Dosen Pengampu:
Prof. Dr.H. Kamrani Buseri, M.A. (Koordinator)
Prof. Dr. H. Suratno, M.Pd
Dr. Hj. Nuril Huda, M.Pd
Dr. Dina Hermina, M.Pd
Pemakalah :
ABDUR RAHMAN
(NIM 1403520041)
1
I. PENDAHULUAN
A. Latar Belakang
Analisis data merupakan salah satu proses penelitian yang dilakukan setelah
semua data yang diperlukan guna memecahkan permasalahan yang diteliti sudah
diperoleh secara lengkap. Ketajaman dan ketepatan dalam penggunaan alat analisis
sangat menentukan keakuratan pengambilan kesimpulan, karena itu kegiatan analisis
data merupakan kegiatan yang tidak dapat diabaikan begitu saja dalam proses
penelitian. Kesalahan dalam menentukan alat analisis dapat berakibat fatal terhadap
kesimpulan yang dihasilkan dan hal ini akan berdampak lebih buruk lagi terhadap
penggunaan dan penerapan hasil penelitian tersebut. Dengan demikian, pengetahuan
dan pemahaman tentang berbagai teknik analisis mutlak diperlukan bagi seorang
peneliti agar hasil penelitiannya mampu memberikan kontribusi yang berarti bagi
pemecahan masalah sekaligus hasil tersebut dapat diperanggungjawabkan secara
ilmiah.
Secara garis besarnya, teknik analisis data terbagi ke dalam dua bagian, yakni
analisis kuantitatif dan kualitatif. Yang membedakan kedua teknik tersebut hanya
terletak pada jenis datanya. Untuk data yang bersifat kualitatif (tidak dapat diangkakan)
maka analisis yang digunakan adalah analisis kualitatif, sedangkan terhadap data yang
dapat dikuantifikasikan dapat dianalisis secara kuantitatif, bahkan dapat pula dianalisis
secara kualitatif.
B. Pembatasan Masalah
Pada makalah ini, penulis hanya membatasi pada permasalahan:
1. Pengertian Data
2. Statistik Desktiptif dan Statistik Inferensial
3. Persyaratan Uji Statistik Parametrik dan Non Parametrik
4. Hipotesis
2
5. Analisis Kuantitatif
II. PEMBAHASAN
A. Defenisi
Data berasal dari bahasa latin datum yang berarti “memberi”, Data adalah
pengukuran, atau pencacahan terhadap karakteristik atau sifat dari obyek yang dapat
berfungsi untuk membedakan obyek yang satu dengan lainnya pada sifat yang sama.
Data yang terkumpul dari hasil penelitian biasanya banyak sekali yang terdiri dari
catatan lapangan dan komentar peneliti, gambar, foto, dokumen, biografi, artikel, hasil
statistik adalah cara mengolah informasi data (kuantitatif) yang berhubungan dengan
menyajikan data dalam bentuk sederhana dan mudah dibaca atau data yang diperoleh
Ada beberapa tahap yang harus dilalui seorang peneliti untuk melakukan
analisis data, yaitu data coding, data entering, data cleaning, data output dan data
1
Iskandar, Metodologi Penelitian Pendidikan dan Sosial (Kuantitatif dan Kualitatif) dilengkapi
Cara Praktis Menggunakan, Mengolah, dan Menginterpretasikan Hasil Analisis Program Statistik
Package for the Sosial Sciences (SPSS) (Jakarta: Gaung Persada Press, 2009), h. 101.
2
Hurmaini, Metodologi Penelitian untuk Bimbingan Skripsi; Rancangan, Pelaksanaan,
Analisis, dan Penulisan (Riau: Suska Press, 2008), h. 31.
3
Data Coding
Data Coding
Data Entering Ada kesalahan
Data Analyzing
1. Data coding merupakan suatu proses penyusunan data mentah secara sistematis ke
dalam bentuk yang mudah dibaca oleh mesin pengolah data (computer).
2. Data entering merupakan proses pemindahan data yang telah diubah ke dalam
kode angka ke dalam computer.
3. Data cleaning atau pembersihan data merupakan proses pengecekan untuk
memastikan bahwa seluruh data yang telah dimasukkan ke computer sudah sesuai
dengan informasi yang sebenarnya.
4. Data output atau penyajian data merupakan tahap menyajikan hasil pengolahan
data dengan bentuk yang mudah dibaca dan lebih menarik.
5. Data analyzing atau analisis data merupakan tahap akhir dalam penelitian. Untuk
menganalisis data peneliti perlu menggunakan beberapa alat uji statistik yang
sesuai dengan kebutuhan.3
3
Nanang Martono, Metode Penelitian Kuantitatif: Analisis Isi dan Analsis Data Sekunder,
(Jakarta: PT. RajaGrafindo Persada, 2011), 144-146
4
Teknik analisis data yang digunakan dalam penelitian kuantitatif diarahkan
untuk menjawab rumusan masalah atau menguji hipotesis yang telah dirumuskan.
Karena datanya kuantitatif, maka teknik analisis data menggunakan metode statistik
yang sudah tersedia. Pengujian hipotesis hubungan antar dua variabel bila datanya
ordinal maka statistik yang digunakan adalah Korelasi Spearman Rank dan bila
datanya interval atau ratio menggunakan Product Moment. Sedangkan pengujian
signifikansi komparasi data dua sampel, bila datanya interval atau ratio maka
menggunakan t-test dua sampel, bila datanya nominal maka digunakan Chi Kuadrat.
Selanjutnya bila akan menguji hipotesis komparatif lebih dari dua sampel, datanya
interval, digunakan Analisis Varian.
Terdapat dua macam statistik yang digunakan analisis data dalam penelitian
kuantitatif, yaitu statistik deskriptif dan statistik inferensial. Statistik inferensial dilihat
dari segi analisisnya meliputi statistik korelasional dan statistik komparasi; dilhat dari
segi parameternya meliputi statistik parametris dan statistik nonparametris.
4
Ruswana Anwar, Teori Sederhana Prosedur Pemilihan Uji Hipotesis, (Bandung:Makalah,
2005), hal. 1-25.
5
membawa Anda mengambil kesimpulan terhadap hipotesis Anda.
Dengan demikian, ada dua pertanyaan utama dan sekaligus akan menjadi topik
pembahasan pada buku ini. Pertanyaan utama tersebut adalah:
1. Bagaimana karakteristik data yang Anda miliki/akan Anda miliki? (statistik
deskriptif)
2. Bagaimana Anda menentukan uji hipotesis yang sesuai dengan set data yang
Anda miliki/akan Anda miliki ? (statistik analitik)
1. Statistik deskriptif
a. Variabel kategorikal
Berkaitan dengan gambaran karakteristik satu set data dengan skala pengukuran
kategorikal, Anda mengenal istilah jumlah atau frekuensi tiap kategori (n), dan
persentase tiap kategori (%), yang umumnya disajikan dalam bentuk tabel atau
grafik.
Jenis kelamin
- Laki-laki 22 44
- Perempuan 28 56
Tingkat pendidikan
- Rendah 15 20
- Sedang 25 50
- Tinggi 15 30
Total 50 100
Grafik Batang
120 6
100
80
60
Gambar 1. Contoh penyajian variabel kategorikal dalam bentuk grafik batang
20%
30%
Tingkat Pendidikan
Rendah
Sedang
50%
Tinggi
b. Variabel numerik
Berkaitan dengan gambaran karakteristik satu set data dagan skala
pengukuran numerik, Anda mengenal dua parameter yang lazim digunakan yaitu
parameter ukuran pemusatan dan parameter ukuran penyebaran. Anda mengenal
beberapa parameter untuk ukuran pemusatan, yaitu: mean, median, dan modus.
Untuk parameter ukuran penyebaran, Anda mengenal standar deviasi, varians,
koefisien varians, interkuartil, range, dan minimum maksimum. Data variabel
dengan skala pengukuran numerik umumnya disajikan dalam bentuk tabel dan
grafik (histogram dan plots). Berikut ini merupakan contoh penyajian variabel
dengan skala pengukuran numerik dalam bentuk tabel dan histogram.
7
Tabel 2. Contoh penyajian variabel numerik dalam bentuk tabel
Kapan Anda memilih mean, median atau modus sebagai ukunn pemusatan? Kapan
pula Anda memilih standar deviasi, atau minimum maksimum sebagai ukuran
penyebaran ?
C. Statistik analitik
Pertanyaan yang sering muncul dalam an alisis data adalah: uji hipotesis apa
yang Anda pakai untuk menguji set data yang Anda miliki? Jawabannya tentu
saja: Anda menggunakan uji hipotesis yang sesuai. Uji hipotesis yang sesuai akan
membawa kita pada pengambilan kesimpulan yang sahih. Akan tetapi, untuk
mencapai keputusan untuk menggunakan uji tertentu, tentu saja harus didasari
berbagai pertimbangan. Pertimbangan apa saja yang harus kita pikirkan untuk
8
menentukan uji hipotesis?
9
Dengan demikian, Anda dapat menentukan uji hipotesis dengan berpedoman pada
tabel Uji Hipotesis dengan syarat Anda harus memahami beberapa istilah: 1) Skala
pengukuran variabel: kategorikal (nominal, ordinal) dan numerik (rasio dan interval);
2) Jenis hipotesis: komparatif asosiatif dan korelatif; 3) Jumlah kelompok data : 1
kelompok, 2 kelompok, > 2 kelompok; 4)Pasangan: berpasangan atau tidak
berpasangan; 5)Tabel silang (baris kali kolom); 6)Syarat uji parametrik dan non
parametrik.
1. Skala pengukuran variabel
Pemahaman tentang skala pengukran variabel, menggambarkan pemahaman
terhadap data yang ada miliki. Pada tabel uji hipotesis (tabel 1.3), skala pengukuran
variabel dibagi menjadi nominal, ordinal, dan numerik (rasio dan interval). Apa yang
dimaksud dengan kala variabel? Lihatlah dengan seksama tabel 1.4:
Golongan darah
Golongan darah A
Golongan darah B
Golongan darah AB
Golongan darah O
Ordinal Interval
Tingkat pendidikan Suhu badan
•Pendidikan rendah
•Pendidikan menengah
•Pendidikan tinggi
10
Dengan melihat tabel 4, Apakah Anda sudah dapat membedakan variabel nominal,
ordinal dan numerik (Rasio dan interval). Apakah perbedaannya? Dapatkah Anda
memberikan contoh lainnya?
Catatan:
Dalam berbagai buku rujukan, ada beberapa istilah yang dipergunakan dalam
klasifikasi skala pengukuran antara lain kategorikal - non- kategorikal, kualitatif -
kuantitatif, dan kontinyudiskontinyu. Dalam program SPSS, dipergunakan istilah
scale untuk istilah kontinyu, kuantitatif, dan non kategorikal.
Dalam buku ini, penulis memakai istilah kategorikal untuk mewakili istilah
diskontinyu dan kualitatif. Untuk mewakili istilah non kategorikal, kuantitatif, dan
diskontinyu, penulis memakai istilah numerik.
Perhatikan lambang skala pengukuran variabel yang dapat Anda temukan pada
program SPSS
Scale
Ordinal
Nominal
Program SPSS tidak membedakan variabel rasio dengan interval. Dalam SPSS,
variabel rasio dan interval disebut sebagai variabel scale.
Anda perhatikan, bahwa variabel scale dilambangkan dengan sebuah penggaris
untuk mewakili contoh variabel scale (ukuran panjang adalah salah satu contoh
variabel scale). Variabel ordinal dilambangkan dengan suatu tangga bertingkat
untuk menunjukkan kategori dalam variabel ordinal tidak sederajat. Adapun
variabel nominal dilambangkan dengan bulatan-bulatan bola untuk menunjukkan
kategori dalam variabel nominal adalah sederajat.
2. Jenis hipotesis
Anda harus mengetahui apa yang dimaksud dengan hipotesis komparatif/asosiatif
dan hipotesis korelatif.
Pada tabel uji hipotesis, jenis hipotesis dibagi menjadi dua yaitu komparatif/
asosiatif dan korelatif. Untuk membedakannya, perhatikan contoh sebagai berikut:
12
1. Pertanyaan penelitian untuk hipotesis komparatif/asosiatif: Apakah terdapat
perbedaan rerata kadar gula darah antara kelompok yang mendapat pengobatan
glibenklamid dan kelompok plasebo?
13
Apakah terdapat hubungan antara kadar gula darah dengan jenis pengobatan yang
diterima (glibenklamid dan plasebo)?
Apakah terdapat perbedaan terjadinya kanker paru antara perokok dan bukan
perokok?
Apakah terdapat hubungan antara perilaku merokok dan tejadinya kanker paru?
7. Uji parametrik
Untuk uji parametrik, terdapat tiga syarat yang perlu diperhatikan yaitu skala
pengukuran variabel, sebaran data, serta varians data:
1. Skala pengukuran variabel: Skala pengukuran variabel harus variabel numerik
2. Sebaran data: sebaran data harus normal
3. Varians data:
a. Kesamaan varians tidak menjadi syarat untuk uji kelompok yang
berpasangan
15
b. Kesamaan varians adalah syarat tidak mutlak untuk 2 kelompok tidak
berpasangan artinya, varians data boleh sama boleh juga berbeda.
c. Kesamaan varians adalah syarat mutlak untuk > 2 kelompok tidak
berpasangan artinya varians data harus wajib sama.
Tabel 5 Metode untuk mengetahui suatu set data memiliki sebaran normal atau tidak
Metode Parameter Definisi Kriteria sebaran data
dikatakan normal
Deskriptif Deskriptif varians Perbandingan standar Nilai koefisien varians
deviasi dan mean <30%
SD/mean x 100%
Rasio skewness Adalah perbandingan Nilai rasio skewness -2 s.d 2
antara skewness dan
standar error of kurtosis
Rasio kurtosis Adalah perbandingan Nilai rasio kurtosis -2 s/d 2
antara kurtosis dan
slander error of kurtosis
13
Histogram Simetris tidak miring kin
maupun kanan, tidak
terlalu tinggi atau terlalu
Box plot rendah median tepat di
Simetris
tengah, tidak ada out har
atau nilai ekstrim
Normal Q-Q plots Data menyebar sekitar
Detrended Q-Q garis
Data menyebar sekitar
lots garis pada nilav 0
Analitik Kolmogorov Nlai kemaknaan (p) >
Smirnov 0,05
Shapiro-Wlk
b. Lalu, bagaimana mengetahu ؛dua buah data atau lebih mempunya varians
yang sama atau tidak?
Uji varians (Leuvene test of varians) digunakan untuk mengetahui apakah dua atau
lebih kelompok data mempuyai varians yang sama atau tidak. Jka uji varians
menghasilkan nilai p>0,05, maka varians dari data yang diuji adalah sama.
Defenisi
St andar Deviasi adalah parameter ukuran penyebaran satu set data numerik,
merupakan variabilifas nilai-nilai terhadap rerata.
Varians adalah parameter ukuran penyebaran satu set data numerik yang secara
matematis merupakan kuadrat standar deviasi. Sebaran Normal adalah disttibusi
nilai yang sesuai dengan kurva Gaussian, dimana 68% nilai beada pada simpang
baku-1 sampai dengan 1 dan 95% nilai pada simpang baku -2 sampai dengan 2.
9. Istilah Keenam
Anda harus memahami apa yang dimaksud dengan tabel silang. Pada tabel
uji hipotesis, dijelaskan bahwa untuk uji hipotesis komparatif untuk varibel ordinal
sama dengan uji untuk variabel nominal bila dapat dibuat dalam bentuk tabel
silang (tabel Baris kali Kolom).
Apakah yang dimaksud tabel B kali K?
B adalah singkatan dari baris dan K dari kolom. Pada baris (B) umumnya
diletakkan variabel independent/bebas, sedangkan pada kolom (K) diletakkan
variabel dependen/tergantung.
Jenis tabel ditentukan oleh jumlah baris dan kolomnya. Jika jumlah baris ada 3 dan
kolom 3, maka tabel tersebut disebut tabel 3x3. Berikut ini merupakan contoh dari
table 3 x 3.
Tabel 6, merupakan contoh tabel 3 x 3 karena jumlah baris ada 3 dan
jumlah kolom ada 3. Baris ada tiga karena tingkat pendidikan dibagi menjadi 3
kategori yaitu rendah, sedang, dan tinggi Pada kolom juga terdapat 3 kolom karena
tingkat pengetahuan dibagi menjadi 3 yaitu rendah, sedang dan tinggi. Persilangan
antara satu kategori dengan kategori lain dinamacan sebagai sel. Pada tabel 3 x 3,
terdapat 9 sel yang diberi nama mulai dari sel a sampai dengan sel i. Perhatikan
bahwa variabel tingkat pendidikan dan tingcat pengetahuan merupakan variabel
ordinal. Hubungan antara dua buah variabel ordinal ini dapat disajikan dalam
Tabel 6. Contoh tabel silang 3x3
Sampai sejauh ini Anda sudah memahami berbagai istilah yang harus
Anda ketahui untuk menentukan uji hpotesis yang sesuai dengan set data yang
Anda miliki dengan menggunakan tabel uji hipotesis. Pemaparan berikut akan
lebih membantu Anda untuk memahami alur pemikiran menuju hipotesis yang
sesuai. Pemaparan akan diklasifikasikan menjadi lima bagian.
1
1. Resume hipotesis komparatif skala pengukuran numerik
2. Resume hipotesis komparatif skala pengukuran ordinal
3. Resume hipotesis komparatif skala pengukuran ordinal dan nominal dalam
bentuk tabel B kali K tidak berpasangan
4. Resume hipotesis komparatif skala pengukuran ordinal dan nominal dalam
bentuk tabel B kali K tidak berpasangan
5. Resume hipotesis korelatif
Tabel 7. Tabel Uji hipotesis: alur menuju pemilihan uji hipotesis komparatif
variabel numerik
Skala Jenis hipotesis
pengukuran Komparatif/asosiatif
variabel 2 kelompok >2 kelompok
Berpasangan Tidak Berpasangan Tidak
Ordinal
Berpasangan Berpasangan
Wilcoxon Mann-Whitney Friedman Kruskal-Wallis
Numerik
(interval dan
rasio) Uji t berpasangan Uji t tidak Anova Anova
berpasangan
Untuk variabel numerik, penggunaan tabel uji hipotesis akan lebih mudah
dimengerti bila dikombinasikan dengan diagram alur sebagai berikut.
2
Variabel numerik
Hipotesis
komparatif
Sebaran normal?
Berbeda
3
b. Resume Uji Hipotesis Komparatif Variabel Ordinal
Cakupan uji hipotesis komparatif variabel ordinal disajikan pada tabel 1.8.
Perhatikan bahwa tabel 8 ini adalah sebagian dari tabel uj hipotesis yang Anda
pelajari pada tabel 3.
Tabel 8. Tabel Uji hipotesis: alur menuju pemilihan uji Hipotesis komparatif
variabel ordinal
Skala Jenis hipotesis
pengukuran Komparatif/asosiatif
variahel 2 kelompok >2 kelompok
Berpasangan Tidak Berpasangan Tidak
Berpasangan Berpasangan
Ordinal Wilcoxon Mann-Whitney Friedman Kruskal-Wallis
Tabel 9. Tabel Uji hipotesis: alur menuju pemilihan uji hipotesis variabel
kategorikal
Skala Jenis hipotesis
pengukuran Komparatif/asosiatif
variabel 2 kelompok >2 kelompok
Berpasangan Tidak Berpasangan Tidak
Berpasangan Berpasangan
Nominal McNemar Chi Square Cochran Chi Square
Marginal Fisher Fisher
Homogeneity Kolmogorov Kolmogorov
Smirnov Smirnov
Ordinal McNemar Chi Square Cochran Chi Square
Marginal Fisher Fisher
Homogeneity Kolmogorov Kolmogorov
Smirnov Smirnov
4
c. Resume Hipotesis Korelatif
Anda dapat memilih uji hipotess korelatif dengan berpedoman pada tabel sebagai
berikut.
Keterangan:
Korelasi untuk variabel numerik-numerik, memakai uji Pearson dengan uji Spearman sebagai
alternatifnya
1. CONTOH KASUS
Dengan menggunakan pengetahuan mengenai skala pengukuran, jenis
hipotesis, syarat uji parametrik dan non parametrik, berpasangan atau tidak
berpasangan, jumlah kelompok, serta tabel silang B kali K, cobalah pelajari
beberapa contoh kasus berikut ini. Saat mempelajari setiap kasus, pergunakanlah
tabel uji hipotesis dan diagram alur.
Kasus 1:
Apakah terdapat perbedaan rerata body mass index (bmi) antara kelompok status
ekonomi tinggi dibandingkan kelompok ekonomi rendah?
5
Jawab:
Tabel 11. Langkah-langkah untuk menentukan uji hipotesis yang sesuai dengan
panduan tabel uji hipotesis dan diagram alur
Kasus 2 :
"Apakah terdapat hubungan antra jenis kelamin, (lai-laki dan perempuan)
dengan asupan makanan (kurang, cukup, lebih)"
Jawab:
6
Tabel 12. Langkah-langkah untuk menentukan uji hipotesis yang sesuai dengan
panduan tabel uji hipotesis dan diagram alur
LANGKAH JAWABAN UJI YANG MUNGKIN
KESIMPULAN :
Jenis tabel pada soal ini adalah tabel 2 kali 3.
Uji yang digunakan adalan uji chi square bila memenuhi syarat uji chi square. Bila tldak
memenuhi syarat uji chi square. Digunakan uji alternatif yaitu uji Kolmogorov-Smirnov.
Kasus 3.
"Apakah terdapat korelasi antara kadar radikal bebas dengan total jumlah rokok
yang dihisap selama satu hari?"
Jawab:
Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah
sebagai berikut :
7
Tabel 13 . Langkah-langkah untuk menentukan uji hipotesis yang sesuai dengan
panduan tabel uji hipotesis dan diagram alur
Anda menggunakan dua cara untuk menarik kesimpulan pada uji hipotesis yaitu
dengan menghitung nilai p dan menghitung nilai confidenece interval (interval
kepercayaan).
- Nilai p
Interpretasi yang diberikan pada tabel 1.14 adalah untuk menudahkan saja. nda
harus mengerti juga apa yang dimaksud dengan nilai p, hipotesis nol dan
hipotesis alternatif:
1. Hipotesis (H) adalah pernyataan sebagai jawaban sementara atas pertanyaan
penelitian yang harus dijawab secara empiris.
2. Hipotesis nol (Ho) adalah hipotesis yang menunjukkan tidak ada perbedaan antar
kelompok atau tidak ada hubungan antara variabel atau tidak ada korelasi antar
variabel.
3. Hipotesis alternatif (Ha) adalah hipotesis kebalikan dari hipotesis nol, yang akan
disimpulkan bila hipotesis nol ditolak.
4. Interpretasi yang lengkap untuk nilai p adalah sebagai berikut "besarnya
kemungkinan hasil yang diperoleh atau hasil yang lebih ekstrim diperoleh karena
faktor peluang, bila hipotesis nol benar".
8
- Interval kepercayaan
1. Interval kepercayaan (IK) menunjukkan taksiran rentang nilai pada populasi yang
dihitung dengan nilai yang diperoleh pada sampel.
2. Sebagaimana untuk menghitung nilai p, perhitungan IK mempunyai rumus
tersendiri untuk masing-masing uji hipotesis.
9
variabel lain.Kedua, variabel terikat (dependent variable), yaitu variabel yang
keberadaannya dipengaruhi oleh variabel yang lain.
Misalnya contoh penelitian tentang "Pengaruh Gaya Kepemimpinan dan
Motivasi Kerja terhadap Kinerja Pegawai .". Variabel pada penelitian tersebut
adalah: Gaya kepemimpinan (X1), dan Motivasi Kerja (X2) sebagai veriabel
independen/Variabel endogen, dan Kinerja Pegawai (Y) sebagai variabel
dependent/Variabel eksogen. Paradigma penelitian ini dapat dikemukakan dalam
gambar berikut.
X1 P31
r13
r12 Y Keterangan:
p21
P23 r23 X1 = Gaya kepemimpinan (variabel
X2 bebas/independent)
X2 = Motivasi Kerja (variabel
bebas/independent)
Y = Kinerja (Variabel
terikat/dependent)
10
Tabel 14. Jenis Analisis Korelasional Dilihat dari Skala Data
Ordinal
- Rank Spearman
- Tau Kendali
- Korelasi product
moment
Interval
b. Analisis Komparasi
membandingkan antara kondisi dua buah kelompok atau lebih. Misalnya penelitian
kelompok guru berdasarkan jenjang pendidikan S2, S1, D3, dan jenis kelamin (pria
11
Perbedaan situasi kepemimpinan yang signifikan menurut persepsi guru yang
analisis tersebut tergantung pada jenis skala data dan banyak sedikitnya kelompok.
- Mann-Whitney U
Independen
- Kai Kuadrat
- Kolmogorov-Smirnov - Eta
- Kolmogorov-
- Kai Kuadrat - Separate t-test
Smirnov
2 Kelompok
- Pooled t-test
Correlated
- Wilcoxon Paired/correlated
- McNemar t-test
- Sign Test
12
Independ
Lebih dari 2 Kelompok
- Kruskall-Wallis
Discriminant Analisis Varians
en
- Uji Median
Analysis (ANAVA)
- Kai Kuadrat
Correlated
- Friedman
ANAVA repeat
- Kendall's W
Measures
- Cochran's Q
Analisis jalur (Path Analysis) merupakan salah satu teknik statistika parametrik yang
digunakan untuk menguji hubungan antar variabel yang sifatnya kausal. Analisis
jalur dikembangkan oleh Sewall Bright pada tahun 1934. Analisis jalur digunakan
untuk mengetahui pengaruh langsung dan tidak langsung suatu variabel terhadap
variabel lainnya.
Dalam pengujian hubungan kausal tersebut yang didasarkan pada teori yang
memang menyatakan bahwa variabel yang dikaji memiliki hubungan secara kausal.
Analisis jalur bukan ditujukan untuk menurunkan teori kausal, melainkan dalam
penggunaannya harus didasarkan pada teori yang menyatakan bahwa hubungan
antar variabel tersebut bersifat kausal.
Menurut Pedhazur dalam Kerlinger (1983:301) menyatakan bahwa analisis
jalur merupakan suatu bentuk terapan dari analisis multiregresi. Dalam analisis ini
digunakan diagram jalur untuk membantu konseptualisasi masalah atau menguji
hipotesis yang kompleks dan juga untuk mengetahui pengaruh langsung dan tidak
langsung dari variabel-variabel bebas terhadap variabel terikat. Pengaruh tersebut
yang tercermin dalam koefisien jalur, yang sebenarnya adalah koefisien regresi yang
telah dibakukan (p = beta). Meskipun demikian analisis jalur berbeda dengan
analisis regresi. Dalam analisis regresi tidak mengenal istilah adanya variabel antara
atau intervening.
13
Analisis regresi sederhana hanya dapat melakukan pengujian pengaruh
langsung variabel independen terhadap variabel dependen. Sedangkan analisis jalur
tidak hanya menguji hubungan kausal yang sifatnya pengaruh langsung saja,
melainkan pengaruh tidak langsung melalui variabel intervening. Dalam analisis
selalu dikenal dengan variabel eksogen dan variabel endogen. Pada hakikatnya,
keberadaan variabel eksogen sama dengan variabel independen, yaitu variabel yang
mempengaruhi, sedangkan variabel endogen sebagal variabel yang dipengaruhi.
Dalam analisis jalur dengan jumlah variabel minimal dalam model adalah 3
variabel, dimana salah satunya akan berperan sebagai variabel intervening. Variabel
intervening ini yang dapat berperan ganda. Dalam arti variabel tersebut dapat
berperan sebagai variabel eksogen bagi variabel lainnya dan juga berperan sebagai
variabel endogen bagi variabel satunya.
Misalnya, pengaruh budaya organisasi dan motivasl kerja terhadap kinerja, di
mana motivasi kerja sebagai variabel intervening. Bagi variabel budaya organisasi
yang berperan sebagai variabel eksogen, maka motivasi kerja berperan sebagai
variabel endogen, sedangkan bagi variabel kinerja yang berperan sebagai variabel
endogen, maka variabel motivasi kerja bersifat sebagai variabel eksogen. Diagram
jalur untuk analisis jalur dalam kasus ini digambarkan pada Gambar 1.
Budaya Organisasi
Kinerja
Motivasi Kerja
14
B. Persyaratan dalam Analisis Jalur
Dalam analisis jalur yang merupakan bagian dalam statistika parametrik memiliki
asumsi-asumsi yang harus dipenuhi, yaitu:
1. Data masing-masing variabel sekurang-kurangnya adalah interval,
4. Semua variabel residu (error) tidak berkorelasi dengan variabel residu lainnya
dalam model.
C. Diagram Jalur
Dalam analisis jalur biasanya variabel dilambangkan dengan satu lambang,
yaitu X. Penggunaan satu lambang ini bukanlah sesuatu yang sifatnya mutlak. Ada
pula dalam tulisan-tulisan lainnya digunakan lambang yang berbada, misalnya untuk
variabel eksogen digunakan lambang X sedangkan variabel endogen digunakan
lambang Y.
Meskipun hanya menggunakan satu lambang, untuk membedakan antara
variabel eksogen dengan endogen digunakan subscript (indeks) seperti Xi,
X2,X3,X4....X،. Misalnya pada gambar 1untuk variabel budaya organisasi digunakan
lambing X1, variabel motivasi kerja digunakan lambang X2 dan kinerja
menggunakan lambing Y. Penggunaan lambang X yang disertai dengan subscript
berupa angka numerik untuk memudahkan dalam penggunaan simbol rumus dalam
analisisnya.
Berikut ini disajikan beberapa gambar diagram jalur yang disertai dengan
persamaan strukturnya.
15
Contoh 1:
Suatu penelitian dengan judul pengaruh gaya kepemimpinan (X1) dan
motivasi (X2) kerja terhadap kinerja karyawan (Y), yang digambarkan dalam
persamaan jalur sebagai berikut:
X1 p31
r13
r12 Y Keterangan:
p21
P23 r23 X1 = Gaya kepemimpinan (variabel
X2 bebas/independent)
X2 = Motivasi Kerja (variabel
bebas/independent)
Y = Kinerja (Variabel
terikat/dependent)
Dari Contoh soal di atas dapat disusun Paradigma5 Penelitian sebagai berikut:
5
Pola pikir yang menunjukkan hubungan antara variabel yang akan diteliti yang sekaligus
mencerminkan jenis dan jumlah rumusan masalah yang perlu dijawab melalui penelitian, teori yang
digunakan dalam penelitian, jenis dan jumlah hipotesis dan teknik analisis statistik yang akan
digunakan.
16
H0 = Gaya kepemimpinan (X1) dan motivasi kerja (X2) tidak berpengaruh
nyata terhadap kinerja pegawai (Y)/terima H0 tolak H1 Jika thitung< ttabel
atau Probabilitasnya >0,05, maka H1= Ditolak ; terima H0
H1 = Gaya kepemimpinan (X1) dan motivasi kerja (X2) berpengaruh nyata
terhadap kinerja pegawai (Y)/terima H1 tolak H0 Jika thitung > ttabel atau
Probabilitasnya <0,05, maka H0= Ditolak ; terima H1
4. Untuk menjawab perumusan masalah pada no. 2 diatas maka digunakan analisis:
a. Besarnya pengaruh antara variabel bebas (X) dan Variabel terikat (Y) dapat
diprediksi dengan menggunakan analisis korelasi6 (r) dan R2 (determinant)
dengan menggunakan analisis regresi linear berganda dimana y = a + b1X1 +
b2X2. (menggunakan Analisis SPSS Ver. 17.0).
b. Besarnya pengaruh kausal (r)7 antara variabel eksogenus (X1 dan X2)
terhadap variabel endogenus (Y) baik langsung (direct) maupun tidak
langsung (indirect) serta pengaruh total dapat dianalisis jalur8 dengan
menggunakan program LISREL9 ver. 8.80 (for student).
c. Pengaruh langsung10 yaitu pengaruh X1 terhadap X2 (, pengaruh X2
terhadap Y, yaitu: Pengaruh X1 terhadap X2 (p21); Pengaruh X1 terhadap Y
(p31); dan Pengaruh X2 terhadap Y (p32). Pengaruh Tidak Langsung:
pengaruh X1 terhadap Y, melalui X2, yaitu perkalian antara pengaruh
langsung X1 terhadap X2 dengan pengaruh langsung antara X2 terhadap Y
yang dirumuskan sebagai berikut: (PTL = p21 x p32). Pengaruh Total adalah
jumlah pengaruh langsung X1 terhadap Y, yaitu penjumlahan pengaruh
6
Peneliti yang melakukan analisis korelasi (r) dan regresi, sebenarnya peneliti baru sampai
pada tahap analisis seberapa besar hubungan antara variabel belum sampai pada analisi kausal.
7
Dapat dilihat pada perhitungan manual pada contoh 1.
8
Analisis jalur adalah metode analisis untuk mengetahui seberapa besar pengaruh langsung,
pengaruh tidak langsung, maupun secara total dari sejumlah variabel bebas (eksogenus) terhadap
sejumlah variabel-variabel terikat (endogenus) pada sebuah model teoritis.
9
LISREL (Linear Structural Relationship), sejak diperkenalkannya metode analisis jalur pada
tahun 1920 oleh Sewall Wright dan Neil, metode ini terus mengalami penyempurnaan dan baru pada
tahun 1966 baru diperkenalkan secara luas sebagai metode untuk semua disiplin ilmu.
10
Edi Riadi, Aplikasi Lisrel, Untuk Penelitian Analisis Jalur, (Yogyakarta: CV. Andi Offset,
2013). hal.4
17
langsung X1 terhadap Y dengan pengaruh tidak langsung X1 terhadap Y
melalui X2 dirumuskan sebagai berikut: (PT = p31 + PTL).
2
Y 331, Y 11113, X 1.Y 1359. X 2 .Y 1218
X .X
1 2 149, s1 1,054; s 2 0,843; s3 4,175
2 2
( X 1 ) 2 (40) 2
X X
1 1
n
170
10
170 160,00 10,00
2 2
( X 2 ) 2 (36) 2
X 2 X 2
n
136
10
136 129,60 6,40
18
( Y ) 2 (331) 2
Y 2 Y 2 n
11113
10
11113 10956,10 156,9
( X ).( X
1 2 ) (40).(36)
X .X X .X
1 2 1 2
n
149
10
149 144,00 5,00
Jawaban :
n ( X1 .Y ) ( X 1 ).( Y )
r13
{(n. X 12 ( X 1) 2 ).(n. Y 2 ( Y ) 2 )}
10 (1359) - (40).(331)
r13
{(10.(170) (40) 2 )(10.(11113) (331) 2 }
13590 - 13240
r13
(1700) - (1600).(111130 - 109561)
350 350
r13
(100).(1569) 156900
350
r13 0,884
396,106
r13 0,884
19
Menghitung korelasi sederhana untuk X2 dan Y sebagai berikut :
n ( X 2 .Y ) ( X 2 ).( Y )
r23
{(n. X 22 ( X 2) 2 ).(n. Y 2 ( Y ) 2 )}
10 (1218) - (36).(331)
r23
{(10.(136) (36) 2 )(10.(11113) (331) 2 }
1280 - 11916
r23
(1360) - (1296).(111130 - 109561)
264 264
r23
(64).(1569) 100416
264
r23 0,833
316,885
r23 0,833
n ( X1 . X 2 ) ( X 1 ).( X 2 )
r12
2
{(n. X 12 ( X 1) 2 ).(n. X 2 ( X 2) 2 )}
10 (149) - (40).(36)
r12
{(10.(170) (40) 2 )(10.(136) (36) 2 }
20
1490 - 1440
r12
(1700) - (1600).(1360 - 1296)
50 50
r12
(100).(64) 6400
50
r12 0,625
80
r12 0,625
rij X1 X2 Y
X1 1,000 0,625 0,884
X2 1,000 0,833
Y 1,000
r12 = p21
r13 = p31 + p32.r12
r23 = p31 . r12 + p32
Dari persamaan tersebut diperoleh; r12=0,625 ; r13 = 0,884; dan r23 = 0,833, maka:
0,625 = p21
0,884 = p31 + p32 . 0,625
0,833 = p310,625 + p32
Untuk menghitung koefisien jalur p31 dan p32 dihitung dengan menggunakan
persamaan determinant sebagai berikut :
21
0,884 0,625
0,833 1,000 (0,884 x1,000) (0,833x 0,625) 0,3634
p 31
1,000 0,625 (1,000 x1,000) (0,625 x0,625) 0,6094
0,625 1,000
= 0,5963 ~ 0,596
1,000 0,884
0,625 0,833 (1,000 x0,833) (0,625 x0,884) 0,2805
p 32
1,000 0,625 (1,000 x1,000) (0,625 x0,625) 0,6094
0,625 1,000
= 0,4603 ~ 0,460
22
b1
t
JK s / n 2)
x12 (1 (rij ) 2
Keterangan:
t = koefisien t hitung
JK(s) = Jumlah Kuadrat Sisa (Residu)
x12 = Jumlah nilai simpangan dari variabel eksogen i
rij2 = koefisien determinan antara variabel eksogen/dengan variabel eksogen
yang juga berperan sebagai variabel endogen j
n = jumlah data
r12 n 2
t
1 r2
23
Diketahui jumlah data dari soal sebanyak 10 maka dk=8 (n-2), besarnya
koefisien t-tabel pada α=0,05 sebesar 2,30611 dan α=0,01 sebesar 3,355. Oleh
karena itu nilai t-hitung lebih kecil dari t table atau t kritis (2,265<2,306).
Maka koefisien jalur dikatakan tidak signifikan.
1. Pengaruh Langsung
Pengaruh langsung merupakan pengaruh X1 terhadap X2, pengaruh X2 terhadap
Y, yaitu:
- Pengaruh X1 terhadap X2 (p21) = 0,625
- Pengaruh X1 terhadap Y (p31) = 0,596
- Pengaruh X2 terhadap Y (p32) = 0,460
11
Lihat pada tabel t, pada df=8 dan taraf signifikansi 0,05 dan 0,01
24
2. Pengaruh Total
Pengaruh total merupakan jumlah pengaruh langsung X1 terhadap Y, yaitu:
penjumlahan pengaruh langsung X1 terhadap X1 dengan pengaruh tidak langsung
X1 melalui Y, yaitu (0,596 + 0,288) = 0,884
1. Langkah Kerja
Siapkan data kerja seperti pada Tabel 1, pada lembar kerja Excel seperti
berikut:
Copy ke
Lembar kerja
SPSS
Buka program SPSS dengan mengklik program SPSS ver 17.0 pada Desktop
atau Program File.
25
Kemudian akan terlihat pada lembar kerja SPSS sebagai berikut:
Pilih Cancel, kemudian akan terlihat lembar kerja SPSS sebagai berikut:
Klik button variable view, kemudian defenisikan pada kolom sel Name: X1,X2
dan Y. kemudian pada kolom label ketik masing-masing; X1 = Gaya
Kepemimpinan,; X2=Motivasi Kerja dan Y=Kinerja, pastikan kolom Measure
tipe data berupa Scale. Tampilan data sebagai berikut:
26
Pindah ke button Data View, secara otomatis variabel X1,X2 dan Y, terdefenisi
pada lembar kerja DataView. Selanjutnya, dengan mencopy data pada lembar
kerja Excel (Data pada kolom bertanda merah), kemudian Paste pada Lembar
kerja Data View di SPSS, maka akan dihasilkan sebagai berikut:
27
Pindah ke button Variable View. Lakukan analisis regresi linier berdasarkan data
pada contoh soal 1, dengan cara klik Analyze, klik Regression, kemudian klik
Linear.
28
p31
p32 P-Value
t-hitung
b1
t
JK s / n 2)
x12 (1 (rij ) 2
12
Selain menggunakan koefisien korelasi, Koefisien jalur dapat juga dihitung dengan
menggunakan koefisien regresi dengan rumus : pij = b (sj/si)
29
Didalam analisis Jalur hubungan antara variabel bersifat kausal, sehingga hanya
terjadi hubungan satu variabel independent dengan satu variabel dependent yang
bersifat sebab akibat, sehingga jumlah variabel independent nya selalu satu k=1,
maka rumus t-hitung di atas berlaku untuk perhitungan t.
Simpan data yang telah dibuat pada contoh soal 1 pada program SPSS di atas
dengan nama DATA01_Lat, dengan cara klik File, klik Save as, pada file name
beri nama: DATA01_Lat, pada kotan Save as type (SPSS Statistic(*.sav)).
DATA01_Lat ini yang dijadikan parameter input pada analisis jalur dengan
menggunakan program LISREL Ver. 8.80 (Full Version). Jangan lupa eksekusi
dengan menggunakan Save, pilih folder yang dikehendaki untuk menyimpan.
30
Contoh 3: Aplikasi Analisis Jalur Dengan LISREL
31
Pada tampilan di atas pilih PRELIS Data dan klik OK, maka akan muncul
lembar kerja LISREL seperti gambar berikut ini.
Selanjutnya klik File dan pilih Import Data, akan muncul tampilan gambar
sebagi berikut.
Tampilan di atas berfungsi untuk membuka data yang telah tersimpan. Data yang
telah kita buat pada latihan dengan menggunakan program SPSS dengan nama
file DATA01_Lat dengan format *.sav kita panggil kembali. Dalam latihan ini
data tersimpan di Folder di drive D:\DATA LISREL\DATA01_Lat, kemudian
klik Open, sehingga akan muncul tampilan seperti ini.
32
Pilih Latihan01, secara otomatis pada kolom File name: tercatat Latihan01, ubah
nama Latihan01 menjadi DATA, pada kotak Save as type: pastikan format data
PRELIS Data (*.psf), klik Save. Maka akan tampil layer berikut.
Selanjutnya klik File dan pilih New dan akan muncul tampilan berikut ini.
Kemudian pilih SIMPLIS Project dan klik OK. Pada File name: beri nama file
DATA_Latih1, kemudian klik Save.
33
Anda akan melihat tampilan menjadi seperti ini.
Klik Setup dan klik Variable akan muncul tampilan gambar seperti berikut.
34
Pada Read from file terdapat dua pilihan, yaitu LISREL System File dan
PRELIS System File. Pilih saja PRELIS System File dan klik Browser dan klik
nama file yang tersimpan dalam format *.psf, Open dan kembali pada tampilan
seperti gambar di atas kemudian klik OK. Selanjutnya akan tampil ke tampilan
sebelumnya dan klik Next, sehingga muncul tampilan seperti gambar berikut ini.
35
Pada kotak Number of Observation masukkan jumlah data yang akan dianalisis.
Dalam contoh ini data yang dianalisis sebanyak 10 maka tuliskan angka tersebut
dalam kotak tersebut dan klik OK, dan kembali ke tampilan awal seperti gambar
berikut.
Kemudian klik Output dan pilih LISREL Output dan klik Selections, kemudian
akan muncul tampilan gambar berikut ini.
36
Pilih dan klik Total Effects dan Inderect Effect, dan Completely Standardize
Solution. Pada bagian Number of Decimal (0-8)in the Printed Output, isikan
nilai atai angka 3 (berarti kita menginginkan hanya 3 angka dibelakang koma
atau 3 desimal). Selanjutnya klik OK dan akan muncul tampilan gambar sebagai
berikut.
37
38
t-hitung untuk jalur p21
39
t-hitung jalur p21 t-hitung jalur p22
40
Dari hasil data di atas dapat dilihat nilai t hitung untuk jalur p21 menunjukkan
nilai sebesar 2,265. Sedangkan koefisien t-hitung untuk jalur p31 dan p32 masing-
masing sebesar 3,396 dan 4,388 (hasil uji t tersebut sama dengan perhitungan
secara manual).
Sedangkan untuk mengetahui koefisien jalur, pengaruh total dan pengaruh tidak
langsung dapat dilakukan dengan kembali pada lembar kerja LISREL, dengan
memilih menu Setup dan mengklik Build LISREL Syntax, atau tekan F4,
seperti gambar berikut.
L I S R E L 8.80
BY
TI
!DA NI=3 NO=10 MA=CM
41
SY='D:\DATA LISREL\DATA_Latih1.DSF'
SE
2 3 1 /
MO NX=1 NY=2 BE=FU GA=FI PS=SY TY=FI TX=FI AL=FI KA=FI
FR BE(2,1) GA(1,1) GA(2,1) AL(1) AL(2) KA(1)
PD
OU PC RS EF FS SS SC XM ND=3
TI
TI
Covariance Matrix
X2 Y X1
-------- -------- --------
X2 0.711
Y 2.933 17.433
X1 0.556 3.889 1.111
Means
X2 Y X1
-------- -------- --------
3.600 33.100 4.000
TI
Parameter Specifications
BETA
X2 Y
-------- --------
X2 0 0
Y 1 0
GAMMA
X1
--------
X2 2
Y 3
42
PHI
X1
--------
4
PSI
X2 Y
-------- --------
5 6
ALPHA
X2 Y
-------- --------
7 8
TI
Number of Iterations = 0
BETA
X2 Y
-------- --------
X2 - - - -
Y 2.282 - -
(0.672)
3.396
GAMMA
X1
--------
X2 0.500
(0.221)
2.265
Y 2.359
(0.538)
4.388
X2 Y X1
-------- -------- --------
X2 0.711
Y 2.933 17.433
X1 0.556 3.889 1.111
X2 Y
-------- --------
3.600 33.100
43
PHI
X1
--------
1.111
(0.556)
2.000
PSI
Note: This matrix is diagonal.
X2 Y
-------- --------
0.433 1.566
(0.217) (0.783)
2.000 2.000
X2 Y
-------- --------
0.391 0.910
X2 Y
-------- --------
0.391 0.781
Reduced Form
X1
--------
X2 0.500
(0.221)
2.265
Y 3.500
(0.656)
5.337
ALPHA
X2 Y
-------- --------
1.600 15.449
(0.913) (2.042)
1.752 7.566
Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.000)
Normal Theory Weighted Least Squares Chi-Square = 0.00 (P = 1.000)
44
Covariance Matrix of Parameter Estimates
AL 1 AL 2 KA 1
-------- -------- --------
AL 1 0.834
AL 2 0.000 4.170
KA 1 0.000 0.000 0.139
TI
AL 1 AL 2 KA 1
-------- -------- --------
AL 1 1.000
AL 2 0.000 1.000
KA 1 0.000 0.000 1.000
45
TI
X2 Y X1
-------- -------- --------
X2 1.000 - - - -
Y 0.000 1.000 - -
X2 Y X1
-------- -------- --------
X1 0.000 0.000 1.000
TI
Standardized Solution
BETA
X2 Y
-------- --------
X2 - - - -
Y 0.461 - -
GAMMA
X1
--------
X2 0.625
Y 0.596
X2 Y X1
-------- -------- --------
X2 1.000
Y 0.833 1.000
X1 0.625 0.884 1.000
PSI
Note: This matrix is diagonal.
X2 Y
-------- --------
0.609 0.090
46
Regression Matrix Y on X (Standardized)
X1
--------
X2 0.625
Y 0.884
TI
Total Effects of X on Y
X1
--------
X2 0.500
(0.221)
2.265
Y 3.500
(0.656)
5.337
Indirect Effects of X on Y
X1
--------
X2 - -
Y 1.141
(0.606)
1.884
Total Effects of Y on Y
X2 Y
-------- --------
X2 - - - -
Y 2.282 - -
(0.672)
3.396
TI
X1
--------
X2 0.625
Y 0.884
X1
--------
X2 - -
47
Y 0.288
X2 Y
-------- --------
X2 - - - -
Y 0.461 - -
X2 Y X1
-------- -------- --------
X2 1.000
Y 0.833 1.000
X1 0.625 0.884 1.000
Korelasi antara gaya kepemimpinan dengan kinerja sebesar 0,884 (r13); korelasi
antara motivasi kerja dengan kinerja sebesar 0,833 (r23) dan korelasi antara gaya
kepemimpinan dengan motivasi kerja sebesar 0,625 (r12). Sedangkan besarnya
koefisien jalur yang menunjukkan besarnya pengaruh langsung antar variabel
sebagai berikut.
BETA
X2 Y
-------- --------
X2 - - - -
Y 0.461 - -
GAMMA
X1
--------
X2 0.625
Y 0.596
48
Besarnya koefisien jalur pengaruh gaya kepemimpinan terhadap kinerja sebesar
0,596 (p31), besarnya koefisen jalur pengaruh movitasei kerja terhadap kinerja
sebesar 0461 (p12). Sedangkan besarnya koefisien jalur pengaruh gaya
kepemimpinan terhadap motivasi kerja sebesar 0,625 (p21). Besarnya pengaruh
total dan pengaruh tidak langsung sebagai berikut.
X1
--------
X2 0.625
Y 0.884
X1
--------
X2 - -
Y 0.288
49
B. Simpulan
Analisis data merupakan salah satu proses penelitian yang dilakukan setelah
semua data yang diperlukan guna memecahkan permasalahan yang diteliti sudah
diperoleh secara lengkap. Ketajaman dan ketepatan dalam penggunaan alat analisis
sangat menentukan keakuratan pengambilan kesimpulan, karena itu kegiatan analisis
data merupakan kegiatan yang tidak dapat diabaikan begitu saja dalam proses
penelitian. Kesalahan dalam menentukan alat analisis dapat berakibat fatal terhadap
kesimpulan yang dihasilkan dan hal ini akan berdampak lebih buruk lagi terhadap
penggunaan dan penerapan hasil penelitian tersebut.
Ada beberapa tahap yang harus dilalui seorang peneliti untuk melakukan
analisis data, yaitu data coding, data entering, data cleaning, data output dan data
analyzing.
Martono, Nanang, Metode Penelitian Kuantitatif: Analisis Isi dan Analsis Data
Sekunder, (Jakarta: PT. RajaGrafindo Persada, 2011), 144-146
Riadi, Edi, Aplikasi Lisrel: Untuk Penelitian Analisis Jalur, (Yogyakarta:CV. Andi
Offset, 2013). 278 halaman.