RESUME DAN REVIEW JURNAL

SIGNIFIKANSI STATISTIK DAN UJI HUBUNGAN DALAM STATISTIK

MATA KULIAH METODELOGI PENELITIAN

Dosen Pengampu: Dr. Mintarti Rahayu, SE., MS.,CSRS

Oleh:

Mohammad Iqbal Amin 216020200111011

PROGRAM MAGISTER MANAJEMEN FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS BRAWIJAYA MALANG

2022
Uji Signifikansi

Uji signifikansi adalah salah satu tahap terpenting dalam sebuah riset, khususnya riset yang
bermetodologi kuantitatif. Uji ini yang akan menentukan simpulan hasil riset. Uji signifikansi
menentukan apakah hipotesis yang dibuat di awal riset akan diterima atau ditolak. Karena peran
pentingnya itulah, para ahli mencari cara terbaik yang dapatmembedakan hasil pengamatan
secara meyakinkan. Tingkat keyakinan yang memadai untuk dapat menerima suatu hipotesis
tersebut yang kerap disebut dengan istilah signifikansi statistic (statistical significance)

A. Statistik Parametrik
Berhubungan dengan inferensi (pengambilan keputusan atau masalah tertentu) yang
membahas parameter populasi, seperti rata-rata, proporsi, dan sebagainya.
Ciri parametik adalah jenis data interval atau rasio, serta distribusi data (populasi) adalah
normal atau mendekati normal.
B. Jenis Uji Statistik Parametik
Setelah mengetahui pengertian dari uji statistik parametrik, kita perlu mengenali uji statistik
parametrik apa saja yang cukup sering digunakan, antara lain:
a Uji-T, digunakan untuk menguji signifikansi dalam satu atau dua kelompok sampel.
Uji T (Test T) adalah salah satu test statistik yang dipergunakan untuk menguji
kebenaran atau kepalsuan hipotesis yang menyatakan bahwa diantara
dua buah mean sampel yang diambil secara random dari populasi yang sama, tidak
terdapat perbedaan yang signifikan. T-statistics merupakan suatu nilai yang
digunakan guna melihat tingkat signifikansi pada pengujian hipotesis dengan cara
mencari nilai T-statistics melalui prosedur bootstrapping. Pada pengujian hipotesis
dapat dikatakan signifikan ketika nilai T-statistics lebih besar dari 1,96, sedangkan
jika nilai T-statistics kurang dari 1,96 maka dianggap tidak signifikan.

b ANOVA, digunakan untuk menguji signifikansi perbedaan dua rerata atau lebih

Anova adalah sebuah analisis statistik yang menguji perbedaan rerata antar grup.
Grup disini bisa berarti kelompok atau jenis perlakuan. Anova ditemukan dan
diperkenalkan oleh seorang ahli statistik bernama Ronald Fisher.
 Anova merupakan singkatan dari Analysis of variance. Merupakan prosedur uji
statistik yang mirip dengan t test. Namun kelebihan dari Anova adalah dapat menguji
perbedaan lebih dari dua kelompok. Berbeda dengan independent sample t test yang
hanya bisa menguji perbedaan rerata dari dua kelompok saja.

c Regresi, digunakan untuk menguji hubungan antar variabel

Definisi regresi adalah metode statistik yang digunakan dalam keuangan, investasi,
dan disiplin ilmu lain. Gunanya untuk mencoba menentukan kekuatan dan karakter
hubungan antara satu variabel dependen (biasanya dilambangkan dengan Y) dan
serangkaian variabel lain (dikenal sebagai variabel independen).
Regresi itu bisa membantu manajer investasi dan keuangan untuk menilai aset dan
memahami hubungan antara variabel. Seperti harga komoditas dan saham bisnis yang
berurusan dengan komoditas tersebut.
Dua jenis dasar regresi yaitu regresi linier sederhana dan regresi linier berganda,
meskipun ada metode regresi non-linier untuk data dan analisis yang lebih rumit.
 Regresi linier sederhana menggunakan satu variabel independen untuk
menjelaskan atau memprediksi hasil dari variabel dependen Y, sedangkan
 Regresi linier berganda menggunakan dua atau lebih variabel independen
untuk memprediksi hasil.

d Korelasi, digunakan untuk menguji hubungan antar variabel

Korelasi adalah salah satu metode analisis dalam statistik yang dapat digunakan untuk
mencari antara dua variabel dengan sifat kuantitatif.
Sedangkan statistik korelasi ialah metode atau cara guna mengetahui ada atau
tidaknya hubungan linier antar variabel. Jika pada nantinya ditemukan hubungan,
maka perubahan-perubahan yang terjadi pada salah satu variabel (X) akan
menyebabkan terjadinya perubahan pada variabel yang lain (Y).
Korelasi adalah salah satu metode analisis dalam statistik yang dapat digunakan untuk
mencari antara dua variabel dengan sifat kuantitatif.
 Sedangkan statistik korelasi ialah metode atau cara guna mengetahui ada atau
tidaknya hubungan linier antar variabel. Jika pada nantinya ditemukan hubungan,
maka perubahan-perubahan yang terjadi pada salah satu variabel (X) akan
menyebabkan terjadinya perubahan pada variabel yang lain (Y).
Jenis Korelasi
Korelasi terbagi menjadi tiga jenis. Antara lain seperti berikut:
 Korelasi Sederhana, merupakan suatu teknik statistik yang dipergunakan
untuk mengukur kekuatan hubungan antara 2 variabel dan juga untuk dapat
mengetahui bentuk di antara keduanya dengan hasil bersifat kuantitatif.
Kuatnya hubungan yang dimaksud antara 2 variabel ini adalah apakah
hubungan tersebut lemah, erat atau tak erat. Sedangkan bentuk hubungannya
apa berbentuk korelasi linier positif atau negatif.
 Korelasi Parsial, merupakan suatu metode yang digunakan untuk mengukur
tentang adanya keeratan antara hubungan variabel bebas dengan variabel tak
bebas. Sehingga pada nantinya akan dapat dengan mudah guna melakukan
kontrol dari salah satu variabel tersebut.
 Korelasi Ganda, adalah korelasi yang bentuknya akan digunakan guna melihat
hubungan antara tiga atau lebih variabel (dua atau lebih variabel independen
dan satu variabel dependent). Korelasi ganda akan memiliki kaitan dengan
interkorelasi variabel independen, sebagaimana korelasi mereka dengan
variabel dependen.

e Analisis Jalur, digunakan untuk menguji hubungan sebab akibat yang didapatkan
melalui kajian teori yang telah dirumuskan

Analisis jalur merupakan perluasan dari model regresi, yang digunakan untuk
menguji matriks korelasi pada model kausal yang dibandingkan oleh peneliti. Seperti
halnya regresi, analisis jalur mempunyai manfaat prediktif. Model disajikan dengan
panah berarah tunggal yang menyatakan sebab akibat. Pembobotan regresi diprediksi
oleh model yang dibandingkan dengan matriks korelasi dari data teobservasi dan
kemudian dihitung kecocokan modelnya (goodness of fit). Selanjutnya model terbaik
dipilih oleh peneliti untuk pengemabangan teori. Analisis jalur dikembangkan sebagai
 metode untuk mempelajari pengaruh (efek) secara langsung dan secara tidak langsung
dari variable bebas terhadap variable tergantung. Analisis ini merupakan salah satu
pilihan dalam rangka mempelajari ketergantungan sejumlah variable dalam model.
Analisis ini merupakan metode untuk menerangkan dan mencari hubungan kausal
antar variable. Analisis jalur digunakan untuk menelaah hubungan antara model
kausal yang telah dirumuskan peneliti atas dasar pertimbangan teoretis dan
pengetahuan tertentu. Hubungan kausal selain didasarkan pada data, juga didasarkan
pada pengetahuan, perumusan hipotesis, analisis logis. Dengan demikian analisis jalur
dapat digunakan untuk menguji seperangkat hipotesis kausal serta menafsirkan
hubungan tersebut.

Ada beberapa asumsi yang harus dipenuhi pada analisis jalur, yakni

- Hubungan antar variabel dalam model adalah linear, artinya perubahan terjadi
pada variabel merupakan fungsi perubahan linear dari variabel lain yang bersifat
kausal.
- Variabel yang diamati bersifat aditif
- Variabel residu tidak berkorelasi dengan variabel yang lain
- Variabel yang diamati berskala interval atau rasio.
C. Cara menggunakan Uji Statistik Parametrik
D. Uji Sampel Tunggal
Sampel Tunggal (Single Sampling)
Sampel Tunggal adalah keputusan untuk menerima atau menolak hanya berdasarkan satu
sampel saja. Uji statistik nonparametrik yang dapat digunakan untuk menguji hipotesis
yang berasal dari satu sampel tunggal.Berikut gambaran mengenai sampel tunggal yaitu :
Ada empat cara pengujian untuk menentukan sampel tunggal. Ada tiga jenis
pengujian yang merupakan uji kecocokan atau goodness of fit,yaitu Uji Binomial, Uji Chi
Kuadrat (c2) Sampel Tunggal, Uji Kolmogorov-Smirnov Sampel Tunggal. Dan Uji Deret
atau Run Test disebut sebagai uji keacakan atau randomness.

E. Uji Dua Sampel Independen

Uji-t dua sampel bebas merupakan uji statistik parametrik yang membandingkan dua
kelompok independen untuk menentukan apakah ada bukti bahwa rata-rata populasi
secara statistik signifikan berbeda. Variabel yang digunakan dalam uji ini yaitu variabel
terikat dan variabel bebas.
Data pada uji-t dua sampel bebas memiliki persyaratan:
1. Variabel dependen numerik.
2. Variabel independen kategorikal.
3. Tidak ada hubungan antara subjek dalam setiap sampel atau kelompok.
4. Pengambilan sampel pada populasi secara acak.
5. Variabel dependen memiliki distribusi normal pada setiap kelompok.
6. Varian pada kedua kelompok sama.
7. Tidak ada outliers.

Langkah-langkah Uji T dua sampel bebas:

1. Tentukan HO dan H1
2. Tentukan tingkat signifikansi
3. Uji varian
4. Hitung nilai t dan df
5. Bandingkan nilai t hitung dengan t table
6. Pengambilan keputusan
F. Uji dua sampel berhubungan

Uji statistik sampel yang menggunakan dua sampel berpasangan atau

berhubungan digunakan jika peneliti ingin menentukan apakah dua perlakuan memiliki
perbedaan yang signifikan, atau apakah perlakuan satu lebih baik dari perlakuan lainnya.
Pengertian perlakuan (treatment) disini dapat berupa injeksi obat, training, propaganda,
pemisahan dari keluarga, alternatif operasi, pengenalan elemen baru dalam ekonomi dan
lain-lain. Pada setiap kasus, kelompok yang mendapatkan perlakuan dibandingkan
dengan kelompok yang tidak mendapatkan perlakuan, atau mendapatkan perlakuan
lainnya.

Perbandingan kedua kelompok tadi, kadang-kadang ditemukan perbedaan yang

signifikan, tetapi perbedaan ini bukan sebagai akibat dari adanya perlakuan. Sebagai
misal seorang peneliti ingin membandingkan dua metode pembelajaran. Satu kelompok
mendapatkan metode pembelajaran A dan kelompok lainnya mendapatkan metode
pembelajaran B. Jika salah satu kelompok sekarang menjadi lebih mampu atau lebih
termotivasi, hal ini bisa terjadi sebagai akibat dari variabel lain dan bukan karena metode
pembelajaran yang diberikan. Kinerja kedua kelompok setelah mendapatkan metode
pembelajaran yang berbeda mungkin tidak dapat menggambarkan dengan akurat
efektivitas reatif kedua metode pembelajaran tersebut.

Salah satu cara untuk mengatasi kesulitan mengisolasi variabel lain yang tidak
diteliti yang akan berpengaruh terhadap perbedaan kedua kelompok pengamatan adalah
menggunakan uji dua sampel berhubungan (berpasangan). Kita dapat memasangkan
(match) atau menghubungkan kedua sampel yang dipelajari. Pemasangan ini dapat
dilakukan dengan menggunakan setiap subyek sebagai pengontrol dirinya sendiri, atau
dengan memasangkan subyek dan kemudian menghadapkan setiap anggota pasangan
kepada dua perlakuan yang berbeda. Subyek yang berfungsi sebagai "pengontrol dirinya
sendiri" mendapatkan kedua perlakuan pada waktu yang berbeda. Jika metode
"pemasangan" yang digunakan, maka tujuannya adalah memilih pasangan subyek yang
memiliki kemiripan dari semua variabel lain diluar yang diteliti yang mungkin akan
mempengaruhi hasil penelitian.
Dalam contoh kasus di atas, metode pemasangan dilakukan dengan memilih
sejumlah pasangan mahasiswa. Setiap pasangan terdiri dari dua mahasiswa yang
memiliki kemampuan dan motivasi yang sama. Salah satu anggota dari setiap pasangan
dipilih secara random dan diberikan metode pembelajaran A dan partner pasangannya
diberi metode pembelajaran B.

Teknik statistik parametrik yang biasanya digunakan untuk menganalisis data dari
dua sampel berpasangan atau berhubungan adalah uji beda rata-rata t-test. Uji t
mengasumsikan bahwa perbedaan skor secara independen didapat dari distribusi normal
yang berarti pengukuran variabel paling tidak dengan skala interval. Kadang-kadang uji
tidak tepat oleh kaerna asumsinya tidak terpenuhi atau peneliti menemukan kondisi
sebagai berikut :

1. Asumsi uji t tidak dapat dipenuhi.

2. Perbedaan diantara dua pasangan tidak mencerminkan skor, tetapi "sign" atau
tanda (anggota salah satu pasangan "lebih besar" daripada anggota pasangan
lainnya. Berapa "lebih besar" tersebut tidak diketahui).
3. Skor yang akan diuji berupa klasifikasi - kedua anggota sampel berpasangan
dapat menjawab dengan cara yang sama atau sama sekali berbeda sehingga tidak
dapat dihubungkan satu sama lain.

Oleh karena itu dalam kondisi seperti ini, maka statistik yang digunakan atau
yang sesuai adalah statistik Non Parametrik dengan kasus dua sampel berhubungan.
Adapun uji statistiknya meliputi:
1. McNemar Change Test: Uji perubahan McNemar adalah uji statistik yang dapat
digunakan untuk data nominal berpasangan. Ini dapat menguji perbedaan pada
variabel dependen dikotomis antara dua kelompok terkait. Untuk variabel
dependen dikotomis, beberapa orang suka menganggapnya mirip dengan uji t
berpasangan
2. The Sign Test: uji tanda membandingkan ukuran dua kelompok. Ini adalah
pengujian non-parametrik atau "bebas distribusi", yang berarti pengujian tidak
 mengasumsikan data berasal dari distribusi tertentu, seperti distribusi normal. Uji
tanda merupakan alternatif dari uji t satu sampel atau uji t berpasangan. Ini juga
dapat digunakan untuk data kategorikal yang diurutkan (diperingkat).
3. The Wilcoxon Signed Ranks Test: Uji peringkat bertanda Wilcoxon adalah uji
hipotesis statistik non-parametrik yang digunakan baik untuk menguji lokasi suatu
populasi berdasarkan sampel data, atau untuk membandingkan lokasi dua
populasi menggunakan dua sampel yang cocok.
G. Analisis Bivariate

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui

keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.
Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara
dua variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate correlation)
diantaranya Pearson Correlation, Kendall’s tau-b, dan Spearman Correlation. Pearson
Correlation digunakan untuk data berskala interval atau rasio, sedangkan Kendall’s tau-
b, dan Spearman Correlation lebih cocok untuk data berskala ordinal.

Pada bab ini akan dibahas analisis korelasi sederhana dengan metode Pearson atau
sering disebut Product Moment Pearson. Nilai korelasi (r) berkisar antara 1 sampai -1,
nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat,
sebaliknya nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai
positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif
menunjukkan hubungan terbalik (X naik maka Y turun).

Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien

korelasi sebagai berikut:
0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
H. Regresi Sederhana

Analisis regresi sederhana bertujuan untuk mengetahui pengaruh dari suatu

variabel terhadap variabel lainnya. Pada analisis regresi suatu variabel yang
mempengaruhi disebut variabel bebas atau independent variable, sedangkan variabel
yang dipengaruhi disebut variabel terkait atau dependent variable. Jika persamaan regresi
hanya terdapat satu variabel bebas dengan satu variabel terkait, maka disebut dengan
persamaan regresi sederhana. Jika variabel bebasnya lebih dari satu, maka disebut dengan
persamaan regresi berganda. Pada regresi sederhana kita dapat mengetahui berapa besar
perubahan dari variabel bebas dapat mempengaruhi suatu variabel terkait.
Variabel yang mempengaruhi disebut dengan berbagai istilah: variabel
independen, variabel bebas, variabel penjelas, variabel eksplanatorik, atau variabel X
karena dalam grafik sering digambar sebagai absis atau sumbu X). Variabel yang
dipengaruhi dikenal sebagai variabel dependen, variabel terikat, atau variabel Y. Kedua
variabel ini dapat merupakan variabel acak (random), namun variabel yang dipengaruhi
harus selalu variabel acak. Analisis regresi adalah salah satu analisis yang luas
pemakaiannya. Analisis regresi digunakan untuk melakukan prediksi dan ramalan.
Analisis regresi juga dapat digunakan untuk memahami variabel – variabel bebas
mana saja yang dapat berhubungan dengan variabel terikat, serta untuk mengetahui
bentuk hubungan tersebut. Tujuan analisis regresi untuk mendapatkan pola hubungan
secara matematis dari variabel X dan variabel Y, dan untuk mengetahui besarnya
perubahan variabel X terhadap variabel Y, serta untuk memprediksi variabel Y jika nilai
variabel X diketahui. Prinsip dasar pada persamaan regresi sederhana adalah bahwa
antara variabel dependen (Y) dengan variable independennya (Y) harus memiliki sifat
hubungan sebab akibat atau hubungan kausalitas, berdasarkan teori, dari hasil penelitian
sebelumnya, atau juga yang didasarkan dari penjelasan logis tertentu.
Analisis regresi linier sederhana adalah hubungan secara linear antara satu
variabel independen (X) dengan variabel dependen (Y). Analisis regresi sederhana dapat
digunakan untuk mengetahui arah dari hubungan antara variabel bebas dengan variabel
terikat, apakah memiliki hubungan positif atau negatif serta untuk memprediksi nilai dari
variabel terikat apabila nilai variabel bebas mengalami kenaikan ataupun penurunan.
Pada regresi sederhana biasanya data yang digunakan memiliki skala interval atau rasio.
 Rumus regresi linear sederhana sebagai berikut:
Y = a + bX
Keterangan:
Y = Variabel dependen (variabel terikat)
X = Variabel independent (variabel bebas)
a = Konstanta (nilai dari Y apabila X = 0)
b = Koefisien regresi (pengaruh positif atau negatif)

I. Non Parametrik
Statistik non parametrik merupakan uji statistik yang dilakukan dengan tanpa
adanya pendugaan sebelumnya pada nilai populasi. Uji statistik non [parametrik ini
digunakan untuk melihat perbedaan antara rata-rata nilai tengah 2 kelompok daratan yang
sudah diberi ranking. Selain itu, uji ini dapat digunakan untuk melihat perbedaan antara
nilai mediannya. Keuntungan menggunakan uji statistik non parametrik adalah kita tidak
membutuhkan asumsi normalitas. Adapun kekurangannya adalah hasil dari uji metode ini
tidak dapat digunakan untuk mengestimasi karakter populasi
J. Jenis Statistik Non Parametrik
Pada bagian sebelumnya kita telah mengenali apa itu statistik parametrik dan
nonparametrik serta contoh jenis uji statistik parametrik. Pada bagian ini kita akan
mengenali beberapa jenis uji statistik non parametrik, antara lain:
 Uji Binomial,
 Run Test
 Goodness of Fit Kolmogorov Smirnov
 Uji Mc nemar
 Wilcoxon sampel berpasangan
 Uji tanda dua sampel dependen
 Uji median Mann-Whitney
 Rank Spearman
 Uji korelasi Kendall-Tau
 Uji Chi-Square
1. Uji Binomial
Uji Binomial bisa digunakan untuk data berskala nominal yang hanya memiliki
dua kategori. Uji ini dapat dipakai untuk sampel berukuran kecil dimana tidak memenuhi
syarat untuk melakukan pengujian c2. Fungsi Uji Binomial adalah untuk menguji
perbedaan proporsi populasi yang hanya memiliki dua buah kategori/ jenjang berdasarkan
proporsi yang berasal dari sampel tunggal.
- Fungsi Pengujian: Untuk menguji perbedaan proporsi populasi yang hanya memiliki
dua buah kategori berdasarkan proporsi sampel tunggal.
- Persyaratan Data: Dapat digunakan untuk data berskala nominal yang hanya memiliki
dua kategori.

Prosedur Pengujian:

a Tentukan n = jumlah semua kasus yang diteliti.

b Tentukan jumlah frekuensi dari masing-masing kategori.
c Metode menemukan kemungkinan terjadinya suatu harga, atau harga yang lebih
ekstrem dibawah H0 bervariasi:
- Jika n < 25 dan jika P=Q= ½, lihat pada Tabel D (Siegel) Uji satu sisi digunakan
apabila telah memiliki perkiraan frekuensi mana yang lebih kecil. Jika belum
memiliki perkiraan, harga p dalam Tabel D dikalikan dua
- Jika n > 25 dan P mendekati ½. Sedangkan tabel yang digunakan adalah Tabel A
(Siegel, 1997) yang menyajikan kemungkinan satu sisi/one tailed untuk
kemunculan harga z pengamatan di bawah Ho. Uji satu sisi digunakan apabila
telah memiliki perkiraan frekuensi mana yang lebih kecil. Jika belum memiliki
perkiraan, harga p dalam Tabel A dikalikan dua
- Jika p diasosiasikan dengan harga x atau z yang diamati ternyata £ a , maka tolak
Ho.
2. Uji Deret (Run)
Sampel Tunggal bisa digunakan untuk data berskala nominal maupun ordinal.
Fungsi Uji Deret adalah untuk melakukan pengujian apakah data yang diamati
berdistribusi random atau tidak. Kekuatan Uji Deret tidak diketahui, karena tidak ada uji
parametrik yang bisa digunakan menguji keacakan atau randomness data dalam urutan
untuk kasus sampel tunggal.
3. Uji Kolmogorov-Smirnov
Sampel Tunggal dianjurkan dipakai untuk data yang memiliki skala ordinal,
namun bisa juga digunakan untuk data berskala nominal. Fungsi Uji ini adalah untuk
menguji perbedaan proporsi populasi, yaitu antara data yang diamati dengan yang telah
ditentukan menurut Ho, berdasarkan proporsi data yang berasal dari sampel tunggal. Uji
Kolmogorov-Smirnov dapat dipakai untuk sampel berukuran kecil, dan uji ini tidak akan
mengaburkan kesimpulan karena tidak perlu melakukan penggabungan beberapa jenjang
data yang memiliki frekuensi kecil seperti halnya jika menggunakan Uji c2. Oleh karena
itu bisa dikatakan, bahwa Uji Kolmogorov-Smirnov memiliki kekuatan yang lebih besar
kalau dibandingkan dengan Uji c2. Dengan demikian, seandainya data yang diperoleh
dari sebuah penelitian yang berasal dari sampel tunggal memenuhi syarat untuk
menggunakan ketiga pengujian yang telah disebutkan di atas, maka pilihan terbaik adalah
memakai Uji Kolmogorov Smirnov
4. Uji Mc Nemar
Merupakan salah satu metode pengujian hipotesis yang digunakan ketika terdapat 2
sampel yang saling berpasangan/dependen. Salah satu contoh yang paling umum adalah
situasi “sebelum” dan “sesudah” perlakuan/treatment.
Sampel bisa saja dipilih dengan subjek yang berbeda yang memiliki karakteristik yang
mirip dengan syarat sampel harus diambil secara acak.
 Kegunaan Uji Mc Nemar
a) Dapat digunakan untuk rancangan Pre dan Post test, di mana setiap individu
digunakan sebagai pengontrol dirinya sendiri.
b) Dapat gunakan untuk menguji keefektifan suatu perlakuan tertentu terhadap suatu
sampel
 Hipotesis Uji Mc Nemar
H0 : Tidak ada perbedaan antara nilai sebelum dan sesudah setelah
perlakuan/treatment
H1 : Ada perbedaan antara nilai sebelum dan sesudah perlakuan/treatment
 Syarat Uji Mc Nemar

1. Sampelnya merupakan sampel berpasangan misal “sebelum” dan “sesudah”

2. Skala ukur nominal
3. Data frekuensi disusun dalam tabel kontingensi berukuran 2×2

 Statistik Uji Mc Nemar

Untuk menguji signifikansi setiap perubahan yang diobservasi dengan metode ini,
kita perlu membentuk suatu tabel frekuensi yang berbentuk segi empat.

Test sesudah- Test sesudah +

Test sebelum + A B
Test sesudah - C D
Keterangan :

Kategori sel A : Dari positif menjadi negatif

Kategori sel B : Dari positif tetap positif

Kategori sel C : Dari negatif tetap negatif

Kategori sel D : Dari negatif menjadi positif

 Maksud dari kategori diatas misalnya kategori A adalah banyaknya sampel yang
sebelum dilakukan treatment bersifat positif dan setelah dilakukan treatment bersifat
negatif, untuk kategori B adalah banyaknya sampel yang sebelum dilakukan treatment
bersifat positif dan setelah treatment masih tetap bersifat posotif.

Karena A+D menunjukkan jumlah total individu yang berubah, maka ½ (A+D)
adalah frekuensi yg diharapkan berada di bawah H0.

5. Uji Wilcoxon adalah uji yang dipergunakan untuk menguji perbedaan dua sampel yang
saling berkorelasi tetapi tidak memenuhi asumsi normalitas. Jika asumsi normalitas
terpenuhi maka dipergunakan Paired Test. Penggunaan Paired Test memerlukan
normalitas pada kedua datanya. Jika salah satu (atau keduanya tidak normal, maka
menggunakan Uji Wilcoxon. Berikut adalah simulasi Uji Wilcoxon dengan dua pasang
data sebagai berikut:

Dua Sampel Data yang Berkorelasi

 Gambar di atas menunjukkan 35 buah data dari dua buah sampel yang saling
berkorelasi. Hasil uji normalitas dengan Kolmogorov-Smirnov memberikan hasil sebagai
berikut:

Hasil Uji Normalitas SPSS dengan Kolmogorov-Smirnov

Tampak bahwa nilai Signifikansi untuk Sebelum dan Sesudah di bawah 0,05 yang
menunjukkan bahwa kedua sampel tidak memenuhi asumsi normalitas. Tentu saja, bisa
dilakukan transformasi data, trimming data atau pun menambah data agar memenuhi
asumsi normalitas. Tetapi ini contoh untuk data tidak normal sehingga menggunakan Uji
Wilcoxon.

Output Uji Wilcoxon dengan SPSS Versi 23

Prinsip dasarnya adalah dengan membandingkan mana yang lebih besar. Akan
tetapi yang dibandingkan bukan nilai itu sendiri, tetapi rangkingnya. Jadi masing-masing
sampel di rangking, lalu rangking itulah yang dibandingkan. Baris pertama Negative
Ranks adalah sebesar 15 (dengan kode superscript a) yang berarti bahwa terdapat 15
 buah pasangan data di mana nilai Sesudah < Sebelum. Sehingga dengan prinsip yang
sama diperoleh Positive Ranks 12 (superscript b) yang berarti bahwa terdapat 12
pasangan data di mana nilai pada Sesudah > Sebelum. Terakhir ada 8 pasang data yang
sama. Ini sangat mudah dimengerti.

Setelah itu, selisih dari kedua pasang data diranking sehingga diperoleh Mean
Rank dan juga Sum of Ranks. Sedangkan untuk melihat signifikansi menggunakan output
sebagai berikut:

Uji Hipotesis dengan Wilcoxon

Sama dengan uji yang lain, tampak bahwa nilai signifikansi adalah sebesar 0,672
> 0,05 yang berarti tidak terdapat perbedaan yang signifikan antara sampel sebelum
dengan sesudah. Nilai Z yang negatif bisa Anda interpretasikan dengan petunjuk ada
superscript b, yang intepretasinya sama dengan interpretasi pada tabel sebelumnya.
Uji Wilcoxon bukan satu-satunya uji untuk dua sampel berkorelasi non-
parametrik. Setidaknya ada uji McNemar, Uji Tanda (sign test) dan juga Marginal
homogeneity.
6. Uji Statistik Dua Sampel Dependen (Saling Berhubungan)
 Uji Tanda Untuk Dua Sampel Berhubungan Asumsi-asumsi
a) Data terdiri atas sampel acak yang berisi n pasangan hasil pengamatan (X1 ,
Y1), (X2 , Y2) …, (Xn , Yn), yang masing-masing pasangan pengukurannya
dilakukan terhadap yang sama atau subjek yang telah dipasangkan menurut
suatu variabel atau lebih.
b) Ke-n pasangan hasil pengukuran itu saling bebas.
c) Skala pengukuran di masing-masing pasangan sekuarang-kurangnya ordinal.
 d) Variabel yang diminati kontinu.
 Hipotesis-hipotesis
a) (Dua Sisi)
H0 : Median populasi beda-beda (Xi – Yi = Di) sama dengan nol.
H1 : Median populasi beda-beda tidak sama dengan nol.
b) (Satu Sisi)
H0 : Median populasi beda-beda lebih kecil daripada atau sama
dengan nol.
H1 : Median populasi beda-beda lebih besar daripada nol.
c) (Satu Sisi)
H0 : Median populasi beda-beda lebih besar daripada atau sama
dengan nol.
H1 : Median populasi beda-beda lebih kecil daripada nol.
 Taraf Nyata (α) Statistik Uji
a) Untuk masing-masing pasangan (Xi , Yi), catatlah tanda selisih akibat pengurangan Yi
terhadap Xi . Dengan kata lain, tulislah sebuah tanda positif bila Xi – Yi > 0, dan sebuah
tanda negatif bila Xi – Yi < 0. Sedangkan untuk Xi = Yi , maka pasangan data ini
disingkirkan dari analisis uji tanda ini, sehingga akibatnya banyaknya data n berkurang.
b) Kemudian hitung banyaknya tanda positif (T+) dan tanda negatif (T-).
c) Menentukan statistik uji untuk uji tanda : Untuk A (Dua Sisi) : Sebagai statistik ujinya (T)
adalah banyaknya tanda yang paling kecil/sedikit antara tanda positif (T+) dan tanda
negatif (T-). Untuk B (Satu Sisi) : Sebagai statistik ujinya (T) adalah banyaknya tanda
negatif (T-). Untuk C (Satu Sisi) : Sebagai statistik ujinya (T) adalah banyaknya tanda
positif (T+).
d) Setelah itu, hitunglah dengan menggunakan Tabel 1. Distribusi Peluang Binomial untuk
menentukan besarnya peluang dari P( K ≤ T | n , 0.50 ).

7. Mann Whitney U Test disebut juga dengan Wilcoxon Rank Sum Test.
Merupakan pilihan uji non parametris apabila uji Independent T Test tidak dapat
dilakukan oleh karena asumsi normalitas tidak terpenuhi. Tetapi meskipun bentuk non
parametris dari uji independent t test, uji Mann Whitney U Test tidak menguji perbedaan
Mean (rerata) dua kelompok seperti layaknya uji Independen T Test, melainkan untuk
menguji perbedaan Median (nilai tengah) dua kelompok.
Tetapi beberapa ahli tetap menyatakan bahwasanya uji Mann Whitney U Test tidak
hanya menguji perbedaan Median, melainkan juga menguji Mean. Mengapa seperti itu?
karena dalam berbagai kasus, Median kedua kelompok bisa saja sama, tetapi nilai P Value
hasilnya kecil yaitu < 0,05 yang berarti ada perbedaan. Penyebabnya adalah karena Mean
kedua kelompok tersebut berbeda secara nyata. Maka dapat disimpulkan bahwa uji ini bukan
hanya menguji perbedaan Median, melainkan juga perbedaan Mean.
Tujuan Uji Mann Whitney
Berdasarkan pemahaman pendapat-pendapat di atas, maka kesimpulannya adalah:
Seseorang akan melakukan uji Mann Whitney U Test apabila menemui kasus: Diketahui
dengan jelas bahwa terdapat perbedaan median, bentuk dan sebaran data sama, tetapi tidak
diketahui secara pasti apakah perbedaan median tersebut bermakna atau tidak. Untuk lebih
jelasnya silahkan lihat gambar di bawah ini:

Mann Whitney U Test

Perhatikan dua histogram di atas, di mana bentuk lebar dan ketinggian keduanya
sama, yang berarti bentuk dan sebaran data kedua kelompok sama, tetapi median keduanya
berbeda. Lihat bahwa histogram yang di atas lebih ke kanan dari pada yang di bawah, yaitu
dengan median 18 sedangkan yang di bawah dengan median 15. Maksud dari peneliti
melakukan uji Mann Whitney U Test adalah menguji apakah perbedaan median tersebut
bermakna atau tidak. Bagaimana jika bentuk dan sebaran dari histogram tidak sama? apakah
masih bisa dilakukan uji ini? Jawabannya adalah “Ya”, tetapi peneliti tidak lagi menguji
perbedaan Median dan Mean, melainkan menguji perbedaan Mean saja.
Sensitivitas Mann Whitney U Test

Maka dapat diartikan bahwa uji Mann Whitney U Test (MWU) sangat sensitif
terhadap perubahan Median. Sebagai pilihan lain adalah Uji Kolmogorov Smirnov Z
(KS-Z) untuk uji dua sampel bebas. Uji KS-Z ini berbeda dengan MWU, di mana KS-Z
bukan hanya menguji perbedaan Median dan Mean, melainkan juga perbedaan Variances.
Maka oleh karena itu, jika asumsi homogenitas dalam uji MWU tidak terpenuhi, maka
KS-Z dapat menjadi alternatif. kelebihan dari uji KS-Z adalah tidak begitu sensitif pada
Median, melainkan sensitif pada Mean dan Variance.
Mengapa MWU dan KS-Z berbeda? Jawabannya adalah karena keduanya bekerja
dengan cara yang berbeda. MWU menguji perbedaan rerata peringkat sehingga
menghasilkan nilai U yang kemudian dapat dikonversi menjadi nilai Z. Sedangkan uji
KS-Z menguji perbedaan pada distribusi kumulatif. Oleh karena itu, sebelum anda
memilih uji mana yang tepat, sebaiknya anda pahami lebih dalam kedua uji ini dan
sesuaikan dengan hipotesis penelitian anda.
Karena uji ini merupakan bentuk non parametris dari uji independen t test, maka
varians kedua kelompok haruslah sama.
Asumsi Mann Whitney
Berdasarkan uraian di atas, maka dapat disimpulkan Asumsi yang harus terpenuhi
dalam Mann Whitney U Test, yaitu:
1. Skala data variabel terikat adalah ordinal, interval atau rasio. Apabila skala interval
atau rasio, asumsi normalitas tidak terpenuhi. (Normalitas dapat diketahui setelah uji
normalitas).
2. Data berasal dari 2 kelompok. (Apabila data berasal dari 3 kelompok atau lebih, maka
sebaiknya gunakan uji Kruskall Wallis).
3. Variabel independen satu dengan yang lainnya, artinya data berasal dari kelompok
yang berbeda atau tidak berpasangan.
4. Varians kedua kelompok sama atau homogen. (Karena distribusi tidak normal,
maka uji homogenitas yang tepat dilakukan adalah uji Levene’s Test. Di mana
uji Fisher F diperuntukkan bila asumsi normalitas terpenuhi).
 Asumsi point 1,2 dan 3 tidak memerlukan uji tersendiri. Sedangkan point 4 jelas
perlu sebuah uji yang dapat menentukan apakah kedua kelompok memiliki varians yang
sama atau tidak, yaitu disebut dengan uji homogenitas.

8. Korelasi Rank Spearman

Korelasi Rank Spearman atau yang biasanya disebut dengan Spearman Rank
Correlation Coefficient merupakan salah satu penerapan koefisien korelasi dalam metode
analisis data statistik non-parametrik. Statistik non-parametrik ini merupakan suatu
ukuran asosiasi atau hubungan yang dapat digunakan pada kondisi satu atau kedua
variabel yang diukur adalah skala ordinal (berbentuk ranking) atau kedua variabel adalah
kuantitatif namun kondisi normal tidak terpenuhi. Statistik non-parametrik
mengasumsikan statistik yang digunakan ketika data tidak memiliki informasi parameter,
data tidak berdistribusi normal atau data diukur dalam bentuk ranking. Pembuatan
ranking dapat dimulai dari nilai terkecil atau nilai terbesar tergantung permasalahannya.
Bila ada data yang nilainya sama, maka pembuatan ranking didasarkan pada nilai rata-
rata dari ranking-ranking data tersebut. Apabila proporsi angka yang sama tidak besar,
maka formula diatas masih bisa digunakan. Namun apabila proporsi angka yang sama
cukup besar, maka dapat digunakan suatu faktor koreksi. Simbol ukuran populasinya
adalah ρ dan ukuran sampelnya rs. Berbeda dengan Korelasi Pearson, korelasi ini tidak
memerlukan asumsi normalitas, maka korelasi rank spearman cocok juga digunakan
untuk data dengan sampel kecil.
Korelasi Rank Spearman menghitung korelasi dengan menghitung ranking data
terlebih dahulu. Artinya korelasi dihitung berdasarkan orde data. Ketika peneliti
berhadapan dengan data kategorik seperti kategori pekerjaan, tingkat pendidikan,
kelompok usia, dan contoh data kategorik lainnya, maka Korelasi Rank Spearman cocok
digunakan. Korelasi Rank Spearman pun cocok digunakan pada kondisi dimana peneliti
dihadapkan pada data numerik (kurs rupiah, rasio keuangan, pertumbuhan ekonomi),
namun peneliti tidak memiliki cukup banyak data (data kurang dari 30). Korelasi
Spearman ini memiliki nilai antara nilai -1 sampai dengan 1. Semakin mendekati 1 maka
korelasi semakin kuat sedangkan semakin mendekati nol maka korelasi antara dua
variabel semakin rendah. Sedangkan tanda koefisien korelasi menunjukkan arah
hubungan. tanda negatif (-) menunjukkan hubungan yang berkebalikan. Tanda (+)
menunjukkan hubungan yang searah. Berkebalikan artinya semakin meningkat nilai suatu
variabel maka variabel lainnya semakin menurun. Searah artinya semakin meningkat
nilai suatu variabel maka variabel lainnya ikut meningkat. Kira-kira apa saja penjelasan
lebih lengkapnya terkait analisis korelasi rank spearman? Yuk, mari kita cari tahu lebih
dalam sahabat data. Pada artikel DQ Lab kali ini, kita akan membahas mengenai analisis
korelasi rank spearman yang merupakan salah satu penerapan statistik non parametrik.
Bisa jadi sahabat data juga menggunakan analisis ini dalam penelitian kalian. Dengan
harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data,
peneliti maupun data enthusiast.
 Perbedaan Korelasi Rank Spearman dengan Regresi Linear
Dua jenis uji yang paling populer dalam software SPSS adalah korelasi Spearman
dan juga regresi ini. Meskipun begitu, masih banyak yang belum paham mengenai
perbedaan antara keduanya. Dalam statistik, dependence merujuk pada hubungan
yang luas dengan keterlibatan dua variabel acak atau set data. Sedangkan pada
korelasi, dependence merujuk pada hubungan yang melibatkan ketergantungan.
Secara konteks, kedua uji tersebut memiliki perbedaan utama pada letak skala
variabel yang akan digunakan. Contoh yang paling sering digunakan untuk analisis
korelasi ini adalah hubungan peran penyuluh dengan dinamika kelompok. Sedangkan
pada analisis regresi, variabel yang dimiliki cenderung memiliki hubungan sebab
akibat atau kausalitas seperti pengaruh kualitas pelayanan terhadap kepuasan
konsumen.
 Tujuan Analisis Korelasi Rank Spearman
Ada beberapa tujuan umum pada saat seseorang hendak melakukan uji yang satu ini
seperti misalnya melihat keeratan hubungan dari dua variabel. Setelah bisa
mendapatkan keeratan hubungan dari dua variabel, uji ini juga bisa melihat jenis
hubungannya. Hasil akhir dari uji korelasi Spearman biasanya berupa angka-angka
yang kemudian bisa dikategorikan dalam beberapa hubungan. Nah dari angka
tersebut bisa dilihat seberapa signifikan hubungan yang terjadi. Maksud dari
signifikan di sini adalah bagaimana satu variabel mempengaruhi dengan sangat atau
bahkan tidak berpengaruh sama sekali terhadap variabel lainnya.
  Kriteria Analisis Korelasi Rank Spearman
Ada beberapa nilai pedoman dalam penentuan tingkat kekuatan korelasi variabel
yang dihitung. Pedoman ini biasa digunakan dalam output yang diberikan oleh SPSS.
Ketentuan nilai pedoman tersebut adalah:
- 0,00 – 0,25: hubungan sangat rendah
- 0,26 – 0,50: hubungan cukup
- 0,51 – 0,75: hubungan kuat
- 0,76 – 0,99: hubungan sangat kuat
- 1,00: hubungan sempurna
 Kriteria Signifikansi Korelasi Rank Spearman
Kekuatan dari korelasi juga ikut menentukan signifikansi hubungan dari dua variabel
yang dilakukan uji ini. Ketika nilai sig (2 tailed) berada kurang dari rentan 0,05 atau
0,01, maka hubungan dikatakan signifikan. Sedangkan pada saat nilai sig (2 tailed)
berada lebih dari rentang tersebut maka hubungan dikatakan tidak berarti. Arah
korelasi dapat dilihat di hasil bagaimana angka koefisien korelasi dan biasanya nilai
yang dihasilkan berada pada rentang -1 sampai dengan 1. Ketika nilai koefisien
korelasi memiliki nilai negatif maka hubungan tidak searah sedangkan ketika bernilai
positif maka hubungan searah.

9. Korelasi Kendall Tau merupakan statistik nonparametrik dengan skala pengukuran data
sekurang-kurangnya data ordinal. Korelasi kendall tau digunakan untuk mengukur tingkat
kesesuaian yakni apakah ada perbedaan tingkat kesesuain ranking antara 2 variabel yang
diamati.
Metodologi
Rumus yang digunakan untuk mengukur koefisien korelasi kendall tau adalah:

Jika ada ranking yang sama, maka rumus di atas dilengkapi dengan faktor koreksi
rank yang sama, yaitu:
di mana:

atau secara ekivalen:

di mana:

Keterangan:
S : statistik untuk jumlah konkordansi dan diskordansi
C : banyaknya pasangan konkordansi (wajar)
D : banyaknya pasangan diskordansi (tidak wajar)
N : jumlah pasangan X dan Y
Tx : faktor koreksi ranking X yang sama
Ty : faktor koreksi ranking Y yang sama

Sampel Besar
Jika sampel berukuran lebih dari 10, maka terapkan aproksimasi sampel besar
dengan menganggap bahwa distribusi sampel mendekati distribusi normal (z). Dengan
demikian, kaidah pengambilan keputusan untuk analisis korelasi kendall tau sebagai
berikut:
1. Hipotesis dua arah: tolak Ho jika Z hitung > Z tabel atau Z hitung ≤ -Z tabel untuk n
dan tingkat signifikansi α.
2. Hipotesis satu sisi: tolak Ho jika nilai Z hitung > nilai Z tabel untuk n dan tingkat
signifikansi α.
 3. Hipotesis satu sisi: tolak Ho jika nilai Z hitung < -Z tabel untuk n dan tingkat
signifikansi α.

Statistik uji untuk sampel besar yaitu:

di mana:

Prosedur Uji Signifikansi Korelasi Kendall Tau

Adapun langkah-langkah perhitungan koefisien korelasi kendall tau yaitu:

1. Tentukan hipotesis nol dan hipotesis alternatif. H0: tidak ada kesesuaian
ranking yang diberikan oleh X dan Y dalam populasi. H1: ada kesesuaian
ranking yang diberikan oleh X dan Y dalam populasi.
2. Tentukan tingkat signifikansi α.
3. Hitung statistik uji dengan cara: (i) Susunlah pasangan-pasangan (Xi dan Yi)
dalam kolom menurut besarnya nilai-nilai X, dari nilai X yang paling kecil,
dalam hal ini nilai-nilai X berada dalam urutan yang wajar (natural order). (ii)
Bandingkan setiap nilai Y, satu demi satu dengan nilai yang ada di sebelah
kanannya, bila urutannya wajar (concordan) beri nilai 1, sedangkan bila
urutannya tidak wajar (disconcordan) beri nilai -1 (kurang 1). (iii) Tentukan
jumlah Concordan (C) dan Disconcordan (D). (iv) Hitung nilai S yang
diperoleh dari C – D. (v) Hitung nilai statistik τ.
4. Wilayah kritis:
5. Buatlah keputusan terima atau tolak Ho berdasarkan wilayah kritisnya.
6. Kesimpulan:
10. Uji Chi Square
Chi Square disebut juga dengan Kai Kuadrat. Chi Square adalah salah satu jenis
uji komparatif non-parametris yang dilakukan pada dua variabel, di mana skala data
kedua variabel adalah nominal. (Apabila dari 2 variabel, ada 1 variabel dengan skala
 nominal maka dilakukan uji chi square dengan merujuk bahwa harus digunakan uji pada
derajat yang terendah). Berikut akan kita bahas tentang rumus chi square.
Syarat Uji Chi Square

Uji chi square merupakan uji non-parametris yang paling banyak digunakan.
Namun perlu diketahui syarat-syarat uji ini adalah: frekuensi responden atau sampel yang
digunakan besar, sebab ada beberapa syarat di mana chi square dapat digunakan yaitu:
1. Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual Count (F0)
sebesar 0 (Nol).
2. Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang
memiliki frekuensi harapan atau disebut juga expected count (“Fh”) kurang dari 5.
3. Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell dengan frekuensi
harapan yang kurang dari 5 tidak boleh lebih dari 20%.
Jenis Uji Chi Square

Rumus chi-square sebenarnya tidak hanya ada satu. Apabila tabel kontingensi
bentuk 2 x 2, maka rumus yang digunakan adalah “koreksi yates”. Untuk rumus koreksi
yates, sudah kami bahas dalam artikel sebelumnya yang berjudul “Koreksi Yates“.
Apabila tabel kontingensi 2 x 2 seperti di atas, tetapi tidak memenuhi syarat
seperti di atas, yaitu ada cell dengan frekuensi harapan kurang dari 5, maka rumus harus
diganti dengan rumus “Fisher Exact Test”.
Rumus Pearson Chi Square

Rumus Chi Square Tersebut adalah:

Rumus Uji Chi Square

Judul Social identity dimensions and consumer behavior in social media

Jurnal Asia Pacific Management Review
Tahun 3 januari 2017
Penulis Tien Wang
Reviewer Mohammad Iqbal Amin
Tanggal Reviewer 29 Mei 2020
Latar belakang Perkembangan pesat dan popularitas media sosial, seperti situs jejaring
sosial online (SNS), telah disertai dengan perubahan cepat dalam
perilaku konsumen. Per Juli 2012, orang menghabiskan sekitar 6,5 ha
hari di media sosial untuk bersosialisasi, berbagi, dan berkomunikasi
dengan anggota jejaring sosial mereka. Perubahan perilaku menuju
ketergantungan pada media sosial ini telah meningkat secara dramatis.
Sebuah studi baru-baru ini berdasarkan 170.000 pengguna Internet di
Amerika Serikat mengungkapkan bahwa rata-rata pengguna
menghabiskan 1,72 jam di jejaring sosial dan 0,81 jam lagi di
microblogging setiap hari, yang masing-masing menyumbang 28% dan
13% dari semua aktivitas online.Bennet, 2015)
Tujuan Penelitian ini mencoba untuk mengisi kesenjangan penelitian ini dan
menguji berbagai efek dimensi kognitif, afektif, dan evaluatif pada
perilaku penggunaan dan pembelian.
Tujuan penelitian ini menegaskan perbedaan teoritis antara tiga
komponen identitas sosial yang berbeda dengan data empiris. Selain
itu, aspek identitas sosial yang berbeda mempengaruhi perilaku
pengguna dalam berbagai cara; yaitu, hanya identitas afektif yang
dapat memengaruhi perilaku penggunaan pengguna, sedangkan
identitas kognitif dan evaluatif secara signifikan dapat mempengaruhi
perilaku pembelian
Metodelogi Untuk mewujudkan semakin pentingnya media sosial, penelitian ini
penelitian melakukan penelitian dalam konteks SNS, sebuah klasifikasi media
sosial. Selain itu, fokusnya adalah pada perilaku penggunaan dan
pembelian. Proposisi penelitian utama menyarankan identitas sosial
 sebagai penggerak bersama dengan tiga dimensi yang dapat memicu
kedua perilaku dengan berbagai besaran. Menggambar pada teori
identitas sosial, harapan umum adalah hubungan positif antara dimensi
identitas sosial dan perilaku. Selain itu, penelitian ini mengantisipasi
efek identitas kognitif, emosional, dan evaluatif yang berbeda pada
perilaku penggunaan dan pembelian. Bagian ini menjelaskan data yang
dikumpulkan untuk menguji pengaruh ketiga dimensi identitas sosial
ini dan besarnya relatif dari efek tersebut.
Pengumpulan data menggunakan survei kuesioner untuk mendapatkan data untuk analisis.
Responden yang memenuhi syarat adalah mereka yang memiliki
pengalaman Internet dan mampu melakukan perilaku pembelian.
Setelah pembersihan data, sampel akhir terdiri dari 242 kuesioner yang
dikembalikan. Kami menerapkan kuadrat terkecil parsial.
Hasil Untuk menyelidiki validitas konvergen, kami membandingkan
pemuatan setiap indikator dengan variabel laten yang sesuai. Seperti
yang ditunjukkan pada tabel 2, semua pembebanan ke variabel laten
yang sesuai lebih besar dari 0,7; dengan demikian, mereka lulus uji
validitas konvergen. Mengenai validitas diskriminan, penyaringan
awal korelasi konstruk (Tabel 3, tiga kolom terakhir) menunjukkan
bahwa semua korelasi lebih rendah dari 0,75 dan menunjukkan
validitas diskriminan. Selain itu, pemuatan masing-masing indikator ke
variabel laten mereka ternyata lebih besar daripada pemuatan ke
konstruksi lainnya. Misalnya, pemuatan AffId1 ke identitas afektif
(0,718) adalah secara substansial lebih besar daripada identitas kognitif
(0,555) atau identitas evaluatif (0,641). Rata-rata varians diekstraksi
(AVE) dari tiga dimensi identitas sosial juga diperiksa untuk validitas
diskriminan. Bukti bahwa ketiga akar kuadrat AVE adalah yang
tertinggi di antara koefisien korelasi menawarkan dukungan tambahan
untuk validitas diskriminan. Penelitian sebelumnya telah menyatakan
bahwa composite reliability dan AVE adalah dua indikator utama
konsistensi internal. Kolom ketiga di tabel 2 menunjukkan bahwa
semua konstruksi memiliki reliabilitas komposit lebih besar dari 0,9,
yang lebih besar dari nilai ambang 0,7. dengan demikian, konstruksi
dapat dianggap memiliki konsistensi internal yang baik. Selain itu,
nilai AVE lebih besar dari 0,5 lebih lanjut menunjukkan konsistensi
internal. Semua konstruksi utama juga lulus tes ini. Konsistensi
internal juga memberikan dukungan tambahan untuk validitas
konvergen dari tiga konstruksi identitas sosial. Kekhawatiran lain
adalah bias metode umum (CMB). menunjukkan bahwa CMB tidak
terlalu berbahaya bagi sistem informasi dan topik terkait teknologi
seperti SNS, penelitian ini menerapkan beberapa teknik untuk
meminimalkan CMB. Pertama, dalam desain kuesioner, kami
menempatkan item konstruksi di segmen yang berbeda dan
memisahkannya dengan pertanyaan demografis untuk membuat
pemisahan psikologis dan proksimal. Kedua, untuk mengurangi
kekhawatiran evaluasi dan memastikan anonimitas responden, survei
diselesaikan secara anonim, dan tidak ada jawaban yang dianggap
benar atau salah. Selain itu, kami juga menggunakan uji faktor tunggal
Harman untuk mengidentifikasi apakah data memiliki CMB. Hasil
analisis faktor menunjukkan bahwa tidak ada satu faktor pun yang
dapat menjelaskan lebih dari 50% varians yang diekstraksi. Oleh
karena itu, CMB minimal.
Implikasi implikasi manajerial bagi manajer media sosial. Temuan menunjukkan
bahwa pengguna media sosial mengembangkan identifikasi dengan
platform ini dan kelompok virtual yang dibina dalam lingkungan ini.
Identifikasi sosial ini mendorong perilaku penggunaan dan pembelian.
Manajer harus mengakui wawasan ini dan mempertimbangkan untuk
berfokus pada identifikasi pengguna terhadap situs web untuk
mendorong perilaku penggunaan dan pembelian. Berinvestasi dalam
pengembangan identifikasi pengguna sebagai pengungkit pemasaran
membantu membangun basis pelanggan tidak hanya dengan
mendorong penggunaan tetapi juga dengan mencegah perilaku berhenti
(Stieger, Burger, Bohn, & Voracek, 2013), sehingga mengamankan
sumber pendapatan. Pendekatan seperti itu juga meningkatkan
efektivitas pemasaran melalui alokasi sumber daya untuk pendorong
umum dengan efek ganda pada dua perilaku hasil yang diinginkan.