Lakukan Screening Data dan Transformasi Data Sebelum Melakukan Analisis Kuantitatif

Pentingnya Screening Data dan Transformasi Data

AKHMAD.COM - Data merupakan unsur yang sangat penting dalam penelitian. Bahkan penelitian yang baik apabila selalu menjaga kualitas dan objektivitas datanya. Ukuran kepercayaan terhadap sebuah penelitian pada dasarnya adalah data. Setelah itu kemudian teknik-teknik lain yang digunakan dalam penelitian.

Jenis Data

Pada dasarnya jika ditinjau dari berbagai aspek menurut Sari dan Wardani (2015) data dapat dibedakan yaitu:

Berdasarkan sifatnya, data terdiri dari data kuantitatif yaitu data yang berbentuk angka dan data kualitatif yaitu data yang tidak berbentuk angka. Berdasarkan cara memperoleh data di bagi menjadi
data primer yaitu data yang dikumpulkan langsung dari objeknya dan data sekunder yaitu data yang dikumpulkan dan diolah oleh orang lain.

Berdasarkan waktu penggolongannya di bagi menjadi dua yaitu data crossection yaitu data yang dikumpulkan pada suatu waktu tertentu, data times series dan data coressection.

Menurut Nuryanto dan Pambuko (2018) bahwa data cross-section adalah data dari beberapa objek pada periode tertentu. Cross-sectional data mengacu pada data yang dikumpulkan dengan mengamati banyak hal (seperti perorangan, perusahaan atau Negara/wilayah) pada titik yang sama waktu, atau tanpa memperhatikan perbedaan waktu.

Analisis cross-sectional biasanya terdiri dari membandingkan perbedaan antara subjek. Oleh karena itu, urutan data tidak mempengaruhi hasil analisis. Sebagai contoh data indeks pembangunan manusia (IPM) dibeberapa kota di Indonesia pada tahun 2010.

Data cross-sectional memiliki ciri-ciri menampilkan data beberapa subjek, dengan satu objek amatan dan dalam satu waktu. Sehingga data ini memperlihatkan perbedaan-perbedaan objek diantara subjek pada tahun tertentu.

2) Data time series/deret waktu yaitu data yang dikumpulkan dari waktu kewaktu untuk memberikan gambaran tentang perkembangan suatu keadaan dari waktu kewaktu.

Menurut Nuryanto dan Pambuko (2018) bahwa”Data time series adalah data dari suatu objek yang terdiri dari beberapa periode (runtut waktu). Data ini umumnya disajikan dalam bentuk tahunan, bulanan, triwulanan, mingguan, harian, dan lain sebagiannya. Oleh karena itu, urutan data jenis time series harus diperhatikan dan dijaga urutannya. Contohnya data penjualan dalam 1 tahun atau data rasio keuangan periode 2009-2010 dalam bentuk bulanan.

Contoh lain dari data time series adalah hasil Survei Penjualan Eceran (SPE) tentang penjualan berbagai komoditi yang dilakukan oleh Bank Indonesia Kantor Perwakilan Propinsi Sulawesi Tengah setiap bulan.

Selain kedua jenis data menurut waktu penggolongannya, juga termasuk data panel (balanced panel) yang merupakan gabungan dari data crossection dan data time series. Data ini sering digunakan dalam ekonometrika dan analisis keuangan dengan teknik analisis regresi data panel menggunakan program Eviews.

Menurut Nuryanto dan Pambuko (2018) bahwa “Data panel adalah data yang terdiri dari kombinasi data time series dan data cross-section. Dengan kata lain, data panel terdiri dari data beberapa objek dan meliputi beberapa waktu. Contoh data penyaluran dana (FDR) 3 bank syariah pada tahun 2010-2011.

Apa itu Screening Data

Dalam upaya memperoleh informasi yang akurat dari data yang kita kumpulkan, sebaiknya data-data tersebut disipkan atau di screening terlebih dahulu dan dilakukan transformasi data. Untuk melakukan transformasi data dapat dilakukan dengan mudah menggunakan aplikasi SPSS.

Screening data merupakan bagian dari metode untuk menyiapkan data-data agar dapat memberikan infromasi yang maksimal. Terutama dalam menganalisis data secara kuantitatif disarankan untuk melakukan screening data terlebih dahulu. Screening data bertujuan untuk mengantisipasi data-data yang tidak tersedia atau hilang (missing).

Screening data juga dilakukan untuk mengatasi kekurangan data ketika pengisian kuesioner oleh responden. Sering ada pengisian data yang terlewat oleh responden atau tidak mengisinya sehingga mengakibatkan data ini tidak tersedia.

Baca Juga:

Screening Terhadap Normalitas

Menurut Ghozali (2013:30) bahwa "Screening data terhadap normalitas data merupakan langkah awal yang harus dilakukan untuk setiap analisisi multivariate. Khususnya jika tujuannya adalah inferensi. Jika terdapat normalitas, maka resdual akan terdistribusi secara normal dan independen. Yaitu perbedaan nilai prediksi dengan score yang sesungguhnya atau error akan terdistribusi secara simetri disekitar nilai means sama dengan nol. Jadi salah satu cara mendeteksi normalitas adalah lewat pengamatan nilai residual"

Cara lain menurut Ghozali (2013:30) adalah "dengan melihat distribusi dari variabel-variabel yang akan di teliti. Walaupun normalitas suatu variabel tidak selalu di perlukan dalam analisis akan tetapi hasil uji statistik akan lebih baik jika semua variabel berdistribusi normal. Jika variabel tidak terdistribusi secara normal (menceng kekiri atau menceng kekanan) maka hasil uji statistik akan terdegradasi. Normalitas suatu variabel umumnya di deteksi dengan grafik atau uji statistik sedangkan normalitas nilai residual di deteksi dengan metode grafik"

Secara statistik menurut Ghozali (2013:30) bahwa ada dua komponen normalitas yaitu skewness dan kurtosis. Skewness berhubungan dengan simetri distribusi. Skewed variabel (variabel menceng) adalah variabel yang nilai meannya tidak ditengah-tengah distribusi. Sedangkan kurtosis berhubungan dengan puncak dari suatu distribusi. Jika variabel terdistribusi secara normal maka nilai skewness dan kurtosis sama dengan nol. Terdapat uji signifikansi skewness dan kurtosis dengan cara sebagai berikut:

Langkah-langkah screening data terhadap normalitas menggunakan SPSS versi 20 sebagai berikut:

Buka file yang akan di screening dengan perintah File/Open/Data, contohnya seperti file ini.

Untuk mendapatkan nilai skewness dan kurtosis, klik Analyze/Descriptive Statistics lalu pilih Descriptives seperti ini:

Tampak windows Descriptive
Isikan variabel yang akan di uji misalnya kita akan uji variabel X1.1 (Peralatan Kerja)

Pilih Option isikan statistik yang digunakan yaitu skewness dan kurtosis

Abaikan yang lain, klik Continue untuk kembali lalu Ok, hasilnya seperti ini:

Selanjutnya kita akan menghitung nilai Z Skewness dan nilai Z Kurtosis menggunakan rumus di atas kemudian akan kita bandingkan dengan nilai kritisnya.

Hasil perhitungan nilai Z menghasilkan nilai yang lebih rendah dibandingkan nilai kritisnya 2.58 (pada taraf signifikansi 0.01) sehingga membuktikan bahwa data-data pada variabel peralatan memenuhi asumsi normalitas.

Screening Terhadap Data Outlier

Selain melakukan screening dan transformasi data terhadap normalitas data, kita juga perlu melakukan screening data terhadap data outlier. Hal ini penting terutama bagi data-data penelitian yang kita kumpulkan.

Apa yang dimaksud data outlier

Outlier adalah kasus atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel kombinasi (Ghozali, 2013:41)

Ada empat penyebab timbulnya data oulier

1.Kesalahan dalam meng-entri data,
2.Gagal dalam menspesifikasi adanya missing value dalam program komputer,
3.Outlier bukan merupakan anggota populasi yang kita ambil sebagai sampel,
4.Outlier berasal dari populasi yang kita ambil sebagai sampel, tetapi distribusi dari variabel dalam populasi tersebut memiliki nilai ekstrim dan tidak berdistribusi secara normal (Ghozali, 2013:41)

Langkah-langkah uji data outlier

Data yang akan kita uji outlier-nya adalah daya yang sudah melalui uji normalitas dan terbukti memenuhi normalitas data. Kita ambil contoh data di atas lagi.

Kemudian kita lakukan uji outlier dengan langkah-langkah sebagai berikut:

Dari menu utama SPSS klik Analyze-Descriptive Statistic-Descriptive

Isikan satu variabel atau dalam contoh ini variabel tentang peralatan

Berikan tanda cheklist pada Save standardized values as variabels, lalu Ok
Pada data editor pada bagian Data Views SPSS ada penambahan satu variabel yang dalam contoh ini bernama ZX1.1 merupakan nilai standardized dari variabel peralatan X1.1.

Jika kita menggunakan kriteria data outlier Nilai Z yang lebih besar dari 2,5 dan lebih kecil dari -2,5 maka nilai outlier pada variabel X1.1 adalah 2,73081 walaupun perbedaanya tipis sekali dengan kriteria tersebut.

Data tersebut merupakan data yang sifatnya ekstrim atau unik di bandingkan data lainnya karena memiliki besaran yang tidak biasanya. Olehnya itu bagi para peneliti perlu melakukan evaluasi kembali atas data tersebut, apakah memang merupakan data jawaban ekstrim atau ada kesalahan dalam melakukan entri data.

Kiranya contoh di atas memberikan sedikit pengetahuan bagi kita ya, mohon maaf bukannya ngajarin, yah! sekedar shering aja ya. Jika ingin berbagi komen atau informasi silahkan dikirim atau ingin berlangganan silahkan kirimkan emailnya.