๐ Riset Bisnis Sesi 12
Pada akhir sesi ini, peserta diharapkan mampu menerapkan berbagai teknik statistika non-parametrik dasar untuk mengolah data kuantitatif, serta mendemonstrasikan kemahiran dalam menyiapkan dan menjalankan model statistik menggunakan software.
- Descriptive Statistics: Mampu menghitung dan menginterpretasikan ukuran pemusatan, penyebaran, dan distribusi data kuantitatif
- Non-Parametric Techniques: Mampu memilih dan menerapkan uji statistik non-parametrik yang tepat sesuai karakteristik data dan pertanyaan riset
- Software Mastery: Mampu menyiapkan model statistik dalam software (SPSS/R/Python) dan menjalankan analisis non-parametrik dengan benar
๐ Indikator Keberhasilan:
- Menghitung dan menginterpretasikan mean, median, modus, standar deviasi, dan distribusi frekuensi
- Memilih uji non-parametrik yang tepat berdasarkan jenis data, jumlah kelompok, dan asumsi distribusi
- Melakukan setup data dan variabel dalam software statistik sesuai kebutuhan analisis
- Menjalankan uji Chi-Square, Mann-Whitney, Wilcoxon, Kruskal-Wallis, atau Spearman dengan benar
- Menginterpretasikan output software dan menyajikannya dalam format yang komunikatif untuk pengambilan keputusan
Seorang peneliti ingin membandingkan tingkat kepuasan pelanggan GoPay vs OVO. Data kepuasan diukur dengan skala Likert 1-5 (data ordinal) dan tidak berdistribusi normal. Uji parametrik (t-test) tidak tepat. Solusi: gunakan Uji Mann-Whitney (non-parametrik) untuk membandingkan dua kelompok independen dengan data ordinal. Hasil analisis dapat menjadi dasar rekomendasi strategi peningkatan layanan.
Statistik deskriptif adalah langkah pertama dalam mengolah data kuantitatif. Tujuannya: merangkum, mengorganisir, dan menyajikan data sehingga pola dan karakteristik utama dapat dipahami dengan mudah.
๐ Ukuran Pemusatan Data:
| Ukuran | Rumus/Konsep | Kapan Digunakan | Contoh Indonesia |
|---|---|---|---|
| Mean (Rata-rata) | ฮฃx / n | Data interval/rasio, distribusi simetris, tidak ada outlier ekstrem | Rata-rata omzet bulanan 100 UMKM kuliner di Bandung: Rp 45 juta |
| Median | Nilai tengah setelah data diurutkan | Data ordinal, atau data interval/rasio dengan distribusi miring/outlier | Median penghasilan ojol di Jakarta: Rp 4,2 juta (lebih representatif daripada mean karena ada outlier penghasilan sangat tinggi) |
| Modus | Nilai yang paling sering muncul | Data nominal/kategorikal, atau untuk identifikasi pola dominan | Modus metode pembayaran di e-commerce Indonesia: Transfer Bank (45%), diikuti E-Wallet (32%) |
๐ Ukuran Penyebaran Data:
๐ Range (Jangkauan)
Selisih nilai maksimum dan minimum. Sederhana tapi sensitif terhadap outlier.
Contoh: Range umur responden survei: 18-65 tahun = 47 tahun
๐ Standar Deviasi
Rata-rata penyimpangan data dari mean. Semakin kecil SD, semakin homogen data.
Contoh: SD kepuasan pelanggan Tokopedia = 0,8 (skala 1-5) โ respons relatif konsisten
๐ฆ IQR (Interquartile Range)
Selisih kuartil 3 dan kuartil 1. Robust terhadap outlier, cocok untuk data miring.
Contoh: IQR omzet startup fintech: Rp 200 juta – Rp 1,2 miliar
๐ Koefisien Variasi
(SD / Mean) ร 100%. Mengukur variasi relatif, berguna untuk membandingkan variabel dengan satuan berbeda.
Contoh: CV harga kopi di 5 kota: 15% โ variasi harga relatif moderat
๐ Visualisasi Data Deskriptif:
- Histogram: Menampilkan distribusi frekuensi data kontinu. Contoh: distribusi umur nasabah bank syariah.
- Boxplot: Menampilkan median, kuartil, dan outlier. Contoh: perbandingan omzet UMKM per sektor.
- Bar Chart: Untuk data kategorikal. Contoh: proporsi pengguna e-wallet per platform.
- Scatter Plot: Menunjukkan hubungan dua variabel numerik. Contoh: korelasi antara frekuensi belanja online dan total pengeluaran.
Data: 2.500 responden dari 34 provinsi, variabel: skor literasi digital (0-100), usia, pendidikan, lokasi.
Analisis Deskriptif:
โข Mean skor literasi: 68,4 (SD = 14,2) โ rata-rata cukup, variasi moderat
โข Median: 70 โ distribusi sedikit miring ke kiri (lebih banyak responden di atas rata-rata)
โข Boxplot: terdapat outlier di skor <30 (responden dengan akses terbatas)
โข Cross-tab: rata-rata skor Jakarta (78,1) vs Papua (52,3) โ gap geografis signifikan
Insight: Program literasi digital perlu diprioritaskan di wilayah Indonesia Timur dengan pendekatan yang sesuai konteks lokal.
Statistik non-parametrik adalah teknik analisis yang tidak memerlukan asumsi distribusi normal pada data populasi. Teknik ini sangat berguna ketika data tidak memenuhi syarat uji parametrik.
โ Kapan Menggunakan Non-Parametrik?
๐ณ Pohon Keputusan Pemilihan Uji
โข Nominal/Ordinal โ Non-parametrik
โข Interval/Rasio โ Lanjut ke pertanyaan 2
โข Ya (uji Shapiro-Wilk/Kolmogorov-Smirnov, p > 0.05) โ Parametrik
โข Tidak/Tidak yakin โ Non-parametrik
โข Kecil (n < 30) โ Non-parametrik lebih aman
โข Besar (n โฅ 30) โ Parametrik bisa dipertimbangkan (Central Limit Theorem)
โข Ya โ Non-parametrik lebih robust
โข Tidak โ Lanjut ke pertanyaan 5
โข Bandingkan 2 kelompok independen โ Mann-Whitney / Chi-Square
โข Bandingkan 2 kelompok berpasangan โ Wilcoxon
โข Bandingkan >2 kelompok โ Kruskal-Wallis
โข Korelasi โ Spearman
๐ Perbandingan: Parametrik vs Non-Parametrik
| Aspek | Parametrik | Non-Parametrik |
|---|---|---|
| Asumsi Distribusi | Normal | Tidak memerlukan asumsi distribusi |
| Jenis Data | Interval/Rasio | Nominal, Ordinal, atau Interval/Rasio yang tidak normal |
| Ukuran Sampel | Lebih powerful dengan sampel besar | Cocok untuk sampel kecil (<30) |
| Robustness | Sensitif terhadap outlier | Lebih robust terhadap outlier dan skewness |
| Power Statistik | Lebih tinggi jika asumsi terpenuhi | Sedikit lebih rendah, tapi lebih aman jika asumsi ragu-ragu |
| Contoh Uji | t-test, ANOVA, Pearson correlation | Mann-Whitney, Kruskal-Wallis, Spearman, Chi-Square |
Kasus: Riset pengaruh kampanye TikTok Shop terhadap minat beli generasi Z.
Data: Skala Likert 1-5 untuk “minat beli” (ordinal), sampel 85 responden.
Masalah: Uji normalitas (Shapiro-Wilk) menunjukkan p = 0.02 < 0.05 โ data tidak normal.
Solusi: Gunakan Uji Mann-Whitney (non-parametrik) untuk membandingkan minat beli antara kelompok yang terpapar kampanye vs tidak.
Hasil: U = 612, p = 0.03 โ terdapat perbedaan signifikan. Kampanye TikTok Shop efektif meningkatkan minat beli.
๐ Uji Chi-Square (ฯยฒ) – Independensi
Kegunaan: Menguji hubungan/assosiasi antara dua variabel kategorikal (nominal).
Kapan Digunakan: Data dalam bentuk tabel kontingensi (cross-tab), sampel independen.
Apakah terdapat hubungan antara jenis kelamin (Laki/Perempuan) dengan preferensi e-wallet (GoPay/OVO/DANA/Lainnya)?
Data: 300 responden, hasil cross-tabulasi dianalisis dengan Chi-Square.
- Analyze โ Descriptive Statistics โ Crosstabs
- Masukkan variabel baris & kolom
- Statistics โ Centang “Chi-square”
- Cells โ Centang “Observed” & “Expected”
- OK โ Interpretasikan nilai ฯยฒ dan p-value
Interpretasi: Jika p-value < 0.05 โ tolak Hโ โ terdapat hubungan signifikan antara kedua variabel.
๐ Uji Mann-Whitney U
Kegunaan: Membandingkan perbedaan median antara dua kelompok independen dengan data ordinal atau interval/rasio yang tidak normal.
Alternatif non-parametrik untuk: Independent Samples t-test
Apakah terdapat perbedaan tingkat kepuasan (skala 1-5) antara pelanggan GoFood vs GrabFood?
Data: 120 responden (60 per grup), distribusi tidak normal โ gunakan Mann-Whitney.
- Analyze โ Nonparametric Tests โ Legacy Dialogs โ 2 Independent Samples
- Tes Variable: masukkan variabel dependen (kepuasan)
- Grouping Variable: masukkan variabel kelompok (platform)
- Define Groups: isi kode grup (1=GoFood, 2=GrabFood)
- Test Type: pastikan “Mann-Whitney U” tercentang
- OK โ Lihat nilai U dan p-value (Asymp. Sig. 2-tailed)
Interpretasi: Jika p < 0.05 โ terdapat perbedaan signifikan median kepuasan antara kedua platform.
๐ Uji Wilcoxon Signed-Rank
Kegunaan: Membandingkan perbedaan median antara dua pengukuran pada subjek yang sama (pre-post) atau pasangan yang matched.
Alternatif non-parametrik untuk: Paired Samples t-test
Apakah terdapat perubahan pengetahuan keuangan pada peserta pelatihan fintech sebelum vs sesudah program?
Data: Skor pre-test dan post-test (skala 0-100) dari 45 peserta, distribusi selisih tidak normal โ gunakan Wilcoxon.
- Analyze โ Nonparametric Tests โ Legacy Dialogs โ 2 Related Samples
- Masukkan pasangan variabel (pre_test & post_test) ke Test Pairs
- Test Type: pastikan “Wilcoxon” tercentang
- OK โ Interpretasikan nilai Z dan p-value
Interpretasi: Jika p < 0.05 โ terdapat perubahan signifikan median skor setelah pelatihan.
๐ Uji Kruskal-Wallis H
Kegunaan: Membandingkan perbedaan median antara tiga atau lebih kelompok independen dengan data ordinal/interval tidak normal.
Alternatif non-parametrik untuk: One-Way ANOVA
Apakah terdapat perbedaan produktivitas kerja (skala 1-10) antara karyawan yang bekerja WFO, WFH, dan Hybrid?
Data: 180 karyawan (60 per grup), data tidak normal โ gunakan Kruskal-Wallis.
- Analyze โ Nonparametric Tests โ Legacy Dialogs โ K Independent Samples
- Tes Variable: masukkan variabel dependen (produktivitas)
- Grouping Variable: masukkan variabel kelompok (mode kerja)
- Define Range: isi min=1, max=3 (untuk 3 grup)
- Test Type: pastikan “Kruskal-Wallis H” tercentang
- OK โ Jika signifikan, lanjutkan dengan Post-Hoc (Mann-Whitney dengan Bonferroni correction)
Interpretasi: Jika p < 0.05 โ terdapat perbedaan signifikan minimal antara dua grup. Lakukan post-hoc untuk identifikasi pasangan mana yang berbeda.
๐ Korelasi Spearman (ฯ)
Kegunaan: Mengukur kekuatan dan arah hubungan monotonik antara dua variabel ordinal atau interval/rasio yang tidak berdistribusi normal.
Alternatif non-parametrik untuk: Pearson Correlation
Apakah terdapat hubungan antara frekuensi penggunaan aplikasi investasi (skala 1-5) dengan tingkat kepercayaan terhadap platform fintech (skala 1-5)?
Data: 200 pengguna, kedua variabel ordinal โ gunakan Spearman.
- Analyze โ Correlate โ Bivariate
- Masukkan kedua variabel ke Variables
- Correlation Coefficients: hilangkan centang “Pearson”, centang “Spearman”
- OK โ Interpretasikan nilai ฯ (rho) dan p-value
Interpretasi:
โข ฯ = +1: korelasi positif sempurna
โข ฯ = -1: korelasi negatif sempurna
โข ฯ = 0: tidak ada korelasi monotonik
โข |ฯ| > 0.7: kuat, 0.4-0.7: moderat, <0.4: lemah
โข Jika p < 0.05 โ korelasi signifikan secara statistik
Sesi workshop dirancang untuk membangun kompetensi praktis dalam menerapkan statistika deskriptif dan non-parametrik menggunakan software, dengan studi kasus bisnis Indonesia.
๐ Runtutan Aktivitas:
๐ฌ Briefing & Review Konsep
Review singkat statistik deskriptif dan pohon keputusan pemilihan uji non-parametrik. Penjelasan studi kasus: “Analisis Faktor yang Mempengaruhi Adopsi QRIS di UMKM Indonesia”. Pembagian kelompok dan pembagian dataset sampel.
๐ Praktik Statistik Deskriptif
Kerja kelompok: menghitung mean, median, SD, membuat histogram dan boxplot untuk variabel kunci (omzet, frekuensi transaksi, skor adopsi). Diskusi: apa insight yang dapat diambil dari distribusi data?
๐งช Hands-on Uji Non-Parametrik
Setiap kelompok memilih 2-3 pertanyaan riset dan menerapkan uji non-parametrik yang tepat:
โข Chi-Square: hubungan jenis usaha ร tingkat adopsi QRIS
โข Mann-Whitney: perbandingan adopsi QRIS antara UMKM kota vs desa
โข Spearman: korelasi frekuensi transaksi digital ร skor adopsi
Panduan step-by-step untuk SPSS/R disediakan.
๐ฌ Presentasi & Peer Review
Masing-masing kelompok mempresentasikan: (1) uji yang dipilih dan alasannya, (2) output software, (3) interpretasi hasil, (4) implikasi bisnis. Feedback dari fasilitator dan peer fokus pada ketepatan pemilihan uji, interpretasi, dan relevansi rekomendasi.
๐ฏ Wrap-up & Action Plan
Refleksi individu: kompetensi apa yang sudah dikuasai, tantangan teknis apa yang masih dirasakan. Penyusunan “Cheat Sheet Personal” untuk referensi cepat pemilihan uji non-parametrik di proyek riset masing-masing.
๐ฆ Materi Pendukung Workshop:
๐๏ธ Dataset Sampel
Dataset UMKM Indonesia (n=300) dengan variabel: omzet, lokasi, jenis usaha, frekuensi transaksi digital, skor adopsi QRIS (format: .sav untuk SPSS, .csv untuk R/Python).
๐ Step-by-Step Guide
Panduan visual menjalankan 5 uji non-parametrik di SPSS dan R, lengkap dengan screenshot dan contoh output.
๐ Interpretation Cheat Sheet
Tabel referensi cepat: cara membaca p-value, nilai statistik uji, dan contoh kalimat interpretasi dalam bahasa Indonesia.
๐ก Troubleshooting Guide
Solusi untuk kendala umum: error “variable not numeric”, output kosong, p-value tidak muncul, dan cara export hasil ke laporan.
๐ Studi Kasus Workshop: Analisis Adopsi QRIS
Latar Belakang: Bank Indonesia menargetkan 12 juta UMKM mengadopsi QRIS pada 2024. Diperlukan analisis faktor pendorong dan penghambat adopsi.
Tugas Kelompok:
- Lakukan statistik deskriptif untuk profil responden dan variabel kunci
- Pilih dan jalankan 2 uji non-parametrik yang relevan dengan pertanyaan riset Anda
- Interpretasikan hasil dan susun 2-3 rekomendasi kebijakan yang actionable
- Siapkan slide presentasi maksimal 5 menit
Outcome: Peserta mampu menghubungkan teori statistik dengan aplikasi praktis dalam konteks kebijakan riil Indonesia, serta mengkomunikasikan hasil analisis kepada stakeholder non-teknis.
๐ Materi Pendalaman dengan Link Aktif:
๐ Buku & Panduan Statistik:
๐ฎ๐ฉ Statistikian.com: Tutorial Lengkap SPSS & Statistik Portal tutorial statistik dalam bahasa Indonesia. Lengkap dengan contoh kasus riset bisnis lokal, video tutorial, dan forum diskusi. ๐ Learning Statistics with R (Danielle Navarro) Buku open-access yang sangat direkomendasikan untuk pemula. Bab 14-16 membahas non-parametric tests dengan contoh R yang jelas. ๐ฎ๐ฉ BPS: Panduan Metodologi Statistik Referensi resmi untuk standar pengolahan data, sampling, dan pelaporan statistik di Indonesia. Wajib untuk riset yang akan dipublikasikan secara nasional.๐ป Tutorial Software:
๏ธ SPSS: Nonparametric Tests Guide (Kent State) Panduan lengkap menjalankan uji non-parametrik di SPSS, lengkap dengan screenshot dan interpretasi output [[29]]. ๐ R for Data Science: Statistical Models Bab tentang model statistik dalam R, termasuk non-parametric tests menggunakan paket `coin` dan `PMCMRplus`. ๐ฎ๐ฉ Python Indo: Statistik Non-Parametrik dengan SciPy Tutorial menjalankan Mann-Whitney, Kruskal-Wallis, dan Spearman menggunakan Python (scipy.stats) dengan contoh dataset lokal.๐ Dataset & Praktik:
๐ฎ๐ฉ BPS Open Data Akses dataset resmi Indonesia untuk latihan: data UMKM, e-commerce, literasi digital, dll. Format: CSV, Excel, API. ๐ Kaggle: Indonesia Datasets Koleksi dataset publik bertema Indonesia: e-commerce, fintech, UMKM. Cocok untuk latihan analisis non-parametrik.๐ Template & Checklist:
โ Statistical Analysis Checklist Checklist untuk memastikan kualitas analisis statistik: dari persiapan data hingga pelaporan hasil [[61]]. ๐ฎ๐ฉ Jurnal Metodologi Penelitian Indonesia Cari artikel tentang aplikasi statistika non-parametrik dalam riset bisnis Indonesia. Pelajari cara penulisan hasil analisis untuk publikasi akademik.๐ก Persiapan untuk Analisis Lanjutan:
Setelah sesi ini, untuk memperdalam kompetensi:
- Praktikkan minimal 2 uji non-parametrik menggunakan dataset pribadi atau publik
- Buat “Decision Tree Personal” untuk pemilihan uji statistik berdasarkan karakteristik data riset Anda
- Eksplor paket R `rstatix` atau Python `pingouin` untuk workflow statistik yang lebih efisien
- Review konsep effect size (r untuk Mann-Whitney, ฮตยฒ untuk Kruskal-Wallis) untuk melengkapi interpretasi p-value
- Siapkan pertanyaan spesifik untuk konsultasi: kendala teknis, interpretasi hasil ambigu, atau desain analisis untuk proyek riset Anda
โ FAQ Umum dalam Konteks Indonesia:
Bagaimana jika hasil uji non-parametrik tidak signifikan, tapi saya yakin ada perbedaan?
Langkah Diagnostik:
1. Cek power statistik: apakah sampel cukup besar? (Gunakan G*Power untuk post-hoc power analysis)
2. Periksa effect size: meski p > 0.05, effect size besar (misal r > 0.5) mungkin masih bermakna praktis
3. Evaluasi kualitas data: apakah ada missing data sistematis, outlier yang tidak ditangani, atau pengukuran yang tidak valid?
4. Pertimbangkan pendekatan kualitatif: mungkin perbedaan ada tapi tidak tertangkap oleh instrumen kuantitatif.
Konteks Indonesia: Dalam riset bisnis, keputusan tidak hanya berdasarkan signifikansi statistik. Gabungkan hasil kuantitatif dengan insight kualitatif (wawancara, observasi) untuk rekomendasi yang holistik.
Software mana yang paling cocok untuk riset bisnis di Indonesia: SPSS, R, atau Python?
SPSS:
โ Kelebihan: GUI intuitif, output terstruktur, banyak digunakan di kampus dan lembaga riset Indonesia
โ Kekurangan: Berbayar (mahal untuk individu), kurang fleksibel untuk otomatisasi
โ Cocok untuk: Mahasiswa, peneliti pemula, laporan internal perusahaan
R:
โ Kelebihan: Gratis, komunitas aktif, paket statistik terlengkap, reproducible workflow
โ Kekurangan: Learning curve lebih curam, butuh coding dasar
โ Cocok untuk: Riset akademik, analisis kompleks, publikasi jurnal
Python:
โ Kelebihan: Gratis, integrasi dengan AI/ML, fleksibel untuk end-to-end pipeline data
โ Kekurangan: Fokus lebih ke programming, paket statistik tidak selengkap R
โ Cocok untuk: Riset yang terintegrasi dengan sistem digital, startup tech
Rekomendasi Praktis: Mulai dengan SPSS untuk pemahaman konsep, lalu migrasi ke R/Python untuk efisiensi dan skalabilitas. Banyak kampus Indonesia menyediakan lisensi SPSS gratis untuk mahasiswa.
Bagaimana menyajikan hasil uji non-parametrik dalam laporan bisnis yang mudah dipahami stakeholder?
Struktur Rekomendasi:
1. Konteks: “Berdasarkan survei 300 UMKM di Jawa Barat…”
2. Metode (singkat): “…kami membandingkan tingkat adopsi QRIS antara UMKM kota dan desa menggunakan Uji Mann-Whitney karena data tidak berdistribusi normal.”
3. Hasil Kunci: “Hasil menunjukkan UMKM kota memiliki median skor adopsi lebih tinggi (4) dibanding desa (3), dan perbedaan ini signifikan secara statistik (U = 2,145, p = 0.01).”
4. Interpretasi Praktis: “Artinya, lokasi geografis masih menjadi faktor penting dalam adopsi teknologi pembayaran digital.”
5. Rekomendasi Actionable: “Rekomendasi: Program sosialisasi QRIS di daerah rural perlu diperkuat dengan pendekatan offline dan pendampingan langsung.”
Tips Visual: Gunakan boxplot untuk menampilkan perbedaan median antar grup, tambahkan anotasi p-value dan effect size. Hindari tabel output software mentah โ ringkas dalam format yang komunikatif.
โจ Key Takeaway
Statistika non-parametrik bukan “plan B”, melainkan alat yang tepat untuk data yang tepat.
Dengan memilih uji yang sesuai karakteristik data dan konteks bisnis Indonesia, Anda menghasilkan insight yang valid, actionable, dan berdampak nyata.