengan nomor yang dimasukkan ke dalam setiap catatan
komputer, kesalahan yang ditemukan dalam proses tabulasi dapat diperiksa pada kuesioner
untuk memverifikasi jawabannya.

Contoh penggunaan kode pada kuisioner

Mengkodekan Kuesioner
1. Usia (tahun) 2. Pendidikan 3. Tingkat Pekerjaan 4. Jenis Kelamin 5. Status Pekerjaan
(1) Dibawah 25 (1) Sekolah Menengah (1) Manajer (1) P (1) Paruh Waktu
(2) 25-35 (2) Diploma (2) Supervisor (2) W (2) Penuh Waktu
(3) 36-45 (3) Tingkat Sarjana (3) staf
(4) 46-55 (4) Tingkat Master (4) Sekretaris 5. Shiff Kerja
(5) Diatas 55 (5) Tingkat Doktoral (5) Teknisi (1) Pertama
(6) Lainnya (sebutkan) (6) Lainnya (sebutkan) (2) Kedua
(3) Ketiga

2.2 Data Editing

Pekerjaan lapangan sering menghasilkan data yang mengandung kesalahan. Menurut
Zikmund et all (2010) editing atau pengeditan adalah proses memeriksa dan menyesuaikan
kelalaian data, konsistensi, dan keterbacaan (legibility). Proses pengeditan mengoreksi
masalah seperti kesalahan pewawancara sebelum data ditransfer ke komputer. Jadi, tugas
editor adalah untuk memeriksa kesalahan dan kelalaian pada kuesioner atau data lainnya.
Ketika editor menemukan suatu masalah, ia menyesuaikan data untuk membuatnya lebih
lengkap, konsisten, atau mudah dibaca.
Data harus diedit, khususnya jika berkaitan dengan respons terhadap pertanyaan
terbuka (open-ended questions) dalam wawancara atau kuesioner, atau observasi tidak
tersturktur (unstructured observations). Dengan kata lain, informasi yang mungkin secara
tergesa-gesa dicatat oleh pewawancara (interviewer), pengamat (observer), atau peneliti
(researcher) harus diuraikan secara jelas sehingga seluruh data dapat dikodekan secara
sistematis. Kurangnya kejelasan pada tahap ini nantinya akan menimbulkan kebingungan.
Data yang diedit sebaiknya dapat dikenali dengan cara penggunaan warna pensil atau tinta
yang berbeda sehingga informasi yang semula tetap ada kalau-kalau dikemudian hari muncul
keraguan.

Edit Lapangan (field editing)

Pengawas lapangan seringkali bertanggung jawab untuk melakukan pendahuluan
pengeditan bidang pada hari yang sama dengan wawancara. Pengeditan bidang digunakan
untuk:
1. Identifikasi kelalaian teknis seperti halaman kosong pada formulir wawancara
 2. Periksa keterbacaan (legibility) tulisan tangan untuk jawaban terbuka
3. Memperjelas tanggapan yang logis atau tidak konsisten.

Pengeditan lapangan sangat berguna ketika wawancara pribadi digunakan untuk

mengumpulkan data. Pengeditan bidang harian memungkinkan pengawas (supervisors) untuk
menangani beberapa pertanyaan dengan menanyakan pewawancara tentang fakta yang
memungkinkan terjadinya kesalahan kemudian diidentifikasi dan diperbaiki. Selain itu,
sejumlah pertanyaan yang belum terjawab atau tanggapan yang tidak lengkap bisa dikurangi
dengan menindak lanjuti segera atau secepatnya. Pengeditan lapangan harian memungkinkan
pekerja lapangan untuk mengidentifikasi responden yang harus dihubungi ulang untuk
mengisi kelalaian secara tepat waktu.

2.3 Data Sorting

Sorting secara umum bisa didefinisikan sebagai suatu proses untuk menyusun kembali
himpunan obyek menggunakan aturan tertentu. Sorting merupakan satu dari banyak pekerjaan
komputer yang dilakukan, yang diteliti secara luas, dan memiliki banyak algoritma yang berbeda yang
dibangun. Sorting (mengurutkan) data memiliki dampak yang sangat penting dalam pencarian. Data
yang tidak terurut harus dicari secara normal menggunakan suatu pembacaan sekuensial (sequential
scan) dari semua data. Data yang telah terurut membiarkan dirinya untuk dicari menggunakan teknik
pencarian yang sederhana. Secara umum ada 2 jenis sorting, yaitu secara Ascending (terurut naik) dan
Descending (terurut turun). Dalam hal pengurutan data yang bertipe string atau char, nilai data
dikatakan lebih kecil atau lebih besar dari yang lain didasarkan pada urutan relatif (collating
sequence). Tujuan pengurutan data adalah untuk mempermudah pencarian data.

Pengurutan data menjadi sesuatu yang penting dalam ilmu komputer karena waktu
yang diperlukan untuk melakukan proses pengurutan perlu dipertimbangkan. Data yang akan
diurutkan tentu sangat bervariasi baik dalam hal banyak data maupun jenis datanya.
Sayangnya, tidak ada satu algoritma yang terbaik untuk setiap situasi yang kita hadapi.
Bahkan cukup sulit untuk menentukan algoritma mana yang paling baik untuk situasi tertentu
karena ada beberapa faktor yang mempengaruhi efektifitas algoritma pengurutan. Beberapa
faktor yang berpengaruh pada efektifitas suatu algoritma pengurutan antara lain : banyak data
yang akan diurutkan, kapasitas pengingat apakah mampu menyimpan semua data yang
dimiliki, dan tempat penyimpanan data.

Keuntungan yang diperoleh dari data yang sudah terurut adalah data mudah dicari,
dibetulkan, disisipi atau dihapus. Dalam keadaan terurut data dapat dengan mudah di cek bila
hilang. Pengurutan juga digunakan dalam mengkompilasi program komputer jika tabel-tabel
simbol harus dibentuk, dan juga memegang peran penting untuk mempercepat proses
pencarian data yang harus dilakukan berulang kali.

Ada dua kategori besar yang dihubungkan dengan sorting, yaitu Internal Sorting
(Pengurutan Internal ) dan External Sorting ( Pengurutan Eksternal ). Dalam Internal Sorting
jumlah data yang akan diurutkan cukup kecil sehingga seluruh proses dapat dibawa keluar ke
Random Access Memory dari komputer. Sedangkan pada External Sorting terlalu banyak data
untuk diijinkan dalam Internal Sorting. Data disimpan dalam suatu peralatan Secondary
Storage.

Algoritma Internal Sorting seringkali mengklasifikasikan berdasarkan jumlah dari

pekerjaan yang diminta untuk mengurutkan urutan elemen. Banyaknya pekerjaan mengarah
pada dua operasi dasar dari sorting : membandingkan dua elemen dan memindahkan suatu
elemen dari satu tempat ke tempat lainnya. Teknik internal sorting yang utama dibagi ke
dalam 3 kategori dengan tanggung jawab ke pekerjaan yang dibutuhkan untuk mengurutkan
suatu urutan dari n elemen-simple sort, advanced sort dan radix sort.

Mengingat memory yang dimiliki sangat terbatas, maka tidak memungkinkan semua
data yang dimiliki dimasukkan seluruhnya dalam memory utama. Untuk itu diperlukan suatu
cara pengurutan (Sorting) yang disebut dengan pengurutan eksternal (External Sorting),
yakni pengurutan yang menggunakan bantuan media penyimpan luar.

External Sorting sangat berbeda dengan Internal Sorting , meskipun persoalannya

sama yaitu mengurutkan sekumpulan data secara terurut naik, karena efisiensi pemasukan
media penyimpan luar cukup terbatas. Struktur data harus ditentukan sedemikian rupa
sehingga kelambanan pemasukan media luar bisa ditolerir. Konsekuensinya adalah bahwa
beberapa metoda sebelumnya (penyisipan, penukaran, dan seleksi) menjadi tidak berguna
untuk pengurutan eksternal.

Sebagai contoh, dipunyai berkas dengan 5000 rekaman R1 sampai R5000 yang akan
diurutkan. Panjang masing-masing rekamannya adalah 100 byte. Jika hanya 1000 rekaman
saja yang bisa dimasukkan dalam pengingat utama, apa yang bisa kita lakukan ? Salah satu
pemecahannya adalah dengan memecah berkas tersebut menjadi 5 berkas yang masing-
masing terdiri dari 1000 rekaman. Kemudian setelah kelima berkas tersebut diurutkan secara
terpisah, dilakukan merging terhadap kelima berkas tersebut untuk memperoleh berkas yang
terdiri dari 5000 rekaman, yang rekamannya sudah dalam keadaan urut berdasarkan
kuncinya. Cara ini sama dengan metode Merge Sort. Cara inilah yang banyak digunakan
untuk melakukan External Sorting. Dengan kata lain metode Merge Sort memegang peranan
sangat besar untuk melakukan pengurutan eksternal.

2.4 Analisis Deskriptif

Menurut Sugiyono (2004:169) Analisis deskriptif adalah statistik yang digunakan

untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah
terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk
umum atau generalisasi.

Macam-macam Statistika Deskriptif:

a) Ukuran Pemusatan
Ukuran pemusatan atau ukuran lokasi adalah beberapa ukuran yang menyatakan dimana
distribusi data tersebut terpusat. (Howell, 1982). Ukuran pemusatan berupa nilai tunggal
yang bisa mewakili suatu kumpulan data dan karakteristiknya (menunjukkan pusat dari
nilai data).
Jenis-Jenis Ukuran Pemusatan antara lain:
1) Rata-rata (Mean)
Mean merupakan rata-rata dari sekumpulan data. Rata-rata atau mean dapat dicari
dengan menjumlahkan seluruh data dan membaginya dengan banyaknya data
tersebut.

Keterangan :

Fi = Frekuensi

Xi = Nilai tenga

2) Median atau Nilai Tengah

Median merupakan suatu nilai ukuran pemusatan yang menempati posisi tengah
setelah data diurutkan. Untuk mencari median dari sekumpulan data dapat dicari
dengan cara mengurutkan terlebih data tersebut dari yang terkecil sampai terbesar
atau sebaliknya.
 Keterangan :

Me = Median

b = batas bawah kelas median

n = banyak data/ jumlah sampel

p = panjang kelas interval

F = jumlah semua frekuensi sebelum frekunsi kelas median

F = Frekuensi kelas median

3) Modus
Modus adalah nilai yang paling sering muncul dari serangkaian data.

Mo = Modus

b= Batas bawah kelas modus

p = panjang kelas interval

b1 = Frekuensi kelas modus dikurangi frekuensi kelas sebelumnya.

b2 = Frekuensi kelas modus dikurangi frekuensi kelas berikutnya.

b) Ukuran Penyebaran Data/Dispersi
Ukuran penyebaran adalah suatu ukuran baik parameter atau statistika untuk
mengetahui seberapa besar penyimpangan data. Melalui ukuran penyebaran dapat
diketahui seberapa jauh data-data menyebar dari titik pemusatannya.
Jenis-Jenis Ukuran Penyebaran antara lain:
1) Range
Range (Rentang) dinotasikan sebagai R, menyatakan ukuran yang menunjukkan
selisih nilai antara maksimum dan minimum. Rentang cukup baik digunakan untuk
mengukur penyebaran data yang simetrik dan nilai datanya menyebar merata.
 R = Rmax - Rmin

2) Variansi
Variansi (variance) dinotasikan sebagai S2 atau σ2 adalah ukuran penyebaran data
yang mengukur rata-rata kuadrat jarak seluruh titik pengamatan dari nilai tengah .
𝟐 𝟐
2 = (𝒙𝟏−𝑿) + …+(𝒙𝒏−𝑿)
S 𝒏
Keterangan :
S2 = Variance
x1 = Nilai Terendah
xn = Nilai Terbesar
X = Rata-rata

3) Simpangan Baku
Simpangan baku (standar deviation) dinotasikan sebagi s atau σ, menunjukkan rata-
rata penyimpangan data dari harga rata-ratanya. Simpangan baku merupan akar
pangkat dua dari variansi.

S = √𝒔𝟐

Keterangan :
S = simpangan baku
s2 = variansi

2.5 Tabulasi Silang

Tabulasi silang (cross-tabulation) adalah suatu teknik untuk membandingkan data

dari dua atau lebih variabel kategori seperti jenis kelamin dan pilihan oleh satu perusahaan
untuk penugasan luar negeri. Tabulasi silang digunakan dengan variabel demografis dan
variabel target dari studi (pertanyaan pengukuran yang digunakan). Teknik ini menggunakan
tabel-tabel yang memiliki baris dan kolom yang berhubungan dengan tingkat atau nilai kode
dari setiap kategori variabel.
 Tampilan 16-11 adalah contoh dari tabulasi silang yang dihasilkan komputer. Tabel
tersebut memiliki dua baris untuk jenis kelamin dan dua kolom untuk pemilihan penugasan.
Kombinasi variabel dengan nilainya menghasilkan empat sel. Setiap sel (cell) terdiri atas
perhitungan kasus dari klasifikasi gabungan serta persentase baris, kolom, dan total. Jumlah
sel baris dan sel kolom sering digunakan untuk merancang ukuran dari tabel, seperti dalam
tabel 2 x 2. Sel secara individu diidentifikasi dengan angka baris dan kolom, seperti
diilustrasikan. Total baris dan kolom, disebut marginal, muncul pada “margin” bawah dan
kanan dari tabel. Mereka menunjukkan perhitungan dan persentase dari baris dan kolom
terpisah.

Tabulasi silang adalah langkah pertama untuk mengidentifikasi hubungan antar

variabel. Ketika tabel dibentuk untuk pengujian statistik, kita menyebutnya dengan tabel
kontingensi (contingency table), dan pengujian tersebut menentukan apakah variabel
klasifikasi bersifat bebas satu sama lain. Tentu saja, tabel mungkin lebih besar dari 2 x 2.

Penggunaan Persentase

Persentase memenuhi dua tujuan dalam penyajian data. Pertama, persentase

menyederhanakan data dengan mengurangi semua jumlah menjadi suatu kisaran dari 0
hingga 100. Kedua, persentase menerjemahkan data ke dalam bentuk standar, dengan dasar
100, sebagai perbandingan relatif. Dalam situasi pengambilan sampel, jumlah kasus yang
menjadi kategori menjadi tidak berarti kecuali jika kasus tersebut berhubungan dengan
beberapa bagian utama.

Meskipun hal di atas bermanfaat, hal tersebut akan lebih bermanfaat ketika masalah
penelitian memerlukan perbandingan dari beberapa distribusi data. Asumsikan data yang
dilaporkan sebelumnya dikumpulkan lima tahun yang lalu dan studi saat ini memiliki 1.500
sampel, di mana 360 dipilih untuk penugasan luar negeri. Dengan menggunakan persentase,
kita dapat melihat hubungan relatif dan pergeseran dalam data (lihat Tampilan 16-12).

Dengan tabel dua dimensi, pemilihan baris atau kolom akan menekankan pada suatu
distribusi atau perbandingan tertentu. Hal tersebut menimbulkan pertanyaan mengenai ke
arah mana persentase harus dihitung. Sebagian besar program komputer menawarkan pilihan
untuk menyajikan persentase di kedua arah dan pertukaran baris dan kolom dalam tabel.
Akan tetapi, pada situasi di mana satu variabel dihipotesiskan sebagai penyebab,
dipertimbangkan untuk memengaruhi atau memprediksi respons, atau hanya mendahului
variabel lainnya, kita menyebutnya sebagai variabel bebas. Kemudian, persentase harus
dihitung dalam arah variabel tersebut. Jika hanya persentase kolom yang dilaporkan, kita
mengimplikasikan bahwa status penugasan memiliki beberapa pengaruh terhadap jenis
kelamin. Hal tersebut tidak masuk akal. Ketika persentase dilaporkan berdasarkan baris,
implikasinya adalah bahwa jenis kelamin mempengaruhi pemilihan penugasan ke luar negeri.
Hati-hati dalam menginterpretasikan persentase dalam tabel. Perhatikan kembali data dalam
tampilan 16-12. Dari studi pertama hingga yang kedua, persentase wanita yang dipilih untuk
penugasan luar negeri naik dari 15,8 menjadi 22,5 persen. Hal tersebut seharusnya tidak
membingungkan dengan persentase dalam setiap sampel wanita dengan penugasan di luar
negeri, jumlah yang naik dari 6 persen (Studi 1) menjadi 9 persen (Studi 2). Di antara semua
orang yang terpilih, pada studi pertama adalah 21,4 wanita, sementara pada studi kedua
adalah 37,5 persen wanita. Perbandingan serupa dapat dibuat untuk kategori lain. Tabel
tersebut memverifikasi peningkatan pada wanita dengan penugasan di luar negeri, tetapi kita
tidak dapat menyimpulkan bahwa jenis kelamin mereka berkaitan dengan peningkatan
tersebut.

Persentase digunakan oleh hampir semua orang yang berhadapan dengan angka-tetapi
sering kali tidak tepat. Pedoman berikut, jika digunakan selama analisis, akan membantu
mencegah kesalahan dalam pelaporan:

 Membuat rata-rata persentase. Persentase tidak dapat dibuat rata-rata kecuali jika
masing-masing ditimbang berdasarkan ukuran kelompok dari mana persentase
tersebut diperoleh. Oleh karena itu, rata-rata sederhana tidak akan cukup; perlu
menggunakan rata-rata tertimbang.
 Menggunakan persentase yang terlalu besar. Hal ini sering kali berlawanan dengan
tujuan dari persentase yaitu untuk menyederhanakan. Persentase yang besar sulit
untuk dipahami dan membingungkan. Jika terjadi peningkatan 1.000 persen, lebih
baik mendeskripsikan hal tersebut sebagai peningkatan 10 kali lipat.
 Menggunakan dasar yang terlalu kecil. Persentase menyembunyikan dasar dari mana
angka dihitung. Angka 60 persen ketika dibandingkan dengan 30 persen akan tampak
menunjukkan perbedaan yang besar. Akan tetapi, jika hanya terdapat tiga kasus dalam
satu kategori dan enam dalam kategori lain, perbedaan tidak akan se signifikan seperti
yang dilakukan dengan persentase.
 Penurunan persentase tidak dapat melebihi 100 persen. Hal ini jelas, tetapi kesalahan
ini sering kali terjadi. Angka yang lebih tinggi seharusnya selalu digunakan sebagai
dasar atau penyebut. Sebagai contoh, jika harga dikurangi dari $1 menjadi $O,25,
penurunannya adalah 0,75 persen (75/ 100).
Analisis Berdasarkan Tabel Lainnya

Dengan mengetahui hubungan yang penting antar variabel biasanya menunjukkan

perlu adanya penyelidikan lebih lanjut. Bahkan, jika seseorang menemukan hubungan yang
signifikan secara statistik, pertanyaan mengapa dan pada kondisi apa tetap ada. Pengenalan
variabel pengendali (control variable) seringkali diperlukan untuk menginterpretasikan
hubungan tersebut. Tabel tabulasi silang berperan sebagai kerangka kerja.

Paket statistik seperti Minitab, SAS, dan SPSS memiliki banyak pilihan di dalam
modulnya guna membuat tabel n-cara dengan provisi untuk variabel pengendali berganda.
Misalkan, Anda tertarik untuk membuat tabulasi silang dari dua variabel dengan satu
pengendali. Berapapun jumlah nilai dalam variabel primer, variabel pengendali dengan lima
nilai menentukan jumlah tabel. Pada beberapa aplikasi, tepat untuk memiliki lima tabel
terpisah; pada aplikasi lain, mungkin lebih baik untuk memiliki tabel yang berdampingan
atau memiliki nilai dari semua variabel dalam satu tabel. Laporan manajemen termasuk
dalam aplikasi yang terakhir. Tampilan 16-13 menyajikan contoh di mana ketiga variabel
ditangani dengan referensi yang sama. Program seperti ini dapat menyelesaikan tabel dan
informasi statistik yang jauh lebih kompleks.

Tampilan 16-13 Tabulasi Silang SPSS dengan Variabel Pengendali dan Nested
Variabel Pengendali
Kategori 1 Kategori 2
Varibel Nested Varibel Nested
Kat 1 Kat 2 Kat 3 Kat 1 Kat 2 Kat 3
Potongan… Sel..

Jenis kelamin pekerja

Laki-laki Perempuan
Klasifikasi minoritas Klasifikasi minoritas
Kulit putih Non-kulit putih Kulit putih Non-kulit putih
Kategori pekerja
Administrasi 16% 7% 18% 7%
Office trainee 7% 3% 17% 2%
Petugas keamanan 3% 3%
College trainee 7% 0% 1%
Pegawai kontrak 6% 0% 0%
MBA trainee 1% 0% 0%
Pekerja Teknik 1%
Variasi yang lebih baik dari tabel n-cara adalah automatic interaction detection
(AID). AID adalah proses statistik terkomputerisasi yang mengharuskan peneliti untuk
mengidentifikasi variabel terikat dan serangkaian ramalan variabel bebas. Komputer
kemudian mencari divisi tunggal terbaik data di antara 300 variabel menurut masing-masing
 variabel peramal, memilih satu, dan memecah sampel dengan menggunakan uji statistik
untuk memverifikasi kesesuaian dari pilihan tersebut.

Tampilan 16-14 contoh Automatic Interaction Detection (kepuasan perbaikan MindWriter)

Keseluruhan Kesan CompleteCare

(Ekspetasi = nomor skala)
1. 7% Memenuhi sebagian kecil ekspektasi
Penilaian atribut yang
2. 14% Memenuhi beberapa ekspektasi Diskala Ulang
3. 17% memenuhi sebagian besar ekspektasi 1-2 Buruk
4. 41% memenuhi semua ekspektasi 3 Rata-rata
5. 21% melebihi ekspetasi 4-5 Baik sekali
n = 475
Pemecahan masalah

Buruk Rata –rata Baik sekali

44% memenuhi sebagian kecil ekspetasi
35% memenuhi beberapa ekspetasi
15% memenuhi sebagian besar ekspetasi
6% memenuhi semua ekspetasi
0% melebihi ekspetasi
N = 54
8% memenuhi sebagian kecil ekspetasi
42% memenuhi beberapa ekspetasi
40% memenuhi sebagian besar ekspetasi
8% memenuhi semua ekspetasi
2% melebihi ekspetasi
N = 102
0% memenuhi sebagian kecil ekspetasi
2% memenuhi beberapa ekspetasi
10% memenuhi sebagian besar ekspetasi
57% memenuhi semua ekspetasi
31% melebihi ekspetasi
N = 319

Kondisi saat tiba Kompetensi wakil teknisi pelayanan Kecepatan perbaikan

Buruk Rata-rata/baik sekali Buruk Rata-rata/baik sekali Buruk Rata-rata/baik sekali

63% memenuhi 27% memenuhi 15% memenuhi 2% memenuhi 0% memenuhi 0% memenuhi
sebagian kecil sebagian kecil sebagian kecil sebagian kecil sebagian kecil sebagian kecil
ekspetasi ekspetasi ekspetasi ekspetasi ekspetasi ekspetasi
26% memenuhi 42% memenuhi 53% memenuhi 34% memenuhi 5% memenuhi 1% memenuhi
beberapa ekspetasi beberapa ekspetasi beberapa ekspetasi beberapa ekspetasi beberapa ekspetasi beberapa ekspetasi
9% memenuhi 21% memenuhi 28% memenuhi 49% memenuhi 20% memenuhi 8% memenuhi
sebagian besar sebagian besar sebagian besar sebagian besar sebagian besar sebagian besar
ekspetasi ekspetasi ekspetasi ekspetasi ekspetasi ekspetasi
2% memenuhi 10% memenuhi 4% memenuhi 11% memenuhi 69% memenuhi 55% memenuhi
semua ekspetasi semua ekspetasi semua ekspetasi semua ekspetasi semua ekspetasi semua ekspetasi
0% melebihi 0% melebihi 0% melebihi 4% melebihi 6% melebihi 36% melebihi
ekspetasi ekspetasi ekspetasi ekspetasi ekspetasi ekspetasi
N = 25 N = 29 N = 45 N = 57 N = 48 N = 271
8
Tampilan 16-14 menunjukkan diagram pohon yang dihasilkan dari studi AID untuk
kepuasan konsumen terhadap pelayanan perbaikan Complete Care MindWriter. Variabel
terikat awal adalah keseluruhan kesan dari jasa perbaikan. Variabel tersebut diukur pada
skala interval 1 hingga 5. Variabel yang memberikan kontribusi pada persepsi efektivitas
perbaikan juga diukur pada skala yang sama, tetapi di skala ulang ke data ordinal (1-2 =
buruk, 3 : rata-rata, 4-5 : luar biasa). Kotak atas menunjukkan bahwa 62 persen dari
responden memberikan penilaian baik sekali (41 % + 21 %) untuk jasa perbaikan. Peramal
terbaik dari efektivitas perbaikan adalah “pemecahan masalah”.

Di sisi kiri diagram pohon, konsumen yang memberikan penilaian buruk untuk
“pemecahan masalah” memiliki lebih sedikit ekspektasi yang terpenuhi atau melampaui rata-
rata sampel (6 persen dibandingkan 62 persen). Penilaian yang buruk pada “kondisi saat tiba”
memperburuk hal tersebut, mengurangi total kelompok yang puas menjadi 2 persen. Dari
contoh ini, Anda dapat melihat bahwa peneliti mempelajari secara terpisah menerapkan AID
ke masing-masing subkelompok untuk menemukan variabel yang ketika dipisah kembali
membuat kontribusi terbesar berikutnya terhadap pemahaman proses evaluasi konsumen dan
pengurangan variasi yang tidak dijelaskan dalam setiap subsampel. Analisis tersebut
memperingatkan pengambil keputusan di MindWriter terkait skenario kasus terbaik dan
terburuk untuk pelayanan CompleteCare, bagaimana cara untuk bangkit selama bulan-bulan
yang sulit, dan manakah “key driver”, atau variabel bebas yang memengaruhi proses yang
harus menerima sumber untuk perbaikan.
 BAB III
PENUTUP
2.1 Kesimpulan

Data koding merupakan aturan untuk menafsirkan, mengategorikan, merekam, dan

mentransfer data ke media penyimpanan data disebut kode. Pengeditan dapat dibedakan dari
pengkodean, yang merupakan penugasan skor numerik atau klasifikasi simbol untuk data
yang diedit sebelumnya. Pengeditan yang cermat membuat pekerjaan pengkodean lebih
mudah. Kode dimaksudkan untuk mewakili makna dalam data. Menetapkan simbol numerik
memungkinkan transfer data dari kuesioner atau formulir wawancara ke komputer.

Proses pengeditan mengoreksi masalah seperti kesalahan pewawancara sebelum data

ditransfer ke komputer. Pengeditan lapangan sangat berguna ketika wawancara pribadi
digunakan untuk mengumpulkan data. Pengeditan bidang harian memungkinkan pengawas
(supervisors) untuk menangani beberapa pertanyaan dengan menanyakan pewawancara
tentang fakta yang memungkinkan terjadinya kesalahan kemudian diidentifikasi dan
diperbaiki.

Sorting (mengurutkan) data memiliki dampak yang sangat penting dalam pencarian. Data
yang tidak terurut harus dicari secara normal menggunakan suatu pembacaan sekuensial
(sequential scan) dari semua data.

Analisis deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara
mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana
adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi.
Statistik deskriptif seperti maksimum, minimum, rata-rata, standar deviasi, dan varians
diperoleh untuk interval skala independen dan dependen variabel.

Tabulasi silang (cross-tabulation) adalah suatu teknik untuk membandingkan data dari dua
atau lebih variabel kategori seperti jenis kelamin dan pilihan oleh satu perusahaan untuk
penugasan luar negeri. Tabulasi silang digunakan dengan variabel demografis dan variabel
target dari studi (pertanyaan pengukuran yang digunakan).
 DAFTAR PUSTAKA
Sekaran, Uma. 2006. Research Methods For Business (metodologi penelitian untuk bisnis).
Jakarta: Salemba Empat
Zikmund, William. 2010. Business Research Methods 8th Edition. Canada: South-Western
Cengange Learning
Sugiyono, 2004. Statistika untuk Penelitian. CV Alfabeta. Bandung
Cooper, D.R. and Schindler, P.S. (2014) Business Research Methods. New York: McGraw-
Hill.
http://elisa.ugm.ac.id/user/archive/download/35684/vk123gjd2njpd89tjvbijeaae0 diakses 12
April 2019.