QUANTITATIVE DATA ANALYSIS : HYPOTHESIS TESTING

            Tujuan dari pengujian hipotesis ialah untuk menentukan apakah hipotesis null yang ditolak demi mendukung hipotesis altermate telah diukur dengan akurat. Berdasarkan dari data sampel, peneliti dapat menolak hipotesis null dengan tingkat keyakinan tertentu: yakni memang selalu ada risiko bahwa kesimpulan yang disususn mengenai populasi tidak benar.

            Ada dua jenis kesalahan (atau dua cara di mana kesimpulan hipotesis dapat menjadi salah). Kesalahan tipe 1 (type 1 errors) disebut juga sebagai alpha (ɑ), ialah kemungkinan untuk menolak hipotesis null ketika sebenarnya hipotesis tersebut adalah benar. Kesalahan tipe 1 juga di kenal sebagai tingkat yang signifikan (significance level).Umumnya tingkat signifikansi dalam penelitian bisnis adalah 5% (<0,05) dan 1% (<0,01).

            Kesalahan tipe II (type II errors), juga disebut sebagai beta (β), adalah kebalikan dari kesalahan tipe I, dimana kemungkinan untuk menerima hipotesis null dimana sebenarnya hipotesis alternate adalah benar. Dengan kata lain, bahwa semakin kecil resiko kesalahan pada salah satu tipe, maka akan semakin besar risiko kesalahan pada tipe lainnya.

            Analisis regresi sederhana (regression analysis) digunakan dalam sebuah situasi dimana variable independent diduga mempengaruhi variable dependent

            Analisis regres iberganda (multiple regression analysis) serupa dengan analisis regresisederhana, hanya saja dalam kasus tersebut, digunakan lebih dari satu variable independent untuk menjelaskan  varians dalam variable dependent.

            Standardized regression coefficients atau beta coeffiecients adalah estimasi yang dihasilkan dari sebuah analisis regresi berganda yang dilaksanakan pada variable yang telah distandarisasikan (proses dimana variable-variable ditransformasikan ke dalam variable-variable yang memiliki mean atau nilai rata-rata 0 dan standar deviasi 1).

            Variable buatan (dummy variable) adalah variable yang memiliki dua atau lebih tingkatan yang berbeda, yang diberi kode 0 atau 1.Variable ini memperbolehkan peneliti untuk menggunakan variable nominal dan ordinal sebagai independent variable untuk menjelaskan, memahami, dan memprediksi variable dependent.

            Bagian ini berkaitan dengan variable moderating, dimana dampak dari satu variable (X1) pada Y (variable dependent) bergantung pada nilai dari variable yang lain, dimana yang dimaksud ialah variable moderating (X²).interaksi semacam itu digolongkan sebagai produk dari dua variable tersebut dalam sebuah model regresi.

            Regresi logistic (logisticregression) juga digunakan ketika variable dependent adalah nonmetris. Ketika variable dependent  hanya memiliki dua kelompok, regresi logistic sering diminati, karena tidak menghadapi asumsi-asumsi yang ketat seperti yang dihadapi apabila menggunakanan analisis diskriminan dan juga karena sangat mirip dengan analisis regresi. Meskipun analisis regresi dan analisis regresi logistic sangat berbeda dari sudut pandang statistic, akan tetapi keduanya sangat mirip dari sudut pandang praktis.

            Ada dua cara ANOVA (two-way ANOVA) yang dapat digunakan untuk menguji pengaruh dua variable independent nonmetrispada variable dependent metris tunggal. Dalam konteksini, variable independent sering di sebut sebagai sebuah factor danoleh sebelum itu maka dibuat suatu desain yang bertujuan untuk menguji pengaruh dua variable independent nonmetris pada variable dependent metris tunggal yang sering di sebut dengan desain factorial (factorialdesign). Desain factorial sangat popular dalam ilmu social. ANOVA memungkinkan peneliti untuk memeriksa pengaruh utama (pengaruh dari variable independent terhadap variable dependent), dan juga pengaruh interaksi yang antara variable independent (atau factor-faktor).

            MANOVA miripdengan ANOVA, dengan perbedaan bahwa ANOVA menguji perbedaan mean atau nilai rata-rata untuk lebih dari dua kelompok terhadap satu variable dependent, sedangkan MANOVA menguji perbedaan mean antara kelompok-kelompok pada beberapa variable dependent secara bersamaan, dengan menggunakan jumlah kuadrat (sums of squares) dan cross-produk matrices. Pengujian ANOVA berganda (multiple ANOVA tets), dengan menggunakan satu variable dependent pada satu waktu, akan rentan membiaskan hasil, sebab variable dependent  secara bersamaan, serta mengabaikan pengaruh dari setiap korelasi di antara variable tersebut. Dalam tes MANOVA, variable independen diukur pada skala nominal dan variable dependent padaskala interval atauskalarasio.

            Canonical correlation meneliti hubungan antara dua atau lebih variable dependent dan beberapa variable independent, singkatnya, beberapa teknik univariat, bivariate, dan multivariate tersedia untuk menganalisis data sampel. Menggunakan teknik-teknik ini memungkinkan peneliti untuk menggeneralisasikan hasil yang diperoleh dari sample kepopulasi pada umumnya.

            Data mining berperan sebagai pelengkap dari fungsi data warehouse dimana data mining berperan sebagai sebuah alat untuk mencapai tingkatan intelejensi bisnis baru. Data mining menggunakan (algoritma) untuk menganalisa data dalam sebuah cara yang bermakna, data mining lebih mengefektifkan data warehouse dengan mengidentifikasi hubungan-hubungan dan pola-pola yang tersembunyi dalam penyimpanan data tersebut.