📊 Riset Bisnis Sesi 12
Processing Quantitative Data (1)
Statistik Deskriptif & Teknik Non-Parametrik
📘 Learning Guide: Sesi ini membahas statistik deskriptif sebagai fondasi analisis data, dilanjutkan dengan teknik non-parametrik — alat yang tepat ketika data tidak memenuhi asumsi distribusi normal (yang umum terjadi di riset bisnis Indonesia).
🎯 Capaian Pembelajaran
- Descriptive Statistics: Menghitung dan menginterpretasikan ukuran pemusatan, penyebaran, dan distribusi data
- Non-Parametric Techniques: Memilih dan menerapkan uji statistik non-parametrik sesuai karakteristik data
- Software Mastery: Menyiapkan dan menjalankan analisis di SPSS/R/Python dengan benar
- Menyajikan hasil analisis dalam format komunikatif untuk pengambilan keputusan bisnis
1️⃣ Statistik Deskriptif: Fondasi Analisis
Statistik deskriptif adalah langkah pertama dan wajib dalam mengolah data kuantitatif. Tujuannya: merangkum, mengorganisir, dan menyajikan data sehingga pola dan karakteristik utama dapat dipahami dengan mudah.
📊 Ukuran Pemusatan Data
| Ukuran | Rumus | Kapan Digunakan | Contoh Indonesia |
|---|---|---|---|
| Mean | Σx / n | Data interval/rasio, distribusi simetris, tidak ada outlier | Rata-rata omzet 100 UMKM kuliner Bandung: Rp 45 juta |
| Median | Nilai tengah data terurut | Data ordinal, atau distribusi miring/ada outlier | Median penghasilan ojol Jakarta: Rp 4,2 juta (lebih representatif dari mean) |
| Modus | Nilai paling sering muncul | Data nominal/kategorikal | Modus metode pembayaran e-commerce: Transfer Bank (45%) |
📐 Ukuran Penyebaran Data
📏 Range
Selisih max − min. Sederhana tapi sensitif outlier. Contoh: Range umur responden 18–65 tahun = 47 tahun.
📊 Standar Deviasi
Penyimpangan rata-rata dari mean. SD kecil = homogen. Contoh: SD kepuasan Tokopedia = 0,8 → respons konsisten.
📦 IQR
Q3 − Q1. Robust terhadap outlier. Contoh: IQR omzet startup fintech: Rp 200 jt – Rp 1,2 M.
📉 Koefisien Variasi
(SD/Mean) × 100%. Bandingkan variabel beda satuan. Contoh: CV harga kopi 5 kota = 15%.
Data: 2.500 responden 34 provinsi, skor literasi digital 0–100.
• Mean = 68,4 (SD = 14,2) → cukup, variasi moderat
• Median = 70 → distribusi sedikit miring kiri
• Boxplot: outlier di skor <30 (akses terbatas)
• Cross-tab: Jakarta (78,1) vs Papua (52,3) → gap geografis signifikan
Insight: Program literasi digital perlu diprioritaskan di Indonesia Timur dengan pendekatan kontekstual.
2️⃣ Mengapa Non-Parametrik?
Statistik non-parametrik tidak memerlukan asumsi distribusi normal pada data populasi. Sangat berguna ketika data tidak memenuhi syarat uji parametrik.
🌳 Pohon Keputusan Pemilihan Uji
• Nominal/Ordinal → Non-parametrik
• Interval/Rasio → lanjut ke Q2
• Ya (p > 0.05) → Parametrik
• Tidak → Non-parametrik
• Kecil (n < 30) → Non-parametrik lebih aman
• Besar (n ≥ 30) → Parametrik bisa dipertimbangkan (CLT)
• Ya → Non-parametrik lebih robust
• Tidak → lanjut
• 2 kelompok independen → Mann-Whitney / Chi-Square
• 2 kelompok berpasangan → Wilcoxon
• >2 kelompok → Kruskal-Wallis
• Korelasi → Spearman
🆚 Parametrik vs Non-Parametrik
| Aspek | Parametrik | Non-Parametrik |
|---|---|---|
| Asumsi Distribusi | Normal | Tidak memerlukan |
| Jenis Data | Interval/Rasio | Nominal, Ordinal, atau I/R tidak normal |
| Sampel | Powerful jika besar | Cocok untuk kecil (<30) |
| Robustness | Sensitif outlier | Lebih robust |
| Power | Lebih tinggi jika asumsi terpenuhi | Sedikit lebih rendah, tapi lebih aman |
| Contoh Uji | t-test, ANOVA, Pearson | Mann-Whitney, Kruskal-Wallis, Spearman, Chi-Square |
Data: Skala Likert 1–5 (ordinal), 85 responden.
Uji normalitas Shapiro-Wilk: p = 0.02 < 0.05 → data tidak normal.
Solusi: Mann-Whitney (bandingkan terpapar vs tidak).
Hasil: U = 612, p = 0.03 → perbedaan signifikan. Kampanye efektif.
3️⃣ Lima Teknik Non-Parametrik Utama
📊 Uji Chi-Square (χ²) — Independensi
Kegunaan: Menguji hubungan dua variabel kategorikal (nominal).
Data: 300 responden cross-tab.
- Analyze → Descriptive Statistics → Crosstabs
- Masukkan variabel baris & kolom
- Statistics → centang “Chi-square”
- Cells → centang “Observed” & “Expected”
- OK → Lihat χ² dan p-value
Interpretasi: p < 0.05 → tolak H₀ → ada hubungan signifikan.
🔄 Uji Mann-Whitney U
Kegunaan: Bandingkan median 2 kelompok independen (ordinal / interval tidak normal).
Alternatif: Independent Samples t-test
- Analyze → Nonparametric Tests → Legacy Dialogs → 2 Independent Samples
- Test Variable: kepuasan | Grouping: platform
- Define Groups: 1=GoFood, 2=GrabFood
- Pastikan “Mann-Whitney U” tercentang → OK
Interpretasi: p < 0.05 → perbedaan median signifikan.
🔁 Uji Wilcoxon Signed-Rank
Kegunaan: Bandingkan median 2 pengukuran subjek sama (pre-post / matched).
Alternatif: Paired Samples t-test
- Analyze → Nonparametric Tests → Legacy Dialogs → 2 Related Samples
- Masukkan pasangan pre_test & post_test
- Test Type: centang “Wilcoxon” → OK
Interpretasi: p < 0.05 → perubahan signifikan.
📊 Uji Kruskal-Wallis H
Kegunaan: Bandingkan median 3+ kelompok independen.
Alternatif: One-Way ANOVA
- Analyze → Nonparametric Tests → Legacy Dialogs → K Independent Samples
- Test: produktivitas | Grouping: mode kerja
- Define Range: min=1, max=3
- Centang “Kruskal-Wallis H” → OK
- Jika signifikan, lanjut Post-Hoc (Mann-Whitney + Bonferroni)
🔗 Korelasi Spearman (ρ)
Kegunaan: Mengukur hubungan monotonik dua variabel ordinal / interval tidak normal.
Alternatif: Pearson
- Analyze → Correlate → Bivariate
- Masukkan kedua variabel
- Non-aktifkan “Pearson”, aktifkan “Spearman” → OK
Interpretasi ρ: +1 positif sempurna, -1 negatif sempurna, 0 tidak ada korelasi.
|ρ| > 0.7 kuat • 0.4–0.7 moderat • <0.4 lemah
p < 0.05 → korelasi signifikan.
Contoh: “Mann-Whitney: perbedaan signifikan kepuasan GoPay vs OVO (U=1,245, p=0.02), median GoPay (4) > OVO (3). Rekomendasi: OVO perlu tingkatkan customer service.”
4️⃣ Workshop Aktivitas (150 Menit)
Workshop learning-by-doing dengan studi kasus riil Indonesia.
📅 Runtutan Aktivitas
🎬 Briefing & Review
Review statistik deskriptif + pohon keputusan. Studi kasus: “Faktor Adopsi QRIS di UMKM Indonesia”. Pembagian kelompok & dataset.
📊 Praktik Deskriptif
Mean, median, SD, histogram, boxplot untuk variabel kunci (omzet, frekuensi transaksi, skor adopsi). Diskusi insight.
🧪 Hands-on Non-Parametrik
Pilih 2–3 pertanyaan riset + uji yang tepat:
• Chi-Square: jenis usaha × tingkat adopsi QRIS
• Mann-Whitney: adopsi UMKM kota vs desa
• Spearman: frekuensi transaksi digital × skor adopsi
💬 Presentasi & Peer Review
Setiap kelompok mempresentasikan: uji yang dipilih, output software, interpretasi, implikasi bisnis. Feedback fokus pada ketepatan uji & relevansi rekomendasi.
🎯 Wrap-up & Action Plan
Refleksi + penyusunan Cheat Sheet Personal pemilihan uji non-parametrik untuk proyek riset masing-masing.
Latar Belakang: Target 12 juta UMKM adopsi QRIS.
Tugas:
• Statistik deskriptif profil responden & variabel kunci
• 2 uji non-parametrik relevan
• 2–3 rekomendasi kebijakan actionable
• Slide presentasi maksimal 5 menit
Outcome: Peserta menghubungkan teori statistik dengan aplikasi kebijakan riil + mengkomunikasikan hasil ke stakeholder non-teknis.
🧠 Kuis Interaktif: Uji Pemahaman Sesi 12
1. Data ordinal dari skala Likert dengan distribusi tidak normal — uji yang tepat adalah…
2. Untuk menguji hubungan antara jenis kelamin (nominal) dengan preferensi e-wallet (nominal), gunakan…
3. Membandingkan skor pre-test dan post-test pada 45 peserta yang sama, dengan selisih tidak normal — gunakan…
4. Membandingkan produktivitas 3 kelompok (WFO / WFH / Hybrid) dengan data tidak normal — gunakan…
5. Koefisien korelasi Spearman (ρ) = 0.65 menunjukkan hubungan…
6. Mengapa statistik deskriptif harus dilakukan sebelum uji hipotesis?
💭 Reflective Questions
Bagaimana jika hasil uji non-parametrik tidak signifikan, tapi saya yakin ada perbedaan?
SPSS vs R vs Python — mana yang paling cocok untuk riset bisnis Indonesia?
R: Gratis, paket statistik terlengkap, reproducible — cocok untuk akademik & publikasi.
Python: Integrasi AI/ML, fleksibel end-to-end — cocok untuk startup tech.
Rekomendasi: Mulai SPSS untuk konsep, migrasi ke R/Python untuk efisiensi. Banyak kampus menyediakan SPSS gratis untuk mahasiswa.
Bagaimana menyajikan hasil non-parametrik ke stakeholder non-teknis?
📚 Referensi Utama
Sekaran, U., & Bougie, R. Research Methods for Business. Wiley.
Field, A. Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.
Navarro, D. Learning Statistics with R — open access, Bab 14-16.
BPS RI. Panduan Metodologi Statistik — bps.go.id.