Riset Bisnis Sesi 13 – Processing Quantitative Data (2)

📊 Riset Bisnis Sesi 13

Processing Quantitative Data (2) Statistik Parametrik: Asumsi & Teknik Analisis

⏱️ 150 Menit 🛠️ Workshop 💬 Diskusi

← Sesi 12 Sesi 13/13 Penutup →

🎯 1. Capaian Pembelajaran

Pada akhir sesi ini, peserta diharapkan mampu menerapkan berbagai teknik statistika parametrik dasar untuk mengolah data kuantitatif, serta mendemonstrasikan kemahiran dalam menyiapkan dan menjalankan model statistik parametrik menggunakan software.

            ✨ Kompetensi Utama:
            Parametric Assumptions: Mampu menguji kepatuhan asumsi parametrik (normalitas, homogenitas, independensi, linearitas) sebelum melakukan analisis
Parametric Techniques: Mampu memilih dan menerapkan uji statistik parametrik yang tepat (t-test, ANOVA, Pearson, regresi) sesuai desain riset
Software Mastery: Mampu menyiapkan model statistik dalam software (SPSS/R/Python) dan menjalankan analisis parametrik dengan interpretasi output yang akurat

          

📋 Indikator Keberhasilan:

Menjalankan uji normalitas (Shapiro-Wilk, Kolmogorov-Smirnov) dan menginterpretasikan hasilnya
Menguji homogenitas varians dengan Levene’s test dan memutuskan tindakan jika asumsi dilanggar
Memilih uji parametrik yang tepat berdasarkan jenis data, jumlah kelompok, dan hasil uji asumsi
Melakukan setup variabel dan model dalam software statistik sesuai kebutuhan analisis
Menjalankan t-test, ANOVA, korelasi Pearson, atau regresi linear dengan benar dan menginterpretasikan output
Menyajikan hasil analisis dalam format yang komunikatif untuk pengambilan keputusan bisnis

🇮🇩Contoh Konteks Indonesia:
Sebuah bank syariah ingin menguji apakah terdapat perbedaan rata-rata saldo tabungan antara nasabah di Jakarta, Surabaya, dan Medan. Data saldo bersifat rasio dan setelah diuji normalitas (Shapiro-Wilk, p = 0.12 > 0.05) serta homogenitas (Levene’s, p = 0.34 > 0.05), asumsi parametrik terpenuhi. Solusi: gunakan One-Way ANOVA untuk membandingkan mean tiga kota. Jika signifikan, lanjutkan dengan post-hoc Tukey untuk identifikasi pasangan kota mana yang berbeda. Hasil analisis dapat menjadi dasar strategi segmentasi produk tabungan.

⚠️ Poin Kritis: Jangan langsung menjalankan uji parametrik tanpa menguji asumsi terlebih dahulu! Pelanggaran asumsi (terutama normalitas dan homogenitas) dapat menghasilkan p-value yang bias dan kesimpulan yang menyesatkan. Selalu: (1) uji asumsi, (2) pilih uji yang tepat, (3) laporkan hasil uji asumsi bersama hasil analisis utama.

🔍 2. Menguji Kepatuhan Asumsi Parametrik

Statistik parametrik memerlukan beberapa asumsi agar hasil uji valid. Mengabaikan pengujian asumsi sama dengan membangun rumah di atas pondasi yang rapuh.

📋 Empat Asumsi Utama Statistik Parametrik:

📊 1. Normalitas Distribusi

Konsep: Data residual atau variabel dependen berdistribusi normal (bell-shaped curve).

Mengapa Penting: Uji t dan ANOVA mengasumsikan sampling distribution dari mean berdistribusi normal.

Shapiro-Wilk Kolmogorov-Smirnov Q-Q Plot Histogram + Skewness/Kurtosis

🇮🇩Contoh Indonesia:
Uji normalitas skor kepuasan pelanggan e-commerce (n=200). Shapiro-Wilk: W = 0.98, p = 0.15 > 0.05 → data normal. Q-Q plot menunjukkan titik-titik mendekati garis diagonal. Kesimpulan: asumsi normalitas terpenuhi, lanjut ke uji parametrik.

🛠️ Cek Normalitas di SPSS:

Analyze → Descriptive Statistics → Explore
Masukkan variabel ke Dependent List
Plots → Centang “Normality plots with tests”
OK → Lihat output Tests of Normality (Shapiro-Wilk untuk n<50, K-S untuk n≥50)
Interpretasi: p > 0.05 → normal; p ≤ 0.05 → tidak normal

Jika Tidak Normal: (1) Transformasi data (log, sqrt), (2) Gunakan uji non-parametrik, (3) Jika n besar (≥30), Central Limit Theorem mungkin masih memungkinkan uji parametrik.

⚖️ 2. Homogenitas Varians

Konsep: Varians antar kelompok yang dibandingkan harus sama (homoskedastisitas).

Mengapa Penting: ANOVA dan independent t-test mengasumsikan varians populasi sama agar perbandingan mean valid.

Levene’s Test Bartlett’s Test Box’s M (untuk multivariat)

🇮🇩Contoh Indonesia:
Membandingkan omzet UMKM kuliner di 3 kota. Levene’s Test: F = 1.24, p = 0.29 > 0.05 → varians homogen. Asumsi terpenuhi, lanjut One-Way ANOVA. Jika p ≤ 0.05: gunakan Welch’s ANOVA atau transformasi data.

🛠️ Cek Homogenitas di SPSS:

Analyze → Compare Means → One-Way ANOVA
Masukkan variabel dependen & faktor
Options → Centang “Homogeneity of variance test”
OK → Lihat output “Test of Homogeneity of Variances”
Interpretasi: p > 0.05 → homogen; p ≤ 0.05 → heterogen

Jika Tidak Homogen: (1) Gunakan Welch’s t-test/ANOVA (robust terhadap heterogenitas), (2) Transformasi data, (3) Pertimbangkan uji non-parametrik.

🔗 3. Independensi Observasi

Konsep: Setiap observasi tidak dipengaruhi oleh observasi lain (tidak ada autokorelasi).

Mengapa Penting: Pelanggaran independensi menyebabkan standard error underestimate → p-value terlalu kecil → false positive.

Durbin-Watson (regresi) Plot residual vs order Desain sampling yang tepat

🇮🇩Contoh Indonesia:
Survei kepuasan nasabah bank dengan sampling cluster (beberapa cabang). Jika responden dalam satu cabang saling mempengaruhi (misal: diskusi bersama), independensi dilanggar. Solusi: gunakan multilevel modeling atau pastikan sampling benar-benar acak antar individu.

Pencegahan: Desain sampling random, hindari pengumpulan data berkelompok tanpa kontrol, gunakan teknik statistik yang sesuai untuk data clustered jika diperlukan.

📈 4. Linearitas (untuk Korelasi & Regresi)

Konsep: Hubungan antara variabel independen dan dependen bersifat linear.

Mengapa Penting: Pearson correlation dan linear regression mengasumsikan hubungan linear; hubungan non-linear akan menghasilkan estimasi yang bias.

Scatter Plot + Trendline Uji Lack of Fit Residual vs Fitted Plot

🇮🇩Contoh Indonesia:
Menganalisis hubungan antara budget iklan Instagram (juta Rupiah) dan penjualan online (unit). Scatter plot menunjukkan pola kurva (meningkat lalu plateau). Kesimpulan: hubungan non-linear. Solusi: gunakan polynomial regression atau transformasi variabel, bukan linear regression sederhana.

📐 Cek Linearitas Visual:
• Buat scatter plot: variabel X vs Y
• Tambahkan trendline linear
• Jika titik-titik tersebar acak sekitar garis → linear
• Jika pola melengkung/berkelompok → non-linear

Jika Tidak Linear: (1) Transformasi variabel (log, polynomial), (2) Gunakan model non-linear, (3) Segmentasi data berdasarkan range nilai.

✨ Best Practice: Selalu laporkan hasil uji asumsi dalam metodologi penelitian. Contoh: “Sebelum analisis ANOVA, asumsi normalitas diuji dengan Shapiro-Wilk (p = 0.15) dan homogenitas varians dengan Levene’s test (p = 0.29). Kedua asumsi terpenuhi (α = 0.05), sehingga analisis parametrik dilanjutkan.” Transparansi ini meningkatkan kredibilitas riset Anda.

🧪 3. Teknik Statistik Parametrik Utama + Contoh Indonesia

1 Sampel vs Nilai Referensi

🎯 One-Sample t-test

Kegunaan: Menguji apakah mean satu sampel berbeda signifikan dari nilai referensi/populasi yang diketahui.

Rumus: t = (x̄ – μ₀) / (s/√n)

🇮🇩Contoh Indonesia:
Bank Indonesia menetapkan target rata-rata transaksi QRIS per UMKM = Rp 5 juta/bulan. Survei 50 UMKM di Yogyakarta menunjukkan mean = Rp 6,2 juta (SD = 2,1 juta). Uji: apakah mean sampel berbeda signifikan dari target?
Hasil: t(49) = 4.05, p < 0.001 → mean transaksi UMKM Yogyakarta signifikan lebih tinggi dari target nasional.

🛠️ Langkah di SPSS:

Analyze → Compare Means → One-Sample T Test
Masukkan variabel uji ke Test Variable(s)
Test Value: isi nilai referensi (misal: 5000000)
OK → Interpretasikan t, df, p-value, dan Confidence Interval

Interpretasi: Jika p < 0.05 → tolak H₀ → mean sampel berbeda signifikan dari nilai referensi. Perhatikan arah perbedaan (lebih tinggi/lebih rendah) dari mean dan CI.

2 Kelompok Independen

🔄 Independent Samples t-test

Kegunaan: Membandingkan perbedaan mean antara dua kelompok independen dengan data interval/rasio yang memenuhi asumsi parametrik.

Asumsi: Normalitas, homogenitas varians (Levene’s), independensi observasi.

🇮🇩Contoh Indonesia:
Membandingkan rata-rata waktu respons customer service antara chatbot AI vs agen manusia di e-commerce Indonesia.
Data: 60 chatbot sessions, 60 human sessions, data waktu (detik) normal dan varians homogen.
Hasil: t(118) = -3.42, p = 0.001 → chatbot signifikan lebih cepat (mean 45 detik) vs agen manusia (mean 78 detik).

🛠️ Langkah di SPSS:

Analyze → Compare Means → Independent-Samples T Test
Test Variable: masukkan variabel dependen (waktu respons)
Grouping Variable: masukkan variabel kelompok (tipe CS)
Define Groups: isi kode grup (1=chatbot, 2=human)
OK → Lihat output: Levene’s test dulu, lalu pilih baris “Equal variances assumed/not assumed” sesuai hasil Levene’s

Interpretasi: (1) Cek Levene’s: jika p > 0.05 → gunakan baris “Equal variances assumed”; jika p ≤ 0.05 → gunakan “Equal variances not assumed” (Welch’s correction). (2) Jika p-value t-test < 0.05 → perbedaan mean signifikan.

2 Pengukuran Berpasangan

🔁 Paired Samples t-test

Kegunaan: Membandingkan perbedaan mean antara dua pengukuran pada subjek yang sama (pre-post) atau pasangan yang matched.

Asumsi: Distribusi normal dari selisih (difference scores), independensi antar pasangan.

🇮🇩Contoh Indonesia:
Mengukur efektivitas pelatihan digital marketing bagi UMKM: skor pengetahuan peserta sebelum (pre-test) dan sesudah (post-test) pelatihan.
Data: 40 peserta, selisih skor (post-pre) berdistribusi normal.
Hasil: t(39) = 5.67, p < 0.001 → peningkatan pengetahuan signifikan (mean difference = +24 poin).

🛠️ Langkah di SPSS:

Analyze → Compare Means → Paired-Samples T Test
Masukkan pasangan variabel (pre_test & post_test) ke Paired Variables
OK → Interpretasikan mean difference, t, df, p-value, dan 95% CI of the difference

Interpretasi: Jika p < 0.05 → terdapat perubahan signifikan. Perhatikan arah mean difference: positif = peningkatan, negatif = penurunan. Confidence Interval membantu memahami besaran efek praktis.

>2 Kelompok Independen

📊 One-Way ANOVA

Kegunaan: Membandingkan perbedaan mean antara tiga atau lebih kelompok independen dengan data interval/rasio yang memenuhi asumsi parametrik.

Asumsi: Normalitas per kelompok, homogenitas varians, independensi observasi.

🇮🇩Contoh Indonesia:
Membandingkan rata-rata Customer Lifetime Value (CLV) pengguna e-wallet berdasarkan frekuensi transaksi: Low (<5x/bulan), Medium (5-15x), High (>15x).
Data: 150 pengguna (50 per grup), CLV (Rp) normal dan varians homogen.
Hasil ANOVA: F(2,147) = 12.34, p < 0.001 → terdapat perbedaan signifikan CLV antar grup frekuensi.
Post-hoc Tukey: High > Medium > Low (semua perbandingan signifikan).

🛠️ Langkah di SPSS:

Analyze → Compare Means → One-Way ANOVA
Dependent List: masukkan variabel dependen (CLV)
Factor: masukkan variabel kelompok (frekuensi)
Post Hoc → Centang “Tukey” (jika varians homogen) atau “Games-Howell” (jika heterogen)
Options → Centang “Descriptive” & “Homogeneity of variance test”
OK → Interpretasikan ANOVA table, lalu hasil post-hoc jika signifikan

Interpretasi: (1) Jika p ANOVA < 0.05 → tolak H₀ → minimal ada satu pasangan grup yang mean-nya berbeda. (2) Lanjutkan dengan post-hoc test untuk identifikasi pasangan mana yang berbeda. (3) Laporkan effect size (η² atau ω²) untuk besaran efek praktis.

Korelasi Linear

🔗 Pearson Product-Moment Correlation

Kegunaan: Mengukur kekuatan dan arah hubungan linear antara dua variabel interval/rasio yang berdistribusi normal.

Rumus: r = Σ[(x-x̄)(y-ȳ)] / √[Σ(x-x̄)² × Σ(y-ȳ)²]

🇮🇩Contoh Indonesia:
Menganalisis hubungan antara budget iklan TikTok (juta Rupiah/bulan) dan jumlah follower baru akun brand fashion Indonesia.
Data: 30 brand, kedua variabel interval, scatter plot linear, normalitas terpenuhi.
Hasil: r = 0.78, p < 0.001 → korelasi positif kuat dan signifikan. R² = 0.61 → 61% variasi follower dijelaskan oleh budget iklan.

🛠️ Langkah di SPSS:

Analyze → Correlate → Bivariate
Masukkan kedua variabel ke Variables
Correlation Coefficients: centang “Pearson”, hilangkan “Spearman”
Test of Significance: pilih “Two-tailed”
Options → Centang “Means and standard deviations”
OK → Interpretasikan nilai r, p-value, dan N

Interpretasi:
• r = +1: korelasi positif sempurna; r = -1: negatif sempurna; r = 0: tidak ada korelasi linear
• |r| ≥ 0.7: kuat; 0.4-0.7: moderat; 0.2-0.4: lemah; <0.2: sangat lemah
• p < 0.05: korelasi signifikan secara statistik
• Selalu plot scatter plot untuk verifikasi visual hubungan linear!

Prediksi 1 Variabel

📈 Simple Linear Regression

Kegunaan: Memodelkan hubungan linear untuk memprediksi nilai variabel dependen (Y) berdasarkan satu variabel independen (X).

Model: Y = β₀ + β₁X + ε

🇮🇩Contoh Indonesia:
Memprediksi penjualan bulanan (juta Rupiah) toko online berdasarkan jumlah pengunjung website (ribuan sesi).
Data: 24 bulan, asumsi regresi terpenuhi (normalitas residual, linearitas, homoskedastisitas).
Hasil: Y = 12.5 + 0.85X; β₁ = 0.85, p < 0.001, R² = 0.73.
Interpretasi: Setiap penambahan 1.000 sesi pengunjung diprediksi meningkatkan penjualan Rp 850.000. Model menjelaskan 73% variasi penjualan.

🛠️ Langkah di SPSS:

Analyze → Regression → Linear
Dependent: masukkan variabel Y (penjualan)
Independent(s): masukkan variabel X (pengunjung)
Statistics → Centang “Estimates”, “Model fit”, “Descriptives”
Plots → ZRESID vs ZPRED untuk cek homoskedastisitas
OK → Interpretasikan Model Summary (R²), ANOVA (signifikansi model), Coefficients (β₁, p-value)

Interpretasi:
• β₁ (slope): perubahan Y untuk setiap satuan perubahan X
• p-value β₁: signifikansi pengaruh X terhadap Y
• R²: proporsi variasi Y yang dijelaskan oleh model
• Selalu cek residual plots untuk validasi asumsi regresi!

✨ Golden Rule Reporting: Selalu laporkan: (1) nama uji dan alasan pemilihan, (2) hasil uji asumsi, (3) nilai statistik uji (t, F, r, β), (4) derajat kebebasan, (5) p-value, (6) effect size (Cohen’s d, η², R²), (7) interpretasi praktis dalam konteks bisnis Indonesia. Contoh: “Independent t-test menunjukkan waktu respons chatbot (M = 45.2 detik, SD = 12.3) signifikan lebih cepat daripada agen manusia (M = 78.4, SD = 21.1), t(118) = -3.42, p = 0.001, d = 1.25 (efek besar). Rekomendasi: skalakan penggunaan chatbot untuk query rutin.”

💻 4. Setup Model Statistik di Software

Keberhasilan analisis parametrik sangat bergantung pada persiapan data dan setup model yang benar di software. Tahap ini sering diabaikan, padahal kesalahan setup = hasil yang salah.

🔧 Checklist Persiapan Data Sebelum Analisis:

Variable View: Pastikan tipe data benar (Numeric untuk variabel kontinu, String hanya untuk ID/kategori)
Value Labels: Definisikan label untuk variabel kategorikal (1 = “Laki-laki”, 2 = “Perempuan”) agar output mudah dibaca
Missing Values: Tentukan kode missing (999, -99) dan pilih strategi handling (listwise deletion, imputasi)
Outlier Detection: Identifikasi outlier ekstrem dengan boxplot/z-score; putuskan: koreksi, transformasi, atau eksklusi dengan justifikasi
Variable Transformation: Jika asumsi tidak terpenuhi, siapkan variabel transformasi (log, sqrt) sebagai alternatif
Compute Variables: Buat variabel baru jika diperlukan (misal: selisih pre-post, rata-rata skala Likert)

🗂️ Template Setup untuk Uji Umum:

📋 Template: Independent t-test

Struktur Data:

1 kolom untuk variabel dependen (interval/rasio)
1 kolom untuk variabel grouping (2 kategori, numeric dengan value labels)
Setiap baris = 1 responden

Contoh Dataset:

| Responden | Kepuasan (1-10) | Platform |
|———–|—————–|———-|
| 001 | 8 | 1 |
| 002 | 6 | 2 |
| … | … | … |
Platform: 1=GoPay, 2=OVO

📋 Template: One-Way ANOVA

Struktur Data:

1 kolom untuk variabel dependen (interval/rasio)
1 kolom untuk faktor (≥3 kategori, numeric dengan value labels)
Setiap baris = 1 responden

Tips: Untuk post-hoc, pastikan sampel per grup cukup (minimal n=20 per grup untuk power adequate).

📋 Template: Linear Regression

Struktur Data:

1 kolom untuk variabel dependen (Y, interval/rasio)
1+ kolom untuk variabel independen (X, interval/rasio atau dummy-coded kategorikal)
Tidak ada missing values pada variabel yang digunakan

Pre-Analysis: Selalu buat scatter plot Y vs X sebelum running regression untuk cek linearitas visual.

🐍 Contoh Kode R untuk Analisis Parametrik:

# Load library
library(tidyverse)
library(rstatix)

# Import data
data <- read_csv(“data_umkm.csv”)

# 1. Uji normalitas (Shapiro-Wilk)
data %>% shapiro_test(omzet)

# 2. Independent t-test
data %>% t_test(omzet ~ lokasi, var.equal = TRUE) %>% add_significance()

# 3. One-Way ANOVA + Post-hoc
anova_result <- data %>% anova_test(omzet ~ wilayah)
get_anova_table(anova_result)
# Post-hoc Tukey
data %>% tukey_hsd(omzet ~ wilayah)

# 4. Pearson correlation
cor_test(data, omzet, frekuensi_transaksi, method = “pearson”)

# 5. Simple linear regression
model <- lm(omzet ~ frekuensi_transaksi, data = data)
summary(model)
# Cek asumsi residual
plot(model)  # 4 diagnostic plots
          

🐍 Contoh Kode Python untuk Analisis Parametrik:

import pandas as pd
import scipy.stats as stats
import statsmodels.api as sm
from statsmodels.formula.api import ols

# Import data
df = pd.read_csv(“data_umkm.csv”)

# 1. Uji normalitas (Shapiro-Wilk)
stat, p = stats.shapiro(df[‘omzet’])
print(f’Shapiro-Wilk: stat={stat:.3f}, p={p:.3f}’)

# 2. Independent t-test
group1 = df[df[‘lokasi’]==’Jakarta’][‘omzet’]
group2 = df[df[‘lokasi’]==’Surabaya’][‘omzet’]
t_stat, p_val = stats.ttest_ind(group1, group2, equal_var=True)
print(f’t-test: t={t_stat:.3f}, p={p_val:.3f}’)

# 3. One-Way ANOVA
f_stat, p_val = stats.f_oneway(
    df[df[‘wilayah’]==’Jawa’][‘omzet’],
    df[df[‘wilayah’]==’Sumatra’][‘omzet’],
    df[df[‘wilayah’]==’Kalimantan’][‘omzet’]
)
print(f’ANOVA: F={f_stat:.3f}, p={p_val:.3f}’)

# 4. Pearson correlation
r, p = stats.pearsonr(df[‘omzet’], df[‘frekuensi_transaksi’])
print(f’Pearson: r={r:.3f}, p={p:.3f}’)

# 5. Simple linear regression
model = ols(‘omzet ~ frekuensi_transaksi’, data=df).fit()
print(model.summary())
# Cek residual plots
import matplotlib.pyplot as plt
plt.scatter(model.fittedvalues, model.resid)
plt.axhline(0, color=’red’, linestyle=’–‘)
plt.xlabel(‘Fitted values’); plt.ylabel(‘Residuals’)
plt.show()
          

🇮🇩Tips Setup untuk Konteks Indonesia:
• Gunakan kode wilayah BPS untuk variabel geografis agar konsisten dengan data nasional
• Untuk variabel kategorikal seperti “pendidikan”, gunakan urutan numerik yang logis (1=SD, 2=SMP, 3=SMA, 4=S1, 5=S2+)
• Simpan codebook terpisah yang mendefinisikan setiap variabel, skala pengukuran, dan kode nilai
• Backup data mentah sebelum transformasi atau cleaning — prinsip “never overwrite original data”

⚠️ Common Setup Errors:

Menggunakan variabel kategorikal sebagai numerik kontinu (misal: kode provinsi 1-34 sebagai angka)
Tidak mendefinisikan value labels → output sulit diinterpretasi
Mengabaikan missing values → analisis hanya pada complete cases tanpa dokumentasi
Running regresi tanpa cek multikolinearitas (untuk multiple regression)
Mengexport output mentah tanpa formatting untuk presentasi stakeholder

🛠️ 5. Aktivitas Workshop (150′)

Sesi workshop dirancang untuk membangun kompetensi praktis dalam menguji asumsi parametrik dan menerapkan teknik statistik parametrik menggunakan software, dengan studi kasus bisnis Indonesia.

📅 Runtutan Aktivitas:

0-20′

🎬 Briefing & Review Asumsi

Review singkat 4 asumsi parametrik dan konsekuensi pelanggarannya. Penjelasan studi kasus: “Analisis Faktor yang Mempengaruhi Kinerja Penjualan UMKM Digital di Indonesia”. Pembagian kelompok dan distribusi dataset + codebook.

20-50′

🔍 Praktik Uji Asumsi

Kerja kelompok: menguji normalitas (Shapiro-Wilk), homogenitas (Levene’s), dan linearitas (scatter plot) untuk variabel kunci. Diskusi: jika asumsi dilanggar, strategi apa yang dipilih (transformasi, uji non-parametrik, atau lanjut dengan justifikasi)?

50-100′

🧪 Hands-on Uji Parametrik

Setiap kelompok memilih 2-3 pertanyaan riset dan menerapkan uji parametrik yang tepat:
• Independent t-test: perbandingan kinerja penjualan UMKM dengan vs tanpa pelatihan digital
• One-Way ANOVA: perbandingan omzet berdasarkan wilayah (Jawa, Sumatra, Luar Jawa)
• Pearson correlation: hubungan antara budget iklan digital dan pertumbuhan follower
• Simple regression: prediksi omzet berdasarkan frekuensi transaksi online
Panduan step-by-step untuk SPSS/R/Python disediakan.

100-135′

💬 Presentasi & Peer Review

Masing-masing kelompok mempresentasikan: (1) hasil uji asumsi dan keputusan metodologis, (2) output analisis parametrik, (3) interpretasi hasil dalam konteks bisnis, (4) rekomendasi actionable. Feedback fokus pada: ketepatan pemilihan uji, interpretasi effect size, dan relevansi rekomendasi untuk stakeholder Indonesia.

135-150′

🎯 Wrap-up & Personal Cheat Sheet

Refleksi individu: kompetensi apa yang sudah dikuasai, tantangan teknis apa yang masih dirasakan. Penyusunan “Parametric Analysis Cheat Sheet Personal” yang berisi: pohon keputusan pemilihan uji, syntax software favorit, dan template reporting hasil analisis.

📦 Materi Pendukung Workshop:

🗂️ Dataset UMKM Digital

Dataset simulasi 400 UMKM dengan variabel: omzet, wilayah, jenis usaha, budget pemasaran digital, frekuensi transaksi online, skor adopsi teknologi (format: .sav, .csv, .RData).

📋 Assumption Testing Guide

Panduan visual menguji normalitas, homogenitas, dan linearitas di SPSS/R/Python, lengkap dengan screenshot output dan interpretasi.

🔍 Interpretation Template

Template reporting hasil uji parametrik: struktur kalimat, penulisan statistik (APA style), dan contoh interpretasi dalam bahasa Indonesia.

💡 Troubleshooting Library

Kumpulan solusi untuk error umum: “variable not numeric”, “insufficient degrees of freedom”, “perfect collinearity”, dan cara export hasil ke Word/PPT.

🎓 Studi Kasus Workshop: Kinerja UMKM Digital

Latar Belakang: Kementerian Koperasi dan UKM ingin mengidentifikasi faktor pendorong kinerja penjualan UMKM yang telah mengadopsi platform digital.

Tugas Kelompok:

Lakukan uji asumsi parametrik untuk variabel dependen (omzet bulanan)
Pilih dan jalankan 2 uji parametrik yang relevan dengan hipotesis riset Anda
Interpretasikan hasil dengan mempertimbangkan effect size dan konteks bisnis Indonesia
Susun 2-3 rekomendasi kebijakan yang evidence-based dan actionable
Siapkan slide presentasi maksimal 5 menit dengan visualisasi yang komunikatif

Outcome: Peserta mampu menghubungkan teori statistika parametrik dengan aplikasi praktis dalam konteks kebijakan riil Indonesia, serta mengkomunikasikan hasil analisis teknis kepada stakeholder non-teknis dengan jelas dan persuasif.

            🎓 Outcome Workshop: Peserta tidak hanya memahami konsep statistika parametrik, tetapi langsung mempraktikkan pengujian asumsi, eksekusi di software, interpretasi output dengan effect size, dan penyusunan rekomendasi bisnis — semua dalam konteks riset Indonesia yang relevan dan berdampak.
          

📚 6. Resources & Persiapan Lanjutan

🔗 Materi Pendalaman dengan Link Aktif:

💡 Persiapan untuk Analisis Multivariat:

Setelah sesi ini, untuk memperdalam kompetensi:

Praktikkan minimal 2 uji parametrik menggunakan dataset pribadi atau publik dari BPS/Kaggle
Buat “Assumption Testing Workflow” personal: urutan uji, kriteria keputusan, dan alternatif jika asumsi dilanggar
Eksplor multiple regression di R (`lm()`) atau Python (`statsmodels`) untuk analisis dengan >1 variabel independen
Review konsep effect size (Cohen’s d, η², R²) dan cara menginterpretasikannya dalam konteks bisnis
Siapkan pertanyaan spesifik untuk konsultasi: kendala teknis, interpretasi hasil ambigu, atau desain analisis untuk proyek riset Anda

❓ FAQ Umum dalam Konteks Indonesia:

Bagaimana jika hanya sebagian asumsi parametrik yang terpenuhi?

Pendekatan Bertahap:
1. Normalitas dilanggar, homogenitas OK: Jika n besar (≥30 per grup), Central Limit Theorem mungkin masih memungkinkan uji parametrik. Alternatif: transformasi data atau gunakan Welch’s correction.
2. Homogenitas dilanggar, normalitas OK: Gunakan Welch’s t-test/ANOVA yang robust terhadap heterogenitas varians.
3. Kedua asumsi dilanggar: Pertimbangkan uji non-parametrik atau transformasi data (log, sqrt) sebelum analisis ulang.
4. Independensi dilanggar: Ini serius! Pertimbangkan multilevel modeling atau desain ulang sampling.

Prinsip: Lebih baik menggunakan uji yang kurang powerful tapi valid, daripada uji powerful tapi asumsinya dilanggar. Selalu dokumentasikan keputusan metodologis Anda.

Kapan harus menggunakan effect size selain p-value?

Always report effect size! p-value hanya menjawab “apakah ada efek?”, tapi tidak menjawab “seberapa besar efeknya?”. Dalam bisnis, besaran efek seringkali lebih penting daripada signifikansi statistik.

Panduan Interpretasi Effect Size:
• Cohen’s d (t-test): 0.2 = kecil, 0.5 = moderat, 0.8 = besar
• η² (ANOVA): 0.01 = kecil, 0.06 = moderat, 0.14 = besar
• R² (regresi): proporsi variasi Y yang dijelaskan model

Contoh Reporting Indonesia: “Pelatihan digital meningkatkan skor kompetensi UMKM (d = 0.72, efek besar), meskipun signifikansi marginal (p = 0.06) karena sampel terbatas. Rekomendasi: replikasi dengan sampel lebih besar untuk konfirmasi.”

Tips: Gunakan confidence interval untuk effect size (tersedia di paket R `effectsize` atau Python `pingouin`) untuk memahami presisi estimasi.

Bagaimana menyajikan hasil analisis parametrik untuk stakeholder non-teknis?

Struktur Presentasi Bisnis:
1. Konteks & Pertanyaan: “Kami ingin tahu apakah pelatihan digital meningkatkan kinerja UMKM.”
2. Metode (Sederhana): “Kami membandingkan rata-rata omzet 100 UMKM yang ikut pelatihan vs 100 yang tidak, menggunakan uji statistik yang tepat.”
3. Hasil Kunci (Visual): Tampilkan bar chart dengan mean + error bars, tambahkan anotasi: “Perbedaan signifikan (p = 0.003), efek besar (d = 0.81)”.
4. Interpretasi Praktis: “UMKM yang ikut pelatihan memiliki omzet rata-rata 35% lebih tinggi. Dalam angka: Rp 45 juta vs Rp 33 juta per bulan.”
5. Rekomendasi Actionable: “Skalakan program pelatihan ke 500 UMKM di Jawa Barat dengan estimasi peningkatan omzet agregat Rp 6 miliar/tahun.”

Visual Tips: Hindari tabel output software mentah. Gunakan: (1) grafik dengan mean + CI, (2) ikon untuk signifikansi (✓/✗), (3) warna konsisten (hijau = positif, merah = negatif), (4) annotasi effect size dalam bahasa sederhana (“efek besar”).

✨ Key Takeaway

Statistik parametrik adalah alat yang powerful — jika digunakan dengan benar.
Uji asumsi secara rigor, pilih teknik yang tepat, eksekusi dengan software yang kompeten, dan komunikasikan hasil dengan konteks bisnis Indonesia.

Excellence = Valid Assumptions × Right Test × Accurate Execution × Business Impact

RISET BISNIS – SESI 12

Learning Path- Riset Bisnis

Riset Bisnis Sesi 14

RISET BISNIS – SESI 13

📊 Riset Bisnis Sesi 13

📋 Indikator Keberhasilan:

📋 Empat Asumsi Utama Statistik Parametrik:

📊 1. Normalitas Distribusi

⚖️ 2. Homogenitas Varians

🔗 3. Independensi Observasi

📈 4. Linearitas (untuk Korelasi & Regresi)

🎯 One-Sample t-test

🔄 Independent Samples t-test

🔁 Paired Samples t-test

📊 One-Way ANOVA

🔗 Pearson Product-Moment Correlation

📈 Simple Linear Regression

🔧 Checklist Persiapan Data Sebelum Analisis:

🗂️ Template Setup untuk Uji Umum:

🐍 Contoh Kode R untuk Analisis Parametrik:

🐍 Contoh Kode Python untuk Analisis Parametrik:

📅 Runtutan Aktivitas:

🎬 Briefing & Review Asumsi

🔍 Praktik Uji Asumsi

🧪 Hands-on Uji Parametrik

💬 Presentasi & Peer Review

🎯 Wrap-up & Personal Cheat Sheet

📦 Materi Pendukung Workshop:

🗂️ Dataset UMKM Digital

📋 Assumption Testing Guide

🔍 Interpretation Template

💡 Troubleshooting Library

🎓 Studi Kasus Workshop: Kinerja UMKM Digital

🔗 Materi Pendalaman dengan Link Aktif:

📖 Buku & Panduan Statistik Parametrik:

💻 Tutorial Software:

📊 Dataset & Praktik:

📝 Template & Checklist:

💡 Persiapan untuk Analisis Multivariat:

❓ FAQ Umum dalam Konteks Indonesia:

✨ Key Takeaway

Leave a Comment Cancel Reply