Program Studi Manajemen • FEB

Metodologi Penelitian Bisnis

Pertemuan 11 — Analisis Data Kualitatif & Kuantitatif

Dari transkrip wawancara sampai output regresi: bagaimana data mentah menjadi temuan yang bisa dipertanggungjawabkan dalam proposal penelitian Anda.

RPS MINGGU 12 • 2X50 MENIT

Selamat pagi, Anda semua sudah menempuh separuh perjalanan mata kuliah ini — dari merumuskan masalah, menyusun kerangka teori, sampai merancang instrumen pengumpulan data. Hari ini kita masuk ke tahap yang sering dianggap paling menakutkan sekaligus paling menentukan: menganalisis data. Bayangkan Anda baru pulang dari FGD dengan sepuluh pemilik UMKM batik di Solo yang curhat soal susahnya jualan di Tokopedia, atau Anda baru mengumpulkan 150 kuesioner tentang kepuasan nasabah BCA — datanya sudah di tangan, tapi bagaimana caranya data mentah itu berubah jadi kesimpulan yang meyakinkan pembimbing dan penguji Anda? Itulah yang akan kita bedah dua jam ke depan, mulai dari analisis tematik untuk data kualitatif sampai uji statistik untuk data kuantitatif. Siapkan kalkulator dan pikiran terbuka, karena kita akan menghitung beberapa contoh dari nol bersama-sama.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menganalisis data penelitian secara kualitatif maupun kuantitatif serta memilih teknik yang tepat sesuai rumusan masalah proposal Anda. Secara rinci:

JALUR KUALITATIF

Tema

Reduksi → Penyajian → Verifikasi

Mengolah transkrip wawancara/FGD menjadi tema bermakna lewat analisis tematik, disertai triangulasi untuk menjaga kredibilitas.

JALUR KUANTITATIF

Angka

Deskriptif → Uji Instrumen → Uji Hipotesis

Menghitung statistik deskriptif, menguji validitas & reliabilitas instrumen, lalu menguji hipotesis dengan uji t/F dan regresi.

Bagian 1 dari 3

Menganalisis Data Kualitatif

Dari tumpukan transkrip wawancara menjadi tema yang bermakna — logika reduksi, penyajian, dan verifikasi data.

Mengapa Data Mentah Tidak Cukup?

Data yang terkumpul — hasil wawancara, kuesioner, atau observasi — baru bernilai kalau diolah menjadi informasi yang menjawab rumusan masalah. Tanpa analisis sistematis, data hanya jadi arsip.

Seratus lembar kuesioner tentang kepuasan nasabah BBCA tidak bermakna apa-apa sampai dihitung skornya, diuji validitasnya, dan dianalisis pengaruhnya terhadap loyalitas.

Kesalahan umum mahasiswa: mengumpulkan data banyak-banyak lalu bingung mengolahnya di bab IV — karena teknik analisis tidak direncanakan sejak proposal (lihat kembali Pertemuan 4 & 8).

Alur Umum: Data → Informasi → Temuan

Anda mungkin pernah mendengar keluhan dosen pembimbing: "datanya sudah bagus, tapi analisisnya dangkal". Ini terjadi karena mahasiswa sering menganggap tugas selesai begitu kuesioner terkumpul atau wawancara selesai direkam, padahal itu baru separuh jalan. Contoh konkret: kalau Anda punya data transaksi 500 pelanggan Tokopedia, angka itu sendiri tidak bercerita apa-apa sampai Anda hitung rata-rata nilai transaksi, uji apakah ada perbedaan signifikan antar segmen usia, dan interpretasikan hasilnya dalam konteks teori loyalitas pelanggan. Diagram di slide ini menunjukkan bahwa data mentah harus melewati proses analisis sistematis sebelum menjadi informasi, dan informasi itu baru menjadi temuan penelitian setelah dihubungkan kembali dengan rumusan masalah dan hipotesis Anda. Ingat prinsip ini terus selama kita membahas dua jalur analisis hari ini.

Tiga Alur Analisis Data Kualitatif (Miles & Huberman)

Model klasik ini menjelaskan bahwa analisis kualitatif bukan langkah linear satu arah, melainkan proses berulang (iteratif) antara tiga aktivitas.

1. Reduksi Data

Merangkum & memfokuskan

Memilih transkrip mana yang relevan dengan rumusan masalah, membuang yang tidak terkait, membuat kode awal.

2. Penyajian Data

Menyusun agar mudah dibaca

Menyajikan data terkode dalam bentuk matriks, bagan, atau narasi tema — bukan lagi tumpukan kutipan mentah.

3. Verifikasi

Menarik & menguji kesimpulan

Mengecek ulang kesimpulan terhadap data asli — apakah temuan konsisten atau perlu ditinjau lagi (member-checking).

Ketiga tahap ini bisa bolak-balik: menemukan tema baru saat verifikasi bisa membuat Anda kembali mereduksi data — inilah sifat iteratif analisis kualitatif, berbeda dari analisis kuantitatif yang lebih linear.

Model Miles dan Huberman ini penting Anda pahami karena banyak mahasiswa mengira analisis kualitatif berhenti setelah wawancara ditranskrip — padahal itu baru bahan mentah. Reduksi data ibaratnya Anda menyortir video wawancara satu jam dengan manajer cabang Bank Mandiri, lalu memilih bagian mana yang benar-benar menjawab pertanyaan penelitian Anda tentang strategi digitalisasi layanan. Penyajian data berarti Anda menyusun potongan-potongan relevan itu menjadi matriks tema atau diagram alur, sehingga pola bisa terlihat jelas, bukan tersembunyi di antara ratusan baris teks. Verifikasi adalah tahap kritis di mana Anda mengecek ulang: apakah kesimpulan yang Anda tarik benar-benar didukung data, atau jangan-jangan Anda hanya melihat apa yang ingin Anda lihat? Perhatikan bahwa panah antar tahap ini dua arah — kalau saat verifikasi Anda menemukan kejanggalan, Anda wajib kembali ke data mentah, bukan memaksakan kesimpulan.

Hitung dari Nol #1: Analisis Tematik Braun & Clarke

Topik ini non-numerik, tapi tetap kita telusuri langkah demi langkah memakai kasus nyata: wawancara 10 pemilik UMKM batik Solo tentang hambatan ekspansi digital.

Langkah	Aktivitas	Output
1. Familiarisasi	Baca ulang seluruh transkrip wawancara sambil mencatat kesan awal	Catatan pola awal
2. Koding awal	Beri label tiap kutipan: "modal terbatas", "gaptek digital", "takut rugi"	~30 kode mentah
3. Mencari tema	Kelompokkan kode-kode yang berkaitan menjadi kandidat tema	4 kandidat tema
4. Meninjau tema	Cek tema konsisten dengan seluruh data; gabung/pisah bila tumpang tindih	2 tema final
5. Menamai tema	Beri nama jelas: "Hambatan Sumber Daya" & "Hambatan Psikologis"	Definisi tema
6. Menulis laporan	Narasikan tema dengan kutipan langsung sebagai bukti	Bab hasil penelitian

Perhatikan bahwa analisis tematik ini bukan sekadar "membaca lalu menyimpulkan" — ada enam langkah disiplin yang harus Anda lalui, dan setiap langkah punya output yang jelas. Familiarisasi berarti Anda benar-benar membaca ulang transkrip berkali-kali, bukan sekadar sekilas, sampai Anda hafal isinya seperti hafal alur sinetron favorit. Koding awal adalah momen Anda memberi label pendek pada tiap potongan kalimat penting — misalnya ketika pemilik UMKM bilang "saya takut rugi kalau salah upload di Shopee", Anda beri kode "takut rugi". Setelah puluhan kode terkumpul, Anda mulai melihat pola dan mengelompokkannya menjadi tema yang lebih besar, lalu meninjau ulang apakah tema itu benar-benar mewakili seluruh data sebelum akhirnya dinamai dan dinarasikan dalam laporan. Proses inilah yang akan Anda lakukan sendiri saat mengolah data wawancara skripsi Anda nanti.

Hitung dari Nol #2: Tahapan FGD hingga Analisis

Walkthrough kedua: proses Focus Group Discussion (FGD) dengan 8 mahasiswa pengguna aktif ShopeePay, dari perencanaan sampai verifikasi hasil.

Tahap	Aktivitas	Output
1. Perencanaan	Susun panduan diskusi (moderator guide) 6 pertanyaan terbuka	Panduan FGD
2. Rekrutmen	Pilih 8 partisipan dengan kriteria: pengguna aktif ≥6 bulan	Daftar partisipan
3. Pelaksanaan	Diskusi 90 menit direkam audio+video dengan izin partisipan	Rekaman mentah
4. Transkripsi	Ubah rekaman menjadi teks verbatim kata-per-kata	Transkrip ~15 hlm
5. Analisis tematik	Terapkan 6 fase Braun & Clarke pada transkrip FGD	Tema kepercayaan & kemudahan
6. Member-checking	Konfirmasi ringkasan tema ke partisipan — apakah sesuai maksud mereka	Temuan terverifikasi

FGD sering disalahpahami sebagai "wawancara rame-rame", padahal kekuatannya justru pada interaksi antar-partisipan — satu orang menyebut alasan pakai ShopeePay karena promo, lalu partisipan lain menyahut soal kemudahan transfer, dan dari situ muncul dinamika yang tidak akan keluar dalam wawancara satu-satu. Perhatikan tahap rekrutmen: kriteria partisipan harus jelas sejak awal, bukan asal comot teman sekelas, supaya data yang dihasilkan benar-benar mewakili target penelitian Anda. Transkripsi verbatim artinya Anda menuliskan persis apa yang diucapkan termasuk kata "eee" atau jeda tertawa, karena detail kecil itu kadang mengandung makna penting saat dianalisis. Tahap terakhir, member-checking, adalah bentuk tanggung jawab etis peneliti — Anda kembali ke partisipan untuk memastikan interpretasi Anda tidak menyimpang dari maksud mereka, dan ini juga memperkuat kredibilitas temuan di mata penguji skripsi.

Menjaga Kredibilitas: Triangulasi Data Kualitatif

Triangulasi adalah cara memverifikasi temuan dengan membandingkan lebih dari satu sumber, metode, atau perspektif — pengganti "validitas" ala kuantitatif dalam dunia kualitatif.

Triangulasi Sumber

Bandingkan keterangan pemilik UMKM dengan karyawan & pelanggan untuk topik yang sama.

Triangulasi Metode

Gabungkan wawancara dengan observasi langsung di toko atau dokumen penjualan.

Triangulasi Teori

Tinjau temuan dari lebih dari satu perspektif teori, mis. Technology Acceptance Model & teori difusi inovasi.

Kalau ketiga sumber sepakat pada tema yang sama — misalnya "kepercayaan" sebagai alasan utama memilih platform digital — temuan Anda jauh lebih kredibel di mata penguji.

Anda pasti bertanya, kalau di penelitian kuantitatif ada uji validitas dengan angka pasti, apa padanannya di kualitatif? Jawabannya triangulasi — bukan angka, tapi strategi silang-cek. Misalnya, Anda meneliti alasan konsumen memilih GoFood dibanding warung biasa: kalau pemilik warung, kurir, dan konsumen sama-sama menyebut "kepraktisan" sebagai alasan utama, maka temuan Anda triangulated dan kredibel. Triangulasi metode berarti Anda tidak hanya mengandalkan wawancara, tapi juga mengamati langsung perilaku konsumen di lapangan atau membaca ulasan digital mereka. Triangulasi teori sedikit lebih canggih — Anda melihat data yang sama dari kacamata lebih dari satu teori, misalnya teori penerimaan teknologi dan teori kepercayaan konsumen, untuk melihat apakah kesimpulan tetap konsisten. Menguasai konsep ini akan sangat membantu Anda menjawab pertanyaan penguji, "bagaimana Anda tahu temuan ini bukan bias subjektif peneliti?".

Bagian 2 dari 3

Menganalisis Data Kuantitatif

Dari statistik deskriptif ke uji validitas & reliabilitas — memastikan instrumen kuesioner Anda layak dipercaya sebelum diuji hipotesisnya.

Hitung dari Nol #3: Statistik Deskriptif

Contoh: 5 responden menilai kepuasan terhadap layanan akademik kampus (skala Likert 1–5): 4, 5, 3, 4, 4. Mari hitung rata-rata (mean) dan standar deviasinya.

Langkah	Perhitungan	Nilai
1. Jumlahkan seluruh data	4 + 5 + 3 + 4 + 4	20
2. Hitung rata-rata (mean)	20 ÷ 5	4,0
3. Kuadrat deviasi tiap data dari mean	0² + 1² + (−1)² + 0² + 0²	2
4. Hitung varians sampel (n−1)	2 ÷ (5−1)	0,50
5. Hitung standar deviasi	√0,50	≈ 0,71

Hasil Akhir

4,0 ± 0,71

Mean & standar deviasi (n=5)

Sebelum mahasiswa bisa membaca output SPSS dengan percaya diri, Anda perlu tahu apa yang terjadi di baliknya — mari kita hitung manual bersama. Kita punya lima jawaban responden, mirip skala kepuasan 1 sampai 5 yang sering Anda pakai di kuesioner: 4, 5, 3, 4, 4. Jumlahkan dulu semuanya menjadi 20, lalu bagi dengan jumlah responden untuk mendapat rata-rata 4,0 — artinya secara umum responden cukup puas. Langkah berikutnya sedikit lebih rumit: kita hitung seberapa jauh tiap angka menyimpang dari rata-rata, kuadratkan supaya nilai negatif tidak saling meniadakan, lalu jumlahkan semua deviasi kuadrat itu menjadi 2. Bagi dengan n dikurangi 1 untuk mendapat varians sampel 0,5, lalu akar kuadratkan untuk mendapat standar deviasi 0,71 — angka ini menunjukkan sebaran jawaban responden relatif rapat di sekitar rata-rata, tidak terlalu bervariasi.

Coba Sendiri: Hitung Mean & Standar Deviasi Anda

Masukkan angka data Anda sendiri, lalu amati bagaimana widget menghitung mean, varians, dan standar deviasi langkah demi langkah.

Uji Validitas Instrumen: Apakah Kuesioner Mengukur yang Seharusnya?

Validitas menguji apakah tiap item kuesioner benar-benar mengukur konsep yang dimaksud, biasanya lewat korelasi item-total (item Pearson r vs skor total).

r-hitung > r-tabel → item VALID

Contoh Kasus

Kuesioner "Kepuasan Layanan" ke 30 responden (n=30, df=n−2=28). r-tabel pada α=5% ≈ 0,361. Item 3 punya r-hitung 0,52 → valid. Item 7 punya r-hitung 0,21 → tidak valid, harus direvisi/dibuang.

Jargon: r-tabel = nilai kritis korelasi dari tabel statistik, bukan hasil hitungan Anda — ambil dari tabel baku sesuai n dan taraf signifikansi (α).

Sebelum menguji hipotesis apa pun, Anda wajib memastikan instrumen kuesioner Anda sahih — istilah teknisnya valid. Caranya dengan menghitung korelasi antara skor tiap item dengan skor total seluruh item dalam satu variabel, lalu membandingkannya dengan nilai kritis dari tabel r. Bayangkan Anda menyusun 10 pertanyaan untuk mengukur "kepuasan nasabah terhadap layanan mobile banking" — kalau salah satu pertanyaan ternyata tidak berkorelasi kuat dengan skor total sembilan pertanyaan lain, kemungkinan pertanyaan itu justru mengukur hal lain, bukan kepuasan. Dalam contoh di slide ini, item nomor 3 lolos karena r-hitungnya di atas r-tabel, sementara item nomor 7 gagal dan sebaiknya direvisi kalimatnya atau dibuang dari kuesioner final. Proses ini biasanya dilakukan lewat uji coba (pilot test) kuesioner ke 20-30 responden sebelum disebar ke sampel penuh penelitian Anda.

Hitung dari Nol #4: Reliabilitas Cronbach's Alpha

Instrumen 4 item, tiap item punya varians: 1,2 / 0,9 / 1,1 / 1,3. Varians skor total (jumlah semua item) σ_t² = 15,0. Berapa Cronbach's Alpha-nya?

Langkah	Perhitungan	Nilai
1. Jumlahkan varians tiap item (Σσi²)	1,2 + 0,9 + 1,1 + 1,3	4,5
2. Rasio varians item terhadap total	4,5 ÷ 15,0	0,30
3. Selisih terhadap 1	1 − 0,30	0,70
4. Faktor koreksi jumlah item (k=4)	4 ÷ (4−1)	1,33
5. Cronbach's Alpha (α)	1,33 × 0,70	≈ 0,93

Interpretasi

α ≈ 0,93

> 0,70 (Nunnally) → RELIABEL

Cronbach's Alpha adalah ukuran paling umum untuk menguji reliabilitas, yaitu konsistensi jawaban responden kalau kuesioner yang sama diulang di waktu berbeda. Rumusnya terlihat menakutkan, tapi logikanya sederhana: kita bandingkan seberapa besar variasi jawaban pada tiap item secara sendiri-sendiri dibanding variasi skor total gabungan semua item. Kita jumlahkan dulu varians keempat item menjadi 4,5, lalu bagi dengan varians skor total 15,0 untuk mendapat rasio 0,30 — semakin kecil rasio ini, semakin konsisten instrumennya. Kita kurangkan dari 1 menjadi 0,70, lalu kalikan dengan faktor koreksi jumlah item 1,33 untuk mendapat Alpha akhir 0,93. Karena nilai ini di atas ambang batas 0,70 yang direkomendasikan Nunnally, instrumen kuesioner Anda dinyatakan reliabel dan layak dipakai untuk mengumpulkan data penelitian sesungguhnya — kalau di bawah 0,60, Anda harus merevisi atau membuang item bermasalah.

Uji Asumsi Klasik: Gerbang Sebelum Regresi

Sebelum data diuji dengan regresi, tiga asumsi ini wajib dicek agar hasil regresi tidak bias dan dapat dipercaya.

Normalitas

Data residual harus berdistribusi normal — cek dengan uji Kolmogorov-Smirnov atau grafik P-P Plot.

Multikolinearitas

Variabel bebas tidak boleh berkorelasi terlalu kuat satu sama lain — cek nilai VIF (idealnya <10).

Heteroskedastisitas

Varians residual harus konstan di semua nilai prediksi — cek dengan uji Glejser atau scatterplot residual.

Kalau salah satu asumsi ini dilanggar, hasil uji hipotesis (uji t/F) pada slide berikutnya bisa menyesatkan — misalnya nilai signifikansi tampak baik padahal modelnya bias.

Banyak mahasiswa langsung lompat ke uji regresi tanpa mengecek asumsi klasik terlebih dahulu, padahal ini seperti membangun rumah tanpa mengecek fondasinya dulu. Uji normalitas memastikan data residual — bukan data mentah — tersebar normal, biasanya dicek lewat uji Kolmogorov-Smirnov di SPSS atau dengan melihat grafik P-P Plot yang idealnya membentuk garis lurus diagonal. Multikolinearitas menjadi masalah kalau, misalnya, Anda memasukkan variabel "kualitas layanan" dan "kepuasan proses" yang ternyata sangat mirip maknanya — ini dicek lewat nilai VIF, dan kalau di atas 10 biasanya bermasalah. Heteroskedastisitas terjadi kalau sebaran kesalahan prediksi model Anda melebar semakin besar nilai prediksinya, misalnya model memprediksi omzet UMKM dengan baik untuk usaha kecil tapi meleset jauh untuk usaha besar — kondisi ini melanggar asumsi dan perlu ditangani sebelum Anda percaya pada hasil regresi.

Coba Sendiri: Cek Checklist Asumsi Klasik Anda

Centang atau ubah hasil uji normalitas, VIF, dan Glejser, lalu amati apakah data Anda sudah layak diregresi.

Bagian 3 dari 3

Uji Hipotesis, Perangkat Lunak & Integrasi

Menguji dugaan penelitian dengan uji t & F, mengenal software analisis, lalu memutuskan kapan menggabungkan kedua jalur (mixed-methods).

Uji Hipotesis: Uji t dan Uji F

Setelah instrumen valid & reliabel serta asumsi klasik terpenuhi, hipotesis penelitian diuji secara statistik untuk memutuskan terima atau tolak H0.

Uji t (Parsial)

Satu variabel bebas vs terikat

Menguji apakah SATU variabel bebas (mis. kualitas layanan) berpengaruh signifikan secara individual terhadap variabel terikat. Kriteria: nilai signifikansi (p) < 0,05 → H0 ditolak, pengaruh signifikan.

Uji F (Simultan)

Semua variabel bebas bersama-sama

Menguji apakah SELURUH variabel bebas secara bersama-sama berpengaruh signifikan terhadap variabel terikat — biasanya dicek lebih dulu sebelum melihat uji t tiap variabel.

Contoh: meneliti pengaruh kualitas layanan & harga terhadap loyalitas nasabah BRI — Uji F menjawab "apakah model ini secara keseluruhan berarti?", Uji t menjawab "variabel mana yang paling berpengaruh?".

Setelah semua persiapan tadi — instrumen valid, reliabel, dan asumsi klasik terpenuhi — barulah kita sampai pada inti penelitian kuantitatif: menguji hipotesis. Uji F selalu dilihat lebih dulu karena menjawab pertanyaan besar, apakah model penelitian Anda secara keseluruhan bermakna, misalnya apakah kualitas layanan dan harga bersama-sama benar-benar mempengaruhi loyalitas nasabah. Kalau uji F signifikan, barulah Anda melanjutkan ke uji t untuk melihat variabel mana secara individual yang paling berpengaruh — mungkin ternyata kualitas layanan sangat signifikan sementara harga tidak, ini justru temuan menarik untuk dibahas di bab pembahasan. Aturan praktisnya sederhana: bandingkan nilai signifikansi (p-value) dengan taraf 0,05 — kalau p lebih kecil, artinya pengaruh tersebut signifikan secara statistik, bukan sekadar kebetulan.

Coba Sendiri: Uji Signifikansi t & F

Ubah nilai signifikansi uji t dan uji F, lalu amati apakah H0 ditolak atau diterima untuk tiap variabel dan model secara keseluruhan.

Membaca Output Regresi Berganda

Regresi menghasilkan persamaan yang menunjukkan arah dan besaran pengaruh tiap variabel bebas, plus R² sebagai ukuran seberapa baik model menjelaskan variasi data.

Y = a + b1X1 + b2X2 + e

Contoh Interpretasi

Loyalitas = 1,2 + 0,45(Kualitas Layanan) + 0,20(Harga). Artinya: tiap kenaikan 1 poin kualitas layanan, loyalitas naik 0,45 poin (asumsi harga tetap).

R² (Koefisien Determinasi)

0,62

62% variasi loyalitas dijelaskan model; 38% oleh faktor lain

Output regresi sering membuat mahasiswa panik karena tabelnya penuh angka, tapi sebenarnya ada tiga hal utama yang perlu Anda baca. Pertama, koefisien b pada tiap variabel menunjukkan arah dan besar pengaruh — dalam contoh ini, setiap kenaikan satu poin kualitas layanan menaikkan loyalitas nasabah sebesar 0,45 poin, dengan asumsi variabel harga tetap konstan. Kedua, perhatikan tanda koefisiennya — kalau positif berarti hubungan searah, kalau negatif berarti berlawanan arah, misalnya semakin tinggi harga biasanya loyalitas menurun kalau koefisiennya negatif. Ketiga, nilai R kuadrat menunjukkan seberapa besar model Anda "menjelaskan" fenomena yang diteliti — angka 0,62 di sini berarti 62 persen variasi loyalitas nasabah bisa dijelaskan oleh kualitas layanan dan harga, sementara 38 persen sisanya dipengaruhi faktor lain yang tidak masuk model, misalnya promosi atau reputasi merek.

Coba Sendiri: Baca Output Regresi Berganda Anda

Ubah koefisien b tiap variabel dan nilai R², lalu amati bagaimana interpretasi kalimat regresinya berubah otomatis.

Perangkat Lunak untuk Membantu Analisis

Anda tidak perlu menghitung manual selamanya — perangkat lunak berikut umum dipakai peneliti Indonesia, tapi tetap harus dipahami logikanya seperti yang baru kita hitung.

Kuantitatif

SPSS — statistik deskriptif, uji validitas/reliabilitas, regresi dasar.
SmartPLS — pemodelan persamaan struktural (SEM-PLS) untuk model lebih kompleks.

Kualitatif

NVivo — koding & pengorganisasian tema dari transkrip dalam jumlah besar.
ATLAS.ti — analisis tematik & visualisasi jaringan konsep kualitatif.

Software mempercepat hitungan, TAPI tidak menggantikan pemahaman Anda — penguji skripsi akan bertanya "mengapa" hasilnya begitu, bukan sekadar "berapa" angkanya.

Sekarang setelah Anda memahami logika di balik perhitungan manual, saatnya berkenalan dengan alat yang akan mempercepat pekerjaan Anda sehari-hari. Untuk data kuantitatif, SPSS masih menjadi standar di banyak kampus Indonesia termasuk untuk uji validitas, reliabilitas, dan regresi berganda seperti yang baru kita bahas, sementara SmartPLS dipakai kalau model penelitian Anda lebih kompleks dengan banyak variabel laten, semacam yang mungkin akan Anda pelajari di mata kuliah riset lanjutan. Untuk data kualitatif, NVivo dan ATLAS.ti membantu Anda mengorganisasi ratusan halaman transkrip wawancara tanpa harus menandai manual dengan stabilo warna-warni. Tapi ingat baik-baik pesan di callout ini: software hanya alat bantu hitung cepat, bukan pengganti pemahaman Anda — kalau dosen penguji bertanya kenapa nilai Cronbach Alpha Anda 0,93 dan bukan 0,50, Anda harus bisa menjelaskan logikanya, bukan hanya bilang "itu keluar dari SPSS".

Kapan Menggabungkan Kualitatif & Kuantitatif?

Desain mixed-methods menggabungkan kekuatan kedua jalur — kedalaman makna dari kualitatif dan generalisasi dari kuantitatif.

Sequential Explanatory

Kuantitatif dulu (survei 150 nasabah) → lalu kualitatif untuk menggali "mengapa" di balik angka (wawancara mendalam pada beberapa responden ekstrem).

Sequential Exploratory

Kualitatif dulu (FGD eksploratif) untuk menemukan variabel baru → lalu diuji secara kuantitatif ke sampel lebih besar.

Contoh: survei mengukur kepuasan nasabah Bank Jateng rendah (kuantitatif) → wawancara lanjutan mengungkap penyebabnya adalah antrean lama di kantor cabang (kualitatif) — kombinasi ini memberi gambaran lebih utuh daripada satu metode saja.

Setelah mempelajari kedua jalur secara terpisah, penting bagi Anda tahu bahwa keduanya tidak harus dipilih salah satu — banyak penelitian bisnis modern justru menggabungkan keduanya lewat desain mixed-methods. Model sequential explanatory berarti Anda mulai dengan survei kuantitatif ke banyak responden, misalnya 150 nasabah bank daerah, lalu kalau ditemukan pola menarik atau anomali, Anda lanjutkan dengan wawancara mendalam untuk menggali alasan di balik angka tersebut. Model sequential exploratory kebalikannya — Anda mulai dengan FGD atau wawancara eksploratif dulu untuk menemukan variabel atau konsep baru yang belum ada di teori, baru kemudian menguji konsep itu secara kuantitatif ke sampel yang lebih besar dan representatif. Contoh nyata di callout ini menunjukkan kekuatan kombinasi tersebut: angka survei memberi tahu Anda "ada masalah", tapi wawancara lanjutan memberi tahu Anda "apa sebenarnya masalahnya" — dua informasi yang sama-sama Anda butuhkan untuk bab pembahasan yang kuat.

Latihan Kelas: Praktik Hitung Manual

Kerjakan berpasangan (10 menit), lalu satu pasangan mempresentasikan hasilnya di depan kelas.

Soal 1 — Statistik Deskriptif

Data kepuasan 5 responden terhadap layanan Gojek: 5, 4, 5, 3, 5. Hitung mean dan standar deviasinya, ikuti langkah pada Hitung dari Nol #3.

Soal 2 — Diskusi Konseptual

Proposal Anda meneliti "Alasan mahasiswa memilih dompet digital DANA dibanding OVO" secara eksploratif. Rancang 3 langkah pertama analisis tematik (familiarisasi → koding → tema) untuk data wawancara ini.

Tuliskan jawaban di kertas/laptop — akan dibahas bersama pada 10 menit terakhir sesi ini.

Rangkuman & Persiapan Minggu Depan

Jalur	Inti yang Harus Diingat
Kualitatif	Reduksi → Penyajian → Verifikasi (Miles & Huberman); analisis tematik 6 fase; jaga kredibilitas lewat triangulasi.
Kuantitatif	Statistik deskriptif → uji validitas & reliabilitas → uji asumsi klasik → uji hipotesis (t/F) & regresi.
Integrasi	Mixed-methods (sequential explanatory/exploratory) menggabungkan kedalaman makna & generalisasi angka.

Minggu Depan

Pertemuan 12 (RPS Minggu 13): Menyusun bab hasil & pembahasan penelitian — menghubungkan temuan analisis data dengan teori dan rumusan masalah.

Tugas

Dikumpulkan sebelum pertemuan berikutnya

Terapkan Hitung dari Nol #3 & #4 pada data uji coba kuesioner proposal Anda sendiri (minimal 10 responden), lampirkan interpretasinya.

Mari kita rangkum perjalanan panjang hari ini: kita mulai dari jalur kualitatif dengan model reduksi-penyajian-verifikasi dan analisis tematik enam fase, lalu berpindah ke jalur kuantitatif dengan statistik deskriptif, uji validitas, reliabilitas, hingga uji hipotesis dan regresi, dan kita tutup dengan bagaimana kedua jalur ini bisa digabungkan lewat desain mixed-methods. Minggu depan kita akan melangkah lebih jauh ke bagaimana menyusun bab hasil dan pembahasan — bagaimana menghubungkan angka atau tema yang sudah Anda analisis kembali ke teori dan rumusan masalah yang Anda susun di awal semester. Sebagai tugas, saya minta Anda mempraktikkan langsung Hitung dari Nol nomor 3 dan 4 pada data uji coba kuesioner proposal Anda sendiri, minimal ke sepuluh responden, lalu tuliskan interpretasinya seperti yang kita latih hari ini. Kalau ada kesulitan menentukan r-tabel atau menghitung Cronbach Alpha, jangan ragu datang ke jam konsultasi saya sebelum pertemuan berikutnya. Sampai jumpa minggu depan!