RESUME BAB 14

METODOLOGI PENELITIAN

QUANTITATIVE DATA ANALYSIS

Disusun oleh :

Ian Saputra F0219072

Yan Irvan A.R F0219147

Yuliana Dewi F0219148

PRODI S1 MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS SEBELAS MARET

SURAKARTA

2021
INTRODUCTION
Setelah data kuantitatif dikumpulkan dari sampel yang mewakili populasi, langkah
selanjutnya adalah menganalisisnya untuk menjawab pertanyaan penelitian kami.
Namun, sebelum kita dapat mulai menganalisis data, beberapa langkah awal perlu
diselesaikan. Ini membantu memastikan bahwa data akurat, lengkap, dan sesuai untuk
analisis lebih lanjut. Bab ini membahas langkah-langkah awal ini secara rinci.
Selanjutnya, disediakan pedoman umum untuk menghitung dan menampilkan statistik
deskriptif dasar.

MENDAPATKAN DATA SIAP UNTUK ANALISIS

Setelah data diperoleh melalui kuesioner, perlu diberi kode, dimasukkan, dan diedit.
Artinya, skema kategorisasi harus dibuat sebelum data dapat diketik. Kemudian, outlier,
inkonsistensi, dan tanggapan kosong, jika ada, harus ditangani dengan cara tertentu.
Masing-masing tahapan persiapan data dibahas di bawah ini.

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. Di Bab 9, kita membahas kenyamanan survei
elektronik untuk mengumpulkan data kuesioner; survei semacam itu memfasilitasi
masuknya tanggapan langsung ke komputer tanpa memasukkan data secara manual.
Namun, jika, karena alasan apa pun, hal ini tidak dapat dilakukan, sebaiknya
gunakan lembar kode terlebih dahulu untuk mentranskripsikan data dari kuesioner dan
kemudian memasukkan datanya. Metode ini, berbeda dengan membolak-balik setiap
kuesioner untuk setiap item, menghindari kebingungan, terutama jika pertanyaan yang
diajukan banyak dan jumlah kuesioner yang banyak pula.

Mengkodekan tanggapan
Dalam kuesioner Excelsior Enterprises, kami memiliki 22 item yang mengukur
ekuitas yang dirasakan, pengayaan pekerjaan, pembakaran- keluar, kepuasan kerja,
dan niat untuk pergi, dan enam variabel demografis.
Entri data
Setelah tanggapan dikodekan, mereka dapat dimasukkan ke dalam database. Data
mentah dapat dimasukkan melalui program perangkat lunak apa pun. Misalnya SPSS
Data Editor yang bentuknya seperti spreadsheet bisa masuk, mengedit, dan melihat isi
file data.

Mengedit data
Setelah data dimasukkan, mereka perlu diedit. Misalnya, tanggapan kosong, jika
ada, harus ditangani di beberapa cara, 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.

Transformasi data
Transformasi data, 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.
Misalnya, para ekonom sering menggunakan transformasi logaritmik agar data lebih
merata. Jika, misalnya, data pendapatan, yang seringkali tidak terdistribusi secara
merata, direduksi menjadi nilai logaritmiknya, pendapatan yang tinggi dibawa mendekati
ujung bawah skala dan memberikan distribusi yang mendekati kurva normal.

Mendapatkan Sesuatu Pada 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. Dalam Bab 12, kami
menjelaskan bahwa operasi statistik yang berbeda pada variabel dimungkinkan,
tergantung pada tingkat di mana variabel diukur.
Jika ada, juga dapat terdeteksi jika responden cenderung merespons Mirip dengan
semua item, mereka hanya menempel pada poin tertentu pada 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.

Frequencies

Frekuensi hanya mengacu pada berapa kali berbagai subkategori fenomena tertentu
terjadi, dari yang mana persentase dan persentase kumulatif kemunculannya dapat
dihitung dengan mudah.

Excelsior Enterprises: frekuensi Frekuensi jumlah individu dalam berbagai

departemen untuk sampel Perusahaan Excelsior ditunjukkan pada Output 14.1. Bisa
dilihat dari situ jumlah individu terbesar dalam sampel berasal dari bagian produksi
(28,1%), diikuti oleh departemen penjualan (25,3%). Hanya tiga individu (1,7%) yang
berasal dari humas, dan lima individu masing-masing dari departemen keuangan,
pemeliharaan, dan akuntansi (2,9% dari masing-masing). Jumlah rendah dalam sampel
di beberapa departemen merupakan fungsi dari total populasi (sangat sedikit anggota)
di departemen tersebut.

Contoh lain di mana distribusi frekuensi akan bermanfaat jika: (1) seorang manajer
pemasaran ingin mengetahui berapa unit (dan berapa proporsinya atau persentase)
dari setiap merek kopi yang dijual di wilayah tertentu selama periode tertentu; (2)
konsultan pajak ingin menghitung berapa kali ukuran perusahaan yang berbeda (kecil,
menengah, besar) diaudit oleh IRS; dan (3) analis keuangan ingin melacak berapa kali
saham manufaktur, perusahaan industri, dan utilitas kehilangan atau memperoleh lebih
dari sepuluh poin di Bursa Efek New York selama periode enam bulan.

Bar charts and pie charts

Frekuensi juga dapat ditampilkan secara visual sebagai diagram batang, histogram,
atau diagram lingkaran. Bagan batang, histogram, dan pai bagan membantu kami
memahami data kami.
Measures of central tendency and dispersion

Ada tiga ukuran tendensi sentral: mean, median, dan mode. Pengukuran dispersi
termasuk rentang, deviasi standar, varians (di mana ukuran tendensi sentral adalah
mean), dan kisaran interkuartil (di mana ukuran tendensi sentral adalah median).

Measures of central tendency

Mean, atau rata-rata, adalah ukuran tendensi sentral yang menawarkan gambaran
umum tentang data tanpa perlu membanjiri satu data dengan masing-masing
pengamatan dalam kumpulan data.

Median,adalah item utama dalam kelompok pengamatan ketika mereka disusun dalam
sebuahas cending atau descending order. Mari kita ambil contoh untuk memeriksa
bagaimana median ditentukan sebagai ukuran dari tendensi sentral.

Modus,Dalam beberapa kasus, serangkaian pengamatan tidak memberikan

representasi yang berarti melalui mean atau median, tetapi dapat ditandai dengan
fenomena yang paling sering terjadi.

Measures of dispersion

Selain mengetahui bahwa ukuran tendensi sentral adalah mean, median, atau mode
(tergantung jenis data yang tersedia), orang juga ingin mengetahui tentang variabilitas
yang ada dalam serangkaian pengamatan. Seperti ukuran tendensi sentral, ukuran
dispersi juga unik untuk nominal danndata interval.

Range mengacu pada nilai ekstrim dalam serangkaian pengamatan. Kisarannya antara
30 dan 50 untuk Perusahaan A (dispersi 20 unit), sedangkan kisarannya antara 10 dan
70 unit (dispersi 60 unit) untuk Perusahaan B. Lainnya ukuran dispersi yang lebih
berguna adalah varians.

Varians dihitung dengan mengurangi mean dari masing-masing observasi dalam

kumpulan data,mengambil kuadrat dari selisih ini, dan membagi totalnya dengan jumlah
pengamatan.
Standard deviation, yang merupakan ukuran lain dari dispersi untuk interval dan rasio
skala data, menawarkan indeks penyebaran distribusi atau variabilitas dalam data. Ini
sangat ukuran dispersi yang umum digunakan, dan merupakan akar kuadrat dari
varians.

Other measures of dispersion Jika median adalah ukuran tendensi sentral,

persentil,desil, dan kuartil menjadi bermakna. Sama seperti median membagi alam total
pengamatan menjadi dua bagian yang sama, kuartil membaginya menjadi empat
bagian yang sama, desil menjadi sepuluh, dan persentil menjadi 100 bagian yang
sama. Persentil berguna saat data dalam jumlah besar, seperti skor GRE atau
GMAT,ditangani.

Relationships between variables

Dalam proyek penelitian yang mencakup beberapa variabel, di luar pengawasan

statistik deskriptif variabel, kami sering ingin tahu bagaimana satu variabel terkait
dengan yang lain. Artinya, kami ingin melihat sifat, arah, dan signifikansi variabel
hubungan bivariat yang digunakan dalam penelitian (yaitu, hubungan antara apa saja
dua variabel di antara variabel yang disadap dalam penelitian.

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

Relationship between two nominal variables: χ2 test

Terkadang kita mungkin ingin mengetahui apakah ada hubungan antara dua variabel
nominal atau apakah ada independen satu sama lain. Sebagai contoh: (1) Apakah
melihat iklan televisi dari suatu produk (ya / tidak) terkait membeli produk tersebut
secara individu (beli / jangan beli)? (2) Apakah jenis pekerjaan yang dilakukan oleh
individu (pekerjaan kerah putih / pekerjaan kerah biru) 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.
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. Katakanlah kita telah mengumpulkan data pada dua variabel yaitu: harga
dan penjualan untuk dua produk yang berbeda. Volume penjualan di setiap tingkat
harga dapat diplot untuk setiap produk, seperti yang ditunjukkan pada diagram pencar
pada Gambar 14.7 (a) dan 14.7 (b).

Gambar 14.7 (b) menunjukkan pola yang tentang bagaimana kedua faktor
tersebut bervariasi secara bersamaan (tren penyebarannya adalah dari garis lurus ke
bawah), sedangkan Gambar 14.7 (a) tidak. Pada scatter diagram Gambar 14.7 (b),
terlihat ada korelasi negatif langsung antara harga dan penjualan produk. 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
dalam hal ini, 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).
Sementara korelasinya bisa berkisar antara −1.0 dan +1.0,kita perlu mengetahui
apakah ada korelasi yang ditemukan antara dua variabel yang signifikan atau tidak
(yaitu, jika itu terjadi semata-mata secara kebetulan atau jika ada probabilitas tinggi
untuk keberadaan sebenarnya). Seperti yang kita ketahui, signifikansi p 0 05. adalah
tingkat konvensional yang diterima secara umum dalam penelitian ilmu sosial. Ini
menunjukkan bahwa 95 kali dari 100, kita dapat yakin bahwa ada korelasi yang benar
atau signifikan antara kedua variabel, dan hanya ada kemungkinan 5% bahwa
hubungan tersebut tidak benar-benar ada.

Jika ada korelasi 0,56 (dilambangkan sebagai r 0 56.) Antara dua variabel A dan
B, dengan p 0 01. , maka kita tahu bahwa ada hubungan positif antara kedua variabel
dan kemungkinan tidak benarnya adalah 1% atau kurang. Artinya, lebih dari 99% waktu
kita mengharapkan korelasi ini ada. Korelasi 0, 56 juga menunjukkan bahwa variabel
menjelaskan varians satu sama lain hingga 31,4% (0,562). Dengan demikian, hipotesis
yang mendalilkan hubungan positif (atau negatif) yang signifikan antara dua variabel
dapat diuji dengan memeriksa korelasi antara keduanya. Koefisien korelasi Pearson
sesuai untuk interval - dan rasio - variabel berskala, dan Peringkat Spearman.

EXCELSIOR ENTERPRISES: DESCRIPTIVE STATISTICS PART 1

Statistik deskriptif seperti maksimum, minimum, mean, standar deviasi, dan

varians diperoleh untuk skala interval. Prosedurnya ditunjukkan pada Output 14.2.

Hasil yang disajikan pada tabel pada Output 14.2 menunjukkan bahwa:
 - Ada observasi yang hilang untuk setiap item kecuali item pe1, pe2, pe3,
burnout10, itl1, dan itl2.
- Ada kode ilegal untuk item jobchar1 (6 telah dimasukkan di setidaknya satu sel),
burnout3 (sekali lagi, 6 telah dimasukkan di setidaknya satu sel), dan itl2 (5 telah
dimasukkan di setidaknya satu sel).
- Tanggapan untuk setiap item memiliki penyebaran yang baik.

Tindakan yang tepat telah diambil untuk memperbaiki entri ilegal. Pemeriksaan lebih
lanjut atas data yang hilang mengungkapkan bahwa setiap peserta menjawab semua
atau sebagian besar pertanyaan. Oleh karena itu, tidak ada kuesioner yang
dikeluarkan. Data yang hilang akan diabaikan selama analisis selanjutnya. Dari sini,
dapat melanjutkan dengan analisis terperinci lebih lanjut untuk menguji kebaikan data
kami.

MENGUJI KEBAIKAN UKURAN

Reliability

Alpha Cronbach adalah koefisien reliabilitas yang menunjukkan seberapa baik

item dalam himpunan berkorelasi positif satu sama lain. Alpha Cronbach dihitung dalam
hal interkorelasi rata-rata di antara item yang mengukur konsep. Semakin dekat
Cronbach's alpha ke 1, semakin tinggi keandalan konsistensi internal. Ukuran lain dari
keandalan konsistensi yang digunakan dalam situasi tertentu adalah pemisahan -
setengah koefisien reliabilitas. Karena ini mencerminkan korelasi antara dua bagian dari
satu set item, koefisien yang diperoleh akan bervariasi tergantung pada bagaimana
skala tersebut dibagi. Terkadang skala ini diperoleh untuk menguji konsistensi ketika
lebih dari satu skala, dimensi, atau faktor, dinilai.

Seperti dibahas dalam Bab 12, stabilitas suatu ukuran dapat dinilai melalui
reliabilitas bentuk paralel dan reliabilitas tes-tes ulang. Ketika korelasi tinggi antara dua
bentuk ukuran yang serupa (lihat Bab 12) 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

 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.

Tabel ini memberikan gambaran umum tentang alfa jika kita mengambil salah
satu item dari ukuran. Misalnya, ditunjukkan bahwa jika item pertama (Jobchar1)
dihilangkan, alpha Cronbach dari tiga item baru - ukuran item akan menjadi 0.777. Ini
berarti alpha akan turun jika kita mengeluarkan item 1 dari ukuran. Begitu juga jika kita
mengeluarkan item 2, alpha akan turun menjadi 0.788. Perhatikan bahwa meskipun
alpha akan meningkat jika kita mengambil salah satu item, kita tidak akan
mengeluarkannya karena dua alasan. Pertama, alpha di atas 0,7 kita tidak perlu
melakukan tindakan perbaikan apa pun. Kedua, jika kita mengeluarkan salah satu item,
validitas ukuran mungkin akan menurun. 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 inter‐item consistency.

Validity

Validitas faktorial dapat dibuat dengan mengirimkan data untuk analisis faktor.
Hasil analisis faktor (teknik multivariat) akan memastikan muncul atau tidaknya dimensi-
dimensi yang diteorikan. Analisis faktor mengungkapkan apakah dimensi benar-benar
dipengaruhi oleh item dalam ukuran, seperti yang diteorikan. Kriteria terkait validitas
dapat dibangun dengan menguji kekuatan ukuran untuk membedakan individu yang
diketahui berbeda. Validitas konvergen dapat dibentuk jika ada korelasi tingkat tinggi
antara dua sumber yang berbeda menanggapi ukuran yang sama.

Validitas diskriminan dapat dibangun 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.

EXCELSIOR ENTERPRISES: DESCRIPTIVE STATISTICS PART 2

Statistik deskriptif seperti maksimum, minimum, rata-rata, deviasi standar, dan

varians sekarang dapat diperoleh untuk multi-item, interval-berskala variabel
independen dan dependen. Terlebih lagi, matriks korelasi juga dapat diperoleh untuk
memeriksa bagaimana variabel dalam model kita terkait satu sama lain.