Bisnis Digital · FEB Undip

Metodologi Penelitian Bisnis

Pertemuan 10: Metode Pengumpulan Data Primer & Sekunder

Survei, observasi, eksperimen, dan data sekunder — memilih & menghitung kebutuhan data untuk riset bisnis digital.

RPS minggu 11 · 2x50 menit

Selamat datang kembali, Anda baru saja melewati UTS dan minggu lalu kita membahas skala pengukuran serta validitas-reliabilitas instrumen — hari ini kita masuk ke jantung riset kuantitatif, yaitu bagaimana data itu sendiri dikumpulkan. Bayangkan Anda sedang meneliti kepuasan pengguna aplikasi belanja seperti Tokopedia atau Shopee: dari mana Anda mendapatkan angka-angka itu? Ada dua jalur besar, data primer yang Anda kumpulkan sendiri langsung dari sumbernya, dan data sekunder yang sudah tersedia dari pihak lain seperti BPS atau laporan tahunan perusahaan. Pertemuan ini akan membekali Anda dengan empat metode primer utama plus cara mengevaluasi dan memanfaatkan data sekunder, lengkap dengan latihan menghitung ukuran sampel yang akan langsung berguna saat Anda menyusun proposal di pertemuan 13.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu:

CPMK 1

metode pengumpulan data primer

Membedakan survei, observasi, eksperimen, dan wawancara/FGD (recap P7) beserta kapan masing-masing tepat dipakai.

CPMK 2

jenis sumber data sekunder

Mengidentifikasi sumber internal & eksternal, serta mengevaluasi kualitasnya sebelum dipakai dalam riset.

Bonus keterampilan: Anda akan bisa menghitung ukuran sampel minimal memakai rumus Slovin — alat yang langsung terpakai saat menyusun proposal riset.

Bagian 1 dari 3

Data Primer: Survei, Observasi & Eksperimen

Data yang Anda kumpulkan sendiri, langsung dari sumber aslinya, untuk menjawab pertanyaan penelitian spesifik.

Apa Itu Data Primer?

Data primer adalah data yang dikumpulkan langsung oleh peneliti dari sumber pertama, khusus untuk menjawab pertanyaan penelitian yang sedang dikerjakan.

Ciri-ciri

Dikumpulkan langsung, bukan dari laporan orang lain
Sangat relevan & spesifik dengan RQ
Butuh waktu, biaya, dan tenaga lebih besar
Peneliti mengontrol penuh cara pengumpulan

Contoh dalam Bisnis Digital

Kuesioner ke pengguna aplikasi e-commerce
Mengamati langsung perilaku checkout di toko online
Eksperimen A/B testing tampilan aplikasi
Wawancara pemilik UMKM digital (recap P7)

Data primer sederhananya adalah data "tangan pertama" — Anda sendiri yang turun ke lapangan atau merancang instrumennya, bukan mengambil dari laporan yang sudah jadi. Karena Anda yang merancang instrumen dan menentukan siapa respondennya, data ini biasanya sangat relevan dengan pertanyaan penelitian Anda, tetapi konsekuensinya adalah butuh waktu, biaya, dan tenaga yang lebih besar dibanding sekadar mengunduh data BPS. Contohnya, kalau Anda ingin tahu kenapa pengguna GoFood berhenti berlangganan, Anda bisa sebar kuesioner ke pengguna aktif dan mantan pengguna, itu jelas data primer karena tak ada pihak lain yang sudah mengumpulkannya untuk Anda. Nah, ada empat metode besar untuk mengumpulkan data primer semacam ini, dan tiga di antaranya — survei, observasi, eksperimen — akan kita bedah satu per satu mulai slide berikutnya.

Metode 1 — Survei (Kuesioner)

Survei mengumpulkan data dari sejumlah besar responden memakai daftar pertanyaan terstruktur, biasanya untuk mengukur sikap, persepsi, atau perilaku.

Jenis Pertanyaan

Tertutup: pilihan ganda, skala Likert (recap P9)
Terbuka: responden menulis jawaban bebas
Kombinasi keduanya paling umum dipakai

Kanal Distribusi

Google Forms / link digital (paling umum saat ini)
Survei tatap muka (paper-based)
Survei telepon atau via aplikasi chat

Kelebihan utama: bisa menjangkau jumlah responden besar dengan biaya relatif rendah — cocok untuk riset kuantitatif skala nasional seperti survei kepuasan pengguna e-commerce.

Survei adalah metode yang paling akrab bagi Anda karena hampir semua tugas kuliah pernah memakai Google Forms, dan itu sebenarnya sudah termasuk survei dalam pengertian ilmiah asalkan pertanyaannya dirancang secara terstruktur dan sistematis. Ingat kembali skala pengukuran yang kita bahas pertemuan lalu — skala Likert lima poin, misalnya "sangat tidak puas" sampai "sangat puas", adalah bentuk pertanyaan tertutup yang paling sering dipakai dalam survei kepuasan pelanggan. Kelebihan besar survei adalah efisiensi biaya untuk menjangkau responden dalam jumlah besar, misalnya sebuah startup fintech bisa menyebar survei ke ribuan pengguna aplikasinya hanya dalam hitungan hari lewat notifikasi in-app. Tetapi ingat, kualitas survei sangat bergantung pada kualitas instrumennya — kalau pertanyaannya ambigu atau bias, hasilnya pun akan menyesatkan, jadi rancang kuesioner Anda dengan cermat.

Metode 2 — Observasi

Observasi adalah pengamatan langsung terhadap perilaku subjek, tanpa harus bertanya — cocok saat Anda ingin tahu apa yang benar-benar dilakukan, bukan sekadar apa yang dikatakan.

Contoh digital: menganalisis rekaman heatmap atau session recording untuk melihat pola klik pengguna di aplikasi e-commerce — ini observasi non-partisipan berbasis data digital.

Observasi berbeda dari survei karena Anda tidak bertanya, Anda mengamati — ini penting ketika ada gap antara apa yang orang katakan dan apa yang mereka lakukan, misalnya responden bilang mereka teliti membaca ulasan produk sebelum membeli, tapi observasi menunjukkan mereka hanya melihat rating bintang. Ada dua jenis: observasi partisipan, di mana peneliti ikut terlibat langsung, misalnya Anda bekerja beberapa hari di gudang UMKM digital untuk memahami alur logistiknya dari dalam; dan observasi non-partisipan, di mana Anda mengamati dari luar tanpa ikut campur, seperti menonton rekaman CCTV toko atau menganalisis heatmap klik di aplikasi. Dalam konteks bisnis digital, observasi non-partisipan sangat relevan karena banyak platform seperti Tokopedia punya tools analytics yang merekam perilaku klik pengguna secara otomatis, itu sebenarnya bentuk observasi berskala besar. Kelemahannya, observasi butuh waktu pengamatan yang panjang dan hasilnya bisa bias kalau subjek sadar sedang diamati, fenomena ini disebut efek Hawthorne.

Metode 3 — Eksperimen

Eksperimen memanipulasi satu variabel (variabel bebas) secara terkontrol untuk melihat efeknya pada variabel lain (variabel terikat) — satu-satunya metode yang bisa menguji hubungan sebab-akibat.

EKSPERIMEN LABORATORIUM

Lab

Lingkungan terkontrol penuh

Contoh: menguji reaksi pengguna terhadap dua desain UI aplikasi di ruang usability testing.

EKSPERIMEN LAPANGAN

Field

Lingkungan alami sehari-hari

Contoh: A/B testing dua versi halaman checkout langsung ke pengguna nyata aplikasi.

Perhatikan variabel pengganggu (confounding variable) — faktor lain yang bisa memengaruhi hasil selain variabel yang Anda uji, misalnya musim promo yang bersamaan dengan A/B test Anda.

Eksperimen adalah metode paling kuat untuk menyimpulkan sebab-akibat karena Anda secara sengaja memanipulasi satu variabel dan mengontrol variabel lain, bukan sekadar mengukur hubungan seperti pada survei. Istilah A/B testing yang sering Anda dengar di dunia startup sebenarnya adalah eksperimen lapangan sederhana: separuh pengguna melihat tombol beli warna hijau, separuh lagi warna merah, lalu dibandingkan mana yang menghasilkan lebih banyak transaksi. Bedakan eksperimen laboratorium, di mana kondisi sepenuhnya dikontrol seperti usability testing di ruang khusus, dengan eksperimen lapangan yang terjadi di lingkungan nyata pengguna sehari-hari sehingga hasilnya lebih mencerminkan perilaku asli. Tantangan terbesar eksperimen adalah variabel pengganggu — misalnya kalau Anda menguji dua desain harga bersamaan dengan momen gajian atau tanggal kembar 11.11, hasilnya bisa terdistorsi oleh momen itu, bukan murni oleh desain yang Anda uji.

Bandingkan: Kelebihan & Kekurangan Metode Primer

Metode	Kelebihan Utama	Kekurangan Utama
Survei	Jangkauan besar, biaya relatif rendah	Rentan bias jawaban sosial
Observasi	Menangkap perilaku nyata, bukan klaim	Butuh waktu lama, bisa bias jika subjek sadar diamati
Eksperimen	Bisa simpulkan sebab-akibat	Sulit dikontrol penuh di luar lab, biaya tinggi
Wawancara/FGD (P7)	Data kaya & mendalam	Sulit digeneralisasi, makan waktu analisis

Tidak ada metode yang "terbaik" secara mutlak — pilihan bergantung pada pertanyaan penelitian Anda.

Bagian 2 dari 3

Data Sekunder: Sumber & Evaluasi Kualitas

Data yang sudah dikumpulkan pihak lain — cepat, murah, tetapi harus dievaluasi kualitasnya sebelum dipakai.

Apa Itu Data Sekunder?

Data sekunder adalah data yang sudah dikumpulkan dan dipublikasikan oleh pihak lain untuk tujuan yang berbeda dari penelitian Anda saat ini, lalu Anda manfaatkan kembali.

KEUNTUNGAN

Cepat

& hemat biaya

Sudah tersedia, tinggal diunduh; cocok untuk analisis tren jangka panjang yang tak mungkin Anda kumpulkan sendiri.

RISIKO

Tidak Pas

dengan kebutuhan riset

Dikumpulkan untuk tujuan lain, sehingga definisi variabel atau periode waktunya mungkin tidak persis cocok dengan RQ Anda.

Data sekunder pada dasarnya adalah data "bekas pakai" dalam arti positif — dikumpulkan oleh pihak lain untuk keperluan mereka sendiri, misalnya BPS mengumpulkan data untuk laporan statistik nasional, tetapi Anda bisa memanfaatkannya kembali untuk riset skripsi atau tugas akhir. Keuntungan terbesarnya jelas soal efisiensi: Anda tidak perlu turun ke lapangan, tinggal mengunduh dan mengolah, apalagi untuk data historis bertahun-tahun yang mustahil Anda kumpulkan sendiri seperti data transaksi IDX sejak 2010. Tapi ingat risikonya, karena data itu dikumpulkan untuk tujuan lain, definisi variabelnya bisa berbeda dari yang Anda butuhkan — misalnya BPS mendefinisikan "UMKM digital" dengan kriteria tertentu yang mungkin tidak persis sama dengan definisi yang Anda pakai di kerangka teoritis Anda. Jadi sebelum memakai data sekunder, Anda wajib membaca metodologi pengumpulannya terlebih dahulu, bukan langsung comot angkanya.

Sumber Data Sekunder: Internal vs Eksternal

Sumber Internal

Laporan keuangan & laporan tahunan perusahaan
Data transaksi & log sistem internal perusahaan
Catatan penjualan, CRM, database pelanggan

Sumber Eksternal

BPS (Badan Pusat Statistik) — statistik nasional
OJK, Bank Indonesia — data sektor keuangan
BEI/IDX — data perdagangan saham perusahaan Tbk
Jurnal, laporan riset lembaga, media massa

Sumber data sekunder terbagi dua besar: internal, yaitu data yang sudah dimiliki organisasi tempat Anda meneliti, misalnya laporan penjualan bulanan sebuah UMKM digital atau data transaksi dari sistem kasir mereka; dan eksternal, yaitu data yang dipublikasikan pihak di luar organisasi, seperti BPS, OJK, atau Bursa Efek Indonesia. Kalau Anda meneliti kinerja saham BBCA misalnya, Anda bisa mengambil data historis harga saham langsung dari situs resmi BEI atau IDX, itu contoh sumber eksternal yang sangat kredibel karena resmi dan teraudit. Sementara itu, kalau perusahaan tempat Anda magang mengizinkan Anda mengakses data penjualan internal mereka untuk skripsi, itu adalah sumber internal yang seringkali lebih detail namun terbatas aksesnya karena bersifat rahasia perusahaan. Penting bagi Anda untuk selalu mencatat sumber dan tanggal akses data sekunder, karena data eksternal seperti statistik BPS bisa direvisi dari waktu ke waktu.

Evaluasi Kualitas Data Sekunder: 4 Kriteria

1. Akurasi

Apakah data bebas dari kesalahan?

Bandingkan dengan sumber lain bila memungkinkan; periksa metodologi pengumpulan aslinya.

2. Relevansi

Sesuai definisi variabel Anda?

Pastikan definisi & unit analisis data cocok dengan kerangka teoritis riset Anda.

3. Ketepatan Waktu

Seberapa baru datanya?

Data 10 tahun lalu tentang perilaku belanja online mungkin sudah tidak relevan hari ini.

4. Kredibilitas Sumber

Siapa penerbitnya?

Lembaga resmi (BPS, OJK, BEI) lebih kredibel daripada blog atau media sosial tanpa metodologi jelas.

Sebelum Anda memakai data sekunder apa pun dalam riset Anda, terapkan empat saringan ini: akurasi, relevansi, ketepatan waktu, dan kredibilitas sumber. Akurasi berarti Anda mengecek apakah datanya bebas kesalahan, misalnya membandingkan angka inflasi dari BPS dengan angka yang dirilis Bank Indonesia untuk memastikan konsistensi. Relevansi berarti definisi variabel dalam data itu benar-benar cocok dengan yang Anda butuhkan — data "pengguna aktif e-commerce" dari satu laporan bisa didefinisikan berbeda dari laporan lain, jadi jangan asal pakai. Ketepatan waktu penting karena perilaku bisnis digital berubah sangat cepat, data survei e-commerce dari lima tahun lalu sebelum pandemi mungkin sudah tidak mencerminkan kondisi sekarang, dan kredibilitas sumber jelas membedakan data resmi BPS dengan sekadar artikel blog tanpa metodologi yang jelas.

Data Sekunder di Era Digital: Big Data & Web Scraping

Selain sumber resmi seperti BPS, era digital membuka sumber data sekunder baru berskala besar (big data).

Contoh Sumber Digital

Ulasan & rating produk di marketplace (Tokopedia, Shopee)
Data media sosial (jumlah mention, sentimen)
Data trafik situs (Google Trends, Google Analytics)
API publik platform e-commerce & media sosial

Catatan Etika & Legal

Web scraping harus taati Terms of Service platform
Data pribadi pengguna wajib dianonimkan
Perhatikan UU PDP saat mengolah data personal

Perkembangan menarik untuk mahasiswa Bisnis Digital seperti Anda adalah munculnya sumber data sekunder berskala sangat besar yang disebut big data, misalnya ribuan ulasan produk di Tokopedia atau data tren pencarian di Google Trends yang bisa Anda unduh gratis untuk melihat pola minat konsumen dari waktu ke waktu. Teknik mengambil data ini secara otomatis disebut web scraping, yaitu program komputer yang "membaca" halaman web dan mengumpulkan informasinya menjadi dataset terstruktur, namun Anda wajib berhati-hati karena tidak semua platform mengizinkan praktik ini dalam syarat dan ketentuan mereka. Selain itu, kita sudah menyentuh isu etika penelitian secara umum, dan topik ini akan diperdalam khusus di pertemuan 12, tetapi penting Anda ingat sejak sekarang bahwa data pribadi pengguna, seperti nama atau nomor telepon dalam ulasan, wajib dianonimkan sebelum dianalisis, sesuai semangat Undang-Undang Pelindungan Data Pribadi. Jadi big data memang menggiurkan karena volumenya besar dan gratis, tapi tanggung jawab etis pengolahannya tetap ada di tangan Anda sebagai peneliti.

Bagian 3 dari 3

Memilih Metode & Menghitung Kebutuhan Data

Kapan menggabungkan primer dan sekunder, serta cara menghitung ukuran sampel yang Anda butuhkan.

Kapan Memilih Primer, Kapan Memilih Sekunder?

Pilih Data Primer Jika

Pertanyaan riset sangat spesifik & baru
Tidak ada data sekunder yang cocok tersedia
Anda butuh mengontrol penuh kualitas & format data

Pilih Data Sekunder Jika

Data resmi yang relevan sudah tersedia (contoh: BPS)
Butuh data historis jangka panjang
Waktu & anggaran riset terbatas

Praktik umum: gunakan data sekunder untuk konteks & latar belakang (bab 1-2 proposal), lalu data primer untuk menjawab RQ spesifik Anda.

Pertanyaan yang paling sering muncul dari mahasiswa adalah, "Pak/Bu, saya harus pakai data primer atau sekunder?" — jawabannya selalu kembali ke pertanyaan penelitian Anda dan ketersediaan data. Kalau Anda ingin tahu jumlah UMKM digital di Jawa Tengah secara umum, itu data sekunder yang sudah tersedia dari Kementerian Koperasi atau BPS, tidak perlu Anda survei sendiri dari nol. Tetapi kalau Anda ingin tahu persepsi spesifik pemilik UMKM terhadap fitur baru sebuah platform e-commerce yang baru diluncurkan bulan lalu, data semacam itu belum ada di mana pun, sehingga Anda wajib mengumpulkan data primer sendiri. Pola yang paling umum dalam skripsi mahasiswa Bisnis Digital adalah kombinasi keduanya: data sekunder dipakai untuk membangun latar belakang masalah dan konteks industri di Bab 1 dan 2, sementara data primer dipakai untuk menjawab hipotesis spesifik di Bab 4.

Triangulasi: Menggabungkan Beberapa Sumber Data

Triangulasi adalah strategi menggunakan lebih dari satu sumber atau metode data untuk memperkuat kredibilitas temuan riset Anda.

Contoh: klaim "pengguna beralih ke aplikasi kompetitor karena biaya admin" lebih kredibel jika didukung survei + data transaksi sekunder + observasi ulasan sekaligus.

Triangulasi adalah konsep penting yang menunjukkan kedewasaan sebagai peneliti: alih-alih hanya mengandalkan satu sumber data, Anda menggabungkan beberapa metode atau sumber untuk saling mengonfirmasi temuan Anda. Misalnya, kalau Anda mengklaim bahwa pengguna berpindah dari satu aplikasi dompet digital ke kompetitornya karena biaya administrasi yang lebih tinggi, klaim itu akan jauh lebih kuat kalau didukung oleh tiga hal sekaligus: survei yang menunjukkan alasan responden, data transaksi sekunder yang memperlihatkan tren penurunan pengguna, dan observasi terhadap ulasan negatif di media sosial yang menyebut biaya admin secara spesifik. Triangulasi tidak berarti Anda harus selalu memakai tiga metode dalam setiap riset, tetapi ini adalah strategi yang sangat dihargai dalam penelitian bisnis karena mengurangi risiko kesimpulan yang bias akibat kelemahan satu metode saja. Ingat kembali istilah kredibilitas, dependabilitas, dan konfirmabilitas yang kita bahas di pertemuan 7 untuk riset kualitatif — triangulasi adalah salah satu cara konkret untuk mencapai kredibilitas itu.

Hitung dari Nol #1: Ukuran Sampel dengan Rumus Slovin

n = N ÷ (1 + N × e²)

Kasus: populasi 5.000 UMKM digital terdaftar di sebuah platform, margin error yang ditoleransi 5%.

Langkah	Perhitungan	Nilai
1. Tentukan populasi (N)	Populasi UMKM digital terdaftar	N = 5.000
2. Tentukan margin error (e)	Toleransi kesalahan 5%	e = 0,05
3. Hitung e²	0,05 × 0,05	e² = 0,0025
4. Kalikan N × e²	5.000 × 0,0025	12,5
5. Tambahkan 1	1 + 12,5	13,5
6. Bagi N dengan hasil	5.000 ÷ 13,5	370,37
7. Bulatkan ke atas	Jumlah responden harus bilangan bulat	n = 371

UKURAN SAMPEL MINIMAL

371

responden survei (margin error 5%)

Sekarang kita berhitung bersama-sama, dan saya minta Anda ikuti setiap langkah di kalkulator masing-masing supaya benar-benar paham, bukan hanya menghafal rumus. Rumus Slovin ini menjawab pertanyaan praktis: kalau populasi UMKM digital yang terdaftar di sebuah platform ada 5.000, berapa responden minimal yang harus Anda survei agar hasilnya cukup representatif dengan toleransi kesalahan 5 persen? Kita kuadratkan dulu margin error, kalikan dengan populasi, tambah satu, lalu bagi populasi dengan angka tersebut — hasilnya 370,37, dan karena jumlah responden tidak mungkin pecahan, kita bulatkan ke atas menjadi 371 orang. Angka 371 ini adalah jumlah minimal, artinya kalau Anda hanya berhasil mengumpulkan 300 responden, sampel Anda dianggap belum cukup representatif secara statistik untuk populasi sebesar itu, jadi selalu targetkan lebih dari angka minimal ini untuk mengantisipasi kuesioner yang tidak lengkap.

Hitung dari Nol #2: Response Rate Survei

Response Rate = (Kembali ÷ Disebar) × 100%

Kasus: dari perhitungan Slovin, Anda menargetkan 371 responden, sehingga menyebar 400 kuesioner untuk antisipasi non-respons.

Langkah	Perhitungan	Nilai
1. Kuesioner disebar	Ditargetkan lebih dari 371	400
2. Kuesioner kembali & valid	Yang diisi lengkap & benar	340
3. Bagi kembali dengan disebar	340 ÷ 400	0,85
4. Kalikan 100 untuk persen	0,85 × 100	85%
5. Bandingkan ambang minimal (~50%)	85% > 50%	Layak dianalisis

RESPONSE RATE

85%

340 dari 400 kuesioner valid — melebihi 371 minimal Slovin

Setelah menentukan ukuran sampel minimal, langkah selanjutnya di lapangan adalah mengecek apakah kuesioner yang kembali benar-benar cukup, dan di sinilah kita hitung response rate. Karena kita tahu tidak semua kuesioner yang disebar akan kembali dengan lengkap, praktik umum adalah menyebar lebih banyak dari angka minimal Slovin, dalam kasus ini 400 kuesioner meskipun kebutuhan minimalnya hanya 371. Setelah data terkumpul, ternyata 340 kuesioner kembali dalam kondisi valid dan lengkap, kita bagi dengan jumlah yang disebar lalu kalikan 100 untuk mendapat persentase, hasilnya 85 persen. Sebagai patokan umum, response rate di atas 50 persen dianggap layak dianalisis dalam riset bisnis, dan karena 340 responden valid ini juga sudah melebihi 371 target minimal dari perhitungan Slovin sebelumnya, secara statistik sampel Anda cukup representatif untuk dianalisis lebih lanjut di pertemuan 11.

Coba Sendiri: Hitung Response Rate Survei Anda

Geser jumlah kuesioner disebar dan kembali valid, lalu lihat response rate berubah dan apakah melewati ambang layak dianalisis.

Latihan Kelas: Rancang Metode Pengumpulan Data

Kasus

Sebuah startup UMKM digital di Semarang ingin tahu mengapa tingkat pembelian ulang (repeat order) pelanggannya rendah dibandingkan kompetitor sejenis.

Diskusikan Berkelompok (10 menit)

Metode primer apa yang paling tepat, dan mengapa?
Data sekunder apa yang bisa mendukung/melengkapi?
Apakah triangulasi diperlukan di sini?

Siapkan untuk Dipresentasikan

1 metode primer utama + alasannya
1 sumber data sekunder pendukung
Estimasi ukuran sampel jika memakai survei

Sekarang giliran Anda praktik, silakan berkelompok tiga sampai empat orang dan diskusikan kasus startup UMKM digital di Semarang ini selama sepuluh menit. Pikirkan dulu, apakah pertanyaan "mengapa repeat order rendah" ini lebih cocok dijawab dengan survei kepuasan pelanggan, wawancara mendalam terhadap pelanggan yang berhenti membeli, atau justru observasi terhadap data transaksi mereka sendiri — ingat prinsip yang kita bahas tadi, pilihan metode harus mengikuti pertanyaan riset, bukan sebaliknya. Jangan lupa pertimbangkan juga data sekunder apa yang bisa mendukung, misalnya data internal perusahaan tentang riwayat transaksi pelanggan yang sudah tersedia tanpa perlu dikumpulkan ulang. Saya akan berkeliling mendengarkan diskusi Anda, dan setelah sepuluh menit, dua atau tiga kelompok akan saya minta mempresentasikan rancangan metode mereka ke kelas.

Rangkuman & Persiapan Pertemuan Berikutnya

Konsep	Poin Kunci
Data primer	Survei, observasi, eksperimen — dikumpulkan langsung, mahal tapi relevan
Data sekunder	BPS/OJK/BEI/internal — cepat & murah, wajib dievaluasi 4 kriteria
Ukuran sampel	Rumus Slovin: n = N ÷ (1 + N×e²)
Response rate	(Kembali ÷ Disebar) × 100%, target > 50%

Minggu Depan (P11)

Analisis Data Kualitatif & Kuantitatif — statistik deskriptif/inferensial, pengkodean tematik.

TUGAS

rancangan pengumpulan data

Tuliskan metode primer/sekunder untuk topik proposal Anda + hitung estimasi ukuran sampel (jika survei).

Mari kita rangkum perjalanan hari ini: Anda sudah mengenal empat metode data primer beserta kelebihan-kekurangannya, memahami cara mengevaluasi data sekunder lewat empat kriteria akurasi-relevansi-ketepatan waktu-kredibilitas, dan yang paling praktis, Anda sudah bisa menghitung ukuran sampel minimal dengan rumus Slovin serta mengevaluasi response rate survei Anda sendiri. Minggu depan di pertemuan 11 kita akan melangkah ke tahap berikutnya yaitu menganalisis data yang sudah terkumpul ini, baik lewat statistik deskriptif dan inferensial untuk data kuantitatif maupun pengkodean tematik untuk data kualitatif. Sebagai tugas, saya minta Anda menuliskan rancangan metode pengumpulan data untuk topik proposal riset Anda masing-masing — sebutkan metode primer dan/atau sekunder yang akan dipakai, lalu jika memakai survei, hitung estimasi ukuran sampel minimalnya memakai rumus Slovin yang baru kita pelajari. Kumpulkan sebelum pertemuan berikutnya, dan sampai jumpa minggu depan.

📖 Baca juga: Dcf Valuation — penjelasan mendalam dan contoh numerik.