Reviw Konsep Statistik untuk Penelitian

1. Analisis Univariat dan Multivariat

Analisis Univariat adalah kombinasi linear dari variable yang secara empiris menentukan
pengaruh (Hair, Black, Babin, & Anderson, 2010).

Analisis Multivariat dapat didefinisikan sebagai semua teknik statistika yang secara simultan
menganalisis beberapa pengukuran atas individu atau objek yang sedang diinvestigasi (Hair
et al., 2010).

2. Skala Pengukuran

Analisis data mempengaruhi variasi identifikasi dan pengukuran seperangkat variabel, baik
antar variabel itu sendiri atau antara variabel dependen and satu atau lebih variabel
independen (Hair et al., 2010). Kunci dari analisis adalah pengukuran, karena peneliti tidak
akan mampu mengidentifikasi variasi dari suatu variabel tanpa variabel tersebut bisa diukur.

Data dapat diklasifikasikan berdasarkan tipe dari atribut atau karakteristik yang
ditampilkannya, yakni: nonmetrik (kualitatif) dan metrik (kuantitatif).

a. Skala Pengukuran Nonmetrik

Skala ini menggambarkan perbedaan dalam tipe atau jenis dengan menunjukkan ada atau
tidak adanya karakteristik atau properti tertentu (Hair et al., 2010).

Properti berbeda dalam fitur tertentu. Contoh jika seseorang adalah “laki-laki”, dia tidak
bisa menjadi “perempuan”. Tidak mungkin kita bisa menjumlahkan jenis kelamin,
namun kita hanya bisa mengatakan bahwa dia “laki-laki”, atau dia “perempuan”. Ukuran
nonmetrik terdiri dari skala nominal dan skala ordinal.

Skala Nominal (kategorikal)

Memberikan angka sebagai cara untuk melabel atau mengidentifikasi subjek atau objek
(Hair et al., 2010). Pemberian angka pada objek tidak memiliki makna kuantitatif. Skala
ini hanya menyediakan nomor keberadaan variabel dalam kelas atau kategori tertentu.

Conthnya: Jenis kelamin (1 untuk laki-laki, 2 untuk perempuan). Tidak bisa dijumlahkan
maupun dirata-ratakan nilai dari jenis kelamin.

Skala Ordinal
 Skala ordinal adalah level berikutnya presisi pengukuran. Pada skala ordinal, data dapat
diurutkan atau direngking dalam kaitannya dengan jumlah atribut yang dimiliki.

Setiap subjek atau objek bisa dibandingkan dengan yang lainnya dalam hal hubungan
“lebih besar dari” atau “lebih rendah dari”. Scala ordinal sebenarnya tidak kuantitatif
karena hanya mengindikasikan posisi relatif dari seri urutan. Skala ordinal hanya
menyediakan urutan dari nilai. Peneliti tau urutannya, tapi tidak dengan jumlah
perbedaan antara nilai yang ada.

Contoh:

Berikut diilustrasikan level kepuasan konsumen terhadap produk baru menggunakan

skala ordinal.

Gambar 1. Contoh skala ordinal (Hair et al., 2010)

Ketika kita mengukur variabel dengan skala ordinal, kita “urutkan rangking” produk
berdasarkan level kepuasan. Dari gambar kita bisa mengetahui bahwa konsumen lebih
puas dengan produk A, diikuti kemudian oleh produk B dan terakhir produk C. Tapi kita
tidak bisa meyatakan jumlah perbedaan kepuasan antar produk. Peneliti tidak bisa
melakukan operasi aritmatika (penjumlahan, rata-rata, dsb.)

b. Skala Pengukuran Metrik

Digunakan ketika subjek berbeda dalam jumlah atau derjat pada atribut tertentu (Hair et
al., 2010).

Variabel yang diukur secara metrik merefleksikan kuantitas relatif atau urutan dan sesuai
untuk atribut yang melibatkan jumlah atau magnitud, seperti level kepuasan atau
komitmen untuk bekerja. Terdapat dua skala pengukuran metrik yakni interval dan rasio.
Dua skala pengukuran ini memungkinkan dilakukannya operasi matematika.

Untuk contoh kepuasan produk di atas, Data metrik bisa diperoleh dengan mengukur
jarak dari tingkat kepuasan akhir produk A terhadap produk yang lain.

Skala Interval
 Skala interval menggunakan titik nol acak.

Skala Rasio

Skala rasio menggunakan titik nol absolut.

c. Dampak Pemilihan Skala Pengukuran

Dua alasan pentingnya memahami perbedan tipe skala pengukuran:

1) Setiap peneliti harus mengidentifikasi skala pengukuran pada setiap variabel

penelitian yang digunakan. Jadi, data nonmetrik tidak tepat digunakan sebagai data
metrik, begitu juga sebaliknya.

2) Skala pengukuran juga sangat penting untuk menentukan teknik statistika yang
digunakan untuk data. Properti metrik atau nonmetrik dari variabel dependen atau
variabel independen penelitian merupakan salah satu faktor pertimbangan untuk
memilih teknik statistika yang sesuai.

3. Eror Pengukuran dan Pengukuran Multivariat

Eror pengukuran adalah tingkat dimana nilai observasi tidak merepresentasikan nilai “yang
sebenarnya”. Kebanyakan dalam penelitian, terdapat kemungkinan data yang tidak tepat.
Sehingga, semua variabel yang digunakan dalam teknik statistik harus mengasumsikan
tingkat eror pengukuran. Semakin rendah tingkat eror pengukuran, semakin tepat
pengukuran yang dilakukan.

a. Validitas dan Reliabilitas

Peneliti pasti ingin mengurangi eror penelitian. Untuk itu, dia harus memahami dua
karakteristik penting pengukuran:

Validitas: adalah tingkat dimana ukuran secara akurat merepresentasikan apa yang
seharusnya.

Reliabilitas: adalah tingkat dimana variabel yang diobservasi mengukur nilai “yang
benar” dan “bebas eror”. Ukuran yang riliabel akan lebih konsisten ketika digunakan
berulang kali.

b. Dampak dari Eror Pengukuran

Dampak dari eror pengukuran dan reliabilitas yang jelek tidak dapat dilihat secara
langsung karena mereka melekat dalam variabel yang diobservasi. Oleh karena itu
penelti harus selalu bekerja keras untuk meningkatkan validitas dan reliabilitas, guna
 menghasilkan gambaran yang lebih akurat dari variabel yang diteliti serta akan
menghasilkan penelitian yang lebih baik.

4. Jenis Hubungan Antarvariabel

5. Ciri-Ciri Hubungan Sebab Akibat (Kausal)

a. Peran Variabel Dalam Sebuh Model

b. Format Model

6. Statistical Significant Versus statistical Power

Semua teknik multivariat, kecuali analisis klaster dan pemeaan perpektual, didasarkan pada
kesimpulan statistika dari nilai populasi atau hubungan antar variabel dari sampel atau
populasi yang terdistribusi secara random. Peneliti sangat tertarik dalam menggambarkan
kesimpulan dari sekelompok sampel penelitian.

Tipe Statistical error dan statistical power

Dalam menginterpretasikan kesimpulan statisika, peneliti harus menetapkan level

penerimaan atau statistical error dari sampel ang digunakan (dikenal sebagai sampling
eror). Pendekatan yang sangat umum digunakan adalah menentukan level “Eror Tipe I “
(Type I Error), juga dikenal sebagai alpha (α). Eror Tipe I adalah kemungkinan hipotesis nol
ditolak ketika dia sebenarnya benar-secara umum dikenal sebagai false positive.

Selain Eror Tipe I, Peneliti juga harus mempertimbangkan Eror Tipe II (Type II Error),
dikenal juga sebagai beta (β). Eror Tipe II adalah kemungkinan tidak menolak hipotesis nol
ketika dia sebenarnya salah.

Pengembangan dari Eror Tipe II adalah eror 1-β, yakni power dari hasil pengujian statistika.
Power adalah kemungkinan menolak secara benar hipotesis nol ketika dia seharusnya
ditolak. Sehingga, power juga merupakan indikasi kemungkinan signifikan secara statistik
jika dia memang terdapat hubungan.

Eror Tipe I dan Eror Tipe II memiliki hubungan terbalik. Eror Tipe I akan menjadi restriktif
(bergerak mendekati nol) ketika Eror tipe II meningkat. Mengurangi Eror Tipe I akan
mengurangi power pengujian statistik. Sehingga peneliti harus menemukan keseimbangan
natara level alpha dan power hasil (power pengujian statistik).

7. Topologi Metode Analisis Data