Metode Penelitian Bisnis: Analisa Data Melalui SPSS Dan Smart-Pls

METODE
PENELITIAN BISNIS:
ANALISA DATA MELALUI
SPSS DAN SMART-PLS
UU No 28 tahun 2014 tentang Hak Cipta
Fungsi dan sifat hak cipta Pasal 4

Hak Cipta sebagaimana dimaksud dalam Pasal 3 huruf a merupakan hak eksklusif yang terdiri
atas hak moral dan hak ekonomi.
Pembatasan Pelindungan Pasal 26
Ketentuan sebagaimana dimaksud dalam Pasal 23, Pasal 24, dan Pasal 25 tidak berlaku terhadap:
i. Penggunaan kutipan singkat Ciptaan dan/atau produk Hak Terkait untuk pelaporan peristi-
wa aktual yang ditujukan hanya untuk keperluan penyediaan informasi aktual;
ii. Penggandaan Ciptaan dan/atau produk Hak Terkait hanya untuk kepentingan penelitian
ilmu pengetahuan;
iii. Penggandaan Ciptaan dan/atau produk Hak Terkait hanya untuk keperluan pengajaran, ke-
cuali pertunjukan dan Fonogram yang telah dilakukan Pengumuman sebagai bahan ajar; dan
iv. Penggunaan untuk kepentingan pendidikan dan pengembangan ilmu pengetahuan yang me-
mungkinkan suatu Ciptaan dan/atau produk Hak Terkait dapat digunakan tanpa izin Pelaku
Pertunjukan, Produser Fonogram, atau Lembaga Penyiaran.
Sanksi Pelanggaran Pasal 113
1. Setiap Orang yang dengan tanpa hak melakukan pelanggaran hak ekonomi sebagaimana
dimaksud dalam Pasal 9 ayat (1) huruf i untuk Penggunaan Secara Komersial dipidana
dengan pidana penjara paling lama 1 (satu) tahun dan/atau pidana denda paling banyak
Rp100.000.000 (seratus juta rupiah).
2. Setiap Orang yang dengan tanpa hak dan/atau tanpa izin Pencipta atau pemegang Hak Cipta
melakukan pelanggaran hak ekonomi Pencipta sebagaimana dimaksud dalam Pasal 9 ayat
(1) huruf c, huruf d, huruf f, dan/atau huruf h untuk Penggunaan Secara Komersial dipi-
dana dengan pidana penjara paling lama 3 (tiga) tahun dan/atau pidana denda paling banyak
Rp500.000.000,00 (lima ratus juta rupiah).
METODE
PENELITIAN BISNIS:
ANALISA DATA MELALUI
SPSS DAN SMART-PLS
Echo Perdana Kusumah

METODE PENELITIAN BISNIS: ANALISA DATA MELALUI SPSS
DAN SMART-PLS
Desain Cover :
Sumber :
Tata Letak :
Ajuk
Proofreader :
Mira Muarifah
Ukuran :
xiv, 228 hlm, Uk: 15.5x23 cm
ISBN :
978-623-02-5940-1
Cetakan Pertama :
Februari 2023
Hak Cipta 2023, Pada Penulis

Isi diluar tanggung jawab percetakan
Copyright © 2023 by Deepublish Publisher
All Right Reserved
Hak cipta dilindungi undang-undang.

Dilarang keras menerjemahkan, memfotokopi, atau
memperbanyak sebagian atau seluruh isi buku ini
tanpa izin tertulis dari Penerbit.
PENERBIT DEEPUBLISH
(Grup Penerbitan CV BUDI UTAMA)
Anggota IKAPI (076/DIY/2012)
Jl.Rajawali, G. Elang 6, No 3, Drono, Sardonoharjo, Ngaglik, Sleman
Jl.Kaliurang Km.9,3 – Yogyakarta 55581
Telp/Faks: (0274) 4533427
Website: www.deepublish.co.id
www.penerbitdeepublish.com
E-mail: cs@deepublish.co.id
KATA PENGANTAR
Buku ini mencakup topik-topik penting secara ringkas dan
berfokus pada esensi penelitian bisnis bagi para mahasiswa dan
pembuat keputusan perusahaan. Buku ini mencakup peningkatan
peran manajemen pengetahuan serta bagaimana melakukan kegiatan
pengumpulan informasi secara lebih efektif dalam lingkungan bisnis
yang berubah dengan cepat. Dasar-dasar penelitian bisnis, seperti
desain penelitian, penggunaan data kualitatif dan kuantitatif, serta
desain pengambilan sampel dan kuesioner, disajikan dalam format
yang mudah dibaca. Ilustrasi digunakan bersama dengan banyak contoh
praktis untuk menyoroti poin-poin penting.
Buku ini ditulis untuk masyarakat umum yang ingin memahami
kekuatan data dan ingin mempelajari teknik analisis dasar untuk
mengeksplorasi, menguji, dan memvalidasi pilihan. Buku ini
menjelaskan proses penelitian dengan menggunakan contoh langsung
melalui software IBM SPSS dan Smart-PLS untuk analisis kuantitatif,
buku ini mengajarkan keterampilan dasar untuk memasuki dunia
analisis data.
Semoga buku ini dapat bermanfaat bagi seluruh kalangan akademis
dan praktisi yang ada di Indonesia.
Penulis
Metode Penelitian Bisnis: Analisa Data Melalui v

SPSS dan Smart-PLS
DAFTAR ISI
KATA PENGANTAR ...................................................................................... v

DAFTAR ISI...................................................................................................... vi
DAFTAR GAMBAR ........................................................................................ x
DAFTAR TABEL ............................................................................................. xiii
.......................................................................... 1
1.1 Pendahuluan .................................................................................. 1

1.2 Konstruktivisme vs. Positivisme ........................................... 2
1.3 Teori dan Penelitian Bisnis ...................................................... 6
1.4 Metode Ilmiah dan Penelitian Bisnis ................................... 6
1.5 Falsifikasionisme.......................................................................... 11
1.6 Proposal Penelitian ..................................................................... 13
1.7 Kesimpulan ..................................................................................... 14
1.8 Latihan Soal ................................................................................... 16
1.9 Studi Kasus ..................................................................................... 16
1.10 Kegiatan Diskusi dan Aplikasi .............................................. 17
.......................................................................... 19
2.1 Pendahuluan .................................................................................. 19
2.2 Karakteristik Topik Penelitian yang Berkualitas ............ 20
2.3 Masalah, Peluang, dan Gejala .................................................. 27
2.4 Tujuan Penelitian dan Pertanyaan Penelitian ................. 31
2.5 Mempersiapkan Kajian Pustaka ............................................ 35
2.6 Kontribusi dari Kajian Pustaka .............................................. 40
2.7 Prosedur Penelitian .................................................................... 42
2.8 Kesimpulan ..................................................................................... 43
2.9 Latihan Soal .................................................................................... 44
2.10 Studi Kasus ................................................................................... 44
vi Metode Penelitian Bisnis: Analisa Data Melalui

SPSS dan Smart-PLS
............................................................................. 46
3.1 Pendahuluan .................................................................................. 46
3.2 Desain Penelitian Eksplorasi................................................... 47
3.3 Desain Penelitian Deskriptif .................................................... 50
3.4 Desain Penelitian Kausal .......................................................... 55
3.5 Pilihan Desain Penelitian .......................................................... 59
3.6 Validitas dan Reliabilitas ........................................................... 61
3.7 Kesimpulan ..................................................................................... 63
3.8 Latihan Soal .................................................................................... 63
3.9 Studi Kasus ..................................................................................... 64
............................................................................ 66
4.1 Pendahuluan .................................................................................. 66
4.2 Kelompok Fokus (Focus Group) ........................................... 69
4.3 Wawancara Mendalam Individu ............................................ 72
4.4 Teknik Proyektif ........................................................................... 73
4.5 Analisis Konten Media Sosial................................................... 76
4.6 Perumusan Masalah dan Analisis Data Kualitatif ........... 77
4.7 Kesimpulan ..................................................................................... 84
4.6 Latihan Soal .................................................................................... 84
4.7 Studi Kasus ..................................................................................... 85
4.8 Kegiatan Diskusi dan Aplikasi ................................................ 85
......................................................................... 86
5.1 Pendahuluan .................................................................................. 86
5.2 Survei Kuesioner .......................................................................... 87
5.3 Konstruk dan Operasionalisasi .............................................. 89
5.4 Validitas............................................................................................ 94
5.5 Reliabilitas atau Keandalan ..................................................... 96
5.6 Skala Pengukuran ........................................................................ 98
Metode Penelitian Bisnis: Analisa Data Melalui vii

SPSS dan Smart-PLS
5.7 Evaluasi Sikap dan Persepsi .................................................... 102
5.8 Nilai Skala ........................................................................................ 107
5.9 Rumusan dan Urutan Pertanyaan ......................................... 111
5.10 Pengumpulan Data .................................................................... 117
5.11 Kesimpulan ................................................................................... 121
5.12 Latihan Soal .................................................................................. 122
5.13 Studi Kasus ................................................................................... 122
.......................................................................... 125
6.1. Pendahuluan .................................................................................. 125
6.2. Menentukan Populasi dan Kerangka Sampling .............. 126
6.3 Metode Sampel .............................................................................. 129
6.4 Ukuran Sampel .............................................................................. 137
6.5 Kesimpulan ..................................................................................... 139
6.6 Latihan Soal .................................................................................... 139
6.7 Studi Kasus ..................................................................................... 139
.......................................................................... 141
7.1 Pendahuluan ................................................................................... 141
7.2 Persiapan Data .............................................................................. 142
7.3 Kesimpulan ..................................................................................... 148
.......................................................................... 150
8.1 Pendahuluan .................................................................................. 150
8.2 Contoh Penelitian Sederhana.................................................. 151
8.3 Input Data Kuesioner.................................................................. 153
8.4 Analisis Deskriptif Frekuensi.................................................. 156
8.5 Analisis Validitas ........................................................................... 159
viii Metode Penelitian Bisnis: Analisa Data Melalui

SPSS dan Smart-PLS
8.6 Analisis Reliabilitas ..................................................................... 162
8.7 Analisis Deskriptif Tanggapan Responden ....................... 163
8.8 Uji Asumsi Klasik dan Analisis Regresi Berganda.......... 166
8.9 Kesimpulan ..................................................................................... 189
.......................................................................... 191
9.1. Pendahuluan .................................................................................. 191
9.2 Contoh Penelitian Sederhana .................................................. 193
9.3 Input Data Kuesioner Penelitian .......................................... 195
9.5 Pengujian Hipotesis Melalui Metode Boostrapping ....... 204
9.6 Kesimpulan ..................................................................................... 208
9.7 Kegiatan Diskusi dan Aplikasi ................................................. 208
REFERENSI ..................................................................................................... 210
GLOSARIUM.................................................................................................... 213
INDEKS .......................................................................................................... 226
Metode Penelitian Bisnis: Analisa Data Melalui ix

SPSS dan Smart-PLS
DAFTAR GAMBAR
Gambar 1.1 Tiga Asumsi dalam Ilmu Pengetahuan ................. 2
Gambar 1.2 Konstruktivisme dan Positivisme, serta
Pendekatan Pragmatis ................................................ 4
Gambar 1.3 Metode Ilmiah Berkontribusi pada Pengambil-
an Keputusan Bisnis Melalui Penelitian .............. 7
Gambar 1.4 Pertanyaan Penelitian yang Mengarah pada
Pembentukan Hipotesis.............................................. 8
Gambar 1.5 Aliran Pengetahuan Penelitian Bisnis .................. 9
Gambar 2.1 Contoh Matriks Analisis SWOT................................ 23
Gambar 2.2 Perumusan Masalah dan Tindakan Alternatif .. 30
Gambar 2.3 Tahapan pada Prosedur Penelitian........................ 43
Gambar 3.1 Desain Penelitian ........................................................... 47
Gambar 3.2 Kuesioner Penelitian .................................................... 52
Gambar 3.4 Memilih Desain Penelitian......................................... 60
Gambar 3.5 Teori dan Kajian/Tinjauan Literatur/Pustaka.. 60
Gambar 3.6 Level Ambisi Penelitian .............................................. 61
Gambar 4.1 Jenis Utama Kelompok Fokus................................... 70
Gambar 4.2 Tahapan dalam Melakukan Penelitian Kualitatif 79
Gambar 5.1 Contoh Pengukuran Skala Kuesioner.................... 88
Gambar 5.2 Mengukur Konstruk ..................................................... 90
Gambar 5.3 Dari Teori ke Data Empiris ........................................ 93
Gambar 5.4 Tingkat Pengukuran ..................................................... 98
Gambar 5.5 Contoh Skala Nominal ................................................. 99
Gambar 5.6 Skala Ordinal (dapat juga menjadi Interval) ..... 100
Gambar 5.7 Skala Rasio ....................................................................... 101
Gambar 5.8 Menggunakan Beberapa Pertanyaan untuk
Mengukur Sebuah Konstruk ..................................... 102
Gambar 5.9 Skala Likert Klasik......................................................... 103
Gambar 5.10 Skala Diferensial Semantik ........................................ 106
Gambar 5.11 Hasil Skala Diferensial Semantik ............................ 107
Gambar 5.12 Skala Komparatif dan Non-komparatif ................ 108
Gambar 5.13 Skala Peringkat ............................................................... 109
x Metode Penelitian Bisnis: Analisa Data Melalui

SPSS dan Smart-PLS
Gambar 5.14 Skala Jumlah Konstan .................................................. 110
Gambar 5.15 Skala Non-komparatif.................................................. 110
Gambar 5.16 Skala Penilaian Berkelanjutan ................................. 111
Gambar 5.17 Pertanyaan Terbuka ..................................................... 112
Gambar 5.18 Pertanyaan Ordinal untuk Variabel Tingkat
Rasio.................................................................................... 113
Gambar 5.19 Panduan untuk Membuat Pertanyaan .................. 114
Gambar 6.1 Akurasi Cakupan Kerangka Sampling................... 128
Gambar 6.2 Jenis Sampel..................................................................... 129
Gambar 8.1 Contoh Model Penelitian ............................................ 153
Gambar 8.2 Tampilan Input Data (Variable View) .................... 154
Gambar 8.3 Input Data pada Variable View ................................. 155
Gambar 8.4 Input Data pada Data View ........................................ 156
Gambar 8.5 Analisis Deskriptif Frekuensi ................................... 157
Gambar 8.6 Halaman Output Analisis Deskriptif Frekuensi 158
Gambar 8.7 Analisis Bivariate ........................................................... 160
Gambar 8.8 Total Skor VRE ................................................................ 160
Gambar 8.9 Nilai Validitas (Pearson Correlation) ..................... 161
Gambar 8.10 Analisis Scale (Reliabilitas) ....................................... 163
Gambar 8.11 Nilai Reliabilitas (Cronbach’s Alpha) ..................... 163
Gambar 8.12 Nilai Mean Analisis Deskriptif.................................. 165
Gambar 8.13 Analisis Regresi Berganda dan Uji Asumsi Klasik 168
Gambar 8.14 Grafik Histogram dengan Garis Parabola (Uji
Normalitas) ...................................................................... 169
Gambar 8.15 Grafik dengan Garis Diagonal dan Plots (Uji
Normalitas) ...................................................................... 170
Gambar 8.17 Uji Kolmogorov-Smirnov ............................................. 171
Gambar 8.18 Hasil Uji K-S ...................................................................... 172
Gambar 8.19 Nilai VIF ............................................................................. 172
Gambar 8.20 Grafik Uji Heteroskedastisitas ................................. 173
Gambar 8.21 Uji Glejser.......................................................................... 176
Gambar 8.22 Output Uji Glejser .......................................................... 176
Gambar 8.23 Analisis Descriptive Explore ...................................... 178
Gambar 8.24 Output Outliers................................................................ 178
Metode Penelitian Bisnis: Analisa Data Melalui xi

SPSS dan Smart-PLS
Gambar 8.25 Histogram dengan Garis Parabola.......................... 180
Gambar 8.26 Posisi Garis Parabola ................................................... 181
Gambar 8.27 Transformasi Data ........................................................ 182
Gambar 8.28 Uji K-S Monte Carlo ....................................................... 183
Gambar 8.29 Weighted Least Square Method ................................ 186
Gambar 8.30 Tabel Coefficients ........................................................... 187
Gambar 8.31 Tabel Anova...................................................................... 188
Gambar 8.32 Tabel Model Summary.................................................. 188
Gambar 9.1 Contoh Model Penelitian ............................................ 195
Gambar 9.2 Input Data Kuesioner ke dalam Microsoft Excel 196
Gambar 9.3 Format CSV Excel ........................................................... 196
Gambar 9.4 Proses Input Data dan Penggambaran Model
Penelitian .......................................................................... 198
Gambar 9.5 Proses Perhitungan PLS Algorithm ......................... 199
Gambar 9.6 Letak Menu Outer Loadings ...................................... 200
Gambar 9.7 Nilai Outer Loadings ..................................................... 200
Gambar 9.8 Letak Menu Construct Reliability and Validity .. 201
Gambar 9.9 Nilai AVE............................................................................ 201
Gambar 9.10 Letak Menu Discriminant Validity .......................... 202
Gambar 9.11 Nilai Fornell-Lacker Criterion ................................... 202
Gambar 9.12 Nilai HTMT ....................................................................... 203
Gambar 9.13 Nilai Reliabilitas ............................................................. 203
Gambar 9.14 Proses Bootstrapping ................................................... 205
Gambar 9.15 Model Penelitian Hasil Bootstrapping .................. 205
Gambar 9.16 Letak Menu Variabel Pengaruh Langsung
(Direct Effect) .................................................................. 205
Gambar 9.16 Nilai Pengaruh Langsung (Direct Effect) ............. 206
Gambar 9.17 Letak Menu Pengaruh Tidak Langsung (Indirect
Effect) ................................................................................. 207
Gambar 9.18 Hasil Nilai Pengaruh Tidak Langsung................... 207
Gambar 9.19 Letak Menu R Square Adjusted ................................ 208
Gambar 9.20 Hasil Nilai Adjusted R2.................................................. 208
xii Metode Penelitian Bisnis: Analisa Data Melalui

SPSS dan Smart-PLS
DAFTAR TABEL
Tabel 2.1 Risiko Terkait dengan Pilihan Topik Penelitian ..........41
Tabel 8.1 Contoh Kuesioner Penelitian...............................................151
Tabel 8.2 Kriteria Interval Mean Penelitian ......................................164
Tabel 8.3 Analisis Tanggapan Responden .........................................166
Tabel 8.4 Formula Transformasi Data ................................................181
Tabel 8.5 Hipotesis Contoh Penelitian ................................................187
Tabel 9.1 Contoh Kuesioner Penelitian...............................................193
Tabel 9.2 Hipotesis Statistik ....................................................................206
Metode Penelitian Bisnis: Analisa Data Melalui xiii

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat menjelaskan sumber ilmu pengetahuan berdasarkan
ontologi, epistemologi, dan metodologi.
√ Mengerti akan pandangan konstruktivisme dan posivitisme.
√ Memahami Falsifikasionisme, Teori, dan Hipotesis.
√ Dapat menjelaskan bagaimana metode ilmiah meningkatkan
penelitian bisnis.
√ Dapat membandingkan kekakuan ilmu pengetahuan dengan
pragmatis bisnis.
√ Memahami peran dan pentingnya proposal penelitian.
1.1 Pendahuluan
Ilmu pengetahuan adalah usaha sistematis yang membangun dan
mengatur pengetahuan dalam bentuk penjelasan dan prediksi yang
dapat diuji. Memperoleh lebih banyak ilmu pengetahuan mungkin
tampak seperti tugas sederhana pada pandangan pertama. Namun,
ada banyak bahaya tersembunyi. Ketika kita mempertimbangkan apa
artinya mendapatkan lebih banyak pengetahuan, kita menemukan
pilihan filosofis. Penulis mengambil posisi pada dua ide dalam filsafat
ilmu, baik secara eksplisit maupun implisit: ontologi dan epistemologi.
Ontologi adalah cabang filsafat yang mempelajari konsep-konsep
seperti keberadaan, menjadi, dan realitas. Sedangkan epistemologi
adalah cabang filsafat membahas bagaimana kita memperoleh
pengetahuan tentang realitas.
Metode Penelitian Bisnis: Analisa Data Melalui 1

SPSS dan Smart-PLS
Gambar 1.1 Tiga Asumsi dalam Ilmu Pengetahuan
Pada tingkat yang lebih konkrit, “cara kita mengetahui sesuatu”

mengacu pada metode penelitian atau ilmunya yang sering disebut
metodologi. Metodologi adalah kumpulan prosedur dan strategi yang
digunakan untuk mengeksplorasi sesuatu (Gambar 1.1). Ontologi,
epistemologi, dan metodologi semuanya terkait. Asumsi yang kita buat
tentang bagaimana kita melihat realitas memandu bagaimana kita
memperoleh pengetahuan tentang realitas, dan akibatnya rumusan
strategi dapat kita gunakan.
1.2 Konstruktivisme vs. Positivisme

Positivisme adalah sistem filosofis yang menyatakan bahwa setiap
pernyataan yang dibenarkan secara rasional dapat diverifikasi secara
ilmiah atau mampu dibuktikan secara logis atau matematis, dan karena
itu menolak hal yang tidak logis seperti metafisika. Positivis percaya
bahwa pengetahuan hampir objektif. Positivisme muncul dari ilmu alam
sebagai pandangan ilmiah filosofis dunia. Konstruktivisme adalah
pandangan filosofis yang mengatakan bahwa semua pengetahuan
dibangun dari pengalaman manusia sebagai lawan dari pengetahuan
yang terbukti dengan sendirinya. Paradigma konstruktivis adalah
alternatif diametrik untuk positivisme.
Konstruktivis menganggap pengetahuan sebagai hal yang subjektif.
2 Metode Penelitian Bisnis: Analisa Data Melalui

SPSS dan Smart-PLS
Fenomena, seperti perusahaan, tidak didefinisikan dengan jelas
dan tidak mandiri. Kita belajar melalui koneksi dan refleksi. Baik
konstruktivisme dan positivisme memiliki aplikasi praktis dalam
penelitian bisnis. Namun, dengan merangkul dua ontologi yang berbeda
secara diametral, kita menemukan diri kita dalam kebingungan. Buku
ini mengadopsi pendekatan pragmatis yang menggabungkan kedua
paradigma, namun penulis akui lebih menyukai positivisme, yang
dibuktikan dengan penekanan pada analisis data kuantitatif.
Dalam lingkungan perusahaan, ketika kita ingin mempelajari
pengetahuan yang berkaitan dengan suatu perusahaan, mungkin
diperlukan untuk memasuki organisasi dan terlibat dalam kegiatan
bisnis pada kondisi tertentu. Dengan cara mewawancarai karyawan,
menanyakan tentang sikap dan pandangan mereka dalam berbagai
keadaan, mengevaluasi norma mereka, dan melihat bagaimana kegiatan
dilakukan. Hal tersebut dapat menghasilkan wawasan yang lebih rinci
tentang bagaimana bisnis beroperasi daripada pendekatan positivis
tradisional. Penggunaan strategi positivis untuk mengumpulkan data
dengan mendefinisikan konsep secara eksplisit, tetap berada di luar
organisasi, dan mengumpulkan data dari sumber seperti kuesioner
karyawan atau informasi keuangan yang tersedia untuk umum.
Meskipun konstruktivisme dan positivisme memiliki asumsi dan
kelebihan serta kekurangan yang berbeda, keduanya saling melengkapi.
Misalnya, metode konstruktivis sangat cocok untuk memahami
efektivitas budaya perusahaan, sedangkan pendekatan positivistik
sangat cocok untuk menilai hubungan antara harga produk dan tingkat
penjualannya. Kedua pendekatan tersebut mungkin berguna jika kita
ingin menganalisis kemunculan dan makna referensi merek di media
sosial. Namun, pertanyaan penelitian yang dibahas dalam dua teknik
akan berbeda, demikian juga dengan temuannya.
Ontologi dan epistemologi berbeda antara dua paradigma, yang
memiliki konsekuensi untuk metode penelitian dan prosedur analitik
(Gambar 1.2). Penekanan di bawah paradigma positivis seperti
pendekatan kuantitatif yang menilai hubungan antarvariabel. Penekanan
dalam paradigma konstruktivis adalah pada pemahaman proses sosial

SPSS dan Smart-PLS
melalui metode kualitatif. Tujuannya adalah untuk memahami fenomena
secara keseluruhan dalam kaitannya dengan fenomena lain, oleh
karena itu memecah fenomena menjadi bagian-bagian yang lebih kecil
yang dapat diukur dengan menggunakan kuesioner terstruktur tidak
dapat diterima pada paradigma konstruktivis. Wawancara mendalam
yang ekstensif, lebih cocok untuk mengembangkan pemahaman
konstruktivis.
Pandangan dunia positivis, dengan konsentrasinya pada prosedur
kuantitatif, memiliki kecenderungan untuk mengabaikan apa yang
tidak dapat dihitung. Namun, tidak semua yang diperhitungkan dapat
dihitung! Paradigma konstruktivis mencurigai positivis berbohong
dengan statistik. Sedangkan positivis menganggap para konstruktivis
terlalu subjektif dan hal tersebut tidak dapat digeneralisasi. Dalam
mengantisipasi perdebatan di atas, terdapat pendekatan yang menjadi
titik tengah yaitu pendekatan pragmatis.
Gambar 1.2 Konstruktivisme dan Positivisme, serta Pendekatan Pragmatis
Pendekatan pragmatis adalah pendekatan yang melibatkan desain

penelitian untuk menggabungkan keputusan operasional berdasarkan
‘apa yang akan bekerja paling baik’ dalam menemukan jawaban untuk
pertanyaan yang sedang diselidiki dan hal itu memungkinkan peneliti
pragmatis untuk melakukan penelitian dengan cara yang inovatif
dan dinamis untuk menemukan solusi pada masalah penelitian.

SPSS dan Smart-PLS
Dasar pendekatan pragmatis bukanlah menghipotesiskan hubungan
antarvariabel (positivisme) atau sekadar menafsirkan kejadian-
kejadian sosial (konstruktivisme). Metode pragmatis dimulai dengan
persyaratan untuk memahami dan mengukur fenomena. Sederhananya,
penelitian kualitatif mengungkapkan keberadaan sesuatu, sedangkan
penelitian kuantitatif menghitung berapa banyak keberadaan itu.
Sebagai contoh, tiga model peran yang khas, seorang fisikawan,
seorang psikiater, dan seorang dokter, menunjukkan dua paradigma
dan pendekatan pragmatis. Fisikawan mengikuti paradigma positivis,
sedangkan psikiater mengikuti paradigma konstruktivis. Sementara itu,
dokter menggunakan pendekatan pragmatis berdasarkan metodologi
campuran untuk mendapatkan wawasan dari bidang ilmiah lain
untuk menyelidiki dan memahami peristiwa. Fokus utama dokter
adalah membuat diagnosis yang akurat dan pilihan pengobatan.
Menggabungkan wawasan dari kedua sumber kuantitatif (misalnya, tes
fisik seperti tekanan darah) dan kualitatif (misalnya, interaksi sosial
dengan pasien) dapat bermanfaat, meskipun tidak terlalu penting,
dalam membuat penilaian yang tepat.
Pada Gambar 1.2, penulis menunjukkan bagaimana metode
pragmatis menjembatani konstruktivisme dengan positivisme. Penulis
menunjukkan bahwa tujuannya berbeda di setiap strategi. Dalam
ketiga kategori penelitian, titik awalnya adalah “masalah”. Namun,
sifat masalahnya berbeda. Dalam paradigma positivis, satu atau lebih
hipotesis biasanya dihasilkan dari teori, dan pertanyaannya adalah
bagaimana menguji hipotesis dengan cara yang paling efisien dan kuat.
Dalam paradigma konstruktivis, kita ingin menciptakan
pemahaman tentang suatu proses atau menafsirkan makna atau isi dari
suatu proses. Ketika kita menyadari bahwa kita sendiri terlibat dalam
proses tersebut, pertanyaannya menjadi bagaimana mendapatkan
pemahaman terbaik. Kita harus membuat keputusan dengan metode
pragmatis, dan tantangannya adalah memutuskan mana yang harus
diambil. Hal tersebut adalah skenario umum untuk manajer. Mereka
harus “membuat diagnosis” dan “meresepkan resep” kepada organisasi.
Meskipun buku ini menekankan paradigma positivistik, penulis

SPSS dan Smart-PLS
mengakui, menghormati, dan memuji pendekatan metode campuran
pragmatis untuk penelitian bisnis dan pengambilan keputusan.
1.3 Teori dan Penelitian Bisnis

Teori didefinisikan sebagai seperangkat pernyataan yang terkait
secara sistematis yang mencakup beberapa generalisasi seperti gagasan
yang dapat diuji secara empiris. Penelitian sebelumnya terkadang
mengonfirmasi teori. Di lain waktu, penelitian terdahulu adalah teori
yang diajukan dengan validasi terbatas atau tanpa validasi. Generalisasi
gagasan adalah harapan tentang apa yang akan terjadi dalam kondisi
tertentu, memungkinkan prediksi tentang kenyataan.
Sebuah teori dalam strategi bisnis contohnya adalah persaingan.
Menurut teori persaingan, perusahaan dalam suatu industri yang
mampu membedakan diri dari waktu ke waktu mendapatkan
keunggulan kompetitif. Sebuah generalisasi kunci seperti hukum
yang terkait dengan teori persaingan adalah diferensiasi. Diferensiasi
adalah keunggulan kompetitif yang memungkinkan perusahaan untuk
membebankan harga yang lebih tinggi. Penelitian bisnis dasar masih
menguji generalisasi ini secara empiris dan diterima secara luas.
Peneliti membuat teori berdasarkan penelitian sebelumnya.
Akibatnya, seorang peneliti akan mencari studi yang dilaporkan
sebelumnya yang melibatkan fenomena serupa. Peneliti bisnis
terapan juga mengandalkan sejarah perusahaan untuk membantu
mengembangkan serangkaian harapan dalam situasi penelitian tertentu.
Tanpa teori, tahap perumusan menjadi lebih sulit karena peneliti bisnis
tidak dapat menetapkan batasan pada situasi studi. Ketika teori yang
ada tidak terlalu membantu dalam memahami masalah penelitian,
penelitian kualitatif dapat digunakan untuk menghasilkan teori baru
atau merevisi yang sudah ada.
1.4 Metode Ilmiah dan Penelitian Bisnis

Sebagian besar mahasiswa pertama kali belajar tentang metode
ilmiah di kampus. Mahasiswa biasanya mengasosiasikan metode ilmiah
dengan pengujian hipotesis melalui observasi dan eksperimen. Metode

SPSS dan Smart-PLS
ilmiah yang digunakan oleh peneliti bisnis pada dasarnya sama dengan
yang diajarkan di kampus.
Ilmu pengetahuan adalah kumpulan pengetahuan tentang subjek
tertentu. Metode ilmiah adalah metode di mana peneliti memperoleh
pengetahuan tentang subjek tertentu. Metode ilmiah digunakan
dalam proses penelitian bisnis dasar yang dijelaskan sebelumnya.
Tujuan penelitian bisnis adalah untuk secara akurat menggambarkan
realitas tindakan dan interaksi bisnis. Sebuah pertanyaan penelitian
menimbulkan masalah yang menarik bagi peneliti dan terkait dengan
keputusan spesifik perusahaan.
Gambar 1.3 Metode Ilmiah Berkontribusi pada Pengambilan Keputusan Bisnis

Melalui Penelitian
Metode ilmiah diilustrasikan pada Gambar 1.3. Bagian atas

pada Gambar 1.3 berisi observasi atau pengamatan, penemuan, dan
pengembangan hipotesis. Ketiga tahapan tersebut menggambarkan

SPSS dan Smart-PLS
proses penemuan ilmiah secara keseluruhan. Tidak ada cara yang
benar untuk menghasilkan ide. Intuisi, firasat, dan penalaran deduktif
atau induktif semuanya dapat menghasilkan ide. Setelah pengamatan
diberikan beberapa urutan, ide-ide dapat dinyatakan sebagai penemuan.
Kajian penelitian sebelumnya tentang topik serupa sering bermanfaat
dalam beralih dari pengamatan murni ke beberapa penemuan atau
ide yang berhasil. Peneliti kemudian akan melakukan penelitian
pendahuluan untuk mengubah penemuan tersebut menjadi hipotesis
yang dapat diuji atau serangkaian hipotesis.
Hipotesis adalah pernyataan formal dari dugaan yang belum
terbukti yang menjelaskan fakta atau fenomena tertentu secara tentatif.
Sebuah hipotesis sering digunakan untuk menggambarkan beberapa
peristiwa sistematis (non-acak) yang dapat diuji dengan data. Gambar
1.4 mengilustrasikan beberapa hipotesis bisnis. Sebuah hipotesis,
secara umum, menyatakan kembali pertanyaan penelitian dalam istilah
yang lebih spesifik. Sebuah pertanyaan penelitian, misalnya, mungkin
menyiratkan adanya hubungan, tetapi hipotesis biasanya melangkah
lebih jauh dengan menyatakan arah hubungan.
Gambar 1.4 Pertanyaan Penelitian yang Mengarah pada Pembentukan

Hipotesis
Gambar 1.5 menunjukkan bagaimana pertanyaan penelitian,
hipotesis, dan teori semuanya saling berhubungan. Teori dapat
membantu dalam memahami situasi pengambilan keputusan. Dengan
menggunakan teori, pertanyaan penelitian dapat dikembangkan, yang
sering mengidentifikasi hal-hal yang terkait satu sama lain. Lebih
banyak pengetahuan dapat mengarah pada perumusan pertanyaan

SPSS dan Smart-PLS
penelitian yang lebih spesifik dan hipotesis formal. Hipotesis kemudian
dapat diuji dengan mengumpulkan dan menganalisis data. Temuan
harus memberikan jawaban atas hubungan yang dihipotesiskan serta
memperkuat atau memodifikasi teori yang ada.
Gambar 1.5 Aliran Pengetahuan Penelitian Bisnis
Metode ilmiah kemudian berlanjut ke tahap pengujian, di mana data

dikumpulkan. Data yang relevan adalah informasi tentang variabel yang
dihipotesiskan. Data ini kemudian dianalisis untuk menentukan apakah
temuan mendukung atau bertentangan dengan hipotesis. Hipotesis
didukung jika temuan sesuai dengan pola yang dijelaskan dalam
hipotesis. Akibatnya, kesimpulan akan memungkinkan pengambilan
keputusan yang lebih tepat dapat dicapai.
Hampir tidak ada pedoman atau tidak ada cara yang benar atau salah
untuk mengembangkan ide atau kesimpulan selama fase penemuan
metode ilmiah. Namun, pengujian adalah cerita yang sama sekali
berbeda. Memang, metode ilmiah dibedakan oleh ketelitian pengujian.
Pengujian mengarah pada kesimpulan, dan kesimpulan mengarah pada
peningkatan pengetahuan dan pengambilan keputusan yang lebih
tepat. Pengujian sangat analitis dan kritis.
Metode ilmiah, yang merupakan dasar dari ilmu yang baik, dapat
didefinisikan sebagai berikut:
1. Bersifat empiris, artinya diuji terhadap kenyataan.
2. Dapat direplikasi atau objektif, artinya pendapat peneliti tidak
berhubungan dengan hasil; peneliti lain yang melakukan penelitian

SPSS dan Smart-PLS
akan memperoleh hasil yang sama.
3. Analitis dalam arti bahwa fakta empiris dipilih, ditentukan, dan
diukur untuk menjawab pertanyaan penelitian. Hal itu didorong oleh
teori; didasarkan pada pengetahuan yang sudah ada sebelumnya.
4. Berlogika, artinya kesimpulan diambil dari hasil dengan
menggunakan logika.
5. Teliti, artinya segala upaya dilakukan untuk mengurangi kesalahan.
Kekakuan ilmu pengetahuan sering dikorbankan demi pragmatisme
bisnis. Para pebisnis jarang bisa mendapatkan jawaban dengan cepat.
Dalam hal pendekatan, ada saling memberi dan menerima antara
pelaku bisnis dan peneliti. Misalnya, sementara peneliti mungkin lebih
suka menggunakan sampel yang mewakili seluruh populasi, hal itu
mungkin memakan waktu lebih lama dan biaya lebih besar daripada
yang bersedia dikeluarkan oleh pembuat keputusan. Demi kemanfaatan,
peneliti hampir selalu mengorbankan ketelitian. Meskipun hal ini dapat
menimbulkan kesalahan, peneliti harus melanjutkan proyek selama
pembuat keputusan diberi tahu tentang kemungkinan tersebut dan
hasilnya memenuhi syarat berdasarkan jalan pintas apa pun. Penelitian
yang baik juga menganut prinsip parsimoni, yang menyatakan bahwa
solusi yang lebih sederhana lebih disukai daripada solusi yang kompleks.
Penelitian yang parsimoni memerlukan pengambilan pendekatan
paling sederhana yang akan menjawab pertanyaan penelitian dengan
memuaskan.
Manajemen berbasis bukti adalah konsep bisnis baru. Konsep
tersebut mengacu pada pendekatan manajemen dan pengambilan
keputusan bisnis dengan cara yang didasarkan pada bukti terbaik
yang tersedia saat ini. Konsep tersebut adalah gerakan kualitas
yang menggunakan temuan penelitian empiris dan metode ilmiah
untuk menilai praktik manajemen dan pengambilan keputusan serta
mengembangkan praktik terbaik.
Manajemen berbasis bukti didasarkan pada bidang kedokteran
berbasis bukti, yang didefinisikan sebagai pengambilan keputusan
tentang perawatan pasien berdasarkan bukti terbaik yang tersedia.
Kebanyakan orang percaya bahwa keputusan medis dibuat berdasarkan

SPSS dan Smart-PLS
bukti terbaik yang tersedia. Namun, penelitian telah menunjukkan bahwa
dokter sering mendasarkan keputusan mereka pada pendidikan dan
pengalaman mereka, serta informasi dari vendor yang menjual produk
dan layanan. Meskipun pengobatan berbasis bukti telah dipromosikan
setidaknya selama satu dekade, konsep manajemen berbasis bukti
relatif baru. Manajer harus semakin bergantung pada data empiris yang
dihasilkan dengan menggunakan metode ilmiah untuk mempraktikkan
manajemen dan pengambilan keputusan berbasis bukti.
1.5 Falsifikasionisme
Dalam ilmu-ilmu sosial, istilah “fakta” penuh dengan kesulitan.
Bagaimana peneliti bisa begitu yakin bahwa sesuatu adalah fakta atau
sesuatu yang terbukti pada spektrum antara konstruktivisme dan
positivisme? Mereka tidak bisa, singkatnya. Falsifikasionisme adalah
filsafat ilmiah yang didasarkan pada persyaratan bahwa hipotesis harus
dapat dipalsukan agar menjadi ilmiah; jika klaim tidak dapat disangkal
itu bukan klaim ilmiah.
Falsifikasionisme, yang didasarkan pada karya Karl Popper (1902-
1994), menegaskan bahwa teori hanya ilmiah jika dapat diuji secara
eksperimental, atau, dalam kata-katanya, jika dapat dibantah. Menurut
sudut pandang ini, sebuah teori dipertahankan sampai pengamatan
membuktikannya salah. Sementara satu pengamatan mungkin
kebetulan, banyak pengamatan bersama-sama membentuk rantai bukti
yang mendukung atau menyangkal gagasan tersebut. Ketika datang
ke hipotesis, logika yang sama berlaku. Harus ada hipotesis alternatif
untuk setiap hipotesis. Hipotesis null dalam statistik inferensial adalah
tidak ada hubungan antarvariabel. Sedangkan, hipotesis alternatif
terdapat hubungan antarvariabel.
Ilmuwan sosial falsifikasionis akan mendalilkan hipotesis yang
dapat diuji secara empiris dengan tujuan mengevaluasi teori. Ilmu
sosial terus-menerus dalam proses membangun teori secara induktif
dari data dan secara deduktif mengevaluasi teori dengan pengamatan
(Gambar 1.6). Metode induktif pada penelitian bisnis adalah metode
yang dimulai dari mengkaji fenomena khusus, sebagai alat mengambil
kesimpulan umum. Sedangkan metode deduktif adalah metode yang

SPSS dan Smart-PLS
dimulai dari kaidah-kaidah umum, sebagai alat mengkaji fenomena
secara khusus. Popper berpendapat bahwa induksi bukanlah ilmu
karena menarik kesimpulan dari pengamatan. Kesimpulan dari
pengamatan dan teori tidak ilmiah sampai diartikulasikan sedemikian
rupa sehingga dapat dipalsukan secara empiris, terlepas dari berapa
kali suatu fenomena diamati.
Gambar 1.6 Perkembangan Teori
Sudut pandang ilmiah dasar dalam buku ini adalah falsifikasionisme.

Induksi merupakan aspek penting dari proses ilmiah, oleh karena itu
penulis menganggapnya sebagai metode ilmiah. Sederhananya, induksi
dan deduksi adalah dua proses yang saling melengkapi. Mengklaim
bahwa yang satu lebih disukai daripada yang lain sama dengan
mengklaim bahwa menarik napas lebih baik daripada mengembuskan
napas. Bagaimanapun, menghirup oksigen memberi makan tubuh.
Namun, cobalah melakukannya tanpa membuang napas!
Abduktif adalah pandangan gabungan dari proses ilmiah.
Penalaran abduktif dimulai dengan observasi dan mencari penjelasan
(teori) yang paling mungkin. Ia tidak mengklaim bahwa penjelasan itu
benar, yang konsisten dengan falsifikasionisme. Pendekatan pragmatis
bagian sebelumnya adalah jenis abduktif. Berdasarkan pengamatan
yang tersedia, dokter memberikan diagnosis layak terbaik. Ketika
dihadapkan dengan informasi baru yang mengarah pada kesimpulan
yang berbeda, dokter akan mengubah diagnosis, yang dalam contoh
kita adalah teori.

SPSS dan Smart-PLS
1.6 Proposal Penelitian
Sebelum memulai sebuah proyek penelitian, peneliti bisnis harus
benar-benar memahami masalah yang dihadapi. Setelah masalah
didefinisikan, rencana tindakan dikembangkan untuk menyelidiki
dan merekomendasikan solusi. Proposal penelitian adalah dokumen
formal yang merangkum masalah, bagaimana hal itu akan diselidiki,
berapa biaya penyelidikan, dan berapa lama waktu yang dibutuhkan
untuk menyelesaikan penelitian. Jika diterima, biasanya terdapat
kontrak antara peneliti dan klien (yang meminta penelitian).
Proposal penelitian merupakan komponen penting dari setiap
proyek penelitian. Hal itu mendefinisikan masalah, menjelaskan
pendekatan dan metode peneliti, menentukan hasil proyek (apa yang
akan diterima klien dari proyek), dan termasuk anggaran dan tanggal
penyelesaian. Proposal tertulis formal adalah hasil interaksi antara
klien dan peneliti di mana kekhawatiran klien (masalah) diterjemahkan
ke dalam masalah penelitian dan pendekatan yang disepakati untuk
memecahkan masalah.
Peneliti mendapat manfaat dari menulis proposal. Keuntungan
pertama adalah penyusunan proposal memperjelas apakah masalah
yang akan diselidiki adalah masalah yang diminta oleh klien. Penelitian
bisnis membantu manajer dalam membuat keputusan yang lebih baik.
Jika masalah seperti yang didefinisikan dalam proposal penelitian tidak
memungkinkan untuk pengambilan keputusan yang lebih baik, masalah
harus didefinisikan ulang, atau penelitian harus ditinggalkan. Ketika
proposal diterima, itu memberi peneliti arah dan rencana. Peneliti
dapat menilai kemajuan dan membuat penyesuaian yang diperlukan
dengan tetap berpegang pada rencana. Akhirnya, proposal tertulis
mendokumentasikan kesepakatan yang dicapai antara peneliti dan
klien, mengurangi kemungkinan miskomunikasi di masa depan. Klien
sadar akan informasi yang akan mereka terima, dan peneliti sadar akan
informasi yang harus mereka berikan.
Proposal penelitian tertulis juga bermanfaat bagi klien. Pertama,
klien dapat mengonfirmasi bahwa peneliti benar-benar memahami
masalah yang akan diselidiki dengan meninjau proposal. Jika perubahan

SPSS dan Smart-PLS
diperlukan, mereka dapat dibuat sebelum dimulainya proyek. Setelah
proyek dimulai, klien dapat menggunakan proposal untuk memastikan
bahwa hasil proyek seperti yang diharapkan dan proyek telah selesai
seperti yang dijanjikan. Akhirnya, proposal tertulis memungkinkan klien
untuk menilai kualitas dan nilai proyek. Jika beberapa proposal diminta,
klien dapat membandingkan ruang lingkup, metode, dan anggaran yang
diusulkan. Hal itu membantu memastikan bahwa penelitian berkualitas
tinggi dengan nilai terbaik untuk uang disampaikan tepat waktu.
Ada beberapa jenis proposal penelitian, beberapa proposal panjang
dan mendalam atau proposal pendek dan dangkal. Proposal dalam
ruang lingkup publik untuk proyek pemerintah biasanya paling detail.
Sebagian besar proposal, terlepas dari panjang atau pendeknya, harus
mencakup hal-hal berikut:
• Judul proyek penelitian;
• Informasi latar belakang, menentukan peristiwa yang mengarah
pada permintaan proposal;
• Pernyataan masalah dan tujuan penelitian;
• Strategi dan metode penelitian–data yang akan dikumpulkan,
bagaimana akan dikumpulkan dan dianalisis, sehingga merangkum
langkah-langkah yang akan diambil untuk mencapai tujuan
penelitian;
• Sifat laporan akhir yang akan diserahkan, dengan menyebutkan
jenis dan sifat laporan;
• Jadwal dan anggaran; dan
• Kualifikasi konsultan proyek dan perusahaan riset.
Sifat proyek penelitian yang diusulkan menentukan struktur
proposal. Pada dasarnya, proposal harus berisi informasi yang cukup
untuk memastikan bahwa proyek yang diusulkan akan memecahkan
masalah dan bahwa hasilnya akan membantu klien dalam membuat
keputusan yang lebih baik.
1.7 Kesimpulan
Pengetahuan dapat diciptakan dengan berbagai cara. Dari sudut
pandang ilmiah, kita membedakan antara asumsi filosofis tentang

SPSS dan Smart-PLS
bagaimana realitas itu (ontologi) dan bagaimana informasi tentangnya
dapat diperoleh (epistemologi). Positivisme dan konstruktivisme
adalah dua ekstrem pada spektrum bagaimana peneliti memandang
realitas dan memperoleh pengetahuan. Positivisme menekankan
pengukuran, sedangkan konstruktivisme mempromosikan interpretasi
dan pemahaman.
Teori adalah kumpulan pernyataan yang berhubungan secara
sistematis yang dapat diuji secara empiris. Teori adalah penjelasan
yang diajukan untuk suatu peristiwa. Beberapa teori telah dikonfirmasi
oleh penelitian sebelumnya, sementara yang lain adalah teori yang
diajukan dengan validasi terbatas atau tanpa validasi. Teori memainkan
peran penting dalam proses penelitian. Teori bisnis menjelaskan
dan meramalkan peristiwa bisnis. Pengambil keputusan ingin tahu
seberapa besar kemungkinan penjelasan dan prediksi ini benar. Jadi,
teori membantu dalam perumusan pertanyaan penelitian dan prediksi
spesifik yang diungkapkan dalam hipotesis. Prediksi ini kemudian
divalidasi oleh proyek penelitian.
Dalam banyak hal, proses riset bisnis dasar mirip dengan metode
ilmiah. Prosesnya dimulai dengan mempertimbangkan semua input
yang relevan. Input tersebut dikombinasikan dengan pengetahuan yang
ada untuk menghasilkan pertanyaan penelitian atau hipotesis. Input
kemudian diuji secara analitis. Penting untuk dicatat bahwa tidak ada
rekomendasi cara terbaik untuk menemukan ide yang diberikan. Hanya
melalui pengujian ide dapat didukung atau tidak didukung. Metode
ilmiah adalah metode untuk mengembangkan dan menguji gagasan.
Metode ilmiah dibedakan dari pragmatisme bisnis oleh kerasnya
pengujian. Pengujian sangat kritis dan analitis; itu adalah cara kita
membuat kesimpulan, dan kesimpulan memungkinkan kita untuk
memperluas pengetahuan kita dan membuat keputusan yang lebih baik.
Kekakuan ilmu pengetahuan sering dikorbankan demi pragmatisme
bisnis. Biasanya, pebisnis tidak bisa mendapatkan jawaban terlalu
cepat. Demi kemanfaatan, peneliti hampir selalu mengorbankan
ketelitian. Meskipun hal ini dapat menimbulkan kesalahan, peneliti
harus melanjutkan proyek penelitian selama pembuat keputusan diberi

SPSS dan Smart-PLS
tahu tentang kemungkinan tersebut dan hasilnya memenuhi syarat.
1.8 Latihan Soal

1) Jelaskan asumsi-asumsi dari ilmu pengetahuan?
2) Apa perbedaan dari pemahaman positivisme dan konstruktivisme?
Jelaskan masing-masing.
3) Apa tiga fase dari proses penelitian bisnis? Jelaskan secara singkat
masing-masing!
4) Peran apa yang dimainkan teori dalam proses penelitian bisnis?
5) Apa metode ilmiah itu, dan bagaimana metode itu digunakan dalam
penelitian bisnis?
6) Apa saja ciri-ciri metode ilmiah yang baik?
7) Mengapa penyusunan proposal penelitian tertulis penting?
1.9 Studi Kasus

Kasus: Nayya’s Korean Cuisine
Apakah Teori Berguna dalam Penelitian Bisnis?
Nayya telah berbicara tentang restoran dengan saudaranya. Terlepas

dari kesuksesan restoran, mereka telah menyimpulkan bahwa ada
ruang untuk perbaikan. Nayya memperhatikan bahwa meja sering
dibiarkan kosong saat dia mengamati ruang makan. Hal ini mendorong
mereka untuk memikirkan hal-hal seperti jumlah meja di ruang
makan dalam kaitannya dengan jumlah pelanggan, terutama pada
jam-jam penyajian puncak seperti makan siang dan makan malam.
Saudara-saudaranya juga menghabiskan waktu dengan kepala koki,
yang memberi tahu mereka bahwa sementara beberapa makanan
pembuka laris manis, makan malam spesial jarang sepopuler yang
diharapkan. Selain itu, terlepas dari kenyataan bahwa makanan
penutup adalah masakan Korea yang disiapkan secara khusus mirip
dari negara asalnya, mereka tidak laris manis.
Nayya sedang membaca majalah minggu lalu. Majalah tersebut
menampilkan cerita tentang masuknya restoran baru di London
dalam beberapa tahun terakhir. Menurut cerita, ada begitu banyak

SPSS dan Smart-PLS
restoran baru sehingga banyak calon pelanggan tidak menyadarinya.
Nayya melakukan beberapa riset Internet untuk mempelajari lebih
lanjut tentang bagaimana orang belajar tentang restoran baru, dan
dia menemukan teori Hierarchy of Effects.
Model Hierarchy of Effects
Tahap hierarki Keterangan
Ketidaksadaran • Tidak mengetahui perusahaan
Kesadaran Anda, merek, dll.
Pengetahuan • Sadar akan merek Anda
Menyukai • Ketahui sesuatu tentang merek
Maksud pembelian Anda
Pembelian kembali/loyalitas • Miliki perasaan positif tentang
merek Anda
• Berniat untuk membeli merek
Anda selanjutnya
• Benar-benar membeli merek Anda
• Membeli merek Anda secara
teratur
Pertanyaan Kasus:
Apakah teori tersebut bermanfaat bagi Nayya dan saudaranya dalam
upaya meningkatkan jumlah pelanggan?
Bisakah teori tersebut membantu mereka memahami mengapa
beberapa item menu tidak laku?
Dapatkah Anda memikirkan beberapa teori lain yang akan berguna
dalam meningkatkan operasi restoran?
1.10 Kegiatan Diskusi dan Aplikasi

1 Misalkan Anda bekerja di perusahaan barang konsumsi besar. Salah
satu produk yang Anda wakili adalah salad dressing. Pesaing sedang
memulai uji pasar yang melibatkan cita rasa baru. Pesaing pergi
dari toko ke toko menempatkan produk mereka di rak toko-toko.
Bos Anda meminta Anda untuk pergi ke toko-toko yang dikunjungi
pesaing dan membeli semua saus saladnya. Mengapa dia meminta

SPSS dan Smart-PLS
Anda melakukan hal tersebut? Apa reaksi Anda? Pertimbangkan
implikasi etis dari perilaku tersebut.
2 Mengapa teori penting dalam desain studi penelitian bisnis?

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat mengidentifikasi ciri-ciri topik penelitian yang berkualitas.
√ Dapat menjelaskan bagaimana mengubah ide penelitian menjadi
pertanyaan penelitian.
√ Dapat memahami apa itu kajian literatur dan bagaimana literatur
membantu penelitian.
√ Dapat mengidentifikasi sumber utama untuk pencarian literatur.
√ Dapat menjelaskan bagaimana merencanakan dan menulis
kajian literatur.
√ Dapat mengonfirmasikan pertanyaan penelitian dengan kajian
literatur.
2.1 Pendahuluan
Wawasan apa yang diperlukan untuk membuat keputusan?
Apakah manajer sekarang memiliki informasi yang lengkap dengan
adanya digitalisasi dan big data (data besar)? Membuat keputusan itu
sederhana. Membuat penilaian yang tepat, di sisi lain, membutuhkan
wawasan dan pemahaman. Mengetahui kekurangan informasi sangat
penting untuk membuat keputusan yang tepat. Digitalisasi dan big data
tidak selalu menghasilkan keputusan yang lebih baik.
Manajer dipaksa untuk membuat keputusan sebagai akibat dari
peluang dan kesulitan. Ketika kinerja jauh dari harapan, masalah terjadi.
Asumsikan bahwa penjualan lebih rendah dari yang diharapkan untuk
periode tertentu. Manajer harus melihat mengapa ini terjadi. Contoh lain
adalah bahwa ketidakbahagiaan karyawan meningkat atau pengiriman
bahan baku sering tertunda. Ketika keadaan mengungkapkan
peluang untuk meningkatkan hasil, peluang muncul. Sebagai contoh,

SPSS dan Smart-PLS
ada peningkatan kesadaran tentang bagaimana asupan makanan
mempengaruhi pemanasan global, serta kesadaran yang berkembang
tentang bagaimana bahan tambahan makanan mempengaruhi manusia.
Banyak orang beralih ke makanan organik, vegetarian, dan veganisme.
Meskipun hal itu dapat memberikan tantangan bagi produsen makanan
tertentu, permintaan makanan tidak menurun, oleh karena itu bagi
yang lain, hal tersebut mungkin merupakan peluang.
Definisi yang jelas dari masalah penelitian sangat penting untuk
keberhasilan setiap proyek penelitian. Meskipun itu mungkin tampak
jelas, mendefinisikan masalah penelitian seringkali merupakan bagian
tersulit dari proses penelitian untuk dilaksanakan dengan benar. Pada
tahap awal, peneliti harus menghindari bersikap terlalu kaku. Masalah
yang didefinisikan dengan buruk menyebabkan kurangnya arah dan
tujuan, yang mungkin menjadi jelas hanya setelah sejumlah besar
waktu, tenaga, dan uang dihabiskan untuk mengejar jalan yang tidak
efektif. Masalah penelitian yang didefinisikan dengan buruk, misalnya,
kemungkinan akan menghasilkan studi lapangan yang terstruktur
secara tidak benar yang gagal memberikan data yang diperlukan.
Setelah mengidentifikasi masalah penelitian, peneliti melakukan
penelitian latar belakang untuk lebih menyempurnakan definisi
masalah dan untuk memastikan bahwa pekerjaan sebelumnya telah
dipertimbangkan dalam memperjelas ruang lingkup proyek penelitian
yang diusulkan. Penelitian latar belakang, juga dikenal sebagai kajian
pustaka/literatur, berfungsi sebagai dasar untuk mengubah masalah
penelitian menjadi pertanyaan dan tujuan penelitian.
2.2 Karakteristik Topik Penelitian yang Berkualitas

Pemilihan topik penelitian sangat dipengaruhi oleh tujuan yang ingin
dicapai oleh perusahaan atau sarjana. Misalnya, sebuah perusahaan
mungkin telah menemukan bahwa basis pelanggannya yang berusia
empat puluh hingga lima puluh tahun jauh lebih tidak menyukai desain
situs web perusahaan dibandingkan kelompok usia yang lebih muda.
Tujuan perusahaan dalam situasi ini kemungkinan besar untuk mencari
tahu mengapa hal itu terjadi. Pada saat yang sama, perusahaan mungkin

SPSS dan Smart-PLS
telah menemukan bahwa kepuasan karyawan dengan tunjangan di
daerah ibukota secara signifikan lebih tinggi daripada di daerah lain.
Akibatnya, perusahaan kemungkinan akan menyelidiki bagaimana hal
itu dapat meningkatkan peringkat sistem tunjangan di daerah.
Dengan asumsi perusahaan memiliki sumber daya dan waktu yang
terbatas, mungkin harus memilih di antara dua pertanyaan ini untuk
diselidiki. Memilih topik penelitian mana yang akan dikejar seringkali
melibatkan pentingnya analisis kinerja. Dalam jenis analisis kinerja,
pertanyaan penelitian dievaluasi terlebih dahulu tentang pentingnya
menemukan solusi, dan kemudian bagaimana kinerja perusahaan di
bidang itu.
Analisis Kinerja dapat didasarkan pada matriks 2 x 2 dengan empat
kuadran yang membandingkan kepentingan masalah dalam kaitannya
dengan kinerja perusahaan. Misalnya, perusahaan mungkin berkinerja
di bawah rata-rata secara keseluruhan dalam hal desain situs web, tetapi
kelompok usia empat puluh hingga lima puluh tahun menganggap itu
tidak terlalu penting. Jika, di sisi lain, karyawan perusahaan di semua
daerah menempatkan nilai tinggi pada sistem tunjangan karyawan
dan sistem perusahaan berkinerja buruk di sebagian besar daerah,
perusahaan dapat memutuskan untuk memfokuskan upayanya pada
melakukan penelitian yang akan memberikan informasi bagaimana
meningkatkan kinerjanya.
Area lain di mana perusahaan dapat memusatkan upayanya adalah
pertanyaan tentang bagaimana mencapai tujuan perusahaan secara
keseluruhan. Analisis situasi/organisasi dapat memberikan temuan
yang berguna dan kemungkinan akan menghasilkan topik penelitian
yang membahas hal-hal penting bagi perusahaan untuk pertanyaan
yang begitu luas. Analisis situasional atau organisasi menilai sejauh
mana kekuatan atau perubahan internal dan eksternal mempengaruhi
kemampuan perusahaan untuk mencapai tujuannya.
Matriks analisis SWOT (Strength, Weakness, Opportunities, and
Threat) adalah alat yang terkenal untuk melakukan analisis semacam
itu (Gambar 2.1). Analisis itu banyak digunakan dan ada banyak format
yang tersedia secara online. Analisis SWOT adalah matriks 2 x 2 dengan

SPSS dan Smart-PLS
empat kuadran di sepanjang sumbu “dampak positif atau negatif
pada pencapaian tujuan” dan “kekuatan atau perubahan internal atau
eksternal”. Kekuatan itu biasanya diidentifikasi dan diklasifikasikan
sebagai positif atau negatif berdasarkan sesi brainstorming atau,
dalam banyak kasus, penelitian sebelumnya. Asumsinya adalah bahwa
perusahaan akan memiliki kontrol yang lebih besar atas kekuatan atau
perubahan internal, itulah sebabnya kekuatan tersebut disebut sebagai
Kekuatan (jika positif) atau Kelemahan (jika negatif). Karena kekuatan
eksternal kurang dapat dikendalikan, mereka dipandang sebagai
peluang (jika positif) untuk direbut atau ancaman (jika negatif) untuk
dimitigasi.
Analisis SWOT, bila digunakan dengan cara tersebut, merupakan
alat yang efektif untuk menilai apa yang mungkin secara positif atau
negatif mempengaruhi tujuan dan rencana perusahaan. Mereka juga
memberi manajemen target yang jelas untuk penelitian dan perhatian
tambahan. Sebuah penelitian singkat kemudian dapat ditulis untuk
meringkas topik penelitian yang dihasilkan.
Ringkasan penelitian sering kali merupakan sarana utama yang
digunakan sponsor untuk mengomunikasikan persepsi awal tentang
masalah atau pertanyaan penelitian saat melakukan penelitian yang
ditugaskan. Ringkasan penelitian adalah ringkasan tertulis atau lisan
dari persepsi awal sponsor (perusahaan atau individu) tentang masalah
atau peluang. Usulan tanggapan peneliti memberikan diagnosis dan
pemahaman tentang masalah yang dirangkum sebelumnya oleh
sponsor. Sebelum akhirnya menandatangani penelitian, dialog antara
kedua pihak (peneliti dan sponsor) sangat penting untuk memastikan
pemahaman yang sama. Cara terbaik untuk mencapai kejelasan tujuan
yang diperlukan untuk hasil yang sukses adalah dengan memfokuskan
dialog itu pada definisi masalah sebelum memilih metodologi.

SPSS dan Smart-PLS
Gambar 2.1 Contoh Matriks Analisis SWOT
Apakah penelitian tersebut ditugaskan oleh pihak ketiga atau

tidak, mendefinisikan masalah penelitian dapat memakan waktu lama
dan harus ditentukan baik secara umum maupun khusus. Apa sifat
umum dari masalah yang harus ditangani oleh kegiatan penelitian?
Aspek spesifik apa dari masalah yang harus diselidiki? Peneliti yang
berpengalaman akan membahas pertanyaan-pertanyaan tersebut
beberapa kali untuk mencapai kejelasan tujuan yang diperlukan untuk
sukses. Mereka memahami bahwa mencurahkan waktu untuk definisi
masalah, dapat mencegah kesalahpahaman dan kesalahan. Hal itu juga
menghasilkan pertanyaan dan tujuan penelitian yang lebih baik, serta
desain penelitian yang lebih baik dan pada akhirnya, pelaksanaan yang
lebih baik.
Bisnis mengidentifikasi dan menyelidiki topik penelitian untuk
lebih memahami masalah atau peluang dan mengembangkan solusi
terbaik. Dalam program akademik tingkat tinggi, topik penelitian juga
diidentifikasi dan dikejar. Topik penelitian yang baik memiliki beberapa
karakteristik, terlepas dari apakah topik tersebut dikembangkan untuk

SPSS dan Smart-PLS
tujuan akademis atau bisnis. Karakteristik topik penelitian yang baik
adalah sebagai berikut:
• Penelitian dikembangkan dari dasar teori yang kuat.
• Penelitian menarik bagi sponsor dan peneliti.
• Masalah penelitian didefinisikan dengan baik, dan pertanyaan
penelitian serta tujuan yang mengalir darinya adalah spesifik serta
mungkin untuk diatasi melalui desain penelitian yang ketat.
• Persyaratan sumber daya dalam hal waktu, uang, keahlian, dan
akses data dipahami dengan baik di awal proses penelitian.
• Penelitian diharapkan memberikan kontribusi pada pengetahuan
terlepas dari orientasi temuan. Karakteristik ini sangat penting
untuk skripsi, tesis, dan disertasi.
Karakteristik pertama dari pedoman di atas adalah bahwa topik
harus dikembangkan dan didukung oleh landasan teoretis yang kuat.
Topik yang diinformasikan secara teoretis memiliki tujuan, metode,
dan hasil yang diharapkan secara keseluruhan dengan lebih jelas. Hal
itu memastikan bahwa penelitian menghasilkan keputusan yang tepat.
Teori mengontekstualisasikan topik penelitian dalam bidang bisnis yang
lebih luas, memungkinkan sponsor dan peneliti untuk meningkatkan
pekerjaan sebelumnya di lapangan, meningkatkan kualitas proyek
penelitian, dan membatasi sumber daya yang diperlukan untuk
mencapai tujuan penelitian.
Landasan teoretis proyek penelitian sangat penting ketika
penelitian merupakan bagian dari skripsi, tesis atau disertasi. Meneliti
pustaka tidak hanya memastikan bahwa topik memenuhi persyaratan
penguji, tetapi juga menegaskan minat Anda pada bidang studi yang
lebih luas. Anda harus membantu mengonfirmasi pilihan karier Anda
dan meningkatkan kemampuan kerja Anda di lapangan. Proses itu
dapat bergantung pada skripsi, tesis atau disertasi Anda.
Karakteristik kedua berkaitan dengan pentingnya topik bagi
sponsor penelitian. Komitmen yang lebih besar dari sponsor
meningkatkan keterlibatan dan mengurangi kemungkinan konflik saat
proses berlangsung. Hal itu jelas penting ketika melakukan penelitian
komersial. Peran sponsor tidak hanya mendefinisikan tujuan penelitian

SPSS dan Smart-PLS
dan menyetujui ruang lingkupnya, tetapi juga memastikan bahwa hal-
hal yang tidak diketahui yang tak terhindarkan dan muncul selama
proses penelitian dibahas secara terbuka dan jujur. Hal itu meningkatkan
kemungkinan bahwa peneliti akan dapat membuat keputusan yang
diperlukan dalam lingkungan yang saling mendukung.
Sementara topik penelitian akademis mungkin tidak memiliki
sponsor eksternal yang jelas, supervisor (pembimbing/promotor)
penelitian dapat dianggap melayani dalam kapasitas ini. Supervisor
mengarahkan penelitian dan menawarkan bantuan ketika masalah
muncul. Supervisor penelitian juga memahami persyaratan keberhasilan
dalam hal latar belakang teoretis, persyaratan pengumpulan data primer,
dan kedalaman analisis yang diperlukan. Misalnya, beberapa gelar
akademis mungkin mengharuskan karya ilmiah menyelidiki masalah
bisnis yang terkini dan mengumpulkan data primer baru, sedangkan
yang lain mungkin menerima pendekatan yang kurang diterapkan
dengan sedikit atau tanpa pengumpulan data primer. Semakin besar
minat supervisor pada topik, semakin besar kemungkinan komitmen
terhadap proses dan alokasi waktu. Tidak peduli seberapa antusias
Anda tentang topik tesis, peluang Anda untuk sukses sangat meningkat
jika supervisor penelitian Anda berbagi antusiasme dengan Anda.
Komponen ketiga dari topik penelitian adalah bagaimana
masalah didefinisikan, kualitas pertanyaan penelitian, dan bagaimana
tujuan penelitian telah diartikulasikan. Mendefinisikan masalah
mengharuskan sponsor berfokus pada keputusan bisnis yang akan
dibuat setelah penelitian selesai. Hal itu memastikan bahwa desain
penelitian mengatasi kesenjangan dalam pengetahuan yang diperlukan
untuk membuat keputusan, yang membantu dalam pengembangan
pertanyaan dan penetapan tujuan. Topik penelitian yang berkualitas
adalah topik yang mengisi kesenjangan dalam pengetahuan yang ada
dan cenderung mengarah pada keputusan manajemen yang lebih
baik. Akibatnya, pertanyaan penelitian yang dinyatakan dengan baik
berpusat pada organisasi sponsor penelitian atau tujuan pribadi.
Setelah pertanyaan ditetapkan dan ada kesepakatan lengkap
antara sponsor dan peneliti, pertanyaan harus diubah menjadi tujuan

SPSS dan Smart-PLS
penelitian eksplisit. Akhirnya, desain penelitian berasal dari tujuan
penelitian tertentu, dan tidak mengherankan bahwa proyek penelitian
berkualitas tinggi yang memenuhi janji mereka memiliki tujuan yang
eksplisit, terfokus, dan diartikulasikan dengan baik.
Menetapkan tujuan merupakan tantangan yang signifikan bagi
peneliti yang melakukan penelitian atas nama orang lain. Tidak jarang
sponsor penelitian berjuang untuk menentukan tujuan penelitian yang
jelas. Sponsor dengan pengalaman penelitian yang terbatas cenderung
mengungkapkan keinginan mereka secara luas, sehingga terserah
kepada peneliti untuk menerjemahkan keinginan tersebut ke dalam
tujuan operasional penting yang memperjelas ruang lingkup penelitian.
Karakteristik keempat topik penelitian adalah jumlah sumber daya
yang dibutuhkan untuk mencapai hasil yang diinginkan. Sumber daya
itu meliputi pengetahuan, waktu, uang, dan akses data. Tidak peduli
seberapa layak masalah awal untuk penelitian, sedikit yang akan
dicapai jika peneliti tidak memiliki kemampuan untuk menyelidiki topik
dengan benar. Peneliti yang mahir dalam penelitian kuantitatif dengan
menggunakan kuesioner tertutup dan terstruktur dengan baik sering
kali tidak memiliki keterampilan dan temperamen yang dibutuhkan
untuk melakukan penelitian kualitatif dengan menggunakan kelompok
fokus dan wawancara mendalam. Sebelum menerima tugas penelitian,
peneliti harus jujur menilai keahlian mereka serta kemampuan mereka
untuk mengembangkan pengetahuan dan pendekatan yang diperlukan.
Pentingnya menilai keahlian dalam penelitian komersial adalah sama
pentingnya bagi mahasiswa yang melakukan proyek penelitian untuk
hati-hati mempertimbangkan kapasitas mereka sendiri ketika memilih
topik. Waktu dan biaya yang dibutuhkan untuk menyelesaikan proyek
penelitian sangat bervariasi. Beberapa topik mungkin memerlukan
sejumlah besar penelitian kuesioner data primer, sedangkan yang
lain mungkin memerlukan perjalanan ekstensif untuk mewawancarai
pemangku kepentingan utama. Sebuah penilaian menyeluruh dari
waktu dan sumber daya yang dibutuhkan untuk menyelesaikan proyek
penelitian harus dilakukan sedini mungkin dalam proses penelitian.
Hal itu diperlukan untuk penelitian yang ditugaskan karena anggaran

SPSS dan Smart-PLS
penelitian harus dikutip. Namun, mahasiswa harus mempertimbangkan
poin-poin tersebut untuk mengurangi kemungkinan gagal memenuhi
tenggat waktu universitas atau perguruan tinggi. Untuk memenuhi
kendala keuangan dan waktu, mungkin perlu untuk memodifikasi
ruang lingkup proyek.
Akses ke data tidak boleh dianggap remeh. Peneliti harus
mengonfirmasi di awal proses penelitian bahwa mereka akan memiliki
akses ke data yang diperlukan, karena janji dan asumsi tentang
ketersediaan data sekunder mungkin tidak dapat dibenarkan. Hal itu
sangat penting di era data besar/big data, ketika jenis dan sumber data
berkembang pesat. Data akuntansi untuk usaha mikro, misalnya, jauh
lebih sulit diperoleh daripada perusahaan besar yang terdaftar di bursa
efek. Demikian pula, memperoleh data digital bisa jadi sulit, apakah itu
hanya mendapatkan izin untuk mengaksesnya atau menggunakannya
dalam studi penelitian tertentu. Peneliti harus memiliki alasan untuk
percaya bahwa mereka dapat memperoleh akses dan kerja sama
dari populasi sasaran jika mereka mengumpulkan data primer dari
responden. Jika topik melibatkan masalah privasi, pertimbangan
khusus diperlukan sehubungan dengan peraturan privasi yang muncul,
seperti Peraturan Perlindungan Data Umum (GDPR) di Uni Eropa.
Akhirnya, fitur penting dari topik penelitian, terutama yang relevan
untuk tujuan akademis adalah bahwa topik itu harus menghasilkan hasil
yang berharga terlepas dari orientasi temuan. Dengan kata lain, apakah
hipotesis penelitian dikonfirmasi atau tidak, proyek penelitian yang
dilakukan sebagai bagian dari persyaratan untuk gelar atau kualifikasi
akademis harus bermanfaat. Persyaratan itu sangat mengurangi
kemungkinan bahwa berbulan-bulan kerja akan sia-sia karena hasil
penelitian tidak memberikan kontribusi ilmiah yang diperlukan untuk
pengetahuan. Sebelum mencurahkan terlalu banyak waktu dan upaya
untuk mengejar topik penelitian, mahasiswa harus mempertimbangkan
kemungkinan hasil dan nilai penelitian di bawah berbagai skenario.
2.3 Masalah, Peluang, dan Gejala

Ketika peluang muncul, ada sedikit urgensi untuk merespons
daripada ketika kesulitan muncul. Akibatnya, banyak peluang

SPSS dan Smart-PLS
terbuang sia-sia. Peluang adalah suatu kesempatan yang dimiliki oleh
seseorang atau perusahaan untuk mencapai suatu tujuan. Beberapa
peluang terlewatkan karena bisnis tidak secara sistematis memeriksa
lingkungan mereka. Pengukuran kinerja, di sisi lain, pada akhirnya akan
menemui masalah. Masalah adalah pernyataan tentang keadaan yang
belum sesuai dengan yang diharapkan. Tidak akan menjadi masalah
jika Anda bisa menghindarinya.
Gejala adalah keadaan atau peristiwa yang tidak biasa dan
patut diperhatikan oleh seseorang atau perusahaan. Sangat penting
untuk membedakan antara gejala dan masalah atau peluang yang
mendasarinya. Sementara penurunan penjualan mengkhawatirkan,
itu hanyalah gejala dari sesuatu yang lain. Demikian pula, peningkatan
ketidakhadiran staf atau peningkatan hutang dapat mengindikasikan
adanya masalah. Ada banyak penjelasan untuk gejala tersebut.
Perumusan masalah mengacu pada proses menentukan mengapa
masalah atau gejala ada.
Mari kita lihat sebuah contoh perusahaan energi PT. Pertamini,
memberikan contoh pernyataan masalah. Mereka melakukan survei
karyawan secara teratur untuk menilai kepercayaan karyawan dalam
manajemen perusahaan. Jika dibandingkan tahun-tahun sebelumnya,
kepercayaan turun signifikan satu tahun. Temuan itu tidak memberikan
penjelasan atau pemahaman tentang apa yang terjadi (fenomena).
Namun, hal itu dapat memicu penyelidikan lebih lanjut.
Wawancara mendalam atau kelompok fokus akan memberikan
jawaban atas pertanyaan penelitian berikut, “memahami perspektif
karyawan tentang manajemen perusahaan.” Pertanyaan penelitian
lain dapat berupa, “Jelaskan perubahan persepsi karyawan terhadap
manajemen perusahaan berdasarkan seperangkat kriteria yang telah
ditetapkan sebelumnya.” Survei karyawan yang menilai variabel
penjelas tertentu akan memberikan solusi dalam kasus itu. Bahkan,
PT. Pertamini merasa bahwa sumber jatuhnya kepercayaan adalah
ketidakstabilan luar biasa yang dialami dalam manajemen tahun itu,
dan oleh karena itu masalahnya hanya sementara.

SPSS dan Smart-PLS
Kepercayaan pada manajemen perusahaan telah berkurang dalam
contoh PT. Pertamini, yang merupakan gejala yang dilaporkan dalam
pengukuran mereka. Rumusan masalah mereka terbukti agak mudah.
Gejala-gejala itu dikaitkan dengan kekacauan manajemen. Keadaan
lain mungkin memerlukan pendekatan yang lebih sistematis yang
melibatkan penelitian kualitatif dan kuantitatif. Dalam praktiknya,
manajemen seringkali membuat diagnosis tanpa melakukan penelitian
apapun. Sebagai ilustrasi, manajemen mungkin berpikir bahwa banyak
karyawan perusahaan sedang flu biasa dan tindakan terbaik adalah
tidak melakukan apa-apa. Para manajemen duduk dan menunggu
penyakit ringan tersebut berlalu. Sayangnya, karyawan perusahaan
yang dibiarkan ternyata menderita Covid-19 yang memerlukan
perawatan serius.
Pertanyaan selanjutnya setelah diagnosis adalah apa yang harus
dilakukan. Penulis membangun satu set opsi yang dapat ditindaklanjuti
dan kemudian mengevaluasi kemungkinan hasil setiap opsi. Hal itu,
tentu saja, mensyaratkan bahwa masalahnya telah ditandai secara
memadai. Dengan kata lain, ada dua masalah utama yang harus
ditangani:
• Rumusan masalah: Apa penjelasan atas apa yang telah, sedang, atau
akan terjadi?
• Alternatif yang dapat ditindaklanjuti: Apa yang bisa dilakukan?
Terdapat keuntungan dalam mengandalkan suatu teori yang
berlaku untuk kedua perumusan masalah dan pilihan praktis. Sebuah
teori mengusulkan hubungan yang ada antara fenomena abstrak
(konsep) dalam keadaan tertentu. Hal itu berarti bahwa sebuah
teori dapat membantu dalam menentukan faktor-faktor mana yang
dapat menjelaskan apa yang terjadi dalam situasi tertentu dan dapat
menjelaskan solusi praktis apa yang harus dipertimbangkan.
Tidak selalu mudah untuk menemukan teori yang tepat. Sebagai
permulaan, banyak teori agak spesifik konteks dalam arti bahwa
mereka hanya berlaku untuk sebagian dari realitas dan menganggap
bahwa semua faktor lain tetap konstan. Kedua, teori mungkin hanya
berlaku dalam keadaan tertentu. Ketiga, beberapa hipotesis tentang

SPSS dan Smart-PLS
apa yang menyebabkan fenomena tertentu mungkin ada. Dalam hal
kepuasan pelanggan, misalnya, teori konfirmasi harapan menyatakan
bahwa konsumen akan puas jika nilai yang dirasakan dari suatu
layanan identik dengan nilai yang diharapkan dari layanan sebelum
membeli (paradigma diskonfirmasi). Menurut pandangan lain, nilai
yang dirasakan dari suatu layanan adalah variabel penjelas independen
yang sangat penting untuk kebahagiaan pelanggan. Sederhananya, Anda
hanya puas jika mendapatkan pelayanan yang baik. Bagaimanapun, jika
kepuasan pelanggan buruk (gejalanya), dan Anda terbiasa dengan teori-
teori yang relevan, Anda akan dapat menemukan variabel-variabel
penjelasan yang masuk akal beserta hubungannya.
Hubungan antara gejala dan teori yang relevan tidak selalu jelas.
Penerapan teori mengasumsikan bahwa fenomena dapat secara
sederhana dibagi menjadi variabel-variabel yang ditentukan secara
tepat. Jika tidak demikian, kita harus memecahkan masalah tanpa
bantuan teori. Manajer hanya mengandalkan pengalaman mereka,
sementara pilihan yang lebih komprehensif adalah melakukan
penelitian eksplorasi untuk memperoleh pengetahuan yang lebih dalam
tentang gejala tersebut.
Gambar 2.2 Perumusan Masalah dan Tindakan Alternatif

SPSS dan Smart-PLS
Gambar 2.2 menggambarkan penjelasan penulis. Teori yang
relevan dapat membantu kita dalam mengklarifikasi suatu masalah
dengan menentukan penyebab mana yang dapat menyebabkan gejala,
dan teori tersebut kemudian akan merekomendasikan pilihan praktis
yang relevan. Sangat penting untuk menyoroti bahwa solusi yang
dapat ditindaklanjuti tidak selalu sesuai dengan ungkapan masalah.
Kemungkinan mana yang layak ditentukan oleh tujuan, sumber daya,
dan strategi perusahaan. Misalnya, ada kemungkinan perusahaan tidak
memiliki sarana untuk menggunakan jenis teknologi tertentu, meskipun
rumusan masalah menunjukkan bahwa justru kurangnya teknologi
inilah yang mempengaruhi penjualan. Mungkin kata-kata masalahnya
menunjukkan bahwa iklan online telah mengakibatkan persaingan
untuk mendapatkan pangsa pasar. Jika penulis tidak memiliki sumber
daya untuk menggunakan iklan online, penulis harus menggunakan
metode alternatif.
2.4 Tujuan Penelitian dan Pertanyaan Penelitian

Biasanya disarankan untuk memulai penelitian dengan
mendefinisikan tujuan penelitian. Jika titik awalnya adalah gejala,
maka tujuan penelitian dibagi menjadi dua bagian: bagian pertama
mengidentifikasi variabel apa yang menyebabkan gejala, dan bagian
kedua menentukan tindakan apa yang harus diambil. Misalnya, jika kita
melihat penurunan penjualan, dapat diterima untuk terlebih dahulu
menentukan mengapa penjualan menurun sebelum mempertimbangkan
alternatif. Jika titik awalnya adalah peluang, seperti meluncurkan produk
baru, opsi yang dapat ditindaklanjuti sering diberikan: luncurkan atau
jangan luncurkan. Bahkan jika solusinya jelas, mereka mungkin masih
memerlukan penelitian, seperti mengidentifikasi segmen dan target
dalam pengenalan produk.
Seringkali, individu yang bertanggung jawab atas penelitian
bukanlah pembuat keputusan. Jika penelitian ingin bermanfaat,
komunikasi yang tepat antara pembuat keputusan dan peneliti sangat
penting. Jika tidak, pembuat keputusan mungkin menjawab, “Ya, itu
menarik, tapi ..., reaksi seperti itu menunjukkan bahwa definisi masalah

SPSS dan Smart-PLS
tidak memadai. Seringkali menguntungkan untuk membagi prosedur
menjadi dua langkah dan untuk memastikan bahwa prosedur terjadi
dalam kemitraan antara peneliti dan pembuat keputusan. Langkah
pertama adalah meringkas tujuan penelitian dalam satu kalimat.
Kemudian, kembangkan pertanyaan penelitian yang bila digabungkan
memberikan jawaban yang kita perlukan untuk mencapai tujuan
penelitian.
Pengambil keputusan sering memiliki pemikiran dan pendapat
tentang masalah penelitian. Siapa pun yang bertanggung jawab
melakukan penelitian harus menganggap hal itu sebagai titik
awal. Namun, pertanyaan penelitian seperti “Bagaimana kita bisa
meningkatkan keuntungan?” terlalu umum untuk berguna bagi
penelitian. Definisi masalah yang sudah menentukan desain penelitian
tidak boleh diterima.
Setelah masalah diklarifikasi, tujuan telah diidentifikasi, dan
pertanyaan penelitian telah ditentukan, desain penelitian ditentukan.
Pada bagian ini, kita akan melanjutkan analogi interaksi dokter-
pasien. Menurut penelitian, kemitraan antara dokter dan pasien adalah
komponen kunci dari pengobatan dan penyembuhan. Pasien harus
didengar dan dokter harus mendengarkan. Namun, pasien tidak memilih
pengobatan “Tenggorokan saya sakit, jadi tolong beri saya antibiotik.”
Dokter mendiagnosis pasien dan memberikan perawatan yang tepat
menggunakan kombinasi diskusi pasien, pemeriksaan fisik, tes, dan
keahlian. Sesuai dengan hal tersebut, tanggung jawab peneliti adalah
mendengarkan pembuat keputusan sampai pada tujuan penelitian
secara kolektif, melakukan penelitian, dan menyampaikan informasi
yang diperlukan. Hal itu adalah akhir dari analogi. Informasi adalah
alat untuk membantu pengambil keputusan; peneliti tidak membuat
keputusan.
Chapman (1989) menyarankan bahwa peneliti, berdasarkan
definisi masalah awal, menanyakan pembuat keputusan serangkaian
pertanyaan untuk menjelaskan masalah. Contoh pertanyaan terkait
antara lain:

SPSS dan Smart-PLS
• Keputusan apa yang akan dibuat berdasarkan penelitian ini?
• Bagaimana hasil analisis akan mempengaruhi keputusan ini?
• Informasi apa yang akan mempengaruhi keputusan?
• Mengapa anda perlu tahu ini?
• Apa lagi yang perlu Anda ketahui untuk membuat keputusan yang
masuk akal?
Jawaban atas pertanyaan-pertanyaan tersebut akan memudahkan
untuk mengembangkan tujuan penelitian tertentu dan pertanyaan
penelitian yang sesuai. Contoh di bawah ini menunjukkan bagaimana
mengembangkan tujuan penelitian dan pertanyaan penelitian.
Contoh:
Seorang produsen minyak kelapa sawit mencatat bahwa
merek mereka “Bimosi” menunjukkan penurunan penjualan pada
kuartal pertama tahun ini dibandingkan dengan kuartal pertama
tahun sebelumnya. Manajemen mengajukan pertanyaan, mengapa
penjualan menurun dan apa saja opsi yang dapat ditindaklanjuti?
Masalah Keputusan
Apa yang dapat dilakukan perusahaan untuk meningkatkan
penjualan minyak kelapa sawit “Bimosi”?
Tujuan Penelitian
Tujuan dari penelitian tersebut adalah untuk mengetahui variabel
mana yang berkontribusi terhadap penurunan penjualan “Bimosi” pada
kuartal pertama tahun ini dibandingkan dengan kuartal pertama tahun
lalu.
Potensi Pertanyaan Penelitian

1. Bagaimana perubahan pangsa pasar untuk “Bimosi” tahun ini
dibandingkan tahun lalu?
2. Apakah pendatang baru telah memasuki pasar?
3. Bagaimana perubahan kehadiran pangsa pasar “Bimosi” (jumlah
outlet/toko) sejak tahun lalu?

SPSS dan Smart-PLS
4. Apakah ada segmen konsumen tertentu yang mengubah frekuensi
pembelian “Bimosi” sejak tahun lalu?
5. Bagaimana perubahan pandangan merek “Bimosi” dari tahun
sebelumnya?
6. Bagaimana harga “Bimosi” dibandingkan dengan merek yang
sebanding?
7. Bagaimana preferensi perubahan konsumen terhadap minyak
kelapa sawit sejak tahun lalu?
Kita dapat melihat pertanyaan di atas bahwa tujuan analisis adalah

untuk menentukan faktor mana yang berkontribusi terhadap gejala
yang diamati (penurunan penjualan). Ketika kita mengembangkan
pertanyaan penelitian, kita sedang membangun (secara langsung atau
tidak langsung) hipotesis tentang apa yang mempengaruhi penjualan.
Teori dapat membantu kita mendapatkan gambaran yang paling akurat
tentang apa yang terjadi, sedangkan survei empiris akan menjawab
pertanyaan penelitian dan mengarahkan kita ke arah yang benar.
Banyak pertanyaan penelitian dalam contoh ini mungkin dijawab
oleh analis yang membeli kuesioner standar yang disediakan oleh
organisasi riset pasar. Data dari indeks kategori ritel dapat digunakan
untuk menjawab pertanyaan penelitian 1, 2, 3, 4, dan 6. Data dari panel
rumah tangga dapat digunakan untuk menjawab pertanyaan 5 dan 7.
Jika bukan tentang bahan makanan, di mana data dikumpulkan secara
teratur, data primer baru harus dikumpulkan. Hal itu terutama berlaku
untuk pertanyaan penelitian 5 dan 7. Untuk membuat kuesioner,
wawancara mendalam atau kelompok fokus mungkin diperlukan.
Kemudian, lakukan survei dengan pertanyaan terstruktur untuk
mengukur persepsi.
Dengan menanggapi pertanyaan penelitian yang diberikan di
atas, seseorang dapat mengetahui apa yang mungkin menyebabkan
penurunan penjualan yang teramati. Akibatnya, akan jelas jenis
keputusan apa yang paling penting untuk memperbaiki perkembangan.
Misalnya, jika kita menemukan bahwa “Bimosi” menjadi kurang
kompetitif dalam harga sebagai akibat dari merek pesaing yang
menawarkan diskon atau penurunan harga secara konsisten, kita

SPSS dan Smart-PLS
harus fokus pada apa yang kita lakukan seputar penetapan harga. Jika
representasi ritel merek mengalami penurunan, di sinilah perusahaan
akan memfokuskan upaya perusahaan. Tentu saja, mungkin juga
kombinasi keadaan berkontribusi pada “gejala” yang dilaporkan.
2.5 Mempersiapkan Kajian Pustaka

Mahasiswa mungkin bingung mengapa kajian pustaka diperlukan.
Namun, menjawab pertanyaan tersebut membutuhkan pemahaman
menyeluruh tentang apa itu kajian pustaka dan bagaimana kajian
pustaka dapat membantu mereka dalam penelitian mereka. Kajian
pustaka merupakan suatu metode yang dapat mencegah peneliti
menduplikasi penelitian sebelumnya dan dapat memberikan jawaban
atas pertanyaan penelitian, serta memenuhi kebutuhan proyek
penelitian tertentu. Apapun keadaannya, kajian pustaka biasanya
memiliki dua tujuan yang luas. Pertama, dapat membantu dalam
pengembangan dan perluasan ide-ide penelitian. Kedua, sementara
seorang peneliti mungkin memiliki beberapa pengetahuan tentang
topik penelitian, kajian pustaka memastikan bahwa peneliti mengetahui
perkembangan terkini dan memiliki pemahaman menyeluruh tentang
topik yang relevan.
Dalam proses penelitian formal, kajian pustaka dilakukan setelah
masalah diklarifikasi. Anda mungkin sudah melakukan beberapa
penelitian tentang masalah tertentu. Namun, penelitian itu biasanya
melibatkan pencarian singkat untuk publikasi atau laporan yang
membantu dalam memahami masalah penelitian dengan lebih baik.
Bisa juga termasuk wawancara informal dengan rekan kerja atau
kolega yang memiliki minat penelitian yang sama. Upaya sebelumnya
untuk mengumpulkan informasi mungkin kurang formal dan kurang
terorganisir, terlepas dari pendekatan mana yang Anda ambil.
Biasanya, kajian pustaka dibagi menjadi dua tahap. Tahap pertama
adalah kajian pustaka untuk mengidentifikasi tema, tren, dan hubungan
variabel yang ada. Hasil akhir dari upaya awal ini adalah munculnya
ide-ide yang terkait dengan topik. Misalnya, mungkin ada penelitian
sebelumnya yang menggunakan pendekatan kualitatif untuk menguji
ide atau teori Anda, tetapi tidak ada yang menggunakan pendekatan

SPSS dan Smart-PLS
kuantitatif dan empiris. Tahap kedua dari kajian pustaka adalah kajian
pustaka dilakukan secara signifikan dan lebih mendalam. Hal itu
berfokus pada menemukan dan menggambarkan penelitian teoretis
sebelumnya tentang topik Anda. Jika teori secara langsung relevan,
mereka kemudian dimasukkan dalam penelitian Anda. Jika mereka
tidak terkait erat dan karenanya tidak disertakan, kemungkinan besar
Anda perlu menjelaskan bagaimana dan mengapa. Namun, kajian
pustaka pada akhirnya harus memeriksa dan mengomentari apa yang
telah diteliti.
Kajian pustaka memberikan pemahaman tentang penelitian
sebelumnya yang relevan. Jika Anda ingin menyelidiki mengapa
karyawan meninggalkan perusahaan Anda, Anda harus mulai dengan
meninjau temuan penelitian tentang kehilangan karyawan. Akan
ada banyak pekerjaan sebelumnya yang terkait dengan bidang minat
Anda dalam kasus tersebut. Jika temuan Anda terbatas, Anda mungkin
sedang meneliti topik yang muncul sebagai akibat dari perubahan
terbaru dalam lingkungan bisnis. Misalnya, hanya ada sedikit penelitian
tentang bagaimana Internet mempengaruhi kebijakan dan rencana
organisasi. Jika ada kelangkaan penelitian yang relevan, Anda harus
mencoba menyesuaikan pendekatan penelitian sebelumnya dengan
topik baru dan kemungkinan inovatif Anda. Misalnya, jika Anda ingin
meneliti faktor-faktor yang mempengaruhi adopsi teknologi informasi
yang memfasilitasi pengambilan dan penyimpanan catatan elektronik
di bidang medis, pilihan Anda akan terbatas. Di sisi lain, telah ada
sejumlah besar penelitian sebelumnya tentang adopsi inovasi secara
umum. Akibatnya, Anda dapat melihat ke area umum tersebut untuk
melihat apa yang relevan dengan penelitian Anda.
Beberapa penelitian sebelumnya mungkin secara langsung relevan
dengan penelitian Anda. Akan ada banyak penelitian sebelumnya yang
terkait langsung jika Anda menyelidiki bagaimana karyawan menerima
dan mengadopsi perubahan di tempat kerja atau konsep kepercayaan
dan loyalitas. Namun, akan ada aspek lain yang kurang terkait langsung,
misalnya, apakah perubahan dalam suatu organisasi dapat diterima
dengan mudah. Akibatnya, aspek lainnya itu harus diselidiki untuk

SPSS dan Smart-PLS
menentukan bagaimana mereka mungkin terkait dengan penelitian
Anda.
Meneliti penelitian sebelumnya tentang topik Anda akan membantu
Anda mengidentifikasi variabel yang digunakan untuk mengukur
konsep seperti kepuasan kerja, reputasi perusahaan, kinerja organisasi,
motivasi, dan sebagainya. Kajian pustaka menyarankan bagaimana
variabel-variabel tersebut terkait satu sama lain. Namun, saat Anda
melakukan kajian pustaka, Anda akan sering menemukan bahwa variabel
yang sama didefinisikan secara berbeda oleh peneliti yang berbeda.
Selanjutnya, pustaka dapat mengungkapkan perspektif yang berbeda
tentang bagaimana variabel terkait. Dengan demikian, menyelesaikan
kebingungan yang muncul ketika variabel penelitian didefinisikan
secara berbeda dan temuan tentang hubungan antarvariabel tidak
konsisten adalah hasil yang diperlukan dari kajian pustaka.
Jika hanya ada sedikit penelitian tentang topik Anda, Anda mungkin
khawatir bahwa tidak ada yang berharga untuk dikembangkan. Namun,
hal itu dapat mendorong karena memungkinkan Anda untuk dengan
mudah menjawab pertanyaan umum lainnya tentang topik penelitian:
“Hal unik apa yang dapat saya lakukan dan dapat memberikan
kontribusi seperti apa?” Jika Anda kesulitan menemukan penelitian
yang relevan, kemungkinan lain adalah Anda melihatnya dari perspektif
yang terlalu sempit. Misalnya, jika Anda mencari informasi tentang
adopsi perangkat lunak baru untuk meningkatkan produktivitas di
organisasi nirlaba, kemungkinan besar Anda akan menemukan pustaka
tentang proses adopsi dan produktivitas tetapi tidak ada tentang adopsi
perangkat lunak baru atau proses adopsi di manajemen nirlaba. Ketika
dihadapkan pada situasi seperti itu, Anda harus mencari cara untuk
menerapkan penelitian sebelumnya dengan cara memodifikasi temuan
penelitian sebelumnya yang hampir serupa dalam lingkungan nirlaba,
agar sesuai dengan konteks Anda.
Selain memahami pekerjaan sebelumnya di lapangan, kajian
pustaka melayani tujuan lain. Kajian pustaka dapat membantu dalam
penyempurnaan pertanyaan dan tujuan penelitian yang ada, serta
pengembangan yang baru. Dalam kasus lain, Anda mungkin menemukan

SPSS dan Smart-PLS
masalah atau masalah yang diabaikan dalam penelitian sebelumnya.
Peneliti sebelumnya mungkin telah menyarankan area untuk penelitian
masa depan yang dapat Anda rujuk saat memutuskan sendiri. Tentu
saja, Anda harus melihat tren dan opini saat ini di jurnal ilmiah dan
perdagangan, serta surat kabar dan laporan industri, karena hal itu
kemungkinan akan memberikan wawasan tentang pertanyaan dan
tujuan penelitian yang mungkin tidak Anda pertimbangkan sebaliknya.
Salah satu langkah pertama dalam proyek penelitian Anda adalah
melakukan kajian pustaka. Namun, bahkan jika kajian pustaka dimulai
di awal proses, hal itu sering berlanjut sampai akhir. Asumsikan Anda
sedang melihat hubungan antara kepuasan kerja, komitmen organisasi,
dan pergantian karyawan. Anda mungkin mencari informasi tentang
bagaimana pengawasan dan kompensasi mempengaruhi kepuasan
kerja sejak awal proses. Setelah membaca artikel atau berbicara
dengan seseorang, Anda mungkin memutuskan bahwa sikap terhadap
rekan kerja juga harus diselidiki. Anda kemudian perlu memperluas
penelitian Anda untuk memasukkan rekan kerja dan dampak potensial
mereka terhadap kepuasan kerja.
“Kapan saya punya cukup pustaka dan bisa berhenti mencari?”
merupakan pertanyaan penting yang pada akhirnya harus dijawab.
Pertanyaan itu tidak memiliki jawaban yang jelas. Paling tidak, Anda
harus menyertakan semua studi terbaru (yang diterbitkan dalam
sepuluh tahun terakhir) serta pustaka sejarah terpenting tentang
topik tersebut. Mungkin juga ada pekerjaan yang kurang penting yang
harus dimasukkan karena tepat waktu atau dilakukan oleh orang yang
mengawasi penelitian Anda. Salah satu pendekatan adalah dengan
melihat referensi yang dikutip dalam penelitian terbaru dan signifikan
serta memasukkan yang paling sering dikutip. Tanggapan yang paling
umum adalah Anda harus menyertakan pustaka tentang semua masalah
yang relevan. Namun, karena definisi “relevan” sering berubah selama
penelitian Anda, Anda harus siap untuk membuka kembali pencarian
pustaka Anda jika perlu.
Faktor penting lainnya untuk dipertimbangkan adalah keseimbangan
sumber terapan atau bisnis dan sumber ilmiah. Perhatikan hal berikut

SPSS dan Smart-PLS
untuk membedakan kedua jenis tersebut. Sumber ilmiah ditulis dalam
gaya yang lebih formal dan ketat, dengan banyak kutipan dari jurnal
bergengsi. Sumber terapan atau bisnis, di sisi lain, ditulis dalam gaya
yang jauh lebih formal dan biasanya hanya berisi beberapa referensi.
Selanjutnya, sumber ilmiah selalu tunduk pada peer review (penelaahan
oleh pakar ilmu) oleh dua hingga empat ahli di bidangnya, sedangkan
publikasi bisnis biasanya hanya ditinjau oleh editor publikasi. Business
Week, Forbes, Financial Times, dan The Wall Street Journal adalah tempat
yang baik untuk memulai. Sumber ilmiah, di sisi lain, termasuk Journal
of Management, Economic Business Review, Corporate Reputation
Review, Journal of Marketing, MIS Quarterly, dan European Journal
of Operational Research, dan isinya menekankan teori atau praktik.
Karena cerita mereka cenderung meliput perkembangan terbaru,
publikasi bisnis atau konsultasi yang bermanfaat. Jurnal ilmiah, di sisi
lain, biasanya membutuhkan waktu beberapa tahun untuk menerbitkan
studi, sehingga mereka tidak melaporkan perkembangan terbaru.
Akhirnya, keseimbangan ditentukan oleh audiens untuk penelitian
Anda. Penekanannya adalah pada publikasi ilmiah untuk audiens yang
didominasi akademis; untuk audiens bisnis, sumber terapan lebih
sering dikutip.
Saat melakukan kajian pustaka, ingatlah bahwa Anda perlu melihat
publikasi dari berbagai bidang. Tergantung pada topik Anda, Anda harus
mulai dengan meninjau pustaka di semua disiplin bisnis utama, seperti
manajemen, pemasaran, teknologi informasi, keuangan, akuntansi,
dan ekonomi. Namun, berbeda dengan beberapa bidang studi lain,
bisnis mengharuskan Anda mengkaji pustaka dari disiplin ilmu sosial
secara umum, seperti psikologi, sosiologi, pertanian, geografi, dan lain-
lain. Disiplin tersebut sering berbagi penelitian serupa atau teori atau
konsep yang dikembangkan sebelumnya yang dapat diterapkan dalam
situasi bisnis.
Bagaimana sebenarnya Anda melakukan kajian pustaka? langkah-
langkah yang harus diikuti dalam kajian pustaka, sebagai berikut:
1. Memperjelas pertanyaan dan tujuan penelitian.
2. Cari dan evaluasi sumber informasi.

SPSS dan Smart-PLS
3. Mulailah mengumpulkan literatur/pustaka.
4. Kaji dan buat catatan informasi.
5. Mulailah menulis kajian pustaka awal.
6. Identifikasi kesenjangan dalam pustaka.
7. Periksa kembali pertanyaan dan tujuan penelitian.
8. Kumpulkan pustaka tambahan untuk mengisi kekosongan.
9. Siapkan kajian pustaka akhir.
2.6 Kontribusi dari Kajian Pustaka

Sebagian besar laporan penelitian mencakup kajian pustaka
tentang topik penelitian. Hanya laporan terapan dengan cakupan
terbatas yang tidak menyertakan kajian pustaka. kajian pustaka
bermanfaat bagi penelitian Anda dalam berbagai cara. Kajian pustaka,
khususnya, membantu dalam definisi masalah penelitian dan klarifikasi
pertanyaan penelitian Anda, memberikan latar belakang tentang isu-
isu utama, menyarankan hipotesis potensial, dan mengidentifikasi
metode penelitian dan analisis data dan pendekatan interpretasi yang
digunakan oleh peneliti lain pada proyek serupa.
Mendefinisikan Masalah Penelitian

Ingatlah bahwa mendefinisikan masalah penelitian adalah langkah
pertama dalam setiap proyek penelitian. Proyek Anda akan membuang-
buang waktu jika Anda berfokus pada gejala daripada masalahnya.
Melakukan wawancara awal dengan orang-orang yang berpengetahuan
adalah salah satu cara untuk memastikan bahwa Anda berfokus pada
masalah daripada gejalanya. Metode lain adalah mencari pustaka ilmiah
dan publikasi bisnis untuk situasi serupa. Pustaka jurnal akademik akan
sangat terfokus pada pendefinisian dan pengujian teori bisnis. Publikasi
bisnis populer, di sisi lain, biasanya jauh lebih terkini dan diterapkan.
Teknologi Blockchain misalnya, menyebabkan masalah pada tempat
kerja baru. Namun, bidang tersebut masih relatif baru, dengan cakupan
luas dalam publikasi bisnis tetapi sedikit cakupan dalam publikasi
ilmiah. Jadi, sementara publikasi ilmiah dapat merekomendasikan
desain penelitian yang sesuai dan beberapa topik, publikasi bisnis

SPSS dan Smart-PLS
cenderung menjadi sumber yang lebih baik untuk mengidentifikasi
berbagai isu dan masalah yang lebih luas untuk diselidiki.
Informasi Latar Belakang

Informasi latar belakang dapat berguna untuk proyek penelitian
Anda dalam berbagai cara. Salah satu yang paling penting adalah
bahwa pustaka yang diterbitkan sebelumnya dapat digunakan untuk
membenarkan masalah penelitian spesifik Anda sebagai kelayakan
untuk penyelidikan lebih lanjut. Jika Anda sedang meneliti topik
mutakhir, pustaka bisnis mungkin merupakan sumber informasi terbaik.
Jika masalah tersebut merupakan perluasan atau penerapan baru dari
masalah yang ada, pustaka akademis dan bisnis harus bermanfaat.
Investigasi latar belakang juga dapat membantu Anda meringkas
semua aspek utama dari suatu masalah. Pustaka terkait identifikasi
dan penjelasan berguna untuk menunjukkan bahwa Anda memiliki
pemahaman menyeluruh tentang penelitian sebelumnya dan bagaimana
kaitannya dengan proyek Anda. Bergantung pada apa yang dianggap
relevan, informasi latar belakang bisa sangat luas. Strategi awal adalah
menyelidiki dan mengumpulkan informasi tentang hampir semua topik
yang mungkin terkait. Namun, seiring berjalannya proses, Anda harus
memutuskan masalah mana yang kritis dan mana yang dapat dilewati.
Hasil akhir dari pendekatan investigasi latar belakang adalah
ringkasan teori, argumen, dan temuan dari pustaka bisnis serta ilmiah.
Selain daripada itu, seringkali bermanfaat untuk mengidentifikasi
kesenjangan dalam penelitian sebelumnya yang mungkin menyarankan
arah untuk pekerjaan Anda sendiri. Hasil akhirnya adalah dokumen
yang mengidentifikasi apa yang telah dilakukan dan apa yang belum
dilakukan pada subjek, serta bagaimana penelitian Anda cocok dengan
kumpulan pengetahuan ini.
Tabel 2.1 Risiko Terkait dengan Pilihan Topik Penelitian

Alternatives Potential Research Topic Combinations Level of Risk

SPSS dan Smart-PLS
Ketika mempertimbangkan tesis tingkat pascasarjana atau
disertasi doktoral, mahasiswa sering ingin tahu apa yang membuat
tesis mereka unik. Peneliti berpengalaman yang berpengalaman dalam
bidang tertentu dapat membantu. Saat mempertimbangkan berbagai
pendekatan, Tabel 2.1 dapat menjadi indikator yang baik untuk
memulai.
Untuk mahasiswa pascasarjana, sangat penting untuk mematuhi
prosedur terbaik untuk dapat mengklaim bahwa penelitian itu ketat
dan memberikan kontribusi intelektual untuk pustaka. Jika pendekatan
penelitian yang tidak dikenal digunakan, risiko penelitian ditolak
oleh penguji tinggi. Pertimbangan profil risiko proyek penelitian yang
diusulkan memiliki dua dimensi. Dimensi pertama adalah kebaruan
metode penelitian, dan yang kedua adalah sejauh mana bidang studi
ditetapkan. Ketika metodologi baru digunakan dalam bidang studi
baru, risiko penolakan penelitian tinggi. Namun, jika metodologi lama
diterapkan pada bidang studi yang diteliti dengan baik, peneliti mungkin
tidak dapat secara meyakinkan berargumen bahwa sesuatu yang
baru telah ditambahkan ke tubuh pengetahuan teoretis. Menerapkan
metodologi baru di bidang studi yang sudah mapan atau menggunakan
metodologi yang sudah ada di bidang studi baru adalah pilihan yang
lebih aman.
Memilih pendekatan penelitian merupakan langkah penting dalam
proses penelitian. Akibatnya, supervisor harus menghabiskan banyak
waktu untuk menjelaskan kriteria keputusan untuk memilih topik.
Proses pemilihan topik mungkin perlu dijelaskan beberapa kali. Isunya
seringkali begitu kompleks sehingga perlu waktu untuk memahami
sepenuhnya implikasi dari berbagai opsi strategis. Mahasiswa
yang mengabaikan nasihat supervisor mereka ketika memilih topik
menempatkan diri mereka dalam bahaya besar.
2.7 Prosedur Penelitian

Gambar 2.3 menggambarkan prosedur penelitian. Penulis
menggunakan pendekatan praktis, memusatkan proses pada satu atau
lebih keputusan. Penulis mulai dengan tujuan penelitian dan kemudian
mengembangkan pertanyaan penelitian yang spesifik. Hal tersebut

SPSS dan Smart-PLS
adalah dasar dari proses penelitian, seperti yang telah penulis jelaskan
dalam Bab ini.
Penulis melanjutkan ke desain penelitian ketika penulis telah
menetapkan masalah, menyatakan tujuan penelitian, dan menentukan
pertanyaan penelitian. Hal itu menguraikan strategi untuk melakukan
jenis penelitian yang tepat, termasuk jenis data apa yang kita perlukan
untuk menjawab pertanyaan penelitian, bagaimana mendapatkan
data, dan jenis analisis apa yang akan digunakan. Desain penelitian
yang berbeda mungkin diperlukan untuk pertanyaan penelitian
yang berbeda. Tiga jenis utama desain penelitian adalah eksploratif,
deskriptif, dan kausal. Setelah desain selesai, data harus dikumpulkan
dan dianalisis. Terakhir, laporan penelitian.
Gambar 2.3 Tahapan pada Prosedur Penelitian
2.8 Kesimpulan
Dalam menjalankan bisnis, masalah dan peluang berkembang.
Penulis memperkenalkan proses penelitian dan membahas
konseptualisasi masalah dalam bab ini. Pada awal proses studi,

SPSS dan Smart-PLS
membedakan antara gejala dan masalah mendasar sangat penting. Ada
risiko tinggi mempelajari indikator yang salah jika pembedaan tidak
dilakukan. Penulis secara singkat membahas pentingnya teori dalam
mengidentifikasi variabel dan interaksinya dalam keadaan tertentu.
Pada titik ini, tujuan penulis adalah mengembangkan tujuan penelitian,
yang kemudian akan disempurnakan menjadi pertanyaan penelitian.
Hal tersebut adalah prosedur logis berdasarkan prinsip-prinsip ilmiah
penelitian dalam konteks proses penelitian.
2.9 Latihan Soal

1) Apa ciri-ciri topik penelitian yang berkualitas?
2) Apa yang dimaksud dengan kajian pustaka, dan mengapa penting
untuk proses penelitian?
3) Apa sumber utama literatur/pustaka bisnis?
4) Apa langkah-langkah dalam merencanakan kajian pustaka?
5) Jelaskan perbedaan antara pertanyaan penelitian dan tujuan
penelitian!
2.10 Studi Kasus

Kasus Berlanjut: Nayya’s Korean Cuisine
Menyusun Pertanyaan dan Tujuan Penelitian
Nayya telah menyimpulkan bahwa masalah yang perlu diselidiki

untuk restorannya harus melibatkan penelitian terhadap pelanggan
dan karyawan. Untuk mendapatkan pemahaman yang lebih
baik tentang masalah itu, Nayya browsing ke Google. Nayya juga
menghabiskan beberapa waktu di perpustakaan setempat. Dari
kajian pustakanya, dia mengidentifikasi beberapa pedoman praktik
terbaik tentang bagaimana restoran harus dijalankan. Berikut adalah
ringkasan dari apa yang dia temukan.
• Jika Anda tidak memiliki cukup banyak pelanggan, periksa dulu
kualitas makanan Anda, item pada menu Anda, dan layanannya.
• Pelayan Anda harus sesuai dengan citra dan karakter restoran
Anda. Bagaimana karyawan Anda berperilaku sangat penting.

SPSS dan Smart-PLS
Mereka harus berpenampilan rapi, berpengetahuan luas, dan
sopan serta harus berbicara dengan jelas dan percaya diri.
• Item menu Anda harus mewakili nilai uang yang baik.
• Pelayanan harus efisien, tepat waktu, halus, dan ramah.
• Kebersihan di dalam dan di sekitar restoran Anda berpengaruh
kuat terhadap kesuksesan bisnis Anda.
• Selalu temukan cara untuk menyenangkan pelanggan Anda.
• Berdayakan karyawan Anda untuk membuat keputusan agar
pelanggan Anda senang. Untuk hampir semua keluhan pelanggan,
latih karyawan Anda tentang cara menyelesaikan situasi alih-alih
datang ke manajer.
• Ciptakan suasana makan yang menyenangkan, termasuk furnitur
dan perlengkapan, dekorasi, pencahayaan, musik, dan suhu.
• Cari tahu apakah restoran Anda menarik bagi wanita. Untuk
tamasya keluarga atau acara khusus, wanita membuat keputusan
tentang tempat makan sekitar 75 persen.
Dengan informasi tersebut, Nayya dan saudaranya perlu

menentukan pertanyaan penelitian yang akan diteliti.
1 Pertanyaan penelitian apa yang harus ditelusuri dalam penelitian
karyawan?
2 Pertanyaan penelitian apa yang harus ditelusuri dalam penelitian
pelanggan?
3 Haruskah Nayya melanjutkan pencarian pustakanya? Jika ya, topik
tambahan apa yang perlu dia cari?

1 Anda kesulitan memutuskan apakah topik penelitian Anda akan
memberikan kontribusi intelektual yang unik. Sarankan pendekatan
yang dapat membantu Anda menentukan apakah topik Anda unik.
2 Anda sedang mencoba memulai pencarian literatur/pustaka Anda
tentang penerapan teknologi baru dalam organisasi bisnis. Apa saja
masalah yang perlu Anda selesaikan sebelum benar-benar mulai
mengumpulkan dan meninjau pustaka?

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat memahami peran konseptualisasi dalam penelitian.
√ Dapat memperjelas bagaimana mengembangkan dan menguji
hipotesis.
√ Dapat menjelaskan tiga desain penelitian bisnis dasar.
√ Dapat menjelaskan perbedaan antara studi cross-sectional dan
studi longitudinal.
3.1 Pendahuluan
Empati atau kemampuan untuk menempatkan diri Anda pada
posisi orang lain, sangat penting untuk analisis pasar yang baik.
Kesulitan muncul ketika orang yang diteliti menolak atau tidak mampu
mengomunikasikan ide-ide mereka, atau ketika mereka sebenarnya
tidak tahu apa yang baik atau buruk bagi mereka. Jadi, bagaimana
kita bisa membangun produk, layanan, dan bisnis yang menciptakan
nilai? Kewirausahaan melihat lonjakan inovasi lintas industri. Untuk
memahami pasar sendiri, seseorang mungkin perlu melihat pasar
lainnya.
Penelitian membutuhkan pendekatan metodis. Metodologi yang
berbeda mencapai berbagai tujuan analitis untuk berbagai masalah
penelitian. Desain penelitian menjelaskan bagaimana seluruh proses
penelitian diatur untuk menjawab topik penelitian. Jenis data apa
yang diperlukan, bagaimana mengumpulkan data, dan bagaimana
menafsirkannya, semuanya sangat penting. Dengan kata lain, setelah
mengidentifikasi tujuan dan pertanyaan penelitian, desain mencakup

SPSS dan Smart-PLS
seluruh proses penelitian. Cetak biru dan spesifikasi arsitek tentang
bagaimana struktur akan dibangun adalah analogi yang baik.
Gambar 3.1 Desain Penelitian
Desain yang penulis pilih ditentukan oleh seberapa banyak penulis

ketahui tentang suatu topik dan tujuan penelitian untuk mengevaluasi
dan menjelaskan hubungan. Dari sudut pandang pragmatis, ada tiga
bentuk utama desain: eksplorasi, deskriptif, dan kausal (Gambar 3.1).
Kita akan membahas ketiganya dalam bab ini. Penulis akan membahas
faktor-faktor apa yang memengaruhi desain mana yang akan digunakan,
dengan fokus pada validitas dan reliabilitas.
3.2 Desain Penelitian Eksplorasi

Jika pembuat keputusan memahami sangat sedikit tentang suatu
subjek, tujuan utama dari penelitian ini adalah untuk mempelajari
lebih jauh masalah tersebut. Ketika tidak ada konsep yang jelas tentang
variabel apa yang relevan atau bagaimana mereka terhubung, desain
penelitian eksploratif sesuai. Anda mungkin tidak terbiasa dengan

SPSS dan Smart-PLS
topik teoretis yang relevan atau memiliki model teoretis untuk bekerja.
Tujuannya dalam hal ini adalah untuk memperoleh wawasan tentang
masalah penelitian. Tujuan pertama dari penelitian mungkin untuk
memahami dan menjelaskan fenomena yang relevan. Dalam banyak
keadaan, juga perlu untuk membentuk hipotesis mengenai hubungan
potensial. Sebuah desain eksplorasi secara alami dimulai dengan
menyelidiki apakah sesuatu telah ditulis tentang topik (kajian pustaka)
dan apakah data telah dikumpulkan oleh orang lain (data sekunder).
Hal itu sering diperlukan untuk mendapatkan data asli Anda sendiri.
Asumsikan Anda dihadapkan pada keputusan untuk mengubah
sistem penggajian di sebuah organisasi besar. Salah satu opsi adalah
menerapkan sistem bonus. Teori faktor yang mempengaruhi kepuasan
kerja karyawan dapat memberikan beberapa petunjuk, tetapi mereka
tidak mungkin memberikan rekomendasi yang jelas sendiri. Sebuah
desain eksplorasi, dengan tujuan mengeksplorasi perspektif karyawan
tentang kompensasi dan kondisi kerja, dapat menjadi tempat yang
berguna untuk memulai, misalnya, dengan mengumpulkan data melalui
wawancara mendalam dengan orang-orang terpilih yang mewakili
berbagai fungsi dalam bisnis. Gabungkan informasi tersebut dengan
data sekunder tentang ketidakhadiran dan pergantian di berbagai
departemen. Tujuan dari desain eksplorasi sering untuk membangun
hipotesis serta menganalisis kondisi saat ini. Wawancara mendalam
Anda dapat mengungkapkan bahwa motivasi sangat rendah di
departemen tertentu, memungkinkan Anda untuk berhipotesis bahwa
ini berlaku untuk semua departemen.
Dalam buku ini, kita akan membahas dua pendekatan pengumpulan
data utama dalam desain eksplorasi: kelompok fokus dan wawancara
mendalam. Kita mulai dengan mendiskusikan berbagai strategi sebelum
mempelajari penggunaan praktisnya.
3.2.1 Kelompok Fokus

Seorang moderator memimpin diskusi tentang topik tertentu
dengan kelompok yang terdiri dari sekitar 8-12 peserta dalam
kelompok fokus. Peserta dipilih untuk mewakili pandangan target
audiens yang lebih besar. Kelompok fokus sangat bermanfaat untuk

SPSS dan Smart-PLS
mengevaluasi dan mengembangkan ide-ide baru. Misalnya, Anda
ingin mengetahui hal berikut:
• Solusi apa yang disukai kelompok sasaran kita?
• Apa pendapat mereka tentang item tertentu atau iklan?
Kelompok fokus sering digunakan dalam studi kelayakan.
Kelompok fokus efektif untuk mengidentifikasi tema-tema utama
yang kemudian dapat diteliti dengan menggunakan data dari
wawancara terstruktur atau survei internet. Dinamika kelompok
memotivasi peserta untuk menghasilkan ide dan perspektif baru.
Dalam pendekatan ini, situasi yang tidak mudah terlihat dalam
wawancara mendalam atau survei kuesioner dapat ditemukan.
Moderator tidak melakukan wawancara dengan peserta. Tugas
moderator adalah menjaga kelompok tetap pada jalurnya dan
menjamin bahwa tantangan penelitian telah didiskusikan secara
memadai. Komunikasi dan observasi sama-sama digunakan.
Mereka mengontrol pembicaraan dan mengamati komunikasi
non-verbal responden berdasarkan pertanyaan penelitian. Data
dianalisis menggunakan interpretasi kualitatif dan analisis konten,
yang dapat didukung oleh perangkat lunak analisis data kualitatif
seperti QDA Miner atau NVivo.
3.2.2 Wawancara Mendalam Individu

Wawancara mendalam individu sangat cocok ketika pengalaman
dan pendapat pribadi individu menarik. Pewawancara melakukan
topik dengan menggunakan panduan wawancara yang telah
disiapkan. Panduan wawancara mencakup pertanyaan terbuka
yang responden bebas untuk menjawabnya. Wawancara individu
biasanya berlangsung 1-2 jam. Wawancara mendalam sering
dilakukan untuk tema sensitif yang sulit dibahas dalam survei atau
kelompok fokus, seperti topik sensitif yang mungkin tidak ingin
didiskusikan oleh responden dengan orang lain di ruangan itu.
Wawancara mendalam individu juga dapat dipilih karena alasan
praktis. Mungkin sulit untuk menyatukan sekelompok manajer
untuk kelompok fokus. Kualifikasi seorang pewawancara sebanding
dengan kualifikasi moderator kelompok fokus. Moderator dan

SPSS dan Smart-PLS
pewawancara harus mengarahkan wawancara atau kelompok fokus
tanpa perlu mempengaruhi tanggapan peserta.
3.2.3 Pendekatan Lainnya

Pendekatan proyektif adalah cara yang efisien untuk secara
tidak langsung memunculkan keyakinan, sikap, dan pandangan
responden yang mendarah daging dalam desain eksplorasi. Mereka
berasal dari psikologi klinis dan termasuk asosiasi kata, kalimat
dan tes kesimpulan cerita. Tujuannya adalah membujuk responden
untuk mengomunikasikan pendapat dan sikap mereka dalam
situasi di mana mereka tidak mampu melakukannya ketika ditanya
secara eksplisit. Hal itu mungkin subjek yang sensitif atau sulit
untuk diungkapkan secara verbal.
Untuk meringkas, ketika sedikit yang diketahui tentang masalah
penelitian, desain eksplorasi adalah tepat. Data sekunder dan studi
pustaka memberikan wawasan tentang topik tersebut. Selain itu,
pengumpulan data asli seringkali diperlukan untuk pemahaman
yang lebih mendalam. Wawancara mendalam individu dan
kelompok fokus adalah pendekatan pengumpulan data yang paling
umum digunakan.
Desain Penelitian Eksplorasi
• Memberikan wawasan dan pemahaman melalui penggunaan
desain penelitian eksplorasi.
• Sering menggunakan data sekunder dan studi pustaka.
• Prosedur lunak/fleksibel.
• Terdiri dari dua teknik utama: kelompok fokus dan wawancara
mendalam.
• Sering digunakan untuk menetapkan hipotesis.
3.3 Desain Penelitian Deskriptif

Desain penelitian deskriptif cocok untuk menjelaskan situasi dalam
pengaturan tertentu ketika Anda memiliki pemahaman dasar tentang
area masalah. Hal tersebut termasuk mendefinisikan hubungan antara
dua atau lebih variabel serta variabel tunggal. Misalnya, di sektor
kelautan mungkin penting untuk memahami hubungan antara kuantitas

SPSS dan Smart-PLS
budidaya udang vaname yang dipanen dalam berbagai kategori dan
tingkat harga pasar. Menurut teori ekonomi, ketika jumlah yang
ditawarkan bertambah, tingkat harga turun. Anda dapat memeriksa
dan menjelaskan hubungan antara variabel-variabel ini menggunakan
data panen dari peternakan udang vaname dan harga pasar. Sangat
menggoda untuk membahas pengaturan yang mengandung dua atau
lebih variabel dalam hal sebab dan akibat.
Penulis tidak memiliki dasar untuk mengatakan bahwa ada
hubungan kausal dengan desain deskriptif. Kita dapat menyatakan
bahwa segala sesuatunya berubah secara sistematis, yang dapat
kita sebut korelasi. Namun, kita tidak dapat mengatakan bahwa satu
hal menyebabkan yang lain. Dalam skenario kelautan sebelumnya,
tingkat panen dapat ditemukan secara sistematis terkait dengan harga.
Namun, penulis tidak menyatakan dalam desain deskriptif bahwa harga
menyebabkan tingkat panen atau bahwa tingkat panen mempengaruhi
harga.
Perhatikan bahwa dalam contoh sektor kelautan sebelumnya,
penulis dapat mengatasi hipotesis menggunakan data sekunder pada
tingkat panen dan harga. Hal itu sering terjadi dalam desain deskriptif.
Jika kita ingin masuk lebih dalam ke dalam konteks, kita mungkin
memerlukan desain eksplorasi atau kausal, serta data primer yang
terkait dengan penyelidikan kita. Hal tersebut menunjukkan bahwa
desain adalah hasil alami dari topik penelitian serta pengumpulan data
dan jenis temuan adalah hasil alami dari desain.
3.3.1 Penelitian Survei dengan Kuesioner

Kuesioner adalah alat pengumpulan data yang menjadi
standar komunikasi antara pewawancara dan responden (Gambar
3.2). Semua responden ditanyai pertanyaan yang sama dalam
urutan yang sama, dengan pilihan jawaban yang sama. Satu
pengecualian untuk aturan ini adalah ketika responden diminta
untuk melewatkan beberapa pertanyaan yang tidak relevan dengan
responden tertentu. Jika Anda mengatakan “tidak” pada pertanyaan
apakah Anda memiliki mobil, tidak relevan untuk menanyakan
merek mobil apa pun yang Anda miliki. Pengecualian lainnya adalah

SPSS dan Smart-PLS
ketika pewawancara meminta responden untuk menguraikan
atau setidaknya memberikan jawaban. Ketika pewawancara
menekan responden untuk mendapatkan jawaban, perhatian yang
disesuaikan dapat merusak standarisasi.
Ketika melakukan survei kuesioner, peneliti harus hati-hati
mempertimbangkan pertanyaan yang akan diajukan. Sebagai aturan
umum, peneliti harus mengandalkan survei yang telah ditetapkan
dan divalidasi. Anda tidak menemukan pengukuran Anda sendiri
saat mengukur jarak. Anda mengandalkan skala standar seperti
sistem metrik. Alasan yang sama berlaku dalam ilmu-ilmu sosial.
Ada banyak ukuran standar yang tersedia. Sebelum Anda membuat
kuesioner Anda sendiri, konsultasikan dengan ahlinya. Hal tersebut
meningkatkan validitas pengukuran (apakah Anda mengukur
hal yang benar?) dan reliabilitas pengukuran (apakah Anda
mengukurnya secara konsisten?).
Keterangan: Skala Likert 1 (Sangat Tidak Setuju), 2 (Tidak Setuju), 3 (Netral), 4 (Setuju),
5 (Sangat Setuju)
Gambar 3.2 Kuesioner Penelitian

SPSS dan Smart-PLS
Sangat penting untuk mempertimbangkan bagaimana survei
akan dilakukan. Apakah wawancara tatap muka atau kuesioner
yang diisi secara anonim? Metode berikut biasanya digunakan:
• Survei berbasis web.
• Survei pos.
• Survei telepon.
• Survei wawancara pribadi.
Metode-metode tersebut juga dapat digabungkan, misalnya,
dengan mengajukan pertanyaan-pertanyaan tertentu melalui
telepon dan kemudian mengirimkan kuesioner yang lebih lengkap
kepada individu-individu yang memilih untuk berpartisipasi.
Telepon dan kemudian e-mail biasanya digunakan dalam penelitian
perusahaan di mana manajer adalah target responden. Metode
individu memiliki kelebihan dan kekurangan yang bervariasi dalam
hal pemilihan, yang akan kita bahas nanti.
3.3.2 Observasi dan Buku Harian

Survei kuesioner mengharuskan responden melaporkan
perilaku mereka secara akurat dan jujur. Ketika mereka tidak dapat
melakukannya secara bermakna, observasi dapat menjadi bentuk
alternatif pengumpulan data. Observasi merupakan pengamatan
langsung peneliti dalam proses pengungkapan fenomena yang
terjadi. Mahasiswa misalnya, mengerjakan kasus untuk pengecer
kosmetik di seluruh dunia. Tugas mereka adalah menyarankan
cara untuk meningkatkan pengalaman pelanggan melalui tampilan
di dalam toko. Pelanggan sering kali tidak menyadari tindakan
mereka, dan meskipun demikian, mereka mungkin tidak mengingat
detailnya setelahnya. Berpura-pura menjadi pelanggan tetap, para
mahasiswa mengamati bagaimana pelanggan nyata terlibat dengan
pajangan yang ada dan berperilaku sejak mereka memasuki area
tersebut hingga mereka pergi.
Buku harian adalah metode lain untuk mengumpulkan data.
Asumsikan Anda ingin meneliti kebiasaan menonton televisi
orang. Tampaknya meminta responden untuk menjawab survei
tentang acara apa yang mereka tonton setiap harinya akan sulit dan

SPSS dan Smart-PLS
menimbulkan ketidakakuratan. Apakah mereka mengingat semua
yang mereka lihat kemarin, minggu lalu, atau bulan lalu? Alih-
alih kuesioner, mintalah responden untuk membuat buku harian
mengenai kegiatan menonton mereka. Mintalah mereka untuk
menuliskan apa yang mereka lihat dan kapan mereka melihatnya
setiap hari.
Smartphone dan media sosial dapat memudahkan peneliti untuk
mendaftar serta mengamati aktivitas responden. Inilah sebabnya
mengapa aplikasi seperti Facebook sedang diteliti dan diatur lebih
ketat. SoLoMo (Sosial, Local, and Mobile) adalah teknologi seluler
berbasis lokal yang digunakan untuk mengirimkan peringatan
iklan kepada klien di lokasi geografis tertentu. Data seperti
suasana hati, sikap, dan pola reaksi direkam oleh perangkat ini.
Organisasi-organisasi ini dapat mengumpulkan sejumlah besar
data komprehensif tentang individu ketika dikombinasikan dengan
data geografi, data suhu, dan sumber data lainnya dalam jumlah tak
terbatas.
Pengumpulan data menggunakan buku harian kadang-kadang
digambarkan sebagai semacam observasi, namun hal itu tidak
sepenuhnya benar. Lagi pula, informasi dalam buku harian itu
dimasukkan oleh responden sendiri. Perbedaan utama antara buku
harian dan kuesioner adalah bahwa penulisan aktivitas responden
di buku harian berkelanjutan.
Desain Penelitian Deskriptif
• Dapat menguji hipotesis.
• Sering dikaitkan dengan teknik analisis kuantitatif.
• Merupakan proses formal dan terstruktur.
• Sering menggunakan sampel yang besar dan representatif.
• Memiliki tiga teknik utama pengumpulan data: angket,
observasi, dan buku harian.

SPSS dan Smart-PLS
3.4 Desain Penelitian Kausal
Sebuah strategi studi kausal digunakan untuk menyelidiki
kemungkinan efek dari satu variabel kepada variabel lainnya. Secara
umum, ini menyiratkan semacam eksperimen. Untuk menyatakan
bahwa suatu peristiwa (X) menyebabkan peristiwa lain (Y) di bawah
himpunan kondisi batas (Z), kita harus memenuhi kondisi berikut:
• Ada kovariasi antara X dan Y.
• X terjadi sebelum Y.
• Dan, kemungkinan penyebab kovariasi lainnya tidak ada (isolasi).
Eksperimen didefinisikan sebagai ketika para ilmuwan ikut
campur dalam suatu situasi untuk menyelidiki suatu reaksi. Dalam
percobaan sederhana, variabel bebas diubah untuk melihat apakah
ia memiliki pengaruh terhadap variabel terikat. Peserta secara acak
dialokasikan ke satu atau lebih kelompok eksperimen dalam percobaan
ilmu sosial, variabel independen diubah, dan variabel dependen
dievaluasi untuk perubahan. Dalam penelitian bisnis, survei kuesioner
sering digunakan untuk menyimpulkan kausalitas. Mengingat alasan
yang meragukan untuk memenuhi kondisi eksperimen yang sah,
penulis menyebutnya sebagai eksperimen kuasi. Eksperimen juga
diklasifikasikan menurut pengaturannya: eksperimen lapangan vs.
eksperimen lab.
3.4.1 Eksperimen Sebenarnya

Eksperimen sebenarnya dapat dijelaskan dengan kriteria
berikut:
• Penugasan acak dari peserta ke dalam kelompok perlakuan dan
kontrol (pengacakan).
• Pre-test keduanya.
• Perkenalan stimulus pada kelompok perlakuan.
• Post-test kedua kelompok.
Tingkat sebelum dan sesudah tes pada variabel dependen untuk
setiap kelompok menunjukkan apakah terapi (stimulus) memiliki
efek. Atau, hanya post-test yang dapat mengidentifikasi tingkat efek,

SPSS dan Smart-PLS
tetapi buktinya lebih lemah dalam kasus ini.
Manajer pemasaran seringkali memperhatikan dampak
rangsangan tertentu, seperti iklan, pada beberapa bentuk hasil,
seperti perhatian, minat, atau pembelian. Pendekatan kausal
sangat ideal untuk menyelidiki hubungan setiap kali efek dari
sesuatu yang diperdebatkan. Penulis sering melakukan eksperimen
untuk menentukan hasil dari aktivitas tertentu. Misalnya, kita
mungkin menaikkan harga suatu produk dan melihat bagaimana
penjualan bervariasi. Ingatlah bahwa eksperimen yang sebenarnya
memerlukan kontrol yang cermat untuk pengaruh variabel lain
yang dapat mempengaruhi penjualan.
Pertimbangkan untuk memanipulasi banyak variabel bebas
(variabel yang berdiri sendiri) dan mengukur pengaruhnya terhadap
satu atau lebih variabel terikat (variabel yang dipengaruhi variabel
bebas) sambil menyesuaikan pengaruh variabel lain. Asumsikan kita
ingin mendemonstrasikan bagaimana gaya hidup mempengaruhi
pola makan. Hampir tidak mungkin untuk memanipulasi gaya hidup
seseorang untuk mempelajari kebiasaan makan. Ketika menguji
rangsangan konsumen seperti iklan, sepenuhnya layak untuk
merancang desain eksperimental untuk mempelajari hubungan
sebab-akibat. Hal tersebut dicapai, misalnya, dengan pengujian
lapangan, di mana dampak dari satu atau lebih iklan dievaluasi
sebelum dimulainya kampanye iklan.
Eksperimen Sebenarnya
• Pengacakan pada kelompok eksperimen dan kontrol.
• Manipulasi rangsangan (perawatan).
• Post-testing hasil pada semua kelompok.
• (Sering) pra-pengujian.
3.4.2 Eksperimen Kuasi atau Semu

Kuasi artinya semu. Eksperimen kuasi tidak memiliki fitur
eksperimen yang sebenarnya, yaitu pengacakan pada kelompok
eksperimen. Akibatnya, eksperimen kuasi tidak memiliki ketelitian
eksperimen yang sebenarnya. Misalnya, beberapa mahasiswa

SPSS dan Smart-PLS
melakukan eksperimen kuasi untuk melihat bagaimana memainkan
musik instrumental mempengaruhi penjualan makanan di restoran
mewah. Mereka tidak dapat mengacak eksperimen, tetapi mereka
mungkin memiliki kelompok kontrol yang sudah ada. Mereka
memilih dua restoran mewah dari klasifikasi yang sama. Kedua
restoran mewah itu berukuran hampir sama dan terletak di kota
yang sama. Sebelum memainkan lagu tersebut, mereka melakukan
pre-test dengan mencatat penjualan masakan di kedua restoran
secara bersamaan. Mereka memutar musik instrumental di salah
satu restoran selama satu minggu dan kemudian dilakukan post-test
dengan mencatat penjualan di kedua restoran mewah setelah musik
diputar. Mereka kemudian dapat menguji peningkatan penjualan
yang signifikan dan membandingkan hasilnya dengan restoran di
kelompok control.
Eksperimen Kuasi
• Kurangnya pengacakan dan/atau kelompok kontrol.
• Memiliki uji sebab akibat yang lebih lemah daripada eksperimen
yang sebenarnya.
3.4.3 Eksperimen Laboratorium

Dalam pengaturan laboratorium (lab), eksperimen lab
menyimulasikan kenyataan. Metode ini adalah metode yang efisien
untuk melakukan kontrol atas elemen lingkungan eksternal. Dalam
percobaan, karyawan perakitan melakukan pekerjaan manual
khas mereka di ruangan unik yang dibangun untuk mengubah
variabel independen seperti intensitas cahaya, suhu, dan interval
istirahat untuk menentukan pengaruhnya terhadap produktivitas.
Produktivitas tumbuh saat percobaan berlangsung, terlepas dari
bagaimana variabel independen dimodifikasi. Produktivitas,
misalnya, meningkat dalam kondisi cahaya rendah dan tinggi.
Temuannya adalah bahwa mengubah variabel independen tidak
berpengaruh pada produktivitas pekerja.
Contoh tersebut di atas menunjukkan perlunya terus-menerus
menanyakan apakah hasil dari lingkungan lab yang dibuat dapat
diterapkan di dunia nyata. Ketika membandingkan simulasi

SPSS dan Smart-PLS
dan situasi nyata, peserta dapat berperilaku berbeda. Meskipun
demikian, eksperimen laboratorium dapat berharga karena
kemampuannya untuk mengisolasi efek eksternal. Banyak bisnis
ritel, misalnya, menggunakan etalase simulasi untuk menguji
efektivitas berbagai strategi.
Eksperimen Lab
• Berlangsung di lingkungan yang dibuat (rekayasa).
• Memungkinkan isolasi efek rangsangan karena lingkungan
dapat diatur.
• Dimungkinkan untuk memperoleh kesimpulan yang tidak dapat
digeneralisasi dengan baik ke lingkungan nyata.
3.4.4 Eksperimen Lapangan

Eksperimen lapangan dilakukan di lingkungan di mana
fenomena terjadi secara alami. Asumsikan bahwa distributor
suku cadang mobil sedang memperdebatkan apakah mereka
harus memberikan hadiah kepada pelanggannya sebagai suatu
kebijakan. Sampel acak pelanggan dikumpulkan dan dibagi secara
acak menjadi dua kelompok untuk menguji pengaruh hadiah
tersebut. Kelompok perlakuan menerima hadiah dari perusahaan,
sedangkan kelompok kontrol tidak. Setelah itu, kuesioner dibuat
untuk mengumpulkan data tentang sentimen klien terhadap
lima variabel: harga, layanan, kualitas, pengiriman, dan loyalitas.
Hasilnya akan menunjukkan apakah ada perbedaan yang signifikan
secara statistik antara kelompok perlakuan dan kelompok kontrol.
Uji coba lapangan dengan demikian menawarkan informasi kepada
perusahaan tentang apakah akan menggunakan hadiah tersebut
dalam skala yang lebih luas atau tidak. Eksperimen lapangan dapat
berupa eksperimen nyata dengan pengacakan siapa yang menerima
rangsangan mana, atau mungkin eksperimen kuasi.
Eksperimen Lapangan
• Dilakukan dalam suasana alami.
• Sulit untuk membedakan dampak rangsangan kita dari

SPSS dan Smart-PLS
pengaruh-pengaruh lain.
• Memberikan hasil yang dapat diterapkan pada keadaan yang
sebanding.
3.4.5 Validitas Internal dan Eksternal dalam Eksperimen

Sejauh mana perubahan variabel dependen dapat dianggap
berasal dari perubahan variabel independen disebut sebagai
validitas internal. Misalnya, jika kita mengatakan bahwa X
mempengaruhi Y, kita harus yakin bahwa X adalah sumber dari
perubahan Y dan bahwa perubahan tersebut tidak disebabkan oleh
variabel lain.
Lebih baik melakukan percobaan laboratorium untuk mengisolasi
efek dan mencapai validitas internal yang tinggi. Rangsangan yang
diuji adalah satu-satunya yang diubah. Hal tersebut lebih sulit pada
eksperimen lapangan dan dapat mengurangi validitas internal.
Jumlah temuan penelitian yang dapat diekstrapolasi ke konteks
yang sama disebut sebagai validitas eksternal. Eksperimen lapangan
memiliki lebih banyak validitas eksternal daripada eksperimen lab
karena dilakukan dalam situasi dunia nyata.
3.5 Pilihan Desain Penelitian

Ada tiga aspek penting yang perlu dipertimbangkan ketika memilih
desain penelitian: (a) pengalaman materi pelajaran, (b) pemahaman
studi teoretis yang mengidentifikasi faktor-faktor kunci, dan (c) tingkat
ambisi dalam membangun korelasi antarvariabel (lihat Gambar 3.4).
3.5.1 Menggunakan Teori
Teori penting untuk menentukan variabel dan hubungan mana
yang relevan dengan masalah penelitian tertentu. Contohnya, Greve
(2003) menunjukkan bahwa dengan melihat tahap pengembangan
dan keputusan dalam konteks, seseorang dapat memperkirakan
dengan lebih baik mengapa tingkat inovasi perusahaan bervariasi
dari waktu ke waktu dan menjelaskan keragaman antarperusahaan.
Hal tersebut membantu untuk memahami mengapa beberapa bisnis

SPSS dan Smart-PLS
gagal mengomersialkan teknologi yang telah mereka kembangkan.
Greve mengenali sejumlah kriteria kritis untuk inovasi untuk
meramalkan hasil ini: tingkat aspirasi, pencarian, pilihan, toleransi
risiko, lingkungan, dan kelonggaran.
Gambar 3.4 Memilih Desain Penelitian
Contoh di atas menunjukkan bagaimana teori dapat digunakan

untuk menemukan variabel yang relevan. Akibatnya, menentukan
penelitian apa yang telah dilakukan dalam lingkungan penelitian
merupakan tanggung jawab penting saat melakukan penelitian.
Gambar 3.5 Teori dan Kajian/Tinjauan Literatur/Pustaka

SPSS dan Smart-PLS
Kajian literatur/pustaka dapat memiliki dua fungsi
(Gambar 3.5). Jika pertanyaan penelitian tidak jelas, kita dapat
menggunakannya untuk mempelajari lebih lanjut tentang bidang
atau konteks teoretis. Jika masalah penelitian sudah jelas, kita dapat
melakukan studi pustaka untuk menentukan variabel mana yang
penting dan bagaimana mereka mungkin terkait. Besarnya ambisi
dalam penelitian dapat berkisar dari menyelidiki suatu fenomena
hingga memetakan hubungan sebab akibat antarvariabel. Ambisi
menengah dapat menggambarkan kovariasi antarvariabel (Gambar.
3.6).
Gambar 3.6 Level Ambisi Penelitian

Teori dan kajian pustaka digunakan karena dua alasan:
• Meningkatkan pemahaman dan pengetahuan tentang topik
penelitian (desain eksplorasi).
• Untuk memahami variabel mana yang harus dimasukkan dan
hubungannya (desain deskriptif dan kausal).
3.6 Validitas dan Reliabilitas

Apakah perencanaan, pelaksanaan, atau peninjauan penelitian,
prosesnya dinilai dari seberapa “baik” proses itu dilakukan. Dalam
penelitian, kebaikan identik dengan validitas dan ketergantungan.
Frasa ini sering digunakan untuk menggambarkan seberapa
akurat suatu fenomena diukur. Ketika kita mengukur sesuatu, kita
menggunakan alat ukur. Hal itu bisa berupa kuesioner, panduan
wawancara, buku harian, atau teknologi yang merekam aktivitas,
seperti ponsel.
Istilah validitas mengacu pada seberapa akurat kita mengukur
apa yang ingin kita ukur. Konsistensi yang kita gunakan untuk
mengukur sesuatu disebut sebagai reliabilitasnya. Kesalahan acak
dan kesalahan sistematis adalah dua pertimbangan utama lainnya.

SPSS dan Smart-PLS
Karena kesalahan acak tidak memiliki sumber yang sistematis dan
tidak memiliki pola, kesalahan tersebut cenderung rata-rata di
seluruh pengukuran yang berulang. Karena kesalahan sistematis
konsisten dalam setiap pengukuran, hal itu menghasilkan bias
(tidak sesuai dengan kenyataan) dalam hasil selama pengukuran
berulang.
Netflix adalah contoh metrik objektif. Mereka memantau
perilaku menonton seperti apa yang ditonton pemirsa, kapan mereka
menontonnya, dan untuk berapa lama. Mereka menghasilkan
saran program berdasarkan melihat data profil dan kemungkinan
besar akan menggunakannya untuk keputusan internal. Namun, di
rumah dengan dua orang tua dan dua anak, dua di antaranya laki-
laki dan dua di antaranya perempuan, hasilnya bisa salah. Banyak
akun keluarga tidak mengizinkan individu untuk membuat profil
pengguna yang berbeda.
Sangat penting untuk menekankan bahwa apa yang benar-
benar Anda validasi bukanlah metode pengukuran atau tes tertentu
(meskipun Anda bisa), melainkan interpretasi data yang muncul
dari pendekatan tertentu. Interpretasi mungkin memiliki tingkat
validitas yang tinggi untuk satu tujuan tetapi tingkat validitas yang
rendah untuk tujuan yang lain. Dalam kasus Netflix, data mungkin
cukup valid untuk memperkirakan kebiasaan menonton keluarga.
Namun, itu tidak berlaku untuk individu. Pilihan lain adalah bahwa
banyak individu menonton televisi untuk perusahaan, tetapi
perhatian mereka pada program tersebar.
Umum bagi peneliti untuk mengulang penelitian orang lain
atau penelitian mereka sendiri di lingkungan baru. Penelitian
berbasis bukti adalah konsep medis yang menjadi lebih populer. Hal
tersebut difokuskan pada melakukan penelitian secara metodis dan
transparan sehingga orang lain dapat menduplikasi dan memperluas
temuan masa lalu. Menjelaskan apa yang Anda lakukan, bagaimana
Anda melakukannya, dan mengapa penelitian yang efektif mutlak
diperlukan dan cara yang mudah untuk mendekati penulisan bagian
metodologi dalam laporan atau buku. Mulailah dengan pemikiran

SPSS dan Smart-PLS
ini, dan kemudian pertimbangkan validitas dan reliabilitas. Jika
Anda berhasil menjalankan ini, Anda akan memenuhi persyaratan
replikabilitas.
3.7 Kesimpulan
Desain penelitian dari bab ini melibatkan penggambaran secara
sistematis bagaimana seluruh proses penelitian harus diatur untuk
menjawab pertanyaan penelitian. Hal tersebut termasuk jenis data yang
Anda butuhkan, cara mengumpulkannya, dan cara menganalisisnya.
Penulis biasanya merujuk pada tiga jenis utama desain penelitian:
• Desain eksplorasi.
• Desain deskriptif.
• Desain kausal (sebab-akibat).
Teori dan kajian pustaka digunakan karena dua alasan:

• Untuk memperoleh peningkatan pengetahuan dan pemahaman
tentang topik penelitian, sering menggunakan desain eksplorasi.
• Untuk memahami variabel mana yang harus dimasukkan dalam
penelitian (desain deskriptif dan kausal), dan bagaimana variabel
tersebut mungkin terkait.
Baik merencanakan atau mengevaluasi penelitian, penting untuk

mengevaluasinya dalam hal reliabilitas (seberapa konsisten sesuatu
diukur) dan validitas (apakah hal yang benar diukur). Aspek penting
dari bab ini adalah replikasi. Penulis memperkenalkan dua jenis
kesalahan:
• Kesalahan sistematis (mengakibatkan bias sistematis).
• Kesalahan acak (mengakibatkan ketidakakuratan).
3.8 Latihan Soal

1) Apa perbedaan utama antara ketiga jenis desain penelitian?
2) Bagaimana seorang peneliti memilih desain terbaik?
3) Dalam keadaan apa lebih dari satu desain dapat digunakan dalam
proyek penelitian yang sama?

SPSS dan Smart-PLS
3.9 Studi Kasus
Seorang konsultan bisnis dengan pengalaman di industri restoran
dipekerjakan untuk membantu Nayya dan saudaranya. Setelah
konsultasi awal, konsultan bisnis merekomendasikan penilaian
menyeluruh terhadap restoran tersebut. Penilaian akan difokuskan
pada tiga area. Area pertama adalah operasi restoran yang sebenarnya,
dan variabel yang diusulkan untuk diselidiki dalam proyek pertama
ini meliputi:
• Harga,
• Item menu,
• Dekorasi dan suasana interior,
• Jumlah pelanggan saat makan siang dan makan malam,
• Jumlah rata-rata yang dibelanjakan per pelanggan.
Area studi kedua melibatkan pemahaman yang lebih baik tentang
karyawan Nayya. Untuk melakukannya, konsultan merekomendasikan
proyek penelitian untuk mendapatkan informasi mengenai lingkungan
kerja di restoran dan bagaimana perasaan karyawan bekerja di sana.
Variabel yang akan diperiksa pada proyek karyawan meliputi:
• Hubungan dengan supervisor,
• Hubungan dengan rekan kerja,
• Kompensasi,
• Pelatihan,
• Kepuasan kerja,
• Klasifikasi karakteristik untuk karyawan.
Area ketiga berfokus untuk mempelajari lebih lanjut tentang
pelanggan Nayya. Variabel yang akan diperiksa pada proyek pelanggan
meliputi:
• Pola penggunaan media sosial pelanggan,
• Di mana pelanggan saat ini tinggal terkait dengan lokasi restoran,
• Identitas pesaing restoran,
• Pelanggan makan di luar kebiasaan,
• Karakteristik pelanggan.

SPSS dan Smart-PLS
Hasil dari pemeriksaan ketiga area ini akan digunakan untuk
menyiapkan rencana bisnis untuk bersaing.
1 Apakah ketiga proyek penelitian yang diajukan oleh konsultan
mencakup semua bidang yang perlu diteliti? Jika tidak, mana lagi
yang perlu dipelajari?
2 Apakah informasi lain perlu dikumpulkan dalam proyek tentang
operasional restoran?
3 Haruskah variabel lain diperiksa dalam proyek karyawan dan
pelanggan? Jika ya, apa saja variabel tersebut?
4 Jenis desain penelitian apa yang paling sesuai untuk ketiga
proyek—eksplorasi, deskriptif, kausal, atau lebih dari satu jenis
desain penelitian? Tentukan pilihan Anda.

1 Tulis dua hipotesis untuk proyek penelitian tentang cara memotivasi
karyawan dalam suatu organisasi. Pastikan hipotesis benar-benar
dapat diuji. Untuk melakukan ini, Anda perlu mengklarifikasi
kelompok yang akan diwawancarai dan variabel yang akan diukur.
2 Anda adalah manajer regional untuk dua puluh toko eceran.
Laporan bulanan Anda menunjukkan sejumlah besar karyawan
berhenti di lima toko Anda, tetapi sangat sedikit di lima belas
toko lainnya. Rancangan penelitian seperti apa yang terbaik untuk
mengidentifikasi masalah dan solusi potensial untuk mengurangi
kehilangan karyawan di lima toko?

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat memperjelas kapan penelitian kualitatif paling baik untuk
mencapai tujuan penelitian.
√ Dapat memahami berbagai pendekatan untuk menganalisis
penelitian kualitatif.
√ Dapat menjelaskan pentingnya mengelola data kualitatif.
√ Dapat menjelaskan proses analisis data kualitatif.
4.1 Pendahuluan
Kita dapat menyatakan bahwa pendekatan kualitatif mengeksplorasi
secara luas ke dalam subjek untuk menentukan apakah sesuatu itu ada
dan bagaimana fungsinya. Penekanan pendekatan kuantitatif adalah
pada penentuan seberapa banyak yang ada. Terlepas dari kenyataan
bahwa metode tampaknya tidak kompatibel. Pendekatan tersebut,
pada kenyataannya, saling melengkapi dan dapat dianggap sebagai dua
jangkar dalam skala. Masalah penelitian memutuskan apakah metode
harus digunakan dalam situasi tertentu, dan dalam banyak kasus,
keduanya sesuai.
Metode Triangulasi mengacu pada penggunaan banyak
metodologi kualitatif pada satu subjek penelitian. Metode tersebut
menawarkan sudut pandang yang beragam pada subjek yang sama, dan
ketika kesimpulan yang sama tercapai, validitas temuan meningkat.
Penggunaan metodologi kualitatif dan kuantitatif secara bersamaan
memperkuat penelitian. Karena sebagian besar fenomena sosial
memiliki karakteristik kualitatif dan kuantitatif, kedua metodologi
tersebut digunakan dalam penelitian ilmu sosial dan penelitian bisnis.

SPSS dan Smart-PLS
Format data, secara tegas, memutuskan apakah itu diklasifikasikan
sebagai kualitatif atau kuantitatif. Data kuantitatif dinyatakan secara
numerik, sedangkan data kualitatif tidak.
Data primer dapat dikumpulkan dalam berbagai metode, termasuk:
• Komunikasi,
• Pengamatan,
• Analisis konten–yang mencakup analisis media sosial dan analisis
dokumen.
Ketiga metode tersebut dapat menghasilkan informasi kualitatif dan
kuantitatif. Hal itu ditentukan oleh bagaimana Anda berkomunikasi,
mengamati, atau merekam konten media sosial dan makalah.
Penulis biasanya menyusun panduan wawancara terstruktur untuk
komunikasi atau panduan observasi untuk menyediakan struktur
untuk mengumpulkan data tentang fenomena yang penulis perhatikan
saat mengumpulkan data kualitatif. Data biasanya ditranskripsikan
ke dalam dokumen, yang kemudian diperiksa. Analisis konten seperti
media sosial atau dokumen mengikuti metode yang mirip dengan
pengkodean dan analisis transkrip komunikasi serta observasi. Penulis
menjelaskan hal tersebut secara lebih mendalam nanti di Bab ini.
Karena pengumpulan data kualitatif adalah interaksi terbuka di
mana kita tidak tahu persis apa yang akan kita dengar atau saksikan,
fleksibilitas adalah kuncinya. Kelengkapan adalah ekuivalen kualitatif
dari kebenaran dalam data kuantitatif. Hal itu disebabkan oleh
fakta bahwa analisis kualitatif berkonsentrasi pada deskripsi dan
pemahaman hubungan, sedangkan analisis kuantitatif biasanya
digunakan untuk mengukur dan menggeneralisasi. Yang paling penting
untuk diingat adalah bahwa pendekatan ditentukan oleh masalah
penelitian. Sederhananya, pendekatan kualitatif berkembang dalam
menjelaskan apa, mengapa, dan bagaimana, sedangkan metode
kuantitatif unggul dalam menjelaskan berapa banyak. Pendekatan
kualitatif mengungkapkan keberadaan sesuatu, sedangkan metode
kuantitatif mengungkapkan jumlah.
Dalam studi bisnis, kita sering memulai dengan studi kualitatif
(desain eksplorasi) sebelum beralih ke desain deskriptif atau kausal,

SPSS dan Smart-PLS
seperti survei kuesioner. Seringkali, penelitian kualitatif sudah cukup.
Misalnya, jika serangkaian wawancara mendalam mengungkapkan
tidak ada konsep atau keterkaitan yang menarik dalam tema tertentu,
tidak ada insentif untuk melakukan studi kuantitatif untuk menilai
sesuatu yang tidak terdeteksi secara kualitatif. Contoh lain adalah ketika
Anda mencoba memahami suatu fenomena, seperti apa yang orang
pikirkan tentang suatu produk. Penelitian kualitatif akan memberikan
wawasan. Jika besarannya dipermasalahkan, pendekatan kuantitatif
akan digunakan.
Investigasi kualitatif juga dapat digunakan sebagai suplemen untuk
analisis kuantitatif. Tujuannya adalah untuk memiliki pemahaman
yang lebih baik tentang hubungan yang diukur secara numerik antara
konsep-konsep. Penulis terkejut menemukan dalam salah satu studi
penelitian tentang interaksi antara penasihat keuangan dan konsumen
bahwa membuat pelanggan mempercayai mereka memiliki pengaruh
yang sangat merugikan pada pemahaman penasihat tentang preferensi
risiko pelanggan. “Bagaimana kepercayaan pada penasihat keuangan
bisa negatif?” penulis bertanya-tanya. Penulis menemukan melalui
wawancara bahwa ketika pelanggan mempercayai penasihat keuangan
mereka, mereka dengan senang hati mendelegasikan seluruh tanggung
jawab kepada penasihat tersebut. Para penasihat senang karena,
begitu kepercayaan terbentuk, mereka tidak perlu menghabiskan
banyak waktu untuk bertemu dengan pelanggan (waktu adalah uang).
Sayangnya, penasihat menyadari bahwa melalui kepercayaan, mereka
kehilangan kontak dengan konsumen, dan keadaan pelanggan berubah
(mereka menikah, memiliki anak, berganti pekerjaan), dan dengan
demikian pilihan risiko mereka berubah. Penulis tidak akan memahami
hasil kuantitatif tanpa tindak lanjut kualitatif.
Penulis akan berbicara tentang kelompok fokus, wawancara
mendalam, pendekatan proyektif, dan analisis konten media
sosial. Hl itu hanya beberapa contoh pendekatan kualitatif. Penulis
merekomendasikan Yin (2009) sebagai sumber yang baik untuk
melakukan studi kasus.

SPSS dan Smart-PLS
4.2 Kelompok Fokus (Focus Group)
Kelompok fokus adalah pertemuan terencana dari orang-orang
yang membahas masalah tertentu dengan bantuan seorang moderator.
Mereka sering dilakukan atas nama pelanggan oleh firma riset
pasar atau konsultan independen. Skenario berikut adalah umum di
perusahaan riset pasar. Delapan sampai sepuluh orang berkumpul di
sekitar meja konferensi untuk berdiskusi selama beberapa jam. Anggota
kelompok (responden) tidak dipilih secara acak. Meskipun mereka
biasanya tidak akrab satu sama lain, mereka biasanya dipilih untuk
membentuk kelompok yang homogen. Debat dipimpin oleh satu atau
dua orang anggota kelompok yang tidak diketahui pimpinan kelompok
(moderator). Interaksi di antara anggota tim memicu percakapan
tentang subjek yang telah ditentukan sebelumnya. Percakapan direkam
dalam audio dan mungkin video. Dalam beberapa keadaan, perwakilan
klien memantau grup melalui umpan video. Substansi diskusi dievaluasi
dan diinterpretasikan dengan menggunakan audio/video serta catatan
dan kesan pribadi moderator. Untuk setiap tema, biasanya diadakan
banyak kelompok fokus.
Basis kelompok fokus adalah dinamika kelompok, dan tujuan
menggunakan kelompok fokus adalah untuk mengungkap situasi yang
tidak ditunjukkan oleh wawancara dan survei individu. Gagasan di
balik kelompok fokus adalah bahwa “keseluruhan lebih besar daripada
jumlah bagian-bagiannya.” Moderator bertanggung jawab untuk
memastikan bahwa tema yang telah ditentukan dibahas sepenuhnya.
Moderator akan memoderasi dan mengarahkan diskusi berdasarkan
tujuan, serta mengamati komunikasi non-verbal para peserta. Dengan
kata lain, mereka menggunakan komunikasi dan observasi.
Data dari kelompok fokus dianalisis menggunakan interpretasi
kualitatif atau analisis konten kuantitatif. Salah satu keuntungan dari
prosedur ini adalah menghemat uang dan waktu. Kelompok fokus
digunakan untuk mengatasi berbagai masalah, sementara implementasi
dan analisis data ditangani oleh individu dengan keahlian yang berbeda.
Sementara kelompok fokus tampaknya merupakan praktik langsung,

SPSS dan Smart-PLS
ada beberapa variabel penting yang harus dipertimbangkan dengan
cermat sebelum memperoleh informasi yang sesuai.
Jenis Utama Kelompok Fokus

Dalam artikel klasik Calder (1977), ia membedakan antara tiga
jenis utama kelompok fokus berdasarkan jenis pengetahuan yang dicari
(Gambar 4.1). Klasifikasi ini telah menjadi norma.
Pendekatan eksplorasi, digunakan di awal proses penelitian untuk:
• Memperjelas dan mendefinisikan pertanyaan penelitian,
• Menyarankan hipotesis untuk pengujian,
• Mengembangkan konsep baru (misalnya, produk atau layanan),
• Mendapatkan reaksi langsung terhadap konsep baru,
• Kuesioner pre-test,
• Menafsirkan dan memahami hasil.
Gambar 4.1 Jenis Utama Kelompok Fokus
Pendekatan fenomenologis, penekanan ditempatkan pada

pemahaman pengalaman sehari-hari kelompok sasaran dan situasi
kehidupan untuk:
• Mempelajari “bahasa” kelompok sasaran,
• Memahami situasi dan masalah mereka,
• Memetakan kebutuhan dan kepuasan.

SPSS dan Smart-PLS
Pendekatan klinis, tujuannya adalah untuk memahami hubungan
laten dengan:
• Mendapatkan wawasan tentang motif yang sulit didapat dengan
menggunakan kuesioner terstruktur karena responden sendiri
tidak mengetahuinya.
Manfaat dan keterbatasan berikut di bawah ini sering disebutkan
saat menjelaskan teknik kelompok fokus:
Manfaat Kelompok Fokus
• Dibandingkan dengan wawancara individu, kelompok fokus
menghasilkan data lebih cepat dan dengan biaya lebih rendah.
Kelompok fokus juga lebih cepat untuk diterapkan jika dibandingkan
dengan banyak wawancara individu.
• Kelompok fokus memungkinkan interaksi langsung dengan
responden, sehingga topik atau isu yang muncul dapat segera
ditindaklanjuti untuk wawasan yang lebih mendalam. Respons
non-verbal dapat diamati, yang dapat memberikan sinyal penting
kepada moderator dan data berharga bagi analis.
• Dalam kelompok fokus, peserta dapat mengekspresikan diri dengan
caranya sendiri. Pemahaman dan hubungan laten dapat diungkap.
• Dinamika kelompok dapat merangsang peserta untuk membuka
diri dan memberikan informasi tambahan.
• Kelompok fokus fleksibel dan dapat digunakan untuk tema yang
berbeda, dengan peserta yang berbeda dan dalam lingkungan yang
berbeda.
Keterbatasan Kelompok Fokus

• Rendahnya jumlah peserta, kriteria pemilihannya, dan moderator
sebagai bagian dari instrumen pengukuran menghalangi
generalisasi hasil. Artinya, peserta mungkin berbeda, dan dengan
demikian tidak mewakili populasi yang diinginkan.
• “Peneliti” atau pengambil keputusan terlalu menekankan
pernyataan partisipan, lupa bahwa pernyataan tersebut mungkin
tidak mewakili populasi.
• Orang-orang yang dominan dalam kelompok dapat sangat
mempengaruhi hasil kelompok fokus. Hal tersebut membuat

SPSS dan Smart-PLS
sebagian responden tidak dapat mengungkapkan pendapatnya.
• Format diskusi terbuka dalam kelompok fokus menghasilkan
banyak data tidak terstruktur yang dihasilkan. Hal itu menantang
untuk dianalisis dan ditafsirkan.
• Sadar atau tidak sadar, moderator mungkin mempengaruhi diskusi
untuk mendapatkan hasil yang diinginkan daripada opini yang valid
dari para peserta.
• Kelompok fokus sulit untuk ditiru, sehingga menyulitkan peneliti
selanjutnya untuk memverifikasi dan memvalidasi hasil secara
tepat.
4.3 Wawancara Mendalam Individu

Wawancara mendalam individu biasanya dilakukan satu-satu
dan memakan waktu sekitar satu jam. Wawancara dilakukan ketika
pengalaman dan pendapat pribadi seseorang menarik. Biasanya
dibutuhkan 15 sampai 20 wawancara untuk benar-benar membahas
suatu topik. Wawancara harus direkam dan kemudian ditranskripsi
sehingga data dapat dianalisis. Secara keseluruhan, hal tersebut adalah
upaya yang sangat intensif sumber daya dan mahal, terutama jika
melibatkan perjalanan. Jika dibandingkan dengan kelompok fokus,
data kemungkinan berasal dari lebih sedikit orang, tetapi kualitas
datanya paling signifikan. Masalah studi mempengaruhi pemilihan
teknik dan beberapa topik lebih baik diperiksa melalui wawancara
individu daripada kelompok fokus. Wawancara individu lebih logis
ketika subjeknya halus. Kelompok fokus juga dapat mendiskusikan
topik sensitif. Namun, hal itu menyiratkan bahwa para pihak memiliki
kepercayaan satu sama lain dan telah sepakat untuk secara bebas
membahas masalah tertentu.
Pewawancara memiliki kendali lebih besar atas arah percakapan
daripada dalam kelompok fokus. Responden memiliki lebih banyak
waktu untuk mengungkapkan pikiran dan menerima tanggapan
langsung dari pewawancara, namun pewawancara harus berhati-
hati agar responden dapat berbicara dengan bebas. Inilah sebabnya
mengapa pedoman wawancara sering digunakan oleh pewawancara.

SPSS dan Smart-PLS
Hal itu membuat wawancara tetap pada jalurnya dan memastikan
bahwa semua masalah tercakup secara memadai. Ingatlah bahwa,
seperti kelompok fokus, hasil wawancara tidak dapat langsung
digeneralisasikan ke populasi.
Manfaat Wawancara Individu

• Informasi individual tingkat tinggi,
• Lebih mudah untuk mendiskusikan informasi pribadi,
• Tidak ada dampak kelompok.
Batasan Wawancara Individu

• Sumber daya yang menuntut (mahal),
• Pewawancara dapat menghambat responden.
4.4 Teknik Proyektif

Pendekatan proyektif menggunakan rangsangan seperti alat bantu
visual atau penyelesaian kalimat untuk memperoleh keyakinan dan
sikap. Pendekatan didasarkan pada teknik psikologi klinis. Tujuannya
adalah untuk membujuk responden untuk menyampaikan pandangan
dan sikap mereka dalam situasi ketika mereka tidak dapat atau tidak
akan mengungkapkannya dalam menanggapi pertanyaan langsung.
Hal itu bisa jadi karena subjek yang sensitif, atau karena sulit untuk
menyampaikan pikiran seseorang secara verbal.
Studi Mason Haire (1950) untuk menentukan mengapa kopi instan
pada awalnya tidak berhasil di pasar Amerika Serikat dapat dikatakan
merupakan contoh penerapan teknik proyektif yang paling terkenal.
Studi kuesioner tradisional mengungkapkan bahwa ibu rumah tangga
tidak mengkonsumsi kopi instan karena rasanya yang tidak enak (pada
saat itu, ibu rumah tangga sangat bertanggung jawab atas pembelian
bahan makanan rumah tangga). Namun, tes rasa di mana responden
diminta untuk mencicipi kopi yang disiapkan dengan berbagai cara
tidak menunjukkan bahwa rasa saja merupakan masalah substansial.
Haire ingin tahu apakah ada alasan lain mengapa ibu rumah tangga
tidak membeli kopi instan. Dia membuat dua daftar dari tujuh barang
yang mungkin dibeli ibu rumah tangga di toko kelontong. Mereka

SPSS dan Smart-PLS
identik kecuali Nescafé Instant Coffee di satu sisi dan Maxwell House
Coffee di sisi lain (kopi panggang biasa).
Maxwell House adalah merek Amerika Serikat terkemuka saat itu.
Satu kelompok yang terdiri dari 50 ibu rumah tangga yang dipilih secara
acak diberi daftar belanjaan dengan kopi instan, sedangkan kelompok
lainnya diberi daftar belanjaan dengan kopi biasa. Semua 100 ibu rumah
tangga kemudian diminta untuk menggambarkan ibu rumah tangga
yang membeli barang-barang di daftar belanja dengan kata-kata mereka
sendiri. Ketika ibu rumah tangga memproyeksikan pikiran mereka ke
orang yang telah membeli barang, mereka menggambarkan pelanggan
kopi instan sebagai sluggish (lamban) dan tidak memadai dalam
merencanakan pembelian. Mereka menyebut peminum kopi instan
sebagai pemborosan, sedangkan peminum kopi tradisional adalah istri
yang pandai dan baik. Tentu saja, penelitian itu mencerminkan sikap
saat itu.
Ada berbagai keuntungan untuk mengadopsi teknik proyektif.
Sebagai permulaan, responden dapat mengomunikasikan emosi mereka
tanpa menggunakan kata-kata. Kedua, mereka dapat merespons secara
intuitif daripada secara intelektual. Ketiga, banyak responden lebih
menyukai jenis pekerjaan kreatif ini daripada pertanyaan survei biasa.
Hal tersebut berkontribusi pada responden yang lebih memperhatikan,
yang meningkatkan validitas balasan dan menghasilkan tingkat respons
yang lebih baik.
Teknik proyektif dapat dibagi menjadi empat kategori:
• Asosiasi (Ketika Anda melihat ____, kata apa yang muncul di benak
Anda?).
• Kalimat dan akhir cerita, metafora, dan analogi (Smartphone saya
adalah ____).
• Proyeksi orang ketiga; apa yang orang lain pikirkan, rasakan,
lakukan? (Teman saya menggunakan____ karena ____).
• Teknik ekspresif; permainan peran, menggambar, dll. (Jika Anda
adalah manajer toko, apa yang akan Anda lakukan?).
Studi kopi instan tradisional menggunakan proyeksi orang ketiga;
namun demikian, asosiasi, penyelesaian kalimat, atau teknik ekspresif

SPSS dan Smart-PLS
semuanya dapat menghasilkan hasil yang serupa.
Metafora telah digunakan secara rutin untuk mengungkap persepsi
mendasar seseorang tentang perusahaan atau produk. Misalnya,
hewan apa yang dihubungkan dengan berbagai merek kendaraan?
Personifikasi adalah jenis metafora di mana responden diminta untuk
menggambarkan tipe orang yang terhubung dengan sesuatu. Hal
tersebut adalah istilah branding yang sering digunakan. Hofstede et al.
(2007) menunjukkan bagaimana mereka menggunakan personifikasi
untuk membedakan posisi merek dari empat perusahaan bir Belanda.
Mereka menggunakan dua varian: satu berdasarkan hubungan antara
merek bir dan selebriti, dan yang lainnya pada asosiasi antara merek
bir dan pekerjaan yang berbeda. Karena varian alternatif dibuat hampir
identik, penulis akan menjelaskannya di bawah ini.
Pertama, masing-masing dari 16 peserta diinstruksikan untuk
membaca sejumlah majalah dan memotong foto selebriti yang mereka
anggap sesuai untuk masing-masing dari empat merek bir. Gambar-
gambar ini ditempatkan di atas kertas untuk setiap merek bir, yang
disediakan oleh setiap peserta untuk mereka. Setelah itu, peserta
diminta untuk memilih atribut kepribadian yang mencirikan masing-
masing selebritas yang telah mereka pilih dari daftar 73 (tujuh puluh
tiga) ciri kepribadian menurut abjad. Temuan ini mengungkapkan
beberapa elemen menarik tentang bagaimana merek bir dievaluasi.
Misalnya, responden mengalami kesulitan menemukan selebriti yang
cocok untuk merek bir B. Hal itu menunjukkan profil merek yang sangat
kabur. Ada prevalensi kuat selebriti Belanda dalam contoh merek bir A.
Itu dianggap sebagai merek bir domestik yang kuat.
Merek bir C menampilkan beberapa artis pop dan rock terkenal,
tetapi merek bir D menampilkan sebagian besar selebriti, mulai dari
anggota keluarga kerajaan hingga atlet. Merek C dianggap sebagai bir
yang trendi, tetapi Merek D ditafsirkan sebagai bir yang mapan dan
diterima dengan baik oleh masyarakat umum. Interpretasi semacam
itu sering disebut holistik karena didasarkan pada pandangan
keseluruhan yang luas dari hasil. Sulit untuk menemukan pola antara
selebriti dan profesional ketika menetapkan atribut kepribadian untuk

SPSS dan Smart-PLS
merek. Akibatnya, penulis mempertanyakan validitas penerapan hasil
pendekatan proyektif terhadap variabel individu.
4.5 Analisis Konten Media Sosial

Media sosial memberikan banyak peluang untuk melakukan
penelitian kualitatif. Satu bagian adalah analisis media sosial, sementara
yang lain adalah perdebatan yang sampai sekarang tidak dapat diamati
dalam kelompok (forum diskusi, blog, dan komunitas Internet). Banyak
bisnis mengatur jaringan media sosial mereka untuk mempermudah
analisis. Misalnya, Facebook memiliki situs web sendiri (developers.
facebook.com) yang menunjukkan cara memperoleh analisis dan
wawasan dari halaman Facebook, Google menyediakan alat analisis
(analytics.google.com), seperti halnya Adobe (adobe.com/analytics)
dan Twitter (analytics.twitter.com). Persaingan sangat ketat dan
pesaing baru memasuki pasar secara teratur.
Memantau media sosial adalah sumber informasi penting bagi
perusahaan yang secara aktif mengelola merek tentang bagaimana
opini dan preferensi terhadap merek mereka berubah. Blog Mining
(mining.com), misalnya, adalah alat untuk memantau ribuan blog secara
bersamaan. Dasbor, yang merupakan alat visual yang menampilkan
informasi waktu nyata tentang topik seperti indikator kinerja utama
dan karakteristik pembandingan pesaing, ada di mana-mana. Tujuan
mereka adalah untuk mengirimkan data penting dengan cara yang
ramah pengguna. Perusahaan dapat menggunakan forum diskusi untuk
mempelajari kesan dan opini orang tentang perluasan merek, fitur
produk, pengemasan, dan topik lainnya. Pengikisan web dan perayapan
web adalah istilah yang digunakan untuk menggambarkan alat yang
secara aktif memantau dan mengikis data dari internet. Hal itu adalah
alat yang fantastis untuk mendeteksi tren.
Media sosial juga dapat dimanfaatkan untuk meningkatkan
komunikasi dengan berbagai khalayak sasaran. Asumsikan Anda ingin
membuat produk kesehatan. Menjelajahi papan pesan online dan
melihat apa yang ditandai dengan “Kesehatan” adalah salah satu teknik
untuk mempelajari tentang bagaimana target audiens berhubungan

SPSS dan Smart-PLS
dengan kesehatan. Kemudian, lihat istilah lain apa yang digunakan dalam
konteks tersebut. Anda bahkan dapat memulai papan diskusi online
Anda sendiri dan mengamati bagaimana orang bereaksi terhadapnya.
Hal tersebut meningkatkan interaksi Anda dengan kelompok sasaran.
Sumber daya lainnya termasuk Instagram, yang dapat digunakan untuk
menemukan asosiasi dan penggunaan gambar, dan LinkedIn, yang
dapat membantu Anda lebih memahami suatu fenomena dan orang-
orang yang berpartisipasi di dalamnya. Words Cloud Generator dapat
membantu Anda menemukan istilah paling penting yang terkait dengan
konsep, produk, dan nama merek.
4.6 Perumusan Masalah dan Analisis Data Kualitatif

Pada bagian ini, penulis membahas lima tahap umum dalam
pengumpulan, analisis, dan pelaporan data kualitatif (Gambar. 4.2).
(1) Rumusan Masalah

Pada tahap 1, peneliti dan klien (dengan asumsi ada satu)
perlu menyepakati masalah umum dan pertanyaan penelitian. Jika
pertanyaan penelitian bersifat praktis dan eksploratif, teori mungkin
tidak memainkan peran apa pun. Namun, penting untuk mengenali
nilai teori dalam memahami fenomena dan menunjukkan cara
untuk mengeksplorasinya. Secara khusus, teori dapat menunjukkan
variabel mana yang penting, bagaimana mereka terkait, dan bahkan
cara mereka dapat diukur. Hal tersebut membentuk dasar dari
seluruh proses. Pertanyaan penting adalah:
1. Apa tujuan penelitian?
2. Jenis data apa yang dibutuhkan?
3. Pengetahuan apa yang kita miliki tentang area penelitian?
4. Siapa kelompok sasaran (primer, sekunder)?
5. Hasilnya akan digunakan untuk apa?
Berdasarkan pengetahuan bersama tentang masalah, seseorang
harus memutuskan metode pengumpulan data yang terbaik, seperti
wawancara, kelompok fokus, atau analisis teks. Hal tersebut juga
termasuk saran untuk:

SPSS dan Smart-PLS
• Berapa banyak informasi yang dibutuhkan? Misalnya, jumlah
wawancara atau kelompok fokus.
• Susunan peserta (heterogen versus homogen).
• Sumber teks tertentu relevan, seperti forum atau publikasi
media sosial.
Sebagai pedoman tentang berapa banyak data yang harus
dikumpulkan (misalnya, jumlah wawancara atau kelompok fokus
yang akan dilakukan, atau jumlah teks untuk dianalisis), Anda
akan menyadari bahwa temuan akan mengejutkan Anda pada
tahap awal pengumpulan data. Saat kejutannya hilang, Anda akan
menemukan bahwa subjeknya sudah habis dan tidak ada lagi yang
bisa dipelajari. Hal tersebut agak tergantung pada homogenitas
topik. 10-15 wawancara atau 3-4 kelompok fokus mungkin cukup.
Ketika masalah Anda telah jenuh, Anda harus membuat keputusan.
Biasanya kelompok fokus eksplorasi atau fenomenologis
mencakup delapan hingga sepuluh orang, sedangkan kelompok
fokus klinis memiliki enam hingga delapan orang. Kelompok yang
lebih kecil mungkin kurang produktif dan biayanya lebih mahal
daripada kelompok yang lebih besar. Peserta lebih sensitif terhadap
dinamika kelompok ketika ada kurang dari enam tanggapan, yang
dapat menyebabkan masalah produktivitas. Merupakan tantangan
bagi moderator untuk memoderasi kelompok fokus besar dengan
lebih dari dua belas anggota. Salah satu risikonya adalah kelompok
besar terpecah menjadi kelompok-kelompok kecil yang membahas
topik yang sama. Hal tersebut menghambat baik manajemen
kelompok fokus maupun interpretasi debat.

SPSS dan Smart-PLS
Gambar 4.2 Tahapan dalam Melakukan Penelitian Kualitatif
Pertimbangan penting lainnya adalah apakah kelompok fokus

dan orang yang diwawancarai harus homogen atau heterogen.
Peserta yang beragam dalam penelitian eksplorasi memberikan
informasi yang kaya dari berbagai pandangan. Karena pendekatan
fenomenologis sering berfokus pada pembelajaran tentang
kelompok sasaran, homogenitas lebih cenderung mengarah
pada konsensus seputar perspektif bersama dalam kelompok
fokus. Kelompok fokus yang lebih kecil digunakan dalam metode
klinis dan tidak ada tuntutan untuk homogenitas. Jika kelompok
sasaran terdiri dari banyak segmen yang berbeda, mungkin perlu
mempekerjakan beberapa kelompok (misalnya, hanya laki-laki atau

SPSS dan Smart-PLS
hanya perempuan). Semakin homogen peserta, semakin sedikit
kelompok fokus atau wawancara yang diperlukan karena mereka
mencapai konsensus dengan cepat dan masalah menjadi jenuh.
(2) Persiapan
Persiapan ini adalah tahap perantara di mana peneliti mengatur
logistik pengumpulan data kualitatif. Pertimbangkan lima poin
berikut secara khusus:
1. Buat panduan percakapan, panduan wawancara, atau kumpulan
kriteria pencarian analisis teks.
2. Jika data dikumpulkan dari orang, buat profil peserta.
3. Tentukan biaya dan waktu yang dibutuhkan.
4. Fasilitas cadangan. Pengaturan dapat memiliki dampak yang
signifikan pada bagaimana peserta berinteraksi.
5. Temukan peserta.
Panduan diskusi, juga dikenal sebagai panduan wawancara,
adalah dokumen yang digunakan oleh moderator untuk
memastikan bahwa semua topik utama debat tercakup. Biasanya
terdiri dari dua hingga tiga halaman A4 yang memberikan
gambaran umum tentang tema dan pertanyaan yang akan dibahas.
Meskipun menyediakan kerangka kerja tentang bagaimana debat
dapat mengalir, panduan diskusi bukan kuesioner dan tidak boleh
menghalangi perkembangan topik secara alami. Panduan diskusi
dapat digunakan oleh moderator untuk menyoroti tema atau subjek
tertentu untuk debat.
Setelah wawancara awal atau kelompok fokus, panduan diskusi
dapat dikembangkan untuk mencerminkan topik yang diangkat oleh
responden. Misalnya, sekitar tahun 2012, penulis mengumpulkan
informasi dari rantai makanan ritel Indonesia tentang hubungan
mereka dengan produsen daging sapi Australia. Salah satu
responden pertama menyatakan, “Saya takut penyakit sapi gila.”
Ada konsekuensi limpahan di seluruh rantai pasokan supermarket
sebagai akibat dari masalah daging sapi yang berkelanjutan yang
disebabkan oleh penyakit sapi gila. Ketertelusuran asal-usul suatu

SPSS dan Smart-PLS
produk menjadi sangat penting. “Apakah Anda khawatir tentang
penyakit sapi gila?” penulis selalu bertanya dalam wawancara
mendatang. Kueri tersebut memperoleh informasi berharga tentang
bagaimana hubungan pengecer-pemasok berkembang.
Profil peserta menjelaskan siapa yang harus diundang untuk
mengambil bagian dalam wawancara atau kelompok fokus. Hal itu
ditentukan oleh profil kelompok sasaran (populasi). Rekrutmen
responden membutuhkan waktu dan harus ditangani sejak awal
proses. Profil partisipasi harus dipenuhi oleh calon peserta. Kualitas
peserta akan memiliki dampak yang signifikan pada hasil.
Menggunakan moderator profesional, peralatan teknologi,
memesan lokasi untuk bertemu para peserta, dan sebagainya
semua dikenakan biaya. Peserta mungkin ingin diberi kompensasi
atau diakui atas upaya mereka. Seperti banyak hal lainnya,
perencanaan yang efektif mengurangi kejadian tak terduga yang
dapat membahayakan penelitian.
(3) Implementasi
Dalam penelitian kualitatif, instrumen pengukuran bersifat
fleksibel, berbeda dengan penelitian kuantitatif, di mana instrumen
pengukuran (misalnya kuesioner) bersifat tetap. Perbedaan penting
tersebut memungkinkan moderator untuk memberikan pengaruh
subjektif. Moderator berfungsi sebagai penghubung antara
pemandu percakapan dan peserta. Tujuan interaksi adalah untuk
memperoleh tanggapan, dan tanggung jawab utama moderator
adalah untuk menjamin bahwa masalah dibahas secara memadai.
Untuk memastikan hal tersebut, diskusi responden dilakukan
sesuai dengan pedoman wawancara atau diskusi. Hasilnya mungkin
kurang valid jika panduannya tidak memadai dan/atau moderator
tidak memiliki keahlian yang sesuai.
Durasi kelompok fokus atau wawancara sangat penting.
Dalam kelompok fokus, dinamika kelompok membutuhkan waktu
untuk terbentuk. Partisipan pada umumnya membutuhkan waktu
untuk merasa nyaman dan mereka harus diberi kesempatan

SPSS dan Smart-PLS
yang cukup untuk menyampaikan pendapat mereka. Jika mereka
berada di bawah batasan waktu, mereka mungkin menjadi cemas,
menghasilkan data yang tidak lengkap dan berpotensi tidak akurat.
Kepribadian individu dan kombinasi kepribadian dapat
mempengaruhi dinamika kelompok serta perilaku individu dalam
kelompok fokus. Dalam konteks ini, karakteristik kelompok
mencakup data sosiodemografi (usia, jenis kelamin, pendapatan,
dan sebagainya) dan kualitas psikologis. Ketika latar belakang
sosial ekonomi anggota kelompok serupa, interaksi kelompok
lebih harmonis. Orang yang mendominasi dan/atau agresif dapat
mengganggu dinamika kelompok, menurunkan kualitas kelompok
fokus. Posisi moderator sangat penting di sini dan moderator yang
terampil akan dapat menangani keadaan seperti itu dengan lebih
lancar. Semakin banyak moderator tahu tentang berbagai jenis
kepribadian, semakin baik dia dapat menangani konflik. Moderator
yang baik akan segera memeriksa responden.
Ruang fisik di mana kelompok fokus diadakan berdampak pada
dinamika kelompok. Ruangan harus diatur agar responden dapat
saling melihat moderator, sehingga mereka dapat berkonsentrasi
pada debat. Suasana untuk wawancara satu lawan satu harus
sedemikian rupa sehingga responden dapat bersantai dan terlibat
dengan pewawancara.
Pengamat dapat menjadi akademisi atau dalam konteks
bisnis, klien. Mereka bisa duduk pasif di ruangan yang sama atau
mengamati dari ruangan lain melalui jendela cermin atau tautan
video. Penting untuk dicatat bahwa perilaku peserta dapat berubah
sebagai akibat dari pengamatan. Peserta kemungkinan akan lupa
bahwa mereka sedang diamati dengan cara yang sama seperti
mereka sedang direkam.
(4) Analisis Data Kualitatif
Alih-alih memikirkan analisis kualitatif versus kuantitatif,
pertimbangkan pendekatan induktif versus deduktif. Strauss dan
Corbin (1990) mengusulkan pendekatan teori dasar induktif di
mana analis menafsirkan data tanpa pengetahuan sebelumnya

SPSS dan Smart-PLS
tentang konsep atau hubungan (tidak ada teori). Dimulai dengan
pikiran terbuka, peneliti bekerja secara induktif untuk membentuk
gagasan tentang makna data menggunakan analisis grounded
theory.
Pendekatan deduktif dimulai dengan sebuah teori, yang dapat
diformalkan atau sekadar gagasan yang terbentuk sebelumnya
tentang bagaimana segala sesuatunya bekerja dan kemudian
menggunakan data untuk menguji teori tersebut. Penulis melihatnya
sebagai perkembangan siklus di mana, setelah menemukan suatu
fenomena, peneliti secara induktif mengembangkan teori tentang
cara kerjanya, kemudian menguji teori secara deduktif, kemudian
bergerak kembali ke penemuan ide-ide baru untuk merevisi teori,
dan kemudian menguji kembali. Hal tersebut dapat digambarkan
sebagai “coba-coba yang terorganisir.”
Data kualitatif seringkali, tetapi tidak selalu, dalam bentuk
transkrip tertulis. Data kualitatif harus dikodekan apakah itu
transkrip dari kelompok fokus, wawancara, observasi, atau
interaksi media sosial. Prosedurnya dapat dilakukan dengan tangan
atau dengan bantuan aplikasi pengkodean. Aplikasi pengkodean
tidak berbayar seperti QDA Lite dapat digunakan sebagai media
pengkodean data kualitatif.
(5) Hasil Pelaporan
Secara umum, temuan kualitatif harus disajikan dengan cara
yang menangkap kekayaan temuan. Tujuan analisis kualitatif
seringkali adalah untuk memperoleh makna dari data. Kutipan
langsung dari peserta adalah cara yang efektif untuk menyampaikan
makna. Menggunakan perangkat lunak (software) memungkinkan
Anda untuk menampilkan tabel dan grafik yang membantu Anda
memahami apa yang Anda baca. Sejujurnya, Kutipan langsung atau
menggunakan perangkat lunak adalah garis tipis antara menangkap
detail dan meringkas temuan.

SPSS dan Smart-PLS
4.7 Kesimpulan
Data kuantitatif dinyatakan dalam angka atau satuan besaran,
sedangkan data kualitatif dinyatakan dengan kata-kata. Dalam
praktiknya, studi kualitatif dengan desain eksploratif sering dilakukan
sebelum beralih ke desain deskriptif, seperti survei kuesioner. Dalam
beberapa kasus, studi kualitatif sudah cukup.
Meskipun mudah untuk percaya bahwa media sosial hanya tentang
data besar (big data), studi kualitatif telah meningkat secara dramatis.
Untuk mempromosikan akuisisi pengetahuan kualitatif dari Internet
dan ponsel, berbagai teknik dan solusi sedang dikembangkan.
Penulis membedakan antara pendekatan eksplorasi, pendekatan
fenomenologis, dan pendekatan klinis dalam kelompok fokus. Ketika
pengalaman pribadi individu menarik atau topiknya sensitif, wawancara
mendalam individu sesuai. Teknik proyektif didasarkan pada metode
psikologi klinis. Tujuannya adalah agar responden mengungkapkan
keyakinan dan sikap mereka dalam situasi di mana mereka tidak mampu
atau tidak mau mengungkapkannya dalam menanggapi pertanyaan
langsung.
Membuat kode dan mengikuti strategi pengkodean membuat lebih
mudah untuk menganalisis data kualitatif. Perangkat lunak, seperti QDA
Lite, sangat menyederhanakan dan meningkatkan proses pengkodean
dan penyajian data.
4.6 Latihan Soal

1) Dalam situasi apa penelitian kualitatif merupakan pendekatan yang
lebih disukai?
2) Apa perbedaan antara pendekatan postpositivis dan konstruktivis
dalam menganalisis data kualitatif?
3) Apa saja langkah-langkah dalam analisis data kualitatif? Bagaimana
hubungan mereka?
4) Apakah ada kewajiban dan validitas penelitian kualitatif ditentukan?
Jika ya, apa saja metode untuk melakukannya?

SPSS dan Smart-PLS
4.7 Studi Kasus
Peran Penelitian Kualitatif
Konsultan bisnis yang disewa oleh Nayya telah merekomendasikan

dua survei kuantitatif, survei karyawan Nayya dan survei pelanggan
Nayya dan Pesaing. Dia tidak merekomendasikan penelitian kualitatif
apa pun. Nayya bukan ahli dalam metode penelitian, tetapi dia tahu
perbedaan antara penelitian kualitatif dan kuantitatif. Dia bertanya-
tanya apakah metode penelitian kualitatif harus digunakan untuk
lebih memahami tantangan yang dihadapinya dalam meningkatkan
restorannya.
1 Bisakah observasi digunakan untuk mengumpulkan informasi

kualitatif? Jika ya, informasi apa yang dapat dikumpulkan dengan
menggunakan observasi?
2 Bagaimana dengan kelompok fokus? Topik apa yang dapat
dieksplorasi menggunakan kelompok fokus?
3 Bagaimana dengan kemungkinan mengumpulkan data kualitatif
secara online dari pelanggan?
4 Bagaimana data dikumpulkan dan jenis informasi apa yang dapat
dikumpulkan dalam pengaturan online?

1) Bagaimana keterkaitan pengumpulan data, reduksi data, dan
penyajian data dalam penelitian kualitatif?
2) Bagaimana peneliti kualitatif memverifikasi kesimpulan yang
mereka kembangkan dari data mereka?
3) Diskusikan peran pengkodean dalam analisis data kualitatif!
4) Bagaimana triangulasi membantu peneliti kualitatif mencapai
kredibilitas penelitian mereka?

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat memahami penelitian kuantitatif untuk mencapai tujuan
penelitian.
√ Dapat memahami berbagai pendekatan untuk menganalisis
penelitian kuantitatif.
√ Dapat menjelaskan pentingnya mengelola data kuantitatif.
√ Dapat menjelaskan proses analisis data kuantitatif.
5.1 Pendahuluan
Metode kuantitatif melibatkan pengumpulan data numerik
menggunakan kuesioner terstruktur atau panduan observasi
untuk mengumpulkan data primer dari individu. Data berkisar dari
keyakinan, pendapat, sikap, perilaku, dan gaya hidup hingga informasi
latar belakang umum tentang individu seperti jenis kelamin, usia,
pendidikan, dan pendapatan, serta karakteristik perusahaan seperti
pendapatan dan jumlah karyawan. Peneliti bisnis sering menyebut
pengumpulan data kuantitatif sebagai penelitian survei. Ketika proyek
penelitian melibatkan pengumpulan informasi dari sampel individu
yang besar, penelitian survei adalah pendekatan terbaik.
Pertimbangan penting dalam survei adalah bahwa responden
menyadari bahwa informasi tentang perilaku atau sikap mereka sedang
dikumpulkan. Oleh karena itu selalu mungkin kesadaran ini dapat
mempengaruhi tanggapan mereka dan menciptakan bias tanggapan.
Metode pengumpulan data survei kuantitatif terbagi dalam tiga kategori
besar: self-completion, interviewer completed, dan observation. Metode
self-completion termasuk survei surat, survei Internet atau elektronik

SPSS dan Smart-PLS
lainnya, dan survei drop-off dan pickup dan pendekatan serupa. Metode
interviewer completed melibatkan kontak langsung dengan responden
melalui wawancara pribadi, baik tatap muka atau melalui telepon.
Metode observation kuantitatif melibatkan pengumpulan sejumlah
besar data numerik, seperti perilaku individu di Internet atau perilaku
pembelian yang dipantau. Perbedaan utama dalam teknik observasi
antara penelitian kualitatif dan penelitian kuantitatif adalah bahwa
observasi kualitatif sebagian besar melibatkan observasi manusia
dan pencatatan informasi naratif, sedangkan pendekatan observasi
kuantitatif melibatkan penghitungan dan informasi numerik tentang
perilaku, tindakan, atau peristiwa, bukan naratif.
Wawancara pribadi, apakah terstruktur atau tidak terstruktur, sering
digunakan untuk memperoleh informasi kualitatif yang terperinci dari
sejumlah kecil individu. Pendekatan tersebut kadang-kadang disebut
sebagai survei mendalam. Di sisi lain, kuesioner terstruktur digunakan
untuk mengumpulkan data kuantitatif dari sejumlah besar individu
dengan cara yang relatif cepat dan nyaman. Menemukan pihak ketiga
untuk membantu melakukan survei jauh lebih mudah dengan Internet
saat ini.
5.2 Survei Kuesioner

Dalam bab ini, kita akan melihat bagaimana survei kuesioner dapat
digunakan untuk mengukur variabel yang berasal dari pertanyaan
penelitian (lihat Gambar 5.1). Pertama, beberapa terminologi harus
diklarifikasi karena istilah-istilah ini terkadang digunakan secara
bergantian. Namun, ada beberapa perbedaan utama yang harus
diperhatikan. Konsep adalah versi sederhana dari ide atau fenomena.
Bab ini dimulai dengan menggali konsep keterlibatan. Konsep sangat
mirip dengan konstruk. Namun, dalam ilmu sosial, sebuah konstruk
lebih tepat didefinisikan dan sering dikaitkan dengan pengukuran.
Kita akan membahas validitas konstruk nanti dalam bab ini dalam hal
seberapa baik sebuah konstruk diukur. Variabel adalah sesuatu yang
dapat memiliki banyak nilai. Dengan konsep keterlibatan, penulis
sebagai contoh, penulis dapat mendefinisikan keterlibatan sebagai
konstruk terukur dengan berbagai sifat. Empat pertanyaan, yang dapat

SPSS dan Smart-PLS
kita sebut sebagai ukuran atau variabel, mewakili sifat-sifat. Untuk
membuat masalah menjadi lebih rumit, banyak konstruk dalam ilmu-
ilmu sosial tidak dapat diamati secara langsung, dalam hal ini mereka
disebut sebagai konstruk laten.
Gambar 5.1 Contoh Pengukuran Skala Kuesioner
Dalam contoh keterlibatan penulis, pertanyaannya adalah

operasionalisasi konstruk laten pada keterlibatan. Terkadang beberapa
pertanyaan diperlukan untuk mengukur suatu konstruk, sementara di
lain waktu satu pertanyaan sudah cukup. Tujuan penulis adalah untuk
mendapatkan ukuran yang andal dan valid dari konstruk dan variabel
yang menarik dengan menggunakan kuesioner. Informasi dapat
dikumpulkan melalui kuesioner fisik, online, atau melalui perangkat
seluler.
Dalam bab ini, kita akan melihat bagaimana mengoperasionalkan
dan mengukur konstruk, serta validitas dan reliabilitas pengukuran dan
sumber kesalahan yang paling umum dalam survei kuesioner. Penulis
berbicara tentang cara membuat kuesioner, khususnya formulasi
pertanyaan dan skala yang berbeda. Akhirnya, penulis membahas
keuntungan dan kerugian dari empat metode paling umum dalam
melakukan survei kuesioner (survei tatap muka, online, melalui telepon,
dan pos).

SPSS dan Smart-PLS
5.3 Konstruk dan Operasionalisasi
Kebanyakan orang yang membuat kuesioner terkejut mengetahui
bahwa itu jauh lebih sulit daripada yang mereka perkirakan. Mungkin
cara terbaik untuk belajar adalah melalui pengalaman. Namun, ada
beberapa pedoman dan wawasan umum yang dapat membantu
membuat proses berjalan lebih lancar. Gambar 5.2 menggambarkan
langkah-langkah yang harus diambil untuk mengukur konsep.
Langkah pertama adalah mengembangkan definisi teoretis dari
konstruk yang akan muncul dalam kuesioner. Definisi teoretis biasanya
ditemukan di bagian pendahuluan atau teori dari sebuah makalah
penelitian. Penulis sangat menyarankan membaca pustaka yang
relevan untuk menentukan bagaimana konstruk telah didefinisikan
dalam domain ilmiah yang relevan. Sebagai contoh, produk makanan
bermerek HardGear dari Indonesia memenangkan penghargaan inovasi
dan dua penghargaan desain di segmen olahraga ekstrem di awal tahun
2000-an. Mari kita katakan bahwa, lebih dari satu dekade kemudian,
manajemen saat ini tertarik untuk mengukur kesadaran merek di
seluruh usia, jenis kelamin, dan kebangsaan. Pertanyaan penelitiannya
adalah: “Bagaimana kesadaran merek HardGear berbeda menurut usia,
jenis kelamin, dan kebangsaan?”
Penulis menggunakan kuesioner untuk menilai:
• Pengakuan merek.
• Usia.
• Jenis kelamin.
• Kebangsaan.
Usia, jenis kelamin, dan kebangsaan mudah diukur dengan
menggunakan pertanyaan-pertanyaan berikut:
• Berapa usiamu?
• Apa jenis kelaminmu?
• Kamu berkebangsaan apa?

SPSS dan Smart-PLS
Gambar 5.2 Mengukur Konstruk
Lebih sulit ketika datang ke konstruk kesadaran merek. Untuk

memulainya, kesadaran merek adalah konstruk yang tidak aktif. Karena
kita tidak bisa mengamati secara langsung, kita harus kreatif dalam
mengukurnya. Apa sebenarnya yang penulis maksud dengan kesadaran
merek HardGear? Dengan menanyakan secara langsung apakah
responden pernah mendengar tentang HardGear, penulis memberikan
tanggapan mereka. Hal tersebut juga dikenal sebagai pengetahuan
yang dibantu. Kita dapat mengantisipasi bahwa banyak yang akan
mengatakan ‘Ya’, terutama jika mereka mengaitkan jenis produk dengan
sesuatu yang mereka yakini harus mereka ketahui. Priming (sebuah
teknik di mana pengenalan satu stimulus mempengaruhi bagaimana
orang merespons stimulus berikutnya) dalam bentuk apa pun dapat
secara signifikan meningkatkan kesalahan pengukuran.
Pendekatan yang lebih netral adalah dengan meminta responden
terlebih dahulu untuk membuat daftar semua merek yang mereka
kenal dalam kategori produk yang relevan. Hal tersebut adalah contoh
pengetahuan tanpa bantuan, yang disebut pemasar sebagai rangkaian
merek yang dibangkitkan. Kemudian, tanyakan apakah mereka pernah
mendengar tentang HardGear. Dalam praktiknya, adalah umum untuk
menggabungkan kedua metode dengan meminta pengetahuan tanpa

SPSS dan Smart-PLS
bantuan terlebih dahulu, diikuti dengan pengetahuan yang dibantu.
Cara dan urutan kita bertanya hampir pasti akan menghasilkan jawaban
yang sangat berbeda.
Peneliti harus membenarkan semua pilihan metodologi mereka,
termasuk bagaimana konstruk didefinisikan dan dioperasionalkan.
Mendefinisikan konstruk yang akan dioperasionalkan dalam kuesioner
sering kurang dimanfaatkan. Karena keterbatasan waktu, solusi
sederhana dipilih. Ketika datang untuk memetakan konten apa yang
dimasukkan orang ke dalam konsep yang berbeda, kelompok fokus
atau wawancara mendalam dapat memberikan wawasan yang berguna.
Paling tidak, perlu untuk membahas operasionalisasi konstruk untuk
mendapatkan perspektif selain Anda sendiri.
Proses menerjemahkan konstruk teoretis menjadi sesuatu yang
terukur secara empiris dikenal sebagai operasionalisasi. Penulis
memiliki tujuan penelitian yang telah disempurnakan menjadi
pertanyaan penelitian berdasarkan logika buku. Penulis memperoleh
konsep teoretis, yang penulis definisikan sebagai konstruk terukur,
dari pertanyaan penelitian. Untuk menjawab pertanyaan penelitian,
pertama-tama kita harus menentukan bagaimana mengukur konstruk
teoretis. Hal itu dicapai dengan mengoperasionalkan konstruksi
teoretis.
Sebagai contoh, perusahaan kopi merek IrenX. Pada tahun 2018,
mereka menghasilkan pendapatan sekitar 120 juta dolar di tiga wilayah
global. Jika IrenX tertarik untuk mempelajari bagaimana bisnis mereka
telah berkembang di seluruh wilayah dalam beberapa tahun terakhir,
mereka dapat bertanya, “Bagaimana pendapatan daerah IrenX berubah
dalam beberapa tahun terakhir?” hal itu memerlukan operasionalisasi
IrenX, pendapatan daerah, dan beberapa tahun terakhir.
Sepintas, mengoperasionalkan konstruk teoretis ini mungkin
tampak sederhana. Tapi apa sebenarnya pendapatan daerah itu? Ini
memerlukan definisi daerah serta pendapatan. Karena IrenX berbasis di
Indonesia, kita dapat mengasumsikan bahwa pendapatan didefinisikan
sesuai dengan standar akuntansi Indonesia. Tetapi bagaimana
jika pendapatan didefinisikan secara berbeda di berbagai daerah?

SPSS dan Smart-PLS
Negara apa saja yang termasuk dalam masing-masing wilayah global,
dalam hal ini? IrenX mungkin ingin membandingkan pertumbuhan
pendapatannya dengan perusahaan lain dalam industrinya. Untuk
melakukannya, mereka harus memiliki pendapatan yang sebanding
secara geografis. Mendefinisikan IrenX bisa lebih sulit karena, karena
mereka telah mengglobal, mereka mungkin memiliki perjanjian lisensi,
agen impor, dan usaha patungan yang membuat penentuan batas-batas
apa yang bisa dan tidak itu sulit.
Contoh tersebut menunjukkan bahwa istilah yang relatif sederhana
sekalipun memerlukan pemikiran yang cermat ketika menentukan
bagaimana mengukur suatu konstruk. Proses pencatatan pengamatan
sesuai dengan aturan dikenal sebagai pengukuran. Banyak konstruk
teoretis yang laten dan dengan demikian tidak dapat diamati secara
langsung. Bahkan hubungan antara konstruk mungkin tidak terlihat.
Sebagai contoh, pertimbangkan hubungan antara “kepuasan pelanggan”
dan “loyalitas pelanggan”. Semua hal lain dianggap sama, menurut teori,
semakin puas seorang pelanggan, semakin loyal dia. Untuk menguji teori
itu, pertama-tama kita harus mendefinisikan dan mengoperasionalkan
kepuasan pelanggan dan loyalitas pelanggan sebagai variabel yang
dapat diukur secara empiris.
Menurut Bagozzi (1994), tidaklah tepat jika menganggap
pengukuran hanya sebagai operasi untuk merekam suatu fenomena.
“Pengukuran mencapai makna dalam kaitannya dengan konsep
teoretis tertentu yang tertanam dalam jaringan konsep, dengan seluruh
jaringan yang digunakan.” Hal itu berarti bahwa variabel individu
tidak boleh diukur secara terpisah. “Operasi pengukuran untuk istilah
yang terkait secara teoretis harus dilihat dalam konteks.” Hubungan
hipotesis antara konstruk laten teoretis kepuasan pelanggan dan
loyalitas pelanggan digambarkan pada Gambar 5.3. Bergerak dari
bidang teoretis ke empiris, sepuluh pertanyaan dalam kuesioner adalah
operasionalisasi dari konstruksi laten. Hal tersebut adalah metode
untuk menentukan tingkat kepuasan dan loyalitas pelanggan. Kita
dapat menarik kesimpulan tentang hipotesis hubungan antara konsep-

SPSS dan Smart-PLS
konsep jika langkah-langkahnya valid dan andal, yang berarti mereka
secara akurat mencerminkan konsep teoretis “benar”.
Gambar 5.3 Dari Teori ke Data Empiris
Umum untuk mengatakan bahwa validitas adalah kondisi

yang diperlukan tetapi tidak cukup. Pengukuran harus valid untuk
mengukur apa yang ingin kita ukur. Melupakan pertanyaan penting
ketika mengukur suatu konsep adalah contoh kesalahan sistematis.
Hal itu berarti bahwa dimensi konsep tidak sepenuhnya terwakili, yang
mengurangi validitas ukuran. Beberapa responden, tetapi tidak semua,
mungkin salah memahami kata-kata dari salah satu pertanyaan karena
kesalahan acak. Hal tersebut dapat dinyatakan sebagai persamaan
sederhana: XO = XT + XS + XR.
XO: nilai yang diamati.
XT: nilai sebenarnya.
XS: kesalahan sistematis.
XR: kesalahan acak.
Sederhananya, nilai yang diamati sama dengan nilai sebenarnya
ditambah kesalahan sistematis dan acak. Ketika nilai yang diamati sama
dengan nilai sebenarnya (XO = XT), validitasnya paling tinggi. Kesalahan
acak sama dengan nol (XR = 0) jika pengukuran benar-benar andal.
Pengukuran tidak pernah sempurna dalam praktik. Akibatnya, dalam
pengaturan penelitian apa pun, pengukuran adalah pertanyaan tentang
tingkat validitas dan reliabilitas.

SPSS dan Smart-PLS
Dalam ilmu sosial, kita sering mengukur konstruk seperti sikap,
persepsi, dan nilai. Konstruk kompleks seperti itu jarang diukur dengan
tepat dengan satu pertanyaan atau pengamatan. Sebagai contoh, saya
sering bertanya kepada mahasiswa saya apakah mereka percaya bahwa
saya pantas menilai kecerdasan mereka dengan satu pertanyaan.
Kecerdasan, seperti banyak konstruksi sosial lainnya, bersifat
multidimensi dan memerlukan banyak pengukuran. Pada Gambar 5.3,
lima pertanyaan pada bidang empiris digunakan untuk menilai masing-
masing dari dua konstruk teoretis. Panah yang menunjuk dari konstruk
ke pertanyaan menunjukkan bahwa pertanyaan tersebut merupakan
refleksi dari konstruk yang diukur.
5.4 Validitas
Mengevaluasi validitas itu sulit, dan banyak jenis validitas yang
biasa dibahas. Penulis membahas perbedaan antara validitas internal
dan eksternal, serta reliabilitas, sebelumnya dalam buku ini. Pada
bagian ini, kita akan melihat berbagai jenis pengukuran validitas dan
reliabilitas. Penulis berkonsentrasi pada instrumen pengukuran yang
penulis gunakan, dengan penekanan khusus pada pertanyaan kuesioner.
Validitas konten, validitas konstruk (konvergen dan diskriminan),
validitas wajah, dan validitas kesimpulan statistik akan dibahas.
5.4.1 Validitas Konten
Sejauh mana pengukuran menangkap seluruh konstruk teoretis
disebut sebagai validitas konten atau validitas isi. Misalnya, jika kita
ingin mengukur kepercayaan antarpribadi antara dua rekan kerja,
pertama-tama kita harus memeriksa pustaka yang relevan untuk
menentukan bagaimana kepercayaan tempat kerja antarpribadi
didefinisikan. Setidaknya dua dimensi akan hadir. Salah satunya
adalah dimensi kalkulatif, di mana dua rekan kerja saling percaya
(atau tidak percaya) satu sama lain berdasarkan penilaian
profesionalisme yang objektif. Faktor lainnya adalah kepercayaan
emosional (afektif) yang berkembang sebagai hasil dari kontak
dan persahabatan. Untuk menangkap isi kepercayaan tempat kerja
interpersonal, setidaknya dua ukuran harus digunakan: satu untuk

SPSS dan Smart-PLS
mengukur kepercayaan kalkulatif dan yang lainnya untuk mengukur
kepercayaan afektif. Banyak konstruksi telah memvalidasi langkah-
langkah dalam artikel empiris yang telah diterbitkan.
Cara terbaik adalah menggunakan langkah-langkah yang telah
ditetapkan dan jika perlu, menyesuaikannya dengan keadaan
khusus Anda. Kecuali tidak ada lagi yang tersedia, bukanlah ide
yang baik untuk menciptakan langkah-langkah baru. Jika tidak ada
ukuran yang ditetapkan, gunakan definisi konseptual, kelompok
fokus, atau wawancara untuk menentukan isi konstruksi untuk
populasi Anda sebelum mengembangkan ukuran.
5.4.2 Validitas Konstruk
Validitas konstruk sangat penting ketika mengukur beberapa
konstruk dan hubungannya. “Pada dasarnya, validitas konstruk
berkaitan dengan sejauh mana ukuran tertentu berhubungan
dengan ukuran lain yang konsisten dengan hipotesis yang
diturunkan secara teoretis mengenai konsep (atau konstruk) yang
sedang diukur,” (Carmines dan Zeller, 1979). Validitas konstruk
sangat penting ketika konstruk adalah konstruk laten. Sejauh mana
ukuran terkait dengan konstruk tertentu dan tidak terkait dengan
konstruk lain disebut sebagai validitas konstruk. Hal tersebut
diungkapkan dan dinilai menggunakan dua sub-dimensi:
1. Validitas konvergen mengacu pada seberapa dekat langkah-
langkah spesifik bertemu pada sebuah konstruk. Ukuran dari
konstruk yang sama memiliki tingkat korelasi yang tinggi.
2. Sejauh mana ukuran yang sama tidak menyatu pada konstruk
lain disebut sebagai validitas diskriminan. Ukuran dari satu
konstruk tidak boleh memiliki korelasi yang tinggi dengan
ukuran yang lain.
Dalam contoh yang ditunjukkan pada Gambar. 5.3, validitas
konstruk dicapai jika pertanyaan 1-5 bertemu pada kepuasan
pelanggan daripada loyalitas pelanggan, dan pertanyaan 6-10
bertemu pada loyalitas pelanggan daripada kepuasan pelanggan.

SPSS dan Smart-PLS
5.4.3 Validitas Wajah atau Logis
Validitas wajah atau Logis adalah jenis evaluasi pengukuran yang
paling dasar dan tidak boleh dikacaukan dengan validitas isi/konten.
Penilaian subjektif apakah ukuran mengukur apa yang seharusnya
diukur dikenal sebagai validitas wajah. Apakah pengukurannya
logis? Apakah langkah-langkahnya begitu jelas sehingga semua
orang menyetujuinya? Bertanya kepada ahli atau orang yang akrab
dengan konsep adalah cara yang baik untuk menetapkan validitas
wajah. Sebelum melakukan survei lengkap, Anda dapat meminta
sekelompok kecil responden untuk memberikan umpan balik atas
kuesioner Anda.
5.4.4 Validitas Kesimpulan Statistik

Validitas kesimpulan statistik adalah sejauh mana kesimpulan
didukung oleh analisis statistik, dan sering dikaitkan dengan
kesimpulan tentang kovarians. Jika kita memiliki inkonsistensi
yang tinggi dalam instrumen pengukuran, dalam pengaturan, dan
dalam pengolahan data, kita memiliki reliabilitas yang rendah yang
melemahkan validitas kesimpulan statistik.
5.5 Reliabilitas atau Keandalan

Sejauh mana pengukuran menghasilkan hasil yang konsisten
ketika diulang disebut sebagai reliabilitas. Kesalahan acak ada di
semua pengukuran. Pengukuran dengan kesalahan acak rendah
memiliki tingkat ketergantungan yang tinggi. Jika kita menggunakan
kuesioner untuk menilai kepuasan pelanggan, akan ada faktor acak
yang mempengaruhi bagaimana responden merespons. Jika kita
langsung mengukurnya kembali dengan responden yang sama, dengan
asumsi tidak ada perubahan yang signifikan, hasilnya akan sedikit
berbeda. Secara umum, pengukuran berulang akan sangat mirip jika
responden memiliki pendapat yang berkembang dengan baik tentang
apa yang kita ukur. Mereka secara efektif menebak jawaban jika mereka
tidak mengembangkan pendapat dan keacakan meningkat. Dalam
konteks ini, reliabilitas tidak hanya ditentukan oleh kualitas instrumen
pengukuran (kuesioner), tetapi juga oleh konteks dan responden. Nanti

SPSS dan Smart-PLS
di buku ini, penulis akan mendemonstrasikan bagaimana menghitung
reliabilitas menggunakan Cronbach’s Alpha, ukuran konsistensi internal
dari beberapa ukuran. Kita dapat mengevaluasi kualitas kuesioner
menggunakan analisis faktor.
Empat jenis validitas (konten, konstruk, wajah, dan kesimpulan
statistik), serta reliabilitas, semuanya telah dibahas dalam konteks
mengevaluasi instrumen pengukuran, dalam hal ini kuesioner. Namun,
konsep validitas dan reliabilitas dapat diterapkan pada keseluruhan
desain penelitian. Ketika datang ke eksperimen, penulis telah
menyebutkan bahwa validitas internal dan eksternal sangat penting.
Penulis membahas keuntungan dan kerugian dari berbagai desain
penelitian (misalnya, percobaan laboratorium atau lapangan). Mengacu
kembali ke persamaan yang kita gunakan untuk menyatakan validitas
(XO = XT + XS + XR), sangat penting untuk menghindari kesalahan acak
dan sistematis sebanyak mungkin. Kesalahan survei dapat dievaluasi
dengan menggunakan jenis sampel dan ukuran sampel. Sampel
probabilitas memungkinkan pengukuran kesalahan acak, sedangkan
sampel tidak.
Mengacu kembali pada diskusi kita tentang filsafat ilmu di Bab 1,
seorang konstruktivis yang gigih akan menolak apa yang baru saja kita
tulis tentang validitas dan reliabilitas. Penulis secara implisit mengambil
sikap positivis dengan menyiratkan bahwa validitas dan reliabilitas ada
secara independen dari fenomena dan dapat diukur secara objektif
sampai batas tertentu. Hal tersebut adalah hal yang sangat baik dan
berani saya katakan, poin yang valid untuk diingat. Penulis sedang
menyelidiki fenomena sosial dalam sistem yang sangat kompleks.
Orang, atau responden, memiliki pengalaman subjektif tentang dunia.
Bagaimana kita dapat mengukur dan menarik kesimpulan tentang
orang-orang tanpa memperhitungkan konteks dan pengalaman pribadi
mereka? Seberapa andalkah sudut pandang positivis?
Di sinilah ketegangan antara positivisme dan konstruktivisme
muncul. Jangan biarkan angka menipu Anda. Pada saat yang sama,
ada kepercayaan dan perilaku bersama di antara anggota kelompok.
Konstruktivisme dan positivisme berkolaborasi melalui desain

SPSS dan Smart-PLS
penelitian eksplorasi, deskriptif, dan kausal dalam siklus eksplorasi dan
pengujian ide yang tidak pernah berakhir.
5.6 Skala Pengukuran
Pengukuran memerlukan pencatatan jumlah sesuatu, yang bisa
menjadi karakteristik pribadi atau bisnis. Karakteristik adalah variabel
yang dapat diukur pada empat skala yang berbeda tergantung pada
sifatnya (nominal, ordinal, interval, dan rasio). Hal itu disebut sebagai
tingkat pengukuran. Penulis mengukur frekuensi variabel diskret pada
tingkat paling dasar (nominal). Mereka ada atau tidak ada; tidak ada
peringkat. Semua fungsi aritmatika dimungkinkan pada tingkat (rasio)
tertinggi, sehingga kita dapat menghitung rata-rata. Sebagai aturan
umum, selalu ukur pada tingkat setinggi mungkin. Kita akan melihat
contoh skala Likert dan diferensial semantik, yang sering digunakan
dalam kuesioner (Gambar 5.4).
Skala Nominal
Skala tingkat nominal hanya berfungsi sebagai dasar untuk
mengategorikan pengamatan. Jenis kelamin dan tempat tinggal adalah
contoh klasik bagi individu; afiliasi industri adalah contoh klasik untuk
bisnis. Kategori variabel tersebut adalah keadaan yang tidak peringkat
satu di atas atau di bawah yang lain. Frekuensi penting dalam arti bahwa
satu negara mungkin memiliki lebih banyak kantor pusat daripada yang
lain (Gambar 5.5).
Gambar 5.4 Tingkat Pengukuran

SPSS dan Smart-PLS
Penulis menyarankan Anda untuk selalu mengukur pada tingkat
setinggi mungkin. Kadang-kadang mungkin untuk maju melalui sedikit
kecerdikan. Misalnya, Anda dapat meminta responden untuk memilih
empat karakteristik terpenting dari seorang manajer yang baik dari
daftar sepuluh ciri kepribadian. Hal tersebut benar-benar ukuran
nominal karena Anda hanya dapat menunjukkan frekuensi pilihan. Tidak
ada peringkat karakteristik dan beberapa frekuensi mungkin memiliki
frekuensi yang sama. Hal ini dimungkinkan untuk menyatakan bahwa
itu adalah frekuensi yang diperkirakan. Namun, itu masih merupakan
pengukuran kasar. Sebaliknya, buatlah daftar sepuluh ciri kepribadian
dan kemudian tanyakan, pada skala 1-7 (1 rendah, 7 tinggi), seberapa
penting sifat ini untuk menjadi manajer yang baik? Hal tersebut
menghasilkan ukuran ordinal, akan tetapi dapat juga diperlakukan
sebagai interval.
Skala Ordinal
Skala tingkat ordinal memiliki kategori yang dapat diurutkan dalam
urutan tertentu. Skala tersebut tidak selalu menentukan berapa nilai
satu kategori dibandingkan dengan kategori lainnya. Umum dalam
kuesioner untuk menanyakan tingkat pendidikan seseorang dan
menyarankan kategori seperti (1) sekolah dasar, (2) sekolah menengah,
dan (3) pendidikan universitas. Kategori diatur dengan jelas; namun,
jumlah tahun yang dihabiskan di setiap kategori sangat bervariasi
di seluruh program pendidikan dan wilayah. Tidaklah tepat untuk
mencoba menghitung rata-rata pendidikan dengan menggunakan skala
ini.
Gambar 5.5 Contoh Skala Nominal

SPSS dan Smart-PLS
Skala ordinal juga digunakan ketika responden ditanya seberapa
setuju atau tidak setujunya mereka dengan suatu pernyataan (lihat
Gambar 5.6).
Gambar 5.6 Skala Ordinal (dapat juga menjadi Interval)
Setiap angka dari 1 hingga 5 mewakili peringkat, bukan jarak di

dalam atau di antara kategori. Meskipun demikian, skala ordinal sering
diperlakukan seolah-olah mereka adalah skala kontinu (interval).
Skala Interval
Skala level interval diberi peringkat dan perbedaan nilai antara
setiap level adalah signifikan. Hal itu akan menjadi skala level interval
jika kita mengetahui jarak antara setiap angka pada contoh skala
ordinal Gambar 5.6 dan jaraknya sama. Pada skala interval, titik nol
mutlak tidak diperlukan.
Suhu adalah contoh klasik dari skala interval. Suhu secara
tradisional diukur dalam Fahrenheit di Amerika Serikat, sedangkan
Celsius digunakan di sebagian besar belahan dunia lainnya. Titik beku
air adalah nol pada skala Celsius yang dikembangkan oleh Anders
Celsius di Universitas Uppsala, dan titik didih air adalah 100. Air
memiliki titik beku 32 dan titik didih 212 pada skala Daniel Fahrenheit.
Nol didefinisikan oleh Fahrenheit sebagai campuran yang sama dari air,
es, dan garam. Manusia dewasa yang sehat seharusnya memiliki suhu
98,6 derajat Fahrenheit atau 37 derajat Celcius hari ini. Karena jarak
antara setiap nilai sama dalam setiap skala, kita dapat menghitung suhu
rata-rata untuk serangkaian pengamatan terlepas dari skalanya.
Walaupun terdapat perbedaan antara skala ordinal dan interval,
penulis berkeyakinan bahwa skala Likert atau semantik diferensial
merupakan skala interval, karena perbedaan nilai angka cukup jelas
dan dapat dimaknai setiap angkanya.

SPSS dan Smart-PLS
Gambar 5.7 Skala Rasio
Skala Rasio
Skala tingkat rasio memiliki karakteristik yang sama dengan skala
interval, tetapi mereka juga memiliki nol mutlak. Hal terebut berarti
bahwa mungkin untuk menyatakan berapa kali satu nilai lebih besar dari
yang lain. Usia, pendapatan, dan jumlah kunjungan toko adalah variabel
dengan titik nol mutlak. Benar untuk mengatakan bahwa seseorang
yang berusia di atas 40 tahun dua kali lebih tua dari seseorang yang
berusia di bawah 20 tahun. Seseorang yang berpenghasilan $50.000 per
tahun menghasilkan lima kali lipat dari seseorang yang berpenghasilan
$10.000 per tahun. Pelanggan yang mengunjungi toko enam kali bulan
ini dan tiga kali bulan lalu memiliki lebih dari dua kali lipat jumlah
kunjungan bulan ini (Gambar 5.7).
5.6.1 Metode Parametrik versus Non-parametrik

Ketika memutuskan bagaimana mengukur sesuatu, sangat
penting untuk mempertimbangkan bagaimana data akan dianalisis.
Metode statistik yang paling canggih, termasuk pada pengukuran
interval atau rasio, didasarkan pada metode statistik parametrik.
Metode statistik parametrik tidak boleh digunakan dengan data
tingkat ordinal atau nominal, dan selalunya data berdistribusi
normal. Sedangkan metode statistik non-parametrik dapat
melingkupi semua tingkat data dan tidak memerlukan distribusi
data yang normal. Oleh karena itu, penulis menyarankan Anda
untuk selalu mengukur pada tingkat setinggi mungkin. Data pada
tingkat interval dan rasio selalu dapat diubah menjadi kelompok
ordinal atau nominal. Sebuah ukuran tingkat yang lebih rendah, di
sisi lain, tidak dapat dikonversi ke tingkat yang lebih tinggi.

SPSS dan Smart-PLS
Skala yang disebut interval adalah satu pengecualian untuk
aturan tingkat pengukuran. Hal itu telah disebutkan sebelumnya
di bagian tentang skala ordinal. Skala tipe Likert, seperti yang
ditunjukkan pada Gambar 5.6, sering diperlakukan seolah-olah
mereka berada pada tingkat pengukuran yang lebih tinggi. Hal
tersebut memungkinkan variabel untuk digunakan dengan metode
statistik parametrik yang lebih luas.
5.7 Evaluasi Sikap dan Persepsi

Sikap berkembang dari waktu ke waktu sebagai akibat dari
bagaimana orang memandang fenomena. Mereka tidak dapat diamati
secara langsung dan dengan demikian sulit untuk diukur. Meskipun
demikian, mengukur sikap dan persepsi sering diperlukan dalam
penelitian. Karena pertanyaan tunggal tidak menangkap dimensinya,
mereka biasanya diukur dengan menggunakan serangkaian pertanyaan
(Gambar 5.8). Setiap pertanyaan dirancang untuk menilai aspek
konstruksi yang berbeda. Hal tersebut berlaku untuk semua konstruksi
sosial yang kompleks secara umum.
Dalam ilmu sosial, dua jenis rangkaian pertanyaan telah
mendominasi: skala Likert dan skala diferensial semantik. Penulis akan
memberikan gambaran singkat tentang kedua skala ini, dengan fokus
pada tingkat pengukuran.
Gambar 5.8 Menggunakan Beberapa Pertanyaan untuk Mengukur Sebuah

Konstruk

SPSS dan Smart-PLS
Skala Likert
Skala Likert dinamai Rensis Likert (1932), seorang psikolog yang
pertama kali menggambarkan metode pengukuran sikap ini. Responden
diminta untuk menilai seberapa besar mereka setuju atau tidak setuju
dengan serangkaian pernyataan tentang fenomena yang diteliti. Secara
tradisional, skala respons dengan lima opsi respons telah digunakan.
Peneliti sering menggunakan lebih banyak pilihan jawaban (6, 7, dan
10) dan seringkali hanya menggunakan jangkar seperti sangat setuju
dan sangat tidak setuju, membiarkan pilihan tengah kosong (Gambar
5.9).
Berikut ini adalah prosedur pengembangan skala:
1. Tulis definisi teoretis dari setiap konstruk.
2. Dari skala yang ada dalam pustaka dan penelitian kualitatif,
menyusun daftar pertanyaan yang sepenuhnya mencakup dimensi
konstruk.
3. Edit pertanyaan berdasarkan saran dari ahli yang tersedia.
4. Ujilah pertanyaan-pertanyaan tersebut pada sampel kecil responden
dan mintalah mereka untuk mengomentari skalanya.
5. Jalankan analisis statistik sederhana. Korelasi dan reliabilitas, dan
jika ukuran sampel memungkinkan, gunakan analisis faktor.
6. Berdasarkan hasil, edit pertanyaan dan selesaikan kuesioner, atau
jika perlu, ulangi kembali prosesnya.
Gambar 5.9 Skala Likert Klasik
Sebelum survei utama, daftar pertanyaan harus selalu diuji

sebelumnya pada sampel kecil. Cari pertanyaan di mana semua orang
menjawab dengan cara yang sama dan merevisi atau menghapusnya.
Ketika tidak ada variasi dalam jawaban atas sebuah pertanyaan, itu
berarti bahwa pertanyaan tersebut tidak menangkap variasi dalam

SPSS dan Smart-PLS
persepsi yang Anda coba ukur. Analisis korelasi juga harus digunakan
untuk menguji kovarians antarpertanyaan. Ketika pertanyaan
dimaksudkan untuk mewakili konsep yang sama, mereka harus
berkorelasi tinggi. Korelasi antara pertanyaan untuk konstruksi yang
berbeda harus rendah.
Cronbach’s alpha harus digunakan untuk menguji reliabilitas
setiap rangkaian pertanyaan konstruk. Tingkat reliabilitas yang
diterima secara umum untuk ukuran konstruk adalah 0,7. (Nunnally,
1978). Pertanyaan yang tidak berkorelasi seperti yang diharapkan
atau tidak dapat diandalkan, dalam banyak kasus, harus dikeluarkan
dari kuesioner. Pertanyaan yang tersisa akan dimasukkan dalam
kuesioner survei utama. Ingatlah bahwa dimensi konstruksi teoretis
harus terwakili secara memadai setelah diedit. Jika tidak, proses harus
dimulai ulang atau definisi diubah.
Beberapa peneliti memilih untuk menggabungkan pertanyaan
bernada positif dan negatif dalam versi final untuk meningkatkan
keterlibatan responden. Misalnya, dengan menggunakan jangkar sangat
setuju dan sangat tidak setuju, seorang responden dapat ditanya secara
positif, “Saya percaya perusahaan ini,” atau negatif, “Saya tidak percaya
perusahaan ini.” Saat mengukur sebuah konstruksi dengan kata-kata
positif dan negatif, salah satu skala harus dibalik sebelum analisis. Jika
baik negatif maupun positif tidak dibalik, mereka saling meniadakan
ketika dianalisis bersama.
Pencampuran dalam pertanyaan terbalik menghadirkan dilema,
terutama untuk kuesioner yang panjang. Responden memiliki
keterbatasan waktu dan tenaga untuk menjawab survei. Jika survei
dikirim ke manajer di tempat kerja, mereka mungkin stres untuk
menyelesaikannya dengan cepat. Responden mungkin tidak memproses
secara kognitif bahwa beberapa pertanyaan acak diberi kata-kata
negatif, yang akan menyebabkan mereka menjawab dengan benar-
benar berlawanan dengan apa yang mereka maksud, atau mereka
mungkin menjadi bingung dan membiarkan pertanyaan kosong atau
menebak jawaban secara acak. Jika Anda memilih untuk memasukkan
pertanyaan dengan kata-kata negatif, perhatikan secara khusus bahwa

SPSS dan Smart-PLS
mereka mungkin memiliki varians yang jauh lebih tinggi atau nilai
yang hilang jika dibandingkan dengan pertanyaan dengan kata-kata
positif dalam skala yang sama. Jika itu masalahnya, pertanyaan harus
dikeluarkan dari analisis.
Nilai skala alternatif dapat digunakan, misalnya, -2, -1, 0, 1, 2, dan
opsi respons lainnya seperti skala 7 poin atau 10 poin. Secara umum,
lihat bagaimana konstruk telah diukur sebelumnya dan nilai skala mana
yang mereka gunakan. Kemudian, tentukan nilai mana yang paling
sesuai dengan tujuan Anda. Menggunakan skala tanpa titik tengah,
seperti skala 6 poin atau 10 poin, memaksa responden untuk memilih
antara setuju dan tidak setuju. Manfaatnya harus seimbang dengan
kerugian responden yang tidak dapat bersikap ambivalen tentang suatu
pertanyaan jika mereka memilih demikian. Memaksa responden untuk
mengambil posisi dapat membuat mereka frustrasi dan meningkatkan
non-respons.
Terdapat beberapa peneliti yang memperlakukan skala ordinal
seolah-olah mereka adalah metrik. Hal itu bermasalah untuk analisis
statistik karena kemungkinan jarak yang tidak sama antara titik
respons dan fakta bahwa banyak statistik mengasumsikan data
terdistribusi normal. Jika Anda memilih untuk berkompromi tentang
cara memperlakukan data ordinal, memiliki lebih banyak opsi respons,
seperti tujuh atau sepuluh, dan mengukur konstruksi dengan banyak
pertanyaan akan meringankan masalah. Ketika beberapa pertanyaan
dapat diandalkan dan valid, pertanyaan di setiap konstruk biasanya
ditambahkan bersama untuk membuat ukuran agregat. Tindakan
individual memiliki lebih sedikit kesalahan dan lebih terdistribusi
secara normal daripada tindakan agregat dengan lebih banyak opsi
respons. Meskipun demikian, Anda hanya mengobati gejalanya.
Skala Diferensial Semantik

Skala kedua, yang telah menjadi klasik dalam penelitian bisnis,
disebut skala diferensial semantik. Skala awalnya digunakan untuk
mengukur struktur yang mendasari kata dan arti kata (Osgood et
al., 1957). Hal itu kemudian disesuaikan dengan ukuran citra, yang

SPSS dan Smart-PLS
dalam istilah bisnis berkaitan dengan citra merek. Proses pengukuran
dimulai dengan menentukan atribut-atribut yang membentuk citra.
Untuk setiap atribut, Anda menetapkan dua jangkar kutub untuk skala.
Dengan menggunakan contoh harga, Anda dapat memiliki monopolar
(harga tinggi–harga rendah) atau bipolar (mahal–murah). Biasanya,
responden diminta untuk memutuskan bagaimana mereka memandang
objek dengan menempatkannya pada skala antara dua nilai ekstrem
untuk setiap atribut. Seringkali, skala 7 poin digunakan di mana hanya
dua nilai jangkar yang diberi nama (lihat Gambar 5.10). Tidak jarang
menggunakan 20-30 atribut dalam survei; namun, semakin banyak
atribut, semakin kompleks jadinya.
Gambar 5.10 Skala Diferensial Semantik
Beberapa peneliti merekomendasikan menggunakan nilai median

daripada nilai rata-rata (mean). Ketika pengamatan disusun dalam
urutan menaik atau menurun, median adalah nilai tengah. Median
kurang sensitif terhadap penyimpangan dari normalitas dan nilai
ekstrem daripada mean. Namun, dalam praktiknya, adalah umum
untuk mengasumsikan bahwa intervalnya sama dan menghitung mean
menggunakan nilai pada skala.

SPSS dan Smart-PLS
Gambar 5.11 Hasil Skala Diferensial Semantik
Berbeda dengan skala Likert, di mana beberapa pertanyaan

digabungkan untuk membentuk konstruksi agregat, hasil skala
diferensial semantik sering ditampilkan atribut demi atribut, dengan
diagram ular yang menghubungkan titik pusat untuk setiap atribut
(Gambar 5.11). Mereka sering digunakan untuk membandingkan dua
citra merek yang bersaing pada atribut utama untuk kelompok sasaran.
Harga yang dirasakan tinggi (merek IrenX) dibandingkan dengan harga
(merek pesaing) yang dirasakan lebih rendah pada contoh di Gambar
5.11. Mungkin mengkhawatirkan bahwa, terlepas dari perbedaan harga
yang dirasakan, mereka dianggap kira-kira sama dalam hal layanan.
Tindakan manajerial yang berbeda dapat diambil untuk mengatasi
semua dimensi.
5.8 Nilai Skala

Kuesioner mencakup berbagai pertanyaan tentang fakta (misalnya,
pertanyaan demografis seperti usia dan jenis kelamin), perilaku
(misalnya, kebiasaan belanja online versus offline), pengetahuan
(misalnya, kesadaran merek), dan sikap, pendapat, serta persepsi.
Tantangan setiap peneliti adalah membuat kuesioner yang menghasilkan
hasil yang valid dan dapat diandalkan. Bagian ini membahas berbagai
jenis nilai skala.

SPSS dan Smart-PLS
Gambar 5.12 Skala Komparatif dan Non-komparatif
Skala item tunggal dan banyak item (komposit) biasanya dibedakan.

Skala komposit adalah rangkaian pertanyaan yang menangkap berbagai
dimensi dari konstruk yang didefinisikan secara teoretis. Seperti yang
dinyatakan sebelumnya, skala Likert dan skala diferensial semantik
banyak digunakan untuk menilai dimensi tunggal dan ganda. Ingat bahwa
skala komposit dapat dipecah dan didefinisikan sebagai kumpulan
skala item tunggal. Dimensi adalah masalah definisi. Belajar, misalnya,
sering didefinisikan memiliki tiga dimensi: (1) berbagi informasi, (2)
pemrosesan informasi, dan (3) menghafal. Sebagai alternatif, kita dapat
memperlakukan setiap dimensi pembelajaran sebagai konstruk yang
terpisah.
Skala diklasifikasikan menjadi dua jenis: komparatif dan non-
komparatif. Ketika menjawab pertanyaan pada skala komparatif,
responden diminta untuk membandingkan dua atau lebih alternatif
(seperti dua produk). Skala non-komparatif menanyakan tentang
fenomena tunggal (seperti satu produk). Ada banyak variasi dalam
setiap jenis, beberapa di antaranya akan penulis soroti (Gambar 5.12).
Skala Perbandingan
Skala komparatif meminta responden untuk membandingkan
alternatif, baik dalam skala atau, seperti dalam kasus skala semantik,

SPSS dan Smart-PLS
membandingkan dua alternatif pada atribut yang berbeda. Jenis skala
komparatif yang paling umum adalah skala peringkat. Responden
diminta untuk mengurutkan serangkaian opsi menggunakan kriteria
yang disediakan. Misalnya, bank mungkin ingin mengetahui saluran
komunikasi mana yang paling penting bagi pelanggan yang ingin
menginvestasikan sejumlah uang yang relatif besar (Gambar 5.13).
Gambar 5.13 Skala Peringkat
Skala peringkat menghasilkan data pada tingkat ordinal. Penulis

tidak dapat mengatakan seberapa jauh lebih baik satu alternatif
dibandingkan dengan yang lain; kita hanya bisa mengatakan bahwa
yang satu lebih disukai daripada yang lain. Ketika ada banyak pilihan,
responden kesulitan memeringkatnya. Mereka mungkin tertarik
pada beberapa alternatif, tetapi tidak semuanya. Ketika ada beberapa
pilihan, salah satu solusinya adalah meminta responden untuk memilih
dan memberi peringkat tiga atau empat teratas. Bahkan jika beberapa
responden ragu-ragu, skala memaksa mereka untuk memprioritaskan,
yang dapat merusak validitas peringkat. Namun, skala peringkat dapat
berguna dalam beberapa situasi.
Skala jumlah konstan adalah penyempurnaan peringkat. Responden
diinstruksikan untuk menetapkan sejumlah poin, seperti 100, ke salah
satu dari beberapa alternatif. Hal tersebut tidak hanya memberikan
peringkat ordinal, tetapi juga informasi tentang perbedaan antara

SPSS dan Smart-PLS
alternatif. Melanjutkan contoh investasi dari Gambar 5.13, responden
diminta untuk mengalokasikan poin sebagai gantinya (Gambar 5.14).
Gambar 5.14 Skala Jumlah Konstan
Dalam contoh Gambar 5.14, penulis menunjukkan bagaimana

responden menilai skala. Pilihan responden yang luar biasa untuk
bertemu langsung guna membahas investasi besar ditunjukkan oleh 75
poinnya dalam alternatif tatap muka. Seperti skala peringkat sederhana,
jika ada terlalu banyak alternatif, responden mungkin kesulitan
dengan alokasi. Ingatlah bahwa jenis skala ini sulit untuk digunakan
selama wawancara karena responden mungkin ingin waktu untuk
mempertimbangkan alternatif, dan kehadiran pewawancara (secara
langsung atau melalui telepon) dapat membuat responden stres dan
mengurangi validitas jawaban.
Skala Non-komparatif
Skala non-komparatif menilai hal-hal secara terpisah, tidak
dibandingkan dengan hal lain. Skala Likert yang telah kita diskusikan
sebelumnya seringkali non-komparatif. Responden diberikan sejumlah
pilihan jawaban yang terbatas untuk dipilih (Gambar 5.15).
Gambar 5.15 Skala Non-komparatif

SPSS dan Smart-PLS
Penulis hanya memberi label jangkar dalam contoh ini, dan kurangnya
nilai tengah yang netral memaksa responden untuk mengambil posisi
di kedua arah. Jika Anda khawatir pertanyaan tersebut tidak berlaku
untuk semua responden, Anda dapat memberikan alternatif jawaban
seperti “tidak berlaku” atau “tidak tahu”. Ada jumlah yang sama dari
alternatif jawaban positif (setuju) dan negatif (tidak setuju) pada skala.
Skala penilaian berkelanjutan memberikan garis bagi responden
untuk memberi tanda. Tujuan dari skala jenis ini adalah agar responden
menunjukkan persepsi mereka sebagai variabel kontinu pada sebuah
garis. Peneliti kemudian menggunakan nilai numerik yang ditentukan
oleh jarak dari titik asal (jangkar). Skala penilaian berkelanjutan jarang
digunakan dalam praktik karena ketergantungan skala tersebut telah
terbukti sangat rendah (Gambar 5.16).
Gambar 5.16 Skala Penilaian Berkelanjutan
5.9 Rumusan dan Urutan Pertanyaan

Sejauh ini, semua contoh penulis adalah skala terstruktur dengan
opsi jawaban tertutup. Skala diklasifikasikan sebagai berikut:
a) Respons terbuka di mana responden merespons dengan kata-kata
mereka sendiri.
b) Tanggapan tertutup, di mana jawaban disajikan sebagai alternatif
untuk dipilih.
Manfaat besar dari pertanyaan terbuka adalah responden dapat
mengungkapkan pendapat mereka sesuka mereka. Memulai kuesioner
dengan pertanyaan terbuka dapat bermanfaat karena terkadang
mendorong keterlibatan responden. Hal tersebut juga membantu analis
dalam mengembangkan pemahaman yang lebih mendalam dari setiap
responden. Hal itu juga berguna bagi adanya terlalu banyak alternatif
untuk diungkapkan dalam pertanyaan tertutup, atau bagi peneliti yang
tidak memahami alternatif jawaban dengan baik. Pertanyaan tertutup

SPSS dan Smart-PLS
didasarkan pada pandangan dunia peneliti, yang mungkin atau tidak
dimiliki oleh responden.
Terlepas dari banyak keuntungannya, pertanyaan terbuka
jarang digunakan. Hal tersebut dikarenakan banyaknya kekurangan.
Tanggapan akan sangat dipengaruhi oleh kemampuan responden
untuk mengekspresikan diri dan kemampuan analis untuk
menginterpretasikan tanggapan. Pengkodean data, yang merupakan
proses interpretasi analis, adalah proses yang memakan waktu. Hal
itu menciptakan teka-teki dalam memutuskan seberapa detailnya
saat mempresentasikan hasil. Sebagai contoh, sejumlah besar sampel
manajer pada bahan makanan Indonesia ditanyai beberapa tahun lalu,
“Menurut Anda apa masalah terpenting yang dihadapi pengecer bahan
makanan saat ini?” Ada delapan kategori utama dan 39 subkategori
setelah pengkodean. Butuh waktu lama dan hasilnya sangat bervariasi
sehingga kegunaannya terbatas (Gambar 5.17).
Ketika ditanya pertanyaan terbuka, responden sering menekankan
aspek yang berbeda dari apa yang mereka tanyakan, membuat
membandingkan jawaban menjadi sulit. Sebagian besar waktu, salah
satu aspek yang paling penting dari survei adalah untuk mendapatkan
tanggapan yang sebanding dan sampai batas tertentu, menggeneralisasi
hasil. Pertanyaan tertutup membuat hal tersebut lebih mudah dan lebih
cepat, jadi ini adalah jenis pertanyaan yang paling umum dalam survei
kuesioner.
Gambar 5.17 Pertanyaan Terbuka
Beberapa pertanyaan sebaiknya diajukan dalam format terbuka.

Misalnya, jika kita ingin mengetahui usia responden, mungkin lebih baik

SPSS dan Smart-PLS
bertanya secara langsung daripada memberikan serangkaian alternatif.
Hal itu memunculkan poin penting tentang tingkat pengukuran. Sebagai
aturan umum, selalu ukur pada tingkat setinggi mungkin. Usia adalah
variabel tingkat rasio. Ketika disajikan sebagai satu set rentang waktu,
seperti 20 dan di bawah, 21-40, 41-60, dan 61 dan lebih, itu direduksi
menjadi variabel tingkat ordinal, membatasi kemungkinan analitis.
Masalahnya dapat diselesaikan dengan menetapkan jumlah tahun yang
sama untuk setiap kategori. Namun, kecuali Anda memiliki alasan yang
kuat, tanyakan saja tentang usia. Alasan untuk membuat kategori bisa
jadi karena ketidakmampuan untuk memberikan angka yang tepat.
Gambar 5.18 Pertanyaan Ordinal untuk Variabel Tingkat Rasio
Banyak orang tidak bisa mengatakan berapa kali mereka

menggunakan transportasi umum dalam sebulan. Sebagai gantinya,
Anda mungkin ingin membuat kategori yang bermakna seperti non-
pengguna, pengguna ringan, pengguna sedang, dan pengguna tinggi.
Saat menggunakan opsi respons yang ditentukan, penting juga bahwa
alternatif mencakup semua kemungkinan jawaban. Tentu saja, ini
dapat dicapai dengan memasukkan “Lainnya” sebagai kategori. Namun,
sebagian besar tanggapan idealnya tidak termasuk dalam kategori
“lainnya” (Gambar 5.18).
5.9.1 Desain Pertanyaan

Sebagian besar buku teks memberikan pedoman untuk desain
pertanyaan yang sebenarnya, sebagai lawan dari opsi jawaban
(Gambar 5.19).
Gunakan kata-kata yang sederhana dan jelas. Tentu saja, kata-
kata yang digunakan dalam kuesioner akan bervariasi tergantung

SPSS dan Smart-PLS
pada siapa respondennya. Meskipun demikian, aturan praktis
yang baik adalah menghindari kata-kata dan konsep yang tidak
biasa. Dalam sebuah survei terhadap para ekonom, orang mungkin
bertanya apakah mereka mendukung atau menentang kebijakan
suku bunga tetap Bank Sentral Indonesia. Pertanyaan itu jelas
tidak pantas untuk masyarakat umum. Jika Anda menyurvei
masyarakat umum, tanggapannya akan didasarkan pada berbagai
interpretasi atau tebakan sederhana. Hal itu akan meningkatkan
varians kesalahan data. Menurut survei, banyak kata dan frasa yang
tampak sederhana bagi para profesional tidak dipahami oleh non-
profesional. Ketika merumuskan pertanyaan, sangat penting untuk
mencoba mengenal cara berpikir responden. Lagi pula, interpretasi
responden atas pertanyaan adalah di mana jawabannya dimulai.
Gambar 5.19 Panduan untuk Membuat Pertanyaan

“Jarang” dan “sering” adalah dua contoh kata yang tidak jelas.
Kata-kata seperti ini mungkin memiliki arti yang sangat berbeda
untuk orang yang berbeda. Mungkin ada masalah jika kata-kata
seperti itu digunakan pada tanggapan alternatif. (Apakah Anda pergi
ke teater “sering” atau “jarang” jika Anda pergi 4-5 kali setahun?)
Dalam rumusan pertanyaan, kata-kata yang tidak jelas sering
digunakan. Selama krisis pengungsi Srilangka 2022, misalnya,
survei bertanya, “Apakah Anda akan mengizinkan sementara
seorang pengungsi untuk tinggal bersama Anda?” Dalam konteks
ini, kata “sementara” menjadi ambigu dan dapat ditafsirkan dalam
berbagai cara. Bahkan istilah “pengungsi” pun ambigu. Orang muda
atau tua, perempuan atau laki-laki? Kurangnya kejelasan dapat
berdampak signifikan pada jawaban.

SPSS dan Smart-PLS
Hindari mengajukan pertanyaan yang mengarah. Sebuah
pertanyaan utama menunjukkan kepada responden jawaban mana
yang harus dia pilih. “Sejauh mana kekurangan sumber daya bisa
menjadi masalah untuk menyediakan perawatan yang layak dan
bermartabat?” seorang penyiar televisi nasional meminta pengasuh
untuk orang tua. “Dua dari tiga pengasuh mengatakan orang tua
di panti jompo menerima perawatan yang tidak layak karena
kurangnya sumber daya,” lanjut mereka. Tidak selalu jelas siapa
yang memimpin. Ketika ditanya, “Pernahkah Anda mendengar
tentang produk X?” beberapa orang akan mengatakan ya, meskipun
tidak. Sebaiknya berikan daftar alternatif sebelum menanyakan
mana yang pernah didengar responden.
Hindari menggunakan alternatif implisit. Ketika alternatif
yang mungkin tidak ditentukan dalam pertanyaan, itu menjadi
alternatif implisit. “Apakah Anda puas dengan naik transportasi
umum ke tempat kerja?” Satu-satunya pilihan adalah transportasi
umum, meskipun mungkin ada banyak cara lain untuk pergi
bekerja. Banyak penelitian telah menunjukkan bahwa jika
alternatif yang dipertimbangkan ditentukan, distribusi tanggapan
bisa sangat berbeda. Jika tujuannya adalah untuk mengetahui
bagaimana perasaan responden tentang transportasi umum
versus mengendarai mobil pribadi, ajukan pertanyaan berikut:
“Dibandingkan dengan mengendarai mobil pribadi, seberapa
puaskah Anda menggunakan transportasi umum untuk berangkat
kerja?” Memiliki skala 7 poin yang ditambatkan oleh “sangat tidak
puas” dan “sangat puas”, misalnya, dan opsi untuk “tidak berlaku”
untuk responden yang tidak memilih di antara opsi-opsi itu.
Hindari membuat asumsi implisit. Ketika implikasi dari
jawaban tidak dibuat jelas dalam pertanyaan, asumsi implisit
terjadi. Ketika ditanya, “Apakah Anda mendukung atau menentang
lebih banyak sumber daya untuk perawatan lansia?” Pertanyaannya
tidak memperhitungkan sumber daya atau trade-off yang terbatas.
“Apakah Anda bersedia membayar pajak penghasilan 2% lebih
banyak untuk meningkatkan sumber daya untuk perawatan

SPSS dan Smart-PLS
lansia?”. Pertanyaan tersebut menentukan hasil yang mendukung
atau menentang peningkatan sumber daya untuk perawatan lansia.
Hindari generalisasi yang luas. Hal itu berarti bahwa pernyataan
luas yang berlaku untuk suatu kelompok harus dihindari. Misalnya,
“Bagaimana kita bisa membuat orang tidak terlalu sinis terhadap
politisi?”. Pertanyaan itu mengasumsikan bahwa orang-orang sinis
terhadap politisi, yang tidak berlaku untuk semua orang.
Hindari mengajukan banyak pertanyaan atau pertanyaan
ganda. Sebuah pertanyaan ganda menyiratkan bahwa responden
diminta untuk menghubungkan dua fenomena yang berbeda dalam
lingkup satu pertanyaan. Saat ditanya, “Apakah bahasa dan budaya
merupakan suatu tantangan saat berbisnis di Jepang?” eksportir
mungkin berbicara bahasa dengan baik tetapi menemukan budaya
yang sulit. Jika pertanyaan diajukan pada skala kesulitan, eksportir
tidak akan mampu memberikan jawaban yang memadai untuk
kedua fenomena tersebut.
Dalam hal urutan pertanyaan, aturan praktis yang baik adalah
memulai dengan pertanyaan sederhana dan menarik untuk
memperkenalkan responden dengan topik. Pertanyaan latar
belakang seperti usia, tempat tinggal, pendapatan, dan sebagainya
biasanya ditanyakan terakhir. Metode corong digunakan oleh
beberapa peneliti. Hal tersebut memerlukan pengajuan pertanyaan
umum terlebih dahulu, diikuti oleh pertanyaan yang lebih spesifik.
Priming terjadi ketika jawaban atas pertanyaan sebelumnya
mempengaruhi jawaban atas pertanyaan selanjutnya. Responden
mungkin akan menjadi lebih sinis dalam tanggapan mereka nanti
jika mereka pertama kali ditanya tentang skandal politik tertentu
dan kemudian ditanya tentang sikap umum mereka terhadap
politisi. Priming, bila digunakan dengan benar, juga dapat membantu
mengaktifkan ingatan yang terkait dengan suatu topik.
Penulis tidak akan membahas secara detail di sini, tetapi ada
beberapa faktor yang perlu dipertimbangkan untuk mendapatkan
data yang valid dan tingkat respons yang tinggi. Tata letak fisik

SPSS dan Smart-PLS
kuesioner harus jelas. Solusi web yang berbeda memiliki format
standar yang telah teruji dengan baik. Menawarkan hadiah kecil
atau kesempatan untuk memenangkan hadiah dapat meningkatkan
tingkat respons. Surat pengantar yang baik dapat membangkitkan
minat responden. Singkat dan jelas, dan hindari membuang waktu
responden dengan surat yang panjang dan terperinci. Permudah
responden untuk mengirimkan tanggapan mereka. Berikan amplop
yang dialamatkan dan berperangko saat melakukan survei surat
tradisional.
5.9.2 Pre-Test
Penulis tidak dapat melebih-lebihkan pentingnya pra-pengujian
kuesioner dengan kelompok kecil sebelum melakukan survei utama.
Hampir selalu, Anda akan menemukan bahwa perbaikan kecil dan
terkadang besar, diperlukan. Idealnya, responden pre-test atau pra-
tes harus diambil secara acak dari audiens target, tetapi paling
tidak, kuesioner harus diuji pada 5-10 orang untuk mengidentifikasi
ambiguitas atau kekurangan.
5.10 Pengumpulan Data

Penulis akan membahas empat metode pengumpulan data: (1)
wawancara pribadi, (2) solusi online, (3) wawancara telepon, dan (4)
survei pos. Sangat penting untuk memutuskan bagaimana data akan
dikumpulkan di awal proses karena ini akan menentukan bagaimana
kuesioner harus dirancang. Dalam wawancara telepon, misalnya, tidak
masuk akal untuk mengharapkan responden dapat mengevaluasi
lebih dari tiga sampai empat alternatif dalam satu pertanyaan. Untuk
memudahkan wawancara pribadi, responden dapat diperlihatkan
gambar atau alat bantu visual lainnya. Saat mengikuti survei online
atau pos, responden memiliki kesempatan untuk mempertimbangkan
beberapa opsi. Ruang lingkup kuesioner, jumlah pertanyaan, dan
kompleksitas juga mempengaruhi cara berkomunikasi dengan
responden. Masing-masing format memiliki kelebihan dan kekurangan.
Kualitas data yang dihasilkan oleh salah satu metode ini sangat

SPSS dan Smart-PLS
tergantung pada responden. Dalam Bab selanjutnya, kita akan
membahas pengambilan sampel secara mendalam. Penulis
mendefinisikan beberapa istilah di sini untuk membantu menjelaskan
pengumpulan data. Peneliti mendefinisikan populasi sebagai kelompok
yang diteliti dalam penelitian. Kerangka sampling adalah daftar semua
kemungkinan responden populasi. Ketika ada populasi yang besar,
peneliti sering mengambil sampel dari sebagian kecil dari populasi.
Peneliti mencoba menyimpulkan bahwa apa yang mereka pelajari dari
sampel mewakili populasi.
5.10.1 Wawancara Pribadi

Wawancara pribadi memiliki keuntungan sebagai berikut:
• Responden dapat diperlihatkan rangsangan visual yang relatif
kompleks.
• Dengan menjelaskan pertanyaan yang sulit, pewawancara dapat
membantu responden.
• Wawancara bisa cukup panjang dan mendalam.
• Pewawancara memiliki kemampuan untuk membujuk
responden untuk melengkapi dan menjawab semua pertanyaan.
• Pewawancara dapat mengamati dan merekam siapa yang
merespons.
Wawancara pribadi memiliki kelemahan sebagai berikut:

• Kehadiran pewawancara dapat mempengaruhi bagaimana
responden menjawab.
• Wawancara memakan waktu lama.
• Wawancara pribadi menghabiskan banyak sumber daya untuk
setiap responden (tergantung durasi).
Waktu dan biaya sulit untuk digeneralisasi. Hal tersebut sangat
tergantung pada bagaimana responden dipilih dan durasi per
responden. Melakukan street intercepts (mencegat seseorang) untuk
kuesioner singkat adalah cara yang baik untuk mengumpulkan
banyak data dengan cepat. Mewawancarai manajer di lokasi yang
berbeda, bahkan negara yang berbeda, hanya menghasilkan satu
atau dua wawancara per hari.

SPSS dan Smart-PLS
5.10.2 Solusi Online
Manfaat dari solusi online meliputi:
• Biaya rendah.
• Kemampuan beradaptasi (responden menjawab jika waktu dan
kesempatan memungkinkan).
• Ada beberapa solusi gratis dan berbayar yang tersedia.
• Kuesioner dapat disesuaikan dengan tanggapan responden
(diarahkan ke pertanyaan yang berbeda).
• Ada sedikit hambatan fisik selama responden memiliki akses
internet terbuka.
• Dimungkinkan untuk melakukan wawancara online dan
kelompok fokus.
• Ada banyak alat bantu visual dan audio yang tersedia.
Kerugian dari solusi online adalah sebagai berikut:

• Tingkat respons dapat menurun karena risiko virus.
• Sangat mudah untuk menghindari survei.
• Sampel memiliki bias.
Solusi online memiliki biaya yang signifikan dan mencapai
keunggulan dibandingkan solusi lain. Tidak ada solusi lain yang
dapat menjangkau begitu banyak orang dalam jarak yang begitu
jauh dalam waktu singkat dan dengan biaya rendah. Inilah sebabnya
mengapa perusahaan pengumpulan data profesional beralih
ke solusi berbasis cloud online. Ada masalah dengan terjebak
dalam filter spam dan responden ragu-ragu untuk mengklik link
karena takut tertular virus komputer. Secara umum, lebih baik
untuk mendekati responden yang berada di semacam milis, yang
memberikan legitimasi untuk survei. Ada sedikit kendali atas siapa
yang merespons ketika mengirim surat massal secara acak kepada
orang-orang, sehingga hasilnya cenderung bias. Bahkan jika Anda
berhasil melewati filter spam, mereka hanya perlu satu milidetik
untuk mengklik “hapus” dan Anda tidak mendapat tanggapan.
Solusi survei online unggul dalam memberikan dukungan
audio dan visual. Kelompok fokus dan wawancara mendalam dapat

SPSS dan Smart-PLS
dilakukan secara online dengan peserta dari seluruh dunia. Panel
dapat dikelola secara online. Ada agen pengumpulan data yang
dapat menampung pertanyaan Anda secara online dan memberikan
umpan balik waktu nyata tentang tanggapan. Survey Monkey adalah
alat survei online yang sangat populer. Mereka menyediakan layanan
gratis dan berbayar.
5.10.3 Wawancara Telepon

Wawancara telepon memiliki keuntungan sebagai berikut:
• Dapat dilakukan dengan cepat.
• Mereka lebih murah daripada wawancara pribadi.
• Kontak lebih mudah dibangun daripada wawancara langsung.
• Kesalahpahaman dapat diluruskan oleh pewawancara.
• Wawancara memiliki pengaruh yang lebih kecil daripada
wawancara langsung.
Wawancara telepon memiliki beberapa kelemahan, di antaranya:

• Ketidakmampuan untuk menggunakan skala yang kompleks.
• Stimulus visual tidak diizinkan.
• Responden tidak punya waktu untuk mempertimbangkan
tanggapannya.
• Wawancara tidak boleh terlalu lama karena responden akan
kesal.
Pengambilan sampel geografis menjadi semakin sulit karena

direktori telepon yang terhubung ke alamat tetap menghilang. Daftar
dapat dibuat dari hal-hal seperti keanggotaan asosiasi atau komputer
dapat menghasilkan nomor telepon secara acak di wilayah geografis.
Daftar perusahaan dapat ditemukan di berbagai database atau melalui
organisasi cabang. Perusahaan mungkin lebih mudah ditemukan, tetapi
ini tidak berarti bahwa mereka bersedia untuk diwawancarai.
5.10.4 Survei Pos

Beberapa keuntungan dari survei online/pos:
• Survei online/pos relatif murah.

SPSS dan Smart-PLS
• Kemampuan beradaptasi (responden menjawab jika waktu dan
kesempatan memungkinkan).
• Lebih mudah untuk mengajukan pertanyaan sensitif.
• Skala pertanyaan dan respons yang relatif kompleks dapat
digunakan.
Beberapa kelemahan survei online/pos:
• Tingkat respons yang rendah adalah salah satu kelemahan
survei online/pos (diperlukan pengingat).
• Tidak ada kendali atas siapa yang menjawab (pasangan, asisten
administrasi).
• Tidak ada cara untuk membantu responden, sehingga
pertanyaan tidak terjawab).
• Pertanyaan urutan priming mungkin tidak bekerja karena
responden dapat melihat seluruh kuesioner.
Sebagai solusi digital mengambil alih, survei pos tradisional
menjadi kurang umum. Meskipun demikian, mereka terus menjadi
metode pengumpulan data yang layak. Daftar responden (frame
sampling) dan informasi kontak mereka diperlukan untuk survei pos.
Kirim kuesioner ke semua orang dalam daftar, atau temukan cara
untuk memilih sampel secara acak dari daftar. Tingkat tanggapan
seringkali sangat rendah (sekitar 10%) kecuali topik tersebut
sangat penting bagi responden. Tingkat respons lebih dari 30%
dianggap memuaskan. Ajak mereka dengan surat pengantar yang
baik, pertimbangkan untuk menawarkan hadiah untuk merespons,
dan pastikan tata letaknya jelas dan tidak memakan waktu terlalu
lama untuk diselesaikan. Semakin termotivasi seorang responden,
semakin banyak waktu yang mungkin mereka investasikan. Sudah
diketahui bahwa tingkat respons menurun karena orang menjadi
lelah menjawab survei.
5.11 Kesimpulan
Penulis membahas bagaimana mengukur konstruk dalam bab
ini, khususnya dalam konteks kuesioner. Kualitas pengukuran
ditentukan oleh reliabilitas dan validitas, khususnya validitas

SPSS dan Smart-PLS
konstruk. Mereka menilai apakah konstruk secara benar diukur dan
seberapa akurat konstruk itu diukur.
Tingkat pengukuran (nominal, ordinal, interval, dan rasio)
dibahas dalam hal penerapannya dalam berbagai situasi dan
bagaimana hubungannya dengan analisis statistik. Penulis
mengembangkan aturan dasar: selalu mengukur pada tingkat
setinggi mungkin. Hal ini disebabkan oleh fakta bahwa banyak
metode statistik parametrik yang lebih maju yang dibahas kemudian
dalam buku ini bergantung pada pengukuran pada tingkat interval
atau rasio.
5.12 Latihan Soal

1) Mengapa peneliti bisnis ingin mengumpulkan data?
2) Apa metode pengumpulan data utama? Komentari kekuatan dan
kelemahan mereka, dan ilustrasikan penggunaannya dengan
contoh.
3) Apa keuntungan dan kerugian melakukan survei online?
4) Apa perbedaan antara skala parametrik dan non-parametrik?
Berikan contoh masing-masing.
5) Apa itu reliabilitas? Apa bedanya dengan validitas?
6) Apa langkah-langkah yang harus diikuti dalam mengembangkan
skala?
5.13 Studi Kasus

Memilih Metode Pengumpulan Data Terbaik

survei pelanggan dan karyawannya. Konsultan juga merekomendasikan
survei pelanggan Pesaing. Untuk survei karyawan Nayya, konsultan
mengatakan ada beberapa opsi. Salah satunya adalah memberikan
salinan kuesioner kepada semua karyawan dan meminta mereka
mengembalikannya ke Nayya. Opsi kedua adalah memberi karyawan
salinan kuesioner dan meminta mereka mengembalikannya ke
konsultan. Opsi ketiga adalah mewajibkan semua karyawan untuk

SPSS dan Smart-PLS
datang ke rapat dan mengisi kuesioner. Dia mengatakan ada alternatif
lain, tetapi kemungkinan besar terlalu mahal.
Untuk survei pelanggan Nayya, konsultan menyarankan beberapa

pendekatan untuk mengumpulkan data. Salah satu pendekatan
melibatkan meminta pelanggan untuk melengkapi kuesioner di
meja mereka sebelum atau setelah mereka mendapatkan makanan
mereka. Cara lainnya adalah menghentikan mereka saat keluar dari
restoran dan meminta mereka untuk mengisi kuesioner. Pilihan
ketiga adalah memberikannya kepada mereka dan meminta mereka
menyelesaikannya di rumah dan mengirimkannya kembali. Opsi
keempat adalah memilih pelanggan secara acak dan, ketika mereka
membayar tagihan, beri mereka petunjuk tentang cara online dan
menyelesaikan survei. Konsultan telah bertukar pikiran dengan pakar
industri restoran lainnya tentang cara terbaik untuk mengumpulkan
data dari pelanggan pesaing. Pilihan terbaik untuk pengumpulan data
belum ditentukan.
Manakah dari opsi pengumpulan data yang terbaik untuk survei

karyawan? Mengapa? Manakah dari opsi pengumpulan data yang
terbaik untuk survei pelanggan? Mengapa? Apa saja cara yang mungkin
untuk mengumpulkan data dari pelanggan pesaing? Rekomendasikan
metode yang menurut Anda paling berhasil.

1) Suatu organisasi mengalami semangat rendah di antara para
karyawannya. Mengapa dan bagaimana penelitian survei dapat
digunakan dalam situasi ini?
2) Apa isu utama yang perlu diperhatikan dalam memilih metode
pengumpulan data untuk survei pendapat tentang keragaman di
tempat kerja?
3) Pertimbangan apa saja yang perlu diperhatikan dalam menentukan
tingkat pengukuran variabel?
4) Buatlah daftar konsep yang mungkin ingin dipelajari lebih lanjut

SPSS dan Smart-PLS
oleh mahasiswa perguruan tinggi–misalnya, penilaian kepuasan
atas pelayanan administrasi fakultas Anda atau evaluasi fitur dan
manfaat menghadiri universitas tertentu. Siapkan daftar indikator
(pernyataan) untuk setiap konsep. Tentukan jenis skala pengukuran
yang akan Anda gunakan dan sesuaikan pilihan Anda!

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat memahami prinsip-prinsip utama pengambilan sampel
dalam riset bisnis.
√ Dapat mengetahui perbedaan antara populasi sasaran dan
kerangka sampling.
√ Dapat mengetahui perbedaan antara prosedur sampling
probabilitas dan non-probabilitas.
√ Dapat menjelaskan berbagai metode pengambilan sampel yang
biasa digunakan oleh peneliti bisnis.
√ Dapat menentukan ukuran sampel yang sesuai untuk berbagai
situasi yang dihadapi dalam praktik.
6.1. Pendahuluan
Kapan terakhir kali Anda menjawab survei dengan lengkap dan
teliti? Sekarang Anda bertanya-tanya bagaimana mendapatkan cukup
banyak orang yang tepat untuk mengisi survei Anda secara menyeluruh
dan teliti. Anda harus memutuskan di mana mendapatkan data apakah
Anda sedang melakukan penelitian kualitatif atau kuantitatif. Prosedur
ini penting untuk penelitian kuantitatif karena analisis statistik akan
dilakukan dan hasilnya dapat digeneralisasikan. Hal tersebut juga
penting dalam penelitian kualitatif karena Anda harus mengidentifikasi
objek penelitian yang dapat memberikan informasi rinci tentang
fenomena yang sedang dipelajari. Bab ini akan membahas berbagai
jenis sampel dan cara menghitung ukuran sampel. Mengidentifikasi
responden untuk metode kualitatif seperti wawancara mendalam
dan kelompok fokus termasuk dalam kategori ini. Penulis membahas

SPSS dan Smart-PLS
sampling probabilitas dan non-probabilitas, serta sumber kesalahan
sampling.
6.2. Menentukan Populasi dan Kerangka Sampling

Tingkat analisis berkaitan erat dengan suatu unit analisis, yaitu
salah satu anggota kelompok yang diteliti. Misalnya, setiap perusahaan
biotek adalah unit analisis ketika mempelajari perusahaan biotek,
dan tingkat analisis berada di tingkat perusahaan. Ketika mempelajari
pengusaha biotek, setiap pengusaha biotek diperlakukan sebagai unit
analisis, dengan tingkat analisis tetap pada tingkat individu. Populasi
adalah total semua unit analisis yang dipertimbangkan. Misalnya, Anda
dapat mendefinisikan populasi sebagai “semua perusahaan biotek di
Korea Selatan”. Kemudian, dengan menggunakan cabang pendaftar
atau sumber lain yang tersedia untuk umum, buatlah daftar semua
perusahaan biotek Korea Selatan. Kerangka sampling adalah daftar
semua unit dalam populasi.
Contoh selanjutnya, pertimbangkan untuk melakukan penelitian
di Thailand tentang persepsi konsumen terhadap merek PinkLady.
Sensus adalah kumpulan data dari setiap orang di Thailand. Melakukan
wawancara pribadi dengan semua orang di Thailand hampir tidak
mungkin. Sebagai gantinya, Anda dapat melakukan survei kuesioner,
meskipun hampir tidak mungkin menjangkau semua orang dan sangat
tidak mungkin semua orang akan merespons. Pilihan lain adalah
memilih sampel, yang berarti mengumpulkan data dari subset populasi.
Biasanya, sampel dimaksudkan untuk mewakili populasi sehingga
hasilnya dapat digeneralisasikan ke populasi sampai batas tertentu.
Jika tujuan penelitian adalah untuk mempelajari sesuatu
tentang kelompok besar, sampel yang representatif lebih mungkin
menghasilkan hasil yang lebih baik dan lebih akurat daripada mencoba
melakukan sensus. Terlepas dari sumber daya yang terlibat dalam
melakukan sensus, jika ada risiko kesalahan sistematis yang signifikan
pada siapa yang dihubungi dan siapa yang merespons, hasilnya akan
menjadi bias. Menggunakan penelitian merek PinkLady sebagai contoh,
mendefinisikan populasi sebagai semua orang di atas usia 15 tahun

SPSS dan Smart-PLS
yang terdaftar sebagai penduduk di Thailand membuat hampir tidak
mungkin untuk menghubungi dan mengumpulkan data dari semua
orang. Orang yang tidak memiliki telepon, Internet, email, atau alamat
permanen cenderung diabaikan. Anti-globalisasi, anti-pasar bebas, dan
orang-orang anti-bisnis besar tidak mungkin merespons. Kesalahan
pengkodean dan input mungkin terjadi dengan jumlah data yang begitu
besar.
Sementara metode kuantitatif lebih sering dikaitkan dengan
metode pengambilan sampel dan ukuran sampel, penelitian kualitatif
juga memerlukan perencanaan sistematis ketika memilih unit analisis.
Memilih siapa yang akan dipekerjakan didasarkan pada logika daripada
probabilitas statistik. Hal tersebut bisa menjadi jenis konsumen
tertentu atau jenis bisnis tertentu. Dalam istilah statistik, hasilnya tidak
dapat digeneralisasi. Namun, jika logika dan argumennya masuk akal,
hasilnya dapat dianggap mewakili fenomena yang sedang diselidiki.
Misalnya, penulis memiliki mahasiswa yang melakukan penelitian
tentang persepsi ibu tentang alat tes alergi mandiri untuk bayi. Siswa
mampu membuat empat profil kelompok fokus yang berbeda dengan
menentukan parameter demografi seperti usia, pendapatan, dan
pendidikan. Mengikuti kelompok fokus, para mahasiswa memberikan
informasi mendalam kepada produsen alat uji alergi mandiri tentang
masalah utama bagi ibu muda. Hal tersebut mempengaruhi cara
perusahaan memasarkan alat uji mandirinya kepada keluarga muda.
6.2.1 Kerangka Sampling

Kerangka sampling adalah daftar semua unit analisis dalam
populasi atau deskripsi tentang bagaimana unit diidentifikasi.
Kerangka sampling yang mungkin termasuk seperti direktori
telepon, daftar keanggotaan, dan peta kota. Nomor telepon
yang terkait dengan wilayah geografis tertentu dapat digunakan
untuk membuat kerangka sampel untuk melakukan wawancara
telepon di wilayah tersebut. Daftar keanggotaan program loyalitas
dapat memberikan informasi kontak untuk melakukan survei
kuesioner. Penggalian dari pintu ke pintu dapat dilakukan dengan

SPSS dan Smart-PLS
memilih bagian dari peta kota. Perusahaan seperti Facebook telah
menghadapi tantangan hukum karena menjual informasi pengguna
kepada pihak ketiga, termasuk informasi kontak. Orang-orang
menjadi lebih sadar tentang bagaimana informasi pribadi mereka
digunakan, dan banyak yang tidak suka ditambahkan ke daftar
kerangka sampel hanya karena mereka memasang aplikasi yang
memerlukan informasi kontak mereka.
Gambar 6.1 Akurasi Cakupan Kerangka Sampling
Dalam praktiknya, kerangka sampling mungkin tidak mewakili

populasi (Gambar 6.1). Ketika unit analisis dari luar populasi
dimasukkan dalam sampel, terjadi over coverage. Ketika kerangka
sampling tidak secara akurat mencantumkan semua unit analisis
dalam populasi, maka terjadi under coverage. Daftar mungkin
kedaluwarsa karena orang telah pindah ke atau keluar dari suatu
daerah, bisnis baru telah dibuka, atau bisnis lama telah ditutup,
bangkrut, atau bergabung. Saat mengidentifikasi bisnis dalam
basis data industri, definisi kategori mungkin berbeda di antara
basis data, mempengaruhi perusahaan mana yang termasuk dalam
kategori mana.
Sampel adalah bagian dari perhitungan atau karakteristik
populasi. Umum dalam penelitian kuantitatif untuk membedakan
antara sampling probabilitas dan non-probabilitas (Gambar
6.2). Sebuah sampel probabilitas didefinisikan sebagai berikut
(sedangkan sampel non-probabilitas adalah sebaliknya):

SPSS dan Smart-PLS
a) Dimungkinkan untuk memprediksi kemungkinan setiap unit
yang dipilih sebelumnya.
b) Kemungkinannya lebih besar dari nol.
6.3 Metode Sampel

6.3.1 Sampel Probabilitas
Simple Random Sampling
Sampling ini adalah jenis sampling probabilitas yang paling
mendasar. Untuk menjadi Simple Random Sampling (sampel acak
sederhana), kondisi berikut harus dipenuhi:
• Setiap unit populasi memiliki kesempatan yang sama untuk
dipilih.
• Setiap kombinasi dari n elemen memiliki peluang yang sama
untuk dipilih, di mana n adalah ukuran sampel.
Gambar 6.2 Jenis Sampel
Undian berhadiah adalah contoh yang sangat baik dari

pengambilan Simple Random Sampling. Tiga bola diambil secara
acak dari populasi 47 bola oleh mesin undian. Semua bola, dan
semua kombinasi bola, memiliki probabilitas apriori yang sama

SPSS dan Smart-PLS
untuk dipilih. Mesin undian dengan bola berfungsi sebagai kerangka
sampling.
Dalam praktiknya, sangat sulit untuk menemukan kerangka
sampel yang sempurna yang mencantumkan atau mencakup semua
unit dalam suatu populasi. Hal itu berarti bahwa metode tradisional
untuk menghasilkan Simple Random Sampling, di mana unit
populasi diberi nomor dari 1 sampai N dan unit dipilih secara acak
dari populasi, tidak umum. Sebaliknya, cobalah untuk memilih unit
yang mewakili populasi sebanyak mungkin. Wawancara telepon
adalah contoh umum. Satu set kemungkinan nomor telepon rumah
tangga diidentifikasi di wilayah geografis. Angka-angka tersebut
kemudian dihasilkan secara acak menggunakan bantuan komputer.
Hal tersebut sering diikuti oleh permintaan untuk seseorang di atas
usia tertentu dengan ulang tahun terbaru. Hal itu adalah proses
dua langkah di mana rumah tangga dipilih terlebih dahulu, diikuti
oleh responden. Jika prosedur menghasilkan sampel yang bias,
seperti dominasi pria atau wanita, prosedur dapat diperbaiki untuk
meningkatkan tanggapan dari kategori yang kurang terwakili.
Stratified Sampling
Dalam stratified sampling (sampel berstrata), biasanya:
• Populasi dibagi menjadi subkelompok (strata) yang eksklusif
dan lengkap secara kolektif.
• Sebuah sampel acak sederhana dipilih dari setiap subkelompok
(stratum).
• Ukuran sampel di setiap subkelompok dapat bervariasi.
Alasan utama menggunakan stratified sampling adalah untuk
memastikan bahwa subkelompok tertentu dalam populasi terwakili
dan variabel tertentu diukur secara memadai. Hal tersebut sangat
berguna ketika mewakili subkelompok heterogen dan ketika setiap
subkelompok homogen untuk variabel yang akan diukur. Dengan
homogenitas subkelompok, lebih sedikit unit yang dibutuhkan,
dan pembobotan dapat diterapkan pada setiap subkelompok untuk

SPSS dan Smart-PLS
memastikan bahwa variabel tertentu terwakili dengan benar di
tingkat populasi.
Pertimbangkan untuk mengetahui berapa banyak cafe lattes
yang dikonsumsi mahasiswa program bisnis dalam seminggu.
Selanjutnya, asumsikan bahwa 60% siswa adalah laki-laki. Jika
Anda memiliki bukti bahwa pria minum lebih sedikit latte daripada
wanita, Anda dapat membagi populasi menjadi dua kategori: siswa
“wanita” dan “pria”. Sampel acak sederhana dalam setiap strata
menghasilkan perkiraan konsumsi rata-rata latte untuk pria dan
wanita. Kemudian, bobot hasil kedua strata untuk menghitung
konsumsi rata-rata penduduk. Jika siswa perempuan mengkonsumsi
4 latte per minggu dan siswa laki-laki mengkonsumsi 2 latte per
minggu, rata-rata populasi adalah 2,8.
(4 x 0,4) + (2 x 0,6) = 2,8
Semakin besar derajat homogenitas dalam suatu populasi,
semakin kecil ukuran sampel yang dibutuhkan. Jika semua unit
identik pada variabel tertentu, satu unit dapat mewakili seluruh
populasi untuk variabel itu. Stratified sampling menyiratkan bahwa
ukuran sampel dalam setiap strata dapat bervariasi secara signifikan
tergantung pada homogenitas setiap strata. Alasan lain untuk
stratifikasi adalah untuk memastikan bahwa subkelompok tertentu
terwakili. Ada risiko bahwa subkelompok penting akan kurang
terwakili dalam sampel acak dari populasi. Misalnya, semua rantai
ritel utama harus diwakili dalam indeks Toko. Untuk memastikan
hal tersebut, setiap rantai ritel didefinisikan sebagai strata terpisah,
dan rantai tersebut dibagi lagi berdasarkan jenis Toko.
Stratifikasi dapat terjadi secara bertahap dan bisa sangat
kompleks. Perusahaan analisis pasar rumah tangga akan memiliki
“rencana induk” yang menguraikan bagaimana stratifikasi dan
pengambilan sampel mereka dalam survei standar yang mereka
berikan terstruktur.

SPSS dan Smart-PLS
Cluster Sampling
Dalam pengambilan cluster sampling (sampel kluster), biasanya:
• Seluruh populasi dibagi menjadi kluster yang saling eksklusif
dan lengkap secara kolektif.
• Sejumlah strata dipilih secara acak dari populasi.
• Dalam strata yang dipilih, semua unit dapat dimasukkan dalam
analisis, atau sampel acak sederhana dalam setiap strata dapat
diambil.
Dalam sampel bertingkat, elemen-elemen dari semua strata
dipilih, sedangkan dalam pengambilan sampel klaster, hanya
beberapa klaster yang dipilih untuk dianalisis. Semua unit populasi
harus memiliki probabilitas yang diketahui, tetapi tidak harus sama,
untuk dimasukkan dalam sampel.
Pengambilan sampel klaster paling cocok ketika ada tingkat
heterogenitas yang tinggi dalam setiap klaster, dan setiap klaster
merupakan miniatur dari populasi. Misalnya, asumsikan bahwa
populasi didefinisikan sebagai semua wisatawan yang berangkat
dari bandara internasional selama minggu tertentu. Alih-alih
menghubungi setiap wisatawan selama seminggu penuh, jam buka
selama seminggu dapat dibagi menjadi interval per jam. Asumsikan
bandara buka dari pukul 06:00 hingga 24:00 setiap hari. Interval
populasi adalah 18 jam x 7 hari = 126 interval per jam, yang
disebut kluster atau strata. Untuk menjadi sampel probabilitas,
jumlah unit di setiap kluster harus diketahui, yang dalam contoh ini
adalah jumlah wisatawan yang berangkat setiap jam. Probabilitas
pemilihan interval per jam dapat diatur secara proporsional dengan
jumlah wisatawan di setiap interval, atau biarkan probabilitas
menjadi tidak proporsional.
Misalnya, gambarkan secara acak 10 dari 126 interval waktu, dan
wawancarai semua wisatawan dalam interval itu atau pilih secara
acak setiap wisatawan ke-20. Intinya adalah: semua wisatawan
akan memiliki kemungkinan terpilih yang diketahui, sehingga
tidak perlu menghubungi wisatawan setiap saat selama seminggu.
Masalah dengan pengelompokan adalah bahwa terdapat bias besar

SPSS dan Smart-PLS
jika kelompok individu sangat berbeda. Dengan nasib buruk, semua
interval 10 jam yang dipilih mungkin pada hari Sabtu dan Minggu,
dalam hal ini, tidak mungkin untuk mendapatkan wisatawan bisnis
dalam sampel, meskipun wisatawan bisnis mewakili mayoritas
wisatawan selama seminggu.
Wawancara pribadi sering didasarkan pada sampel kluster.
Sejumlah wilayah geografis pertama kali dipilih dari populasi.
Probabilitas pemilihan suatu daerah seringkali sebanding dengan
berapa banyak orang yang tinggal di daerah tersebut. Kemudian,
dalam setiap area, sampel acak dipilih. Hal tersebut dapat dilakukan
dengan mendefinisikan aturan tentang bagaimana seleksi akan
dilanjutkan dari titik awal yang diberikan. Keuntungannya adalah
pewawancara tidak perlu mencakup seluruh wilayah geografis.
Contoh lain dari cluster sampling, sering disebut sampling
sistematis, adalah memulai dengan memilih titik awal acak dalam
kerangka sampling. Misalnya, dengan memilih secara acak angka
antara 1 dan 100, maka dari titik awal acak itu, pilih setiap unit ke-
100. Jarak (misalnya, 1 dalam 100 atau 1 dalam 1000) ditentukan
oleh cakupan daftar dan ukuran sampel yang diinginkan. Misalnya,
jika Anda memiliki daftar karyawan perusahaan dengan 500 nama,
dan Anda menginginkan ukuran sampel 50, Anda akan secara
acak memilih angka antara 1 dan 10, dan dari titik awal itu pilih
setiap orang kesepuluh. Setiap kelompok yang terdiri dari sepuluh
karyawan adalah sebuah cluster.
6.3.2 Sampel Non-probabilitas

Convenience Sampling
Kemudahan pengumpulan data melalui media sosial sangat
menggiurkan. Kesederhanaan, di sisi lain, tidak selalu merupakan
pilihan terbaik. Sesuai dengan namanya, convenience sample
biasanya diperoleh dengan melakukan hal yang paling mudah
dilakukan. Misalnya, jika populasi penelitian berusia di atas 15
tahun, pergilah ke daerah ramai di Kota Bandung dan tanyakan
siapa pun yang berusia di atas 15 tahun yang setuju untuk

SPSS dan Smart-PLS
menjawab pertanyaan Anda. Alternatif lainnya secara online
adalah menyebarkan kuesioner melalui platform seperti Facebook,
Instagram, dan WeChat dan mengumpulkan tanggapan dari siapa
saja yang meluangkan waktu untuk menanggapi.
Jika sejumlah besar orang menanggapi survei, itu bukan sampel
populasi yang representatif secara statistik. Contoh umum adalah
ketika pemirsa televisi diminta untuk menelepon dan memilih
berbagai alternatif yang disajikan dalam suatu program. Bahkan
jika ribuan orang menelepon, hasilnya secara statistik tidak
mewakili populasi umum. Contoh lain termasuk ketika kuesioner
muncul di browser web atau ketika Anda diminta untuk tetap
tersambung setelah menghubungi layanan, seperti bank Anda,
untuk menjawab pertanyaan. Survei tersebut hanya terbuka bagi
mereka yang tertarik dan tidak ada cara untuk mengetahui apakah
mereka mewakili populasi.
Premis probability sampling adalah mampu menghitung
seberapa besar kemungkinan (probable) hasil sampel akan
berbeda dengan hasil yang diperoleh jika seluruh populasi diukur.
Dengan convenience sampling, banyak unit (orang, bisnis, dll.)
tidak memiliki kesempatan atau niat untuk dijadikan sampel.
Pertimbangkan skenario berikut: pemirsa televisi diminta untuk
menelepon dan memberikan suara. Tidak semua orang menonton
televisi, tidak semua orang memiliki telepon, dan tidak semua
orang mau membayar untuk menelepon dan memilih. Hal yang
sama terjadi ketika Anda mencegat orang di depan umum. Orang
yang terlalu sibuk, memiliki anak kecil, atau pemalu dapat menolak
untuk berpartisipasi. Karena setiap orang memiliki kebiasaan dan
preferensi yang berbeda, mereka tidak semua kemungkinannya
sama untuk dicegat. Bias non-partisipasi terjadi ketika non-peserta
secara sistematis mirip satu sama lain dan secara sistematis berbeda
dari peserta.

SPSS dan Smart-PLS
Quota Sampling
Quota sampling (sampel kuota) adalah variasi yang sedikit lebih
canggih dalam pengambilan sampel praktis. Sampel kuota adalah
sampel di mana convenience sample dikumpulkan sedemikian
rupa sehingga distribusinya sesuai dengan distribusi satu atau
lebih variabel dalam populasi. Misalnya, usia dan distribusi jenis
kelamin penduduk dapat diketahui. Ambil Kota Bandung, misalnya.
Distribusi usia dan jenis kelamin penduduk akurat di tingkat kota
dan bahkan kecamatan. Jika distribusi populasinya adalah 50%
pria dan 50% wanita, kita dapat mengambil sampel dengan 50%
pria dan 50% wanita. Kita dapat membuat ulang distribusi tersebut
dalam sampel jika kita tahu bahwa 30% populasi berusia di bawah
30 tahun, 35% antara 31 dan 50, dan 35% berusia 51 tahun ke atas.
Tujuan penggunaan quota sampling adalah untuk membuat
sampel lebih mewakili populasi dibandingkan jika kita hanya
mengambil semua responden. Prasyarat penting adalah bahwa
variabel yang menjadi dasar kuota relevan dengan fenomena yang
diukur (misalnya, pendapat, sikap, persepsi). Secara individual,
sering ada korelasi kuat antara opini dan usia. Hal yang sama dapat
dikatakan untuk beberapa topik khusus gender. Ukuran perusahaan
dan afiliasi industri merupakan faktor penting bagi bisnis. Akhirnya,
pemilihan variabel kuota didasarkan pada persepsi analis tentang
variabel mana yang penting untuk distribusi fenomena yang sedang
dipelajari dalam populasi.
Sampel kuota berarti pengambilan sampel yang mudah dilakukan
dalam batas yang ditentukan oleh variabel kuota. Misalnya, jika
Anda ingin sampel total 200 orang, di mana 50% harus perempuan
dan 30% harus berusia di bawah 30 tahun, Anda perlu merekrut 30
wanita dan 30 pria di bawah 30 tahun, dan 60 wanita dan 60 pria di
atas 30. Hal tersebut dilakukan dengan cara yang nyaman, seperti
melalui media sosial atau intersepsi. Meskipun demikian, meskipun
distribusi sampel menyerupai populasi dan dengan demikian bisa
dibilang lebih representatif, itu bukan sampel probabilitas.

SPSS dan Smart-PLS
Pengambilan sampel kuota biasanya digunakan dalam studi
kualitatif dan kuantitatif. Hal tersebut umum dalam studi kuantitatif
karena kesulitan, atau ketidakmungkinan, mendapatkan daftar
semua elemen dalam suatu populasi.
Purposive Sampling
Purposive sampling (sampel bertujuan) adalah pemilihan unit
analisis berdasarkan karakteristik populasi yang peneliti ingin
wakili dalam sampel. Salah satu contohnya adalah ketika suatu
Toko dipilih untuk mewakili rantai ritel. Mereka terbiasa menguji
merek baru, penempatan merek, dan inisiatif pemasaran lainnya.
Mereka memiliki karakteristik umum (lokalisasi, penjualan, basis
pelanggan, dan sebagainya) yang membuat data mewakili jenis toko
tertentu dalam rantai ritel.
Dalam kasus lain, subjek untuk wawancara mendalam dipilih
untuk mewakili berbagai sudut pandang dalam suatu populasi.
Hal tersebut dilakukan untuk menangkap sudut pandang yang
berlawanan terhadap suatu fenomena. Kriteria pemilihan tidak
harus dinyatakan secara eksplisit. Manajer regional bank lokal di
Kota Pangkalpinang diwawancarai dan kemudian diminta untuk
memberikan perkenalan dan informasi kontak bagi nasabah
korporat dengan berbagai jenis hubungan dengan bank tersebut.
Hal tersebut dilakukan untuk menangkap perspektif pelanggan
korporat yang beragam dan bermakna. Dalam hal ini komposisi
sampel didelegasikan kepada pengelola wilayah yang ahli dalam
menentukan sampel yang paling representatif. Tentu saja, ini
mengasumsikan bahwa manajer regional membuat keputusan
mereka berdasarkan pencapaian hasil penelitian terbaik, daripada
motivasi politik seperti merekrut pelanggan yang akan memberi
mereka pandangan yang menguntungkan.
Snowball sampling adalah bentuk hybrid dari purposive
sampling yang perlu mendapat perhatian khusus. Hal itu sering
digunakan untuk merekrut responden dari populasi yang sulit
dijangkau. Tidak ada kerangka sampling, dan mereka dihubungkan

SPSS dan Smart-PLS
oleh jaringan yang didefinisikan secara longgar. Anda mulai dengan
mengidentifikasi beberapa orang dari populasi dan kemudian
meminta mereka untuk mengidentifikasi responden melalui
jaringan mereka. Responden yang baru diidentifikasi kemudian
mengidentifikasi responden tambahan. Seorang rekan yang
mempelajari kebiasaan konsumsi suku pedalaman di akhir 2000-an
memberikan contoh yang tepat. Suku pedalaman relatif terlihat, dan
menjadi populasi yang sulit untuk didefinisikan dan diidentifikasi.
Budaya dan orientasi pertukaran barang adalah topik yang hangat
diperdebatkan di ruang publik, tidak ada kerangka sampel atau
daftar siapa yang membentuk populasi. Tanpa gentar, ia melakukan
penelitian yang sangat baik pada kelompok yang bermakna dengan
memulai dengan beberapa teman dan kemudian menggulirkan
pertanyaan melalui teman-teman mereka.
6.4 Ukuran Sampel

Ukuran sampel yang tepat untuk pengembangan skala sering
diperdebatkan dan bervariasi dari studi ke studi. Namun, aturan
praktisnya adalah bahwa setiap item skala membutuhkan setidaknya
sepuluh peserta (Nunnally, 1978), meskipun Hair et al. (2019)
menyarankan bahwa rasio lima responden per item skala mungkin
cukup. Sedangkan penulis beranggapan semakin besar ukuran sampel
maka akan semakin besar tingkat keyakinan hasil data dan memperkecil
kesalahan pengukuran. Oleh karena itu, penulis mengambil titik tengah
antara Hair et al. (2019) dan Nunnally (1978). Penulis menyarankan
bahwa setiap item/indikator skala membutuhkan setidaknya tujuh
responden. Formula pengambilan ukuran sampel sebagai berikut:
Ukuran Sampel = Jumlah Indikator × 7
Misalnya, jika kuesioner Anda memiliki enam variabel laten dengan
total 30 items/indikator, maka jumlah sampel yang diperlukan adalah
30 x 7 = 210 sampel. Studi terdahulu juga merekomendasikan bahwa,
selain aturan praktis untuk menghitung ukuran minimum populasi
sampel, ukuran sampel akhir setidaknya 20% lebih besar dari yang
dihitung untuk memperhitungkan tanggapan yang hilang atau masalah

SPSS dan Smart-PLS
pengumpulan data lainnya. Peneliti lainnya telah mengusulkan ukuran
sampel yang tidak terpengaruh oleh jumlah item survei. Comrey
(1988), misalnya, menyarankan kisaran 200-300 untuk analisis faktor,
sedangkan Guadagnoli dan Velicer (1988) menyarankan minimal 300-
450 karena replikasi mungkin diperlukan untuk sampel di bawah 300.
Selanjutnya, teknik reduksi item seperti karena bootstrap mungkin
memerlukan kumpulan data yang lebih besar; namun, ukuran sampel
yang lebih besar umumnya menghasilkan kesalahan pengukuran yang
lebih rendah, pemuatan faktor yang lebih stabil, dan hasil yang lebih
dapat digeneralisasikan untuk populasi yang ditargetkan (Osborne &
Costello, 2004).
Selanjutnya, masalah statistik penting ketika menghitung ukuran
sampel yang dibutuhkan, yang sering didasarkan pada tingkat
keyakinan (95%), margin of error (3-5%), dan variabilitas yang
diharapkan. Karena kekakuan metodologis penelitian dan generalisasi
hasil sangat bergantung pada ukuran sampel yang mewakili populasi
yang ditargetkan, desain pengambilan sampel harus direncanakan dan
dilaksanakan dengan baik (Teeroovengadum & Nunkoo, 2018).
Seringkali, peneliti harus memperkirakan karakteristik populasi
yang besar. Untuk mencapai hal ini secara efisien, ukuran sampel yang
sesuai harus ditentukan sebelum pengumpulan data. Penentuan ukuran
sampel rumit karena banyak faktor yang harus dipertimbangkan
pada saat yang bersamaan. Tantangannya adalah untuk mencapai
keseimbangan yang dapat diterima antara beberapa variabel ini. Faktor-
faktor ini termasuk variabilitas elemen populasi target, jenis sampel
yang diperlukan, waktu yang tersedia, anggaran, ketepatan estimasi
yang diperlukan, dan apakah temuan tersebut akan digeneralisasikan
atau tidak dan jika demikian, dengan tingkat kepercayaan apa.
Ukuran sampel dapat dihitung dengan menggunakan rumus
berdasarkan teori statistik. Metode ad hoc alternatif sering digunakan
karena alasan pragmatis seperti keterbatasan anggaran dan waktu.
Ukuran sampel berdasarkan aturan praktis, penelitian serupa
sebelumnya, pengalaman sendiri, atau hanya apa yang terjangkau
adalah contohnya. Terlepas dari bagaimana ukuran sampel ditentukan,

SPSS dan Smart-PLS
itu harus cukup besar dan berkualitas cukup tinggi untuk menghasilkan
hasil yang dianggap kredibel dalam hal akurasi dan konsistensi.
6.5 Kesimpulan
Bab ini telah membahas berbagai jenis metode pengambilan sampel
serta prosedur untuk menentukan ukuran sampel. Penulis berbicara
tentang populasi dan kerangka sampling. Sampling probabilitas
diperlukan untuk generalisasi berbasis teori statistik. Simple random
sampling, stratified sampling, dan cluster sampling semuanya dibahas.
Pengambilan sampel non-probabilitas sering digunakan baik dalam
penelitian kualitatif maupun kuantitatif. Generalisasi hasil didasarkan
pada logika dan argumentasi daripada teori statistik.
6.6 Latihan Soal

1. Apa perbedaan antara sampel dan populasi?
2. Mengapa mewawancarai sampel dan bukan populasi?
3. Apa saja langkah-langkah dalam proses sampling?
4. Apa perbedaan antara sampling probabilitas dan non-probabilitas?
6.7 Studi Kasus

Metode Pengambilan Sampel Mana yang Terbaik?

survei pelanggan dan karyawannya. Konsultan juga
merekomendasikan survei pelanggan pesaing. Nayya memiliki total
77 (tujuh puluh tujuh) karyawan. Beberapa bekerja penuh waktu dan
lainnya paruh waktu. Nayya buka tujuh hari seminggu untuk makan
siang dan makan malam, begitu juga pesaingnya. Konsultan sedang
mempertimbangkan metode pengambilan sampel probabilitas dan
non-probabilitas sebagai cara untuk mengumpulkan data pelanggan.
1. Apakah diperlukan metode pengambilan sampel untuk survei
karyawan? Mengapa?
2. Manakah dari opsi pengambilan sampel yang terbaik untuk survei
pelanggan Nayya? Mengapa?

SPSS dan Smart-PLS
3. Apa saja cara yang memungkinkan untuk mengumpulkan data
dari pelanggan pesaing? Rekomendasikan metode pengambilan
sampel yang menurut Anda paling berhasil.

1. Diskusikan kesulitan yang dihadapi peneliti dalam menentukan
target populasi dan kerangka sampling yang terkait. Beri komentar
dengan contoh bagaimana Anda akan mengatasinya.
2. Dalam situasi apa pengambilan sampel non-probabilitas lebih
disukai daripada pengambilan sampel probabilitas? Komentar
dengan contoh.
3. Untuk setiap desain sampling probabilitas, ilustrasikan
penggunaannya dengan contoh.
4. Pertimbangan apa yang perlu diperhatikan saat menentukan
ukuran sampel yang sesuai?
5. Apakah Anda lebih suka menggunakan sampel 20.000 pemilih
atau 2.000 pemilih untuk menggambarkan perilaku memilih dalam
pemilu nasional? Jelaskan pilihan Anda.

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat mempersiapkan data penelitian dengan baik
√ Mengetahui data yang hilang;
√ Mengetahui koding data;
√ Mengetahui transformasi data.
7.1 Pendahuluan
Banyak proyek penelitian berisi data numerik atau informasi
yang dapat diukur untuk menjawab pertanyaan penelitian. Metode
kuantitatif adalah pengukuran di mana angka digunakan secara
langsung untuk mewakili sifat-sifat fenomena, kesenjangan penelitian,
atau kesenjangan teori.
Peneliti bisnis biasanya memiliki banyak data untuk membantu
manajer dalam membuat keputusan yang lebih baik. Salah satu tanggung
jawab utama mereka adalah mengubah data menjadi pengetahuan. Hal
tersebut dilakukan dalam penelitian kuantitatif dengan memeriksa data
untuk mengidentifikasi dan mengonfirmasi hubungan. Sebelum data
kuantitatif dapat dianalisis, terlebih dahulu harus diedit, dikodekan,
dan dalam beberapa kasus, diubah untuk memastikan bahwa data
tersebut dapat digunakan dengan benar dalam analisis statistik.
Data harus dianalisis dan diinterpretasikan sebelum dapat
digunakan. Dalam penelitian kuantitatif, analisis data memerlukan
langkah-langkah berikut:
1. Pelajari kerangka konseptual dan hubungan yang akan diselidiki.
2. Mengumpulkan dan mengatur data untuk dianalisis.

SPSS dan Smart-PLS
3. Menentukan apakah analisis deskriptif atau pengujian hipotesis
akan digunakan dalam penelitian.
4. Lakukan analisis.
5. Tentukan signifikansi temuan.
Bagian di atas memberikan gambaran umum tentang pendekatan
fundamental untuk analisis data. Setelah meninjau kerangka konseptual,
diskusi beralih ke persiapan data, yang merupakan langkah pertama
dalam pemeriksaan data.
7.2 Persiapan Data

Peneliti harus memeriksa data setelah dikumpulkan dan sebelum
dianalisis untuk memastikan kelengkapan dan validitasnya. Jika
pertanyaan sudah dikodekan sebelumnya, pertanyaan tersebut
dapat dimasukkan ke dalam database. Jika mereka tidak dikodekan
sebelumnya, sistem harus dikembangkan untuk memungkinkan mereka
dikodekan untuk input database. Respons kosong, juga dikenal sebagai
data yang hilang, harus ditangani dengan cara tertentu. Mengedit,
menangani data yang hilang, pengkodean, transformasi, dan entri data
adalah semua tugas umum.
7.2.1 Mengedit
Data survei harus diedit sebelum dapat digunakan. Hal itu
berarti bahwa data harus diperiksa keakuratan dan konsistensinya.
Pada titik ini, beberapa inkonsistensi dapat diperbaiki. Seorang
responden, misalnya, mungkin tidak menjawab pertanyaan tentang
pernikahan. Namun, tanggapan mereka terhadap pertanyaan lain
menunjukkan bahwa mereka telah menikah selama sepuluh tahun
dan memiliki tiga anak, semuanya berusia di bawah delapan belas
tahun. Dalam kasus seperti itu, peneliti dapat memilih untuk mengisi
bagian yang kosong dengan jawaban atas pertanyaan pernikahan
yang belum terjawab. Tentu saja, ada beberapa risiko karena orang
tersebut mungkin baru saja bercerai, atau dalam beberapa kasus,
orang memilih untuk memiliki anak tetapi tidak menikah. Jika salah
satu dari pernyataan ini benar, menunjukkan kategori menikah akan

SPSS dan Smart-PLS
menimbulkan bias ke dalam data. Akibatnya, bila memungkinkan,
hubungi individu untuk menyelesaikan tanggapan yang hilang.
Pengeditan juga termasuk menentukan apakah responden
memahami pertanyaan atau mengikuti urutan yang benar dalam
pertanyaan bercabang. Asumsikan peneliti sedang melakukan
penelitian pada dua jenis situasi kerja yang berbeda. Pertama
menggambarkan lingkungan kerja yang mendukung, sedangkan
yang kedua menggambarkan lingkungan kerja dengan sedikit
atau tanpa dukungan manajemen. Peneliti dapat melakukan
pemeriksaan manipulasi untuk memastikan bahwa responden
menafsirkan deskripsi lingkungan kerja dengan benar: Setelah
menjawab pertanyaan, responden diminta untuk mengomentari
tingkat dukungan manajemen di kedua lingkungan kerja tersebut.
Jika mereka mengatakan kedua lingkungan kerja sama-sama
mendukung, itu berarti mereka tidak memahami perbedaan di
antara keduanya. Dalam kasus tersebut, peneliti dapat memilih
untuk mengecualikan responden tersebut dari analisis data.
Saat mengumpulkan data primer, pengeditan dapat
menyebabkan penghapusan kuesioner. Misalnya, jika sebagian
besar data hilang, seluruh kuesioner mungkin perlu dihapus dari
database. Ketika proporsi data yang hilang melebihi 15% dari
total tanggapan, seluruh kuesioner harus dihilangkan. Demikian
pula, pertanyaan saringan dapat menunjukkan bahwa Anda hanya
ingin mewawancarai orang-orang yang memiliki rumah sendiri.
Namun, jawaban kuesioner yang lengkap dapat menunjukkan
bahwa responden tertentu adalah penyewa. Kuesioner tidak boleh
dimasukkan dalam analisis data dalam kasus seperti itu. Pada
bagian berikut, kita akan membahas bagaimana menangani data
yang hilang.
7.2.2 Data yang Hilang

Peneliti bisnis sering memiliki data yang hilang, baik dari survei
atau sumber internal seperti gudang data. Data yang hilang dapat
mempengaruhi validitas temuan peneliti dan oleh karena itu harus
diidentifikasi dan masalah diselesaikan. Data yang hilang biasanya

SPSS dan Smart-PLS
muncul karena masalah pengumpulan data atau entri data. Peneliti
bisnis harus menilai seberapa luas masalah data yang hilang dan
apakah itu sistematis atau acak. Jika masalah memiliki cakupan
terbatas, solusi tipikal adalah dengan menghilangkan responden
atau pertanyaan dengan data yang hilang.
Ketika data yang hilang semakin meluas, peneliti harus
mengatasinya, karena menghapus responden dengan data yang
hilang, ukuran sampel mungkin menjadi terlalu kecil untuk
memberikan hasil yang berarti. Misalnya, Dalam survei restoran
Nayya, total tujuh puluh satu survei karyawan diselesaikan (N =
71). Tetapi delapan survei karyawan memiliki data yang hilang dan
proporsi data yang hilang melebihi 15 persen. Dalam hal itu, penulis
memilih untuk menghapus delapan survei dan bekerja dengan
enam puluh tiga wawancara yang tersisa (dapat digunakan N = 63).
Penulis akan membahas dua pendekatan untuk menangani data
yang hilang, meskipun alternatif lain dimungkinkan. (1) Pendekatan
pertama adalah mengidentifikasi responden dan variabel yang
memiliki proporsi besar (15 persen atau lebih) dari titik data yang
hilang. Responden atau variabel itu kemudian dihilangkan dari
analisis. (2) Pendekatan kedua adalah memperkirakan nilai-nilai
yang hilang dengan mengganti rata-rata atau angka lain yang sesuai.
Proses ini, yang disebut imputasi, hanya sesuai untuk variabel yang
diukur secara metrik. Ketika variabel non-metrik memiliki data
yang hilang, responden atau pertanyaan harus dihilangkan dari
analisis dalam kebanyakan situasi.
Salah satu pendekatan untuk mengganti nilai yang hilang adalah
dengan menghitung rata-rata dan memasukkannya ke dalam berkas
data Anda. Pendekatan lain adalah dengan menggunakan perangkat
lunak SPSS, yang memiliki prosedur untuk mengganti rata-rata
sampel untuk variabel tertentu sebelum analisis data.
Ketika survei diselesaikan secara online, kontrol kuesioner
disertakan untuk mencegah responden pergi ke pertanyaan
berikutnya jika mereka belum menjawab pertanyaan tertentu.
Kontrol tersebut menghilangkan data yang hilang dalam survei

SPSS dan Smart-PLS
yang dilakukan secara online tetapi dapat menyebabkan masalah
lain. Pertama, responden mungkin hanya memberikan jawaban
acak untuk pindah ke pertanyaan berikutnya. Mereka mungkin juga
menebak jawaban. Salah satu dari jenis respons ini menghasilkan
data yang tidak valid. Masalah lain adalah responden mungkin hanya
berhenti menyelesaikan survei dan log off, sehingga kuesioner
tidak lengkap. Untuk mengurangi masalah ini dan meningkatkan
kemungkinan penyelesaian survei yang akurat, peneliti bisnis perlu
merancang kuesioner dengan cara menghilangkan pertanyaan sulit
atau membingungkan.
7.2.3 Koding dan Input Data

Tanggapan harus diberi kode sebelum atau sesudah pengumpulan
data. Yang terbaik adalah mengkodekannya terlebih dahulu jika
memungkinkan. Koding berarti memberikan nomor untuk respons
tertentu sehingga dapat dimasukkan ke dalam database. Misalnya,
jika kita menggunakan skala setuju-tidak setuju lima poin, kita
harus memutuskan apakah “sangat setuju” harus dikodekan sebagai
5 atau 1. Sebagian besar peneliti akan menetapkan angka tertinggi
(5) untuk “Sangat Setuju”, terendah (1) hingga “Sangat Tidak Setuju”,
dan poin di antaranya akan diberikan 2, 3, atau 4. Ketika peneliti
memiliki variabel dua kategori, seperti jenis kelamin, situasi unik
muncul. Beberapa peneliti menggunakan skema pengkodean di
mana laki-laki diberi nilai 1 dan perempuan diberi nilai 2. Namun,
dalam kasus seperti itu, penulis merekomendasikan menggunakan
pendekatan pengkodean yang menetapkan 1 untuk salah satu
kategori dan 0 untuk yang lain. Metode ini, yang dikenal sebagai
pengkodean variabel dummy, memungkinkan fleksibilitas yang
lebih besar dalam analisis data.
Ketika wawancara berbantuan komputer digunakan, tanggapan
langsung dimasukkan ke dalam database. Namun, saat menggunakan
kuesioner pengisian sendiri, peneliti bisnis harus menggunakan
lembar pemindai sehingga tanggapan dapat langsung dipindai ke
dalam database. Dalam kasus lain, data mentah harus dimasukkan
secara manual ke dalam database. Entri data manual harus

SPSS dan Smart-PLS
dihindari karena menghilangkan langkah yang dapat menimbulkan
kesalahan.
Dengan survei kuantitatif, pertanyaan terbuka kadang-kadang
digunakan. Setelah survei selesai, pertanyaan semacam itu harus
diberi kode. Apakah data dikumpulkan secara online atau melalui
pendekatan yang dibantu pewawancara, pertanyaan terbuka harus
diberi kode. Untuk melengkapi pengkodean, tanggapan ditinjau
untuk mengidentifikasi kata-kata umum, frasa, tema, dan jenis pola
lainnya. Setelah itu, kode diberikan untuk memudahkan analisis
data kuantitatif.
Sebagian besar perangkat lunak populer menyertakan editor
data, mirip dengan spreadsheet, yang dapat digunakan untuk
memasukkan, mengedit, dan melihat konten basis data. Nilai
yang hilang biasanya direpresentasikan dalam sel dengan titik
(.), sehingga harus dikodekan dengan cara yang dikenali oleh
perangkat lunak. Misalnya, jika jawaban atas pertanyaan skala
Likert tujuh poin hilang, kita dapat mengkodekannya sebagai 9.
Demikian pula, sebuah pertanyaan dapat menyertakan opsi “Tidak
tahu”, yang dapat kita kodekan sebagai 8, dan tanggapan lain yang
mewakili nilai sebenarnya yang hilang sebagai 9. Peneliti harus
mengantisipasi dan merencanakan situasi ini sebelumnya.
Kesalahan manusia dapat terjadi saat mengisi kuesioner,
mengkodekannya, atau memasukkan data. Akibatnya, setidaknya
10% dari kuesioner berkode dan database aktual biasanya diperiksa
untuk kemungkinan kesalahan pengkodean atau entri data. Proses
pengambilan sampel acak yang sistematis biasanya digunakan saat
memilih kuesioner untuk diperiksa.
7.2.4 Transformasi Data

Transformasi data adalah proses mengubah data dari bentuk
aslinya ke format baru. Hal ini biasanya dilakukan agar data lebih
mudah dipahami atau untuk mencapai tujuan penelitian yang lain.
Ketika menjumpai skala pengukuran dengan kata-kata negatif,
peneliti biasanya akan membalikkan kode pertanyaan dengan
kata-kata negatif untuk menghitung skala penjumlahan untuk

SPSS dan Smart-PLS
menginterpretasikan hasil; misalnya, jika skala lima poin digunakan,
5 akan diubah menjadi 1, 4 menjadi 2, dan seterusnya (3 tidak
harus diubah). Situasi lain yang mungkin memerlukan transformasi
adalah ketika data usia responden dikumpulkan. Ketika responden
ditanya tahun berapa mereka lahir dan bukan berapa usia mereka,
ada sedikit bias respons. Dalam kasus seperti itu, peneliti hanya
akan mengubah tahun lahir responden menjadi usia mereka.
Peneliti juga dapat memilih untuk menciutkan atau
menggabungkan kategori variabel yang berdekatan untuk
mengurangi jumlah kategori. Misalnya, untuk variabel usia, jumlah
kategori dapat dikurangi menjadi dua: responden berusia tiga puluh
tahun ke bawah versus mereka yang berusia lebih dari tiga puluh
tahun. Demikian pula, dengan menggabungkan tanggapan 5, 6, dan
7 dan tanggapan 1, 2, dan, skala setuju-tidak setuju tujuh poin dapat
dikurangi menjadi skala tiga poin.
Transformasi data penting lainnya adalah pembuatan variabel
baru melalui penggunaan transformasi logis. Misalnya, kita dapat
menggabungkan skala Likert untuk membuat peringkat yang
dijumlahkan. Hal itu akan memerlukan agregasi skor data mentah
untuk beberapa pernyataan sikap menjadi skor penjumlahan
tunggal. Jumlah skala sikap tiga pernyataan dihitung sebagai
berikut:
Skor total = variabel 1 + variabel 2 + variabel 3
Metode lain yang dapat digunakan peneliti adalah menghitung

skor penjumlahan rata-rata. Skor yang dijumlahkan dihitung
dan kemudian dibagi dengan jumlah variabel. Ketika metode
ini digunakan, variabel komposit baru yang ditransformasikan
memiliki skala yang sebanding dengan skala aslinya. Jika kita
memiliki tiga pernyataan lima poin, skor totalnya adalah 4 + 4 + 5
= 13. Namun, jika kita menggunakan skor penjumlahan rata-rata,
hasilnya adalah 4 + 4 + 5 = 13/3 = 4,3. Perhitungan tersebut lebih
mudah dengan bantuan perangkat lunak SPSS.

SPSS dan Smart-PLS
Banyak bisnis sekarang menyimpan data mereka di gudang
data. Gudang data adalah perangkat penyimpanan elektronik
terkomputerisasi yang menampung semua informasi yang
dikumpulkan oleh perusahaan. Perangkat penyimpanan sering
tidak ditemukan di perusahaan komputer. Namun, terletak di Cloud,
yang merupakan fasilitas penyimpanan elektronik di luar lokasi
yang dikelola oleh perusahaan lain, seperti Amazon, Google, atau
Microsoft. Data sekunder, seperti catatan akuntansi atau daftar
pelanggan, dapat digunakan. Gudang data juga menyimpan data
primer dari pengamatan (misalnya, lalu lintas situs web, kebiasaan
media sosial, pembelian produk) atau survei. Manajer dan peneliti
bisnis dapat menggunakan data tersebut untuk menjawab
pertanyaan, memecahkan masalah bisnis, dan membuat keputusan.
Analisis data kuantitatif melibatkan salah satu dari dua
pendekatan: (1) menggunakan statistik deskriptif untuk
memperoleh pemahaman tentang data atau (2) menguji hipotesis
menggunakan uji statistik. Di sisa bab ini, penulis akan memberikan
contoh aplikatif analisis data deskriptif dan metode statistik untuk
menguji hipotesis dengan menggunakan perangkat lunak berupa
SPSS dan Smart-PLS.
7.3 Kesimpulan
Banyak proyek penelitian memiliki data yang dapat diukur untuk
memungkinkan pertanyaan penelitian dijawab. Data kuantitatif terdiri
dari pengukuran di mana angka digunakan untuk secara langsung
mewakili sifat-sifat fenomena. Agar berguna, data perlu dianalisis
dan ditafsirkan. Analisis data dalam penelitian kuantitatif melibatkan
langkah-langkah berikut: (1) meninjau kerangka konseptual dan
hubungan yang diusulkan, (2) menyiapkan data untuk analisis, (3)
menentukan apakah penelitian melibatkan analisis deskriptif atau
pengujian hipotesis, (4) melakukan analisis, dan (5) mengevaluasi
temuan untuk menilai apakah temuan itu bermakna.

SPSS dan Smart-PLS
1. Buatlah kelompok penelitian, kemudian diskusikan topik penelitian
sederhana yang terdiri atas 2 (dua) variabel bebas dan 1 (satu)
variabel terikat.
2. Buatlah proposal penelitian berdasarkan topik yang telah
ditentukan dengan menggunakan metode kuantitatif berdasarkan
survei (memiliki kuesioner). Sistematika penulisan proposal
penelitian tersebut sebagai berikut:
• Bab I Pendahuluan (latar belakang, rumusan masalah, tujuan
penelitian, dan manfaat penelitian).
• Bab II Kajian Pustaka (landasan teori setiap variabel dan
hubungan variabel, penelitian terdahulu, kerangka penelitian,
dan hipotesis).
• Bab III Metodologi Penelitian (metode penelitian, instrumen
penelitian, sampling, pengumpulan data, dan analisis data).
3. Sistematika penulisan proposal penelitian dapat juga disesuaikan
dengan panduan penulisan karya ilmiah Universitas atau Perguruan
Tinggi Anda.

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat memahami proses input data kuesioner ke dalam SPSS;
√ Dapat memahami analisis deskriptif;
√ Dapat memahami analisis validitas dan reliabilitas;
√ Dapat memahami analisis asumsi klasik;
√ Dapat memahami analisis regresi berganda;
√ Dapat memberikan penjelasan terhadap hasil output pada setiap
analisis.
8.1 Pendahuluan
Pada bagian analisis data dengan menggunakan alat perangkat
lunak/software SPSS, penulis akan memberikan contoh penelitian
sederhana yang dapat mengilustrasikan tata cara pengolahan data
kuesioner pada suatu karya ilmiah berbentuk skripsi. SPSS (Statistical
Package for Social Science) adalah perangkat lunak yang digunakan oleh
para peneliti di berbagai disiplin ilmu untuk analisis kuantitatif data
yang di mulai dari persiapan dan pengelolaan data hingga analisis serta
pelaporan.
Berdasarkan observasi penulis, rata-rata kebanyakan skripsi yang
biasanya dilaksanakan oleh mahasiswa S-1 (strata satu) di Indonesia
khususnya pada bidang ilmu Manajemen, mereka menggunakan SPSS
untuk dapat menganalisis data kuesioner melalui analisis regresi
berganda. Sehingga penulis akan memfokuskan pembelajaran analisis
data pada bab ini melalui analisis regresi berganda. Tahapan analisis
data pada buku ini secara berurutan di antaranya: analisis deskriptif
frekuensi; analisis validitas dan reliabilitas; analisis tanggapan

SPSS dan Smart-PLS
responden; analisis asumsi klasik (normalitas, multikolinearitas, dan
heteroskedastisitas) dan terakhir analisis regresi berganda. Tahapan
tersebut akan dibahas pada bab ini.
8.2 Contoh Penelitian Sederhana

Contoh penelitian pada buku ini berjudul “Pengaruh Virtual Reality
Experience dan Motivasi Perjalanan terhadap Citra Destinasi di Pulau
Belitung”. Kuesioner yang digunakan untuk penelitian tersebut terlihat
pada Tabel 8.1. Kuesioner tersebut di distribusikan kepada 100 orang
responden yang pernah menggunakan teknologi virtual reality untuk
melakukan perjalanan wisata ke Pulau Belitung melalui metode
convenience sampling. Penyebaran kuesioner dilakukan secara online
menggunakan Google Forms yang akan disebarkan melalui media sosial
seperti WhatsApp, Facebook, dll. Perlu diingat dalam pengambilan
sampel/responden pada analisis regresi perlu memenuhi syarat
minimal sampel yang diperlukan yaitu 30 sampel.
Tabel 8.1 Contoh Kuesioner Penelitian

1. Profil Responden
Jenis Kelamin
Pria Wanita
Usia
≤ 20 tahun 21-30 tahun 31-40 tahun 41-50 tahun ≥ 51 tahun
Tingkat Pendidikan
SMA D-3 S-1 S-2 S-3
2. Pertanyaan Utama
Pertanyaan STS TS RR S SS
Virtual reality experience (VRE)
Penggunaan virtual reality
(VR) akan membantu saya
merencanakan perjalanan wisata
saya dengan lebih baik.

SPSS dan Smart-PLS
Penggunaan VR dalam
sangat berguna bagi saya
Menggunakan teknologi VR akan
membantu saya merencanakan
perjalanan wisata saya lebih
nyaman
Belajar mengoperasikan teknologi
VR itu mudah bagi saya
Motivasi perjalanan (MP)
Melakukan perjalanan wisata ke
Pulau Belitung untuk mengetahui
tempat baru dan berbeda
Melakukan perjalanan wisata
ke Pulau Belitung untuk tujuan
istirahat dan relaksasi
Pulau Belitung untuk mencari
petualangan dan kesenangan
Pulau Belitung untuk mencari
hiburan
Citra destinasi (CD)
Pulau Belitung memiliki kualitas
pada infrastruktur umum.
Pulau Belitung memiliki
pemandangan dan wisata alam
yang indah
Pulau Belitung menawarkan
makanan lokal yang menarik

SPSS dan Smart-PLS
Pulau Belitung memiliki atraksi
budaya yang menarik
Ket.: Kuesioner ini menggunakan skala Likert 5 poin. STS: Sangat
Tidak Setuju; TS: Tidak Setuju; RR: Ragu-ragu; S: Setuju; SS: Sangat
Setuju.
Berdasarkan contoh judul penelitian di atas kita dapat mengetahui
bentuk model penelitian yang diteliti (Gambar 8.1). Penelitian tersebut
terdiri dari 2 (dua) variabel bebas (VRE dan MP) dan 1 (satu) variabel
terikat (CD) serta 2 (dua) hipotesis. Hipotesis tersebut antara lain:
H1: Virtual reality experience berpengaruh positif terhadap Citra
destinasi.
H2: Motivasi perjalanan berpengaruh positif terhadap Citra destinasi.
Gambar 8.1 Contoh Model Penelitian
Ketiga variabel tersebut memiliki masing-masing memiliki

4 (empat) pertanyaan yang terlihat pada Tabel 8.1. Pertanyaan-
pertanyaan tersebut nantinya akan dikoding sesuai klasifikasi variabel
untuk mempermudah analisis data.
8.3 Input Data Kuesioner

Koding data pada kuesioner antara lain: variabel VRE (VRE1, VRE2,
VRE3, VRE4); variabel MP (MP1, MP2, MP3, MP4); variabel CD (CD1,
CD2, CD3, CD4). Setelah kita menentukan koding dari pertanyaan

SPSS dan Smart-PLS
variabel, selanjutnya kita akan memasukkan (input) koding tersebut
beserta dengan jawaban responden ke dalam SPSS. Jawaban responden
pada kuesioner menggunakan skala Likert 5 poin, sehingga koding
untuk jawaban tersebut antara lain: 1 (STS); 2 (TS); 3 (RR); 4 (S); 5 (SS).
SPSS yang penulis gunakan adalah SPSS versi 26 untuk pengguna
Macintosh, sehingga tampilan SPSS agak sedikit berbeda dengan
pengguna Windows. Tetapi jangan khawatir untuk pengguna Windows,
karena menu-menu yang ditampilkan pada SPSS akan sama, hanya
berbeda visualisasi saja.
Silahkan klik menu Variable View untuk mencantumkan
koding-koding yang sebelumnya telah ditentukan beserta dengan profil
responden (Gambar 8.2). Gunakan tanda “_” atau titik untuk spasi
kata-kata untuk menghindari error penulisan. Pada menu desimal
buat jadi “0” supaya tidak ada angka desimal pada pilihan skala Likert
5 poin. Kemudian klik menu Values (bertanda “…” pada baris setiap
profil responden dan koding variabel) untuk mengisi pilihan jawaban
responden (Gambar 8.3). Kolom lainnya abaikan saja, karena akan
otomatis terisi oleh SPSS.
Gambar 8.2 Tampilan Input Data (Variable View)

SPSS dan Smart-PLS
Gambar 8.3 Input Data pada Variable View

SPSS dan Smart-PLS
Kemudian pindah pada bagian Data View dan isi jawaban responden
dari hasil jawaban responden (Gambar 8.4). Pada saat pengisian data,
pastikan data sesuai dengan jumlah yang ada yaitu 100 data pada contoh
penelitian ini. Jika data kekurangan atau kelebihan dalam pengisian
data maka pada analisis deskriptif akan timbul “missing data” pada
hasil output pengolahan data deskriptif.
Gambar 8.4 Input Data pada Data View
Setelah mengisi jawaban responden pada Data View, selanjutnya

adalah melihat statistik data profil responden dengan menggunakan
analisis deskriptif frekuensi.
8.4 Analisis Deskriptif Frekuensi

Langkah-langkah:
• Pilih Analyze pada menu paling atas pada perangkat lunak SPSS;
• Pilih Descriptive Statistics;
• Klik Frequencies;
• Pada kotak dialog Frequencies, pindahkan profil responden (jenis
kelamin, usia, tingkat pendidikan) ke kotak sebelah kanan (Gambar
8.5).

SPSS dan Smart-PLS
Gambar 8.5 Analisis Deskriptif Frekuensi
• Setelah memindahkan data profil responden kemudian klik Ok.

Setelah beberapa saat, akan muncul halaman output (lihat Gambar
8.6).

SPSS dan Smart-PLS
Gambar 8.6 Halaman Output Analisis Deskriptif Frekuensi
Pada Tabel Statistics (Gambar 8.6), terdapat nilai valid sebesar 100
pada setiap profil responden, hal tersebut menandakan bahwa input
data sesuai dengan jumlah responden yaitu 100 sampel dan tidak ada
yang “missing data”. Jika angka tersebut kurang dari 100 atau lebih atau
terdapat angka selain angka “0” pada bagian missing, maka Anda perlu
melihat kembali pada Data View.
Pada Tabel Frequency (Gambar 8.6) didapatkan jumlah jenis
kelamin Pria sebanyak 55 responden (55%) dan Wanita sebanyak 45
responden (45%). Usia responden tertinggi adalah ≤ 20 tahun sejumlah

SPSS dan Smart-PLS
32 responden (32%) dan 31-40 tahun sejumlah 32 responden (32%),
sedangkan terendah adalah 41-50 tahun sejumlah 7 responden (7%).
Kemudian, tingkat pendidikan tertinggi adalah S-1 dengan 36 responden
(36%) dan terendah adalah S-2 dengan 7 responden (7%), diikuti oleh
S-3 dengan 7 responden (7%).
Setelah mendapatkan hasil statistik profil responden, maka
selanjutnya adalah menguji validitas dan reliabilitas data yang
didapatkan dari hasil penyebaran kuesioner terhadap responden.
8.5 Analisis Validitas

Analisis ini akan menguji validitas hasil data yang diterima, sehingga
nantinya dapat diteruskan pada analisis berikutnya untuk pengujian
keandalan (reliabilitas).
Langkah-langkah:
• Pilih Analyze;
• Pilih Correlate; dan
• Klik Bivariate;
• Masukan satu per satu koding pertanyaan sesuai dengan
pengelompokan variabelnya ke kotak sebelah kanan (jangan
seluruhnya dimasukkan) bersama dengan total skor per variabel,
misalnya input pertama VRE1, VRE2, VRE3, VRE4, Total_Skor_VRE
dan seterusnya,
• Klik Ok (Gambar 8.7). Setelah beberapa saat akan muncul hasil
analisis validitas.
Total skor tersebut didapatkan dengan cara menambah angka-
angka pada setiap indikator (misalnya, VRE1 + VRE2 + VRE 3 + VRE4 =
…) (Gambar 8.8).
Nilai validitas dapat dilihat pada baris akhir pada total VRE, MP, dan
CD pada bagian Pearson Correlation (Gambar 8.9) dengan nilai VRE1
(0.729), VRE2 (0.730), VRE3 (0.748), VRE4 (0.666), MP1 (0.538), MP2
(0.751), MP3 (0.698), MP4 (0.656), CD1 (0.591), CD2 (0.658), CD3
(0.587), CD4 (0.578). Berdasarkan hasil nilai validitas tersebut, terlihat
bahwa tidak ada nilai indikator di bawah 0.5, sehingga dapat dikatakan
bahwa seluruh indikator valid. Jika terdapat nilai indikator di bawah

SPSS dan Smart-PLS
0.5, maka perlu dihilangkan dan dianalisis kembali, sampai tidak ada
lagi nilai indikator di bawah 0.5.
Gambar 8.7 Analisis Bivariate
Gambar 8.8 Total Skor VRE

SPSS dan Smart-PLS
Gambar 8.9 Nilai Validitas (Pearson Correlation)

SPSS dan Smart-PLS
8.6 Analisis Reliabilitas
Setelah pengujian validitas, maka analisis reliabilitas perlu
dilaksanakan untuk melihat keandalan variabel yang diteliti.
Langkah-langkah:
• Pilih Analyze;
• Pilih Scale;
• Klik Reliability Analysis;
• Pindahkan indikator VRE 1-4 tanpa total skor, dan seterusnya
untuk variabel lainnya. Perlu diingat jangan memasukkan seluruh
variabel, lakukan hal tersebut secara terpisah atau satu per satu;
• Isikan nama variabel pada Scale Label;
• Klik Ok (Gambar 8.10).
Nilai reliabilitas dapat dilihat dari nilai Cronbach’s alpha. Nilai
VRE (0.786), nilai MP (0.768), dan nilai CD (0.783) (Gambar 8.11).
Berdasarkan nilai tersebut, seluruh variabel dapat dikatakan dapat
diandalkan, karena nilai reliabilitas (Cronbach’s alpha) di atas nilai 0.6.
Jika nilai reliabilitas di bawah 0.6, maka perlu melakukan survei ulang
atau menghilangkan variabel yang bersangkutan.
Ketika nilai reliabilitas tidak dapat dipenuhi, maka perlu juga
untuk melihat kembali kuesioner yang dibuat serta melakukan pre-test
(pilot study) kuesioner terhadap responden terbatas (misalnya, 10-
15 responden). Setelah nilai reliabilitas dapat terpenuhi, maka dapat
dilanjutkan untuk pengujian lainnya yaitu uji asumsi klasik beserta
dengan analisis regresi berganda.

SPSS dan Smart-PLS
Gambar 8.10 Analisis Scale (Reliabilitas)
Gambar 8.11 Nilai Reliabilitas (Cronbach’s Alpha)
8.7 Analisis Deskriptif Tanggapan Responden

Analisis deskriptif tanggapan responden menggunakan interval
nilai rata-rata (mean). Dengan melihat titik maksimum dan minimum

SPSS dan Smart-PLS
skala Likert atau semantic differential, interval yang akan dijadikan
skala sebagai berikut:
• Skala Kuesioner penelitian ini (skala Likert 5 poin); jika
menggunakan skala semantic differential yang memiliki 7 poin atau
lebih, maka perlu penyesuaian pada skor maksimal dan perhitungan
interval.
Skor maksimal = 5
Skor minimal = 1
• Perhitungan interval
Setelah diperoleh total skor dari variabel, maka dapat

mengategorikan atau mengklasifikasikan kecenderungan jawaban
responden pada penelitian ini ke dalam skala berdasarkan interval.
Skala kriteria mean variabel penelitian ini adalah sebagai berikut:
Tabel 8.2 Kriteria Interval Mean Penelitian

Interval Kriteria
1,0 – 1,79 sangat rendah
1,80 – 2,59 rendah
2,60 – 3,39 sedang
3,40 – 4,19 tinggi
4,20 – 5,00 sangat tinggi
Langkah-langkah untuk mendapatkan nilai rata-rata (mean):
• Pilih Analyze;
• Klik Descriptive;
• Pindahkan indikator/pertanyaan penelitian (misalnya: VRE1, VRE2,
VRE3, VRE4) ke kotak Variable(s). Cara memindahkannya jangan
seluruh indikator variabel dimasukkan, tetapi masukan indikator
per variabel secara terpisah.
• Kemudian Klik Ok. Setelah beberapa saat akan muncul output dan
lihat nilai mean pada Tabel Descriptive Statistics (Gambar 8.12).

SPSS dan Smart-PLS
Gambar 8.12 Nilai Mean Analisis Deskriptif

SPSS dan Smart-PLS
Nilai mean yang terlihat pada Gambar 8.12 (VRE1 4.01; VRE2 3.70;
VRE3 4.02; VRE4 4.13) merupakan nilai dari tanggapan responden
untuk setiap pertanyaan yang diajukan pada kuesioner penelitian.
Contoh ringkasan nilai mean untuk variabel VRE sebagai berikut:
Tabel 8.3 Analisis Tanggapan Responden

Nilai Mean Kriteria
VRE1 4.01 Tinggi
VRE2 3.70 Tinggi
VRE3 4.02 Tinggi
VRE4 4.13 Tinggi
Tanggapan responden untuk seluruh indikator VRE termasuk

kriteria tinggi. Setiap indikator/pertanyaan tersebut perlu dibahas
terperinci secara teoretis (kenapa berkriteria tinggi). Pembahasan
tersebut dapat mengacu kepada buku atau artikel jurnal yang sesuai
dengan indikator tersebut yang disertai dengan argumen pribadi.
8.8 Uji Asumsi Klasik dan Analisis Regresi Berganda

Uji asumsi klasik berupa uji normalitas, uji autokorelasi, uji
multikolinearitas, dan uji heteroskedastisitas. Uji normalitas
menggunakan uji Kolmogorov-Smirnov dengan menggunakan
nilai residual atau melihat dari grafik histogram. Uji autokorelasi
menggunakan uji Durbin Watson, uji tersebut hanya digunakan untuk
data time-series (misalnya, laporan keuangan), sedangkan untuk data
cross-sectional (misalnya, kuesioner) tidak perlu menggunakan uji
autokorelasi. Pada buku ini menggunakan contoh berupa kuesioner,
sehingga uji autokorelasi diabaikan. Uji multikolinearitas menggunakan
nilai Variance Inflation Factor (VIF). Uji heteroskedastisitas
menggunakan uji gletser atau melihat penyebaran plots pada grafik.
Langkah-langkah pengujian asumsi klasik beriringan dengan analisis
regresi berganda.
Analisis regresi berganda menggunakan nilai total skor dari setiap
variabel (Total_Skor VRE, Total_Skor MP, dan Total_Skor CD).

SPSS dan Smart-PLS
Langkah-langkah:
• Pilih Analyze;
• Pilih Regression;
• Klik Linear;
• Pindahkan data variabel terikat (Total_CD) ke kotak Dependent,
variabel bebas (Total_VRE dan MP) ke kotak Independents;
• Klik Statistics, centang Collinearity Diagnostics dan Durbin-
Watson; (centang yang sudah tersedia biarkan tercentang)
kemudian klik Continue;
• Klik Plots, pindahkan SRESID ke kotak Y dan ZPRED ke kotak X,
centang Histogram dan Normal probability plot, kemudian klik
Continue;
• Klik Save, centang Unstandardized pada kolom Residuals yang
terletak di sebelah kanan, kemudian Continue;
• Klik Ok (lihat Gambar 8.13).

SPSS dan Smart-PLS
Gambar 8.13 Analisis Regresi Berganda dan Uji Asumsi Klasik
Hasil yang tersedia setelah melakukan langkah-langkah di atas

selain daripada uji asumsi klasik, terdiri dari: uji t (uji parsial), uji F (uji
simultan), dan uji koefisien determinasi (uji adjusted R2). Uji-uji tersebut
perlu diketahui untuk pembahasan biasanya pada Bab 4 Skripsi.

SPSS dan Smart-PLS
8.8.1 Uji Asumsi Klasik
Uji Normalitas
Pada uji normalitas terdapat beberapa opsi untuk menampilkan
hasil uji tersebut, di antaranya: secara grafik dan uji Kolomogorov-
Smirnov (KS). Secara grafik dapat dilihat pada output analisis yang
telah dilakukan sebelumnya. Terdapat 2 (dua) grafik, baik grafik
histogram yang disertai dengan garis parabola (Gambar 8.14) dan
grafik yang disertai dengan garis diagonal dan plots (Gambar 8.15).
Gambar 8.14 Grafik Histogram dengan Garis Parabola (Uji Normalitas)
Grafik pada Gambar 8.14 dikatakan berdistribusi normal, jika

garis parabola berada pada posisi ditengah-tengah, tidak miring ke
kiri atau ke kanan atau dapat dilihat dari axis x (0, +3 = 0, -3). Grafik
pada Gambar 8.15 dapat dikatakan berdistribusi normal, jika plots
(titik-titik) semakin mendekati garis diagonal, jika plots terlihat
menjauh garis diagonal berarti berdistribusi tidak normal.

SPSS dan Smart-PLS
Gambar 8.15 Grafik dengan Garis Diagonal dan Plots (Uji Normalitas)
Jika masih ragu atas grafik-grafik tersebut, maka dapat

melakukan uji KS. Setelah melakukan langkah-langkah analisis
regresi berganda dan uji asumsi klasik, maka akan muncul variabel
baru yang bernama Unstandardized Residual (Res_1) pada bagian
Data View (halaman input data) (lihat Gambar 8.16).
Gambar 8.16 Unstandardized Residual (Res_1) pada Data View
Langkah-langkah uji K-S (Gambar 8.17):

• Pilih Analyze;
• Pilih Nonparametric Tests;
• Pilih Legacy Dialogs;
• Klik 1-Sample K-S;

SPSS dan Smart-PLS
• Pindahkan variabel Unstandardized Residual (biasanya
terletak paling bawah) ke kotak Test Variable List;
• Klik Ok.
Gambar 8.17 Uji Kolmogorov-Smirnov

SPSS dan Smart-PLS
Gambar 8.18 Hasil Uji K-S
Berdasarkan hasil uji K-S pada Gambar 8.18, data penelitian

berdistribusi normal dengan nilai Asymp Sig (2-tailed) 0.093 > 0.05
(nilainya lebih besar dari 0.05).
Uji Multikolinearitas
Uji multikolinearitas dapat dilihat dari nilai variance inflation
factor (VIF). Nilai tersebut terdapat pada Tabel Coefficients pada
analisis regresi berganda. Jika nilai VIF berada di antara nilai
1-10 maka dapat dikatakan data penelitian tidak ada masalah
multikolinearitas (lihat Gambar 8.19).
Gambar 8.19 Nilai VIF

SPSS dan Smart-PLS
Nilai VIF pada Gambar 8.19, menunjukkan tidak ada masalah
multikolinearitas pada data penelitian.
Uji Heteroskedastisitas
Uji heteroskedastisitas dapat dilihat pada sebaran plots
grafik atau uji Glejser. Jika plots (titik-titik) tersebar atau tidak
berkelompok, maka dapat dikatakan data penelitian tidak terjadi
masalah heteroskedastisitas. Sedangkan jika plots tersebut
berkumpul atau berkelompok maka dapat dipastikan terjadi
masalah heteroskedastisitas. Pada penelitian ini plots menyebar,
sehingga tidak terjadi masalah heteroskedastisitas (Gambar 8.20).
Keakuratan masalah heteroskedastisitas melalui grafik kadang-
kadang belum memuaskan, sehingga memerlukan uji lebih lanjut,
yaitu dengan menggunakan uji Glejser.
Gambar 8.20 Grafik Uji Heteroskedastisitas
Langkah-langkah uji Glejser (Gambar 8.21):

• Pilih Transform;
• Klik Compute Variable;
• Ketikkan Abs_Res pada Target Variable;
• Ketikkan formula ABS(Res_1) pada Numeric Expression (Res_1
merupakan nilai Unstandardized Residual yang sebelumnya

SPSS dan Smart-PLS
sudah ada pada uji Kolmogorov-Smirnov);
• Klik Ok, kemudian akan muncul variabel baru bernama Abs_
Res pada Data View;
• Pilih Analyze;
• Klik Linear;
• Pindahkan variabel Abs_Res pada kotak Dependent dan Total_
Skor VRE dan MP ke kotak Independent;
• Klik Ok.
Penentuan nilai uji Glejser dapat dilihat dari nilai Signifikansi

(Sig.) pada Tabel Coefficients, jika nilai Sig. pada variabel bebas
(Total_VRE dan Total_MP) di atas 0.05 maka tidak terjadi masalah
heteroskedastisitas pada model regresi dan sebaliknya.
Selain daripada uji Glejser, terdapat uji lainnya yang dapat
digunakan untuk uji heteroskedastisitas antara lain seperti: uji
Park, uji Rank Spearman, dan uji White).

SPSS dan Smart-PLS
SPSS dan Smart-PLS
Gambar 8.21 Uji Glejser
Gambar 8.22 Output Uji Glejser
Berdasarkan Gambar 8.22, nilai Sig. VRE (0.149) dan MP (0.104)

lebih besar dari 0.05, maka dapat dikatakan tidak ada masalah
heteroskedastisitas pada model regresi.
8.8.2 Mengatasi Masalah Uji Asumsi Klasik

Pengujian asumsi klasik sebagai syarat penggunaan analisis
berganda tidak selamanya lancar, pasti mengalami kendala. Oleh
karena itu perlu cara untuk mengatasinya.

SPSS dan Smart-PLS
Masalah Normalitas
1) Membuang nilai outliers (data yang menyimpang atau data
ekstrem).
2) Transformasi data.
3) Menggunakan uji K-S dengan metode Monte Carlo.
a) Langkah-langkah membuang nilai outliers:

• Pilih Analyze;
• Klik Explore;
• Pindahkan variabel yang ingin dilihat nilai outliers-nya
(contoh: Total_Skor_CD) ke kotak Dependent List;
• Klik Statistics, centang Outliers, klik Continue;
• Klik Ok (lihat Gambar 8.23).

SPSS dan Smart-PLS
Gambar 8.23 Analisis Descriptive Explore
Gambar 8.24 Output Outliers
Pada Gambar 8.24, terlihat beberapa nilai outliers yang perlu

dihilangkan. Jawaban responden nomor ke 6, 8, dan 57 perlu
dihilangkan untuk menormalisasi data. Setelah menghilangkan
data outliers, maka perlu menguji kembali normalitas melalui
uji K-S. Jika di uji kembali masih tidak normal juga, maka perlu
melakukan tahap kedua yaitu, transformasi data.
b) Langkah-langkah transformasi data:
• Pilih Graphs;
• Klik Histogram;

SPSS dan Smart-PLS
• Pindahkan variabel yang ingin dilihat normal atau tidak
(contoh: Total_CD) ke kotak Variable, dan centang Display
normal curve;
• Klik Ok (Gambar 8.25);
• Setelah beberapa saat akan muncul grafik histogram
beserta dengan garis parabola, kemudian lihat posisi garis
parabolanya. Jika berada di posisi tengah maka normal, jika
condong kanan atau kiri maka tidak normal. Pada Gambar
8.26, Anda dapat menentukan posisi garis parabola Anda
dan setelah mengetahui posisi tersebut, maka dapat melihat
Tabel 8.4 untuk menentukan formula transformasi data.
• Setelah menentukan formula transformasi data, pilih
Transform;
• Pilih Compute Variable;
• Ketikkan Trans_CD pada kotak Target Variable dan
ketikkan formula yang didapatkan sebelumnya (contoh,
formula moderate negative skewness (SQRT (k-x)) pada
Numeric Expression. Simbol ‘k’ adalah nilai tertinggi
pada data mentah variabel Total_MP, sedangkan ‘x’ adalah
nama variabel yang di uji (Total_CD). Asumsi nilai tertinggi
adalah 20 (dua puluh), maka formula yang diketikkan pada
Numeric Expression adalah SQRT(20-Total_CD).
• Klik Ok, akan muncul variabel baru pada Data View dengan
nama Trans_CD (lihat Gambar 8.27) dan variabel baru
tersebut perlu di uji melalui uji K-S.

SPSS dan Smart-PLS
Gambar 8.25 Histogram dengan Garis Parabola

SPSS dan Smart-PLS
Gambar 8.26 Posisi Garis Parabola
Tabel 8.4 Formula Transformasi Data

SPSS dan Smart-PLS
Gambar 8.27 Transformasi Data
c) Uji K-S dengan Metode Monte Carlo

Metode ini menggunakan nilai Unstandardized Residual
(Res_1) yang sebelumnya pada uji K-S gunakan (bukan nilai
transformasi).
Langkah-langkah:
• Pilih Analyze;
• Pilih Nonparametric Test;
• Klik 1-Sample K-S;
• Pindahkan variabel Unstandardized Residual (Res_1) ke
kotak Test Variable List dan klik Exact serta centang Monte
Carlo, kemudian Continue;

SPSS dan Smart-PLS
Gambar 8.28 Uji K-S Monte Carlo
Masalah Multikolinearitas
Terdapat beberapa alternatif untuk mengatasi masalah
multikolinearitas, di antaranya:
1. Mengganti atau menghilangkan variabel yang memiliki
nilai VIF di atas 5 atau 10 (variabel yang memiliki masalah
multikolinearitas).
2. Menghilangkan outliers (langkah-langkah sama seperti
sebelumnya).
3. Transformasi data dengan menggunakan formula tertentu
(lihat Tabel 8.4) pada satu atau lebih variabel yang bermasalah.
Pemilihan formula transformasi pada Tabel 8.4 bebas digunakan
tanpa perlu melihat garis parabola. Setelah mendapatkan nilai

SPSS dan Smart-PLS
transformasi yang terlihat pada Data View, maka perlu diuji
kembali melalui proses analisis regresi.
Masalah Heteroskedastisitas
Terdapat beberapa alternatif untuk mengatasi masalah
multikolinearitas, di antaranya:
1. Transformasi data dengan menggunakan formula tertentu
(lihat Tabel 8.4) pada satu atau lebih variabel yang bermasalah.
Pemilihan formula transformasi pada Tabel 8.4 bebas digunakan
tanpa perlu melihat garis parabola. Setelah mendapatkan nilai
transformasi yang terlihat pada Data View, maka perlu diuji
kembali melalui proses analisis regresi.
2. Weighted Least Square (WLS) atau regresi linear dengan
pembobot.
4. Langkah-langkah WLS:
• Pilih Transform;
• Klik Compute Variable;
• Isikan nama Abs_Res_1 pada kotak Target Variable,
kemudian ketikkan formula ABS(Res_1) pada kotak Numeric
Expression (Res_1 didapatkan dari hasil pengujian analisis
regresi berganda sebelumnya untuk uji K-S);
• Setelah muncul variabel baru (Abs_Res_1) pada Data View,
pilih Analyze;
• Klik Linear;
• Pindahkan variabel baru tersebut pada kotak Dependent
dan variabel bebas (Total_VRE dan Total_MP) pada kotak
Independent; Kemudian
Penentuan nilai Heteroskedastisitas berada pada Tabel
Coefficients, jika nilai signifikansi (Sig.) variabel bebas (Total_MP
dan Total_VRE) berada di atas 0.05 (>0.05) maka tidak terjadi
masalah heteroskedastisitas dan begitu juga sebaliknya.

SPSS dan Smart-PLS
SPSS dan Smart-PLS
Gambar 8.29 Weighted Least Square Method
8.8.3 Analisis Regresi Berganda

Setelah terbebas dari masalah uji asumsi klasik, maka langkah
terakhir adalah untuk menguji hipotesis penelitian. Uji hipotesis
terdiri dari uji t (uji secara parsial/terpisah), uji F (uji secara
simultan/bersama-sama), dan uji koefisien determinasi (nilai
adjusted R2 bagi dua variabel bebas atau lebih, jika hanya satu
variabel bebas maka hanya menggunakan nilai R2). Langkah-
langkah analisis regresi berganda dapat dilihat kembali pada poin
8.7.
Uji t (uji secara parsial/terpisah)

Uji tersebut dapat dilihat pada Tabel Coefficients. Penentuan
nilai dapat menggunakan t-statistik atau nilai signifikansi (Sig.). Jika
nilai t-statistik lebih besar dari nilai t-tabel (1.96) maka Hipotesis
dapat diterima (H1 atau H2 dapat diterima H0 ditolak). Jika nilai
signifikansi lebih kecil sama dengan dari 0.05 maka hipotesis
tersebut diterima (nilai Sig. (ρ) ≤ 0,05).
Hipotesis yang diterima atau ditolak memerlukan pembahasan
yang rinci (kenapa diterima dan kenapa ditolak) secara statistik
(biasanya ada pada skripsi) dan teoretis (pasti ada di skripsi
maupun artikel jurnal) kemudian dilengkapi dengan argumen
pribadi mengenai hipotesis tersebut.

SPSS dan Smart-PLS
Tabel 8.5 Hipotesis Contoh Penelitian
Hipotesis 1
H0: ρ > Virtual reality experience (VRE) tidak memiliki
0,05 pengaruh terhadap citra destinasi.
H1: ρ ≤ 0,05 Virtual reality experience (VRE) memiliki
pengaruh terhadap citra destinasi.
Hipotesis 2
H0: ρ > 0,05 Motivasi perjalanan (MP) tidak memiliki
pengaruh terhadap citra destinasi.
H1: ρ ≤ 0,05 Motivasi perjalanan (MP) memiliki pengaruh
terhadap citra destinasi.
Pada contoh penelitian pengaruh seluruh variabel dapat

diterima. Variabel VRE (t statistik = 3.131, Sig. = 0.002), variabel MP
(t statistik = 3.931, Sig. = 0.000) (lihat Gambar 8.30). Pembahasan
secara statistik yang biasanya ada di Skripsi, sebagai berikut:
1. Jika pengaruh virtual reality experience (VRE) meningkat, maka
pengaruh citra destinasi (CD) juga meningkat sebesar 0.270.
2. Jika pengaruh motivasi perjalanan (MP) meningkat, maka
pengaruh citra destinasi (CD) juga meningkat sebesar 0.352.
Gambar 8.30 Tabel Coefficients
Angka 0.270 dan 0.352 didapatkan dari nilai Unstandardized

Beta (Koefisien B) variabel bebas (bukan nilai constant) pada Tabel
Coefficients. Sedangkan pembahasan secara teoretis dapat dilihat

SPSS dan Smart-PLS
pada artikel penulis di jurnal Tourism and Hospitality Management
(https://thm.fthm.hr/images/issues/vol28no2/3_Kusumah_
Hurriyati_Disman_Gaffar_2.pdf).
Uji F (secara simultan/bersama-sama)

Uji F dapat dilihat pada Tabel Anova (lihat Gambar 8.29). Jika
nilai signifikansi F lebih kecil dari 0.05 (Nilai F Sig. ≤ 0.05) maka
hipotesis dapat diterima secara simultan). Pada Gambar 8.31
terlihat nilai F Sig. sebesar 0.000.
Uji F ini biasanya hanya ada pada skripsi, jarang sekali digunakan
pada artikel jurnal. Selain dari penentuan nilai menggunakan nilai F
Sig., dapat juga menggunakan perbandingan F tabel, namun penulis
menyarankan hanya menggunakan F Sig. saja lebih efisien.
Gambar 8.31 Tabel Anova
Uji Koefisien Determinasi (Adjusted R2)

Uji ini untuk mengetahui seberapa besar pengaruh variabel
bebas terhadap variabel terikat, biasanya ditunjukkan dengan nilai
persentase (%).
Gambar 8.32 Tabel Model Summary

SPSS dan Smart-PLS
Pada Gambar 8.32 terlihat nilai adjusted R square (adjusted R2)
0.340. Pengaruh variabel bebas terhadap variabel terikat sebesar
0.340 atau 34% (angka 0.340 x 100), sedangkan sisanya 66%
(100%-34%) dapat dijelaskan oleh variabel lainnya di luar dari
penelitian ini.
Seperti sebelumnya dijelaskan bahwa nilai adjusted R2 hanya
digunakan untuk penelitian yang memiliki 2 (dua) variabel bebas
atau lebih, sedangkan kalau hanya 1 (satu) variabel bebas dapat
menggunakan nilai R square (R2). Seiring dengan banyaknya jumlah
variabel bebas, peningkatan nilai adjusted R square tidak akan
begitu signifikan kenaikannya dibandingkan dengan nilai R square.
8.9 Kesimpulan
Proses analisis data menggunakan SPSS dimulai dari persiapan data
hasil jawaban kuesioner responden yang di input ke dalam SPSS untuk
di analisis dengan uji-uji tertentu. Pada pembuatan Skripsi ataupun
artikel jurnal, umumnya banyak menggunakan analisis tertentu seperti
analisis frekuensi untuk melihat profil responden, analisis tanggapan
responden menggunakan nilai rata-rata (mean), uji asumsi klasik
(normalitas, multikolinearitas, heteroskedastisitas), dan analisis regresi
berganda (uji t, uji f, dan koefisien determinasi).
Syarat analisis regresi yang perlu memenuhi uji asumsi klasik
seringkali menjadi penghambat, oleh karena itu peneliti perlu
memastikan dengan teliti metode pengumpulan data yang kredibel,
sehingga dapat menghindari bias pada hasil data penelitian.
Pengisian kuesioner secara offline dan pemberian hadiah kepada
responden setelah mengisi kuesioner dapat menjadi salah satu solusi
untuk menghindari bias hasil data.

Buatlah pembahasan penelitian dari kegiatan penelitian sederhana
yang telah Anda lakukan sebelumnya dengan mencantumkan analisis
dan uji sebagai berikut:
• Analisis Profil Responden dengan menggunakan uji frekuensi;

SPSS dan Smart-PLS
• Uji asumsi klasik (normalitas, multikolinearitas, heteroskedastisitas);
• Analisis regresi berganda (uji t, uji f, dan uji koefisien determinasi);
• Pembahasan secara statistik dan teoretis;
• Kesimpulan penelitian (Anda dapat melihat koleksi skripsi
universitas atau perguruan tinggi Anda untuk penulisan kesimpulan
penelitian).

SPSS dan Smart-PLS
Hasil Pembelajaran:
√ Dapat memahami proses input data kuesioner dari format xls
(Ms. Excel) ke Smart-PLS;
√ Dapat membuat gambar konstruk penelitian;
√ Dapat memilih nilai outer loadings terbaik;
√ Dapat mengetahui variabel mediasi;
√ Dapat memahami analisis reliabilitas, validitas konvergen dan
diskriminan;
√ Dapat menguji hipotesis melalui prosedur bootstrapping;
√ Dapat memberikan penjelasan terhadap hasil pengujian
hipotesis.
9.1. Pendahuluan
Selain dari pengolahan data melalui perangkat lunak SPSS,
mahasiswa juga dapat mengolah datanya menggunakan perangkat
lunak Smart-PLS, di mana perangkat lunak tersebut dianggap oleh
penulis lebih memudahkan khususnya pada analisis Structural Equation
Model (SEM). Saat ini menurut observasi penulis, banyak mahasiswa
S-1 (strata satu) di Indonesia biasanya hanya mengandalkan analisis
regresi berganda untuk pembuatan Skripsinya, sehingga menimbulkan
kejenuhan pada proses pembelajaran Skripsi. Berdasarkan hal
tersebut, penulis melihat pentingnya untuk para mahasiswa S-1 untuk
dapat membiasakan diri dengan metode SEM, di mana metode tersebut
lebih banyak diminati oleh jurnal-jurnal bereputasi nasional maupun
internasional.

SPSS dan Smart-PLS
Setelah mempelajari metode penelitian bisnis dan pengolahan data
melalui SPSS pada buku ini, diharapkan para mahasiswa sebagai peneliti
mempunyai dasar teoretis dan praktis yang cukup kuat, sehingga dapat
mempermudah dalam menganalisis variabel yang diteliti melalui
perangkat lunak Smart-PLS.
Pendekatan SEM memungkinkan peneliti untuk secara bersamaan
menyelidiki hubungan antara variabel yang terukur dan variabel laten
(penilaian teori pengukuran) serta antara variabel laten (penilaian teori
struktural) (Hair et al., 2017). Variabel laten merupakan variabel yang
tidak dapat diukur secara langsung dan dapat diukur oleh indikator-
indikator pembentuk variabel tersebut. Sebelum menguji model, teori
harus memberi tahu bagaimana variabel yang diukur berhubungan
dengan variabel laten dan teori harus memberi tahu bagaimana variabel
laten berhubungan satu sama lain (Babin & Zikmund, 2016).
SEM berbasis kovarians (CB) dan kuadrat terkecil parsial (PLS)
adalah dua jenis SEM (PLS-SEM; juga disebut analisis jalur). CB-SEM
sebagian besar digunakan untuk konfirmasi teori (atau sanggahan)
(yaitu, serangkaian hubungan sistematis antara beberapa variabel
yang dapat diuji secara empiris). Melalui penggunaan kumpulan data
sampel, kemampuan model teoretis untuk memperkirakan matriks
kovarians diuji menggunakan model teoretis itu sendiri. PLS-SEM, di
sisi lain, sebagian besar digunakan dalam penelitian eksplorasi untuk
membangun teori. Hal itu dicapai dengan memfokuskan pada variasi
dalam variabel dependen ketika menganalisis model.
PLS-SEM adalah pendekatan statistik non-parametrik. Data tidak
harus terdistribusi secara normal, tidak seperti CB-SEM yang berbasis
Maximum Likelihood (ML). Meskipun sangat penting untuk memastikan
bahwa data tidak terlalu jauh dari kenormalan, data yang sangat
abnormal dapat membuat penilaian hipotesis menjadi sulit (Hair et
al., 2017). Selain daripada itu, PLS-SEM tidak perlu melampirkan hasil
Model Fit (Goodness of Fit) pada model penelitian, berbeda dengan
CB-SEM yang biasanya menggunakan perangkat lunak AMOS perlu
melampirkan Model Fit (Hair et al., 2017).

SPSS dan Smart-PLS
Teknis analisis PLS-SEM pada buku ini dilakukan melalui beberapa
tahap, di antaranya: 1) Uji Internal Consistency Reliability; 2) Uji
Convergent Validity; 3) Uji Discriminant Validity; 4) Pengujian Hipotesis
melalui Prosedur Bootstrap. Sebelum tahapan tersebut, penulis akan
membahas cara singkat untuk memasukkan contoh kuesioner ke dalam
perangkat lunak Microsoft Excel (Ms. Excel), kemudian memasukkan
data Ms. Excel ke dalam perangkat lunak Smart-PLS.
9.2 Contoh Penelitian Sederhana

Contoh penelitian pada buku ini berjudul “Pengaruh Virtual Reality
Experience Terhadap Citra Destinasi dan Niat Berkunjung Kembali di
Pulau Belitung”. Kuesioner yang digunakan untuk penelitian tersebut
terlihat pada Tabel 9.1.
Tabel 9.1 Contoh Kuesioner Penelitian

1. Profil Responden
Profil responden sama seperti bagian sebelumnya dan
analisis profil responden masih menggunakan SPSS, tidak perlu
menggunakan Smart-PLS.
2. Pertanyaan Utama
Virtual reality experience (VRE)
Penggunaan virtual reality
(VR) akan membantu saya
saya dengan lebih baik.
Penggunaan VR dalam
sangat berguna bagi saya.
Menggunakan teknologi VR akan
membantu saya merencanakan
perjalanan wisata saya lebih
nyaman.

SPSS dan Smart-PLS
Belajar mengoperasikan teknologi
VR itu mudah bagi saya.
Citra destinasi (CD)
Pulau Belitung memiliki kualitas
pada infrastruktur umum.
Pulau Belitung memiliki
pemandangan dan wisata alam
yang indah
makanan lokal yang menarik
Pulau Belitung memiliki atraksi
budaya yang menarik
akomodasi yang sesuai.
Niat berkunjung kembali (NBK)
Kemungkinan untuk mengunjungi
kembali Pulau Belitung dalam
masa 1 tahun ke depan.
Ingin mengunjungi kembali Pulau
Belitung dalam masa 1 tahun ke
depan.
Pasti akan mengunjungi kembali
Pulau Belitung dalam masa 1 tahun
mendatang.
Ket.: Kuesioner ini menggunakan skala Likert 5 poin. STS: Sangat
Tidak Setuju; TS: Tidak Setuju; RR: Ragu-ragu; S: Setuju; SS: Sangat
Setuju.
Kuesioner tersebut sama seperti bagian sebelumnya di distribusikan

kepada 100 orang responden dengan metode yang sama (lihat kembali
bagian/bab sebelumnya).

SPSS dan Smart-PLS
Berdasarkan contoh judul penelitian di atas kita dapat mengetahui
bentuk model penelitian yang diteliti (lihat Gambar 9.1). Penelitian
tersebut semuanya bervariabel laten yang terdiri dari 1 (satu) variabel
bebas (VRE) dan 2 (dua) variabel terikat (CD dan NBK) serta 3 (tiga)
hipotesis. Hipotesis tersebut antara lain:
H1: Virtual reality experience berpengaruh positif terhadap Citra
Destinasi.
H2: Citra Destinasi berpengaruh positif terhadap Niat berkunjung
kembali.
H3: Citra Destinasi dapat memediasi hubungan Virtual reality
experience terhadap Niat berkunjung kembali.
Gambar 9.1 Contoh Model Penelitian
Ketiga variabel tersebut memiliki pertanyaan yang terlihat pada

Tabel 9.1. Pertanyaan-pertanyaan tersebut nantinya akan dikoding
sesuai klasifikasi variabel untuk mempermudah analisis data. Variabel
CD dapat disebut juga sebagai variabel mediasi. Variabel mediasi
merupakan variabel penghubung secara tidak langsung antara variabel
bebas dan terikat. Variabel CD menghubungkan variabel VRE dan NBK.
9.3 Input Data Kuesioner Penelitian

Ilustrasi koding indikator atau pertanyaan yang ditampilkan pada
Tabel 9.1 sebagai berikut: VRE1, VRE2, VRE3, VRE4, CD1, CD2, CD3,
CD4, CD5, NBK1, NBK2, NBK3. Setelah mengkoding, masukkan koding
tersebut beserta jawaban kuesioner sesuai dengan koding ke dalam
Microsoft Excel (Gambar 9.2).

SPSS dan Smart-PLS
Gambar 9.2 Input Data Kuesioner ke dalam Microsoft Excel
Setelah input data ke Excel, simpan data Excel tersebut dengan

format CSV (Gambar 9.3).
Gambar 9.3 Format CSV Excel
Setelah menyimpan data Excel ke format CSV, langkah selanjutnya

adalah memasukkan data CSV tersebut ke Smart-PLS. Perangkat lunak
Smart-PLS yang digunakan pada buku ini adalah Smart-PLS versi 3
Professional. Langkah-langkah input data CSV ke Smart-PLS sebagai
berikut:
• Buka perangkat lunak Smart-PLS
• Klik New Project;
• Ketikkan Nama Project Penelitiannya pada kotak dialog yang
tersedia;
• Klik dua kali (2x) untuk import data (terlihat pada Gambar 9.4);
• Masukkan Data CSV yang sebelumnya sudah dibuat, nanti akan
muncul tulisan data dengan 100 records (jika data Anda berjumlah
100);
• Kemudian klik nama project penelitian Anda (terletak di atas tulisan
100 records);

SPSS dan Smart-PLS
• Setelah muncul tab baru, klik Latent Variable pada menu bagian
atas untuk menggambar model penelitian;
• Untuk menggeser gambar serta indikator gunakan Select pada
menu bagian atas. Supaya gambar terlihat rapi, gunakan Grid pada
menu sebelah kanan;
• Untuk membuat arah panah antarvariabel gunakanlah Connect
pada menu bagian atas bersebelahan dengan Latent Variable.
• Kemudian sertakan juga indikator-indikator (VRE1-4, CD1-4,
NBK1-4) sesuai dengan bulatan variabel Anda. Cara memindahkan
indikator yang ada di menu Indicators di sebelah bawah kiri, dengan
cara menekan mouse atau touchpad pada komputer Anda, sambil
menggeser (drag) indikator tersebut ke bulatan variabel yang
sesuai (Gambar 9.4).
• Silahkan Anda mengubah nama variabel laten Anda dengan cara
klik kanan pada mouse atau touchpad komputer Anda dan memilih
menu rename. Kemudian Anda dapat mengatur posisi indikator
Anda pada menu sebelah kanan bernama Align;
• Setelah Anda membuat model penelitian, data Anda siap untuk di
uji ke tahap selanjutnya yaitu penentuan outer loadings.

SPSS dan Smart-PLS
Gambar 9.4 Proses Input Data dan Penggambaran Model Penelitian
9.4 Validitas dan Reliabilitas

Setelah model penelitian tergambar pada Smart-PLS, langkah
selanjutnya adalah menyelidiki indikator terbaik (outer loadings) yang
dapat digunakan untuk uji validitas konvergen serta nilai Average
Variance Extraction (AVE). Validitas diskriminan dapat ditunjukkan
dengan nilai Fornell lacker criterion dan The heterotrait-monotrait ratio
of correlations (HTMT). Sedangkan reliabilitas ditunjukkan dengan
nilai Cronbach’s alpha dan Composite reliability. Dengan sekali proses

SPSS dan Smart-PLS
pengolahan data, kita dapat mengetahui nilai validitas konvergen,
validitas diskriminan, dan reliabilitas. Langkah-langkahnya sebagai
berikut:
• Klik Calculate pada menu bagian atas sebelah kanan;
• Klik PLS Algorithm;
• Klik Start Calculation langsung, tidak perlu mengubah nilai yang
ada. Nanti akan muncul tab baru (Gambar 9.5);
Gambar 9.5 Proses Perhitungan PLS Algorithm
9.4.1 Validitas Konvergen

Pemilihan nilai outer loading yang dimiliki oleh setiap indikator
perlu diseleksi untuk kesesuaian validitas konvergen. Nilai outer
loadings berada pada menu bagian bawah setelah proses PLS
Algorithm selesai (Gambar 9.6). Nilai outer loading berwarna
hijau atau nilai lebih besar sama dengan 0.7 (≥ 0.7) menunjukkan
nilai tersebut dapat diterima, sedangkan jika berwarna merah
menunjukkan nilai outer loading ditolak (< 0.7).

SPSS dan Smart-PLS
Gambar 9.6 Letak Menu Outer Loadings
Nilai outer loadings pada Gambar 9.7 menunjukkan hanya ada

1 (satu) indikator yang berwarna merah (CD3), sehingga perlu
dihilangkan. Menghilangkan indikator yang berwarna merah
dilakukan pada gambar model penelitian, dengan memilih indikator
CD3 kemudian klik kanan dan delete. Ketika sudah menghilangkan
indikator yang berwarna merah tersebut, maka perlu melakukan uji
PLS Algorithm kembali, dan begitu seterusnya sampai tidak ada lagi
indikator berwarna merah pada menu outer loadings.
Gambar 9.7 Nilai Outer Loadings

SPSS dan Smart-PLS
Selain nilai outer loadings, nilai Average Variance Extracted (AVE)
perlu juga diamati. Silahkan klik Construct Reliability and Validity
pada menu bagian bawah (Gambar 9.8). Kemudian lihat nilai AVE
pada bagian paling kanan (Gambar 9.9). Jika nilai berwarna merah
atau nilainya lebih kecil dari 0.5 (< 0.5) maka nilai AVE variabel
tersebut tidak valid dan perlu diubah ulang atau dihilangkan saja.
Jika nilai AVE berwarna hijau atau lebih besar sama dengan 0.5
(≥ 0.5), maka dapat diteruskan. Biasanya jika nilai outer loading
terpenuhi dengan baik, maka nilai AVE juga akan baik.
Gambar 9.8 Letak Menu Construct Reliability and Validity
Gambar 9.9 Nilai AVE

Nilai outer loadings setelah menghilangkan indikator CD3
(Gambar 9.7) memiliki nilai di atas 0.7, sehingga dapat dinyatakan
seluruh indikator valid. Nilai AVE pada Gambar 9.9 (NBK 0.710; VRE
0.667; CD0.655) lebih besar dari batas nilai yaitu 0.5, oleh karena
itu dapat dinyatakan seluruh variabel valid.

SPSS dan Smart-PLS
9.4.2 Validitas Diskriminan
Validitas diskriminan pada buku ini ditentukan oleh 2 (dua)
metode, yaitu: Fornell-Lacker Criterion dan HTMT. Metode tersebut
terletak pada menu bagian bawah bernama Discriminant Validity
(Gambar 9.10). Nilai Fornell-Lacker Criterion dapat diterima jika
nilai akar kuadrat AVE lebih tinggi daripada nilai variabel lainnya
(Gambar 9.11). Sedangkan, penentuan nilai HTMT dapat diterima
jika nilai yang terdapat di dalam Tabel HTMT di bawah 0.9 (Gambar
9.12).
Jika ada salah satu metode validitas diskriminan mengalami
nilai yang tidak sesuai, maka Anda dapat memilih salah salutnya,
akan tetapi direkomendasikan untuk kedua metode tersebut
ditampilkan.
Gambar 9.10 Letak Menu Discriminant Validity
Gambar 9.11 Nilai Fornell-Lacker Criterion
Pada Gambar 9.11, nilai Fornell-Lacker Criterion variabel CD

(0.809) lebih besar dari nilai NBK (0.434) dan VRE (0.402) serta

SPSS dan Smart-PLS
nilai NBK (0.843) lebih besar dari nilai variabel VRE (0.227).
Berdasarkan nilai-nilai tersebut, dapat dikatakan bahwa variabel
yang diteliti memiliki kriteria validitas diskriminan yang baik.
Kemudian pada Gambar 9.12, nilai HTMT pada seluruh variabel
tidak ada yang melebihi 0.9, sehingga dapat dikatakan terbebas dari
masalah validitas diskriminan.
Gambar 9.12 Nilai HTMT
9.4.3 Reliabilitas
Nilai reliabilitas ditunjukkan oleh nilai Cronbach’s Alpha dan
Construct Reliability. Jika nilai Cronbach’s Alpha lebih besar dari
0.6, maka variabel tersebut reliabel, sedangkan jika nilai Composite
Reliability lebih besar sama dengan 0.7, maka variabel tersebut
reliabel (Gambar 9.13). Nilai-nilai tersebut terletak pada menu
bagian bawah pada Construct Reliability and Validity, letak menu
sama dengan validitas konvergen berbasis nilai AVE (lihat Gambar
9.8 sebelumnya). Nilai reliabilitas yang tidak sesuai akan berwarna
merah, sedangkan hijau sesuai.
Gambar 9.13 Nilai Reliabilitas

SPSS dan Smart-PLS
Nilai Cronbach’s Alpha variabel CD (0.823), NBK (0.796), dan
VRE (0.827), nilai variabel tersebut berada di atas nilai 0.6 dan
dapat diterima atau reliabel. Sama halnya dengan nilai Composite
Reliability berada di atas 0.7, sehingga dapat diterima atau reliabel.
9.5 Pengujian Hipotesis Melalui Metode Boostrapping

Setelah tidak ada masalah pada validitas dan reliabilitas, maka
langkah selanjutnya adalah pengujian hipotesis. Metode bootsrapping
dilakukan untuk mendapatkan nilai pengaruh langsung dan tidak
langsung dari variabel yang diuji sesuai dengan hipotesis. Hipotesis
yang ada pada penelitian ini mempunyai 2 (dua) pengaruh langsung
(direct effect) dan 1 (satu) pengaruh tidak langsung (indirect effect).
Langkah-langkahnya sebagai berikut:
• Klik Calculate;
• Klik Bootstrapping;
• Pilih Complete Bootstrapping (lainnya biarkan);
• Klik Start Calculation (Gambar 9.14). Setelah beberapa saat akan
muncul hasil model penelitian dengan nilai bootstrapping (nilai
direct dan indirect effect) (Gambar 9.15).

SPSS dan Smart-PLS
Gambar 9.14 Proses Bootstrapping
Gambar 9.15 Model Penelitian Hasil Bootstrapping
Setelah melakukan langkah bootstrapping, kita bisa melihat nilai

pengaruh langsung (direct effect) dan pengaruh tidak langsung (indirect
effect). Untuk melihat pengaruh langsung dapat dilihat pada menu Path
Coefficients (Gambar 9.16).
Gambar 9.16 Letak Menu Variabel Pengaruh Langsung (Direct Effect)

SPSS dan Smart-PLS
Gambar 9.16 Nilai Pengaruh Langsung (Direct Effect)
Pengaruh variabel VRE terhadap CD memiliki nilai β = 0.402,

t-statistik = 4.751, dan signifikansi (ρ) ≤ 0.01. Nilai pengaruh tersebut
memiliki nilai positif, nilai t-statistik lebih besar dari t-tabel (1.96), dan
signifikansi lebih kecil dari sama dengan 0.05. berdasarkan hal tersebut,
hipotesis pertama (H1) dapat diterima.
Tabel 9.2 Hipotesis Statistik

Hipotesis 1 (H1)
H0: ρ > Virtual reality experience (VRE) tidak memiliki
0,05 pengaruh terhadap citra destinasi (CD).
H1: ρ ≤ 0,05 Virtual reality experience (VRE) memiliki pengaruh
terhadap citra destinasi (CD).
Hipotesis 2 (H2)
H0: ρ > 0,05 Citra destinasi (CD) tidak memiliki pengaruh
terhadap Niat berkunjung kembali (NBK).
H1: ρ ≤ 0,05 Citra destinasi (CD) memiliki pengaruh terhadap
Niat berkunjung kembali (NBK).
Hipotesis 3 (H3)
H0: ρ > 0,05 Citra destinasi (CD) tidak dapat memediasi
hubungan Virtual reality experience (VRE) terhadap
Niat berkunjung kembali (NBK).
H1: ρ ≤ 0,05 Citra destinasi (CD) dapat memediasi hubungan
Virtual reality experience (VRE) terhadap Niat
berkunjung kembali (NBK).
Pengaruh variabel VRE terhadap CD memiliki nilai β = 0.434,


SPSS dan Smart-PLS
hipotesis kedua (H2) dapat diterima.
Pengujian hipotesis secara tidak langsung (indirect effect) pada
hipotesis ke-3 dapat dilihat pada menu Specific Indirect Effect (Gambar
9.17). Berdasarkan nilai yang ada pada menu tersebut (Gambar 9.18),
pengaruh tidak langsung (VRE→CD→NBK) memiliki nilai β = 0.174,
hipotesis ketiga (H3) dapat diterima.
Gambar 9.17 Letak Menu Pengaruh Tidak Langsung (Indirect Effect)
Gambar 9.18 Hasil Nilai Pengaruh Tidak Langsung
Selain daripada nilai pengaruh langsung dan tidak langsung,

terdapat nilai Adjusted R2 yang perlu ditampilkan pada Skripsi atau
artikel jurnal. Nilai tersebut ada pada menu R Square Adjusted (Gambar
9.19), dengan nilai pengaruh variabel VRE terhadap CD sebesar 0.153
atau 15.3% dan nilai pengaruh variabel CD terhadap NBK sebesar 0.180
atau 18% (Gambar 9.20), dapat dijelaskan dalam penelitian ini.

SPSS dan Smart-PLS
Gambar 9.19 Letak Menu R Square Adjusted
Gambar 9.20 Hasil Nilai Adjusted R2
9.6 Kesimpulan
Proses analisis PLS-SEM dengan menggunakan perangkat lunak
Smart-PLS lebih mudah digunakan dibandingkan perangkat lunak
AMOS yang berbasis CB-SEM. Penggunaan data yang tidak berdistribusi
normal menjadi salah satu kekuatan Smart-PLS ini. Pengujian untuk
profil responden pada buku ini disarankan menggunakan perangkat
lunak SPSS bukan Smart-PLS, sehingga peneliti atau mahasiswa perlu
menguasai metode pengolahan data dengan menggunakan SPSS dan
Smart-PLS.
Pengujian sederhana analisis PLS-SEM yang umumnya ada pada
skripsi atau artikel jurnal meliputi uji validitas konvergen (outer
loadings dan AVE); uji validitas diskriminan (fornell-lacker criterion dan
HTMT); uji reliabilitas (Cronbach’s Alpha dan AVE); dan uji hipotesis
dengan metode bootstrapping (direct effect, indirect effect, dan adjusted
R2).

Buatlah penelitian kuantitatif sederhana dengan menggunakan
3 (tiga) atau lebih variabel penelitian menggunakan kuesioner.

SPSS dan Smart-PLS
Variabel penelitian tersebut perlu memiliki 1 (satu) variabel mediasi.
Setelah mendapatkan hasil data kuesioner, olah data tersebut dengan
menggunakan perangkat lunak Smart-PLS dengan mencantumkan
analisis dan uji sebagai berikut:
• Analisis Profil Responden dan tanggapan responden (gunakan
SPSS);
• Analisis validitas konvergen, validitas diskriminan, dan uji hipotesis
dengan metode bootstrapping;
• Pembahasan secara statistik dan teoretis;
• Kesimpulan penelitian (Anda dapat melihat koleksi skripsi
universitas atau perguruan tinggi Anda untuk penulisan kesimpulan
penelitian).

SPSS dan Smart-PLS
REFERENSI
Calder, B. J. (1977). Focus groups and the nature of qualitative marketing
research. Journal of Marketing Research, 14(3), 353-364.
Cameron, W. B. (1963). Informal Sociology: A Casual Introduction to
Sociological Thinking (Vol. 21). Random house.
Carmines, E. G., & Zeller, R. A. (1979). Reliability and Validity Assessment.
Sage Publications.
Chapman, R. G. (1989). Problem-definition in marketing research
studies. Journal of Consumer Marketing.
Cohen, M. D., March, J. G., & Olsen, J. P. (1972). A garbage can model of
organizational choice. Administrative Science Quarterly, 1-25.
Eisenhardt, K. M., & Zbaracki, M. J. (1992). Strategic decision
making. Strategic Management Journal, 13(S-2), 17-37.
Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2013). Seeking qualitative rigor in
inductive research: Notes on the Gioia methodology. Organizational
Research Methods, 16(1), 15-31.
Greve, H. R. (2003). A behavioral theory of R&D expenditures and
innovations: Evidence from shipbuilding. Academy of Management
Journal, 46(6), 685-702.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate
data analysis: Pearson new international edition. Essex: Pearson
Education Limited, 1(2).
Hair, J. F., Page, M., & Brunsveld, N. (2020). Essentials of Business Research
Methods. Routledge.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). The use of partial least
squares (PLS) to address marketing management topics. Journal of
Marketing Theory and Practice, 19(2), 135-138.
Hair Jr, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2017). Advanced
Issues in Partial Least Squares Structural Equation Modeling. Sage
Publications.
Haire, M. (1950). Projective techniques in marketing research. Journal
of Marketing, 14(5), 649-656.

SPSS dan Smart-PLS
Harzing, A. W., Brown, M., Köster, K., & Zhao, S. (2012). Response style
differences in cross-national research. Management International
Review, 52(3), 341-363.
Hofstede, A., van Hoof, J., Walenberg, N., & de Jong, M. (2007). Projective
techniques for brand image research: Two personification-based
methods explored. Qualitative Market Research: An International
Journal.
Kahneman, D., & Tversky, A. (2013). Prospect theory: An analysis of
decision under risk. In Handbook of the Fundamentals of Financial
Decision Making: Part I (pp. 99-127).
Kusumah, E. P. (2016). Olah Data Skripsi dengan SPSS 22. Lab Kom
Manajemen FE-UBB.
Kusumah, E. P., Hurriyati, R., Disman, D., & Gaffar, V. (2022). Determining
Revisit Intention: The Role of Virtual Reality Experience, Travel
Motivation, Travel Constraint and Destination Image. Tourism and
Hospitality Management, 28(2), 297-314.
Likert, R. (1932). A technique for the measurement of attitudes. Archives
of Psychology.
Nunnally, J. C. (1978). An overview of psychological measurement. Clinical
Diagnosis of Mental Disorders, 97-146.
Osgood, C. E., Suci, G. J., & Tannenbaum, P. H. (1957). The Measurement
of Meaning (No. 47). University of Illinois Press.
Plous, S. (1993). The Psychology of Judgment and Decision Making.
Mcgraw-Hill Book Company.
Sallis, J. E., Gripsrud, G., Olsson, U. H., & Silkoset, R. (2021). Research
Methods and Data Analysis for Business Decisions: A Primer Using
SPSS. Springer Nature.
Saunders, M., Lewis, P., & Thornhill, A. (2016). Research Methods for
Business Students (Seventh). Nueva York: Pearson Education.
Sekaran, U., & Bougie, R. (2016). Research Methods for Business: A Skill
Building Approach. John Wiley & Sons.
Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly
Journal of Economics, 69(1), 99-118.

SPSS dan Smart-PLS
Strauss, A., & Corbin, J. (1990). Basics of Qualitative Research. Sage
Publications.
Yin, R. K. (2009). Case Study Research: Design and Methods (Vol. 5). Sage.

SPSS dan Smart-PLS
GLOSARIUM
Analisis konten : Sebuah metode penelitian observasional

yang digunakan untuk mengevaluasi secara
sistematis isi simbolis dari semua bentuk
komunikasi yang terekam.
Analisis korelasi : Dibangun di atas analisis konseptual dengan
memeriksa hubungan antarkonsep dalam
sebuah teks.
Analisis regresi : Teknik statistik untuk memprediksi
berganda varians dalam variabel dependen dengan
meregresikan variabel independen.
ANOVA : Singkatan dari analisis varians, yang menguji
perbedaan rata-rata yang signifikan dalam
variabel di antara beberapa kelompok.
Bias : Setiap kesalahan yang dapat menimbulkan

penyimpangan data. Bias dapat terjadi pada
responden, alat ukur, sampel, dan sebagainya.
Big data : Istilah yang biasa digunakan untuk
menggambarkan pertumbuhan eksponensial
dan ketersediaan data dari sumber digital di
dalam dan di luar organisasi.
Cluster Sampling : Sebuah desain sampling probabilitas di mana

sampel terdiri dari kelompok atau potongan
elemen dengan intragroup heterogenitas dan

SPSS dan Smart-PLS
homogenitas antarkelompok.
Convenience sampling : Sebuah desain non-probability sampling di
mana informasi atau data untuk penelitian
dikumpulkan dari anggota populasi mudah
diakses oleh peneliti.
Data kualitatif : Data yang tidak langsung dapat diukur kecuali

mereka diberi kode dan dikategorikan dalam
beberapa cara.
Data kuantitatif : Data yang langsung dapat diukur dan
dikategorikan dalam beberapa cara.
Deduktif : Penerapan teori umum untuk kasus tertentu.
Data primer : Data yang dikumpulkan secara langsung
untuk selanjutnya dianalisis guna mencari
solusi dari masalah yang diteliti.
Data sekunder : Data yang dikumpulkan secara tidak langsung
atau sudah tersedia untuk selanjutnya
dianalisis guna mencari solusi dari masalah
yang diteliti.
Data view : Mengambil data yang telah direduksi dan
menampilkannya secara terorganisir dan
padat.
Definisi masalah : Definisi perbedaan antara situasi aktual dan
situasi yang diinginkan.
Eksperimen lab : Pengaturan desain eksperimental dalam

pengaturan yang dibuat secara artifisial di
mana kontrol dan manipulasi diperkenalkan
untuk membangun hubungan sebab-akibat
antara variabel yang menarik bagi peneliti.

SPSS dan Smart-PLS
Eksperimen lapangan : Eksperimen yang dilakukan untuk mendeteksi
hubungan sebab-akibat di lingkungan alami
di mana peristiwa biasanya terjadi.
Generalisasi : Penerapan temuan penelitian dalam satu

pengaturan untuk orang lain.
Goodness of fit : Membuktikan ukuran reliabilitas dan
validitas.
Gudang data : Tempat penyimpanan data, pusat dari semua
informasi yang dikumpulkan oleh perusahaan.
Hipotesis : Pernyataan tentatif, namun dapat diuji, yang

memprediksi apa yang Anda harapkan untuk
ditemukan dalam data empiris Anda.
Hipotesis alternatif : Dugaan yang mendalilkan ada perbedaan atau
ada hubungan antara atau di antara variabel.
Hipotesis null : Dugaan yang mendalilkan tidak ada perbedaan
atau tidak ada hubungan antara atau di antara
variabel.
Induktif : Suatu proses di mana kita mengamati

fenomena spesifik dan atas dasar tersebut
sampai pada kesimpulan umum.
K
Kajian pustaka : Proses langkah demi langkah yang melibatkan
identifikasi karya yang diterbitkan dan tidak
diterbitkan dari sumber data sekunder

SPSS dan Smart-PLS
tentang topik yang diminati serta evaluasi
pustaka dalam kaitannya dengan masalah dan
dokumentasi.
Kategori (dalam analisis data kualitatif): Sekelompok unit pengkodean
yang memiliki beberapa kesamaan.
Kelompok Fokus : Kelompok yang terdiri dari delapan hingga
sepuluh anggota yang dipilih secara acak, yang
mendiskusikan produk atau topik tertentu
selama sekitar dua jam dengan kehadiran
moderator, sehingga pendapat mereka dapat
menjadi dasar untuk penelitian lebih lanjut.
Kelompok kontrol : Kelompok yang tidak terkena perlakuan
apapun dalam percobaan.
Kerangka sampling : Representasi (fisik) dari semua elemen dalam
populasi yang diambil.
Klasifikasi Data : Informasi pribadi atau detail demografi
responden seperti usia, status perkawinan,
dan tingkat pendidikan.
Konsistensi internal : Homogenitas item dalam ukuran sebuah
konstruk.
Koding data kualitatif : Proses analitik di mana data kualitatif yang
telah Anda kumpulkan direduksi, disusun
ulang, dan diintegrasikan untuk membentuk
teori.
Koding data kuantitatif : Dalam pengkodean data penelitian
kuantitatif melibatkan pemberian nomor ke
tanggapan peserta sehingga mereka dapat
dimasukkan ke dalam database.
Koefisien regresi standar (atau koefisien beta): Estimasi yang dihasilkan
dari analisis regresi berganda yang dilakukan
pada variabel yang telah dibakukan (suatu
proses di mana variabel diubah menjadi
variabel dengan rata-rata 0 dan standar
deviasi 1).

SPSS dan Smart-PLS
Kuesioner : Serangkaian pertanyaan tertulis yang telah
dirumuskan sebelumnya di mana responden
mencatat jawabannya.
Manipulasi : Bagaimana peneliti memaparkan subjek ke

variabel independen untuk menentukan
hubungan sebab-akibat dalam desain
eksperimental.
Mean : Nilai rata-rata dari satu set angka.
Multikolinearitas : Fenomena statistik di mana dua atau lebih
variabel independen dalam model regresi
berganda berkorelasi tinggi.
Naratif : Pendekatan kualitatif yang bertujuan untuk

memperoleh dan meneliti kisah-kisah yang
kita ceritakan tentang diri kita sendiri dan
implikasinya bagi kehidupan kita.
Ontologi : Studi filosofis tentang apa yang dapat

dikatakan ada.
Operasionalisasi : Pengurangan konsep-konsep abstrak untuk
membuat mereka terukur dengan cara yang
nyata.
Outlier : Pengamatan yang secara substansial berbeda
dari pengamatan lainnya.

SPSS dan Smart-PLS
P
Parsimoni : Penjelasan yang efisien tentang varians dalam

variabel dependen melalui penggunaan
variabel independen yang lebih kecil.
Penelitian : Penyelidikan atau penyelidikan ilmiah yang
terorganisir, sistematis, kritis terhadap
masalah tertentu, yang dilakukan dengan
tujuan menemukan jawaban atau solusinya.
Penelitian deskriptif : Adalah studi penelitian yang menggambarkan
variabel-variabel dalam situasi yang menarik
bagi peneliti.
Penelitian eksplorasi : Sebuah studi penelitian di mana sangat sedikit
pengetahuan atau informasi yang tersedia
pada subjek yang sedang diselidiki.
Pengamatan : Menonton, merekam, menganalisis, dan
menafsirkan perilaku, tindakan, atau
peristiwa secara terencana.
Pengukuran : Penetapan angka atau simbol lain untuk
karakteristik (atau atribut) objek menurut
seperangkat aturan yang telah ditentukan
sebelumnya.
Pertanyaan ambigu : Pertanyaan yang kata-katanya tidak jelas
dan kemungkinan akan ditafsirkan oleh
responden dengan cara yang berbeda.
Pertanyaan terbuka : Pertanyaan yang dapat dijawab oleh
responden dalam format yang mengalir
bebas tanpa membatasi rentang pilihan
pada serangkaian alternatif spesifik yang
disarankan oleh peneliti.
Pertanyaan tertutup : Pertanyaan dengan serangkaian alternatif
yang digambarkan dengan jelas yang
membatasi pilihan responden pada salah
satunya.

SPSS dan Smart-PLS
Populasi : Seluruh kelompok orang, peristiwa, atau hal-
hal yang peneliti ingin selidiki.
Positivisme : Aliran pemikiran yang menggunakan hukum
deduktif dan metode kuantitatif untuk
mendapatkan kebenaran. Bagi seorang
positivis, dunia beroperasi berdasarkan
hukum sebab dan akibat yang dapat dibedakan
jika seseorang menggunakan pendekatan
ilmiah untuk penelitian.
Post-test : Sebuah tes yang diberikan kepada subjek
untuk mengukur variabel dependen setelah
penyebaran data.
Pragmatisme : Sudut pandang tentang penelitian yang
tidak mengambil posisi tertentu tentang
apa yang membuat penelitian menjadi baik.
Para pragmatis merasa bahwa penelitian
dapat diamati secara objektif serta makna
subjektif dapat menghasilkan pengetahuan
yang berguna, tergantung pada pertanyaan
penelitian dari penelitian tersebut.
Pre-test : Tes yang diberikan kepada subjek untuk
mengukur variabel sebelum penyebaran data.
Proposal penelitian : Sebuah dokumen yang menetapkan tujuan
penelitian dan detail desain penelitian dari
investigasi yang akan dilakukan oleh peneliti.
Purposive Sampling : Desain pengambilan sampel non-probabilitas
di mana informasi yang diperlukan
dikumpulkan dari target khusus atau spesifik
atau kelompok orang atas dasar rasional
tertentu.

SPSS dan Smart-PLS
Q
Quota sampling : Suatu bentuk pengambilan sampel di mana

proporsi orang yang telah ditentukan
sebelumnya dari subkelompok yang berbeda
diambil sampelnya.
Rancangan penelitian : Cetak biru atau rencana untuk pengumpulan,

pengukuran, dan analisis data, yang dibuat
untuk menjawab pertanyaan penelitian Anda.
Reliabilitas : Membuktikan konsistensi dan stabilitas alat
ukur.
Sampel : Sebuah subset atau subkelompok dari

populasi.
Sampel non-probabilitas: Desain pengambilan sampel di mana unsur-
unsur dalam populasi tidak memiliki peluang
yang diketahui atau ditentukan sebelumnya
untuk dipilih sebagai subjek sampel.
Sampel probabilitas : Desain pengambilan sampel di mana unsur-
unsur populasi memiliki beberapa peluang
atau probabilitas yang diketahui untuk dipilih
sebagai subjek sampel.
Sampling : Proses pemilihan item dari populasi sehingga
karakteristik sampel dapat digeneralisasikan
ke populasi. Sampling melibatkan pilihan
desain dan keputusan ukuran sampel.
Simple random sampling: Desain pengambilan sampel probabilitas di
mana setiap elemen tunggal dalam populasi
memiliki peluang yang diketahui dan sama
untuk dipilih sebagai subjek.

SPSS dan Smart-PLS
Simulasi : Teknik pembuatan model untuk menilai
kemungkinan efek perubahan yang mungkin
diperkenalkan dalam suatu sistem.
Skala : Sebuah alat atau mekanisme di mana individu,
peristiwa, atau objek dibedakan pada variabel
kepentingan dalam beberapa cara yang
berarti.
Skala diferensial semantik: Biasanya skala tujuh poin dengan atribut
bipolar ditunjukkan pada titik ekstremnya.
Skala interval : Sebuah skala multipoint yang memanfaatkan
perbedaan, urutan, dan persamaan besarnya
perbedaan dalam tanggapan.
Skala komparatif : Skala yang memberikan tolok ukur atau titik
acuan untuk menilai sikap, pendapat, dan
sejenisnya.
Studi kausal : Sebuah studi penelitian yang dilakukan untuk
membangun hubungan sebab-akibat antara
variabel.
Skala Likert : Skala interval yang secara khusus
menggunakan lima jangkar yaitu Sangat
Tidak Setuju, Tidak Setuju, Biasa Saja, Setuju,
dan Sangat Setuju.
Skala nominal : Skala yang mengategorikan individu atau
objek ke dalam kelompok yang saling eksklusif
dan lengkap secara kolektif, dan menawarkan
informasi dasar.
Skala ordinal : Skala yang tidak hanya mengategorikan
perbedaan kualitatif, tetapi juga
memungkinkan pengurutan peringkat dari
kategori-kategori dengan cara yang berarti.
Skala peringkat : Skala dengan beberapa kategori respons yang
mengevaluasi suatu objek dalam skala.
Statistik deskriptif : Statistik seperti frekuensi, rata-rata, dan
standar deviasi, yang memberikan informasi

SPSS dan Smart-PLS
deskriptif tentang sekumpulan data.
Statistik inferensial : Statistik yang membantu membangun
hubungan antarvariabel dan menarik
kesimpulan darinya.
Statistik non-parametrik : Statistik yang tidak memerlukan asumsi
tertentu tentang distribusi populasi, seperti
populasi mengikuti distribusi normal.
Statistik parametrik : Sampel yang mengasumsikan bahwa data
Anda mengikuti distribusi normal atau
tertentu.
Standar deviasi : Ukuran dispersi untuk data parametrik; akar
kuadrat dari varians.
Studi cross-sectional : Sebuah studi penelitian yang datanya
dikumpulkan hanya sekali (diperpanjang
meskipun mungkin selama beberapa hari,
minggu, atau bulan) untuk menjawab
pertanyaan penelitian.
Studi kasus : Berfokus pada pengumpulan informasi
tentang objek, peristiwa, atau aktivitas
tertentu, seperti unit bisnis atau organisasi
tertentu.
Studi lapangan : Sebuah studi yang dilakukan di alam dengan
jumlah minimal campur tangan peneliti dalam
aliran peristiwa.
Tingkat keyakinan : Estimasi probabilitas dari seberapa banyak

ketergantungan dapat ditempatkan pada
temuan; tingkat kepercayaan yang biasa
diterima dalam penelitian ilmu sosial adalah
95%.
Transformasi data : Proses mengubah representasi numerik asli
dari nilai kuantitatif ke nilai lain.

SPSS dan Smart-PLS
Tujuan penelitian : Maksud atau tujuan penelitian menjelaskan
mengapa penelitian itu dilakukan.
Memberikan solusi untuk masalah yang
dihadapi dalam lingkungan kerja adalah
tujuan dari penelitian di sebagian besar
penelitian terapan.
Ukuran sampel : Jumlah subjek sebenarnya yang dipilih

sebagai sampel untuk mewakili karakteristik
populasi.
Unit analisis : Tingkat agregasi data yang dikumpulkan
selama analisis data.
Validitas : Bukti bahwa instrumen, teknik, atau proses

yang digunakan untuk mengukur suatu
konsep benar-benar mengukur konsep yang
dimaksud.
Validitas diskriminan : Ketika dua variabel diteorikan tidak
berkorelasi, dan skor yang diperoleh dengan
mengukurnya memang secara empiris
ditemukan demikian.
Validitas konvergen : Ketika skor yang diperoleh dengan dua
instrumen berbeda yang mengukur konsep
yang sama, atau dengan mengukur konsep
dengan dua metode berbeda, sangat
berkorelasi.
Validitas wajah : Aspek validitas yang memeriksa apakah
item pada skala, secara sepintas, terbaca
seolah-olah benar-benar mengukur apa yang
seharusnya diukur.

SPSS dan Smart-PLS
Variabel : Apa pun yang dapat memiliki nilai yang
berbeda atau bervariasi.
Variabel dependen : Variabel utama penelitian, juga dikenal
sebagai variabel terikat.
Variabel dummy : Variabel yang memiliki dua atau lebih level
berbeda, yang diberi kode 0 atau 1.
Variabel independen (variabel bebas): Sebuah variabel yang
mempengaruhi variabel dependen atau
kriteria dan memperhitungkan (atau
menjelaskan) variansnya.
Variabel mediasi : Variabel yang muncul sebagai fungsi dari
variabel independen, dan membantu dalam
membuat konsep dan menjelaskan pengaruh
variabel independen terhadap variabel
dependen.
Varians : Menunjukkan penyebaran variabel dalam
kumpulan data, dan diperoleh dengan
mengurangkan rata-rata dari setiap
pengamatan, mengkuadratkan hasilnya,
menjumlahkannya, dan membagi totalnya
dengan jumlah pengamatan.
Wawancara : Metode pengumpulan data di mana peneliti

meminta informasi secara lisan dari
responden.
Wawancara tidak terstruktur: Wawancara dilakukan dengan tujuan
utama untuk mengidentifikasi beberapa
masalah penting yang relevan dengan situasi
masalah, urutan pertanyaan tidak disiapkan
sebelumnya dan bersifat acak.
Wawancara terstruktur : Wawancara dilakukan dengan tujuan
utama untuk mengidentifikasi beberapa

SPSS dan Smart-PLS
masalah penting yang relevan dengan situasi
masalah, dengan persiapan sebelumnya dari
urutan pertanyaan yang direncanakan atau
ditentukan sebelumnya.

SPSS dan Smart-PLS
INDEKS
A E
Abduktif 12 Eksperimen 55, 56, 57, 58, 59, 214, 215
Analisis Deskriptif Frekuensi 156, 157, eksperimen lab 55, 57, 59
158 Eksperimen Lapangan 58
Analisis deskriptif tanggapan re- Eksperimen quasi 56
sponden 163 Eksperimen sebenarnya 55
asumsi klasik 151, 162, 166, 168, 170, Empati 46
176, 186 epistemologi 1, 2, 3, 15
autokorelasi 166
Average Variance Extraction 198 F
B Falsifikasionisme 11
filter spam 119
bias 62, 63, 86, 119, 126, 130, 132 Fornell lacker criterion 198
big data 84
bootsrapping 204 G
Buku harian 53 Generalisasi gagasan 6
C H
CB-SEM 192, 208 heteroskedastisitas 151, 166
cloud online 119 Hipotesis 8, 9, 11, 153, 186, 187, 193,
Cluster Sampling 132, 213 195, 204, 206, 215
Coefficients 172, 174, 184, 186, 205 HTMT 198, 202, 203, 208
Composite reliability 198
Convenience Sampling 133 I
Cronbach’s Alpha 97, 163, 203, 204,
208 Ilmu pengetahuan 1, 7
indirect effect 204, 205, 207, 208
D
K
data kualitatif v, 49, 67, 77, 80, 83, 84,
85, 216 Kajian pustaka 35, 36, 37, 40, 215
Data kuantitatif 67, 84 Kelompok Fokus 48, 69, 70, 71, 216
Definisi teoritis 89 Kerangka sampling 118, 126, 127, 216
Desain penelitian deskriptif 50 Koding 153, 216
Desain Penelitian Eksplorasi 47, 50 Kolmogorov Smirnov 166, 171, 174
Desain Penelitian Kausal 55 Konstruktivisme 2, 4, 97
Diferensiasi 6 Kuesioner 51, 52, 70, 87, 88, 107, 119,
direct effect 204, 205, 208 151, 153, 164, 193, 194, 195, 196,
Durbin Watson 166 217

SPSS dan Smart-PLS
M Personifikasi 75
PLS Algorithm 199, 200
Manajemen berbasis bukti 10 PLS-SEM 192, 193, 208
margin of error 138 Populasi 126, 130, 219
Masalah 33, 40, 66, 72, 77, 132, 176, Positivisme 2, 4, 15, 219
177, 183, 184 post-test 55, 57
mean 106, 163, 164, 166 pre-test 57, 70, 117, 162
media sosial 3, 54, 64, 67, 68, 76, 78, Priming 90, 116
83, 84, 133, 135, 151 Proposal penelitian 13, 219
metode deduktif 11 Prosedur Penelitian 42, 43
Metode ilmiah 7, 9, 15 Purposive Sampling 136, 219
Metode induktif 11
Metode kuantitatif 86 Q
Metode Parametrik 101
metode statistik non-parametrik 101 QDA Miner 49
Metode statistik parametrik 101 Quota Sampling 135
Metodologi 2, 46
R
Model Fit 192
Monte Carlo 177, 182, 183 Reliabilitas 61, 96, 162, 163, 198, 203,
multikolinearitas 151, 166, 172, 173, 220
183, 184
S
N
Sampel 58, 97, 119, 128, 129, 131, 133,
Nayya’s 16, 44, 64, 85, 122, 139 135, 137, 139, 220, 222
normalitas 106, 151, 166, 169, 178 Sampel Non-Probabilitas 133
NVivo 49 Sampel Probabilitas 129
Simple Random Sampling 129, 130
O Skala Diferensial Semantik 105, 106,
Observasi 53 107
Ontologi 1, 2, 3, 217 Skala Interval 100
outer loadings 197, 198, 199, 200, 201, Skala jumlah konstan 109
208 Skala komparatif 108, 221
outliers 177, 178, 183 Skala Likert 103, 110, 221
over coverage 128 Skala Nominal 98, 99
Skala non-komparatif 108, 110
P Skala Ordinal 99, 100
Skala Rasio 101
parsimoni 10 sluggish 74
Pearson Correlation 159, 161 Smart-PLS v, 191, 192, 193, 196, 198,
peer review 39 208, 209
Pendekatan pragmatis 4, 12 Snowball sampling 136
Pendekatan proyektif 50, 73 SoLoMo 54
penelitian terdahulu 6 Solusi Online 119

SPSS dan Smart-PLS
SPSS v, 150, 154, 156, 191, 192, 193, V
208, 209, 211
Stratified Sampling 130 Validitas 59, 61, 94, 95, 96, 159, 161,
street intercepts 118 198, 199, 202, 223
Structural Equation Model 191 Validitas diskriminan 198, 202, 223
supervisor 42, 64 validitas konvergen 198, 199, 203, 208,
Survei Pos 120 209
variabel dependen 55, 59, 192, 213,
T 218, 219, 224
variabel independen 55, 57, 59, 213,
Teori 6, 8, 12, 15, 16, 34, 48, 59, 60, 61, 217, 218, 224
63, 93 Variance Inflation Factor 166
tingkat keyakinan 137, 138
Transformasi data 177, 183, 184, 222 W
Triangulasi 66
Tujuan penelitian bisnis 7 Wawancara mendalam 4, 48, 49, 50, 72
Wawancara pribadi 87, 118, 133
U Wawancara telepon 120, 130
uji F 168, 186

uji t 168, 186
under coverage 128

SPSS dan Smart-PLS

Metode Penelitian Bisnis: Analisa Data Melalui SPSS Dan Smart-Pls

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

Metode Penelitian Bisnis: Analisa Data Melalui SPSS Dan Smart-Pls

Diunggah oleh

Hak Cipta:

Format Tersedia

METODE

Fungsi dan sifat hak cipta Pasal 4

Echo Perdana Kusumah

Echo Perdana Kusumah

Hak Cipta 2023, Pada Penulis

Hak cipta dilindungi undang-undang.

Metode Penelitian Bisnis: Analisa Data Melalui v

KATA PENGANTAR ...................................................................................... v

1.1 Pendahuluan .................................................................................. 1

vi Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui vii

viii Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui ix

x Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui xi

xii Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui xiii

Metode Penelitian Bisnis: Analisa Data Melalui 1

Pada tingkat yang lebih konkrit, “cara kita mengetahui sesuatu”

1.2 Konstruktivisme vs. Positivisme

2 Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui 3

Gambar 1.2 Konstruktivisme dan Positivisme, serta Pendekatan Pragmatis

Pendekatan pragmatis adalah pendekatan yang melibatkan desain

4 Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui 5

1.3 Teori dan Penelitian Bisnis

1.4 Metode Ilmiah dan Penelitian Bisnis

6 Metode Penelitian Bisnis: Analisa Data Melalui

Gambar 1.3 Metode Ilmiah Berkontribusi pada Pengambilan Keputusan Bisnis

Metode ilmiah diilustrasikan pada Gambar 1.3. Bagian atas

Metode Penelitian Bisnis: Analisa Data Melalui 7

Gambar 1.4 Pertanyaan Penelitian yang Mengarah pada Pembentukan

8 Metode Penelitian Bisnis: Analisa Data Melalui

Gambar 1.5 Aliran Pengetahuan Penelitian Bisnis

Metode ilmiah kemudian berlanjut ke tahap pengujian, di mana data

Metode Penelitian Bisnis: Analisa Data Melalui 9

10 Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui 11

Gambar 1.6 Perkembangan Teori

Sudut pandang ilmiah dasar dalam buku ini adalah falsifikasionisme.

12 Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui 13

14 Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui 15

1.8 Latihan Soal

1.9 Studi Kasus

Nayya telah berbicara tentang restoran dengan saudaranya. Terlepas

16 Metode Penelitian Bisnis: Analisa Data Melalui

1.10 Kegiatan Diskusi dan Aplikasi

Metode Penelitian Bisnis: Analisa Data Melalui 17

18 Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui 19

2.2 Karakteristik Topik Penelitian yang Berkualitas

20 Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui 21

22 Metode Penelitian Bisnis: Analisa Data Melalui

Apakah penelitian tersebut ditugaskan oleh pihak ketiga atau

Metode Penelitian Bisnis: Analisa Data Melalui 23

24 Metode Penelitian Bisnis: Analisa Data Melalui

Metode Penelitian Bisnis: Analisa Data Melalui 25

26 Metode Penelitian Bisnis: Analisa Data Melalui

2.3 Masalah, Peluang, dan Gejala