Cara Menentukan Uji Statistik yang Tepat untuk Skripsi

Sidang skripsi jam 10 pagi, penguji membuka halaman BAB 4, terus nanya satu pertanyaan yang bikin lutut gemetar: "Kenapa kamu pakai uji parametrik padahal data kamu tidak normal?" Diam. Lima detik. Sepuluh detik. Itu momen yang — percaya deh — pernah dialami banyak mahasiswa, termasuk teman-teman gue sendiri yang harus revisi besar gara-gara satu kesalahan ini.

Gue pernah lihat langsung bagaimana satu keputusan yang kelihatannya sepele — memilih uji statistik — bisa berujung pada revisi BAB 4 ulang dari awal, bahkan pengujian ulang data. Bukan lebay. Ini nyata. Dan yang bikin frustrasi, kesalahannya bukan karena mereka tidak pintar, tapi karena mereka memilih uji statistik berdasarkan kebiasaan atau ikut-ikutan teman — bukan berdasarkan logika diagnostik yang sistematis.

Artikel ini bukan daftar ensiklopedi uji statistik. Kamu tidak perlu menghafal 30 nama uji sekaligus. Yang akan kita lakukan di sini adalah berjalan bersama melalui 5 pertanyaan kunci — seperti konsultasi satu-satu dengan metodolog — sampai kamu sendiri yang tiba pada jawaban yang tepat untuk penelitianmu.

Mengapa Salah Pilih Uji Statistik Bisa Fatal di Sidang?

Kesalahan umum mahasiswa saat memilih uji statistik

Pola yang paling sering gue lihat: mahasiswa membuka skripsi kakak tingkat, melihat mereka pakai regresi linear berganda, terus langsung ikut tanpa mengecek apakah desain penelitian, skala data, dan distribusi datanya memang memenuhi syarat yang sama. Ini bukan salah kakak tingkatnya — masalahnya ada di kebiasaan copy desain tanpa copy logikanya.

Kesalahan lain yang hampir sama frekuensinya: menggunakan korelasi Pearson lalu menyimpulkan "ada pengaruh". Korelasi dan pengaruh adalah dua klaim yang berbeda secara logis. Korelasi hanya bilang dua variabel bergerak bersama — tidak ada arah kausalitas di sana. Kalau kamu menyimpulkan pengaruh dari korelasi, penguji yang paham metodologi akan langsung menangkap ini.

Apa yang sebenarnya diuji oleh dosen penguji?

Penguji bukan sedang menghakimi nilai matematikamu. Mereka sedang menguji satu hal: apakah kesimpulanmu valid secara metodologis? Kalau uji statistiknya salah, seluruh bangunan argumen di BAB 5 bisa runtuh — karena pondasinya goyah.

Makanya pemilihan uji statistik bukan soal hafalan. Ini soal proses diagnostik: kamu menjawab serangkaian pertanyaan tentang sifat data dan tujuan penelitianmu, lalu jawabannya secara logis mengarahkan ke uji yang sesuai. Mari kita mulai dari pertanyaan pertama.

Pertanyaan 1: Apa Tujuan Analisis Kamu?

Uji beda vs uji hubungan vs uji pengaruh — ini bedanya

Sebelum melihat jenis data atau jumlah sampel, satu pertanyaan paling mendasar harus dijawab dulu: apa yang ingin kamu buktikan? Menurut Sugiyono — Metode Penelitian Kuantitatif, Kualitatif, dan R&D (2019), teknik analisis data harus dipilih sesuai dengan tujuan penelitian yang dirumuskan sejak awal — bukan dipilih di akhir berdasarkan kemudahan.

Ada tiga keluarga besar tujuan analisis. Pertama, kamu ingin tahu apakah ada perbedaan antara dua kelompok atau lebih — misalnya apakah rata-rata nilai mahasiswa berbeda antara kelas A dan kelas B. Kedua, kamu ingin tahu apakah ada hubungan (asosiasi) antara dua variabel tanpa klaim kausalitas — misalnya apakah ada korelasi antara jam belajar dan IPK. Ketiga, kamu ingin tahu apakah variabel X mempengaruhi variabel Y — ini masuk ranah regresi atau structural model.

Tabel panduan cepat berdasarkan tujuan penelitian

Kesalahan yang sering bikin malu di sidang: memakai korelasi Pearson di BAB 4, lalu di BAB 5 menulis "variabel motivasi berpengaruh signifikan terhadap kinerja". Korelasi tidak bicara soal pengaruh — dia hanya bilang "keduanya bergerak beriringan". Kalau mau klaim pengaruh, harus pakai regresi, minimal regresi sederhana.

Pro Tip: Cek rumusan masalah skripsimu. Kalau kalimatnya berbunyi "apakah terdapat pengaruh…", maka keluarga ujinya adalah regresi — bukan korelasi, bukan uji T. Kalau berbunyi "apakah terdapat perbedaan…", berarti masuk ke keluarga uji beda.

Pertanyaan 2: Apa Skala Pengukuran Variabel Kamu?

Nominal, ordinal, interval, rasio: contoh dari skripsi nyata

Skala pengukuran bukan formalitas yang kamu isi di tabel operasionalisasi variabel lalu dilupakan. Skala ini punya konsekuensi langsung terhadap uji statistik yang boleh digunakan. Secara singkat: nominal adalah kategori tanpa urutan (jenis kelamin, jurusan kuliah); ordinal adalah kategori dengan urutan tapi jarak antar nilai tidak pasti (tingkat kepuasan: rendah–sedang–tinggi); interval adalah data dengan jarak antar nilai yang konsisten tapi tidak punya nol mutlak (skor tes, skala Likert yang diperlakukan sebagai interval); rasio adalah interval dengan nol mutlak (berat badan, pendapatan, usia).

Uji parametrik — regresi, T-test, ANOVA — secara teori hanya valid untuk data interval dan rasio. Untuk nominal dan ordinal murni, harus beralih ke uji non-parametrik. Inilah sebabnya menentukan skala variabel adalah langkah yang tidak bisa dilewatkan.

Debat skala Likert yang sering muncul saat sidang

Hampir setiap sidang skripsi manajemen atau psikologi pasti memunculkan pertanyaan ini: "Skala Likert kamu ordinal atau interval?" Ini salah satu debat metodologi yang belum selesai. Sugiyono secara formal mengklasifikasikan Likert sebagai skala ordinal. Tapi dalam praktik penelitian di Indonesia — dan didukung oleh banyak literatur internasional — Likert 5 atau 7 poin sering diperlakukan sebagai interval dengan asumsi bahwa jarak antar poin dianggap setara, yang memungkinkan penggunaan uji parametrik.

Posisi yang aman: ikuti konvensi yang disetujui pembimbingmu, dan siapkan argumen untuk mempertahankannya di sidang. Kalau pembimbingmu memandang Likert sebagai ordinal, maka gunakan uji non-parametrik dan jangan pakai regresi OLS. Kalau diperlakukan sebagai interval (yang lebih umum dalam riset manajemen dan psikologi), maka uji parametrik boleh dilanjutkan — asalkan asumsi normalitas terpenuhi.

Pertanyaan 3: Apakah Data Kamu Memenuhi Asumsi Parametrik?

Cara cek normalitas data dengan benar

Uji parametrik punya tiga asumsi yang harus dipenuhi: distribusi data normal, homogenitas varians antar kelompok (untuk uji beda), dan data berskala interval atau rasio. Kalau salah satu tidak terpenuhi, hasilnya tidak bisa dipercaya — dan penguji yang paham akan menangkap ini dari tabel di BAB 4.

Untuk cek normalitas, dua uji yang paling umum adalah Kolmogorov-Smirnov (K-S) dan Shapiro-Wilk. Aturan praktisnya: Shapiro-Wilk lebih akurat untuk sampel kecil (n < 50), sementara K-S lebih sering digunakan untuk sampel lebih besar. Lihat nilai signifikansi (p-value): kalau p > 0,05, data dianggap berdistribusi normal. Kalau p ≤ 0,05, distribusi tidak normal dan kamu perlu beralih ke padanan non-parametriknya. Referensi lengkap soal ini ada di Ghozali — Aplikasi Analisis Multivariat dengan IBM SPSS (2021).

Tabel konversi: uji parametrik dan padanan non-parametriknya

Untuk panduan lebih detail tentang panduan uji asumsi klasik lengkap, kamu bisa mempelajarinya lebih lanjut sebelum masuk ke eksekusi analisis.

Catatan Penting: Jangan langsung panik kalau data tidak normal. Beberapa teknik transformasi data (log, sqrt, inverse) bisa dicoba untuk membuat distribusi mendekati normal — tapi ini perlu justifikasi yang kuat dan persetujuan pembimbing sebelum dilakukan.

Pertanyaan 4: Berapa Jumlah Kelompok dan Variabel dalam Penelitian Kamu?

Matriks uji statistik berdasarkan jumlah kelompok

Setelah tahu tujuan dan sifat data, pertanyaan selanjutnya adalah soal struktur penelitianmu. Berapa kelompok yang dibandingkan? Berapa variabel bebas yang kamu punya? Ini menentukan apakah cukup dengan uji sederhana atau perlu beralih ke analisis yang lebih kompleks.

Untuk detail perbandingan antara perbedaan uji T independen dan Mann-Whitney, ada panduan khusus yang bisa kamu baca. Secara ringkas: dua kelompok independen dengan data normal → Independent T-test; dua kelompok dengan data tidak normal → Mann-Whitney. Tiga kelompok atau lebih → masuk ke ANOVA (parametrik) atau Kruskal-Wallis (non-parametrik). Selengkapnya soal kapan menggunakan ANOVA dalam penelitian tersedia di artikel terpisah.

Kapan harus beralih ke analisis multivariat seperti SEM-PLS?

Kalau penelitianmu melibatkan lebih dari satu variabel bebas yang memengaruhi variabel terikat secara bersamaan, kamu sudah masuk ke wilayah analisis multivariat. Regresi linear berganda adalah titik masuk yang paling umum. Tapi kalau ada variabel laten (variabel yang tidak bisa diukur langsung, hanya lewat indikator), atau ada hubungan mediasi dan moderasi yang kompleks, maka SEM-PLS adalah pilihan yang lebih tepat.

Menurut Hair et al. — Multivariate Data Analysis (2019), SEM-PLS bisa berjalan dengan sampel minimal 30–100 responden tergantung kompleksitas model — tapi ini tidak berarti kamu bisa sembarang menggunakannya dengan 50 sampel. Satu hal yang sering luput: apakah kelompok yang kamu bandingkan bersifat independen (orang berbeda di tiap kelompok) atau berpasangan (orang yang sama diukur dua kali)? Ini menentukan apakah kamu pakai T-test independen atau paired T-test — dua uji yang berbeda walau namanya mirip.

Pertanyaan 5: Bagaimana Desain Penelitian dan Hubungan Antar Variabelmu?

Cross-sectional vs longitudinal: bedanya di analisis statistik

Desain penelitian bukan hanya soal cara mengumpulkan data — dia juga menentukan teknik analisis yang sah digunakan. Cross-sectional mengukur semua variabel pada satu titik waktu, dan ini yang paling umum di skripsi S1. Analisisnya lebih straightforward: regresi, T-test, ANOVA, atau padanan non-parametriknya, tergantung jawaban dari pertanyaan 1–4.

Longitudinal mengukur variabel yang sama pada dua titik waktu atau lebih — misalnya sebelum dan sesudah intervensi. Desain ini membutuhkan teknik seperti Paired T-test, Repeated Measures ANOVA, atau analisis panel data untuk yang lebih kompleks. Menurut Creswell (2014) dalam Research Design, alignment antara desain penelitian dan teknik analisis adalah syarat dasar validitas internal penelitian — mismatch keduanya adalah tanda bahaya yang akan dibaca penguji berpengalaman.

Mediasi dan moderasi: lebih dari sekadar regresi biasa

Kalau penelitianmu punya variabel mediator (variabel yang "menjembatani" hubungan X dan Y) atau moderator (variabel yang "memperkuat/memperlemah" hubungan X dan Y), maka regresi biasa tidak cukup. Kamu perlu path analysis atau prosedur bootstrapping — metode yang digunakan untuk menguji signifikansi efek tidak langsung. Dalam konteks SEM-PLS, ini sudah terintegrasi dalam software seperti SmartPLS.

Kalau ada kovariat (variabel kontrol yang ingin dikendalikan efeknya), pertimbangkan ANCOVA daripada ANOVA biasa. ANCOVA memungkinkan kamu mengendalikan variabel kovariat secara statistis sehingga perbandingan antar kelompok menjadi lebih "bersih".

Flowchart Lengkap: Dari Nol ke Uji Statistik yang Tepat

Studi kasus 1: Skripsi pengaruh motivasi terhadap kinerja

Mahasiswa manajemen SDM, menggunakan kuesioner Likert 5 poin untuk motivasi kerja (X) dan kinerja karyawan (Y), 120 responden. Pertanyaan 1: tujuannya menguji pengaruh → keluarga regresi. Pertanyaan 2: Likert diperlakukan sebagai interval (disepakati bersama pembimbing). Pertanyaan 3: uji Kolmogorov-Smirnov menunjukkan p = 0,12 → data normal. Pertanyaan 4: satu variabel bebas, satu variabel terikat → regresi linear sederhana. Pertanyaan 5: cross-sectional, tidak ada mediasi/moderasi. Hasil: Regresi Linear Sederhana adalah pilihan yang tepat.

Studi kasus 2: Tesis perbedaan status gizi antar kelompok intervensi

Mahasiswa kesehatan masyarakat S2, membandingkan status gizi anak (diukur dengan Z-score) antara 3 kelompok perlakuan, masing-masing 40 subjek. Pertanyaan 1: menguji perbedaan. Pertanyaan 2: Z-score adalah data rasio. Pertanyaan 3: uji Shapiro-Wilk pada salah satu kelompok menunjukkan p = 0,02 → tidak normal. Pertanyaan 4: 3 kelompok independen. Pertanyaan 5: desain eksperimental, pengukuran satu waktu. Hasil: Kruskal-Wallis (non-parametrik, 3 kelompok independen, data tidak normal).

Studi kasus 3: Disertasi dengan variabel mediasi kepercayaan merek

Kandidat doktor manajemen pemasaran, menguji pengaruh kualitas produk (X) terhadap loyalitas pelanggan (Y) dengan kepercayaan merek sebagai mediator (M), 250 responden. Pertanyaan 1: pengaruh dengan mediasi. Pertanyaan 2: semua variabel laten diukur dengan Likert, diperlakukan sebagai interval. Pertanyaan 3: dalam SEM-PLS, normalitas tidak menjadi syarat ketat. Pertanyaan 4: variabel laten, ada struktur mediasi. Pertanyaan 5: ada variabel mediator → path analysis diperlukan. Hasil: SEM-PLS dengan bootstrapping untuk uji efek mediasi.

Checklist akhir sebelum eksekusi analisis

Sebelum kamu buka SPSS atau SmartPLS, konfirmasi 7 hal ini:

• Tujuan analisis sudah selaras dengan rumusan masalah (beda/hubungan/pengaruh)
• Skala pengukuran setiap variabel sudah didefinisikan dengan jelas
• Uji normalitas sudah dilakukan dan hasilnya didokumentasikan
• Homogenitas varians sudah dicek (untuk uji beda lebih dari 2 kelompok)
• Jumlah kelompok dan sifatnya (independen/berpasangan) sudah dikonfirmasi
• Variabel mediasi/moderasi sudah ditentukan metode pengujiannya
• Pilihan uji sudah didiskusikan dan disetujui oleh pembimbing

Kalau kamu sudah tahu uji statistik yang tepat tapi belum tahu cara mengeksekusinya, platform seperti Risos AI bisa membantu — dari uji asumsi klasik, regresi, ANOVA, hingga SEM-PLS tersedia dalam satu dashboard tanpa perlu instalasi SPSS atau SmartPLS. Langsung input data, pilih analisis, dan hasilnya keluar lengkap dengan output yang terstruktur.

Tips Tambahan: Hindari 5 Jebakan Ini saat Memilih Uji Statistik

Jebakan 1 — Ikut-ikutan teman tanpa validasi desain. Desain penelitian temanmu mungkin berbeda dengan desainmu di level yang tidak kelihatan — variabel berbeda, skala berbeda, distribusi data berbeda. Hasilnya bisa sama-sama regresi linear, tapi proses validasinya harus kamu lakukan sendiri.

Jebakan 2 — Melewati uji asumsi karena "ribet". Ini yang paling sering bikin kena semprot di sidang. Uji asumsi bukan formalitas — dia adalah penjaga validitas seluruh analisismu. Kalau asumsi tidak dipenuhi dan tidak ada justifikasi kenapa tetap menggunakan uji parametrik, penguji akan langsung menandai ini sebagai cacat metodologis.

Jebakan 3 — Salah membaca output software. P-value ada di beberapa kolom di output SPSS, dan tidak semuanya relevan untuk hipotesismu. Salah kolom = salah kesimpulan. Kalau platform analisisnya sudah menyajikan penjelasan otomatis per output — seperti yang dilakukan Risos AI — risiko salah baca ini jauh berkurang karena sistem langsung memberikan interpretasi yang kontekstual.

Jebakan 4 — Memilih SEM-PLS padahal sampel di bawah 100. SEM-PLS memang lebih toleran terhadap ukuran sampel kecil dibanding CB-SEM, tapi tetap ada threshold minimum. Dengan model yang kompleks (lebih dari 5 konstruk), sampel di bawah 100 akan menghasilkan estimasi yang tidak stabil. Kalau sampelmu kecil, pertimbangkan regresi hierarkis sebagai alternatif yang lebih robust.

Jebakan 5 — Tidak mengonsultasikan hasil pemilihan uji ke pembimbing. Sekomprehensif apapun proses diagnostikmu, pembimbing tetap harus tahu — dan menyetujui — uji statistik yang kamu pilih sebelum eksekusi. Bukan soal izin, tapi soal alignment: pembimbing tahu konteks penelitianmu lebih dalam, dan mungkin punya pertimbangan metodologis yang belum kamu pertimbangkan.

Pro Tip: Buat satu halaman "justifikasi pemilihan uji statistik" di dokumen pribadimu — bukan untuk disetor ke pembimbing, tapi sebagai catatan logika diagnostikmu sendiri. Dokumen ini akan sangat berguna saat menjawab pertanyaan penguji di sidang, karena kamu punya alur berpikir yang jelas dan bisa dijelaskan dengan runtut.

Pemilihan uji statistik yang tepat bukan bakat bawaan — ini keterampilan yang bisa dilatih dengan proses diagnostik yang sistematis. Lima pertanyaan yang kita bahas tadi (tujuan analisis, skala data, asumsi parametrik, jumlah kelompok, dan desain penelitian) adalah kerangka yang sudah cukup untuk meng-cover sebagian besar kasus skripsi, tesis, maupun disertasi di Indonesia.

Ingat: dosen penguji tidak mengharapkan kamu hafal semua jenis uji statistik. Mereka ingin tahu bahwa kamu mengerti mengapa kamu memilih uji itu — dan bisa mempertahankan alasannya dengan logika yang jernih. Mulai dari tujuan penelitian, berjalan satu pertanyaan ke pertanyaan berikutnya, dan kamu akan tiba di jawaban yang tepat.

Kalau kamu sudah siap mengeksekusi analisisnya, coba Risos AI — tersedia uji coba gratis 3 hari, dan semua analisis yang kita bahas di artikel ini sudah tersedia dalam satu platform.