RPS minggu 6 · 2x50 menit

Desain Metode Penelitian: Pemilihan Pendekatan Kuantitatif untuk Menjawab RQ secara Andal

Proyek Riset — Magister Manajemen FEB UNDIP

Selamat datang di pertemuan keenam. Minggu lalu Anda sudah merampungkan kerangka konseptual dan hipotesis awal di pertemuan kelima; hari ini kita masuk ke keputusan yang paling menentukan kualitas riset Anda — memilih desain metode kuantitatif yang benar-benar mampu menjawab research question Anda secara andal, bukan sekadar mengikuti kebiasaan atau kemudahan pengumpulan data. Sebagai profesional yang sudah bekerja, saya tidak akan mengulang definisi dasar penelitian kuantitatif dari buku metodologi S1 — kita langsung masuk ke logika pengambilan keputusan desain, perhitungan ukuran sampel dan reliabilitas instrumen, serta jebakan metodologis yang sering menjegal capstone Anda menjelang sidang. Kita akan menguji semua ini lewat kasus nyata seperti survei nasabah BBCA, riset perilaku pengguna Tokopedia, dan studi kinerja UMKM. Siapkan draf RQ Anda dari pertemuan sebelumnya karena Anda akan langsung memetakannya ke desain metode hari ini.

Peta Pertemuan Hari Ini

Jam ke-1 (50 menit)

Dari tipe RQ ke pilihan desain: cross-sectional, longitudinal, eksperimental
Sampling & empat jenis validitas sebagai kerangka pengambilan keputusan
Instrumen pengukuran & keandalan data (dtab #1: Cronbach's Alpha)

Jam ke-2 (50 menit)

Ukuran sampel & power analysis (dtab #2: rumus Slovin)
Menjodohkan RQ-hipotesis-teknik analisis & jebakan metodologis umum
Latihan: rancang desain metode untuk RQ Anda sendiri

Posisi dalam alur 14 pertemuan: desain metode hari ini menjadi bagian inti Bab 3 proposal 2.000 kata yang Anda susun di P8 — kesalahan desain di sini akan berulang di seluruh proses pengumpulan data (P10) dan analisis (P11).

Bagian 1

Dari Rumusan Masalah ke Pilihan Desain Kuantitatif

Diskusi kelas: apakah RQ Anda menanyakan "seberapa banyak/sering", "seberapa erat hubungan", atau "apakah X menyebabkan Y" — dan apakah desain yang Anda rencanakan sekarang sungguh cocok untuk itu?

Tiga Tipe RQ & Desain yang Konsisten dengannya

Konsistensi RQ-desain (Creswell & Creswell, 2018) adalah syarat pertama validitas metodologis — bukan soal desain "yang lebih canggih", melainkan desain yang sungguh menjawab pertanyaan yang Anda ajukan.

RQ Deskriptif

"Seberapa tinggi tingkat X pada populasi Y?" → survei cross-sectional, statistik deskriptif

RQ Relasional

"Seberapa erat X berhubungan dengan Y?" → cross-sectional korelasional/regresi

RQ Kausal/Komparatif

"Apakah X menyebabkan/mengubah Y?" → eksperimen, kuasi-eksperimen, atau panel longitudinal

Kesalahan paling sering ditemui pada capstone: memakai kata "pengaruh" atau "dampak" di RQ tetapi desainnya cross-sectional tanpa kontrol — klaim kausal tidak dapat dipertanggungjawabkan datanya.

Cross-Sectional, Longitudinal, & Eksperimen: Trade-off Waktu vs Kausalitas

Semakin ke kanan, klaim kausal makin kuat — tetapi biaya, waktu, dan kompleksitas pelaksanaan juga makin tinggi. Untuk capstone dengan batas waktu satu semester, kuasi-eksperimen atau panel pendek sering jadi titik tengah realistis.

Trade-off ini sangat relevan untuk Anda karena capstone punya tenggat waktu ketat — riset longitudinal penuh tiga tahun jelas tidak realistis untuk tesis satu semester, tetapi itu bukan alasan untuk mundur ke cross-sectional kalau RQ Anda sebenarnya menanyakan perubahan. Alternatif realistis yang sering dipakai riset manajemen di Indonesia adalah kuasi-eksperimen lapangan singkat, misalnya membandingkan cabang yang menerapkan kebijakan baru dengan cabang yang belum, atau panel dua gelombang sebelum-sesudah suatu intervensi. Perusahaan riset pasar sering menggunakan pendekatan panel pendek semacam ini ketika mengevaluasi kampanye pemasaran Tokopedia atau Shopee. Menurut Anda, apakah RQ Anda bisa dijawab memadai dengan cross-sectional, atau sebenarnya menuntut data dari lebih dari satu titik waktu?

Sampling: Probability vs Non-Probability sebagai Keputusan Generalisasi

Probability Sampling

Setiap unit populasi punya peluang terpilih yang diketahui
Random, stratified, cluster sampling
Wajib bila RQ menuntut generalisasi ke populasi (mis. seluruh nasabah bank)

Non-Probability Sampling

Convenience, purposive, snowball sampling
Lebih realistis untuk populasi sulit dijangkau (mis. pemilik UMKM aktif ekspor)
Klaim generalisasi harus dibatasi eksplisit di keterbatasan riset

Keputusan manajerial: banyak capstone terpaksa purposive sampling karena akses terbatas — ini sah secara metodologis, asal disertai justifikasi kriteria pemilihan sampel yang jelas dan pembatasan klaim generalisasi di bab keterbatasan.

Empat Jenis Validitas sebagai Kerangka Uji Keandalan Desain

Validitas Internal & Statistik

Internal: apakah X benar-benar penyebab perubahan Y, bukan variabel pengganggu?
Statistik: apakah kesimpulan statistik cukup kuat (ukuran sampel, asumsi uji terpenuhi)?

Validitas Eksternal & Konstruk

Eksternal: apakah temuan bisa digeneralisasi di luar sampel/konteks riset ini?
Konstruk: apakah instrumen benar-benar mengukur konsep yang dimaksud (mis. "loyalitas" bukan sekadar "kepuasan")?

Keempat validitas sering saling tarik-menarik: memperketat validitas internal (mis. eksperimen laboratorium) kerap menurunkan validitas eksternal (hasil kurang mewakili kondisi lapangan nyata).

Contoh nyata tarik-menarik ini terjadi ketika peneliti menguji pengaruh desain antarmuka aplikasi terhadap niat beli lewat eksperimen laboratorium terkontrol ketat — validitas internalnya kuat karena semua variabel pengganggu terkendali, tetapi hasilnya belum tentu berlaku persis di kondisi nyata pengguna Shopee yang berbelanja sambil terganggu notifikasi dan aktivitas lain. Sebagai peneliti capstone, tugas Anda bukan mengejar validitas sempurna di keempat sisi sekaligus, melainkan secara sadar memilih trade-off mana yang paling sesuai dengan RQ dan sumber daya Anda, lalu menyatakannya eksplisit di bab keterbatasan. Dosen penguji jauh lebih menghargai kejujuran metodologis semacam ini dibanding klaim validitas tinggi yang tidak didukung desain aktual. Menurut Anda, validitas mana yang paling berisiko lemah pada desain riset yang sedang Anda rencanakan?

Bagian 2

Instrumen, Pengukuran & Keandalan Data

Diskusi kelas: apakah instrumen yang Anda rencanakan pakai adalah skala yang sudah tervalidasi di jurnal sebelumnya, atau Anda menyusun sendiri item-itemnya?

Adaptasi Instrumen Tervalidasi vs Menyusun Baru

Mini-kasus (ilustrasi): riset kepuasan pengguna aplikasi e-commerce lokal mengadaptasi skala SERVQUAL (Parasuraman et al., 1988) dengan penyesuaian konteks digital, dibanding menyusun item baru dari nol.

Adaptasi Skala Tervalidasi

Reliabilitas & validitas sudah teruji di studi sebelumnya
Memudahkan perbandingan lintas studi & publikasi
Tetap wajib uji ulang reliabilitas di konteks sampel Anda

Menyusun Instrumen Baru

Diperlukan bila konstruk benar-benar baru/spesifik konteks
Butuh proses expert judgment & uji coba (pilot test) lebih ketat
Risiko validitas konstruk lemah bila terburu-buru

Sebagai contoh, banyak riset kepuasan pelanggan aplikasi digital di Indonesia mengadaptasi skala SERVQUAL yang aslinya dirancang untuk layanan tatap muka, lalu menyesuaikan kata-kata itemnya agar relevan dengan pengalaman aplikasi seperti kecepatan respons chat customer service atau kemudahan navigasi antarmuka. Pendekatan adaptasi ini jauh lebih efisien dan lebih mudah dipertahankan di sidang dibanding menyusun instrumen sepenuhnya baru, asal Anda tetap menjalankan pilot test kecil dan uji reliabilitas ulang karena konteks budaya dan digital bisa mengubah perilaku respons. Kesalahan yang sering saya lihat adalah mahasiswa menyusun dua puluh item baru sendiri tanpa pilot test sama sekali, lalu terkejut skor reliabilitasnya rendah setelah data terkumpul penuh. Menurut Anda, apakah konstruk utama di RQ Anda sudah punya instrumen tervalidasi di literatur yang bisa diadaptasi?

Hitung dari Nol #1: Menguji Reliabilitas dengan Cronbach's Alpha

Ilustrasi: instrumen kepuasan pelanggan dengan 5 item skala Likert diuji pilot ke 40 responden. Rumus: α = (k / (k−1)) × (1 − ΣV_i / V_t).

Langkah	Perhitungan	Nilai
1. Jumlah item (k)	diketahui dari desain instrumen	5
2. Jumlah varians tiap item (ΣV_i)	0,9 + 1,1 + 1,3 + 1,2 + 1,5	6,0
3. Varians skor total (V_t)	dihitung dari total skor 5 item per responden	20,0
4. Rasio k/(k−1)	5 / (5−1) = 5/4	1,25
5. Rasio 1 − (ΣV_i/V_t)	1 − (6,0/20,0) = 1 − 0,30	0,70
6. Cronbach's Alpha (α)	1,25 × 0,70	0,875

Interpretasi

α = 0,875 > ambang 0,70 (Nunnally & Bernstein, 1994) → instrumen layak dipakai untuk pengumpulan data penuh tanpa revisi item

Perhatikan bahwa Cronbach's Alpha pada dasarnya membandingkan variasi dalam tiap item terhadap variasi skor totalnya — semakin item-item itu konsisten mengukur konstruk yang sama, semakin kecil rasio pada langkah kelima, dan semakin tinggi alpha yang dihasilkan. Ambang batas 0,70 adalah konvensi umum di riset manajemen dan bisnis, bukan angka mutlak, sehingga sebagian jurnal ketat menuntut minimal 0,80 untuk konstruk inti penelitian. Kesalahan umum yang saya temukan adalah mahasiswa langsung menyebarkan kuesioner ke ratusan responden tanpa pilot test kecil semacam ini terlebih dahulu, sehingga kalau ternyata alphanya rendah, seluruh instrumen harus direvisi dan data dikumpulkan ulang dari awal. Latihan untuk Anda: setelah pilot test instrumen Anda sendiri, hitung alpha-nya menggunakan SPSS atau R sebelum melangkah ke pengumpulan data penuh di pertemuan kesepuluh.

Coba Sendiri: Uji Reliabilitas Instrumen Anda

Ubah jumlah item dan varians tiap item, lalu amati bagaimana Cronbach's Alpha bergerak naik atau turun.

Hitung dari Nol #2: Menentukan Ukuran Sampel dengan Rumus Slovin

Ilustrasi: populasi pelanggan aktif sebuah platform e-commerce lokal (~ilustrasi) berjumlah 15.000 orang, margin of error yang ditoleransi 5%. Rumus: n = N / (1 + N × e²).

Langkah	Perhitungan	Nilai
1. Populasi (N)	diketahui dari data internal platform (~ilustrasi)	15.000
2. Margin of error (e)	ditetapkan peneliti sesuai presisi yang diinginkan	0,05
3. e²	0,05 × 0,05	0,0025
4. N × e²	15.000 × 0,0025	37,5
5. Penyebut (1 + N×e²)	1 + 37,5	38,5
6. Ukuran sampel (n)	15.000 / 38,5	≈390

Keputusan Manajerial

Target minimal 390 responden valid → jika tingkat respons kuesioner online diperkirakan ~40%, sebar undangan ke ≈975 kontak agar target tercapai

Rumus Slovin ini populer di riset manajemen Indonesia karena kesederhanaannya, tetapi perhatikan bahwa ia mengasumsikan populasi diketahui pasti dan tidak memperhitungkan kompleksitas analisis lanjutan seperti SEM yang biasanya butuh rasio sampel-terhadap-parameter tersendiri. Angka populasi 15.000 di sini saya tandai ilustrasi karena bukan data platform tertentu yang terverifikasi, tetapi logika perhitungannya identik dengan yang akan Anda pakai untuk populasi riset Anda sendiri. Perhatikan juga baris keputusan manajerial di bawah tabel — ukuran sampel minimal secara statistik saja tidak cukup, Anda juga harus mengantisipasi tingkat respons riil di lapangan agar tidak kekurangan data saat pengumpulan selesai. Latihan untuk Anda: hitung ukuran sampel minimal RQ Anda sendiri memakai populasi target yang realistis, lalu diskusikan dengan supervisor akademik Anda apakah margin of error 5% sudah tepat untuk konteks riset Anda.

Coba Sendiri: Hitung Ukuran Sampel dengan Rumus Slovin

Ubah angka populasi dan margin of error, lalu amati bagaimana ukuran sampel minimum yang dibutuhkan berubah.

Power Analysis: Menghindari Riset yang "Terlalu Kecil untuk Bicara"

Power (1−β) = f(effect size, α, n)

Semakin kecil effect size yang ingin dideteksi, semakin besar sampel yang dibutuhkan agar riset punya power memadai (konvensi umum: power ≥ 0,80).

Riset Underpowered

Sampel terlalu kecil relatif effect size yang diharapkan
Hasil "tidak signifikan" bisa berarti riset gagal mendeteksi, bukan efek benar-benar tidak ada

Praktik yang Disarankan

Jalankan power analysis (mis. G*Power) sebelum pengumpulan data, bukan sesudahnya
Gunakan effect size dari studi sejenis sebelumnya sebagai estimasi awal

Kesalahan fatal yang sering baru disadari di P11: mengumpulkan 80 responden untuk uji regresi berganda dengan 6 prediktor — secara statistik rentan underpowered untuk mendeteksi efek berukuran kecil-sedang.

Power analysis sering diabaikan mahasiswa capstone karena terasa terlalu teknis, padahal logikanya sederhana: kalau efek yang Anda cari sebenarnya kecil, sampel yang kecil pula tidak akan pernah mampu mendeteksinya secara statistik meyakinkan, seberapa pun bagus instrumen Anda. Saya sering melihat mahasiswa panik di pertemuan kesebelas ketika hasil regresi mereka "tidak signifikan" padahal masalah sesungguhnya bukan di teori atau datanya, melainkan ukuran sampel yang sejak awal tidak pernah dihitung memadai untuk jumlah prediktor yang mereka pakai. Jalankan power analysis di software gratis seperti G*Power sebelum menentukan target sampel final Anda, bukan sebagai justifikasi setelah data terlanjur terkumpul. Menurut Anda, berapa jumlah variabel prediktor yang direncanakan dalam model Anda, dan apakah target sampel Anda sudah mempertimbangkan jumlah itu?

Coba Sendiri: Simulasi Power Analysis

Geser effect size, tingkat signifikansi, dan ukuran sampel, lalu amati kapan power riset jatuh di bawah ambang 0,80.

Bagian 3

Dari Desain ke Jawaban RQ yang Andal

Diskusi kelas: kalau seorang dosen penguji bertanya "mengapa Anda memilih teknik analisis ini, bukan yang lain?", apakah Anda punya jawaban metodologis yang meyakinkan?

Menjodohkan RQ, Hipotesis, & Teknik Analisis

RQ Deskriptif

Hipotesis: umumnya tidak diperlukan → statistik deskriptif, distribusi frekuensi

RQ Relasional

H: "X berhubungan positif dengan Y" → korelasi, regresi linear/berganda, SEM-PLS

RQ Kausal/Komparatif

H: "X menyebabkan perubahan Y" → uji beda (t-test/ANOVA), DiD, regresi panel

Uji asumsi (normalitas, multikolinearitas, heteroskedastisitas) bukan formalitas administratif — pelanggarannya mengubah validitas kesimpulan teknik analisis yang Anda pilih di atas.

Jebakan Metodologis Umum: p-Hacking, HARKing, & Multikolinearitas

p-Hacking

Mencoba banyak kombinasi variabel/subset data sampai p < 0,05 muncul
Merusak validitas statistik — hasil jadi tidak dapat direplikasi

HARKing

Hypothesizing After Results are Known — menulis hipotesis seolah dirumuskan sebelum data dilihat
Menyamarkan eksplorasi sebagai konfirmasi — masalah integritas riset

Pencegahan konkret: kunci hipotesis & rencana analisis di proposal P8 sebelum data terkumpul penuh; laporkan seluruh model yang diuji, bukan hanya yang signifikan.

Mini-Kasus Manajerial: Merancang Desain untuk RQ Turnover Karyawan

Kasus (ilustrasi): manajer SDM sebuah perusahaan ritel modern ingin menjawab "apakah kebijakan fleksibilitas jam kerja menurunkan turnover karyawan toko?" — alur pengambilan keputusan desain berikut.

Langkah Analisis	Pertimbangan	Keputusan
1. Identifikasi tipe RQ	kata "menurunkan" → klaim kausal, bukan sekadar deskriptif	Butuh desain dengan pembanding
2. Cek kelayakan eksperimen murni	tidak etis mengacak toko mana yang dapat kebijakan	Eksperimen murni ditolak
3. Pilih alternatif realistis	sebagian cabang sudah menerapkan lebih dulu, sebagian belum	Kuasi-eksperimen (before-after + kelompok pembanding)
4. Tetapkan teknik analisis	bandingkan perubahan turnover 2 kelompok pada 2 titik waktu	Difference-in-Differences (DiD)
5. Kesimpulan desain akhir	menjawab RQ kausal secara andal tanpa eksperimen tak etis	Kuasi-eksperimen + DiD

Kapan Kuantitatif Saja Tidak Cukup: Pertimbangan Mixed-Method

Kuantitatif Murni Memadai

RQ menguji hubungan/besaran yang sudah punya teori mapan
Konstruk sudah punya instrumen tervalidasi

Perlu Sentuhan Kualitatif Tambahan

Hasil kuantitatif signifikan tapi mekanismenya belum jelas ("mengapa" bukan hanya "apa")
Konteks budaya/organisasi sangat spesifik & belum terwakili literatur

Untuk capstone satu semester, mixed-method penuh sering tidak realistis — alternatif ringan: tambahkan 3-5 wawancara singkat untuk menjelaskan temuan kuantitatif yang mengejutkan, bukan studi kualitatif paralel penuh.

Saya sering menemui mahasiswa yang hasil regresinya signifikan tetapi arah hubungannya berlawanan dengan teori yang mereka pakai, dan situasi ini sebenarnya sinyal kuat bahwa ada mekanisme lokal yang belum tertangkap murni oleh angka. Misalnya riset tentang pengaruh insentif finansial terhadap kinerja karyawan UMKM yang justru menemukan hubungan lemah, bisa jadi karena faktor non-finansial seperti relasi kekeluargaan pemilik-karyawan lebih dominan di konteks UMKM Indonesia. Untuk situasi semacam ini, saya tidak menyarankan mahasiswa mengubah seluruh desain jadi mixed-method penuh yang memakan waktu, melainkan menambahkan beberapa wawancara singkat terarah untuk memperkaya interpretasi hasil kuantitatif yang sudah ada. Menurut Anda, apakah ada risiko temuan kuantitatif Anda nanti sulit dijelaskan tanpa sedikit data kualitatif pendukung?

Latihan: Rancang Desain Metode untuk RQ Anda Sendiri

Latihan individu (20 menit, dipresentasikan singkat berpasangan): Ambil draf RQ Anda dari pertemuan ketiga. Tentukan (1) tipe RQ & desain yang konsisten, (2) strategi sampling & estimasi ukuran sampel (rumus Slovin atau power analysis), (3) instrumen yang akan dipakai — adaptasi atau baru, dan rencana uji reliabilitasnya.

Format Diskusi Berpasangan (per pasangan, ~5 menit)

Jelaskan desain yang dipilih & alasan konsistensinya dengan RQ
Sebutkan target ukuran sampel & cara Anda menghitungnya
Tunjukkan satu risiko validitas yang paling mengkhawatirkan & rencana mitigasinya

Checklist Metodologi Sebelum Menyusun Proposal Lengkap (P8)

Wajib Tuntas Sebelum P7-P8

RQ, hipotesis, & desain sudah konsisten satu sama lain (dicek ulang, bukan diasumsikan)
Instrumen sudah dipilih — adaptasi tervalidasi atau rencana pilot test jelas
Target ukuran sampel dihitung eksplisit (Slovin/power analysis), bukan angka bulat sembarang
Rencana teknik analisis & uji asumsi terkait sudah ditetapkan di muka
Rencana sampling & keterbatasan generalisasi sudah dipikirkan & siap ditulis jujur

Checklist ini akan langsung menjadi kerangka Bab 3 (Metode Penelitian) pada proposal 2.000 kata Anda di pertemuan kedelapan — selesaikan sekarang, bukan menunda ke minggu depan.

Ringkasan Kunci & Jembatan ke Pertemuan 7

Konsistensi RQ-Desain

Kata kerja RQ menentukan desain; klaim kausal butuh kontrol, bukan sekadar survei satu waktu

Ukuran Sampel & Reliabilitas

Dihitung eksplisit (Slovin, power analysis, Cronbach's Alpha) sebelum data terkumpul penuh

Integritas Metodologis

Kunci hipotesis & rencana analisis di muka — hindari p-hacking & HARKing

Bawa hasil latihan desain metode hari ini — pertemuan ketujuh akan melengkapinya dengan etika riset & keamanan data sebelum semuanya dituangkan dalam proposal lengkap 2.000 kata di pertemuan kedelapan.