Program Studi Manajemen • FEB

Seminar Pasar Modal

Pertemuan 6 — Metodologi Penelitian: Desain dan Pendekatan

Setelah merumuskan hipotesis H0/H1 minggu lalu, sekarang saatnya menentukan bagaimana hipotesis itu akan diuji — desain penelitian, populasi, sampel, dan sumber data.

RPS MINGGU 6 · 2×50 MENIT

Bagian 1 dari 3

Dua Filosofi Besar Desain Penelitian

Memilih antara pendekatan kuantitatif dan kualitatif, sesuai rumusan masalah dan hipotesis yang sudah Anda susun.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu memilih dan merancang desain penelitian kuantitatif/kualitatif yang tepat untuk topik pasar modal Anda. Secara rinci:

CAPAIAN 1

DESAIN

Membedakan desain kuantitatif (deskriptif, komparatif, asosiatif/kausal) dan kapan desain kualitatif relevan.

CAPAIAN 2

POPULASI

Menentukan populasi dan teknik sampling (terutama purposive) yang sesuai kriteria topik.

CAPAIAN 3

HITUNG

Menghitung ilustrasi penyaringan sampel dan jumlah observasi data panel dari asumsi kriteria.

CAPAIAN 4

TERAPKAN

Menyusun rancangan desain penelitian utuh — desain, populasi, sampel, sumber data — untuk topik sendiri.

Mengapa Desain Penelitian Menentukan Kualitas Riset?

Bayangkan seorang mahasiswa sudah punya hipotesis: "ROA berpengaruh positif terhadap return saham." Namun ia langsung menyebar kuesioner ke teman-temannya tanpa menjawab tiga pertanyaan dasar berikut.

PERTANYAAN 1

DESAIN APA?

Untuk menguji hipotesis "pengaruh", apakah kuesioner ke teman kuliah data yang tepat, atau justru data laporan keuangan emiten?

PERTANYAAN 2

POPULASI SIAPA?

Populasinya seluruh perusahaan tercatat di BEI, atau hanya sektor tertentu seperti perbankan atau consumer goods?

PERTANYAAN 3

DATA DARI MANA?

Laporan keuangan & harga saham historis (sekunder), atau wawancara & kuesioner (primer)?

Kuesioner ke teman kuliah TIDAK BISA menguji hipotesis "ROA berpengaruh terhadap return saham" — hipotesis tentang emiten BEI harus diuji dengan data emiten BEI, bukan opini mahasiswa.

Kuantitatif vs Kualitatif: Dua Filosofi Riset

Kedua pendekatan menjawab pertanyaan berbeda: kuantitatif menjawab "seberapa besar/kuat", kualitatif menjawab "mengapa dan bagaimana secara mendalam".

KUANTITATIF (POSITIVISME)

ANGKA & UJI

Data berbentuk angka, diuji statistik untuk membuktikan/menolak hipotesis H0/H1 — misalnya regresi ROA terhadap return saham.

KUALITATIF (INTERPRETIVISME)

MAKNA & KONTEKS

Data berbentuk narasi/teks, dianalisis untuk memahami makna — misalnya alasan investor ritel panik menjual saat pasar anjlok.

Karena hipotesis H0/H1 Anda sudah dirumuskan sejak Pertemuan 5, mayoritas topik Seminar Pasar Modal akan memakai desain kuantitatif — kualitatif tetap relevan untuk isu governance atau perilaku investor yang butuh pemahaman mendalam.

Filosofi kuantitatif, atau positivisme, meyakini bahwa realitas bisa diukur secara objektif dengan angka, lalu diuji dengan statistik — inilah dunia regresi, uji-t, dan uji-F yang akan kita pelajari di Pertemuan 7. Filosofi kualitatif, atau interpretivisme, meyakini bahwa sebagian realitas — terutama perilaku dan makna — tidak bisa direduksi menjadi angka semata, sehingga perlu dipahami secara mendalam lewat wawancara atau analisis dokumen. Karena mata kuliah ini menuntun Anda merumuskan hipotesis H0 dan H1 sejak Pertemuan 5, secara logis desain penelitian Anda hampir pasti kuantitatif. Namun bukan berarti kualitatif tidak relevan di pasar modal — misalnya penelitian tentang bagaimana investor ritel Indonesia mengambil keputusan saat pasar anjlok drastis, seperti saat awal pandemi 2020, lebih cocok didekati secara kualitatif.

Desain Kuantitatif: Tiga Jenis Utama

Ketiganya berbeda pada seberapa dalam hubungan antar-variabel yang ingin dibuktikan.

MENGGAMBARKAN

DESKRIPTIF

Menggambarkan satu fenomena apa adanya — contoh: rata-rata return saham sektor perbankan BEI tahun 2023.

MEMBANDINGKAN

KOMPARATIF

Membandingkan dua kelompok/periode — contoh: kinerja saham syariah vs konvensional sebelum & sesudah COVID-19.

MEMBUKTIKAN PENGARUH

ASOSIATIF/KAUSAL

Menguji hubungan sebab-akibat antar-variabel — contoh: pengaruh ROA terhadap return saham (hipotesis H0/H1).

Karena Pertemuan 5 sudah menghasilkan hipotesis H0/H1 berbentuk "pengaruh X terhadap Y", desain yang paling relevan untuk proposal Anda adalah asosiatif/kausal.

Desain Kualitatif: Kapan Relevan di Riset Pasar Modal?

Meski jarang jadi pilihan utama, tiga desain kualitatif ini tetap dipakai untuk topik yang tidak bisa dijawab angka saja.

STUDI KASUS

1 PERISTIWA

Menelaah mendalam 1 emiten/peristiwa — contoh: strategi manajemen krisis Garuda Indonesia saat restrukturisasi utang.

ANALISIS KONTEN

TEKS/NARASI

Membedah isi laporan tahunan atau sentimen berita — contoh: nada optimis/pesimis Management Discussion emiten pasca-rugi.

FENOMENOLOGI

PENGALAMAN

Menggali pengalaman subjektif — contoh: bagaimana investor ritel pemula memaknai kerugian pertama mereka di bursa.

Ketiga desain ini bukan pilihan utama untuk menguji hipotesis H0/H1 yang sudah Anda rumuskan — tetap relevan bila topik Anda diperluas menjadi penelitian mixed-method di masa depan (mis. tesis S2).

Meski mayoritas topik kelas ini akan memakai desain kuantitatif, penting Anda mengenal tiga desain kualitatif yang tetap relevan di bidang pasar modal. Studi kasus menelaah satu peristiwa secara mendalam, misalnya bagaimana strategi manajemen krisis Garuda Indonesia saat restrukturisasi utang beberapa tahun lalu. Analisis konten membedah teks, misalnya menganalisis nada optimis atau pesimis pada bagian Management Discussion and Analysis di laporan tahunan emiten yang baru saja mengalami kerugian. Fenomenologi menggali pengalaman subjektif seseorang, misalnya bagaimana investor ritel pemula memaknai pengalaman kerugian pertamanya di bursa saham. Untuk proposal Anda semester ini, karena hipotesis H0 dan H1 sudah dirumuskan sejak Pertemuan 5, hampir pasti Anda akan memilih desain kuantitatif asosiatif seperti yang baru kita bahas — tiga desain kualitatif ini baik untuk Anda ketahui sebagai wawasan, dan mungkin relevan kelak bila Anda melanjutkan riset ke jenjang S2.

Bagian 2 dari 3

Populasi, Sampel, dan Sumber Data

Menentukan siapa yang diteliti, bagaimana menyaringnya menjadi sampel, dan dari mana data diperoleh.

Populasi Penelitian Pasar Modal: Siapa yang Diteliti?

Populasi adalah keseluruhan objek/subjek yang ingin Anda simpulkan hasilnya — di riset pasar modal, populasi umumnya bukan orang, melainkan perusahaan tercatat (emiten).

Contoh populasi lain: seluruh investor ritel aktif di aplikasi sekuritas tertentu — dipakai jika topik Anda tentang perilaku investor, bukan kinerja emiten.

Populasi adalah keseluruhan objek yang ingin Anda simpulkan hasilnya, dan di riset Seminar Pasar Modal, populasi biasanya bukan manusia melainkan perusahaan yang tercatat di Bursa Efek Indonesia, jumlahnya lebih dari sembilan ratus emiten dari berbagai sektor seperti perbankan, consumer goods, hingga teknologi. Sampel adalah bagian dari populasi itu yang benar-benar Anda teliti, disaring berdasarkan kriteria yang sesuai topik — misalnya hanya sektor consumer goods, atau hanya periode lima tahun terakhir. Ada juga topik yang populasinya berupa manusia, misalnya penelitian tentang perilaku investor ritel yang aktif berdagang saham lewat aplikasi sekuritas seperti Stockbit atau Ajaib — di kasus ini populasinya adalah investor, bukan emiten. Menentukan populasi dengan tepat sejak awal akan sangat memudahkan Anda menyusun kriteria sampling di slide berikutnya.

Coba Sendiri: Saring Populasi Emiten Jadi Sampel

Atur kriteria sektor dan periode lalu lihat berapa emiten dari populasi BEI yang lolos menjadi sampel penelitian.

Teknik Sampling: Probability vs Non-Probability

PROBABILITY SAMPLING

ACAK

Setiap anggota populasi punya peluang sama terpilih — random, sistematis, stratified. Umum untuk survei perilaku investor skala besar.

NON-PROBABILITY SAMPLING

TERSARING

Anggota sampel dipilih berdasarkan kriteria tertentu, bukan acak — purposive sampling paling dominan di riset emiten BEI.

Purposive sampling (glos: penarikan sampel berdasarkan kriteria/tujuan tertentu, bukan acak) dipilih di riset pasar modal karena tidak semua emiten punya data lengkap — kita harus menyaring yang memenuhi syarat analisis.

Probability sampling memberi setiap anggota populasi peluang yang sama untuk terpilih, cocok dipakai jika Anda meneliti persepsi ribuan investor ritel dan ingin hasilnya bisa digeneralisasi secara ketat. Namun untuk riset yang menggunakan data laporan keuangan emiten, probability sampling murni jarang dipakai, karena tidak semua dari sembilan ratus lebih emiten BEI punya data lengkap dan konsisten selama periode penelitian — ada yang baru IPO, ada yang delisting, ada yang laporannya tidak lengkap. Karena itu, riset Seminar Pasar Modal hampir selalu memakai non-probability sampling, khususnya purposive sampling, yaitu memilih sampel berdasarkan kriteria tertentu yang relevan dengan topik. Di slide berikutnya kita akan mempraktikkan langsung bagaimana proses penyaringan purposive sampling ini bekerja step demi step dengan angka nyata.

Hitung dari Nol: Menyaring Sampel Purposive dari Populasi BEI

Ilustrasi topik "Pengaruh ROA terhadap Return Saham" pada sektor consumer goods BEI, periode 2019–2023.

LANGKAH PENYARINGAN SAMPEL PURPOSIVE

Langkah	Perhitungan	Nilai
Populasi awal (emiten consumer goods BEI)	—	85 perusahaan
Kurang: IPO/delisting di tengah periode	85 − 15	70 perusahaan
Kurang: laporan keuangan 2019–2023 tidak lengkap	70 − 10	60 perusahaan
Kurang: rugi bersih berturut-turut (outlier ekstrem)	60 − 8	52 perusahaan
Kurang: data harga saham tidak lengkap (suspend)	52 − 4	48 perusahaan

SAMPEL AKHIR (PURPOSIVE)

48 Perusahaan

≈ 56% dari populasi awal 85 emiten — inilah sampel yang dipakai di regresi Pertemuan 7

Mari kita hitung bersama, langkah demi langkah, proses purposive sampling yang akan Anda lakukan sendiri untuk proposal masing-masing. Anggap populasi awal Anda adalah delapan puluh lima perusahaan sektor consumer goods yang tercatat di BEI. Kriteria pertama, kita keluarkan perusahaan yang IPO atau delisting di tengah periode 2019 sampai 2023, karena datanya tidak lengkap sepanjang periode — delapan puluh lima dikurangi lima belas, tersisa tujuh puluh perusahaan. Kriteria kedua, kita keluarkan yang laporan keuangannya tidak lengkap, tersisa enam puluh. Kriteria ketiga, kita keluarkan yang mengalami rugi bersih berturut-turut karena datanya menjadi outlier ekstrem yang mengganggu analisis regresi, tersisa lima puluh dua. Kriteria keempat, kita keluarkan yang data harga sahamnya tidak lengkap karena pernah disuspensi, sehingga sampel akhir kita adalah empat puluh delapan perusahaan. Perhatikan bahwa setiap kriteria harus punya alasan metodologis yang jelas, bukan sekadar mengarang syarat agar sampel pas dengan jumlah yang diinginkan.

Sumber Data: Sekunder vs Primer

DATA SEKUNDER

SUDAH ADA

Laporan keuangan & harga saham historis dari idx.co.id, situs perusahaan, atau data provider (RTI, Yahoo Finance).

DATA PRIMER

DIAMBIL SENDIRI

Kuesioner atau wawancara langsung ke responden — misalnya persepsi risiko investor ritel terhadap saham UMKM yang baru IPO.

Riset Seminar Pasar Modal dengan desain asosiatif/kausal (mis. pengaruh ROA terhadap return) hampir selalu memakai data sekunder — objektif, terverifikasi auditor, dan tidak rentan bias jawaban responden.

Data sekunder adalah data yang sudah tersedia dan dikumpulkan pihak lain, misalnya laporan keuangan yang diaudit dan dipublikasikan resmi di situs Bursa Efek Indonesia, idx.co.id, atau data harga saham historis dari penyedia seperti RTI Business atau Yahoo Finance. Data primer adalah data yang Anda kumpulkan sendiri langsung dari sumbernya, biasanya lewat kuesioner atau wawancara, misalnya jika Anda ingin tahu bagaimana persepsi risiko investor ritel terhadap saham UMKM yang baru pertama kali IPO di BEI. Karena mayoritas topik kelas ini berbentuk hipotesis pengaruh antar-variabel keuangan, seperti ROA terhadap return saham, data yang dipakai hampir selalu data sekunder, sebab datanya sudah diaudit, objektif, dan tidak rentan terhadap bias jawaban responden seperti pada kuesioner. Namun jika topik Anda menyentuh persepsi atau perilaku investor, Anda memerlukan data primer, dan di situlah pertanyaan berikutnya muncul: berapa jumlah responden yang cukup?

Coba Sendiri: Rumus Slovin — Menentukan Ukuran Sampel

Jika topik Anda memakai data primer (kuesioner ke investor ritel), rumus Slovin membantu menentukan jumlah responden minimal dari populasi yang diketahui. Geser margin kesalahan & populasi, amati ukuran sampel berubah.

Sekarang giliran Anda mencoba. Rumus Slovin dipakai ketika Anda tahu jumlah populasi tapi tidak mungkin meneliti semuanya — misalnya populasi investor ritel aktif di satu aplikasi sekuritas berjumlah puluhan ribu orang, terlalu banyak untuk disurvei semua. Silakan satu mahasiswa maju dan geser jumlah populasi serta margin kesalahan atau margin of error di widget ini, lalu perhatikan bagaimana ukuran sampel minimal berubah. Semakin kecil margin kesalahan yang Anda tetapkan, semakin besar jumlah responden yang dibutuhkan, karena Anda menuntut presisi lebih tinggi. Ingat, rumus Slovin ini hanya relevan jika desain penelitian Anda memakai data primer lewat kuesioner — kalau topik Anda tentang pengaruh ROA terhadap return saham dengan data sekunder, Anda tidak memakai rumus ini, melainkan purposive sampling seperti yang baru kita hitung.

Bagian 3 dari 3

Struktur Data & Merangkai Desain Utuh

Memahami dimensi waktu data, lalu menyusun rancangan desain penelitian yang lengkap dan konsisten.

Time Series, Cross-Section, dan Data Panel

Ketiganya berbeda pada dimensi waktu data yang dikumpulkan — pilihan ini menentukan teknik analisis di Pertemuan 7.

Riset asosiatif "pengaruh ROA terhadap return saham" pada 48 perusahaan × 5 tahun berarti Anda menggunakan data panel (glos: gabungan data lintas-perusahaan & lintas-waktu) — jenis data paling umum di skripsi/proposal Seminar Pasar Modal.

Time series adalah data satu objek yang diamati berulang kali sepanjang waktu, misalnya pergerakan harian Indeks Harga Saham Gabungan dari tahun 2015 sampai 2024 — hanya satu objek, IHSG, tapi banyak titik waktu. Cross-section sebaliknya, mengamati banyak objek pada satu titik waktu yang sama, misalnya ROA lima puluh perusahaan pada tahun 2023 saja. Data panel adalah gabungan keduanya, mengamati banyak perusahaan sekaligus sepanjang beberapa tahun — inilah struktur data yang paling sering dipakai di skripsi dan proposal Seminar Pasar Modal, karena hipotesis pengaruh biasanya perlu dibuktikan pada banyak perusahaan dan banyak tahun sekaligus agar kesimpulannya lebih kuat. Sampel empat puluh delapan perusahaan yang kita hitung tadi, jika diamati selama lima tahun, otomatis menjadi data panel, dan itulah yang akan kita hitung total observasinya di slide berikutnya.

Hitung dari Nol: Menghitung Total Observasi Data Panel

Melanjutkan sampel 48 perusahaan dari Hitung dari Nol sebelumnya, diamati selama periode 2019–2023.

LANGKAH PERHITUNGAN TOTAL OBSERVASI PANEL

Langkah	Perhitungan	Nilai
Jumlah perusahaan sampel (N)	dari sampel purposive	48 perusahaan
Periode pengamatan (T)	2019–2023	5 tahun
Total observasi panel (kotor)	48 × 5	240 observasi
Kurang: observasi data tidak lengkap	240 − 12	228 observasi

TOTAL OBSERVASI PANEL FINAL

228 Observasi

panel tidak seimbang (unbalanced) dari 48 perusahaan × 5 tahun, dikurangi 12 observasi data hilang

Sekarang mari hitung berapa total observasi yang akan Anda analisis di Pertemuan 7 nanti. Jumlah perusahaan sampel N sama dengan empat puluh delapan, hasil penyaringan purposive sampling yang baru kita hitung. Periode pengamatan T adalah lima tahun, dari 2019 sampai 2023. Total observasi panel secara kotor dihitung dengan mengalikan N dengan T, yaitu empat puluh delapan dikali lima sama dengan dua ratus empat puluh observasi perusahaan-tahun. Namun dalam praktiknya, tidak semua perusahaan punya data lengkap di setiap tahun — mungkin ada laporan keuangan yang telat terbit atau data harga saham yang bolong di tahun tertentu — sehingga kita kurangi dua belas observasi yang tidak lengkap, menyisakan dua ratus dua puluh delapan observasi final. Data seperti ini disebut panel tidak seimbang atau unbalanced panel, dan jumlah observasi inilah yang akan menjadi dasar perhitungan regresi Anda di Pertemuan 7.

Walkthrough: Merangkai Desain Penelitian Utuh

Topik contoh: "Pengaruh ROA terhadap Return Saham Perusahaan Consumer Goods di BEI" — lima komponen ini harus konsisten satu sama lain.

1. Desain penelitian: asosiatif/kausal — karena hipotesisnya berbentuk "pengaruh X terhadap Y" (H0/H1 dari Pertemuan 5).
2. Populasi: seluruh perusahaan sektor consumer goods tercatat di BEI (± 85 emiten).
3. Teknik sampling: purposive sampling — kriteria: terdaftar penuh 2019–2023, laporan lengkap, tidak rugi berturut-turut → 48 perusahaan.
4. Sumber data: data sekunder — laporan keuangan (idx.co.id) & harga saham historis.
5. Struktur data: data panel — 48 perusahaan × 5 tahun = 228 observasi (setelah dikurangi data tidak lengkap).

Perhatikan: kelima komponen ini saling mengunci — desain asosiatif menuntun ke populasi emiten, populasi emiten menuntun ke purposive sampling, dan seterusnya.

Sekarang mari kita rangkai kelima komponen yang sudah kita pelajari menjadi satu kesatuan metodologi yang utuh, memakai topik pengaruh ROA terhadap return saham sebagai contoh. Karena hipotesisnya berbentuk pengaruh, desainnya otomatis asosiatif atau kausal, bukan deskriptif atau komparatif. Karena objek yang diteliti adalah perusahaan, populasinya adalah emiten consumer goods di BEI, bukan investor atau mahasiswa. Karena tidak semua emiten punya data lengkap, teknik samplingnya purposive, menghasilkan empat puluh delapan perusahaan seperti yang kita hitung tadi. Karena datanya berupa laporan keuangan dan harga saham, sumber datanya sekunder, bukan kuesioner. Dan karena diamati lima tahun pada empat puluh delapan perusahaan sekaligus, struktur datanya panel. Perhatikan bagaimana kelima komponen ini saling mengunci secara logis — inilah yang akan Anda praktikkan sendiri di latihan berikutnya.

Latihan: Rancang Desain Penelitian Topik Anda

Kerjakan individu/berpasangan, 15 menit. Gunakan topik & hipotesis dari Pertemuan 3–5, lalu isi kelima komponen berikut secara ringkas:

LANGKAH 1

1–2

Tentukan desain penelitian (asosiatif/deskriptif/komparatif) dan populasi yang sesuai topik.

LANGKAH 2

Tulis kriteria purposive sampling Anda — minimal 3 kriteria beserta alasannya.

LANGKAH 3

4–5

Tentukan sumber data (sekunder/primer) dan struktur data (time series/cross-section/panel).

Beberapa mahasiswa akan diminta menyampaikan rancangannya secara singkat (2 menit) — kelas lain boleh bertanya "apakah kriteria sampling Anda punya alasan metodologis, atau sekadar mengarang supaya jumlahnya pas?"

Sekarang giliran Anda mempraktikkan langsung apa yang sudah kita pelajari hari ini. Kerjakan secara individu atau berpasangan dalam lima belas menit ke depan, dengan mengambil topik dan hipotesis yang sudah Anda susun di Pertemuan 3 sampai 5. Langkah pertama, tentukan jenis desain penelitian dan populasi yang tepat untuk topik Anda. Langkah kedua, tuliskan minimal tiga kriteria purposive sampling beserta alasan metodologisnya masing-masing — ingat, kriteria tidak boleh dikarang hanya supaya jumlah sampelnya pas. Langkah ketiga, tentukan apakah data Anda sekunder atau primer, dan apakah strukturnya time series, cross-section, atau panel. Saya akan berkeliling membantu yang kesulitan, dan di akhir sesi beberapa mahasiswa akan saya minta menyampaikan rancangannya secara singkat, di mana kelas lain boleh menguji apakah kriteria sampling yang dipilih benar-benar beralasan.

Kesalahan Umum Menyusun Desain Penelitian

KESALAHAN 1

DESAIN SEBELUM HIPOTESIS

Memilih desain penelitian sebelum hipotesis final — padahal bentuk hipotesis (deskriptif/pengaruh) yang menentukan desain.

KESALAHAN 2

POPULASI TERLALU LUAS

Menulis "seluruh perusahaan di BEI" sebagai populasi tanpa batasan sektor/periode — sulit dijustifikasi & sulit disaring.

KESALAHAN 3

KRITERIA SAMPLING DIKARANG

Menyusun kriteria purposive sampling mundur agar jumlah sampel "pas", bukan berdasar alasan metodologis yang jelas.

KESALAHAN 4

STRUKTUR DATA SALAH

Memakai data cross-section 1 tahun untuk menguji hipotesis pengaruh jangka panjang — seharusnya data panel multi-tahun.

Sebelum kita tutup pertemuan ini, penting Anda mengenali empat kesalahan paling umum yang saya lihat berulang setiap semester. Pertama, memilih desain penelitian sebelum hipotesis benar-benar final — padahal urutannya seharusnya terbalik, bentuk hipotesis Andalah yang menentukan jenis desain, bukan sebaliknya. Kedua, menulis populasi terlalu luas seperti "seluruh perusahaan di BEI" tanpa batasan sektor atau periode, sehingga sulit dijustifikasi dan sulit disaring menjadi sampel yang layak. Ketiga, menyusun kriteria purposive sampling secara mundur, artinya menentukan dulu jumlah sampel yang diinginkan lalu mengarang kriteria supaya angkanya pas — ini pelanggaran metodologis serius yang akan langsung terlihat oleh dosen penguji. Keempat, memakai struktur data cross-section satu tahun untuk menguji hipotesis pengaruh jangka panjang, padahal seharusnya memakai data panel multi-tahun seperti yang baru kita praktikkan.

Rangkuman & Persiapan Pertemuan Berikutnya

CHEAT SHEET — 5 KOMPONEN DESAIN PENELITIAN

Komponen	Inti
Desain	Deskriptif/komparatif/asosiatif (kuantitatif) — ikuti bentuk hipotesis H0/H1
Populasi	Emiten BEI (atau investor) sesuai batasan sektor & periode topik
Sampling	Purposive sampling — kriteria beralasan, bukan dikarang mundur
Sumber data	Sekunder (laporan keuangan/harga saham) dominan; primer bila perilaku investor
Struktur data	Data panel (N × T) paling umum untuk uji hipotesis pengaruh

MINGGU DEPAN (P7)

Teknik Analisis Data — memilih uji statistik (regresi, uji-t, uji-F) yang sesuai desain & struktur data hari ini.

TUGAS

METODOLOGI DRAF

Tuliskan lengkap kelima komponen desain penelitian topik Anda & kumpulkan sebelum pertemuan berikutnya.

Mari kita rangkum apa yang sudah kita pelajari hari ini. Metodologi penelitian yang kuat terdiri atas lima komponen yang saling mengunci: desain penelitian yang mengikuti bentuk hipotesis Anda, populasi yang dibatasi jelas sesuai topik, teknik purposive sampling dengan kriteria yang beralasan, sumber data yang sesuai sifat variabel, dan struktur data yang tepat untuk menguji hipotesis pengaruh. Minggu depan, di Pertemuan 7, kita akan melangkah ke teknik analisis data — memilih uji statistik yang tepat, seperti regresi berganda, uji-t, dan uji-F, berdasarkan desain dan struktur data yang sudah Anda tetapkan hari ini. Sebagai tugas, tuliskan lengkap kelima komponen desain penelitian untuk topik Anda sendiri dan kumpulkan sebelum pertemuan berikutnya, karena draf metodologi ini akan menjadi dasar memilih teknik analisis yang kita bahas minggu depan. Terima Kasih, sampai jumpa di pertemuan berikutnya.