FEB UNDIP · Seminar Manajemen Keuangan

Seminar Manajemen Keuangan

Pertemuan 14 · Merencanakan Pengumpulan & Analisis Data: Instrumen Penelitian

Proposal Anda sudah punya masalah, pertanyaan, dan hipotesis. Hari ini kita jawab pertanyaan paling praktis: datanya dari mana, alat ukurnya seperti apa, dan diuji dengan cara apa?

RPS minggu 15 · 2x50 menit

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda mampu merancang instrumen penelitian dan rencana analisis data yang selaras dengan hipotesis proposal Anda (Sub-CPMK 15.1 & 15.2):

Capaian 1 — Instrumen

Jenis Sumber Data

Memilih & merancang instrumen pengumpulan data primer dan sekunder sesuai variabel penelitian.

Capaian 2 — Kualitas Alat Ukur

Uji Instrumen

Menguji validitas & reliabilitas kuesioner sebelum data dikumpulkan secara massal.

Capaian 3 — Sampel

Populasi & Teknik Sampling

Merumuskan populasi, sampel, dan kriteria pemilihan sampel penelitian.

Capaian 4 — Rencana Analisis

Bab III Utuh

Menyusun rencana teknik analisis data yang selaras dengan hipotesis, siap jadi draf Bab III.

Dua Mahasiswa, Dua Pertanyaan yang Sama Beratnya

Bayangkan dua rekan Anda sudah menyusun hipotesis pekan lalu. Sekarang keduanya mentok pada pertanyaan yang sama.

Mahasiswa A — Data Sekunder

DER→ROA

Struktur Modal & Profitabilitas

Hipotesis: struktur modal (DER) berpengaruh negatif terhadap profitabilitas (ROA) emiten manufaktur BEI. Datanya dari mana & diuji dengan apa?

Mahasiswa B — Data Primer

LK→PK

Literasi Keuangan & Perilaku Menabung

Hipotesis: literasi keuangan digital berpengaruh positif terhadap perilaku menabung mahasiswa pengguna Tokopedia/dompet digital. Kuesionernya seperti apa?

Dua topik berbeda ini butuh jenis data, instrumen, dan teknik analisis yang berbeda — tetapi logika perencanaannya sama. Itulah yang kita rangkai hari ini.

Bagian 1 dari 3

Jenis Data & Instrumen Pengumpulannya

Mengenali data primer vs sekunder, memilih instrumen yang sesuai, lalu merancang operasionalisasi variabel dan kisi-kisi instrumen.

Data Primer Data Sekunder Operasionalisasi

Data Primer vs Data Sekunder

Pilihan jenis data menentukan instrumen apa yang Anda butuhkan. Kenali dulu bedanya:

Aspek	Data Primer	Data Sekunder
Sumber	Langsung dari responden (kuesioner, wawancara)	Sudah tersedia dari pihak lain (laporan keuangan, BI, OJK)
Contoh topik keuangan	Literasi keuangan, perilaku investor ritel, minat pakai fintech	Struktur modal, kebijakan dividen, kinerja saham emiten BEI
Instrumen	Kuesioner (skala Likert), pedoman wawancara	Lembar tabulasi / checklist data laporan tahunan
Butuh uji instrumen?	Ya — validitas & reliabilitas	Tidak — cukup uji asumsi klasik model

Contoh: DER-ROA emiten BEI (Mahasiswa A) = data sekunder; literasi keuangan-perilaku menabung (Mahasiswa B) = data primer. Sebagian topik bahkan mencampur keduanya.

Instrumen untuk Data Sekunder: Lembar Tabulasi

Data sekunder tetap butuh instrumen — bukan kuesioner, melainkan lembar tabulasi/checklist yang menentukan angka mana yang diambil, dari mana, dan bagaimana dihitung.

Contoh untuk kasus BBCA: lembar tabulasi memuat kolom Total Utang, Total Ekuitas, Laba Bersih, Total Aset per tahun — dari situ DER dan ROA dihitung konsisten untuk seluruh sampel.

Instrumen untuk Data Primer: Kuesioner & Skala Likert

Kuesioner (angket berisi pernyataan terstruktur) adalah instrumen utama data primer. Setiap item biasanya diukur dengan skala Likert (skala sikap bertingkat):

Struktur Kuesioner

Bagian 1 — identitas & screening responden (mis. pengguna dompet digital?)
Bagian 2 — item pernyataan per variabel (literasi keuangan, perilaku menabung)
Bagian 3 — pertanyaan terbuka opsional (klarifikasi)

Contoh Skala Likert 1–5

1 = Sangat Tidak Setuju
2 = Tidak Setuju
3 = Netral
4 = Setuju
5 = Sangat Setuju

Contoh item: "Saya memahami cara kerja bunga majemuk sebelum menabung di aplikasi dompet digital." — mengukur indikator pemahaman konsep dasar keuangan.

Coba Sendiri: Susun Item Skala Likert

Tulis draf item pernyataan Anda sendiri dan lihat pratinjau bagaimana responden akan menjawabnya di skala 1–5.

Operasionalisasi Variabel: Dari Konsep ke Angka

Operasionalisasi variabel menerjemahkan konsep abstrak menjadi sesuatu yang bisa diukur — jembatan wajib sebelum menyusun kuesioner atau tabulasi:

Variabel	Definisi Operasional	Indikator
Struktur Modal (X)	Perbandingan sumber pendanaan utang & ekuitas perusahaan	Debt to Equity Ratio (DER)
Profitabilitas (Y)	Kemampuan perusahaan menghasilkan laba dari aset	Return on Assets (ROA)
Literasi Keuangan Digital (X)	Pemahaman & keterampilan mengelola keuangan lewat aplikasi digital	Pengetahuan dasar, keterampilan aplikasi, sikap terhadap risiko
Perilaku Menabung (Y)	Kecenderungan menyisihkan pendapatan secara rutin	Frekuensi menabung, konsistensi target, penggunaan fitur autodebet

Tiap indikator inilah yang nanti diterjemahkan menjadi item kuesioner (data primer) atau kolom tabulasi (data sekunder) — bukan ditulis langsung dari nama variabel.

Operasionalisasi variabel sering dilewatkan mahasiswa, padahal inilah kunci agar instrumen Anda benar-benar mengukur konsep yang dimaksud. Ambil contoh struktur modal — konsep ini abstrak, tetapi begitu dioperasionalkan menjadi debt to equity ratio, ia menjadi angka yang bisa dihitung dari laporan keuangan. Untuk variabel yang lebih persepsional seperti literasi keuangan digital, Anda perlu memecahnya menjadi beberapa indikator seperti pengetahuan dasar, keterampilan menggunakan aplikasi, dan sikap terhadap risiko, karena satu indikator saja tidak cukup mewakili konsep yang luas. Setiap indikator inilah yang nanti diturunkan menjadi butir kuesioner atau kolom tabulasi data. Tanpa tabel operasionalisasi yang jelas, penguji proposal akan mempertanyakan bagaimana Anda benar-benar mengukur variabel yang Anda klaim teliti.

Kisi-kisi Instrumen (Blueprint Kuesioner)

Kisi-kisi instrumen (blueprint) memetakan setiap indikator ke nomor item kuesioner — agar tidak ada indikator yang terlewat atau item yang mubazir:

Variabel	Indikator	Nomor Item
Literasi Keuangan Digital	Pengetahuan dasar keuangan	1, 2, 3
	Keterampilan aplikasi digital	4, 5, 6
	Sikap terhadap risiko	7, 8
Perilaku Menabung	Frekuensi menabung	9, 10
	Konsistensi target	11, 12
	Penggunaan fitur autodebet	13, 14, 15

Total 15 item untuk 2 variabel, 6 indikator. Kisi-kisi ini juga jadi peta saat menguji validitas per item di langkah berikutnya.

Coba Sendiri: Susun Kisi-Kisi Instrumen Anda

Tambahkan variabel, indikator, dan nomor item topik Anda sendiri, lalu lihat blueprint kuesioner tersusun otomatis.

Bagian 2 dari 3

Menguji Kualitas Instrumen

Sebelum disebar ke ratusan responden, kuesioner wajib diuji lebih dulu: validitas (ketepatan ukur) dan reliabilitas (konsistensi hasil).

Validitas Reliabilitas Hitung dari Nol

Hitung dari Nol — HDN-1: Uji Validitas (Korelasi Pearson)

Uji coba item X1 ke n=30 responden. Bandingkan skor item dengan skor total, cari r-hitung, lalu bandingkan dengan r-tabel:

Langkah	Perhitungan	Nilai
Data ringkas (n=30)	ΣX=105, ΣY=3.150, ΣXY=11.130, ΣX²=385, ΣY²=334.500	n = 30
Pembilang (numerator)	(30×11.130) − (105×3.150) = 333.900 − 330.750	3.150
Penyebut bagian X	(30×385) − 105² = 11.550 − 11.025	525
Penyebut bagian Y	(30×334.500) − 3.150² = 10.035.000 − 9.922.500	112.500
Penyebut total	√(525 × 112.500) = √59.062.500	≈ 7.685,21
r-hitung	3.150 ÷ 7.685,21	0,410
r-tabel (n=30, df=28, α=5%)	nilai tabel Pearson dua-sisi	0,361
Keputusan	0,410 > 0,361 → item mengukur konsisten dengan skor total	VALID ✓

Mari kita buktikan validitas item pertama kuesioner dari nol. Kita punya data ringkas dari tiga puluh responden uji coba: jumlah skor item, jumlah skor total, jumlah perkalian item dengan total, dan jumlah kuadrat masing-masing. Masukkan ke rumus korelasi Pearson: pembilangnya adalah selisih antara tiga puluh kali jumlah perkalian dengan perkalian dua jumlah tadi, hasilnya tiga ribu seratus lima puluh. Penyebutnya kita hitung dua bagian terpisah untuk X dan Y, lalu dikalikan dan diakar-kuadratkan menghasilkan sekitar tujuh ribu enam ratus delapan puluh lima. Bagilah pembilang dengan penyebut dan Anda dapatkan r-hitung nol koma empat satu nol. Karena nilai ini lebih besar dari r-tabel nol koma tiga enam satu untuk tiga puluh responden, item ini dinyatakan valid — ia benar-benar mengukur variabel yang dimaksud.

Coba Sendiri: Uji Validitas Item dengan Korelasi Pearson

Masukkan data skor item dan skor total dari uji coba Anda sendiri, lalu lihat r-hitung dan keputusan valid/tidaknya.

Hitung dari Nol — HDN-2: Uji Reliabilitas (Cronbach's Alpha)

Cronbach's Alpha (koefisien konsistensi internal) mengukur apakah seluruh item variabel konsisten mengukur hal yang sama. Variabel literasi keuangan (k=5 item):

Langkah	Perhitungan	Nilai
Jumlah item (k)	5 indikator pengetahuan & keterampilan	k = 5
Rasio k/(k−1)	5 ÷ 4	1,25
Σσi² (jumlah varians tiap item)	0,80+0,65+0,55+0,70+0,50	3,20
σt² (varians skor total)	dihitung dari total skor 5 item, n=30	9,50
Rasio Σσi² ÷ σt²	3,20 ÷ 9,50	0,337
1 − rasio	1 − 0,337	0,663
α (Cronbach's Alpha)	1,25 × 0,663	0,829
Keputusan	0,829 > 0,70 (batas minimal reliabel)	RELIABEL ✓

Coba Sendiri: Hitung Cronbach's Alpha Instrumen Anda

Ubah jumlah item dan varians tiap item, lalu amati bagaimana koefisien Alpha bergerak relatif terhadap ambang 0,70.

Populasi, Sampel & Teknik Sampling

Setelah instrumen valid & reliabel, tentukan siapa yang akan diukur. Contoh untuk dua topik kita:

Mahasiswa A — Purposive Sampling

Populasi: emiten manufaktur terdaftar BEI 2021-2025
Kriteria 1: laporan keuangan lengkap & diaudit
Kriteria 2: tidak delisting selama periode penelitian
Kriteria 3: ekuitas positif (menghindari DER ekstrem)
Hasil: 42 emiten × 5 tahun = 210 observasi

Mahasiswa B — Purposive Sampling

Populasi: mahasiswa FEB pengguna dompet digital
Kriteria 1: aktif bertransaksi >3 bulan terakhir
Kriteria 2: memiliki fitur tabungan/autodebet
Ukuran sampel: rumus Slovin, e=10%
Hasil: ~100 responden dari populasi 384

Purposive sampling (pengambilan sampel dengan kriteria tertentu) paling umum di riset manajemen keuangan — bukan asal ambil, tetapi mengikuti kriteria yang dijustifikasi dalam proposal.

Menentukan populasi dan sampel bukan sekadar formalitas administratif, melainkan menentukan seberapa kuat kesimpulan penelitian Anda bisa digeneralisasi. Untuk topik data sekunder seperti Mahasiswa A, populasi adalah seluruh emiten manufaktur di BEI, tetapi sampel dipersempit dengan kriteria purposive — laporan lengkap, tidak delisting, dan ekuitas positif — sehingga terkumpul empat puluh dua emiten selama lima tahun menjadi dua ratus sepuluh observasi data panel. Untuk topik data primer seperti Mahasiswa B, populasi adalah mahasiswa pengguna dompet digital, dan ukuran sampelnya dihitung dengan rumus Slovin sehingga sekitar seratus responden sudah representatif. Kuncinya, setiap kriteria yang Anda tetapkan harus dijustifikasi secara logis dalam proposal, bukan sekadar disebutkan tanpa alasan.

Merencanakan Analisis Data Sesuai Hipotesis

Teknik analisis bukan pilihan bebas — ia mengikuti bentuk hipotesis & jenis data. Ikuti alurnya untuk Mahasiswa A:

Langkah 1

Hipotesis: "DER berpengaruh negatif terhadap ROA" — pernyataan pengaruh 1 variabel bebas ke 1 variabel terikat.

Langkah 2

Jenis data: panel (gabungan cross-section 42 emiten & time-series 5 tahun).

Langkah 3

Teknik terpilih: regresi data panel — bukan regresi sederhana biasa, karena datanya dua dimensi.

Langkah 4

Uji pendukung: uji asumsi klasik (normalitas, multikolinearitas, heteroskedastisitas) sebelum uji hipotesis (uji t & uji F).

Pola pikirnya: hipotesis → bentuk hubungan → jenis data → teknik analisis. Tulis alur ini di proposal, jangan langsung lompat ke "menggunakan SPSS/Eviews".

Kesalahan paling umum mahasiswa adalah menulis teknik analisis dari hafalan tanpa menjelaskan mengapa teknik itu dipilih. Perhatikan alurnya: hipotesis Mahasiswa A menyatakan pengaruh satu variabel bebas terhadap satu variabel terikat, sebuah pernyataan hubungan sebab-akibat sederhana. Namun karena datanya adalah gabungan empat puluh dua emiten selama lima tahun, bentuknya adalah data panel yang punya dua dimensi, ruang dan waktu, sehingga teknik yang tepat bukan regresi sederhana biasa melainkan regresi data panel. Sebelum menguji hipotesis dengan uji t dan uji F, data panel wajib melewati uji asumsi klasik agar hasil regresinya tidak bias. Latihlah diri Anda menulis alur logis ini di proposal, karena penguji seminar akan langsung bertanya "mengapa memilih teknik ini" jika Anda hanya menyebut nama softwarenya.

Memilih Model Regresi Panel: Uji Chow & Uji Hausman

Data panel punya tiga model kandidat. Dua uji statistik menentukan model mana yang dipakai:

Uji Chow: Common Effect vs Fixed Effect. Uji Hausman (hanya bila Fixed Effect menang di Uji Chow): Fixed Effect vs Random Effect (model panel dengan efek acak antar-individu).

Jadwal & Tahapan Pengumpulan Data

Rencana instrumen tanpa jadwal hanya wacana. Susun tahapan realistis, misalnya untuk Mahasiswa B:

Urutan ini tidak boleh dibalik: uji validitas & reliabilitas wajib selesai sebelum kuesioner disebar massal — bukan sesudahnya.

Bagian 3 dari 3

Menyusun Bab III & Latihan Mandiri

Menyatukan instrumen, populasi-sampel, dan rencana analisis menjadi draf Bab Metode Penelitian — lalu Anda praktikkan untuk topik sendiri.

Struktur Bab III Latihan

Struktur Bab III: Metode Penelitian

Semua yang dibahas hari ini punya tempatnya masing-masing di Bab III proposal Anda:

Kerangka Bab III (Standar Proposal Manajemen Keuangan)

1 Jenis & Pendekatan Penelitian (kuantitatif, jenis data primer/sekunder)
2 Populasi, Sampel & Teknik Sampling (kriteria & justifikasinya)
3 Definisi Operasional Variabel (tabel variabel-indikator-skala)
4 Instrumen & Teknik Pengumpulan Data (kuesioner/tabulasi + kisi-kisi)
5 Uji Instrumen (validitas & reliabilitas — bila data primer)
6 Teknik Analisis Data (uji asumsi klasik, model, uji hipotesis)

Latihan: Rancang Instrumen & Rencana Analisis Topik Anda

Kerjakan langsung untuk topik proposal Anda masing-masing (20 menit, kerja individu):

Instruksi

Langkah 1: Tentukan jenis data penelitian Anda — primer, sekunder, atau campuran.
Langkah 2: Buat tabel operasionalisasi variabel (minimal 2 variabel, tiap variabel 2-3 indikator).
Langkah 3: Bila data primer — susun kisi-kisi instrumen (variabel → indikator → nomor item, minimal 10 item).
Langkah 4: Bila data sekunder — rancang kolom lembar tabulasi yang dibutuhkan.
Langkah 5: Tuliskan rencana teknik analisis data & alasannya (ikuti alur hipotesis → jenis data → teknik).

Kumpulkan hasil sebagai draf awal sub-bab Instrumen & Teknik Analisis Data di Bab III — akan direview di pertemuan berikutnya sebelum simulasi seminar proposal.

Ringkasan & Langkah Selanjutnya

Hari ini kita menutup rangkaian perencanaan proposal dengan tiga keterampilan inti:

Instrumen

Data primer → kuesioner & kisi-kisi. Data sekunder → lembar tabulasi. Keduanya lahir dari operasionalisasi variabel.

Uji Kualitas

Validitas (r-hitung vs r-tabel) & reliabilitas (Cronbach's Alpha > 0,70) wajib sebelum sebar massal.

Rencana Analisis

Teknik analisis mengikuti hipotesis & jenis data — bukan pilihan bebas atau sekadar nama software.

Draf Bab III Anda (instrumen + rencana analisis) hari ini adalah bahan utama pertemuan berikutnya: penyusunan proposal utuh sebelum simulasi seminar presentasi di UAS.