ANALISIS DATA DAN PENGUJIAN HIPOTESIS

Apapun yang terjadi di dalam diri Anda adalah murni muatan pikiran. Dalam hitungan detik Anda bisa mengubah muatan negatif menjadi muatan positif hanya dengan memilih berpikir positif.

Pegine Echavarria

Pembahasan Materi

Bab ini membahas penyiapkan data untuk dianalisis: mengedit data, mengodekan, kategorisasi, dan memasukkan data, perbedaan analisis data untuk statistik deskriptif dan statistik inferensial, perbedaan analisis data untuk statistik parametrik dan non parametrik dalam penelitian, prosedur analisis data multivariat, dan bentuk-bentuk hipotesis penelitian.

• Pendahuluan

Teknik analisis data dan matematik berperan sentral dalam pemrosesan data kuantitatif. Peneliti kuantitatif mendeskripsikan karakteristik sampel dalam proporsi, persen, atau mean (rata-rata) dan simpangan baku (deviasi standar). Peneliti kuantitatif melakukan estimasi (penaksiran) tentang kekuatan hubungan variabel, dan menguji hipotesis secara statistik (Murti, 2010). Peneliti kualitatif tidak mendeskripsikan karakteristik sampel dalam proporsi, persen, atau mean, kecuali pada keadaan tertentu bisa dilakukan perhitungan jumlah kejadian kategori tertentu, ketika peneliti kualitatif melakukan analisis data yang disebut content analysis (Rice & Ezzy, 2001).

Meskipun peneliti kualitatif mungkin saja menguji suatu hipotesis, tetapi mereka tidak melakukan estimasi maupun menguji hipotesis tentang hubungan variabel secara statistik. Perbedaan menyolok lainnya, metode kuantitatif menganalisis data setelah semua data terkumpul. Jika perlu, penganalisis dibuat buta agar analisis objektif, terjaga jarak, tidak terpengaruh oleh hipotesis penelitian. Di pihak lain, metode kualitatif melakukan analisis data sejak awal hingga akhir penelitian. Analisis data dalam penelitian kualitatif merupakan bagian dari rancangan riset, bagian dari tinjauan pustaka, bagian dari pembentukan teori, bagian dari pengumpulan data, bagian dari pengurutan data, pengarsipan dan pembacaan data, dan bagian dari penulisan hasil penelitian (Murti, 2010). 

Untuk keperluan tersebut, peneliti kualitatif menggunakan buku catatan harian atau laptop, agar hasil-hasil pengamatan, wawanacara, dan temuan-temuan lainnya dapat segera dianalisis sesuai dengan konteks yang pada saat pengamatan atau wawancara dilakukan. Bahkan Cooper et.al (2005) menganjurkan penelitian kualitatif kembali ke lapangan untuk mendiskusikan dan mencocokkan temuan-temuan penelitian dengan peserta untuk meningkatkan validitas interpretative (interpretative validity) penelitian sesuai dengan paradigm hermeneutika.

• Menyiapkan Data Untuk Analisis

Tes atau uji statistik merupakan sarana utama untuk melakukan interpretasi terhadap hasil-hasil data penelitian. Melalui uji statistik, kita sebagai peneliti dapat membandingkan kelompok-kelompok data yang selanjutnya dipakai untuk menentukan probabilitas atau kemungkinan besar peluang yang membedakan antara kelompok-kelompok tersebut didasarkan pada suatu peluang. Dengan demikian, dapat memberikan bukti untuk menentukan validitas suatu hipotesis atau kesimpulan. 

Uji statistik untuk membuat kesimpulan berdasarkan keputusan diterima atau ditolaknya hipotesis disebut statistik inferensial. Selain uji statistik untuk menentukan kesimpulan, kita dapat menggunakan statistik untuk mendeskripsikan sekelompok data atau keadaan (misalnya,  rata-rata skor) disebut statistik deskriptif. Misalnya kita ingin membandingkan prestasi belajar pembelajar dalam mata pelajaran ilmu pengetahuan sosial dari dua kelompok subjek yang memperoleh perlakukan berbeda, yaitu satu kelompok eksperimen dan satu lagi kelompok control (Sugiyono, 2010). Setelah dikumpulkan melalui kuesioner, wawancara, observasi, atau melalui,  sumber sekunder, data perlu diedit. Respons kosong, jika ada, harus ditangani dengan cara tertentu, data dikodekan, dan skema kategorisasi perlu disusun. Data kemudian akan diinput dan beberapa program piranti lunak digunakan untuk menganalisanya. 

• Mengedit Data

Data harus diedit, khususnya jika berkaitan dengan respons terhadap pertanyaan terbuka (open-ended questions) dalam wawancara atau kuesioner, atau observasi tidak terstruktur (unstructured observations). Dengan kata lain, informasi yang mungkin secara tergesa-gesa dicatat oleh pewawancara (interviewer), pengamat atau peneliti harus diuraikan dengan jelas sehingga seluruh data dapat dikodekan secara sistematis.Kurangnya kejelasan pada tahap ini nantinya akan menimbulkan kebingungan (Sugiyono, 2003). Banyak proses pengeditan data prosesnya secara otomatis dilakukan dalam kasus wawancara telepon dengan bantuan komputer (computer assisted telephone interview- CATI) dan kuesioner yang disebarkan secara elektronik, bahkan saat responden sedang menjawab pertanyaan.

• Menangani Respons Kosong

Tidak semua responden menjawab item dalam kuesioner. Jawaban mungkin dibiarkan kosong (blank respons) karena responden tidak memahami pertanyaan, tidak mengetahui jawaban, tidak ingin menjawab, atau sekedar tidak tertarik untuk menjawab seluruh pertanyaan. Dalam situasi yang terakhir responden kemungkinan besar membiarkan banyak item kosong. Ada lima cara yang digunakan untuk menangani respons kosong, yaitu (Prastowo, 2010):

1. Satu cara untuk menangani respons kosong untuk item skala interval dengan nilai tengah adalah memberikan nilai tengah dalam skala sebagai respons untuk item tersebut. 
2. Cara lain adalah membiarkan komputer mengabaikan respons kosong tersebut saat analisis dilakukan. 
3. Memberikan pada item nilai keluar respons dari semua yang merespons item tersebut.
4. Memberi item tersebut rata-rata respons dari responden khusus pada semua pertanyaan lain yang mengukur variabel tersebut.
5. Untuk 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. Seperti kita lihat, adfa beberapa cara menangani respons ksosong; 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. Cara terbaik menangani data yang hilang untuk meningkatkan validitas penelitian, khususnya jika ukuran sampel besar, adalah mengabaikan kasus di mana data berkaitan dengan analisis tertentu yang hilang.

• Mengodekan 

Tahap berikutnya adalh mengodekan respons. Jika respons responden tidak dapat langsung dimasukkan dalam computer secara manual, maka mungkin lebih baik pada saat pertama menggunakan instrument pengodean (coding sheet) untuk menstranskripsi data kuesioner dan kemudian memasukkan data. Metode ini, kontras dengan menelusuri setiap kuesioner untuk tiap butir atau item, menghindarkan suatu kebingungan, terutama jika terdapat banyak pertanyaan dan sejumlah besar kuesioner.

• Kategorisasi

Pada titik ini adalah berguna untuk membuat skema untuk mengkategorisasikan variabel, sehingga beberapa item 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.

• Memasukkan Data 

Bila data kuesioner tidak dikumpulkan paada 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 apapun. Misalnya SPSS data editor, yang tampak seperti spreadsheet, dapat memasukkan, mengedit, dan melihat arsip data. Setiap baris editor mewakili kasus dan setiap kolom mewakili variabel. Semua nilai yang hilang akan tampak sebagai titik dalam sel. Adalah mungkin untuk menambah, atau menghapus nilai dengan mudah setelah data dimasukkan.  

• Tujuan Utama Analisis Data

Dalam analisis data kita memiliki tiga tujuan: mendapatkan perasaan terhadap data (feel for the data), menguji kualitas data (goodness of data), 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 kesalahanpun dapat diralat. 

Tujuan kedua adalah menguji ketepatan data, dapat dilakukan dengan mema-sukkan data untuk analisis faktor, memperoleh alfa Cronbach atau keandalan belah dua pengukuran dan seterusnya. Tujuan ketiga adalah 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 (Bungin, 2003).  

Dalam penelitian kuantitatif, analisis dan merupakan kegiatan setelah data dari seluruh responden atau sumber data lain terkumpul. Kegiatan dalam analisis data adalah: mengelompokkan data berdasarkan variabel dari seluruh responden, menyajikan data tiap variabel yang diteliti, melakukan perhitungan untuk menjawab rumus, dan melakukan perhitungan untuk menguji hipotesis yang telah diajukan. Untuk penelitian yang tidak merumuskan hipotesis, langkah terakhir tidak dilakukan. Teknik analisis data dalam penelitian kuantitatif menggunakan statistik (Sugiyono, 2005). Terdapat beberapa dua macam statistika yang digunakan untuk analisis data dalam penelitian, yaitu statistik deskriptif, dan statistik inferensial. Statistik inferensial meliputi statistik paramtris dan statistik nonparametris. Contoh-contoh penggunaan statistik untuk pengujian hipotesis secara lengkap diberikan pada bab ini.

• Reduksi Data

Rancangan analisis adalah berbagai alat analisis data penelitian agar rumusan masalah penelitian dapat terpecahkan, hipotesis penelitian dapat dibuktikan atau diuji, dan akhirnya tujuan dapat tercapai. Menurut Sangadji (2010), reduksi data diartikan sebagai proses pemilihan, pemusatan perhatian pada penyederhaan, pengabstrakan, dan transformasi data kasar yang muncul dari catatan lapangan. Reduksi data berlangsung terus-menerus selama penelitian berlangsung. Bahkan sebelum data benar-benar terkumpul. Antisipasi akan adanya reduksi sudah tampak waktu penelitinya memutuskan kerangka konseptual wilayah, permasalahan penelitian, dan pendekatan pengumpulan data yang dipilihnya. 

Selama pengumpulan data berlangsung terjadilah reduksi data selanjutnya berupa membuat ringkasan, mengkode, menelusur tema, mebuat gugus, membuat partisi, menulis memo, dan sebagainya. Reduksi data terus berlanjut sesudah penelitian lapangan sampai laporan akhir tersusun. Dalam proses reduksi data ini, peneliti dapat melakukan pilihan-pilihan terhadap data yang hendak dikode, mana yang dibuang, mana yang merupakan ringkasan, dan cerita-cerita yang sedang berkembang. Reduksi data merupakan suatu bentuk analisis yang menajamkan, menggolongkan, mengarahkan, membuang yang tidak perlu, dan mengorganisasikan data dengan cara sedemikian rupa sehingga kesimpulan akhirnya dapat ditarik dan diverifikasi.

• Statistik Deskriptif dan Inferensial 

Statistik deskriptif adalah statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi. Penelitian yang dilakukan pada populasi (tanpa diambil sampelnya) jelas akan menggunakan statistik deskriptif dalam analisisnya. Tetapi bila penelitian dilakukan pada sampel, maka analisisnya dapat menggunakan statistik deskriptif maupun inferensial. Statistik deskriptif dapat digunakan bila peneliti hanya ingin mendeskripsikan data sampel, dan tidak ingin membuat kesimpulan yang berlaku untuk populasi di mana sampel diambil. 

Tetapi bila peneliti ingin membuat kesimpulan yang berlaku untuk populasi, maka teknik analisis yang digunakan adalah statistik inferensial. Termasuk dalam statistik deskriptif antara lain adalah penyajian data melalui tabel, grafik, diagram lingkaran, pictogram, perhitungan modus, median, mean (pengukuran tendensi sentral), perhitungan desil, persentil, perhitungan penyebaran data melalui perhitungan rata-rata dan standar deviasi, perhitungan prosentase. Dalam statistik deskriptif juga dapat dilakukan mencari kuatnya hubungan antara variabel melalui analisis korelasi, melakukan prediksi dengan analisis regresi, dan membuat perbandingan dengan membandingkan rata-rata data sampel atau populasi (Sugiyono, 2005). 

Hanya perlu diketahui bahwa dalam analisis korelasi, regresi, atau membandingkan dua rata-rata atau lebih tidak perlu diuji signifikansinya. Jadi secara teknis dapat diketahui bahwa, dalam statistik deskriptif tidak ada uji signifikansi, tidak ada taraf kesalahan, karena peneliti tidak bermaksud membuat generalisasi, sehingga tidak ada kesalahan generalisasi. Statistik inferensial, (sering juga disebut statistik induktif atau statistik probabilitas), adalah teknik statistik yang digunakan untuk menganalisis data sampel dan hasilnya diberlakukan untuk populasi. Statistik ini akan cocok digunakan bila sampel diambil dari populasi yang jelas, dan teknik pengambilan sampel dari populasi itu dilakukan secara random (Sanjaya, 2010).

Statistik ini disebut statistik probabilitas, karena kesimpulan yang diberlakukan untuk populasi berdasarkan data sampel itu kebenarannya bersifat peluang (probability). Suatu kesimpulan dari data sampel yang akan diberlakukan untuk populasi itu mempunyai peluang kesalahan dan kebenaran (kepercayaan) yang dinyatakan dalam bentuk prosentase. Bila peluang kesalahan 5% maka taraf kepercayaan 95%, bila peluang kesalahan 1%, maka taraf kepercayaannya 99%. Peluang kesalahan dan kepercayaan ini disebut dengan taraf signifikansi. Pengujian taraf signifikansi dari hasil suatu analisis akan lebih praktis bila didasarkan pada tabel sesuai teknik analisis yang digunakan. Misalnya uji-t akan digunakan tabel-t, uji F digunakan tabel F. Pada setiap tabel sudah disediakan untuk taraf signifikansi berapa persen suatu hasil analisis dapat digeneralisasikan. 

Dapat diberikan contoh misalnya dari hasil analisis korelasi ditemukan koefisien korelasi 0,54 dan untuk signifikansi untuk 5%. Hal itu berarti hubungan variabel sebesar 0,54 itu dapat berlaku pada 95 dari 100 sampel yang diambil dari suatu populasi. Contoh lain misalnya dalam analisis uji beda ditemukan signifikansi untuk 1%. Hal ini berarti berdasarkan itu berlaku pada 99 dari 100 sampel yang diambil dari populasi. Jadi signifikansi adalah kemampuan untuk digeneralisasikan dengan kesalahan tertentu. Ada hubungan signifikan berarti hubungan itu dapat digeneralisasikan. Ada perbedaan signifikan berarti perbedaan itu dapat digeneralisasikan. Yang belum faham tentang statistik, signifikan sering diartikan dengan bermakna, tidak dapat diabaikan, nyata, berarti. Pengertian tersebut tidak operasional dan malah membingungkan.

1. Statistik Parametris dan Nonparametris

Pada statistik inferensial terdapat statistik parametris dan nonparametris. Statistik parametris digunakan untuk menguji parameter populasi melalui statistik, atau menguji ukuran populasi melalui data sampel (pengertian statistik di sini adalah data yang diperoleh dari sampel). Parameter populasi itu meliputi: rata-rata dengan notasi mu, simpangan baku (sigma), dan varians 2. Sedangkan statistiknya adalah meliputi: rata-rata X (X bar), simpangan baku s, dan varians s2. Jadi parameter populasi yang berupa diuji melalui X garis, selanjutnya diuji melalui s, dan 2 diuji melalui s2. Dalam statistik, pengujian parameter melalui statistik (data sampel) tersebut dinamakan uji hipotesis statistik. Oleh karena itu penelitian yang berhipotesis statistik adalah penelitian yang menggunakan sampel. 

Dalam statistik hipotesis yang diuji adalah hipotesis nol, karena tidak dikehendaki adanya perbedaan antara parameter populasi dan statistik (data yang diperoleh dari sampel). Sebagai contoh nilai suatu pelajaran 1000 mahasiswa rata-ratanya 7,5. Selanjutnya misalnya, dari 1000 orang itu diambil sampel 50 orang, dan nilai rata-rata dari sampel 50 mahasiswa itu 7,5. Hal ini berarti tidak ada perbedaan antara parameter (data populasi) dan statistik (data sampel). Hanya dalam kenyataanya nilai parameter jarang diketahui. Statistik nonparametris tidak menguji parameter populasi, tetapi menguji distribusi. Penggunaan statistik parametris dan nonparametris tergantung pada asumsi dan jenis data yang akan dianalisis. Statistik parametris memerlukan terpenuhi banyak asumsi. Asumsi yang utama adalah data yang akan dianalisis harus berdistribusi normal. Selanjutnya dalam penggunaan salah satu test mengharuskan data dua kelompok atau lebih yang diuji harus homogen, dalam regresi harus terpenuhi asumsi linieritas (Sugiyono, 2003). 

Statistik nonparametris tidak menuntut terpenuhi banyak asumsi, misalnya data yang akan dianalisis tidak harus berdistribusi normal. Oleh karena itu statistik nonparametris sering disebut “distribution free” (bebas distribusi). Statistik parametris mempunyai kekuatan yang lebih daripada statistik nonparametris, bila asumsi yang melandasi dapat terpenuhi. Seperti dinyatakan oleh Emory (1995) bahwa “The parametric test are more powerful are generally the test of choice if their use assumptions are reasonably met”. Selanjutnya Phophan (1983) menyatakan “….paramtertic procedures are often markedly more powerful than their nonparametric counterparts”. 

Penggunaan kedua statistik tersebut juga tergantung pada jenis data yang dianalisis. Statistik Parametris kebanyakan digunakan untuk menganalisis data interval dan rasio, sedangkan statistik nonparametris kebanyakan digunakan untuk menganalisis data nominal, ordinal. Jadi untuk menguji hipotesis dalam penelitian kuantitatif yang menggunakan statistik, dua hal utama yang harus diperhatikan, yaitu macam data dan bentuk hipotesis yang diajukan. Dalam penelitian kuantitatif, hipotesis ditarik dari telaah teoretik yang bersumber dari tinjauan pustaka sebagai suatu jawaban sementara terhadap masalah penelitian.

• Prosedur Analisis Data Multivariat

Secara umum terdapat dua metode statistik dalam analisis data multivariat (Hermawan, 2005): metode interdependen (interdependence method) dan metode dependen (dependence methods). 

• Metode Interdependen (Interdependence Method)

Dalam metode interdependen, tidak ada variabel atau sejumlah variabel yang memprediksi atau menjelaskan variabel-variabel lainnya. Dalam hal ini tidak ada variabel bebas (independent variable) maupun variabel terikat (dependent variable). Metode ini bertujuan untuk mengetahui susunan dari seluruh variabel yang diteliti. Contoh dari metode statistik tersebut adalah:

1. Factor Analysis. Merupakan metode statistik yang digunakan untuk mereduksi sejumlah faktor.
2. Cluster Analysis. Merupakan metode statistik yang banyak digunakan untuk mengelompokkan variabel atau obyek (orang, produk, tempat) ke dalam kelompok-kelompok yang disebut Cluster. Pembentukan “Cluster” tersebut tidak dilakukan secara apriori oleh peneliti tetapi melalui prosedur “Cluster Analysis”.
3. Multidimensional Scaling. Merupakan metode statistik yang digunakan untuk menentukan persepsi citra relati dari sejumlah obyek.

• Metode Dependen (Dependence Method)

Metode dependen dalam analisis multivariat merupakan metode statistik yang digunakan untuk menjelaskan satu variabel dependen atau lebih berdasarkan sejumlah variabel independen. Metode statistik yang termasuk dalam kelompok tersebut antara lain (Hermawan, 2005):

1. Multiple Regression. Merupakan suatu metode statistik yang sesuai jika masalah penelitian mencakup satu variabel terikat yang berskala pengukuran metric (interval atau rasio), yang diduga dapat diprediksi oleh variabel-variabel independen yang berskala pengukuran metrik. 
2. Analysis of Variance. Merupakan suatu metode statistik yang digunakan untuk menguji perbedaan rata-rata (mean) yang signifikan di antara lebih dari dua kelompok (group) dengan variabel terikat yang berskala metrik.
3. Analysis of Covariance. Merupakan suatu metode statistik yang sesuai digunakan dalam penelitian eksperimen yaitu untuk mengetahui bahwa variasi “exstraneous variable” (variabel lain yang berada di luar treatment dalam eksperimen) memberikan kontribusi terhadap nilai variabel terikat.
4. Conjoint Analysis. Merupakan metode statistik yang digunakan untuk mengukur kombinasi korelasi antar variabel yang berskala non metrik (nominal atau ordinal). Misalnya sebuah konsep produk memiliki tiga atribut (harga, kualitas, dan warna), produk tersebut memiliki tiga kemungkinan warna (merah, kuning, dan biru). Selanjutnya, suatu subset dari kombinasi tersebut dapat dievaluasi daya tarik masing-masing terhadap konsumen. Hasil evaluasi konsumen dapat digunakan untuk kebijakan disain produk.
5. Multiple Diskriminant Analysis. Merupakan suatu metode statistik yang digunakan seandainya variabel terikat dichotomous (misalnya pria-wanita) atau multichotomous (misalnya tinggi, menengah, rendah) dan berskala pengukuran non metrik (nominal atau ordinal). Tujuannya adalah untuk memahami perbedaan-perbedaan kelompok dan untuk memprediksi kemungkinan bahwa seorang individu atau obyek masuk ke dalam suatu kelompok tertentu berdasarkan variabel-variabel bebas berskala pengukuran metrik (interval atau rasio).
6. Multivariate Analysis of Variance. Merupakan suatu metode statistik yang dapat digunakan secara simultan untuk mengungkap hubungan antara beberapa variabel bebas kategorikal biasanya disebut treatments dan dua atau lebih variabel terikat berskala metrik (interval atau rasio). Hal ini merupakan perluasan dari univariate analysis of variance (Anova).
7. Cannonical correlation. Dapat dianggap sebagai perluasan yang logis dari multiple regression analysis. Metode kanonikal bertujuan untuk mengkorelasikan beberapa variabel terikat berskala metrik secara simultan dengan sejumlah variabel bebas yang berskala pengukuran metrik (Hair, 2008). 
8. Linear Probability Model. Merupakan kombinasi dari multiple regression dan multiple discriminant analysis. Metode ini mirip dengan multiple regression analysis di mana satu atau lebih variabel bebasnya digunakan untuk memprediksi satu variabel terikat.  

• Pengertian Hipotesis

Berdasarkan teori-teori yang dikemukakan, maka selanjutnya dapat digunakan untuk menyusun kerangka berpikir. Dengan kerangka berpikir ini selanjutnya dapat digunakan untuk menyusun hipotesis. Hipotesis merupakan jawaban sementara terhadap rumusan masalah atau sub masalah yang diajukan oleh peneliti, yang dijabarkan dari landasan teori atau kajian teori dan masih harus diuji kebenarannya. Karena sifatnya masih sementara, maka perlu dibuktikan kebenarannya melalui data empirik yang terkumpul atau penelitian ilmiah. Hipotesis akan dinyatakan diterima atau ditolak. Hipotesis penelitian harus dirumuskan dalam kalimat positif. Hipotesis tidak boleh dirumuskan dalam kalimat bertanya, kalimat menyeluruh, kalimat menyarankan, atau kalimat mengharapkan (Sugiyono, 2003).  

Hipotesis berasal dari dua kata yaitu hypo (belum tentu benar) dan tesis (kesimpulan). Menurut Sekaran (2006), mendefinisikan hipotesis sebagai hubungan yang diperkirakan secara logis di antara dua atau lebih variabel yang diungkap dala bentuk pernyataan yang dapat diuji. Hipotesis merupakan jawaban sementara atas pertanyaan penelitian. Dengan demikian ada keterkaitan antara perumusan masalah dengan hipotesis, karena perumusan masalah merupakan pertanyaan penelitian. Pertanyaan ini harus dijawab dalam hipotesis. Jawaban pada hipotesis didasarkan pada teori dan empiris, yang telah dikaji pada kajian teori sebelumnya. Secara diagram formulasi hipotesis dapat dilihat sebagai berikut: 

Gambar 17.1. Formulasi Hipotesis

Kajian teori yang digunakan sebagai dasar penyusunan hipotesis dapat diamati dan diukur dalam dunia nyata. Maka, teori tersebut harus dijabarkan ke dalam bentuk yang dapat diamati dan diukur melalui proses operasionalisasi, yaitu mengubah keabstrakan suatu teori menjadi fenomena empiris atau berbentuk proposisi yang dapat diamati atau diukur. Proposisi yang dapat diukur atau diamati adalah proposisi yang menyatakan hubungan antarvariabel. Proposisi seperti inilah yang disebut dengan hipotesis. Hipotesis menghubungkan teori dengan realitas sehingga melalui hipotesis dilakukan pengujian teori dan pengumpulan data. 

• Bentuk-Bentuk Hipotesis

Bentuk-bentuk hipotesis penelitian sangat terkait dengan rumusan masalah penelitian. Bila dilihat dari tingkat eksplanasinya, maka bentuk rumusan masalah penelitian ada tiga yaitu rumusan masalah deskriptif (variabel mandiri), komparatif atau perbandingan dan asosiasi atau hubungan. Oleh karena itu, bentuk hipotesis ada tiga yaitu: hipotesis deskriptif, komparatif, dan asosiatif. 

Dalam hipotesis komparatif, dibedakan menjadi dua, yaitu komparatif untuk dua sampel dan lebih dari dua sampel (Kartono, 2003). Hipotesis dekriptif adalah jawaban sementara terhadap rumusan masalah deskriptif. Hipotesis komparatif merupakan jawaban sementara terhadap masalah komparatif. Hipotesis asosiatif adalah merupakan jawaban sementara terhadap masalah asosiatif atau hubungan. Contoh-contoh hipotesis statistik (hanya ada bila berdasarkan data sampel) adalah sebagai berikut:

1. Semangat kerja karyawan di PT X adalah 75 persen dari kriteria ideal yang ditetapkan.
2. Semangat kerja karyawan di PT X paling sedikit 60 persen dari kriteria ideal yang ditetapkan (paling sedikit itu berarti lebih besar atau sama dengan ).
3. Semangat kerja karyawan di PT X paling banyak 60 persen dari kriteria ideal yang ditetapkan (paling banyak itu berarti lebih kecil atau sama dengan).

Dalam kenyataan hipotesis yang diajukan salah satu saja, dan hipotesis mana yang dipilih tergantung pada teori dan pengamatan pendahuluan yang dilakukan pada obyek. Hipotesis alternatifnya masing-masing adalah:

1. Semangat kerja karyawan di PT X tidak sama dengan 75 persen.
2. Semangat kerja karyawan di PT X lebih kecil 75 persen.
3. Semangat kerja karyawan di PT X lebih besar 75 persen.

• Karakteristik Hipotesis yang Baik

Hipotesis dibuat karena dua alasan (Arikunto, 2010): (1) hipotesis yang mempunyai dasar kuat menunjukkan bahwa peneliti telah mempunyai cukup pengetahuan untuk melakukan penelitian di bidang itu. (2) hipotesis memberikan arah pada pengumpulan dan penafsiran data, hipotesis dapat menunjukkan kepada peneliti prosedur apa yang harus diikuti dan jenis data apa yang harus dikumpulkan. Kegunaan hipotesis adalah: (1) hipotesis memberikan penjelasan sementara tentang gejala-gejala serta memudahkan perluasan pengetahuan dalam suatu bidang. (2) hipotesis memberikan suatu pernyataan hubungan yang langsung dapat diuji dalam penelitian. (3) hipotesis memberikan arah kepada penelitian. (4) hipotesis memberikan kerangka untuk melaporkan kesimpulan penyelidikan.

Harga terakhir suatu hipotesis tidak dapat dinilai sebelum dilakukan pengujian empiris, namun ada beberapa kriteria tertentu yang dapat memberikan ciri hipotesis yang baik, yaitu (Donald Ary, et al, 2004): (1) hipotesis harus mempunyai daya penjelas. (2) hipotesis harus menyatakan hubungan yang diharapkan ada di antara variabel-variabel. (3) hipotesis harus dapat diuji. (4) hipotesis hendaknya konsisten dengan pengetahuan yang sudah ada. (5) hipotesis hendaknya dinyatakan sesederhana dan seringkas mungkin. 

• Penggunaan Statistik Parametrik dan Nonparametrik Menguji Hipotesis

Tabel 17.1 berikut menjelaskan penggunaan statistik parametriks dan nonparametrik dalam menguji hipotesis (Sugiyono, 2005). 

Tabel 17.1. Penggunaan Statistik Parametriks dan Nonparametris Menguji Hipotesis

Hipotesis deskriptif yang akan diuji dengan statisik parametris merupakan dugaan terhadap nilai dalam satu sampel (unit sampel), dibandingkan dengan standar, sedangkan hipotesis deskriptif yang akan diuji dengan statistik nonparametris merupakan dugaan ada tidaknya perbedaan secara signifikan nilai antar kelompok dalam satu sampel. Hipotesis komparatif merupakan dugaan ada tidaknya perbedaan secara signifikan nilai-nilai dua kelompok atau lebih. Hipotesis asosiatif, adalah dugaan terhadap ada tidaknya hubungan secara signifikan antara dua variabel atau lebih. Berdasarkan tabel 10.1 tersebut dapat dikemukakan di sini bahwa:

1. Untuk menguji hipotesis deskriptif satu sampel (unisampel) bila datanya berbentuk nominal, maka digunakan teknik satistik: Binominal dan chi-square satu sampel
2. Untuk menguji hipotesis deskriptif satu sampel bila datanya berbentuk ordinal, maka digunakan teknik statistik: run test
3. Untuk menguji hipotesis deskriptif satu variabel (univariabel) bila datanya berbentuk interval atau ratio, maka digunakan t-test satu sampel
4. Untuik menguji hipotesis komparatif dua sampel yang berpasangan bila datanya berbentuk nominal digunakan teknik statistik: McNemar
5. Untuk menguji hipotesis komparatif dua sampel berpasangan bila datanya berbentuk ordinal digunakan teknik statistik: sign test dan wilcoxon matched pairs
6. Untuk menguji hipotesis komparatif dua sampel berpasangan, bila datanya berbentuk interval atau rasio, digunakan t-test dua sampel
7. Untuk menguji hipotesis komparatif dua sampel independen bila datanya berbentuk nominal digunakan teknik statistik: fisher exact probability dan chi-square dua sampel
8. Untuk menguji hipotesis komparatif dua sampel independen bila datanya berbentuk ordinal digunakan teknik statistik: median test, Mann-Whitney U test, Kolmogorov Smirnov, dan Wald-Wolfowitz.
9. Untuk menguji hipotesis komparatif dua sampel berpasangan bila datanya berbentuk interval dan ratio, digunakan t-test sampel berpasangan (related).
10. Untuk menguji hipotesis komparatif k sampel berpasangan, bila datanya berbentuk ordinal, digunakan teknik statistik: Chocran Q.
11. Untuk menguji hipotesis komparatif k sampel berpasangan, bila datanya berbentuk oridinal, digunakan teknik statistik: Friedman Two-way Anova.
12. Untuk menguji hipotesis komparatif sampel berpasangan bila datanya berbentuk interval atau ratio digunakan analisis varians satu jalan maupun dua jalan (One way dan Two Way Anova).
13. Untuk menguji hipotesis komparatif k sampel independen, bila datanya berbentuk nominal, digunakan teknik statistik: chi-square k sampel.
14. Untuk menguji hipotesis komparatif k sampel independen, bila datanya berbentuk ordinal, digunakan teknik statistik: median extension dan Kruskal-Wallis one way Anova.
15. Untuk menguji hipotesis asosiatif/hubungan (korelasi) bila datanya berbentuk nominal digunakan teknik statistik: Koefisien Kontingensi.
16. Untuk menguji hipotesis asosiatif/hubungan (korelasi bila datanya berbentuk ordinal digunakan teknik statistik: korelasi Spearman Rank dan korelasi Kendal Tau.
17. Untuk menguji hipotesis asosiatif/hubungan bila datanya berbentuk interval atau ratio, digunakan:

1. Korelasi Produk Moment: untuk menguji hipotesis hubungan antara satu variabel independen dengan satu dependen)
2. Korelasi ganda bila untuk menguji hipotesis tentang hubungan dua variabel independen atau lebih secara bersama-sama dengan satu variabel dependen.
3. Korelasi Parsial digunakan untuk menguji hipotesis hubungan antara dua variabel atau lebih, bila terdapat variabel yang dikendalikan.
4. Analisis regresi digunakan untuk melakukan prediksi, bagaimana perubahan nilai variabel dependen bila nilai variabel independen dinaikkan atau diturunkan nilainya.

Hipotesis penelitian yang akan diuji dalam penelitian berkaitan erat dengan rumusan masalah masalah yang diajukan, tapi perlu diketahui bahwa setiap penelitian tidak harus berhipotesis, namun harus merumuskan masalahnya. Penelitian yang harus berhipotesis adalah penelitian yang menggunakan metode eksperiman (Sugiyono, 2005).

• Konsep Dasar Pengujian Hipotesis

Sebelum diberikan contoh analisis data dan pengujian hipotesis maka terlebih dahulu diberikan konsep dasar tentang pengujian hipotesis. Seperti telah dikemukakan pada uraian sebelumnya, hipotesis diartikan sebagai jawaban sementara terhadap rumusan masalah penelitian. Kebenaran dari hipotesis itu harus dibuktikan melalui data yang terkumpul. Pengertian hipotesis tersebut adalah untuk hipotesis penelitian (Cooper, 2007). Sedangkan secara statistik hipotesis diartikan sebagai pernyataan mengenai keadaan populasi (parameter) yang akan diuji kebenarannya berdasarkan data yang diperoleh dari sampel penelitian. 

Jadi maksudnya adalah taksiran keadaan populasi melalui data sampel. Oleh karena itu dalam statistik yang diuji adalah hipotesis nol. Jadi hipotesis nol adalah pernyataan tidak adanya perbedaan antara parameter dengan statistik (data sampel). Lawan dari hipotesis nol adalah hipotesis alternatif, yang menyatakan ada perbedaan antara parameter dan statistik. Hipotesis nol diberi notasi Ho, dan hipotesis alternatif diberi notasi Ha. 

Hipotesis null ini adalah suatu hipotesis tentang tidak adanya perbedaan atau pengaruh. Hipotesis ini pada umumnya diformulasikan untuk ditolak. Apabila ditolak, maka hipotesis alternatif atau hipotesis kerja dengan notasi Ha atau H1 diterima. Hipotesis kerja atau alternatif ini merupakan hipotesis penelitian dari peneliti, yang dinyatakan secara operasional. Hipotesis penelitian adalah prediksi yang diturunkan dari teori yang akan diuji (Juliansyah Noor, 2011: 89). 

Uji hipotesis bisa dua sisi (two-sided/two-tailed/nondirectional), bisa pula satu sisi (one-sided/one-tailed/directional). Berikut adalah contoh pernyataan hipotesis nol dan hipotesis kerja atau alternatif bila parameter yang ingin diketahui adalah rata-rata populasi M1 untuk populasi 1, dan rata-rata populasi M2 untuk populasi 2, dengan pengujian yang bersifat dua sisi: 

H0 : µ1 = µ2 H1 : µ1 ≠ µ2

Di sini hipotesis nol menyatakan bahwa rata-rata kedua populasi itu sama, sedangkan hipotesis alternatifnya menyatakan bahwa rata-rata keduanya tidak sama (berbeda). Dalam hal ini peneliti bisa bertanya: apakah saya dapat menyimpulkan bahwa kedua populasi itu memiliki rata-rata yang berbeda? Peneliti itu mungkin merasa bahwa pertanyaannya akan lebih berarti bila berbunyi sebagai berikut: apakah saya dapat menyimpulkan bahwa populasi 1 memiliki rata-rata yang lebih besar atau lebih baik dari populasi 2? Dalam hal ini, peneliti melakukan suatu uji satu sisi dan dengan demikian hipotesis nol serta hipotesis tandingannya adalah: 

H0 : µ1 = µ2 atau µ1 ≤ µ2         H1 : µ1 > µ2

Peneliti boleh mengajukan pertanyaan yang mengarah ke uji satu sisi hingga hipotesis statistiknya adalah: 

H0 : µ1 = µ2 atau µ1 > µ2         H1 : µ1 < µ2

Dalam hal ini, si peneliti mempunyai pertanyaan sebagai berikut: Dapatkah saya menyimpulkan bahwa populasi 1 memiliki rata-rata yang lebih kecil atau lebih jelek daripada populasi 2? Dari data sampel yang teramati, dapat dihitung harga statistik ujinya dan bertanya: Apakah nilai ini luar biasa ekstrimm (sudah sangat besar atau sangat kecil) jika H0 benar? Dengan kata lain, apakah besar nilai statistik uji hasil perhitungan cukup ekstrim sehingga hipotesis nolnya pantas ditolak. 

• Taraf Kesalahan

Seperti telah dikemukakan, pada dasarnya menguji hipotesis itu adalah menaksir parameter populasi berdasarkan data sampel. Terdapat dua cara menaksir yaitu, a point estimate dan interval estimate. A point estimate (titik taksiran) adalah suatu taksiran parameter populasi berdasarkan satu nilai dari rata-rata data sampel. Sedangkan interval estimate (taksiran interval) adalah suatu taksiran parameter populasi berdasarkan nilai interval rata-rata data sampel. Saya berhipotesis (menaksir) bahwa daya tahan kerja orang Indonesia itu 10 jam/hari. Hipotesis ini disebut point estimate, karena daya tahan kerja orang Indonesia ditaksir melalui suatu nilai yaitu 10 jam/hari. Bila hipotesisnya berbunyi daya tahan kerja orang Indonesia antara 8 sampai dengan 12 jam/hari, maka hal ini diseburt interval estimate. Nilai intervalnya adalah 8 sampai dengan 12 jam.

Menaksir parameter populasi yang menggunakan nilai tunggal akan mempunyai resiko kesalahan yang lebih tinggi dibandingkan dengan yang menggunakan interval estimate. Menaksir daya tahan kerja orang Indonesia 10 jam/hari akan mempunyai kesalahan yang lebih besar bila dibandingkan dengan nilai taksiran antara 8 sampai dengan 12 jam. Menaksir daya tahan kerja orang Indonesia 6 sampai 14 jam/hari akan mempunyai kesalahan yang lebih kecil bila dibandingkan dengan interval taksiran 8 sampai dengan 12 jam. Untuk selanjutnya kesalahan taksiran ini dinyatakan dalam peluang yang berbentuk prosentase. 

Menaksir daya tahan kerja orang Indonesia dengan interval antara 6 sampai dengan 14 jam/hari akan mempunyai prosentase kesalahan yang lebih kecil bila digunakan interval taksiran 8 sampai dengan 12 jam/hari. Biasanya dalam penelitian kesalahan taksiran ditetapkan terlebih dulu, yang digunakan adalah 5% dan 1%. Daerah taksiran dan kesalahannya dapat digambarkan seperti gambar 10.1 berikut.

Gambar 17.2. Daerah Taksiran dan Besarnya Kesalahan

Dari gambar 17.2 tersebut dapat diberi penjelasan seperti berikut:

1. Daya tahan kerja orang Indonesia ditaksir 10 jam/hari. Hipotesis ini bersifat point estimate, tidak mempunyai daerah taksiran, kemungkinan kesalahannya tinggi, misalnya 100%.
2. Daya tahan kerja orang Indonesia 8 sampai dengan 12 jam/hari. Terdapat daerah taksiran.
3. Daya tahan kerja orang Indonesia antara 6 sampai dengan 14 jam/hari. Daerah taksiran lebih besar dari no. 2, sehingga kemungkinan kesalahan juga lebih kecil daripada no. 2.
4. Jadi makin kecil taraf kesalahan yang ditetapkan, maka interval estimate-nya semakin lebar, sehingga tingkat ketelitian taksiran semakin rendah.

• Dua Kesalahan dalam Menguji Hipotesis

Dalam menaksir parameter populasi berdasarkan data sampel, kemungkinan akan terdapat dua kesalahan yaitu:

1. Kesalahan Tipe I adalah suatu kesalahan bila menolak hipotesis nol (Ho) yang benar (seharusnya diterima). Dalam hal ini tingkat kesalahan dinyatakan dengan (baca alpha).
2. Kesalahan Tipe II, adalah kesalahan bila menerima hipotesis yang salah (seharusnya ditolak). Tingkat kesalahan untuk ini dinyatakan dengan (baca beta)

Berdasarkan hal tersebut, maka hubungan antara keputusan menolak atau menerima hipotesis dapat ditabelkan sebagai berikut.

Tabel 17.2: Hubungan Antara Keputusan Menolak Atau Menerima Hipotesis

Dari tabel tersebut diatas dapat dijelaskan sebagai berikut:

1. Keputusan menerima hipotesis nol yang benar, berarti tidak membuat kesalahan.
2. Keputusan menerima hipotesis nol yang salah, berarti terjadi kesalahan tipe II ()
3. Membuat keputusan menolak hipotesis nol benar, berarti terjadi kesalahan tipe I ()
4. Keputusan menolak hipotesis nol yang salah, berarti tidak membuat kesalahan.

Bila nilai statistik (data sampel) yang diperoleh dari hasil pengumpulan data sama dengan nilai parameter populasi atau masih berada pada nilai interval parameter populasi, maka hipotesis yang dirumuskan 100% diterima. Jadi tidak terdapat kesalahan. Tetapi bila nilai statistik diluar nilai parameter populasi akan terdapat kesalahan (Dunn, 2007).

Tingkat kesalahan ini selanjutnya dinamakan level of significant atau tingkat signifikansi. Dalam prakteknya tingkat signifikansi telah ditetapkan oleh peneliti terlebih dahulu sebelum hipotesis diuji. Biasanya tingkat signifikansi (tingkat kesalahan) yang diambil adalah 1% dan 5%. Suatu hipotesis terbukti dengan mempunyai kesalahan 1% berarti bila penelitian dilakukan pada 100 sampel yang diambil dari populasi yang sama, maka akan terdapat satu kesimpulan salah yang diberlakukan untuk populasi. Dalam pengujian hipotesis kebanyakan digunakan kesalahan tipe I yaitu berapa persen kesalahan untuk menolak hipotesis nol (Ho) yang benar (yang seharusnya diterima).

• Macam-macam Pengujian Hipotesis

Terdapat tiga macam bentuk pengujian hipoteis, yaitu uji dua pihak, pihak kanan, dan pihak kiri. Jenis uji mana yang akan dipakai tergantung pada bunyi kalimat hipotesis.

Uji Dua Pihak (Two Tail Test)

Uji dua pihak digunakan bila hipotesis nol (Ho) berbunyi “sama dengan” dan hipotesis alternatifnya (Ha) berbunyi “tidak sama dengan” (Ho = ; Ha)

Contoh hipotesis descriptif (satu sampel):

Ho : 1=2 (tidak beda)

Ha : 12 (berbeda)

Contoh hipotesis asosiatif:

Ho : =0 (berarti tidak ada hubungan)

Ha :  ρ≠0 (berarti ada hubungan)

Uji dua pihak dapat digambarkan seperti gambar 17.3 berikut.

Gambar 17.3. Uji Dua Pihak

Uji Pihak Kiri

Uji pihak kiri digunakan apabia : hipotesis nol (Ho) berbunyi “lebih besar atau sama dengan” dan hipotesis alternatifnya berbunyi “lebih kecil” <, kata lebih kecil atau sama dengan sinonim “kata paling sedikit atau paling kecil”.

Contoh hipotesis deskriptif (satu sampel):

Hipotesis alternatif        :      Ho : μ≥400 jam   Ha : μ≠400 jam

Contoh hipotesis komparatif (dua sampel):

Ho : 12                       1 : lampu merk A dan 

Ha : 1<2                        2 : lampu merk B

Contoh hipotesis asosiatif:

Ho : ρ≥0,65

Ha :  <0,65           Uji pihak kiri dapat digambarkan seperti gambar 17.4 berikut.

Gambar 17.4. Uji Pihak Kiri

Uji Pihak Kanan

Uji pihak kanan digunakan apabila hipotesis nol (Ho) berbunyi “lebih kecil atau sama dengan dan hipotesis alternatifnya (Ha) berbunyi “lebih besar (>)”. Kalimat lebih kecil atau sama dengan sinonim dengan kata “paling besar”

Contoh hipotesis deskriptif (satu sampel)

Ho : μ≤400 jam

Ha : >400 jam

Contoh hipotesis komparatif (dua sampel):

Ho : 12                       – lampu merk A dan 

Ha : 1>2                       – lampu merk B

Contoh hipotesis asosiatif:

Ho : ρ≥0,65

Ha :  <0,65

Uji pihak kanan dapat digambarkan seperti gambar 10.4 berikut.

Dari gambar 17.3, 17.4, dan 17.5 tersebut terlihat bahwa, dalam uji dua pihak taraf kesalahan dibagi menjadi dua yaitu yang diletakkan pada pihak kiri dan kanan. Harganya setengah (12 ) sedangkan pada uji satu pihak (kanan maupun kiri) harga terletak pada satu pihak saja, yaitu terletak di pihak kanan saja atau kiri saja, taraf kesalahannya adalah .

Gambar 17.5 Uji Pihak kanan

Rangkuman

Teknik analisis data dan matematik berperan sentral dalam pemrosesan data kuantitatif. Peneliti kuantitatif mendeskripsikan karakteristik sampel dalam proporsi, persen, atau mean (rata-rata) dan simpangan baku (deviasi standar). Peneliti kuantitatif melakukan estimasi (penaksiran) tentang kekuatan hubungan variabel, dan menguji hipotesis secara statistik. Peneliti kualitatif tidak mendeskripsikan karakteristik sampel dalam proporsi, persen, atau mean, kecuali pada keadaan tertentu bisa dilakukan perhitungan jumlah kejadian kategori tertentu, ketika peneliti kualitatif melakukan analisis data yang disebut content analysis.

Meskipun peneliti kualitatif mungkin saja menguji suatu hipotesis, tetapi mereka tidak melakukan estimasi maupun menguji hipotesis tentang hubungan variabel secara statistik. Perbedaan menyolok lainnya, metode kuantitatif menganalisis data setelah semua data terkumpul. Jika perlu, penganalisis dibuat buta agar analisis objektif, terjaga jarak, tidak terpengaruh oleh hipotesis penelitian. Di pihak lain, metode kualitatif melakukan analisis data sejak awal hingga akhir penelitian. Analisis data dalam penelitian kualitatif merupakan bagian dari rancangan riset, bagian dari tinjauan pustaka, bagian dari pembentukan teori, bagian dari pengumpulan data, bagian dari pengurutan data, pengarsipan dan pembacaan data, dan bagian dari penulisan hasil penelitian. 

Hipotesis deskriptif yang akan diuji dengan statisik parametris merupakan dugaan terhadap nilai dalam satu sampel (unit sampel), dibandingkan dengan standar, sedangkan hipotesis deskriptif yang akan diuji dengan statistik nonparametris merupakan dugaan ada tidaknya perbedaan secara signifikan nilai antar kelompok dalam satu sampel. Hipotesis komparatif merupakan dugaan ada tidaknya perbedaan secara signifikan nilai-nilai dua kelompok atau lebih. Hipotesis asosiatif, adalah dugaan terhadap ada tidaknya hubungan secara signifikan antara dua variabel atau lebih. Terdapat tiga macam bentuk pengujian hipoteis, yaitu uji dua pihak, pihak kanan, dan pihak kiri. Jenis uji mana yang akan dipakai tergantung pada bunyi kalimat hipotesis. Dalam menaksir parameter populasi berdasarkan data sampel, kemungkinan akan terdapat dua kesalahan yaitu: (1) Kesalahan Tipe I adalah suatu kesalahan bila menolak hipotesis nol (Ho) yang benar (seharusnya diterima). Dalam hal ini tingkat kesalahan dinyatakan dengan (baca alpha). (2) Kesalahan Tipe II, adalah kesalahan bila menerima hipotesis yang salah (seharusnya ditolak). Tingkat kesalahan untuk ini dinyatakan dengan (baca beta).

Daftar Pustaka

Arikunto, Suharsimi. 2010. Manajemen Penelitian. Jakarta: Rineka Cipta.

Bungin, Burhan. 2003. Analisis Data Penelitian Kualitatif: Pemahaman Filosofis dan Metodologis Kearah Penguasaan Model Aplikasi. Jakarta: Rajawali Press.

Cooper, D.R., dan C.W. Emory. 2007. Business Research Methods. Richard Irwin Inc. USA.

Cooper H, Moore L, Gruskin S, Krieger N. 2005. “The Impact of A Policy Drug Crackdown on Drug Injectors Ability to Practice Harm Reduction: A Qualitative Study.” Social Science and Medicine, 61: pp 673-684. 

Dunn, O.J., dan V.A Clark. 2007. Applied Statistics. New York: John Wiley & Sons, Inc.

Hair, F. Jr., Raolph, E.A. Ronald, L.T. dan William, G.D. 2008. Multivariate Data Analysis. New Jersey: Prentice Hall International, Inc.

Hermawan, Asep. 2005. Penelitian Bisnis Paradigma Kuantitatif: Pedoman Praktis untuk Mahasiswa S1, S2, dan S3 Konsentrasi Pemasaran, Sumber Daya Manusia, Keuangan, dan Manajemen Operasional. Jakarta: Grasindo.

Kartono, Kartini. 2003. Pengantar Metodologi Riset Sosial. Bandung: Mandar Maju.

Murti, Bhisma. 2010. Desain dan Ukuran Sampel untuk Penelitian Kuantitatif dan Kualitatif di Bidang Kesehatan. Jogjakarta: Gadjah Mada University Press.

Prastowo, Andi. 2010. Menguasai Teknik-Teknik Koleksi Data Penelitian Kualitatif. Jogjakarta: Diva Press.

Rice P.L & Ezzy D. 2001. Qualitative Research Methods. South Melbourne: Oxford University Press. 

Sugiyono. 2010. Metode Penelitian Kombinasi (Mixed Methods). Bandung: Alfabeta.

Sugiyono. 2005. Metode Penelitian Kuantitatif, Kualitatif, dan Research & Development. Bandung: Alfabeta. 

Sugiyono. 2003. Metode Penelitian Administrasi. Bandung: Alfabeta.

Sangadji, Etta Mamang, Sopiah. 2010. Metodologi Penelitian Pendekatan Praktis dalam Penelitian: Perumusan Masalah, Metode Penelitian, dan Penulisan Laporan Penelitian. Jogjakarta: Penerbit Andi Offset.

Sanjaya, B., dan Albertus Heryanto. 2010. Panduan Penelitian. Jakarta: Prestasi Pustaka. 

Sekaran, Uma. 2006. Research Methods for Business: Metodologi Penelitian untuk Bisnis. Terjemahan: Kwan Men Yon. Jakarta: Penerbit Salemba Empat. 

Siapa yang memiliki syukur, maka ia akan diberi lebih banyak dan memiliki kelimpahan. Siapa yang tidak memiliki syukur maka apa yang ada padanya akan diambil darinya. 

Rhonda Byrne