FEB UNDIP · Seminar Bisnis Internasional

Memilih Teknik Analisis Data dan Uji Statistik

Pertemuan 10 · Dari Rumusan Masalah ke Uji yang Tepat

Bagaimana proposal Anda menentukan uji statistik yang benar-benar cocok dengan jenis data, skala pengukuran, dan hipotesis penelitian — bukan sekadar meniru skripsi kakak tingkat.

RPS minggu 11 · 2x50 menit

Selamat datang di Pertemuan 10, dan hari ini kita masuk ke salah satu bagian paling menentukan dari proposal penelitian Anda, yaitu memilih teknik analisis data dan uji statistik. Pada pertemuan lalu Anda sudah menentukan populasi, sampel, dan teknik pengumpulan data; hari ini kita menjawab pertanyaan berikutnya — begitu data terkumpul, alat statistik apa yang akan Anda pakai untuk menjawab hipotesis penelitian. Saya sering menemukan mahasiswa memilih uji tertentu bukan karena cocok dengan datanya, melainkan karena "skripsi kakak tingkat dulu pakai itu" — dan ini adalah kesalahan metodologis yang bisa membuat dosen penguji langsung bertanya "kenapa Anda pakai uji ini?". Bayangkan seorang peneliti yang ingin melihat pengaruh nilai tukar rupiah terhadap kinerja ekspor UMKM; kalau ia salah pilih uji, kesimpulannya bisa keliru meski datanya benar. Maka hari ini Anda akan belajar berpikir runtut: dari jenis data, ke skala pengukuran, ke uji asumsi, sampai ke uji hipotesis yang tepat — dan dua di antaranya akan kita hitung sendiri dari nol.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu memilih dan mempertanggungjawabkan teknik analisis data yang sesuai desain penelitian bisnis internasional Anda:

Capaian 1 — Fondasi

Skala

Jenis Data & Pengukuran

Membedakan data kuantitatif/kualitatif dan empat skala pengukuran sebagai dasar memilih uji.

Capaian 2 — Kelayakan Alat

Uji

Instrumen & Asumsi Klasik

Menjelaskan fungsi uji validitas-reliabilitas dan uji asumsi klasik sebelum uji hipotesis.

Capaian 3 — Pilih Uji

t / F

Uji Beda & Hubungan

Memilih antara uji beda (t-test/ANOVA) dan uji hubungan (korelasi/regresi/SEM) sesuai hipotesis.

Capaian 4 — Terapkan

Interpretasi & Software

Membaca nilai p untuk simpulan hipotesis dan memilih perangkat lunak (SPSS/SmartPLS/Eviews) yang sesuai.

Empat capaian hari ini saya susun berurutan seperti alur berpikir seorang peneliti sungguhan. Capaian pertama adalah fondasi: Anda harus tahu jenis data apa yang Anda kumpulkan dan skala pengukurannya, karena inilah yang membatasi uji apa saja yang boleh dipakai. Capaian kedua adalah kelayakan alat ukur — sebelum menguji hipotesis, kita wajib memastikan instrumen kuesioner valid dan reliabel, serta data lolos uji asumsi klasik seperti normalitas. Capaian ketiga adalah inti hari ini: memilih antara uji beda seperti uji t dan ANOVA, atau uji hubungan seperti korelasi, regresi, dan SEM, tergantung rumusan masalah dan hipotesis Anda. Capaian keempat adalah keterampilan praktis membaca nilai p untuk mengambil kesimpulan, serta mengenal perangkat lunak yang lazim dipakai riset bisnis internasional. Siapkan kalkulator Anda karena dua bagian hari ini akan kita hitung langsung dari nol.

Kenapa Proposal Sering Ditolak di Bagian Ini?

Seorang mahasiswa meneliti pengaruh kurs rupiah terhadap volume ekspor UMKM batik. Ia memilih uji t karena "biasanya dipakai". Penguji langsung bertanya: "Ini kan meneliti pengaruh, kenapa bukan regresi?"

Yang Terjadi

Uji t

Dipilih tanpa dasar

Uji t untuk membandingkan dua kelompok — padahal rumusan masalahnya adalah "pengaruh" satu variabel terhadap variabel lain.

Seharusnya

Regresi

Sesuai rumusan masalah

Rumusan masalah "pengaruh X terhadap Y" menuntut uji hubungan/pengaruh, bukan uji beda antar-kelompok.

Teknik analisis bukan selera atau kebiasaan. Ia mengalir langsung dari rumusan masalah dan hipotesis yang sudah Anda susun di Pertemuan 3 dan 6.

Contoh ini nyata dan sering terjadi, karena itu saya buka pertemuan hari ini dengannya. Bayangkan mahasiswa yang meneliti pengaruh kurs rupiah terhadap volume ekspor UMKM batik; rumusan masalahnya jelas berbunyi "pengaruh", yang secara metodologis menuntut uji hubungan seperti regresi. Tetapi karena melihat skripsi terdahulu banyak memakai uji t, ia ikut memakainya tanpa memeriksa kesesuaian. Begitu presentasi, penguji langsung menangkap ketidaksesuaian ini dan bertanya mengapa bukan regresi — sebuah pertanyaan yang seharusnya bisa dihindari kalau proses pemilihan teknik dilakukan dengan benar sejak awal. Pelajaran pentingnya: teknik analisis data bukan soal kebiasaan atau ikut-ikutan, melainkan konsekuensi logis dari rumusan masalah dan hipotesis yang sudah Anda rumuskan sendiri di Pertemuan 3 dan Pertemuan 6. Hari ini kita akan latih logika itu langkah demi langkah.

Bagian 1 dari 4

Fondasi: Jenis Data & Skala Pengukuran

Sebelum memilih uji, kenali dulu jenis dan skala data Anda — inilah rambu utama yang membatasi pilihan teknik analisis.

Jenis Data Skala Pengukuran Deskriptif vs Inferensial

Jenis Data: Titik Awal Memilih Teknik Analisis

Dua pembagian jenis data yang menentukan arah analisis Anda:

Berdasarkan Bentuk

Kuantitatif

vs Kualitatif

Kuantitatif: berupa angka (kuesioner Likert, laporan keuangan) → diolah statistik
Kualitatif: berupa narasi (wawancara, studi kasus) → diolah tematik/naratif, bukan statistik

Berdasarkan Sumber

Primer

vs Sekunder

Primer: dikumpulkan sendiri (kuesioner ekspor UMKM)
Sekunder: dari sumber lain (data kurs Bank Indonesia, laporan tahunan BEI)

Materi hari ini fokus pada jalur kuantitatif — sebagian besar proposal bisnis internasional di prodi Manajemen memakai kuesioner atau data sekunder berangka.

Langkah pertama sebelum memilih uji apa pun adalah mengenali jenis data yang Anda miliki, dan ada dua sumbu pembagian yang perlu Anda kuasai. Sumbu pertama membedakan data kuantitatif, yang berbentuk angka seperti skor kuesioner Likert atau angka laporan keuangan, dengan data kualitatif yang berbentuk narasi seperti transkrip wawancara mendalam — keduanya diolah dengan cara yang sangat berbeda, data kualitatif tidak diuji dengan statistik melainkan dianalisis tematik. Sumbu kedua membedakan data primer yang Anda kumpulkan sendiri lewat kuesioner, dengan data sekunder yang Anda ambil dari sumber lain seperti data kurs Bank Indonesia atau laporan tahunan perusahaan yang tercatat di Bursa Efek Indonesia. Karena sebagian besar proposal bisnis internasional di program studi Manajemen memakai kuesioner atau data sekunder berangka, materi hari ini akan fokus penuh pada jalur data kuantitatif dan uji statistiknya.

Empat Skala Pengukuran — Ini Menentukan Uji yang Boleh Dipakai

Skala	Ciri	Contoh
Nominal	Kategori tanpa urutan	Jenis kelamin, negara tujuan ekspor
Ordinal	Kategori berurutan, jarak tak sama	Skor Likert 1–5 (setuju–tidak setuju)
Interval	Berjarak sama, tanpa nol mutlak	Suhu °C, tahun kalender
Rasio	Berjarak sama, nol mutlak	Nilai ekspor (Rp), jumlah karyawan

Jebakan umum: skor Likert (ordinal) sering diperlakukan sebagai interval agar bisa dirata-rata dan diregresi. Ini lazim dalam riset bisnis selama dijelaskan asumsinya — bukan dilewati diam-diam.

Skala pengukuran adalah rambu yang sering diabaikan mahasiswa padahal menentukan uji apa yang sah secara statistik. Skala nominal hanya mengelompokkan tanpa urutan, seperti jenis kelamin responden atau negara tujuan ekspor. Skala ordinal punya urutan tapi jaraknya tidak sama, contoh klasiknya adalah skor Likert satu sampai lima dari sangat tidak setuju sampai sangat setuju — jarak antara satu dan dua belum tentu sama dengan jarak antara empat dan lima. Skala interval berjarak sama tapi tidak punya nol mutlak, seperti suhu dalam derajat Celsius. Skala rasio berjarak sama dan punya nol mutlak sungguhan, seperti nilai ekspor dalam rupiah, di mana nol rupiah benar-benar berarti tidak ada nilai. Jebakan yang paling sering terjadi adalah data Likert yang ordinal ini diperlakukan seolah interval agar bisa dirata-rata dan diregresi — ini sebenarnya lazim dalam riset ilmu sosial dan bisnis, asalkan Anda secara sadar menjelaskan asumsi ini di metodologi, bukan melewatinya diam-diam seolah tidak ada masalah.

Coba Sendiri: Klasifikasikan Skala Pengukuran Variabel Anda

Masukkan contoh variabel Anda, lalu lihat widget mengklasifikasikannya ke salah satu dari empat skala pengukuran.

Statistik Deskriptif vs Inferensial: Dua Tugas Berbeda

Statistik Deskriptif

Meringkas

Menggambarkan sampel apa adanya

Rata-rata, standar deviasi, tabel frekuensi. Contoh: "rata-rata omzet ekspor responden Rp 450 juta/bulan" — tidak menyimpulkan ke populasi.

Statistik Inferensial

Menyimpulkan

Menarik simpulan untuk populasi

Uji t, ANOVA, korelasi, regresi, SEM. Contoh: "kurs rupiah berpengaruh signifikan terhadap volume ekspor UMKM" — inilah yang menjawab hipotesis.

Proposal Bab 3 Anda hampir selalu butuh keduanya: deskriptif untuk profil responden, inferensial untuk menguji hipotesis. Fokus pemilihan uji hari ini ada pada bagian inferensial.

Sebelum masuk ke daftar uji, penting Anda memahami bahwa statistik terbagi dalam dua tugas yang sangat berbeda. Statistik deskriptif hanya meringkas apa yang ada di sampel Anda — rata-rata, standar deviasi, tabel frekuensi — misalnya menyatakan rata-rata omzet ekspor responden empat ratus lima puluh juta rupiah per bulan; ini tidak menyimpulkan apa pun tentang populasi di luar sampel. Statistik inferensial berbeda total: ia menarik kesimpulan yang berlaku untuk populasi berdasarkan sampel, memakai alat seperti uji t, ANOVA, korelasi, regresi, sampai SEM, misalnya menyimpulkan bahwa kurs rupiah berpengaruh signifikan terhadap volume ekspor UMKM. Bab metode penelitian proposal Anda hampir selalu memerlukan keduanya: deskriptif untuk memaparkan profil responden di awal, dan inferensial untuk menguji hipotesis yang menjadi inti penelitian. Fokus pemilihan teknik hari ini ada pada bagian inferensial, karena di sinilah kesalahan metodologis paling sering terjadi.

Peta Pilihan: Dari Rumusan Masalah ke Teknik Analisis

Tiga pertanyaan berurutan menuntun Anda ke uji yang tepat:

Kata kerja di rumusan masalah Anda ("mendeskripsikan", "membandingkan", "menganalisis pengaruh") adalah petunjuk paling langsung — bukan kebetulan.

Peta ini adalah alat paling praktis yang bisa Anda pakai malam sebelum bimbingan. Mulai dari rumusan masalah dan hipotesis Anda, lalu ajukan tiga pertanyaan berurutan. Pertama, apakah rumusan masalah Anda hanya ingin menggambarkan sesuatu tanpa menguji hipotesis — kalau ya, cukup statistik deskriptif. Kedua, apakah rumusan masalah membandingkan atau mencari beda antar kelompok, misalnya kinerja ekspor UMKM sebelum dan sesudah kebijakan tertentu — kalau ya, arahnya ke uji t atau ANOVA. Ketiga, apakah rumusan masalah berbicara tentang pengaruh atau hubungan antar-variabel — kalau ya, arahnya ke korelasi atau regresi, dan kalau modelnya melibatkan variabel laten seperti kepuasan atau loyalitas yang diukur banyak indikator sekaligus dengan banyak jalur pengaruh, barulah kita naik ke SEM. Perhatikan bahwa kata kerja dalam rumusan masalah Anda sendiri — mendeskripsikan, membandingkan, menganalisis pengaruh — bukan kebetulan, melainkan petunjuk langsung teknik analisis yang harus dipilih.

Bagian 2 dari 4

Kelayakan Alat Ukur: Instrumen & Asumsi Klasik

Sebelum menguji hipotesis, pastikan dulu kuesioner Anda valid-reliabel dan data lolos asumsi klasik — dua langkah wajib yang sering dilewati.

Validitas Reliabilitas Asumsi Klasik

Uji Instrumen: Validitas dan Reliabilitas Kuesioner

Uji Validitas

Tepat?

Mengukur yang seharusnya diukur

Uji korelasi item-total (Pearson). Item kuesioner dianggap valid bila r hitung > r tabel.

Uji Reliabilitas

Konsisten?

Stabil bila diulang

Uji Cronbach's Alpha. Instrumen dianggap reliabel bila α > 0,70.

Kedua uji ini wajib untuk kuesioner (data primer) — bukan untuk data sekunder seperti laporan keuangan atau data BI yang sudah baku.

Kalau proposal Anda memakai kuesioner sebagai instrumen pengumpulan data, dua uji ini wajib dilaporkan di Bab 3 sebelum data itu boleh dianalisis lebih lanjut. Uji validitas menjawab pertanyaan apakah setiap butir pertanyaan benar-benar mengukur konsep yang ingin diukur, biasanya lewat korelasi antara skor item dengan skor total, dan item dianggap valid bila nilai r hitungnya melebihi r tabel. Uji reliabilitas menjawab pertanyaan berbeda: apakah jawaban responden akan konsisten kalau kuesioner yang sama diulang di waktu berbeda, dan alat yang paling umum dipakai adalah Cronbach's Alpha, dengan ambang batas populer alfa lebih besar dari nol koma tujuh puluh. Penting dicatat, kedua uji ini hanya relevan untuk data primer hasil kuesioner Anda sendiri, bukan untuk data sekunder seperti laporan keuangan perusahaan atau data kurs Bank Indonesia yang sudah baku dan tidak perlu diuji validitas-reliabilitasnya lagi.

Coba Sendiri: Hitung Korelasi Pearson Item-Total

Masukkan skor item dan skor total responden, lalu lihat nilai r hitung dan apakah item tersebut valid dibanding r tabel.

Uji Asumsi Klasik: Syarat Sah Sebelum Regresi

Uji	Yang Diperiksa	Akibat Jika Dilanggar
Normalitas	Sebaran data/residual	Uji-t & F pada regresi jadi tidak valid
Multikolinearitas	Korelasi antar-variabel bebas	Koefisien regresi bias, sulit diinterpretasi
Heteroskedastisitas	Kestabilan varians error	Standard error tidak akurat → simpulan uji-t keliru
Autokorelasi	Korelasi error antar-observasi	Relevan pada data time-series (mis. deret kurs bulanan)

Empat uji ini wajib untuk regresi berganda. Untuk uji t/ANOVA sederhana, cukup uji normalitas.

Kalau rumusan masalah Anda mengarah ke regresi berganda, ada empat uji asumsi klasik yang wajib lolos sebelum hasil regresi bisa dipercaya. Uji normalitas memeriksa apakah data atau residual regresi menyebar normal; kalau dilanggar, uji-t dan uji-F pada koefisien regresi menjadi tidak valid. Uji multikolinearitas memeriksa apakah variabel-variabel bebas Anda saling berkorelasi terlalu tinggi, misalnya harga dan kualitas produk yang selalu bergerak bersamaan; kalau dilanggar, koefisien regresi jadi bias dan sulit diinterpretasikan mana yang benar-benar berpengaruh. Uji heteroskedastisitas memeriksa apakah varians kesalahan stabil di semua level variabel bebas; kalau dilanggar, standard error jadi tidak akurat dan kesimpulan signifikansi bisa keliru. Uji autokorelasi khusus relevan untuk data deret waktu, misalnya data kurs bulanan, memeriksa apakah kesalahan satu periode berkorelasi dengan periode berikutnya. Catat baik-baik: keempat uji ini wajib untuk regresi berganda, tapi untuk uji t atau ANOVA yang sederhana, cukup uji normalitas saja yang diperiksa.

Coba Sendiri: Checklist Uji Asumsi Klasik Anda

Centang hasil tiap uji asumsi klasik data Anda, lalu lihat apakah model regresi Anda sudah layak dipercaya.

Hitung dari Nol — HDN-1: Cronbach's Alpha

Kuesioner kepuasan eksportir: 5 butir, jumlah varians tiap butir (Σσᵢ²) = 12, varians skor total (σₜ²) = 40. Apakah instrumen ini reliabel?

Langkah	Perhitungan	Nilai
1. Rasio k/(k−1)	5 ÷ (5−1)	1,25
2. Rasio varians butir/total	12 ÷ 40	0,30
3. Selisih (1 − rasio)	1 − 0,30	0,70
4. Cronbach's Alpha (α)	1,25 × 0,70	0,875

α = 0,875 > 0,70 → instrumen RELIABEL. Kuesioner ini boleh dipakai lanjut ke uji hipotesis.

Mari kita hitung Cronbach's Alpha dari nol, karena rumusnya sering dihafal tanpa dipahami. Rumusnya adalah k dibagi k minus satu, dikalikan satu dikurangi rasio jumlah varians tiap butir terhadap varians skor total. Diketahui ada lima butir kuesioner, jumlah varians tiap butir dua belas, dan varians skor total empat puluh. Langkah pertama, hitung rasio k per k-minus-satu: lima dibagi empat sama dengan satu koma dua lima. Langkah kedua, hitung rasio varians: dua belas dibagi empat puluh sama dengan nol koma tiga puluh. Langkah ketiga, kurangkan dari satu: satu dikurangi nol koma tiga puluh sama dengan nol koma tujuh puluh. Langkah keempat, kalikan kedua hasil tadi: satu koma dua lima dikali nol koma tujuh puluh sama dengan nol koma delapan tujuh lima. Karena nol koma delapan tujuh lima lebih besar dari ambang batas nol koma tujuh puluh, instrumen kuesioner kepuasan eksportir ini dinyatakan reliabel dan boleh Anda pakai untuk melanjutkan ke uji hipotesis di Bab 3 proposal.

Coba Sendiri: Hitung Cronbach's Alpha Kuesioner Anda

Ubah jumlah butir dan angka varians, lalu lihat nilai Cronbach's Alpha berubah langsung serta status reliabelnya.

Bagian 2 dari 4 (lanjutan)

Uji Hipotesis: Uji Beda & Uji Hubungan

Setelah instrumen dan asumsi lolos, saatnya memilih uji hipotesis yang menjawab rumusan masalah Anda secara langsung.

Uji t ANOVA Regresi

Uji Beda: Uji t vs ANOVA — Kapan Dipakai?

Uji t (t-test)

Kelompok yang dibandingkan

Independent t-test: 2 kelompok berbeda (eksportir vs non-eksportir)
Paired t-test: 1 kelompok, 2 waktu (sebelum-sesudah kebijakan)

ANOVA

Kelompok yang dibandingkan

One-way ANOVA: kinerja ekspor antar 3+ wilayah pemasaran
Kalau signifikan → uji lanjut (post-hoc) cari kelompok mana beda

Ciri rumusan masalah: kata "membandingkan" atau "perbedaan" antar-kelompok, bukan "pengaruh" antar-variabel.

Uji beda dipakai ketika rumusan masalah Anda berbicara tentang perbandingan antar-kelompok, dan pemilihannya bergantung pada berapa kelompok yang dibandingkan. Uji t dipakai untuk dua kelompok, dan ia sendiri terbagi dua: independent t-test untuk membandingkan dua kelompok yang berbeda subjeknya, misalnya kinerja UMKM eksportir dibandingkan UMKM non-eksportir; dan paired t-test untuk satu kelompok yang sama diukur dua kali di waktu berbeda, misalnya kinerja penjualan sebelum dan sesudah kebijakan devaluasi. Ketika kelompok yang dibandingkan lebih dari dua, misalnya kinerja ekspor di tiga atau lebih wilayah pemasaran berbeda, Anda naik ke ANOVA satu arah; dan kalau hasilnya signifikan, Anda masih perlu uji lanjutan yang disebut post-hoc untuk mengetahui pasangan kelompok mana yang benar-benar berbeda. Ciri paling mudah dikenali dari rumusan masalah yang membutuhkan uji beda adalah kata "membandingkan" atau "perbedaan" antar-kelompok, berbeda dengan kata "pengaruh" yang mengarah ke uji hubungan.

Hitung dari Nol — HDN-2: Uji t Independen (Manual)

Kinerja ekspor (skor 0-100): Kelompok eksportir n=10, mean=78, SD=6; kelompok non-eksportir n=10, mean=72, SD=8. Apakah bedanya signifikan?

Langkah	Perhitungan	Nilai
1. Varians gabungan (Sp²)	(9×36 + 9×64) ÷ 18	50
2. Standard error (SE)	√(50 × (1/10 + 1/10))	3,16
3. Nilai t hitung	(78 − 72) ÷ 3,16	1,90
4. Bandingkan t-tabel (df=18, α=5%)	t-tabel ≈ 2,101	1,90 < 2,101

t hitung (1,90) < t tabel (2,101) → H₀ diterima. Belum ada bukti perbedaan kinerja ekspor yang signifikan antar dua kelompok ini.

Mari hitung satu uji t independen dari nol supaya Anda paham dari mana nilai t di output SPSS itu berasal. Diketahui kelompok eksportir berjumlah sepuluh dengan rata-rata skor kinerja tujuh puluh delapan dan standar deviasi enam, sementara kelompok non-eksportir juga sepuluh dengan rata-rata tujuh puluh dua dan standar deviasi delapan. Langkah pertama, hitung varians gabungan dengan membobot masing-masing kelompok: sembilan dikali tiga puluh enam ditambah sembilan dikali enam puluh empat, dibagi delapan belas, hasilnya lima puluh. Langkah kedua, hitung standard error dengan akar dari lima puluh dikali satu per sepuluh ditambah satu per sepuluh, hasilnya tiga koma satu enam. Langkah ketiga, hitung t hitung dengan selisih rata-rata tujuh puluh delapan dikurangi tujuh puluh dua, dibagi standard error tadi, hasilnya satu koma sembilan puluh. Langkah keempat, bandingkan dengan t tabel pada derajat bebas delapan belas dan taraf signifikansi lima persen, yaitu sekitar dua koma seratus satu. Karena t hitung satu koma sembilan puluh lebih kecil dari t tabel, hipotesis nol diterima — artinya dengan data ini belum cukup bukti statistik bahwa kinerja ekspor kedua kelompok benar-benar berbeda, meski selisih rata-ratanya terlihat enam poin.

Coba Sendiri: Hitung Uji t Independen Anda

Ubah rata-rata, standar deviasi, dan jumlah sampel tiap kelompok, lalu lihat nilai t hitung berubah dan dibandingkan t tabel.

Uji Hubungan & Pengaruh: Korelasi, Regresi, SEM

Uji	Fungsi	Contoh Rumusan Masalah
Korelasi	Kekuatan & arah hubungan (2 variabel, tanpa sebab-akibat)	Hubungan kurs rupiah dengan harga saham eksportir
Regresi Sederhana	Pengaruh 1 variabel bebas → 1 variabel terikat	Pengaruh kurs terhadap volume ekspor
Regresi Berganda	Pengaruh >1 variabel bebas → 1 variabel terikat	Pengaruh kurs, tarif, & promosi dagang terhadap ekspor
SEM	Model multi-jalur dengan variabel laten (indikator banyak)	Orientasi ekspor → kepuasan → loyalitas mitra dagang

Korelasi ≠ regresi: korelasi hanya bilang "berhubungan", regresi bisa bilang "berapa besar pengaruhnya" dan arah sebab-akibatnya (sesuai desain).

Kalau rumusan masalah Anda berbicara tentang hubungan atau pengaruh, ada tangga tingkat kompleksitas yang perlu Anda pahami. Korelasi adalah yang paling sederhana: ia hanya mengukur kekuatan dan arah hubungan antara dua variabel, misalnya hubungan kurs rupiah dengan harga saham perusahaan eksportir, tanpa mengklaim mana yang menyebabkan mana. Regresi sederhana naik satu tingkat: ia mengukur seberapa besar satu variabel bebas mempengaruhi satu variabel terikat, misalnya pengaruh kurs terhadap volume ekspor. Regresi berganda naik lagi: melibatkan lebih dari satu variabel bebas sekaligus, misalnya pengaruh kurs, tarif, dan intensitas promosi dagang secara bersama-sama terhadap volume ekspor. Puncaknya adalah SEM atau Structural Equation Modeling, dipakai ketika model Anda melibatkan variabel laten yang tidak diukur langsung melainkan lewat banyak indikator, dan ada beberapa jalur pengaruh berurutan, misalnya orientasi ekspor mempengaruhi kepuasan yang kemudian mempengaruhi loyalitas mitra dagang. Ingat baik-baik: korelasi hanya menyatakan "berhubungan", sedangkan regresi bisa menyatakan seberapa besar pengaruhnya dan arah sebab-akibatnya sesuai desain penelitian Anda.

Regresi Berganda: Syarat Data & Cara Baca Output

Y = a + b₁X₁ + b₂X₂ + ... + e

Syarat Data

Interval/Rasio

Variabel bebas & terikat

Data minimal skala interval, lolos 4 uji asumsi klasik (Slide 11), n memadai (aturan praktis: n ≥ 10× jumlah variabel bebas).

Cara Baca Output

R² · β · p

Tiga angka kunci

R²: proporsi keragaman Y terjelaskan model. β (koefisien): arah & besar pengaruh. p: signifikansi tiap variabel.

R² tinggi bukan jaminan model benar — periksa dulu asumsi klasik dan kelogisan arah koefisien (β) terhadap teori.

Regresi berganda adalah uji hubungan yang paling sering dipakai dalam skripsi bisnis internasional, dan penting Anda tahu syarat serta cara membacanya, bukan sekadar menjalankan software. Syarat datanya: variabel bebas dan terikat idealnya berskala interval atau rasio, harus lolos empat uji asumsi klasik yang sudah kita bahas, dan jumlah sampel memadai — aturan praktis yang lazim dipakai adalah minimal sepuluh kali jumlah variabel bebas. Setelah regresi dijalankan, ada tiga angka kunci yang harus Anda baca: R kuadrat menunjukkan berapa persen keragaman variabel terikat yang bisa dijelaskan model Anda; koefisien beta menunjukkan arah dan besar pengaruh tiap variabel bebas; dan nilai p menunjukkan apakah pengaruh itu signifikan secara statistik. Saya ingin menekankan satu peringatan penting: R kuadrat yang tinggi bukan jaminan model Anda benar, karena Anda tetap harus memeriksa apakah asumsi klasik terpenuhi dan apakah arah koefisien beta masuk akal secara teori — kalau teori bilang kurs yang melemah harusnya menaikkan ekspor tapi koefisiennya negatif, ada yang perlu dicek ulang.

Coba Sendiri: Baca Output Regresi Berganda Anda

Ubah angka R², koefisien beta, dan nilai p pada contoh output, lalu lihat interpretasinya berubah otomatis.

Nilai p: Menentukan Hipotesis Diterima atau Ditolak

Nilai p (probabilitas) menjawab: seberapa besar peluang hasil ini muncul hanya karena kebetulan, kalau sebenarnya tidak ada pengaruh?

p < 0,05 (α = 5%)

Signifikan

H₀ ditolak, Hₐ diterima

Peluang kebetulan kecil (<5%) → cukup bukti untuk simpulkan ada pengaruh/beda nyata.

p ≥ 0,05

Tidak Signifikan

H₀ diterima

Belum cukup bukti. Bukan berarti "tidak ada pengaruh sama sekali" — hanya belum terbukti dari data ini.

Ingat HDN-2: t hitung 1,90 < t tabel 2,101 setara dengan p > 0,05 — dua cara membaca kesimpulan yang sama.

Nilai p adalah angka yang paling sering disalahpahami mahasiswa, jadi mari kita luruskan maknanya. Nilai p menjawab pertanyaan: seberapa besar peluang kita mendapatkan hasil seperti ini hanya karena kebetulan sampling, kalau sebenarnya di populasi tidak ada pengaruh atau perbedaan apa pun. Konvensi yang lazim dipakai riset bisnis dan manajemen adalah taraf signifikansi lima persen; kalau nilai p lebih kecil dari nol koma nol lima, peluang kebetulan itu kecil, sehingga kita punya cukup bukti untuk menolak hipotesis nol dan menerima hipotesis alternatif bahwa memang ada pengaruh atau perbedaan nyata. Sebaliknya kalau nilai p lebih besar atau sama dengan nol koma nol lima, kita belum punya cukup bukti, dan hipotesis nol diterima — tapi hati-hati, ini bukan berarti Anda membuktikan tidak ada pengaruh sama sekali, hanya berarti data yang Anda kumpulkan belum cukup untuk membuktikannya. Ingat kembali hasil HDN-2 tadi: t hitung satu koma sembilan puluh yang lebih kecil dari t tabel dua koma seratus satu itu setara persis dengan nilai p yang lebih besar dari nol koma nol lima — keduanya cara membaca kesimpulan statistik yang sama.

Perangkat Lunak: Pilih Sesuai Teknik, Bukan Sesuai Tren

Software	Cocok Untuk	Catatan
SPSS	Uji t, ANOVA, korelasi, regresi (berganda)	Paling umum, ramah pemula, tersedia lab kampus
SmartPLS / AMOS	SEM (variabel laten, multi-jalur)	SmartPLS untuk sampel kecil-menengah; AMOS untuk SEM berbasis kovarian
Eviews / Stata	Data time-series & panel (kurs, ekspor bulanan)	Kuat untuk autokorelasi & data deret waktu

Pilih software setelah teknik analisis ditentukan — bukan sebaliknya. Konsultasikan ketersediaan software dengan dosen pembimbing.

Setelah menentukan teknik analisis, langkah praktis berikutnya adalah memilih perangkat lunak yang sesuai, dan urutannya penting — pilih software setelah teknik ditentukan, bukan sebaliknya. SPSS adalah yang paling umum dipakai mahasiswa Manajemen karena ramah pemula dan tersedia di laboratorium kampus, cocok untuk uji t, ANOVA, korelasi, dan regresi termasuk regresi berganda. Kalau model penelitian Anda melibatkan variabel laten dengan banyak indikator dan beberapa jalur pengaruh berurutan, Anda memerlukan software SEM seperti SmartPLS yang cocok untuk ukuran sampel kecil hingga menengah, atau AMOS yang berbasis pendekatan kovarian dan biasanya menuntut sampel lebih besar. Kalau data Anda berupa deret waktu seperti kurs bulanan atau ekspor tahunan, Eviews atau Stata lebih kuat menangani isu autokorelasi dan struktur data panel. Jangan pernah memilih software dulu baru mencari-cari teknik yang cocok dengannya — selalu konsultasikan pilihan software ini dengan dosen pembimbing Anda, karena ketersediaan lisensi dan keahlian pembimbing juga perlu dipertimbangkan.

Latihan: Tentukan Teknik Analisis untuk Proposal Anda

Kerjakan individu (15 menit), lalu diskusikan berpasangan:

Instruksi

Tuliskan rumusan masalah proposal Anda (dari Pertemuan 3) apa adanya
Tandai kata kerja kuncinya: mendeskripsikan / membandingkan / menganalisis pengaruh / menguji hubungan
Tentukan skala pengukuran variabel bebas dan terikat Anda
Pilih teknik analisis menggunakan peta pilihan (Slide 8) dan tuliskan alasan pilihan Anda dalam 2-3 kalimat
Sebutkan software yang akan Anda pakai dan mengapa

Rangkuman hari ini: jenis data & skala → uji instrumen & asumsi klasik → uji beda/hubungan yang sesuai kata kerja rumusan masalah → baca nilai p → pilih software. Hasil latihan ini menjadi draf awal sub-bab Teknik Analisis Data di Bab 3 (Pertemuan 11).

Sekarang saatnya Anda praktik langsung dengan proposal Anda sendiri, bukan contoh kasus dari saya. Silakan ambil rumusan masalah yang sudah Anda susun di Pertemuan 3, lalu ikuti lima langkah di layar: pertama, tuliskan ulang rumusan masalah apa adanya; kedua, tandai kata kerja kuncinya, apakah mendeskripsikan, membandingkan, menganalisis pengaruh, atau menguji hubungan; ketiga, tentukan skala pengukuran variabel bebas dan terikat Anda; keempat, gunakan peta pilihan yang sudah kita bahas untuk menentukan teknik analisis, dan tuliskan alasannya dalam dua sampai tiga kalimat — bukan sekadar menyebut nama uji, tapi menjelaskan mengapa uji itu cocok; kelima, sebutkan software yang akan Anda pakai. Kerjakan lima belas menit secara individu, lalu diskusikan hasilnya dengan teman sebangku Anda dan saling mengoreksi. Hasil latihan hari ini akan langsung menjadi draf awal sub-bab teknik analisis data yang akan Anda kembangkan penuh di Pertemuan 11 saat menyusun draf proposal Bab 3 metode penelitian. Sampai jumpa di pertemuan berikutnya.