📊 Riset Bisnis Sesi 05a
Quantitative Research: Mengukur dengan Presisi
“Kalau kualitatif bertanya ‘mengapa?’, kuantitatif bertanya ‘berapa banyak?’ dan ‘seberapa kuat?’“
⏱️ 150′
📖 Sekaran Ch. 8-12
📖 Zikmund Ch. 12-16
📖 Hair et al.
🌉 Jembatan: Posisi Sesi Ini dalam Learning Path
Di 🎨 Sesi 05: Kualitatif, Anda sudah belajar menggali makna. Sekarang kita lengkapi dengan kuantitatif — mengukur, menguji, menggeneralisasi. Setelah ini, kita gabungkan keduanya di 🔀 Sesi 06: Mixed Methods.
🎯 Capaian Pembelajaran
- Paham prinsip & filosofi riset kuantitatif
- Paham desain riset & sampling probabilitas
- Paham skala pengukuran & penyusunan kuesioner
- Paham uji validitas & reliabilitas instrumen
- Paham dasar analisis statistik untuk bisnis
1. Prinsip & Filosofi Kuantitatif
📏 Filosofi: Mengukur Realitas yang Objektif
Kuantitatif berangkat dari positivisme — keyakinan bahwa realitas itu objektif, terukur, dan bisa digeneralisasi.
📏 Analogi Timbangan:
Kuantitatif itu seperti timbangan digital — hasilnya angka pasti, bisa diulang, siapa pun yang menimbang dapat hasil sama. Kualitatif (Sesi 05) itu seperti food tester — rasanya subjektif, tergantung lidah yang mencicipi.
Kuantitatif itu seperti timbangan digital — hasilnya angka pasti, bisa diulang, siapa pun yang menimbang dapat hasil sama. Kualitatif (Sesi 05) itu seperti food tester — rasanya subjektif, tergantung lidah yang mencicipi.
⚖️ Perbedaan Kunci dengan Kualitatif
| Aspek | 📊 Kuantitatif | 🎨 Kualitatif |
|---|---|---|
| Logika | Deduktif (uji teori) | Induktif (bangun teori) |
| Data | Angka, statistik | Kata, narasi, makna |
| Instrumen | Kuesioner, tes | Peneliti sendiri |
| Sampel | Besar, random, representatif | Kecil, purposif, informatif |
| Analisis | Statistik (SPSS, SmartPLS) | Tematik (NVivo, ATLAS.ti) |
| Output | Generalisasi, prediksi | Pemahaman mendalam, teori |
🔀 Lihat Perbandingan Lengkap di Sesi 06
🎯 5 Prinsip Dasar Kuantitatif
| # | Prinsip | Implikasi |
|---|---|---|
| 1 | Objektivitas | Peneliti berjarak, tidak memengaruhi hasil |
| 2 | Terukur (measurable) | Semua variabel harus bisa di-angka-kan |
| 3 | Generalisasi | Hasil sampel bisa digeneralisasi ke populasi |
| 4 | Replicability | Riset bisa diulang orang lain dengan hasil sama |
| 5 | Prediksi | Bisa memprediksi fenomena di masa depan |
🎯 Kapan Pakai Kuantitatif?
✅ Ingin menguji hipotesis (Sesi 04)
✅ Butuh angka untuk keputusan bisnis (berapa % pasar, berapa besar pengaruh)
✅ Ingin generalisasi ke populasi besar
✅ Perlu membandingkan kelompok (Gen Z vs Milenial, Jakarta vs Surabaya)
✅ Mau memprediksi perilaku (siapa yang akan beli, kapan)
✅ Data sudah tersedia dalam bentuk angka (data sekunder)
✅ Butuh angka untuk keputusan bisnis (berapa % pasar, berapa besar pengaruh)
✅ Ingin generalisasi ke populasi besar
✅ Perlu membandingkan kelompok (Gen Z vs Milenial, Jakarta vs Surabaya)
✅ Mau memprediksi perilaku (siapa yang akan beli, kapan)
✅ Data sudah tersedia dalam bentuk angka (data sekunder)
❌ JANGAN pakai kuantitatif jika:
• Fenomena masih baru dan belum dipahami → pakai kualitatif (Sesi 05) dulu
• Pertanyaan riset bersifat “mengapa” atau “bagaimana” secara mendalam
• Tidak bisa mengukur variabel secara valid (misal: “kebijaksanaan”)
• Fenomena masih baru dan belum dipahami → pakai kualitatif (Sesi 05) dulu
• Pertanyaan riset bersifat “mengapa” atau “bagaimana” secara mendalam
• Tidak bisa mengukur variabel secara valid (misal: “kebijaksanaan”)
2. Desain Riset & Sampling
📐 3 Jenis Desain Riset Kuantitatif
| Desain | Tujuan | Contoh UMKM |
|---|---|---|
| Deskriptif | Menggambarkan karakteristik | Survei profil pelanggan Shopee: usia, pendapatan, frekuensi belanja |
| Korelasional | Melihat hubungan antar variabel | Apakah intensitas iklan TikTok berhubungan dengan volume penjualan? |
| Eksperimental | Menguji sebab-akibat | A/B test: diskon 20% vs gratis ongkir — mana yang lebih meningkatkan konversi? |
🔀 Desain Kuantitatif vs Kualitatif vs Mixed (Sesi 06)
🎲 Sampling Probabilitas (Kunci Generalisasi!)
Di kuantitatif, sampel HARUS representatif agar bisa digeneralisasi ke populasi. Caranya: probabilitas sampling — setiap anggota populasi punya peluang diketahui untuk terpilih.
| Jenis | Cara Kerja | Kapan Dipakai |
|---|---|---|
| Simple Random | Undian murni dari populasi | Populasi homogen, ada daftar lengkap |
| Systematic | Pilih setiap kelipatan ke-n (misal: setiap ke-10) | Populasi besar, daftar urut |
| Stratified | Bagi populasi jadi strata, ambil random per strata | Populasi heterogen (misal: Gen Z, Milenial, Gen X) |
| Cluster | Bagi jadi klaster (wilayah), pilih klaster random | Populasi tersebar geografis (seluruh Indonesia) |
🎯 Pelajari Sampling Lebih Dalam + Kalkulator di Sesi 07
📸 Analogi Memotret:
Sampling itu seperti memotret kerumunan.
• Random: Tutup mata, potret acak.
• Stratified: Pastikan ada foto pria, wanita, anak-anak — proporsional.
• Cluster: Potret per kelompok (kelas A, kelas B, pilih 3 kelas random).
Kalau sampling bias (misal: hanya potret yang depan), hasilnya tidak representatif.
Sampling itu seperti memotret kerumunan.
• Random: Tutup mata, potret acak.
• Stratified: Pastikan ada foto pria, wanita, anak-anak — proporsional.
• Cluster: Potret per kelompok (kelas A, kelas B, pilih 3 kelas random).
Kalau sampling bias (misal: hanya potret yang depan), hasilnya tidak representatif.
🔢 Berapa Ukuran Sampel yang Cukup?
Rumus Slovin (untuk populasi diketahui):
n = N / (1 + N·e²)
n = ukuran sampel
N = ukuran populasi
e = batas kesalahan (biasanya 5% = 0.05)
n = N / (1 + N·e²)
n = ukuran sampel
N = ukuran populasi
e = batas kesalahan (biasanya 5% = 0.05)
Contoh: Populasi pelanggan = 10.000, error 5%
n = 10.000 / (1 + 10.000 × 0.05²) = 385 responden
n = 10.000 / (1 + 10.000 × 0.05²) = 385 responden
💡 Aturan Praktis:
• Regresi sederhana: minimal 50-100
• SEM-PLS: 5-10x jumlah indikator
• Regresi berganda: 10-15x jumlah variabel independen
• Factor Analysis: minimal 100-200
• Regresi sederhana: minimal 50-100
• SEM-PLS: 5-10x jumlah indikator
• Regresi berganda: 10-15x jumlah variabel independen
• Factor Analysis: minimal 100-200
3. Pengukuran & Instrumen
📏 4 Skala Pengukuran (NOIR!)
Ini fondasi statistik — salah skala, salah uji statistik!
🏷️
Nominal
Hanya label/kategoriJenis kelamin, merek, kota
🥇
Ordinal
Ada urutan, jarak tidak samaPeringkat, tingkat kepuasan
🌡️
Interval
Jarak sama, tidak ada nol mutlakSuhu, skor IQ, skala Likert
💰
Rasio
Jarak sama, ada nol mutlakPendapatan, berat, penjualan
📏 Deep Dive Skala & Kuesioner di Sesi 08
⚠️ NOIR = urutan hierarki:
Nominal (paling rendah) → Ordinal → Interval → Rasio (paling tinggi)
Uji statistik yang boleh dipakai bergantung pada skala. Jangan pakai uji rasio untuk data nominal!
Nominal (paling rendah) → Ordinal → Interval → Rasio (paling tinggi)
Uji statistik yang boleh dipakai bergantung pada skala. Jangan pakai uji rasio untuk data nominal!
📝 Jenis Skala dalam Kuesioner
| Jenis Skala | Contoh | Penggunaan |
|---|---|---|
| Likert | 1 = Sangat Tidak Setuju … 5 = Sangat Setuju | Paling umum di riset bisnis |
| Semantic Differential | Murah [-3 -2 -1 0 +1 +2 +3] Mahal | Mengukur citra/kesan |
| Rating Scale | Beri nilai 1-10 untuk layanan | Kepuasan, NPS |
| Ranking | Urutkan 5 merek dari favorit | Preferensi relatif |
| Constant Sum | Bagi 100 poin ke 4 atribut | Prioritas, trade-off |
📋 Template Kuesioner yang Baik
STRUKTUR KUESIONER
A. Screeners (penyaring)
1. Apakah Anda pernah belanja di Shopee? (Ya/Tidak)
→ Jika Tidak, STOP
B. Perilaku (fakta)
2. Berapa kali Anda belanja di Shopee dalam 3 bulan terakhir?
□ 1-2x □ 3-5x □ 6-10x □ >10x
C. Sikap & Persepsi (skala Likert)
3. “Live shopping di Shopee memudahkan saya mengambil keputusan.”
1 2 3 4 5
D. Demografi (akhir, agar tidak mengintimidasi)
4. Usia: ___ tahun
5. Pendapatan per bulan: □ <3jt □ 3-7jt □ 7-15jt □ >15jt
A. Screeners (penyaring)
1. Apakah Anda pernah belanja di Shopee? (Ya/Tidak)
→ Jika Tidak, STOP
B. Perilaku (fakta)
2. Berapa kali Anda belanja di Shopee dalam 3 bulan terakhir?
□ 1-2x □ 3-5x □ 6-10x □ >10x
C. Sikap & Persepsi (skala Likert)
3. “Live shopping di Shopee memudahkan saya mengambil keputusan.”
1 2 3 4 5
D. Demografi (akhir, agar tidak mengintimidasi)
4. Usia: ___ tahun
5. Pendapatan per bulan: □ <3jt □ 3-7jt □ 7-15jt □ >15jt
💡 Prinsip Penyusunan Kuesioner:
✅ Mudah ke sulit — mulai dari pertanyaan ringan
✅ Umum ke spesifik — jangan langsung ke inti
✅ Demografi di akhir — sensitif, taruh belakang
✅ Maksimal 15 menit — lebih lama = responden lelah, data jelek
✅ Satu pertanyaan = satu ide — hindari double-barreled
✅ Mudah ke sulit — mulai dari pertanyaan ringan
✅ Umum ke spesifik — jangan langsung ke inti
✅ Demografi di akhir — sensitif, taruh belakang
✅ Maksimal 15 menit — lebih lama = responden lelah, data jelek
✅ Satu pertanyaan = satu ide — hindari double-barreled
❌ Kesalahan Umum:
• Leading question: “Setujukah Anda bahwa produk kami yang luar biasa ini bagus?”
• Double-barreled: “Produk ini murah dan berkualitas” (dua ide dalam 1 pertanyaan!)
• Ambigu: “Apakah Anda sering belanja?” (sering = berapa kali?)
• Leading question: “Setujukah Anda bahwa produk kami yang luar biasa ini bagus?”
• Double-barreled: “Produk ini murah dan berkualitas” (dua ide dalam 1 pertanyaan!)
• Ambigu: “Apakah Anda sering belanja?” (sering = berapa kali?)
4. Validitas & Reliabilitas
🎯 Dua Pilar Kualitas Instrumen
Sebelum kuesioner disebar ke sampel besar, HARUS diuji dulu kualitasnya. Dua kriteria utama:
🎯 Analogi Target Panahan:
• Valid = anak panah kena target (tepat sasaran, mengukur apa yang seharusnya diukur)
• Reliabel = anak panah berkumpul di satu titik (konsisten, stabil)
Bisa saja reliabel tapi tidak valid (konsisten kena di luar target).
Tapi tidak mungkin valid tanpa reliabel (kalau acak, tidak mungkin tepat).
• Valid = anak panah kena target (tepat sasaran, mengukur apa yang seharusnya diukur)
• Reliabel = anak panah berkumpul di satu titik (konsisten, stabil)
Bisa saja reliabel tapi tidak valid (konsisten kena di luar target).
Tapi tidak mungkin valid tanpa reliabel (kalau acak, tidak mungkin tepat).
✅ Jenis-Jenis Validitas
| Jenis | Arti | Cara Uji |
|---|---|---|
| Face Validity | Sekilas terlihat mengukur apa yang seharusnya | Review ahli / responden |
| Content Validity | Mencakup seluruh aspek konstruk | Expert judgment, CVR |
| Construct Validity | Benar-benar mengukur konstruk teoritis |
• Convergent: AVE ≥ 0.50 • Discriminant: HTMT < 0.85 |
| Criterion Validity | Berkorelasi dengan kriteria eksternal | Korelasi dengan ukuran “gold standard” |
🔁 Uji Reliabilitas
| Metode | Keterangan | Standar |
|---|---|---|
| Cronbach’s Alpha | Konsistensi internal antar item | α ≥ 0.70 |
| Composite Reliability (CR) | Reliabilitas konstruk di SEM | CR ≥ 0.70 |
| Test-Retest | Kuesioner diuji 2x ke responden sama | Korelasi ≥ 0.70 |
Interpretasi Cronbach’s Alpha:
α ≥ 0.90 → Excellent
0.80 ≤ α < 0.90 → Good
0.70 ≤ α < 0.80 → Acceptable
0.60 ≤ α < 0.70 → Questionable
α < 0.60 → Poor (perlu revisi item!)
α ≥ 0.90 → Excellent
0.80 ≤ α < 0.90 → Good
0.70 ≤ α < 0.80 → Acceptable
0.60 ≤ α < 0.70 → Questionable
α < 0.60 → Poor (perlu revisi item!)
🧪 Uji Kualitas Data + SPSS di Sesi 09
🇮🇩 Contoh Kasus: Kuesioner Kepuasan Pelanggan Kopi Kenangan
Konstruk: “Kualitas Produk” (4 item)
KP1: “Kopi yang saya minum rasanya konsisten.”
KP2: “Kopi yang saya minum rasanya nikmat.”
KP3: “Kopi yang saya minum suhunya pas.”
KP4: “Kopi yang saya minum aromanya khas.”
Hasil Uji (n = 150 pilot test):
• Cronbach’s Alpha = 0.87 ✅ (Good)
• Item KP3 (suhu) loading-nya rendah (0.45) → drop atau revisi
• Setelah KP3 di-drop, alpha naik ke 0.91 ✅
Keputusan: Kuesioner siap disebar ke sampel besar (400 responden).
KP1: “Kopi yang saya minum rasanya konsisten.”
KP2: “Kopi yang saya minum rasanya nikmat.”
KP3: “Kopi yang saya minum suhunya pas.”
KP4: “Kopi yang saya minum aromanya khas.”
Hasil Uji (n = 150 pilot test):
• Cronbach’s Alpha = 0.87 ✅ (Good)
• Item KP3 (suhu) loading-nya rendah (0.45) → drop atau revisi
• Setelah KP3 di-drop, alpha naik ke 0.91 ✅
Keputusan: Kuesioner siap disebar ke sampel besar (400 responden).
💡 Prosedur Standar:
1. Susun kuesioner berdasarkan literatur & teori
2. Expert judgment (3-5 ahli) → content validity
3. Pilot test ke 30-50 responden
4. Uji validitas (corrected item-total correlation ≥ 0.30) & reliabilitas (α ≥ 0.70)
5. Drop/revisi item yang tidak valid
6. Kuesioner final → sebar ke sampel sesungguhnya
1. Susun kuesioner berdasarkan literatur & teori
2. Expert judgment (3-5 ahli) → content validity
3. Pilot test ke 30-50 responden
4. Uji validitas (corrected item-total correlation ≥ 0.30) & reliabilitas (α ≥ 0.70)
5. Drop/revisi item yang tidak valid
6. Kuesioner final → sebar ke sampel sesungguhnya
5. Analisis Data & Rundown
📈 Dua Jenis Analisis Statistik
| Aspek | Statistik Deskriptif | Statistik Inferensial |
|---|---|---|
| Tujuan | Menggambarkan data | Menguji hipotesis, generalisasi |
| Contoh | Mean, median, modus, SD, frekuensi | Regresi, korelasi, t-test, ANOVA, SEM |
| Pertanyaan | “Berapa rata-rata usia pelanggan?” | “Apakah harga berpengaruh signifikan?” |
📊 Statistik Deskriptif Lengkap di Sesi 10
🧪 Uji Statistik Berdasarkan Jenis Hipotesis
| Hipotesis | Uji yang Dipakai | Dalami di |
|---|---|---|
| X memengaruhi Y (1 IV, 1 DV) | Regresi sederhana / korelasi Pearson | Sesi 13 |
| X1, X2, X3 memengaruhi Y | Regresi berganda | Sesi 13 |
| Ada perbedaan 2 kelompok | T-test | Sesi 12 / 13 |
| Ada perbedaan 3+ kelompok | ANOVA / Kruskal-Wallis | Sesi 12 / 13 |
| Mediasi & moderasi sekaligus | SEM-PLS | Sesi 13 |
| Mengelompokkan responden | Cluster analysis | Lanjutan |
| Meringkas banyak variabel | Factor analysis (EFA/CFA) | Lanjutan |
| Data tidak normal / ordinal | Uji non-parametrik | Sesi 12 |
📊 Software Populer
| Software | Keunggulan | Cocok untuk |
|---|---|---|
| SPSS | User-friendly, output lengkap | Regresi, ANOVA, deskriptif |
| SmartPLS | SEM-PLS, tidak butuh asumsi normal | Model kompleks, mediasi, moderasi |
| LISREL / AMOS | SEM berbasis kovarians | Confirmatory Factor Analysis |
| R / Python | Gratis, fleksibel, powerful | Data science, big data |
| JASP | Gratis, open-source, mirip SPSS | Alternatif SPSS gratis |
🇮🇩 Konteks UMKM Indonesia:
Banyak riset bisnis di Indonesia memakai SmartPLS karena:
• Sampel sering < 100 (PLS lebih toleran)
• Data tidak selalu terdistribusi normal
• Bisa handle model kompleks (mediasi + moderasi)
• Banyak tutorial bahasa Indonesia di YouTube
Banyak riset bisnis di Indonesia memakai SmartPLS karena:
• Sampel sering < 100 (PLS lebih toleran)
• Data tidak selalu terdistribusi normal
• Bisa handle model kompleks (mediasi + moderasi)
• Banyak tutorial bahasa Indonesia di YouTube
📅 Rundown 150 Menit
| Waktu | Aktivitas |
|---|---|
| 00-15′ | Ice Breaking: “Pernahkah Anda percaya survei?” |
| 15-35′ | Lecture: Prinsip kuantitatif + perbandingan kualitatif |
| 35-55′ | Lecture: Desain riset + sampling + Slovin |
| 55-65′ | Coffee Break |
| 65-90′ | Lecture: Skala pengukuran (NOIR) + kuesioner |
| 90-115′ | Lecture: Validitas & reliabilitas + contoh kasus |
| 115-135′ | Workshop: Mahasiswa buat 5 item Likert + hitung alpha |
| 135-150′ | Wrap-up & Tugas |
📝 Tugas
Rancang instrumen kuesioner untuk menguji hipotesis yang Anda buat di Sesi 04:
• Identifikasi semua variabel & operasionalisasikan jadi indikator
• Buat minimal 3 item per konstruk (skala Likert 1-5 atau 1-7)
• Tentukan rencana sampling (jenis + ukuran sampel + rumus)
• Tentukan uji statistik yang akan dipakai untuk setiap hipotesis
Dikumpulkan minggu depan.
• Identifikasi semua variabel & operasionalisasikan jadi indikator
• Buat minimal 3 item per konstruk (skala Likert 1-5 atau 1-7)
• Tentukan rencana sampling (jenis + ukuran sampel + rumus)
• Tentukan uji statistik yang akan dipakai untuk setiap hipotesis
Dikumpulkan minggu depan.
🗺️ Menuju Sesi 06: Mixed Methods
Sekarang Anda sudah kuasai dua “senjata” utama:
🎨 Kualitatif (Sesi 05) — untuk eksplorasi, makna
📊 Kuantitatif (Sesi 05a) — untuk pengujian, generalisasi
Di Sesi 06, kita akan belajar menggabungkan keduanya — karena dalam praktik bisnis nyata, seringkali satu metode saja tidak cukup!
🎨 Kualitatif (Sesi 05) — untuk eksplorasi, makna
📊 Kuantitatif (Sesi 05a) — untuk pengujian, generalisasi
Di Sesi 06, kita akan belajar menggabungkan keduanya — karena dalam praktik bisnis nyata, seringkali satu metode saja tidak cukup!
🧠 Kuis Interaktif: Uji Pemahaman Sesi 05a
1. Filosofi dasar yang mendasari riset kuantitatif adalah…
✅ Positivisme: realitas objektif, terukur, dapat digeneralisasi.
2. Teknik sampling yang membagi populasi ke dalam kelompok homogen (misal Gen Z/Milenial/Gen X) lalu mengacak per kelompok disebut…
✅ Stratified = strata homogen, lalu random di tiap strata.
3. Urutan hierarki skala pengukuran dari terendah ke tertinggi adalah…
✅ NOIR = Nominal (label) → Ordinal (urutan) → Interval (jarak) → Rasio (nol mutlak).
4. Pertanyaan “Produk ini murah DAN berkualitas” dalam satu item adalah contoh kesalahan…
✅ 2 ide dalam 1 pertanyaan — harus dipecah jadi 2 item terpisah.
5. Ambang Cronbach’s Alpha agar kuesioner dianggap reliabel (acceptable) adalah…
✅ α ≥ 0.70 = acceptable; ≥ 0.80 = good; ≥ 0.90 = excellent.
6. Jika data tidak berdistribusi normal dan skala ordinal, uji yang lebih tepat adalah…
✅ Non-parametrik tidak butuh asumsi normal & cocok untuk ordinal (Sesi 12).