Nama : Bagas Muhamad Satria
NPM : 2313031037
1. Identifikasi Skala Pengukuran dan Alasannya
Usia termasuk rasio karena memiliki nilai absolut, jarak antar angka sama, dan ada titik nol yang bermakna (usia 0 berarti tidak memiliki umur). Data ini dapat dilakukan operasi matematika seperti penjumlahan dan pengurangan.
Jenis kelamin hanya menunjukkan kategori tanpa urutan. Tidak ada nilai yang lebih tinggi atau lebih rendah, sehingga termasuk skala nominal.
Skala ini berbentuk peringkat yang menunjukkan tingkat kepuasan dari rendah ke tinggi. Namun, jarak antar kategorinya tidak dapat dipastikan sama (misal, beda “Tidak puas” ke “Netral” tidak selalu sama dengan “Netral” ke “Puas”).
Jumlah mata kuliah memiliki jarak yang pasti dan nol yang bermakna (nol berarti tidak mengambil mata kuliah). Data ini dapat dioperasikan secara matematis.
Ranking menunjukkan urutan prioritas, tetapi jarak antara ranking 1 ke 2 tidak dapat diukur secara pasti (sekadar menunjukkan urutan, bukan besar pengaruhnya). Karena itu termasuk skala ordinal
Dalam kuesioner yang diberikan, setiap jenis data memiliki skala pengukuran yang berbeda sesuai dengan karakteristik informasi yang ingin diperoleh.
-
Usia responden (dalam tahun) Skala Rasio
-
Jenis kelamin (Laki-laki/Perempuan) Skala Nominal
-
Tingkat kepuasan terhadap pelayanan dosen pembimbing akademik (Sangat tidak puas – Sangat puas) Skala Ordinal
-
Jumlah mata kuliah yang diambil semester ini Skala Rasio
-
Prioritas memilih universitas (ranking 1–5) Skala Ordinal
2. Apakah seluruh data bisa dianalisis dengan statistik parametrik? Mengapa?
Tidak, tidak semua data dalam kuesioner dapat dianalisis menggunakan statistik parametrik.
Statistik parametrik memerlukan data interval atau rasio, serta asumsi tertentu seperti distribusi normal. Dalam kuesioner ini terdapat beberapa jenis data yang tidak memenuhi syarat:
-
Nominal (jenis kelamin) tidak bisa dianalisis dengan parametrik.
-
Ordinal (kepuasan, ranking prioritas) secara teknis tidak cocok untuk statistik parametrik karena jarak antar kategori tidak pasti.
Hanya data rasio seperti usia dan jumlah mata kuliah yang sesuai untuk teknik parametrik. Data ordinal dan nominal lebih cocok dianalisis dengan statistik nonparametrik.
3. Analisis yang Tepat untuk Mengetahui Hubungan antara Kepuasan Layanan Akademik dan Jumlah Mata Kuliah
Untuk melihat hubungan antara:
-
Kepuasan layanan akademik, data ordinal
-
Jumlah mata kuliah, data rasio
Maka metode analisis yang paling tepat adalah Korelasi Spearman Rank (Spearman’s rho).
Alasan:
-
Variabel kepuasan menggunakan skala ordinal sehingga tidak memenuhi asumsi analisis parametrik.
-
Spearman tidak mengharuskan data berdistribusi normal.
-
Korelasi Spearman cocok untuk hubungan antara variabel ordinal dengan interval/rasio.
-
Analisis ini dapat menunjukkan apakah terdapat hubungan positif, negatif, atau tidak ada hubungan antara kedua variabel.
Sebagai alternatif, uji Chi-Square juga dapat digunakan jika kepuasan dikategorikan, tetapi korelasi Spearman lebih tepat karena mempertimbangkan peringkat.
4. Pengumpulan data melalui kuesioner berpotensi menimbulkan berbagai bias, seperti social desirability bias ketika responden memberikan jawaban yang dianggap “baik”, bias pemahaman akibat interpretasi pertanyaan yang berbeda, non-response bias jika sebagian mahasiswa tidak mengisi kuesioner, serta bias sampel ketika responden tidak mewakili seluruh populasi. Selain itu, jawaban yang tidak akurat dapat muncul jika responden mengisi secara terburu-buru. Untuk mengatasinya, peneliti perlu menjamin anonimitas responden, menggunakan bahasa yang jelas, melakukan uji coba instrumen, menerapkan teknik sampling yang tepat, memberikan pengingat atau insentif, dan memastikan kuesioner ringkas serta mudah diisi agar data yang diperoleh lebih valid dan reliabel.