Riset Bisnis Sesi 09 – Data Management, Quality & Analysis | AurinoWorks

🍳 Riset Bisnis Sesi 09

Data Management, Quality & Analysis — The Kitchen of Research

Sumber: Hair et al. • Miles, Huberman & Saldaña • Cooper & Schindler

⚠️ Panduan Navigasi Metodologis

Sesi 09 adalah tahap “Dapur Riset”. Kesalahan dalam mengolah data atau mengabaikan uji kualitas akan membuat hasil penelitian Anda ditolak. Pastikan Anda mengikuti jalur yang sesuai:

🔵 Jalur Biru (Kuantitatif) untuk pengujian angka/statistik • 🟣 Jalur Ungu (Kualitatif) untuk penggalian makna/wawancara.

🎯 Learning Objectives

Menjamin kualitas data melalui uji validitas/reliabilitas (Kuantitatif) dan kredibilitas (Kualitatif)
Mengelola data mentah melalui proses Editing, Coding, dan Cleaning
Memahami teknik analisis data dasar untuk menghasilkan kesimpulan objektif
Mampu menginterpretasikan temuan riset menjadi rekomendasi manajemen yang aplikatif

1️⃣ Data Quality Control: The Gatekeeper

Sebelum data dianalisis, kita harus memastikan data tersebut “layak”. Pendekatannya berbeda tergantung metode:

🔵 KUANTITATIF (Akurasi Statistik)

Data layak jika lolos uji statistik berikut:

Validitas (Pearson Correlation): Mengukur apakah pertanyaan kuesioner tepat sasaran.
Aturan Lolos: r-hitung > r-tabel (atau Sig. < 0.05).

💡 Contoh Praktis SPSS (N = 30):
df = N − 2 = 28 → r-tabel (α=5%) = 0.361

Item 1 (r = 0.520): 0.520 > 0.361 → VALID ✅
Item 2 (r = 0.215): 0.215 < 0.361 → TIDAK VALID ❌ (buang/ganti)

Reliabilitas (Cronbach’s Alpha): Mengukur konsistensi kuesioner.
Aturan Lolos: α > 0.60 (ideal > 0.70).

🟣 KUALITATIF (Trustworthiness)

Data layak (kredibel) jika dilakukan cross-check melalui:

Triangulasi:
- Sumber: bandingkan informasi dari orang berbeda (manajer vs staf).
- Metode: bandingkan wawancara dengan bukti nyata (dokumen, observasi).
Member Checking: kembalikan draf transkrip ke narasumber untuk konfirmasi interpretasi.

⚠️ Ingat: Analisis statistik yang canggih tidak dapat memperbaiki instrumen yang buruk. Uji kualitas data wajib dilakukan sebelum analisis lanjutan.

2️⃣ Data Management: The Kitchen (Dapur Pengolahan)

Proses menyiapkan data mentah agar “siap saji” untuk alat analisis (SPSS, SmartPLS, NVivo).

🔵 Kuantitatif (Tabulasi)

Editing: periksa kelengkapan kuesioner — buang responden zigzag/tidak lengkap.
Coding: ubah kata menjadi angka. Contoh: “Puas”=4, “Sangat Puas”=5.
Cleaning: cari outliers (data pencilan). Contoh: rata-rata gaji 5–10 juta, ada yang isi 100 juta → periksa ulang.

🟣 Kualitatif (Tekstual)

Transkripsi: ubah rekaman suara menjadi teks verbatim.
Data Condensation: buang bagian tidak relevan (basa-basi), fokus poin inti.
Coding: beri label pada paragraf. Contoh: “Atasan saya jarang memberi instruksi” → [Kepemimpinan-Lemah].

3️⃣ Statistik Deskriptif (Kuantitatif)

Analisis deskriptif menggambarkan profil responden dan kondisi variabel — fondasi sebelum uji inferensial.

Ukuran Statistik	Kegunaan Bisnis	Contoh Interpretasi
Mean (rata-rata)	Nilai umum variabel	“Rata-rata kepuasan pelanggan 4.2 (tinggi)”
Standard Deviation	Sebaran/variasi jawaban	SD rendah = seragam; SD tinggi = pelanggan terbelah (puas vs kecewa)
Frekuensi (%)	Demografi pasar	“60% konsumen produk kita adalah wanita milenial”

💡 Tip: Selalu sajikan Mean + SD + Frekuensi bersamaan — satu tanpa yang lain memberikan gambaran parsial.

4️⃣ Thematic Analysis (Kualitatif)

Analisis kualitatif menghasilkan Tema dan Model — bukan angka.

💡 Studi Kasus: Alasan Kegagalan Proyek Digital

5 manajer diwawancarai:

Manajer A: “Kurang dana.”
Manajer B: “Budget telat turun.”
Manajer C: “Alatnya mahal, kita tidak sanggup beli.”

Hasil Analisis: satu tema besar “Keterbatasan Finansial” sebagai hambatan utama transformasi digital.

💡 Prinsip: Setiap tema harus didukung kutipan langsung (quotes) dari narasumber sebagai bukti otentisitas — “suara” informan, bukan karangan peneliti.

🔴 5️⃣ Perbedaan Output: Kuantitatif vs Kualitatif

Fitur	Analisis Kuantitatif	Analisis Kualitatif
Bentuk Akhir	Tabel statistik, grafik, p-value	Narasi, quotes, peta tema
Tujuan Akhir	Generalisasi (berlaku untuk seluruh populasi)	Transferabilitas (berlaku untuk konteks serupa)
Kekuatan	Objektif, cepat untuk sampel besar, presisi tinggi	Mengungkap “apa yang tidak terukur” angka

🧠 Kuis Interaktif: Uji Pemahaman Sesi 09

Skor: 0 / 6 • Dijawab: 0 / 6

1. Ambang Cronbach’s Alpha agar kuesioner dianggap reliabel adalah…

✅ α > 0.60 dapat diterima; α > 0.70 ideal.

2. Proses “mencari outliers” (data pencilan) dalam jalur kuantitatif disebut…

✅ Cleaning = mencari dan menangani outliers/inkonsistensi.

3. Triangulasi yang membandingkan wawancara dengan bukti dokumen/observasi disebut…

✅ Metode = menggunakan metode berbeda (wawancara + dokumen + observasi).

4. Jika item kuesioner memiliki r-hitung < r-tabel, tindakan yang benar adalah…

✅ Item tidak valid = tidak akurat mengukur variabel → buang/ganti.

5. Standar Deviation (SD) yang tinggi pada kepuasan pelanggan berarti…

✅ SD tinggi = variasi besar antar responden.

6. Kutipan langsung (quotes) dalam laporan kualitatif berfungsi sebagai…

✅ Quotes membuktikan tema benar-benar berasal dari data lapangan.

💭 Reflective Questions

Mengapa validitas harus diuji sebelum reliabilitas?

Reliabilitas mengukur konsistensi; validitas mengukur ketepatan. Instrumen yang konsisten mengukur hal yang salah (reliabel tapi tidak valid) tetap tidak berguna. Pastikan dulu mengukur yang benar (valid), baru pastikan konsisten (reliabel).

Apa risiko menggunakan instrumen tidak reliabel?

Hasil penelitian menjadi tidak stabil — pengujian ulang akan memberi hasil berbeda. Kesimpulan bisnis yang diambil bisa salah, berisiko tinggi pada keputusan strategis.

Kapan item perlu dihapus dari kuesioner?

Ketika r-hitung < r-tabel (tidak valid) atau secara signifikan menurunkan Cronbach’s Alpha (merusak konsistensi internal).

Mengapa mempertahankan item tidak valid “demi jumlah pertanyaan” adalah kesalahan fatal?

Kualitas mengalahkan kuantitas. Item tidak valid merusak konstruksi variabel, membuat seluruh analisis berikutnya tidak bermakna — “garbage in, garbage out”.

📚 Referensi Utama

Hair, J. F., et al. Multivariate Data Analysis. — standar emas analisis statistik kuantitatif

Miles, M. B., Huberman, A. M., & Saldaña, J. Qualitative Data Analysis: A Methods Sourcebook. — coding & manajemen data kualitatif

Cooper, D. R. & Schindler, P. S. Business Research Methods. — alur manajemen data hulu ke hilir

← Sesi 08: Measurement & Desain Kuesioner ☰ Learning Path Sesi 10: Pengumpulan Data →

⚠️ Panduan Navigasi Metodologis

🎯 Learning Objectives

💭 Reflective Questions

📚 Referensi Utama

Tinggalkan Komentar Batalkan Balasan