Chapter 15 Quantitative Data Analysis - Hypothesis Testing Id

Subscribe to DeepL Pro to translate larger documents.
Visit www.DeepL.com/pro for more information.
HALAMAN 15
Analisis data kuantitatif:

Pengujian hipotesis
TUJUAN PEMBELAJARAN
Setelah menyelesaikan Bab 15, Anda seharusnya bisa:
1. Diskusikan kesalahan tipe I, kesalahan tipe II, dan kekuatan statistik.
2. Menguji hipotesis dengan menggunakan teknik statistik yang sesuai.
3. Menjelaskan tentang data warehousing, data mining, dan riset operasi.
4. Menjelaskan paket perangkat lunak yang berguna untuk analisis data kuantitatif.
PENDAHULUAN
Pada Bab 5, kita telah membahas langkah-langkah yang harus diikuti dalam pengembangan dan pengujian hipotesis.
Langkah-langkah tersebut adalah:
1. Nyatakan hipotesis nol dan hipotesis alternatif.

2. Tentukan tingkat signifikansi yang diinginkan (p 0,05, atau lebih, atau kurang).
3. Pilih uji statistik yang sesuai tergantung pada jenis skala yang digunakan (nominal, ordinal, interval,
atau rasio).
4. Lihat apakah hasil keluaran dari analisis komputer menunjukkan bahwa tingkat signifikansi
terpenuhi. Jika nilai yang dihasilkan lebih besar dari nilai kritis, hipotesis nol ditolak, dan hipotesis
alternatif diterima. Jika nilai yang dihasilkan lebih kecil dari nilai kritis, hipotesis nol diterima dan
hipotesis alternatif ditolak.
Dalam bab ini kita akan membahas pengujian hipotesis. Pertama, kita akan memperhatikan kesalahan tipe
I, kesalahan tipe II, dan kekuatan statistik. Kemudian, kita akan membahas berbagai uji statistik univariat dan
bivariat yang dapat digunakan untuk menguji hipotesis. Terakhir, kita akan kembali ke kasus Excelsior
Enterprises dan menguji hipotesis yang telah dikembangkan di bab sebelumnya.
300
CEAPTER �5 ANALISIS DATA KUANTITATIF: PENGUJIAN EYPOTEESIS 301
KESALAHAN TIPE I, KESALAHAN TIPE II, DAN KEKUATAN STATISTIK

Pada Bab 5, kami telah menjelaskan bahwa metode hipotetis-deduktif mengharuskan hipotesis untuk dapat
diuji kebenarannya. Untuk alasan ini, hipotesis nol dikembangkan. Hipotesis nol ini (H0 ) dibuat untuk ditolak
guna mendukung hipotesis alternatif, yang disebut HA.
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 untuk menarik kesimpulan (atau membuat kesimpulan)
tentang populasi dari sampel.
Tujuan dari 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 sebuah kesimpulan bisa salah), diklasifikasikan sebagai
kesalahan tipe I dan kesalahan tipe II. Kesalahan tipe I, juga disebut sebagai alpha (α), adalah probabilitas
untuk menolak hipotesis nol ketika hipotesis tersebut sebenarnya benar. Dalam contoh Excelsior Enterprises
yang diperkenalkan pada Bab 14, kesalahan tipe I akan terjadi jika kita menyimpulkan, berdasarkan data,
bahwa kelelahan memengaruhi niat untuk keluar, padahal sebenarnya tidak. Probabilitas kesalahan tipe I, juga
dikenal sebagai tingkat signifikansi, ditentukan oleh peneliti. Tingkat signifikansi yang umum digunakan
dalam penelitian bisnis adalah 5% (<0,05) dan 1% (<0,01).
Kesalahan tipe II, juga disebut sebagai beta (β), adalah probabilitas kegagalan untuk menolak hipotesis
nol karena hipotesis alternatif sebenarnya benar; misalnya, menyimpulkan, berdasarkan data, bahwa kelelahan
tidak memengaruhi niat untuk keluar, padahal kenyataannya, kelelahan memengaruhi niat untuk keluar.
Probabilitas kesalahan tipe II berbanding terbalik dengan probabilitas kesalahan tipe I: semakin kecil risiko
salah satu tipe kesalahan ini, semakin tinggi risiko tipe kesalahan lainnya.
Konsep penting ketiga dalam pengujian hipotesis adalah kekuatan statistik (1 - β). Kekuatan statistik,
atau hanya kekuatan, 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 probabilitas untuk menemukan
efek jika ada efek akan berkurang. Hal ini mengimplikasikan bahwa semakin rendah α (yaitu,
semakin dekat α bergerak ke nol) semakin rendah kekuatannya; semakin tinggi alpha, semakin tinggi
kekuatannya.
2. Ukuran efek: ukuran efek adalah ukuran perbedaan atau kekuatan hubungan dalam populasi:
perbedaan yang besar (atau hubungan yang kuat) dalam populasi lebih mungkin ditemukan daripada
perbedaan (kesamaan, hubungan) yang kecil.
3. Ukuran sampel: pada tingkat alpha tertentu, peningkatan ukuran sampel menghasilkan lebih banyak
kekuatan, karena peningkatan ukuran sampel menghasilkan estimasi parameter yang lebih akurat.
Dengan demikian, peningkatan ukuran sampel menghasilkan probabilitas yang lebih tinggi untuk
menemukan apa yang kita cari. Namun, meningkatkan ukuran sampel juga dapat menyebabkan
terlalu banyak kekuatan, karena efek yang sangat kecil pun akan ditemukan signifikan secara
statistik.
Sejalan dengan hal ini, ada empat komponen yang saling terkait yang memengaruhi kesimpulan yang
dapat Anda tarik dari uji statistik dalam proyek penelitian: kekuatan uji, alfa, ukuran efek, dan ukuran sampel.
302 METODE PENELITIAN UNTUK BISNIS
Dengan mengetahui nilai dari ketiga komponen ini, maka Anda dapat menghitung nilai komponen keempat.
Umumnya, disarankan untuk menetapkan kekuatan, alpha, dan presisi yang diperlukan (ukuran efek) dari
sebuah tes terlebih dahulu, dan kemudian, berdasarkan nilai-nilai komponen ini, tentukan ukuran sampel
yang sesuai.
KOTAK 15.1
Fokus penelitian bisnis biasanya pada kesalahan tipe I. Namun, kekuatan (misalnya, untuk menentukan
ukuran sampel yang sesuai) dan, dalam beberapa situasi, kesalahan tipe II (misalnya, jika Anda menguji
efek obat baru) juga harus dipertimbangkan secara serius.
MEMILIH TEKNIK STATISTIK YANG SESUAI
Kunjungi situs web pendamping di www.wiley.com/college/sekaran untuk melihat Video

Penulis: Memilih teknik statistik yang sesuai.
Setelah Anda memilih tingkat signifikansi statistik yang dapat diterima untuk menguji hipotesis Anda, langkah
selanjutnya adalah menentukan metode yang tepat untuk menguji hipotesis tersebut. Pilihan teknik statistik
yang tepat sangat bergantung pada jumlah variabel (independen dan dependen) yang Anda teliti dan skala
pengukuran (metrik atau nonmetrik) variabel Anda. Aspek lain yang berperan adalah apakah asumsi-asumsi
uji parametrik terpenuhi dan ukuran sampel Anda.
Teknik statistik univariat digunakan ketika Anda ingin meneliti hubungan dua variabel. Misalnya, jika Anda
ingin meneliti pengaruh jenis kelamin terhadap jumlah permen yang dimakan siswa per minggu, statistik
univariat adalah pilihan yang tepat. Sebaliknya, jika Anda tertarik dengan hubungan antara banyak variabel,
seperti dalam kasus Excelsior Enterprises, teknik statistik multivariat diperlukan. Uji univariat atau multivariat
yang sesuai sangat bergantung pada skala pengukuran yang Anda gunakan, seperti yang diilustrasikan pada
Gambar 15.1.
Analisis chi-square telah dibahas pada bab sebelumnya. Bab ini akan membahas teknik-teknik lain yang
tercantum pada Gambar 15.1. Perhatikan bahwa beberapa teknik dibahas lebih rumit daripada yang lain.
Pembahasan rinci mengenai semua teknik ini berada di luar cakupan buku ini.
Menguji hipotesis tentang rata-rata tunggal

Uji-t satu sampel digunakan untuk menguji hipotesis bahwa rata-rata populasi dari mana sampel diambil
sama dengan standar pembanding. Asumsikan bahwa Anda telah membaca bahwa rata-rata mahasiswa belajar
32 jam per minggu. Dari apa yang telah Anda amati sejauh ini, Anda berpikir bahwa mahasiswa dari
universitas Anda (populasi dari mana sampel Anda akan diambil) belajar lebih banyak. Oleh karena itu, Anda
bertanya kepada 20 teman sekelas berapa lama mereka belajar dalam seminggu. Rata-rata waktu belajar per
minggu ternyata 36,2 jam, 4 jam dan 12 menit lebih lama dari waktu belajar mahasiswa pada umumnya.
Pertanyaannya adalah: apakah ini suatu kebetulan?
Pada contoh di atas, sampel mahasiswa dari universitas Anda berbeda dengan mahasiswa pada umumnya.
Namun, yang ingin Anda ketahui adalah apakah rekan-rekan mahasiswa Anda berasal dari populasi yang
berbeda dari mahasiswa lainnya. Dengan kata lain, apakah Anda memilih sekelompok siswa yang termotivasi
secara kebetulan? Atau apakah ada perbedaan yang "nyata" antara mahasiswa dari universitas Anda dan
mahasiswa pada umumnya?
Dalam contoh ini, hipotesis nolnya adalah:
H0 : Jumlah jam belajar mahasiswa dari universitas kami sama dengan jumlah jam belajar mahasiswa pada
umumnya.
Teknik univariat:
Menguji hipotesis dengan rata-rata tunggal:
Data metrik: Uji-t satu sampel
Data nonmetrik: Chi-kuadrat
Menguji hipotesis tentang dua cara yang berhubungan
Sampel independen
Data metrik: Uji-t sampel independen
Data nonmetrik: Chi-square Mann-
Whitney U -test
Sampel terkait
Data metrik Uji-t sampel berpasangan
Data nonmetrik: Chi-square
Wilcoxon
McNemar
Menguji hipotesis tentang beberapa cara
Data metrik: Analisis varians satu arah
Data nonmetrik: Chi-square
Teknik multivariat:
Satu variabel dependen metrik
Analisis varians dan kovarians
Analisis regresi berganda Analisis
gabungan
Satu variabel dependen nonmetrik
Analisis diskriminan
Regresi logistik
Lebih dari satu variabel dependen metrik
Analisis varians multivariat Korelasi
kanonik
GAMBAR
15.1
Gambaran umum teknik statistik univariat dan multivariat
Hipotesis alternatifnya adalah:
H1 : Jumlah jam belajar mahasiswa dari universitas kami berbeda dengan jumlah jam belajar mahasiswa 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 dari rata-rata sampel).
Sejalan dengan hal ini, rumus berikut digunakan untuk menghitung nilai-t:
X
t
s/ n
n1
Asumsikan bahwa standar deviasi yang diamati adalah 8. Oleh karena itu, t-statistiknya menjadi:
36.2 32
t 2.438
8 / 20
KOTAK 15.2
BAGAIMANA CARA KERJANYA DI SPSS?

Di bawah menu Analyze, pilih Compare Means, lalu One-Sample T Test. Pindahkan variabel dependen ke
dalam kotak "Test Variable(s)". Ketik nilai yang ingin Anda bandingkan dengan sampel Anda dalam kotak
yang disebut "Test Value."
Setelah menghitung t-statistik, kita sekarang dapat membandingkan nilai t dengan tabel standar nilai t
dengan n 1 derajat kebebasan untuk menentukan apakah t-statistik mencapai ambang batas signifikansi
statistik. Jika t-statistik lebih besar dari nilai tabel yang sesuai, maka hipotesis nol (tidak ada perbedaan yang
signifikan) ditolak.
Nilai t-statistik kami (2,438) lebih besar daripada nilai tabel yang sesuai (1,729). Ini berarti bahwa
perbedaan antara 36,2 dan 32 adalah signifikan secara statistik. Dengan demikian, hipotesis nol harus ditolak:
ada perbedaan yang signifikan dalam waktu belajar antara mahasiswa dari universitas kami dan mahasiswa
pada umumnya.
Menguji hipotesis tentang dua cara yang berhubungan

Kita juga dapat melakukan uji-t (sampel berpasangan) untuk menguji perbedaan dalam kelompok yang sama
sebelum dan sesudah perlakuan. Misalnya, apakah sekelompok karyawan akan berkinerja lebih baik setelah
menjalani pelatihan daripada sebelumnya?
KOTAK 15.3

Di bawah menu Analyze, pilih Compare Means, lalu Paired-Samples T Test. Pindahkan masing-masing
dari dua variabel yang ingin Anda bandingkan rata-ratanya ke daftar "Variabel Berpasangan".
Dalam hal ini, akan ada dua pengamatan untuk setiap karyawan, satu sebelum pelatihan dan satu setelah
pelatihan. Kita akan menggunakan uji-t sampel berpasangan untuk menguji hipotesis nol bahwa rata-rata
perbedaan antara sebelum dan sesudah pengukuran adalah nol.
CONTOH
Seorang profesor di sebuah universitas tertarik Dalam contoh ini kita mendapatkan:
dengan pengaruh program pengajarannya terhadap 22.5/13.79412/√10. Setelah menghitung t-statistik,
kinerja mahasiswanya. Untuk itu, sepuluh mahasiswa kita sekarang dapat menghitung
diberikan tes matematika pada minggu pertama Bandingkan nilai t dengan tabel standar nilai t
semester dan nilai mereka dicatat. Selanjutnya, para dengan derajat kebebasan n-1 untuk menentukan
siswa diberikan tes yang setara pada minggu terakhir apakah statistik t mencapai ambang batas signifikansi
semester. Profesor tersebut sekarang ingin statistik. Sekali lagi, ketika t-statistik lebih besar dari
mengetahui apakah nilai matematika siswa telah nilai tabel yang sesuai, hipotesis nol (tidak ada
meningkat. perbedaan yang signifikan) ditolak.
Tabel 15.1 menggambarkan nilai siswa pada tes Nilai t-statistik kami lebih besar dari nilai tabel
matematika di minggu pertama dan minggu terakhir yang sesuai (1,83). Ini berarti bahwa perbedaan
semester. Untuk mengetahui apakah ada perbedaan antara 70 dan 57,5 adalah signifikan secara statistik.
yang signifikan dalam nilai matematika, kita Dengan demikian, hipotesis nol harus ditolak: ada
memerlukan statistik uji. Statistik uji tersebut adalah peningkatan yang signifikan dalam nilai matematika.
perbedaan rata-rata/selisih/√n.
TA B L E 1 5 . 1
Nilai matematika dari sepuluh siswa pada minggu pertama dan terakhir semester
Nilai matematika
Mahasiswa Skor minggu pertamaSkor minggu terakhir Perbedaan

1 55 75 +20
2 65 80 +15
3 70 75 +5
4 55 60 +5
5 40 45 +5
6 60 55 -5
7 80 75 -5
8 35 70 +35
9 55 75 +20
10 60 90 +30
Skor rata-rata 57.5 70 22.5
KOTAK 15.4

Di bawah menu Analisis, pilih Tes Nonparametrik, lalu Sampel Terkait. Pilih 'Secara otomatis
membandingkan data yang diamati dengan yang dihipotesiskan' sebagai tujuan analisis Anda,
'Wilcoxon matched-pair signed- rank (2 sampel)', di bawah 'Pengaturan' dan pindahkan variabel yang
ingin Anda bandingkan ke dalam kotak 'Bidang Uji'.
Uji peringkat bertanda Wilcoxon adalah uji nonparametrik untuk menguji perbedaan signifikan antara
dua sampel terkait atau pengukuran berulang pada satu sampel. Uji ini digunakan sebagai alternatif dari uji-t
sampel berpasangan ketika populasi tidak dapat diasumsikan terdistribusi secara normal.
Uji McNemar adalah metode nonparametrik yang digunakan pada data nominal. Uji ini menilai
signifikansi perbedaan antara dua sampel dependen ketika variabel yang diminati bersifat dikotomis. Metode
ini digunakan terutama pada penelitian sebelum dan sesudah untuk menguji efek eksperimental.
Dalam contoh berikut, seorang peneliti ingin menentukan apakah penggunaan metode latihan baru (yang
disebut CARE) berpengaruh pada performa atlet. Hitungan dari masing-masing atlet diberikan pada Tabel
15.2. Performa (rata-rata/baik) sebelum perlakuan (metode latihan baru) diberikan pada kolom-kolom yang
tersedia (244 atlet menunjukkan performa rata-rata sebelum mereka berlatih dengan metode CARE,
sedangkan 134 atlet menunjukkan performa yang baik sebelum mereka menggunakan metode ini). Anda
dapat menemukan performa setelah perlakuan (rata-rata/baik) pada baris (190 atlet memberikan performa
rata-rata setelah menggunakan metode latihan yang baru, sedangkan jumlah atlet yang memberikan performa
baik meningkat menjadi 188).
TA B L E 15.2
Performa atlet sebelum dan sesudah metode pelatihan baru
Sebelum
rata-rata baik total

rata-rata 112 78 190
Setelah baik 132 56 188
total 244 134 378
TA B L E 1 5 . 3
Representasi yang lebih abstrak dari Tabel 15.2
Sebelum
rata-rata baik total

rata-rata b +b
Setelah total d +d
yang + b+d
bagu
s
Sel-sel pada Tabel 15.2 bisa diwakili oleh huruf-huruf , b, , dan d. Total keseluruhan baris dan kolom
adalah total marginal (+ b, + d, + , dan b + d). Total keseluruhan diwakili oleh , seperti yang ditunjukkan pada
Tabel 15.3.
Uji McNemar adalah teknik yang cukup mudah untuk menguji homogenitas marjinal. Homogenitas
marjinal mengacu pada kesetaraan (atau tidak adanya perbedaan yang signifikan) antara satu atau lebih total
baris marjinal dan total kolom marjinal yang sesuai. Dalam contoh ini, homogenitas marjinal menyiratkan
bahwa total baris sama dengan total kolom yang sesuai, atau
a b a c
c d b d
Homogenitas marjinal berarti tidak ada efek dari perlakuan. Dalam hal ini berarti metode latihan yang baru
tidak akan mempengaruhi performa atlet.
Uji McNemar menggunakan distribusi χ2 , berdasarkan rumus: (| b c | 1)2 /(b c). χ2 adalah statistik dengan 1
derajat kebebasan [(# baris - 1) × (# kolom -1)]. Frekuensi marjinal tidak homogen jika χ2
signifikan pada p 0,05.
Nilai χ2 dalam contoh ini adalah:
(| 78 132 |) 1)2 )/(78 132) 53 /2102 13.376
Tabel distribusi chi-square, dengan derajat kebebasan 1, menunjukkan bahwa perbedaan antara sampel
signifikan pada tingkat 0,05: nilai kritis chi-square adalah 3,841. Karena 13,376 yang dihitung untuk contoh di
atas melebihi nilai ini, maka perbedaan antar sampel adalah signifikan. Oleh karena itu, kita dapat
menyimpulkan bahwa metode latihan yang baru memiliki efek positif terhadap performa para atlet.
KOTAK 15.5

Di bawah menu Analisis, pilih Tes Nonparametrik, lalu Sampel Terkait. Pilih 'Secara otomatis
membandingkan data yang diamati dengan yang dihipotesiskan' sebagai tujuan analisis Anda, 'Uji
McNedmar (2 sampel)', di bawah 'Pengaturan' dan pindahkan variabel yang ingin Anda bandingkan ke
dalam kotak 'Bidang Uji'.
Perhatikan bahwa jika b dan/atau kecil (b + 20) maka χ2 tidak dapat didekati dengan distribusi chi-kuadrat.
Sebagai gantinya, tes tanda harus digunakan.
Menguji hipotesis tentang dua cara yang tidak berhubungan

Ada banyak contoh ketika kita tertarik untuk mengetahui apakah dua kelompok berbeda satu sama lain pada
variabel berskala interval atau rasio tertentu yang diminati. Misalnya, apakah pria dan wanita akan menekan
kasus mereka untuk memperkenalkan waktu fleksibel di tempat kerja pada tingkat yang sama, atau apakah
kebutuhan mereka berbeda? Apakah para MBA berkinerja lebih baik dalam lingkungan organisasi
dibandingkan dengan mahasiswa bisnis yang hanya memiliki gelar sarjana? Apakah individu di daerah
perkotaan memiliki pola investasi yang berbeda untuk tabungan mereka dibandingkan dengan mereka yang
berada di daerah semi-perkotaan? Apakah CPA berkinerja lebih baik daripada non-CPA dalam tugas-tugas
akuntansi? Untuk menemukan jawaban atas pertanyaan-pertanyaan tersebut, sebuah
independent samples t-test dilakukan untuk melihat apakah ada perbedaan signifikan dalam rata-rata untuk
dua kelompok dalam variabel yang diminati. Artinya, variabel nominal yang dibagi menjadi dua subkelompok
(misalnya, perokok dan bukan perokok; karyawan di departemen pemasaran dan mereka yang berada di
departemen akuntansi; karyawan yang lebih muda dan yang lebih tua) diuji untuk melihat apakah ada
perbedaan rata-rata yang signifikan antara dua kelompok yang terbagi pada variabel dependen, yang diukur
pada skala interval atau rasio (misalnya, tingkat kesejahteraan; gaji; atau tingkat pemahaman).
KOTAK 15.6

Di bawah menu Analyze, pilih Compare Means, lalu Independent Samples T Test. Pindahkan variabel
dependen ke dalam kotak "Variabel Uji". Pindahkan variabel independen (yaitu variabel yang nilainya
menentukan dua kelompok) ke dalam kotak "Variabel Pengelompokan". Klik "Define Groups" dan
tentukan bagaimana kelompok-kelompok tersebut didefinisikan (misalnya 0 dan 1 atau 1 dan 2).
Menguji hipotesis tentang beberapa cara

Sementara uji-t (sampel independen) menunjukkan ada atau tidaknya perbedaan rata-rata yang signifikan
dalam variabel dependen antara dua kelompok, analisis varians (ANOVA) membantu untuk memeriksa
perbedaan rata-rata yang signifikan di antara lebih dari dua kelompok pada variabel dependen berskala
interval atau rasio. Misalnya, apakah ada perbedaan yang signifikan dalam jumlah penjualan oleh empat
kelompok tenaga penjualan berikut ini: 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 mendapatkan salah satu dari yang disebutkan di atas? Atau apakah tingkat promosi
secara signifikan berbeda bagi mereka yang memiliki mentor yang ditunjuk, memilih mentor mereka sendiri,
dan tidak memiliki mentor dalam sistem organisasi?
KOTAK 15.7

Di bawah menu Analyze, pilih Compare Means, lalu One-Way ANOVA. Pindahkan variabel dependen
ke dalam "Daftar Dependen". Pindahkan variabel Independen (yaitu variabel yang nilainya menentukan
kelompok) ke dalam kotak "Faktor". Klik OK.
Hasil ANOVA menunjukkan apakah rata-rata dari berbagai kelompok berbeda secara signifikan satu sama
lain, seperti yang ditunjukkan oleh statistik. Statistik menunjukkan apakah dua varians sampel berbeda satu
sama lain atau berasal dari populasi yang sama. Distribusi ini merupakan distribusi probabilitas dari varians
sampel dan keluarga distribusi berubah seiring dengan perubahan ukuran sampel. Rincian statistik dapat
dilihat pada Tabel IV dalam tabel statistik di bagian akhir buku ini.
Ketika perbedaan rata-rata yang signifikan di antara kelompok-kelompok ditunjukkan oleh statistik, tidak
ada cara untuk mengetahui dari hasil ANOVA saja di mana letaknya; yaitu, apakah perbedaan yang signifikan
adalah antara Grup A dan B, atau antara B dan C, atau A dan C, dan seterusnya. Oleh karena itu, tidak
bijaksana untuk menggunakan beberapa uji-t, dengan mengambil dua kelompok sekaligus, karena semakin
banyak jumlah uji-t yang dilakukan, semakin rendah tingkat kepercayaan yang dapat kita berikan pada
hasilnya. Sebagai contoh, tiga uji-t yang dilakukan secara bersamaan akan menurunkan tingkat kepercayaan
dari 95% menjadi 86% (0,95)3. Namun demikian, tujuh uji yang tersedia, seperti uji Scheffe, uji Rentang
Berganda Duncan, uji Tukey, dan uji Student-Newman-Keul, dapat digunakan, jika diperlukan, untuk
mendeteksi di mana letak perbedaan rata-rata yang sebenarnya.
Analisis regresi
Analisis regresi sederhana digunakan dalam situasi di mana satu variabel independen dihipotesiskan
mempengaruhi satu variabel dependen. Sebagai contoh, asumsikan bahwa kita mengusulkan bahwa
kecenderungan untuk membeli suatu produk hanya bergantung pada kualitas yang dirasakan dari produk
tersebut.1 Dalam hal ini kita harus mengumpulkan informasi mengenai kualitas yang dirasakan dan
kecenderungan untuk membeli suatu produk. Kita kemudian dapat memplot data tersebut untuk
mendapatkan beberapa gagasan awal tentang hubungan antara variabel-variabel ini.
Dari Gambar 15.2 kita dapat melihat bahwa ada hubungan linier antara persepsi kualitas dan
kecenderungan untuk membeli produk. Kita dapat memodelkan hubungan linier ini dengan fungsi kuadrat
terkecil.
5,00
4,00
Kecenderungan
untuk Membeli
3,00
2,00
1,00
1,00 2,00 3,00 4,00 5,00

Kualitas yang
Dipersepsikan
G A M B A R 1 5 .2
Plot sebaran kualitas yang dirasakan versus kecenderungan untuk membeli

kenyataannya, setiap upaya untuk memodelkan pengaruh kualitas yang dirasakan terhadap kecenderungan untuk membeli produk
1Pada
tanpa memperhatikan faktor-faktor lain yang mempengaruhi kecenderungan untuk membeli akan menyebabkan masalah statistik yang
serius ("bias variabel yang dihilangkan").
5,00
4,00
Kecenderungan
untuk Membeli
3,00
2,00
R Sq Liner = 0,519
1,00
1,00 2,00 3,00 4,00 5,00

Kualitas yang
Dipersepsikan
G A M B A R 1 5.3
Regresi kecenderungan untuk membeli berdasarkan persepsi kualitas
Persamaan regresi linier sederhana menggambarkan sebuah garis lurus. Memang, untuk meringkas hubungan antara
persepsi kualitas dan kecenderungan untuk membeli, kita dapat menarik garis lurus melalui titik-titik data, seperti pada
Gambar 15.3.
Kita juga dapat mengekspresikan hubungan ini dalam sebuah persamaan:
Yi 0 1 X1i i
Parameter 0 dan 1 disebut koefisien regresi. Mereka adalah intersep ( 0 ) dan kemiringan ( 1 ) dari garis
lurus yang menghubungkan kecenderungan untuk membeli (Y) dengan kualitas yang dirasakan (X1 ).
Kemiringan dapat diartikan sebagai jumlah unit dimana kecenderungan untuk membeli akan meningkat jika
kualitas yang dirasakan meningkat satu unit. Error term menunjukkan kesalahan dalam prediksi atau
perbedaan antara estimasi kecenderungan untuk membeli dan kecenderungan untuk membeli yang sebenarnya.
Dalam contoh ini, intersep ( 0 ) tidak signifikan sedangkan kemiringan ( 1 ) signifikan. Koefisien regresi
tidak terstandarisasi 1 adalah 0,832. Ingatlah bahwa koefisien regresi tidak terstandarisasi mewakili jumlah
perubahan dalam variabel dependen (kecenderungan untuk membeli dalam kasus ini) untuk perubahan satu
unit dalam variabel independen (kualitas yang dirasakan). Oleh karena itu, koefisien regresi 1 menunjukkan
bahwa kecenderungan untuk membeli meningkat sebesar 0,832 (pada skala lima poin) untuk setiap perubahan
satu unit dalam kualitas yang dirasakan. Dengan kata lain, kecenderungan untuk membeli untuk konsumen A,
yang menilai kualitas yang dirasakan dengan nilai 4 (pada skala lima poin) diperkirakan lebih tinggi 0,832 unit
(pada skala lima poin) daripada kecenderungan untuk membeli untuk konsumen B, yang menilai kualitas yang
dirasakan dengan nilai 3 (pada skala lima poin).
Koefisien determinasi, R2 , memberikan informasi mengenai kecocokan model regresi: ini adalah ukuran
statistik mengenai seberapa baik garis regresi mendekati titik-titik data yang sebenarnya. R2 adalah persentase
varians dalam variabel dependen yang dijelaskan oleh variasi dalam variabel independen. Jika R2 adalah 1,
model regresi yang menggunakan persepsi kualitas secara sempurna memprediksi kecenderungan untuk
membeli. Dengan kata lain, model regresi cocok dengan data secara sempurna. Di sisi lain, jika R2 adalah 0,
tidak ada variasi dalam kecenderungan untuk membeli yang dapat diatribusikan pada variabel independen,
kualitas yang dirasakan. Dalam hal ini, R2 untuk model tersebut adalah 0,519. Hal ini berarti bahwa hampir
52% variasi dalam kecenderungan untuk membeli dijelaskan oleh variasi dalam kualitas yang dirasakan.
Ide dasar analisis regresi berganda mirip dengan analisis regresi sederhana. Hanya saja, dalam hal ini,
kita menggunakan lebih dari satu variabel independen untuk menjelaskan varians dalam variabel dependen.
Analisis regresi berganda adalah teknik multivariat yang sangat sering digunakan dalam penelitian bisnis. Titik
awal analisis regresi berganda tentu saja adalah model konseptual (dan hipotesis yang diturunkan dari model
tersebut) yang telah dikembangkan oleh peneliti pada tahap awal proses penelitian.
Analisis regresi berganda menyediakan sarana untuk menilai secara objektif derajat dan karakter
hubungan antara variabel independen dan variabel dependen: koefisien regresi mengindikasikan kepentingan
relatif dari masing-masing variabel independen dalam prediksi variabel dependen. Sebagai contoh, anggaplah
seorang peneliti percaya bahwa varians dalam kinerja dapat dijelaskan oleh empat variabel independen, A, B,
C, dan D (misalnya, gaji, kesulitan tugas, dukungan supervisi, dan budaya organisasi). Ketika variabel-variabel
ini secara bersama-sama diregresikan terhadap variabel dependen dalam upaya untuk menjelaskan varians di
dalamnya, ukuran koefisien regresi individu menunjukkan seberapa besar peningkatan satu unit dalam
variabel independen akan mempengaruhi variabel dependen, dengan asumsi bahwa semua variabel
independen lainnya tidak berubah. Terlebih lagi, korelasi individu antara variabel independen dan variabel
dependen runtuh
KOTAK 15.8

Di bawah menu Analyze, pilih Regression, lalu Linear. Pindahkan variabel dependen ke d a l a m kotak
"Dependent". Pindahkan variabel independen ke dalam daftar "Independent(s)" dan klik OK.
menjadi apa yang disebut koefisien korelasi berganda atau berganda. Kuadrat dari multiple, R-square, atau R2
seperti yang biasa dikenal, adalah jumlah varians yang dijelaskan dalam variabel dependen oleh prediktor.
Koefisien regresi terstandarisasi

Koefisien regresi terstandarisasi (atau koefisien beta) adalah estimasi yang dihasilkan dari analisis regresi
berganda yang dilakukan terhadap variabel-variabel yang telah distandarisasi (suatu proses di mana variabel-
variabel tersebut diubah menjadi variabel-variabel dengan nilai rata-rata 0 dan deviasi standar 1). Hal ini
biasanya dilakukan untuk memungkinkan peneliti membandingkan pengaruh relatif variabel independen
terhadap variabel dependen, ketika variabel independen diukur dalam unit pengukuran yang berbeda
(misalnya, pendapatan yang diukur dalam dolar dan ukuran rumah tangga yang diukur dalam jumlah
individu).
Regresi dengan variabel dummy

Variabel dummy adalah variabel yang memiliki dua atau lebih tingkat yang berbeda, yang diberi kode 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 bentuk dua
variabel boneka, karena salah satu dari tiga kategori tersebut harus menjadi kategori referensi. Hal ini dapat
dilakukan seperti yang ditunjukkan pada Tabel 15.4. Perhatikan bahwa shift ketiga berfungsi sebagai kategori
referensi.
Selanjutnya, variabel dummy D1 dan D2 harus dimasukkan ke dalam model regresi. Ini akan terlihat seperti ini:
Yi 0 1D1i 2i D2i i
Dalam contoh ini, pekerja dari shift ketiga telah dipilih sebagai kategori referensi. Karena alasan ini,
kategori ini tidak dimasukkan ke dalam persamaan regresi. Untuk pekerja pada shift ketiga, D1 dan D2
diasumsikan bernilai 0, dan persamaan regresinya menjadi:
Yi 0 i
Untuk pekerja di shift pertama, persamaannya menjadi:
Yi 0 1D1i i
TA B L E 1 5 . 4
Pengkodean ulang shift kerja menjadi kode dummy
Shift kerja Kode asli Dummy D1 Dummy D2

Shift pertama 1 1 0
Shift kedua 2 0 1
Shift ketiga 3 0 0
Koefisien 1 adalah perbedaan dalam prediksi kepuasan kerja untuk pekerja pada shift pertama,
dibandingkan dengan pekerja pada shift ketiga. Koefisien 2 memiliki interpretasi yang sama. Perhatikan
bahwa salah satu dari ketiga shift tersebut dapat digunakan sebagai kategori referensi.
Sekarang lakukan Latihan 15.1 dan 15.2.
LATIHAN 15.1
Berikan persamaan untuk pekerja di shift kedua.
LATIHAN 15.2
Gunakan data dari kasus Excelsior Enterprises untuk memperkirakan pengaruh shift kerja terhadap
kepuasan kerja.
Multikolinearitas
Multikolinearitas adalah fenomena statistik yang sering dijumpai di mana dua atau lebih variabel independen
dalam model regresi berganda berkorelasi tinggi. 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 kasus lainnya, hal ini membuat estimasi koefisien regresi menjadi tidak dapat
diandalkan.
Cara paling sederhana dan paling jelas untuk mendeteksi multikolinearitas adalah dengan memeriksa
matriks korelasi untuk variabel-variabel indenpenden. Adanya korelasi yang tinggi (kebanyakan orang
menganggap korelasi 0,70 ke atas sebagai korelasi yang tinggi) adalah tanda pertama dari multikolinearitas yang
cukup besar. Namun, ketika multikolinearitas adalah hasil dari hubungan yang kompleks di antara beberapa
variabel independen, hal itu mungkin tidak dapat diidentifikasi dengan pendekatan ini. Oleh karena itu, ukuran
yang lebih umum untuk mengidentifikasi multikolinearitas adalah nilai toleransi dan variance inflation factor
(VIF - kebalikan dari nilai toleransi). Kotak 15.9 menjelaskan bagaimana Anda dapat menghasilkan nilai
toleransi dan VIF dengan menggunakan SPSS. Ukuran-ukuran ini menunjukkan sejauh mana satu variabel
independen dijelaskan oleh variabel independen lainnya. Nilai batas yang umum digunakan adalah nilai
toleransi 0,10, yang sesuai dengan VIF 10.
Perlu dicatat bahwa multikolinearitas bukanlah masalah serius jika tujuan penelitian adalah untuk
memprediksi atau meramalkan nilai masa depan dari variabel dependen, karena meskipun estimasi koefisien
regresi mungkin tidak stabil, multikolinearitas tidak memengaruhi keandalan ramalan. Namun, jika tujuan
dari penelitian ini adalah untuk mengestimasi koefisien regresi individu secara andal, multikolinearitas
menjadi masalah. Dalam hal ini, kita dapat menggunakan satu atau lebih metode berikut untuk
menguranginya:
● Kurangi set variabel independen menjadi set yang tidak kolinier (namun perlu diperhatikan bahwa hal ini
dapat menyebabkan bias variabel yang dihilangkan, yang juga merupakan masalah serius).
● Gunakan cara yang lebih canggih untuk menganalisis data, seperti regresi ridge.
● Buat variabel baru yang merupakan gabungan dari variabel-variabel yang berkorelasi tinggi.
Menguji moderasi menggunakan analisis regresi: efek interaksi

Sebelumnya dalam buku ini, kami menggambarkan variabel moderasi sebagai variabel yang memodifikasi
hubungan asli antara variabel independen dan variabel dependen. Ini berarti bahwa efek dari satu variabel (X1
) terhadap
KOTAK 15.9

Di bawah menu Analyze, pilih Regression, lalu Linear. Pindahkan variabel dependen ke dalam kotak
"Dependent". Pindahkan variabel independen ke dalam daftar "Independent(s)". Pilih "Statistics" dengan
mengklik tombol di sebelah kanan. Pilih "Collinearity diagnostics" dan klik lanjutkan. Kemudian klik
OK.
Y bergantung pada nilai variabel lain, yaitu variabel moderasi (X2 ). Interaksi semacam itu dimasukkan sebagai
hasil kali dua variabel dalam model regresi.
Misalkan kita telah mengembangkan hipotesis berikut ini:
H1 : Penilaian mahasiswa terhadap perpustakaan universitas dipengaruhi oleh penilaian mahasiswa

terhadap komputer di perpustakaan.
Sekarang anggaplah kita juga percaya bahwa, meskipun hubungan ini akan berlaku untuk semua siswa,
hubungan ini tetap bergantung pada kepemilikan laptop. Artinya, kami percaya bahwa hubungan antara
penilaian terhadap komputer di perpustakaan dan penilaian terhadap perpustakaan dipengaruhi oleh
kepemilikan laptop (memang kepemilikan laptop adalah variabel dummy). Oleh karena itu, kami membuat
hipotesis:
H2 : Hubungan antara penilaian terhadap perpustakaan dan penilaian terhadap komputer di perpustakaan
dimoderasi oleh kepemilikan laptop.
Hubungan antara penilaian terhadap perpustakaan dan penilaian terhadap komputer di perpustakaan
dapat dimodelkan sebagai berikut:
Yi 0 1 X1i i
(1)
Kami juga berhipotesis bahwa pengaruh X1 terhadap Y bergantung pada X2 . Hal ini dapat dimodelkan sebagai berikut:
10 1 X2i (2)
Menambahkan persamaan kedua ke dalam persamaan pertama akan menghasilkan model berikut:
Yi 0 0 X1i
1 X1i X2i i (3)
Model terakhir ini menyatakan bahwa kemiringan hubungan antara variabel independen (penilaian
pemustaka terhadap perpustakaan: X1 ) dan variabel dependen (penilaian pemustaka terhadap perpustakaan:
Y) bervariasi sesuai dengan tingkat variabel moderasi (kepemilikan laptop: X2 ). Dengan kata lain, hubungan
antara variabel independen dan dependen merupakan fungsi dari variabel X2 .
Meskipun model ini memungkinkan kita untuk menguji moderasi, model berikut ini lebih baik (karena
model ini juga membantu kita untuk memperhitungkan perbedaan tingkat awal antara pemilik laptop dan
siswa yang tidak memiliki laptop):
X2i
Yi 0 0 X1i
1 X1i 2 X2i i (4)
Karena model (4) mencakup efek langsung dari X2 pada Y, model ini memungkinkan kita untuk membedakan antara
moderasi murni
dan moderasi semu (bandingkan Sharma, Durand & Gur-Arie, 1981), seperti yang dijelaskan selanjutnya.
Jika 1 0 dan 2 0, X2 bukan merupakan moderator tetapi hanya variabel prediktor independen. Jika 1
0, X2 adalah moderator. Model (4) memungkinkan kita untuk membedakan antara moderator murni dan
moderator semu sebagai berikut: jika
1 0 dan 2 0, X2 adalah moderator murni. Artinya, X2 memoderasi hubungan antara X1 dan Y, tetapi tidak
berpengaruh langsung terhadap Y. Dengan kata lain, dalam hal ini pengaruh penilaian terhadap komputer di
perpustakaan terhadap penilaian terhadap perpustakaan berbeda untuk kedua kelompok (garis yang mewakili
hubungan ini memiliki kemiringan yang berbeda); tingkat awal sama (tidak ada perbedaan dalam intersep).
Jika 1 0 dan 2 0, X2 adalah sebuah quasi moderator. Artinya, X2 memoderasi hubungan antara X1 dan Y,
tetapi juga memiliki pengaruh langsung terhadap Y (kemiringan yang berbeda dan intersep yang berbeda).
Misalkan analisis data mengarah pada model berikut:
Yi 4.3 0.4X1i 0.01X2i 0.2(X1i X2i ) (5)
di mana 0 0, 0 0, 1 0, dan 2 0.
Berdasarkan hasil penelitian, kami dapat menyimpulkan bahwa: (1) penilaian terhadap komputer di
perpustakaan berpengaruh positif terhadap penilaian terhadap perpustakaan dan (2) pengaruh ini dimoderasi
oleh kepemilikan laptop: jika siswa tidak memiliki laptop
X2i 0 X2i 0 efek marginalnya adalah 0,4; jika siswa memiliki laptop 1 X2i 1 efek marjinalnya adalah 0,2.
X i2
Dengan demikian, kepemilikan laptop memiliki efek moderasi negatif.
Sekarang lakukan Latihan 15.3, 15.4, dan 15.5.

LATIHAN 15.3
Mengapa penting untuk membedakan antara moderator kuasi dan moderator murni?
LATIHAN 15.4
Apakah kepemilikan laptop merupakan moderator murni atau moderator semu? Jelaskan.
LATIHAN 15.5
Berikan penjelasan yang logis untuk efek moderasi negatif dari kepemilikan laptop.
Contoh sebelumnya menunjukkan bahwa variabel dummy dapat digunakan untuk memungkinkan efek
dari satu variabel independen terhadap variabel dependen berubah tergantung pada nilai variabel dummy.
Tentu saja, juga memungkinkan untuk memasukkan variabel metrik sebagai moderator dalam sebuah model.
Dalam kasus seperti itu, prosedur untuk menguji moderasi sama persis dengan contoh sebelumnya.
Pada bagian ini, kami telah menjelaskan bagaimana moderasi dapat diuji dengan analisis regresi. Perlu
dicatat bahwa mediasi juga dapat diuji dengan analisis regresi. Kami akan menjelaskan hal ini nanti di bab ini
dengan menggunakan data Excelsior Enterprises.
Uji dan analisis multivariat lainnya

Sekarang kami akan menjelaskan secara singkat lima teknik multivariat lainnya: analisis diskriminan, regresi
logistik, analisis gabungan, analisis varians multivariat (MANOVA), dan korelasi kanonik.
Analisis diskriminan
Analisis diskriminan (Kotak 15.10) membantu mengidentifikasi variabel-variabel independen yang
membedakan variabel dependen berskala nominal yang diminati - katakanlah, mereka yang memiliki skor
tinggi pada suatu variabel dari mereka yang memiliki skor rendah. Kombinasi linear dari variabel independen
menunjukkan fungsi diskriminasi yang menunjukkan perbedaan besar yang ada pada dua rata-rata kelompok.
Dengan kata lain, variabel independen yang diukur pada skala interval atau rasio mendiskriminasikan
kelompok-kelompok yang diminati dalam penelitian.
Regresi logistik
Regresi logistik (Kotak 15.11) juga digunakan ketika variabel dependennya nonmetrik. Namun, ketika
variabel dependen hanya memiliki dua kelompok, regresi logistik sering kali lebih disukai karena tidak
menghadapi asumsi-asumsi yang ketat seperti yang dihadapi oleh analisis diskriminan dan karena sangat
mirip dengan analisis regresi. Meskipun
KOTAK 15.10

Di bawah menu Analyze, pilih Classify, lalu Discriminant. Pindahkan variabel dependen ke d a l a m kotak
"Pengelompokan". Pindahkan variabel independen ke dalam daftar "Independent(s)" dan klik OK.
Analisis regresi dan analisis regresi logistik sangat berbeda dari sudut pandang statistik, keduanya sangat mirip
dari sudut pandang praktis. Kedua metode ini menghasilkan persamaan prediksi dan dalam kedua kasus,
koefisien regresi mengukur kemampuan prediksi dari variabel independen. Dengan demikian, regresi logistik
memungkinkan peneliti untuk memprediksi hasil diskrit, seperti "akan membeli produk/tidak akan membeli
produk," dari serangkaian variabel yang mungkin kontinu, diskrit, atau dikotomis.
Analisis gabungan
Analisis konjoin adalah teknik statistik yang digunakan di berbagai bidang termasuk pemasaran, manajemen
produk, dan riset operasi. Analisis konjoin mengharuskan partisipan untuk membuat serangkaian pertukaran.
Dalam bidang pemasaran, analisis konjoin digunakan untuk memahami bagaimana konsumen mengembangkan
preferensi terhadap produk atau layanan. Analisis konjoin dibangun di atas ide bahwa konsumen mengevaluasi
nilai produk atau jasa dengan menggabungkan nilai yang diberikan oleh setiap atribut. Atribut adalah fitur
umum dari suatu produk atau layanan, seperti harga, kualitas produk, atau kecepatan pengiriman. Setiap atribut
memiliki tingkatan tertentu. Misalnya, untuk atribut "harga," levelnya mungkin €249,
KOTAK 15.11

Di bawah menu Analyze, pilih Regression, lalu Binary Logistic. Pindahkan variabel dependen ke dalam
kotak "Dependent". Pindahkan variabel independen ke dalam daftar "Covariate(s)" dan klik OK.
€279, dan €319. Sejalan dengan hal ini, kita dapat mendeskripsikan sebuah ponsel menggunakan atribut
"memori", "daya tahan baterai", "kamera", dan "harga". Sebuah ponsel tertentu akan dideskripsikan sebagai
berikut: memori, 12 GB; daya tahan baterai, 24 jam; kamera 8 megapiksel; dan harga €249.
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. Sebagai contoh:
Apakah Anda akan memilih ponsel X atau ponsel Y?
Telepon X Telepon Y
Memori 12 GB 16 GB
Daya tahan 24 jam 12 jam
baterai
Kamera 8 megapiksel 16 megapiksel
Harga €249 €319
Dengan meminta cukup banyak pilihan, dimungkinkan untuk menentukan seberapa penting masing-
masing level relatif terhadap yang lain; hal ini dikenal sebagai utilitas level. Analisis konjoin secara tradisional
dilakukan dengan beberapa bentuk analisis regresi berganda. Baru-baru ini, penggunaan analisis Bayesian
hirarkis telah meluas untuk mengembangkan model perilaku pengambilan keputusan konsumen secara
individu.
ANOVA dua arah

ANOVA dua arah dapat digunakan untuk menguji pengaruh dua variabel independen nonmetrik terhadap
variabel dependen metrik tunggal. Perhatikan bahwa, dalam konteks ini, variabel independen sering disebut
sebagai faktor dan inilah sebabnya mengapa desain yang bertujuan untuk menguji efek dari dua variabel
independen nonmetrik pada variabel dependen metrik tunggal sering disebut desain faktorial. Desain faktorial
sangat populer dalam ilmu sosial. ANOVA dua arah memungkinkan kita untuk menguji efek utama (efek dari
variabel independen terhadap variabel dependen) dan juga efek interaksi yang ada di antara variabel
independen (atau faktor). Efek interaksi ada ketika efek dari satu variabel independen (atau satu faktor) pada
variabel dependen tergantung pada tingkat variabel independen (faktor) lainnya.
MANOVA
MANOVA mirip dengan ANOVA, dengan perbedaan bahwa ANOVA menguji perbedaan rata-rata lebih dari
dua kelompok pada satu variabel dependen, sedangkan MANOVA menguji perbedaan rata-rata di antara
kelompok-kelompok di beberapa variabel dependen secara bersamaan, dengan menggunakan jumlah kuadrat
dan matriks produk silang. Seperti halnya uji-t berganda akan membiaskan hasil (seperti yang dijelaskan
sebelumnya), uji ANOVA berganda, yang menggunakan satu variabel dependen dalam satu waktu, juga akan
membiaskan hasil, karena variabel-variabel dependen kemungkinan besar saling terkait. MANOVA
menghindari bias ini dengan menguji semua variabel dependen secara simultan, menghilangkan efek dari
interkorelasi di antara mereka.
Dalam uji MANOVA (Kotak 15.12), variabel independen diukur dengan skala nominal dan variabel
dependen dengan skala interval atau rasio.
Hipotesis nol yang diuji oleh MANOVA adalah:
H0
: 1 2 3 n
Hipotesis alternatifnya adalah:
HA: 1 2 3 n
Korelasi kanonik
Korelasi kanonik meneliti hubungan antara dua atau lebih variabel dependen dan beberapa variabel
independen; misalnya, korelasi antara seperangkat perilaku kerja (seperti keasyikan bekerja, penyelesaian
pekerjaan tepat waktu, dan jumlah ketidakhadiran) dan pengaruhnya terhadap seperangkat faktor kinerja
(seperti kualitas pekerjaan, hasil kerja, dan tingkat penolakan). Fokusnya di sini adalah untuk menggambarkan
profil perilaku kerja yang berhubungan dengan kinerja yang menghasilkan produksi berkualitas tinggi.
Singkatnya, beberapa teknik univariat, bivariat, dan multivariat tersedia untuk menganalisis data sampel.
Dengan menggunakan teknik-teknik ini, kita dapat menggeneralisasi hasil yang diperoleh dari sampel ke
populasi secara luas. Tentu saja, sangat penting untuk menggunakan teknik statistik yang tepat untuk menguji
hipotesis penelitian Anda. Kami telah menjelaskan sebelumnya dalam bab ini bahwa pilihan teknik statistik
yang tepat tergantung pada jumlah variabel yang Anda teliti, pada skala pengukuran variabel Anda, pada
apakah asumsi-asumsi uji parametrik terpenuhi, dan pada ukuran sampel Anda.
KOTAK 15.12

Di bawah menu Analyze, pilih General Linear Model, lalu Multivariate. Pindahkan variabel dependen ke
dalam kotak "Dependent". Pindahkan variabel independen ke dalam daftar "Fixed Factor(s)". Pilih salah
satu kotak dialog dengan mengklik tombol di sebelah kanan.
PERUSAHAAN YANG UNGGUL: PENGUJIAN HIPOTESIS

Hipotesis berikut dihasilkan untuk penelitian ini, seperti yang
dinyatakan sebelumnya: H1 : Job enrichment berpengaruh negatif
terhadap niat untuk keluar.

H2 : Perceived equity berpengaruh negatif terhadap intention to leave.
H3 : Burnout berpengaruh positif terhadap niat untuk keluar.
H4 : Kepuasan kerja memediasi hubungan antara pengayaan pekerjaan, persepsi ekuitas, dan kelelahan pada
intensi untuk keluar.
Hipotesis-hipotesis ini membutuhkan penggunaan analisis regresi yang dimediasi (semua variabel diukur
pada tingkat antar variabel). Hasil dari pengujian ini dan interpretasinya dibahas di bawah ini.
Untuk menguji hipotesis bahwa kepuasan kerja memediasi pengaruh keadilan yang dirasakan, burnout,
dan pengayaan pekerjaan terhadap niat karyawan untuk keluar, tiga model regresi diestimasi, mengikuti Baron
dan Kenny (1986): model 1, meregresikan kepuasan kerja terhadap keadilan yang dirasakan, burnout, dan
pengayaan pekerjaan; model 2, meregresikan niat keluar terhadap keadilan yang dirasakan, burnout, dan
pengayaan pekerjaan; dan model 3, meregresikan niat karyawan untuk keluar terhadap keadilan yang
dirasakan, burnout, pengayaan pekerjaan, dan kepuasan kerja. Koefisien terpisah untuk setiap persamaan
diestimasi dan diuji. Untuk menetapkan mediasi, kondisi berikut harus berlaku: keadilan yang dirasakan,
burnout, dan pengayaan pekerjaan harus mempengaruhi kepuasan kerja dalam model 1; keadilan yang
dirasakan, burnout, dan pengayaan pekerjaan harus terbukti berdampak pada niat karyawan untuk keluar
dalam model 2; dan kepuasan kerja harus mempengaruhi niat karyawan untuk keluar dalam model 3 (sambil
mengendalikan keadilan yang dirasakan, burnout, dan pengayaan pekerjaan). Jika kondisi ini semua bertahan
dalam arah yang diprediksi, maka efek dari keadilan yang dirasakan, kelelahan, dan pengayaan pekerjaan harus
lebih kecil dalam model 3 dibandingkan dengan model 2. Mediasi sempurna terjadi jika keadilan yang
dirasakan, burnout, dan job enrichment tidak berpengaruh pada niat untuk keluar (dengan kata lain, pengaruh
variabel-variabel ini terhadap n i a t u n t u k k e l u a r t i d a k lagi signifikan) ketika pengaruh
kepuasan kerja dikontrol (model 3); mediasi parsial terjadi jika keadilan yang dirasakan, burnout, dan job
enrichment masih berpengaruh pada niat untuk keluar dalam model 3.
R-square dari model regresi pertama (model 1) adalah 0,172 dan model ini signifikan secara statistik.
Dalam model ini, keadilan yang dirasakan, kelelahan dan pengayaan pekerjaan merupakan prediktor yang
signifikan terhadap kepuasan kerja. R-square dari model regresi kedua (model 2) adalah 0,264 dan model ini
juga signifikan secara statistik. Model 2, seperti yang digambarkan pada Tabel 15.5 menunjukkan bahwa
keadilan yang dirasakan dan pengayaan pekerjaan mempengaruhi niat karyawan untuk keluar, sedangkan
kelelahan tidak.
TA B L E 1 5 . 5
Analisis mediasi
Model langkah 1, dengan kepuasan kerja sebagai variabel dependen
Koefisien p-value
Konstan 2.329 0.000
Ekuitas yang dirasakan 0.343 0.001
Kelelahan -0.454 0.000
Pengayaan pekerjaan 0.269 0.005
Kecocokan model = 0,172
Model langkah 2, dengan niat untuk keluar (ITL) sebagai variabel
dependen Koefisien p-value
Konstan 4.094 0.000
Ekuitas yang dirasakan -0.270 0.000
Kelelahan 0.075 0.315
Pengayaan pekerjaan -0.299 0.000
Model langkah 3, memasukkan kepuasan kerja sebagai variabel d dengan ITL sebagai variabel ent
independen dependen
Koefisien p-value
Konstan 5.019 0.000
Ekuitas yang dirasakan -0.131 0.009
Kelelahan -0.103 0.089
Pengayaan pekerjaan -0.187 0.000

Kepuasan kerja -0.408 0.000
Catatan: Parameter adalah bobot regresi yang tidak terstandardisasi, dengan tingkat signifikansi nilai-t. Uji dua sisi. N = 174.
R-square dari model terakhir (model 3) adalah 0,577 dan sekali lagi model ini signifikan secara statistik.
Dalam model ini, kepuasan kerja merupakan prediktor yang signifikan terhadap niat untuk keluar. Ekuitas yang
dirasakan dan pengayaan pekerjaan merupakan prediktor yang signifikan terhadap niat untuk keluar ketika
kepuasan kerja dikontrol. Pengaruh keadilan yang dirasakan dan pengayaan pekerjaan terhadap niat untuk
keluar lebih kecil pada model ketiga dibandingkan dengan model kedua. Dengan demikian, semua kondisi
untuk mediasi parsial terpenuhi untuk keadilan yang dirasakan dan pengayaan pekerjaan.
Analisis lanjutan dilakukan untuk menguji pengaruh tidak langsung dari keadilan yang dirasakan dan
pengayaan pekerjaan terhadap niat untuk keluar melalui kepuasan kerja. Baron dan Kenny (1986)
memberikan perkiraan uji signifikansi untuk pengaruh tidak langsung dari keadilan yang dirasakan dan
kelelahan pada niat karyawan. Jalur dari, masing-masing, keadilan yang dirasakan dan pengayaan pekerjaan ke
kepuasan kerja dilambangkan dan kesalahan standarnya sa; jalur dari kepuasan kerja
terhadap niat untuk keluar dilambangkan dengan b dan standar error sb. Hasil kali ab adalah estimasi pengaruh tidak
langsung dari
persepsi keadilan dan pengayaan pekerjaan terhadap niat karyawan untuk keluar. Kesalahan standar dari ab adalah:
SEab b2 s2 a2 s2 s2 s 2
a b ab
Rasio ab/SEab dapat diinterpretasikan sebagai sebuah statistik. Efek tidak langsung dari ekuitas yang
dirasakan (-3,246, p 0,01) dan kelelahan (-2,743, p 0,01) keduanya signifikan.
KOTAK 15.13
REALITAS PENELITIAN
Metode untuk menguji mediasi dan moderasi yang menjadi semakin populer adalah bootstrapping
(Bullock, Green & Ha, 2010; Preacher, Rucker & Hayes, 2007; Shrout & Bolger, 2002). Bootstrapping
adalah metode statistik yang didasarkan pada pembuatan distribusi sampling untuk sebuah statistik
dengan mengambil sampel ulang dari data yang ada. Keuntungan besar dari bootstrapping adalah
bahwa tidak ada asumsi tentang bentuk distribusi sampling dari statistik yang diperlukan ketika
melakukan tes inferensial. Dua paket perangkat lunak yang sering digunakan untuk melakukan
bootstrap adalah Mplus dan AMOS.
Interpretasi keseluruhan dan rekomendasi kepada presiden

Dari hasil uji hipotesis, terlihat jelas bahwa keadilan yang dirasakan dan pengayaan pekerjaan mempengaruhi
niat karyawan untuk keluar melalui kepuasan kerja. Dari hasil deskriptif, kita telah melihat bahwa rata-rata
dari keadilan yang dirasakan cukup rendah (2,44 pada skala lima poin). Rata-rata pengayaan pekerjaan jelas
lebih tinggi (3,49 pada skala lima poin), tetapi masih di bawah standar perusahaan. Oleh karena itu, jika retensi
karyawan merupakan prioritas utama bagi presiden direktur, maka penting untuk merumuskan kebijakan dan
praktik yang membantu meningkatkan persepsi kesetaraan dan mendesain ulang pekerjaan sedemikian rupa
sehingga lebih menantang bagi karyawan. Apa pun yang dilakukan untuk meningkatkan persepsi karyawan
tentang keadilan dan memperkaya pekerjaan karyawan akan meningkatkan kepuasan kerja dan dengan
demikian membantu karyawan untuk tidak terlalu memikirkan untuk keluar dan mendorong mereka untuk
tetap tinggal.
Oleh karena itu, presiden akan sangat disarankan untuk memperbaiki ketidakadilan dalam sistem, jika
memang ada, atau meluruskan persepsi yang keliru tentang ketidakadilan jika memang benar demikian.
Untuk memperkaya pekerjaan karyawan, presiden mungkin ingin mengingat tujuan-tujuan berikut ini:
● Kurangi pekerjaan yang berulang-ulang.

● Meningkatkan perasaan pengakuan dan pencapaian karyawan.
● Memberikan kesempatan untuk kemajuan karyawan (promosi ke pekerjaan yang membutuhkan keterampilan lebih).
● Memberikan kesempatan untuk pertumbuhan karyawan (peningkatan keterampilan dan pengetahuan tanpa promosi
jabatan).
Fakta bahwa hanya 57,7% dari varians dalam "niat untuk keluar" yang dijelaskan oleh empat variabel
independen yang dipertimbangkan dalam penelitian ini masih menyisakan lebih dari 40% yang tidak
dijelaskan. Dengan kata lain, masih ada variabel-variabel tambahan lain yang penting dalam menjelaskan ITL
yang belum dipertimbangkan dalam penelitian ini. Penelitian lebih lanjut mungkin diperlukan untuk
menjelaskan lebih banyak varians dalam ITL, jika presiden ingin mengejar masalah ini lebih lanjut.
LATIHAN 15.6
Diskusikan: apa yang disiratkan oleh koefisien tidak terstandarisasi dan nilai p-valuenya pada model pertama?
Dengan kata lain, apa yang terjadi pada kepuasan kerja jika keadilan yang dirasakan, kelelahan, dan
pengayaan pekerjaan berubah sebesar satu unit?
LATIHAN 15.7
Tentukan nilai toleransi dan variance inflation factor untuk semua variabel independen dalam model 1.
Diskusikan: apakah kita memiliki masalah multikolinearitas?
LATIHAN 15.8
Apakah shift kerja memoderasi hubungan antara kepuasan kerja dan niat untuk keluar bagi karyawan
Excelsior Enterprises?
Kita sekarang telah melihat bagaimana berbagai hipotesis dapat diuji dengan menerapkan uji statistik
yang sesuai dalam analisis data. Berdasarkan interpretasi hasil, laporan penelitian kemudian ditulis, membuat
rekomendasi yang diperlukan dan mendiskusikan pro dan kontra dari masing-masing hipotesis, bersama
dengan analisis biaya-manfaat.
PERGUDANGAN DATA, PENGGALIAN DATA, DAN RISET OPERASI

Data warehousing dan data mining adalah aspek dari sistem informasi. Sebagian besar perusahaan sekarang
menyadari manfaat dari membuat gudang data yang berfungsi sebagai tempat penyimpanan pusat semua data
yang dikumpulkan dari berbagai sumber, termasuk yang berkaitan dengan keuangan, manufaktur, penjualan,
dan sejenisnya. Data warehouse biasanya dibangun dari data yang dikumpulkan melalui berbagai departemen
di perusahaan dan dapat diakses melalui berbagai alat pemrosesan analitik online (OLAP) untuk mendukung
pengambilan keputusan. Data warehousing dapat digambarkan sebagai proses mengekstraksi, mentransfer,
dan mengintegrasikan data yang tersebar di berbagai basis data eksternal dan bahkan sistem operasi, dengan
tujuan untuk memfasilitasi analisis dan pengambilan keputusan.
Melengkapi fungsi data warehousing, banyak perusahaan menggunakan data mining sebagai alat strategis
untuk mencapai tingkat intelijen bisnis yang baru. Menggunakan algoritme untuk menganalisis data dengan
cara yang bermakna, data
Data mining lebih efektif memanfaatkan gudang data dengan mengidentifikasi hubungan dan pola
tersembunyi dalam data yang tersimpan di dalamnya. Sebagai contoh, data mining memungkinkan untuk
melacak pola penjualan ritel berdasarkan kode pos dan waktu pembelian, sehingga memungkinkan untuk
menyimpan barang secara optimal. Data yang "ditambang" yang berkaitan dengan area vital organisasi dapat
dengan mudah diakses dan digunakan untuk tujuan yang berbeda. Sebagai contoh, staf untuk waktu yang
berbeda dalam satu hari dapat direncanakan, seperti halnya jumlah kasir yang harus tetap dibuka di toko ritel,
untuk memastikan efisiensi dan juga efektivitas. Kita dapat melihat bahwa penggalian data membantu
memperjelas pola yang mendasari aktivitas bisnis yang berbeda, yang pada gilirannya memfasilitasi
pengambilan keputusan.
Riset operasi (OR) atau ilmu manajemen (MS) adalah alat canggih lainnya yang digunakan untuk
menyederhanakan dan dengan demikian memperjelas beberapa jenis masalah kompleks yang cocok untuk
dikuantifikasi. OR menggunakan matematika dan statistik yang lebih tinggi untuk mengidentifikasi,
menganalisis, dan pada akhirnya memecahkan masalah rumit dengan kompleksitas tinggi yang dihadapi oleh
manajer. OR memberikan alat tambahan kepada manajer dengan menggunakan kuantifikasi untuk melengkapi
penilaian pribadi. Area pemecahan masalah yang mudah dipinjamkan ke OR termasuk yang berkaitan dengan
inventaris, antrian, pengurutan, perutean, serta pencarian dan penggantian. OR membantu meminimalkan
biaya dan meningkatkan efisiensi dengan menggunakan pohon keputusan, pemrograman linier, analisis
jaringan, dan model matematika.
Sistem informasi lain 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 dan analisis data dalam arti yang sebenarnya.
Singkatnya, sistem informasi yang baik mengumpulkan, menggali, dan menyediakan berbagai macam
informasi terkait yang berhubungan dengan aspek-aspek lingkungan eksternal dan internal organisasi. Dengan
menggunakan berbagai macam alat dan teknik yang tersedia untuk memecahkan masalah dengan berbagai
macam skala, para eksekutif, manajer, dan pihak-pihak lain yang diberi tanggung jawab atas hasil di berbagai
tingkat organisasi dapat menemukan solusi untuk berbagai masalah hanya dengan mendapatkan akses ke data
yang tersedia dalam sistem dan menganalisisnya.
Harus dipastikan bahwa data dalam sistem informasi bebas dari kesalahan dan sering diperbarui.
Bagaimanapun juga, pengambilan keputusan hanya dapat dilakukan sebaik data yang tersedia bagi para
manajer.
BEBERAPA PAKET PERANGKAT LUNAK YANG BERGUNA UNTUK ANALISIS DATA

Ada berbagai macam perangkat lunak analisis yang dapat membantu Anda menganalisis data Anda.
Berdasarkan kebutuhan spesifik Anda, masalah penelitian Anda, dan/atau model konseptual Anda, Anda dapat
mempertimbangkan paket perangkat lunak berikut ini:
● LISREL: dari Scientific Software International;

● MATLAB®: dari MathWorks, Inc;
● Mplus: dikembangkan oleh Linda dan Bengt Muthén;
● Qualtrics: perusahaan perangkat lunak penelitian swasta;
● SAS/STAT: dari SAS Institute;
● SPSS: dari SPSS Inc;
● SPSS AMOS: dari SPSS Inc;
● Stata: dari Stata Corporation.
LISREL dirancang untuk mengestimasi dan menguji model persamaan struktural. Model persamaan
struktural adalah model statistik yang kompleks dari hubungan linier antara variabel laten (tidak teramati) dan
variabel manifes (teramati). Anda juga dapat menggunakan LISREL untuk melakukan analisis faktor
eksploratori dan analisis faktor konfirmatori.
MATLAB adalah program komputer yang pada awalnya dirancang untuk menyederhanakan
implementasi rutinitas aljabar linier numerik. Program ini digunakan untuk mengimplementasikan algoritma
numerik untuk berbagai aplikasi.
Mplus adalah program pemodelan statistik yang menawarkan kepada para peneliti berbagai pilihan
model, estimator, dan algoritma. Mplus memungkinkan analisis berbagai macam data seperti data cross-
sectional dan longitudinal, data tingkat tunggal dan bertingkat, dan data yang berasal dari populasi yang berbeda
dengan heterogenitas yang teramati maupun tidak teramati. Selain itu, Mplus memiliki kemampuan yang luas
untuk studi simulasi Monte Carlo.
Qualtrics didirikan pada tahun 2002. Program ini memungkinkan pengguna untuk melakukan berbagai
macam pengumpulan data online dan analisis data, evaluasi karyawan, umpan balik situs web, riset pemasaran,
serta riset kepuasan dan loyalitas pelanggan. SAS merupakan sistem produk perangkat lunak yang terintegrasi,
yang mampu melakukan berbagai macam analisis statistik seperti statistik deskriptif, teknik multivariat, dan
analisis deret waktu. Karena kemampuannya, SAS adalah
digunakan dalam berbagai disiplin ilmu, termasuk ilmu kedokteran, ilmu biologi, ilmu sosial, dan pendidikan.
SPSS (Statistical Package for the Social Sciences) adalah program manajemen dan analisis data yang
dirancang untuk melakukan analisis data statistik, termasuk statistik deskriptif seperti plot, frekuensi, bagan,
dan daftar, serta prosedur statistik inferensial dan multivariat yang canggih seperti analisis varians (ANOVA),
analisis faktor, analisis klaster, dan analisis data kategorikal.
SPSS AMOS dirancang untuk mengestimasi dan menguji model persamaan struktural.
Stata adalah paket perangkat lunak statistik untuk keperluan umum yang mendukung berbagai metode
statistik dan ekonometrik, grafik, dan fitur-fitur yang disempurnakan untuk manipulasi data, pemrograman,
dan manipulasi matriks.
RINGKASAN
● Tujuan pembelajaran 1: Mendiskusikan kesalahan tipe I, kesalahan tipe II, dan kekuatan statistik.
Hipotesis nol dianggap benar hingga bukti statistik, dalam bentuk uji hipotesis, menunjukkan sebaliknya.
Bukti statistik yang diperlukan disediakan oleh statistik inferensial. Ada dua jenis kesalahan (dua cara di
mana sebuah kesimpulan bisa salah), diklasifikasikan sebagai kesalahan tipe I dan kesalahan tipe II.
Kesalahan tipe I, juga disebut sebagai alpha (α), adalah probabilitas menolak hipotesis nol ketika hipotesis
tersebut sebenarnya benar. Kesalahan tipe II, juga disebut sebagai beta (β), adalah probabilitas gagal
menolak hipotesis nol mengingat hipotesis alternatif sebenarnya benar. Konsep penting ketiga dalam
pengujian hipotesis adalah kekuatan statistik (1 - β). Kekuatan statistik adalah probabilitas untuk menolak
hipotesis nol dengan benar. Dengan kata lain, power adalah probabilitas bahwa signifikansi statistik akan
ditunjukkan jika ada.
● Tujuan pembelajaran 2: Menguji hipotesis dengan menggunakan teknik statistik yang sesuai.
Setelah peneliti memilih tingkat signifikansi statistik yang dapat diterima untuk menguji hipotesis, langkah
selanjutnya adalah menentukan metode yang tepat untuk mengujinya. Pemilihan teknik statistik yang
tepat sangat bergantung pada jumlah variabel (independen dan dependen) dan skala pengukuran (metrik
atau nonmetrik) dari variabel-variabel tersebut. Aspek lain yang berperan adalah apakah asumsi-asumsi uji
para metrik terpenuhi dan ukuran sampel.
● Tujuan pembelajaran 3: Menjelaskan data warehousing, data mining, dan riset operasi.
Sistem informasi yang baik mengumpulkan, menggali, dan menyediakan berbagai macam informasi yang
berkaitan dengan aspek-aspek lingkungan eksternal dan internal organisasi. Dengan menggunakan alat dan
teknik yang tersedia untuk memecahkan masalah dengan skala yang berbeda-beda, organisasi dapat
menemukan solusi untuk berbagai masalah hanya dengan mengamankan akses ke data yang tersedia
dalam sistem dan menganalisisnya.
● Tujuan pembelajaran 4: Menjelaskan paket perangkat lunak yang berguna untuk analisis data kuantitatif.
Ada berbagai macam perangkat lunak analisis yang dapat membantu peneliti untuk menganalisis data
mereka. Berdasarkan kebutuhan spesifik, masalah penelitian, dan/atau model konseptual, peneliti dapat
mempertimbangkan paket perangkat lunak seperti LISREL, MATLAB, Qualtrics, atau SPSS, untuk
menyebut beberapa di antaranya.
Kunjungi situs web pendamping di www.wiley.com/college/sekaran untuk Studi Kasus:

Persepsi Daya Tarik Organisasi.
PERTANYAAN DISKUSI
1. Menurut Anda, jenis bias apa yang dapat diminimalkan atau dihindari selama tahap analisis data
penelitian?
2. Ketika kita mengumpulkan data tentang efek perlakuan dalam desain eksperimental, uji statistik
mana yang paling tepat untuk menguji efek perlakuan?
3. Seorang konsultan pajak bertanya-tanya apakah ia harus lebih selektif dalam memilih kelas klien
yang dilayaninya untuk memaksimalkan penghasilannya. Dia biasanya menangani empat kategori
klien: orang yang sangat kaya, kaya, kelas menengah ke atas, dan kelas menengah. Dia memiliki
catatan tentang setiap klien yang dilayani, pajak yang dibayarkan oleh mereka, dan berapa banyak
yang dia tagih kepada mereka. Karena banyak hal yang berbeda dari setiap klien (jumlah
tanggungan, potongan bisnis, dan lain-lain), terlepas dari kategori mereka, dia ingin analisis yang
tepat dilakukan untuk melihat mana di antara empat kategori klien yang harus dia pilih untuk
terus dilayani di masa depan. Analisis seperti apa yang harus dilakukan dalam kasus ini dan
mengapa?
4. Apa itu bootstrapping dan menurut Anda mengapa metode ini menjadi semakin populer sebagai
metode pengujian moderasi dan mediasi?
LATIHAN 15.9
Buka file "resmethassignment1" (Anda membuat file ini dengan mengerjakan latihan dari bab sebelumnya).
Jawab pertanyaan-pertanyaan berikut.
a. Apakah nilai ujian secara signifikan lebih besar dari 75?
b. Apakah ada perbedaan yang signifikan dalam nilai ujian untuk pria dan wanita?
c. Apakah ada perbedaan yang signifikan antara nilai ujian dan nilai kertas?
d. Apakah ada perbedaan yang signifikan dalam nilai kertas untuk kelompok empat tahun?
e. Apakah sampel mewakili tingkat IQ, yang diketahui bahwa 50% populasi memiliki IQ di
bawah 100, dan 50% memiliki IQ 100 atau lebih tinggi?
f. Dapatkan matriks korelasi untuk semua variabel yang relevan dan diskusikan hasilnya.
g. Lakukan analisis regresi berganda untuk menjelaskan varians dalam nilai kertas dengan
menggunakan variabel independen usia, jenis kelamin (kode dummy), dan IQ, dan
interpretasikan hasilnya.
LATIHAN 15.10
Tabel 15.A hingga 15.D di bawah ini merangkum hasil analisis data penelitian yang dilakukan di sebuah
organisasi penjualan yang beroperasi di 50 kota di Indonesia dan mempekerjakan total tenaga penjualan
sekitar 500 orang. Jumlah tenaga penjualan yang dijadikan sampel untuk penelitian ini adalah 150 orang.
a. Interpretasikan informasi yang terkandung dalam setiap tabel sedetail mungkin.
b. Rangkum hasilnya untuk CEO perusahaan.
c. Buatlah rekomendasi berdasarkan interpretasi Anda terhadap hasil yang ada.
TA B L E 1 5 . A
Rata-rata, deviasi standar, minimum, dan maksimum
Variabel Berarti Standar deviasi Minimum Maksimum

Penjualan (dalam ribuan dolar) 75.1 8.6 45.2 97.3
Tidak ada staf penjualan 25 6 5 50
Populasi (dalam 100-an) 5.1 0.8 2.78 7.12
Pendapatan per kapita (dalam 20.3 20.1 10.1 75.9
ribuan dolar)
Iklan (dalam ribuan dolar) 10.3 5.2 6.1 15.7
TA B L E 1 5 . B
Korelasi antar variabel
Penjualan Tenaga Populasi Pendapata Iklan. pengeluaran

penjualan n
Penjualan 1.0
Jumlah tenaga penjual 0.76 1.0
Populasi 0.62 0.06 1.0
Pendapatan 0.56 0.21 0.11 1.0
Iklan. pengeluaran 0.68 0.16 0.36 0.23 1.0
Semua angka di atas 0,15 adalah signifikan pada p

. Semua angka di atas 0,35 adalah
signifikan pada p
TA B L E 1 5 . C
Hasil ANOVA satu arah: penjualan berdasarkan tingkat pendidikan
Sumber variasi Jumlah kuadrat df Kuadrat rata-rata F Signifikansi F

Antar kelompok 50.7 4 12.7 3.6 0.01
Di dalam kelompok 501.8 145 3.5
Total 552.5 150
TA B L E 1 5 . D
Hasil analisis regresi
Beberapa R 0.65924
R-square 0.43459
R-square yang disesuaikan 0.35225
Kesalahan standar 0.41173
df (5.144)
5.278
Sig. 0.000
Variabel Beta t Sig. t
Pelatihan tenaga penjualan 0.28 2.768 0.0092
Jumlah tenaga penjual 0.34 3.55 0.00001
Populasi 0.09 0.97 0.467
Pendapatan per kapita 0.12 1.200 0.089
Iklan 0.47 4.54 0.00001
LATIHAN 15.11
Kunjungi situs web David Kenny (http://davidakenny.net/cm/mediate.htm) dan cari tautan ke makro SPSS
dan SAS yang dapat diunduh untuk menguji efek tidak langsung.

Chapter 15 Quantitative Data Analysis - Hypothesis Testing Id

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

Chapter 15 Quantitative Data Analysis - Hypothesis Testing Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Analisis data kuantitatif:

1. Nyatakan hipotesis nol dan hipotesis alternatif.

KESALAHAN TIPE I, KESALAHAN TIPE II, DAN KEKUATAN STATISTIK

MEMILIH TEKNIK STATISTIK YANG SESUAI

Kunjungi situs web pendamping di www.wiley.com/college/sekaran untuk melihat Video

Menguji hipotesis tentang rata-rata tunggal

Hipotesis alternatifnya adalah:

BAGAIMANA CARA KERJANYA DI SPSS?

Menguji hipotesis tentang dua cara yang berhubungan

BAGAIMANA CARA KERJANYA DI SPSS?

Mahasiswa Skor minggu pertamaSkor minggu terakhir Perbedaan

BAGAIMANA CARA KERJANYA DI SPSS?

rata-rata baik total

rata-rata baik total

(| 78 132 |) 1)2 )/(78 132) 53 /2102 13.376

BAGAIMANA CARA KERJANYA DI SPSS?

Menguji hipotesis tentang dua cara yang tidak berhubungan

BAGAIMANA CARA KERJANYA DI SPSS?

Menguji hipotesis tentang beberapa cara

BAGAIMANA CARA KERJANYA DI SPSS?

1,00 2,00 3,00 4,00 5,00

Plot sebaran kualitas yang dirasakan versus kecenderungan untuk membeli

1,00 2,00 3,00 4,00 5,00

Regresi kecenderungan untuk membeli berdasarkan persepsi kualitas

BAGAIMANA CARA KERJANYA DI SPSS?

Koefisien regresi terstandarisasi

Regresi dengan variabel dummy

Untuk pekerja di shift pertama, persamaannya menjadi:

Shift kerja Kode asli Dummy D1 Dummy D2

Berikan persamaan untuk pekerja di shift kedua.

Menguji moderasi menggunakan analisis regresi: efek interaksi

BAGAIMANA CARA KERJANYA DI SPSS?

H1 : Penilaian mahasiswa terhadap perpustakaan universitas dipengaruhi oleh penilaian mahasiswa

Yi 4.3 0.4X1i 0.01X2i 0.2(X1i X2i ) (5)

Sekarang lakukan Latihan 15.3, 15.4, dan 15.5.

Uji dan analisis multivariat lainnya

BAGAIMANA CARA KERJANYA DI SPSS?

BAGAIMANA CARA KERJANYA DI SPSS?

ANOVA dua arah

Hipotesis alternatifnya adalah:

BAGAIMANA CARA KERJANYA DI SPSS?

PERUSAHAAN YANG UNGGUL: PENGUJIAN HIPOTESIS

dinyatakan sebelumnya: H1 : Job enrichment berpengaruh negatif

terhadap niat untuk keluar.

Pengayaan pekerjaan -0.187 0.000

Interpretasi keseluruhan dan rekomendasi kepada presiden

● Kurangi pekerjaan yang berulang-ulang.

PERGUDANGAN DATA, PENGGALIAN DATA, DAN RISET OPERASI

BEBERAPA PAKET PERANGKAT LUNAK YANG BERGUNA UNTUK ANALISIS DATA

● LISREL: dari Scientific Software International;

Kunjungi situs web pendamping di www.wiley.com/college/sekaran untuk Studi Kasus:

Sekarang lakukan Latihan 15.9, 15.10, dan 15.11.

Variabel Berarti Standar deviasi Minimum Maksimum

Penjualan Tenaga Populasi Pendapata Iklan. pengeluaran

Semua angka di atas 0,15 adalah signifikan pada p

Sumber variasi Jumlah kuadrat df Kuadrat rata-rata F Signifikansi F

Anda mungkin juga menyukai