MENYIAPKAND ATAU NTUKA NALISIS

Setelah dikumpulkan melalui kuesioner, wawancala, obserwasi, atau melalui sumber sekunder, data perlu diedit. Respons kosong, jika ada, harris ditangani dengan cara tertentu, data dikodekan, dan skema kategorisasi perlu disusun Data kemudian akan diinput (keyed in), dan beberapa program peranti lunak digunakan untuk menganalisisnya. Tiap tahap persiapan data tersebut dibahas di bawah ini.

Mengedit Data

Data hams diedit, khususnyajika berkaitan dengan respons terhadap pertanyaan terbuka (open.-ended questions) dalam wawancara atau kuesioner, atau observasi tidak terstruktur (unstructured obseruationsl. Dengan kata lain, informasi yang mungkin secara tergesa-gesa dicatat oleh pewawancara (interuietoet), pengamat (observer), atau peneliti (researche) harus diuraikan dengan jelas sehingga

Diagram arus proses analisis data.

seluruh data dapat dikodekan secara sistematis. Kurangnya kejelasan pada tahap ini nantinya akan menimbulkan kebingungan. Daiam bab terdahulu, disarankan agar pengeditan dilakukan pada hari yang sama dengan saat pengumpulan data sehingga responden bisa dikontak untuk informasi atau konfirmasi lebih lanjut, bila diperlukan. Data yang diedit sebaiknya dapat dikenali dengan penggunaan warna pensil atau tinta yang berbeda sehingga informasi semula tetap ada kalau-kalau dikemudian hari muncul keraguan.

Data kuesioner surat yang masuk harus diperiksa ketidaklengkapan dan inkonsistensinya, jika ada, dengan menunjuk anggota staf penelitian. Inkonsistensi yang dapat secara logis dikoreksi

sebaiknya diralat dan diedit pada tahap ini. Misalnya, responden mungkin lalai tidak menjawab pertanyaan kuesioner yang menanyakan apakah ia sudah menikah Di sebelah kolom yang menanyakan jumlah tahun pernikahan, ia mungkin mengisi 12 tahun; dalam kolom jumlah anak, ia menulis 2, dan untuk usia anak, ia menjawab 8 darl 4. Ketiga respons terakhir akan menunjukkan bahwa responden tentu sudah menikah. Respons pada pertanyaan status pernikahan yang belum diisi kemudian dapat diedit oleh peneliti dengan menulis “ya.” Tetapi, adalah mungkin bahwa responden dengan sengaja tidak nenjawab item? tersebut, entah karena saat ini ia telah bercerai atau nenjadi jarnda, atau karena alasan lain. Bila demikian halnya, kita akan menimbulkan bias dalam data dengan mengeditnya dan menulis "ya." Karena itu, bila mungkin, akan lebih baik untuk menyelesaikan lebih lanjut dengan responden agar memperoleh data yang benar ketika mengedit. Contoh yang diberikan tersebut adalah kasus pengeditan yang jelas, tetapi beberapa kasus lain mungkin tidakl sesederhana itu. atau bagian yang kosong dapat tetap tanpa penjelasan dan tidak diralat. Bisa saja terdapat bias lain yang dapat memengaruhi ketepatan data (goodness of deta), di mana peneliti tidak memegang kendali. Dengan demikian, validitas (vaLiditg) dan replikabilitas (repticability) penelitian berkurang Seperti ditunjukkan daiam Bab 10, "Metode Pengumpulan Data” banyak proses pengeditan secara otomatis dilakukan dalam kasus wanwancara telepon dengan bantuan komputer (computer-assisted telephorLei nterr,'lerz,'s-CATl) dan kuesioner yang disebarkan secara elektronik (lelectronic questionnaire), bahkan saat responden sedang menjawab pertanyaan.

Menangani Respons Kosong

Tidak semua responden menjawab setiap item dalam kuesioner. Jawaban mungkin dibiarkan kosong (blank respons) karena responden tidak memahami pertanyaan, tidak mengetahui jawaban, tidak ingjn menjawab, atau sekadar tidak tertarik untuk menjawab seluruh pertanyaan. Dalam situasi yang terakhir, responden kemungkinan besar membiarkan banyak item kosong. Jika sejumlah besar pertanyaan-katakanlah, 25% item kuesioner tidak dijawab, adalah ide yang baik untuk membuang kuesioner dan tidak memasukkannya dalam kumpulan data untuk analisis. Dalam hal tersebut, penting untuk menyebutkan jumlah respons yang kembali namun tidak terpakai karena banyaknya data yang hilang dalam laporan akhir yang dikirimkan kepada sponsor penelitian. Tetapi, jika hanya dua atau tiga item yang kosong dalam sebuah kuesioner, katakanlah, 30% atau lebih item, kita perlu memutuskan bagaimana respons kosong tersebut ditangani.

Satu cara untuk menangani respons kosong untuk item skala interval (interual scale) dengan nilai tengah adalah memberikan nilai tengah dalam skala sebagai respons untuk item tersebut. Cara lain adalah membiarkan komputer mengabaikan respons kosong saat analisis dilakukan. Tentu saja. hal tersebut akan mengurangi ukuran sampel (sampel size) bila variabel tersebut disertakan dalam analisis. Cara ketiga adalah memberikan pada item nilai keluar respons dari semua yang merespons item tersebut. Keempat adalah memberi item tersebut rata-rata respons dari responden khusus pada semua pertanyaan iain yang mengukur variabel tersebut. Cara kelima unttrk menanganinya adalah memberikan respons kosong sebuah angka acak dalam kisaran skala tersebut Perlu pula diingat bahwa SPSS menggunakan interpolasi linear dari poin-poin yang berdekatan seperti juga tren linear untuk mengganti data yang hilang Jadi, terdapat setidaknya tujuh cara untuk menangani data yang hilang Seperti kita lihat, ada beberapa cara menangani respons kosong; tetapi pendekatan umum adalah memberikan angka tengah dalam

skala sebagai nilai atau mengabaikan item tersebut selama analisis. Komputer dapat diprogram untuk menangani respons yang hilang dan "tidak diketahui" sesuai dengan cara yang kita inginkan. Carar terbaik menangani data hilang untuk meningkatkan validitas penelitian, khususnya jika ukuran sampel besar, adalah mengabaikan kasus di mana data yang berkaitan dengan analisis tertentu hilang Tetapi, jika banyak responden yang menjawab "tidak tahu" pada item tertentu atau banyak item, investigasi lebih lanjut mungkin perlu dilakukan. Pertanyaan bisa saja tidak jelas atau beberapa aspek organisasional telah menghalangi mereka menjawab, yang kemudian memerlukan penyelidikan lebih jauh.

Mengodekan

Tahap berikutnya adalah mengodekan respons. Dalam Bab 10, kita membahas kemudahan menggunakan instmmen pemindai (scanne) untuk mengumpulkan data kuesioner; instrumen semacam itu mempermudah memasukkan respons secara langsung ke dalam komputer tanpa mengetik data secara manual. Tetapi, jika karena alasan tertentu hal tersebut tidak dapat dilakukan, maka mungkin lebih baik pada saat pertama menggunakan instrumen pengodean (coding sheet) untuk mentranskripsi data dari kuesioner dan kemudian memasukkan data. Metode ini, kontras dengan menelusuri setiap kuesioner untuk tiap item, menghindarkan kebingungan, terutama jika terdapat banyak pertanyaan dan sejumlah besar kuesioner. Cara termudah untuk mengilustrasikan skema pengodean adalah dengan sebuah contoh. Mari kita mengambil jawaban yang benar untuk Latihan 10.4 dalam Bab 10 latihan desain kuesioner untuk menguji keterlibatan kerja hipotesis kepuasan kerja dalam kasus Serakan Co.- dan melihat bagaimana data tersebut bisa dikodekan.

Mengodekan Data Serakan Co.

Dalam kuesioner Serakan Co., kita memiliki 5 variabel demografls dan 16 item yang mengukur keterlibatan dan kepuasan seperti ditampilkan dalam Tabel 12.1.

Respons terhadap variabel demografis bisa dikodekan dari 1 sampai 5 untuk usia, dan 1 sampai 6 untuk variabel pendidikan dan tingkat pekerjaan, tergantung pada kotak mana dalam kolom yang diperiksa oleh responden. Jenis kelamin bisa diberi kode I atau 2, tergantung apakah respons datang dari pria atau wanita. Giliran kerja dapat dikodekan 1 dan 3, dan status pekerjaan bisa 1 alau 2.

Tabel 12.1

Seberapa setujukah Anda dengan pernyataan berikut, pada skala 1 sampai 7, 1 menunjukkan kesetujuan yang sangat rendah, dan 7 menandakan kesetujuan sangat tinggi ?

Mudah dilihat bahwa jika dilakukan perencanaan pengodean ketika mendesain kuesioner, memberi kode bisa menjadi pekerjaan yang sederhana. Misalnya, karena angka diberikan dalam kotak untuk semua item di atas (bukan hanya menempatkan kotak untuk diisi oleh responden), akan mudah untuk memindahkannya ke lembar kode, atau secara langsung mengetik data.

item nomor 6 hingga 21 pada kuesioner dapat dikodekan dengan menggunakan angka aktual yang dilingkari oleh responden. Jika, misalnya, 3 dilingkari untuk pertanyaan pertama, maka respons akan diberi kode 3; jika 4 dilingkari, kita akan mengodekannya sebagai 4, dan seterusnya.

Adalah mungkin untuk memasukkan data secara langsung dari kuesioner, tetapi hal tersebut akan memerlukan penelusuran melalui beberapa kuesioner, halaman demi halaman, yang mungkin menimbulkan kesalahan dan penghilangan item. Transfer data terlebih dulu ke dalam lembar kode dengan demikian akan menolong.

Kesalahan manusia dapat terjadi ketika mengodekan. Karena itu, setidaknya 10% kuesioner yang dikodekan sebaiknya diperiksa untuk keakuratan pengodean, Seleksinya mungkin mengikuti prosedur pengambilan sampel sistematis Yaitu, tiap formulir ke-n yang dikodekan dapat diverifikasi untuk akurasi. Jika banyak kesalahan ditemukan dalam sampel, seluruh item mungkin harus diperiksa.

Kategorisasi

Pada titik ini adalah berguna untuk membuat skema untuk mengategorikan variabel, sehingga beberapa it em yang mengukur suatu konsep dapat semuanya dikelompokkan bersama. Respons atas beberapa pertanyaan yang disusun secara negatif.juga perlu dibalik sehingga semua jawaban berada dalam arah yang sama. Ingat bahwa terkait dengan pertanyaan yang disusun secara negatif, respons 7 pada skala 7 titik, dengan 7 menunjukkan

"sangat setuju," benar-benar berarti "sangat tidak setuju," yang sesungguhnya adalah 1 pada skala 7 titik. Jadi, item harus dibalik sehingga berada dalam arah yang sama dengan pertanyaan yang disusun secara positif. Hal tersebut dapat dilakukan dengan komputer melalui pilihan Transform dan RECODE. Dalam data Serakan Co., item 16 sampai 21 perlu dikodekan kembali sehingga skor 7 dibaca 1; 6 sebagai 2; 5 sebagai 3; 3 sebagai 5; 2 sebagai 6; dan 1 sebagai 7

Bila pertanyaan yang mengukur satu konsep tidak berdekatan tetapi terpencar di berbagai bagian kuesioner, kita harus teliti untuk memasukkan semua item tanpa penghilangan atau penambahan yang keliru

Memasukkan Data

Bila data kuesioner tidak dikumpulkan pada lembar jawaban scanner, yang dapat secara langsung dimasukkan ke dalam komputer sebagai arsip data, data mentah harus secara manual diketik ke dalam komputer' Data mentah bisa dimasukkan dengan program peranti lunak apa pun Misalnya, SPSS Data Editor, yang tampak seperti spreadsheet, dapat memasukkan, mengedit, dan melihat isi arsip data. Tiap baris editor mewakili kasus, dan tiap kolom mewakili variabel. Semua nilai yang hilang akan tampak sebagai titik dalam sel Adalah mungkin untuk menambah, mengubah, atau menghapus nilai dengan mudah setelah data dimasukkan.

Mudah pula untuk menghitung variabel baru yang telah dikategorisasi sebelumnya, menggunakan kotak dialog Compute, yang terbuka ketika ikon-Transform dipilih. Setelah nilai yang hilang, recode, dan perhitungan variabel baru ditangani, data siap untuk dianalisis.

ANALISIS DATA

Di akhir bab ini kita akan mengelaborasi berbagai uji statistik dan interpretasi hasil analisis, menggunakan SPSS Versi 1 1. O untuk Windows-program peranti Iunak menu-driven. Dalam Lampiran bab ini, kita juga melihat hasil analisis data, menggunakan Excel. Penggunaan kedua program tersebut sebagian besar diilustrasikan karena keduanya mudah ditemukan da-lam dunia bisnis. Perlu diingat bahwa program peranti lunak lainnya juga bisa dipakai, dan akan menampilkan hasil yang sama, yang akan diinterpretasi dengan cara yang sama.

Tujuan Utama Analisis Data

Dalam analisis data kita memiliki tiga tujuan: mendapatkan perasaan terhadap data (feel for the data), menguji kualitas data (goodness of dataJ, dan menguji hipotesis penelitian. Perasaan terhadap data akan memberi ide awal mengenai seberapa baik skala yang dibuat, seberapa baik pengodean dan pemasukan data dilakukan, dan seterusnya. Anggaplah suatu item skala 7 titik secara keliru dikodekan dan/atau dimasukkan sebagai 8; hal tersebut akan tampak sebagai nilai maksimum pada statistik deskriptif dan kesalahan pun dapat diralat. Tujuan kedua-menguji ketepatan data-dapat dilakukan dengan memasukkan data untuk analisis faktor, memperoleh alfa Cronbach atau keandalan belah dua pengukuran, dan seterusnya. Tujuan ketiga-pengujian hipotesis dicapai dengan memilih menu program peranti lunak yang sesuai, untuk menguji setiap hipotesis dengan menggunakan uji statistik yang relevan. Hasil pengujian tersebut akan menentukan apakah hipotesis terbukti atau tidak. Sekarang kita akan membahas analisis data berkaitan dengan masing-masing dari tiga tujuan tersebut secara rinci.

Perasaan terhadap Data

Kita bisa memperoleh perasaan terhadap data dengan memeriksa tendensi sentral dan dispersi. Rerata hitung (mean), kisaran (range), standar deviasi (standard deviation), dan varians (variance) dalam data akan memberi peneliti ide yang baik tentang bagaimana responden bereaksi terhadap item dalam kuesioner dan seberapa baik item dan ukuran yang dipakai. Bila respons pada tiap item individual dalam suatu skala tidak memiliki kisaran yang baik dan menunjukkan sangat sedikit variabilitas, maka peneliti akan menduga bahwa pertanyaan tertentu mungkin belum tersusun dengan baik dan responden tidak cukup memahami maksud pertanyaan. Bias, jika ada, juga dapat dideteksi jika responden cenderung merespons semua ltem secara sama-yaitu, hanya terpaku pada titik skala tertentu. Skor maksimum dan minimum, rata-rata, standar deviasi, varians, dan statistik lainnya dapat dengan mudah diperoleh, dan hal tersebut akan menunjukkan apakah kisaran data respons pada skala cukup memuaskan. Ingatlah bahwa jika tidak terdapat variabilitas dalam data, maka tidak ada varians yang dapat dijelaskan! Peneliti melalui proses yang panjang untuk mendapatkan tendensi sentral, kisaran, dispersi, dan statistik lain untuk semua item tunggal yang mengukur variabel teikat (dependent Variable) dan bebas (independent Variable), terutama jika ukuran untuk sebuah konsep baru disusun.

Distribusi frekuensi dari variabel penelitian nominal sebaiknya dihasilkan. Tampilan visual melalui graflk histogram/batang, dan sebagainya, juga dapat disediakan meialui program yang menghasilkan grafik. Selain distribusi frekuensi (frequency), mean, dan standar deviasi, adalah baik untuk mengetahui bagaimana variabel terikat dan bebas dalam penelitian berkaitan satu sama lain. Untuk tujuan tersebut, suatu matriks interkorelasi variabel juga dapat disusun.

Selalu bijaksana untuk menghasilkan (1) frekuensi distribusi untuk variabel demografis, (2) rata-rata, standar deviasi, kisaran, dan varians pada variabel terikat dan bebas lainnya, dan (3) matriks interkorelasi variabel, tanpa memedulikan apakah hipotesis berkaitan secara langsung terhadap analisis tersebut. Semua statistik tersebut memberikan perasaan terhadap data. Dengan kata lain, pemeriksaan terhadap ukuran tendensi sentral, dan bagaimana klaster atau kisaran variabel, memberi ide yang baik tentang seberapa baik pertanyaan disusun untuk mengungkap konsep. Matriks korelasi akan memberi petunjuk mengenai seberapa dekat keterkaitan atau ketidakterkaitan variabel yang diteliti. Bila korelasi antara dua variabel ternyata tinggi-katakanlah, lebih dari 0,75 kita akan mulai ragu apakah keduanya benar benar merupakan dua konsep yang berbeda, atau apakah mereka mengukur konsep yang sama. Bila dua variabel yang secara teoretis dinyatakan berkaitan tampaknya tidak berkorelasi secara signifikan satu sama lain dalam sampel, kita akan mulai meragukan apakah telah mengukur konsep secara valid dan terpercaya. Ingat kembali pembahasan kita tentang validitas konvergen (conuergent validitg) dan diskriminan (discriminant validity) dalam Bab 10.

Membuktikan ketepatan data memberi kredibilitas bagi semua analisis dan temuan selanjutnya. Karena itu, mendapatkan perasaan terhadap data menjadi langkah pertama yang diperlukan dalam semua analisis data. Berdasarkan langkah awal tersebut, analisis lebih jauh dapat dilakukan untuk menguji ketepatan data.

Menguji Ketepatan Data

Kita sekarang dapat menguji keandalan dan validitas pengukuran.

Keandalan

Seperti dibahas dalam Bab 9, keandaian (reliability) pengukuran dibuktikan dengan menguji konsistensi dan stabilitas. Konsistensi menunjukkan seberapa baik item-item yang mengukur sebuah konsep bersatu menjadi sebuah kumpulan. Alfa Cronbach adalah koefisien keandalan yang menunjukkan seberapa baik item dalam suatu kumpulan secara positif berkorelasi satu sama lain. Alfa Cronbach dihitung dalam hal rata-rata interkorelasi antar item yang mengukur konsep. Semakin dekat alfa Cronbach dengan 1, semakin tinggi keandalan konsistensi internal.

Ukuran keandalan konsistensi lain yang dipakai dalam situasi spesifik adalah koefisien keandalan belah dua (sptit half reliability coefficient). Karena koefisien ini mewakili korelasi antara dua bagian dari satu kumpulan item, koefisien yang dihasilkan akan bervariasi tergantung pada bagaimana skala dibelah. Kadang-kadang, keandalan belah dua dihasilkan untuk menguji konsistensi ketika ada lebih dari satu skala, dimensi, atau faktor yang ditaksir. Item yang menguraikan setiap dimensi atau faktor dibelah, berdasarkan beberapa logika yang ditentukan sebelumnya (Campbell, 1976). Dalam hampir semua kasus, alfa Cronbach merupakan uji keandalan konsistensi internal yang memadai. Nanti Anda akan melihat dalam bab ini baqaimana alfa Cronbach dihasilkan melalui analisis komputer.

Sebagaimana dibahas dalam Bab 9, stabilitas pengukuran bisa ditaksir dengan keandalan bentuk paralel (parailel form retiabitity) dan keandalan tes ulang (test-retest reliability). Bila diperoleh korelasi tinggi antara dua bentuk pengukuran yang serupa (lihat Bab 9), keandalan bentuk paralel terbukti. Keandalan tes ulang dapat dihasilkan dengan menghitung korelasi antara tes yang sama yang disebarkan pada dua periode waktu yang berbeda.

Validitas

Validitas faktorial (factorial validity) dapat diperoleh dengan memasukkan data untuk analisis faktor. Hasil analisis faktor (teknik multivariat) akan menegaskan apakah dimensi yang diteorikan memang muncul. Ingat kembali dari Bab 8 bahwa ukuran dibuat dengan pertama-tama menggambarkan dimensi serta mengoperasionalisasi konsep. Analisis faktor akan mengungkapkan apakah dimensi benar-benar diungkap oleh item dalam pengukuran, sebagaimana diteorikan. Validitas berdasar kriteria. (criteion-retated ualidityl dapat dihasilkan dengan menguji kekuatan pengukuran untuk membedakan individu yang diketahui berbeda (lihat kembali pembahasan mengenai validitas konkuren dan prediktif dalam Bab 9). Validitas konvergen (convergent validity) bisa dihasilkan jika terdapat tingkat korelasi yang tinggi di antara dua sumber berbeda yang merespons ukuran yang sama (misalnya, supervisor dan bawahan sama-sama nmerespons pengukuran sistem bonus yang diberikan kepada mereka). Validitas diskriminan ldisciminant ualiditgl dapat dihasilkan jika dua konsep yang jelas berbeda tidak berkorelasi satu sama lain (seperti, misalnya, keberanian dan kejujuran; kepemimpinan dan motivasi; sikap dan perilaku). Validitas konvergen dan diskriminan dapat dihasilkan melalui matriks multikarakter multimetode, di mana pembahasan selengkapnya berada di luar cakupan buku lni. Mahasiswa yang berminat mengetahui lebih jauh tentang analisis faktor dan matriks multikarakter multimetode, dapat melihat buku-buku mengenai konsep tersebut. Tentu saja, jika ukuran yang

digunakan telah divalidasi dengan baik, kita tidak perlu membuktikan kembali validitasnya untuk setiap penelitian. Tetapi, keandalan item dapat diuji.

Pengujian Hipotesis

Setelah data siap dianaiisis (yaitu, respons yang hilang/tidak sesuai, dan sebagainya, dikeluarkan, dan ketepatan pengukuran terbukti), peneliti siap untuk menguji hipotesis yang telah disusun untuk penelitian Dalam Modul di akhir buku ini, uji statistik yang akan tepat untuk hipotesis yang berbeda dan untuk data yang diperoleh pada skala yang berbeda dibahas. Sekarang kita akan menelaah hasil analisis data yang diperoleh dari sebuah perusahaan, dan bagaimana data tersebut diinterpretasi.

ANALISIS DATA DAN INTERPRETASI

Analisis data dan interpretasi hasil mungkin paling baik dijelaskan dengan menelaah sebuah proyek penelitian bisnis Setelah deskripsi sangat singkat mengenai latar belakang perusahaan di mana penelitian dilakukan dan sampel kita akan membahas analisis yang dilakukan untuk mendapatkan perasaan terhadap data, menentukan keandalan, dan menguji setiap hipotesis. Kita juga akan membahas bagaimana hasil diinterpretasi.

PENELITIAN YANG DILAKUKAN DALAM EXCELSIOR ENTERPRISES

Exceisior Enterprises adalah sebuah perusahaan berukuran menengah, yang memproduksi dan menjual peralatan dan persediaan yang diperlukan oleh industri perawatan kesehatan, termasuk peralatan tekanan darah, pembedahan, perawatan gigi, dan sebagainya. Perusahaan, dengan total 360 karyawan yang bekerja dengan pembagian waktu tiga kali pergantian, berbisnis dengan cukup baik, tetapi dapat lebih baik lagi jika perusahaan tersebut tidak mengalami tingginya tingkat perputaran/keluar masuk karyawan (turnouer) di hampir semua tingkat dan departemen. Direktur perusahaan meminta sebuah tim peneliti untuk mempelajari situasi dan mengajukan rekomendasi mengenai masalaht ersebut.

Karena akses ke mereka yang telah keluar dari perusahaan akan sulit, tim penelitian mengusulkan kepada direktur bahwa saat ini mereka akan berbicara dengan karyawan, dan berdasarkan masukan mereka serta survei literatur, berusaha mencaritahu faktor yang memengaruhi keinginan karyawan untuk tetap bersama, atau meninggalkan, perusahaan. Karena penelitian terdahulu menunjukkar bahwa keinginan untuk keluar (infention to teaue-l'fl) merupakal prediktor yang baik untuk tingkat perputaran yang sebenarnya, sang direktur pun setuju.

Pertama-tama tim melaksanakan wawancara tidak terstruktur dengan sekitar 50 karyawan berbagai tingkat dan dari departemen yang berbeda. Pernyataan umum mereka adalah: "Kami di sini untuk mencaritahu bagaimana Anda mengalami kehidupan kerja Anda. Beritahu kami apa pun yang Anda anggap penting dalam pekerjaan, seperti persoalan yang berkaitan dengan pekerjaan, lingkungan, organisasi, supervisi, dan lainnya yang menurut Anda relevan. Bila kami mendapatkan masukan yang baik mengenai persoalan yang terjadi, kami akan mampu membuat rekomendasi yang tepat kepada pihak manajemen untuk meningkatkan kualitas kehidupan kerja Anda. Sekarang kami hanya ingin berbicara dengan Anda, dan nanti baru memberikan kuesioner."

Tiap wawancara biasanya berlangsung sekitar 45 menit, dan catatan respons ditulis oleh anggota tim. Ketika respons ditabulasi, menjadi jelas bahwa persoalan yang paling sering diungkap oleh responden dalam satu atau lain bentuk, terkait dengan tiga bidang utama: pekerjaan (karyawan mengatakan pekerjaan rnembosankan atau terlalu kompleks; kurangnya kebebasan untuk melakukan pekerjaan sesuai kreativitas, dan sebagainya), ketidakadilan yang dirasakan (ungkapan seperti "perusahaan lain membayar lebih untuk jenis pekerjaan yang kami lakukan"; "dibanding pekerjaan yang kami lakukan, kami tidak dibayar memadai"; dan sebagainya), dan kelelahan (komentar seperti "terlalu banyak pekerjaan yang harus dilakukan sehingga di akhir hari kami kelelahan secara flsik dan emosi"; "kami sering merasa perlu mengambil waktu untuk beristirahat karena kelelahan"; dan sebagainya).

Survei literatur mengonfirmasi bahwa variabel-variabel tersebut adalah prediktor yang baik mengenai ITL dan tingkat perputaran yang diakibatkan Seiain itu, kepuasan kerja juga ditemukan sebagai prediktor yang berguna. Kerangka teoretis disusun berdasarkan wawancara dan survei literatur, dan lima hipotesis (disebutkan nanti) dibuat.

Selanjutnya, kuesioner disusun dengan memasukkan ukuran yang divalidasi dengan baik dan terpercaya untuk empat variabel bebas, yaitu karakteristik pekerjaan, ketidakadilan yang dirasakan, kelelahan, dan kepuasan kerja; serta variabel terikat, yaitu ITL. Variabel demografis, seperti usia, pendidikan, jenis kelamin, lama bekerja, jabatan, departemen, dan giliran kerja juga dimasukkan dalam kuesioner. Kuesioner disebarkan secara pribadi kepada 174 karyawan yang dipilih berdasarkan pengambilan sampel acak berstrata cara dispropors ronal (disproportionate stratif ed random sampling) Respons dimasukkan ke dalam komputer. Dari sana, data dianalisis untuk menguji hipotesis berikut ini, yang dirumuskan oleh peneliti.

1. Pria akan merasakan lebih sedikit keadilan dibanding wanita (atau wanita akan merasakan lebih banyak keadilan dibanding pria)

2. Kepuasan kerja individu akan bervariasi tergantung pada giliran kerja mereka.3. ITL akan bervariasi menurut jabatan kerja Dengan kata lain, terdapat perbedaan signifikan

dalam ITL manajer puncak, manajer tingkat menengah, supervisor, staf, dan karyawan kerah biru'

4. Ada hubungan antara giliran kerja (giliran pertama, kedua, dan ketiga) dan karyawan paruh waktu versus penuh waktu Dengan kata lain, kedua faktor tersebut tidak akan bebas.

5. Empat variabel bebas karakteristik kerja, keadilan distributif, kelelahan, dan kepuasan kerja secara signifikan akan menjelaskan varians dalam ITL.

Mungkin masih bersangkutan untuk menunjukkan di sini bahwa lima hipotesis yang berasal dari kerangka teoretis adalah relevan untuk menemukan jawaban atas persoalan perputaran karyawan secara langsung dan tidak langsung. Misalnya, jika pria merasakan lebih banyak ketidakadilan (seperti bisa diduga dari data wawancaraj, akan penting untuk memperbaiki kesalahpahaman sehingga mereka tidak iagi cenderung untuk keluar (bila korelasi positif antara ketidakadilan yang dirasakan dan ITL benar-benar ditemukan). Bila giliran kerja memiliki pengaruh terhadap kepuasan kerja (apa pun pengaruhnya terhadap ITL), hal tersebut perlu ditelusuri lebih jauh karena kepuasan kerja juga merupakan variabel hasil yang penting bagi organisasi. Jika karyawan di tingkat tertentu memiliki keinginan yang lebih besar untuk

keluar, informasi Iebih lanjut harus dikumpulkan mengenai apa yang dapat dilakukan untuk kelompok tersebut. Bila ada suatu pola untuk karyawan paruh waktu atau penuh waktu yang bekerja pada giliran tertentu, hal tersebut dapat memberikan beberapa usulan untuk investigasi lebih jauh, seperti: "Apakah karyawan paruh waktu dalam giliran kerja malam memiliki suatu kebutuhan khusus yang belum diketahui hingga saat ini?" Hasil dari pengujian hipotesis terakhir tentu akan memberikan wawasan mengenai seberapa besar varians dalam ITL akan bisa dijelaskan dengan keempat variabel bebas, dan apa saja tindakan perbaikan, jika ada, yang perlu dilakukan.

Peneliti menyiapkan data untuk analisis komputer menggunakan SPSS Versi 11.0 untuk program peranti lunak Windows, Sekarang kita akan meneruskan membahas hasil analisis dan interpretasinya. Secara khusus, kita akan menelaah hal berikut:

1. Penentuan alfa Cronbach untuk pengukuran.2. Distribusi frekuensi variabel.3. Statistik deskriptif, seperti rata-rata dan standar deviasi.4. Matriks korelasi Pearson.5. Hasil pergujian hipotesis.

Beberapa Langkah Persiapan

Perlu diketahui bahwa SPSS Student Versi 1 1.0 untuk Windows dilengkapi dengan tutorial online, yang dapat sangat berguna. Untuk memberi sejumlah ide tentang bagaimana Main Menu dalam SPSS Versi 11.0 digunakan, bar utama menunjukkan beberapa item, dua di antaranya sering dipakai selama analisis data menu TRANSFORM dan STATISTICS. Menu Transform melakukan perubahan pada variabel yang dipilih dan menghitung variabel baru, dan menu Statistics digunakan untuk meiakukan prosedur statistik yang dipilih. Dengan mengekiik Recode dalarm menu pull-down dari Transform, nilai yang baru dapat ditambahkan pada suatu variabel, dan dengan mengeklit Compute dan melakukan apa yang ditunjukkan dalam menu serupa, variabel yang baru dapat dikomputasi. Nilai yang hilang dapat diberi sebuah angka dengan mengeklik pada Data dalam bar menu, kemudian mengeklik kotak dralog Define variable, dan setelah itu Missing Values, dan setemsnya. Setelah beberapa persiapan ini dilakukan, keandalan pengukuran dapat ditentukan.

Menentukan Keandalan Pengukuran: Alfa Cronbach

Keandalan konsistensi antar-item atau koefisien keandalan alfa Cronbach kelima variabel bebas dan terikat dihasilkan, yaitu sekitar 0,80. Contoh hasil yang diperoleh untuk uji alfa Cronbach variabel terikat, ITL, serta instruksi tentang cara memperolehnya, ditunjukkan dalam Output 12. 1.

Hasil menunjukkan bahwa alfa Cronbach untuk pengukuran enam item lTL adalah 0,82. Semakin dekat koeflsien keandalan dengan 1,0, semakin baik Secara umum, keandalan kurang dari 0,60 dianggap buruk, keandalan dalam kisaran 0,70, bisa diterima, dan lebih dari 0,80 adalah baik. Alfa Cronbach untuk empat variabel bebas yang lain membentang dari 0,81 hingga 0,85. Dengan demikian, keandalan konsistensi internal (internal consistency) pengukuran yang digunakan dalam studi ini dapat dianggap baik.

Penting diingat bahwa semua kalimat item yang disusun secara negatif dalam kuesioner sebaiknya terlebih dulu dibalik sebelum melakukan uji keandalan terhadap item. Kecuali semua item yang mengukur suatu variabel berada dalam arah yang sama, keandalan yang dihasilkan akan salah.

Output1 2.1

Analisis Keandalan

1. Dari menu, pilih: Analyze Scale Reliability Analysis...

2. Pilih variabel yang menunjukkan skala.

3. Pilih Model Alfa.

Hasil Keandalan

Koefisien Keandalan 6 item

Alpha = 0,8172 item alfa standardisasi = 0,8168

Menghasilkan Statistik Deskriptif: Distribusi Frekuensi Distribusi frekuensi dihasilkan untuk semua data personal atau variabel klasifikasi. Frekuensi untuk jumlah individu dalam berbagai departemen untuk sampel ini ditunjukkan dalam Output 72.2. Dari. output tersebut diketahui bahwa jumlah terbesar dalam sampel berasal dari Departemen Produksi (28, 1%), diikuti oleh Departemen Pemasaran (25,3%). Hanya tiga orang (l,7%) yang berasal dari Humas, dan lima orang dari Departemen Keuangan, Pemeliharaan, dan Akuntansi (masing-masing 2,9%). Jumlah sampel yang kecil dalam beberapa departemen adalah fungsi dari total populasi (sangat sedikit anggota) dalam departemen tersebut.

Dari frekuensi yang dihasilkan untuk variabel lain (hasil tidak ditampilkan di sini) ditemukan bahwa 86% responden adalah pria dan 14% wanita; sekitar 68% bekerja giliran pertama, 19% giliran kedua, dan 13% giliran ketiga. Enam belas persen responden bekerja paruh waktu dan 84% penuh waktu. Sekitar 8% berpendidikan sekolah dasar, 28% diploma, 23% bergelar sarjana (S 1), 30% bergelar master (S2), dan 11% bergelar doktor (S3). Sekitar 21% responden telah bekerja untuk organisasi seiama kurang dari setahun, 20% 1 sampai 3 tahun, 20%, 4 sampar 6 tahun, sisa 39% lebih dari 6 tahun, termasuk 8% yang telah bekerja lebih dari 20 tahun.

Dengan demikian, kita .memiliki profil karyawan dalam organisasi ini. Yang berguna untuk menjelaskan sampel dalam Bagian Metode dari Laporan Tertulis (lihat bab selanjutnya). Frekuensi juga dapat ditampilkan secara visual sebagai grafik batang, histogram, atau diagram pie dengan mengeklik Slatistics dalam menu, lalu Summarize, kemudian Frequencies, dan Charts dalam kotak dialog Frequencies dan setelah itu memilih grafik yang diinginkan.

Output1 2.2

Frekuensi

Dari menu, pilih: Analyze Descriptive Stalistics Frequencies... (Pilih variabel yang relevan)

Pilih yang diperlukan : Statistics... Charts. .. Format (sesuai urutan tampilan hasil yang diinginkan)

Statistik Deskriptif: Mengukur Tendensi Sentral dan Dispersi

Statistik deskriptif seperti maksimum, minimum, rata-rata, standar deviasi, dan varians dihasilkan untuk variabel bebas dan terikat skala interval Hasilnya ditunjukkan dalam Output 12.3.

Perlu dicatat bahwa semua variabel, kecuali ITL, diungkap dengan skala 5 titik ITL diukur pada skala 4 titik. Dari hasil, diketahui bahwa rata'rata keadilan yang dirasakan (diistilahkan keadilan distributif) agak rendah (2,38 pada skala 5 titik), demikian pula rata-rata kelelahan yang dialami (2,67) Kepuasan kerja memiliki nilai yang sedang (3,12 pada skala 5 titik), dan pekerjaan dirasakan cukup memperkaya (3,47). Rata-rata 2,21 pada skala 4 titik untuk ITL menunjukkan bahwa kebanyakan responden tidak cenderung keluar atau tinggal. Minimum 1 menunjukkan bahwa ada beberapa yang tidak bermaksud keluar sama sekali, dan maksimum 4 menunjukkan bahwa beberapa secara serius mempertimbangkan untuk keluar.

Output 12.3

Statistik Deskriptif: Tendensi Sentral dan Dispersi

Dari menu, pilih: Analyze Desciptive Statistics Desciptive...(Pilih variabel)

Options... (Pilih statistik relevan yang diperlukan)

Descriptives Output

Varians untuk kelelahan, kepuasan kerja, dan karakteristik pekerjaan tidak tinggi. Varians untuk ITL dan keadilan yang dirasakan (keadilan distributif) hanya sedikit iebih tinggl, yang menunjukkan bahwa kebanyakan responden sangat dekat dengan rata-rata pada semua variabel.

Singkatnya, keadilan yang dirasakan agak rendah, tidak banyak kelelahan dialami, pekerjaan dirasa cukup memperkaya, terdapat kepuasan kerja rata-rata, dan tidak ada keinginan yang kuat untuk tetap bersama organisasi atau meninggalkannya

Statistik Inferensial: Korelasi Pearson

Matriks korelasi Pearson yang dihasilkan untuk kelima variabel skala interval ditunjukkan dalam Output 72.4. Dari hasil, kita melihat bahwa ITL, seperti diperkirakan, secara signifikan, berkorelasi negatif dengan keadilan distributif yang dirasakan, kepuasan kerja, dan pekerjaan yang memperkaya. Yaitu, ITL rendah jika perlakuan yang pantas dan kepuasan kerja dialami, serta pekerjaan memperkaya. Tetapi, bila individu mengalami kelelahan (kelelahan fisik dan emosi), keinginan mereka untuk keluar juga meningkat (korelasi positif 0,33).

Kepuasan kerja juga berkorelasi positif dengan keadilan yang dirasakan, dan pekerjaan yang memperkaya. Kepuasan kerja berkorelasi negatif dengan kelelahan dan ITL. Semua arah korelasi sesuai dengan perkiraan.

Koefisien korelasi Pearson adalah tepat untuk variabel berskaia interval dan rasio, dan koeflsien Spearman Rank atau Kendall's Tau sesuai jika variabel diukur pada skala ordinal (ordinat scale). Korelasi bivariat apa pun dapat dihasilkan dengan mengeklik menu yang reievan, mengidentiflkasi variabel, dan mencari statistik parametrik atau nonparametrik yang tepat.

Penting diingat bahwa tidak ada korelasi yang melebihi 0,59 untuk sampel ini. Bila korelasi lebih tinggi (katakanlah, 0,75 atau lebih), kita dapat menduga apakah variabel yang berkorelasi adalah dua variabel yang berbeda dan akan meragukan validitas pengukuran.

Pengujian Hipotesis

Lima hipotesis telah disusun untuk penelitian ini, seperti disebutkan terdahulu. Penelitian ini memerlukan uji t (untuk hipotesis 1), ANOVA (untuk hipotesis 2 dan 3), uji chi -square (untuk hipotesis 4), dan analisis regresi berganda (untuk hipotesis 5). Hasil pengujian dan interpretasinya dibahas di bawah ini.

Hipotesis 1: Menggunakan Uji t. Hipotesis 1 dapat dinyatakan dalam hipotesis nol dan alternatif sebagai berikut:

H 10 : Tidak ada perbedaan antara pria dan wanita dalam ketidakadilan yang mereka rasakan.

Dinyatakan secara statistik: H10 adalah: µW = µM

di mana µW adalah keadilan yang dirasakan oleh wanita dan µM keadilan yang dirasakan oleh pria

H1A : Wanita akan merasakan lebih banyak keadilan dibanding pria (atau pria akan merasakan lebih sedikit keadilan dibanding wanita)

Dinyatakan secara statistik: H1A adalah: µW > µM

Uji t A akan menunjukkan apakah perbedaan yang dirasakan secara signifikan berbeda untuk wanita dibanding untuk pria. Hasil uji t yang dilakukan ditunjukkan dalam Output 12.5. Seperti dapat dilihat, perbedaan dalam rata-rata 2,43 dan 2,34 dengan standar deviasi 0,75 dan O,76 untuk wanita dan pria pada keadilan yang dirasakan (atau keadilan distributif) tidak signiflkan (lihat tabel yang menunjukkan uji t untuk Equality of Means). Jadi, hipotesis 1 tidak terbukti.

Output 1 2.4

Matriks Korelasi Pearson

Dari menu, pilih: Analyze Correlate Bivariate (Pilih variabel yang relevan)

Option... Pilih:

a. Tipe koefisien korelasi: pilih satu yang relevan (misalnya, Pearson, Kendall’s tau, Spearman)

b. Uji signifikansl-two tailed (dua arah), one-tailed (lsatu arah).

Hipotesis 2: Menggunakan ANOVA. Hipotesis kedua dapat dinyatakan dalam hipotesis nol dan alternatif sebagai berikut:

H20 : Kepuasan kerja individu akan tetap sama kapan pun giliran kerja mereka (1, 2, atau 3).

Dinyatakan secara statistik, H2o adalah: µ1 = µ2 = µ3

di mana µ1, µ2, µ3 menandakan rata-rata kepuasan kerja karyawan yang bekerja dalam giliran 1, 2, dan 3, berturut-turut.

Output 12.5

Uji t untuk Perbedaan antara Dua Kelompok

(Uji Sampel Bebas)

Pilih : Analyze Compare Means idependen sampel t test Pilih a. single grouping variable dan klik Deflne groups untuk menentukan dua kode yang akan diperbandingkan.

Options...(Tentukan tingkat keyakinan yang disyaratkan - 0,05: 0,01, dan sebagainya)

t Test Output

H2A : Kepuasan kerja individu tidak akan sama (akan bervariasi) tergantung kapan giliran kerja mereka.

Dinyatakan secara statistik, H2A adalah : µ1 ≠ µ2 ≠ µ3

Karena ada lebih dari dua kelompok (tiga giliran yang berbeda) dan kepuasan kerja diukur pada skala interval, ANOVA adalah yang paling tepat untuk menguji hipotesis ini. Hasil ANOVA, yang menguji hipotesis ini, ditampiikan dalam Output 12.6.

Output 12.6

ANOVA

Pilih: Analyze Compare Means One Way ANOVA... (Pilih variabel terikat dan satu variabel faktor bebas)

Oneway ANOVA Output

Untuk uji post hoc untuk menentukan di mana letak perbedaan kelompok (seperti dibahas dalam teks), klik pada:

Post Hoc.. .(Pilih dari antara banyak uji seperti Bonferroni, Scheffe, Tukey, Duncan,

sesuai keperluan.)

Keterangan df dalam kolom ketiga merupakan derajat kebebasan (degrees of freedom), dan tiap sumber variasi memiliki derajat kebebasan. Untuk varians antar kelompok, df = (K - 1), di mana K adalah total jumlah kelompok atau tingkat. Karena ada tiga giliran, kita memiliki (3 - 1) = 2 df Derajat kebebasan (df) untuk jumlah kuadrat (sum of squares) dalam kelompok sama dengan (N – K), di mana N adalah total jumlah responden dan K adalah total jumlah kelompok. Jika tidak ada respons yang hilang, (N - K) seharusnya (174 - 3) = 171. Tetapi, dalam kasus ini, terdapat 12 respons hilang, dan karena itu df adalah (162 – 3) = 159.

Rata rata kuadral (mean square) untuk tiap sumber variasi (kolom 5 dari hasil) diperoleh dengan membagi jumlah kuadrat dengan df yang sesuai. Akhirnya, nilai F itu sendiri sama dengan rata-rata kuadrat yang dijelaskan (explained mean square) dibagi dengan rata-rata kuadrat residual (residual mean square).

Rata- rata kuadrat yang dijelaskanF =

rata-rata kuadrat residual

Dalam kasus ini, F= 3,327 (O,831/0,249). Nilai F signifikan pada tingkat 0,04. Itu berarti bahwa hipotesis 2 terbukti. Yaitu, ada perbedaan sigrilikan dalam rata-rata tingkat kepuasan pekerja dalam tiga giliran, dan hipotesis nol dapat ditolak.

Uji F yang digunakan di sini memerlukan uji F yang menyeluruh. Untuk menentukan di antara kelompok mana terletak perbedaan yang sebenarnya, pengujian lain perlu dilakukan, seperti dibahas dalam Bab 9. Duncan Multiple Range Test dipakai untuk tujuan tersebut (Output tidak

ditampilkan). Hasilnya menunjukkan bahwa rata-rata kepuasan kerja untuk ketiga kelompok adalah 3,15 untuk giliran pertama, 2,91 untuk giliran kedua, dan 3,23 untuk giliran ketiga. Adalah giliran kedua dengan kepuasan kerja rendah yang berbeda secara signifikan dari kelompok 1 dan 3 pada tingkat p ≤ 0,05.

Hipotesis 3: Menggunakdn ANOVA. Hipotesis 3 dapat dinyatakan dalam hipotesis nol dan alternatif sebagai berikut:

H30 : Tidak ada perbedaan dalam ITL karyawan pada lima tingkat pekerjaan yang berbeda.

Dinyatakan secara statistik H30 adalah : µ1 = µ2 = µ3 = µ4 = µ5

di mana kelima µ mewakili lima rata-rata pada ITL karyawan di lima tingkat pekerjaan yang berbeda.

Interpretasi dan Rekomendasi Menyeluruh kepada

Direktur

Dari lima hipotesis yang diuji, terdapat dua yang terbukti dan tiga yang tidak. Dari hasil analisis regresi berganda, jelas bahwa kepuasan kerja merupakan faktor yang paling berpengaruh dalam menjelaskan keinginan karyawan untuk tetap bersama organisasi. Apa pun yang dilakukan untuk meningkatkan kepuasan kerja akan membantu karyawan untuk lebih jarang berpikir tentang keluar dan mendorong mereka untuk tinggal.

Jelas pula dari hasil bahwa ITL tidak berbeda pada tingkat pekerjaan. Yaitu, karyawan di semua tingkat tidak merasa sangat ingin untuk tetap bersama organisasi atau meninggalkannya. Karena itu, bila retensi karyawan adalah prioritas utama bagi sang direktur, penting untuk menaruh perhatian kepada karyawan di semua tingkat dan merumuskan kebijakan dan praktik yang membantu meningkatkan kepuasan kerja mereka semua. Pun, karena kepuasan kerja diketahui lebih rendah secara signifikan bagi karyawan yang bekela pada giliran malam, wawancara lebih jauh dengan mereka dapat memunculkan sejumlah titik terang mengenai faktor yang membuat mereka tidak puas. Tindakan perbaikan kemudian dapat diambil.

Adalah informatif untuk menemukan bahwa keadilan yang dirasakan, meskipun tidak secara signifikan berbeda untuk pria darr wanita seperti yang semula dihipotesiskan, namun cukup rendah untuk keduanya (lihat Output 12.3). Matriks korelasi Pearson (Output 12.4) menunjukkan bahwa keadilan yang dirasakan (atau keadilan distributif) berkorelasi secara positif dengan kepuasan kerja dan berkorelasi secara negatif dengan ITL. Oleh karena itu, direktur akan diberi usul untuk memperbaiki ketidakadilan, dalam sistem, jika hal tercebut benar-bena: eksis, atau menjernihkan kesalahpahaman terhadap ketidakadilan, jika hal tersebut benar menjadi masalah.

Meningkatkan kepuasan kerja tidak diragukal. lagi akan membantu mengurangi keinginan karyawar untuk berhenti, tetapi fakta bahwa hanya 30% varians dalam ITL yang secara signifikan dijelaskan oleh empat variabel bebas yang dimasukkan dalam studi ini tetap menyisakan 70% yang tidak terjelaskan. Dengan kata lain, terdapat variabel penting lain yang menjelaskan ITL yang belum disertakan dalam studi ini. Jadi, penelitian lebih jauh akan diperlukan

untuk menjelaskan lebih banyak varians dalam ITL, jika sang direktur memutuskan untuk mengejar hal tersebut lebih lanjut.

Sekarang kita telah melihat bagaimana berbagai hipotesis dapat diuji dengan menerapkan uji statistik yang tepat dalam analisis data. Berdasarkan interpretasi hasil, laporan penelitian kemudian ditulis, dan rekomendasi serta pro dan kontranya dibahas satu per satu, berikut analisis biaya/manfaat. Keterbatasan penelitian juga dinyatakan secara spesifik agar pembaca menyadari bias yang dapat terjadi dalam penelitian. Hal tersebut juga memberikan sentuhan profesional pada studi, yang menegaskan orientasi ilmiahnya.

BEBERAPA PAKET PERANTI LUNAK YANG BERGUNA UNTUK ANALISIS DATA

Paket Peranti Lunak SPSS

Seperti disinggung dalam bab terdahulu, SPSS merupakan program peranti lunak yang dapat membuat survei (desain kuesioner) melalui SPSS Data Entry Builder, mengumpulkan data melalui Internet atau Intranet dengan SPSS Data Entry Enterprises Server, memasukkan data yang diperoleh melalui SPSS Data Entry Station, dan SPSS 11.0 untuk menganalisis data yang diperoleh.

Askia

Desain kuesioner, arsip pertanyaan, manajemen data analisis data, bagan, dan graflk

ATLAS.ti

Desain kuesioner, pengambilan sampel, survei surat elektronik (e-mail), pemodelan, grafik interaktif

Bellview CATI

Desain kuesioner, desain bentuk entri data, pengeditan data

Brand2hand

Desain kuesioner, pengambilan sampel, kuesioner berbasis Web, wawancara melalui Web, pengeditan data, transformasi dan pengodean data, analisis statistik, termasuk analisis multivariat. Bagan dan grafik untuk presentasi dapat dibuat

MENGGUNAKAN SISTEM PAKAR DALAM MEMILIH PENGUJIAN STATISTIK YANG TEPAT

Seperti kita ketahui, Sistem Pakar (Expert System) memberikan teknik pemrograman yang unik untuk meniru keputusan yang diambil para pakar. Kumpulan pengetahuan yang sangat banyak dimasukkan ke dalam sistem dan beberapa peranti lunak dan peranti keras membaltu individu menggunakannya untuk menghasilkan keputusan terhadap masalah yang ingin dipecahkan. Singkatnya, Sistem Pakar dapat diandaikan sebagai seorang "penasihat," yang menjelaskan atau memecahkan masalah problematik yang membingungkan individu.

Sistem Pakar yang berkaitan dengan analisis data membantu peneliti yang bingung memilih prosedur statistik yang paling tepat untuk menguji berbagai macam hipotesis. Statistika Nauigator adalah suatu Sistem Pakar yang merekomendasikan satu atau lebih prosedur statistik

setelah mengumpulkan informasi mengenai sasaran b/aitu, tujuan analisis-misalnya, untuk memahami hubungan antara dua variabel), dan data (yaitu, kategori, skala).

Statisticol Nauigalor merupakan panduan yang berguna bagi mereka yang tidak menguasai statistik tetapi ingin memastikan bahwa mereka memakai teknik statistik yang tepat.

Tentu saja, Sistem Pakar juga dapat digunakan untuk membuat keputusan yang berkaitan dengan berbagai aspek desain penelitian-sifat studi, horizon waktu, jenis studi, situasi studi, unit analisis, desain pengambilan sampel, metode pengumpulan data, dan sebagainya.

Aplikasi lain dari Sistem Pakar untuk keputusan bisnis yang menggunakan data yang tersedia rneliputi Auditor (untuk keputusan penilaian utang macet), dan Tax Aduisor (membantu perusahaan audit untuk memberi'saran kepada klien perihal perencanaan kekayaan). Seperti diusulkan oleh Luconi, Malone, dan Morton (1986), Sistem Pakar dapat digunakan untuk membuat keputusan yang berkaitan dengan kontrol operasional (piutang, kendali persediaan, manajemen kas, penjadwalan produksi), kendali manajemen (analisis arggaran, peramalan, analisis varians, persiapan anggaran), dan perencanaan strategis (lokasi gudang dan pabrik, merger dan akuisisi, perencanaan produk baru). Dengan demlkian, cakupan pengembangan dan penggunaan sistem pakar untuk membantu pemecahan masalah managerial dan pembuatan keputusan dalah tidak terbatas.

LAMPIRAN

ANALISIS DATA MENGGUNAKAN EXCEL OLEH LIZABETH A. BARCLAY DAN KENNETH M. YORK, SCHOLL OF BUSINESS ADMINISTRATION, OAKLAND UNVERSITY, ROCHESTER, MICHIGAN

ANALISIS KUMPULAN DATA PEJABATA KUNTANSI MENGGUNAKAN EXCEL

Informasi Latar Belakang

Penelitian ini adalah penelitian eksploratif yang dilakukan untuk mengetahui peranan pejabat Departemen Akuntansi sebelum meluncurkan sebuah studi longitudinal mengenai Kelelahan dalam populasi yang sama.

Lingkungan pendidikan tinggi sedang mengalami perubahan. Universitas mencari sumber pendapatan baru, penyampaian kuliah berubah, dan profesor serta pejabat departemen kian dituntut untuk melakukan aktivitas yang tidak tradisional (cara lama dan biasa) terkait pekerjaan universitas. Universitas berharap para pejabatnya menggalang dana dan menjalin relasi pada tingkat yang kian intens. Pada saat yang sama, para pejabat diharapkan tetap melakukan tugas-tugas administratif tradisional sekaligus melakukan penelitian dan memberi kuliah.

Peneliti mendesain sebuah kuesioner yang mengungkap informasi demografis mengenai gender, tingkat pendidikan, status kedudukan tetap, anggaran, jabatan kerja, dan status akreditasi sekolah bisnis. Survei juga meminta jumlah dosen penuh waktu dan paruh waktu dalam departemen, dan apakah mereka memiliki gelar yang disyaratkan. Persepsi pejabat terhadap ketersediaan waktu, hubungan kerja, dan perbandingan gaji juga dikumpulkan. Kuesioner dikirim kepada 684 Pejabat Departemen Akuntansi saat ini. Pejabat Akuntansi dipilih karena posisi

terdebut memikul tugas-tugas pejabat tradisional sekaligus kemampuan kepemimpinan eksternal pada tingkat yang lebih tinggi dari pada posisi pejabat lainnya.

Dua ratus delapan kuesioner dikembalikan (tingkat respons = 31%). Data dimasukkan ke dalam spreadsheef Excel dan dianalisis menggunakan prosedur

ANALISIS MENGGUNAKAN EXCEL

Pembahasan hasil analisis menggunakan Excel dan interpretasinya diuraikan berikut ini. Analisis statistik menggunakan spreadsheet seperti Excel berbeda dari menggunakan paket statistikal semacam SPSS. Dengan Excel, data dan analisis keduanya tampak bagi peneliti, sementara SPSS memiliki arsip data yang terpisah, dan pada waktu bersamaan, kumpulan data dan output tidak dapat secara serempak ditampilkan.

Analisis data meliputi hal berikut:

1. Penentuan alfa Cronbach untuk skala yang relevan.2. Distribusi frekuensi untuk beberapa ukuran.3. Pengukuran Tendensi Sentral dan Dispersi.4. Matriks korelasi Pearson.5. Pengujian hipotesis.