Quantitative data analysis:

MENYIAPKAN DATA UNTUK ANALISIS

Pengkodean dan entri data

Langkah pertama dalam persiapan data adalah pengkodean data. Pengkodean data melibatkan
pemberian nomor pada tanggapan peserta sehingga mereka dapat dimasukkan ke dalam database.

Mengkodekan tanggapan

Dalam kuesioner Excelsior Enterprises, kami memiliki 22 item yang mengukur ekuitas yang dirasakan,
pengayaan pekerjaan, kelelahan, kepuasan kerja, dan niat untuk pergi, dan enam variabel demografis,
seperti yang ditunjukkan pada Gambar 14.1, sampel kuesioner.

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

Entri data

Setelah tanggapan telah dikodekan, mereka dapat dimasukkan ke dalam database. Data mentah dapat
dimasukkan melalui program perangkat lunak apa pun.

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 kasus; ada 28 variabel dalam kuesioner Excelsior
Enterprises).

Penting untuk selalu menggunakan kolom pertama untuk tujuan identifikasi; berikan nomor untuk
setiap kuesioner, tulis nomor ini di halaman pertama kuesioner, dan masukkan nomor ini di kolom
pertama file data Anda. Ini memungkinkan Anda untuk membandingkan data dalam file data dengan
jawaban peserta, bahkan setelah Anda mengatur ulang file data Anda.

Mengedit data

Setelah data dimasukkan, mereka perlu diedit. Misalnya, jawaban kosong, jika ada, harus ditangani
dengan cara tertentu, dan data yang tidak konsisten harus diperiksa dan ditindaklanjuti. Pengeditan data
berkaitan dengan mendeteksi dan mengoreksi data dan penghilangan yang tidak logis, tidak konsisten,
atau ilegal dalam informasi yang dikembalikan oleh peserta penelitian.

Contoh dari respon yang 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 outlier. Karena outlier memiliki
dampak besar pada hasil penelitian, mereka harus diselidiki dengan hati-hati untuk memastikan
kebenarannya.
Respons tidak konsisten adalah respons yang tidak selaras dengan informasi lain. Misalnya, seorang
peserta dalam penelitian kami mungkin telah menjawab pernyataan ekuitas yang dirasakan seperti pada

Namun, ada kemungkinan bahwa responden dengan sengaja menunjukkan bahwa dia tidak
mendapatkan banyak imbalan atas upaya yang dia lakukan dalam organisasi. Jika demikian halnya, kami
akan memperkenalkan bias dengan mengedit data.

Kode ilegal adalah nilai yang tidak ditentukan dalam instruksi pengkodean.

Tidak semua responden menjawab setiap item dalam kuesioner. Kelalaian dapat terjadi karena
responden tidak memahami pertanyaan, tidak mengetahui jawabannya, atau tidak bersedia menjawab
pertanyaan.

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 sering tidak merata, direduksi menjadi nilai
logaritmiknya, pendapatan tinggi dibawa lebih dekat ke ujung bawah skala dan memberikan distribusi
lebih dekat ke kurva normal.

MERASAKAN DATA

Statistik deskriptif untuk variabel tunggal disediakan oleh frekuensi, ukuran tendensi sentral, dan
dispersi.

Frekuensi

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

Diagram batang dan diagram lingkaran

Frekuensi juga dapat ditampilkan secara visual sebagai diagram batang, histogram, atau diagram
lingkaran. Diagram batang, histogram, dan diagram lingkaran membantu kita memahami data kita.

Ukuran tendensi sentral dan dispersi

Ukuran dispersi meliputi rentang, deviasi standar, varians (di mana ukuran tendensi sentral adalah
mean), dan rentang interkuartil (di mana ukuran tendensi sentral adalah median).

Mean

Teknik penjelasan kelompok yang didasarkan atas nilai rata-rata dari kelompok yang dimaksud

Median

Teknik penjelasan kelompok yang didasarkan atas nilai tengah dari kelompok data yang telah disusun
urut dari yang terkecil sampai yang terbesar, atau sebaliknya.

Modus
Nilai yang paling sering muncul

Ukuran dispersi

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

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

Range

Range mengacu pada nilai-nilai ekstrim dalam satu set pengamatan

Variance

Variance dihitung dengan mengurangi rata-rata dari masing-masing pengamatan dalam kumpulan data,
mengkuadratkan perbedaan ini, dan membagi total ini dengan jumlah observasi.

Standard Deviation

Standar deviasi merupakan ukuran lain dispersi untuk interval dan rasio data skala, yang menawarkan
indeks penyebaran distribusi atau variabilitas dalam data.

Other Measures of Dispersion

Persentil sangat berguna ketika terdapat banyak data seperti skor GRE atau GMAT yang ingin diatasi.

Hubungan antar variabel

Dalam proyek penelitian yang mencakup beberapa variabel, selain mengetahui statistik deskriptif
variabel, kita sering ingin mengetahui bagaimana satu variabel terkait dengan variabel lainnya. Artinya,
kami ingin melihat sifat, arah, dan signifikansi hubungan bivariat dari 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 menguji hubungan antara
variabel interval dan/atau rasio.

Relationship between Two Nominal Variables: X² test.

Kita terkadang ingin mengetahui apakah ada hubungan antara dua variabel nominal atau apakah
mereka independen satu sama lain. Tes ini membantu kita melihat apakah dua nominal variabel atau
bukan dua nominal variabel memiliki hubungan. Fisher Exact Probability Test dan Cochran Q digunakan
untuk menentukan hubungan antara variabel dua skala nominal.

Correlations.
Sebuah matriks korelasi Pearson akan menunjukkan arah, kekuatan, dan pentingnya hubungan bivariat
antara semua variabel yang diukur pada tingkat interval atau rasio. Korelasi diperoleh dengan menilai
variasi dalam satu variabel sebagai variabel lain yang juga bervariasi.

PERUSAHAAN EXCELSIOR: STATISTIK DESKRIPTIF BAGIAN 1

Penelitian yang dilakukan dalam Excelsior Enterprises

Excelsior Enterprises adalah sebuah perusahaan yang berukuran menengah, dimana perusahaan
tersebut memproduksi dan menjual peralatan dan persediaan yang diperlukan oleh industry perawatan
kesehatan, termasuk peralatan tekanan darah, pembedahan, perawatan gigi, dan sebagainya. Alhasil
dari penelitian perusahaan tersebut beberapa langkah yang harus dilakukan untuk melakukan analisis
datanya, yaitu:

1. Penentuan alfa cronbach untuk pengukuran

2. Distribusi frekuensi variabel

3. Statistik deskriptif; (rata-rata dan standar deviasi)

4. Matriks korelasi personal

5. Hasil pengujian hipotesis

Menguji ketepatan data

Reliability

Suatu pengukuran dikatakan reliebel jika pengukuran tersebut dapat dipercaya, supaya dapat dipercaya
maka hasil dari pengukuran harus konsisten. Dan dikatakan konsisten manakalah beberapa pengukuran
terhadap subyek yang sama diperoleh hasil yang tidak berbeda.

Excelsior Enterprises: memeriksa keandalan pengukuran multi-item

Karena ekuitas yang dirasakan, kelelahan, pengayaan pekerjaan, dan niat untuk pergi diukur dengan
skala multi-item, konsistensi jawaban responden terhadap item skala harus diuji untuk setiap ukuran.

Validity

Validitas faktorial dapat ditentukan dengan menyerahkan data untuk analisis faktor. Hasil analisis faktor
(teknik multivariat) akan mengkonfirmasi apakah dimensi berteori muncul atau tidak. Analisis faktor
mengungkapkan apakah dimensi memang disadap 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 ditetapkan ketika ada tingkat korelasi yang tinggi antara dua sumber berbeda
yang menanggapi ukuran yang sama (misalnya, baik supervisor maupun bawahan merespons dengan
cara yang sama terhadap 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 multisifat, yang
pembahasan lengkapnya berada di luar cakupan buku ini. Siswa yang tertarik untuk mengetahui lebih
banyak tentang analisis faktor dan matriks multimetode multitrait dapat merujuk pada buku-buku
tentang mata pelajaran tersebut. Ketika ukuran yang divalidasi dengan baik digunakan, tentu saja tidak
perlu untuk menetapkan validitasnya lagi untuk setiap studi. Keandalan item dapat, bagaimanapun,
diuji.

PERUSAHAAN EXCELSIOR: STATISTIK DESKRIPTIF BAGIAN 2

Setelah skor baru untuk kesetaraan yang dirasakan, pengayaan pekerjaan, kelelahan, dan niat untuk
keluar telah 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 dan dependen skala interval. Terlebih lagi, matriks korelasi juga dapat diperoleh
untuk memeriksa bagaimana variabel dalam model kami terkait satu sama lain.

Hypothesis testing

KESALAHAN TIPE I, KESALAHAN TIPE II, DAN KEKUATAN STATISTIK

Metode hipotetis-deduktif membutuhkan hipotesis yang dapat difalsifikasi. Untuk alasan ini, hipotesis
nol dikembangkan. Hipotesis nol ini (H0) dengan demikian ditetapkan untuk ditolak untuk mendukung
hipotesis alternatif, yang disebut HA.

Hipotesis nol dianggap benar sampai bukti statistik, dalam bentuk uji hipotesis, menunjukkan sebaliknya.
Bukti statistik yang diperlukan disediakan oleh statistik inferensial, seperti analisis regresi atau MANOVA.
Statistik inferensial membantu kita untuk menarik kesimpulan (atau membuat kesimpulan) tentang
populasi dari sampel.

Tujuan pengujian hipotesis adalah untuk menentukan secara akurat apakah hipotesis nol dapat ditolak
demi hipotesis alternatif. Berdasarkan data sampel peneliti dapat menolak hipotesis nol (dan karena itu
menerima hipotesis alternatif) dengan tingkat kepercayaan tertentu: selalu ada risiko bahwa kesimpulan
yang ditarik tentang populasi tidak benar.

Ada dua jenis kesalahan (atau dua cara di mana kesimpulan bisa salah), diklasifikasikan sebagai
kesalahan tipe I dan kesalahan tipe II. Kesalahan tipe I, juga disebut sebagai alfa (α), adalah
kemungkinan menolak hipotesis nol padahal hipotesis itu benar. Kesalahan tipe I akan terjadi jika kita
menyimpulkan, berdasarkan data, bahwa kelelahan memengaruhi niat untuk pergi, padahal sebenarnya
tidak. Probabilitas kesalahan tipe I, juga dikenal sebagai tingkat signifikansi, ditentukan oleh peneliti.
Tingkat signifikansi tipikal dalam penelitian bisnis adalah 5% (<0,05) dan 1% (<0,01).

Sebuah kesalahan tipe II, juga disebut sebagai beta (β), adalah probabilitas gagal menolak hipotesis nol
yang diberikan bahwa hipotesis alternatif sebenarnya benar; misalnya, menyimpulkan, berdasarkan
data, bahwa kelelahan tidak memengaruhi niat untuk pergi, padahal kenyataannya memang demikian.
Probabilitas kesalahan tipe II berbanding terbalik dengan probabilitas kesalahan tipe I: semakin kecil
risiko salah satu jenis kesalahan ini, semakin tinggi risiko jenis kesalahan lainnya.

Konsep penting ketiga dalam pengujian hipotesis adalah kekuatan statistik (1 ). Kekuatan statistik, atau
kekuatan yang adil, adalah probabilitas untuk menolak hipotesis nol dengan benar. Dengan kata lain,
kekuatan adalah probabilitas bahwa signifikansi statistik akan ditunjukkan jika ada. Kekuatan statistik
tergantung pada:

1. Alpha (α): kriteria signifikansi statistik yang digunakan dalam pengujian. Jika alpha bergerak
mendekati nol (misalnya, jika alpha bergerak dari 5% ke 1%), maka kemungkinan menemukan efek
ketika ada efek berkurang. Ini menyiratkan bahwa semakin rendah (yaitu, semakin dekat bergerak ke
nol) semakin rendah daya; semakin tinggi alpha, semakin tinggi kekuatannya.

2. Ukuran efek: ukuran efek adalah ukuran perbedaan atau kekuatan hubungan dalam populasi:
perbedaan besar (atau hubungan yang kuat) dalam populasi lebih mungkin ditemukan daripada
perbedaan kecil (kesamaan, hubungan ).

3. Ukuran sampel: pada tingkat alfa tertentu, peningkatan ukuran sampel menghasilkan lebih banyak
kekuatan, karena peningkatan ukuran sampel menghasilkan estimasi parameter yang lebih akurat.
Dengan demikian, peningkatan ukuran sampel mengarah pada kemungkinan yang lebih tinggi untuk
menemukan apa yang kita cari. Namun, meningkatkan ukuran sampel juga dapat menyebabkan terlalu
banyak daya, karena efek yang sangat kecil pun akan dianggap signifikan secara statistik.