METODOLOGI PENELITIAN
Disusun oleh :
PRODI S1 MANAJEMEN
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.
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.
Frequencies
Frekuensi hanya mengacu pada berapa kali berbagai subkategori fenomena tertentu
terjadi, dari yang mana persentase dan persentase kumulatif kemunculannya dapat
dihitung dengan mudah.
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.
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).
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.
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.
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.
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
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.
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.
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.
Reliability
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.
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.