METODOLOGI PENELITIAN KUANTITATIF DALAM AKUNTANSI

“DATA PREPARATION AND DESCRIPTION, EXPLORING, DISPLAYING,

AND EXAMINING DATA & HYPOTHESIS TESTING”

Dosen Pengampu : Dr. Ni Ketut Rasmini, S.E., M.Si., Ak., CA.

Oleh:
KELOMPOK 9
Ni Putu Diah Kartini (2281611030 / 05)
Putu Juna Sutrianta (2281611050 / 25)

PROGRAM STUDI MAGISTER AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS UDAYANA
2022

1
 DAFTAR ISI

PETA KONSEP
PEMBAHASAN
A. Data Preparation and Description .............................................................................. 1
1. Pendahuluan ................................................................................................................. 1
2. Editing (Pemeriksaan).................................................................................................. 1
2.1 Field Editing ................................................................................................................... 1
2.2 Center Editing................................................................................................................. 1
3. Coding (Pengkodean) ................................................................................................... 1
3.1 Konstruksi Buku Kode ................................................................................................... 2
3.2 Pengkodean Pertanyaan Tetutup .................................................................................... 2
3.3 Pengkodean Pertanyaan Terbuka ................................................................................... 2
3.4 Aturan Pengkodean ........................................................................................................ 2
3.5 Menggunakan Analisis Isi (Content Analysis) untuk Membuka Pertanyaan ................. 3
3.6 Tanggapan “Tidak Tahu” ............................................................................................... 3
3.7 Data Hilang (Missing Data) ........................................................................................... 4
4. Data Entry ..................................................................................................................... 4
4.1 Alternatif Format Data Entry.......................................................................................... 4
4.2 On the Horizon (Cakrawala) .......................................................................................... 5
B. Exploring, Displaying, and Examining Data ............................................................. 5
1. Analisis Data Eksplorasi .............................................................................................. 5
1.1 Frequency Tables, Bar Charts, and Pie Charts ............................................................... 6
1.2 Histograms ...................................................................................................................... 6
1.3 Stem-and-Leaf Displays ................................................................................................. 6
1.4 Pareto Diagrams ............................................................................................................. 7
1.5 Boxplots .......................................................................................................................... 7
1.6 Mapping.......................................................................................................................... 7
2. Tabulasi Silang (Cross-Tabulation) ............................................................................. 7
2.1 Penggunaan Persentase ................................................................................................... 8
2.2 Analisis Berbasis Tabel Lainnya .................................................................................... 8
C. Pengujian Hipotesis (Hypothesis Testing) ................................................................... 9
1. Pendahuluan ................................................................................................................. 9
1.1 Signifikansi Statistik....................................................................................................... 9
1.2 Logika Pengujian Hipotesis ............................................................................................ 9
1) Kesalahan Tipe I (α) ................................................................................................ 10
2) Kesalahan Tipe II (β) ............................................................................................... 10
3) Prosedur Pengujian Signifikansi Statistik ................................................................ 10
4) Nilai Probabilitas (p value) ...................................................................................... 11
2. Tes Signifikan.............................................................................................................. 11
2.1 Jenis Tes ....................................................................................................................... 11
1) Tes Parametrik ......................................................................................................... 11
2) Tes Non-Parametrik ................................................................................................. 12
2.2 Cara Memilih Tes ......................................................................................................... 12
2.3 Memilih Tes Menggunakan Kriteria Pilihan ................................................................ 12
2.4 One Sample Tests ......................................................................................................... 13
2.5 Two Independent Samples Tests .................................................................................. 13
2.6 Two Related Samples Tests.......................................................................................... 14
2.7 k -Independent-Samples Tests...................................................................................... 14
2.8 k -Related-Samples Tests ............................................................................................. 15
SIMPULAN ........................................................................................................................ 16
DAFTAR PUSTAKA

2
 PETA KONSEP
BAGIAN A - DATA PREPARATION AND DESCRIPTION

1
 PETA KONSEP
BAGIAN B - EXPLORING, DISPLAYING, AND EXAMINING DATA

2
 PETA KONSEP

BAGIAN C - HYPOTHESIS TESTING

3
 PEMBAHASAN
A. Data Preparation and Description
1. Pendahuluan
Tahapan data preparation and description atau yang dikenal dengan tahapan persiapan
dan deskripsi data merupakan tahapan pertama yang harus dilakukan oleh seorang peneliti.
Persiapan data meliputi pemerikasaan, pengkodean, dan data entry dan merupakan kegiatan
yang memastikan keakuratan data dan konversinya dari bentuk mentah ke bentuk tereduksi
dan terklasifikasi yang lebih tepat untuk dianalisis. Menyiapkan deskriptif ringkasan statistik
adalah langkah awal lain yang mengarah ke pemahaman tentang data yang dikumpulkan,
selama tahapan ini kesalahan entri data dapat terungkap dan diperbaiki.

2. Editing (Pemeriksaan)
Tahap ini merupakan pemeriksaan ulang data yang udah terkumpul. Editing atau
pemeriksaan adalah pengecekan atau penelitian kembali data yang telah dikumpulkan untuk
mengetahui dan menilai kesesuaian dan relevansi data yang dikumpulkan untuk bisa
diproses lebih lanjut. Editing berfungsi untuk mendeteksi kemungkinan adanya kesalahan
atau ketidakkonsistenan data.

2.1 Field Editing

Field editing dilakukan dalam penelitian skala besar. Field editing atau pengeditan
dilapangan adalah mengedit data (biasanya oleh pengawas) di lapangan pada hari yang sama
penarikan data itu dilaksanakan, pengeditan lapangan ini juga harus dilakukan segera setelah
data dikumpulkan.

2.2 Center Editing

Center editing dilakukan dalam penelitian skala kecil. Center editing adalah pengeditan
data yang tersentralisasi di suatu tempat (kantor). Teknik center editing umumnya dilakukan
setelah sebagian data terkumpul. Artinya pengeditan tidak dilakukan pada hari dan tempat
yang sama sebagaimana field editing.

3. Coding (Pengkodean)
Tahap ini merupakan tahap menyederhanakan data menjadi simbol atau kode angka.
Coding adalah proses pengidentifikasian dan pengklasifikasian masing-masing jawaban

1
(data) dengan menggunakan angka (numerical) sebagai skor atau dengan penggunaan
karakter maupun symbol lainnya. Pengkodean data merupakan langkah yang membantu dan
memudahkan dalam mengolah data lebih lanjut. Sebagai contoh jawaban ”ya” atau ”tidak”
dapat diberi kode 1=ya, 2= tidak. Pemindahan variabel dalam kode akan mempermudah
analisis statistik,

3.1 Konstruksi Buku Kode

Berisikan setiap variabel di dalam studi dan menetapkan aplikasi dari aturan penyandian
pada variabel bersangkutan. Buku Kode ini digunakan oleh peneliti untuk mendorong entri
data yang lebih akurat dan lebih efisien. Buku kode ini juga merupakan sumber definitif
untuk menemukan posisi variabel di dalam arsip data selama analisis.

3.2 Pengkodean Pertanyaan Tetutup

Mencakup item-item skala yang jawabannya dapat diantisipasi. Pertanyaan tertutup
disukai oleh peneliti dibandingkan pertanyaan terbuka karena efisiensi dan kespesifikannya.
Pertanyaan tertutup lebih mudah disandikan, direkam, dan dianalisis. Penyandian awal
sangat membantu dalam entri data manual karena tindakan ini membuat langkah antara
dalam penyelesaian lembar penyandian entri data menjadi tidak diperlukan. Dengan
instrumen yang telah disandikan sebelumnya, sandi untuk kategori variabel dapat diakses
langsung dari kuesioner.

3.3 Pengkodean Pertanyaan Terbuka

Salah satu alasan utama penggunaan pertanyaan terbuka adalah informasi yang tidak
memadai atau tidak adanya hipotesis yang dapat menghambat persiapan kategori tanggapan
sebelumnya. Apapun alasan penggunaannya, menganalisis pertanyaan terbuka dalam jumlah
besar akan memperlambat proses analisis dan meningkatkan kemungkinan terjadinya
kesalahan. Variasi jawaban untuk satu pertanyaan dapat membingungkan dan menghambat
kategorisasi pasca pengumpulan.

3.4 Aturan Pengkodean

Terdapat empat aturan sebagai pedoman pengkodean awal dari pasca pengkodean serta
kategorisasi kumpulan data. Kategori-kategori dalam variabel haruslah :

2
(1) Sesuai Dengan Masalah dan Tujuan Riset - Kesesuaian ditentukan pada dua tingkat,
pertama adalah pemisahan terbaik atas data untuk pengujian hipotesis dan menunjukkan
hubungannya dan yang kedua adanya ketersediaan data pembanding.
(2) Lengkap - Persyaratan kelengkapan untuk satu variabel mungkin sudah jelas, namun
tidak demikian halnya dengan aspek yang kedua. Apakah satu set kategori-yang
seringkali ditetapkan sebelum data dikumpulkan-dapat menangkap semua informasi
dalam data secara penuh.
(3) Saling Eksklusif - Aturan penting lainnya menambahkan kategori atau menyusun ulang
kategori adalah bahwa komponen-komponen kategori harus eklusif satu sama lain.
Standar ini dipenuhi jika suatu jawaban tertentu hanya dapat diletakkan dalam satu sel
dalam sekumpulan kategori.
(4) Berasal Dari Satu Dimensi Klasifikasi - Kebutuhan akan sekumpulan kategori untuk
mengkuti prinsip klasifikasi tunggal berarti bahwa semua pilihan dalam kumpulan
kategori didefinisikan berkaitan dengan satu konsep atau konstruk. Ketika sekumpulan
kategori mencakup lebih dari satu dimensi, penyunting mungkin memilih untuk
,memecah dimensi tersebut dan mengembangkan bidang data tambahan, ”pekerjaan”
dipecah menjadi dua variabel ”jenis pekerjaan” dan ”status pekerjaan”.

3.5 Menggunakan Analisis Isi (Content Analysis) untuk Membuka Pertanyaan

Analisis isi (content analysis) adalah penelitian yang bersifat pembahasan mendalam
terhadap isi suatu informasi tertulis atau tercetak. Analisis isi mengikuti proses sistematis
untuk mengkodekan dan menarik kesimpulan dari teks. Analisis isi dapat digunakan untuk
menganalisis data tertulis, audio, atau video dari eksperimen, pengamatan, survei, dan studi
data sekunder. Data yang jelas untuk dianalisis konten termasuk transkrip dari kelompok
fokus, transkrip wawancara, dan tanggapan survei terbuka. Tetapi peneliti juga
menggunakan analisis konten pada iklan, brosur promosi, siaran pers, pidato, halaman web,
sejarah dokumen, dan prosiding konferensi, serta artikel majalah dan surat kabar.

3.6 Tanggapan “Tidak Tahu”

Tanggapan tidak tahu (don’t know response) menghadirkan masalah khusus untuk
persiapan data. Dalam situasi penelitian, tanggapan tidak tahu menggambarkan kegagalan
peneliti untuk mendapatkan informasi yang sesuai. Cara terbaik untuk menangani tanggapan

3
tidak tahu yang tidak diinginkan adalah dengan merancang pertanyaan pengukuran yang
lebih baik, dan juga menjalin hubungan yang baik antara peneliti dengan responden.

3.7 Data Hilang (Missing Data)

Missing data merupakan masalah yang sering dijumpai dalam penelitian, keberadaan
missing data dapat mengganggu analisis yang akan dilakukan. Data yang hilang (missing
data) adalah informasi dari responden atau kasus yang tidak tersedia untuk satu atau lebih
variabel yang diinginkan. Tipe-tipe dari data hilang :
(1) Hilang Sepenuhnya Secara Acak (MCAR, Missing Completely at Random)
(2) Hilang Secara Acak (MAR, Missing at Random)
(3) Hilang Tidak Secara Acak (MNAR, Missing Not at Random)

Tiga teknik digunakan untuk menyelamatkan kumpulan data dengan missing data (data
yang hilang) :
(1) Listwise Deletion - kasus dengan data yang hilang pada satu variabel dihapus dari
sampel untuk semua analisis variabel itu.
(2) Pairwise Deletion - data yang hilang diperkirakan menggunakan semua kasus yang
memiliki data untuk setiap variabel atau pasangan variabel; estimasi menggantikan data
yang hilang.
(3) Predictive Replacement - data yang hilang diprediksi dari nilai yang diamati pada
variabel lain; nilai yang diamati digunakan untuk menggantikan data yang hilang.

4. Data Entry
Data entry mengubah informasi yang dikumpulkan dengan metode sekunder atau primer
menjadi media untuk dilihat dan dimanipulasi. Istilah data entry juga dikenal dengan tabulasi
data, yakni pemindahan data dari kuesioner ke tabel. Kunci utama pada kegiatan ini adalah
rancangan (design) tabel dasar khususnya dalam penetapan kolom.
4.1 Alternatif Format Data Entry
1) Keyboarding
Editor layar penuh, yang dengannya seluruh file data dapat diedit atau dijelajahi, adalah
sarana data yang layak. entri untuk paket statistik seperti SPSS atau SAS. Baik SAS dan
SPSS menawarkan perangkat lunak yang dengan mudah mengakses data dari database,
spreadsheet, data warehouses atau data marts.

4
2) Optical Recognition (Pengenalan Optik)
Pemindaian optik instrument merupakan hal yang efisien bagi peneliti. Format yang
lebih fleksibel, pengenalan tanda optic / optical mark recognition (OMR) menggunakan
antarmuka bergaya spreadsheet untuk membaca dan memproses formulir yang dibuat
pengguna. Pemindai optic memproses kuesioner yang ditandai dan simpan jawabannya
dalam file.
3) Voice Recognition (Pengenalan Suara)
Peningkatan panggilan acak terkomputerisasi telah mendorong inovasi pengumpulan
data lainnya. Suara sistem pengenalan dan respons suara menyediakan beberapa
alternatif menarik untuk telepon pewawancara. Sistem ini maju dengan cepat dan akan
segera menerjemahkan rekaman suara tanggapan ke dalam file data.
4) Digital
Menggunakan entri data digital, responden yang diundang menjawab pertanyaan
dengan secara digital. Komputer menangkap data dengan mendekode sinyal listrik nada
dan menyimpan jawaban numerik atau abjad dalam file data. Salah satu aplikasi digital
yang sering digunakan adalah bar code. Bar code digunakan dalam berbagai aplikasi.
Ketika seorang pewawancara melewati bar code di atas kode yang sesuai, data dicatat
dalam ukuran kecil dan ringan unit untuk terjemahan nanti

4.2 On the Horizon (Cakrawala)

Bahkan dengan pengurangan waktu antara pengumpulan dan analisis data ini, inovasi
menawarkan hasil yang signifikan janji. Kemampuan untuk mengintegrasikan gambar
visual, streaming video, audio, dan data telah menggantikan video peralatan sebagai metode
yang disukai untuk merekam eksperimen, wawancara, atau kelompok fokus. Tanggapan data
dapat diekstraksi untuk analisis data, sedangkan gambar audio dan visual tetap utuh untuk
evaluasi nanti. Meskipun teknologi tidak akan pernah menggantikan penilaian peneliti,
teknologi dapat mengurangi kesalahan penanganan data, mengurangi waktu antara
pengumpulan dan analisis data, dan membantu memberikan informasi yang lebih berguna.

B. Exploring, Displaying, and Examining Data

1. Analisis Data Eksplorasi
Teknik analisis data eksplorasi memberikan wawasan dan diagnostik data dengan
menekankan visual representasi dari data. Analisis data eksploratif (Exploratory Data

5
Analysis – EDA) merupakan metode eksplorasi data dengan menggunakan teknik aritmatika
sederhana dan teknik grafis dalam meringkas data pengamatan. Langkah pertama dalam
menganalisis data adalah mempelajari karakteristik dari data tersebut.

1.1 Frequency Tables, Bar Charts, and Pie Charts

1) Frequency Tables - disebut juga dengan tabel frekuensi merupakan perangkat
sederhana untuk menyusun data. Tabel frekuensi adalah sebuah tabel atau bagan yang
akan merangkum nilai dan frekuensi dari sebuah data.
2) Bar charts - disebut juga dengan grafik batang merupakan grafik atau diagram batang
persegi panjang dengan tinggi atau panjang yang sebanding dengan nilai dari sebuah
data yang diwakilinya.
3) Pie charts - disebut juga dengan grafik lingkaran. Pie charts dibagi dalam beberapa
potongan untuk menunjukkan porsi persentasi. Pie charts digunakan digunakan untuk
menampilkan total persentase yang harus mencapai 100%, dimana setiap
potongan pie akan menampilkan ukuran dari nilai data tertentu.

1.2 Histograms
Histogram adalah representasi grafis (diagram) yang mengatur dan menampilkan
frekuensi data sampel pada rentang tertentu. Frekuensi data yang ada pada masing-masing
kelas direpresentasikan dengan bentuk grafik diagram batang atau kolom. Histogram
digunakan ketika dimungkinkan untuk mengelompokkan nilai-nilai variabel ke dalam
interval.

1.3 Stem-and-Leaf Displays

Di dalam statistik, Stem-and-Leaf merupakan alat untuk menyajikan data kuantitatif
dalam format grafis, mirip dengan histogram, yaitu untuk membantu dalam
memvisualisasikan bentuk distribusi data yang sering digunakan dalam analisis eksplorasi.
Stem-and-leaf menggambarkan (menyajikan) data dengan cara memisahkan setiap nilai
menjadi dua bagian: bagian batang (stem) yaitu digit angka paling kiri dan diikuti dengan
angka berikutnya, yaitu daun (leaf), digit angka paling kanan.

6
1.4 Pareto Diagrams
Pareto Diagrams merupakan grafik batang yang menggambarkan masalah berdasarkan
urutan banyaknya frekuensi banyaknya kejadian. Urutan pertama akan dimulai dari
permasalahan yang memiliki frekuensi paling besar hingga permasalahan yang memiliki
frekuensi paling kecil. Diagram Pareto adalah diagram batang yang persentasenya berjumlah
100 persen. Data diturunkan dari pilihan ganda, skala respons tunggal; sebuah pilihan ganda,
skala jawaban ganda; atau frekuensi jumlah kata (atau tema) dari analisis isi.

1.5 Boxplots
Boxplots merupakan ringkasan distribusi sampel yang disajikan secara grafis yang bisa
menggambarkan bentuk distribusi data (skewness), ukuran tendensi sentral dan ukuran
penyebaran (keragaman) data pengamatan.Terdapat lima ukuran statistik yang bisa dibaca
dari boxplot, yaitu:
(1) Nilai minimum: nilai observasi terkecil
(2) Q1: kuartil terendah atau kuartil pertama
(3) Q2: median atau nilai pertengahan
(4) Q3: kuartil tertinggi atau kuartil ketiga
(5) Nilai maksimum: nilai observasi terbesar.

1.6 Mapping
Mapping atau pemetaan pada data adalah proses mencocokkan data yang berasal dari
berbagai sumber ke skema database utama. Tujuan utama mapping yaitu untuk menyatukan
berbagai data dan menjembatani perbedaan di antara berbagai sumber data, sehingga, ketika
memindahkan data dari sumbernya, data tersebut tetap akurat dan bisa digunakan di database
baru.

2. Tabulasi Silang (Cross-Tabulation)

Tabulasi silang (cross-tabulation) adalah metode analisis yang menggunakan data
nominal, ordinal, interval serta kombinasi diantara data tersebut. Analisis tabulasi silang
adalah teknik untuk melihat atau membandingkan hubungan antar variabel (minimum 2
variabel) dengan menghitung persentase responden untuk setiap kelompok dalam kategori
agar mudah dilihat hubungan antara dua variable. Kegunaan analisis tabulasi silang adalah
dalam menyelesaikan permasalahan analisis data di antaranya :

7
(1) Membantu menyelesaikan penelitian yang berkaitan dengan penentuan hubungan antara
variabel atau faktor yang diperoleh dari data kualitatif, setelah melalui uji statistik.
(2) Menentukan besarnya derajat asosiasi (hubungan kuat atau lemah).
(3) Dapat menentukan variabel dependen (terikat) dan variabel independen (bebas) dari dua
variabel yang dianalisis.

2.1 Penggunaan Persentase

Persentase digunakan oleh hampir semua peneliti yang berurusan dengan angka. Berikut
pedoman yang dapat digunakan selama analisis, akan membantu mencegah kesalahan dalam
pelaporan:
(1) Averaging percentages - Persentase tidak dapat dirata-ratakan kecuali masing-masing
ditimbang dengan ukuran kelompok dari mana ia berasal. Jadi, rata-rata sederhana tidak
akan cukup; itu perlu digunakan rata-rata tertimbang.
(2) Use of too large percentages - Ini sering kali mengalahkan tujuan persentase—yaitu
untuk menyederhanakan. Persentase yang besar sulit dipahami dan membingungkan.
Jika 1.000 persen meningkat berpengalaman, lebih baik untuk menggambarkan ini
sebagai peningkatan 10 kali lipat.
(3) Using too small a base - Persentase menyembunyikan basis dari mana mereka telah
dihitung. Angka 60 persen bila dibandingkan dengan 30 persen akan tampak
menunjukkan perbedaan yang cukup besar. Namun jika hanya ada tiga kasus dalam satu
kategori dan enam di kategori lain, perbedaannya akan tidak sepenting mereka telah
dibuat untuk tampil dengan persentase.
(4) Percentage decreases can never exceed 100% - Persentase penurunan tidak pernah bisa
melebihi 100%. Ini jelas, tapi jenis kesalahan ini sering terjadi. Angka yang lebih tinggi
harus selalu digunakan sebagai dasar atau penyebut. Untuk contoh, jika harga
diturunkan dari $1 menjadi $0,25, penurunannya akan menjadi 75 persen (75/100).

2.2 Analisis Berbasis Tabel Lainnya

Perangkat lunak komputer untuk klasifikasi silang analisis membuat analisis berbasis
tabel dengan satu atau lebih variabel kontrol menjadi alat yang efisien untuk visualisasi data
dan seterusnya pengambilan keputusan. Variasi lanjutan pada tabel n-way adalah automatic
interaction detection (AID). AID adalah proses statistik terkomputerisasi yang
mengharuskan peneliti mengidentifikasi variabel dependen dan serangkaian prediktor atau

8
variabel bebas. Komputer kemudian mencari di antara hingga 300 variabel untuk pembagian
tunggal terbaik dari data menurut masing-masing variabel prediktor, memilih satu, dan
membagi sampel menggunakan uji statistik untuk memverifikasi kesesuaian pilihan ini.

C. Pengujian Hipotesis (Hypothesis Testing)

1. Pendahuluan
Hipotesis adalah pernyataan yang diterima sementara dan masih perlu diuji. Dalam
proposal penelitian, hipotesis penelitian memiliki keterikatan yang kuat dengan
permasalahan penelitian, kerangka teori, kerangka konsep, sample dan analisis data. Dalam
suatu penelitian setelah menyusun kerangka berpikir maka diperlukan adanya penarikan
hipotesis sebelum mengambil data, hal ini diperlukan agar penelitian terarah.
Pengujian hipotesis adalah pengujian terhadap suatu pernyataan dengan menggunakan
metode statistik sehingga hasil pengujian tersebut dapat dinyatakan signifikan secara
statistik.

1.1 Signifikansi Statistik

Signifikansi statistik mengacu pada klaim bahwa hasil dari data yang dihasilkan oleh
pengujian cenderung dikaitkan dengan penyebab tertentu. Signifikansi statistik dapat
dianggap kuat atau lemah. Jika dilihat dari ilmu statistik, nilai signifikansi merupakan nilai
kebenaran pada suatu hipotesis yang diterima atau ditolak.

1.2 Logika Pengujian Hipotesis

Hipotesi dibedakan menjadi dua. Pertama adalah hipotesis null (Ho) yang merupakan
hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara dua kelompok dalam
artian lain hipotesis null dapat dikatakan sebagai hipotesis yang menyatakan tidak ada
hubungan antara variabel satu dengan variabel yang lain. Contohnya: Tidak ada hubungan
antara tingkat pendidikan mahasiswa dengan peluang mencari kerja
Sedangkan hipotesis kedua adalah hipotesis alternatif. Hipotesis ini juga bisa
menunjukkan adanya perbedaan antar dua kelompok. Hipotesis ini menjelaskan adanya
hubungan antara variabel dengan variabel lain. Contohnya: Ada hubungan antara tingkat
kemiskinan dan ketersediaan lowongan pekerjaan.

9
1) Kesalahan Tipe I (α)
Kesalahan ini merupakan kesalahan menolak Ho, padahal sesungguhnya Ho benar.
Artinya menyimpulkan adanya perbedaan, padahal sesungguhnya tidak ada perbedaan.
Peluang kesalahan tipe I adalah α atau sering disebut tingkat signifikansi (significance
level). Sebaliknya, peluang untuk tidak membuat kesalahan tipe I adalah sebesar 1 – α, yang
disebut dengan tingkat kepercayaan (confidence level).
Contohnya, kesalahan menyimpulkan ada perbedaan antara keseriusan belajar dengan
pelajaran, sesungguhnya tidak ada perbedaan antara keseriusan belajar dengan pelajaran

2) Kesalahan Tipe II (β)

Kesalahan ini merupakan kesalahan tidak menolak Ho, padahal sesungguhnya Ho salah,
yang artinya menyimpulkan tidak ada perbedaan, padahal sesungguhnya ada perbedaan.
Peluang untuk membuat kesalahan tipe kedua (II) ini sebesar 1 - β, dan dikenal dikenal
sebagai sebagai tingkat kekuatan uji (power of the test).
Contohnya, menyimpulkan tidak ada perbedaan antara keseriusan belajar dengan
pelajaran, padahal sesungguhnya ada perbedaan antara keseriusan belajar dengan pelajaran.

3) Prosedur Pengujian Signifikansi Statistik

Pengujian signifikansi statistik mengikuti pola yang relatif terdefinisi dengan baik,
meskipun penulis berbeda dalam jumlah dan urutan langkah. Urutan enam prosedur
pengujian signifikansi statistik adalah sebagai berikut:
(1) Peneliti menentukan hipotesis null (Ho), hipotesis null selalu digunakan untuk tujuan
pengujian statistik.
(2) Memilih uji statistik yang sesuai dengan asumsi sebaran populasi dan skala pengukuran
data. Berdasarkan ini, peluang terjadinya uji statistik yang dipilih sebaiknya yang
terkuat yang sesuai uji.
(3) Menetapkan tingkat kesignifikanan α. Nilai yang biasa digunakan, yaitu α = 0.01 atau α
= 0.05. Pilihan tingkat signifikansi harus dibuat sebelum mengumpulkan data. Tingkat
yang tepat untuk dipilih adalah sebagian besar ditentukan oleh seberapa besar risiko
yang bersedia diterima peneliti dan efek yang dimiliki oleh pilihan ini pada risiko β .
Semakin besar α, semakin rendah β.

10
(4) Menghitung statistik uji berdasarkan data. Perhitungan ini dilakukan dengan jalan
mengganti peubah acak dalam statistik dengan nilai-nilai pengamatan yang telah
diperoleh.
(5) Menentukan nilai kritis atau daerah kritis pengujian. Nilai kritis ini bergantung kepada
asumsi sebaran populasi dan hipotesis yang akan diuji.
(6) Membuat kesimpulan dengan jalan membandingkan nilai statistik dengan nilai kritis.
Jika nilai statistik jatuh pada daerah kritis, berarti Ho ditolak, dan jika jatuh di luar
daerah kritis. Ho diterima.

4) Nilai Probabilitas (p value)

Nilai Probabilitas (P-Value) dapat diartikan sebagai besarnya peluang (probabilitas)
yang diamati dari statistik uji. Jika analisis data dilakukan dengan paket statistika dengan
komputer, hasil komputer telah memberikan nilai p, yaitu luas daerah di ujung nilai kritis
yang dibatasi oleh nilai hitung statistik. Jika nilai p lebih besar daripada taraf kesignifikanan
α yang telah ditetapkan, Ho diterima. Jika nilai p lebih kecil daripada nilai α, Ho ditolak.
Sebagai contoh, peneliti menetapkan nilai alfa sebesar 5% atau 0,05. Artinya dari 100
kali seseorang melakukan percobaan yang sama di harapkan kurang dari 5 penelitian yang
mengalami kegagalan. Setelah melakukan percobaan data, lalu dianalisis dan didapat nilai
p-value sebesar 11% atau 0,1, ini berarti dari hasil perhitungan diketahui bahwa dari 100
percobaan yang sama akan dihasilkan kegagalan sebanyak 11 percobaan.

2. Tes Signifikan
Uji signifikansi adalah salah satu tahap terpenting dalam sebuah penelitian, khususnya
risetyang bermetodologi kuantitatif. Uji ini yang akan menentukan simpulan hasil riset. Uji
signifikansi menentukan apakah hipotesis yang dibuat di awal riset akan diterima atau
ditolak. Karena peran pentingnya itulah, para ahli mencari cara terbaik yang dapat
membedakan hasil pengamatan secara meyakinkan. Tes statistik yang mewakili beragam
pilihan yang tersedia kepada peneliti.

2.1 Jenis Tes

1) Tes Parametrik
Tes parametrik adalah lebih kuat karena datanya berasal dari pengukuran interval dan
rasio. Kelebihan statistik parametrik adalah tidak diperlukannya pengujian terhadap

11
parameter populasi karena sudah dianggap memenuhi syarat. Data observasi pada pengujian
ini juga dinilai saling bebas, data diambil dari populasi yang memiliki distribusi normal
dengan varian homogen. Berbagai asumsi rumit tersebut membuat pengujian parametrik
dapat diandalkan akurasinya. Asumsi untuk tes parametrik meliputi:
(1) Pengamatan harus independen—yaitu, pemilihan satu kasus tidak boleh mempengaruhi
peluang untuk kasus lain untuk dimasukkan dalam sampel.
(2) Pengamatan harus diambil dari populasi yang terdistribusi normal.
(3) Populasi ini harus memiliki varians yang sama.
(4) Skala pengukuran harus setidaknya interval sehingga operasi aritmatika dapat
digunakan.

2) Tes Non-Parametrik
Tes non-parametrik digunakan untuk menguji hipotesis dengan data nominal dan
ordinal. Tes non-parametrik memiliki asumsi yang lebih sedikit dan kurang ketat. Tes non-
parametrik tidak menentukan populasi yang terdistribusi normal atau persamaan varians.
Beberapa tes memerlukan independensi kasus; yang lain adalah secara tegas dirancang untuk
situasi dengan kasus terkait. data, meskipun membuang banyak informasi yang tersedia. Tes
nonparametrik juga mudah dipahami dan digunakan.

2.2 Cara Memilih Tes

Dalam mencoba untuk memilih tes signifikansi tertentu, peneliti harus
mempertimbangkan setidaknya tiga pertanyaan:
(1) Apakah pengujian melibatkan satu sampel, dua sampel, atau k (lebih dari dua) sampel?
(2) Jika dua sampel atau k sampel terlibat, apakah kasus individu independen atau terkait?
(3) Apakah skala pengukuran nominal, ordinal, interval, atau rasio?

2.3 Memilih Tes Menggunakan Kriteria Pilihan

Memilih tes menggunakan kriteria pilihan merupakan langkah berikutnya yang harus
dilakukan peneliti, pada tahap ini akan menjawab pertimbangan pertanyaan dalam tahap cara
memilih tes. Dibawah ini merupakan table dari teknik statistik yang direkomendasikan
berdasarkan tingkat pengukuran dan situasi pengujian (one-sample tests, two-sample tests,
k- (more-than-two) sample tests).

12
2.4 One Sample Tests
One sample test merupakan salah satu sarana pengujian hipotesis yang baik digunakan
dalam kondisi sampel kecil (kurang dari 30). One sample test merupakan teknik analisis
untuk membandingkan satu variabel bebas. Teknik ini digunakan untuk menguji apakah nilai
tertentu berbeda secara signifikan atau tidak dengan rata-rata sebuah sampel. Uji-t satu
sampel hanya bisa digunakan untuk membandingkan nilai rata-rata sampel pada satu
variabel dengan nilai rata-rata yang sudah ditentukan. Dalam uji-t satu sampel, uji statistik
yang digunakan adalah sebagai berikut:

Keterangan:
x = rata-rata sampel
µ = rata-rata populasi/penelitian terdahulu
S = Standar Deviasi
n = jumlah (banyaknya) sampel

2.5 Two Independent Samples Tests

Dalam statistik, uji-t dua sampel untuk sampel independen adalah jenis uji hipotesis
yang dapat digunakan untuk menentukan apakah rata-rata dua populasi berbeda secara
statistik mengingat kedua sampel independen dan memiliki distribusi normal. Uji-t dapat
digunakan jika simpangan baku populasi tidak diketahui dan ukuran sampel lebih kecil

13
(kurang dari 30). Dengan ukuran sampel yang kecil, populasi yang terdistribusi normal, dan
asumsi varians populasi yang sama, rumus uji t adalah :

Dalam rumus di atas, S2p disebut sebagai deviasi standar gabungan. Rumus untuk varians
gabungan dapat dihitung berdasarkan hal berikut :

2.6 Two Related Samples Tests

Two related samples test menyangkut situasi di mana orang, objek, atau peristiwa sangat
cocok atau fenomena diukur dua kali. Analisa ini bertujuan untuk menguji, apakah antara
dua kondisi yang diperbandingkan memiliki perbedaan secara spesifik atau tidak, sehingga
keputusan yang akan diambil berkaitan dengan dua kondisi obyek tersebut dapat diputuskan
dengan bijak berdasar hasil analisa.

2.7 k -Independent-Samples Tests

Jenis dari k-independen-sampel tes digunakan dalam penelitian ketika tiga atau lebih
sampel yang terlibat. Dalam kondisi ini, peneliti mempelajari apakah sampel mungkin
berasal dari populasi yang sama atau identik. Ketika data diukur pada skala rasio interval
dan dapat bertemu asumsi yang diperlukan, analisis varians dan uji F digunakan. Jika analisis
awal menunjukkan asumsi tidak dapat dipenuhi atau jika data diukur pada skala ordinal atau
nominal, uji nonparametrik harus dipilih.
Analisis ragam atau analysis of variance (ANOVA) adalah suatu metode untuk
menguraikan keragaman total data menjadi komponen-komponen yang mengukur berbagai
sumber keragaman. Dalam uji ANOVA sendiri dikenal dengan dua jenis yaitu one way dan
two way. Tujuan dilakukannya uji anova satu arah adalah untuk membandingkan dua rata-
rata atau lebih yang akan digunakan untuk menguji kemampuan generalisasi. Adapun Anova
dua arah menganalisis data yang memiliki dua variabel bebas atau memiliki faktor kedua
yang memengaruhi kondisi populasi. Statistik uji untuk ANOVA adalah rasio F. Ini
membandingkan varians dari dua sumber terakhir :

14
Dimana :

2.8 k -Related-Samples Tests

Dalam percobaan pemasaran uji atau desain ex post facto dengan k sampel, seringkali
perlu untuk mengukur subjek beberapa kali. Pengukuran berulang ini disebut percobaan.
Misalnya, beberapa pengukuran diambil dalam studi harga saham, produk dievaluasi oleh
keandalan, persediaan, penjualan, dan ukuran kinerja produk. Hipotesis untuk situasi ini
mungkindiuji dengan model linier umum univariat atau multivariat. Uji sampel terkait k
diperlukan untuk situasi di mana :
(1) Faktor pengelompokan memiliki lebih dari dua level
(2) Pengamatan atau subjek yang dicocokkan atau subjek yang sama diukur lebih dari satu
kali
(3) Datanya paling sedikit intervalnya

15
 SIMPULAN
Tahapan persiapan dan deskripsi data merupakan tahapan pertama yang harus dilakukan
oleh seorang peneliti. Persiapan data meliputi pemerikasaan, pengkodean, dan data entry dan
merupakan kegiatan yang memastikan keakuratan data dan konversinya dari bentuk mentah
ke bentuk terklasifikasi Menyiapkan deskriptif ringkasan statistik adalah langkah awal lain
yang mengarah ke pemahaman tentang data yang dikumpulkan, selama tahapan ini
kesalahan entri data dapat terungkap dan diperbaiki.
Analisis data eksplorasi memberikan wawasan dan diagnostik data dengan menekankan
visual representasi dari data. Langkah pertama dalam menganalisis data adalah mempelajari
karakteristik dari data tersebut. Terdapat delapan analisis data eksplorasi yang bisa dilakukan
(1) Frequency tables / tabel frekuensi, (2) Bar charts / grafik batang, (3) Pie charts / grafik
lingkaran, (4) Histogram, (5) Stem-and-leaf, (6) Pareto diagrams, (7) Boxplots dan (8)
Mapping. Tabulasi silang (cross-tabulation) adalah metode analisis yang menggunakan data
nominal, ordinal, interval serta kombinasi diantara data tersebut. Analisis tabulasi silang
adalah teknik untuk melihat atau membandingkan hubungan antar variable.
Hipotesis berarti pernyataan sementara yang perlu diuji kebenaran nya. Untuk menguji
kebenaran sebuah hipotesis digunakan pengujian yang disebut pengujian hipotesis.
Signifikansi statistik dapat dianggap kuat atau lemah. Jika dilihat dari ilmu statistik, nilai
signifikansi merupakan nilai kebenaran pada suatu hipotesis yang diterima atau ditolak.
Hipotesis dibedakan menjadi dua. Pertama adalah hipotesis null (Ho) yang merupakan
hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara dua kelompok.
Sedangkan hipotesis kedua adalah hipotesis alternatif. Hipotesis ini juga bisa menunjukkan
adanya perbedaan antar dua kelompok. Prosedur pengujian signifikansi statistik, terdiri dari
enam tahapan, yaitu (1) peneliti menentukan hipotesis null (Ho), (2) Memilih uji statistik,
(3) Menetapkan tingkat kesignifikanan α, (4) Menghitung statistik uji berdasarkan data, (5)
Menentukan nilai kritis, dan terakhir (6) Membuat kesimpulan dengan jalan membandingkan
nilai statistik dengan nilai kritis. Tes signifikasi yang bisa dilakukan dibedakan menjadi dua,
yang pertama tes parametrik tidak diperlukannya pengujian terhadap parameter populasi
karena sudah dianggap memenuhi syarat. Tes yang kedua adalah tes non-parametrik
digunakan untuk menguji hipotesis dengan data nominal dan ordinal. Tes non-parametrik
memiliki asumsi yang lebih sedikit dan kurang ketat. Tes non-parametrik tidak menentukan
populasi yang terdistribusi normal atau persamaan varians.

16
 DAFTAR PUSTAKA

Binus University (2020). Alpha dan p Value. Available at:

https://accounting.binus.ac.id/2020/12/19/alpha-dan-p-value/

Cooper, R. Donald Dan Pamela S. Schindler. (2017). Metode Penelitian Bisnis, Edisi 12
Buku 1. Jakarta: Salemba Empat.

LP2M Universitas Medan Area. (2022). APA ITU TABULASI SILANG (CROSS-
TABULATION) DALAM PENELITIAN? Available at:
https://lp2m.uma.ac.id/2022/03/28/apa-itu-tabulasi-silang-cross-tabulation-dalam-
penelitian/

Nur, Indah Manfaati. (2022). Penyajian Data Statistik. Available at:

http://himasta.unimus.ac.id/wp-content/uploads/2022/01/Penyajian-Data.pdf

17