Pertemuan 9 · Bab 3 · Statistika 2 Satuan Kredit Semester · Program Studi Diploma Empat Manajemen Proyek Konstruksi

Kesiapan dan Kualitas Data sebelum Inferensia

Sebelum melakukan uji hipotesis, perbandingan kelompok, korelasi, atau regresi, mahasiswa harus memastikan bahwa data layak dianalisis. Pertemuan ini membahas pemeriksaan data hilang, kesalahan input, nilai ekstrem, distribusi dan normalitas, serta uji validitas item dan uji reliabilitas secara kontekstual untuk data kuesioner.

Data Hilang Kesalahan Input Nilai Ekstrem Distribusi Data Normalitas Validitas Item Reliabilitas IBM SPSS Statistics 340 menit Formatif 0%

Target Pertemuan 9: mahasiswa mampu mengevaluasi kesiapan dan kualitas data sebelum inferensia, mendeteksi masalah utama, memilih tindakan yang dapat dipertanggungjawabkan, serta menilai validitas item dan reliabilitas ketika dataset berasal dari kuesioner.

Sinkronisasi Rencana Pembelajaran Semester

Kemampuan Akhir yang Direncanakan: Mengevaluasi kesiapan dan kualitas data sebelum analisis inferensial.
Waktu: TM 100 + PT 120 + BM 120 = 340 menit
Penilaian: Formatif 0%
Referensi RPS: 3,4,5

Tujuan belajar Pertemuan 9

Pertemuan 9 sengaja dibatasi menjadi 4 tujuan utama agar proses audit data tetap terarah. Klik salah satu tujuan untuk langsung menuju materi yang membahasnya.

1
Mendeteksi dan menangani masalah dasar kualitas data. 2
Mengevaluasi nilai ekstrem, distribusi, dan normalitas. 3
Menilai validitas item kuesioner secara kontekstual. 4
Menilai reliabilitas instrumen dan memutuskan kesiapan data.

Batas materi: Pertemuan 9 memberikan fondasi pemeriksaan kualitas data. Asumsi yang spesifik untuk uji t, Analisis Varians, korelasi, regresi linear sederhana, dan regresi linear berganda akan diperiksa kembali pada pertemuan yang menggunakan metode tersebut.

Cara belajar Pertemuan 9 agar tetap ringan

Periksa struktur. Apakah data, coding, satuan, dan jumlah kasus masuk akal?

Cari masalah. Temukan data hilang, nilai tidak logis, duplikasi, dan nilai ekstrem.

Periksa distribusi. Gunakan visual dan uji normalitas secara hati-hati.

Jika kuesioner: periksa validitas item dan reliabilitas instrumen.

Buat keputusan. Nyatakan data siap, perlu diperbaiki, atau memerlukan pemeriksaan lanjutan.

Siklus Pertemuan 9: data mentah → audit → diagnosis → tindakan → pemeriksaan instrumen → keputusan kesiapan.

Peta materi Pertemuan 9

Tujuan Pembelajaran 1 · Audit Dasar Tujuan Pembelajaran 2 · Distribusi & Normalitas Tujuan Pembelajaran 3 · Validitas Item Tujuan Pembelajaran 4 · Reliabilitas & Keputusan

Data Mentah → Bersihkan → Periksa Distribusi → Validitas → Reliabilitas → Data Siap

Validitas dan reliabilitas pada Pertemuan 9 hanya berlaku ketika data berasal dari instrumen/kuesioner multi-item. Untuk data proyek biasa seperti durasi, biaya, volume, atau produktivitas, bagian tersebut dapat dinyatakan tidak relevan.

TUJUAN PEMBELAJARAN 1

Mendeteksi dan menangani masalah dasar kualitas data

↑ Kembali ke Tujuan Belajar

Rujukan utama: Sugiyono · Santoso · Ghozali

Audit data dimulai sebelum analisis statistik. Tujuannya bukan membuat data terlihat “bagus”, tetapi memastikan bahwa setiap nilai memiliki arti, satuan, coding, dan posisi yang dapat dipertanggungjawabkan.

1.1 Data hilang

Data hilang adalah nilai yang tidak tersedia untuk variabel tertentu. Sebelum mengambil tindakan, tentukan terlebih dahulu:

berapa banyak data yang hilang;
variabel mana yang terdampak;
apakah nilai hilang benar-benar kosong atau menggunakan kode tertentu;
apakah terdapat pola tertentu pada kasus yang kehilangan data.

Jangan mengganti data hilang secara otomatis dengan angka 0. Nol adalah nilai yang sah jika memang bermakna nol; data hilang berarti informasi tidak tersedia.

1.2 Nilai tidak logis dan pelanggaran rentang

Contoh pemeriksaan:

skala Likert seharusnya 1–5 tetapi terdapat nilai 8;
durasi pekerjaan tercatat −4 hari;
persentase kemajuan tercatat 145% padahal definisi variabel membatasi 0–100%;
kode metode kerja seharusnya 1, 2, atau 3 tetapi ditemukan 7.

1.3 Konsistensi coding

Kategori yang sama harus memiliki kode dan label yang konsisten. Jika “Struktur” diberi kode 1, jangan sebagian kasus memakai kode 01, sebagian 1, dan sebagian teks “Struktur” tanpa alasan yang terdokumentasi.

1.4 Kasus duplikat

Dua baris identik belum tentu merupakan duplikasi. Periksa identitas kasus, waktu pengukuran, dan unit observasi. Pengukuran berulang pada objek yang sama dapat sah apabila desain memang menghendakinya.

1.5 Urutan audit dasar di IBM SPSS Statistics

Periksa Variable View: type, label, value labels, missing, dan measure.

Gunakan Analyze → Descriptive Statistics → Frequencies untuk variabel kategorik.

Gunakan Analyze → Descriptive Statistics → Descriptives untuk minimum, maksimum, mean, dan simpangan baku variabel numerik.

Periksa kasus yang memiliki nilai di luar rentang yang seharusnya.

Jika diperlukan, gunakan fitur identifikasi kasus duplikat sesuai versi IBM SPSS Statistics yang digunakan.

1.6 Dataset mini — temukan masalahnya

ID	Durasi (hari)	Risiko (1–5)	Metode
001	12	3	1
002	14	4	2
003		5	1
004	−3	8	2
004	−3	8	2

Diagnosis awal: terdapat data hilang pada durasi, nilai durasi yang tidak logis, nilai risiko di luar rentang 1–5, serta dua baris dengan ID sama yang perlu diperiksa apakah benar duplikat atau pengukuran berbeda.

Latihan Tujuan Pembelajaran 1

Sebuah variabel “persentase penyelesaian” memiliki nilai 45, 62, 88, kosong, dan 140. Jelaskan dua masalah yang harus diperiksa sebelum analisis.

Jawaban: nilai kosong harus ditelusuri sebagai data hilang; nilai 140 harus diperiksa karena berada di luar rentang 0–100% jika definisi variabel memang membatasi persentase tersebut. Jangan langsung mengganti atau menghapus tanpa memeriksa sumber data.

↑ Kembali ke Tujuan Belajar

TUJUAN PEMBELAJARAN 2

Mengevaluasi nilai ekstrem, distribusi, dan normalitas

↑ Kembali ke Tujuan Belajar

Rujukan utama: Sugiyono · Santoso · Ghozali

2.1 Nilai ekstrem adalah sinyal, bukan vonis

Nilai ekstrem adalah observasi yang jauh dari pola sebagian besar data. Nilai tersebut dapat berasal dari kesalahan input, kejadian khusus, atau variasi nyata. Karena itu, nilai ekstrem tidak boleh otomatis dihapus.

Verifikasi sumber. Apakah data salah ketik, salah satuan, atau benar?

Periksa konteks. Apakah kasus ekstrem memang mungkin terjadi pada proyek?

Lihat visual. Gunakan histogram dan diagram kotak.

Bandingkan analisis. Jika relevan, periksa apakah kesimpulan berubah secara substantif.

Dokumentasikan keputusan. Pertahankan, koreksi, atau keluarkan data hanya dengan alasan yang dapat dijelaskan.

2.2 Histogram dan Q–Q plot

Histogram membantu melihat bentuk umum distribusi. Q–Q plot membantu membandingkan kuantil data dengan pola yang diharapkan dari distribusi Normal. Titik yang mengikuti garis secara cukup dekat mendukung kesesuaian dengan pola Normal, tetapi penilaian tidak boleh hanya berdasarkan satu grafik.

2.3 Uji Shapiro–Wilk

Shapiro–Wilk menguji hipotesis bahwa data berasal dari distribusi Normal. Pada pembelajaran dasar:

Hasil nilai-p	Interpretasi awal
nilai-p > tingkat signifikansi	tidak terdapat evidence yang cukup untuk menolak asumsi Normal berdasarkan uji ini
nilai-p ≤ tingkat signifikansi	terdapat evidence terhadap ketidaknormalan berdasarkan uji ini

Nilai-p > 0,05 tidak membuktikan data “pasti Normal”. Pada sampel besar, penyimpangan kecil dapat menjadi signifikan; pada sampel kecil, uji dapat memiliki daya yang terbatas. Gunakan uji bersama histogram, Q–Q plot, dan konteks data.

2.4 Pemeriksaan dengan IBM SPSS Statistics

Buka Analyze → Descriptive Statistics → Explore.

Masukkan variabel numerik ke daftar variabel dependen.

Pilih Plots dan aktifkan histogram serta normality plots with tests sesuai versi perangkat lunak.

Periksa histogram, Q–Q plot, diagram kotak, dan hasil Shapiro–Wilk.

Tuliskan keputusan diagnostik, bukan sekadar menyalin nilai-p.

2.5 Apa yang belum perlu dibahas di Pertemuan 9?

Homogenitas varians, linearitas, independensi residual, multikolinearitas, dan asumsi spesifik lainnya akan dibahas kembali saat mahasiswa mempelajari metode yang benar-benar memerlukannya. Pertemuan 9 hanya membangun kebiasaan audit dasar.

Latihan Tujuan Pembelajaran 2

Histogram terlihat relatif simetris, Q–Q plot cukup mengikuti garis, dan Shapiro–Wilk menghasilkan nilai-p 0,12 pada tingkat signifikansi 0,05. Apa kesimpulan yang tepat?

Jawaban: tidak terdapat evidence yang cukup untuk menolak asumsi Normal berdasarkan uji Shapiro–Wilk, dan visual juga cukup mendukung. Jangan menyatakan “data terbukti pasti Normal”.

↑ Kembali ke Tujuan Belajar

TUJUAN PEMBELAJARAN 3

Menilai validitas item kuesioner secara kontekstual

↑ Kembali ke Tujuan Belajar

Rujukan utama: Sugiyono · Santoso · Ghozali

Bagian ini hanya digunakan jika dataset berasal dari kuesioner/instrumen multi-item. Data seperti durasi, biaya, volume, atau produktivitas proyek tidak memerlukan uji validitas item seperti ini.

3.1 Validitas lebih luas daripada satu korelasi

Validitas menyangkut apakah interpretasi skor didukung untuk tujuan penggunaannya. Korelasi item–total hanyalah salah satu bentuk analisis item empiris; ia tidak menggantikan validitas isi, validitas konstruk, atau evidence validitas lainnya.

3.2 Corrected Item–Total Correlation

Untuk pemeriksaan internal item yang dimaksudkan mengukur konstruk yang sama, Corrected Item–Total Correlation membandingkan satu item dengan skor total yang tidak memasukkan item tersebut. Pendekatan ini menghindari korelasi item dengan dirinya sendiri di dalam skor total.

Item	Corrected Item–Total Correlation	Diagnosis awal
Item 1	0,62	hubungan item–total cukup kuat
Item 2	0,55	hubungan item–total cukup kuat
Item 3	0,47	hubungan item–total cukup
Item 4	0,12	perlu diperiksa lebih lanjut
Item 5	0,59	hubungan item–total cukup kuat

Nilai seperti 0,30 sering digunakan sebagai pedoman praktis awal dalam latihan analisis item, tetapi bukan hukum universal. Keputusan harus mempertimbangkan tujuan instrumen, jumlah item, kualitas redaksi, teori konstruk, serta pedoman penelitian yang digunakan.

3.3 Jangan langsung menghapus item dengan korelasi rendah

Item dengan nilai rendah perlu diperiksa:

apakah item memang mengukur konstruk yang sama;
apakah redaksinya ambigu;
apakah item merupakan pernyataan negatif yang belum dibalik skornya;
apakah terdapat salah coding;
apakah variasi jawaban terlalu kecil.

3.4 Pemeriksaan di IBM SPSS Statistics

Pastikan seluruh item memiliki arah skor yang konsisten; lakukan recode pada item terbalik bila diperlukan.

Buka Analyze → Scale → Reliability Analysis.

Masukkan item yang dimaksud mengukur konstruk yang sama.

Pada pilihan statistik, tampilkan Item, Scale, dan Scale if item deleted.

Periksa kolom Corrected Item–Total Correlation untuk diagnosis awal item.

3.5 Jika prosedur penelitian menggunakan korelasi Pearson item–total

Beberapa pedoman penelitian mengharuskan korelasi Pearson antara skor item dan skor total. Jika prosedur tersebut digunakan, ikuti pedoman yang ditetapkan secara konsisten dan dokumentasikan cara pembentukan skor total. Pada modul ini, Corrected Item–Total Correlation diprioritaskan untuk diagnosis internal item.

Latihan Tujuan Pembelajaran 3

Item 4 memiliki Corrected Item–Total Correlation = 0,12, sedangkan item lain berada antara 0,45–0,68. Apa tindakan pertama yang tepat?

Jawaban: jangan langsung menghapus Item 4. Periksa redaksi, arah skor, coding, relevansi konstruk, dan distribusi jawaban. Setelah itu barulah putuskan apakah item perlu direvisi atau dikeluarkan sesuai tujuan instrumen.

↑ Kembali ke Tujuan Belajar

TUJUAN PEMBELAJARAN 4

Menilai reliabilitas instrumen dan memutuskan kesiapan data

↑ Kembali ke Tujuan Belajar

Rujukan utama: Sugiyono · Santoso · Ghozali

4.1 Apa yang dimaksud reliabilitas internal?

Reliabilitas internal menggambarkan konsistensi respons antaritem yang dimaksudkan mengukur konstruk yang sama. Salah satu ukuran yang umum digunakan adalah Cronbach's alpha.

Reliabilitas tinggi tidak membuktikan instrumen valid. Item dapat konsisten satu sama lain tetapi tetap tidak mengukur konstruk yang seharusnya.

4.2 Membaca Cronbach's alpha secara hati-hati

Tidak ada satu ambang yang berlaku untuk semua instrumen. Nilai sekitar 0,70 sering digunakan sebagai pedoman praktis awal, tetapi interpretasinya bergantung pada tujuan penggunaan, tahap pengembangan instrumen, jumlah item, dan karakter konstruk.

Output	Pertanyaan yang harus dijawab
Cronbach's Alpha	Seberapa konsisten keseluruhan item pada skala?
Corrected Item–Total Correlation	Apakah setiap item bergerak cukup konsisten dengan skor skala?
Cronbach's Alpha if Item Deleted	Apakah penghapusan item tertentu mengubah konsistensi secara berarti?

4.3 Item terbalik harus ditangani sebelum analisis

Jika skala 1–5 memiliki item negatif yang harus dibalik:

skor baru = 6 − skor lama

Skor 1 menjadi 5, 2 menjadi 4, 3 tetap 3, dan seterusnya. Lakukan pembalikan hanya jika desain instrumen memang menetapkan item tersebut sebagai reverse item.

4.4 Langkah di IBM SPSS Statistics

Pastikan item yang dianalisis benar-benar satu konstruk/skala.

Pastikan reverse item sudah di-recode dengan benar.

Buka Analyze → Scale → Reliability Analysis.

Gunakan model Alpha.

Tampilkan statistik item, scale, dan scale if item deleted.

Interpretasikan alpha bersama hasil analisis item; jangan hanya melihat satu angka.

4.5 Matriks keputusan kesiapan data

Temuan	Keputusan awal
Data hilang/invalid ditemukan	telusuri dan dokumentasikan tindakan sebelum inferensia
Nilai ekstrem valid	pertahankan, jelaskan, dan gunakan metode yang sesuai bila berpengaruh
Normalitas meragukan	periksa visual, ukuran sampel, dan asumsi metode yang akan digunakan
Item kuesioner bermasalah	periksa coding, redaksi, konstruk, dan hasil analisis item
Reliabilitas tidak memadai	jangan lanjut hanya karena ingin memperoleh hasil; evaluasi instrumen terlebih dahulu
Semua pemeriksaan memadai	data dapat dilanjutkan ke analisis berikutnya dengan catatan audit disimpan

4.6 Contoh kesimpulan audit yang baik

“Setelah pemeriksaan, dua nilai salah input dikoreksi berdasarkan sumber asli dan satu kasus duplikat terkonfirmasi dihapus. Distribusi variabel utama tidak menunjukkan penyimpangan berat berdasarkan histogram, Q–Q plot, dan Shapiro–Wilk. Pada skala kuesioner, satu item memerlukan evaluasi redaksi karena Corrected Item–Total Correlation rendah. Reliabilitas skala dibaca bersama analisis item. Data dinyatakan siap untuk analisis lanjutan setelah tindakan tersebut didokumentasikan.”

4.7 Evidence yang harus dihasilkan

daftar masalah kualitas data yang ditemukan;
tindakan yang dilakukan dan alasannya;
histogram, Q–Q plot, diagram kotak, dan hasil normalitas yang relevan;
jika kuesioner: Corrected Item–Total Correlation dan Cronbach's alpha;
keputusan akhir: data siap, perlu perbaikan, atau membutuhkan pemeriksaan lanjutan.

Latihan integrasi Tujuan Pembelajaran 4

Sebuah skala memiliki Cronbach's alpha 0,82. Satu item memiliki Corrected Item–Total Correlation 0,08 dan merupakan item negatif yang belum di-recode. Apa tindakan yang paling tepat?

Jawaban: jangan langsung menghapus item. Lakukan recode sesuai rancangan instrumen, jalankan ulang analisis item dan reliabilitas, lalu nilai kembali item tersebut. Alpha keseluruhan tidak menggantikan pemeriksaan item.

↑ Kembali ke Tujuan Belajar

Rangkuman Pertemuan 9

Tujuan Pembelajaran 1

Audit dasar: data hilang, coding, rentang, nilai tidak logis, dan duplikasi.

Tujuan Pembelajaran 2

Distribusi: nilai ekstrem, histogram, Q–Q plot, dan Shapiro–Wilk dibaca bersama.

Tujuan Pembelajaran 3

Validitas item: analisis item adalah evidence terbatas, bukan seluruh konsep validitas.

Tujuan Pembelajaran 4

Reliabilitas: Cronbach's alpha dibaca bersama kualitas item dan keputusan kesiapan data.

Kalimat kunci Pertemuan 9: inferensia yang baik dimulai dari data yang telah diaudit dan keputusan pembersihan yang dapat dijelaskan.

Beban kegiatan Pertemuan 9

Tatap muka / terbimbing	100 menit
Penugasan terstruktur	120 menit
Belajar mandiri	120 menit
Total	340 menit
Penilaian	Formatif 0%

Latihan formatif Pertemuan 9

Gunakan dataset latihan yang diberikan dosen. Jika dataset berupa kuesioner, lakukan juga analisis item dan reliabilitas.

identifikasi data hilang, nilai tidak logis, coding, dan duplikasi;
periksa nilai ekstrem, histogram, Q–Q plot, dan normalitas variabel yang ditentukan;
jika kuesioner, periksa Corrected Item–Total Correlation;
jika kuesioner, periksa Cronbach's alpha dan item yang perlu dievaluasi;
tulis tindakan yang dilakukan dan alasan setiap keputusan;
buat kesimpulan apakah data siap untuk analisis inferensial berikutnya.

Asesmen formatif: 0%. Fokus penilaian adalah kemampuan mendeteksi masalah data dan menjustifikasi tindakan, bukan sekadar menghasilkan output IBM SPSS Statistics.

Kriteria Latihan Formatif Pertemuan 9

Kriteria menggunakan pola rubrik analitik yang sama dengan materi sebelumnya; tidak ada bobot internal tambahan pada halaman materi.

Kriteria	Fokus evidence Pertemuan 9
Pemahaman masalah dan data	struktur data, coding, satuan, dan jenis masalah dikenali dengan tepat
Pemilihan metode statistik	alat diagnosis dipilih sesuai jenis data dan tujuan pemeriksaan
Perhitungan/analisis	audit, visual, normalitas, analisis item, dan reliabilitas dilakukan dengan benar
Interpretasi	output tidak dibaca secara mekanis dan batas kesimpulan dijelaskan
Kesimpulan berbasis bukti	keputusan kesiapan data konsisten dengan evidence
Komunikasi data	tindakan pembersihan dan hasil audit terdokumentasi secara jelas

Checklist penguasaan Pertemuan 9

0 dari 4 tujuan tercapai 0%

Tujuan Pembelajaran 1 — Saya dapat mendeteksi masalah dasar kualitas data dan menjelaskan tindakannya. Tujuan Pembelajaran 2 — Saya dapat mengevaluasi nilai ekstrem, distribusi, dan normalitas tanpa keputusan mekanis. Tujuan Pembelajaran 3 — Saya dapat menilai validitas item secara kontekstual ketika data berasal dari kuesioner. Tujuan Pembelajaran 4 — Saya dapat menilai reliabilitas dan menyusun keputusan kesiapan data.

Checklist ini tersimpan hanya pada browser/perangkat dan bukan progres atau nilai resmi pada sistem pembelajaran.

Daftar Pustaka Pertemuan 9

Sugiyono. (2019). Statistika untuk Penelitian. Bandung: Alfabeta.
Santoso, S. (2018). Menguasai Statistik dengan SPSS 25. Jakarta: Elex Media Komputindo.
Ghozali, I. (2021). Aplikasi Analisis Multivariate dengan Program IBM SPSS 26 (Edisi 10). Semarang: Badan Penerbit Universitas Diponegoro.

Daftar pustaka pada halaman ini identik dengan kode referensi pada Rencana Pembelajaran Semester terbaru.

↑ Kembali ke bagian utama

Jembatan ke Pertemuan 10

Setelah data dinyatakan cukup siap, Pertemuan 10 membahas inferensia dan uji hipotesis: hipotesis nol dan hipotesis alternatif, tingkat signifikansi, nilai-p, kesalahan Tipe I dan Tipe II, serta hubungan keputusan statistik dengan interval kepercayaan.

Data Siap → Hipotesis → Statistik Uji → Nilai-P → Keputusan Inferensial

↑ Lihat kembali Tujuan Belajar Pertemuan 9