Riset Bisnis Sesi 10 – Strategi Analisis Data & Analisis Deskriptif | AurinoWorks

📈 Riset Bisnis Sesi 10

Data Analysis Strategy & Descriptive Analysis

Sumber: Sekaran & Bougie • Hair et al. • Field • Pallant

📘 Learning Guide: Sesi ini membahas strategi analisis data sebagai jembatan antara metodologi dan pengujian hipotesis. Analisis deskriptif adalah langkah awal wajib untuk memahami karakteristik data sebelum uji statistik lanjutan.

🎯 Learning Objectives

Menyusun strategi analisis data yang konsisten dengan tujuan riset dan jenis data
Melakukan analisis deskriptif komprehensif untuk demografi dan variabel penelitian
Menginterpretasikan ukuran pemusatan (mean, median, mode) dan penyebaran (SD, variance)
Menghindari kesalahan umum dalam membaca output statistik deskriptif
Menyajikan hasil dalam format standar publikasi ilmiah

1️⃣ Data Analysis Strategy: Rencana Sebelum Aksi

Strategi analisis data = rencana sistematis tentang urutan, teknik, dan alat analisis untuk menjawab rumusan masalah & menguji hipotesis. Harus dirumuskan SEBELUM data dikumpulkan — bukan setelah data tersedia.

💡 Mengapa Penting?

Mencegah “fishing expedition”: mencoba berbagai uji sampai menemukan hasil signifikan = praktik tidak etis.
Konsistensi metodologis: teknik analisis selaras dengan jenis data (nominal→rasio) dan tujuan (deskriptif/komparatif/asosiatif).
Efisiensi: menghindari analisis yang tidak diperlukan.

📋 4 Tahap Sistematis

Persiapan Data: cleaning (error, missing, outlier), coding (L=1, P=2; Likert 1–5), transformation (reverse coding, normalisasi).
Analisis Deskriptif: profil sampel, statistik variabel, pemeriksaan distribusi.
Uji Asumsi Klasik: normalitas, homogenitas, multikolinearitas, heteroskedastisitas.
Uji Hipotesis: pilih teknik (t-test, ANOVA, regresi, chi-square), α = 0.05, interpretasi.

💼 Contoh Matriks Strategi Analisis

Rumusan Masalah	Variabel	Skala	Teknik Analisis
Profil demografis responden	Usia, pendidikan, masa kerja	Nominal/Ordinal	Distribusi frekuensi & %
Tingkat X1	Kepemimpinan Transformasional	Interval (Likert)	Mean, SD, kategorisasi
Pengaruh X1, X2 → Y	X1, X2, Y	Interval	Regresi linear berganda
Mediasi Z	X → Z → Y	Interval	Path analysis / Sobel test

⚠️ Kesalahan Umum: langsung uji hipotesis tanpa deskriptif & uji asumsi = membangun rumah tanpa pondasi. Hasil tidak valid dan tidak dapat dipertanggungjawabkan.

2️⃣ Descriptive Analysis: Wajib di Bab IV

Analisis deskriptif = menggambarkan/meringkas karakteristik dasar data tanpa kesimpulan kausal. Wajib disajikan sebelum uji hipotesis.

A. Deskripsi Responden (Profil Sampel)

Tabel 4.1 Profil Responden (N = 120) Laki-laki: 72 (60%) • Perempuan: 48 (40%)
Interpretasi: “Responden didominasi laki-laki (60%), mencerminkan komposisi karyawan PT XYZ yang lebih banyak laki-laki, terutama di divisi produksi.”

B. Deskripsi Variabel Penelitian

Variabel	N	Min	Max	Mean	SD	Kategori
Kepemimpinan Transformasional (X1)	120	2.10	5.00	3.85	0.62	Tinggi
Motivasi Kerja (X2)	120	2.50	5.00	4.12	0.58	Tinggi
Kinerja Karyawan (Y)	120	2.80	5.00	3.92	0.55	Tinggi

💡 Interpretasi: Mean 3.85 mendekati 4 (kategori Tinggi) → persepsi umum positif. SD 0.62 relatif kecil → jawaban homogen, tidak ada perbedaan persepsi ekstrem.

🔧 Jalur SPSS

Deskriptif: Analyze → Descriptive Statistics → Descriptives → Options: Mean, Std. Deviation, Min, Max, Skewness → OK
Frekuensi: Analyze → Descriptive Statistics → Frequencies → centang “Display frequency tables” → OK

✅ Tips: Mean tinggi (>4.0 pada skala 5) = cenderung positif. Tapi perhatikan SD: SD besar (>1.0) = polarisasi — sebagian sangat setuju, sebagian sangat tidak.

3️⃣ Measures of Central Tendency: Mean, Median, Mode

Ukuran	Definisi	Kapan Digunakan	Contoh
Mean	Jumlah nilai ÷ banyak observasi	Data interval/rasio simetris	Gaji rata-rata Rp 6.5 juta
Median	Nilai tengah setelah diurutkan	Data skew / ada outlier	Median pendapatan Rp 5 juta
Mode	Nilai paling sering muncul	Data nominal/kategorik	Modus pendidikan: S1

💼 Studi Kasus: Gaji Startup (Ada Outlier!)

15 karyawan (juta Rp): 5,5,6,6,6,7,7,7,8,8,9,10,12,15,50
• Mean = 161/15 = Rp 10.73 juta • Median = Rp 7 juta • Mode = Rp 6 & 7 juta

🤔 Analisis Kritis: Mean jauh di atas median karena outlier (CEO Rp 50 juta) “menarik” mean ke atas. Untuk “gaji khas”, median lebih representatif — 14 dari 15 karyawan bergaji di bawah mean!

❌ Kesalahan Fatal: memakai mean untuk data sangat skew tanpa memeriksa distribusi. Selalu buat histogram / cek skewness dulu.

4️⃣ Measures of Dispersion: Sebaran Data

💡 Analogi Dua Kelas (Mean sama = 75)

Kelas A: 73,74,75,76,77 (SD = 1.58) → konsisten
Kelas B: 50,60,75,90,100 (SD = 19.36) → sangat bervariasi

Mean tanpa SD tidak bermakna — Anda perlu tahu seberapa konsisten datanya.

Ukuran	Konsep	Interpretasi
Range	Max − Min	Gambaran cepat, sensitif outlier
Variance (s²)	Rata-rata kuadrat deviasi	Dasar statistik inferensial; satuan kuadrat sulit diinterpretasi
SD	√variance	SD kecil = homogen; SD besar = heterogen; satuan sama dengan data asli

💼 Interpretasi Bisnis

Tim Sales (mean sama Rp 100 jt): Tim A SD=10 jt → konsisten & predictable. Tim B SD=40 jt → fluktuatif, high-risk high-reward.
Restoran (mean kepuasan sama 4.0): SD 0.3 = konsisten puas; SD 1.5 = red flag inkonsistensi kualitas (shift/chef berbeda).

📏 Aturan Empiris (Data Normal)

68% data dalam Mean ± 1 SD
95% data dalam Mean ± 2 SD
99.7% data dalam Mean ± 3 SD

✅ Tips: Bandingkan SD dengan mean: SD > 50% mean = sangat bervariasi; SD < 20% mean = cukup homogen.

5️⃣ Presenting Results: Less Is More

📊 Prinsip Penyajian

Tabel untuk detail, grafik untuk pola/perbandingan
Judul informatif: apa, siapa, kapan
Sertakan interpretasi — jangan biarkan angka “berbicara sendiri”
Hindari redundansi (jangan tabel + grafik untuk data sama)

📈 Memilih Grafik yang Tepat

Jenis Data	Grafik	Contoh
Kategorik	Bar / Pie chart	Jenis kelamin, pendidikan
Numerik kontinu	Histogram / Box plot	Usia, pendapatan
Perbandingan kelompok	Clustered bar	Kepuasan antar cabang
Tren waktu	Line chart	Penjualan per bulan

✍️ Struktur Interpretasi (5 Langkah)

Temuan utama: “Rata-rata kualitas pelayanan 4.23 (SD = 0.58)…”
Kategorisasi: “…termasuk kategori Tinggi.”
Bandingkan teori: “Sejalan dengan Parasuraman et al. (1988)…”
Implikasi: “Menjelaskan retensi pelanggan 85%.”
Catat anomali: “SD 0.71 pada loyalitas menunjukkan variasi antar segmen.”

⚠️ Kesalahan Umum: Over-interpretation (menyimpulkan kausal dari deskriptif) • Under-interpretation (hanya menulis angka) • Rounding tidak konsisten • Tidak menyebut N atau skala.

🧠 Kuis Interaktif: Uji Pemahaman Sesi 10

Skor: 0 / 6 • Dijawab: 0 / 6

1. Strategi analisis data yang baik dirumuskan…

✅ Rencana sebelum aksi — mencegah fishing expedition.

2. Mencoba berbagai uji statistik sampai menemukan hasil signifikan disebut…

✅ Praktik tidak etis — dicegah dengan strategi analisis yang jelas.

3. Data gaji dengan outlier CEO Rp 50 juta — ukuran paling representatif untuk “gaji khas” adalah…

✅ Median tidak terpengaruh nilai ekstrem (robust).

4. SD kecil pada skor kepuasan pelanggan menunjukkan…

✅ SD kecil = sebaran sempit di sekitar mean.

5. Menurut aturan empiris, ±2 SD mencakup sekitar… data (distribusi normal).

✅ 68% (±1 SD) • 95% (±2 SD) • 99.7% (±3 SD).

6. Menyimpulkan “karena mean motivasi tinggi, maka kinerja pasti tinggi” dari data deskriptif adalah…

✅ Deskriptif tidak membuktikan hubungan sebab-akibat.

💭 Reflective Questions

Mengapa analisis deskriptif wajib sebelum uji hipotesis?

Untuk memahami karakteristik data, mendeteksi outlier/anomali, memeriksa asumsi normalitas, dan memberi konteks interpretasi — tanpa ini, hasil inferensial bisa salah ditafsirkan.

Kapan median lebih tepat daripada mean? Contoh!

Saat data skew/ada outlier. Contoh: pendapatan rumah tangga — 1% berpendapatan Rp 1 M/bulan akan “menarik” mean; median tetap menggambarkan pendapatan khas.

Dua departemen mean sama (80 unit), SD A=5 vs B=20. Implikasi manajerial?

A konsisten & predictable; B fluktuatif (60–100 unit). B perlu investigasi: staffing, equipment, atau manajemen shift yang menyebabkan inkonsistensi.

Mengapa mean & SD saja tidak cukup?

Keduanya bisa sama untuk distribusi berbeda (normal vs bimodal). Histogram, skewness, kurtosis diperlukan untuk memastikan asumsi statistik parametrik terpenuhi.

📚 Referensi Utama

APA (2020). Publication Manual (7th ed.). • Cooper & Schindler (2014). Business Research Methods.

Field, A. (2018). Discovering Statistics Using IBM SPSS. • Gravetter & Wallnau (2017). Statistics for the Behavioral Sciences.

Hair et al. (2019). Multivariate Data Analysis. • Pallant, J. (2020). SPSS Survival Manual. • Sekaran & Bougie (2016). Research Methods for Business.

← Sesi 09: Data Management & Quality ☰ Learning Path Sesi 11: Analisis Lanjutan (Pemodelan) →

Sesi 10 – Data Analysis Strategy & Descriptive Analysis

Learning Guide

Sesi ini membahas strategi analisis data sebagai jembatan antara metodologi penelitian dan pengujian hipotesis. Analisis deskriptif menjadi langkah awal wajib untuk memahami karakteristik data sebelum uji statistik lanjutan.

Learning Objectives

Menyusun strategi analisis data yang konsisten dengan tujuan riset
Melakukan analisis deskriptif untuk data demografis dan variabel utama
Menginterpretasikan ukuran pemusatan dan penyebaran data
Menghindari kesalahan umum dalam membaca output statistik

1. Data Analysis Strategy

Strategi analisis data menjelaskan urutan dan teknik analisis yang digunakan untuk menjawab rumusan masalah dan hipotesis. Strategi ini harus dirumuskan sebelum data dianalisis.

Urutan Umum Analisis:
1) Data cleaning & coding
2) Analisis deskriptif
3) Uji asumsi (jika diperlukan)
4) Uji hipotesis

2. Descriptive Analysis

Analisis deskriptif bertujuan menggambarkan data tanpa menarik kesimpulan kausal. Analisis ini wajib disajikan pada Bab IV sebelum uji hipotesis.

Jenis Analisis Deskriptif

Profil responden (usia, jenis kelamin, pendidikan)
Deskripsi variabel penelitian
Distribusi jawaban responden

3. Measures of Central Tendency

Ukuran pemusatan menunjukkan nilai representatif dari data.

Ukuran	Makna	Kapan Digunakan
Mean	Rata-rata	Data simetris
Median	Nilai tengah	Data miring
Mode	Nilai paling sering	Data kategorik

4. Measures of Dispersion

Ukuran penyebaran menunjukkan variasi data di sekitar nilai pusat.

Range
Variance
Standard deviation

Catatan:
Rata-rata yang sama tidak selalu menunjukkan distribusi data yang sama.

5. Presenting Descriptive Results

Hasil analisis deskriptif disajikan dalam bentuk:

Tabel ringkasan
Diagram batang atau pie chart
Narasi singkat dan jelas

Kesalahan Umum:
Menafsirkan analisis deskriptif sebagai bukti hubungan sebab–akibat.

Reflective Questions

Mengapa analisis deskriptif wajib dilakukan sebelum uji hipotesis?
Apa risiko mengabaikan distribusi data?
Bagaimana cara menyajikan hasil deskriptif secara akademik?

Referensi utama: Sekaran & Bougie; Zikmund et al.; Levine et al.