PSPE_METODOLOGI PENELITIAN PENDIDIKAN EKONOMI_KELAS B_GANJIL 2025/2026

NAMA : NELA AMELIA
NPM : 2313031050

1. Skala Pengukuran untuk Setiap Item Kuesioner
• Usia responden (dalam tahun) → Rasio
Alasan: Data usia memiliki nol absolut (0 tahun berarti tidak ada umur), urutan jelas, dan jarak antarangka sama sehingga memungkinkan perhitungan rata-rata, standar deviasi, dan analisis rasio.
• Jenis kelamin (laki-laki / perempuan) → Nominal
Alasan: Jenis kelamin hanya merupakan kategori tanpa urutan atau nilai numerik. Data ini hanya dapat diklasifikasikan dan dihitung frekuensinya.
• Tingkat kepuasan terhadap dosen pembimbing akademik (Sangat tidak puas–Sangat puas) → Ordinal
Alasan: Respon memiliki urutan peringkat dari yang sangat tidak puas hingga sangat puas, tetapi jarak antarkategori tidak dapat dijamin sama. Misalnya, perbedaan kepuasan antara “Tidak puas” dan “Netral” belum tentu sama dengan perbedaan antara “Puas” dan “Sangat puas”.
• Jumlah mata kuliah yang diambil → Rasio
Alasan: Jumlah mata kuliah bersifat kuantitatif dengan nol absolut (0 mata kuliah berarti tidak mengambil mata kuliah), urutan jelas, dan jarak antarangka sama.
• Prioritas aspek dalam memilih universitas (peringkat 1–5) → Ordinal
Alasan: Responden memberikan urutan prioritas, sehingga data memiliki ranking, namun jarak antarperingkat tidak bisa dianggap sama. Misalnya, perbedaan antara prioritas 1 dan 2 belum tentu sama dengan perbedaan antara prioritas 4 dan 5.

2. Kemungkinan Analisis Statistik Parametrik
Tidak semua data dari kuesioner ini bisa dianalisis dengan statistik parametrik. Hal ini karena statistik parametrik biasanya memerlukan data interval atau rasio yang berdistribusi normal. Dalam kuesioner ini:
• Usia dan jumlah mata kuliah berskala rasio → bisa dianalisis parametrik.
• Tingkat kepuasan dan prioritas aspek berskala ordinal → biasanya dianalisis dengan statistik non-parametrik, karena jarak antar peringkat tidak sama.
• Jenis kelamin berskala nominal → hanya dapat dianalisis dengan frekuensi, persentase, atau uji chi-square, bukan statistik parametrik seperti rata-rata atau uji-t.
Dengan kata lain, analisis parametrik hanya dapat diterapkan pada variabel kuantitatif (usia, jumlah mata kuliah), sedangkan variabel kualitatif atau ordinal membutuhkan metode non-parametrik.

3. Metode Analisis untuk Hubungan Kepuasan dan Jumlah Mata Kuliah
Jika peneliti ingin meneliti hubungan antara kepuasan layanan akademik (ordinal) dan jumlah mata kuliah yang diambil (rasio), metode yang paling tepat adalah analisis korelasi non-parametrik, misalnya Spearman Rank Correlation.
Alasannya:
• Kepuasan mahasiswa berskala ordinal, sehingga tidak bisa diasumsikan memiliki jarak yang sama antarkategori.
• Jumlah mata kuliah berskala rasio, tetapi karena salah satu variabel ordinal, uji Spearman lebih tepat daripada Pearson, karena Spearman dapat menangani variabel ordinal dan memeriksa hubungan monotonic antara kedua variabel.
Metode ini akan menunjukkan apakah ada kecenderungan bahwa mahasiswa yang mengambil lebih banyak mata kuliah cenderung memiliki tingkat kepuasan tertentu terhadap layanan akademik.

Nama: Fajriyatur Rohmah
NPM: 2313031048

Jawaban:
1. Jenis Skala Pengukuran pada Kuesioner
- Usia responden (dalam tahun): Rasio
Karena usia punya nol absolut (umur 0 = belum ada kehidupan), bisa dilakukan operasi matematika seperti kali-bagi, dan perbedaan antar nilai menunjukkan selisih yang nyata.
- Jenis kelamin: Nominal
Hanya sebagai kategori (laki-laki atau perempuan) tanpa urutan atau tingkatan.
- Tingkat kepuasan terhadap pelayanan dosen pembimbing akademik: Ordinal
Ada tingkatan dari sangat tidak puas hingga sangat puas, tetapi jarak antar kategori tidak bisa dipastikan sama persis.
- Jumlah mata kuliah yang diambil semester ini: Rasio
Karena ada nol absolut (0 mata kuliah = tidak ambil sama sekali), bisa dihitung dan dibandingkan secara matematis.
- Urutan prioritas memilih universitas (akreditasi, fasilitas, biaya, lokasi, rekomendasi): Ordinal
Karena responden diminta mengurutkan dari paling penting ke paling tidak penting, artinya ada peringkat, tetapi tidak ada jarak kuantitatif antar peringkat.

2. Tidak semua data di atas bisa langsung dianalisis dengan statistik parametrik. Statistik parametrik umumnya membutuhkan data berskala interval atau rasio, serta harus memenuhi asumsi tertentu (misalnya distribusi normal).
- Data seperti usia dan jumlah mata kuliah (rasio) cocok untuk analisis parametrik.
- Data ordinal (kepuasan dan prioritas universitas) serta nominal (jenis kelamin) lebih tepat dianalisis menggunakan statistik non-parametrik, kecuali diubah terlebih dahulu ke dalam bentuk skor yang bisa diperlakukan mendekati interval.

3. Metode yang paling tepat adalah uji korelasi.
Karena kepuasan diukur dengan skala ordinal (skor kategori) dan jumlah mata kuliah berskala rasio, maka analisis yang bisa dipakai adalah Spearman Rank Correlation.
Alasan: Spearman cocok untuk menguji hubungan antara variabel ordinal dengan variabel numerik, apalagi jika distribusi data tidak normal. Jika kepuasan diubah menjadi skor interval (misalnya 1–5), barulah bisa dipertimbangkan uji korelasi Pearson.

Nama: Dita Silviana Putri
NPM : 2313031057
No. Absen: 26

1. Jenis Skala Pengukuran
Pada kuesioner tersebut, setiap pertanyaan memiliki jenis skala yang berbeda.
- Pertanyaan tentang usia responden menggunakan skala rasio, karena usia dapat diukur dengan angka yang memiliki nol mutlak dan jarak antar nilainya sama.
- Pertanyaan jenis kelamin menggunakan skala nominal, sebab hanya menunjukkan kategori (laki-laki atau perempuan) tanpa urutan tertentu.
- Pertanyaan tentang tingkat kepuasan terhadap pelayanan dosen pembimbing akademik menggunakan skala ordinal, karena terdapat tingkatan dari sangat tidak puas sampai sangat puas.
- Pertanyaan jumlah mata kuliah yang diambil juga menggunakan skala rasio, karena nilainya berupa angka yang memiliki nol mutlak dan dapat diperbandingkan.
- Sedangkan pertanyaan mengenai urutan prioritas dalam memilih universitas menggunakan skala ordinal, karena menunjukkan peringkat berdasarkan tingkat kepentingan, meskipun jarak antar peringkat tidak pasti sama.

2. Analisis dengan Statistik Parametrik
Tidak semua data dari kuesioner tersebut bisa dianalisis menggunakan statistik parametrik.
Statistik parametrik hanya bisa digunakan jika data berskala interval atau rasio dan berdistribusi normal.
Dalam kuesioner ini, hanya data usia dan jumlah mata kuliah yang berskala rasio, sehingga dapat dianalisis secara parametrik.
Sementara data jenis kelamin, tingkat kepuasan, dan urutan prioritas berskala nominal atau ordinal, sehingga lebih tepat dianalisis menggunakan statistik non-parametrik, seperti uji Chi-Square atau korelasi Spearman.
Dengan demikian, tidak semua data kuesioner cocok untuk statistik parametrik, karena sebagian besar berupa data kategori atau peringkat.

3. Metode Analisis Hubungan
Jika peneliti ingin mengetahui hubungan antara kepuasan layanan akademik dan jumlah mata kuliah yang diambil, maka metode yang paling tepat digunakan adalah korelasi Spearman Rank.
Alasannya, karena variabel kepuasan diukur dengan skala ordinal, sedangkan jumlah mata kuliah menggunakan skala rasio, dan data kemungkinan tidak berdistribusi normal.
Korelasi Spearman dapat menunjukkan apakah ada hubungan yang positif atau negatif antara kedua variabel tersebut tanpa harus memenuhi syarat distribusi normal seperti pada korelasi Pearson.

Kesimpulan Singkat
- Setiap pertanyaan dalam kuesioner memiliki jenis skala berbeda. Sebagian bisa dianalisis dengan statistik parametrik, sebagian tidak.
- Untuk meneliti hubungan antara kepuasan dan jumlah mata kuliah, metode korelasi Spearman Rank adalah yang paling sesuai karena menyesuaikan dengan jenis datanya.

Nama: Adella Putri Rizkia
NPM : 2313031044

1.Identifikasi jenis skala pengukuran
A. Usia responden (dalam tahun) = Skala Rasio
Usia termasuk skala rasio adalah karena variabel ini memiliki titik nol absolut, yaitu usia 0 tahun yang menunjukkan ketiadaan umur. Selain itu, usia dapat dikenai operasi matematika seperti penjumlahan, pengurangan, perkalian, maupun pembagian. Tidak hanya itu, perbandingan antar nilai usia juga bermakna secara proporsional; misalnya, seseorang yang berusia 20 tahun benar-benar dapat dikatakan memiliki usia dua kali lebih besar daripada seseorang yang berusia 10 tahun.
B. Jenis kelamin = Skala Nominal
Karna hanya menunjukkan kategori tanpa urutan (Laki-laki ≠ Perempuan, tetapi tidak ada ranking), serta tidak dapat diurutkan atau dihitung perbedaan jarak antar kategori.
C. Tingkat kepuasan terhadap pelayanan dosen pembimbing akademik = Skala Ordinal (Likert)
Karna memiliki tingkatan dari sangat tidak puas hingga sangat puas, serta daa urutan, tetapi jarak antar kategori tidak pasti sama (selisih “Tidak puas -Netral” belum tentu sama dengan “Puas - Sangat puas”).
D. Jumlah mata kuliah yang diambil = Skala Rasio
Karna memiliki nilai 0 yang bermakna (artinya tidak mengambil matkul) dan busa dihitung, dibandingkan, dan dijumlahkan.
E. Urutan prioritas memilih universitas = Skala Ordinal
Karna responden diminta memberi ranking (1 paling penting - 5 paling tidak penting) dan ada urutan tetapi tidak ada nilai jarak pasti antar peringkat.

2.Tidak semua data dapat dianalisis dengan statistik parametrik. Karna statistik parametrik mensyaratkan data minimal skala interval/rasio, dan berdistribusi normal, lada kuesioner di atas terdapat data nominal (jenis kelamin) dan ordinal (Likert & ranking prioritas), skala nominal dan ordinal tidak memenuhi syarat untuk statistik parametrik karena tidak memiliki jarak yang pasti antar kategori.
Jadi, sebagian data bisa dianalisis parametrik (usia, jumlah matkul), tetapi sebagian lainnya harus menggunakan statistik non-parametrik.

3. Menggunakan Metode Korelasi Spearman Rank (Spearman’s Rho)
Karna variabel kepuasan layanan menggunakan skala ordinal (Likert), variabel jumlah mata kuliah menggunakan skala rasio.
Jika salah satu variabel ordinal, maka korelasi non-parametrik Spearman lebih tepat daripada Pearson. Tidak memerlukan asumsi distribusi normal.

Nama: Nur Ayu Dila
NPM: 2313031055

1. Jenis Skala Pengukuran pada Setiap Item
- Usia Responden (dalam tahun)
Usia menggunakan skala rasio karena dinyatakan dalam angka yang memiliki jarak yang sama dan memiliki titik nol absolut. Misalnya Usia 20 tahun dapat dibandingkan secara proporsional dengan usia 10 tahun, dan angka 0 menunjukkan ketiadaan usia.
- Jenis Kelamin (laki-laki atau perempuan)
Jenis kelamin menggunakan skala nominal karena hanya menunjukkan kategori yang berbeda tanpa adanya urutan. Kategori laki-laki dan perempuan tidak memiliki tingkatan atau nilai tertentu, sehingga tidak dapat dinilai lebih tinggi atau lebih rendah satu sama lain.
- Tingkat Kepuasan terhadap Pelayanan Dosen Pembimbing Akademik
Tingkat kepuasan menggunakan skala ordinal karena pilihan jawabannya disusun berdasarkan tingkatan mulai dari sangat tidak puas hingga sangat puas.
- Jumlah Mata Kuliah yang Diambil Semester Ini
Jumlah mata kuliah menggunakan skala rasio karena berbentuk angka, memiliki jarak yang konsisten antar nilai, dan memiliki nol absolut (tidak mengambil mata kuliah sama sekali).
- Urutan Prioritas dalam Memilih Universitas
Urutan prioritas menggunakan skala ordinal karena responden diminta menyusun peringkat dari yang paling penting hingga paling tidak penting

2. Kemungkinan Analisis Statistik Parametrik
Tidak semua data dalam kuesioner dapat dianalisis menggunakan statistik parametrik karena teknik ini mensyaratkan data berskala minimal interval dan memenuhi asumsi normalitas. Dalam kuesioner terdapat data nominal seperti jenis kelamin dan data ordinal seperti tingkat kepuasan maupun ranking prioritas yang secara teori tidak cocok untuk analisis parametrik. Skala Likert sering diperlakukan sebagai interval sehingga masih dapat dianalisis secara parametrik, tetapi data ranking prioritas tetap dianggap ordinal murni sehingga tidak dapat dianalisis menggunakan statistik parametrik.

3. Metode Analisis untuk Menguji Hubungan antara Kepuasan dan Jumlah Mata Kuliah
Metode analisis yang paling tepat untuk mengetahui hubungan antara kepuasan layanan akademik dan jumlah mata kuliah yang diambil adalah korelasi Spearman Rank. Hal ini karena tingkat kepuasan merupakan data ordinal sedangkan jumlah mata kuliah merupakan data rasio sehingga korelasi Spearman yang bersifat nonparametrik lebih sesuai digunakan. Jika peneliti memilih memperlakukan skala kepuasan sebagai skala interval dan data memenuhi asumsi normalitas, hubungan tersebut dapat dianalisis menggunakan korelasi Pearson, namun penggunaan Spearman tetap menjadi pilihan yang paling aman dan tepat berdasarkan jenis skalanya

NAMA : ADEA APRILIA
NPM : 2313031034

1. Identifikasi jenis skala pengukuran (nominal, ordinal, interval, atau rasio) yang digunakan untuk setiap item dalam kuesioner di atas. Jelaskan alasan Anda!
JAWAB :

• Usia responden (tahun) → Skala Rasio. Alasan: Usia berupa angka yang punya jarak yang sama dan memiliki nol absolut (umur 0 berarti tidak ada umur).
• Jenis kelamin → Skala Nominal. Alasan: Hanya membedakan kategori (laki-laki/perempuan). Tidak ada urutan dan tidak ada besaran. 
• Tingkat kepuasan terhadap pelayanan dosen PA → Skala Ordinal Alasan: Ada urutan dari sangat tidak puas sampai sangat puas, tetapi selisih antar pilihan tidak bisa dipastikan sama. 
• Jumlah mata kuliah yang diambil → Skala Rasio Alasan: Berbentuk angka dengan jarak yang sama dan nol berarti benar-benar tidak mengambil mata kuliah. 
• Urutan prioritas memilih universitas → Skala Ordinal Alasan: Responden memberi peringkat (1–5). Ada urutan, tetapi selisih antara urutan tidak bermakna secara pasti.

2. Apakah seluruh data dari kuesioner di atas dapat dianalisis menggunakan statistik parametrik? Mengapa demikian?

JAWAB :

Tidak semuanya. 

Statistik parametrik membutuhkan data interval atau rasio dan asumsi tertentu seperti normalitas. 

Pada kuesioner ini: 

• Ada data nominal (jenis kelamin)

• Ada data ordinal (kepuasan dan peringkat prioritas)

Dua jenis data tersebut tidak memenuhi syarat untuk statistik parametrik.

Statistik parametrik hanya bisa digunakan untuk variabel seperti usia dan jumlah mata kuliah (rasio), atau kepuasan bila skor Likert diubah ke bentuk numerik dan asumsi normalitas terpenuhi. Jadi, tidak semua item dalam kuesioner bisa dianalisis secara parametrik.

3. Seandainya peneliti ingin mengetahui hubungan antara kepuasan layanan akademik dan jumlah mata kuliah yang diambil, metode analisis apa yang paling tepat? Jelaskan alasan pemilihan metode tersebut.

JAWAB :

Variabel yang digunakan:

• Kepuasan layanan akademik → ordinal

• Jumlah mata kuliah → rasio

Karena salah satu variabel berskala ordinal, maka jenis analisis yang paling tepat adalah: Korelasi Spearman Rank (Spearman’s rho)

Alasan:

• Spearman digunakan untuk melihat hubungan antara dua variabel yang minimal ordinal.  

• Tidak mensyaratkan data berdistribusi normal.

• Cocok ketika salah satu variabel bukan interval/rasio.

Alternatif ( jika skala Likert diperlakukan sebagai interval dan datanya normal ): Pearson Correlation
Namun ini hanya boleh dilakukan jika data memenuhi asumsi parametrik.

Nama : Qonita Nurul Izzah
NPM : 2313031042
Kelas : B 2023
Jawaban :
1. Identifikasi jenis skala pengukuran (nominal, ordinal, interval, atau rasio) yang digunakan untuk setiap item dalam kuesioner di atas. Jelaskan alasan Anda!
Jawaban :
a. Usia responden (dalam tahun), menurut saya skala yang digunakan adalah Rasio
Alasan:
• Memiliki titik nol absolut (usia 0 berarti tidak ada umur).
• Dapat dilakukan operasi matematika (×, ÷, +, –).
• Selisih dan perbandingan bermakna (misal usia 20 tahun dua kali usia 10 tahun).
b. Jenis kelamin (laki-laki/perempuan), menurut saya skala yang digunakan adalah Nominal
Alasan:
• Hanya membedakan kategori tanpa urutan atau tingkatan.
• Tidak memiliki nilai numerik dan tidak dapat diurutkan.
c. Tingkat kepuasan terhadap dosen pembimbing (5 pilihan), menurut saya skala yang digunakan adalah Ordinal.
Alasan:
• Jawaban memiliki tingkatan (sangat tidak puas → sangat puas).
• Ada urutan tetapi jarak antar kategori tidak pasti sama.
• Tidak dapat dilakukan operasi matematis seperti rata-rata secara murni.
d. Jumlah mata kuliah yang diambil, menurut saya skala yang digunakan adalah Rasio.
Alasan:
• Memiliki nol absolut (0 berarti tidak mengambil mata kuliah).
• Besaran dapat dihitung secara matematis.
• Selisih dan perbandingan bermakna.
e. Pengurutan prioritas memilih universitas (1–5), menurut saya skala yang digunakan adalah Ordinal
Alasan :
• Menunjukkan ranking/prioritas.
• Urutannya jelas, tetapi jarak antara prioritas 1 dan 2 tidak dapat dipastikan sama dengan jarak 2 dan 3.
2. Apakah seluruh data dari kuesioner di atas dapat dianalisis menggunakan statistik parametrik? Mengapa demikian?
Jawaban :
Menurut saya tidak seluruh data pada kuesioner tersebut dapat dianalisis dengan statistik parametrik.
Alasannya :
1. Pertama statistik parametrik mensyaratkan data minimal berada pada skala interval atau rasio. Sementara pada kuesioner terdapat skala nominal (jenis kelamin) dan ordinal (skala kepuasan, ranking prioritas).
2. Kedua data nominal dan ordinal tidak memiliki jarak numerik yang sama, sehingga tidak memenuhi asumsi dasar statistik parametrik seperti linearitas, normalitas, dan homogenitas varians.
3. Ketiga Data interval/rasio seperti usia dan jumlah mata kuliah dapat dianalisis parametrik, tetapi ketika digabung dengan variabel ordinal/nominal dalam satu model, perlu perlakuan khusus.

3. Seandainya peneliti ingin mengetahui hubungan antara kepuasan layanan akademik dan jumlah mata kuliah yang diambil, metode analisis apa yang paling tepat? Jelaskan alasan pemilihan metode tersebut.
Jawaban :
Menurut pendapat saya, metode analisis yang paling tepat untuk mengetahui hubungan antara kepuasan layanan akademik dan jumlah mata kuliah yang diambil adalah korelasi Spearman (Spearman Rank Correlation). Metode ini sesuai karena variabel kepuasan berada pada skala ordinal, sedangkan jumlah mata kuliah berada pada skala rasio, sehingga tidak memenuhi asumsi yang dibutuhkan untuk korelasi parametrik seperti Pearson. Korelasi Spearman mampu mengukur kekuatan dan arah hubungan antar variabel tanpa mensyaratkan distribusi normal. Selain itu, Spearman bekerja dengan mengubah data menjadi peringkat, sehingga perubahan dalam skala kepuasan tetap dapat ditangkap secara akurat dalam analisis.

Nama: Lilin Ratnasari
NPM: 2313031056

1. Identifikasi Skala Pengukuran Tiap Item Kuesioner
a. Usia responden (dalam tahun) → Skala Rasio
Alasan:Usia memiliki nol absolut, dapat dihitung selisihnya secara bermakna, dan bisa dilakukan operasi matematika (×, ÷).
b. Jenis kelamin (Laki-laki/Perempuan) → Skala Nominal
Alasan: Hanya berupa kategori tanpa menunjukkan urutan atau tingkatan.
c. Tingkat kepuasan layanan dosen pembimbing (Likert 5 tingkat) → Skala Ordinal
Alasan: Memberikan peringkat dari sangat tidak puas sampai sangat puas, tetapi jarak antar kategori tidak pasti sama.
d. Jumlah mata kuliah yang diambil semester ini → Skala Rasio
Alasan: Jumlah mata kuliah memiliki nol absolut dan dapat dibandingkan secara proporsional (misal 10 MK adalah dua kali 5 MK).
e. Mengurutkan prioritas memilih universitas (ranking 1–5) → Skala Ordinal
Alasan: Item menunjukkan peringkat prioritas, tetapi perbedaan prioritas antar angka tidak berjarak sama.

2. Apakah Semua Data Bisa Dianalisis dengan Statistik Parametrik?
Tidak semua. Statistik parametrik mensyaratkan data berskala interval/rasio dan berdistribusi normal.
Pada kuesioner ini:
Rasio: usia, jumlah mata kuliah → bisa digunakan untuk analisis parametrik.
Ordinal: tingkat kepuasan, ranking prioritas → tidak ideal untuk parametrik karena jarak antar tingkat tidak sama.
Nominal: jenis kelamin → tidak bisa dianalisis parametrik.
Kesimpulan:
Hanya sebagian data yang memenuhi syarat, sehingga analisis parametrik tidak dapat digunakan untuk seluruh item.

3. Analisis yang Tepat untuk Hubungan Kepuasan Layanan Akademik dan Jumlah Mata Kuliah
Variabel: Kepuasan layanan akademik → Ordinal (skala Likert)
Jumlah mata kuliah → Rasio
Metode analisis yang paling tepat:
Spearman Rank Correlation
Alasan: Cocok untuk melihat hubungan antara variabel ordinal dan variabel rasio, tidak mensyaratkan distribusi normal, mengukur kekuatan dan arah hubungan secara non-parametrik.

Jika peneliti memaksa menganggap Likert sebagai interval (beberapa penelitian kuantitatif melakukan ini), maka bisa digunakan Pearson Correlation, tetapi secara teoretis Spearman lebih tepat untuk menjaga validitas skala.

Nama : Dyah Wulan Handayani
NPM : 2313031033
Identifikasi Jenis Skala Pengukuran Setiap Item dalam Kuesioner
1. a. Usia responden (dalam tahun)
Skala: Rasio
Alasan:
Memiliki jarak antar nilai yang sama (selisih 20–21 tahun sama dengan 21–22 tahun).
Memiliki nilai nol absolut (usia 0 = tidak memiliki umur).
Dapat dilakukan operasi matematika seperti kali dan bagi.

b. Jenis kelamin (Laki-laki/Perempuan)
Skala: Nominal
Alasan:
Hanya sebagai kategori atau klasifikasi.
Tidak memiliki urutan atau tingkatan.
Nilai hanya menunjukkan perbedaan kelompok, bukan perbedaan numerik.
c. Tingkat kepuasan terhadap pelayanan dosen pembimbing akademik
(Sangat tidak puas → Sangat puas)
Skala: Ordinal
Alasan:
Memiliki tingkatan atau urutan (dari sangat tidak puas hingga sangat puas).
Namun jarak antar kategori tidak harus sama (selisih antara "tidak puas" ke "netral" tidak pasti sama dengan "netral" ke "puas").
d. Jumlah mata kuliah yang diambil semester ini
Skala: Rasio
Alasan:
Nilai berupa angka dengan nol absolut (0 = tidak mengambil mata kuliah).
Selisih antar angka sama.
Dapat dihitung rata-rata, ditambah, dikurang, dsb.

e. Urutan prioritas memilih universitas (1 = paling penting, 5 = paling tidak penting)
Skala: Ordinal
Alasan
Menggambarkan urutan prioritas.
Tidak menunjukkan selisih yang pasti antar peringkat (urutan 1 → 2 tidak sama maknanya dengan 2 → 3).
Bukan interval, karena jarak antar peringkat tidak terstandarisasi.

2. Apakah seluruh data kuesioner dapat dianalisis menggunakan statistik parametrik? Mengapa?
Jawaban: Tidak.
Tidak semua data dalam kuesioner ini memenuhi syarat untuk analisis statistik parametrik karena:
Alasan:
Statistik parametrik mensyaratkan data berskala interval atau rasio.
Namun kuesioner ini memiliki data:
Nominal (jenis kelamin)
Ordinal (tingkat kepuasan, urutan prioritas)
Data ordinal tidak memiliki jarak yang sama antar kategori, sehingga tidak cocok untuk analisis parametrik kecuali diperlakukan sebagai interval (misalnya skala Likert), tetapi itu pun secara teoritis masih diperdebatkan.
Statistik parametrik juga mensyaratkan distribusi data normal, yang tidak selalu dipenuhi oleh data ordinal atau nominal.
Kesimpulan:
Hanya variabel usia dan jumlah mata kuliah (skala rasio) yang pasti dapat dianalisis dengan statistik parametrik.
Variabel ordinal dan nominal memerlukan statistik non-parametrik.

3. Metode Analisis yang Tepat untuk Melihat Hubungan antara Kepuasan Layanan Akademik dan Jumlah Mata Kuliah
Variabel yang diteliti:
Kepuasan layanan akademik → skala ordinal
Jumlah mata kuliah → skala rasio
Metode analisis paling tepat:
Korelasi Spearman Rank (Spearman’s rho)
Alasan:
Cocok untuk data ordinal atau kombinasi ordinal + rasio.
Tidak mengharuskan distribusi data normal (non-parametrik).
Mengukur kekuatan dan arah hubungan antara dua variabel.
Alternatif lainnya (jika peneliti mengonversi skala Likert menjadi interval):
Korelasi Pearson
Namun ini hanya boleh dilakukan apabila asumsi statistik parametrik terpenuhi.

NAMA : IRENIUS JUNI NUGROHO
NPM : 2313031032
KELAS : 2023 B

1. Identifikasi Jenis Skala PengukuranItem
a. Usia responden (dalam tahun)Skala pengukuran yang digunakan adalah skala rasio. Alasannya adalah data usia memiliki semua karakteristik skala rasio yaitu memiliki urutan yang jelas dimana usia 20 tahun lebih muda dari 25 tahun, memiliki jarak atau interval yang sama antar nilai dimana selisih antara 20 dan 21 tahun sama dengan selisih antara 25 dan 26 tahun, dan yang paling penting memiliki titik nol mutlak yang bermakna dimana usia 0 tahun berarti baru lahir atau tidak ada usia sama sekali
b. Jenis kelamin Skala pengukuran yang digunakan adalah skala nominal. Alasannya adalah data jenis kelamin hanya berfungsi untuk kategorisasi atau pengelompokan tanpa ada tingkatan atau urutan. Laki-laki dan perempuan hanya merupakan label atau kategori yang berbeda, tidak ada yang lebih tinggi atau lebih rendah. Tidak ada makna matematis dalam angka yang mungkin digunakan untuk koding misalnya jika laki-laki diberi kode 1 dan perempuan diberi kode 2, bukan berarti perempuan lebih tinggi atau dua kali lipat dari laki-laki.
c. Tingkat kepuasan terhadap pelayanan dosen pembimbing akademik
Skala pengukuran yang digunakan adalah skala ordinal. Alasannya adalah pilihan jawaban memiliki urutan atau tingkatan yang jelas dari sangat tidak puas hingga sangat puas. Ada hierarki yang bermakna dimana sangat puas lebih tinggi dari puas, puas lebih tinggi dari netral, dan seterusnya.
d. Jumlah mata kuliah yang diambil semester ini
Skala pengukuran yang digunakan adalah skala rasio. Alasannya adalah jumlah mata kuliah memiliki semua karakteristik skala rasio yaitu ada urutan yang jelas dimana 6 mata kuliah lebih banyak dari 4 mata kuliah, interval atau jarak antar nilai sama dimana selisih antara 4 dan 5 mata kuliah sama dengan selisih antara 8 dan 9 mata kuliah yaitu sama-sama 1 mata kuliah, dan yang terpenting memiliki titik nol mutlak yang bermakna dimana 0 mata kuliah berarti benar-benar tidak mengambil mata kuliah sama sekali.
e. Urutan prioritas aspek pemilihan universitas
Skala pengukuran yang digunakan adalah skala ordinal. Alasannya adalah data ini menunjukkan urutan atau ranking prioritas dari yang paling penting hingga paling tidak penting. Ada tingkatan yang jelas dimana prioritas 1 lebih penting dari prioritas 2, prioritas 2 lebih penting dari prioritas 3, dan seterusnya

2. Apakah Seluruh Data Dapat Dianalisis dengan Statistik Parametrik?
Tidak, tidak seluruh data dari kuesioner di atas dapat dianalisis menggunakan statistik parametrik. Saya akan menjelaskan alasannya secara rinci.
Statistik parametrik memiliki asumsi-asumsi yang harus dipenuhi. Asumsi utamanya adalah data harus berskala interval atau rasio, data harus berdistribusi normal atau mendekati normal, varians antar kelompok yang dibandingkan harus homogen atau sama, dan observasi harus independen satu sama lain. Statistik parametrik dirancang untuk data yang bersifat kuantitatif kontinu dengan properti matematis tertentu.

3. Metode Analisis Hubungan antara Kepuasan dan Jumlah Mata Kuliah
Untuk mengetahui hubungan antara kepuasan layanan akademik dengan jumlah mata kuliah yang diambil, metode analisis yang paling tepat adalah Spearman Rank Correlation atau korelasi ranking Spearman. Saya akan menjelaskan alasan pemilihan metode ini secara mendalam.
Alasan utama pemilihan Spearman Rank Correlation:
Pertama, kita harus mempertimbangkan skala pengukuran dari kedua variabel yang akan dianalisis. Variabel kepuasan layanan akademik menggunakan skala ordinal dengan lima kategori dari sangat tidak puas hingga sangat puas. Meskipun ada urutan yang jelas, jarak antar kategori tidak dapat diasumsikan sama secara matematis. Sementara variabel jumlah mata kuliah menggunakan skala rasio yang merupakan data kuantitatif kontinu.

Nama : Zulfaa Salsabillah
NPM : 2313031038
Kelas : B

1. Item 1 (Usia responden) menggunakan skala rasio karena memiliki titik nol absolut (usia 0 tahun bermakna) dan jarak antar nilai sama serta dapat dilakukan operasi matematika seperti perkalian dan pembagian. Misalnya, usia 40 tahun adalah dua kali lipat dari 20 tahun.
Item 2 (Jenis kelamin) menggunakan skala nominal karena hanya berfungsi sebagai label atau kategori tanpa ada tingkatan atau urutan. Laki-laki dan perempuan hanya berbeda kategori, bukan lebih tinggi atau lebih rendah.
Item 3 (Tingkat kepuasan) menggunakan skala ordinal karena memiliki urutan atau tingkatan yang jelas dari sangat tidak puas hingga sangat puas, namun jarak antar kategori tidak dapat dipastikan sama. Jarak antara "tidak puas" ke "netral" belum tentu sama dengan jarak "netral" ke "puas".
Item 4 (Jumlah mata kuliah) menggunakan skala rasio karena memiliki titik nol absolut (0 mata kuliah bermakna tidak mengambil mata kuliah) dan dapat dilakukan semua operasi matematika. Mengambil 12 mata kuliah adalah dua kali lipat dari 6 mata kuliah.
Item 5 (Urutan prioritas) menggunakan skala ordinal karena menunjukkan peringkat atau urutan prioritas, tetapi jarak antara peringkat 1 ke 2 tidak dapat dipastikan sama dengan jarak peringkat 2 ke 3.

2. Tidak semua data dari kuesioner dapat dianalisis menggunakan statistik parametrik. Statistik parametrik memerlukan asumsi bahwa data berskala interval atau rasio dan berdistribusi normal. Dalam kuesioner ini, hanya item 1 (usia) dan item 4 (jumlah mata kuliah) yang memenuhi syarat karena berskala rasio. Sementara item 2 (jenis kelamin) berskala nominal dan item 3 serta 5 berskala ordinal, sehingga lebih tepat dianalisis menggunakan statistik non-parametrik. Meskipun dalam praktik penelitian sosial, skala ordinal seperti skala Likert kadang diperlakukan sebagai interval untuk analisis tertentu, hal ini tetap menjadi perdebatan metodologis karena melanggar asumsi dasar statistik parametrik.

3. Untuk mengetahui hubungan antara kepuasan layanan akademik (ordinal) dan jumlah mata kuliah yang diambil (rasio), metode yang paling tepat adalah korelasi Spearman (Spearman's rho). Alasan pemilihan metode ini karena salah satu variabel (kepuasan) berskala ordinal, sehingga tidak memenuhi asumsi untuk korelasi Pearson yang memerlukan kedua variabel berskala interval/rasio. Korelasi Spearman adalah uji non-parametrik yang cocok untuk menganalisis hubungan antara variabel ordinal dengan variabel rasio/interval, atau ketika data tidak berdistribusi normal. Metode ini akan mengukur kekuatan dan arah hubungan antara ranking atau urutan kedua variabel tersebut.

Nama: Eri Zenta Zikra Birama Putri
NPM: 2313031040

1. Identifikasi Jenis Skala Pengukuran untuk Setiap Item
Setiap item dalam kuesioner memiliki karakteristik skala pengukuran yang berbeda. Usia responden, yang diisi dalam satuan tahun, menggunakan skala rasio karena memiliki titik nol absolut (usia 0 berarti tidak berusia), dapat dilakukan operasi matematika seperti penjumlahan, serta dapat dibandingkan (misalnya seseorang berusia dua kali lebih tua dari orang lain). Jenis kelamin menggunakan skala nominal, karena hanya berfungsi mengelompokkan responden ke dalam kategori tanpa adanya tingkatan tertentu. Pada bagian tingkat kepuasan terhadap pelayanan dosen pembimbing akademik, pilihan jawaban membentuk tingkatan dari sangat tidak puas hingga sangat puas. Karena ada urutan atau ranking tetapi jarak antar tingkat tidak dapat dipastikan sama, maka item ini menggunakan skala ordinal. Jumlah mata kuliah yang diambil semester ini adalah data angka yang memiliki titik nol absolut dan dapat dioperasikan secara matematis, sehingga termasuk skala rasio. Terakhir, pada item mengurutkan aspek berdasarkan prioritas dalam memilih universitas, responden memberikan peringkat dari 1 (paling penting) sampai 5 (paling tidak penting). Ini menunjukkan adanya ranking tetapi tidak ada jaminan bahwa perbedaan antara peringkat 1 ke 2 sama dengan peringkat 3 ke 4. Oleh karena itu, skala ini juga merupakan skala ordinal.

2. Apakah Semua Data dalam Kuesioner Dapat Dianalisis dengan Statistik Parametrik?
Tidak semua data dalam kuesioner dapat dianalisis menggunakan statistik parametrik. Statistik parametrik mensyaratkan data berjenis interval atau rasio, serta distribusi data yang mendekati normal. Dari kuesioner tersebut, hanya usia responden dan jumlah mata kuliah yang memenuhi syarat untuk statistik parametrik karena keduanya menggunakan skala rasio. Sementara itu, jenis kelamin menggunakan skala nominal dan tingkat kepuasan serta urutan prioritas pemilihan universitas menggunakan skala ordinal. Kedua jenis skala ini tidak memenuhi kriteria dasar statistik parametrik. Oleh karena itu, data ordinal dan nominal lebih tepat dianalisis menggunakan statistik non-parametrik seperti chi-square, Spearman rank, atau Mann–Whitney, tergantung kebutuhan analisisnya.

3. Metode Analisis untuk Mengetahui Hubungan antara Kepuasan Layanan Akademik dan Jumlah Mata Kuliah
Untuk mengetahui hubungan antara kepuasan layanan akademik (skala ordinal) dan jumlah mata kuliah (skala rasio), metode analisis yang paling tepat adalah korelasi Spearman Rank (Spearman’s rho). Metode ini dipilih karena variabel kepuasan menggunakan skala ordinal yang tidak memenuhi asumsi normalitas, sehingga tidak cocok digunakan untuk korelasi parametrik seperti Pearson. Korelasi Spearman mampu melihat kekuatan dan arah hubungan antara dua variabel ketika salah satunya atau keduanya bersifat ordinal, atau ketika data rasio tidak berdistribusi normal. Dengan demikian, Spearman rank merupakan metode paling sesuai untuk menggambarkan apakah semakin banyak mata kuliah yang diambil memiliki hubungan tertentu dengan tingkat kepuasan terhadap layanan akademik.

Nama : Bagas Muhamad Satria

NPM : 2313031037

1. Identifikasi Jenis Skala Pengukuran

Pada kuesioner tersebut terdapat beberapa jenis skala pengukuran yang berbeda sesuai karakteristik data yang dikumpulkan.

a. Usia responden (dalam tahun)

Data ini menggunakan skala rasio karena usia memiliki nilai nol absolut, dapat dihitung secara matematis, serta memiliki jarak yang sama antar nilai. Misalnya, seseorang berusia 20 tahun benar-benar dua kali lebih tua daripada seseorang yang berusia 10 tahun.

b. Jenis kelamin (laki-laki/perempuan)

Jenis kelamin menggunakan skala nominal karena hanya menunjukkan kategori tanpa adanya urutan atau tingkatan. Kategori ini hanya berfungsi sebagai label untuk mengelompokkan responden.

c. Tingkat kepuasan terhadap pelayanan dosen pembimbing akademik

Skala ini berbentuk pilihan berurutan dari “sangat tidak puas” hingga “sangat puas”, sehingga termasuk skala ordinal. Jawaban menunjukkan tingkatan kepuasan, tetapi jarak antara satu kategori dan kategori berikutnya tidak dapat diasumsikan sama.

d. Jumlah mata kuliah yang diambil semester ini

Data ini menggunakan skala rasio, karena jumlah mata kuliah memiliki nol absolut (0 mata kuliah berarti tidak mengambil mata kuliah sama sekali) dan setiap selisih nilainya bersifat konsisten. Data ini dapat dioperasikan secara matematis (dijumlahkan, dibandingkan, dsb.).

e. Urutan prioritas memilih universitas (ranking 1–5)

Data ini merupakan skala ordinal, karena responden diminta memberi peringkat dari paling penting hingga paling tidak penting. Data ini menunjukkan urutan prioritas, tetapi tidak menggambarkan besar perbedaan antar peringkat

2. Apakah seluruh data dari kuesioner di atas dapat dianalisis menggunakan statistik parametrik? Mengapa demikian?

Menurut saya tidak semua data dalam kuesioner tersebut dapat dianalisis menggunakan statistik parametrik. Hal ini karena statistik parametrik hanya dapat digunakan pada data yang berskala interval atau rasio, memiliki distribusi normal, dan memenuhi sejumlah asumsi tertentu. Pada kuesioner yang diberikan, hanya sebagian kecil data yang memenuhi kriteria tersebut, seperti usia dan jumlah mata kuliah yang diambil yang keduanya merupakan skala rasio. Sementara itu, item lain seperti jenis kelamin berskala nominal, dan tingkat kepuasan maupun urutan prioritas termasuk skala ordinal. Baik data nominal maupun ordinal tidak memiliki jarak antar nilai yang jelas, sehingga tidak memenuhi syarat untuk dianalisis menggunakan teknik parametrik. Oleh karena itu, meskipun beberapa data dapat dianalisis secara parametrik, keseluruhan data dalam kuesioner tidak dapat sepenuhnya menggunakan pendekatan statistik parametrik.

3. Metode analisis untuk mengetahui hubungan antara kepuasan layanan akademik dan jumlah mata kuliah yang diambil

Korelasi Spearman dianggap tepat karena mampu menganalisis hubungan antara dua variabel yang minimal berskala ordinal tanpa memerlukan asumsi normalitas data. Teknik ini bekerja dengan mengubah nilai kedua variabel menjadi peringkat, kemudian menghitung derajat asosiasi antara peringkat-peringkat tersebut. Dengan demikian, meskipun variabel kepuasan tidak memiliki interval yang setara, Spearman dapat menangkap kecenderungan hubungan antara meningkat atau menurunnya kepuasan mahasiswa dengan jumlah mata kuliah yang mereka ambil. Oleh karena itu, penggunaan korelasi Spearman memberikan hasil yang lebih akurat dan sesuai dengan karakteristik data yang digunakan dalam penelitian ini.

Nama: Muhammad Jibril Ramadhan
NPM: 2313031045

1. Jenis skala pengukuran pada setiap item kuesioner
a. Usia responden (dalam tahun)
Menggunakan skala rasio, karena memiliki nilai nol yang bermakna (nol berarti tidak memiliki usia), dapat dihitung selisih, rata-rata, serta dapat dilakukan perbandingan (misalnya dua kali lebih tua).
b. Jenis kelamin
Menggunakan skala nominal, karena hanya berupa kategori pembeda tanpa memiliki tingkatan atau urutan tertentu.
c. Tingkat kepuasan terhadap pelayanan dosen pembimbing akademik
Menggunakan skala ordinal, karena memiliki urutan dari sangat tidak puas sampai sangat puas. Namun, jarak antar kategori belum tentu sama atau terukur secara pasti.
d. Jumlah mata kuliah yang diambil semester ini
Menggunakan skala rasio, karena nilai 0 berarti tidak ada mata kuliah yang diambil, dan dapat dilakukan operasi matematika seperti penjumlahan, pengurangan, dan perbandingan.
e. Prioritas memilih universitas (rangking 1–5)
Menggunakan skala ordinal, karena menunjukkan tingkat kepentingan dari paling penting hingga paling tidak penting, tetapi perbedaan antar peringkat tidak memiliki ukuran yang pasti.

2. Apakah semua data dapat dianalisis dengan statistik parametrik?
Jawaban: Tidak bisa.
Alasannya:
Statistik parametrik mensyaratkan bahwa data harus berskala interval atau rasio dan berdistribusi normal. Pada kuesioner ini terdapat data berskala nominal (jenis kelamin) dan ordinal (kepuasan dan prioritas). Data tersebut tidak memenuhi persyaratan statistik parametrik, sehingga hanya sebagian data yang dapat dianalisis secara parametrik (misalnya usia dan jumlah mata kuliah). Data ordinal dan nominal lebih sesuai dianalisis dengan statistik nonparametrik.

3. Analisis hubungan kepuasan layanan akademik dan jumlah mata kuliah yang diambil
Variabel kepuasan menggunakan skala ordinal, sedangkan jumlah mata kuliah menggunakan skala rasio. Analisis yang paling tepat untuk mengetahui hubungan antar kedua variabel adalah korelasi Spearman Rank.
Alasannya:
• Spearman digunakan untuk mengukur hubungan antara variabel ordinal dengan variabel numerik yang tidak harus berdistribusi normal.
• Tidak membutuhkan asumsi linearitas dan normalitas seperti korelasi Pearson.
• Tetap dapat menunjukkan arah dan kekuatan hubungan antar kedua variabel.
Jika setelah uji normalitas data kepuasan dinyatakan dapat dianggap sebagai data interval, maka korelasi Pearson bisa menjadi alternatif, namun Spearman tetap lebih sesuai secara teoretis.

Nama : Fatria Irawan
NPM : 2313031036
Kelas : 2023B

1. Skala Pengukuran
Umur mahasiswa → Rasio, karena memiliki nol mutlak, urut, dan jarak antar angka sama.
Program studi → Nominal, karena hanya kategori tanpa urutan.
Tingkat kepuasan layanan akademik → Ordinal, karena ada urutan peringkat, tetapi jarak antar kategori tidak sama.
Jumlah jam belajar per minggu → Rasio, karena nol mutlak ada, urut, dan jarak sama.
Prioritas alasan memilih universitas → Ordinal, karena berupa ranking, jarak antar peringkat tidak sama.

2. Analisis Statistik Parametrik
Hanya variabel rasio (umur dan jam belajar) yang bisa dianalisis parametrik. Variabel ordinal (kepuasan, prioritas) dan nominal (program studi) lebih tepat dianalisis non-parametrik.

3. Metode Analisis Hubungan
Untuk hubungan kepuasan (ordinal) dan jumlah jam belajar (rasio), metode yang tepat adalah korelasi Spearman, karena dapat menangani variabel ordinal dan menunjukkan hubungan monotonic antara kedua variabel.

Nama : Elsa Triananda
NPM :2313031053
kelas :2023 B

1.Usia responden yang diukur dalam tahun menggunakan skala rasio karena memiliki nol absolut dan dapat dianalisis menggunakan operasi matematika seperti perbandingan dan penghitungan selisih. Jenis kelamin termasuk dalam skala nominal karena hanya menunjukkan kategori tanpa urutan. Tingkat kepuasan terhadap dosen pembimbing akademik menggunakan skala ordinal, sebab pilihan jawabannya berjenjang dari sangat tidak puas hingga sangat puas, tetapi jarak antar tingkatannya tidak pasti sama. Jumlah mata kuliah yang diambil merupakan skala rasio karena memiliki nilai nol yang bermakna dan dapat dihitung secara kuantitatif. Prioritas dalam memilih universitas termasuk skala ordinal karena responden diminta mengurutkan aspek berdasarkan tingkat kepentingannya, sehingga hanya menunjukkan peringkat tanpa memberikan informasi mengenai jarak atau selisih antar peringkat tersebut.

2. Tidak semua data dalam kuesioner tersebut dapat dianalisis menggunakan statistik parametrik. Statistik parametrik membutuhkan data berskala minimal interval atau rasio serta memiliki distribusi tertentu, sedangkan pada kuesioner ini terdapat beberapa variabel yang hanya berskala nominal dan ordinal. Jenis kelamin sebagai data nominal dan kepuasan serta prioritas sebagai data ordinal tidak sesuai untuk analisis parametrik karena tidak memenuhi syarat skala pengukuran. Hanya variabel usia dan jumlah mata kuliah yang memenuhi kriteria parametrik. Oleh sebab itu, secara keseluruhan kuesioner menghasilkan gabungan data yang tidak semuanya cocok untuk dianalisis menggunakan teknik parametrik.

3. Jika peneliti ingin mengetahui hubungan antara tingkat kepuasan layanan akademik dan jumlah mata kuliah yang diambil, teknik analisis yang paling tepat adalah korelasi Spearman. Metode ini sesuai karena kepuasan diukur menggunakan skala ordinal, sedangkan jumlah mata kuliah merupakan data rasio. Korelasi Spearman tidak mensyaratkan distribusi normal dan dirancang untuk menganalisis hubungan antara variabel yang berskala ordinal atau antara ordinal dengan rasio yang tidak berdistribusi normal. Dengan karakteristik data seperti dalam kuesioner tersebut, Spearman menjadi metode analisis yang paling tepat digunakan.

Nama : Zahra Syafitri Tunnisa
NPM : 2313031035

1. Jenis Skala Pengukuran Setiap Item
Usia responden (dalam tahun): Rasio. Alasan: Data numerik kontinyu dengan nol absolut (usia 0=belum lahir), bisa operasi matematika lengkap (+,-,×,÷, rasio).
Jenis kelamin: Nominal. Alasan: Kategori mutual exclusive tanpa urutan (laki/perempuan), hanya bedakan kelompok.
Tingkat kepuasan pelayanan dosen: Ordinal. Alasan: Ada urutan jelas (Sangat tidak puas < Tidak puas < Netral < Puas < Sangat puas), tapi jarak antar kategori tidak sama/standar.
Jumlah mata kuliah: Rasio. Alasan: Numerik diskrit, nol absolut (0= tidak ambil), operasi matematika lengkap.
Urutkan prioritas (1-5): Ordinal. Alasan: Urutan prioritas jelas (1=paling penting), tapi jarak antar ranking tidak sama (gap 1 vs 2 ≠ gap 4 vs 5).

2. Analisis Statistik Parametrik
Tidak bisa. Alasan: Data campuran nominal (jenis kelamin), ordinal (kepuasan, ranking), dan rasio (usia, mata kuliah). Statistik parametrik mensyaratkan semua data interval/rasio dengan asumsi normalitas. Data ordinal/nominal harus pakai non-parametrik (Chi-square, Spearman, Mann-Whitney).

3. Hubungan Kepuasan vs Jumlah Mata Kuliah
Metode: Spearman Rank Correlation (rho).
Alasan:
Kepuasan = ordinal, mata kuliah = rasio → cocok non-parametrik
Uji hubungan monotonik (semakin banyak mata kuliah → kepuasan naik/turun?)
Tidak asumsi normalitas, robust untuk data ordinal
Output: rho (-1 hingga +1) + p-value
Alternatif jika data normal: Pearson, tapi ordinal lebih aman Spearman