MENDAPATKAN DATA SIAP UNTUK ANALISIS

Setelah data diperoleh melalui kuesioner, maka perlu diberi kode, dimasukkan, dan
diedit. Artinya, skema kategorisasi harus disiapkan sebelum data dapat diketik. Kemudian,
pencilan, 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. Pada Bab 9, kita membahas kemudahan 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 koding terlebih dahulu untuk menyalin data dari kuesioner
dan kemudian memasukkan data. Metode ini, berbeda dengan membolak-balik setiap kuesioner
untuk setiap item, menghindari kebingungan, terutama bila pertanyaan yang diajukan banyak dan
jumlah kuesioner yang banyak pula.

Mengode tanggapan

Dalam kuesioner Excelsior Enterprises, kami memiliki 22 item yang mengukur

kesetaraan yang dirasakan, pengayaan pekerjaan, kelelahan, kepuasan kerja, dan niat untuk pergi,
dan enam variabel demografis, seperti yang ditunjukkan pada Gambar 14.1, sampel kuesioner.

Tanggapan karyawan tertentu ini (peserta # 1 dalam file data) untuk 22 pertanyaan
pertama dapat diberi kode dengan menggunakan nomor sebenarnya yang dilingkari oleh
responden (1, 2, 3, 1, 4, 5, 1, 3, 3 , dll.). Pengodean variabel demografis agak kurang jelas.
Misalnya, tenurial adalah kasus khusus, karena merupakan variabel dua kategori. Dimungkinkan
untuk menggunakan pendekatan pengkodean yang menetapkan 1 = paruh waktu dan 2 = penuh
waktu. Namun, menggunakan 0 = paruh waktu dan 1 = penuh waktu (ini disebut pengkodean
dummy) sejauh ini merupakan pendekatan yang paling populer dan direkomendasikan karena ini
membuat hidup kita lebih mudah dalam tahap analisis data. Karenanya, kami memberi kode
tenur (penuh waktu) dengan 1 untuk peserta # 1. Shift kerja (shift ketiga) dapat diberi kode 3,
departemen (produksi) 2, dan usia 54. Gender dapat diberi kode 0 (pria) Terakhir, pendidikan
( kurang dari sekolah menengah atas) dapat diberi kode 1.

Pada tahap ini Anda juga harus memikirkan tentang bagaimana Anda ingin membuat
kode nonresponses. Beberapa peneliti membiarkan nonrespons kosong, yang lain menetapkan
"9," sebuah "99" atau "." Semua pendekatan baik-baik saja, selama Anda mengkodekan semua
nonresponses dengan cara yang sama.

Kesalahan manusia dapat terjadi saat pengkodean. Oleh karena itu, setidaknya 10% dari
kuesioner berkode harus diperiksa untuk akurasi pengkodean. Pemilihan mereka mungkin
mengikuti prosedur pengambilan sampel yang sistematis. Artinya, setiap kode bentuk n dapat
diverifikasi keakuratannya. Jika banyak kesalahan ditemukan dalam sampel, semua item
mungkin harus diperiksa.

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
terlihat seperti spreadsheet dan ditunjukkan pada Gambar 14.2, dapat memasukkan, mengedit,
dan melihat isi file data.

Setiap baris editor mewakili kasus atau observasi (dalam hal ini peserta penelitian kami -
174 dalam studi Excelsior Enterprises), dan setiap kolom mewakili variabel (di sini variabel
didefinisikan sebagai item informasi berbeda yang Anda kumpulkan untuk Anda. kasus;
demikian ada 28 variabel dalam kuesioner Excelsior Enterprises).

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 Anda. Hal ini memungkinkan Anda untuk membandingkan
data dalam file data dengan jawaban peserta, bahkan setelah Anda mengatur ulang file data
Anda.

Kemudian, masukkan tanggapan peserta ke dalam file data.

Mengedit data
 Setelah data dimasukkan, mereka 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. 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 memiliki dampak yang besar pada hasil penelitian, pencilan harus diselidiki dengan
cermat untuk memastikan kebenarannya. Anda dapat memeriksa penyebaran variabel nominal
dan / atau ordinal dengan mendapatkan nilai minimum dan maksimum dan tabel frekuensi. Ini
akan segera mengungkapkan pencilan yang paling jelas. 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.
Misalnya, peserta dalam penelitian kami mungkin telah menjawab pernyataan ekuitas yang
dirasakan seperti pada Gambar 14.3. Perhatikan bahwa semua jawaban dari karyawan ini
menunjukkan bahwa partisipan menemukan bahwa manfaat yang dia terima dari organisasi
menyeimbangkan upaya yang dia lakukan dalam pekerjaannya, kecuali untuk jawaban atas
pernyataan ketiga. Dari empat tanggapan lainnya, kita dapat menyimpulkan bahwa partisipan
kemungkinan besar merasa bahwa, untuk upaya yang dia lakukan ke dalam organisasi, dia
mendapatkan banyak balasan dan telah membuat kesalahan dalam menanggapi pernyataan
khusus ini. Tanggapan atas pernyataan ini kemudian dapat diedit oleh peneliti.

Akan tetapi, ada kemungkinan bahwa responden dengan sengaja menyatakan bahwa dia
tidak mendapatkan banyak imbalan atas usaha yang dia lakukan dalam organisasi. Jika kasusnya
seperti itu, kami akan memasukkan bias dengan mengedit data. Oleh karena itu, penanganan
yang tidak konsisten seperti ini harus sangat hati-hati. Jika memungkinkan, sebaiknya tindak
lanjuti dengan responden untuk mendapatkan data yang benar, meskipun ini merupakan solusi
yang mahal.
 Kode ilegal adalah nilai yang tidak ditentukan dalam instruksi pengkodean. Misalnya,
kode "6" di pertanyaan 1 (Saya berinvestasi lebih banyak dalam pekerjaan saya daripada yang
saya dapatkan darinya) akan menjadi kode ilegal. Cara terbaik untuk memeriksa kode ilegal
adalah dengan membuat 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. Dalam acara ini, 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 mengabaikannya saat analisis
selesai. Pendekatan ini dapat dilakukan di semua program statistik dan merupakan opsi default di
sebagian besar program statistik. 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 peserta dari tanggapan untuk pertanyaan
lain dan, dari jawaban ini, menyimpulkan jawaban logis untuk pertanyaan untuk tanggapan yang
hilang. Solusi alternatif kedua adalah menetapkan nilai rata-rata tanggapan dari semua orang
yang menanggapi item tertentu itu pada item tersebut. Faktanya, ada banyak cara untuk
menangani respon kosong (lihat Hair et al., 1995), masing-masing memiliki kelebihan dan
kekurangan tersendiri.

Perhatikan bahwa jika banyak responden menjawab "tidak tahu" untuk item atau item
tertentu, penyelidikan lebih lanjut mungkin bermanfaat. Pertanyaannya mungkin tidak jelas atau,
karena alasan tertentu, peserta bisa jadi enggan atau tidak mampu menjawab pertanyaan tersebut.

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 proses analisis data berikutnya. 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.

Jenis transformasi data lainnya adalah penilaian terbalik. Ambil, misalnya, ukuran
ketidakadilan yang dirasakan dari kasus Excelsior Enterprises. Persepsi ketidakadilan diukur
dengan lima item survei: (1) "Saya berinvestasi lebih banyak dalam pekerjaan saya daripada
yang saya dapatkan darinya"; (2) “Saya terlalu memaksakan diri untuk mempertimbangkan apa
yang saya dapatkan sebagai balasannya”; (3) “Untuk usaha yang saya lakukan dalam organisasi,
saya mendapat banyak balasan” (terbalik); (4) “Jika saya memperhitungkan dedikasi saya,
organisasi seharusnya memberi saya pelatihan praktis yang lebih baik”; dan (5) "Secara umum,
manfaat yang saya terima dari organisasi lebih besar daripada upaya yang saya lakukan"
(terbalik). Untuk item pertama, kedua, dan keempat, skor yang menunjukkan kesesuaian tinggi
akan menjadi negatif, tetapi untuk pertanyaan ketiga dan kelima, skor yang menunjukkan
kesesuaian tinggi akan menjadi positif. Untuk menjaga konsistensi dalam arti tanggapan, item
pertama, kedua, dan keempat harus diberi skor terbalik (perhatikan bahwa kami mengukur
ekuitas dan bukan ketidaksetaraan). Dalam hal ini, 5 (“Saya sepenuhnya setuju”) akan diubah
menjadi 1 (“Saya sangat tidak setuju”), 4 menjadi 2, dan seterusnya.

Transformasi data juga diperlukan ketika beberapa pertanyaan telah digunakan untuk
mengukur satu konsep. Dalam kasus seperti itu, skor pada pertanyaan asli harus digabungkan
menjadi satu skor (tetapi hanya setelah kita menetapkan bahwa konsistensi interitem memuaskan
(lihat Menguji kebaikan data, nanti dalam bab ini). Misalnya, karena lima item telah digunakan
untuk mengukur konsep "ekuitas yang dirasakan", skor "ekuitas yang dirasakan" yang baru harus
dihitung dari skor pada lima item individu (tetapi hanya setelah item 1, 2, dan 4 telah diberi kode
terbalik). Ini melibatkan menghitung skor yang dijumlahkan (per kasus / peserta) dan kemudian
membaginya dengan jumlah item (lima dalam kasus ini). Misalnya, karyawan kami # 1 telah
melingkari, masing-masing, 1, 2, 3, 1, dan 4 pada lima partisipasi dalam pertanyaan pengambilan
keputusan; skornya (karyawan # 1 adalah laki-laki) pada item, setelah item 1, 2, dan 4 diberi
kode terbalik, adalah 5, 4, 3, 5, dan 4. Skor gabungan pada ekuitas yang dirasakan akan menjadi
5 4 3 5 4 21 5 4 2 /.). Skor gabungan ini dimasukkan dalam kolom baru di SPSS. Sangat mudah
untuk menghitung variabel baru, menggunakan kotak dialog Compute, yang terbuka saat ikon
Transform dipilih (Gambar 14.4).

Perhatikan bahwa akan berguna untuk menyiapkan skema untuk mengkategorikan

respons sedemikian rupa sehingga beberapa item yang mengukur konsep semuanya
dikelompokkan bersama. Jika pertanyaan yang mengukur konsep tidak bersebelahan tetapi
tersebar di berbagai bagian kuesioner, perhatian harus diberikan 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. Dalam Bab 12, kami menjelaskan bahwa operasi statistik yang
berbeda pada variabel dimungkinkan, tergantung pada tingkat di mana variabel diukur. Tabel
14.1 merangkum hubungan antara jenis skala, analisis data, dan metode memperoleh ringkasan
visual untuk variabel.

Tabel 14.1 menunjukkan bahwa, tergantung pada skala pengukuran kami, mode, median,
atau mean, dan kisaran semi-interkuartil, deviasi standar, atau varians akan memberi kita ide
bagus tentang bagaimana partisipan dalam penelitian kami bereaksi terhadap item dalam
kuesioner. Statistik ini dapat diperoleh dengan mudah, dan akan menunjukkan apakah tanggapan
berkisar secara memuaskan di atas skala. Jika respon untuk setiap item individu dalam suatu
skala tidak memiliki sebaran (range) 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 terdeteksi 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 kesan awal ini, analisis lebih rinci 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. Ini sekarang dijelaskan.

Frekuensi

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

Excelsior Enterprises: frekuensi Frekuensi untuk jumlah individu di berbagai departemen

untuk sampel Excelsior Enterprises ditunjukkan pada Output 14.1. Dari situ dapat dilihat bahwa
jumlah individu terbesar dalam sampel berasal dari bagian penjualan (28,1%), disusul oleh
bagian penjualan (25,3%). Hanya tiga individu (1,7%) berasal dari humas, dan lima individu
masing-masing dari departemen keuangan, pemeliharaan, dan akuntansi (2,9% dari masing-
masing). Rendahnya jumlah sampel di beberapa departemen merupakan fungsi dari total
populasi (sangat sedikit anggota) di departemen tersebut.

Dari frekuensi yang diperoleh untuk variabel lain (hasil tidak sesuai di sini) 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, kami memiliki profil karyawan dalam organisasi ini, yang berguna
untuk mendeskripsikan sampel di bagian "metode" dari laporan tertulis (lihat Bab 17). Contoh
lain di mana distribusi frekuensi akan berguna adalah ketika: (1) manajer pemasaran ingin
melihat berapa banyak unit (dan berapa proporsi atau proporsi) 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
ingin memantau keuangan berapa kali saham perusahaan manufaktur, industri, dan kehilangan
hilang atau kehilangan lebih dari sepuluh poin di Bursa Efek New York selama periode enam
bulan.

Diagram batang dan diagram lingkaran

Frekuensi juga dapat diakses secara visual sebagai diagram batang, histogram, atau
diagram lingkaran. Bagan batang, histogram, dan bagan pai membantu kami memahami data
kami.

Excelsior Enterprises: diagram batang Gambar 14.5 memberikan representasi grafis dari
hasil-hasil yang terlihat pada tabel di Output 14.1.

Distribusi frekuensi, diagram batang, histogram, dan lingkaran diagram yang

memberikan banyak informasi dasar tentang data. Pengukuran tendensi sentral dan dispersi akan
membantu kami untuk lebih memahami data kami. Ini dibahas selanjutnya.

Ukuran tendensi sentral dan dispersi

Ada tiga ukuran tendensi sentral: mean, median, dan mode. Ukuran dispersi meliputi
range, deviasi standar, varians (dimana ukuran tendensi sentral adalah mean), dan range
interkuartil (dimana ukuran tendensi sentral adalah median).

Ukuran tendensi sentral

Mean Mean, atau rata-rata, adalah ukuran tendensi sentral yang menawarkan gambaran
umum dari data tanpa perlu membanjiri salah satunya dengan masing-masing pengamatan dalam
kumpulan data. Misalnya, departemen produksi mungkin menyimpan catatan terperinci tentang
berapa banyak unit produk yang diproduksi setiap hari. Namun, untuk memperkirakan
persediaan bahan baku, yang ingin diketahui manajer hanyalah berapa banyak unit per bulan,
rata-rata, yang telah diproduksi oleh departemen selama enam bulan terakhir. Ukuran tendensi
sentral ini - maksudnya - mungkin menawarkan kepada manajer ide yang bagus tentang jumlah
bahan yang perlu disimpan.

Rata-rata atau rata-rata diberikan, katakanlah, sepuluh pengamatan, adalah jumlah dari
sepuluh pengamatan individu dibagi sepuluh (jumlah total pengamatan).

Median Median adalah item sentral dalam kelompok pengamatan ketika mereka disusun dalam
urutan naik atau turun. Mari kita ambil contoh untuk memeriksa bagaimana median ditentukan
sebagai tendensi sentral.

Modus Dalam beberapa kasus, sekumpulan pemantauan tidak memberikan representasi yang
berarti melalui mean atau median, tetapi dapat mempengaruhi 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 diterapkan dalam kasus ini.
Juga tidak ada cara untuk menunjukkan ukuran dispersi.

Kami telah mengilustrasikan bagaimana mean, median, dan mode dapat menjadi ukuran
yang berguna dari tendensi sentral, berdasarkan jenis data yang kami miliki. Kami sekarang akan
memeriksa dispersi.

Pengukuran dispersi

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

Dua kumpulan data mungkin memiliki rata-rata yang sama, tetapi penyebarannya 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 - 40 unit - tetapi
variabilitas atau dispersi di perusahaan terakhir lebih besar.

Tiga pengukuran dispersi yang dihubungkan dengan mean adalah range, varians, dan
standar deviasi, yang dijelaskan di bawah ini.

Rentang Rentang mengacu pada nilai ekstrem 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. Ukuran dispersi lain yang lebih berguna adalah
varians.

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
Varians untuk Perusahaan A = = 66.7
3

(10−40)2 +( 40−40)2+(70−40)2
Varians untuk Perusahaan B = = 600
3

Seperti yang dapat kita lihat, varians 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 Deviasi standar, yang merupakan ukuran lain dari dispersi untuk data berskala
interval dan rasio, menawarkan indeks sebaran 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 adalah √66.7 dan √600
atau 8.167 dan 24.495.

Rata-rata dan deviasi standar adalah statistik deskriptif yang paling umum untuk data
skala interval dan rasio. Simpangan baku, dalam hubungannya dengan mean, adalah alat yang
sangat berguna karena aturan statistik berikut, dalam distribusi normal:
1. Secara praktis semua pengamatan termasuk dalam tiga standar deviasi rata-rata atau mean.
2. Lebih dari 90% observasi berada dalam dua deviasi standar rata-rata.
3. Lebih dari separuh observasi berada dalam satu standar deviasi mean.

Ukuran lain dari dispersi 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. Persentil berguna ketika data dalam jumlah besar,
seperti skor GRE atau GMAT, ditangani. Jika area pengamatan dibagi menjadi 100 bagian yang
sama, terdapat 99 poin persentil. Setiap skor yang diberikan memiliki probabilitas 0,01 untuk
jatuh di salah satu poin tersebut. Jika skor John berada di persentil ke-16, itu menunjukkan
bahwa 84% dari mereka yang mengikuti ujian mendapat skor lebih baik daripada dia, sementara
15% lebih buruk.

Seringkali kita tertarik untuk mengetahui di mana posisi kita dibandingkan dengan orang
lain - apakah kita berada di tengah, di 10 atau 25% teratas, atau di 20 atau 25% bawah, atau di
mana? Misalnya, jika dalam tes yang diselenggarakan perusahaan, Tuan Chou mendapat skor 78
dari total 100 poin, dia mungkin tidak senang jika dia berada di 10% terbawah di antara rekan-
rekannya (peserta tes), tetapi mungkin cukup senang jika dia berada di 10% teratas, meskipun
faktanya skornya tetap sama. Posisinya dalam kaitannya dengan orang lain dapat ditentukan oleh
median tendensi sentral dan persentil tempatnya berada.

Ukuran dispersi untuk median, kisaran 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 bisa mendapatkan ide
bagus tentang di mana tagihan cenderung paling tinggi, sejauh mana pelanggan bervariasi dalam
frekuensi penggunaan panggilan jarak jauh, dan seterusnya. Ini dilakukan dengan membuat plot
box-and-whisker untuk setiap area. Plot kotak dan kumis adalah perangkat grafis yang
menggambarkan tendensi sentral, persentil, dan variabilitas. Sebuah kotak digambar,
membentang dari kuartil pertama ke kuartil ketiga, dan garis-garis digambar dari kedua sisi kotak
ke skor ekstrim, seperti yang ditunjukkan pada Gambar 14.6 (a). Gambar 14.6 (b) memiliki
median yang diwakili oleh sebuah titik di dalam setiap kotak. Perbandingan berdampingan dari
berbagai plot dengan jelas menunjukkan nilai tertinggi, kisaran, dan sebaran untuk setiap wilayah
atau kota. Untuk pembahasan yang lebih lengkap tentang ini, lihat Salvia (1990).

Singkatnya, kami telah mengilustrasikan bagaimana mean, median, dan mode dapat
menjadi ukuran yang berguna dari tendensi sentral, bergantung pada jenis data yang tersedia.
Demikian juga, kami telah menunjukkan bagaimana deviasi standar (dan varians, yang
merupakan kuadrat deviasi standar), dan rentang interkuartil merupakan ukuran dispersi yang
berguna. Jelas, tidak ada ukuran penyebaran yang terkait dengan mode tersebut.

Hubungan antar variabel

Dalam sebuah proyek penelitian yang mencakup beberapa variabel, selain mengetahui
statistik deskriptif variabel, kita sering ingin mengetahui bagaimana satu variabel dikaitkan
dengan variabel lainnya. Artinya, kami ingin melihat sifat, arah, dan signifikansi hubungan
bivariat variabel yang digunakan dalam penelitian (yaitu, hubungan antara dua variabel di antara
variabel yang disadap dalam penelitian).

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 χ2

Terkadang kita mungkin ingin mengetahui apakah ada hubungan antara dua variabel
nominal atau tidak 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 kantoran / pekerjaan
kantoran) merupakan fungsi dari warna kulit mereka (putih / bukan putih)? Perbandingan
tersebut dapat dilakukan dengan mengatur data menurut kelompok atau kategori dan melihat
apakah ada hubungan yang signifikan secara statistik. Sebagai contoh, kami dapat
mengumpulkan data dari sampel yang terdiri dari 55 individu yang warna kulit dan sifat
pekerjaannya, yang diambil dari hitungan frekuensi, dapat diilustrasikan seperti pada Tabel 14.2
dalam tabel kontingensi dua-oleh-dua. Hanya dengan melihat Tabel 14.2, sebuah pola yang jelas
terlihat bahwa mereka yang berkulit putih memegang pekerjaan kerah putih. Hanya sedikit dari
non-kulit putih yang memiliki pekerjaan kerah putih. Jadi, tampaknya ada hubungan antara
warna kulit dan jenis pekerjaan yang ditangani; keduanya tampaknya tidak independen. Hal ini
dapat dikonfirmasi secara statistik dengan uji chi-square (χ2) - uji nonparametrik - yang
menunjukkan apakah pola yang diamati terjadi secara kebetulan atau tidak. Seperti kita ketahui,
uji nonparametrik digunakan ketika normalitas distribusi tidak dapat diasumsikan seperti pada
data nominal atau ordinal. Tes χ2 membandingkan frekuensi yang diharapkan (berdasarkan
probabilitas) dan frekuensi yang diamati, dan statistik χ2 diperoleh dengan rumus:

(Oi−Ei)2
χ2 = ∑ Ei

di mana χ2 adalah statistik chi-square; Oi adalah frekuensi yang diamati dari sel ke-i; dan Ei
adalah frekuensi yang diharapkan. Statistik χ2 dengan tingkat signifikansinya dapat diperoleh
untuk setiap kumpulan data nominal melalui analisis komputer.

Jadi, dalam menguji perbedaan dalam hubungan di antara variabel berskala nominal,
statistik χ2 (chi-square) sangat berguna. Hipotesis nol akan ditetapkan untuk menyatakan bahwa
tidak ada hubungan yang signifikan antara dua variabel (warna kulit dan sifat pekerjaan, dalam
contoh di atas), dan hipotesis alternatif akan menyatakan bahwa ada hubungan yang signifikan.

Statistik chi-square dikaitkan dengan derajat kebebasan (df), yang menunjukkan apakah
ada hubungan signifikan antara dua variabel nominal atau tidak. Jumlah derajat kebebasan
kurang satu dari jumlah sel dalam kolom dan baris. Jika ada empat sel (dua dalam satu kolom
dan dua dalam satu baris), maka nilai derajat kebebasannya adalah 1: [(2-1) x (2-1)]. Statistik
chi-square untuk berbagai df disajikan pada Tabel III di tabel statistik menjelang akhir buku ini.

Statistik χ2 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 χ2 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)].

Uji signifikansi χ2 dengan demikian membantu kita untuk melihat apakah dua variabel
nominal terkait atau tidak. Selain uji χ2, pengujian lain, seperti uji probabilitas eksak 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. Demi
kesederhanaan, katakanlah kita telah mengumpulkan data pada dua variabel - 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 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 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). Namun,
keduanya tidak 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).
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 probabilitas tidak benar adalah 1% atau
kurang. Artinya, lebih dari 99% dari waktu kita mengharapkan korelasi ini ada. Korelasi 0,56
juga menunjukkan bahwa variabel-variabel tersebut menjelaskan varians satu sama lain sejauh
31,4% (0,562).

Kita tidak tahu variabel mana yang menyebabkan yang mana, tapi kita tahu bahwa kedua
variabel itu terkait satu sama lain. Jadi, hipotesis yang mendalilkan hubungan positif (atau
negatif) yang signifikan antara dua variabel dapat diuji dengan memeriksa korelasi antara
keduanya.

Koefisien korelasi Pearson sesuai untuk variabel skala interval dan rasio, dan Peringkat
Spearman atau koefisien tau Kendall sesuai ketika variabel diukur pada skala ordinal. Korelasi
bivariat apa pun dapat diperoleh dengan mengklik menu yang relevan, mengidentifikasi variabel,
dan mencari statistik parametrik atau nonparametrik yang sesuai.

USAHA LUAR BIASA: STATISTIK DESKRIPTIF BAGIAN 1

Statistik deskriptif seperti maksimum, minimum, mean, standar deviasi, dan varians diperoleh
untuk item berskala interval dari studi Excelsior Enterprises. 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 (a 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, kami dapat melanjutkan dengan analisis terperinci lebih lanjut untuk menguji
kebaikan data kami.

MENGUJI KEBAIKAN UKURAN

Reliabilitas dan validitas pengukuran sekarang dapat diuji.

Keandalan

Sebagaimana dibahas dalam Bab 12, keandalan suatu alat ukur 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 alpha 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.
Terkadang reliabilitas split-half diperoleh untuk menguji konsistensi ketika lebih dari satu skala,
dimensi, atau faktor, dinilai. Item di setiap dimensi atau faktor dipisahkan, berdasarkan beberapa
logika yang telah ditentukan (Campbell, 1976). Di hampir setiap kasus, alpha Cronbach adalah
tes yang memadai untuk keandalan konsistensi internal. Anda akan melihat nanti di bab ini
bagaimana alpha Cronbach diperoleh melalui analisis komputer.

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 pengukuran
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

Karena persepsi ekuitas, kelelahan, pengayaan pekerjaan, dan niat untuk keluar diukur
dengan skala multi-item, konsistensi jawaban responden terhadap item skala harus diuji untuk
setiap ukuran. Dalam Bab 12, kami menjelaskan bahwa Cronbach's alpha adalah tes konsistensi
antar item yang populer. Tabel 14.3 memberikan gambaran tentang alpha Cronbach untuk empat
variabel. Tabel ini menunjukkan bahwa semua alpha berada di atas 0,60.

Secara umum, reliabilitas 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 yang lain.

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 memperolehnya, 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 mengeluarkan 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 negatif.

Sekarang kita telah menetapkan bahwa konsistensi antar item memuaskan untuk
kesetaraan yang dirasakan, pengayaan pekerjaan, kelelahan, dan niat untuk pergi, skor pada
pertanyaan asli dapat digabungkan menjadi satu skor. Misalnya, skor "ekuitas yang
dipersepsikan" baru dapat dihitung dari skor pada lima item "ekuitas yang dirasakan" (tetapi
hanya setelah item 1, 2, dan 4 telah diberi kode terbalik). Demikian pula, skor "pengayaan
pekerjaan" baru dapat dihitung dari skor pada empat item "pengayaan pekerjaan", dan
seterusnya. Kami telah menjelaskan bahwa ini melibatkan penghitungan skor yang dijumlahkan
(per kasus / peserta) dan kemudian membaginya dengan jumlah item.

Keabsahan

Validitas faktorial dapat dilakukan dengan mengirimkan data untuk analisis faktor. Hasil
analisis faktor (teknik multivariat) akan memastikan apakah dimensi berteori muncul atau tidak.
Ingat dari Bab 11 bahwa 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
(lihat diskusi tentang validitas bersamaan dan prediksi di Bab 12). 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 tentang
mata pelajaran tersebut. Ketika 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 DESKRIPTIF BAGIAN 2

Setelah skor baru untuk ekuitas yang dirasakan, pengayaan pekerjaan, kelelahan, dan niat
untuk keluar dihitung, kami siap untuk menganalisis data lebih lanjut. Statistik deskriptif seperti
maksimum, minimum, mean, standar deviasi, dan varians sekarang dapat diperoleh untuk 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 kami 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? Bandingkan, misalnya, histogram yang diberikan pada Gambar 14.8.
ITL rata-rata sama dalam kedua kasus. Namun, grafik menunjukkan kepada kita bahwa pada
histogram hipotetis pertama ITL terdistribusi "cukup normal ".1 Pada histogram hipotetis
kedua, distribusi jelas tidak normal. Bahkan, terlihat bimodal (dengan dua puncak
menunjukkan dua mode). Distribusi pertama menunjukkan bahwa sebagian besar responden
tidak bertekad untuk pergi atau tinggal. Distribusi bimodal, di sisi lain, menunjukkan bahwa
satu kelompok karyawan tidak cenderung keluar sama sekali, sedangkan kelompok lain
bertekad untuk keluar dari organisasi.

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 dalam 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, rata-rata, deviasi standar, dan varians
diperoleh untuk variabel independen dan dependen berskala interval dalam studi Excelsior
Enterprises. Hasilnya ditunjukkan pada Tabel 14.4. Dapat disebutkan bahwa semua variabel
kecuali ITL disadap pada skala lima poin. ITL diukur pada skala empat poin.

Dari hasil tersebut, terlihat bahwa rata-rata 2,59 pada skala empat poin untuk ITL
menunjukkan bahwa Perusahaan Excelsior memiliki masalah perputaran. Jumlah minimal 1
menunjukkan bahwa ada beberapa karyawan yang tidak berniat untuk keluar sama sekali, dan
maksimal 4 menunjukkan bahwa beberapa secara serius mempertimbangkan untuk keluar.
Kepuasan kerja rata-rata (2,91 pada skala lima poin). Rata-rata persepsi ekuitas agak rendah
(2,44 pada skala lima poin), seperti rata-rata pada kelelahan yang dialami (2,57). Akhirnya,
pekerjaan itu dianggap agak diperkaya (3.49). Tabel 14.4 juga menunjukkan bahwa varians
untuk semua variabel agak tinggi, yang menunjukkan bahwa jawaban peserta tidak selalu
mendekati mean pada semua variabel.

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, kami 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 membicarakan lebih banyak tentang hal ini di bab berikutnya).
Kepuasan kerja berkorelasi positif dengan kesetaraan 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 kami memperoleh statistik deskriptif untuk variabel dalam penelitian kami, kami
dapat menguji hipotesis kami. Pengujian hipotesis dibahas pada bab berikutnya.