Pertemuan 14: Rangkuman & Etika Penelitian Statistik

Tujuan Pertemuan Penutup

Setelah pertemuan ini, Anda diharapkan mampu menunjukkan integritas dan etika dalam analisis data (Sub-CPMK 9). Secara rinci:

Capaian 1 — Roadmap

Menyusun peta perjalanan statistika bisnis II dari probabilitas hingga uji asumsi klasik dalam satu diagram alur tanpa panduan.

Capaian 2 — Etika Data

Mengidentifikasi tiga bentuk pelanggaran etika — fabrikasi, falsifikasi, p-hacking — dan dampak akademik/profesionalnya.

Capaian 3 — Checklist

Memeriksa laporan statistik menggunakan checklist kelayakan sebelum dikumpulkan, tanpa bantuan dosen.

Capaian 4 — Pemilihan Uji

Memilih uji yang tepat (parametrik vs non-parametrik) lewat decision tree (pohon keputusan — diagram alur bercabang berdasarkan kondisi data).

Kenapa Etika dan Akurasi Sama Pentingnya?

"Kemampuan statistika tanpa etika menghasilkan angka yang 'benar secara teknis' tetapi menyesatkan secara substansi."

Kasus Nyata (Internasional): Penelitian psikologi 2015 — hanya ~36% dari 100 studi bisa direplikasi (pengulangan studi untuk memverifikasi temuan asli). Salah satu faktor utama: p-hacking dan selective reporting (hanya melaporkan hasil yang mendukung hipotesis). Sumber: Open Science Collaboration, 2015, Science 349(6251).

Konteks Indonesia: Laporan keuangan perusahaan publik BEI yang data statistiknya tidak dapat diverifikasi ulang menjadi sinyal red flag (sinyal peringatan dini bahwa ada sesuatu yang bermasalah) bagi OJK (Otoritas Jasa Keuangan — pengawas sektor keuangan Indonesia).

Standar analisis yang beretika melindungi karir Anda, meningkatkan kepercayaan pada temuan, dan berkontribusi pada ilmu yang dapat diandalkan.

Saya ingin membuka pertemuan terakhir ini dengan pertanyaan yang jarang dibahas di kelas statistika: apa yang terjadi jika kemampuan teknis dipakai tanpa etika? Pada tahun 2015, sekelompok peneliti internasional mencoba mereplikasi seratus penelitian psikologi di jurnal bergengsi dan hasilnya mengejutkan: hanya sekitar 36% yang hasilnya bisa dikonfirmasi ulang. Salah satu penyebab utamanya bukan karena alat statistiknya salah, melainkan karena data dianalisis secara tidak transparan. Di Indonesia, OJK pun telah menyoroti laporan-laporan analisis yang tidak dapat diverifikasi ulang — konsekuensinya bisa sangat luas bagi investor. Inilah mengapa hari ini kita dedikasikan satu sesi khusus untuk etika, bukan sekadar karena ada di RPS, melainkan karena ini adalah perlindungan nyata bagi karir Anda.

Bagian 1 dari 4

Roadmap Statistika Bisnis II

Dari probabilitas sebagai fondasi hingga regresi berganda dan uji asumsi klasik — satu semester dalam satu peta.

Probabilitas Inferensi Regresi

Peta Perjalanan: Probabilitas → Inferensi → Regresi

Setiap blok bergantung pada blok sebelumnya. Regresi adalah ujung piramida — tidak bisa dijalankan tanpa menguasai uji hipotesis, dan uji hipotesis tidak bisa dipahami tanpa distribusi. CLT = Central Limit Theorem (rata-rata sampel besar mendekati distribusi normal); VIF = Variance Inflation Factor (ukuran derajat multikolinearitas).

Review: Estimasi & Distribusi Sampling

Estimasi menghubungkan statistik sampel (x̄, p̂) dengan parameter populasi (μ, π) melalui selang kepercayaan. SE = standar error (standar deviasi dari distribusi sampling); df = degrees of freedom / derajat bebas.

Konsep	Rumus / Formula	Catatan
Interval kepercayaan μ (σ diketahui)	x̄ ± z_(α/2) · σ/√n	Pakai tabel Z
Interval kepercayaan μ (σ tidak diketahui)	x̄ ± t_{(α/2, n-1)} · s/√n	Tabel t, df = n–1
Interval kepercayaan proporsi	p̂ ± z_(α/2) · √[p̂(1−p̂)/n]	Syarat: np̂ ≥ 5 DAN n(1−p̂) ≥ 5
Standar error mean	SE = σ/√n	Makin besar n → SE mengecil

Tingkat kepercayaan 95% artinya: jika proses sampling diulang 100 kali, sekitar 95 interval akan mencakup μ yang sebenarnya — bukan berarti 95% kemungkinan μ ada di dalam satu interval tertentu.

Estimasi adalah jembatan pertama antara data sampel yang kita miliki dan kesimpulan tentang populasi yang lebih besar. Ada satu miskonsepsi yang sangat umum yang perlu saya luruskan: interval kepercayaan 95% sering diartikan "ada 95% kemungkinan bahwa μ ada di dalam interval ini". Itu tidak tepat. Interval kepercayaan adalah sifat dari prosedur, bukan sifat dari satu interval tertentu. Jika prosedur yang sama diulang seratus kali dengan sampel berbeda, sekitar sembilan puluh lima dari seratus interval yang dihasilkan akan mencakup nilai μ yang sebenarnya. Contoh dari BPS: ketika BPS menerbitkan interval kepercayaan untuk angka kemiskinan nasional, artinya adalah prosedur estimasi itu — jika diulang dengan berbagai sampel — akan menghasilkan 95% interval yang mencakup nilai parameter sesungguhnya.

Review: Kerangka Uji Hipotesis

Lima langkah universal — berlaku untuk uji Z, t, F, χ², ANOVA, dan semua uji statistik.

1Rumuskan H₀ dan H₁ — H₀ = klaim yang diuji (status quo); H₁ = alternatif yang dibuktikan.
2Tetapkan tingkat signifikansi (α) — biasanya 0,05 atau 0,01. Ini probabilitas kesalahan Tipe I (menolak H₀ yang sebenarnya benar; "false positive") yang Anda toleransi.
3Pilih dan hitung statistik uji — Z, t, F, dll. Bergantung pada jenis data dan asumsi yang terpenuhi.
4Bandingkan dengan nilai kritis atau hitung p-value — tolak H₀ jika |statistik uji| > nilai kritis, atau jika p-value < α. p-value = probabilitas mendapatkan hasil setidaknya se-ekstrem hasil yang diamati, asumsi H₀ benar.
5Buat kesimpulan dalam konteks — jangan hanya tulis "tolak H₀"; terjemahkan ke bahasa substantif.

Kesalahan Tipe I (α): menolak H₀ yang benar. Kesalahan Tipe II (β): gagal menolak H₀ yang salah. Keduanya tidak bisa diminimalkan bersamaan tanpa menambah n.

Lima langkah ini adalah tulang punggung semua pengujian hipotesis yang kita pelajari, dari uji-t sederhana hingga uji-F dalam regresi berganda. Yang paling sering dilupakan mahasiswa adalah langkah kelima: membuat kesimpulan dalam konteks. Ketika seseorang menulis "tolak H₀" di kertas ujian, itu baru setengah jawaban — yang dinilai adalah apakah Anda bisa menerjemahkan keputusan statistik itu ke dalam pernyataan bermakna tentang masalah yang diteliti. Misalnya, jika menguji apakah rata-rata penjualan BBCA di BEI berbeda dari benchmark, kesimpulannya bukan "tolak H₀" saja, tetapi "ada bukti statistik bahwa rata-rata penjualan berbeda dari benchmark pada α = 0,05". Perhatikan juga hubungan antara α dan β — satu-satunya cara untuk mengurangi keduanya sekaligus adalah dengan meningkatkan ukuran sampel n.

Review: Korelasi vs Regresi Sederhana

Keduanya menganalisis hubungan dua variabel kuantitatif, tetapi dengan tujuan yang berbeda.

Korelasi Pearson (r)

Mengukur kekuatan dan arah hubungan linear. Nilai: −1 ≤ r ≤ +1. Tidak ada X "penyebab" dan Y "akibat" — hubungan simetris.

Uji signifikansi: t = r√(n−2)/√(1−r²), df = n−2.

Regresi Sederhana (ŷ = a + bX)

Membangun model prediksi — seberapa besar perubahan Y ketika X naik satu satuan. X = prediktor, Y = respons.

R² (koefisien determinasi — proporsi variansi Y yang dapat dijelaskan model) = r² untuk regresi sederhana.

Korelasi ≠ kausalitas. Es krim terjual lebih banyak di bulan angka tenggelam tinggi — korelasi positif, tetapi es krim bukan penyebab tenggelam (keduanya naik saat musim panas). Selalu tanyakan: adakah variabel ketiga yang menjelaskan korelasi ini?

Review: Regresi Berganda & Empat Asumsi Klasik

Model: Ŷ = b₀ + b₁X₁ + b₂X₂ + … + bₖXₖ. Empat asumsi MUST dipenuhi agar estimasi OLS (Ordinary Least Squares — metode kuadrat terkecil biasa) valid. Akronim bantu: MNHA.

Asumsi	Nama	Uji Deteksi	Solusi Umum
Residual berdistribusi normal	Normalitas	Histogram residual; Kolmogorov-Smirnov	Transformasi data; tambah n
Tidak ada korelasi antar-prediktor	Bebas Multikolinearitas	VIF < 10	Hapus/gabung variabel
Variansi residual konstan	Bebas Heterokedastisitas	Scatterplot residual; Breusch-Pagan	Transformasi Y; WLS
Residual tidak berkorelasi serial	Bebas Autokorelasi	Durbin-Watson (DW ≈ 2)	Diferensiasi; model AR

Multikolinearitas (VIF > 10 = bahaya) · Normalitas (distribusi residual, bukan data mentah) · Heterokedastisitas (pola kipas pada scatterplot) · Autokorelasi (DW jauh dari 2 — umum pada data deret waktu)

Regresi berganda adalah alat paling kuat yang kita pelajari di Statistika Bisnis II, tetapi kekuatannya bergantung pada terpenuhinya empat asumsi klasik. Normalitas berhubungan dengan distribusi residual, bukan distribusi datanya — ini perbedaan penting yang sering salah dipahami. Multikolinearitas menjadi masalah ketika variabel-variabel prediktor saling berkorelasi tinggi, sehingga koefisien regresi menjadi tidak stabil — VIF di atas sepuluh adalah sinyal bahaya. Heteroskedastisitas terjadi ketika variansi error tidak konstan, terlihat dari pola kipas pada scatterplot residual. Autokorelasi adalah masalah klasik data deret waktu. Pelanggaran asumsi-asumsi ini tidak otomatis membuat model salah total, tetapi membuat inferensi statistiknya — uji-t dan uji-F — menjadi tidak dapat dipercaya.

Decision Tree: Uji Apa yang Harus Saya Pakai?

Aturan simpel: data kuantitatif + asumsi terpenuhi → uji parametrik. Pelanggaran asumsi atau data ordinal/nominal → pertimbangkan non-parametrik.

Salah satu pertanyaan yang paling sering datang dari mahasiswa adalah "statistik apa yang harus saya pakai untuk kasus ini?" Decision tree ini adalah panduan praktis untuk menjawab pertanyaan itu. Cabang utama pertama adalah tentang tujuan: apakah Anda ingin mengetahui hubungan atau perbedaan? Jika hubungan — dan datanya kuantitatif kontinu serta asumsi normalitas terpenuhi — korelasi Pearson atau regresi adalah pilihan. Jika perbedaan, pertanyaan berikutnya adalah berapa kelompok yang dibandingkan: dua kelompok mengarah ke uji-t, lebih dari dua kelompok mengarah ke ANOVA. Kemudian untuk setiap cabang parametrik, ada alternatif non-parametriknya jika asumsi tidak terpenuhi. Ingat bahwa decision tree ini adalah penyederhanaan — di lapangan ada banyak pertimbangan tambahan, seperti apakah sampel independen atau berpasangan.

Bagian 2 dari 4

Etika dalam Analisis Data

Tiga pelanggaran yang wajib dihindari, plagiarisme statistik, dan Kode Etik Peneliti UNDIP.

Fabrikasi Falsifikasi P-Hacking

Tiga Pelanggaran Etika Data yang Wajib Dihindari

1 — Fabrikasi (Fabrication)

Membuat data fiktif yang tidak pernah dikumpulkan.

Contoh: mengisi kuesioner sendiri untuk memenuhi target n, atau mengarang angka hasil survei yang tidak pernah dilakukan.

2 — Falsifikasi (Falsification)

Memodifikasi data nyata agar sesuai hipotesis.

Contoh: menghapus outlier yang "mengganggu" tanpa alasan metodologis, atau membulatkan angka secara tidak jujur agar tampak signifikan.

3 — P-Hacking (Selective Reporting)

Mencoba banyak variasi analisis (variabel, sampel, metode) hingga mendapat p < 0,05, lalu hanya melaporkan yang signifikan — menyembunyikan yang tidak signifikan.

Ketiganya melanggar Kode Etik Peneliti UNDIP (LPPM UNDIP, 2020) dan berpotensi mengakibatkan: pembatalan nilai/skripsi, sanksi akademik, pencabutan gelar, dan pelarangan publikasi.

Tiga pelanggaran ini — fabrikasi, falsifikasi, dan p-hacking — dianggap oleh komunitas ilmiah internasional sebagai pelanggaran integritas penelitian yang paling serius. Fabrikasi adalah yang paling mudah dipahami: Anda membuat data yang tidak pernah ada. Falsifikasi lebih halus: datanya asli, tetapi diubah — paling umum adalah menghapus outlier dengan alasan tidak representatif padahal sebenarnya karena hasilnya tidak sesuai harapan. P-hacking adalah yang paling berbahaya karena paling mudah dibuat terlihat sah: Anda tidak berbohong tentang satu angka, tetapi Anda melakukan eksplorasi tidak terdokumentasi atas banyak pilihan analisis dan hanya melaporkan yang berhasil — ini secara diam-diam meningkatkan kemungkinan mendapatkan hasil positif palsu. Kode Etik Peneliti UNDIP secara eksplisit melarang ketiganya.

Studi Kasus: Bagaimana P-Hacking Bekerja

Simulasi: peneliti menguji k variabel tidak relevan satu per satu terhadap Y, α = 0,05. Formula: P(≥ 1 positif palsu) = 1 − (1 − α)^k = 1 − (0,95)^k

Langkah	k (jumlah uji)	Perhitungan	Hasil
L1	k = 1	1 − (0,95)¹ = 1 − 0,9500	0,05 ≈ 5% (wajar)
L2	k = 5	(0,95)⁵ = 0,7738; lalu 1 − 0,7738	0,2262 ≈ 23% (bermasalah)
L3	k = 10	(0,95)¹⁰ = 0,5987; lalu 1 − 0,5987	0,4013 ≈ 40% (tidak dipercaya)
L4	k = 20	(0,95)²⁰ = 0,3585; lalu 1 − 0,3585	0,6415 ≈ 64% (mayoritas palsu)

P(k=20) = 64% positif palsu — inflasi Type I Error

Solusi etis: pre-registrasi hipotesis (mendaftarkan hipotesis dan rencana analisis secara publik sebelum data dikumpulkan) sebelum mengumpulkan data; laporkan semua uji yang dilakukan; koreksi Bonferroni (bagi α dengan k) jika uji berganda.

Angka di tabel ini adalah yang membuat banyak ilmuwan statistika kehilangan kepercayaan pada literatur tertentu. Mari kita bayangkan peneliti yang punya dua puluh variabel kandidat dan menguji semua satu per satu terhadap variabel Y. Jika semua variabel benar-benar tidak berpengaruh, secara teori hanya sekitar satu dari dua puluh uji yang akan menghasilkan p di bawah 0,05 secara kebetulan. Tetapi jika peneliti hanya melaporkan yang satu itu dan menyembunyikan sembilan belas yang tidak signifikan, ia terlihat menemukan sesuatu yang bermakna, padahal itu murni keberuntungan statistik. Formula membuktikan bahwa dengan dua puluh variabel, kemungkinan mendapatkan setidaknya satu positif palsu sudah mencapai 64%. Di tingkat mahasiswa, solusi praktisnya adalah selalu laporkan semua analisis yang Anda coba, termasuk yang tidak signifikan. Sumber: Simmons, Nelson & Simonsohn (2011), Psychological Science, 22(11), 1359–1366.

Plagiarisme Statistik: Bentuk & Konsekuensi

Plagiarisme tidak hanya menyalin teks — menyalin angka, tabel, dan diagram tanpa atribusi (pemberian kredit kepada sumber asli) juga termasuk plagiarisme.

Bentuk Plagiarisme Data

Mengambil tabel statistik dari paper/laporan lain tanpa mencantumkan sumber
Menampilkan grafik orang lain sebagai "hasil analisis sendiri"
Menggunakan dataset orang lain tanpa izin atau kredit
Menyalin interpretasi statistik verbatim tanpa tanda kutip/atribusi

Konsekuensi

Di UNDIP: nilai E atau pembatalan tugas/skripsi
Catatan akademik permanen (transkrip)
Berpotensi pencabutan gelar setelah lulus
Di dunia kerja: PHK, tuntutan hukum

Solusi: selalu citasi sumber data dan tabel; gunakan Turnitin/Urkund untuk cek teks; dokumentasikan asal-usul setiap angka (siapa yang mengumpulkan, kapan, metode apa).

Kode Etik Peneliti UNDIP — Poin Kunci

Diterbitkan LPPM UNDIP (Lembaga Penelitian dan Pengabdian kepada Masyarakat UNDIP, 2020) — berlaku untuk semua sivitas akademika, termasuk mahasiswa yang mengerjakan tugas dan skripsi.

1Kejujuran: Melaporkan metode, data, dan hasil secara jujur dan transparan.
2Objektivitas: Tidak membiarkan kepentingan pribadi atau bias mempengaruhi interpretasi data.
3Integritas: Konsisten antara apa yang direncanakan, yang dilakukan, dan yang dilaporkan.
4Kehati-hatian: Menghindari kesalahan dalam pengumpulan data, analisis, dan penafsiran.

5Keterbukaan: Bersedia berbagi data, metode, dan hasil dengan komunitas ilmiah.
6Larangan Fabrikasi & Falsifikasi: Secara eksplisit melarang membuat, memodifikasi, atau menghilangkan data.
7Pengakuan Kontribusi: Memberikan kredit kepada semua pihak yang berkontribusi pada penelitian.

Kode Etik UNDIP selaras dengan Singapore Statement on Research Integrity (2010) — deklarasi internasional yang diadopsi oleh ratusan universitas dari lebih dari 60 negara, termasuk MIT, Oxford, dan universitas-universitas Asia top.

Kode Etik Peneliti UNDIP bukan sekadar dokumen administratif — ini adalah kontrak moral antara Anda sebagai peneliti dengan komunitas akademik dan masyarakat yang memanfaatkan hasil penelitian Anda. Tujuh prinsip ini adalah distilasi dari nilai-nilai yang sudah diakui secara universal oleh komunitas ilmiah global. Yang menarik, Kode Etik UNDIP selaras dengan Singapore Statement on Research Integrity yang diadopsi ratusan universitas dari lebih dari enam puluh negara — jadi standar yang Anda pelajari hari ini berlaku tidak hanya di Semarang, tetapi juga di universitas manapun yang Anda ingin berkolaborasi kelak. Prinsip keterbukaan atau openness adalah yang paling relevan dengan perkembangan terkini: tren open data dan open science kini semakin didorong oleh penerbit jurnal internasional bergengsi, yang meminta peneliti menyertakan data mentah sebagai syarat publikasi.

Standar Pelaporan: Konteks Indonesia & Internasional

Format pelaporan berbeda tergantung konteks penggunaan — laporan regulasi, laporan survei, atau publikasi akademik.

Standar	Digunakan Oleh	Elemen Wajib
OJK (prinsip keterbukaan informasi — verifikasi di ojk.go.id)	Laporan keuangan & analisis emiten BEI (BBCA, TLKM, dll.)	Transparansi metodologi, keterbukaan asumsi, konsistensi data
BPS	Survei nasional (Sensus, Susenas, Sakernas)	Sampling frame, margin of error, confidence interval, response rate (% responden valid)
APA 7th Edition	Jurnal akademik, tesis, skripsi FEB UNDIP	N, M, SD, t/F/χ², df, p-value, effect size (ukuran besaran pengaruh: Cohen's d / η²)

Untuk tugas/skripsi di FEB UNDIP: ikuti format APA 7th. OJK relevan jika Anda menganalisis data pasar modal. BPS relevan jika mengutip data survei nasional. Effect size wajib dilaporkan berdampingan dengan p-value — karena p kecil tidak selalu berarti efek besar secara praktis.

Di dunia nyata, cara Anda melaporkan hasil analisis bergantung pada siapa pembacanya dan untuk apa laporan itu digunakan. Seorang analis di perusahaan sekuritas harus mengikuti standar OJK saat menyusun laporan analisis emiten seperti BBCA atau TLKM. Seorang peneliti yang mengutip data survei BPS harus mencantumkan margin of error dan ukuran sampel yang BPS gunakan. Dan seorang mahasiswa yang menyusun skripsi atau artikel ilmiah harus mengikuti format APA. Yang paling relevan untuk Anda sekarang adalah format APA edisi ketujuh, yang mewajibkan pelaporan ukuran sampel, rata-rata, standar deviasi, nilai statistik uji beserta derajat bebasnya, p-value, dan yang sering terlupakan: effect size. Mengapa effect size penting? Karena penelitian dengan n yang sangat besar bisa menghasilkan p kurang dari 0,05 untuk perbedaan yang sebenarnya sangat kecil dan tidak bermakna secara praktis.

Bagian 3 dari 4

Standar Pelaporan & Checklist Kelayakan

Format tabel statistik APA 7th, checklist sebelum submit, dan red flags yang harus dihindari.

APA Checklist Red Flags

Format Tabel Statistik — APA 7th Edition

Tabel statistik yang benar harus mandiri — pembaca mengerti tanpa membaca teks utama.

Tabel 1

Hasil Uji Regresi: Pengaruh Iklan dan Harga terhadap Penjualan

Variabel	B	SE	β	t	p
Konstanta	12,45	2,30	—	5,41	<.001
Biaya Iklan (juta Rp)	3,12	0,48	.52	6,50	<.001
Harga (ribu Rp)	−0,87	0,21	−.31	−4,14	<.001

Catatan. N = 85. R² = .63, F(2, 82) = 70,22, p < .001. B = koefisien tidak terstandar; SE = standar error; β = koefisien terstandar. p dilaporkan dengan titik (konvensi APA). Tidak ada garis vertikal — hanya 3 garis horizontal.

Hitung dari Nol — HDN-B: CI 95%

Survei kepuasan: n = 100, x̄ = 7,2, s = 1,5. Hitung CI 95%.

Langkah	Perhitungan	Nilai
df = n − 1	100 − 1	99
t* (df=99, α/2=0,025)	Tabel t	1,984
SE = s / √n	1,5 / √100 = 1,5 / 10	0,15
ME = t* × SE	1,984 × 0,15	0,298
Batas bawah	7,2 − 0,298	6,902
Batas atas	7,2 + 0,298	7,498

CI 95%: (6,902 ; 7,498)

Checklist Kelayakan — Bag. 1: Data & Analisis

Centang semua sebelum menyerahkan laporan analisis statistik Anda (7 dari 12 poin).

A. Data & Sampling

Ukuran sampel dicantumkan dan memadai untuk uji yang digunakan

Sumber data disebutkan (dari mana, kapan, metode pengumpulan)

Tidak ada data yang dihapus tanpa alasan yang didokumentasikan

B. Analisis

Uji statistik yang dipilih sesuai dengan skala data dan tujuan penelitian

Asumsi uji telah diperiksa (normalitas, homogenitas variansi — variansi antar-kelompok kurang-lebih sama)

Semua uji yang dilakukan dilaporkan (bukan hanya yang signifikan)

Nilai p, df, dan statistik uji dilaporkan dengan lengkap

Lanjut ke slide berikutnya untuk kelompok Pelaporan & Interpretasi (poin 8–12).

Checklist Kelayakan — Bag. 2: Pelaporan & Interpretasi

Lanjutan checklist (poin 8–12). Pastikan komunikasi temuan Anda jujur dan tidak menyesatkan.

C. Pelaporan & Interpretasi

Poin 8 — Tabel dan grafik diberi judul, sumber, dan catatan kaki

Poin 9 — Semua sumber data dan referensi dicitasi dengan benar

Poin 10 — Interpretasi membedakan signifikansi statistik dari signifikansi praktis (effect size dilaporkan)

Poin 11 — Kesimpulan tidak melampaui apa yang data izinkan — tidak over-claim (membuat klaim lebih kuat dari yang didukung data, misal menyebut kausalitas dari data korelasional)

Poin 12 — Tidak ada angka yang tidak bisa dilacak asal-usulnya

Dua poin yang paling sering dilanggar: "semua uji dilaporkan" (poin 6, slide sebelumnya) dan "tidak over-claim" (poin 11 ini). Keduanya adalah akar masalah etika terbesar dalam laporan mahasiswa.

Lima poin kelompok C ini berhubungan dengan kejujuran dalam mengomunikasikan temuan. Poin pertama dan kedua adalah mekanis tetapi sering diabaikan: tabel tanpa judul dan sumber bukan hanya melanggar standar APA, tetapi juga membuat angka Anda tidak bisa diverifikasi. Poin ketiga adalah yang paling penting secara konseptual: membedakan signifikansi statistik dari signifikansi praktis. Sebuah perbedaan bisa sangat signifikan secara statistik — p kurang dari 0,001 — tetapi sangat kecil secara praktis. Itulah mengapa effect size harus dilaporkan berdampingan dengan p-value. Poin keempat, tidak over-claim, adalah yang paling sering dilanggar dalam laporan berbasis regresi: kata "berpengaruh terhadap" seharusnya hanya digunakan jika ada desain riset yang mendukung kausalitas. Poin kelima memastikan transparansi: setiap angka harus bisa dilacak ke sumbernya.

Tanda Bahaya (Red Flags) dalam Laporan Analisis

Sinyal peringatan yang menunjukkan laporan berpotensi bermasalah secara metodologis atau etis.

!
"Semua variabel signifikan pada p < 0,05" — mencurigakan jika variabel banyak; kemungkinan p-hacking atau pemilihan model ad hoc (dibuat setelah melihat data, tanpa rencana sebelumnya).
!
R² > 0,99 tanpa alasan jelas — bisa jadi overfitting (model terlalu pas pada data latih, gagal prediksi di luar sampel), terlalu sedikit observasi relatif terhadap variabel, atau data dibuat-buat.
!
Tidak ada uji asumsi — laporan langsung ke hasil tanpa memeriksa normalitas, heteroskedastisitas, dll.
!
Sampel sangat kecil (n < 30) untuk uji parametrik — hasil tidak stabil; CLT belum bekerja dengan baik.
!
Interpretasi sebab-akibat dari data korelasional — "X menyebabkan Y meningkat" hanya dari regresi tanpa desain eksperimen atau metode kausalitas yang valid.
!
Sumber data tidak dapat dilacak — "data diperoleh dari internet" tanpa URL, tanggal, atau lembaga yang jelas.

Jika menemukan red flag dalam laporan sendiri: perbaiki sebelum submit, bukan setelah.

Red flag ini bukan daftar yang bisa dihafalkan saja — ini adalah alat berpikir kritis. R² di atas 0,99 untuk data ekonomi dan bisnis hampir tidak pernah terjadi secara alami; jika Anda menemukannya dalam output Anda, langkah pertama adalah bertanya apakah ada yang salah dengan data atau model Anda, bukan langsung merasa berhasil. Interpretasi sebab-akibat dari regresi adalah red flag yang sangat sering saya temukan bahkan di artikel jurnal terbitan Indonesia — mengklaim bahwa X berpengaruh signifikan terhadap Y dari regresi dengan data cross-sectional atau observasional sebenarnya hanya membuktikan hubungan, bukan kausalitas. Kausalitas membutuhkan desain riset yang lebih ketat, seperti eksperimen terkontrol, difference-in-differences, atau instrumental variable. Saat ini, cukup Anda sadar bahwa kalimat "berpengaruh terhadap" harus digunakan dengan sangat hati-hati dalam laporan berbasis regresi.

Bagian 4 dari 4

Persiapan UAS & Tanya Jawab

Kisi-kisi topik UAS, format soal, strategi menjawab, dan sesi tanya jawab terbuka.

Kisi-Kisi Strategi Tanya Jawab

Kisi-Kisi UAS — Topik & Bobot Indikatif

UAS mencakup seluruh materi Statistika Bisnis II. Bobot indikatif berdasarkan kompleksitas dan Sub-CPMK.

Topik	Bobot*	Sub-CPMK	Bentuk Soal
Probabilitas & distribusi	~15%	Sub-CPMK 1–2	Hitungan + PG (Pilihan Ganda)
Estimasi & interval kepercayaan	~15%	Sub-CPMK 3	Hitungan
Uji hipotesis (satu & dua sampel)	~25%	Sub-CPMK 4–5	Hitungan + interpretasi
Korelasi & regresi sederhana	~20%	Sub-CPMK 6–7	Hitungan + interpretasi
Regresi berganda & asumsi klasik	~20%	Sub-CPMK 8	Interpretasi output
Etika analisis data	~5%	Sub-CPMK 9	PG + esai pendek

*Bobot indikatif — konfirmasi ke dosen pengampu untuk bobot resmi. Topik uji hipotesis mendapat porsi terbesar karena merupakan inti inferensi statistika. Jadwal UAS: konfirmasi ke Prodi / SIAP UNDIP (Sistem Informasi Akademik Perencanaan UNDIP).

Tabel kisi-kisi ini mencerminkan kompleksitas relatif setiap topik dalam kurikulum. Uji hipotesis mendapat bobot terbesar karena ia adalah inti dari inferensi statistika dan membutuhkan pemahaman yang berlapis: Anda harus paham distribusi, paham logika H₀ dan H₁, paham cara menghitung statistik uji, dan paham cara menginterpretasikan hasilnya. Regresi berganda dan asumsi klasik mendapat bobot yang sama karena topik ini membutuhkan kemampuan membaca output SPSS dan menginterpretasikannya secara kritis — bukan sekadar menghitung manual. Etika analisis data berbobot kecil dalam soal tertulis, tetapi nilainya jauh lebih besar dalam praktik sesungguhnya. Satu catatan penting: tabel ini adalah panduan indikatif — selalu konfirmasi ke dosen pengampu Anda untuk komposisi soal UAS yang resmi.

Format Soal UAS & Strategi Menjawab

Format Soal UAS

Pilihan Ganda: konsep & hitungan ringan
Soal Hitungan: tunjukkan langkah lengkap (bukan hanya jawaban akhir)
Interpretasi Output: diberi output SPSS (Statistical Package for Social Sciences) / Excel, diminta analisis
Esai Pendek: etika, pemilihan uji, interpretasi

Strategi Menjawab

Baca soal dua kali sebelum mulai — identifikasi jenis data, tujuan, dan asumsi
Tuliskan H₀ dan H₁ jika ada uji hipotesis — jangan langsung hitung
Tunjukkan semua langkah — nilai parsial (nilai per langkah benar) diberikan meski jawaban akhir salah
Periksa satuan — pastikan i dan n konsisten
Alokasikan waktu — soal berbobot besar dikerjakan lebih dahulu

Rumus yang paling penting diingat: interval kepercayaan (x̄ ± t·s/√n), statistik uji Z/t, koefisien korelasi Pearson (r), persamaan regresi (ŷ = a + bX), dan VIF untuk multikolinearitas.

Strategi menjawab soal ujian statistika punya beberapa nuansa yang berbeda dari ujian hafalan. Yang pertama dan paling penting: baca soal dua kali sebelum mulai menulis. Banyak kesalahan UAS berasal dari salah membaca soal — misalnya menghitung FV padahal soalnya minta PV, atau menggunakan tabel Z padahal variansi populasi tidak diketahui sehingga harus tabel t. Kedua, untuk soal hitungan, selalu tuliskan H₀ dan H₁ terlebih dahulu jika ada pengujian hipotesis, kemudian susul dengan perhitungan. Dosen memberikan nilai parsial untuk setiap langkah yang benar, sehingga meskipun Anda salah di langkah terakhir, Anda masih bisa mendapat sebagian nilai. Ketiga, untuk soal interpretasi output, jangan terpaku pada nilai-nilai numerik saja — dosen menguji apakah Anda bisa menerjemahkan angka itu menjadi kalimat yang bermakna.

Tanya Jawab & Latihan Soal Review

Soal A — Uji-t Satu Sampel (HDN-A)

Perusahaan FMCG mengklaim μ = Rp 5.500.000. Sampel n = 36 gerai: x̄ = 5.300.000, s = 900.000, α = 0,05. Apakah klaim dapat diterima?

Soal B — Regresi Berganda (HDN-D)

R² = 0,72, F(2,47) = 60,43 (p < 0,001). b₁ = 2,4 (p = 0,03); b₂ = −0,8 (p = 0,29). VIF X₁ = 1,4; VIF X₂ = 1,6. Interpretasikan: (a) kekuatan model; (b) signifikansi prediktor; (c) multikolinearitas.

Hitung dari Nol — HDN-A: Uji-t Satu Sampel

Langkah	Perhitungan	Nilai
H₀: μ = 5.500.000; H₁: μ ≠ 5.500.000 (dua sisi)	α = 0,05; df = n − 1 = 36 − 1	df = 35
t kritis (df=35, α/2=0,025)	Tabel t	±2,030
SE = s / √n	900.000 / √36 = 900.000 / 6	150.000
t = (x̄ − μ₀) / SE	(5.300.000 − 5.500.000) / 150.000 = −200.000 / 150.000	t = −1,333
Bandingkan: \|t\| vs t kritis	\|−1,333\| = 1,333 < 2,030	Gagal tolak H₀

t = −1,333 → Gagal tolak H₀ (klaim dapat diterima, α = 0,05)

Dua soal ini dirancang untuk mencakup dua topik dengan bobot terbesar di UAS. Untuk Soal A, perhatikan bahwa kita menggunakan tabel t karena σ populasi tidak diketahui — kita hanya punya s (standar deviasi sampel). Derajat bebas df = 36 − 1 = 35. SE = 900.000 dibagi akar 36 = 900.000 dibagi 6 = 150.000. Statistik uji t = negatif 200.000 dibagi 150.000 = negatif 1,333. Nilai absolut 1,333 lebih kecil dari nilai kritis 2,030, sehingga kita gagal menolak H₀ — artinya tidak cukup bukti statistik untuk menolak klaim perusahaan pada α = 0,05. Untuk Soal B, R² = 0,72 berarti 72% variansi Y dijelaskan oleh X₁ dan X₂ bersama — cukup baik untuk data bisnis. Uji F sangat signifikan menunjukkan model secara keseluruhan valid. Namun X₂ tidak signifikan secara individual (p = 0,29). VIF di bawah 10 untuk keduanya — tidak ada masalah multikolinearitas serius. Setelah soal, kita buka untuk tanya jawab bebas.

Delapan Prinsip Analisis Data yang Beretika

Bawa delapan prinsip ini ke semua pekerjaan analisis Anda — sekarang dan seumur karir.

1Rancang sebelum menganalisis — putuskan hipotesis dan metode sebelum melihat data.
2Laporkan semua uji — bukan hanya yang signifikan.
3Dokumentasikan setiap keputusan — mengapa outlier dihapus, mengapa variabel dipilih.
4Bedakan statistik dari substantif — p-value kecil bukan berarti efek besar secara praktis.

5Citasi semua sumber data — angka tanpa sumber adalah angka yang tidak dapat dipercaya.
6Periksa asumsi sebelum menyimpulkan — validitas kesimpulan bergantung pada terpenuhinya asumsi.
7Rendah hati tentang kausalitas — korelasi ≠ kausalitas; perhatikan variabel pengganggu (confounding variable — variabel ketiga yang berkorelasi dengan X dan Y).
8Jadikan data dapat diverifikasi — simpan data mentah, kode analisis, dan dokumentasi metode.

Statistika yang benar dan beretika adalah investasi jangka panjang untuk reputasi dan kepercayaan profesional Anda. Sumber: Kode Etik Peneliti UNDIP (LPPM UNDIP, 2020); APA (2020); Lind, Marchal & Wathen (2015).

Delapan prinsip ini adalah ringkasan akhir yang saya harapkan Anda bawa seumur karir, jauh melampaui UAS dan mata kuliah ini. Prinsip pertama dan kedua bersama-sama mencegah p-hacking. Prinsip ketiga memastikan Anda bisa mempertanggungjawabkan setiap keputusan analisis. Prinsip keempat mengingatkan bahwa statistika adalah alat untuk mendekati kebenaran, bukan untuk memproduksi angka yang mengesankan. Prinsip kelima adalah fondasi anti-plagiarisme data. Keenam hingga kedelapan adalah standar metodologis yang, jika Anda ikuti secara konsisten, akan membuat pekerjaan Anda jauh lebih bisa dipercaya — oleh klien, oleh atasan, oleh reviewer jurnal, atau oleh siapapun yang mengandalkan analisis Anda untuk membuat keputusan. Saya sangat senang jika lima tahun dari sekarang, Anda masih mengingat setidaknya setengah dari delapan prinsip ini.

Penutup & Pesan untuk UAS

Persiapan UAS

Fokus pada: uji hipotesis, regresi berganda, interpretasi output
Latihan soal: gunakan latihan di Lampiran B pertemuan sebelumnya
Bawa: kalkulator, tabel Z/t/F (jika diizinkan dosen)
Jadwal UAS: konfirmasi ke Prodi / SIAP UNDIP

Pesan Akhir

Statistika bukan tentang rumus — tentang berpikir berbasis data
Teknis + etika = analis bisnis yang sesungguhnya
Pertahankan integritas di setiap laporan, tugas, dan pekerjaan
Gunakan keilmuan ini untuk membuat keputusan yang lebih baik untuk banyak orang

Terima Kasih telah menempuh Statistika Bisnis II dengan serius. Semoga ilmu ini berguna jauh melampaui ujian ini. Semangat UAS!

Kita telah sampai di akhir perjalanan Statistika Bisnis II. Selama satu semester, Anda telah menempuh perjalanan dari probabilitas dasar hingga regresi berganda dengan uji asumsi klasik — sebuah perjalanan yang tidak mudah, tetapi sangat berharga. Untuk persiapan UAS, fokuskan energi pada tiga topik berbobot terbesar: uji hipotesis, korelasi dan regresi sederhana, serta regresi berganda dan asumsi klasik. Pastikan Anda bisa tidak hanya menghitung, tetapi menginterpretasikan — karena itulah yang paling sering ditanyakan dalam soal interpretasi output. Pesan yang paling saya harapkan Anda bawa adalah bahwa statistika bukan tentang menghafal rumus, melainkan tentang belajar berpikir secara sistematis dengan data. Kemampuan ini akan relevan apakah Anda nanti menjadi manajer, analis keuangan, wirausahawan, atau akademisi di FEB UNDIP atau di tempat lain. Pertahankan integritas di setiap pekerjaan analisis Anda, dan gunakan keilmuan ini untuk membuat dunia — setidaknya dunia kecil di sekitar Anda — menjadi sedikit lebih berbasis bukti. Semangat UAS!

Statistika Bisnis II