Pengujian hipotesis
dijelaskan di halaman ini termasuk teknik analisis data yang tepat sesuai
dengan tujuan riset dan penelitian.
Pengujian hipotesis statistik yang akan anda
gunakan tergantung dari tujuan penelitian. Jika penelitian anda menggunakan
desain kuantitatif, tujuan penelitiannya kurang lebih tidak jauh dari ketiga
ini:
1.
Melihat apakah ada perbedaan rata-rata
2.
Melihat apakah ada hubungan
3.
Melihat apakah ada pengaruh
Melihat Apakah Ada Perbedaan Rata-Rata
Misal, perbedaan rata-rata sikap terhadap toko online
yang sering dikunjungi: kita ingin apakah rata-rata sikap wanita berbeda dari
sikap pria yang mengunjungi suatu toko online.
Misal lagi, kita ingin melihat apakah rata-rata
gaji karyawan pria di suatu perusahaan berbeda daripada rata-rata gaji karyawan
yang wanita.
Melihat Apakah Ada Hubungan
Misal, ingin mengetahui hubungan antara jenis
kelamin dan toko online yang sering dikunjugi. Mungkin wanita lebih
banyak mengunjugi toko online di Facebook daripada pria, sementara
pria lebih banyak mengunjugi FJB Kaskus daripada wanita.
Misal lagi, kita ingin mengetahui apakah ada
hubungan antara jenis kelamin dan jabatan. Ini berarti kita ingin mengetahui
apakah jabatan-jabatan level tinggi lebih banyak diisi oleh pria,
sementara jabatan level rendah lebih banyak diisi oleh wanita, atau sebaliknya.
Melihat Apakah Ada Pengaruh
Misal, kita ingin melihat apakah kepuasan
mempengaruhi loyalitas. Ini berarti kita ingin melihat apakah kepuasan terhadap
suatu produk membuat loyalitas terbentuk. Kita juga bisa melihat apakah pengaruhnya
positif (makin puas membuat makin loyal)
Misal lagi, kitia ingin melihat apakah pengalaman
kerja mempengaruhi gaji awal. Ini berarti kita ingin melihat apakah banyaknya
pengalaman kerja seseorang membuat tinggi atau rendahnya gaji awal.
Perhatikan bahwa hubungan tidak sama dengan
pengaruh. Hubungan hanya menunjukkan kecenderungan (misal: lebih banyak
wanita di posisi manajer level tinggi daripada pria). Ini bukan berarti jenis
kelamin wanita membuat seseorang menjadi manajer level tinggi. Sementara itu,
pengaruh menguji efek sebab akibat (kepuasan mempengaruhi loyalitas). Ini
berarti puasnya seseorang membuat orang tersebut menjadi
loyal.
Sedikit catatan: statistik hanya bisa digunakan
untuk desain penelitian kuantitatif (menggunakan survey atau eksperimen). JIka
desain penelitian anda menggunakan kualitatif (observasi/pengamatan, wawancara
mendalam, focus group discussion, etnografi, dll) anda tidak bisa
menggunakan analisis data statistik. Silakan baca buku-buku tentang penelitian
kualitatif.
Sebelum membahas teknik analisis yang sesuai dengan
tiga tujuan di atas, beberapa istilah perlu dijelaskan terlebih dahulu seperti
tipe pengambilan data (cross section dan time series),
istilah-istilah dalam variabel, perbedaan statistik parametrik dengan non
parametrik dan uji signifikansi.
Data
Cross Section dan Time Series
Data time series adalah data yang
mempunyai jarak waktu tertentu, bisa harian, bulanan, tahunan, dalam quartal atau
bahkan dalam jam, menit atau detik. Misal, data penjualan minimart se-Indonesia
(lihat tabel di bawah) setiap bulan dalam dua tahun terakhir. Perhatikan bahwa
hanya aja satu data (penjualan, dalam milyar Rupiah) dan ada satuan waktu (per
bulan, dalam dua tahun sehingga ada 24 angka penjualan). Data seperti ini
biasanya data ekonomi (inflasi, GDP, dll) dan keuangan (IHSG, laba, ROI, dll).
|
No
|
Bulan
|
Penjualan
(Milyar Rp)
|
|
1
|
Januari tahun 1
|
4
|
|
2
|
Februari tahun 1
|
2
|
|
3
|
Maret tahun 1
|
2
|
|
4
|
April tahun 1
|
3
|
|
5
|
Mei tahun 1
|
3
|
|
6
|
Juni tahun 1
|
2
|
|
7
|
Juli tahun 1
|
4
|
|
8
|
Agustus tahun 1
|
3
|
|
9
|
September tahun 1
|
4
|
|
10
|
Oktober tahun 1
|
3
|
|
11
|
November tahun 1
|
2
|
|
12
|
Desember tahun 1
|
4
|
|
13
|
Bulan tahun 2
|
4
|
|
14
|
Januari tahun 2
|
5
|
|
15
|
Februari tahun 2
|
5
|
|
16
|
Maret tahun 2
|
2
|
|
17
|
April tahun 2
|
4
|
|
18
|
Mei tahun 2
|
5
|
|
19
|
Juni tahun 2
|
5
|
|
20
|
Juli tahun 2
|
3
|
|
21
|
Agustus tahun 2
|
2
|
|
22
|
September tahun 2
|
5
|
|
23
|
Oktober tahun 2
|
5
|
|
24
|
November tahun 2
|
4
|
|
25
|
Desember tahun 2
|
2
|
Data
cross section menggambarkan keadaan data pada suatu waktu
tertentu. Di data
cross section tidak ada satuan waktu seperti hari,
bulan, tahun, jam, menit, detik, dll. Misal, data penjualan enam belas toko
minimart se-Indonesia pada bulan Desember 2014 saja (lihat tabel di bawah).
Perhatikan bahwa di data
time series di atas, data semua toko digabungkan
ke dalam satu bulan dan disajikan perubahan data per bulan. DI data
cross
section di bawah, hanya ada data satu bulan saja (tidak ada data perubahan
penjualan tiap bulan) dan datanya tidak digabung (ada data semua toko)
|
Nama
Toko
|
Penjualan
Desember 2014 (Juta RP)
|
|
Toko minimart 1
|
130
|
|
Toko minimart 2
|
496
|
|
Toko minimart 3
|
239
|
|
Toko minimart 4
|
241
|
|
Toko minimart 5
|
216
|
|
Toko minimart 6
|
442
|
|
Toko minimart 7
|
119
|
|
Toko minimart 8
|
306
|
|
Toko minimart 9
|
138
|
|
Toko minimart 10
|
273
|
|
Toko minimart 11
|
427
|
|
Toko minimart 12
|
176
|
|
Toko minimart 13
|
157
|
|
Toko minimart 14
|
201
|
|
Toko minimart 15
|
428
|
|
Toko minimart 16
|
304
|
Data cross section seperti ini digunakan secara luas di ilmu sosial dan
manajemen seperti pemasaran, SDM, psikologi, dll.
Data yang digunakan sebagai contoh di situs ini adalah data cross
section
. Data time series
tidak digunakan untuk contoh di situs ini.
Variabel,
Skala Pengukuran dan Pengukuran
Variabel adalah segala sesuatu yang mempunyai nilai yang
berbeda di setiap obyek. Misal, tinggi badan pasti berbeda setiap orang, jumlah
helai rambut di semua orang, warna kulit, dll. Misal lagi adalah jumlah laba
setiap perusahaan, jumlah karyawan, tingkat kepuasan setiap konsumen
Lawan dari variabel adalah
konstan, seperti jumlah kepala
yang hanya satu buah di setiap orang atau jumlah presiden direktur di sebuah
perusahaan yang pasti hanya ada satu orang.
Pengukuran (
measurement) adalah pemberian angka
kepada suatu variabel sehingga variabel tersebut bisa dibedakan antar obyek.
Misal, jumlah karyawan yang dihitung dengan jumlah orang, jumlah laba yang
dihitung dengan satuan Rupiah, jumlah inflasi tahunan yang dihitung dalam
satuan persentase. Pemberian angka ini juga penting untuk software karena
komputer hanya bisa membaca angka, bukan huruf.
Skala pengukuran (
measurement scale) adalah
tingkatan pengukuran (
measurement). Ada empat tingkatan (dari rendah
sampai tinggi) yaitu skala nominal, ordinal, interval dan rasio.
Skala nominal adalah skala pengukuran di mana angka
diberikan kepada variabel hanya sebagai label sehingga besar kecilnya angka
tidak berarti angka lebih besar mempunyai nilai atau derajat lebih tinggi
daripada angka yang yang lebih kecil.
Contoh skala nominal adalah
jenis kelamin. KIta bisa
memberikan angka apa saja kepada pria dan wanita, namun angka itu tidak berarti
pria lebih tinggi daripada wanita atau sebaliknya. Misal, pria diberikan angka
0 dan wanita angka 1. Angka 1 untuk wanita hanya sebagai label, bukan berarti
wanita lebih tinggi daripada pria yang diberikan angka 0. Pria dan wanita bisa
diberikan angka berapa saja (misal pria=328, wanita 9832; pria=1092, wanita=12;
pria=1, wanita=1000) namun angka tersebut tidak berarti pria lebih tinggi dari
wanita, atau sebaliknya.
Skala ordinal adalah skala pengukuran di mana angka yang
diberikan ada
tinggi rendahnya atau urutan, namun jarak tinggi
rendahnya tidak bisa dijelaskan.
Contoh skala ordinal adalah
jabatan. Kita bisa bilang
jabatan terendah sampai tertinggi adalah staf, supervisor, manajer dan direksi
sehingga kita bisa memberikan angka staf=1, supervisor=2, manajer=3 dan
direksi=4. Karena supervisor diberikan angka 2 dan staf angka 1, supervisor
berarti mempunyai jabatan lebih tinggi daripada staf, namun supervisor juga
berarti lebih rendah jabatannya daripada direksi yang diberikan angka 4.
Namun kita
tidak bisa mengukur satuan jarak antara staf dan
supervisor, staf dan manajer serta staf dan direksi. Angka 1 dan 2 di staf dan
supervisor hanya sebagai pembeda bahwa supervisor lebih tinggi daripada staf,
namun besarnya perbedaan kedua jabatan tidak bisa diukur atau didefenisikan.
Skala interval mempunyai tinggi rendah dan jarak, namun
skala interval
tidak mempunyai nol mutlak. Jika mempunyai
tinggi rendah, jarak dan nol mutlak, berarti skalanya rasio.
Nol mutlak adalah angka nol yang berarti
tidak mempunyai nilai.
Misal, nol kilogram tidak mempunyai massa, nol liter berarti tidak mempunyai
volume, nol meter berarti tidak mempunyai panjang. Ini berarti variabel
kilogram, volume dan panjang mempunyai nol mutlak (selain mempunyai tinggi
rendah dan jarak: 2 Kg lebih ringan daripada 10 Kg, 2 Kg berjarak 8 Kg dari 10
Kg) sehingga mereka bertiga mempunyai
skala rasio.
Contoh skala interval adalah suhu dalam Celcius. Nol Celcius bukan berarti
tidak ada suhu, namun hanya titik beku air di tekanan udara sebesar 1 atmosfir.
Ini berarti nol Celcius bukan nol mutlak.
Contoh lain dari skala interval adalah skala Likert.
Skala Likert
menggunakan skala pengukuran interval, bukan ordinal. Banyak
kontroversi tentang skala Likert ini di mana sebagian peneliti mengganggapnya
sebagai skala interval dan sebagian lain mengganggapnya skala ordinal. Dasar
referensi bahwa skala Likert adalah skala interval ada di buku Marketing
Research oleh Naresh Kumar Malhotra, edisi berapa saja.
|
Skala
|
Tinggi
Rendah
|
Jarak
|
Nol
Mutlak
|
|
Nominal
|
x
|
x
|
x
|
|
Ordinal
|
v
|
x
|
X
|
|
Interval
|
V
|
v
|
X
|
|
Rasio
|
V
|
v
|
V
|
1. Skala
nominal: tidak ada tinggi rendah, tidak ada jarak, tidak ada nol mutlak
2.
Skala ordinal: ada tinggi rendah, tidak
ada jarak, tidak ada nol mutlak
3.
Skala interval: ada tinggi rendah, ada
jarak, tidak ada nol mutlak
4.
Skala rasio: ada tinggi rendah, ada
jarak, ada nol mutlak
Statistik
Parametrik dan Non Parametrik
Nanti setiap tujuan pengujian statistik (mengetahui perbedaan, hubungan atau
pengaruh) dibagi lagi menjadi statistik parametrik dan non parametrik. Jadi
pengujian statistik dibagi lagi menjadi
§ Uji beda parametrik
§ Uji beda non parametrik
§ Uji hubungan parametrik
§ Uji hubungan non parametrik
§ Uji pengaruh
Statistik parametrik adalah statistik untuk data-data yang
semua
ketiga syarat ini terpenuhi
1. Sampel
minimum 30 orang/responden/perusahaan/observasi
2. Skala
pengukuran interval atau rasio
3. Data
terdistribusi normal
Khusus untuk syarat ketiga, sebagian orang tidak menguji lagi datanya apakah
sudah terdistribusi normal, sehingga mereka mengabaikan syarat ketiga ini.
Namun, di situs ini semua syarat harus terpenuhi sehingga data diuji dahulu
apakah terdistribusi normal atau tidak.
Jika salah satu syarat di atas tidak terpenuhi, statistik yang digunakan
adalah statistik
non parametrik dan jika tujuannya adalah
ingin melihat hubungan, uji hubungan non parametrik yang sebaiknya digunakan.
Uji
Signifikansi
Uji signifikansi adalah menguji apakah data atau
fakta yang kita
dapatkan di sampel mencerminkan keadaan yang sama di populasi. Misal,
di sampel yang kita ambil, terlihat bahwa rata-rata gaji pria lebih kecil dari
gaji wanita. Namun, ada kemungkinan bahwa ada kesalahan dalam pengambilan
sampel, atau
sampel yang kita ambil kebetulan gaji karyawan-karyawan
pria lebih kecil dari wanita . Berapa besar kemungkinan fakta ini
benar-benar terjadi di populasi?
Uji signifikansi hanya perlu dilakukan untuk data sampel. Jika data anda
adalah data populasi, anda tidak perlu melakukan uji signifikansi.
Besarnya kemungkinan fakta ini juga terjadi di populasi inilah yang diwakili
oleh
tingkat keyakinan (
confidence level). Jika anda
yakin 95% fakta ini benar (bahwa memang di populasi, gaji pria lebih rendah
dari wanita), tingkat keyakinan anda adalah 95%.
Besarnya tingkat keyakinan ini tergantung tingkat kepercayaan anda terhadap
kualitas pengambilan sampel dan/atau tingkat akurasi yang diinginkan. Makin
besar tingkat keyakinan berarti makin besar akurasi yang anda inginkan.
Biasanya untuk penelitian ilmu sosial, tingkat kepercayaan 95% yang dipakai.
Kalau anda menganggap data sampelnya kurang akurat, anda bisa memilih tingkat
keyakinan yang lebih rendah. Jika anda ingin keakuratan lebih tinggi, anda bisa
memilih tingkat keyakinan yang lebih tinggi.
Dari tingkat keyakinan ini didapat
tingkat signifikansi (
significance
level). Tingkat signifikansi dihitung dengan rumus 1-tingkat keyakinan.
Jadi jika tingkat keyakinan yang digunakan adalah 95%, tingkat signifikansi
adalah 5% atau 0,05.
Fungsi tingkat signifikansi pada uji signifikansi adalah jika nanti setelah
dihitung oleh SPSS atau R Stat,
nilai signifikansinya di bawah
5%, hipotesis nol (H0) tentang sampel akan ditolak.
H0, atau hipotesis nol, adalah sebuah pernyataan tentang
populasi, sesuai dengan tujuan penelitian kita
§ Jika
tujuannya mengetahui apakah ada perbedaan, H0-nya adalah “tidak ada perbedaan“
§ Jika
tujuannya mengetahui apakah ada hubungan, H0-nya adalah “tidak ada hubungan“
§ Jika
tujuannya mengetahui apakah ada pengaruh, H0-nya adalah “tidak ada pengaruh“
Perhatikan bahwa di H0 selalu ada kata
tidak.
H0 tersebut sudah pakem dan tidak boleh diubah. Jika anda ingin H0-nya
diubah seperti “H0: ada hubungan antara jenis kelamin dan jabatan”, anda tidak
bisa menggunakan SPSS. Gunakan
software statistik yang bisa melakukan
power
analysis.
Jadi, misal tujuan penelitiannya adalah “melihat apakah ada hubungan antara
jenis kelamin dan jabatan”, H0-nya adalah “
tidak ada hubungan
antara jenis kelamin dan jabatan”. Jika nanti
nilai signifikansinya
(dihitung oleh SPSS atau R Stat) lebih kecil dari 5%, pernyataan “tidak ada
hubungan antara jenis kelamin dan jabatan”
ditolak atau
dianggap tidak benar. Kesimpulannya “ada hubungan antara jenis kelamin dan jabatan”.
Ini artinya
di populasi penelitian memang ada hubungan antara jenis
kelamin dan jabatan.
Tahap
Pemilihan Uji Beda
Jika tujuan penelitian kita adalah ingin melihat apakah ada perbedaan, uji
statistik yang kita pilih adalah uji beda.
Ada banyak uji statistik untuk uji beda. Untuk mengetahui uji beda yang
tepat, ada tiga tahap pemilihan yang harus dilewati:
1. Apakah
akan menggunakan uji beda parametrik atau uji beda non-parametrik?
2. Apakah
akan menggunakan uji beda sampel independen atau sampel berhubungan?
3. Apakah
jumlah kelompoknya (atau variabel) ada dua atau lebih dari dua?
Uji Beda Parametrik dan Non-Parametrik
Seperti yang sudah dijelaskan di atas, uji beda dibedakan lagi menjadi uji
beda parametrik dan non-parametrik. Bagaimana cara menentukannya? Ketiga
pertanyaan di bawah ini harus dijawab “Ya”:
§
Apakah sampelnya minimal ada 30
responden/subyek/pengamatan?
§
Apakah variabel yang ingin diuji mempunyai
skala interval atau rasio?
§
Apakah variabel yang ingin diuji
terdistribusi normal?
Contoh: kita ingin mengetahui perbedaan gaji antara karyawan pria dan
wanita. Ini berarti
variabel yang ingin diuji adalah gaji, bukan jenis
kelamin. Variabel ini harus terdistribusi normal. Perhatikan bahwa
gaji mempunyai skala pengukuran rasio. Jumlah sampelnya juga harus minimal 30
karyawan (kalau bisa jangan timpang antara jumlah pria dan wanita).
Jika salah satu saja dari pertanyaan di atas dijawab “tidak”, analisis
data statistik yang kita gunakan adalah uji beda non-parametrik
Sampel Independen dan Berhubungan
Sampel independen adalah jika kita ingin mengetahui perbedaan antara dua
kelompok atau lebih. Sampel berhubungan adalah jika kita ingin mengetahui
perbedaan antara dua variabel yang ingin diuji.
Ingat contoh sebelumnya: kita ingin mengetahui perbedaan gaji antara
karyawan pria dan wanita. Variabel yang ingin diuji adalah gaji, dan
jenis
kelamin adalah kelompoknya. Jika kasus anda seperti ini, berarti uji
beda yang digunakan adalah uji beda sampel independen.
Jika kita ingin mengetahui perbedaan antara gaji awal dan gaji
sekarang, kita ingin mengetahui perbedaan antara dua variabel: gaji awal dan
gaji sekarang. Di sini tidak ada pembagian kelompok seperti contoh di atas.
Jika kita ingin mengetahui
perbedaan antara dua variabel, uji
beda yang digunakan adalah uji beda sampel berhubungan.
Catatan: untuk uji beda sampel berhubungan, variabel yang diuji harus bisa
dibandingkan, seperti gaji awal dan gaji akhir, umur fresh graduate S1 dan umur
lulusan S2 profesi, dll. Anda tidak bisa membandingkan gaji awal dan umur
responden karena
berbeda satuannya: gaji dalam satuan uang dan
umur dalam satuan tahun.
Jumlah Kelompok
Ingat kembali contoh tadi: kita ingin mengetahui perbedaan gaji antara
karyawan pria dan wanita. Ini berarti jenis kelamin adalah kelompoknya dan
karena
jenis kelamin hanya ada dua pilihan: pria atau wanita,
jumlah kelompoknya ada dua.
Contoh kelompok yang lebih dari dua adalah jabatan. Jabatan minimal ada
jabatan staf, supervisor dan manajer. Karena di dalam variabel jabatan ada
lebih dari dua pilihan (ada tiga pilihan), jumlah kelompok untuk jabatan ada
tiga.
Jenis-Jenis Uji Statistik untuk Uji
Beda
Sesuai dengan penjelasan di atas, uji data statistik untuk uji beda dapat
dibagi menjadi delapan:
1. Uji
beda parametrik untuk sampel independen dua kelompok
2. Uji
beda parametrik untuk sampel independen lebih dari dua kelompok
3. Uji
beda non-parametrik untuk sampel independen dua kelompok
4. Uji
beda non-parametrik untuk sampel independen lebih dari dua kelompok
5. Uji
beda parametrik untuk sampel independen dua variabel
6. Uji
beda parametrik untuk sampel independen lebih dari dua variabel
7. Uji
beda non-parametrik untuk sampel independen dua variabel
8. Uji
beda non-parametrik untuk sampel independen lebih dari dua variabel
Berikut adalah tabel pembagian jenis-jenis uji statistik untuk uji beda.
|
Parametrik
|
Non-Parametrik
|
|
Independen
|
2 kelompok
|
Uji T Sampel
Independen
|
Uji Mann Whitney
|
|
>2 kelompok
|
Anova Satu Arah
|
Uji Kruskal Wallis
|
|
Berhubungan
|
2 kelompok
|
Uji T Sampel
Berhubungan
|
Uji Wilcoxon
|
|
>2 kelompok
|
Anova Repeated
Measures
|
Uji Friedman
|
Tahap
Pemilihan Uji Hubungan
Jika tujuan penelitiannya adalah ingin melihat apakah ada hubungan,
uji statistik yang digunakan adalah uji hubungan.
Seperti uji beda, ada beberapa jenis uji hubungan. Untuk memilih uji
hubungan yang tepat, beberapa pertanyaan di bawah ini harus dijawab.
§
Apakah akan menggunakan uji hubungan
parametrik atau uji hubungan non-parametrik?
§
Jika akan menggunakan uji hubungan
non-parametrik, apakah skala pengukurannya interval atau rasio?
Uji Hubungan Parametrik dan Non-Parametrik
Sama seperti uji beda, uji hubungan dibagi menjadi uji hubungan parametrik
dan non-parametrik. Untuk menentukan jenis uji beda yang akan dipilih, ketiga
pertanyaan berikut harus dijawab “Ya”.
1. Apakah
kedua variabel yang ingin diuji berskala interval atau rasio?
2. Apakah
kedua variabel yang ingin diuji berdistribusi normal?
3. Apakah
sampelnya berjumlah minimal 30 orang/subyek/pengamatan?
Contoh: kita ingin mengetahui apakah pengalaman kerja (dalam satuan bulan)
berhubungan dengan gaji awal. Pengalaman kerja dalam satuan bulan
berskala rasio, begitupula dengan gaji awal yang bersatuan mata uang.
Baik pengalaman kerja
dan gaji awal harus berdistribusi
normal. Jika salah satu saja tidak terdistribusi normal, uji hubungan yang
tepat digunakan adalah uji hubungan non-parametrik.
Contoh lagi: kita ingin mengetahui hubungan antara jabatan dan jenis
kelamin. Jabatan berskala ordinal dan jenis kelamin berskala nominal. Karena
salah
satu variabel bukan interval atau rasio, uji hubungan
yang tepat digunakan adalah uji hubungan non-parametrik.
Jika kedua variabelnya interval rasio, kedua variabelnya terdistribusi
normal, dan sampelnya minimal 30 responden/subyek/pengamatan, uji hubungan yang
tepat digunakan adalah uji hubungan parametrik, dan
hanya ada satu uji
hubungan parametrik: uji korelasi Pearson.
Catatan: jika anda ingin mengetahui hubungan dua variabel di mana salah
satunya berskala nominal/ordinal dan yang lain berskala interval/rasio (misal:
hubungan jabatan dan gaji awal), anda sebaiknya menggunakan uji beda, bukan uji
hubungan.
Skala Pengukuran Interval/Rasio atau
Nominal/Ordinal
Jika sebelumnya kita tahu akan menggunakan uji hubungan non-parametrik, kita
lihat dahulu apakah variabelnya berskala interval/rasio. Jika skalanya
interval/rasio,
uji beda non-parametrik yang tepat digunakan adalah uji korelasi Spearman atau
uji korelasi Kendall’s Tau B. Jika skalanya nominal/ordinal, uji beda yang tepat
adalah uji Chi Square Independensi.
Jumlah Sampel
Terakhir, walaupun variabelnya interval/rasio dan terdistribusi normal, jika
sampelnya lebih kecil dari 30 orang/subyek/pengamatan, uji hubungan yang tepat
digunakan adalah uji hubungan non-parametrik, yaitu uji korelasi Spearman dan
Kendall’s Tau B.
Berikut adalah tabel pembagian uji hubungan.
|
Interval/Rasio
|
Nominal/Ordinal
|
|
Sampel ≥30
|
Terdistribusi Normal
|
Korelasi Pearson
|
Uji Chi Square
Independensi
|
|
Tidak Terdistribusi Normal
|
Korelasi
Spearman/Kendall’s Tau B
|
Uji Chi Square
Independensi
|
|
Sampel <30
|
Terdistribusi Normal
|
Korelasi
Spearman/Kendall’s Tau B
|
Uji Chi Square
Independensi
|
|
Tidak Terdistribusi Normal
|
Korelasi
Spearman/Kendall’s Tau B
|
Uji Chi Square
Independensi
|
Penjelasan tabel:
§
JIka skalanya nominal/ordinal, sudah pasti
menggunakan Chi Square independensi. Variabel berskala nominal/ordinal tidak
bisa diuji normalitas karena sifatnya kualitatif/tidak berbentuk numerik.
§
Jika skalanya interval/rasio tapi tidak
terdistribusi normal, sudah pasti menggunakan Korelasi Spearman atau Kendall’s
Tau B.
§
Jika skalanya interval/rasio dan
terdistribusi normal, tetapi sampelnya kurang dari 30 orang/subyek/pengamatan,
sudah pasti menggunakan Korelasi Spearman atau Kendall’s Tau B.
Tahap
Pemilihan Uji Pengaruh
Terakhir, jika tujuan penelitiannya adalah ingin melihat apakah ada
pengaruh, uji statistik yang digunakan adalah uji pengaruh.
Sama seperti uji hubungan dan beda, uji pengaruh ada beberapa macam. Untuk
menentukan uji pengaruh yang sesuai, beberapa pertanyaan di bawah ini harus
dijawab:
§
Variabel mana yang menjadi variabel bebas
(independen) dan variabel terikat (dependen)?
§
Variabel terikatnya berskala interval/rasio
atau nominal/ordinal?
§
Apakah variabel terikatnya berjumlah >1?
Variabel Bebas dan Terikat
Variabel bebas adalah variabel yang mempengaruhi variabel terikat. Contoh:
kita ingin mengetahui apakah lama bekerja (dalam satuan bulan) mempengaruhi
gaji sekarang. Ini artinya variabel lama bekerja adalah variabel bebas dan gaji
sekarang adalah variabel terikat.
Bagaimana cara mementukan variabel bebas dan terikat? Bisa dari
teori/penelitian orang lain sebelumnya (dengan desain riset kualitatif atau
kuantitatif) atau penelitian anda sendiri yang anda lakukan sebelumnya, yang
tentunya mengikuti kaidah penelitian ilmiah dan sudah dipubilkasikan di dalam
konferensi atau jurnal nasional/internasional.
Skala Pengukuran dari Variabel Terikat
Secara umum, uji pengaruh disebut regresi. Perbedaan skala pengukuran dari
variabel terikat menentukan jenis regresinya. Regresi yang kita pelajari waktu
kuliah adalah regresi linier ordinary least squares (OLS). Regresi OLS ini
adalah regresi untuk variabel terkait berskala interval/rasio. Jika variabelnya
nominal/ordinal, regresi yang tepat digunakan adalah regresi logistik.
Jumlah Variabel Terikat
Jumlah variabel terikat juga menentukan jenis regresi akan digunakan. Jika
variabel terikatnya berskala interval/rasio dan jumlahnya lebih dari 1, regresi
yang tepat digunakan adalah general linear model (GLM).
Berikut adalah tabel pembagian uji pengaruh.
|
Skala
Pengukuran dari Variabel Terikat
|
|
Interval/Rasio
|
Nominal/Ordinal
|
|
Variabel Bebas Interval/Rasio
|
Jumlah variabel terikat = 1
|
Regresi OLS, sederhana atau berganda
|
Regresi Logistik
|
|
Jumlah variabel terikat >1
|
multivariate GLM
|
–
|
|
Variabel Bebas Nominal/Ordinal
|
Jumlah variabel terikat = 1
|
Regresi OLS dengan
dummy variable, sederhana atau berganda
|
Regresi Logistik
|
|
Jumlah variabel terikat >1
|
multivariate GLM
|
–
|
Penutup
Dari penjelasan di atas, dapat diringkas bahwa analisis data statistik yang
dapat digunakan adalah analisis yang sesuai dengan tujuan penelitian anda,
yaitu:
§ Tujuan:
melihat apakah ada perbedaan rata-rata > uji statistik dengan Uji Beda, baik
parametric atau Non-Parametrik
§ Tujuan:
melihat apakah ada hubungan > uji statistik dengan Uji Hubungan, Parametric
atau non-parametrik
§ Tujuan:
melihat apakah ada pengaruh > uji statistik dengan Uji Pengaruh
Namun sebelum anda menulis tentang pengolahan data statistik di laporan
penelitian (di Bab 4, di bagian Pengolahan Data atau Pembahasan), biasanya anda
perlu menampilkan profil responden terlebih dahulu, biasanya dengan tabel
distribusi frekuensi atau tabulasi silang (cross tabs). Untuk penjelasan
tentang membuat tabel distribusi frekuensi dan tabulasi silang, silakan membuka
kategori Teknik Analisis Data Deskriptif Univariat
Di kategori Teknik Analisis Data Deskriptif Univariat juga dibahas cara
menguji normalitas data, untuk penentuan pemilihan analisis data statistik
parametrik dan non-parametrik.
Sekian tahapan pemilihan analisis
data statistik
