MAKALAH METODOLOGI PENELITIAN KELOMPOK 9

“Quantitative Data Analysis: Hipothesis Testing”

Makalah Ini Disusun Untuk Memenuhi Tugas Mata Kuliah Metodologi Penelitian
Dosen Pengampu: Dr. Rini, SE., Ak., M.Si., CA

Disusun Oleh:
Annisa Eka Darmanto 11190820000086
Annisa Aprillia Fitri 11190820000098
Khurotul Aini 11190820000149

JURUSAN AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA
2022
 KATA PENGANTAR

Puji serta syukur kami panjatkan atas kehadirat Allah SWT. yang senantiasa
melimpahkan nikmat dan hidayah-Nya, sehingga kami dapat menyelesaikan makalah yang
berjudul “Quantative Data Analysis: Hypothesis Testing” dengan lancar dan tanpa hambatan.
Makalah disusun untuk memenuhi tugas Mata Kuliah Metodologi Penelitian. Selain itu, makalah
ini bertujuan menambah wawasan para pembaca dan juga bagi penulis.
Kami ucapkan terima kasih kepada kepada Ibu Dr. Rini, SE., Ak., M.Si., CA selaku
dosen pengampu mata kuliah Metodologi Penelitian, kepada rekan sekelompok yang sudah
bekerjasama sehingga dapat menyelesaikan tugas ini, serta teman-teman kami tercinta.. Ucapan
terima kasih juga disampaikan kepada semua pihak yang telah membantu diselesaikannya
makalah ini.
Dengan segala keterbatasan yang ada, kami menyadari dalam penulisan makalah ini
masih memiliki kekurangan dan masih jauh dalam kata sempurna. Oleh karena itu kami
mengharapkan kritik dan saran untuk lebih menyempurnakan laporan ini. Atas segala
perhatiannya kami mengucapkan terima kasih.

Tangerang Selatan, 10 Mei 2022

Penulis
DAFTAR ISI
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Hipotesis seperti yang diketahui, merupakan dugaan yang mungkin benar, atau mungkin
juga salah. Dia akan ditolak jika salah atau palsu, dan akan diterima jika faktor-faktor
membenarkannya. Penolakan dan penerimaan hipotesis, dengan begitu sangat tergantung
kepada hasil-hasil penyelidikan terhadap faktor-faktor yang dikumpulkan.
Hipotesis dapat juga dipandang sebagai konklusi yang sifatnya sangat sementara. Sebagai
konklusi sudah tentu hipotesis tidak dibuat dengan semena – mena, melainkan atas dasar
pengetahuan-pengetahuan tertentu. Pengetahuan ini sebagian dapat diambil dari hasil-hasil
serta problematika-problematika yang timbul dari penyelidikan-penyelidikan yang
mendahului, dari renungan-renungan atas dasar pertimbangan yang masuk akal, ataupun dari
hasil-hasil penyelidikan yang dilakukan sendiri. Untuk mengetahui kedudukan hipotesis
antara lain :
a. Perlu di uji apakah ada data yang menunjuk hubungan variabel penyebab dan variabel
akibat.
b. Adakah data yang menunjukkan bahwa akibat yang ada, memang ditimbulkan oleh
penyebab itu.
c. Adanya data yang menunjukkan bahwa tidak ada penyebab lain yang bisa menimbulkan
akibat tersebut.

Apabila ketiga hal tersebut dapat dibuktikan, maka hipotesis yang dirumuskan
mempunyai kedudukan yang kuat dalam penelitian.

1.2. Rumusan Masalah

Berdasarkan latar belakang di atas, maka penulis merumuskan beberapa rumusan masalah
untuk menspesifikasikan dan mengklasifikasikan pokok masalah yang akan dikaji. Adapun
masalah yang akan dianalisa adalah sebagai berikut :
1. Apa yang dimaksud kesalahan tipe I, kesalahan tipe II, dan kekuatan statistik?
 2. Bagaimana memilih teknik statistik yang tepat?
3. Bagaimana pegujian hipotesis pada perusahaan excelsior?
4. Apa yang dimaksud data warehousing, data mining dan operasi riset?
5. Apa saja perangkat lunak yang berguna untuk analisis data?

1.3. Tujuan Masalah

Untuk memahami lebih jelas terkait materi yang dibahas, diperlukan tujuan pembahasan
dalam makalah ini agar terarah dan mudah diterima oleh pembaca akan penjelasan yang
dikaji. Tujuan pembahasan makalah ini adalah sebagai berikut :
1. Untuk memahami mengenai kesalahan tipe I, kesalahan tipe II, dah kekuatan staristik.
2. Untuk memahami bagaimana cara memilih teknik statistik yang tepat.
3. Untuk mengetahui bagaimana pengujuian hipotesis pada perusahaan excelsior.
4. Untuk memahami mengenai data warehousing, data mining dan operasi riset.
5. Untuk mengetahui perangkat lunak yang berguna untuk analisis data.
 BAB II
PEMBAHASAN

2.1 Kesalahan Tipe I, Kesalahan Tipe II, dan Kekuatan Statistik

Hipotesis nol dianggap benar sampai bukti statistik, dalam bentuk uji hipotesis,
menunjukkan sebaliknya. Bukti statistik yang diperlukan disediakan oleh statistik inferensial,
seperti analisis regresi atau MANOVA. Statistik inferensial membantu kita menarik
kesimpulan (atau membuat kesimpulan) tentang populasi dari sampel.
Tujuan pengujian hipotesis adalah untuk menentukan secara akurat apakah hipotesis nol
dapat ditolak demi hipotesis alternatif. Berdasarkan data sampel peneliti dapat menolak
hipotesis nol (dan karena itu menerima hipotesis alternatif) dengan tingkat kepercayaan
tertentu: selalu ada risiko bahwa kesimpulan yang ditarik tentang populasi tidak benar.
Ada dua jenis kesalahan (atau dua cara di mana kesimpulan bisa salah), diklasifikasikan
sebagai kesalahan tipe I dan kesalahan tipe II. Kesalahan tipe I , juga disebut sebagai alfa (α),
adalah kemungkinan menolak hipotesis nol padahal hipotesis itu benar. Dalam contoh
Excelsior Enterprises yang diperkenalkan di Bab 14, kesalahan tipe I akan terjadi jika kita
menyimpulkan, berdasarkan data, bahwa burnout mempengaruhi niat untuk pergi padahal
sebenarnya tidak. Probabilitas kesalahan tipe I, juga dikenal sebagai tingkat signifikansi,
ditentukan oleh peneliti. Tingkat signifikansi tipikal dalam penelitian bisnis adalah 5%
(<0,05) dan 1% (<0,01).
Kesalahan tipe II , juga disebut sebagai beta (β), adalah probabilitas gagal menolak
hipotesis nol yang diberikan bahwa hipotesis alternatif sebenarnya benar; misalnya,
menyimpulkan, berdasarkan data, bahwa burnout tidak memengaruhi niat untuk pergi,
padahal kenyataannya memang demikian. Probabilitas kesalahan tipe II berbanding terbalik
dengan probabilitas kesalahan tipe I: semakin kecil risiko salah satu jenis kesalahan ini,
semakin tinggi risiko kesalahan jenis lainnya.
Konsep penting ketiga dalam pengujian hipotesis adalah kekuatan statistik (1 – β).
Kekuatan statistik , atau kekuatan yang adil, adalah probabilitas untuk menolak hipotesis nol
dengan benar. Dengan kata lain, kekuatan adalah probabilitas bahwa signifikansi statistik
akan ditunjukkan jika ada. Kekuatan statistik tergantung pada :
 1) Alpha (α): kriteria signifikansi statistik yang digunakan dalam pengujian. Jika alpha
bergerak mendekati nol (misalnya, jika alpha bergerak dari 5% ke 1%), maka
kemungkinan menemukan efek ketika ada efek berkurang. Ini menyiratkan bahwa
semakin rendah (yaitu, semakin dekat α bergerak ke nol) semakin rendah daya;
semakin tinggi alpha, semakin tinggi kekuatannya.
2) Ukuran efek: ukuran efek adalah ukuran perbedaan atau kekuatan hubungan dalam
populasi: perbedaan besar (atau hubungan yang kuat) dalam populasi lebih mungkin
ditemukan daripada perbedaan kecil (kesamaan, hubungan).
3) Ukuran sampel: pada tingkat alfa tertentu, peningkatan ukuran sampel menghasilkan
lebih banyak kekuatan, karena peningkatan ukuran sampel menghasilkan estimasi
parameter yang lebih akurat. Dengan demikian, peningkatan ukuran sampel mengarah
pada kemungkinan yang lebih tinggi untuk menemukan apa yang kita cari. Namun,
meningkatkan ukuran sampel juga dapat menyebabkan terlalu banyak daya, karena
efek yang sangat kecil pun akan dianggap signifikan secara statistik.

Sejalan dengan ini, ada empat komponen yang saling terkait yang memengaruhi
kesimpulan yang mungkin ditarik dari uji statistik dalam proyek penelitian: kekuatan
pengujian, alfa, ukuran efek, dan ukuran sampel. Mengingat nilai untuk setiap tiga komponen
ini, dengan demikian dimungkinkan untuk menghitung nilai keempat. Umumnya,
direkomendasikan untuk menetapkan daya, alfa, dan presisi yang diperlukan (ukuran efek)
dari pengujian terlebih dahulu, dan kemudian, berdasarkan nilai komponen ini, menentukan
ukuran sampel yang sesuai.

2.2 Memilih Teknik Statistik yang Tepat

Setelah memilih tingkat signifikansi statistik yang dapat diterima untuk menguji
hipotesis, langkah selanjutnya adalah memutuskan metode yang tepat untuk menguji
hipotesis. Pilihan teknik statistik yang tepat sangat bergantung pada jumlah variabel
(independen dan dependen) yang peneliti periksa dan skala pengukuran (metrik atau
nonmetrik) variabel peneliti. Aspek lain yang berperan adalah apakah asumsi tes parametrik
terpenuhi dan ukuran sampel.
 Teknik statistik univariat digunakan ketika peneliti ingin menguji hubungan dua variabel.
Hal ini sangat bergantung pada variabel dari penelitian yang dilakukan. Misalnya, jika
peneliti ingin menguji pengaruh gender terhadap jumlah permen yang dimakan siswa per
minggu, statistik univariat adalah tepat. Sebaliknya, jika tertarik pada hubungan antara
banyak variabel, teknik statistik multivariat diperlukan. Teknik ini digunakan ketika peneliti
ingin menguji hubungan antara sejumlah variabel yang ada dalam penelitian. Hal ini terjadi
karena kondisi pada variabel yang lebih dari dua itu berbeda dengan variabel yang hanya
terdiri dari dua variabel Uji univariat atau multivariat yang sesuai sangat bergantung pada
skala pengukuran yang peneliti gunakan.
1) Menguji Hipotesis Tentang Mean Tunggal
Uji-t satu sampel digunakan untuk menguji hipotesis bahwa rata-rata populasi dari
mana sampel diambil sama dengan standar pembanding. Asumsikan bahwa penguji
telah membaca bahwa rata-rata siswa belajar 32 jam seminggu. Dari apa yang telah
diamati sejauh ini, peneliti berpikir bahwa mahasiswa dari universitas peneliti belajar
lebih banyak. Oleh karena itu, peneliti bertanya kepada 20 teman kelas berapa lama
mereka belajar rata-rata dalam seminggu. Rata-rata waktu belajar per minggu ternyata
36,2 jam, 4 jam dan 12 menit lebih lama dari waktu belajar siswa pada umumnya.
Dalam contoh di atas, sampel mahasiswa dari universitas peneliti berbeda dari
mahasiswa pada umumnya. Apa yang ingin peneliti ketahui, bagaimanapun, adalah
apakah sesama siswa peneliti berasal dari populasi yang berbeda dari siswa lainnya.
Dengan kata lain, apakah peneliti memilih sekelompok siswa yang termotivasi secara
kebetulan? Atau adakah perbedaan “sejati” antara mahasiswa dari universitas peneliti
dan mahasiswa pada umumnya? Dalam contoh ini hipotesis nolnya adalah :
H0: Jumlah jam belajar siswa dari universitas kami adalah sama dengan jumlah jam
belajar siswa pada umumnya.
Hipotesis alternatif adalah:
H1: Jumlah jam belajar siswa dari universitas kami berbeda dari jumlah jam belajar
siswa pada umumnya
Cara untuk memutuskan apakah ada perbedaan yang signifikan antara mahasiswa
dari universitas Anda dan mahasiswa pada umumnya bergantung pada tiga aspek:
nilai rata-rata sampel (36,2 jam); nilai standar pembanding (32 jam); dan tingkat
 ketidakpastian mengenai seberapa baik rata-rata sampel mewakili rata-rata populasi
(kesalahan standar rata-rata sampel).
Sepanjang baris ini, rumus berikut digunakan untuk menghitung nilai-t:
X−μ
tn–1=
s √n

Asumsikan bahwa deviasi standar yang diamati adalah 8. Oleh karena itu, t-statistik
menjadi:
36,2−32
t= = 2,438
8/ √ 20

Setelah menghitung t-statistik, kita sekarang dapat membandingkan nilai t dengan

table standar t-nilai dengan n-1 derajat kebebasan untuk menentukan apakah t-
statistik mencapai ambang signifikansi statistik. Ketika t-statistik lebih besar dari nilai
table yang sesuai, hipotesis nol (tidak ada perbedaan yang signifikan) ditolak.
Pada hasil perhitungan t-statistik (2,438) lebih besar dari nilai tabel yang sesuai
(1,729). Ini berarti bahwa perbedaan antara 36,2 dan 32 adalah signifikan secara
statistik. Hipotesis nol harus ditolak sehingga: ada perbedaan yang signifikan dalam
waktu belajar antara mahasiswa dari universitas dan mahasiswa pada umumnya.

2) Menguji Hipotesis Tentang Dua Cara Terkait

Kita juga dapat melakukan uji-t (sampel berpasangan) untuk memeriksa
perbedaan dalam kelompok yang sama sebelum dan sesudah perlakuan. Misalnya,
akan sekelompok karyawan melakukan lebih baik setelah menjalani pelatihan
daripada yang mereka lakukan sebelumnya? Dalam hal ini, akan ada dua pengamatan
untuk setiap karyawan, satu sebelum pelatihan dan satu setelah pelatihan. Kami akan
menggunakan dipasangkan sampel t-test untuk menguji hipotesis nol bahwa rata-rata
perbedaan antara sebelum dan sesudah ukuran adalah nol.
Contoh, Seorang profesor universitas tertarik pada efek program pengajarannya
pada kinerja murid – muridnya. Dengan menguji sepuluh siswa diberi tes matematika
pada minggu pertama semester dan nilai mereka dicatat. Selanjutnya, siswa diberi tes
setara selama minggu terakhir semester. Profesor itu sekarang ingin tahu apakah nilai
matematika siswa meningkat. Setelah menghitung t-statistik, kita sekarang dapat
membandingkan nilai t dengan table standar t-value dengan n-1 derajat kebebasan
untuk menentukan apakah t-statistik mencapai ambang signifikansi statistik. Sekali
lagi, ketika t-statistik lebih besar dari nilai tabel yang sesuai, hipotesis nol (tidak ada
perbedaan yang signifikan) ditolak.
Uji t-statistik lebih besar dari nilai tabel yang sesuai (1,83). Ini berarti bahwa
perbedaan antara 70 dan 57,5 signifikan secara statistik. Hipotesis nol harus ditolak
sehingga: ada peningkatan yang signifikan dalam skor matematika. Tabel berikut ini
merupakan nilai matematika sepuluh siswa pada minggu pertama dan terakhir
semester

 Wilcoxon signed-rank test

Wilcoxon signed-rank test adalah tes nonparametrik untuk menguji perbedaan
yang signifikan antara dua sampel yang berhubungan atau pengukuran ulang
pada sampel tunggal. Hal ini digunakan sebagai alternatif untuk sampel
berpasangan t-test ketika penduduk tidak dapat diasumsikan terdistribusi
secara normal.
 McNemar’s Test
Uji McNemar adalah metode nonparametrik yang digunakan pada data
nominal. Hal ini akan dinilai signifikansi yang berbeda antara dua sampel
dependent ketika variable yang diteliti ialah dichotomous. Uji melalui
McNemar’s test ini digunakan untuk membandingkan sebelum dan sesudah
penelitian untuk menguji pengaruh eksperimental. Misalnya seorang peneliti
ingin menentukan apakah penggunaan metode pelatihan baru (disebut CARE)
memiliki pengaruh pada kinerja atlet. Perhitungan individu atlet ditunjukkan
pada tabel berikut.

Performa rata-rata sebelum pelatihan metode baru ditunjukkan pada kolom

yaitu sejumlah 244 atlet menunjukan average perfomance sebelum mereka
dilatih dengan metode CARE, sedangkan 134 atlet menunjukkan good
performance. Kemudian untuk melihat hasil setelah melalui pelatihan metode
baru CARE maka dilihat pada baris dalam tabel yaitu 190 atlet menunjukkan
kinerja rata-rata setelah menggunakan metode CARE, kemudian jumlah atlet
yang menyampaikan kinerja yang baik meningkat 188 atlet.
Tabel diatas dapat diubah dengan huruf a, b, c dan d. Total kolom dan
baris merupakan total margin (a+b, c+d, a+c, dan b+d). Untuk total
keseluruhan ditunjukkan dengan n , berikut dalam tabel dibawah ini.

Uji McNemar adalah teknik yang agak mudah untuk menguji homogenitas
marjinal. Homogenitas marjinal mengacu pada kesetaraan (atau kurangnya
perbedaan yang signifikan) antara satu atau lebih dari jumlah baris marjinal
dan jumlah kolom marjinal yang sesuai. Dalam contoh ini, homogenitas
marginal menunjukkan bahwa jumlah baris yang sama dengan total kolom
yang sesuai.
a+b=a+c
c+d=b+d
 Marginal homogeneity menunjukan tidak ada pengaruh dari pelatihan
yang dilakukan. Pada kasus ini maka dapat dikatakan metode pelatihan baru
tidak mempengaruhi performa atlet. Uji McNemar menggunakan distribusi,
berdasarkan rumus: (│b – c │- 1 )2 / (b + c). X2 adalah statistik dengan 1
derajat kebebasan (# baris – 1) × (# kolom -1). Frekuensi marjinal tidak
homogen jika hasil X2 signifikan pada p <0,05. Untuk nilai X2 pada contoh
kasus ini maka menjadi seperti ini:
(│78 – 132 │- 1)2 / (78 + 132) = 532 / 210 = 13.376
Tabel distribusi chi-square, dengan 1 degree of freedom, mengungkapkan
bahwa perbedaan antara sampel yang signifikan: pada tingkat 0,05: the critical
value chi-square adalah 3,841. Ketika 13,376 dihitung untuk contoh di atas
melebihi nilai ini maka perbedaan antara sampel yang signifikan. Oleh karena
itu, kita dapat menyimpulkan bahwa metode pelatihan baru memiliki efek
positif pada kinerja atlet.
Perhatikan bahwa jika b dan / atau c kecil (b + c <20) maka X2 tidak didekati
dengan distribusi chi-square. Sebaliknya sign test harus digunakan.

3) Menguji Hipotesis Tentang Dua Cara Yang Tidak Berhubungan

Terdapat banyak contoh ketika kita tertarik untuk mengetahui apakah dua
kelompok berbeda satu sama lain pada variabel ketertarikan berskala interval atau
berskala rasio. Variabel nominal yang dibagi menjadi dua subkelompok (misalnya,
perokok dan bukan perokok; karyawan di departemen pemasaran dan mereka di
departemen akuntansi; karyawan yang lebih muda dan lebih tua) diuji untuk melihat
apakah ada perbedaan rata-rata yang signifikan antara dua kelompok terpisah pada
variabel dependen, yang diukur pada skala interval atau rasio (misalnya, tingkat
kesejahteraan; gaji; atau tingkat pemahaman).
Sebagai contoh Apakah gelar MBA tampil lebih baik dalam pengaturan organisasi
dari mahasiswa bisnis dengan hanya gelar sarjana? Apakah orang di daerah perkotaan
memiliki pola investasi yang berbeda untuk tabungan mereka daripada di daerah
semi-urban? Apakah CPA melakukan lebih baik daripada non-CPA dalam tugas-
tugas akuntansi? Untuk menemukan jawaban atas pertanyaan-pertanyaan tersebut,
 sebuah sampel independen t-test dilakukan untuk melihat apakah ada perbedaan yang
signifikan dalam sarana untuk dua kelompok dalam variabel penelitian. Artinya,
variabel nominal yang dibagi menjadi dua subkelompok (misalnya, perokok dan
bukan perokok, karyawan di departemen pemasaran dan orang-orang di departemen
akuntansi; muda dan karyawan yang lebih tua) diuji untuk melihat apakah ada
perbedaan rata-rata yang signifikan antara dua kelompok perpecahan pada variabel
dependen, yang diukur pada interval atau rasio skala (misalnya, tingkat kesejahteraan,
membayar, atau tingkat pemahaman).

4) Menguji Hipotesis Tentang Beberapa Means

Seperti yang telah dijelaskan sebelumnya, t-test memiliki fungsi untuk
menunjukkan apakah ada perbedaan rata-rata yang signifikan dalam variabel
dependen antara dua kelompok. Analisis varians (ANOVA) membantu untuk menguji
perbedaan rata-rata yang signifikan antara lebih dari dua kelompok pada suatu
interval atau variabel dependen skala rasio. Misalnya, apakah ada perbedaan yang
signifikan dalam jumlah penjualan oleh empat kelompok tenaga penjualan berikut:
mereka yang dikirim ke sekolah pelatihan; mereka yang diberikan pelatihan di tempat
kerja selama kunjungan lapangan; mereka yang telah dibimbing oleh manajer
penjualan; dan mereka yang tidak memiliki satupun di atas? Ataukah tingkat
kenaikan pangkat tidak jauh berbeda bagi mereka yang telah menugaskan mentor,
memilih mentor sendiri, dan tidak memiliki mentor dalam sistem organisasi?
Langkah-langkah melakukan ANOVA: analyze menu compare means one-
way ANOVA. Setelah itu masukkan dependent variable kedalam “dependent list”,
kemudian pindahkan independent variable kedalam “factor” box. Lalu klik OK.
 Hasil ANOVA menunjukkan ada tidaknya mean dari berbagai kelompok berbeda
nyata satu sama lain, yang ditunjukkan oleh statistik F. Statistik F menunjukkan
apakah dua varian sampel berbeda satu sama lain atau berasal dari populasi yang
sama. Distribusi F adalah distribusi probabilitas varians sampel dan keluarga
distribusi berubah dengan perubahan ukuran sampel.
Ketika perbedaan rata-rata yang signifikan antara kelompok ditunjukkan oleh
statistik F, tidak ada cara untuk mengetahui dari hasil ANOVA saja di mana mereka
berada; yaitu, apakah perbedaan yang signifikan antara Grup A dan B, atau antara B
dan C, atau A dan C, dan seterusnya. Oleh karena itu tidak bijaksana untuk
menggunakan uji-t ganda, mengambil dua kelompok sekaligus, karena semakin
banyak jumlah uji-t yang dilakukan, semakin rendah kepercayaan yang dapat kita
berikan pada hasil. Misalnya, tiga uji-t yang dilakukan secara bersamaan menurunkan
tingkat kepercayaan dari 95% menjadi 86% (0,95)3. Namun, beberapa tes, seperti uji
Scheffe, uji Jarak Berganda Duncan, uji Tukey, dan uji Student−Newm n−Keul
tersedia dan dapat digunakan, jika sesuai, untuk mendeteksi di mana tepatnya letak
perbedaan rata-rata.

5) Analisis Regresi
Analisis regresi sederhana (simple regression analysis) digunakan dalam situasi di
mana satu variabel independen dihipotesiskan mempengaruhi satu variabel dependen.
Misalnya, asumsikan bahwa kita mengusulkan bahwa kecenderungan untuk membeli
suatu produk hanya bergantung pada kualitas yang dirasakan dari produk itu. Dalam
hal ini kita harus mengumpulkan informasi tentang kualitas yang dirasakan dan
kecenderungan untuk membeli suatu produk. Kita kemudian dapat memplot data
untuk mendapatkan beberapa ide awal tentang hubungan antara variabel-variabel ini.
 Dari gambar 15.2 didapat hubungan linier antara persepsi kualitas dengan
kecenderungan membeli suatu produk. Kita dapat membuat model hubungan linier ini
dengan least squares function.

Persamaan dalam simple linier regression/regresi linier sederhana dapat ditulis

sebagai berikut:
Yi = β0 + β1 X 1i + ϵi
Parameter β0 dan β1 dinamakan koefisien regresi. β0 merupakan intercept atau
nilai tengah, dan β1 menunjukkan slope atau kemiringannya. Koefisien kemiringan
ini mengukur besarnya tingkat perubahan nilai rata-rata dari Y untuk setiap
perubahan X sebesar satu unit. Koefisien korelasi, R2, digunakan untuk mengetahui
seberapa besar prosentase sumbangan pengaruh variable independen secara bersama-
sama terhadap variable dependen.
Dasar dari multiple regression analysis hampir sama dengan simple regression
analysis. Hanya saja, dalam multiple regression, kita menggunakan lebih dari satu
independent variable untuk menjelaskan variance di dependent variable. Sebagai
contoh, performa dapat diukur dengan empat macam independen variable, katakanlah
gaji, kesulitan pekerjaan, dukungan supervisor, dan budaya perusahaan. Ketika
seluruh variable tersebut diregresikan terhadap dependent variable untuk menjelaskan
variance di dalamnya, maka besarnya koefisien regresi individual mengindikasikan
seberapa besar kenaikan dari satu unit independent variable yang akan mempengaruhi
dependent variable, dengan asumsi seluruh variable independent yang lain tetap/tidak
berubah.
 Standardized regression coefficients
Koefisien regresi standar merupakan perkiraan yang dihasilkan dari
analisis regresi berganda yang dilakukan pada variabel yang telah
distandarisasi (suatu proses di mana variabel diubah menjadi variabel dengan
rata-rata 0 dan standar deviasi 1). Hal ini biasanya dilakukan untuk
memungkinkan peneliti membandingkan efek relatif dari variabel independen
terhadap variabel dependen, ketika variabel independen diukur dalam unit
pengukuran yang berbeda (misalnya, pendapatan diukur dalam dolar dan
ukuran rumah tangga diukur dalam jumlah individu).
 Regression with dummy variables
Dummy variable adalah variabel yang memiliki dua atau lebih yang
berbeda tingkat, yang dikodekan 0 atau 1. Variabel Dummy memungkinkan
kita untuk menggunakan variabel nominal atau ordinal sebagai variabel
independen untuk menjelaskan, memahami, atau memprediksi variabel
dependen. Misalkan kita tertarik pada hubungan antara shift kerja dan
kepuasan kerja. Dalam hal ini, variabel "shift kerja", yang memiliki tiga
kategori (lihat kasus Excelsior Enterprises), harus dikodekan dalam dua
variabel dummy, karena salah satu dari tiga kategori harus berfungsi sebagai
kategori referensi. Untuk mengakomodasi adanya variable bebas kualitatif
kedalam model regresi maka digunakan variable boneka (dummy variable)
dalam persamaan regresi yang dapat dituliskan sebagai berikut: Yi = β0 + β1
D1i + β2i D2i + ϵi
 Multicollinearity
Multikolinearitas adalah fenomena statistik yang sering ditemui di mana
dua atau lebih variabel independen dalam model regresi berganda sangat
berkorelasi. Dalam kasus yang paling parah (jika korelasi antara dua variabel
independen sama dengan 1 atau 1) multikolinearitas membuat estimasi
koefisien regresi menjadi tidak mungkin. Dalam semua kasus lain itu
membuat perkiraan koefisien regresi tidak dapat diandalkan.
 Cara paling sederhana dan paling jelas untuk mendeteksi multikolinearitas
adalah dengan memeriksa matriks korelasi untuk variabel independen.
Kehadiran korelasi tinggi (kebanyakan orang menganggap korelasi 0,70 dan
di atas tinggi) adalah tanda pertama dari multikolinearitas yang cukup besar.
Namun, ketika multikolinearitas adalah hasil dari hubungan yang kompleks di
antara beberapa variabel independen, itu mungkin tidak diungkapkan oleh
pendekatan ini. Oleh karena itu, langkah-langkah yang lebih umum untuk
mengidentifikasi multikolinearitas adalah nilai toleransi dan faktor inflasi
varians (VIF - kebalikan dari nilai toleransi). Langkah-langkah ini
menunjukkan sejauh mana satu variabel independen dijelaskan oleh variabel
independen lainnya. Nilai cut off yang umum adalah nilai toleransi 0,10, yang
sesuai dengan VIF dari 10.
Perhatikan multikolinearitas tidak menjadi masalah yang serius jika tujuan
dari penelitian adalah untuk memprediksi atau meramalkan nilai-nilai masa
depan variabel dependen, karena meskipun estimasi dari koefisien regresi
mungkin tidak stabil, multikolinearitas tidak mempengaruhi keandalan
ramalan. Namun, jika tujuan dari penelitian adalah untuk memperkirakan
koefisien regresi masing-masing, multikolinearitas adalah masalah. Dalam hal
ini, kita dapat menggunakan satu atau lebih metode berikut untuk mengurangi:
- Mengurangi set variabel independen terhadap satu set yang tidak segaris
(dicatat bahwa ini dapat menyebabkan dihilangkan bias variabel, yang
juga merupakan masalah serius).
- Menggunakan cara yang lebih canggih untuk menganalisis data, seperti
regresi ridge.
- Membuat variabel baru yang merupakan gabungan dari variabel yang
sangat berkorelasi.

 Testing moderation using regression analysis: interaction effects

Sebelumnya dijelaskan variabel moderasi sebagai variabel yang mengubah
hubungan antara asli variabel independen dan variabel dependen. Ini berarti
bahwa efek dari satu variabel (X1) terhadap Y tergantung pada nilai variabel
lain; variabel moderator (X2). Interaksi tersebut termasuk sebagai produk dari
dua variabel dalam model regresi. Misalkan kita telah mengembangkan
hipotesis berikut:
H1: Pertimbangan para siswa ke perpustakaan universitas dipengaruhi oleh
penilaian siswa terhadap komputer di perpustakaan.
Sekarang anggaplah bahwa kita juga percaya bahwa, meskipun hubungan
ini akan berlaku untuk semua siswa, maka akan tetap bergantung pada
kepemilikan komputer. Artinya, kami percaya bahwa hubungan antara
penilaian komputer di perpustakaan dan pertimbangan ke perpustakaan
dipengaruhi oleh kepemilikan komputer (memang kepemilikan komputer
adalah variabel dummy). Oleh karena itu, kami berhipotesis bahwa:
H2: Hubungan antara pertimbangan ke perpustakaan dan penilaian komputer
di perpustakaan dimoderatori oleh kepemilikan komputer.
Hubungan antara pertimbangan ke perpustakaan dan penilaian komputer
di perpustakaan dapat dimodelkan sebagai berikut:

Kita juga memiliki hipotesis bahwa efek X1 terhadap Y tergantung pada

X2. Hal ini dapat dimodelkan sebagai berikut:

Menambahkan persamaan kedua menjadi yang pertama mengarah ke

model berikut:

Model (3) menyatakan bahwa kemiringan model (1) merupakan fungsi

dari variabel X2. Meskipun model ini memungkinkan kita untuk menguji
moderasi, model berikut ini lebih baik:
 Karena model (4) termasuk efek langsung dari X2 pada Y. Hal ini
memungkinkan kita untuk membedakan antara moderasi murni dan moderasi
kuasi. Misalkan analisis data mengarah ke model berikut:

Berdasarkan hasil tersebut dapat disimpulkan bahwa (1) penilaian

komputer di perpustakaan memiliki efek positif pada pertimbangan ke
perpustakaan dan (2) bahwa efek ini dimoderatori oleh kepemilikan komputer:
Jika seorang siswa tidak memiliki komputer (X2i= 0) efek marginal adalah
0,4; jika siswa memiliki computer (X2i= 1) efek marjinal 0,2. Dengan
demikian, kepemilikan komputer memiliki efek moderat negatif. Contoh
sebelumnya menunjukkan bahwa variabel boneka bisa digunakan untuk
memungkinkan pengaruh satu variabel independen terhadap variabel
dependen berubah tergantung pada nilai variabel dummy. Hal ini, tentu saja,
juga memungkinkan untuk memasukkan variabel metrik sebagai moderator
dalam model. Dalam kasus tersebut, prosedur untuk menguji moderasi adalah
persis sama seperti pada contoh sebelumnya. Pada bagian ini, kami telah
menjelaskan bagaimana moderasi dapat diuji dengan analisis regresi.
Perhatikan bahwa ini juga memungkinkan untuk menguji mediasi dengan
analisis regresi. Kami akan menjelaskan hal ini nanti dalam bab ini
menggunakan data Excelsior Enterprises.

6) Uji dan Analisis Multivariat Lainnya

 Discriminant analysis
Analisis diskriminan membantu mengidentifikasi variabel independen
yang membedakan variabel dependen dengan skala nominal yang menarik –
katakanlah, variabel yang tinggi pada variabel dari variabel yang rendah.
Kombinasi linier variabel bebas menunjukkan fungsi pembeda yang
menunjukkan perbedaan besar yang ada pada kedua kelompok mean. Dengan
 kata lain, variabel bebas yang diukur pada skala interval atau rasio
mendiskriminasikan kelompok yang menjadi perhatian penelitian.
 Logistic regression
Regresi logistik juga digunakan ketika variabel dependen nonmetrik.
Namun, ketika variabel dependen hanya memiliki dua kelompok, regresi
logistik sering lebih disukai karena tidak menghadapi asumsi ketat yang
dihadapi analisis diskriminan dan karena sangat mirip dengan analisis regresi.
Meskipun analisis regresi dan analisis regresi logistik sangat berbeda dari
sudut pandang statistik, keduanya sangat mirip dari sudut pandang praktis.
Kedua metode menghasilkan persamaan prediksi dan dalam kedua kasus
koefisien regresi mengukur kemampuan prediksi variabel independen. Dengan
demikian, regresi logistik memungkinkan peneliti untuk memprediksi hasil
diskrit, seperti "akan membeli produk/tidak akan membeli produk," dari satu
set variabel yang mungkin kontinu, diskrit, atau dikotomis.
 Conjoint analysis
Analisis conjoint adalah teknik statistik yang digunakan di banyak bidang
termasuk pemasaran, manajemen produk, dan riset operasi. Analisis conjoint
mengharuskan peserta untuk membuat serangkaian trade-off. Dalam
pemasaran, analisis konjoin digunakan untuk memahami bagaimana
konsumen mengembangkan preferensi untuk produk atau layanan. Analisis
konjoin dibangun di atas gagasan bahwa konsumen mengevaluasi nilai suatu
produk atau layanan dengan menggabungkan nilai yang disediakan oleh setiap
atribut. Atribut adalah fitur umum produk atau layanan, seperti harga, kualitas
produk, atau kecepatan pengiriman. Setiap atribut memiliki level tertentu.
Analisis konjoin mengambil deskripsi atribut dan tingkat produk dan layanan
ini dan menggunakannya dengan meminta peserta untuk membuat
serangkaian pilihan di antara produk yang berbeda. Misalnya, Apakah Anda
memilih telepon X atau telepon Y?
 Dengan meminta pilihan yang cukup, dimungkinkan untuk menetapkan
seberapa penting masing-masing level relatif terhadap yang lain; ini dikenal
sebagai utilitas tingkat. Analisis konjoin secara tradisional dilakukan dengan
beberapa bentuk analisis regresi berganda. Baru-baru ini, penggunaan analisis
Bayesian hierarkis telah menyebar luas untuk mengembangkan model
perilaku pengambilan keputusan konsumen individu.
 Two-way ANOVA
ANOVA dua arah dapat digunakan untuk menguji pengaruh dua variabel
independen nonmetrik pada variabel dependen metrik tunggal. Perhatikan
bahwa, dalam konteks ini, variabel independen sering disebut sebagai faktor
dan inilah mengapa desain yang bertujuan untuk menguji pengaruh dua
variabel independen nonmetrik pada variabel dependen metrik tunggal sering
disebut desain faktorial. Desain faktorial sangat populer dalam ilmu-ilmu
sosial. ANOVA dua arah memungkinkan kita untuk menguji efek utama (efek
variabel independen terhadap variabel dependen) tetapi juga efek interaksi
yang ada antara variabel independen (atau faktor). Efek interaksi ada ketika
efek dari satu variabel bebas (atau satu faktor) pada variabel terikat tergantung
pada tingkat variabel bebas lainnya (faktor).
 MANOVA
MANOVA mirip dengan ANOVA, dengan perbedaan bahwa ANOVA
menguji perbedaan rata-rata lebih dari dua kelompok pada satu variabel
dependen, sedangkan tes MANOVA berarti perbedaan antara kelompok di
beberapa variabel dependen secara bersamaan, dengan menggunakan jumlah
kuadrat dan matriks hasil silang. Sama seperti beberapa ttest akan bias hasil
(seperti yang dijelaskan sebelumnya), beberapa tes ANOVA, menggunakan
satu variabel dependen pada suatu waktu, juga akan bias hasil, karena variabel
dependen cenderung saling terkait. MANOVA menghindari bias ini dengan
secara simultan menguji semua variabel dependen, meniadakan efek dari
setiap interkorelasi di antara mereka.
 Dalam uji MANOVA, variabel independen diukur pada skala nominal dan
variabel dependen pada skala interval atau rasio.
Hipotesis nol yang diuji oleh MANOVA adalah:

Hipotesis alternatifnya adalah:

 Canonical correlation
Korelasi kanonik meneliti hubungan antara dua atau lebih variabel terikat
dan beberapa variabel bebas; misalnya, korelasi antara seperangkat perilaku
pekerjaan (seperti keasyikan dalam bekerja, penyelesaian pekerjaan tepat
waktu, dan jumlah ketidakhadiran) dan pengaruhnya terhadap serangkaian
faktor kinerja (seperti kualitas kerja, keluaran, dan tingkat penolakan). Fokus
di sini adalah menggambarkan profil perilaku pekerjaan yang terkait dengan
kinerja yang menghasilkan produksi berkualitas tinggi.
Singkatnya, beberapa teknik univariat, bivariat, dan multivariat tersedia
untuk menganalisis data sampel. Menggunakan teknik ini memungkinkan kita
untuk menggeneralisasi hasil yang diperoleh dari sampel ke populasi secara
luas. Tentu saja, sangat penting untuk menggunakan teknik statistik yang
benar untuk menguji hipotesis penelitian. Telah dijelaskan sebelumnya bahwa
pilihan teknik statistik yang sesuai tergantung pada jumlah variabel yang
diperiksa, pada skala pengukuran variabel, pada apakah asumsi uji parametrik
terpenuhi, dan pada ukuran sampel.

2.3 Perusahaan Excelsior: Pengujian Hipotesis

Hipotesis yang digunakan seperti yang telah dijelaskan sebelumnya yaitu:
H1: Pengayaan pekerjaan memiliki efek negatif pada niat untuk meninggalkan.
H2: Perceived value memiliki efek negatif pada niat untuk meninggalkan.
H3: Kelelahan pekerjaan memiliki efek positif pada niat untuk meninggalkan.
H4: Kepuasan kerja memediasi hubungan antara pengayaan pekerjaan, perceived value, dan
kelelahan pekerjaan pada niat untuk meninggalkan.
Hipotesis tersebut menggunakan analisis regresi dimediasi, yaitu semua variabel diukur
pada tingkat interval. Untuk menguji hipotesis bahwa kepuasan kerja memediasi pengaruh
keadilan yang dirasakan, kelelahan, dan pengayaan pekerjaan pada niat karyawan untuk
meninggalkan ada tiga model regresi yang diperkirakan, Baron dan Kenny (1986):
a) Model 1: meregres kepuasan kerja terhadap keadilan, kelelahan, dan pengayaan
pekerjaan yang dirasakan.
b) Model 2: meregres niat untuk meninggalkan terhadap keadilan yang dirasakan, kelelahan,
dan pengayaan pekerjaan.
c) Model 3: meregres niat karyawan untuk meninggalkan terhadap keadilan yang dirasakan,
kelelahan, pengayaan pekerjaan, dan kepuasan kerja.

Koefisien terpisah untuk setiap persamaan diperkirakan dan diuji. Untuk membangun
mediasi kondisi berikut harus dipegang:

a) Keadilan, kelelahan, dan pengayaan pekerjaan yang dirasakan harus mempengaruhi

kepuasan kerja dalam model 1.
b) Keadilan, kelelahan, dan pengayaan pekerjaan yang dirasakan harus terbukti berdampak
pada niat karyawan untuk meninggalkan dalam model 2.
c) Kepuasan kerja harus mempengaruhi niat karyawan untuk meninggalkan dalam model 3
(sementara keadilan, kelelahan, dan pengayaan pekerjaan yang dirasakan tetap konstan).

Jika kondisi ini dipertahankan dan semua arah terprediksi, maka efek keadilan, kelelahan,
dan pengayaan pekerjaan yang dirasakan harus kurang dalam model 3 dibandingkan dalam
model 2. Mediasi sempurna berlaku jika keadilan, kelelahan, dan pengayaan pekerjaan yang
dirasakan tidak berpengaruh pada niat untuk meninggalkan dengan kata lain, pengaruh
variabel-variabel ini tidak lagi signifikan ketika efek dari kepuasan kerja dikendalikan untuk
model 3. Mediasi parsial dicapai jika pengayaan keadilan yang dirasakan, kelelahan, dan
pekerjaan masih mempengaruhi niat meninggalkan dalam model 3.
R kuadrat dari model regresi pertama (model 1) adalah 0,165 dan model secara statistik
signifikan. Dalam model ini keadilan dan kelelahan adalah prediktor signifikan kepuasan
kerja, sedangkan pengayaan pekerjaan tidak. R kuadrat dari model regresi kedua (model 2)
adalah 0,393 dan model ini juga bermakna secara statistik. Dalam model ini keadilan dan
kelelahan adalah prediktor signifikan kepuasan kerja. R kuadrat dari model regresi ketiga
(model 3) adalah 0,487 dan model ini juga bermakna secara statistik. Dalam model ini
kepuasan adalah prediktor signifikan dari niat untuk meninggalkan. Persepsi keadilan dan
kelelahan adalah prediktor signifikan niat untuk meninggalkan ketika kepuasan kerja
dikontrol. Pengaruh keadilan yang dirasakan dan tingkat kelelahan pada niat untuk
meninggalkan kurang dalam model ketiga dibandingkan model kedua. Dengan demikian
semua kondisi untuk mediasi parsial bertemu keadilan yang dirasakan dan kelelahan.
Pengayaan pekerjaan terkait dengan tidak kepuasan kerja ataupun niat untuk meninggalkan
(ketika kepuasan kerja dikontrol).
Persamaan untuk menghitung standar error yaitu:
SEab = √ b2 s 2a +a2 s 2b + s2a s 2b

Rasio ab/SEab bisa disebut sebagai nilai statistik z. Efek tidak langsung dari perceived
justice (2.175, p<0.05) dan tingkat kelelahan (2.985, p<0.01) keduanya adalah signifikan.

Overall interpretation and recommendations to the president

Dari hasil tes hipotesis, jelas bahwa keadilan yang dirasakan dan kelelahan
mempengaruhi niat karyawan untuk meninggalkan perusahaan melalui kepuasan kerja. Dari
hasil deskriptif, kita telah melihat bahwa rata-rata keadilan yang dirasakan memiliki nilai
agak rendah (2.32 pada skala lima poin), seperti nilai rata-rata pada kelelahan (2.55). Oleh
karena itu, jika retensi karyawan merupakan prioritas utama bagi presiden, penting untuk
merumuskan kebijakan dan praktek yang membantu untuk meningkatkan persepsi keadilan
dan untuk mengurangi atau mencegah kelelahan. Apa pun yang dilakukan untuk
meningkatkan persepsi karyawan tentang keadilan dan untuk mencegah atau mengurangi
kelelahan akan meningkatkan kepuasan kerja dengan demikian membantu karyawan untuk
berpikir lebih untuk meninggalkan perusahaan dan mendorong mereka untuk tetap tinggal.
Oleh karena itu, disarankan untuk memperbaiki ketidakadilan dalam sistem, jika praktik
itu benar-benar ada, atau untuk menghapus kesalahan persepsi dari ketidakadilan jika hal ini
benar-benar terjadi. Untuk mencegah atau menanggulangi kelelahan mungkin memerlukan
perubahan baik individu dan organisasi. Untuk mengatasi masalah kelelahan, mungkin perlu
 mengubah lingkungan kerja dan mendidik para pekerja tentang bagaimana beradaptasi dan
bagaimana mengatasi tekanan di tempat kerja.
Fakta bahwa hanya 50% dari varians yang ada dalam "niat untuk meninggalkan"
dijelaskan oleh keempat variabel independen yang dipertimbangkan dalam penelitian ini,
sedangkan masih terdapat 50% yang tidak dijelaskan. Dengan kata lain, ada variabel
tambahan lainnya yang penting dalam menjelaskan ITL yang belum dipertimbangkan dalam
penelitian ini. Penelitian lebih lanjut mungkin diperlukan untuk menjelaskan lebih dari
varians dalam ITL, jika presiden ingin mengejar masalah ini lebih lanjut.

2.4 Data Warehousing, Data Mining dan Operasi Riset

Data warehousing dan data mining merupakan aspek dari sistem informasi. Sebagian
besar perusahaan menyadari manfaat untuk menciptakan sebuah data warehouse (gudang
data) yang berfungsi sebagai pusat penyimpanan semua data yang dikumpulkan dari sumber
yang berbeda termasuk yang berkaitan dengan perusahaan pembiayaan, manufaktur,
penjualan, dan sejenisnya. Data warehouse biasanya dibangun dari data yang dikumpulkan
melalui departemen yang berbeda dari perusahaan dan dapat diakses melalui berbagai
pengolahan alat analisis online (OLAP) untuk mendukung pengambilan keputusan. Data
pergudangan dapat digambarkan sebagai proses penggalian, mentransfer, dan
mengintegrasikan data yang tersebar di beberapa database eksternal dan bahkan sistem
operasi, dengan maksud untuk analisis dan memfasilitasi pengambilan keputusan.
Untuk melengkapi fungsi data warehousing, banyak perusahaan menggunakan data
mining sebagai alat strategis untuk mencapai tingkat baru dari intelijen bisnis. Menggunakan
algoritma untuk menganalisis data. Data mining lebih efektif memanfaatkan gudang data
dengan mengidentifikasi hubungan tersembunyi dan pola dalam data yang tersimpan di
dalamnya. Misalnya, data mining memungkinkan untuk melacak pola penjualan ritel dengan
Kode Pos dan waktu serta hari dari pembelian, sehingga stok optimal item menjadi efektif
dan efisien. Data yang berkaitan dengan daerah vital organisasi dapat dengan mudah diakses
dan digunakan untuk tujuan yang berbeda. Misalnya, staf untuk waktu yang berbeda hari
dapat direncanakan, demikian juga jumlah check-out counter yang perlu tetap terbuka di
toko-toko ritel, untuk menjamin efisiensi serta efektivitas. Data mining juga membantu untuk
 memperjelas pola yang mendasari dalam kegiatan bisnis yang berbeda, untuk memfasilitasi
pengambilan keputusan.
Riset operasi (OR) atau ilmu manajemen (MS) adalah alat canggih lain yang digunakan
untuk menyederhanakan dan memperjelas beberapa jenis masalah yang kompleks. OR
menggunakan matematika yang lebih tinggi dan statistik untuk mengidentifikasi,
menganalisis, dan akhirnya memecahkan masalah rumit dengan kompleksitas besar yang
dihadapi oleh manajer. OR menyediakan alat tambahan untuk manajer dengan menggunakan
kuantifikasi untuk melengkapi penilaian pribadi. Area pemecahan masalah untuk OR antara
lain terkait dengan persediaan, antrian, urutan, rute, dan pencarian dan penggantian. OR
membantu untuk meminimalkan biaya dan meningkatkan efisiensi dengan beralih ke pohon
keputusan, linear programming, analisis jaringan, dan model matematika.
Sistem informasi lainnya seperti sistem informasi manajemen (MIS), sistem pendukung
keputusan, sistem informasi eksekutif, dan sistem pakar adalah alat bantu pengambilan
keputusan yang baik, tetapi tidak harus terlibat dengan pengumpulan data dan analisis.
Singkatnya, sistem informasi yang baik mengumpulkan, menggali, dan menyediakan
berbagai informasi yang berkaitan dengan aspek baik lingkungan eksternal dan internal
organisasi. Dengan menggunakan berbagai alat dan teknik yang tersedia untuk memecahkan
masalah besarnya; eksekutif, manajer yang berbeda, dan lain-lain yang dipercayakan dengan
tanggung jawab untuk hasil pada berbagai tingkat organisasi dapat menemukan solusi untuk
berbagai masalah hanya dengan mengamankan akses ketersediaan data ini dalam sistem dan
menganalisanya. Perlu dipastikan bahwa data dalam sistem informasi, bebas dari kesalahan
dan diperbarui secara teratur. Pada akhirnya, pengambilan keputusan hanya bisa menjadi
baik jika tersedia data yang diperlukan untuk manajer.

2.5 Beberapa Paket Perangkat Lunak yang Berguna untuk Analisis Data
Ada berbagai macam software analitis yang dapat membantu kita untuk menganalisis
data. Berdasarkan pada kebutuhan yang spesifik, masalah penelitian, dan/atau model
konseptual. Berikut beberapa paket perangkat lunak yang bisa dipertimbangkan:
a) LISREL: from Scientific Software International
LISREL dirancang untuk memperkirakan dan menguji model persamaan struktural.
Model persamaan struktural, model statistik yang kompleks hubungan linear antara
 variabel laten (teramati) variabel dan manifest (diamati). LISREL juga dapat digunakan
untuk melakukan analisis faktor eksplorasi dan analisis faktor konfirmatori.
b) MATLAB®: from the MathWorks, Inc
MATLAB adalah program komputer yang pada awalnya dirancang untuk
menyederhanakan pelaksanaan numerik rutinitas aljabar linear. Hal ini digunakan untuk
mengimplementasikan algoritma numerik untuk berbagai macam aplikasi.
c) Mplus: developed by Linda and Bength Muthen
Mplus adalah program pemodelan statistik yang menawarkan peneliti berbagai pilihan
model, estimator, dan algoritma. Mplus memungkinkan analisis yang luas bagi berbagai
data seperti data cross-sectional dan longitudinal, single-level dan data bertingkat, dan
data yang berasal dari populasi yang berbeda baik diamati atau heterogenitas tidak
teramati. Selain itu, Mplus memiliki kemampuan yang luas untuk studi simulasi Monte
Carlo.
d) SAS/STAT: from SAS Institute
SAS adalah sebuah sistem terintegrasi produk perangkat lunak, mampu melakukan
berbagai analisis statistik seperti statistik deskriptif, teknik multivariat, dan time series
analisis. Karena kemampuannya, program ini digunakan dalam berbagai disiplin ilmu,
termasuk ilmu kedokteran, ilmu biologi, ilmu sosial, dan pendidikan.
e) SPSS: Complex Samples from SPSS Inc
SPSS (Statistical Package for Social Sciences) adalah program manajemen data dan
analisis yang dirancang untuk melakukan analisis data statistik, termasuk statistik
deskriptif seperti plot, frekuensi, grafik, dan daftar, serta prosedur statistik inferensial
canggih dan multivariat seperti analisis varians (ANOVA), analisis faktor, analisis
cluster, dan analisis data kategori.
f) SPSS AMOS: from SPSS Inc
SPSS AMOS dirancang untuk memperkirakan dan menguji model persamaan struktural.
g) Stata: from Stata Corporation
Stata adalah paket perangkat lunak statistik tujuan umum yang mendukung metode
statistik dan ekonometrik berbagai, grafis, dan fitur yang disempurnakan untuk
manipulasi data, pemrograman, dan manipulasi matriks.
2.6 Review Jurnal

BAB III

PENUTUP

3.1 Kesimpulan
Tujuan pengujian hipotesis adalah untuk menentukan secara akurat apakah hipotesis nol
dapat ditolak demi hipotesis alternatif. Berdasarkan data sampel peneliti dapat menolak
hipotesis nol (dan karena itu menerima hipotesis alternatif) dengan tingkat kepercayaan
tertentu: selalu ada risiko bahwa kesimpulan yang ditarik tentang populasi tidak benar.
Ada empat komponen yang saling terkait yang memengaruhi kesimpulan yang mungkin
ditarik dari uji statistik dalam proyek penelitian yaitu kekuatan pengujian, alfa, ukuran efek,
dan ukuran sampel. Mengingat nilai untuk setiap tiga komponen ini, dengan demikian
dimungkinkan untuk menghitung nilai keempat. Umumnya, direkomendasikan untuk
menetapkan daya, alfa, dan presisi yang diperlukan (ukuran efek) dari pengujian terlebih
dahulu, dan kemudian, berdasarkan nilai komponen ini, menentukan ukuran sampel yang
sesuai.

3.2 Saran
Makalah ini masih jauh dari sempurna, Penulis juga mengakui banyak kesalahan dan
kekurangan dari makalah ini, karena terbatas referensi dan pemahaman penulis. oleh karena
itu kami berharap saran dan kritiknya dari pembaca, agar makalah ini bisa diperbaiki di
masa mendatang. Semoga makalah ini bermanfaat bagi semua pihak, terutama bagi para
pembaca.