____________________________________

BAB 9 : Analisis Data dan Interpretasi :

Statistik Deskriptif - Pengujian Hipotesis – Pembahasan
Oleh: Nuryaman & Veronica.CH
Universitas Widyatama

Setelah data penelitian berhasil dikumpulkan, maka langkah penelitian berikutnya adalah
melakukan analisis data dan interpretasinya. Tujuan dari analisis data dan interpretasi yaitu
untuk menjawab masalah penelitian yang telah dirumuskan pada langkah penelitian
sebelumnya, sehingga hasil analisis data dan interpretasinya, dapat dijadikan dasar dalam
membuat kesimpulan serta rekomendasi bagi pengguna, untuk pengambilan keputusan bisnis.
Seperti telah dijelaskan sebelumnya bahwa tujuan penelitian adalah untuk membantu
memecahkan masalah yang dihadapi manajemen (penelitian terapan), atau untuk
pengembangan ilmu (penelitian fundamental). Tujuan penelitian ini dapat dicapai jika
peneliti berhasil menemukan pemecahan masalah yang dihadapi manajemen.

Gambar 9.1. Berikut dibawah ini, diagram analisis data dan Interpretasi :

Persiapan Analisis Data : Analisis Data : Interpretasi dan

Pembahasan :
(1) Editing (1) Analisis deskriptif
(2) Analisis hubungan (1) Interpretasi
(2) Memberikan kode
(3) Pengujian hipotesis hasil analisis
data
(3) Membuat Tabulasi (2) Pembahasan

Persiapan analisis data

Editing

Sebelum data diolah, data perlu diedit terlebih dahulu, di cek kelengkapannya. Jika data yang
terkumpul berdasarkan hasil survey atau observasi maka data yang terdapat pada kuisioner

BAB 9 Page 1
tersebut harus dibaca kembali untuk memeriksa kelengkapan dan keakuratannya. Tujuan
editing data untuk memastikan bahwa data tersebut lengkap, konsisten, dan memiliki
kesiapan untuk dilakukan proses analisis data. Beberapa hal yang perlu diperhatikan saat
mengedit data :

- Apakah responden sudah menjawab dengan lengkap dan sempurna ?

- Apakah tulisannya sudah jelas, hingga mudah dibaca ?
- Apakah semua data konsisten ?
- Apakah semua data dapat difahami ?

Adakalanya dalam sebuah kuisioner, terdapat pertnyaan yang tidak dijawab oleh responden
yang dikarenakan terlewat atau mungkin sengaja dilewat, sementara Pengumpul data tidak
memungkinkan lagi untuk menemui responden. Jika jawaban responden yang tidak diisi
tersebut relatif banyak sehingga akan mengurangi kualitas data, sebagai solusinya responden
tersebut dikeluarkan dari sample. Namun jika jawaban yang tidak diisi tersebut relatif sangat
kecil dan tidak akan mengurangi kualitas data secara signifikan, maka salah satu solusinya,
jawaban yang kosong tersebut diberikan jawaban dengan nilai rata-rata dari jawaban
responden lainnya.
Memberikan Kode data
Data yang dikumpulkan dapat berupa data angka (kuantitatif) atau data kualitatif: kalimat
pendek atau panjang, atau hanya berupa jawaban “ ya” atau “tidak”. Untuk memudahkan
proses analisis data, maka jawaban dari responden tersebut harus diberi kode. Mengkode
jawaban adalah menaruh angka pada setiap jawaban. Pemberian kode ini akan memudahkan
dalam proses analisis data, terutama jika analisis data menggunakan analisis statistik, maka
dalam proses analisis data, semua model statistik hanya mengenal angka.
Jika jawaban Responden berupa angka, maka angka tersebut sebagai kode jawaban.
Misalnya sebuah pertanyaan : Berapa rupiah jumlah hutang perusahaan ?, jawabannya Rp
500 Juta, angka 500.000.000 sebagai kode jawaban pertanyaan tersebut. Jika pertanyaan
pada kuisioner dirancang untuk menghasilkan jawaban tertutup dalam bentuk kalimat atau
kata, maka semua jawaban kalimat atau kata tersebut harus diberi angka. Angka dari jawaban
tersebut, bisa hanya merupakan simbol (skala nominal), atau merupakan skore-nya (skala
ordinal,interval dan rasio). Sebagai contoh:

BAB 9 Page 2
Contoh.1. Memberikan kode terhadap jawaban tetutup

Jawaban Kode
Sangat setuju 5
Setuju 4
Kurang setuju 3
Tidak setuju 2
Sangat tidak setuju 1

Ya 1
Tidak 0

Laki-laki 0
Perempuan 1

Sangat penting 3
Cukup penting 2
Kurang penting 1
Tidak penting 0

Kuisioner dapat juga berupa pertanyaan tertbuka, sehingga jawabannya bisa bebas sesuai
dengan apa yang difikirkan responden. Untuk pemberian kode, jawaban terbuka tersebut
harus diklasifikasikan/dikatagorikan terlebih dahulu, sehingga masing-masing katagori berisi
jawaban yang relatif sama, kemudian setiap klasifikasi/katagori diberi kode. Jika ada jawaban
yang tidak dapat dimasukan dalam katagori yang sudah ada, bisa menyediakan katagori “lain-
lain. (Nazir, 2003: 350).

Membuat tabulasi
Membuat tabulasi termasuk dalam persiapan analisis data. Membuat tabulasi data adalah
proses input data ke dalam tabel-tabel data, mengatur angka-angka tersebut dalam tabel data.
Tabel-tabel data dapat berupa tabel utama dan tabel pendukung. Table utama berisi angka-
angka hasil perhitungana akhir untuk setiap variable penelitian yang akan dianalisis, untuk
setiap responden/subjek penelitian . Table utama biasanya digunakan sebagai sumber untuk
proses analisis data penelitian. Table pendukung merupakan table yang berisi perhitungan,

BAB 9 Page 3
formula, rumus untuk masing-masing angka hasil akhir variable penelitian yang terdapat pada
table utama. Table pendukung memberikan penjelasan bagaimana angka pada table utama
tersebut diperoleh.

Contoh 2. Hubungan tabel utama dengan table pendukung

Table Utama
No Nama atau Kode Perusahaan Var. X1 Var. X2 Var.Y
1 A 10 20 50
2 B 15 23 45
3 C 12 23 50
4 D 15 30 60
5 E 20 40 80
6 F 11 23 23
7 G 12 23 43
- - - - -
Dst Dst dst dst dst

Tabel pendukung 1. Tabel pendukung 2. Tabel pendukung 3.

Perhitungan Var. X1 Perhitungan Var. X2 Perhitungan Var.Y

Analisis data adalah kegiatan ; mengelompokkan data, mengurutkan, memanipulasi,

menyingkatnya agar mudah dibaca. Mengelompokan data yaitu membagi data menjadi
beberapa katagori, kelompok, atau bagian. Kerlinger dalam (Nazir, 2003 : 358), dalam
pengkatagorian data maka :

(1) Katagorisasi harus dibuat sesuai dengan masalah dan tujuan penelitian
(2) Katagori harus lengkap
(3) Katagori harus bebas dan terpisah
(4) Katagorisasi harus berdasarkan kaidah tertentu
(5) Tiap katagori harus dalam satu level yang ingin diterangkan

BAB 9 Page 4
Katagorisasi harus sesuai dengan masalah penelitian, sehingga katagori tersebut sesuai
dengan tujuan penelitian, lengkap, dan menggunakan kaidah tertentu. Misalkan penelitian
ingin menganalisis hubungan model pembelajaran dengan prestasi akademik mahasiswa.
Variable dependennya adalah prestasi akademik Mahasiswa, variable yang ingin
diterangkannya prestasi akademik, sedangkan variable model pembelajaran adalah variable
yang menerangkan. Maka dalam hal ini, katagorisasi data dapat berdasarkan tipe variablenya
(dependen-independen), kemudian katagorisasi data pada tiap variable harus disesuaikan
dengan konteks tujuan penelitian, dalam hal ini hubungan variable, maka katagorisasi
variable independen harus dalam satu level dengan variable dependennya.

Analisis Deskriptif dan Statistik Deskriptif

Analisis deskriptif adalah memberikan deskripsi mengenai karakteristik variable penelitian
yang sedang diamati, serta data demografi responden. Dalam hal ini analisis deskriptif
memberikan penjelasan tentang ciri-ciri yang khas dari variable penelitian tersebut,
menjelaskan bagaimana perilaku individu (responden atau subjek) dalam kelompok. Salah
satu metode yang dapat digunakan untuk analisis deskriptif adalah statistik deskriptif.
Statistik deskriptif digunakan untuk menganalisis data dengan cara mendeskripsikan atau
menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat
kesimpulan umum atau generalisasi terhadap populasi. Pada analisis dan statistik deskriptif,
dua hal pokok yang sering digunakan untuk mendeskripsikan karakteristik variable penelitian
: Ukuran tendensi sentral dan dispersi. Ukuran tendensi sentral digunakan untuk
menggambarkan kecenderungan data pada kelompok/sample tersebut, atau nilai sentral dari
suati distribusi data. Dispersi adalah ukuran statistik yang menggambarkan nilai variasi data
yang diteliti dari angka rata-ratanya, perbedaan data terhadap nilai rata-ratanya. Dengan
mengetahui ukuran dispersi maka dapat diketahui tingkat keseragaman data pda suatu
distribusi. Semakin besar dispersinya, maka semakin tidak seragam data tersebut, dan
sebaliknya. Kedua ukuran statistik ini digunakan untuk menjelaskan bagaimana perilaku
responden/subjek dalam sample yang tengah diamati.
Termasuk dalam ukuran tendensi sentral menyajikan data dalam bentuk table, grafik,
diagram. Tendensi sentral juga dapat disajikan dengan menghitung nilai modus, median, rata-
rata hitung, dsb. Bagaimana memilih model statistik yang cocok digunakan, tergantung pada
jenis skala pengukuran variable penelitian tersebut.

BAB 9 Page 5
Table. 9.1. Tipe skala pengukuran variable penelitian dan model statistik deskriptip
(Nurindriantoro 1999, 170)
Tipe Skala Pengukuran Model analisis data
Nominal (6) Frekuensi (absolut, proporsi)
(7) Modus
Ordinal (8) Urutan rangking
(9) Median
Interval (10) Rata-rata aritmetik
Rasio (11) Angka indeks
(12) Rata-rata geometrik
(13) Rata-rata harmonik

Analisis Hubungan
Analisis hubungan dilakukan ketika tipe penelitian eksplanatory atau prediktif, yang mana
tujuan penelitian tersebut untuk mengetahui bagaimana hubungan antar variable penelitian.
Seperti telah dijelaskan pada Bab sebelumnya, tipe hubungan dapat berupa hubungan
simteris, asimetris (hubungan kausalitas), dan hubungan resiprokal (saling mempengaruhi).
Secara singkat diuraikan kembali pada bagian ini mengenai tipe ketiga hubungan tersebut
sebabgai berikut :
Hubungan simetris merupakan hubungan dua variable atau lebih yang nilainya berubah dan
bergerak secara bersamaan pada waktu yang bersamaan, namun tidak terdapat hubungan
kausalitas atau sebab akibat antar variabel tersebut.
Hubungan Asimetris merupakan hubungan dua variable atau lebih, jika dari variable-
variable tersebut terdapat variable yang mempengaruhi (variable independen) dan terdapat
variable yang dipengaruhi (variable dependen), atau dengan kata lain terdapat hubungan
kausalitas (sebab- akibat).
Hubungan resiprokal yaitu model hubungan yang mana kedau variable tersebut saling
mempengaruhi, atau hubungan timbal balik (hubungan interaktif).

BAB 9 Page 6
Model satatistik untuk uji hubungan simetris
Model statistik yang dapat digunakan untuk menguji hubungan variable penelitian akan
tergantung pada tipe skala pengukuran variable penelitian. Morode statistik yang populer
digunakan untuk analisis uji hubungan yaitu : Analisis korelasi dengan ukuran koefisien
korelasi, dan Analisis regresi dengan koefisien regresinya. Berikut adalah tabel model
statistik dan skala pengukuran variable penelitian untuk uji hubungan simetris,
(Nurindriantoro; 19999; 208).
Table. 9.2. Hubungan simetris

Skala Pengukuran Metode statistik Contoh pertanyaan penelitian

Nominal Chi- Kuadrat-test
Ordinal Chi-kuadrat-test
Spearman rank correlation
Kendal’s rank correlation
Interval atau Rasio Pearson’s correlation
Regression analysis
Apakah terdapat hubungan
jenis kelamin dengan
keahlian memakai komputer.
Apakah terdapat hubungan
peringkat preferensi jenis
minuman dengan intensitas
iklan
Apakah terdapat hubungan
partisipasi anggaran dengan
kinerja manajerial.

Model statistik untuk uji hubungan Asimetris

Analisis hubungan yang melibatkan variable dependen sebagai variable yang akan

diterangkan dan variable independen sebagai variable independen dinamakan analisis

dependensi (Analyisis of dependence). Untuk menguji hubungan asimetis dan hubungan

resiprokal, berikut adalah table model statistik dan tipe skala pengukuran untuk uji hubungan

asimetris dan resiprokal. Hair (1995; 18) dan Indriantoro (1999; 210)

Table 9.3. Model Statistik dan skala pengukuran pada Analisis dependensi.

Jumlah Skala Metode Tujuan studi

Variable Pengukuram
Dependen Independen Dependen Independen
Satu Dua atau lebih Interval dan Interval atau Regresi Menguji pengaruh
rasio Rasio berganda beberapa variable
independen
terhadap variable
dependen
Satu Dua atau lebih Interval atau Nominal Regresi Menguji pengaruh
Rasio atau Ordinal berganda beberapa variable
(disarankan independen

BAB 9 Page 7
 datanya terhadap variable
ditranformasikan).
dependen
Hair(1995;
86)
Conjoint Menguji
Analysis kombinasi
hubungan antar
variabel (diukur
dengan skala
nominal atau
ordinal)

Analysis of Menguji pengruh

Variance beberapa variable
independen (diukur
dengan nominal atau
terhadap
ordinal)
var.dependen
Satu Dua atau lebih Nominal dan Interval atau Multiple Menguji pengaruh
ordinal Rasio Discriminant beberapavariable
Analysis independen (diukur
dengan interval atau Rasio)
terhadap satu
variable dependen
(diukur dengan nominal
atau ordinal)
Linear Menguji pengaruh
Probability beberapavariable
Model (logit independen (diukur
Analysis) dengan interval atau Rasio)
terhadap satu
variable dependen
(diukur dengan nominal
atau ordinal).
Nominal Linear Menguji pengaruh
atau ordinal Probability beberapa variable
Model (logit independen (diukur
Analysis) dengan nominal atau
ordinal) terhadap
satu variable
dependen (diukur
dengan nominal atau
ordinal)
Nominal Conjoint Menguji
atau ordinal analysis kombinasi
hubungan antar
variabel (diukur
dengan skala
nominal atau
ordinal)

BAB 9 Page 8
Dua atau Dua atau lebih Interval atau Interval atau Canonical Menentukan
lebih Rasio rasio Correlation korelasi antara dua
Analysis atau lebih variable
dependen dengan
beberapa variable
independen
Nominal Multivariate Menguji
atau ordinal Analysis of signifikansi
Variance perbedaan nilai
rata-rata beberapa
variable antara dua
level dalam satu
variable.

Bila dijelaskan dengan persamaan matematik, maka persamaan model statistik untuk analisis
hubungan asimetris tersebut di atas dapat dijelaskan sebagai berikut :
Multiple regresion Analysis
Y1 = X1 + X2 + .............................. + Xn (Persamaan 9.1)
(Interval atau rasio) (interval atau rasio)
Multiple regression analysis (MRA) adalah metode statistik yang dapat digunakan untuk
menguji hubungan satu variable dependen yang diukur dengan skala interval atau rasio
dengan beberapa variable independen yang diukur dengan skala interval atau rasio.

MRA dapat menghitung variable independen mana (secara prsial) yang paling berpemgaruh
terhadap variable dependen. Disamping mengetahui pengaruh variable indenpenden secara
parsial, Peneliti dapat mngetahui pengaruh variable independen secara simultan (bersama-
sama) terhadap variable dependen.

Dalam keadaan tertentu regresi dapat juga digunakan untuk variable independennya dengan
skala nominal atau ordinal (Hair.1995; 86). Jika variable independennya skla nominal atau
ordinal, disarankan terlebih dahulu data variable tersebut ditransformasikan pada variable
interval atau rasio. Salah satu metode yang dapat digunakan adalah Method of Successive
Interval /MSI (Susanto,2013). Metode suksesif interval merupakan proses mengubah data
ordinal menjadi data interval.

Multiple Regression Analysis dengan Variable independen bersakala nominal atau ordinal.

BAB 9 Page 9
 Y1 = X1 + X2 + .................... + Xn (Persamaan 9.2)
(Interval atau rasio) (Nominal atau ordinal)

Multiple Discriminant Analysis

Y1 = X1 + X2 + ...................... + Xn (Persamaan 9.3)

(Nominal atau ordinal) (Interval atau rasio)
Multiple discriminant analysis (MDA) adalah model statistik yang digunakan untuk
mengetahui adakah perbedaan antar kelompok pada variable dependenden , dan jika ada
variable independen manakah yang dapat menjelaskan perbedaan kelompok pada variable
dependen tersebut.

Multivariate Analysis of Variance

Y1 +Y2+....Yn = X1 + X2 + .............................. + Xn
(Interval atau rasio) (Nominal atau ordinal)
Multivariate analysis of variance (MANOVA) adalah model statistik yang digunakan untuk
menguji adakah perbedaan nilai rata-rata antara kelompok dalam dua atau lebih variable
dependen (diukur dengan skala interval atau rasio). Jika ada perbedaan, selanjutnya apakah
variable independen (diukur dengan skala niminal atau ordinal) dapat menjelaskan perbedaan
tersebut.

Analysis of variance (ANOVA) adalah metode statistik yang sama dengan MANOVA, hanya
pada model ini variable dependen yang ingin dijelaskannya adalah hubungan 1 (satu) variable
depednden yang dikur dengan skala interval dan rasio dengan variable independen yang
diukur dengan skala nominal atay ordinal.
Analysis of Variance
Y1 = X1 + X2 + .............................. + Xn
(Interval atau rasio) (Nominal atau ordinal)

Canonical Correlation Analysis

BAB 9 Page 10
 Y1 +Y2+....Yn = X1 + X2 + .............................. + Xn
(Nominal, ordinal, Interval, rasio) (Nominal, ordinal, interval, rasio)

Canonical correlation analysis (CCA) adalah model statistik yang digunakan untuk menguji
hubungan antar variable penelitian. Motode CCA pada dasarnya sama dengan metode
korelasi sederhana, namun perbedaannya metode CCA digunakan jika variable dependen dan
variable independen lebih dari 1 (satu), sehingga metode CCA tergolong pada multivariate
analysis.
Conjoint Analysis
Y1 = X1 + X2 + .............................. + Xn
(Nominal, ordinal, Interval, rasio) (Nominal, ordinal, interval, rasio).
Conjoint Analyiss (CA) adalah metode statistik yang digunakan untuk mengetahui bagaimana
persepsi responden terhadap suatu objek yang terdiri atas satu atau banyak bagian. Pada
awalnya CA digunakan pada riset pemasaran, khususnya riset untuk mengetahui bagaimana
preferensi konsumen terhadap berbagai desain produk, sehingga CA dapat mengidentifikasi
suatu bentuk (desain) produk barang atau jasa tertentu yang diinginan oleh sebagaian besar
respondence. Namun, dalam perkembangannya CA digunakan juga pada berbagai riset
bidang sosial lainnya, termasuk ekonomi dan akuntansi.

Transformasi data

Banyak penelitian bidang Akuntansi dan Bisnis, yang menggunakan korelasi pearson dan
regresi sebagai model statistik. Kedua model statistik tersebut mensyaratkan data berskala
interval atau rasio. Jika peneliti ingin menggunakan model statistik regresi dan korelasi
Pearson, sementara data penelitian bersakala nominal atau ordinal, maka data tersebut harus
diubah bentuk kedaam interval untuk memenuhuhi persyaratan tersebut.

Salah satu cara mengubah data dengan Method of Successive Interval /MSI. Metode suksesif
interval merupakan proses mengubah data ordinal menjadi data interval. Mengapa data
ordinal harus diubah dalam bentuk interval? Data ordinal sebenarnya adalah data kualitatif
atau bukan angka sebenarnya.

BAB 9 Page 11
Bagaimana proses mengubah data berskala ordinal menjadi data berskala interval, ada
beberapa tahapan yang harus dilakukan. Tahapan perhitungan MSI secara manual sebagai
berikut (Sawono,2013) :

Menghitung frekuensi
Menghitung proporsi
Menghitung proporsi kumulatif
Menghitung nilai z
Menghitung nilai densitas fungsi z
Menghitung scale value
Menghitung penskalaan

Contoh soal (Sarwono; 2013).

Sebuah penelitian mensurvey 165 orang Responden. Sebuah pertanyaan (kuisioner) dirancang
dengan menggunakan metode likert dalam 5 (lima) skala katagori (skala ordinal), seperti
tercantum dibawah ini :
Angka 1 mewakili “sangat tidak setuju”
Angka 2 mewakili “ tidak setuju”
Angka 3 mewakili “netral”
Angka 4 mewakili “setuju”
Angka 5 mewakili “sangat setuju”

Berikut di bawah ini frekuensi jawaban dari 165 resondence

Skala skor ordinal Frekuensi jawaban
1 13
2 75
3 36
4 24
5 17
Σ 165

Untuk mentransformasi skor jawaban skala ordinal di atas menjadi skala interval maka
dilakukan langkah-langkah sebagai berikut :
Pertama: Menghitung Frekuensi

Frekuensi merupakan banyaknya tanggapan responden dalam memilih skala ordinal 1 s/d 5
dengan jumlah responden 165. Sesuai dengan table skor jawaban di atas maka :

BAB 9 Page 12
Skor jawaban : → 1 = 13 orang
→ 2 = 75 orang
→3 = 36 0rang
→ 4 = 24 orang
→ 5 = 17 orang

Kedua: Menghitung Proporsi (P)

Proporsi dihitung dengan membagi setiap frekuensi dengan jumlah responden. Caranya ialah
sebagai berikut:

Untuk proprosi skala 1 dengan jawaban sebanyak 13, hasilnya ialah P1 : 12/165 : 0,0788
Untuk proprosi skala 2 dengan jawaban sebanyak 75, hasilnya ialah P2 : 75/165 : 0,4545
Untuk proprosi skala 3 dengan jawaban sebanyak 36, hasilnya ialah P3 :36/165 : 0,2182
Untuk proprosi skala 4 dengan jawaban sebanyak 24, hasilnya ialah P4 :24/165 : 0,1455
Untuk proprosi skala 5 dengan jawaban sebanyak 17, hasilnya ialah P5 : 17/165 : 0,1030

Ketiga: Menghitung Proporsi Kumulatif (PK)

Setelah proporsi dihitung, maka langkah selanjutnya menghitung proporsi kumulatif (PK)
Proporsi kumulatif dihitung dengan menjumlahkan proporsi secara berurutan untuk setiap nilai.

Pk1 : 0,0788
Pk2 : 0,0788 + 0,4545 = 0,5333
Pk3 : 0,5333 + 0,2182 = 0,7515
Pk4 : 0,7515 + 0,1455 = 0,8970
Pk5 : 0,8970 + 0,1030 = 1

Keempat Mencari Nilai Z

Nilai z diperoleh dari tabel distribusi normal baku (critical Value of z). Dengan asumsi bahwa
proporsi kumulatif berdastribusi normal baku. Pada hasil perhitungan di atas, Nialai Z dihitung

Contoh: Untuk proporsi kumulatif 1

Pk 1 = 0,0788 Nilai p yang akan dihitung ialah 0,5 – 0,0788 = 0,4212 253.

0,5 0 0,5

Letakan dikiri karena nilai Pk1 0,0788 karena nilai tersebut lebih kecil dari 0.

BAB 9 Page 13
Kemudian lihat tabel Z yang mempunyai luas 0,4212

2 ..........0.01 ........0.02
- - -
- - -
1,4 .......................... ............................
0,4207
0,4222

Cari nilai yang mendekati 0,4212 yang kita inginkan. Nilai tersebut terletak diantara z= 1,41 dan
1,42 oleh karena itu nilai z untuk daerah dengan proporsi 0,4212 diperoleh dengan cara
interpolasi :

0,4207 + 0,4222 = 0,8429. Dengan demikian nilai yang dicari = 0,8429/0,4212= 2,0012

Catatan :
0,8429 = jumlah antara dua nilai yang mendekati 0,4212 pada tabel z
0,4212 = nilai yang diinginkan sebenarnya
2,0012 = nilai yang akan digunakan sebagai pembagi dalam interpolasi.

Nilai z hasil interpolasi adalah : (1,41 + 1,42) : 2,002 = 1,414

Karena z ada disebelah kiri nol, maka z bernilai negatif. Dengan demikian Pk1 = 0,0788= nilai
z1= - 1, 414.

Kelima : Menghitung Densitas F (z)

Uji Hipotesis

Interpretasi Hasil Analisis data dan Pembahasan

Hasil analisis data yang telah dijelaskan di muka, pada langkah selanjutnya tentu harus
diinterpretasikan. Hasil analisis data dan interpretasi secara logis atas hasil analisis tersebut
saling berkaitan, dan tidak dapat dipisahkan. Interpretasi adalah memberikan makna dan
pengertian terhadap hasil analisis data sesuai dengan konteks penelitian. Secara umum,

BAB 9 Page 14
interpretasi merupakan langkah selanjutnya setelah analisis data, dengan cara memberikan
penjelasan terperinci tentang makna yang sebenarnya atas hasil penelitian yang telah
diperoleh.

Hasil analisis data perlu diberikan penjelasan yang terperinci dengan cara (Nazir,2003; 374) :
(1) Menjelaskan atau menerangkan makna sesungguhnya dari hasil analisis data, sesuai
dengan konsep atau variable penelitian yang sedang diamati.
(2) Menghubungan hasil penelitian dengan penemuan penelitian lainnya

Sebagai contoh berikut hasil sebuah out-put regresi, hasil analisisi hubungan, pengaruh variable
karakteristik pekerjaan (job characteristic), keadilan distributif (distribution of justice), kelelahan
(burn out), dan kepuasan kerja (job stisfaction) terhadap keinginan meninggalkan/keluar dari
perusahaan (Intention to leave- ITL). Sekaran (2003; 320-321)

Model Unstandardized Standardized

Coefficient Coefficient
B Std.error Beta T Sig
Constanta 4.048 0.603 6.713 0.000
Job Char -0.112 0.095 -0.084 -1.173 0.243
Dist Justice -0.115 0.078 -0.121 -1.416 0.046
Burnout 0.143 0.103 0.109 1.393 0.166
Job sat -4.498 0.121 -0.371 -4.121 0.000

Interpretasi hasil analisis hubungan

Dari hasil analisis data di atas, terdapat dua hipotesis penelitian yang berhasil dibuktikan dan dua
hipotesis penelitian yang tidak berhasil dibuktikan. Dari hasil analisis tersebut nampak bahwa
kepuasan kerja merupakan faktor yang paling berpengaruh terhadap keingingn karyawan untuk
keluar dari perusahaan. Semakin tinggi tingkat kepuasan karyawan, semakin kecil keinginan
karyawan keluar dari perusahaan (coefficcient regresi bertanda negatif). Kebijakan apapun yang
berkaitan dengan peningkatkan kepuasan kerja karyawan akan mengurangi keinginan karyawan
meninggalkan perusahaan.

Faktor penting yang kedua adalah keadilan distribusi berpengaruh signifikan terhadap keingnan
karyawan meninggalkan perusahaan. Dari hasil analisis data, menunjukan bahwa keadilan
distribusi memiliki hubungan negatif (Coefficient.reg bertanda negatif). Hal ini, penting bagi
manajemen perusahaan untuk mengevaluasi sistem remunerasi yang sekarang ini diterapkan
perusahaan. Manajemen perlu mengembangan sistem remunerasi yang lebih mencerminkan
keadilan (fairness) bagi karyawan. Kebijakan perbaikan sistem remunarsi yang lebih berkeadilan
akan membantu perusahaan untuk mengurangi keinginan karyawan meninggalkan perusahaan.

BAB 9 Page 15
Temuan penelitian ini, mendukung hasil penelitian sebelumnya yang dilakukan Anderson (2001)
dan Cristina (2003), temuan mereka membuktikan bahwa faktor keadilan distributif memiliki
hubungan negatif dengan keinginan karyawan untuk pindah pekerjaan.

Penjelasan dilakukan dengan cara membandingkan dengan hasil penelitian lainnya (terdahulu),
pada dimensi waktu dan sample atau populasi yang berbeda dengan penelitian yang dilakukan.
Jika hasil temuan ini, berbeda dengan temuan penelitian sebelumnya, peneliti harus mampu
menjelaskan mengapa hasil temuan sebelumnya bisa berbeda dengan penelitian ini.

Disamping memberikan penjelasan terhadap hipotesis yang berhasil diterima, peneliti juga harus
memberikan penjelasan terhadap hipotesis penelitian yang tidak berhasil diterima. Penjelasan
menyangkut mengapa hipotesis tersebut tidak dapat terbukti. Penjelasan terhadap hpotesis yang
tidak terbukti dapat dari berbagi aspek : (1) aspek teori, dengan cara membandingkan dengan
hasil penelitian sebelumnya, atau kemungkinan ada teori lain yang dapat menjelaskan hubungan
variable tersebut; (2) aspek metodologi, dengan cara menjelaskan kemungkinan terdapat
kelemahan secara metodoligi dalam penelitian yang bersangkutan; (3) terdapat fakta ikutan
lainnya yang berhasil diungkap peneliti dalam menjelaskan hubungan variable tersebut.

Contoh Uji Hubungan

Sebuah penelitian akan menuji hubungan 3 variabel penelitian : Motivasi belajar (Var.01);
Prestasi akademik (Var.02); dan Kemampuan Matematika (Var.03). Untuk menguji ketiga
hubungan variable tersebut, peneliti telah menyebarkan kuisioner untuk mengumpulkan data
terhadap sejumlah sample Mahasiswa sebanyak 37 orang Mahasiswa.

Soal 1. Uji hubungan simetris dengan menggunakan model korelasi

Ha1 : Motivasi belajar berhubungan positif dengan prestasi

Akademik
Ha2 : Kemampuan Matematika berhubungan positif dengan Prestasi akademik Mahasiswa
Permintaan soal no 1:
lakukan analisis dan pengujian hipotesis jika (a) skala pengukuran data ordinal (b) skala
pengukuran interval/rasio. Gunakan model korelasi untuk menguji hipotesis tersebut.

BAB 9 Page 16
Soal 2. Uji Hubungan kausalitas dengan menggunakan model regresi berganda.
Ha3 : Motivasi belajar dan matematika secara simultan berpengaruh positif terhadap prestasi
akademik.
Ha3 : Motivasi belajar berpengaruh posisit terhadap prestasi akademik
Ha4 : Matematika berpengaruh positif terhadap prestasi akademik
Ha5 : Motivasi belajar dan matematika secara simultan berpengaruh positif terhadap prestasi
akademik.

Permintaan soal 2.
Lakukan pengujian hipotesis jika skala pengukurannya interval atau rasio. Gunakan model
statistik regresi berganda.

Berikut adalah hasil pengumpulan data penelitian yang dilakukan dengan menyebarkan kuisioner
terhadap 37 orang Mahasiswa sebagai sampel.

R V.01 V.02 V.03 R V.01 V.02 V.03

1.0 30.0 23.0 40.0 21.0 33.0 12.0 20.0
2.0 34.0 45.0 50.0 22.0 23.0 34.0 30.0
3.0 45.0 67.0 60.0 23.0 23.0 34.0 43.0
4.0 34.0 87.0 75.0 24.0 44.0 23.0 40.0
5.0 45.0 54.0 55.0 25.0 34.0 34.0 45.0
6.0 56.0 34.0 42.0 26.0 45.0 45.0 55.0
7.0 65.0 67.0 59.0 27.0 45.0 45.0 55.0
8.0 34.0 46.0 54.0 28.0 34.0 34.0 43.0
9.0 54.0 55.0 60.0 29.0 34.0 43.0 53.0
10.0 34.0 37.0 45.0 30.0 34.0 43.0 52.0
11.0 56.0 56.0 57.0 31.0 40.0 40.0 45.0
12.0 65.0 67.0 58.0 32.0 35.0 40.0 45.0
13.0 45.0 45.0 54.0 33.0 23.0 30.0 33.0
14.0 56.0 55.0 50.0 34.0 44.0 50.0 50.0
15.0 45.0 67.0 62.0 35.0 25.0 30.0 35.0
16.0 45.0 56.0 55.0 36.0 40.0 45.0 55.0
17.0 34.0 33.0 40.0 37.0 20.0 36.0 39.0
18.0 54.0 55.0 56.0
19.0 34.0 43.0 50.0
20.0 34.0 32.0 40.0

BAB 9 Page 17
Table. Out-put hasil analisis korelasi Spearman

Correlations

VAR00001 VAR00002 VAR00003

Spearman's rho VAR00001 Correlation Coefficient 1.000 .690** .704**

Sig. (2-tailed) . .000 .000

N 37 37 37

VAR00002 Correlation Coefficient .690** 1.000 .934**

Sig. (2-tailed) .000 . .000

N 37 37 37

VAR00003 Correlation Coefficient .704** .934** 1.000

Sig. (2-tailed) .000 .000 .

N 37 37 37

**. Correlation is significant at the 0.01 level (2-tailed).

Statistik hanya mentolelir tingkat : 1 % , 5 %, 10% . Tiga tingkat kekeliruan yang sering di
gunakan dalam pengujian hipotesis dengan menggunakan statistik.

Analisis hubungan :
Berdasarkan tabel di atas koefisien korelasi Spearman, koefficien corelation Var.01 dengan
Var.02 ρv.01.v02 = 0,690. Hal ini berarti hubungan antar Var.01 dengan Var.02 = 69 %
bertanda positif. Jika menggunakan tingkat signifikansi 1 % (0,01), tabel di atas menunjukan
tingkat sigifikansi = 0,00 < 0,05, dengan demikian koefisien tersebut secara statistik
signifikan, sehingga hipotesis penelitian yang menyatakan Var.01 berhubungan positif
dengan Var.02 dapat diterima, pada tingkat signifikansi 1 %.

Berdasarkan tabel di atas koefisien korelasi Spearman, koefficien corelation Var.03 dengan
Var.02 ρv.03.v02 = 0,934. Hal ini berarti hubungan antar Var.03 dengan Var.02 = 93 % bertanda
positif. Jika menggunakan tingkat signifikansi 1 % (0,01), tabel di atas menunjukan tingkat
sigifikansi = 0,00 < 0,01, dengan demikian koefisien tersebut secara statistik signifikan,
sehingga hipotesis penelitian yang menyatakan Var.03 berhubungan positif dengan Var.02
dapat diterima, pada tingkat signifikansi 1 %.

BAB 9 Page 18
Table out-put Korelasi Pearson

Correlations

VAR00001 VAR00002 VAR00003

VAR00001 Pearson Correlation 1 .558** .553**

Sig. (2-tailed) .000 .000

N 37 37 37

VAR00002 Pearson Correlation .558** 1 .910**

Sig. (2-tailed) .000 .000

N 37 37 37

VAR00003 Pearson Correlation .553** .910** 1

Sig. (2-tailed) .000 .000

N 37 37 37

**. Correlation is significant at the 0.01 level (2-tailed).

Analisis hubungan :
Berdasarkan tabel di atas koefisien korelasi Pearson, koefficien corelation Var.01 dengan
Var.02 r v.01.v02 = 0,558. Hal ini berarti hubungan antar Var.01 dengan Var.02 = 55,8 %
bertanda positif. Jika menggunakan tingkat signifikansi 1 % (0,01), tabel di atas menunjukan
tingkat sigifikansi = 0,00 < 0,05, dengan demikian koefisien tersebut secara statistik
signifikan, sehingga hipotesis penelitian (Ha1) yang menyatakan Var.01 berhubungan positif
dengan Var.02 dapat diterima, pada tingkat signifikansi 1 %.

Berdasarkan tabel di atas koefisien korelasi Pearson, koefficien corelation Var.03 dengan
Var.02 rv.03.v02 = 0,910. Hal ini berarti hubungan antar Var.03 dengan Var.02 = 91 % bertanda
positif. Jika menggunakan tingkat signifikansi 1 % (0,01), tabel di atas menunjukan tingkat
sigifikansi = 0,00 < 0,01, dengan demikian koefisien tersebut secara statistik signifikan,
sehingga hipotesis penelitian (Ha2) yang menyatakan Var.03 berhubungan positif dengan
Var.02 dapat diterima, pada tingkat signifikansi 1 %.

Analisis hubungan simultan

BAB 9 Page 19
Table out-put uji simultan

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .913a .833 .823 6.25167

a. Predictors: (Constant), VAR00003, VAR00001

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 6637.870 2 3318.935 84.919 .000a

Residual 1328.833 34 39.083

Total 7966.703 36

a. Predictors: (Constant), VAR00003, VAR00001

b. Dependent Variable: VAR00002

Bersarkan hasio regresi R determinan hubungan Var.01, Var 03 dengan var 02, R kuadrat =
0,823, dengan menggunakan tingkat signifikansi 1 %, maka 0,000 < 0,01, sehingga R
determinan tersebut signifikan, kesimpulanya hipotesis penelitian (Ha3) yang menyatakan
Var 01 dan Var 03 berpengaruh simultan terhadap Var 02 dapat diterima, pada tingkat
signifikansi 1 %. (R determinan diperoleh dari out put regresi pada program SPSS)

Analisis hubungan Parsial.

Table out-put Regresi Var.01 dan Var.03 terhadap Var.02

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 20.002 5.107 3.917 .000

VAR00001 .102 .110 .078 .933 .357

VAR00003 1.240 .120 .867 10.313 .000

a. Dependent Variable: VAR00002

BAB 9 Page 20
Berdasarkan out-put di atas maka persamaan regresinya jika dinyatakan dalam bentuk
persamaan matematis adalah :

Var.02 = 20,649 + 0,102 Var.01 + 1, 240 Var.03 + e

Analisis hubungan Parsial.

Berdasarkan tabel di atas koefisien regresi bv01.var.02 = 0.102. Ini berarti kenaikan 1 point
satuan Var. 01 berdampak akan menaikkan Var.02 sebesar 0,102 x 1. Jika Memperhatikan
tingkat signifikansi (0,357), maka koefisien regresi tersebut secara statistik tidak signifikan,
sehingga hipotesis penelitian (Ha4) yang menyatakan Var.01 berpengaruh positif terhadap
var.02 tidak dapat diterima.

Berdasarkan tabel di atas koefisien regresi bv03.var.02 = 1,240. Ini berarti kenaikan 1 point
satuan Var. 03 berdampak akan menaikkan Var.02 sebesar 1,240 x 1. Jika Memperhatikan
tingkat signifikansi (0,000), maka koefisien regresi tersebut secara statistik signifikan,
sehingga hipotesis penelitian (Ha5) yang menyatakan Var.03 berpengaruh positif terhadap
var.02 dapat diterima, pada tingkat signifikansi 1 %.

BAB 9 Page 21
Daftar Referensi
Nazir, Moh. Metode Penelitian.Ghalia Indonesia. 2003.Jakarta.
Hair,Jr, Joseph. Et.al. Multivariate Data Analysis With Readings. Fouth Edition. 1995.
Prentice Hall International,Inc. London.
Sawono, Jonathan.2013. . Mengubah data ordinal ke data Interval dengan Metode Suksesif
Interval (MSI). http://www.jonathansarwono.info/teori_spss/msi.pdf).

Sekaran, Uma. Reserach Methode for business. 2003.

BAB 9 Page 22