DATA PREPARATION DAN DATA ANALYSIS UNTUK DATA DARI METODE RISET KUANTITATIF

Kuisoner Tidak Layak Diolah Karena Ada bagian yang tidak lengkap Terlihat Pola yang mengindikasikan responden tidak memahami instruksi Ada responden yang tidak lengkap mengisinya Ada bagian kuisioner yang hilang Kuisioner yang datang terlambat Kuisioner yang dijawab oleh responden yang tidak qualified

Dasar-Dasar Analisa Setelah permasalahan penelitian didefinisikan dan metodologi penelitian telah dirancang serta pengumpulan data telah dilakukan maka peneliti dapat dapat beralih ke tahap selanjutnya yaitu persiapan data dan analisa data. Sebelum data asli dari kuisioner dapat diolah lebih lanjut, data harus disiapkan agar sesuai untuk proses analisis data. Kualitas hasil analisis statistik tergantung pada proses persiapan data, karena kesalahan dalam proses persiapan data dapat mengakibatkan kesalahan hasil pengolahan data dan tentu saja menyebabkan kesalahan interpretasi dan pengambilan kesimpulan akhir.

Proses Persiapan data Persiapan data analisa Check Kuisioner Edit Kode Memilih metode analisa data Penyesuaian data secara statistik Edit Kode Entry data Data Cleaning

Check Kuisioner Pengecekan Kuisioner, adalah langkah untuk meneliti seluruh kuisioner dari hasil survai maupun wawancara dari ketidaklengkapan dan ketidaksesuaian pengisian Pengecekan kuisioner dapat dilakukan selama proses survai berlangsung hingga akhir proses survai selesai. Kuisioner yang tidak lengkap sebaiknya dikembalikan lagi ke survayor untuk dilakukan pengulangan pengambilan data. Kuisioner yang tidak lengkap tidak layak untuk diolah, dengan berbagai sebab misalnya, ada bagian yang hilang atau tidak lengkap, ada pola responden tidak memahami instruksi, respon responden menunjukkan variasi yang kecil, kuisioner dijawab oleh orang yang bukan menjadi sasaran responden, atau kuisioner datang tidak sesuai jadwal survai (terlambat)

Editing data Editing data adalah proses meneliti hasil survai untuk meneliti apakah ada response yang tidak lengkap, tidak komplet atau membingungkan, dan apabila ada kasus seperti ini ada beberapa cara untuk mengatasinya misalnya: Dengan cara mengembalikan ke survayor, apabila survai lagi tidak mungkin dilakukan maka response yang tidak lengkap dapat diganti dengan missing value atau ditulis tidak menjawab, Menyingkirkan hasil survay dengan jawaban yang tidak lengkap (apabila jumlahnya kecil dan sampel yang diambil besar)

Kode dan Data Entry Pengkodean data dilakukan untuk memberikan kode yang spesifik pada respon jawaban responden untuk memudahkan proses pencatatan data. Entry data, adalah transfer coding data dari kuisioner ke software

Data cleaning Data cleaning adalah proses pengecekan data untuk konsistensi dan treatmen yang hilang, pengecekan konsistensi meliputi pemerikasaan akan data yang out of range, tidak konsisten secara logika, ada nilai-nilai ekstrim, data dengan nilai-nilai tdk terdefinisi, sedangkan treatmen yang hilang adalah nilai dari suatu variabel yang tidak diketahui dikarenakan jawaban responden yang membingungkan.

Data cleaning Untuk mengatasi treatmen yang hilang dapat dilakukan beberapa cara untuk mengatasinya adalah: Substitusi dengan nilai yang netral Jawaban substitusi yang dimasukkan berdasarkan pola jawaban responden pada pertanyaan-pertanyaan lain Menghilangkan beberapa kasus, responden yang banyak tidak memberikan response di buang dari analisis (bila hanya sedikit/bila jumlahnya banyak dapat dikelompokkan sendiri) Penghapusan sebagian; untuk responden yang mempunyai nilai-nilai missing tidak langsung dibuang tetapi diambil sebagian dan dianalisis untuk bagian yang lengkap nilainya, hasil analisis didasarkan ukuran sampel berbeda bila ukuran sampel besar, ada sedikit saja yang missing, variabel-variabelnya tidak terlalu berhubungan

Penyesuaian data Penyesuaian data secara statistik dapat dilakukan dengan beberapa cara: Pembobotan untuk memberikan beda antara kasus yang penting dari pada lainnya Merubah spesifikasi variabel: menstransformasi data ke suatu variabel baru/memodifikasi variabel yang ada sedemikian hingga lebih konsisten dengan tujuan penelitian, contoh: menkolaps beberapa katagori, membuat suatu variabel indeks, diakarkan, di log, dan seterusnya. Membuat suatu dummy variabel Transformasi skala/memanipulasi skala variabel Standarisasi: proses mengkoreksi data dan mereduksinya ke skala yang sama dengan mengurangi dengan mean dan membaginya dengan standar deviasi

Memilih metode analisa data Memilih metode analisa data, harus didasari dengan proses penelitian sebelumnya, memilih metode analisa harus diawali dengan beberapa langkah yaitu: Mengembangkan pendekatan riset Merancang riset Merencanakan metode analisis data Mengenali karakteristik data Memahami karakteristik metode statistik Memasukkan latar belakang penelitian Menyusun strategi analisis yang sesuai

Treatmen Untuk Response yang Hilang Substitusi dengan nilai yang netral Jawaban substitusi yang dimasukkan berdasarkan pola jawaban responden pada pertanyaan-pertanyaan lain Menghilangkan beberapa kasus, responden yang banyak tidak memberikan response di buang dari analisis (bila hanya sedikit/bila jumlahnya banyak dapat dikelompokkan sendiri) Penghapusan sebagian; untuk responden yang mempunyai nilai-nilai missing tidak langsung dibuang tetapi diambil sebagian dan dianalisis untuk bagian yang lengkap nilainya, hasil analisis didasarkan ukuran sampel berbeda bila; ukuran sampel besar Ada sedikit saja yang missing Variabel-variabel nya tidak terlalu berhubungan

Penyesuaian Data Secara Statistik Pembobotan: untuk memberikan beda antara kasus yang penting dari pada lainnya Merubah spesifikasi variabel: menstransformasi data ke suatu variabel baru/memodifikasi variabel yang ada sedemikian hingga lebih konsisten dengan tujuan penelitian contoh: menkolaps beberapa katagori, membuat suatu variabel indeks, diakarkan, di log, dst 3. Membuat suatu dummy variabel 4. Transformasi skala/memanipulasi skala variabel 5. Standarisasi: proses mengkoreksi data dan mereduksinya ke skala yang sama dengan mengurangi dengan mean dan membaginya dengan standar deviasi

LANGKAH-LANGKAH MEMILIH METODE ANALISIS DATA

KLASIFIKASI METODE STATISTIK A. METODE UNIVARIATE: suatu metode statistik untuk menganalisis data yang mempunyai satu ukuran (variabel) dalam setiap unit sampel atau jika dalam setiap unit sampel terdapat beberapa ukuran maka setiap variabel dibahas sendiri-sendiri B. METODE MULTIVARIATE: suatu metode statistik yang dapat menganalisis data yang mempunyai dua atau lebih ukuran dan variabel-variabelnya dianalisis secara simultan, metode ini juga untuk mencari tahu hubungan antara beberapa fenomena.

Metode Univariate Data Metrik: data dengan skala interval dan rasio, berdasarkan sampelnya maka - Satu sampel metode t test; Z test - Dua atau lebih sampelapabila antar sampel independen uji yang bisa dilakukan adalah t test, z test, dan One way ANOVA, apabila antar sampel berhubungan maka uji yang bisa dilakukan adalah uji t berpasangan.

Metode Univariate B. Data Nonmetric: data dengan skala nominal dan ordinal Satu sampeldistribusi frekuensi, Chi-Square, K-S, Uji Binomial Dua sampel atau lebih: apabila berhubungan maka uji yang dapat dilakukan adalah uji tanda, uji wilcoxon, dan uji Mcnemar, bila sampel tidak berhubungan maka uji yang dapat dilakukan adalah uji chi-square, Man-Whitney, Median, K-S, K-W Anova.

Metode Multivariate Metode dependensi: suatu metode multivariate dimana ada suatu variabel diidentifikasikan sebagai variabel dependen dan variabel lainnya sebagai variabel independen Metode interdependensi: suatu metode multivariate dimana hanya didasarkan pada pengelompokkan data dengan asumsi setiap data berada pada satu ukuran yang sama, tidak ada pembedaan variabel dependen maupun independen.

Metode Dependensi Satu variabel dependen: metode yang bisa digunakan: Tabulasi silang, Anova/Anacova, Multiple regresi, Regresi Logistik, Analisis Diskriminan, Analisis Konjoin, Dua atau lebih variabel dependen: analisis multivariate varian dan covarian, Korelasi kanonik, analisis multiple diskriminan

Metode Interdependensi Interdependensi variabel : Analisis faktor Interobject similarity: Analisis cluster, Analisis Korespondensi, Multidimensional Scaling.