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.
Penulis
DAFTAR ISI
BAB I
PENDAHULUAN
Apabila ketiga hal tersebut dapat dibuktikan, maka hipotesis yang dirumuskan
mempunyai kedudukan yang kuat dalam penelitian.
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.
Asumsikan bahwa deviasi standar yang diamati adalah 8. Oleh karena itu, t-statistik
menjadi:
36,2−32
t= = 2,438
8/ √ 20
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.
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.
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.
Koefisien terpisah untuk setiap persamaan diperkirakan dan diuji. Untuk membangun
mediasi kondisi berikut harus dipegang:
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.
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.