Riset Bisnis Sesi 08A

🌳 DECISION TREE PEMILIHAN UJI STATISTIK

---

LANGKAH 1: Apa tujuan analisis Anda?

• ➡️ A. DESKRIPSI → Gunakan statistik deskriptif (Mean, Median, Modus, SD, Frekuensi) — lihat Sesi 10
• ➡️ B. KOMPARASI (membandingkan kelompok) → Lanjut ke Langkah 2A
• ➡️ C. ASOSIASI (mencari hubungan) → Lanjut ke Langkah 2B
• ➡️ D. PREDIKSI/PENGARUH → Lanjut ke Langkah 2C

---

LANGKAH 2A: UJI KOMPARASI

• 2 kelompok independen (misal: Laki-laki vs Perempuan):
  • Data interval/rasio + normal → Independent T-Test
  • Data ordinal atau tidak normal → Mann-Whitney U Test
• 2 kelompok berpasangan (misal: Pre-test vs Post-test):
  • Data interval/rasio + normal → Paired T-Test
  • Data ordinal atau tidak normal → Wilcoxon Signed-Rank Test
• 3+ kelompok independen (misal: Divisi HR, Finance, Marketing):
  • Data interval/rasio + normal → One-Way ANOVA
  • Data ordinal atau tidak normal → Kruskal-Wallis Test
• 3+ kelompok berpasangan (misal: Pengukuran waktu T1, T2, T3):
  • Data interval/rasio + normal → Repeated Measures ANOVA
  • Data ordinal atau tidak normal → Friedman Test

---

LANGKAH 2B: UJI ASOSIASI (KORELASI)

• Kedua variabel interval/rasio + normal: → Pearson Correlation
• Salah satu/skedua variabel ordinal, atau tidak normal: → Spearman Rank Correlation
• Kedua variabel nominal: → Chi-Square Test of Independence
• Satu nominal dikotomi + satu interval: → Point-Biserial Correlation

---

LANGKAH 2C: UJI PREDIKSI / PENGARUH

• 1 variabel independen → 1 dependen (interval): → Simple Linear Regression
• 2+ variabel independen → 1 dependen (interval): → Multiple Linear Regression
• Variabel dependen nominal dikotomi (0/1): → Logistic Regression
• Ada variabel mediasi: → Path Analysis / Sobel Test / PROCESS Hayes
• Ada variabel moderasi: → Moderated Regression Analysis (MRA)
• Model kompleks dengan banyak konstruk laten: → SEM (Structural Equation Modeling)

✅ Tips Praktis: Cetak decision tree ini dan tempel di meja kerja Anda. Setiap kali menghadapi pertanyaan riset, ikuti alurnya secara sistematis. Jangan memilih uji berdasarkan “yang paling sering dipakai orang lain” — pilih berdasarkan karakteristik data Anda (Sekaran & Bougie, 2016).

💼 Contoh Kasus 1: Chi-Square Test of Independence

Pertanyaan Riset: “Apakah terdapat hubungan antara jenis kelamin (Laki-laki/Perempuan) dengan preferensi merek smartphone (Apple/Samsung/Xiaomi)?”

• Variabel 1: Jenis kelamin (Nominal)
• Variabel 2: Preferensi merek (Nominal)
• Uji yang tepat: Chi-Square Test of Independence
• Interpretasi: Jika p-value < 0.05, maka terdapat hubungan signifikan antara jenis kelamin dan preferensi merek.

💼 Contoh Kasus 2: Chi-Square Goodness of Fit

Pertanyaan Riset: “Apakah pangsa pasar smartphone di Indonesia sesuai dengan distribusi yang diharapkan (Apple 30%, Samsung 40%, Xiaomi 30%)?”

• Variabel: Pilihan merek (Nominal)
• Uji yang tepat: Chi-Square Goodness of Fit
• Interpretasi: Menguji apakah distribusi aktual berbeda signifikan dari distribusi yang diharapkan.

💼 Contoh Kasus:

Pertanyaan Riset: “Apakah terdapat perbedaan tingkat kepuasan kerja (skala ordinal: Sangat Tidak Puas s.d. Sangat Puas) antara karyawan kontrak dan karyawan tetap?”

• Variabel Independen: Status karyawan (Nominal: Kontrak vs Tetap)
• Variabel Dependen: Kepuasan kerja (Ordinal)
• Uji yang tepat: Mann-Whitney U Test
• Alasan: Data dependen bersifat ordinal, sehingga asumsi interval pada T-Test tidak terpenuhi.

💼 Contoh Kasus:

Pertanyaan Riset: “Apakah terdapat perbedaan peringkat kinerja (A, B, C, D) di antara karyawan dari 4 departemen berbeda (HR, Finance, Marketing, Operations)?”

• Variabel Independen: Departemen (Nominal, 4 kelompok)
• Variabel Dependen: Peringkat kinerja (Ordinal)
• Uji yang tepat: Kruskal-Wallis Test
• Post-hoc: Jika signifikan, lanjutkan dengan Dunn’s Test untuk mengetahui pasangan kelompok mana yang berbeda.

💼 Contoh Kasus:

Pertanyaan Riset: “Apakah terdapat hubungan antara level jabatan (Staff, Supervisor, Manager, Director) dengan tingkat kepuasan kerja (skala ordinal)?”

• Kedua variabel: Ordinal
• Uji yang tepat: Spearman Rank Correlation
• Interpretasi koefisien ρ:
  • 0.00 – 0.19: Sangat lemah
  • 0.20 – 0.39: Lemah
  • 0.40 – 0.59: Sedang
  • 0.60 – 0.79: Kuat
  • 0.80 – 1.00: Sangat kuat

1. Independent T-Test — untuk 2 kelompok yang berbeda

Contoh: “Apakah terdapat perbedaan gaji rata-rata antara karyawan laki-laki dan perempuan?”

• Variabel Independen: Jenis kelamin (Nominal dikotomi)
• Variabel Dependen: Gaji (Rasio)
• Asumsi: Data berdistribusi normal, varians homogen (uji dengan Levene’s Test)

2. Paired T-Test — untuk 2 pengukuran pada subjek yang sama

Contoh: “Apakah terdapat perbedaan produktivitas karyawan sebelum dan setelah mengikuti program pelatihan?”

• Variabel: Produktivitas (Rasio) diukur 2 kali (Pre-test & Post-test)
• Subjek: Karyawan yang sama (berpasangan)
• Asumsi: Selisih antara pre-test dan post-test berdistribusi normal

1. One-Way ANOVA — 1 variabel independen kategorik

Contoh: “Apakah terdapat perbedaan kepuasan kerja di antara karyawan dari 5 cabang perusahaan?”

• Variabel Independen: Cabang perusahaan (Nominal, 5 kelompok)
• Variabel Dependen: Kepuasan kerja (Interval)
• Asumsi: Normalitas, Homogenitas varians, Independensi observasi
• Post-hoc Test: Jika signifikan, lanjutkan dengan Tukey’s HSD atau Bonferroni untuk mengetahui pasangan mana yang berbeda.

2. Two-Way ANOVA (Factorial ANOVA) — 2 variabel independen kategorik

Contoh: “Apakah terdapat pengaruh jenis pelatihan (Online/Offline) dan level jabatan (Staff/Manager) terhadap peningkatan kompetensi, serta apakah ada interaksi di antara keduanya?”

• Variabel Independen 1: Jenis pelatihan (Nominal)
• Variabel Independen 2: Level jabatan (Nominal)
• Variabel Dependen: Peningkatan kompetensi (Interval)
• Keunggulan: Bisa mendeteksi efek interaksi — misalnya, pelatihan online lebih efektif untuk staff, tapi offline lebih efektif untuk manager.

💼 Contoh Kasus:

Pertanyaan Riset: “Apakah terdapat hubungan antara jumlah jam pelatihan (rasio) dengan skor kinerja karyawan (interval)?”

• Kedua variabel: Interval/Rasio
• Asumsi: Hubungan linear, data berdistribusi normal bivariat, tidak ada outlier ekstrem
• Interpretasi koefisien r:
  • +1.00: Korelasi positif sempurna
  • +0.70 s.d. +0.99: Korelasi positif kuat
  • +0.40 s.d. +0.69: Korelasi positif sedang
  • +0.01 s.d. +0.39: Korelasi positif lemah
  • 0.00: Tidak ada korelasi
  • -0.01 s.d. -0.39: Korelasi negatif lemah
  • -0.40 s.d. -0.69: Korelasi negatif sedang
  • -0.70 s.d. -0.99: Korelasi negatif kuat
  • -1.00: Korelasi negatif sempurna

⚠️ PERINGATAN PENTING: Korelasi ≠ Kausalitas!

Hanya karena dua variabel berkorelasi, BUKAN berarti satu menyebabkan yang lain. Contoh klasik: Jumlah es krim yang terjual berkorelasi positif dengan jumlah kasus tenggelam. Bukan es krim yang menyebabkan tenggelam, tetapi ada variabel ketiga (suhu udara panas) yang memengaruhi keduanya. Selalu pertimbangkan confounding variables (Cooper & Schindler, 2014).

1. Simple Linear Regression — 1 variabel independen

Persamaan: Y = a + bX

Contoh: “Seberapa besar pengaruh motivasi kerja (X) terhadap kinerja karyawan (Y)?”

2. Multiple Linear Regression — 2+ variabel independen

Persamaan: Y = a + b₁X₁ + b₂X₂ + b₃X₃ + …

Contoh: “Seberapa besar pengaruh kepemimpinan transformasional (X₁), motivasi kerja (X₂), dan lingkungan kerja (X₃) terhadap kinerja karyawan (Y)?”

• Asumsi Klasik (WAJIB diuji):
  • Normalitas residual
  • Linearitas
  • Tidak ada multikolinearitas (VIF < 10)
  • Tidak ada heteroskedastisitas
  • Tidak ada autokorelasi (untuk data time series)
• Output penting:
  • R-Square: Seberapa besar varians Y yang dijelaskan oleh model (misal R² = 0.65 berarti 65% variasi kinerja dijelaskan oleh X₁, X₂, X₃)
  • F-Test: Apakah model secara keseluruhan signifikan?
  • T-Test per koefisien: Apakah masing-masing X berpengaruh signifikan terhadap Y?

Judul: “Pengaruh Kepemimpinan Transformasional (X₁) dan Motivasi Kerja (X₂) terhadap Kinerja Karyawan (Y) di PT ABC”

Langkah Uji Asumsi:

1. Uji Normalitas (Kolmogorov-Smirnov):
   • Residual X₁→Y: Sig. = 0.200 > 0.05 ✅ Normal
   • Residual X₂→Y: Sig. = 0.150 > 0.05 ✅ Normal
2. Uji Multikolinearitas:
   • X₁: VIF = 1.25 < 10 ✅ Tidak ada multikolinearitas
   • X₂: VIF = 1.25 < 10 ✅ Tidak ada multikolinearitas
3. Uji Heteroskedastisitas (Glejser):
   • Sig. X₁ = 0.450 > 0.05 ✅ Tidak ada heteroskedastisitas
   • Sig. X₂ = 0.320 > 0.05 ✅ Tidak ada heteroskedastisitas
4. Kesimpulan: Semua asumsi klasik terpenuhi → Regresi Linear Berganda dapat dilanjutkan.

⚠️ Kesalahan Umum Mahasiswa:

• Melewati uji asumsi: Langsung ke regresi tanpa uji asumsi — ini akan langsung dikritik oleh penguji.
• Salah uji normalitas: Menguji normalitas data mentah, padahal yang harus normal adalah residual (selisih nilai aktual vs prediksi).
• Mengabaikan asumsi yang gagal: Jika asumsi tidak terpenuhi, JANGAN dipaksakan. Gunakan solusi alternatif (transformasi, non-parametrik, atau bootstrap).

💼 Contoh: “Kepuasan Kerja (M) memediasi pengaruh Kepemimpinan Transformasional (X) terhadap Kinerja Karyawan (Y)”

Alur: X → M → Y

Teknik Uji:

• Baron & Kenny Steps (cara klasik, 4 langkah):
  1. X berpengaruh signifikan terhadap Y (path c)
  2. X berpengaruh signifikan terhadap M (path a)
  3. M berpengaruh signifikan terhadap Y, mengontrol X (path b)
  4. Pengaruh X terhadap Y menurun (partial mediation) atau hilang (full mediation) ketika M dimasukkan (path c’)
• Sobel Test: Uji signifikansi efek tidak langsung (a × b)
• PROCESS Hayes (modern, direkomendasikan): Menggunakan bootstrap (5000 resamples) untuk menguji confidence interval efek tidak langsung. Jika CI tidak mengandung nol, mediasi signifikan (Hayes, 2018).

💼 Contoh: “Gender (Z) memoderasi pengaruh Motivasi Kerja (X) terhadap Kinerja (Y) — hubungan lebih kuat pada laki-laki daripada perempuan”

Persamaan Regresi: Y = a + b₁X + b₂Z + b₃(X×Z)

Kunci: Koefisien b₃ (interaction term) harus signifikan untuk membuktikan adanya moderasi.

Tips: Lakukan mean-centering pada X dan Z sebelum membuat interaction term untuk mengurangi multikolinearitas (Aiken & West, 1991).

Dua Pendekatan SEM:

Aspek	CB-SEM (AMOS, LISREL)	PLS-SEM (SmartPLS, WarpPLS)
Tujuan	Confirmation theory (menguji teori)	Theory development (mengembangkan teori)
Ukuran Sampel	Besar (minimal 200)	Kecil hingga besar (bisa 30-100)
Asumsi Distribusi	Harus normal multivariat	Tidak memerlukan asumsi normal
Kompleksitas Model	Terbatas	Bisa sangat kompleks
Fokus Evaluasi	Goodness of Fit (model fit indices)	Predictive relevance (R², Q²)

Rekomendasi: Untuk skripsi S1 dengan sampel terbatas, PLS-SEM dengan SmartPLS lebih praktis. Untuk tesis S2/disertasi yang menguji teori mapan, gunakan CB-SEM dengan AMOS (Hair et al., 2019).

💼 Contoh: “Faktor-faktor yang memengaruhi keputusan karyawan untuk resign (Ya=1, Tidak=0)”

• Variabel Dependen: Turnover decision (Nominal dikotomi)
• Variabel Independen: Kepuasan kerja, Gaji, Jarak commute, dll.
• Output: Odds Ratio — misalnya, “Setiap kenaikan 1 poin kepuasan kerja menurunkan odds resign sebesar 40%”

✅ Cara Menggunakan Cheat Sheet:

1. Tentukan tujuan analisis Anda (baris tabel)
2. Identifikasi jenis data variabel (kolom kedua)
3. Periksa kondisi/asumsi (kolom ketiga)
4. Baca uji yang tepat di kolom terakhir

Kasus Salah: “Pengaruh jenis kelamin (1=Laki-laki, 2=Perempuan) terhadap kepuasan kerja”

Masalah: Angka 1 dan 2 hanya label, bukan nilai numerik. Tidak ada makna “2 lebih besar dari 1”.

✅ Solusi: Gunakan Independent T-Test atau Mann-Whitney U. Jika tetap ingin regresi, lakukan dummy coding (0 dan 1) dan interpretasikan koefisien sebagai perbedaan rata-rata.

Kasus Salah: Langsung melakukan regresi linear tanpa uji normalitas, multikolinearitas, dan heteroskedastisitas.

Masalah: Jika asumsi dilanggar, koefisien regresi bisa bias, standard error tidak akurat, dan uji signifikansi tidak valid.

✅ Solusi: Selalu lakukan uji asumsi klasik lengkap sebelum regresi. Jika asumsi gagal, gunakan alternatif (transformasi data, robust regression, atau non-parametrik).

Kasus Salah: “Karena p-value = 0.03 < 0.05, maka hipotesis terbukti benar."

Masalah: P-value BUKAN probabilitas hipotesis benar. P-value adalah probabilitas memperoleh hasil sebesar itu (atau lebih ekstrem) jika hipotesis nol benar.

✅ Interpretasi yang Benar: “Dengan tingkat signifikansi 5%, terdapat bukti statistik yang cukup untuk menolak hipotesis nol dan menerima hipotesis alternatif.”

Kasus Salah: Melakukan 10 uji T-Test terpisah untuk membandingkan 5 kelompok (10 pasangan).

Masalah: Setiap uji memiliki 5% risiko Type I Error. Dengan 10 uji, risiko kumulatif bisa mencapai 40%!

✅ Solusi: Gunakan ANOVA terlebih dahulu. Jika signifikan, baru lakukan post-hoc test dengan koreksi (Tukey, Bonferroni) yang mengontrol family-wise error rate.

Kasus Salah: “Terdapat korelasi kuat antara iklan media sosial dan penjualan, berarti iklan menyebabkan penjualan naik.”

Masalah: Bisa jadi ada reverse causality (penjualan naik → budget iklan naik) atau third variable (musim liburan → iklan naik & penjualan naik).

✅ Solusi: Untuk membuktikan kausalitas, diperlukan eksperimen (dengan kontrol dan random assignment) atau analisis longitudinal dengan teknik seperti Granger Causality.

Kasus Salah: Melakukan regresi dengan 10 variabel independen hanya pada 30 responden.

Masalah: Aturan praktis: minimal 10-15 observasi per variabel independen. Dengan 10 IV, butuh minimal 100-150 responden.

✅ Solusi: Lakukan a priori power analysis menggunakan G*Power untuk menentukan sampel minimum berdasarkan effect size yang diharapkan (Cohen, 1988).

✅ Pelajaran dari Kasus Ini:

Dari satu dataset yang sama, kita bisa menjawab 5 pertanyaan riset yang berbeda dengan 5 uji statistik yang berbeda pula. Inilah mengapa pemilihan uji statistik harus didasarkan pada pertanyaan riset dan jenis data, bukan sebaliknya.