Kembali ke Peta
🎥 Tonton Dulu: Playlist Pengantar Sesi 01 (8 video)
Sebelum membaca materi, putar playlist resmi Sesi 01 ini. Di video pertama saya jelaskan mengapa statistika penting untuk bisnis, bedanya “statistik” vs “statistika”, dan kerangka berpikir yang kita pakai sepanjang semester.
💡 Catatan: Setelah menonton, baru lanjut baca bagian-bagian di bawah. Urutannya sengaja dibuat seperti alur kuliah di kelas.
📐 Bagian 1: Konstruksi Variabel — Mengubah “Ide” Jadi “Angka”
🤔 Apa Itu Variabel?
Variabel = sesuatu yang bisa berubah-ubah dan bisa diukur. Dua syarat ini penting:
- Bervariasi: Nilainya beda-beda antar objek. Contoh: tinggi badan (ada yang 160 cm, 170 cm, dst). Kalau semua orang tingginya sama, itu bukan variabel.
- Terukur: Bisa kita kasih angka. “Suasana hati” itu abstrak, tapi kalau kita pakai skala 1-10, itu jadi terukur.
🍲 Analogi Sederhana:
Bayangkan menilai “enak tidaknya nasi goreng”. “Enak” itu konsep abstrak. Tapi kalau dipecah jadi rasa asin, tingkat kematangan, aroma, tekstur — lalu masing-masing diberi nilai 1-10, barulah “enak” berubah jadi angka yang bisa dibandingkan. Proses inilah yang disebut konstruksi variabel.
Bayangkan menilai “enak tidaknya nasi goreng”. “Enak” itu konsep abstrak. Tapi kalau dipecah jadi rasa asin, tingkat kematangan, aroma, tekstur — lalu masing-masing diberi nilai 1-10, barulah “enak” berubah jadi angka yang bisa dibandingkan. Proses inilah yang disebut konstruksi variabel.
🔍 Mengapa Proses Ini Krusial?
Karena ini langkah paling pertama dalam riset. Kalau definisi variabelnya salah dari awal, seluruh analisis setelahnya ikut salah — tidak peduli seberapa canggih rumusnya.
⚠️ Prinsip “Garbage In, Garbage Out”:
Data sampah yang masuk → hasil sampah yang keluar. Rumus secanggih apapun tidak bisa menyelamatkan data yang salah definisi dari hulu.
Data sampah yang masuk → hasil sampah yang keluar. Rumus secanggih apapun tidak bisa menyelamatkan data yang salah definisi dari hulu.
🏗️ 5 Tahap Konstruksi Variabel
- Konsep Abstrak — Ide yang masih di kepala (contoh: “kepuasan pelanggan”)
- Konstruk — Konsep yang sudah didefinisikan lebih jelas
- Dimensi — Aspek pembentuk konstruk (rasa, harga, layanan)
- Indikator — Pernyataan spesifik untuk tiap dimensi
- Variabel Terukur — Angka akhir yang bisa diolah statistik
🛒 Contoh Lengkap: Kedai Kopi Lokal
Pemilik kedai kopi di Bandung ingin tahu apakah pelanggannya puas.
Pemilik kedai kopi di Bandung ingin tahu apakah pelanggannya puas.
- Konsep abstrak: “Kepuasan pelanggan”
- Dimensi: (1) Rasa kopi, (2) Kecepatan layanan, (3) Harga, (4) Suasana kedai
- Indikator: “Saya akan merekomendasikan kedai ini ke teman saya” — skala 1-5
- Variabel terukur: Skor rata-rata kepuasan = 4,2 dari 5
🎭 Jenis-Jenis Variabel dalam Riset Bisnis
| Jenis Variabel | Perannya | Contoh di UMKM |
|---|---|---|
| Independen (X) | Variabel yang mempengaruhi / sebab | Besar diskon, lokasi toko, jam buka |
| Dependen (Y) | Variabel yang dipengaruhi / akibat | Volume penjualan, jumlah pelanggan |
| Mediator (M) | “Jembatan” antara X dan Y | Diskon → Kepuasan → Loyalitas |
| Moderator | Memperkuat / memperlemah hubungan | Gender memoderasi: diskon lebih efektif untuk wanita vs pria |
💡 Tips Praktis:
Saat merancang riset, tanyakan: “Apa yang mau saya jelaskan?” → itu Y. Lalu “Apa yang kira-kira memengaruhinya?” → itu X. Sisanya (M dan moderator) ditambahkan kalau teori mendukung.
Saat merancang riset, tanyakan: “Apa yang mau saya jelaskan?” → itu Y. Lalu “Apa yang kira-kira memengaruhinya?” → itu X. Sisanya (M dan moderator) ditambahkan kalau teori mendukung.
📊 Bagian 2: Skala Pengukuran NOIR — Nominal, Ordinal, Interval, Rasio
🤔 Mengapa Kita Perlu “Skala”?
Tidak semua angka itu “sama”. Angka “5” di rating bintang Tokopedia beda maknanya dengan “5 kg” beras. Kalau salah memperlakukan angka, uji statistik yang dipakai juga salah — dan kesimpulannya menyesatkan.
🎯 Analogi:
Bayangkan 4 jenis wadah: gelas, ember, drum, tangki. Kalau Anda tuang air 10 liter ke gelas, tumpah. Begitu juga data — harus dimasukkan ke “wadah” (skala) yang sesuai.
Bayangkan 4 jenis wadah: gelas, ember, drum, tangki. Kalau Anda tuang air 10 liter ke gelas, tumpah. Begitu juga data — harus dimasukkan ke “wadah” (skala) yang sesuai.
🎨 4 Jenis Skala: NOIR
| Skala | Ciri Khas | Boleh Diapakan? | Contoh di E-commerce Indonesia |
|---|---|---|---|
| Nominal | Hanya label/kategori, tanpa urutan | Hitung frekuensi, cari modus | Metode pembayaran: QRIS, Transfer, COD, PayLater |
| Ordinal | Ada urutan, jarak antar level tidak pasti sama | Semua di atas + median, ranking | Rating bintang 1-5; level kepuasan: Sangat Puas → Kecewa |
| Interval | Jarak antar nilai sama & pasti, nol tidak mutlak | Semua di atas + mean, standar deviasi, korelasi | Suhu gudang (°C); skor kepuasan 0-100 |
| Rasio | Semua fitur interval + nol mutlak | Semua uji statistik boleh dipakai | Omzet (Rp), jumlah produk terjual, berat paket (kg) |
🔎 Cara Membedakan Interval vs Rasio
Tanyakan: “Apakah nilai 0 berarti ‘tidak ada sama sekali’?”
- Suhu 0°C ≠ tidak ada suhu → Interval
- Omzet Rp0 = benar-benar tidak ada pemasukan → Rasio
- Skor kepuasan 0 ≠ “tidak puas sama sekali” secara absolut → Interval
⚠️ Jebakan Klasik Mahasiswa:
Rating bintang 1-5 sering dianggap interval — padahal itu ordinal! Jarak psikologis bintang 2→3 belum tentu sama dengan 4→5. Menghitung “rata-rata rating = 4,3” secara teknis adalah “dosa statistik”. Uji yang tepat: Spearman rank, bukan Pearson.
Rating bintang 1-5 sering dianggap interval — padahal itu ordinal! Jarak psikologis bintang 2→3 belum tentu sama dengan 4→5. Menghitung “rata-rata rating = 4,3” secara teknis adalah “dosa statistik”. Uji yang tepat: Spearman rank, bukan Pearson.
💡 Mnemonic NOIR:
Nama saja → Orutan → Interval sama → Rasio sempurna. Semakin ke kanan, semakin banyak uji statistik yang boleh dipakai.
Nama saja → Orutan → Interval sama → Rasio sempurna. Semakin ke kanan, semakin banyak uji statistik yang boleh dipakai.
📝 Implikasi Praktis
| Jika Skala… | Uji yang Cocok |
|---|---|
| Nominal | Chi-Square, Modus |
| Ordinal | Spearman, Mann-Whitney, Median |
| Interval / Rasio | t-test, ANOVA, Pearson, Regresi |
🔍 Bagian 3: Akuisisi Data — Populasi, Sampel, dan Teknik Sampling
🤔 Apa Itu Akuisisi Data?
Akuisisi data = proses mendapatkan data dari sumbernya. Pertanyaan utamanya: dari mana datanya, dan bagaimana cara mengambilnya supaya representatif?
🍲 Analogi Ibu Memasak:
Ibu tidak perlu menghabiskan isi panci untuk tahu rasanya. Cukup ambil satu sendok (sampel), cicipi, simpulkan rasa seluruh panci (populasi). Syaratnya: sayur harus sudah diaduk rata. Dalam riset, “mengaduk rata” = teknik sampling yang tepat.
Ibu tidak perlu menghabiskan isi panci untuk tahu rasanya. Cukup ambil satu sendok (sampel), cicipi, simpulkan rasa seluruh panci (populasi). Syaratnya: sayur harus sudah diaduk rata. Dalam riset, “mengaduk rata” = teknik sampling yang tepat.
📚 Populasi vs Sampel
- Populasi: Seluruh objek yang ingin disimpulkan (contoh: seluruh pembeli Shopee Indonesia).
- Sampel: Sebagian populasi yang benar-benar diteliti (contoh: 500 pembeli di Jakarta).
Kenapa tidak sensus? Karena mahal, lama, kadang tidak mungkin. Sampel yang baik bisa mewakili populasi — asal diambil dengan cara yang benar.
🎯 Teknik Sampling: Pilih yang Mana?
| Teknik | Kapan Dipakai? | Cara Kerja | Contoh Aplikasi |
|---|---|---|---|
| Simple Random | Populasi homogen & ada daftar lengkap | Undian acak, peluang sama | Semua struk dikocok, diambil 50 |
| Stratified | Heterogen, proporsi terjaga | Bagi jadi strata, ambil acak tiap strata | UMKM mikro/kecil/menengah diambil proporsional |
| Cluster | Tersebar luas geografis | Pilih kluster acak, teliti semua isinya | Pilih 5 kabupaten dari 30, survei semua petaninya |
| Purposive | Butuh kriteria khusus | Peneliti sengaja memilih | Wawancara pemilik UMKM omzet >Rp10 juta/bulan |
| Snowball | Populasi sulit dijangkau | Responden menunjuk kenalan berikutnya | Studi komunitas dropshipper eksklusif |
📱 Studi Kasus: Riset Nasional
Masalah: 100 juta+ pengguna, tidak mungkin tanya satu-satu.
Solusi: Stratified Random Sampling: strata kota (Tier 1/2/3) × kategori produk (elektronik, fashion, F&B) → ambil acak dari tiap kombinasi → 2.000 responden.
Hasil: Dengan margin error ±2%, hasil bisa digeneralisasi ke seluruh Indonesia.
Masalah: 100 juta+ pengguna, tidak mungkin tanya satu-satu.
Solusi: Stratified Random Sampling: strata kota (Tier 1/2/3) × kategori produk (elektronik, fashion, F&B) → ambil acak dari tiap kombinasi → 2.000 responden.
Hasil: Dengan margin error ±2%, hasil bisa digeneralisasi ke seluruh Indonesia.
💡 Ingat: Tidak ada teknik sampling yang “paling benar”. Yang ada paling cocok dengan kondisi populasi, tujuan riset, dan sumber daya Anda.
⚠️ Bagian 4: 4 Sumber Error — Musuh Utama Integritas Data
🤔 Mengapa Harus Tahu Error?
Data salah jauh lebih berbahaya daripada tidak punya data: ia memberi percaya diri palsu — keputusan diambil dari angka yang menyesatkan.
❌ Error #1: Coverage Error
Kerangka sampel tidak mencakup seluruh populasi target.
🛒 Contoh: Restoran minta feedback lewat QRIS di meja. Pelanggan lansia yang bayar tunai tidak terwakili → hasil bias ke generasi melek digital.
❌ Error #2: Nonresponse Error
Responden yang tidak menjawab berbeda karakteristik dengan yang menjawab.
🛒 Contoh: Survei email ke 1.000 pelanggan, balas 50. Yang rajin balas: yang sangat puas atau sangat kecewa. Mayoritas yang “biasa saja” diam → hasil ekstrem.
❌ Error #3: Sampling Error
Selisih alami antara sampel dan populasi karena kebetulan. Tidak bisa dihilangkan, hanya bisa diperkecil dengan menambah sampel.
🛒 Contoh: Rata-rata omzet populasi Rp5 juta; sampel 50 UMKM dapat Rp5,3 juta. Selisih Rp300 ribu = sampling error; akan mengecil kalau sampel 500.
❌ Error #4: Measurement Error
Data tercatat tidak sesuai nilai sebenarnya — dari alat, kuesioner, atau responden.
🛒 Contoh: Timbangan tidak dikalibrasi (+50 gram); pertanyaan ambigu (“sering” menurut siapa?); responden malu mengakui penghasilan (under-reported).
🎯 Aturan Emas: Systematic vs Random
| Jenis Error | Sifat | Dikoreksi dengan N Besar? |
|---|---|---|
| Coverage, Nonresponse, Measurement | Systematic (bias) — arah konsisten | ❌ TIDAK. Bias malah makin kuat. |
| Sampling error | Random — arah acak | ✅ BISA. Makin besar n, makin kecil. |
⚠️ Kesimpulan: Memperbesar sampel hanya menyelesaikan sampling error. Tiga error lain harus dicegah sejak desain riset.
✅ Bagian 5: Ringkasan & Checklist Sebelum Mulai Riset
- ☑️ Apakah konstruk sudah didefinisikan operasional (bukan abstrak)?
- ☑️ Sudah tahu skala pengukuran tiap variabel (NOIR)?
- ☑️ Teknik sampling cocok dengan karakteristik populasi?
- ☑️ Keempat sumber error sudah diantisipasi?
- ☑️ Instrumen ukur sudah divalidasi & diuji reliabilitas?
💡 Prinsip LEAN untuk Riset:
“Lebih baik data sedikit tapi valid, daripada data banyak tapi bias.” Kualitas > Kuantitas.
“Lebih baik data sedikit tapi valid, daripada data banyak tapi bias.” Kualitas > Kuantitas.
🎥 Playlist Pendalaman Sesi 01
Untuk pendalaman (sumber data, kerangka sampel, pembahasan error), putar playlist resmi berikut secara berurutan:
❓ FAQ: Pertanyaan yang Sering Diajukan
Apa bedanya “statistik” dan “statistika”?
Statistik = angka/datanya sendiri (contoh: “rata-rata penjualan Rp5 juta”). Statistika = ilmu mengumpulkan, mengolah, dan menyimpulkan data. Di sesi ini kita belajar statistika.
Kenapa rata-rata rating bintang 1-5 tidak boleh dihitung?
Karena itu data ordinal, bukan interval. Jarak psikologis antar bintang tidak pasti sama. Gunakan median/modus dan uji Spearman, bukan mean dan Pearson.
Kapan memakai purposive atau snowball sampling?
Saat populasi punya kriteria khusus (purposive) atau sulit dijangkau (snowball). Konsekuensinya: hasil tidak bisa digeneralisasi ke populasi — dan itu harus dinyatakan jujur di Bab 3.
Apakah sampel besar otomatis hasil bagus?
Tidak. Sampel besar hanya memperkecil sampling error. Kalau kerangka sampel cacat atau kuesioner bias, sampel besar justru memperkuat biasnya.
Apa itu definisi operasional?
Penjelasan teknis bagaimana variabel diukur. Contoh: “puas” = skor >8 di survei tahunan, atau “tidak komplain 30 hari”. Tanpa ini, dua angka yang sama-sama “80% puas” bisa tidak boleh dibandingkan.
🎯 Mini Quiz: Uji Pemahaman (3 soal)
1. “Seberapa sering Anda membeli ulang?” dengan pilihan: Tidak Pernah → Selalu. Skala apa ini?
2. Survei nasional dibagi per kota (Tier 1/2/3) dan kategori pengguna, lalu ambil acak dari tiap kombinasi. Teknik apa ini?
3. Survei email: yang balas hanya 100 dari 1.000, dan hasilnya jauh lebih positif dari data internal. Error utama?