emha: Teknik analisis data statistik penelitian dengan SPSS

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
Independen	>2 kelompok	Anova Satu Arah	Uji Kruskal Wallis
Berhubungan	2 kelompok	Uji T Sampel Berhubungan	Uji Wilcoxon
Berhubungan	>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
Sampel ≥30	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
Sampel <30	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
Variabel Bebas Interval/Rasio	Jumlah variabel terikat >1	multivariate GLM	–
Variabel Bebas Nominal/Ordinal	Jumlah variabel terikat = 1	Regresi OLS dengan dummy variable, sederhana atau berganda	Regresi Logistik
Variabel Bebas Nominal/Ordinal	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

emha

Sabtu, 14 Oktober 2017

Teknik analisis data statistik penelitian dengan SPSS

Teknik Analisis Data