DISUSUN OLEH :
Jurusan Akuntansi
Trisakti School of Management
Jakarta
2022
Chapter 14
Quantitative data analysis
Setelah data selesai diambil, peneliti nih harus nentuin data mana aja yang bisa dimasukin
ke dalam model penelitian. Outlier, data yang blank harus dikeluarin sehingga hasil
penelitiannya bisa lebih akurat
Peneliti bisa memasukan data pilihan responden dengan menuliskan langsung pilihannya
atau membuat variable dummy. Misalnya laki-laki 0, perempuan 1, dst.
Data entry
Setelah data sudah dikoding, maka data bisa dimasukan ke data base. Data mentah tadi
harus diolah dengan software khusus, contohnya SPSS.
Editing data
Data editing berhubugan dengan mendeteksi dan mengoreksi data yang kurang logis, tidak
konsisten, dan kelalaian berdasarkan informasi yang didapatkan dari responden. Beberapa
contoh illogical response:
Outlier, yaitu sebuah data observasi yang secara substansial berbeda dengan data
hasil observasi lainnya. Outlier belom tentu merupakan data error, walaupun
biasanya diakibatkan oleh data error.
Respon yang tidak konsisten adalah respon yang ga nyambung dipertanyaan
yang sama. Biasanya peneliti pakai trik mengubah frasa, untuk menguji
kekonsistenan responden.
Illegal codes adalah nilai yang sebenernya ga ada di kuisioner. Misalnya
pilihannya Cuma sampe 5, tapi dia nulisnya 6.
Omission, merupakan kelalaian responden, jadi dia ga jawab satu atau beberapa
item dalam kuisioner. Biasanya karena ga ngerti atau gamau jawab aja.
Kalo lebih dari 25% pertanyaan dalam kuisioner ga diawab, maka bisa dibilang itu blank
quisonaire dan seharusnya ga usah dimasukin dalam analisa data.
Data Transformation
Merupakan variasi dari data coding, yakni proses untuk mengubah representasi numerical
dari nilai quantitavi menjadi nilai lainnya. Data biasanya diubah untuk menghindari
masalah di tahapan selanjutnya dalam proses analisa data. Contohnya, para ekonom biasa
menggunakan transformasi logaritmik supaya data terdistribusi dengan normal.
Contoh transformasi data lainnya adalah reverse scoring, jadi ada skor negatif, 0, sama
positif gitu kalo misalnya skala pengukurannya pake ordinal.
Kita bisa lebih ngerasain nya dengan bikin rangkuman visual, bisa ngecek central
tendencydna disperse dari masing-masing variabelnya. Kita juga bisa menilai datanya
dengan menilai relasi antar dua variable. Dibawah ini data yang bisa di visualisasi datanya
berdasarkan jenis skala yg kita pake:
Peneliti perlu tau nih central tendency, range, disperse, dan alat statistic lainnya, supaya
bener-bener tau konsep yg lagi dikembangin. Dalam hal ini ada istilahnya descriptive
statistics, yaitu untuk setiap variable, gimana sih frekuensi, central tendency dan
dispersinya.
Frequencies
Frekuensi merupakan berapa kali sih data/angka itu muncul dalam penelitian. Biasanya
juga bisa pake pie chart/ bar chart
The mean
The mean adalah ukuran tendensi sentral yang menawarkan gambaran umum data tanpa
perlu membanjiri satu dengan masing-masing pengamatan dalam kumpulan data.
The median
Median adalah item sentral dalam sekelompok pengamatan ketika mereka disusun dalam
urutan menaik atau menurun.
The mode
The mode adalah satu set pengamatan tidak meminjamkan dirinya untuk representasi yang
berarti baik melalui mean atau median, tetapi dapat ditandai dengan fenomena yang paling
sering terjadi.
Range
Mengacu pada nilai ekstrim dalam satu set pengamatan.
Variance
Varians dihitung dengan mengurangkan mean dari setiap pengamatan dalam kumpulan
data, mengambil kuadrat dari perbedaan ini, dan membagi totalnya dengan jumlah
pengamatan.
Standard deviation
Standar deviasi merupakan ukuran lain dari dispersi untuk data skala interval dan rasio,
menawarkan indeks penyebaran distribusi atau variabilitas dalam data.
Nonparametric tests
Tes nonparametrik tersedia untuk menilai hubungan antara variabel yang diukur pada
skala nominal atau ordinal.
Correlation matrix
matriks korelasi digunakan untuk menguji hubungan antara variabel interval dan/atau
rasio.
Factorial Validity
Validitas yang dapat ditetapkan dengan mengirimkan data untuk dilakukan analisis faktor.
Hasil analisis faktor akan mengkonfirmasi apakah muncul dimensi berteori atau tidak.
Analisis faktor mengungkapkan apakah dimensi memang disadap oleh item dalam ukuran
seperti dalam teori atau tidak.
Criterionrelated Validity
Validitas yang dapat ditetapkan dengan menguji kekuatan ukuran untuk membedakan
individu yang berbeda.
Discriminant Validity
Validitas yang dapat dibentuk ketika terdapat dua konsep yang tidak berkorelasi satu sama
lain
CHAPTER 15
QUANTITATIVE DATA ANALYSIS: HYPOTHESIS TESTING
Inferential Statistics
Bukti statistik yang perlu disediakan oleh statistik inferensial adalah seperti analisis regresi
atau MANOVA. Statistik inferensial membantu peneliti menarik kesimpulan atau membuat
kesimpulan tentang populasi dari sampel.
Type I Error
Type I error biasa disebut sebagai alpha (α) adalah ketika probabilitas menolak hipotesis nol
benar-benar terjadi. Probabilitas type I error juga dikenal sebagai tingkat signifikansi,
ditentukan oleh peneliti. Tingkat signifikansi dalam penelitian bisnis ada;ah 5% (<0,05) dan
1% (<0,01).
Type II Error
Type II error biasa disebut sebagai beta (β) adalah probabilitas gagal menolak hipotesis nol,
sehingga membuat hipotesis alternatif adalah benar. Probabilitas type II error berbanding
terbalik dengan probabilitas type I error, dimana semakin kecil resiko salah satu jenis
kesalahan ini, maka semakin tinggi resiko jenis kesalahan lainnya.
Statistical Power
Kekuatan statistik (1-β) adalah peluang untuk menolak hipotesis nol dengan benar. Kekuatan
statistik merupakan probabilitas bahwa statistik signifikansi akan ditunjukkan jika ada.
Kekuatan statistik didasarkan pada :
Alpha (α): kriteria signifikansi statistik yang digunakan dalam pengujian. Jika alfa
bergerak mendekati nol (misalnya, jika alpha bergerak dari 5% ke 1%), maka
probabilitas menemukan efek ketika ada efek menurun. Ini menyiratkan bahwa
semakin rendah (yaitu, semakin dekat bergerak ke nol) semakin rendah daya; itu
semakin tinggi alpha, semakin tinggi kekuatannya.
Ukuran efek: ukuran efek adalah ukuran perbedaan atau kekuatan hubungan dalam
populasi: perbedaan besar (atau hubungan yang kuat) dalam populasi lebih sering
ditemukan daripada perbedaan kecil (kesamaan, hubungan).
Ukuran sampel: pada tingkat alfa tertentu, peningkatan ukuran sampel menghasilkan
lebih banyak kekuatan, karena peningkatan ukuran sampel menyebabkan perkiraan
parameter yang lebih akurat. Dengan demikian, peningkatan ukuran sampel
menyebabkan probabilitas yang lebih tinggi untuk menemukan apa yang kita cari.
Namun, meningkatkan ukuran sampel juga dapat menyebabkan terlalu banyak
kekuatan, karena bahkan efek yang sangat kecil akan dianggap signifikan secara
statistik.