Nama : Zulfaa Salsabillah
NPM : 2313031038
Kelas : B
NPM : 2313031038
Kelas : B
Posts made by Zulfaa Salsabillah
Nama : Zulfaa Salsabillah
NPM : 2313031038
Kelas : B
NPM : 2313031038
Kelas : B
MPPE B2025 -> CASE STUDY
by Zulfaa Salsabillah -
Nama : Zulfaa Salsabillah
NPM : 2313031038
Kelas : B
1. Teknik pengumpulan data menggunakan angket (kuesioner) skala Likert sangat sesuai dengan pendekatan kuantitatif. Pendekatan kuantitatif menekankan pada pengukuran variabel secara numerik dan analisis statistik. Angket memungkinkan peneliti memperoleh data terstruktur, terstandar, dan mudah diubah menjadi skor numerik (misalnya skala 1–5), sehingga cocok untuk dianalisis secara statistik. Selain itu, data demografis yang bersifat kategorikal juga sesuai untuk dianalisis dalam kerangka kuantitatif.
2. Kelebihan dan Kelemahan Menggunakan Angket
Kelebihan:
NPM : 2313031038
Kelas : B
1. Teknik pengumpulan data menggunakan angket (kuesioner) skala Likert sangat sesuai dengan pendekatan kuantitatif. Pendekatan kuantitatif menekankan pada pengukuran variabel secara numerik dan analisis statistik. Angket memungkinkan peneliti memperoleh data terstruktur, terstandar, dan mudah diubah menjadi skor numerik (misalnya skala 1–5), sehingga cocok untuk dianalisis secara statistik. Selain itu, data demografis yang bersifat kategorikal juga sesuai untuk dianalisis dalam kerangka kuantitatif.
2. Kelebihan dan Kelemahan Menggunakan Angket
Kelebihan:
- Dapat menjangkau banyak responden dalam waktu relatif singkat, sesuai dengan kebutuhan generalisasi.
- Semua responden menerima pertanyaan yang sama sehingga meminimalkan perbedaan perlakuan.
- Jawaban dalam bentuk angka memudahkan pengolahan data secara statistik.
- Responden cenderung lebih jujur dalam menjawab karena tidak berhadapan langsung dengan peneliti.
Kelemahan:
3. Teknik Analisis Statistik yang Tepat
Untuk menjawab dua tujuan penelitian, teknik analisis berikut paling sesuai:
a. Menguji pengaruh gaya kepemimpinan terhadap motivasi kerja
Teknik yang tepat: Regresi Linier Sederhana atau Analisis Korelasi Pearson. Jika peneliti ingin mengetahui hubungan: gunakan Korelasi Pearson. Jika peneliti ingin mengetahui pengaruh atau prediksi: gunakan Regresi Linier Sederhana, dengan gaya kepemimpinan sebagai variabel independen (X) dan motivasi kerja sebagai variabel dependen (Y). Karena kedua variabel bersifat interval (skala Likert dianggap data interval dalam praktik kuantitatif), sehingga analisis parametrik seperti regresi dan korelasi tepat digunakan.
- Ketergantungan pada kejujuran responden: Responden dapat memberikan jawaban sosial-desirabel (ingin terlihat baik).
- Keterbatasan kedalaman jawaban: Tidak memungkinkan eksplorasi detail atau alasan di balik suatu jawaban.
- Interpretasi berbeda: Setiap responden dapat menafsirkan pernyataan secara berbeda, meskipun pertanyaan sama.
- Risiko non-respon atau pengisian tidak serius: Misalnya responden menjawab secara asal atau monoton.
3. Teknik Analisis Statistik yang Tepat
Untuk menjawab dua tujuan penelitian, teknik analisis berikut paling sesuai:
a. Menguji pengaruh gaya kepemimpinan terhadap motivasi kerja
Teknik yang tepat: Regresi Linier Sederhana atau Analisis Korelasi Pearson. Jika peneliti ingin mengetahui hubungan: gunakan Korelasi Pearson. Jika peneliti ingin mengetahui pengaruh atau prediksi: gunakan Regresi Linier Sederhana, dengan gaya kepemimpinan sebagai variabel independen (X) dan motivasi kerja sebagai variabel dependen (Y). Karena kedua variabel bersifat interval (skala Likert dianggap data interval dalam praktik kuantitatif), sehingga analisis parametrik seperti regresi dan korelasi tepat digunakan.
b. Menguji perbedaan motivasi kerja berdasarkan tingkat pendidikan
Teknik yang tepat adalah One-Way ANOVA. Karena variabel dependent (motivasi kerja): data interval dan variabel pembeda (tingkat pendidikan): data kategorikal dengan lebih dari dua kelompok (misalnya S1, S2, D4, dll). One-Way ANOVA dapat menguji apakah terdapat perbedaan rata-rata motivasi kerja di antara kelompok pendidikan yang berbeda.
4. Potensi Bias dan Masalah Validitas serta Cara Mengatasinya
Potensi Bias / Masalah Validitas:
- Bias Sosial-Desirabel (social desirability bias) : Responden mungkin memberikan jawaban yang dianggap “baik”, bukan yang sebenarnya. Cara mengatasi: menjamin kerahasiaan data, anonim, dan menegaskan bahwa jawaban tidak akan mempengaruhi jabatan atau penilaian kerja.
- Bias Pemahaman Item (misinterpretation bias): Responden dapat salah memahami pernyataan angket. Cara mengatasi: melakukan uji coba angket (pilot test) dan revisi item yang ambigu.
- Masalah Validitas Konstruk: Item angket mungkin tidak sepenuhnya mewakili konstruk “gaya kepemimpinan” atau “motivasi kerja”. Cara mengatasi: melakukan expert judgment, uji validitas isi, dan uji validitas konstruk (analisis faktor atau korelasi item-total).
- Masalah Reliabilitas : Jika angket tidak konsisten, hasil tidak dapat dipercaya. Cara mengatasi: melakukan uji reliabilitas, misalnya Cronbach’s Alpha.
- Bias Non-Respon: Responden yang tidak mengisi angket mungkin berbeda secara signifikan dari yang mengisi. Cara mengatasi: memberikan waktu yang cukup, pengingat, atau pendekatan personal untuk meningkatkan tingkat respon.
- Response Set Bias: Responden menjawab secara monoton (misal selalu memilih angka “3”).Cara mengatasi: menambahkan item dengan reverse statement untuk mendeteksi ketidakseriusan jawaban.
MPPE B2025 -> Diskusi
by Zulfaa Salsabillah -
Nama : Zulfaa Salsabillah
NPM : 2313031038
Kelas : B
Skala pengukuran adalah aturan atau cara untuk mengukur dan mengklasifikasikan data dalam penelitian. Ada 4 jenis skala pengukuran:
1. Skala Nominal - untuk kategorisasi tanpa urutan (contoh: jenis kelamin, asal daerah)
2. Skala Ordinal - ada urutan tetapi jarak tidak sama (contoh: tingkat pendidikan, peringkat)
3. Skala Interval - ada urutan dan jarak sama, tetapi tidak ada nol mutlak (contoh: skala Likert, suhu)
4. Skala Rasio - memiliki semua karakteristik skala lain plus titik nol mutlak (contoh: pendapatan, usia, berat badan)
Rancangan Penelitian :
1. SKALA INTERVAL (Skala Utama)
Digunakan untuk mengukur semua variabel utama penelitian dengan Skala Likert 5 poin:
Literasi Keuangan (X1) = Skala Interval (Likert 1-5)
Strategi Passive Income (X2) = Skala Interval (Likert 1-5)
Efektivitas Aplikasi MoneyMate (Z) = Skala Interval (Likert 1-5)
Financial Freedom (Y) = Skala Interval (Likert 1-5)
Format: Sangat Tidak Setuju (1), Tidak Setuju (2), Netral (3), Setuju (4), Sangat Setuju (5)
2. SKALA NOMINAL & RASIO (Data Pendukung)
Untuk data demografi:
Jenis Kelamin = Nominal
Angkatan = Ordinal
Pendapatan = Rasio
NPM : 2313031038
Kelas : B
Skala pengukuran adalah aturan atau cara untuk mengukur dan mengklasifikasikan data dalam penelitian. Ada 4 jenis skala pengukuran:
1. Skala Nominal - untuk kategorisasi tanpa urutan (contoh: jenis kelamin, asal daerah)
2. Skala Ordinal - ada urutan tetapi jarak tidak sama (contoh: tingkat pendidikan, peringkat)
3. Skala Interval - ada urutan dan jarak sama, tetapi tidak ada nol mutlak (contoh: skala Likert, suhu)
4. Skala Rasio - memiliki semua karakteristik skala lain plus titik nol mutlak (contoh: pendapatan, usia, berat badan)
Rancangan Penelitian :
1. SKALA INTERVAL (Skala Utama)
Digunakan untuk mengukur semua variabel utama penelitian dengan Skala Likert 5 poin:
Literasi Keuangan (X1) = Skala Interval (Likert 1-5)
Strategi Passive Income (X2) = Skala Interval (Likert 1-5)
Efektivitas Aplikasi MoneyMate (Z) = Skala Interval (Likert 1-5)
Financial Freedom (Y) = Skala Interval (Likert 1-5)
Format: Sangat Tidak Setuju (1), Tidak Setuju (2), Netral (3), Setuju (4), Sangat Setuju (5)
2. SKALA NOMINAL & RASIO (Data Pendukung)
Untuk data demografi:
Jenis Kelamin = Nominal
Angkatan = Ordinal
Pendapatan = Rasio
MPPE B2025 -> CASE STUDY
by Zulfaa Salsabillah -
Nama : Zulfaa Salsabillah
NPM : 2313031038
Kelas : B
1. Populasi dalam penelitian ini adalah seluruh siswa kelas XI di 600 SMA negeri di Provinsi Jawa Barat. Populasi mencakup keseluruhan subjek yang menjadi target penelitian dan memiliki karakteristik yang ingin diteliti, yaitu siswa yang mengikuti pembelajaran hybrid. Sementara itu, sampel adalah sebagian siswa kelas XI yang dipilih dari beberapa SMA negeri terpilih di berbagai kota/kabupaten di Jawa Barat yang dapat mewakili karakteristik populasi secara keseluruhan. Pengambilan sampel diperlukan karena tidak mungkin meneliti seluruh populasi yang sangat besar dan tersebar luas mengingat keterbatasan waktu, biaya, dan tenaga penelitian. Sampel yang representatif akan memberikan hasil yang dapat digeneralisasi ke populasi.
2. Teknik sampling yang paling tepat untuk penelitian ini adalah Stratified Cluster Random Sampling. Teknik ini dipilih karena beberapa alasan utama. Pertama, populasi tersebar di 27 kota/kabupaten sehingga cluster sampling lebih efisien secara geografis dan ekonomis. Kedua, adanya heterogenitas kondisi sosial-ekonomi dan infrastruktur digital antar daerah memerlukan stratifikasi untuk memastikan semua kategori terwakili. Ketiga, teknik ini meningkatkan representativitas dengan menjamin setiap stratum mendapat porsi dalam sampel.
Penerapannya dilakukan dalam empat tahap. Tahap pertama adalah stratifikasi, yaitu mengelompokkan 27 kota/kabupaten menjadi tiga stratum: stratum 1 untuk kota besar seperti Bandung dan Bekasi, stratum 2 untuk kota sedang dan kabupaten maju, serta stratum 3 untuk kabupaten dengan infrastruktur terbatas. Tahap kedua adalah pemilihan cluster dengan memilih secara acak 2-4 kota/kabupaten dari setiap stratum. Tahap ketiga adalah sampling sekolah, yaitu memilih 3-5 SMA secara acak dari setiap cluster yang menerapkan pembelajaran hybrid secara konsisten. Tahap keempat adalah penentuan sampel siswa dengan mengambil siswa kelas XI dari setiap sekolah terpilih secara proporsional. Dengan cara ini, diharapkan diperoleh sekitar 30-40 sekolah dengan total 3.000-4.000 siswa sebagai sampel yang representatif.
3. Jika peneliti hanya mengambil sampel dari sekolah di kota besar seperti Bandung dan Bekasi, terdapat beberapa kelemahan serius terhadap validitas hasil penelitian. Pertama, validitas eksternal atau generalisabilitas hasil menjadi sangat rendah karena karakteristik kota besar tidak dapat mewakili kondisi seluruh Jawa Barat, terutama daerah kabupaten dan pedesaan. Kedua, terjadi sampling bias yang signifikan karena infrastruktur digital, akses internet, dan kondisi sosial-ekonomi di kota besar jauh lebih baik dibanding daerah lain, sehingga sampel menjadi terlalu homogen dan tidak menangkap variasi yang ada dalam populasi.
Ketiga, kesimpulan penelitian bisa menjadi menyesatkan karena pembelajaran hybrid mungkin efektif di kota besar dengan fasilitas memadai, tetapi bisa gagal ketika diterapkan di daerah dengan keterbatasan infrastruktur. Hal ini berpotensi menghasilkan rekomendasi kebijakan yang tidak tepat sasaran. Keempat, pendekatan ini mengabaikan faktor-faktor kontekstual penting seperti kesenjangan digital antar wilayah, perbedaan kualitas guru, variasi dukungan orang tua, dan kesiapan siswa di berbagai daerah. Akibatnya, hasil penelitian tidak dapat dijadikan dasar pengambilan kebijakan yang adil dan komprehensif untuk seluruh wilayah Provinsi Jawa Barat.
NPM : 2313031038
Kelas : B
1. Populasi dalam penelitian ini adalah seluruh siswa kelas XI di 600 SMA negeri di Provinsi Jawa Barat. Populasi mencakup keseluruhan subjek yang menjadi target penelitian dan memiliki karakteristik yang ingin diteliti, yaitu siswa yang mengikuti pembelajaran hybrid. Sementara itu, sampel adalah sebagian siswa kelas XI yang dipilih dari beberapa SMA negeri terpilih di berbagai kota/kabupaten di Jawa Barat yang dapat mewakili karakteristik populasi secara keseluruhan. Pengambilan sampel diperlukan karena tidak mungkin meneliti seluruh populasi yang sangat besar dan tersebar luas mengingat keterbatasan waktu, biaya, dan tenaga penelitian. Sampel yang representatif akan memberikan hasil yang dapat digeneralisasi ke populasi.
2. Teknik sampling yang paling tepat untuk penelitian ini adalah Stratified Cluster Random Sampling. Teknik ini dipilih karena beberapa alasan utama. Pertama, populasi tersebar di 27 kota/kabupaten sehingga cluster sampling lebih efisien secara geografis dan ekonomis. Kedua, adanya heterogenitas kondisi sosial-ekonomi dan infrastruktur digital antar daerah memerlukan stratifikasi untuk memastikan semua kategori terwakili. Ketiga, teknik ini meningkatkan representativitas dengan menjamin setiap stratum mendapat porsi dalam sampel.
Penerapannya dilakukan dalam empat tahap. Tahap pertama adalah stratifikasi, yaitu mengelompokkan 27 kota/kabupaten menjadi tiga stratum: stratum 1 untuk kota besar seperti Bandung dan Bekasi, stratum 2 untuk kota sedang dan kabupaten maju, serta stratum 3 untuk kabupaten dengan infrastruktur terbatas. Tahap kedua adalah pemilihan cluster dengan memilih secara acak 2-4 kota/kabupaten dari setiap stratum. Tahap ketiga adalah sampling sekolah, yaitu memilih 3-5 SMA secara acak dari setiap cluster yang menerapkan pembelajaran hybrid secara konsisten. Tahap keempat adalah penentuan sampel siswa dengan mengambil siswa kelas XI dari setiap sekolah terpilih secara proporsional. Dengan cara ini, diharapkan diperoleh sekitar 30-40 sekolah dengan total 3.000-4.000 siswa sebagai sampel yang representatif.
3. Jika peneliti hanya mengambil sampel dari sekolah di kota besar seperti Bandung dan Bekasi, terdapat beberapa kelemahan serius terhadap validitas hasil penelitian. Pertama, validitas eksternal atau generalisabilitas hasil menjadi sangat rendah karena karakteristik kota besar tidak dapat mewakili kondisi seluruh Jawa Barat, terutama daerah kabupaten dan pedesaan. Kedua, terjadi sampling bias yang signifikan karena infrastruktur digital, akses internet, dan kondisi sosial-ekonomi di kota besar jauh lebih baik dibanding daerah lain, sehingga sampel menjadi terlalu homogen dan tidak menangkap variasi yang ada dalam populasi.
Ketiga, kesimpulan penelitian bisa menjadi menyesatkan karena pembelajaran hybrid mungkin efektif di kota besar dengan fasilitas memadai, tetapi bisa gagal ketika diterapkan di daerah dengan keterbatasan infrastruktur. Hal ini berpotensi menghasilkan rekomendasi kebijakan yang tidak tepat sasaran. Keempat, pendekatan ini mengabaikan faktor-faktor kontekstual penting seperti kesenjangan digital antar wilayah, perbedaan kualitas guru, variasi dukungan orang tua, dan kesiapan siswa di berbagai daerah. Akibatnya, hasil penelitian tidak dapat dijadikan dasar pengambilan kebijakan yang adil dan komprehensif untuk seluruh wilayah Provinsi Jawa Barat.