RPS minggu 11 · 2x50 menit

Analisis Data Kuantitatif

Dari Data Terkumpul ke Keputusan Bisnis yang Teruji

Pertemuan 10 · Metode Riset Bisnis Lanjutan · Magister Manajemen FEB UNDIP

Selamat datang kembali, Bapak/Ibu. Pada Pertemuan 9 Anda sudah menyusun proposal riset lengkap dengan instrumen dan rencana sampling; hari ini kita masuk ke tahap eksekusi analisis — mengubah spreadsheet data mentah menjadi bukti yang bisa dipertanggungjawabkan di depan direksi atau komite investasi. Karena Anda sudah menempuh statistik dasar di S1, saya tidak akan mengulang definisi mean atau uji-t dari nol; fokus kita adalah keputusan analitis tingkat lanjut — kapan sebuah asumsi boleh dilanggar, bagaimana membaca output regresi untuk rapat direksi, dan bagaimana menghindari jebakan p-hacking yang merusak kredibilitas riset. Bayangkan Anda adalah manajer riset pasar di Tokopedia yang harus mempertanggungjawabkan rekomendasi strategi harga berdasarkan 3.000 baris data transaksi — pertemuan ini membekali Anda cara berpikir seperti itu. Mari kita mulai dengan memetakan alur kerja analisis kuantitatif secara menyeluruh.

Bagian 1

Fondasi & Persiapan Data

Sebelum uji hipotesis dijalankan, data harus lolos screening yang ketat — pertanyaan diskusi: seberapa "kotor" data yang masih layak dianalisis, dan siapa yang menentukan ambang batasnya?

Peta Alur Analisis Kuantitatif

Enam tahap dari data mentah ke rekomendasi — bukan proses linear sekali jalan, melainkan iteratif dengan titik putar balik (misal, screening menemukan anomali → kembali ke pengumpulan data).

Fokus pertemuan hari ini: tahap 2–5. Tahap 6 (multivariat lanjutan) dibahas Pertemuan 11.

Data Screening Lanjutan: Missing Data

Kasus: survei kepuasan kerja terhadap 120 manajer menengah; variabel Turnover Intention memiliki data hilang.

Langkah	Perhitungan	Nilai
Ukuran sampel valid	responden terkumpul	n = 120
Data hilang pada variabel target	sel kosong dihitung manual	14 responden
Persentase missing	14 ÷ 120 × 100	11,7%
Ambang rule-of-thumb (Hair et al., 2019)	batas toleransi umum	10%
Uji pola Little's MCAR	output software (SPSS/R)	p = 0,032
Kesimpulan pola	11,7% > 10% dan p < 0,05	Missing at Random (MAR)

Keputusan Analitis

Multiple Imputation

bukan listwise deletion — hindari kehilangan 14 responden begitu saja

Perhatikan bahwa keputusan menangani data hilang bukan sekadar prosedur mekanis menekan tombol "delete" di SPSS. Ketika persentase missing melebihi 10% dan uji Little's MCAR menunjukkan p di bawah 0,05, kita menyimpulkan pola tersebut Missing at Random, artinya kehilangan data berkorelasi dengan variabel lain yang terobservasi — mungkin manajer dengan beban kerja tinggi cenderung melewatkan pertanyaan sensitif tentang niat keluar kerja. Pada situasi seperti ini, listwise deletion akan membuang 14 responden berharga dan berpotensi bias hasil, sehingga multiple imputation menjadi pilihan yang lebih defensible saat dipresentasikan ke direksi. Coba pikirkan, jika Anda bekerja di divisi SDM sebuah perusahaan farmasi dan menemukan pola missing seperti ini, informasi apa yang bisa Anda gali dari POLA kehilangan data itu sendiri, bukan hanya dari data yang tersisa?

Uji Asumsi Klasik: Kapan Boleh Diabaikan?

Bagi peneliti berpengalaman, pertanyaannya bukan "apakah asumsi terpenuhi" tetapi "seberapa serius pelanggarannya terhadap kesimpulan bisnis".

Langkah	Diagnostik	Kriteria Keputusan
Normalitas residual	Shapiro-Wilk / Q-Q plot	p > 0,05; n besar → CLT menolong
Homoskedastisitas	Breusch-Pagan / plot residual	p > 0,05 → varians homogen
Multikolinearitas	Variance Inflation Factor	VIF < 10 (idealnya < 5)
Autokorelasi (panel/time-series)	Durbin-Watson	nilai mendekati 2
Linearitas hubungan	Ramsey RESET	tidak ada pola sistematis residual

Sampel besar (n > 200): pelanggaran normalitas ringan sering diabaikan berkat Central Limit Theorem — fokuskan energi audit pada homoskedastisitas & multikolinearitas yang berdampak langsung pada validitas koefisien.

Sebagai profesional yang sudah pernah menempuh statistik dasar, Anda tentu familiar dengan istilah normalitas dan homoskedastisitas; yang membedakan analis senior dari pemula adalah kemampuan menimbang seberapa serius sebuah pelanggaran asumsi terhadap kesimpulan akhir, bukan sekadar mengejar centang hijau di semua uji. Pada sampel besar seperti 500 transaksi nasabah e-commerce, pelanggaran normalitas ringan biasanya tidak fatal karena Central Limit Theorem bekerja, sementara multikolinearitas tinggi antar-variabel prediktor — misalnya harga dan diskon yang selalu bergerak bersamaan — bisa membuat koefisien regresi Anda tidak stabil dan menyesatkan rekomendasi harga. Saya ingin bertanya ke kelas, dalam riset organisasi Anda, asumsi mana yang paling sering dilanggar dan bagaimana tim Anda selama ini menanganinya? Ingat bahwa keputusan mengabaikan sebuah pelanggaran asumsi harus selalu didokumentasikan dengan justifikasi teoretis, bukan sekadar kenyamanan.

Statistik Deskriptif sebagai Bahasa Manajerial

Bukan Sekadar Angka

Mean tinggi + std dev tinggi → rata-rata baik, tapi tidak konsisten antar unit/cabang
Median >> mean → ada outlier ekstrem menarik rata-rata ke atas (mis. satu klien korporat raksasa)
Skewness & kurtosis → sinyal awal pelanggaran normalitas sebelum uji formal

Konversi ke Narasi Direksi

"Rata-rata kepuasan 4,1/5" → lemah tanpa coefficient of variation
CV = SD ÷ Mean × 100% → bandingkan variabilitas antar-cabang
Sajikan sebagai range + tren, bukan titik tunggal statis

Mini-Kasus: Segmentasi Kepuasan Pelanggan

Ilustrasi — tim riset bank digital menganalisis skor kepuasan (skala 1–5) dari 3 segmen nasabah setelah peluncuran fitur baru.

Segmen Nasabah	Mean (n masing-masing ~150)	Std Dev
Nasabah baru (<6 bulan)	4,3	0,42
Nasabah menengah (6–24 bulan)	3,9	0,88
Nasabah loyal (>24 bulan)	3,6	1,15

Rata-rata tertinggi ada di nasabah baru, tetapi variabilitas terbesar justru di nasabah loyal — menandakan pengalaman fitur baru yang tidak seragam pada segmen paling bernilai. Keputusan manajerial: investigasi kualitatif lanjutan pada segmen loyal sebelum klaim keberhasilan fitur ke seluruh basis nasabah (angka ilustrasi).

Kasus ini mensimulasikan situasi umum di industri fintech dan bank digital seperti Jenius atau Bank Jago, di mana rata-rata skor kepuasan yang tampak menurun secara linear seiring lama menjadi nasabah sebenarnya menyembunyikan cerita yang lebih penting: variabilitas pada nasabah loyal jauh lebih besar. Jika tim riset hanya melaporkan rata-rata tanpa standar deviasi, manajemen produk bisa salah menyimpulkan bahwa fitur baru gagal secara merata, padahal masalahnya terkonsentrasi pada sebagian nasabah loyal yang mungkin punya kebutuhan berbeda dari nasabah baru. Saya ingin melempar pertanyaan: sebagai manajer produk, langkah riset lanjutan apa yang akan Anda ambil untuk memahami mengapa variabilitas pada segmen loyal begitu tinggi — apakah Anda akan mengulang survei kuantitatif atau beralih ke wawancara mendalam? Ingat, angka pada kasus ini bersifat ilustrasi untuk melatih kepekaan interpretasi Anda.

Memilih Uji Statistik yang Tepat

Kerangka keputusan cepat sebelum membuka software — empat pertanyaan penentu jenis uji.

Pertanyaan Kunci	Pilihan	Uji yang Relevan
Skala variabel dependen?	interval/rasio vs kategorikal	parametrik vs non-parametrik/khi-kuadrat
Berapa kelompok dibandingkan?	2 vs >2 kelompok	t-test vs ANOVA
Sampel bebas atau berpasangan?	independen vs dependen	independent-samples vs paired-samples
Tujuan: beda, hubungan, atau prediksi?	komparasi / asosiasi / prediksi	ANOVA / korelasi / regresi

Gunakan slide ini sebagai quick-reference saat Anda merancang rencana analisis proposal riset masing-masing (tugas individu minggu ini).

Bagian 2

Uji Hipotesis & Regresi untuk Keputusan

Pertanyaan diskusi: apakah hasil yang "signifikan secara statistik" otomatis berarti "layak ditindaklanjuti secara manajerial"?

Uji Beda Rata-rata untuk Keputusan Manajerial

t-test: Dua Kelompok

Independent-samples: dua cabang, dua kampanye A/B
Paired-samples: sebelum-sesudah pelatihan pada karyawan yang sama
Output kunci: mean difference + confidence interval, bukan hanya p-value

ANOVA: >2 Kelompok

Bandingkan produktivitas 4 divisi sekaligus — satu uji, bukan 6 t-test berulang
Signifikan → lanjut post-hoc (Tukey/Bonferroni) untuk tahu pasangan mana yang beda
Hindari inflated Type I error dari uji berulang tanpa koreksi

Dalam praktik manajerial, uji-t dan ANOVA paling sering muncul saat perusahaan membandingkan performa antar cabang, antar kampanye pemasaran, atau efektivitas program sebelum dan sesudah intervensi — misalnya membandingkan tingkat konversi kampanye digital Shopee versi A dan versi B. Poin yang perlu Anda tekankan sebagai analis berpengalaman adalah pentingnya melaporkan confidence interval dan mean difference, bukan sekadar angka p-value tunggal, karena direksi perlu tahu SEBERAPA BESAR selisihnya, bukan hanya apakah selisih itu signifikan. Ketika membandingkan lebih dari dua kelompok, misalnya empat divisi regional, godaan untuk menjalankan enam kali t-test berpasangan harus dihindari karena akan menggelembungkan risiko kesalahan Tipe I; ANOVA dengan uji lanjutan post-hoc adalah jalur yang benar secara statistik. Slide berikutnya akan mempraktikkan perhitungan uji-t secara langsung dari nol.

Hitung dari Nol: Uji-t Dua Sampel Independen

Kasus: kepuasan pelanggan cabang Semarang (n1=40, X̄1=78,5, s1=6,2) vs cabang Solo (n2=42, X̄2=74,1, s2=7,0).

Langkah	Perhitungan	Nilai
Varians gabungan (pooled)	[(39×38,44)+(41×49)] ÷ 80	43,85
Standard error gabungan	√(43,85 × (1/40+1/42))	1,46
Nilai t hitung	(78,5 − 74,1) ÷ 1,46	3,01
Derajat bebas	n1+n2−2 = 40+42−2	80
t kritis (α=0,05, dua-sisi)	tabel distribusi t	1,99

Keputusan Statistik

t = 3,01 > 1,99

tolak H0 — kepuasan cabang Semarang signifikan lebih tinggi dari Solo

Mari kita telusuri perhitungan ini langkah demi langkah agar Anda memahami logika di balik output otomatis SPSS atau R, bukan sekadar membaca angka p-value tanpa tahu asalnya. Varians gabungan menggabungkan variabilitas kedua cabang dengan bobot sesuai ukuran sampel masing-masing, kemudian standard error gabungan mengukur ketidakpastian selisih rata-rata tersebut, dan akhirnya nilai t sebesar 3,01 kita bandingkan dengan nilai kritis 1,99 pada derajat bebas 80. Karena 3,01 melampaui 1,99, kita menolak hipotesis nol dan menyimpulkan selisih 4,4 poin antara cabang Semarang dan Solo bukan kebetulan sampling semata. Namun sebagai manajer, pertanyaan lanjutan yang lebih penting adalah: apakah selisih 4,4 poin pada skala kepuasan ini cukup besar secara praktis untuk membenarkan realokasi anggaran pelatihan staf ke cabang Solo — inilah yang akan kita bahas pada slide signifikansi praktis nanti.

Coba Sendiri: Uji-t Dua Kelompok Anda Sendiri

Masukkan rata-rata, standar deviasi, dan ukuran sampel dua kelompok untuk melihat nilai t hitung dan keputusan uji berubah secara langsung.

Korelasi & Regresi Berganda: dari Hubungan ke Prediksi

Y = b0 + b1X1 + b2X2 + ... + bkXk + e

Korelasi Pearson (r) → kekuatan & arah hubungan linear dua variabel saja
Regresi berganda → mengontrol variabel lain sambil menguji efek satu prediktor (ceteris paribus empiris)
Resource-Based View (Barney, 1991) sering jadi landasan teori saat prediktor berupa kapabilitas internal perusahaan
Standardized beta (β) → bandingkan kekuatan relatif antar-prediktor dengan satuan berbeda (Rupiah vs skor Likert)

Anda tentu sudah pernah menjalankan regresi berganda sebelumnya, sehingga saya ingin menekankan nuansa yang sering terlewat: koefisien regresi tidak langsung bisa dibandingkan besarnya jika satuan variabel independen berbeda, misalnya belanja iklan dalam rupiah versus skor kepuasan karyawan dalam skala Likert satu sampai lima. Di sinilah standardized beta berguna — ia mengonversi semua prediktor ke skala yang sebanding sehingga Anda bisa mengatakan dengan yakin prediktor mana yang secara relatif paling kuat memengaruhi variabel dependen. Ketika prediktor Anda berupa kapabilitas internal seperti kompetensi digital tim atau kekuatan merek, kerangka Resource-Based View dari Barney tahun 1991 sering menjadi landasan teoretis yang tepat untuk menjustifikasi mengapa variabel tersebut layak dimasukkan ke model. Slide berikutnya akan membahas cara membaca output regresi ini secara menyeluruh untuk kebutuhan pelaporan manajerial.

Coba Sendiri: Bandingkan Beta Standar Antar-Prediktor

Ubah nilai koefisien dan satuan tiap prediktor pada widget untuk melihat bagaimana standardized beta menyamakan skala perbandingan.

Membaca Output Regresi untuk Keputusan

Kekuatan Model

R²: proporsi varians dependen yang dijelaskan model
Adjusted R²: penalti jumlah prediktor — bandingkan model bersaing
F-test: signifikansi model secara keseluruhan (bukan per-koefisien)

Kualitas Prediktor

Koefisien tak-standar: interpretasi satuan asli ("naik Rp1 juta iklan → penjualan naik ...")
VIF per-prediktor: validasi ulang multikolinearitas spesifik variabel
p-value per-koefisien: prediktor mana yang benar-benar berkontribusi

Ketika Anda mempresentasikan hasil regresi ke direksi, jangan hanya menyebut R-kuadrat sebagai satu-satunya ukuran kualitas model — R-kuadrat yang tinggi bisa menyesatkan jika Anda memasukkan terlalu banyak prediktor tanpa dasar teori, sehingga adjusted R-kuadrat menjadi pembanding yang lebih jujur antar model. F-test memberi tahu Anda apakah model secara keseluruhan bermakna, tetapi keputusan strategis biasanya bergantung pada koefisien individual — misalnya, jika Anda menemukan bahwa setiap kenaikan Rp1 juta belanja iklan digital berasosiasi dengan kenaikan penjualan Rp3,2 juta pada sebuah UMKM fesyen online, itulah angka konkret yang bisa langsung diterjemahkan menjadi keputusan alokasi anggaran. Perhatikan juga bahwa nilai VIF perlu dicek ulang pada tahap ini, bukan hanya pada tahap uji asumsi awal, karena penambahan atau pengurangan variabel bisa mengubah struktur multikolinearitas. Slide berikutnya mempraktikkan pembacaan ini pada satu mini-kasus utuh.

Mini-Kasus: Driver Kepuasan Karyawan

Ilustrasi — perusahaan manufaktur komponen otomotif di Karawang meregresikan skor kepuasan karyawan terhadap tiga prediktor.

Prediktor	Koefisien Standar (β)	Signifikansi
Kejelasan jenjang karier	0,41	p < 0,01
Kompensasi & tunjangan	0,27	p < 0,05
Fleksibilitas jam kerja	0,09	p = 0,31 (tidak signifikan)

Adjusted R² = 0,38 — model menjelaskan 38% varians kepuasan karyawan. Keputusan manajerial: prioritaskan investasi pada program jenjang karier sebelum kebijakan fleksibilitas jam kerja yang terbukti tidak berdampak signifikan (angka ilustrasi).

Kasus ini menggambarkan situasi umum di sektor manufaktur seperti yang banyak ditemui di kawasan industri Karawang, di mana departemen SDM sering berasumsi bahwa fleksibilitas jam kerja adalah kunci kepuasan karyawan karena tren tersebut populer di media, padahal data menunjukkan sebaliknya. Beta terstandar sebesar 0,41 untuk kejelasan jenjang karier jauh lebih besar dibanding 0,09 untuk fleksibilitas jam kerja yang bahkan tidak signifikan secara statistik, sehingga rekomendasi investasi SDM seharusnya diarahkan ke program pengembangan karier, bukan kebijakan yang sedang tren. Perhatikan juga bahwa adjusted R-kuadrat sebesar 0,38 berarti masih ada 62% varians kepuasan karyawan yang belum dijelaskan oleh tiga prediktor ini — ruang ini bisa jadi diisi oleh gaya kepemimpinan langsung atau budaya tim yang tidak terukur dalam model. Saya ingin bertanya ke kelas, apakah di organisasi Anda pernah terjadi kebijakan SDM yang didasarkan pada asumsi tren tanpa pengujian data seperti ini?

Signifikansi Statistik vs Signifikansi Praktis

Jebakan Sampel Besar

n = 5.000 transaksi → selisih 0,01% konversi bisa "signifikan" (p < 0,05) tapi tak berarti bisnis
Solusi: laporkan effect size (Cohen's d, η²) berdampingan dengan p-value

Effect Size sebagai Jangkar

Cohen's d ≈ 0,2 kecil · 0,5 sedang · 0,8 besar
Selisih 4,4 poin kepuasan (kasus t-test tadi) → d ≈ 0,66, tergolong sedang-besar — layak ditindaklanjuti

Kembali ke pertanyaan divider Bagian 2: p-value kecil ≠ keputusan manajerial otomatis. Selalu tanyakan "seberapa besar" sebelum "apakah signifikan".

Sekarang kita kembali ke pertanyaan yang saya lontarkan di divider pembuka bagian ini — apakah hasil signifikan secara statistik otomatis layak ditindaklanjuti secara manajerial. Jawabannya jelas tidak, terutama ketika Anda bekerja dengan data transaksi besar seperti platform e-commerce dengan jutaan baris data, di mana selisih konversi sekecil 0,01% pun bisa muncul signifikan secara statistik karena ukuran sampel yang masif, padahal dampaknya terhadap pendapatan nyaris nol. Inilah sebabnya analis senior selalu melaporkan effect size seperti Cohen's d berdampingan dengan p-value — pada kasus t-test cabang Semarang-Solo tadi, effect size sekitar 0,66 tergolong sedang hingga besar, sehingga selisih tersebut memang layak menjadi dasar realokasi sumber daya. Saya ingin Anda membawa kebiasaan ini ke setiap laporan riset yang Anda tulis mulai sekarang: jangan pernah berhenti hanya di angka p-value, selalu lanjutkan dengan pertanyaan seberapa besar dampaknya bagi bisnis.

Bagian 3

Interpretasi, Pelaporan & Menuju Multivariat

Pertanyaan diskusi: bagaimana Anda meyakinkan direksi yang skeptis terhadap statistik bahwa temuan riset Anda kredibel, bukan sekadar "bermain angka"?

Software Analisis: Kapan Pakai Apa

Software	Kekuatan	Konteks Penggunaan Umum
SPSS	antarmuka grafis, mudah dipelajari tim non-teknis	riset korporat rutin, laporan cepat manajemen
R	gratis, fleksibel, reproducible script	riset akademik, model kompleks/kustom
Python	terintegrasi pipeline data besar & machine learning	tim data science, otomatisasi analisis rutin
Stata	standar ekonometrika panel/time-series	riset kebijakan, bank sentral, lembaga keuangan

Pilihan software bukan soal "yang terbaik" secara mutlak, melainkan kesesuaian dengan kapasitas tim, kebutuhan reproducibility, dan infrastruktur data organisasi Anda.

Pertanyaan software mana yang terbaik sering muncul dari mahasiswa, tetapi jawaban yang tepat selalu bergantung konteks organisasi Anda — sebuah bank besar seperti BCA mungkin memiliki tim data science yang nyaman dengan Python untuk pipeline otomatis, sementara divisi riset pemasaran di perusahaan FMCG mungkin lebih cocok dengan SPSS karena kemudahan antarmuka bagi staf non-teknis. R tetap menjadi favorit di kalangan akademik karena sifatnya yang open-source dan mendukung reproducibility penuh melalui script, sesuatu yang semakin dituntut jurnal-jurnal bereputasi. Stata masih menjadi standar de facto di banyak lembaga kebijakan dan riset ekonometrika panel karena command yang ringkas dan dokumentasi metodologis yang matang. Sebagai manajer riset, keputusan Anda memilih software sebaiknya mempertimbangkan siapa yang akan meneruskan atau mengaudit analisis ini setelah Anda, bukan sekadar preferensi pribadi.

Pelaporan Hasil dalam Proposal & Laporan Riset

Konvensi Tabel

Satu tabel regresi utama, bukan tumpukan output mentah software
Cantumkan koefisien, standard error, dan tanda signifikansi (*, **, ***)
Catatan kaki: definisi variabel & sumber data secara ringkas

Konvensi Narasi

Urutan: temuan utama → angka pendukung → implikasi manajerial
Hindari jargon tanpa terjemahan (mis. "heteroskedastisitas" → jelaskan dampaknya singkat)
Selalu tutup dengan rekomendasi tindakan, bukan hanya kesimpulan statistik

Kemampuan menyusun tabel regresi yang bersih dan ringkas adalah penanda profesionalisme seorang peneliti bisnis — hindari kebiasaan menempelkan screenshot output SPSS mentah ke dalam laporan, karena audiens direksi atau bahkan reviewer jurnal akan kesulitan menangkap inti temuan di antara noise angka yang tidak relevan. Format standar akademik menggunakan tanda bintang untuk level signifikansi beserta catatan kaki definisi variabel membantu pembaca memverifikasi klaim Anda tanpa perlu membuka file data mentah. Dalam narasi, urutan yang saya sarankan — temuan utama dahulu, baru angka pendukung, lalu implikasi manajerial — mengikuti prinsip komunikasi bisnis modern di mana pembaca sibuk seperti direktur utama membutuhkan kesimpulan di awal, bukan di akhir paragraf panjang. Latihan menulis laporan seperti ini akan langsung relevan untuk proposal riset yang sedang Anda kerjakan sejak Pertemuan 9.

Kesalahan Umum & Etika Analisis Data

P-hacking: mencoba berbagai kombinasi variabel/subset data sampai ditemukan p < 0,05, lalu melaporkan hanya itu
HARKing (Hypothesizing After Results are Known): menyusun ulang hipotesis seolah-olah dirancang sebelum data dilihat
Cherry-picking: melaporkan hanya hasil yang mendukung narasi yang diinginkan klien/atasan
Mitigasi profesional: pra-registrasi rencana analisis, transparansi uji yang tidak signifikan, dokumentasi seluruh keputusan analitis

Tekanan bisnis untuk "membuktikan" hipotesis tertentu (mis. demi menyenangkan klien konsultasi) adalah risiko integritas nyata — kredibilitas jangka panjang Anda sebagai periset lebih berharga daripada satu laporan yang menyenangkan.

Sebagai profesional yang mungkin kelak bekerja di konsultan riset pasar atau tim internal korporasi, Anda akan menghadapi tekanan nyata untuk menghasilkan temuan yang "sesuai harapan" klien atau atasan, dan di titik inilah godaan p-hacking, HARKing, dan cherry-picking paling sering muncul. P-hacking terjadi ketika Anda mencoba puluhan kombinasi variabel kontrol sampai menemukan satu model dengan p-value di bawah 0,05, sementara HARKing adalah kebiasaan menulis ulang hipotesis setelah melihat hasil seolah-olah itu memang rencana awal — keduanya merusak validitas ilmiah temuan Anda meski terlihat rapi di laporan akhir. Saya ingin menegaskan bahwa kredibilitas Anda sebagai periset dibangun selama bertahun-tahun tetapi bisa runtuh dalam satu skandal data yang terbongkar, sehingga transparansi melaporkan uji yang tidak signifikan sekalipun jauh lebih berharga secara reputasional. Pertanyaan reflektif untuk Anda: pernahkah Anda merasakan tekanan dari atasan atau klien untuk "menemukan" hasil tertentu, dan bagaimana Anda —atau seharusnya Anda— meresponsnya?

Latihan & Jembatan ke Pertemuan 11

Tugas Individu (sebelum Pertemuan 11)

Jalankan screening data + uji asumsi pada dataset proposal riset Anda
Susun 1 tabel regresi/uji-t + narasi 1 paragraf implikasi manajerial
Identifikasi minimal 1 potensi masalah multikolinearitas/normalitas dan cara mitigasinya

Pertemuan 11: Analisis Multivariat

Analisis faktor, cluster, & SEM — saat satu variabel dependen tidak cukup
Bangun di atas fondasi hari ini: uji asumsi lanjutan & interpretasi koefisien

Sebagai penutup, saya ingin Anda langsung mempraktikkan seluruh kerangka hari ini pada dataset proposal riset masing-masing sebelum pertemuan berikutnya — mulai dari screening data hilang dan outlier, uji asumsi klasik, hingga menyusun satu tabel hasil beserta narasi implikasi manajerial yang siap dipresentasikan. Tugas ini bukan sekadar latihan administratif, melainkan simulasi langsung dari apa yang akan Anda kerjakan saat menyusun bab hasil penelitian tesis atau laporan konsultasi. Pertemuan 11 akan membawa Anda ke teknik multivariat seperti analisis faktor dan SEM, yang relevan ketika riset Anda melibatkan konstruk laten seperti kepuasan atau komitmen organisasi yang tidak bisa diukur dengan satu variabel tunggal saja. Sebelum kita tutup, adakah pertanyaan tentang teknik analisis kuantitatif hari ini yang ingin didiskusikan lebih lanjut, terutama terkait dataset riset Anda masing-masing?

📖 Baca juga: Beta Unlevering Relevering — penjelasan mendalam dan contoh numerik.