Analisis data

Resista Vikaliana, S.Si. MM 11/23/2012 Resista Vikaliana, S.Si. MM TEKNIK ANALISIS DATA Teknik analisis data ditentukan oleh faktor: Tujuan studi Skala ukur yang digunakan Jumlah variabel

yaitu SIMBOL atau KONSEP yang disumsikan sebagai seperangkat nilai 11/23/2012 Resista Vikaliana, S.Si. MM VARIABEL : yaitu SIMBOL atau KONSEP yang disumsikan sebagai seperangkat nilai

Resista Vikaliana, S.Si. MM 11/23/2012 DATA : Bahan mentah yang perlu diolah sehingga menghasilkan informasi atau keterangan, baik kualitatif maupun kuantitatif yang menunjukkan fakta. Resista Vikaliana, S.Si. MM

Resista Vikaliana, S.Si. MM 11/23/2012 Resista Vikaliana, S.Si. MM SKALA PENGUKURAN INTERVAL NOMINAL RATIO ORDINAL

Resista Vikaliana, S.Si. MM 11/23/2012 Resista Vikaliana, S.Si. MM Kuantitatif Berdasarkan bentuk parameternya/ data sebenarnya: STATISTIK PARAMETRIK Bagian dari statistik yang parameter dari populasinya mengikuti suatu distribusi tertentu (distribusi normal) STATISTIK NONPARAMETRIK Bagian statistik yang parameternya tidak mengikuti suatu distribusi tertentu atau memiliki distribusi yang bebas dari persyaratan

Analisis Data Kuantitatif 11/23/2012 Resista Vikaliana, S.Si. MM Analisis Data Kuantitatif Berdasarkan cara pengolahan datanya, statistik dibedakan menjadi statistik deskriptif dan inferensia Statistik Deskriptif : bagian statistik yang mempelajari cara pengumpulan dan penyajian data sehingga mudah dipahami Statistik Inferensia: bagian statistik yang mempelajari mengenai penafsiran dan penarikan kesimpulan yang berlaku secara umum dari data yang telah tersedia

Resista Vikaliana, S.Si. MM 11/23/2012 Resista Vikaliana, S.Si. MM Statistik Deskriptif Berfungsi menerangkan keadaan, gejala, atau persoalan Contoh pernyataan: sekurang-kurangnya 50% di antara semua karyawan bagian pemasaran yang menerima pelatihan, mampu menaikkan target penjualan mereka Penarikan kesimpulan hanya ditujukan pada kumpulan data yang ada: DISTRIBUSI FREKUENSI (grafik distribusi, ukuran nilai pusat/ mean, median, modus, dan lain-lain) ANGKA INDEKS DERET WAKTU KORELASI DAN REGRESI SEDERHANA

Penyajian Data TABEL GRAFIK

Pendapat tentang sertifikasi Membuat Tabel TABEL : memberikan informasi secara rinci. Terdiri atas kolom dan baris Kolom pertama : LABEL KOLOM Kolom kedua …. n : Frekuensi atau label TABEL BARIS Berisikan data berdasarkan kolom Tabel Tabulasi Silang Asal Wilayah Pendapat tentang sertifikasi Jumlah Sangat perlu Perlu Tidak tahu Tidak perlu Sangat tdk perlu Jawa Barat Jawa Tengah Jawa Timur NTT Papua

Penetapan skala (skala biasa, skala logaritma, skala lain) Membuat Grafik GRAFIK : memberikan informasi dengan benar dan cepat, tetapi tidak rinci. Syarat : Pemilihan sumbu (sumbu tegak dan sumbu datar), kecuali grafik lingkaran Penetapan skala (skala biasa, skala logaritma, skala lain) Ukuran grafik (tidak terlalu besar, tinggi, pendek) Jenis Grafik : Grafik Batang (Bar) Grafik Garis (line) Grafik Lingkaran (Pie) Grafik Interaksi (Interactive) 4 3 Sumbu tegak 2 1 1 2 3 4 Titik pangkal Sumbu datar

Jenis Grafik Grafik Batang (Bar) Grafik Garis (line) Grafik Interaksi (interactive) Grafik lingkaran (pie)

Resista Vikaliana, S.Si. MM 11/23/2012 Resista Vikaliana, S.Si. MM Statistik Inferensi Berfungsi meramalkan dan mengontrol keadaan atau kejadian. Contoh pernyataan:Akibat penurunan produksi minyak oleh negara-negara penghasil minyak dunia, diramalkan harga minyak akan menjadi dua kali lipat pada tahun-tahun yang akan datang Penarikan kesimpulan merupakan generalisasi dari suatu populasi berdasarkan data yang ada: PROBABILITAS, DISTRIBUSI TEORITIS, SAMPLING DAN DISTRIBUSI SAMPLING, UJI HIPOTESIS, ANALISIS KORELASI DAN UJI SIGNIFIKANSI, ANALISIS REGRESI UNTUK PERAMALAN

Normalitas, Hipotesis, Pengujian Hipotesis : uji signifikansi (keberartian) terhadap hipotesis yang dibuat ; berbentuk hipotesis penelitian dan hipotesis statistik (H0) ; hipotesis bisa terarah, bisa juga tidak terarah ; akibat dari adanya Ho, maka akan ada Ha (hipotesis alternatif) yakni hipotesis yang akan diterima seandainya Ho ditolak HIPOTESIS TERARAH TIDAK TERARAH Hipotesis Penelitian Siswa yang belajar bahasa lebih serius daripada siswa yang belajar IPS Ada perbedaan keseriusan siswa antara yang belajar bahasa dengan yang belajar IPS Hipotesis Nol (Yang diuji) Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada yang belajar IPS Ho : b < i Ha : b > i Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS Ho : b = i Ha : b ≠ I

Normalitas, Hipotesis, Pengujian Pengujian : bila Ho terarah, maka pengujian signifikansi satu pihak bila Ho tidak terarah, maka pengujian signifikansi dua pihak Pengujian signifikansi satu arah (hipotesis terarah): Siswa yang belajar bahasa tidak menunjukkan kelebihan keseriusan daripada yang belajar IPS  Ho : b < i Jika Ho ditolak, maka Ha diterima ; daerah penolakan berada di sebelah kanan 5% 2.5% 2.5% Daerah penerimaan hipotesis Daerah penolakan hipotesis Daerah penolakan hipotesis Daerah penerimaan hipotesis Daerah penolakan hipotesis Pengujian signifikansi dua arah (hipotesis tidak terarah): Tidak terdapat perbedaan keseriusan belajar siswa antara bahasa dan IPS  Ho : b = i Jika Ho ditolak, maka Ha diterima ; daerah penolakan bisa berada di sebelah kiri atau kanan

apakah rata-rata dua populasi sama/berbeda secara signifikan. Uji t Uji t : menguji apakah rata-rata suatu populasi sama dengan suatu harga tertentu atau apakah rata-rata dua populasi sama/berbeda secara signifikan. 1. Uji t satu sampel Menguji apakah satu sampel sama/berbeda dengan rata-rata populasinya hitung rata-rata dan std. dev (s) df = n – 1 tingkat signifikansi ( = 0.025 atau 0.05) pengujian apakah menggunakan 1 ekor atau 2 ekor diperoleh t hitung ; lalu bandingkan dengan t tabel : jika t hitung > t tabel Ho ditolak ( - ) t = s / √n Contoh : Peneliti ingin mengetahui apakah guru yang bekerja selama 8 tahun memang berbeda dibandingkan dengan guru lainnya. Ho : p1 = p2 Diperoleh rata2 = 17.26 ; std. Dev = 7.6 ; df = 89 ; t hitung = 11.55 Berdasarkan tabel df=89 dan = 0.05 diperoleh t tabel = 1.987 Kesimpulan : t hitung > t tabel sehingga Ho ditolak guru yang bekerja selama 8 tahun secara signifikan berbeda dengan guru lainnya

√ Uji t 2. Uji t dua sampel bebas Menguji apakah rata-rata dua kelompok yang tidak berhubungan sama/berbeda (X – Y) √ (Σx2 + Σy2) (1/nx + 1/ny) t = Di mana Sx-y = Sx-y (nx + ny – 2) Contoh : Peneliti ingin mengetahi apakah ada perbedaan penghasilan (sebelum sertifikasi) antara guru yang lulusan S1 dengan yang lulusan S3 Ho : Pb = Pk Diperoleh : rata2 x = 1951613 ; y = 2722222 ; t hitung = - 7.369 Berdasarkan tabel df=69 dan = 0.025 diperoleh t tabel = 1.994 Kesimpulan : t hitung > t tabel sehingga Ho ditolak Rata-rata penghasilan guru yang S1 berbeda secara signifikan dengan penghasilan guru yang S3

√ Uji t 3. Uji t dua sampel berpasangan Menguji apakah rata-rata dua sampel yang berpasangan sama/berbeda D t = Di mana D = rata-rata selisih skor pasangan sD √ ΣD2 – (ΣD)2 sD = Σ d2 Σ d2 = N(N-1) N Contoh : Seorang guru ingin mengetahui efektivitas model pembelajaran diskusi. Setelah selesai pembelajaran pertama, ia memberikan tes dan setelah selesai pembelajaran kedua kembali ia memberikan tes. Kedua hasil tes tersebut dibandingkan dengan harapan adanya perbedaan rata-rata tes pertama dengan kedua. Ho : Nd = Nc Diperoleh rata2d = 66.28 ; rata2c = 73.84 ; t hitung = -8.904 Berdasarkan tabel df=163 dan = 0.05 diperoleh t tabel = 1.960 Kesimpulan : t hitung > t tabel sehingga Ho ditolak Terdapat perbedaan yang signifikan antara hasil tes pertama dengan hasil tes kedua, sehingga ia menyimpulkan model diskusi efektif meningkatkan hasil belajar siswanya

Uji Keterkaitan Korelasi : hubungan keterkaitan antara dua atau lebih variabel. Angka koefisien korelasi ( r ) bergerak -1 ≤ r ≤ +1 POSITIF makin besar nilai variabel 1 menyebabkan makin besar pula nilai variabel 2 Contoh : makin banyak waktu belajar, makin tinggi skor Ulangan  korelasi positif antara waktu belajar dengan nilai ulangan NEGATIF makin besar nilai variabel 1 menyebabkan makin kecil nilai variabel 2 contoh : makin banyak waktu bermain, makin kecil skor Ulangan  korelasi negatif antara waktu bermain dengan nilai ulangan NOL tidak ada atau tidak menentunya hubungan dua variabel contoh : pandai matematika dan jago olah raga ; pandai matematika dan tidak bisa olah raga ; tidak pandai matematika dan tidak bisa olah raga  korelasi nol antara matematika dengan olah raga

√ √ 26. Uji Keterkaitan 1. KORELASI PEARSON : apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana arah hubungan dan berapa besar hubungan tersebut. Digunakan jika data variabel kontinyu dan kuantitatif NΣXY – (ΣX) (ΣY) Di mana : ΣXY = jumlah perkalian X dan Y ΣX2 = jumlah kuadrat X ΣY2 = jumlah kuadrat Y N = banyak pasangan nilai r= √ NΣX2 – (ΣX)2 x √ NΣY2 – (ΣY)2 Contoh : 10 orang siswa yang memiliki waktu belajar berbeda dites dengan tes IPS Siswa : A B C D E F G H I J Waktu (X) : 2 2 1 3 4 3 4 1 1 2 Tes (Y) : 6 6 4 8 8 7 9 5 4 6 Apakah ada korelasi antara waktu belajar dengan hasil tes ? Siswa X X2 Y Y2 XY A B ΣX ΣX2 ΣY ΣY2 ΣXY

2. KORELASI SPEARMAN (rho) dan Kendall (tau) : Uji Keterkaitan 2. KORELASI SPEARMAN (rho) dan Kendall (tau) : Digunakan jika data variabel ordinal (berjenjang atau peringkat). Disebut juga korelasi non parametrik 6Σd2 Di mana : N = banyak pasangan d = selisih peringkat rp = 1 - N(N2 – 1) Contoh : 10 orang siswa yang memiliki perilaku (sangat baik, baik, cukup, kurang) dibandingkan dengan tingkat kerajinannya (sangat rajin, rajin, biasa, malas) Siswa : A B C D E F G H I J Perilaku : 2 4 1 3 4 2 3 1 3 2 Kerajinan : 3 2 1 4 4 3 2 1 2 3 Apakah ada korelasi antara perilaku siswa dengan kerajinannya ? Siswa A B C D Perilaku Kerajinan d d2 Σd2

Analisis regresi Manfaat: Untuk menentukan hubungan kausalitas atau sebab-akibat antara satu variabel terikat dengan satu atau lebih variabel bebas. Misal: penelitian tentang pengaruh motivasi karyawan , perilaku pemimpin, dan kesempatan pengembangan karier terhadap kinerja karyawan (satu variabel terikat dan tiga variabel bebas).

X3 = kesempatan pengembangan karier a = konstanta Y = a + b1 X1 + b2 X2 + b3 X3+ e di mana Y = kinerja X1 = motivasi X2 = perilaku pemimpin X3 = kesempatan pengembangan karier a = konstanta b1, b2, b3 = koefisien regresi e = variabel pengganggu Data hasil penelitian terhadap 59 responden sebagai sampel dinyatakan pada tabel berikut ini.

DATA APLIKASI CONTOH ANALISIS REGRESI LINEAR BERGANDA Tabel: Hasil Tabulasi Data Skor Rata-rata untuk Variabel Tergantung dan Variabel Bebas Responden Motivasi (X1) Perilaku Pemimpin (X2) Kesemp. Pengemb. Karier (X3) Kinerja (Y) 1 3,80 3,70 5 3,83 2 4,20 4,17 3 4,33 4,00 4 3,63 3,00 3,50 4,55 4,10 6 3,67 7 3,60 8 4,45 3,90 9 4,35 4,50 10 11 12 13 14 15 16 4,25 4,30 17 3,78 3,40 3,33 18 19 4,13 20 21 22 4,70 23 3,88 24 25 4,23 26 27 28 29 30 2,23 (bersambung)

Tabel: (lanjutan) Hasil Tabulasi Data Skor Rata-rata untuk Variabel Tergantung dan Variabel Bebas Responden Motivasi (X1) Perilaku Pemimpin (X2) Kesemp. Pengemb. Karier (X3) Kinerja (Y) 31 4,00 4 3,67 32 3,60 3,70 3 3,33 33 4,35 4,10 5 4,17 34 4,30 4,33 35 4,13 3,17 36 3,25 3,10 3,00 37 4,45 4,90 38 2,20 2,83 39 4,15 3,80 3,50 40 3,85 41 42 2,43 43 44 4,48 4,40 45 46 3,40 47 48 49 3,88 50 51 52 53 54 3,90 4,50 55 4,25 56 3,78 57 58 59 Catatan: Variabel X1 memiliki 2 indikator 9 butir pernyataan; X2 memiliki 2 indikator 10 butir pernyataan; X3 memiliki 3 indikator 4 butir pernyataan; dan Y memiliki 3 indikator 6 butir pernyataan.

Menentukan model/persaman regresi: Menggunakan hasil print out program statistik SPSS Coefficientsa Unstandardized Coefficients Standardized Coefficients Correlations Model B Std. Error Beta t Sig. Zero-order Partial 1 (Constant) .672 .264 2.540 .014 X1 .365 .075 .534 4.892 .000 .749 .551 X2 .209 .095 .253 2.202 .032 .285 X3 .187 .048 .303 3.905 .435 .466 a. Dependent Variable: Y Y = 0,672 + 0,365 X1 + 0,209 X2 + 0,187 X3

Std. Error of the Estimate Nilai Koefisien Determinasi (R2) Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .850a .722 .707 .20198 .1755 a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y Nilai koefisien determinasi (adjusted R square) digunakan untuk menunjukkan variasi nilai variabel tergantung yang dijelaskan oleh variabel bebas. Dari tabel output program ini, disimpulkan bahwa kinerja karyawan dijelaskan oleh motivasi karyawan, perilaku pemimpin, dan pengembangan karier sebesar 70,7%. Sementara itu, sisanya (sebesar 29,3%) dijelaskan oleh variabel lain yang tidak dianalisis dalam model.

Uji Model (Uji Koefisien Regresi secara Parsial) Uji model secara serempak dilakukan menggunakan uji F. Caranya dengan membandingkan nilai alfa yang dipilih (misal: 1–10%) dengan nilai Sig. dalam tabel hasil print out program SPSS. Jika nilai Sig. lebih kecil daripada nilai alfa yang dipilih maka disimpulkan bahwa koefisien regresi variabel bebas secara serempak signifikan menjelaskan variabel terikat. Sebaliknya, tidak signifikan jika nilai Sig. lebih besar daripada alfa yang pilih. ANOVAb Model Sum of R Squares df Mean Square F Sig. 1 Regression 5.820 3 1.940 47.558 .000a Residual 2.244 55 4.079E–02 Total 8.064 58 a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y Dari tabel output ini, disimpulkan bahwa jika alfa yang dipilih sebesar 1% maka variabel kinerja karyawan secara serempak signifikan (nyata) dijelaskan oleh variabel motivasi karyawan, perilaku pemimpin, dan pengembangan karier.

Uji Model (Uji Koefisien Regresi secara Serempak) Uji koefisien regresi secara parsial berarti menguji setiap pengaruh variabel bebas terhadap variabel terikat apakah signifikan atau tidak. Caranya dengan membandingkan nilai Sig. dengan nilai alfa yang dipilih. Jika nilai Sig. lebih kecil daripada nilai alfa yang dipilih, pengaruh variabel bebas itu signifikan terhadap variabel terikat. Demikian pula sebaliknya. Coefficientsa Unstandardized Coefficients Standardized Coefficients Correlations Model B Std. Error Beta T Sig. Zero-order Partial 1 (Constant) .672 .264 2.540 .014 X1 .365 .075 .534 4.892 .000 .749 .551 X2 .209 .095 .253 2.202 .032 .285 X3 .187 .048 .303 3.905 .435 .466 a. Dependent Variable: Y Tabel output ini menunjukkan bahwa untuk alfa 5% semua nilai Sig. lebih kecil. Dengan demikian, semua variabel bebas (motivasi karyawan, perilaku pemimpin, dan pengembangan karier) berpengaruh signifikan terhadap kinerja karyawan secara parsial.

Menentukan pengaruh variabel yang dominan dalam model regresi berganda Perhatikan nilai koefisien regresi yang paling besar dalam persamaan itu. Perhatikan signifikansi setiap koefisien tersebut pada setiap variabel. Jika nilai koefisien regresi suatu variabel paling besar di antara yang lain dan signifikan untuk alpha tertentu maka: “variabel itu mempunyai pengaruh yang dominan jika dibandingkan dengan variabel lain terhadap variabel terikat. Y = 0,672 + 0,365 X1 + 0,209 X2 + 0,187 X3

ANALISIS JALUR (Path Analysis) Analisis jalur berfungsi untuk menjelaskan akibat/pengaruh langsung dan tidak langsung seperangkat variabel bebas dengan seperangkat variabel terikat. Pada analisis jalur, terlebih dahulu harus menggambarkan secara diagramatik struktur hubungan kausalitas antara variabel bebas dengan variabel terikat. Diagram ini dikenal dengan diagram jalur.

Diagram berikut ini menunjukkan hubungan kausal antara X1 dengan X4, X2 dengan X4, dan X3 dengan X4. Sementara, hubungan antara X1 dengan X2, X1 dengan X3, dan X2 dengan X3 masing-masing adalah hubungan korelasional. Perhatikan bahwa panah dua arah menyatakan hubungan korelasional. Pada diagram jalur, terdapat tiga variabel eksogen (X1, X2 , X3) dan satu variabel endogen (X4). X3 X2 X1 X4 Є

Koefisien Jalur Besarnya pengaruh dari suatu variabel eksogen ke variabel endogen tertentu dinyatakan oleh besarnya bilangan koefisien jalur (path coefficient). Hubungan antara X1 dengan X2 adalah hubungan korelasional. Intensitas keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi rX1X2. Hubungan X1 dan X2 ke X3 adalah hubungan kausal. Besarnya pengaruh dari X1 ke X3 dan dari X2 ke X3 , masing-masing dinyatakan oleh besarnya nilai koefisien jalur ρX3X1 dan ρX3X2. Adapun koefisien jalur ρX3Є menggambarkan besarnya pengaruh variabel residu Є terhadap X3. X2 X1 X3 Є r X1X2 ρ X3X1 ρ X3X2 ρ X3 Є

Analisis data kualitatif 11/23/2012 Resista Vikaliana, S.Si. MM Analisis data kualitatif ANALISIS DATA KUALITATIF MODEL BOGLAN BIKLEN Analisis data dan interpretasi di lapangan Analisis dan interpretasi setelah pengumpulan data Pengembangan kategori pengkodean MODEL MILES HUBERMAN Reduksi data Model data/ display Penarikan/ verifikasi kesimpulan MODEL STRAUSS DAN CORBIN/grounded theory Open Coding Axial Coding Selective Coding MODEL SPRADLEY/etnografi Analisis Domain Analisis Taksonomi Analisis Komponensial Analisis Tema Budaya

Aplikasi Analisis Jalur Untuk aplikasi analisis jalur dalam kancah penelitian yang sesungguhnya, dapat dipelajari pada buku penulis [Anwar Sanusi, Metodologi Penelitian Bisnis (Jakarta: Penerbit Salemba, 2011 )]; Bab 10 Analisis Data pada subbab Analisis Jalur (Path Analysis).

Resista Vikaliana, S.Si. MM 19/10/2013 Resista Vikaliana, S.Si. MM Referensi Suliyanto. Metode Riset Bisnis 2009. Penerbit Andi, Yogyakarta Lupiyoadi, Rambat and Ridho B.I. Praktikum Riset Bisnis. 2015. Penerbit Salemba Empat, Jakarta Materi ajar metodologi penelitian bisnis Prof. Anwar Sanusi