Chapter 14: Analisis Data Kuantitatif

Disusun untuk melengkapi tugas kelompok Mata Kuliah Metodologi Penelitian

Manajemen yang dibimbing oleh Dr. Joko Suyono, SE, M.Si.

Disusun Oleh:

Kelompok 3

1. Dyah Ayu Nurrahma A. P. (F0219043)

2. Farhatun Fitriyana Sofa (F0219053)
3. Farida Ari Murti (F0219054)

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS SEBELAS MARET
2020
 Setelah data kuantitatif dikumpulkan dari sampel yang mewakili populasi,
langkah selanjutnya adalah menganalisisnya untuk menjawab pertanyaan penelitian.
Namun, sebelum kita dapat mulai menganalisis data, beberapa langkah awal perlu
diselesaikan. Hal tersebut dilakukan untuk membantu memastikan bahwa data yang
terkumpul akurat, lengkap, dan sesuai untuk analisis lebih lanjut.

MENDAPATKAN DATA YANG SIAP UNTUK DIANALISIS

Berikut merupakan rangkaian tahapan persiapan data:

Pengkodean dan Entri Data

Langkah pertama dalam penyusunan data adalah pengkodean data. Pengkodean
data melibatkan pemberian nomor ke tanggapan peserta sehingga mereka dapat
dimasukkan ke dalam database.
1. Mengkodekan Tanggapan
Pengkodean variabel demografis biasanya agak kurang jelas sehingga
dimungkinkan untuk menggunakan pendekatan pengkodean dengan
menggunakan nomor sebenarnya yang dilingkari oleh responden (1, 2, 3, 4, 5,
dll.). Dimungkinkan pula untuk menggunakan pendekatan pengkodean yang
menetapkan angka 0 (disebut pengkodean dummy) dan sejauh ini merupakan
pendekatan yang paling populer dan direkomendasikan karena lebih mudah
dalam tahap analisis data.
Pada tahap ini peneliti juga harus memikirkan tentang bagaimana
membuat kode nonresponses. Beberapa peneliti membiarkan nonrespons
kosong, yang lain menetapkan "9", "99" atau "." Semua pendekatan dianggap
baik-baik saja, selama peneliti mengkodekan semua nonresponses dengan cara
yang sama. Kesalahan manusia dapat terjadi saat pengkodean. Oleh karena itu,
setidaknya 10% dari kuesioner yang memiliki kode harus diperiksa untuk akurasi
pengkodean melalui pengambilan sampel. Jika banyak kesalahan ditemukan
dalam sampel, semua item mungkin harus diperiksa.
2. Entri Data
Setelah tanggapan dikodekan, data dapat dimasukkan ke dalam database. Data
mentah dapat dimasukkan melalui program perangkat lunak apa pun. Misalnya,
SPSS Data Editor, yang dapat memasukkan, mengedit, dan melihat isi file data.
Setiap baris editor mewakili kasus atau observasi atau tanggapan partisipan dan
setiap kolom mewakili variabel penelitian. Penting untuk selalu menggunakan
kolom pertama untuk tujuan identifikasi; tetapkan nomor untuk setiap kuesioner,
tulis nomor ini di halaman pertama kuesioner, dan masukkan nomor ini di kolom
pertama file data. Hal ini memungkinkan untuk membandingkan data dalam file
data dengan jawaban peserta, bahkan setelah file data diatur ulang. Kemudian,
masukkan tanggapan peserta ke dalam file data.
3. Mengedit Data
Setelah data dimasukkan, data perlu diedit. Misalnya, tanggapan kosong,
jika ada, harus ditangani dengan cara tertentu, dan data yang tidak konsisten
harus diperiksa dan ditindaklanjuti. Pengeditan data berkaitan dengan
pendeteksian dan koreksi data yang tidak logis, tidak konsisten, atau ilegal dan
kelalaian dalam informasi yang dikembalikan oleh peserta penelitian.
Contoh respon tidak logis adalah respon outlier atau pencilan. Pencilan
adalah pengamatan yang secara substansial berbeda dari pengamatan lainnya.
Pencilan tidak selalu merupakan kesalahan meskipun kesalahan data (kesalahan
entri) kemungkinan merupakan sumber pencilan. Karena pencilan berdampak
besar pada hasil penelitian, maka pencilan harus diselidiki dengan cermat untuk
memastikan kebenarannya. Peneliti dapat memeriksa dispersi variabel nominal
dan / atau ordinal dengan mendapatkan nilai minimum dan maksimum dan tabel
frekuensi dan mengungkapkan data pencilan. Untuk data interval dan rasio, alat
bantu visual (seperti diagram sebar atau diagram kotak) adalah metode yang
baik untuk memeriksa pencilan.
Respon yang tidak konsisten merupakan respon yang tidak selaras
dengan informasi lain. Penanganan data yang tidak konsisten harus dilakukan
dengan sangat hati-hati. Jika memungkinkan, sebaiknya tindak lanjuti dengan
responden untuk mendapatkan data yang benar. Kode ilegal adalah nilai yang
tidak ditentukan dalam instruksi pengkodean. Cara terbaik untuk memeriksa kode
ilegal adalah meminta komputer menghasilkan distribusi frekuensi dan
memeriksanya untuk kode ilegal.
Kode ilegal adalah nilai yang tidak ditentukan dalam instruksi pengkodean.
Cara terbaik untuk memeriksa kode ilegal adalah meminta komputer
menghasilkan distribusi frekuensi dan memeriksanya untuk kode ilegal. Tidak
semua responden menjawab setiap item dalam kuesioner. Kelalaian dapat terjadi
karena responden tidak memahami pertanyaan, tidak mengetahui jawabannya,
atau tidak bersedia menjawab pertanyaan. Jika sejumlah besar pertanyaan -
katakanlah, 25% dari item dalam kuesioner - tidak terjawab, mungkin ada
baiknya untuk membuang kuesioner dan tidak memasukkannya ke dalam
kumpulan data untuk dianalisis. Penting untuk menyebutkan jumlah tanggapan
yang dikembalikan tetapi tidak digunakan karena banyaknya data yang hilang
dalam laporan akhir yang diserahkan kepada sponsor penelitian. Namun, jika
hanya dua atau tiga item yang dibiarkan kosong dalam kuesioner dengan,
katakanlah, 30 item atau lebih, kita perlu memutuskan bagaimana tanggapan
kosong ini akan ditangani.
Salah satu cara untuk menangani respons kosong adalah dengan
mengabaikannya saat analisis selesai. Pendekatan ini dapat dilakukan di semua
program statistik dan merupakan opsi default di sebagian besar program
tersebut. Kerugian dari pendekatan ini adalah, tentu saja, ini akan mengurangi
ukuran sampel, terkadang bahkan ke ukuran yang tidak sesuai, setiap kali
variabel tertentu dilibatkan dalam analisis. Selain itu, jika data yang hilang tidak
hilang secara acak, metode ini dapat membuat hasil penelitian Anda bias. Untuk
alasan ini, mengabaikan tanggapan kosong paling cocok untuk contoh di mana
kami telah mengumpulkan sejumlah besar data, jumlah data yang hilang relatif
kecil, dan hubungan begitu kuat sehingga tidak terpengaruh oleh data yang
hilang (Rambut, Anderson, Tatham & Black, 1995). Solusi alternatifnya adalah
dengan melihat pola respons peserta untuk pertanyaan lain dan, dari jawaban ini,
menyimpulkan jawaban logis untuk pertanyaan untuk respons yang hilang. Solusi
alternatif kedua adalah menugaskan item tersebut nilai rata-rata dari tanggapan
semua orang yang telah menanggapi item tersebut. Perhatikan bahwa jika
banyak responden menjawab "tidak tahu" untuk item atau item tertentu,
penyelidikan lebih lanjut dapat dilakukan. Pertanyaannya mungkin tidak jelas
atau, karena alasan tertentu, peserta mungkin enggan atau tidak mampu
menjawab pertanyaan tersebut.
4. Transformasi Data
Transformasi data, sebuah variasi pengkodean data, adalah proses
mengubah representasi numerik asli dari nilai kuantitatif ke nilai lain. Data
biasanya diubah untuk menghindari masalah pada tahap selanjutnya dari proses
analisis data. Jenis transformasi data lainnya adalah penilaian terbalik.
Menyiapkan skema untuk mengkategorikan respons sedemikian rupa sehingga
beberapa item yang mengukur konsep semuanya dikelompokkan bersama
 merupakan hal yang berguna. Jika pertanyaan yang mengukur konsep tidak
bersebelahan tetapi tersebar di berbagai bagian kuesioner, kehati-hatian harus
dilakukan untuk memasukkan semua item tanpa kelalaian atau inklusi yang
salah.

MENDAPATKAN PERASAAN UNTUK DATA

Kita dapat merasakan data dengan mendapatkan ringkasan visual atau
dengan memeriksa tendensi sentral dan penyebaran variabel. Kita juga bisa
mengetahui data kita dengan memeriksa hubungan antara dua variabel. Tergantung
pada skala pengukuran, mode, median, atau mean, dan kisaran semi-interkuartil,
deviasi standar, atau varians akan memberi kita ide bagus tentang bagaimana
partisipan dalam penelitian bereaksi terhadap item di kuesioner. Statistik ini dapat
dengan mudah diperoleh, dan akan menunjukkan apakah tanggapan berkisar
secara memuaskan di atas skala. Jika respon untuk masing-masing item dalam
suatu skala tidak memiliki sebaran (kisaran) yang baik dan menunjukkan variabilitas
yang sangat kecil, maka peneliti mungkin menduga bahwa pertanyaan tertentu
mungkin tidak disusun dengan tepat. Bias, jika ada, juga dapat dideteksi jika
responden cenderung menanggapi semua item dengan cara yang sama - yaitu,
mereka hanya terpaku pada poin tertentu dalam skala. Ingatlah bahwa jika tidak ada
variabilitas dalam data, maka tidak ada varians yang dapat dijelaskan! Dengan
demikian, memahami data merupakan langkah pertama yang diperlukan dalam
semua analisis data. Berdasarkan perasaan awal ini, analisis rinci lebih lanjut dapat
dilakukan untuk menguji kebaikan data.
Para peneliti berusaha keras untuk mendapatkan tendensi sentral, kisaran,
dispersi, dan statistik lain untuk setiap item yang mengukur variabel dependen dan
independen, terutama ketika ukuran untuk suatu konsep baru dikembangkan.
Statistik deskriptif untuk variabel tunggal disediakan oleh frekuensi, ukuran tendensi
sentral, dan dispersi.

Frekuensi
Frekuensi hanya mengacu pada berapa kali berbagai subkategori
fenomena tertentu terjadi, dari mana persentase dan persentase kumulatif
kemunculannya dapat dihitung dengan mudah.
Dari frekuensi yang diperoleh untuk variabel lain diketahui bahwa 79,9%
responden adalah laki-laki dan 20,1% perempuan; sekitar 62% bekerja pada shift
 pertama, 20% pada shift kedua, dan 18% pada shift ketiga. Sekitar 16%
responden bekerja paruh waktu dan 84% penuh waktu. Sekitar 8% memiliki
kurang dari ijazah sekolah menengah atas, 39% ijazah sekolah menengah atas,
32% gelar sarjana, 20% gelar master, dan 1% memiliki gelar doktor. Dengan
demikian, kita memiliki profil karyawan dalam organisasi ini, yang berguna untuk
mendeskripsikan sampel di bagian "metode" pada laporan tertulis.
Bagan batang dan bagan lingkaran
Excelsior Enterprises: diagram batang
Distribusi frekuensi, diagram batang, histogram, dan diagram lingkaran memberikan
banyak informasi dasar tentang data. Pengukuran tendensi sentral dan dispersi akan
membantu untuk lebih memahami data tersebut.

FREQUENCIES
From the menus, choose: Analyze - Descriptive Statistics – Frequencies [Pilih
variabel yang relevan]. Kemudian pilih yang dibutuhkan: Statistics . . . - Charts . . .
Format [for the order in which the results are to be displayed].
Ukuran tendensi sentral dan dispersi
 Ukuran tendensi sentral
Mean, atau rata-rata, adalah ukuran tendensi sentral yang menawarkan gambaran
umum dari data. Misalnya, departemen produksi mungkin menyimpan catatan
terperinci tentang berapa banyak unit produk yang diproduksi setiap hari. Namun,
untuk memperkirakan persediaan bahan baku, yang mungkin ingin diketahui
manajer adalah berapa banyak unit per bulan, rata-rata, yang telah diproduksi
departemen selama enam bulan terakhir. Ukuran tendensi sentral ini bermaksud
menawarkan kepada manajer mengenai gagasan yang baik tentang jumlah bahan
yang perlu disimpan.

Median adalah item utama dalam kelompok pengamatan ketika mereka disusun
dalam urutan naik atau turun.

Modus, dalam beberapa kasus terdapat serangkaian pengamatan yang tidak

memberikan representasi bermakna, baik melalui mean atau median, tetapi dapat
ditandai dengan fenomena yang paling sering terjadi. Misalnya, di departemen di
mana terdapat 10 wanita kulit putih, 24 pria kulit putih, 3 wanita Afrika-Amerika, dan
2 wanita Asia, kelompok yang paling sering muncul (mode) adalah pria kulit putih.
Baik mean maupun median tidak dapat dihitung atau berlaku dalam kasus ini.

 Pengukuran dispersi
Dua kumpulan data mungkin memiliki mean yang sama, tetapi dispersinya bisa
berbeda. Misalnya, jika Perusahaan A menjual masing-masing 30, 40, dan 50 unit
produk selama bulan April, Mei, dan Juni, dan Perusahaan B menjual 10, 40, dan 70
unit selama periode yang sama, rata-rata unit yang terjual per bulan oleh kedua
perusahaan sama yaitu 40 unit, tetapi variabilitas atau dispersi di perusahaan
terakhir lebih besar. Tiga pengukuran dispersi yang dihubungkan dengan mean
adalah range, varians, dan standar deviasi.
Range mengacu pada nilai ekstrim dalam serangkaian pengamatan. Kisarannya
adalah antara 30 dan 50 untuk Perusahaan A (dispersi 20 unit), sedangkan
kisarannya antara 10 dan 70 unit (dispersi 60 unit) untuk Perusahaan B. Ukuran
dispersi lain yang lebih berguna adalah varians.

Varians dihitung dengan mengurangkan mean dari masing-masing observasi dalam

kumpulan data, mengambil kuadrat dari perbedaan ini, dan membagi totalnya
dengan jumlah observasi. Dalam contoh di atas, varians untuk masing-masing dari
kedua perusahaan tersebut adalah:
(30−40)2+(40−40)2 +( 50−40)2
Variance for Company A= =66,7
3

(10−40)2 +(40−40)2+(70−40)2
Variance for Company B= =600
3

Variansnya jauh lebih besar di Perusahaan B daripada di Perusahaan A. Hal ini

membuat manajer Perusahaan B lebih sulit untuk memperkirakan berapa banyak
barang yang akan disimpan daripada untuk manajer Perusahaan A. Dengan
demikian, varians memberikan indikasi seberapa tersebar data dalam satu set data.

Deviasi standar, yang merupakan ukuran dispersi lain untuk data skala interval dan
rasio, menawarkan indeks penyebaran distribusi atau variabilitas dalam data. Ini
adalah ukuran dispersi yang sangat umum digunakan, dan merupakan akar kuadrat
dari varians. Dalam kasus dua perusahaan di atas, standar deviasi untuk
Perusahaan A dan B masing-masing adalah √66.7 dan √600 atau 8.167 dan 24.495.

Ukuran lain dari penyebaran Jika median adalah ukuran tendensi sentral,
persentil, desil, dan kuartil menjadi bermakna. Sama seperti median membagi total
bidang pengamatan menjadi dua bagian yang sama, kuartil membaginya menjadi
empat bagian yang sama, desil menjadi sepuluh, dan persentil menjadi 100 bagian
yang sama.

Ukuran dispersi untuk median, rentang interkuartil, terdiri dari 50% pengamatan
tengah (yaitu, pengamatan tidak termasuk kuartil 25% bawah dan atas). Kisaran
interkuartil sangat berguna ketika perbandingan dibuat di antara beberapa
kelompok. Misalnya, perusahaan telepon dapat membandingkan biaya jarak jauh
pelanggan di beberapa daerah dengan mengambil sampel tagihan pelanggan dari
masing-masing kota untuk dibandingkan. Dengan memplot kuartil pertama dan
ketiga serta membandingkan median dan sebaran, mereka dapat mengetahui di
mana tagihan cenderung paling tinggi, sejauh mana pelanggan bervariasi dalam
frekuensi penggunaan panggilan jarak jauh, dan seterusnya. Ini dilakukan dengan
membuat plot kotak dan kumis untuk setiap area. Plot kotak dan kumis adalah
perangkat grafik yang menggambarkan tendensi sentral, persentil, dan variabilitas.
Sebuah kotak digambar, memanjang dari kuartil pertama ke kuartil ketiga, dan garis-
garis ditarik dari kedua sisi kotak ke skor ekstrim, seperti yang ditunjukkan pada
Gambar 14.6 (a) dan Gambar 14.6 (b) memiliki median yang diwakili oleh sebuah
titik di dalam setiap kotak.

Hubungan antar variabel

Tes nonparametrik tersedia untuk menilai hubungan antara variabel yang diukur
pada skala nominal atau ordinal. Korelasi peringkat Spearman dan korelasi
peringkat Kendall digunakan untuk menguji hubungan antara dua variabel ordinal.
Matriks korelasi digunakan untuk memeriksa hubungan antara variabel interval dan
atau rasio.

Hubungan antara dua variabel nominal: uji X 2

Terkadang kita mungkin ingin mengetahui apakah ada hubungan antara dua
variabel nominal atau apakah keduanya tidak bergantung satu sama lain. Sebagai
contoh: (1) Apakah melihat iklan televisi dari suatu produk (ya/ tidak) terkait dengan
pembelian produk tersebut oleh individu (beli/ jangan beli)? (2) Apakah jenis
pekerjaan yang dilakukan oleh individu (pekerjaan kerah putih/ pekerjaan kerah biru)
merupakan fungsi dari warna kulit mereka (putih/ bukan putih)? Perbandingan
tersebut dapat dilakukan dengan mengatur data menurut kelompok atau kategori
dan melihat apakah terdapat hubungan yang signifikan secara statistik. Hal ini dapat
dikonfirmasi secara statistik dengan uji chi-square ( X 2 ) - uji nonparametrik - yang
menunjukkan apakah pola yang diamati adalah kebetulan atau tidak. Uji
nonparametrik digunakan ketika normalitas distribusi tidak dapat diasumsikan seperti
pada data nominal atau ordinal. Tes X 2 membandingkan frekuensi yang diharapkan
(berdasarkan probabilitas) dan frekuensi yang diamati, dan statistik X 2 diperoleh
dengan rumus:
(Oi−Ei)2
X 2 =∑
Ei

dimana X 2 adalah statistik chi-square; Oi adalah frekuensi yang diamati dari sel ke-i;
dan Ei adalah frekuensi yang diharapkan. Jadi, dalam menguji perbedaan dalam
hubungan di antara variabel berskala nominal, statistik X 2 (chi-square) berguna.
Hipotesis nol akan ditetapkan untuk menyatakan bahwa tidak ada hubungan yang
signifikan antara dua variabel dan hipotesis alternatif akan menyatakan bahwa ada
hubungan yang signifikan.

Statistik X 2 juga dapat digunakan untuk beberapa level dari dua variabel nominal.
Misalnya, seseorang mungkin tertarik untuk mengetahui apakah empat kelompok
karyawan (produksi, penjualan, pemasaran, dan personel R&D) bereaksi terhadap
kebijakan dalam empat cara berbeda (yaitu, tanpa minat sama sekali, dengan minat
ringan, minat sedang, dan minat yang intens). Di sini, nilai X 2 untuk uji independensi
dihasilkan dengan melakukan tabulasi silang data dalam 16 sel yaitu,
mengklasifikasikan data dalam empat kelompok karyawan dan empat kategori
minat. Derajat kebebasan di sini adalah 9: [(4-1)X(4-1)]. Selain tes X 2 , tes lain,
seperti uji probabilitas pasti Fisher dan uji Cochran Q digunakan untuk menentukan
hubungan antara dua variabel berskala nominal.

Korelasi
Matriks korelasi Pearson akan menunjukkan arah, kekuatan, dan signifikansi
hubungan bivariat di antara semua variabel yang diukur pada tingkat interval atau
rasio. Korelasi diperoleh dengan menilai variasi dalam satu variabel karena variabel
lain juga bervariasi. Gambar 14.7 (b) menunjukkan pola yang dapat dilihat tentang
bagaimana kedua faktor tersebut bervariasi secara bersamaan (tren penyebarannya
adalah dari garis lurus ke bawah), sedangkan Gambar 14.7 (a) tidak. Melihat
diagram sebar pada Gambar 14.7 (b), terlihat ada korelasi negatif langsung antara
harga dan penjualan produk ini. Artinya, seiring dengan kenaikan harga, penjualan
produk turun secara konsisten. Gambar 14.7 (a) menunjukkan tidak ada pola yang
dapat ditafsirkan untuk produk lain.

Koefisien korelasi yang menunjukkan kekuatan dan arah hubungan dapat dihitung
dengan menerapkan rumus yang mempertimbangkan dua kumpulan angka, volume
penjualan yang berbeda dengan harga yang berbeda. Secara teoritis, mungkin ada
korelasi positif sempurna antara dua variabel, yang diwakili oleh 1,0 (plus 1), atau
korelasi negatif sempurna yang akan menjadi −1,0 (minus 1). Namun, tidak satu pun
dari ini akan ditemukan dalam kenyataan saat menilai korelasi antara dua variabel
yang diharapkan berbeda satu sama lain. Meskipun korelasinya dapat berkisar
antara −1.0 dan +1.0, kita perlu mengetahui apakah ada korelasi yang ditemukan
antara dua variabel signifikan atau tidak (yaitu, jika itu terjadi semata-mata secara
kebetulan atau jika ada probabilitas tinggi untuk keberadaan sebenarnya).

Koefisien korelasi Pearson sesuai untuk variabel skala interval dan rasio, dan
Peringkat Spearman atau koefisien Kendall sesuai ketika variabel diukur pada skala
ordinal.

USAHA LUAR BIASA: STATISTIK DESKRIPSI BAGIAN 1

Statistik deskriptif seperti maksimum, minimum, rata-rata, deviasi standar, dan
varians diperoleh untuk item berskala interval dari studi Excelsior Enterprises.

MENGUJI KEBAIKAN UKURAN

Reliabilitas dan validitas pengukuran sekarang dapat diuji. Reliabilitas suatu
ukuran ditentukan dengan menguji konsistensi dan stabilitas. Konsistensi
menunjukkan seberapa baik item yang mengukur suatu konsep dapat digabungkan
sebagai satu kesatuan. Alpha Cronbach adalah koefisien reliabilitas yang
menunjukkan seberapa baik item dalam satu set berkorelasi positif satu sama lain.
Alpha Cronbach dihitung dalam hal interkorelasi rata-rata di antara item yang
mengukur konsep. Semakin dekat alfa Cronbach ke 1, semakin tinggi keandalan
konsistensi internal.
Ukuran lain dari keandalan konsistensi yang digunakan dalam situasi tertentu
adalah koefisien reliabilitas split-half. Karena ini mencerminkan korelasi antara dua
bagian dari satu set item, koefisien yang diperoleh akan bervariasi tergantung pada
bagaimana skala tersebut dibagi. Stabilitas suatu ukuran dapat dinilai melalui
reliabilitas bentuk paralel dan reliabilitas tes-tes ulang. Ketika korelasi tinggi antara
dua bentuk ukuran yang serupa diperoleh, reliabilitas bentuk paralel ditetapkan.
Reliabilitas tes-tes ulang dapat dibangun dengan menghitung korelasi antara tes
yang sama yang diberikan pada dua periode waktu yang berbeda.

Excelsior Enterprises: memeriksa keandalan pengukuran multi-item

 Karena persepsi ekuitas, kelelahan, pengayaan pekerjaan, dan niat untuk
pergi diukur dengan skala multi-item, konsistensi jawaban responden terhadap item
skala harus diuji untuk setiap ukuran. Cronbach's alpha adalah tes konsistensi antar
item yang populer. Tabel 14.3 memberikan gambaran alpha Cronbach untuk empat
variabel. Tabel ini menunjukkan bahwa semua alpha berada di atas 0,60.
Secara umum, reliabilitas yang kurang dari 0,60 dianggap buruk, yang berada
dalam kisaran 0,70, dapat diterima, dan yang di atas 0,80 baik. Dengan demikian,
reliabilitas konsistensi internal dari ukuran yang digunakan dalam penelitian ini dapat
dianggap masih dapat diterima untuk niat meninggalkan ukuran dan baik untuk
ukuran lainnya.
Penting untuk dicatat bahwa semua item dengan kata-kata negatif dalam
kuesioner harus dibalik terlebih dahulu sebelum item tersebut diserahkan untuk uji
reliabilitas. Kecuali jika semua item yang mengukur variabel berada pada arah yang
sama, reliabilitas yang diperoleh tidak akan benar. Contoh hasil yang diperoleh
untuk uji alpha Cronbach untuk pengayaan pekerjaan, bersama dengan instruksi
tentang cara mendapatkannya, ditunjukkan pada Output 14.3.
Keandalan ukuran pengayaan pekerjaan disajikan pada tabel pertama di
Output 14.3. Tabel kedua memberikan gambaran umum tentang alfa jika kita
mengambil salah satu item dari ukuran. Misalnya, jika item pertama (Jobchar1)
dihilangkan, alpha Cronbach untuk pengukuran tiga item baru adalah 0,777. Ini
berarti alpha akan turun jika kita mengeluarkan item 1 dari ukuran kita. Begitu juga
jika kita mengeluarkan item 2, alpha kita akan turun menjadi 0.788. Perhatikan
bahwa meskipun alpha kami akan meningkat jika kami mengambil salah satu item,
kami tidak akan mengeluarkannya karena dua alasan. Pertama, alpha kita di atas
0,7 jadi kita tidak perlu melakukan tindakan perbaikan apa pun. Kedua, jika kita akan
mengeluarkan salah satu item, validitas ukuran kita mungkin akan menurun. Item
(semuanya) dimasukkan dalam ukuran asli karena suatu alasan!
Namun, jika alpha Cronbach kita terlalu rendah (di bawah 0,60) maka kita
dapat menggunakan tabel ini untuk mengetahui item mana yang harus dihapus dari
ukuran kita untuk meningkatkan konsistensi antar item. Perhatikan bahwa, biasanya,
mengeluarkan suatu item, meskipun meningkatkan keandalan pengukuran kita,
memengaruhi validitas ukuran kita dengan cara yang negatif.

Keabsahan
 Validitas faktorial dapat ditetapkan dengan mengirimkan data untuk analisis
faktor. Hasil analisis faktor (teknik multivariat) akan memastikan muncul atau
tidaknya dimensi-dimensi yang diteorikan. Ukuran dikembangkan dengan terlebih
dahulu menggambarkan dimensi untuk mengoperasionalkan konsep. Analisis faktor
mengungkapkan apakah dimensi benar-benar dipengaruhi oleh item dalam ukuran,
seperti yang diteorikan. Validitas terkait kriteria dapat ditetapkan dengan menguji
kekuatan ukuran untuk membedakan individu yang diketahui berbeda. Validitas
konvergen dapat dibentuk ketika ada tingkat korelasi yang tinggi antara dua sumber
berbeda yang menanggapi ukuran yang sama (misalnya, baik supervisor dan
bawahan menanggapi serupa dengan ukuran sistem penghargaan yang dirasakan
yang diberikan kepada mereka). Validitas diskriminan dapat ditetapkan ketika dua
konsep yang sangat berbeda tidak berkorelasi satu sama lain (misalnya, keberanian
dan kejujuran; kepemimpinan dan motivasi; sikap dan perilaku). Validitas konvergen
dan diskriminan dapat ditetapkan melalui matriks multimetode multitrait, yang
pembahasan lengkapnya berada di luar cakupan buku ini. Mahasiswa yang tertarik
untuk mengetahui lebih jauh tentang analisis faktor dan matrik multimetode dapat
mengacu pada buku-buku pada mata pelajaran tersebut. Jika ukuran yang divalidasi
dengan baik digunakan, tentu saja tidak perlu menetapkan validitasnya lagi untuk
setiap studi. Namun, keandalan item dapat diuji.

USAHA LUAR BIASA: STATISTIK DESKRIPSI BAGIAN 2

Setelah skor baru untuk ekuitas yang dirasakan, pengayaan pekerjaan,
kelelahan, dan niat untuk keluar telah dihitung, kami siap untuk menganalisis data
lebih lanjut. Statistik deskriptif seperti maksimum, minimum, mean, deviasi standar,
dan varians sekarang dapat diperoleh untuk variabel multi-item, variabel independen
berskala interval, dan dependen. Terlebih lagi, matriks korelasi juga dapat diperoleh
untuk memeriksa bagaimana variabel dalam model kita terkait satu sama lain.

Ini akan membantu kita menjawab pertanyaan penting seperti:

 Seberapa besar masalahnya? Dengan kata lain, sejauh mana karyawan
Excelsior Enterprises cenderung berhenti? Apa kecenderungan rata-rata
untuk pergi?
 Apa sifat masalahnya?
 Statistik deskriptif juga akan membantu kita menjawab pertanyaan-pertanyaan
berikut:
 Apakah karyawan puas dengan pekerjaan mereka?
 Apa persepsi karyawan tentang pengayaan pekerjaan?
 Berapa banyak karyawan yang mengalami tingkat kejenuhan?
 Apakah ada banyak perbedaan sejauh mana karyawan memandang
hubungan dengan perusahaan sebagai adil?
 Apa hubungan antara persepsi ekuitas, kelelahan, pengayaan pekerjaan,
kepuasan kerja, dan niat untuk keluar?

Jawaban atas pertanyaan-pertanyaan ini akan membantu kita (bersama

dengan hasil tes hipotesis kita) untuk membuat keputusan yang tepat tentang
bagaimana kita dapat memecahkan masalah dengan sebaik-baiknya.
Statistik deskriptif seperti maksimum, minimum, mean, deviasi standar, dan
varians diperoleh untuk variabel independen dan dependen berskala interval dalam
studi Excelsior Enterprises.

Tabel 14.5 memberikan akun yang lebih rinci tentang niat karyawan untuk
keluar. Tabel ini menunjukkan bahwa sekelompok besar karyawan secara serius
mempertimbangkan untuk keluar dari Excelsior Enterprises! Menguji hipotesis kami
akan meningkatkan pemahaman kami tentang mengapa karyawan
mempertimbangkan untuk keluar dari Excelsior Enterprises dan akan memberi kami
alat yang berguna untuk mengurangi niat karyawan untuk meninggalkan
perusahaan.
 Matriks korelasi Pearson yang diperoleh untuk lima variabel berskala interval
ditunjukkan pada Tabel 14.6. Dari hasil tersebut, kita melihat bahwa niat untuk pergi,
seperti yang diharapkan, secara signifikan berkorelasi negatif dengan kepuasan
kerja, kesetaraan yang dirasakan, dan pengayaan pekerjaan. Artinya, niat untuk
pergi rendah jika kepuasan kerja dan perlakuan yang adil dialami, dan pekerjaan itu
diperkaya. Namun, ketika individu mengalami kelelahan (kelelahan fisik dan
emosional), niat mereka untuk pergi tidak meningkat (hubungan ini tidak signifikan;
kita akan membahas lebih banyak tentang hal ini di bab berikutnya). Kepuasan kerja
berkorelasi positif dengan ekuitas yang dirasakan dan pekerjaan yang diperkaya dan
berkorelasi negatif dengan kelelahan dan ITL. Korelasi ini semuanya dalam arah
yang diharapkan. Penting untuk dicatat bahwa korelasi antara variabel independen
tidak melebihi 0,272 untuk sampel ini. Ini adalah temuan penting, karena jika korelasi
antara variabel independen sangat tinggi (katakanlah, 0,75 ke atas), kita mungkin
mengalami masalah kolinearitas dalam analisis regresi kita. Setelah kita
memperoleh statistik deskriptif untuk variabel dalam penelitian, kita dapat menguji
hipotesis.