Sesi 10 – Data Analysis Strategy & Descriptive Analysis
Panduan Komprehensif Analisis Data untuk Riset Bisnis dengan Contoh Praktis dan Interpretasi Output
🎯 Learning Objectives
- Menyusun strategi analisis data yang konsisten dengan tujuan riset dan jenis data yang dikumpulkan
- Melakukan analisis deskriptif komprehensif untuk data demografis dan variabel penelitian
- Menginterpretasikan ukuran pemusatan (mean, median, mode) dan penyebaran data (standard deviation, variance)
- Menghindari kesalahan umum dalam membaca dan menafsirkan output statistik deskriptif
- Menyajikan hasil analisis deskriptif dalam format yang sesuai standar publikasi ilmiah
📊 1. Data Analysis Strategy: Merancang Strategi Analisis yang Sistematis
Definisi: Strategi analisis data adalah rencana sistematis yang menjelaskan urutan, teknik, dan alat analisis yang akan digunakan untuk menjawab rumusan masalah dan menguji hipotesis penelitian. Strategi ini harus dirumuskan sebelum data dikumpulkan, bukan setelah data tersedia (Sekaran & Bougie, 2016).
💡 Mengapa Strategi Analisis Penting?
- Mencegah “fishing expedition”: Tanpa rencana yang jelas, peneliti cenderung mencoba berbagai uji statistik sampai menemukan hasil yang signifikan, yang merupakan praktik penelitian yang tidak etis (Cooper & Schindler, 2014).
- Memastikan konsistensi metodologis: Teknik analisis harus selaras dengan jenis data (nominal, ordinal, interval, rasio) dan tujuan penelitian (deskriptif, komparatif, asosiatif).
- Mengoptimalkan sumber daya: Perencanaan yang matang menghemat waktu dan biaya dengan menghindari analisis yang tidak diperlukan.
📋 Urutan Sistematis Analisis Data Kuantitatif:
Tahap 1: Persiapan Data (Data Preparation)
- Data Cleaning: Memeriksa dan memperbaiki kesalahan input, missing values, dan outlier. Contoh: Jika ada responden yang mengisi usia “150 tahun”, ini jelas error dan harus dikoreksi atau dihapus (Hair et al., 2019).
- Data Coding: Memberikan kode numerik pada data kategorik. Contoh: Jenis kelamin Laki-laki = 1, Perempuan = 2; atau Skala Likert: Sangat Tidak Setuju = 1 sampai Sangat Setuju = 5.
- Data Transformation: Mengubah bentuk data jika diperlukan, seperti reverse coding untuk pertanyaan negatif atau normalisasi data yang tidak terdistribusi normal.
Tahap 2: Analisis Deskriptif (Descriptive Analysis)
- Menggambarkan karakteristik sampel (profil responden)
- Menyajikan statistik deskriptif variabel penelitian (mean, SD, min, max)
- Memeriksa distribusi data (normalitas, skewness, kurtosis)
Tahap 3: Uji Asumsi Klasik (Assumption Testing)
- Normalitas: Memastikan data berdistribusi normal (untuk analisis parametrik)
- Homogenitas: Memastikan varians antar kelompok homogen (untuk uji-t atau ANOVA)
- Multikolinearitas: Memeriksa korelasi tinggi antar variabel independen (untuk regresi)
- Heteroskedastisitas: Memeriksa kesamaan varians residual (untuk regresi)
Tahap 4: Uji Hipotesis (Hypothesis Testing)
- Memilih teknik statistik yang sesuai: uji-t, ANOVA, korelasi, regresi, chi-square, dll.
- Menentukan tingkat signifikansi (α = 0.05 atau 5%)
- Menginterpretasikan hasil: terima atau tolak hipotesis
💼 Contoh Praktis: Matriks Strategi Analisis
Sebuah penelitian dengan judul “Pengaruh Kepemimpinan Transformasional dan Motivasi Kerja terhadap Kinerja Karyawan dengan Kepuasan Kerja sebagai Variabel Mediasi”
| Rumusan Masalah | Variabel | Skala | Teknik Analisis |
|---|---|---|---|
| 1. Bagaimana profil demografis responden? | Usia, Pendidikan, Masa Kerja | Nominal/Ordinal | Distribusi Frekuensi & Persentase |
| 2. Bagaimana tingkat kepemimpinan transformasional? | Kepemimpinan Transformasional (X1) | Interval (Likert) | Mean, SD, Kategorisasi (Tinggi/Sedang/Rendah) |
| 3. Apakah X1 dan X2 berpengaruh terhadap Y? | X1, X2 → Y | Interval | Regresi Linear Berganda |
| 4. Apakah Z memediasi hubungan X→Y? | X → Z → Y | Interval | Path Analysis atau Sobel Test |
📈 2. Descriptive Analysis: Memahami Data Sebelum Analisis Lanjutan
Definisi: Analisis deskriptif adalah teknik statistik untuk menggambarkan atau meringkas karakteristik dasar data tanpa menarik kesimpulan kausal atau generalisasi ke populasi yang lebih luas (Field, 2018). Analisis ini merupakan wajib disajikan pada Bab IV sebelum uji hipotesis.
🎯 Fungsi Analisis Deskriptif:
- Memahami profil sampel: Mengetahui siapa responden penelitian Anda (demografi)
- Memeriksa kualitas data: Mendeteksi outlier, missing values, atau pola jawaban yang mencurigakan
- Memberikan konteks: Hasil uji hipotesis akan lebih bermakna jika disertai gambaran deskriptif yang jelas
- Memenuhi standar publikasi: Jurnal internasional bereputasi mensyaratkan penyajian statistik deskriptif yang lengkap
📊 Jenis-Jenis Analisis Deskriptif:
A. Deskripsi Responden (Profil Sampel)
Tujuan: Menggambarkan karakteristik demografis dan profil responden penelitian.
Contoh Variabel yang Sering Digambarkan:
- Usia: Mean, SD, atau kategorisasi (misal: 20-30 tahun = 40%, 31-40 tahun = 35%, dst.)
- Jenis Kelamin: Distribusi frekuensi dan persentase (Laki-laki: 60%, Perempuan: 40%)
- Pendidikan Terakhir: SMA: 20%, D3: 25%, S1: 45%, S2: 10%
- Masa Kerja: Mean = 5.3 tahun, SD = 2.1 tahun, Range: 1-15 tahun
- Jabatan: Staff: 50%, Supervisor: 30%, Manager: 20%
💼 Contoh Penyajian dalam Skripsi:
Tabel 4.1 Profil Responden Berdasarkan Jenis Kelamin
| Jenis Kelamin | Frekuensi | Persentase |
|---|---|---|
| Laki-laki | 72 | 60% |
| Perempuan | 48 | 40% |
| Total | 120 | 100% |
Sumber: Data Primer Diolah (2024)
Interpretasi: “Berdasarkan Tabel 4.1, responden penelitian didominasi oleh laki-laki sebanyak 72 orang (60%), sedangkan perempuan sebanyak 48 orang (40%). Hal ini mencerminkan komposisi karyawan di PT XYZ yang memang lebih banyak laki-laki, terutama di divisi produksi.”
B. Deskripsi Variabel Penelitian
Tujuan: Menggambarkan tendensi sentral dan penyebaran data untuk setiap variabel penelitian sebelum dilakukan uji hipotesis.
Statistik yang Harus Disajikan:
- N (Jumlah Responden): Total sampel yang valid
- Minimum & Maximum: Nilai terendah dan tertinggi
- Mean (Rata-rata): Nilai tengah dari distribusi data
- Standard Deviation (SD): Ukuran penyebaran data di sekitar mean
- Skewness & Kurtosis: Untuk memeriksa normalitas distribusi (opsional tapi disarankan)
💼 Contoh Penyajian dalam Skripsi:
Tabel 4.5 Statistik Deskriptif 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 |
Sumber: Data Primer Diolah (2024)
Interpretasi: “Tabel 4.5 menunjukkan bahwa variabel Kepemimpinan Transformasional memiliki mean 3.85 dengan SD 0.62 dari skala 1-5. Nilai mean yang mendekati 4 (kategori Tinggi) mengindikasikan bahwa secara umum responden menilai kepemimpinan di perusahaan mereka sudah baik. Standard deviation yang relatif kecil (0.62) menunjukkan bahwa jawaban responden cukup homogen—tidak ada perbedaan persepsi yang ekstrem antar karyawan.”
🔧 Cara Menghitung di SPSS:
Untuk Statistik Deskriptif:
Analyze → Descriptive Statistics → Descriptives
→ Masukkan variabel ke kotak “Variable(s)”
→ Klik “Options” → Centang: Mean, Std. Deviation, Minimum, Maximum, Skewness
→ Continue → OK
Untuk Distribusi Frekuensi:
Analyze → Descriptive Statistics → Frequencies
→ Masukkan variabel demografis
→ Centang “Display frequency tables”
→ OK
📐 3. Measures of Central Tendency: Ukuran Pemusatan Data
Definisi: Ukuran pemusatan (central tendency) adalah nilai tunggal yang berusaha menggambarkan keseluruhan dataset dengan menunjukkan nilai yang paling representatif atau “pusat” dari distribusi data (Gravetter & Wallnau, 2017).
📊 Tiga Ukuran Pemusatan Utama:
| Ukuran | Definisi | Kapan Digunakan | Contoh |
|---|---|---|---|
| Mean (Rata-rata) | Jumlah semua nilai dibagi banyaknya observasi | Data interval/rasio yang terdistribusi normal atau simetris | Gaji rata-rata karyawan: Rp 6.5 juta |
| Median | Nilai tengah setelah data diurutkan dari terkecil ke terbesar | Data ordinal atau data interval/rasio yang skew (miring) atau ada outlier | Median pendapatan: Rp 5 juta (lebih representatif jika ada CEO dengan gaji Rp 100 juta) |
| Mode (Modus) | Nilai yang paling sering muncul | Data nominal/kategorik atau untuk mengetahui nilai paling populer | Modus pendidikan: S1 (paling banyak karyawan bergelar S1) |
💡 Contoh Perhitungan Manual:
Data skor kepuasan kerja 10 karyawan (skala 1-10): 7, 8, 6, 9, 7, 8, 7, 10, 8, 7
Mean:
Rumus: ΣX / n
Perhitungan: (7+8+6+9+7+8+7+10+8+7) / 10 = 77 / 10 = 7.7
Median:
Langkah 1: Urutkan data: 6, 7, 7, 7, 7, 8, 8, 8, 9, 10
Langkah 2: Karena n=10 (genap), median = rata-rata nilai ke-5 dan ke-6
Median = (7 + 8) / 2 = 7.5
Mode:
Hitung frekuensi: 6 (1x), 7 (4x), 8 (3x), 9 (1x), 10 (1x)
Mode = 7 (paling sering muncul, yaitu 4 kali)
🎯 Interpretasi dalam Konteks Bisnis:
Studi Kasus: Analisis Gaji Karyawan
Sebuah startup teknologi memiliki 15 karyawan dengan gaji bulanan (dalam juta rupiah):
5, 5, 6, 6, 6, 7, 7, 7, 8, 8, 9, 10, 12, 15, 50
Perhitungan:
- Mean: (5+5+6+6+6+7+7+7+8+8+9+10+12+15+50) / 15 = 161 / 15 = Rp 10.73 juta
- Median: Nilai ke-8 = Rp 7 juta
- Mode: Rp 6 juta dan Rp 7 juta (masing-masing muncul 3 kali)
Mean (10.73 juta) jauh lebih tinggi dari median (7 juta). Mengapa? Karena ada outlier: CEO dengan gaji Rp 50 juta yang “menarik” mean ke atas.
Kesimpulan: Untuk menggambarkan “gaji khas” karyawan di perusahaan ini, median (Rp 7 juta) lebih representatif daripada mean. Mean memberikan kesan yang menyesatkan seolah-olah gaji karyawan rata-rata di atas Rp 10 juta, padahal 14 dari 15 karyawan bergaji di bawah itu (Field, 2018).
⚠️ Kapan Memilih Mean vs Median?
| Kondisi Data | Ukuran yang Direkomendasikan | Alasan |
|---|---|---|
| Data normal/simetris | Mean | Mean menggunakan semua informasi data dan paling stabil secara statistik |
| Data skew (miring) atau ada outlier | Median | Median tidak terpengaruh nilai ekstrem, lebih robust |
| Data kategorik/nominal | Mode | Hanya mode yang masuk akal untuk data kategori |
📏 4. Measures of Dispersion: Ukuran Penyebaran Data
Definisi: Ukuran penyebaran (dispersion) menunjukkan seberapa jauh nilai-nilai individual dalam dataset bervariasi atau menyebar di sekitar nilai pusat (mean). Dua dataset bisa memiliki mean yang sama tetapi penyebaran yang sangat berbeda (Gravetter & Wallnau, 2017).
💡 Analogi Sederhana:
Dua kelas memiliki rata-rata nilai ujian yang sama: 75
- Kelas A: Nilai siswa: 73, 74, 75, 76, 77 (SD = 1.58) → Konsisten
- Kelas B: Nilai siswa: 50, 60, 75, 90, 100 (SD = 19.36) → Sangat bervariasi
Meskipun mean sama (75), Kelas A lebih homogen sedangkan Kelas B sangat heterogen. Inilah mengapa mean tanpa SD tidak bermakna—Anda perlu tahu seberapa konsisten datanya.
📊 Ukuran Penyebaran Utama:
| Ukuran | Rumus/Konsep | Interpretasi | Kegunaan |
|---|---|---|---|
| Range | Nilai Maximum – Minimum | Menunjukkan jarak antara nilai tertinggi dan terendah | Memberikan gambaran cepat tentang sebaran data, tapi sangat sensitif terhadap outlier |
| Variance (s²) | Rata-rata kuadrat deviasi dari mean | Semakin besar variance, semakin besar penyebaran data | Dasar perhitungan statistik inferensial (ANOVA, regresi), tapi satuan kuadrat sulit diinterpretasi |
| Standard Deviation (SD) | Akar kuadrat dari variance (√s²) | Rata-rata jarak setiap nilai dari mean. SD kecil = data homogen; SD besar = data heterogen | Ukuran penyebaran paling umum digunakan karena satuannya sama dengan data asli |
🔢 Contoh Perhitungan Standard Deviation:
Data: 8, 10, 12, 14, 16 (Mean = 12)
Langkah 1: Hitung selisih setiap nilai dengan mean (deviasi):
- 8 – 12 = -4
- 10 – 12 = -2
- 12 – 12 = 0
- 14 – 12 = 2
- 16 – 12 = 4
Langkah 2: Kuadratkan setiap deviasi:
- (-4)² = 16
- (-2)² = 4
- 0² = 0
- 2² = 4
- 4² = 16
Langkah 3: Jumlahkan kuadrat deviasi dan bagi dengan (n-1):
Variance (s²) = (16+4+0+4+16) / (5-1) = 40 / 4 = 10
Langkah 4: Akar kuadrat variance:
Standard Deviation (SD) = √10 = 3.16
📈 Interpretasi Standard Deviation dalam Riset Bisnis:
Contoh 1: Analisis Kinerja Sales
Dua tim sales memiliki rata-rata penjualan yang sama: Rp 100 juta/bulan
- Tim A: SD = Rp 10 juta
- Tim B: SD = Rp 40 juta
Interpretasi:
- Tim A lebih konsisten—penjualan bulanan berkisar antara Rp 90-110 juta (Mean ± 1 SD)
- Tim B sangat fluktuatif—bisa mencapai Rp 140 juta di bulan bagus, tapi bisa anjlok ke Rp 60 juta di bulan buruk
- Implikasi Manajerial: Tim A lebih predictable dan stabil, Tim B berisiko tinggi tapi berpotensi reward tinggi juga
Contoh 2: Kepuasan Pelanggan
Restoran A dan B sama-sama memiliki mean kepuasan 4.0 (skala 1-5)
- Restoran A: SD = 0.3 → Pelanggan konsisten puas
- Restoran B: SD = 1.5 → Ada yang sangat puas (5), ada yang sangat kecewa (1)
Interpretasi: Restoran B memiliki masalah inkonsistensi kualitas—mungkin pelayanan bagus di shift pagi tapi buruk di shift malam, atau chef berbeda menghasilkan rasa berbeda. SD yang besar adalah red flag yang perlu ditindaklanjuti (Hair et al., 2019).
📏 Aturan Empiris (Empirical Rule):
Untuk data yang terdistribusi normal:
- 68% data berada dalam Mean ± 1 SD
- 95% data berada dalam Mean ± 2 SD
- 99.7% data berada dalam Mean ± 3 SD
Contoh: Jika mean gaji = Rp 8 juta dan SD = Rp 1.5 juta:
- 68% karyawan bergaji antara Rp 6.5 – 9.5 juta
- 95% karyawan bergaji antara Rp 5 – 11 juta
- Hampir semua (99.7%) karyawan bergaji antara Rp 3.5 – 12.5 juta
📝 5. Presenting Descriptive Results: Menyajikan Hasil dengan Efektif
Penyajian hasil analisis deskriptif yang baik mengikuti prinsip “less is more”—sajikan informasi yang relevan, jelas, dan mudah dipahami tanpa membanjiri pembaca dengan angka (APA Style, 2020).
📊 Prinsip Penyajian yang Baik:
- Pilih format yang tepat: Tabel untuk data detail, grafik untuk menunjukkan pola atau perbandingan
- Beri judul yang informatif: Judul harus menjelaskan apa, siapa, dan kapan (misal: “Tabel 4.1 Distribusi Responden Berdasarkan Usia dan Jenis Kelamin, 2024”)
- Sertakan interpretasi: Jangan biarkan angka “berbicara sendiri”—jelaskan makna penting dari temuan tersebut
- Hindari redundansi: Jangan sajikan data yang sama dalam tabel dan grafik sekaligus
📋 Format Tabel Standar Akademik:
Contoh Tabel yang Baik:
| Tabel 4.2 Statistik Deskriptif Variabel Penelitian (N = 150) | |||
|---|---|---|---|
| Variabel | Mean | SD | Kategori |
| Kualitas Pelayanan | 4.23 | 0.58 | Tinggi |
| Kepuasan Pelanggan | 4.15 | 0.62 | Tinggi |
| Loyalitas Pelanggan | 3.87 | 0.71 | Tinggi |
| Keterangan: Skala pengukuran 1-5 (1 = Sangat Rendah, 5 = Sangat Tinggi) | |||
| Sumber: Data Primer Diolah (2024) | |||
📈 Memilih Grafik yang Tepat:
| Jenis Data | Grafik yang Direkomendasikan | Contoh Penggunaan |
|---|---|---|
| Data kategorik (nominal/ordinal) | Bar Chart atau Pie Chart | Distribusi jenis kelamin, pendidikan, jabatan |
| Data numerik kontinu | Histogram atau Box Plot | Distribusi usia, pendapatan, skor kepuasan |
| Perbandingan antar kelompok | Clustered Bar Chart | Perbandingan kepuasan pelanggan antar cabang |
| Tren waktu | Line Chart | Perkembangan penjualan per bulan |
✍️ Menulis Interpretasi yang Baik:
Struktur Interpretasi:
- Sebutkan temuan utama: “Berdasarkan Tabel 4.2, rata-rata skor kualitas pelayanan adalah 4.23 (SD = 0.58)…”
- Kategorikan: “…yang termasuk dalam kategori Tinggi (kriteria: mean > 3.67).”
- Bandingkan dengan teori atau ekspektasi: “Hasil ini sejalan dengan temuan Parasuraman et al. (1988) yang menyatakan bahwa perusahaan dengan investasi training karyawan cenderung memiliki kualitas pelayanan tinggi.”
- Jelaskan implikasi: “Tingkat pelayanan yang tinggi ini menjelaskan mengapa tingkat retensi pelanggan perusahaan mencapai 85%.”
- Catat anomali jika ada: “Meskipun mean tinggi, SD yang relatif besar (0.71) pada variabel loyalitas menunjukkan adanya variasi persepsi antar segmen pelanggan.”
- Over-interpretation: Menyimpulkan hubungan kausal dari data deskriptif. Contoh salah: “Karena mean motivasi tinggi, maka kinerja pasti tinggi.” Ini tidak valid tanpa uji statistik inferensial!
- Under-interpretation: Hanya menulis “Mean = 4.23, SD = 0.58” tanpa menjelaskan apa makna angka tersebut
- Inconsistent rounding: Kadang 2 desimal, kadang 3 desimal. Konsistenkan (biasanya 2 desimal untuk mean dan SD)
- Missing information: Tidak menyebutkan N (jumlah sampel) atau skala pengukuran
📚 Referensi Terakreditasi
- American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). Washington, DC: APA.
- Cooper, D. R., & Schindler, P. S. (2014). Business Research Methods (12th ed.). New York: McGraw-Hill Education. (Scopus Q2)
- Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). London: Sage Publications. (Scopus Q1, Highly Cited)
- Gravetter, F. J., & Wallnau, L. B. (2017). Statistics for the Behavioral Sciences (10th ed.). Boston: Cengage Learning.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Hampshire: Cengage Learning EMEA. (Scopus Q1, 50,000+ citations)
- Pallant, J. (2020). SPSS Survival Manual (7th ed.). Maidenhead: McGraw-Hill Education/Open University Press. (Scopus Q2, Practical Guide)
- Sekaran, U., & Bougie, R. (2016). Research Methods for Business: A Skill Building Approach (7th ed.). Chichester: John Wiley & Sons. (Scopus Q2, Business Research Standard)
🤔 Reflective Questions (Latihan Pemahaman)
Klik untuk melihat panduan jawaban
- Mengapa analisis deskriptif harus dilakukan sebelum uji hipotesis?
Jawaban: Analisis deskriptif membantu peneliti memahami karakteristik data, mendeteksi outlier atau anomali, memeriksa asumsi normalitas, dan memberikan konteks untuk interpretasi hasil uji hipotesis. Tanpa pemahaman deskriptif yang baik, peneliti bisa salah menafsirkan hasil statistik inferensial (Pallant, 2020). - Kapan sebaiknya menggunakan median daripada mean? Berikan contoh konkret!
Jawaban: Median lebih tepat digunakan ketika data terdistribusi skew (miring) atau terdapat outlier yang ekstrem. Contoh: Analisis pendapatan rumah tangga di suatu kota. Jika ada 1% penduduk dengan pendapatan Rp 1 miliar/bulan, mean akan “tertarik” ke atas dan tidak representatif. Median lebih akurat menggambarkan pendapatan “khas” penduduk (Field, 2018). - Dua departemen memiliki mean produktivitas yang sama (80 unit/hari), tetapi Departemen A memiliki SD = 5 dan Departemen B memiliki SD = 20. Apa implikasi manajerialnya?
Jawaban: Departemen A lebih konsisten dan predictable—produktivitas harian berkisar 75-85 unit. Departemen B sangat fluktuatif—bisa mencapai 100 unit di hari bagus, tapi bisa anjlok ke 60 unit di hari buruk. Implikasi: Departemen B perlu investigasi lebih lanjut—apakah ada masalah staffing, equipment, atau manajemen shift yang menyebabkan inkonsistensi (Hair et al., 2019). - Mengapa mean dan SD saja tidak cukup? Mengapa kita perlu juga memeriksa distribusi data?
Jawaban: Mean dan SD adalah ukuran ringkasan yang bisa menyembunyikan karakteristik penting distribusi. Dua dataset bisa memiliki mean dan SD yang sama tetapi bentuk distribusi yang berbeda (misal: satu normal, satu bimodal). Pemeriksaan histogram, skewness, dan kurtosis penting untuk memastikan apakah asumsi statistik parametrik terpenuhi (Gravetter & Wallnau, 2017).
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.