Metopel CH 14.en - Id

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
BAB 1 4
Analisis data kuantitatif
TUJUAN PEMBELAJARAN
Setelah menyelesaikan Bab 14 Anda seharusnya dapat:
1.Tunjukkan kemampuan untuk menyiapkan data untuk analisis kuantitatif.
2.Jelaskan berbagai proses dimana seseorang dapat merasakan data dalam sebuah penelitian.
3.Jelaskan cara yang dapat digunakan untuk menilai reliabilitas dan validitas pengukuran.
PENGANTAR
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 cocok untuk
analisis lebih lanjut. Bab ini membahas langkah-langkah awal ini secara rinci. Selanjutnya diberikan pedoman umum
untuk menghitung dan menampilkan statistik deskriptif dasar.
Cara termudah untuk menggambarkan analisis data adalah melalui sebuah kasus. Oleh karena itu, kami akan memperkenalkan kasus Excelsior
Enterprises terlebih dahulu.
CONTOH
Excelsior Enterprises adalah perusahaan menengah yang tim peneliti untuk mempelajari situasi dan membuat
memproduksi dan menjual instrumen dan perlengkapan rekomendasi tentang masalah turnover.
yang dibutuhkan oleh industri perawatan kesehatan, Karena akses ke mereka yang telah meninggalkan perusahaan
termasuk instrumen tekanan darah, instrumen bedah, akan sulit, tim peneliti menyarankan kepada presiden agar mereka
aksesori gigi, dan sebagainya. Perusahaan, dengan total 360 berbicara dengan karyawan saat ini dan, berdasarkan masukan
karyawan yang bekerja tiga shift, bekerja dengan cukup baik mereka dan survei literatur, mencoba untuk mengetahui faktor-faktor
tetapi dapat melakukan jauh lebih baik jika tidak mengalami yang mempengaruhi niat karyawan untuk tetap tinggal. dengan, atau
pergantian karyawan di hampir semua tingkatan dan di meninggalkan, perusahaan. Karena penelitian sebelumnya telah
semua departemen. Presiden perusahaan menelepon a menunjukkan bahwa niat untuk pergi (ITL) adalah
271
272metode penelitian untuk bisnis
prediktor yang sangat baik dari omset yang sebenarnya, pelatihan"; dan (5) “Secara umum, manfaat yang saya terima
presiden setuju. dari organisasi lebih besar daripada usaha yang saya
Tim pertama melakukan wawancara tidak terstruktur dengan lakukan” (terbalik). Pengayaan pekerjaan diukur pada skala
sekitar 50 karyawan di berbagai tingkatan dan dari departemen yang Likert empat item: (1) "Pekerjaan itu cukup sederhana dan
berbeda. Pernyataan luas mereka adalah: “Kami di sini untuk mencari berulang" (terbalik); (2) “Pekerjaan itu mengharuskan saya
tahu bagaimana Anda mengalami kehidupan kerja Anda. Beri tahu untuk menggunakan sejumlah keterampilan yang kompleks
kami apa pun yang Anda anggap penting bagi Anda dalam pekerjaan atau tingkat yang lebih tinggi”; (3) “Pekerjaan itu
Anda, karena masalah terkait dengan pekerjaan Anda, lingkungan, membutuhkan banyak kerja sama dengan orang lain”; dan (4)
organisasi, pengawasan, dan apa pun yang menurut Anda relevan. Jika “Pekerjaan itu sendiri tidak terlalu signifikan atau penting
kami dapat menangani dengan baik masalah yang terlibat, kami dalam skema yang lebih luas” (terbalik). Peserta menanggapi
mungkin dapat membuat rekomendasi yang tepat kepada manajemen item ini pada skala lima poin, mulai dari "Saya sangat tidak
untuk meningkatkan kualitas kehidupan kerja Anda. Kami hanya ingin setuju" (1) hingga "Saya setuju sepenuhnya" (5). Burnout
berbicara dengan Anda sekarang, dan memberikan kuesioner nanti.” diukur denganVersi Singkat Ukuran Burnout (BMS). ItuBMS
mencakup sepuluh item yang mengukur tingkat kelelahan
Setiap wawancara biasanya berlangsung sekitar 45 menit, fisik, emosional, dan mental individu. Responden diminta
dan catatan tentang tanggapan ditulis oleh anggota tim. Ketika untuk menilai frekuensi mereka mengalami setiap item yang
tanggapan ditabulasikan, menjadi jelas bahwa masalah yang muncul dalam kuesioner (misalnya, lelah atau tidak berdaya)
paling sering diangkat oleh responden, dalam satu atau lain pada skala mulai dari 1 ("tidak pernah") hingga 5 ("selalu").
bentuk, terkait dengan tiga bidang utama: pekerjaan (karyawan Kepuasan kerja diukur dengan peringkat item tunggal
mengatakan pekerjaan itu membosankan atau terlalu rumit; ada "kepuasan dengan pekerjaan Anda saat ini," menggunakan
kurangnya kebebasan untuk melakukan pekerjaan seperti yang skala lima poin "tidak sama sekali-sangat banyak". Niat untuk
diinginkan, dll.), ketidakadilan yang dirasakan (komentar seperti pergi diukur dengan menggunakan dua item survei: “Dengan
"Saya lebih banyak bekerja daripada yang saya dapatkan"); dan tingkat kepastian apa Anda berniat meninggalkan organisasi
kelelahan (komentar seperti “ada begitu banyak pekerjaan yang ini dalam tahun depan untuk jenis pekerjaan lain?” (butir 1)
harus dilakukan sehingga pada akhirnya kita kelelahan secara “untuk jenis pekerjaan yang serupa?” (butir 2). Peserta
fisik dan emosional”; “kita sering merasa perlu mengambil cuti menunjukkan pada skala penilaian empat poin tingkat
karena kelelahan”; dll.). kepastian mereka. Variabel demografis seperti usia,
Sebuah survei literatur menegaskan bahwa variabel- pendidikan, jenis kelamin, masa kerja, departemen,
variabel ini adalah prediktor yang baik dari niat untuk pergi Kuesioner diberikan secara pribadi kepada 174
dan pergantian berikutnya. Selain itu, kepuasan kerja juga karyawan yang dipilih berdasarkan sampel acak
ditemukan sebagai prediktor penting dari niat untuk pergi. bertingkat yang tidak proporsional. Tanggapan
Kerangka teoritis dikembangkan berdasarkan wawancara dimasukkan ke dalam komputer. Setelah itu, data-data
dan survei literatur, dan empat hipotesis (dinyatakan tersebut diserahkan untuk dianalisis guna menguji
kemudian) dikembangkan. hipotesis-hipotesis berikut yang dirumuskan oleh peneliti:
Selanjutnya, kuesioner dirancang menggabungkan langkah-langkah yang
H :1Pengayaan pekerjaan memiliki efek negatif pada intensi
divalidasi dengan baik dan dapat diandalkan untuk pengayaan pekerjaan,
ingin pergi.
kesetaraan yang dirasakan, kelelahan, kepuasan kerja, dan niat untuk pergi. Ekuitas
H :2Ekuitas yang dirasakan memiliki efek negatif pada niat
yang dirasakan diukur dengan lima item survei: (1) “Saya berinvestasi lebih banyak
dalam pekerjaan saya daripada yang saya dapatkan”; (2) “Saya terlalu memaksakan
ingin pergi.
diri untuk mempertimbangkan apa yang saya dapatkan sebagai balasannya”; (3) H 3:Burnout memiliki efek positif pada niat untuk pergi.
“Untuk usaha yang saya lakukan dalam organisasi, saya mendapatkan banyak H 4:Kepuasan kerja memediasi hubungan antara
imbalan” (terbalik); (4) “Jika saya memperhitungkan dedikasi saya, perusahaan pengayaan pekerjaan, kesetaraan yang dirasakan, dan kelelahan
seharusnya memberi saya lebih baik pada niat untuk pergi.
bab --analisis data kuantitatif273
Mungkin penting untuk menunjukkan di sini bahwa empat hipotesis yang diturunkan dari kerangka teoretis
sangat relevan untuk menemukan jawaban atas masalah pergantian. Hasil pengujian hipotesis pasti akan
menawarkan wawasan tentang seberapa besar varians dalam niat untuk pergi dapat dijelaskan oleh variabel
independen, dan tindakan korektif apa, jika ada, yang perlu diambil.
MENYIAPKAN DATA UNTUK ANALISIS

Setelah data diperoleh melalui kuesioner, mereka perlu dikodekan, dimasukkan, dan diedit. Artinya, skema
kategorisasi harus diatur sebelum data dapat diketik. Kemudian, outlier, inkonsistensi, dan tanggapan kosong,
jika ada, harus ditangani dengan cara tertentu. Masing-masing tahap persiapan data ini dibahas di bawah ini.
Pengkodean dan entri data
Langkah pertama dalam persiapan data adalah pengkodean data.Pengkodean datamelibatkan pemberian nomor pada
tanggapan peserta sehingga mereka dapat dimasukkan ke dalam database. Dalam Bab 9, kami 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, maka
mungkin ide yang baik untuk menggunakan lembar pengkodean terlebih dahulu untuk menyalin data dari kuesioner dan
kemudian memasukkan datanya. Metode ini, berbeda dengan membolak-balik setiap kuesioner untuk setiap item,
menghindari kebingungan, terutama ketika ada banyak pertanyaan dan juga sejumlah besar kuesioner.
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, kuesioner sampel.
Tanggapan karyawan tertentu (peserta #1 dalam file data) untuk 22 pertanyaan pertama dapat dikodekan dengan menggunakan
nomor sebenarnya yang dilingkari oleh responden (1, 2, 3, 1, 4, 5, 1, 3, 3 , dll.). Pengkodean 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 disebutpengkodean boneka) sejauh ini merupakan pendekatan yang paling populer dan direkomendasikan karena membuat hidup
kita lebih mudah dalam tahap analisis data. Oleh karena itu, kami mengkodekan masa kerja (penuh waktu) dengan 1 untuk peserta #1.
Shift kerja (shift ketiga) dapat diberi kode 3, departemen (produksi) 2, dan usia 54 tahun. Jenis kelamin dapat diberi kode 0 (laki-laki)
Terakhir, pendidikan (kurang dari SMA) dapat diberi kode 1.
Pada tahap ini Anda juga harus memikirkan bagaimana Anda ingin mengkodekan nonresponses. Beberapa peneliti membiarkan
nonrespons kosong, yang lain menetapkan "9", "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 yang diberi kode harus
diperiksa untuk akurasi pengkodean. Pemilihan mereka dapat mengikuti prosedur pengambilan sampel yang sistematis. Artinya,
setiapnth bentuk kode dapat diverifikasi untuk akurasi. Jika banyak kesalahan ditemukan dalam sampel, semua item mungkin harus
diperiksa.
1
2
3
1
4
5
1
3
3
3
2
1
2
1
2
2
2
1
3
1
2
GAMBAR 1 4 . 1
Contoh kuesioner
GAMBAR 1 4 . 1 (
Lanjutan)
GAMBAR 1 4 . 2
Editor Data SPSS
entri data
Setelah tanggapan telah dikodekan, mereka dapat dimasukkan ke dalam database. Data mentah dapat dimasukkan melalui program
perangkat lunak apa pun. Misalnya, Editor Data SPSS, yang terlihat seperti spreadsheet dan ditunjukkan pada Gambar 14.2, dapat
memasukkan, mengedit, dan melihat isi file data.
Setiap baris editor mewakili kasus atau pengamatan (dalam hal ini peserta penelitian kami – 174 dalam studi
Excelsior Enterprises), dan setiap kolom mewakilivariabel(di sini variabel didefinisikan sebagai berbagai item informasi
yang Anda kumpulkan untuk kasus Anda; sehingga 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 Anda
berkas data. Ini memungkinkan Anda untuk membandingkan data dalam file data dengan jawaban peserta, bahkan setelah Anda
mengatur ulang file data Anda.
Kemudian, mulailah memasukkan 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 databerurusan dengan mendeteksi dan mengoreksi data dan
penghilangan yang tidak logis, tidak konsisten, atau ilegal dalam informasi yang dikembalikan oleh peserta penelitian.
Contoh dari sebuahtanggapan yang tidak logisadalahorang asingtanggapan. 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. Anda dapat memeriksa penyebaran variabel nominal dan/atau ordinal dengan
mendapatkan nilai dan tabel frekuensi minimum dan maksimum. Ini akan dengan cepat mengungkapkan outlier yang paling jelas.
Untuk data interval dan rasio, alat bantu visual (seperti scatterplot atau boxplot) adalah metode yang baik untuk memeriksa outlier.
Tanggapan yang tidak konsistenadalah tanggapan yang tidak selaras dengan informasi lain. Misalnya, seorang peserta dalam
penelitian kami mungkin telah menjawab pernyataan ekuitas yang dirasakan seperti pada Gambar 14.3. Perhatikan bahwa semua
jawaban karyawan ini menunjukkan bahwa peserta menemukan bahwa manfaat yang dia terima dari organisasi menyeimbangkan
upaya yang dia lakukan dalam pekerjaannya, kecuali jawaban untuk pernyataan ketiga. Dari empat tanggapan lainnya kita dapat
menyimpulkan bahwa peserta kemungkinan besar merasa bahwa, untuk upaya yang dia lakukan ke dalam organisasi, diamelakukan
mendapatkan banyak imbalan dan telah membuat kesalahan dalam menanggapi pernyataan khusus ini. Tanggapan terhadap
pernyataan ini kemudian dapat diedit oleh peneliti.
Namun, mungkin saja responden dengan sengaja menunjukkan bahwa dia tidak mendapatkan banyak imbalan atas upaya yang
dia lakukan di organisasi. Jika demikian halnya, kami akan memperkenalkan bias dengan mengedit data. Oleh karena itu, perhatian
besar harus diambil dalam menangani tanggapan yang tidak konsisten seperti ini. Bila memungkinkan, diinginkan untuk
menindaklanjuti dengan responden untuk mendapatkan data yang benar, meskipun ini adalah solusi yang mahal.
Kode ilegaladalah nilai yang tidak ditentukan dalam instruksi pengkodean. Misalnya, kode "6" dalam pertanyaan 1 (saya berinvestasi lebih
banyak dalam pekerjaan saya daripada yang saya dapatkan) 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.Kelalaiandapat 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 ide yang baik
untuk membuang kuesioner dan tidak memasukkannya ke dalam kumpulan data untuk analisis. Dalam acara ini, penting
untuk menyebutkan jumlah tanggapan yang dikembalikan tetapi tidak digunakan karena data yang hilang berlebihan dalam
laporan akhir yang diserahkan kepada sponsor penelitian. Namun, jika hanya dua atau tiga item
1
2
1
1
5
GAMBAR 1 4 . 3
Contoh kemungkinan jawaban yang tidak konsisten
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
dimungkinkan di semua program statistik dan merupakan opsi default di sebagian besar program. Kelemahan dari
pendekatan ini adalah, tentu saja, akan mengurangi ukuran sampel, kadang-kadang bahkan ke ukuran yang tidak sesuai,
setiap kali variabel tertentu terlibat dalam analisis. Selain itu, jika data yang hilang tidak hilang sepenuhnya secara acak,
metode ini dapat membiaskan hasil penelitian Anda. Untuk alasan ini, mengabaikan respons kosong paling cocok untuk
contoh di mana kami telah mengumpulkan sejumlah besar data, jumlah data yang hilang relatif kecil, dan hubungan yang
begitu kuat sehingga tidak terpengaruh oleh data yang hilang (Hair, Anderson, Tatham & Hitam, 1995).
Solusi alternatif adalah dengan melihat pola respons peserta terhadap pertanyaan lain dan, dari jawaban
ini, menyimpulkan jawaban logis atas pertanyaan untuk respons yang hilang. Solusi alternatif kedua adalah
menetapkan item nilai rata-rata dari tanggapan semua orang yang telah menanggapi item tertentu.
Sebenarnya, ada banyak cara untuk menangani jawaban kosong (lihat Rambutdkk., 1995), masing-masing
memiliki kelebihan dan kekurangannya sendiri.
Perhatikan bahwa jika banyak responden menjawab “tidak tahu” untuk item atau item tertentu, penyelidikan
lebih lanjut mungkin berguna. Pertanyaannya mungkin tidak jelas atau, karena alasan tertentu, peserta mungkin
enggan atau tidak mampu 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 ke nilai logaritmiknya, pendapatan tinggi
dibawa lebih dekat ke ujung bawah skala dan memberikan distribusi lebih dekat ke kurva normal.
Jenis lain dari transformasi data adalah reverse scoring. Ambil, misalnya, ukuran ketidakadilan yang dirasakan dari kasus Excelsior
Enterprises. Ketidaksetaraan yang dirasakan 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 mendapatkan banyak imbalan” (terbalik); (4) “Jika saya memperhitungkan dedikasi saya,
organisasi harus 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 persetujuan tinggi akan menjadi
negatif, tetapi untuk pertanyaan ketiga dan kelima, skor yang menunjukkan persetujuan tinggi akan menjadi positif. Untuk menjaga konsistensi
makna dari sebuah respon, item pertama, kedua, dan keempat harus diberi skor terbalik (perhatikan bahwa kita mengukur kesetaraan dan
bukan ketidakadilan). Dalam hal ini, angka 5 ("Saya sepenuhnya setuju") akan diubah menjadi angka 1 ("Saya sangat tidak setuju"), angka 4
menjadi angka 2, dan seterusnya.
Transformasi data juga diperlukan ketika beberapa pertanyaan telah digunakan untuk mengukur satu konsep.
Dalam kasus seperti itu, skor pada pertanyaan awal harus digabungkan menjadi skor tunggal (tetapi hanyasetelah
kami telah menetapkan bahwa konsistensi intertem 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" baru harus dihitung dari skor pada lima item individual (tetapi hanya setelah item 1, 2, dan 4 telah kode
terbalik). Ini melibatkan penghitungan 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 telah dikodekan terbalik, adalah 5, 4, 3, 5, dan 4. Skor gabungan pada ekuitas yang dirasakan adalah 5
4 3 5 4 21/5 4.2). Skor gabungan ini dimasukkan dalam kolom baru di SPSS. Sangat mudah untuk menghitung variabel
baru, menggunakanMenghitungkotak dialog, yang terbuka ketikaMengubahikon dipilih (Gambar 14.4).
GAMBAR 1 4 . 4
Mengubah data dengan SPSS
Perhatikan bahwa berguna untuk membuat skema untuk mengkategorikan tanggapan sedemikian rupa sehingga beberapa item yang
mengukur suatu konsep semuanya dikelompokkan bersama. Jika pertanyaan yang mengukur suatu konsep tidak bersebelahan tetapi tersebar di
berbagai bagian kuesioner, perhatian harus diberikan untuk memasukkan semua item tanpa ada penghilangan atau penyertaan yang salah.
MERASAKAN DATA
Kita dapat merasakan data dengan memperoleh ringkasan visual atau dengan memeriksa tendensi sentral dan
dispersi 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 suatu 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, modus, median, atau rata-rata, dan kisaran semi-
interkuartil, deviasi standar, atau varians akan memberi kami gambaran yang baik tentang bagaimana peserta dalam penelitian kami
bereaksi terhadap item dalam kuesioner. Statistik ini dapat dengan mudah diperoleh, dan akan menunjukkan apakah rentang
tanggapan memuaskan di atas skala. Jika respons terhadap setiap item individu dalam skala tidak memiliki penyebaran (rentang) yang
baik dan menunjukkan variabilitas yang sangat kecil, maka peneliti dapat menduga bahwa pertanyaan tertentu mungkin tidak disusun
dengan benar. Bias, jika ada, juga dapat dideteksi jika responden cenderung memberikan respons yang sama untuk semua item –
yaitu, mereka hanya terpaku pada titik-titik tertentu pada skala. Ingatlah bahwa jika tidak ada variabilitas dalam data, maka tidak ada
varians yang dapat dijelaskan! Dengan demikian, merasakan data merupakan langkah pertama yang diperlukan dalam semua analisis
data. Berdasarkan perasaan awal ini, analisis rinci lebih lanjut dapat dilakukan untuk menguji kebaikan data.
TABEL 1 4 . 1
Jenis skala, analisis data, dan metode memperoleh ringkasan visual untuk variabel
Pengukuran Visual
dari pusat Langkah-langkah dari Visual ukuran ringkasan dari
kecenderungan. . . dispersi. . . ringkasan . . . hubungan. . . hubungan. . .
untuk satu untuk satu untuk satu di antara di antara
Skala Contoh variabel variabel variabel variabel variabel
Nominal Keamanan sosial Mode — Bagan batang, pai Kemungkinan Batang bertumpuk,
nomor, bagan meja berkerumun

jenis kelamin (Silang-tab) bar
Urut Peringkat kepuasan median Semi-interkuartil Bagan batang, pai Kemungkinan Batang bertumpuk,
pada 5 poin jangkauan bagan meja berkerumun
skala (1 = tidak (Silang-tab) bar

puas sama sekali;
5 = sangat
puas)
Selang Hitung Minimal, maksimal, Histogram, Korelasi plot sebar
berarti simpangan baku, sebaran,
varians, koefisien kotak-dan-
variasi plot kumis
Perbandingan Usia, Penjualan Aritmatika atau Minimal, maksimal, Histogram, Korelasi plot sebar
geometris simpangan baku, sebaran,
berarti varians, koefisien kotak-dan-
variasi plot kumis
Para peneliti berusaha keras untuk mendapatkan tendensi sentral, jangkauan, dispersi, dan statistik lainnya
untuk setiap item tunggal yang mengukur variabel dependen dan independen, terutama ketika ukuran untuk suatu
konsep baru dikembangkan.
Statistik deskriptifuntuk variabel tunggal disediakan oleh frekuensi, ukuran tendensi sentral, dan
dispersi. Ini sekarang dijelaskan.
Frekuensi
Frekuensicukup mengacu pada berapa kali berbagai subkategori dari fenomena tertentu terjadi, dari mana
persentase dan persentase kumulatif kemunculannya dapat dengan mudah dihitung.
Perusahaan Excelsior: frekuensiFrekuensi jumlah individu di berbagai departemen untuk sampel

Excelsior Enterprises ditunjukkan pada Output 14.1. Dari sini terlihat bahwa jumlah individu terbesar
dalam sampel berasal dari departemen produksi (28,1%), diikuti oleh departemen penjualan (25,3%).
Hanya tiga orang (1,7%) yang berasal dari hubungan masyarakat, dan masing-masing lima orang dari
departemen keuangan, pemeliharaan, dan akuntansi (masing-masing 2,9%). 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 ditampilkan di sini) ditemukan 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 ijazah
kurang dari sekolah menengah, 39% ijazah sekolah menengah, 32% gelar sarjana, 20% gelar master, dan 1% memiliki
gelar doktor.
Dengan demikian, kami memiliki profil karyawan di organisasi ini, yang berguna untuk menggambarkan
sampel di bagian "metode" dari laporan tertulis (lihat Bab 17). Contoh lain di mana distribusi frekuensi akan
berguna adalah ketika: (1) seorang manajer pemasaran ingin mengetahui berapa banyak unit (dan berapa
proporsi atau persentase) dari setiap merek kopi yang dijual di wilayah tertentu selama periode tertentu; (2)
konsultan pajak ingin menghitung berapa kali berbagai ukuran perusahaan (kecil, menengah, besar) diaudit
oleh IRS; dan (3) analis keuangan ingin melacak berapa kali saham perusahaan manufaktur, industri, dan
utilitas kehilangan atau memperoleh lebih dari sepuluh poin di Bursa Efek New York selama periode enam
bulan.
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.
Excelsior Enterprises: diagram batangGambar 14.5 memberikan representasi grafis dari hasil yang tercantum dalam
tabel di Output 14.1.
Distribusi frekuensi, diagram batang, histogram, dan diagram lingkaran memberikan banyak informasi dasar
tentang data. Ukuran tendensi sentral dan dispersi akan membantu kita untuk lebih memahami data kita. Ini dibahas
selanjutnya.
KELUARAN 14.1
FREKUENSI
Dari menu, pilih:
Analisis
Statistik deskriptif
Frekuensi
[Pilih variabel yang relevan]
Pilih yang dibutuhkan:
Statistik. . .
Grafik. . .
Format [untuk urutan tampilan hasil]
(Lanjutan)
OUTPUT: DEPARTEMEN RESPONDEN
Frekuensi Persen Persentase yang valid persen kumulatif
Pemasaran 13 7.5 7.5 7.5

Produksi 49 28.1 28.1 35.6
Penjualan 44 25.3 25.3 60.9
Keuangan 5 2.9 2.9 63.8
Pelayanan 34 19.5 19.5 83.3
Pemeliharaan 5 2.9 2.9 86.2
Personil 16 9.2 9.2 95.4
Hubungan Masyarakat 3 1.7 1.7 97.1
Akuntansi 5 2.9 2.9 100.0
Total 174 100.0 100.0 100.0
Departemen Responden
60
50 49
44
40
34
30
20 16
13
10
5 5 5
3
0
n
an
an
si
i
n
t
na
ad
ga
al
si
ka
aa
ju
n
ar
ra
n
uk
ya
Pe
ta
ar
ib
ua
as
ya
la
ih
Ke
as
un
od
pr
m
Pe
M
el
Pe
Pr
Ak
m
n
ga
Pe
un
ub
H
GAMBAR 1 4 . 5
Bagan batang kategori karyawan
Ukuran tendensi sentral dan dispersi

Ada tigaukuran tendensi sentral:mean, median, dan modus.Ukuran dispersi termasuk rentang,
deviasi standar, varians (di mana ukuran tendensi sentral adalah mean), dan rentang interkuartil (di
mana ukuran tendensi sentral adalah median).
Ukuran tendensi sentral

ArtinyaItuberarti, ataurata-rata, adalah ukuran tendensi sentral yang menawarkan gambaran umum data tanpa
perlu membanjiri satu dengan masing-masing pengamatan dalam kumpulan data. Misalnya, departemen produksi
mungkin menyimpan catatan rinci tentang berapa banyak unit produk yang diproduksi setiap hari. Namun, untuk
memperkirakan persediaan bahan baku, yang mungkin ingin diketahui manajer hanyalah berapa banyak unit per
bulan,rata-rata, departemen telah berproduksi selama enam bulan terakhir. Ukuran tendensi sentral ini – yaitu,berarti
-mungkin menawarkan manajer ide yang baik tentang jumlah bahan yang perlu ditebar.
Rata-rata atau rata-rata dari satu set, katakanlah, sepuluh pengamatan, adalah jumlah dari sepuluh pengamatan individu
dibagi sepuluh (jumlah total pengamatan).
medianItumedianadalahbarang pusatdalam sekelompok pengamatan ketika mereka disusun baik dalam urutan
menaik atau menurun. Mari kita ambil contoh untuk memeriksa bagaimana median ditentukan sebagai ukuran
tendensi sentral.
ModusnyaDalam beberapa kasus, satu set pengamatan tidak meminjamkan dirinya untuk representasi yang berarti
baik melalui mean atau median, tetapi dapat ditandai denganfenomena yang paling sering terjadi. Misalnya, di
sebuah departemen di mana ada 10 wanita kulit putih, 24 pria kulit putih, 3 wanita Afrika-Amerika,
CONTOH
Katakanlah gaji tahunan sembilan karyawan di sebuah urut menaik, angkanya adalah sebagai berikut:
departemen adalah sebagai berikut: $65 000, $30 000, $25 000, $25.000, $30.000, $32.000, $35 000, $6 000, $61 000,
$64 000, $35 000, $63 000, $32 000, $60 000, dan $61 000. Gaji $63 000, $64 000, $65 000, dan angka di tengah
rata-rata di sini bekerja untuk menjadi sekitar $48 333, tetapi adalah $60 000. Jika ada jumlah karyawan genap,
mediannya adalah $60 000. Artinya, ketika disusun dalam maka median adalah rata-rata dari dua gaji di tengah.
dan 2 wanita Asia, kelompok yang paling sering terjadi – themode-adalah orang 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 modus dapat menjadi ukuran tendensi sentral yang berguna, berdasarkan
jenis data yang kami miliki. Sekarang kita akan memeriksa dispersi.
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 serangkaian
pengamatan. Seperti ukuran tendensi sentral, ukuran dispersi juga unik untuk data nominal dan interval.
Dua set data mungkin memiliki mean yang sama, tetapi dispersinya bisa berbeda. Misalnya, jika Perusahaan A
menjual 30, 40, dan 50 unit produk masing-masing selama bulan April, Mei, dan Juni, dan Perusahaan B menjual 10,
40, dan 70 unit selama periode yang sama, rata-rata unit terjual per bulan oleh kedua perusahaan adalah sama – 40
unit – tetapi variabilitas ataupenyebarandi perusahaan terakhir lebih besar.
Tiga pengukuran dispersi yang dihubungkan dengan mean adalah range, varians, dan standar
deviasi, yang dijelaskan di bawah ini.
JangkauanJangkauanmengacu pada nilai-nilai ekstrim dalam satu set 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.
PerbedaanItuperbedaandihitung dengan mengurangkan rata-rata dari setiap pengamatan dalam kumpulan data,
mengambil kuadrat dari perbedaan ini, dan membagi totalnya dengan jumlah pengamatan. Dalam contoh di atas, varians
untuk masing-masing dari dua perusahaan 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 kita lihat, varians jauh lebih besar di Perusahaan B daripada Perusahaan A. Hal ini membuat lebih sulit bagi manajer
Perusahaan B untuk memperkirakan berapa banyak barang yang harus disimpan daripada manajer Perusahaan A. Jadi, varians
memberikan indikasi seberapa tersebar data dalam kumpulan data.
Standar deviasiItusimpangan baku, yang merupakan ukuran dispersi lain untuk data berskala interval dan
rasio, menawarkan indeks penyebaran distribusi atau variabilitas dalam data. Ini adalah ukuran dispersi yang
sangat umum digunakan, dan hanya 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.
Rata-rata dan simpangan baku adalah statistik deskriptif yang paling umum untuk data berskala interval dan
rasio. Standar deviasi, dalam hubungannya dengan mean, adalah alat yang sangat berguna karena aturan statistik
berikut, dalam distribusi normal:
1.Praktis semua pengamatan termasuk dalam tiga standar deviasi dari rata-rata atau rata-rata.
2.Lebih dari 90% dari pengamatan berada dalam dua standar deviasi dari mean.
3.Lebih dari setengah pengamatan berada dalam satu standar deviasi dari mean.
Ukuran dispersi lainnyaKetikamedianadalah 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, yaitudesilmenjadi sepuluh, danpersentil menjadi 100 bagian yang
sama. Persentil berguna ketika sejumlah besar data, seperti skor GRE atau GMAT, ditangani. Ketika area pengamatan
dibagi menjadi 100 bagian yang sama, ada 99 titik persentil. Setiap skor yang diberikan memiliki probabilitas 0,01
bahwa itu akan jatuh di salah satu dari poin itu. Jika skor John berada di persentil ke-16, ini menunjukkan bahwa 84%
dari mereka yang mengikuti ujian mendapat nilai lebih baik daripada dia, sementara 15% lebih buruk.
Seringkali kita tertarik untuk mengetahui di mana kita berdiri dibandingkan dengan orang lain – apakah kita di tengah, di
atas 10 atau 25%, atau di bawah 20 atau 25%, atau di mana? Misalnya, jika dalam tes yang dikelola perusahaan, Mr Chou
mendapat skor 78 dari total 100 poin, dia mungkin tidak senang jika dia berada di 10% terbawah di antara rekan-rekannya
(pengambil tes), tetapi mungkin cukup senang jika dia berada di 10% teratas, meskipun faktanya skornya tetap sama.
Posisinya dalam hubungannya dengan orang lain dapat ditentukan oleh median tendensi sentral dan persentil tempat dia
jatuh.
Ukuran dispersi untuk median,jarak interkuartil, terdiri dari 50% tengah pengamatan (yaitu, pengamatan tidak
termasuk kuartil 25% bawah dan atas). Rentang interkuartil sangat berguna ketika perbandingan dibuat di antara beberapa
kelompok. Misalnya, perusahaan telepon dapat membandingkan biaya sambungan jarak jauh pelanggan di beberapa daerah
dengan mengambil sampel tagihan pelanggan dari masing-masing kota untuk dibandingkan. Dengan memplot kuartil
pertama dan ketiga dan membandingkan median dan spread, 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 kotak-dan-kumis untuk setiap area. Plot kotak-dan-kumis adalah perangkat
grafis yang menggambarkan tendensi sentral, persentil, dan variabilitas. Sebuah kotak digambar memanjang dari kuartil
pertama sampai kuartil ketiga, dan garis ditarik 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, jangkauan, dan penyebaran untuk setiap wilayah atau kota.
Untuk diskusi yang lebih lengkap tentang ini, lihat Salvia (1990).
Singkatnya, kami telah mengilustrasikan bagaimana mean, median, dan modus dapat menjadi ukuran tendensi sentral
yang berguna, tergantung pada jenis data yang tersedia. Demikian juga, kami telah menunjukkan bagaimana deviasi standar
(dan varians, yang merupakan kuadrat deviasi standar), dan rentang interkuartil adalah ukuran dispersi yang berguna. Jelas,
tidak ada ukuran dispersi yang terkait dengan mode.
Los Angeles
San Diego
San Fransisco
X(1) Q1 Q2 Q3 X(n) 2 4 6 8 10 12 14 16 18 20 22 24 26
(sebuah) (b)
GAMBAR 1 4 . 6
(a) Plot kotak-dan-kumis; (b) perbandingan tagihan telepon di tiga kota
TABEL 1 4 . 2
Tabel kontingensi warna kulit dan jenis pekerjaan
Warna kulit kerah putih Kerah biru Total
Putih 30 5 35
Tidak putih 2 18 20
Total 32 23 55
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 daribivariathubungan variabel yang digunakan dalam penelitian (yaitu, hubungan antara dua variabel di
antara variabel yang disadap dalam penelitian).
Tes nonparametriktersedia 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.
SEBUAHmatriks korelasidigunakan untuk menguji hubungan antara variabel interval dan/atau rasio.
Hubungan antara dua variabel nominal:2uji

Kadang-kadang kita mungkin ingin tahu apakah ada hubungan antara dua variabel nominal atau apakah mereka independen satu
sama lain. Sebagai contoh: (1) Apakah menonton iklan televisi suatu produk (ya/tidak) terkait dengan pembelian produk itu oleh
individu (beli/tidak beli)? (2) Apakah jenis pekerjaan yang dilakukan oleh individu (pekerjaan kerah putih/pekerjaan kerah biru)
merupakan fungsi dari warna kulit mereka (putih/tidak putih)? Perbandingan tersebut dimungkinkan dengan mengatur data
berdasarkan kelompok atau kategori dan melihat apakah ada hubungan yang signifikan secara statistik. Sebagai contoh, kami
mungkin mengumpulkan data dari sampel 55 individu yang warna kulit dan sifat pekerjaannya, diambil dari penghitungan frekuensi,
dapat diilustrasikan seperti pada Tabel 14.2 dalam tabel kontingensi dua kali dua. Hanya dengan melihat Tabel 14.2, a
pola yang jelas tampaknya muncul bahwa mereka yang berkulit putih memegang pekerjaan kerah putih. Hanya beberapa orang non-
kulit putih yang memegang pekerjaan kerah putih. Jadi, tampaknya ada hubungan antara warna kulit dan jenis pekerjaan yang
ditangani; keduanya tampaknya tidak berdiri sendiri. Hal ini dapat dikonfirmasi secara statistik olehchi-kuadrat(2)uji- tes
nonparametrik – yang menunjukkan apakah pola yang diamati disebabkan oleh kebetulan atau tidak. Seperti yang kita ketahui, uji
nonparametrik digunakan ketika normalitas distribusi tidak dapat diasumsikan seperti pada data nominal atau ordinal. Itu2tes
membandingkan frekuensi yang diharapkan (berdasarkan probabilitas) dan frekuensi yang diamati, dan2
statistik diperoleh dengan rumus:
2 (Oi Ei)2
Ei
di mana2adalah statistik chi-kuadrat;Oiadalah frekuensi yang diamati dari sel th; danEiadalah frekuensi yang diharapkan. Itu2
statistik dengan tingkat signifikansinya dapat diperoleh untuk setiap kumpulan data nominal melalui analisis komputer.
Jadi, dalam menguji perbedaan hubungan antara variabel berskala nominal,2(chi-kuadrat) statistik 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-kuadrat dikaitkan dengan derajat kebebasan (df), yang menunjukkan ada atau tidaknya
hubungan yang signifikan antara dua variabel nominal. Jumlah derajat kebebasan adalah satu kurang dari
jumlah sel dalam kolom dan baris. Jika ada empat sel (dua dalam satu kolom dan dua dalam satu baris), maka
jumlah derajat kebebasannya adalah 1: (2 1) (2 1)]. Statistik chi-kuadrat untuk berbagai df disajikan pada Tabel
III dalam tabel statistik menjelang akhir buku ini.
Itu2statistik juga dapat digunakan untuk beberapa tingkat dari dua variabel nominal. Misalnya, seseorang mungkin
tertarik untuk mengetahui apakah empat kelompok karyawan – personel produksi, penjualan, pemasaran, dan R&D – bereaksi
terhadap kebijakan dalam empat cara berbeda (yaitu, tanpa minat sama sekali, dengan minat ringan, minat sedang, dan
minat yang kuat). Di sini,2nilai 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)
(4 1)].
Itu2uji signifikansi dengan demikian membantu kita untuk melihat apakah dua variabel nominal terkait atau tidak. disamping
2tes, tes lain, sepertiTes probabilitas eksak FisherdanTes Cochran Qdigunakan 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 kami telah mengumpulkan data pada dua
variabel – harga dan penjualan – untuk dua produk yang berbeda. Volume penjualan pada 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 sebarannya adalah garis lurus ke bawah), sedangkan Gambar 14.7 (a) tidak. Melihat diagram pencar pada
Gambar 14.7 (b), tampaknya ada korelasi negatif langsung antara harga dan penjualan untuk produk ini. Artinya, ketika harga
naik, penjualan produk turun secara konsisten. Gambar 14.7 (a) menunjukkan tidak ada pola yang dapat ditafsirkan untuk
produk lain.
Penjualan
Penjualan
Harga Harga
(sebuah) (b)
GAMBAR 1 4 . 7
(a) Diagram pencar tanpa pola yang jelas; (b) diagram pencar yang menunjukkan kemiringan ke bawah atau negatif
Koefisien korelasi yang menunjukkan kekuatan dan arah hubungan dapat dihitung dengan menerapkan
rumus yang mempertimbangkan dua set angka – dalam hal ini, volume penjualan yang berbeda pada harga
yang berbeda.
Secara teoritis, mungkin ada korelasi positif sempurna antara dua variabel, yang diwakili oleh 1,0
(ditambah 1), atau korelasi negatif sempurna yang akan menjadi 1,0 (dikurangi 1). Namun, tak satu pun dari ini
akan ditemukan dalam kenyataan ketika menilai korelasi antara dua variabel yang diharapkan berbeda satu
sama lain.
Sementara korelasi dapat 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 kemungkinan
besar untuk keberadaannya yang sebenarnya). Seperti yang kita ketahui, arti penting darip0,05 adalah tingkat konvensional
yang diterima secara umum dalam penelitian ilmu sosial. Hal 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 terdapat korelasi sebesar 0,56 (dilambangkan sebagair0,56) antara dua variabelSEBUAHdanB,
denganp0,01, maka kita tahu bahwa ada hubungan positif antara kedua variabel dan kemungkinan ini tidak benar adalah 1%
atau kurang. Artinya, lebih dari 99% dari waktu yang kita harapkan korelasi ini ada. Korelasi 0,56 juga menunjukkan bahwa
variabel menjelaskan varians satu sama lain sebesar 31,4% (0,562).
Kami tidak tahu variabel manapenyebabyang, tetapi kita tahu bahwa kedua variabel tersebut terkait satu sama
lain. Dengan demikian, hipotesis yang mendalilkan hubungan positif (atau negatif) yang signifikan antara dua variabel
dapat diuji dengan menguji korelasi antara keduanya.
Koefisien korelasi Pearson sesuai untuk variabel skala interval dan rasio, dan koefisien Rank
Spearman atau Kendall's tau sesuai untuk 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.
PERUSAHAAN EXCELSIOR: STATISTIK DESKRIPTIF BAGIAN 1
Statistik deskriptif seperti maksimum, minimum, rata-rata, standar deviasi, dan varians diperoleh untuk item
skala interval dari studi Excelsior Enterprises. Prosedurnya ditunjukkan pada Output 14.2.
KELUARAN 14.2
STATISTIK DESKRIPTIF: KECENDERUNGAN DAN DISPERSI PUSAT

Dari menu, pilih:
Analisis
Statistik deskriptif
Deskriptif
[Pilih variabel]
Statistik
[Cho
Keluaran
pe1 pe2 pe3 pe4 pe5 jobchar1 jobchar2 jobchar3 jobchar4 kelelahan1 kelelahan2
Nsah 174 174 174 171 171 172 173 173 173 171 171
Nhilang 0 0 0 3 3 2 1 1 1 3 3
Berarti 2.385 2.270 2.523 2.491 2.552 3.526 3.428 3.549 3.462 2.468 2.444
deviasi std 1,023 0,980 1,126 0,916 0,999 1.097 1.035 1.097 1.081 1.238 1.041
Perbedaan 1,047 0,961 1,268 0,840 0,997 11111 1.204 1.072 1.203 1.169 1.533 1.084
Minimum 1 1 1 1 1 1
Maksimum 55555 6 5 5 5 5 5
burnout3 burnout4 burnout5 burnout6 burnout7 burnout8 burnout9 burnout10 pekerjaan sat itl1 itl2
Nsah 171 171 173 173 173 173 173 174 173 174 174
Nhilang 3 3 1 1 1 1 1 0 1 0 0
Berarti 2.462 2.532 2,734 2.665 2.584 2.688 2,798 2.270 2.931 2.569 2.615
deviasi std 1.144 1.356 1.028 1.064 1.146 1.129 0,988 1.021 1.169 0,828 0,903
Perbedaan 1.309 1.356 1.057 1.131 1.314 1.274 0,976 1.042 1.367 0,686 0,816
Minimum 1 1 1 1 1 1 1 1 1 1 1
Maksimum 6 5 5 5 5 5 5 4 5 4 5
Hasil yang disajikan pada tabel di Output 14.2 menunjukkan bahwa:
- ada pengamatan yang hilang untuk setiap item kecuali item pe1, pe2, pe3, burnout10, itl1, dan itl2;
- ada kode ilegal untuk item jobchar1 (6 telah dimasukkan dalam setidaknya satu sel), burnout3 (sekali lagi, 6 telah
dimasukkan dalam setidaknya satu sel), dan itl2 (5 telah dimasukkan dalam setidaknya satu sel) ;
- tanggapan untuk setiap item individu memiliki penyebaran yang baik.
Tindakan yang tepat diambil untuk memperbaiki entri ilegal. Pemeriksaan lebih lanjut dari data yang hilang
mengungkapkan bahwa setiap peserta menjawab semua atau sebagian besar pertanyaan. Oleh karena itu, tidak ada
kuesioner yang dibuang. Data yang hilang akan diabaikan selama analisis berikutnya.
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
Kunjungi situs web pendamping diwww.wiley.com/college/sekaranuntukVideo Penulis:

Keandalan.
Seperti yang dibahas dalam Bab 12, keandalan suatu ukuran ditetapkan dengan menguji konsistensi dan stabilitas.
Konsistensi menunjukkan seberapa baik item-item yang mengukur suatu konsep saling terkait sebagai satu set. 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 Cronbach's
alpha ke 1, semakin tinggi reliabilitas konsistensi internal.
Ukuran lain dari reliabilitas 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 dibagi. Terkadang reliabilitas split-half diperoleh untuk menguji konsistensi ketika lebih dari satu skala,
dimensi, atau faktor dinilai. Item di setiap dimensi atau faktor dibagi, berdasarkan beberapa logika yang telah ditentukan
(Campbell, 1976). Dalam hampir setiap kasus, alfa Cronbach adalah tes yang memadai untuk keandalan konsistensi internal.
Anda akan melihat nanti dalam bab ini bagaimana alpha Cronbach diperoleh melalui analisis komputer.
Seperti yang dibahas dalam Bab 12, stabilitas 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,
keandalan bentuk paralel ditetapkan. Keandalan tes-tes ulang dapat ditetapkan dengan menghitung korelasi antara
tes yang sama yang diberikan pada dua periode waktu yang berbeda.
Excelsior Enterprises: memeriksa keandalan pengukuran multi-item
Karena kesetaraan 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. Dalam Bab 12, kami menjelaskan bahwa
alpha Cronbach adalah tes populer dari konsistensi antar-item. Tabel 14.3 memberikan gambaran tentang alpha Cronbach
untuk empat variabel. Tabel ini menunjukkan bahwa semua alfa jauh di atas 0,60.
Secara umum, reliabilitas kurang dari 0,60 dianggap buruk, dalam kisaran 0,70, dapat diterima, dan di atas 0,80 baik.
Dengan demikian, reliabilitas konsistensi internal dari ukuran yang digunakan dalam penelitian ini dapat dianggap dapat
diterima untuk niat untuk 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 diajukan untuk uji reliabilitas. Kecuali semua item yang mengukur suatu variabel berada dalam arah yang sama,
reliabilitas yang diperoleh akan salah.
Contoh hasil yang diperoleh untuk uji alfa 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 tentang alfa jika kita mengambil salah satu item dari ukuran. Misalnya, ditunjukkan bahwa jika item pertama
(Jobchar1) dikeluarkan, alpha Cronbach dari ukuran tiga item baru akan menjadi 0,777. Ini berarti alpha akan turun jika kita
mengambil item 1 dari ukuran kita. Begitu juga jika kita mengeluarkan item 2, alpha kita akan turun dan menjadi 0,788.
Perhatikan bahwa meskipun alfa kita akan meningkat jika kita mengeluarkan salah satu item, kita tidak akan
mengeluarkannya karena dua alasan. Pertama, alfa kami di atas 0,7 sehingga kami tidak perlu melakukan tindakan perbaikan
apa pun. Kedua, jika kita akan mengeluarkan salah satu item,keabsahanukuran kami mungkin akan berkurang. Item
(semuanya) dimasukkan dalam ukuran asli karena suatu alasan!
TABEL 1 4 . 3
Keandalan langkah-langkah Excelsior Enterprises
Variabel Jumlah item alfa cronbach
Ekuitas yang dirasakan 5 0.882
Pengayaan pekerjaan 4 0,844
Habis terbakar 10 0,813
Niat untuk pergi 2 0,749

KELUARAN 14.3
ANALISIS KEANDALAN
Dari menu, pilih:

Analisis
Skala
Analisis Keandalan. . .
[Pilih variabel yang membentuk skala] Pilih
Model Alfa[ini adalah opsi default] Klik pada
Statistik. PilihSkalajika
Keluaran
Statistik keandalan
alfa cronbach Jumlah item
0,844 4
Statistik item-total
Skala berarti jika Varians skala jika Item-total yang dikoreksi Alfa Cronbach jika
item dihapus item dihapus variasi item dihapus
Jobchar1 10,4393 7.143 , 735 , 777
Jobchar2 10,5318 7.483 , 714 , 788
Jobchar3 10.4104 7.639 , 620 , 828
Jobchar4 10,4971 7,554 , 652 , 814
Namun, jika Cronbach's alpha kami terlalu rendah (di bawah 0,60) maka kami dapat menggunakan tabel ini untuk
mengetahui item mana yang harus dihapus dari ukuran kami untuk meningkatkan konsistensi antar item. Perhatikan bahwa,
biasanya, mengeluarkan item, meskipun meningkatkan keandalan ukuran kita, mempengaruhi validitas ukuran kita secara
negatif.
Sekarang kami telah menetapkan bahwa konsistensi antar-item memuaskan untuk kesetaraan yang dirasakan,
pengayaan pekerjaan, kelelahan, dan niat untuk pergi, skor pada pertanyaan awal dapat digabungkan menjadi satu
skor. Misalnya, skor "perceived equity" baru dapat dihitung dari skor pada lima item "perceived equity" individu (tetapi
hanya setelah item 1, 2, dan 4 dikodekan terbalik). Demikian juga, skor “pengayaan pekerjaan” baru dapat dihitung
dari skor pada empat item “pengayaan pekerjaan” individu, dan seterusnya. Kami telah menjelaskan bahwa ini
melibatkan penghitungan skor penjumlahan (per kasus/peserta) dan kemudian membaginya dengan jumlah item.
Keabsahan
Validitas faktorialdapat ditetapkan dengan mengirimkan data untuk analisis faktor. Hasil analisis faktor (teknik multivariat)
akan mengkonfirmasi apakah dimensi berteori muncul atau tidak. Ingat dari Bab 11 bahwa langkah-langkah dikembangkan
dengan terlebih dahulu menggambarkan dimensi untuk mengoperasionalkan konsep. Analisis faktor mengungkapkan
apakah dimensi memang disadap oleh item dalam ukuran, seperti yang diteorikan.Validitas terkait kriteriadapat ditetapkan
dengan menguji kekuatan ukuran untuk membedakan individu yang diketahui berbeda (lihat diskusi mengenai validitas
konkuren dan prediktif dalam Bab 12). Validitas konvergendapat ditetapkan ketika ada korelasi tingkat 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 diskriminandapat
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 multisifat, yang pembahasan lengkapnya berada di luar cakupan buku ini. Siswa yang tertarik untuk mengetahui
lebih jauh tentang analisis faktor dan matriks multimetode multisifat 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 ekuitas yang dirasakan, pengayaan pekerjaan, kelelahan, dan niat untuk pergi 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.
Ini akan membantu kita menjawab pertanyaan penting seperti:
- Seberapa besar masalahnya?? Dengan kata lain, sejauh mana karyawan Excelsior Enterprises cenderung keluar?
Berapa kecenderungan rata-rata untuk pergi?
- Apa sifat masalahnya?Bandingkan, misalnya, histogram yang diberikan pada Gambar 14.8. Rata-rata ITL sama
dalam kedua kasus. Namun, grafik menunjukkan kepada kita bahwa dalam histogram hipotetis pertama ITL
terdistribusi "cukup normal".1Pada histogram hipotetis kedua, distribusinya 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 untuk pergi sama sekali, sedangkan kelompok lain bertekad untuk
meninggalkan organisasi.2
Histogram Histogram
60 Rata-rata = 2,57 Rata-rata = 2,56

Std. Dev. = ,952 N Std. Dev. = 1,31 N
= 174 = 174
60
50
40
Frekuensi
Frekuensi
40
30
20
20
10
0 0
, 00 1,00 2,00 3,00 4,00 5,00 , 00 1,00 2,00 3,00 4,00 5,00
ITL ITL
GAMBAR 1 4 . 8
Dua histogram hipotetis "niat untuk pergi"
Perhatikan bahwa ada tes objektif untuk memutuskan apakah suatu distribusi normal atau tidak, misalnya uji Kolmogorov-Smirnov dan uji
1
Shapiro-Wilk.
“Data terdistribusi normal” adalah salah satu asumsi daridata parametrik; asumsi ini jelas dilanggar dalam histogram kedua. Diskusi yang sangat
2
baik tentang asumsi data parametrik dan apa yang harus dilakukan jika asumsi dilanggar disediakan oleh Andy Field dalam bukunyaMenemukan
Statistik Menggunakan SPSS(Lapangan, 2009).
Statistik deskriptif juga akan membantu kita untuk menjawab pertanyaan-pertanyaan berikut:
- Apakah karyawan puas dengan pekerjaan mereka?
- Apa persepsi karyawan tentang pengayaan pekerjaan?

- Berapa banyak karyawan yang memiliki tingkat kelelahan yang mana?
- Apakah ada banyak perbedaan sejauh mana karyawan memandang hubungan dengan perusahaan sebagai hal
yang adil?
- Apa hubungan antara ekuitas yang dirasakan, kelelahan, pengayaan pekerjaan, kepuasan kerja, dan niat
untuk pergi?
Jawaban atas pertanyaan-pertanyaan ini akan membantu kita (bersama dengan hasil uji hipotesis kita) untuk membuat
keputusan yang tepat tentang cara terbaik untuk memecahkan masalah.
Statistik deskriptif seperti maksimum, minimum, mean, standar deviasi, dan varians diperoleh untuk
variabel independen dan dependen skala 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, dapat dilihat bahwa rata-rata 2,59 pada skala empat poin untuk ITL menunjukkan bahwa Excelsior Enterprises
memiliki masalah dengan turnover. Nilai minimum 1 menunjukkan bahwa ada beberapa karyawan yang tidak berniat untuk keluar
sama sekali, dan maksimum 4 menunjukkan bahwa ada beberapa yang serius mempertimbangkan untuk keluar. Kepuasan kerja
adalah tentang rata-rata (2,91 pada skala lima poin). Rata-rata pada ekuitas yang dirasakan 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 sangat dekat
dengan mean pada semua variabel.
Tabel 14.5 memberikan penjelasan yang lebih rinci tentang niat karyawan untuk keluar. Tabel ini menunjukkan bahwa sekelompok besar
karyawan secara serius mempertimbangkan untuk meninggalkan Excelsior Enterprises! Menguji hipotesis kita akan meningkatkan pemahaman
kita tentangmengapakaryawan mempertimbangkan untuk meninggalkan Excelsior Enterprises dan akan memberi kami alat yang berguna untuk
mengurangi niat karyawan untuk meninggalkan perusahaan.
Matriks korelasi Pearson yang diperoleh untuk lima variabel skala interval ditunjukkan pada Tabel 14.6. Dari hasil,
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 burnout (kelelahan fisik
dan emosional), niat mereka untuk pergi tidak meningkat (hubungan ini tidak signifikan;
TABEL 1 4 . 4
Statistik deskriptif untuk variabel independen dan dependen
N Minimum Maksimum Berarti deviasi std Perbedaan
ITL 174 1.00 4.00 2.589 0,769 0,592
Kepuasan kerja 173 1.00 5.00 2.931 1.169 1.367
Ekuitas yang dirasakan 174 1.00 4.60 2.444 0.883 0,694
Habis terbakar 174 1.20 4.60 2.566 0,681 0,463
pekerjaan 173 1.00 5.00 3.491 0,888 0,789

TABEL 1 4 . 5
Niat tabel frekuensi untuk pergi
Frekuensi Persentase Persentase yang valid Persentase kumulatif
1.00 9 5.2 5.2 5.2

1.50 16 9.2 9.2 14.4
2.00 33 19.0 19.0 33.3
2.50 40 23.0 23.0 56.3
3,00 39 22.4 22.4 78.7
3.50 27 15.5 15.5 94.3
4.00 10 5.7 5.7 100.0
Total 174 100.0 100.0
TABEL 1 4 . 6
Korelasi antara variabel independen dan dependen
Niat untuk pergi Kepuasan kerja Ekuitas yang dirasakan Habis terbakar Pengayaan pekerjaan
Niat untuk pergi 1 0,703 0,384 0,037 0,426

Tanda tangan. (berekor dua) 0,000 0,000 0,629 0,000
N 174 173 174 174 173

Kepuasan kerja 0,703 1 . 280 0.242 0.268
N 173 173 173 173 172

Ekuitas yang dirasakan 0,384 0.280 1 0,089 0,272
N 174 173 174 174 173

Habis terbakar 0,037 0.242 0,089 1 0,028
N 174 173 174 174 173

Pengayaan pekerjaan 0,426 0.268 0,272 0,028 1
N 173 172 173 173 173
kita akan berbicara lebih banyak tentang ini di bab berikutnya). Kepuasan kerja berkorelasi positif dengan ekuitas
yang dirasakan dan pekerjaan yang diperkaya dan berkorelasi negatif dengan burnout dan ITL. Korelasi ini semua
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 antaraVariabel independensangat tinggi (katakanlah,
0,75 ke atas), kita mungkin mengalami akolinearitasmasalah dalam analisis regresi kami.
Setelah kami memperoleh statistik deskriptif untuk variabel dalam penelitian kami, kami dapat menguji hipotesis kami.
Pengujian hipotesis dibahas dalam bab berikutnya.
RINGKASAN
- Tujuan pembelajaran 1: Menunjukkan kemampuan untuk menyiapkan data untuk analisis kuantitatif.
Setelah data kuantitatif terkumpul, langkah selanjutnya adalah menganalisisnya untuk menjawab pertanyaan
penelitian. Namun, sebelum data dapat dianalisis, mereka perlu dikodekan, dimasukkan, dan diedit. Skema
kategorisasi harus disiapkan sebelum data dapat diketik. Kemudian, outlier, inkonsistensi, dan respons kosong, jika
ada, harus ditangani dengan cara tertentu. Transformasi data, langkah selanjutnya, adalah variasi pengkodean data;
itu 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. Transformasi data juga diperlukan ketika
beberapa pertanyaan telah digunakan untuk mengukur satu konsep.
- Tujuan pembelajaran 2: Menjelaskan berbagai proses yang dengannya seseorang dapat merasakan data dalam
sebuah penelitian. Peneliti dapat merasakan data dengan memperoleh ringkasan visual atau dengan memeriksa tendensi
sentral dan dispersi variabel. Seseorang juga dapat mengetahui data dengan memeriksa hubungan antara dua variabel.
- Tujuan pembelajaran 3: Menjelaskan cara untuk menilai reliabilitas dan validitas

pengukuran.
Keandalan suatu ukuran ditentukan dengan menguji konsistensi dan stabilitas. Konsistensi
menunjukkan seberapa baik item-item yang mengukur suatu konsep saling terkait sebagai satu set.
Alpha Cronbach adalah koefisien reliabilitas yang menunjukkan seberapa baik item dalam satu set
berkorelasi satu sama lain. Ukuran lain dari reliabilitas konsistensi yang digunakan dalam situasi
tertentu adalah koefisien reliabilitas split-half. Validitas faktorial dapat ditentukan dengan
menyerahkan data untuk analisis faktor. 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 merespons ukuran
yang sama.
Kunjungi situs web pendamping diwww.wiley.com/college/sekaranuntukStudi Kasus:

Dilema Donat.
PERTANYAAN DISKUSI
1.Kegiatan apa yang terlibat dalam menyiapkan data untuk analisis?

2.Apa yang melibatkan pengkodean data?
3.Pengeditan data berkaitan dengan mendeteksi dan mengoreksi data yang tidak logis, tidak konsisten, atau ilegal dalam
informasi yang dikembalikan oleh peserta penelitian. Jelaskan perbedaan antara data yang tidak logis, tidak konsisten, dan
ilegal.
4.Bagaimana Anda menangani data yang hilang?

5.Apa itu skor terbalik dan kapan skor terbalik diperlukan?
6.Ada tiga ukuran tendensi sentral: mean, median, dan modus. Ukuran dispersi meliputi rentang, deviasi
standar, dan varians (di mana ukuran tendensi sentral adalah mean), dan rentang interkuartil (di
mana ukuran tendensi sentral adalah median). Jelaskan langkah-langkah ini dan jelaskan langkah-
langkah mana yang akan Anda gunakan untuk memberikan gambaran umum tentang (a) data
nominal, (b) ordinal, dan (c) interval?
7.Seorang peneliti ingin memberikan gambaran tentang jenis kelamin responden dalam sampelnya. Jenis kelamin
diukur seperti ini: Apa jenis kelamin Anda?□ Pria□ Perempuan. Apa cara terbaik untuk memberikan gambaran
umum tentang jenis kelamin responden?
8.Pertimbangkan analisis keandalan berikut untuk diferensiasi pelanggan variabel. Apa yang dapat Anda
simpulkan darinya?
Skala analisis keandalan (alfa)
Statistik item-total
Skala Skala dikoreksi
Berarti jika barang Varians jika item Item-total Alfa jika item
dihapus dihapus korelasi dihapus
CUSDIF1 10,0405 5.4733 0.2437 0,7454
CUSDIF2 9.7432 5.0176 0,5047 0,3293
CUSDIF3 9.6486 5.3754 0,4849 0,3722
Koefisien reliabilitas N
dari Kasus = 111,0 Ndari Item = 3
Alpha = 0,5878
LATIHAN 14.4
Data berikut tersedia:
Responden Usia tanda ujian Tanda kertas Seks Tahun kuliah IQ

1 21 87 83 M 2 80
2 19 83 80 M 1 100
3 23 85 86 M 4 98
4 21 81 75 F 1 76
5 21 81 75 F 3 82
6 20 67 68 F 3 99
7 26 75 88 F 2 120
8 24 92 78 F 4 115
9 26 78 92 M 4 126
10 30 89 95 F 3 129
11 21 72 80 F 1 86
12 19 81 65 M 2 80
13 17 75 77 M 1 70
14 19 76 85 F 1 99
15 35 80 83 F 3 99
16 27 75 60 F 2 60
17 21 85 80 M 3 89
18 27 79 75 M 4 70
19 21 90 93 F 3 140
20 22 97 95 M 3 165
21 21 90 82 M 2 115
22 19 87 86 F 3 119
23 32 95 90 M 2 120
24 19 68 57 F 3 89
Catatan:Nilai ujian maksimum = 100, Nilai kertas maksimum = 100, Jenis Kelamin: M = laki-laki, F = perempuan, Tahun kuliah: 1 = Mahasiswa Baru; 2 =
Mahasiswa tingkat dua; 3 = Muda; 4 = Senior.
1.Penanganan data
sebuah.Masukkan data di SPSS. Simpan file ke flash drive USB Anda. Beri nama file "resmethassignment1."
b.Berikan label variabel, label nilai, dan indikasi penskalaan yang sesuai untuk variabel.
2.Deskriptif
sebuah.Gunakan Analisis, Statistik deskriptif, Deskriptif untuk meringkas variabel metrik.
b.Gunakan Analisis, Statistik deskriptif, Frekuensi untuk meringkas variabel nonmetrik.
c.Buat diagram lingkaran untuk Tahun di perguruan tinggi.
d.Buat histogram untuk IQ dan sertakan distribusi normal.

e.Buat plot pencar dengan IQ dix-sumbu dan nilai ujian padakamu-sumbu. Apa yang Anda simpulkan?
f.Kodekan ulang variabel jenis kelamin sehingga menjadi 1 untuk wanita dan 0 untuk pria.
g.Buat plot pencar dengan seks dix-sumbu dan IQ padakamu-sumbu. Apa yang Anda simpulkan?
h.Hitung rata-rata IQ untuk pria dan wanita. Kesimpulan?
saya.Buat variabel dummy baru, IQdum, yaitu 1 jika IQ lebih besar atau sama dengan 100, dan 0
sebaliknya.

Metopel CH 14.en - Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Metopel CH 14.en - Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

Analisis data kuantitatif

Enterprises terlebih dahulu.

MENYIAPKAN DATA UNTUK ANALISIS

Pengkodean dan entri data

nomor, bagan meja berkerumun

pada 5 poin jangkauan bagan meja berkerumun

skala (1 = tidak (Silang-tab) bar

Perusahaan Excelsior: frekuensiFrekuensi jumlah individu di berbagai departemen untuk sampel

Diagram batang dan diagram lingkaran

lingkaran membantu kita memahami data kita.

OUTPUT: DEPARTEMEN RESPONDEN

Frekuensi Persen Persentase yang valid persen kumulatif

Pemasaran 13 7.5 7.5 7.5

Ukuran tendensi sentral dan dispersi

Ukuran tendensi sentral

(30 40)2(40 40)2(50 40)2

Warna kulit kerah putih Kerah biru Total

Hubungan antar variabel

Hubungan antara dua variabel nominal:2uji

PERUSAHAAN EXCELSIOR: STATISTIK DESKRIPTIF BAGIAN 1

STATISTIK DESKRIPTIF: KECENDERUNGAN DAN DISPERSI PUSAT

Hasil yang disajikan pada tabel di Output 14.2 menunjukkan bahwa:

MENGUJI KEBAIKAN UKURAN

Kunjungi situs web pendamping diwww.wiley.com/college/sekaranuntukVideo Penulis:

Excelsior Enterprises: memeriksa keandalan pengukuran multi-item

Variabel Jumlah item alfa cronbach

Ekuitas yang dirasakan 5 0.882

Pengayaan pekerjaan 4 0,844

Habis terbakar 10 0,813

Niat untuk pergi 2 0,749

Dari menu, pilih:

alfa cronbach Jumlah item

Jobchar1 10,4393 7.143 , 735 , 777

Jobchar2 10,5318 7.483 , 714 , 788

Jobchar3 10.4104 7.639 , 620 , 828

Jobchar4 10,4971 7,554 , 652 , 814

PERUSAHAAN EXCELSIOR: STATISTIK DESKRIPTIF BAGIAN 2

60 Rata-rata = 2,57 Rata-rata = 2,56

- Apakah karyawan puas dengan pekerjaan mereka?

- Apa persepsi karyawan tentang pengayaan pekerjaan?

N Minimum Maksimum Berarti deviasi std Perbedaan

ITL 174 1.00 4.00 2.589 0,769 0,592

Kepuasan kerja 173 1.00 5.00 2.931 1.169 1.367

Ekuitas yang dirasakan 174 1.00 4.60 2.444 0.883 0,694

Habis terbakar 174 1.20 4.60 2.566 0,681 0,463

pekerjaan 173 1.00 5.00 3.491 0,888 0,789

Frekuensi Persentase Persentase yang valid Persentase kumulatif

1.00 9 5.2 5.2 5.2

Total 174 100.0 100.0

Niat untuk pergi 1 0,703 0,384 0,037 0,426

N 174 173 174 174 173

Tanda tangan. (berekor dua) 0,000 0,000 0,001 0,000

N 173 173 173 173 172

Tanda tangan. (berekor dua) 0,000 0,000 0,241 0,000

N 174 173 174 174 173

Tanda tangan. (berekor dua) 0,629 0,000 0,241 0,719

N 174 173 174 174 173

N 173 172 173 173 173

- Tujuan pembelajaran 3: Menjelaskan cara untuk menilai reliabilitas dan validitas

Kunjungi situs web pendamping diwww.wiley.com/college/sekaranuntukStudi Kasus:

1.Kegiatan apa yang terlibat dalam menyiapkan data untuk analisis?

4.Bagaimana Anda menangani data yang hilang?