RPS minggu 12 · 2x50 menit

Analisis Data Kuantitatif Lanjutan

Pertemuan 11 — Metode Riset Bisnis Lanjutan

Dari regresi berganda ke teknik multivariat: memilih dan menginterpretasikan alat analisis yang tepat untuk keputusan bisnis bertingkat-banyak-variabel.

Selamat datang kembali, minggu lalu Anda sudah menuntaskan analisis data kuantitatif dasar — regresi berganda dan uji asumsi klasik. Hari ini kita naik satu tingkat ke teknik multivariat yang biasa Anda temui saat riset bisnis melibatkan banyak variabel laten sekaligus, seperti kepuasan pelanggan, loyalitas merek, atau efektivitas organisasi yang tidak bisa diukur langsung dengan satu angka. Sebagai profesional yang sudah bekerja, Anda tidak perlu lagi penjelasan dasar tentang apa itu variabel atau hipotesis — fokus kita adalah kapan memilih SEM dibanding regresi biasa, bagaimana membaca output faktor eksploratori, dan bagaimana mempertahankan pilihan metode Anda di depan direksi atau penguji tesis. Siapkan pengalaman proyek riset atau data operasional kantor Anda, karena setiap konsep akan kita uji dengan kasus perusahaan Indonesia yang nyata.

Bagian 1 dari 3

Mengapa "Lanjutan"? Batas Regresi Berganda

Diskusi kelas: di perusahaan Anda, keputusan strategis mana yang sebenarnya melibatkan banyak variabel laten yang tidak terukur langsung — dan selama ini diukur dengan proxy tunggal yang terlalu sederhana?

Peta Teknik Multivariat: Kapan Pakai Apa

Regresi berganda (pertemuan lalu) mengasumsikan semua variabel terukur langsung tanpa error pengukuran. Begitu riset Anda melibatkan konstruk laten (tidak terukur langsung, mis. kepuasan kerja) atau banyak variabel dependen sekaligus, Anda butuh keluarga teknik multivariat.

Tiga Keluarga Teknik

Reduksi dimensi — Analisis Faktor (EFA/CFA), PCA.
Hubungan struktural — SEM (Structural Equation Modeling), PLS-SEM.
Klasifikasi & pengelompokan — Analisis Diskriminan, Cluster Analysis, MANOVA.

Analisis Faktor: Meringkas Banyak Indikator

Exploratory Factor Analysis (EFA)

Dipakai saat struktur faktor belum diketahui — mencari pola pengelompokan item secara data-driven.
Uji kelayakan: KMO (Kaiser-Meyer-Olkin) ≥ 0,6 dan Bartlett's Test signifikan (p < 0,05).
Ekstraksi faktor: eigenvalue > 1 (Kaiser criterion) + scree plot.

Confirmatory Factor Analysis (CFA)

Dipakai saat struktur faktor sudah dihipotesiskan dari teori — menguji apakah data mengonfirmasi.
Fit indices: CFI ≥ 0,90, RMSEA ≤ 0,08, SRMR ≤ 0,08 (Hu & Bentler, 1999).
Langkah wajib sebelum SEM struktural (measurement model dulu, baru structural model).

Rotasi faktor (Varimax untuk faktor ortogonal, Promax untuk faktor berkorelasi) memengaruhi interpretasi — pilih sesuai asumsi teoretis Anda tentang hubungan antar-dimensi, jangan sekadar default software.

Hitung dari Nol: Membaca KMO dan Communality

Kasus ilustrasi: survei 120 karyawan PT Sumber Alfaria Trijaya (Alfamart) mengukur 6 item motivasi kerja. Output SPSS memberi angka berikut — tugas Anda mengevaluasi kelayakan analisis faktor.

Langkah	Perhitungan / Kriteria	Nilai
1. Nilai KMO overall	Dibaca dari output KMO and Bartlett's Test	0,78
2. Bandingkan ke ambang batas	0,78 ≥ 0,60 (kriteria Kaiser)	Layak
3. Bartlett's Test signifikansi	p = 0,000 < 0,05	Signifikan
4. Communality item terendah	Item "insentif non-tunai" = 0,42	Di bawah 0,50
5. Keputusan item lemah	Communality < 0,50 → pertimbangkan drop	Drop kandidat
6. Total varians terjelaskan	Dijumlah dari eigenvalue 2 faktor / 6 item × 100%	64,3%

KESIMPULAN ANALISIS

Layak, 1 item revisi

KMO 0,78 & Bartlett signifikan = data layak difaktorkan; item communality rendah perlu ditinjau ulang redaksinya sebelum dipakai di CFA berikutnya.

Coba Sendiri: Uji Kelayakan Analisis Faktor

Ubah nilai KMO dan communality tiap item pada widget untuk melihat kapan data dinyatakan layak atau tidak layak difaktorkan.

Structural Equation Modeling (SEM): Dua Pendekatan

Covariance-Based SEM (CB-SEM)

Software: AMOS, LISREL, Mplus.
Tujuan: konfirmasi teori — menguji fit keseluruhan model terhadap data.
Syarat: sampel besar (≥200), data mendekati normal multivariat.

Partial Least Squares SEM (PLS-SEM)

Software: SmartPLS, WarpPLS.
Tujuan: prediksi & eksplorasi — memaksimalkan varians dijelaskan (R²).
Toleran sampel kecil, tidak mensyaratkan normalitas — populer untuk tesis MM.

Kesalahan umum: memilih PLS-SEM hanya karena "lebih mudah lolos ujian asumsi", padahal tujuan riset Anda sebenarnya konfirmasi teori ketat — di situ CB-SEM lebih tepat secara metodologis (Hair et al., 2019).

Evaluasi Model PLS-SEM: Dua Tahap Wajib

Tahap 1: Outer Model (Pengukuran)

Validitas konvergen: AVE ≥ 0,50, loading ≥ 0,70.
Validitas diskriminan: HTMT < 0,90 (Henseler et al., 2015) — kriteria modern, gantikan Fornell-Larcker.
Reliabilitas: Composite Reliability ≥ 0,70.

Tahap 2: Inner Model (Struktural)

R²: 0,75 kuat / 0,50 moderat / 0,25 lemah (Hair et al.).
Path coefficient & signifikansi via bootstrapping (5.000 subsample).
Q² (predictive relevance) > 0 via blindfolding.

Coba Sendiri: Cek Kriteria Outer & Inner Model

Masukkan nilai AVE, HTMT, Composite Reliability, dan R² pada widget untuk melihat status lolos/tidak lolos tiap kriteria evaluasi PLS-SEM.

Bagian 2 dari 3

Klasifikasi, Pengelompokan, dan Perbandingan Grup

Diskusi kelas: kapan terakhir kali perusahaan Anda melakukan segmentasi pelanggan atau pengelompokan cabang/unit bisnis — apakah dasarnya data kuantitatif sistematis, atau intuisi manajerial?

Cluster Analysis: Segmentasi Berbasis Data

Cluster analysis mengelompokkan objek (pelanggan, cabang, produk) berdasarkan kemiripan pada banyak variabel sekaligus, tanpa label grup sebelumnya — beda dari diskriminan/MANOVA yang gunanya menguji grup yang sudah diketahui.

Dua Metode Utama

Hierarchical (Ward's method) — cocok sampel kecil, hasil berupa dendrogram.
K-Means — cocok sampel besar, jumlah cluster (k) ditentukan di awal.

Contoh manajerial: Bank BRI mengelompokkan nasabah UMKM berdasarkan pola transaksi, nilai kredit, dan frekuensi kunjungan cabang untuk menentukan segmen mana yang layak ditawari produk digital lending — bukan berdasarkan asumsi geografis semata.

MANOVA dan Analisis Diskriminan: Menguji & Memprediksi Grup

MANOVA

Menguji perbedaan rata-rata banyak DV sekaligus antar-grup yang sudah diketahui.
Statistik uji: Wilks' Lambda, signifikan jika p < 0,05.
Contoh: apakah kinerja finansial DAN kepuasan karyawan berbeda antara cabang wilayah Jawa vs luar Jawa?

Analisis Diskriminan

Memprediksi keanggotaan grup (kategorikal) dari kombinasi variabel prediktor.
Output: fungsi diskriminan + classification accuracy.
Contoh: memprediksi nasabah berpotensi gagal bayar vs lancar dari rasio keuangan.

Aturan pilih cepat: grup sudah ada & ingin uji BEDA rata-rata → MANOVA. Grup sudah ada & ingin PREDIKSI keanggotaan baru → Diskriminan (atau logistic regression bila hanya 2 grup).

Hitung dari Nol: Wilks' Lambda ke Effect Size

Kasus ilustrasi: riset membandingkan kinerja finansial & kepuasan karyawan antara 3 cabang PT Bank Jateng. Output MANOVA multivariat berikut perlu diinterpretasikan.

Langkah	Perhitungan	Nilai
1. Wilks' Lambda observasi	Dibaca dari output multivariate test	0,72
2. F-hitung terkait & df	Konversi Lambda oleh software, df = (4, 92)	F = 4,15
3. Signifikansi	p = 0,004 < 0,05	Signifikan
4. Partial eta squared	η² = 1 − Lambda = 1 − 0,72	0,28
5. Kategori effect size	0,28 > 0,14 (kriteria Cohen: large)	Besar
6. Interpretasi persen varians	0,28 × 100	28% varians dijelaskan grup

KESIMPULAN ANALISIS

Beda signifikan, efek besar

Cabang berbeda signifikan pada kombinasi kinerja finansial & kepuasan karyawan (p=0,004); 28% variasi gabungan dijelaskan oleh perbedaan cabang — cukup besar untuk jadi dasar kebijakan diferensiasi regional.

Bagian 3 dari 3

Memilih & Mempertahankan Metode di Depan Direksi

Diskusi kelas: jika Anda harus mempresentasikan hasil SEM atau MANOVA ke direksi yang tidak familiar statistik, elemen apa yang akan Anda tonjolkan — dan apa yang Anda sembunyikan dari slide utama?

Kerangka Pemilihan Metode: Pertanyaan Riset Menentukan Alat

Pertanyaan Riset	Karakteristik Data	Metode Terpilih
Struktur dimensi konstruk belum jelas	Item kuesioner banyak, belum ada teori kuat	EFA
Menguji struktur konstruk dari teori	Item sudah berbasis teori established	CFA
Menguji hubungan sebab-akibat antar-konstruk laten	Sampel besar, ingin konfirmasi ketat	CB-SEM
Menguji hubungan + prediksi dengan sampel terbatas	Sampel kecil, model relatif baru/eksploratif	PLS-SEM
Mengelompokkan objek tanpa grup awal	Data multi-variabel, tujuan segmentasi	Cluster Analysis
Menguji beda banyak DV antar-grup diketahui	Grup kategorikal sudah ada	MANOVA
Memprediksi keanggotaan grup baru	Grup kategorikal + prediktor kontinu	Diskriminan

Mini-Kasus: Anteseden Kinerja UMKM Digital di Yogyakarta

Sebuah riset tesis MM ingin menguji pengaruh Orientasi Kewirausahaan, Literasi Digital, dan Akses Pembiayaan terhadap Kinerja UMKM, dengan Kapabilitas Inovasi sebagai mediator. Sampel: 95 pemilik UMKM digital (marketplace) di DIY.

Keputusan Metodologis (Ilustrasi)

4 konstruk laten, semua diukur multi-item → butuh outer model.
Sampel 95 (relatif kecil), model belum banyak diuji di konteks UMKM digital DIY → eksploratif.
Ada hubungan mediasi (indirect effect) yang perlu diuji bootstrap.

METODE TERPILIH

PLS-SEM

Sampel kecil + tujuan eksploratif-prediktif + ada mediasi → PLS-SEM lebih sesuai daripada CB-SEM yang butuh sampel besar dan data mendekati normal multivariat.

Ukuran Sampel: Aturan Praktis untuk Tiap Teknik

EFA / CFA

≥150-200

atau rasio 5-10 responden per item indikator (Hair et al., 2019).

CB-SEM

≥200

idealnya ≥10 responden per parameter diestimasi, mendekati normal multivariat.

PLS-SEM

≥30-100

pedoman "10 times rule" (usang) → kini pakai power analysis via G*Power berbasis jalur terlemah.

"10 times rule" untuk PLS-SEM sudah dianggap usang oleh literatur terbaru — gunakan power analysis (Cohen, 1992; Hair et al., 2019) yang memperhitungkan jumlah prediktor per konstruk dan target R² minimum, bukan sekadar kali sepuluh jumlah indikator.

Jebakan Umum dalam Analisis Multivariat

Kesalahan Metodologis

Common Method Bias — semua variabel diukur dari sumber & waktu sama, cek dengan Harman's single-factor test.
Mengabaikan uji multikolinearitas antar-konstruk (VIF < 5 pada PLS-SEM).
Melaporkan hanya path signifikan, mengabaikan fit model keseluruhan.

Kesalahan Interpretasi

Menyamakan signifikansi statistik dengan signifikansi manajerial — R² kecil bisa signifikan tapi tak berguna untuk keputusan.
Mengklaim kausalitas dari desain cross-sectional (SEM tidak membuktikan sebab-akibat, hanya konsisten dengan teori).
Overclaim generalisasi dari sampel non-probabilita ke populasi.

Ingatkan Anda bahwa penguji tesis dan reviewer jurnal sangat sensitif terhadap klaim kausalitas berlebihan — SEM menunjukkan pola hubungan yang KONSISTEN dengan model teoretis, bukan bukti sebab-akibat mutlak, apalagi jika datanya cross-sectional dikumpulkan satu waktu. Jelaskan Common Method Bias dengan analogi sederhana: jika Anda menanyakan kepuasan kerja DAN kinerja karyawan lewat kuesioner yang sama ke orang yang sama pada waktu yang sama, korelasi yang muncul bisa jadi inflasi artifisial, bukan hubungan riil. Contohkan kasus perusahaan konsultan yang pernah melaporkan R-squared 0,15 sebagai "signifikan" ke klien padahal secara praktis variabel itu hanya menjelaskan 15% variasi kinerja, terlalu kecil untuk jadi dasar keputusan investasi besar. Tekankan bahwa kredibilitas Anda sebagai periset profesional justru dibangun dari kejujuran mengakui keterbatasan metode ini.

Latihan Kelas: Diagnosis Metode dari Skenario

Instruksi

Berpasangan (5 menit), tentukan metode multivariat paling tepat untuk tiap skenario berikut dan jelaskan alasannya dalam satu kalimat:

Skenario A: Perusahaan asuransi ingin memprediksi apakah nasabah baru akan lapse (berhenti bayar premi) atau tidak, berdasarkan 6 variabel demografis & finansial.
Skenario B: Startup fintech ingin menguji apakah Trust, Perceived Ease of Use, dan Perceived Usefulness memengaruhi Intention to Use aplikasi, dengan 60 responden survei awal.
Skenario C: Ritel modern ingin mengelompokkan 500 gerai berdasarkan pola penjualan 20 kategori produk, tanpa kategori gerai yang sudah ditentukan sebelumnya.

Kunci diskusi: A = Analisis Diskriminan (atau logistic regression, 2 kategori); B = PLS-SEM (sampel kecil, model TAM/prediktif); C = Cluster Analysis (tanpa grup awal, segmentasi).

Melaporkan Hasil Analisis Multivariat secara Profesional

Komponen Laporan	Yang Wajib Disertakan
Model pengukuran	Loading, AVE, Composite Reliability, HTMT — dalam tabel, bukan hanya narasi
Model struktural	Path coefficient, t-value/p-value, R², f², Q²
Diagram jalur	Visualisasi model lengkap dengan koefisien pada tiap panah
Uji mediasi/moderasi (bila ada)	Indirect effect + confidence interval bootstrap (bukan hanya p-value)
Keterbatasan metode	Pengakuan eksplisit soal desain cross-sectional, ukuran sampel, common method bias

Standar pelaporan Hair et al. (2019) untuk PLS-SEM kini jadi rujukan wajib di jurnal manajemen SINTA 2 ke atas — laporan yang hanya menampilkan "signifikan/tidak signifikan" tanpa effect size akan diminta revisi mayor.

Cheat Sheet: Dari Pertanyaan Riset ke Laporan

Alur Kerja 5 Langkah

1Tentukan apakah ada konstruk laten & berapa banyak DV.
2Cocokkan ke kerangka pemilihan metode (tabel Bagian 3).
3Cek ukuran sampel realistis vs syarat metode.
4Uji outer model dulu (bila ada), baru inner/struktural.
5Laporkan effect size & keterbatasan, jangan hanya p-value.

PRINSIP INTI PERTEMUAN INI

Metode Mengikuti Pertanyaan

Jangan pilih software dulu baru cari pertanyaan yang cocok. Mulai dari pertanyaan riset & karakteristik data Anda, baru turunkan metode multivariat yang paling defensible.

Persiapan Pertemuan 12: Analisis Data Kualitatif

Topik Minggu Depan

Coding tematik, grounded theory, dan analisis naratif untuk data wawancara/FGD.
Kriteria kredibilitas riset kualitatif (trustworthiness) sebagai padanan validitas-reliabilitas kuantitatif.
Software bantu: NVivo / Atlas.ti untuk coding sistematis.

TUGAS SEBELUM PERTEMUAN 12

Draft Bab Metode

Setiap mahasiswa menuliskan 1 halaman justifikasi metode multivariat (atau kualitatif) yang akan dipakai di proposal riset masing-masing, mengikuti kerangka pemilihan metode hari ini. Dikumpulkan di awal pertemuan 12.

Jelaskan bahwa pertemuan berikutnya akan menyeberang ke ranah kualitatif, dan mahasiswa yang proposalnya sepenuhnya kuantitatif tetap perlu memahami logika kualitatif karena banyak riset bisnis profesional sekarang menggabungkan keduanya, sesuai topik penutup semester tentang mixed methods di pertemuan 14. Ingatkan tugas menulis draft bab metode adalah latihan langsung menerapkan kerangka keputusan yang baru saja dipelajari, bukan sekadar tugas administratif, dan akan dibahas singkat di awal pertemuan berikutnya. Sampaikan bahwa Anda mendorong mahasiswa yang bekerja di industri untuk mengaitkan tugas ini dengan proyek riset nyata di kantor masing-masing agar lebih bermakna secara profesional. Ucapkan Terima Kasih atas partisipasi aktif hari ini dan ingatkan jadwal konsultasi individual bagi yang masih ragu menentukan metode untuk proposalnya.

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