๐ Riset Bisnis Sesi 05a
Quantitative Research: Mengukur dengan Presisi
“Kalau kualitatif bertanya ‘mengapa?’, kuantitatif bertanya ‘berapa banyak?’ dan ‘seberapa kuat?’“
โฑ๏ธ 150′
๐ Sekaran Ch. 8-12
๐ Zikmund Ch. 12-16
๐ Hair et al.
๐ Jembatan dari Sesi 05 (Kualitatif)
Di sesi 05, Anda sudah belajar kualitatif โ menggali makna, memahami “mengapa”. Sekarang kita lengkapi dengan kuantitatif โ mengukur, menguji, menggeneralisasi.
๐จ Sesi 05
Kualitatif
“Mengapa?”
Kualitatif
“Mengapa?”
๐ SESI 05a
Kuantitatif
“Berapa?”
Kuantitatif
“Berapa?”
๐ Sesi 06a
Mixed Methods
Mixed Methods
๐ Sesi 07
Reporting
Reporting
๐ฏ 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
๐ Filosofi: Mengukur Realitas yang Objektif
Kuantitatif berangkat dari positivisme โ keyakinan bahwa realitas itu objektif, terukur, dan bisa digeneralisasi.
๐ Analogi Timbangan:
Kuantitatif itu seperti timbangan digital โ hasilnya angka pasti, bisa diulang, siapa pun yang menimbang dapat hasil sama. Kualitatif itu seperti food tester โ rasanya subjektif, tergantung lidah yang mencicipi.
Kuantitatif itu seperti timbangan digital โ hasilnya angka pasti, bisa diulang, siapa pun yang menimbang dapat hasil sama. Kualitatif itu seperti food tester โ rasanya subjektif, tergantung lidah yang mencicipi.
โ๏ธ Perbedaan Kunci dengan Kualitatif
| Aspek | ๐ Kuantitatif | ๐จ 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 |
๐ฏ 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 |
๐ฏ Kapan Pakai Kuantitatif?
โ
Ingin menguji hipotesis yang sudah dirumuskan
โ Butuh angka untuk keputusan bisnis (berapa % pasar, berapa besar pengaruh)
โ Ingin generalisasi ke populasi besar
โ Perlu membandingkan kelompok (Gen Z vs Milenial, Jakarta vs Surabaya)
โ Mau memprediksi perilaku (siapa yang akan beli, kapan)
โ Data sudah tersedia dalam bentuk angka (data sekunder)
โ Butuh angka untuk keputusan bisnis (berapa % pasar, berapa besar pengaruh)
โ Ingin generalisasi ke populasi besar
โ Perlu membandingkan kelompok (Gen Z vs Milenial, Jakarta vs Surabaya)
โ Mau memprediksi perilaku (siapa yang akan beli, kapan)
โ Data sudah tersedia dalam bentuk angka (data sekunder)
โ JANGAN pakai kuantitatif jika:
โข Fenomena masih baru dan belum dipahami โ pakai kualitatif dulu
โข Pertanyaan riset bersifat “mengapa” atau “bagaimana” secara mendalam
โข Tidak bisa mengukur variabel secara valid (misal: “kebijaksanaan”)
โข Fenomena masih baru dan belum dipahami โ pakai kualitatif dulu
โข Pertanyaan riset bersifat “mengapa” atau “bagaimana” secara mendalam
โข Tidak bisa mengukur variabel secara valid (misal: “kebijaksanaan”)
2. Desain Riset & Sampling
๐ 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 โ mana yang lebih meningkatkan konversi? |
๐ฒ Sampling Probabilitas (Kunci Generalisasi!)
Di kuantitatif, sampel HARUS representatif agar bisa digeneralisasi ke populasi. Caranya: probabilitas sampling โ 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) |
๐ธ Analogi Memotret:
Sampling itu seperti memotret kerumunan.
โข Random: Tutup mata, potret acak.
โข Stratified: Pastikan ada foto pria, wanita, anak-anak โ proporsional.
โข 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.
โข Random: Tutup mata, potret acak.
โข Stratified: Pastikan ada foto pria, wanita, anak-anak โ proporsional.
โข Cluster: Potret per kelompok (kelas A, kelas B, pilih 3 kelas random).
Kalau sampling bias (misal: hanya potret yang depan), hasilnya tidak representatif.
๐ข Berapa Ukuran Sampel yang Cukup?
Rumus Slovin (untuk populasi diketahui):
n = N / (1 + Nยทeยฒ)
n = ukuran sampel
N = ukuran populasi
e = batas kesalahan (biasanya 5% = 0.05)
n = N / (1 + Nยทeยฒ)
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 ร 0.05ยฒ) = 385 responden
n = 10.000 / (1 + 10.000 ร 0.05ยฒ) = 385 responden
๐ก Aturan Praktis:
โข Regresi sederhana: minimal 50-100
โข SEM-PLS: 5-10x jumlah indikator
โข Regresi berganda: 10-15x jumlah variabel independen
โข Factor Analysis: minimal 100-200
โข Regresi sederhana: minimal 50-100
โข SEM-PLS: 5-10x jumlah indikator
โข Regresi berganda: 10-15x jumlah variabel independen
โข Factor Analysis: minimal 100-200
3. Pengukuran & Instrumen
๐ 4 Skala Pengukuran (NOIR!)
Ini fondasi statistik โ salah skala, salah uji statistik!
๐ท๏ธ
Nominal
Hanya label/kategoriJenis kelamin, merek, kota
๐ฅ
Ordinal
Ada urutan, jarak tidak samaPeringkat, tingkat kepuasan (rendah-sedang-tinggi)
๐ก๏ธ
Interval
Jarak sama, tidak ada nol mutlakSuhu, skor IQ, skala Likert
๐ฐ
Rasio
Jarak sama, ada nol mutlakPendapatan, berat, umur, penjualan
โ ๏ธ NOIR = urutan hierarki:
Nominal (paling rendah) โ Ordinal โ Interval โ Rasio (paling tinggi)
Uji statistik yang boleh dipakai bergantung pada skala. Jangan pakai uji rasio untuk data nominal!
Nominal (paling rendah) โ Ordinal โ Interval โ Rasio (paling tinggi)
Uji statistik yang boleh dipakai bergantung pada skala. Jangan pakai uji rasio untuk data nominal!
๐ 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 |
๐ Template Kuesioner yang Baik
STRUKTUR KUESIONER
A. Screeners (penyaring)
1. Apakah Anda pernah belanja di Shopee? (Ya/Tidak)
โ Jika Tidak, STOP
B. Perilaku (fakta)
2. Berapa kali Anda belanja di Shopee dalam 3 bulan terakhir?
โก 1-2x โก 3-5x โก 6-10x โก >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: โก <3jt โก 3-7jt โก 7-15jt โก >15jt
A. Screeners (penyaring)
1. Apakah Anda pernah belanja di Shopee? (Ya/Tidak)
โ Jika Tidak, STOP
B. Perilaku (fakta)
2. Berapa kali Anda belanja di Shopee dalam 3 bulan terakhir?
โก 1-2x โก 3-5x โก 6-10x โก >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: โก <3jt โก 3-7jt โก 7-15jt โก >15jt
๐ก Prinsip Penyusunan Kuesioner:
โ Mudah ke sulit โ mulai dari pertanyaan ringan
โ Umum ke spesifik โ jangan langsung ke inti
โ Demografi di akhir โ sensitif, taruh belakang
โ Maksimal 15 menit โ lebih lama = responden lelah, data jelek
โ Satu pertanyaan = satu ide โ hindari double-barreled
โ Mudah ke sulit โ mulai dari pertanyaan ringan
โ Umum ke spesifik โ jangan langsung ke inti
โ Demografi di akhir โ sensitif, taruh belakang
โ Maksimal 15 menit โ lebih lama = responden lelah, data jelek
โ Satu pertanyaan = satu ide โ hindari double-barreled
โ Kesalahan Umum:
โข Leading question: “Setujukah Anda bahwa produk kami yang luar biasa ini bagus?”
โข Double-barreled: “Produk ini murah dan berkualitas” (dua ide dalam 1 pertanyaan!)
โข Ambigu: “Apakah Anda sering belanja?” (sering = berapa kali?)
โข Leading question: “Setujukah Anda bahwa produk kami yang luar biasa ini bagus?”
โข Double-barreled: “Produk ini murah dan berkualitas” (dua ide dalam 1 pertanyaan!)
โข Ambigu: “Apakah Anda sering belanja?” (sering = berapa kali?)
4. Validitas & Reliabilitas
๐ฏ Dua Pilar Kualitas Instrumen
Sebelum kuesioner disebar ke sampel besar, HARUS diuji dulu kualitasnya. Dua kriteria utama:
๐ฏ Analogi Target Panahan:
โข Valid = anak panah kena target (tepat sasaran, mengukur apa yang seharusnya diukur)
โข 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).
โข Valid = anak panah kena target (tepat sasaran, mengukur apa yang seharusnya diukur)
โข 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).
โ 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 (Content Validity Ratio) |
| Construct Validity | Benar-benar mengukur konstruk teoritis |
โข Convergent: AVE โฅ 0.50 (Hair et al.) โข Discriminant: HTMT < 0.85 atau akar AVE > korelasi |
| Criterion Validity | Berkorelasi dengan kriteria eksternal | Korelasi dengan ukuran “gold standard” |
๐ Uji Reliabilitas
| Metode | Keterangan | Standar |
|---|---|---|
| Cronbach’s Alpha | Konsistensi internal antar item | ฮฑ โฅ 0.70 (Nunnally, 1978) |
| Composite Reliability (CR) | Reliabilitas konstruk di SEM | CR โฅ 0.70 |
| Test-Retest | Kuesioner diuji 2x ke responden sama | Korelasi โฅ 0.70 |
Interpretasi Cronbach’s Alpha:
ฮฑ โฅ 0.90 โ Excellent
0.80 โค ฮฑ < 0.90 โ Good
0.70 โค ฮฑ < 0.80 โ Acceptable
0.60 โค ฮฑ < 0.70 โ Questionable
ฮฑ < 0.60 โ Poor (perlu revisi item!)
ฮฑ โฅ 0.90 โ Excellent
0.80 โค ฮฑ < 0.90 โ Good
0.70 โค ฮฑ < 0.80 โ Acceptable
0.60 โค ฮฑ < 0.70 โ Questionable
ฮฑ < 0.60 โ Poor (perlu revisi item!)
๐ฎ๐ฉ 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):
โข Cronbach’s Alpha = 0.87 โ (Good)
โข Item KP3 (suhu) loading-nya rendah (0.45) โ drop atau revisi
โข Setelah KP3 di-drop, alpha naik ke 0.91 โ
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):
โข Cronbach’s Alpha = 0.87 โ (Good)
โข Item KP3 (suhu) loading-nya rendah (0.45) โ drop atau revisi
โข Setelah KP3 di-drop, alpha naik ke 0.91 โ
Keputusan: Kuesioner siap disebar ke sampel besar (400 responden).
๐ก Prosedur Standar:
1. Susun kuesioner berdasarkan literatur & teori
2. Expert judgment (3-5 ahli) โ content validity
3. Pilot test ke 30-50 responden
4. Uji validitas (corrected item-total correlation โฅ 0.30) & reliabilitas (ฮฑ โฅ 0.70)
5. Drop/revisi item yang tidak valid
6. Kuesioner final โ sebar ke sampel sesungguhnya
1. Susun kuesioner berdasarkan literatur & teori
2. Expert judgment (3-5 ahli) โ content validity
3. Pilot test ke 30-50 responden
4. Uji validitas (corrected item-total correlation โฅ 0.30) & reliabilitas (ฮฑ โฅ 0.70)
5. Drop/revisi item yang tidak valid
6. Kuesioner final โ sebar ke sampel sesungguhnya
5. Analisis Data & Rundown
๐ Dua Jenis Analisis Statistik
| Aspek | Statistik Deskriptif | Statistik Inferensial | |
|---|---|---|---|
| Tujuan | Menggambarkan data | Menguji hipotesis, generalisasi | |
| Contoh | Mean, median, modus, standar deviasi, frekuensi, persentase | Regresi, korelasi, t-test, ANOVA, SEM | |
| Pertanyaan | “Berapa rata-rata usia pelanggan?” | “Apakah harga berpengaruh signifikan terhadap kepuasan?” |
๐งช Uji Statistik Berdasarkan Jenis Hipotesis
| Hipotesis | Uji yang Dipakai |
|---|---|
| X memengaruhi Y (1 IV, 1 DV) | Regresi sederhana / korelasi Pearson |
| X1, X2, X3 memengaruhi Y | Regresi berganda |
| Ada perbedaan antara 2 kelompok | T-test (independent/paired) |
| Ada perbedaan antara 3+ kelompok | ANOVA |
| Mediasi & moderasi sekaligus | SEM-PLS (SmartPLS) |
| Mengelompokkan responden | Cluster analysis |
| Meringkas banyak variabel | Factor analysis (EFA/CFA) |
๐ 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 |
๐ฎ๐ฉ Konteks UMKM Indonesia:
Banyak riset bisnis di Indonesia memakai SmartPLS karena:
โข Sampel sering < 100 (PLS lebih toleran)
โข Data tidak selalu terdistribusi normal
โข Bisa handle model kompleks (mediasi + moderasi)
โข Banyak tutorial bahasa Indonesia di YouTube
Banyak riset bisnis di Indonesia memakai SmartPLS karena:
โข Sampel sering < 100 (PLS lebih toleran)
โข Data tidak selalu terdistribusi normal
โข Bisa handle model kompleks (mediasi + moderasi)
โข Banyak tutorial bahasa Indonesia di YouTube
๐ Rundown 150 Menit
| Waktu | Aktivitas |
|---|---|
| 00-15′ | Ice Breaking: “Pernahkah Anda percaya survei? Apa yang bikin survei bisa dipercaya?” โๅผๅบ sampling & validitas |
| 15-35′ | Lecture: Prinsip kuantitatif + perbandingan dengan kualitatif |
| 35-55′ | Lecture: Desain riset + sampling probabilitas + rumus Slovin |
| 55-65′ | Coffee Break |
| 65-90′ | Lecture: Skala pengukuran (NOIR) + jenis kuesioner + template |
| 90-115′ | Lecture: Validitas & reliabilitas + analogi target panahan + contoh kasus |
| 115-135′ | Workshop: Mahasiswa buat 5 item skala Likert untuk konstruk minat, hitung alpha-nya (pakai data simulasi) |
| 135-150′ | Wrap-up & Tugas |
๐ Tugas
Rancang instrumen kuesioner untuk menguji hipotesis yang Anda buat di Sesi 04:
โข Identifikasi semua variabel & operasionalisasikan jadi indikator
โข Buat minimal 3 item per konstruk (skala Likert 1-5 atau 1-7)
โข Tentukan rencana sampling (jenis + ukuran sampel + rumus)
โข Tentukan uji statistik yang akan dipakai untuk setiap hipotesis
Dikumpulkan minggu depan.
โข Identifikasi semua variabel & operasionalisasikan jadi indikator
โข Buat minimal 3 item per konstruk (skala Likert 1-5 atau 1-7)
โข Tentukan rencana sampling (jenis + ukuran sampel + rumus)
โข Tentukan uji statistik yang akan dipakai untuk setiap hipotesis
Dikumpulkan minggu depan.
๐บ๏ธ Menuju Sesi 06a: Mixed Methods
Sekarang Anda sudah kuasai dua “senjata” utama:
๐จ Kualitatif (sesi 05) โ untuk eksplorasi, makna
๐ Kuantitatif (sesi 05a) โ untuk pengujian, generalisasi
Di sesi 06a, kita akan belajar menggabungkan keduanya โ karena dalam praktik bisnis nyata, seringkali satu metode saja tidak cukup!
๐จ Kualitatif (sesi 05) โ untuk eksplorasi, makna
๐ Kuantitatif (sesi 05a) โ untuk pengujian, generalisasi
Di sesi 06a, kita akan belajar menggabungkan keduanya โ karena dalam praktik bisnis nyata, seringkali satu metode saja tidak cukup!