Statistik - ocw.upj.ac.id · statistik dan jenis kelamin pada mahasiswa prodi Psikologi. -...
Transcript of Statistik - ocw.upj.ac.id · statistik dan jenis kelamin pada mahasiswa prodi Psikologi. -...
1
Aries Yulianto – April 2019, revisi 3
PENGGUNAAN STATISTIK UNTUK ANALISIS DATA PENELITIAN
Dalam pengujian hipotesis, yang diuji adalah hipotesis nol (null hypothesis; H0), meskipun yang kita susun adalah hipotesis alternatif (Ha).
Penentuan teknik analisis statistik untuk pengujian hipotesis ditentukan oleh skala/jenis data (nominal, ordinal, atau interval/rasio). Untuk jenis
data nominal atau ordinal, menggunakan statistik non-parametrik. Untuk data interval/rasio dapat menggunakan statistik parametrik apabila
memenuhi asumsi normalitas; bila asumsi normalitas tidak terpenuhi, maka harus menggunakan statistik non-parametrik dengan menurunkan/
mengubah jenis datanya (menjadi ordinal atau nominal). Hipotesis juga harus ditentukan apakah bersifat berarah (directional hypothesis; one-tail
hypothesis) atau tidak berarah (non-directional hypothesis; two-tail hypothesis). Hipotesis berarah maksudnya hipotesis secara spesifik
menyatakan “lebih tinggi”, “lebih rendah”, “positif”, “negatif”, dsb; sedangkan hipotesis tidak berarah menyatakan “ada hubungan”, “ada
pengaruh”, “ada perbedaan”, dsb. Ada atau tidaknya arah hipotesis ini akan menentukan keputusan untuk menerima atau menolak H0.
1. Hipotesis deskriptif: Dugaan tentang nilai suatu variabel.
Hipotesis
statistik
Deskriptif: Gambaran tentang sebuah variabel di suatu kelompok, tanpa ada tujuan generalisasi. (tidak perlu uji hipotesis)
Misal: bagaimana gambaran kesejahteraan psikologis pada mahasiswa baru prodi Psikologi?
- central tendency (mean, median, modus) - frekuensi/persentase, - kategori (misal: tinggi, sedang, rendah), - grafik, - variabilitas (varians, SD, dll), dsb
Statistik
Inferensial: Data sampel untuk menyimpulkan
populasi (generalisasi). (perlu uji hipotesis).
2. Hipotesis asosiatif: Dugaan tentang hubungan (korelasional) antara 2 atau lebih variabel.
3. Hipotesis komparatif: dugaan yang menyatakan perbedaan 1 variabel pada 2 atau lebih kelompok.
4. Hipotesis kausal: dugaan yang menyatakan pengaruh 1 atau lebih IV terhadap 1 DV.
2
Aries Yulianto – April 2019, revisi 3
* perlu uji normalitas
1. Hipotesis deskriptif
- Hipotesis two-tail: Ha: mean IQ mahasiswa baru berbeda secara signifikan dengan 90. (μ ≠ 90)
- Hipotesis one-tail: Ha: mean IQ mahasiswa baru lebih tinggi secara signifikan dari 90. (μ > 90)
interval/rasio* One-sample t-test
Ordinal Ha: urutan pilihan dalam memilih cuti melahirkan bersifat random.
Jenis data Contoh Hipotesis
Run-test
- Hipotesis two-tail: Ha: jumlah mahasiswa berbeda secara signifikan dengan jumlah
mahasiswi di prodi psikologi. - Hipotesis one-tail:
Ha: jumlah mahasiswa lebih sedikit secara signifikan dibandingkan dengan jumlah mahasiswi di prodi psikologi.
Nominal One-sample chi-square
Analisis Statistik
3
Aries Yulianto – April 2019, revisi 3
* perlu uji normalitas a Apabila kedua variabel memiliki jenis data yang berbeda, maka gunakan jenis data yang paling rendah (ubah data). Misal, hubungan jenis data
interval dan jenis data ordinal, maka gunakan korelasi Spearman (ubah data interval menjadi data ordinal). Pengecualian untuk data interval dan data nominal dikotomi, misal hubungan inteligensi dan jenis kelamin; maka gunakan korelasi point biserial (variasi dari korelasi Pearson, untuk data berisi 0 dan 1).
Hipotesis asosiatif hanya menunjukkan adanya hubungan korelasional tanpa menunjukkan kausalitas/sebab-akibat/pengaruh.
2. Hipotesis Asosiatifa
- Hipotesis two-tail: Ha: ada hubungan yang signifikan antara konsep diri dan
prestasi akademik pada mahasiswa prodi Psikologi. - Hipotesis one-tail:
Ha: ada hubungan positif yang signifikan antara konsep diri dan prestasi akademik pada mahasiswa prodi Psikologi.
Korelasi Pearson
- Hipotesis two-tail: Ha: ada hubungan yang signifikan antara kelulusan kuliah
statistik dan jenis kelamin pada mahasiswa prodi Psikologi. - Hipotesis one-tail:
Ha: ada hubungan negatif yang signifikan antara kelulusan kuliah statistik dan jenis kelamin pada mahasiswa prodi Psikologi.
Korelasi Spearman
Jenis data Contoh Hipotesis
Nominal
Ordinal
interval/rasio*
chi-square (ꭓ2)
Analisis Statistik
- Hipotesis two-tail: Ha: ada hubungan yang signifikan antara ranking di
raport dan inteligensi pada mahasiswa prodi Psikologi. - Hipotesis one-tail:
Ha: ada hubungan positif yang signifikan antara ranking di raport dan prestasi akademik pada mahasiswa prodi Psikologi.
4
Aries Yulianto – April 2019, revisi 3
Membandingkan koefisien korelasi dari dua kelompok berbeda. Contoh: hubungan penerimaan teman sebaya dan prestasi pada remaja laki-laki dan remaja perempuan. Pada penelitian di atas akan diperoleh 2 koefisien korelasi dari 2 kelompok berbeda, yaitu korelasi di remaja laki-laki dan korelasi di remaja perempuan. Langkah berikutnya, tentukan signifikansi pada masing-masing korelasi. Bila hanya salah satu korelasi yang signifikan (misal, hubungan penerimaan teman sebaya dan prestasi pada remaja laki-laki), maka dengan mudah kita dapat katakan hubungan penerimaan teman sebaya dan konsep diri hanya terjadi pada remaja laki-laki, dan tidak terjadi hubungan kedua variabel pada remaja perempuan. Namun, apabila kedua korelasi signifikan, yang harus dilakukan selanjutnya adalah menentukan apakah perbedaan kedua korelasi tersebut signifikan, sehingga kita dapat katakan hubungan kedua variabel pada remaja laki-laki lebih besar (atau lebih kecil) dibandingkan pada remaja perempuan. Apabila tidak ditemukan perbedaan nilai korelasi yang signifikan, maka dapat dikatakan bahwa kedua korelasi sama besar. Langkah yang dilakukan menurut Field (2009) hlm. 191:
1. Agar dapat dibandingkan, ubah masing-masing r menjadi zr dengan formula:
Formula di atas dapat dihitung dengan bantuan Ms. Excel dengan function “=fisher(r)”, dimana r adalah nilai korelasi yang akan diubah menjadi zr.
2. hitung perbedaan z antara kedua r (zdiff), dengan formula:
Dimana: zr1 = nilai z dari korelasi di kelompok 1; zr2 = nilai z dari korelasi di kelompok 2;
N1 = jumlah anggota kelompok 1; N2 = jumlah anggota kelompok 2. 3. untuk taraf signifikansi 5%, maka dapat dikatakan signifikan bila zdiff > 1,96. Abaikan apabila diperoleh nilai negatif, karena negatif hanya
menunjukkan bahwa nilai korelasi kedua (r2) lebih besar dari korelasi pertama (r1). Contoh: Diketahui korelasi pada 52 remaja laki-laki, rlaki-laki = -0,506; sedangkan korelasi pada 51 remaja perempuan, rperempuan = -0,381; kedua korelasi ini signifikan pada taraf 5% (p < 0,05). Oleh karena itu perlu diketahui manakah hubungan yang lebih besar, meskipun dari angka korelasinya diketahui hubungan pada remaja laki-laki lebih besar. Dengan kata lain, ingin diketahui apakah ditemukan perbedaan nilai korelasi yang signifikan diantara kedua kelompok.
5
Aries Yulianto – April 2019, revisi 3
1. ubah masing-masing r menjadi zr. rlaki-laki = -0,506 zr = -0,557 rperempuan = -0,381 zr = -0,401
2. Diperoleh nilai zdiff sebesar = -0,768.
����� =−0,557 − (−0,401)
� 152 − 3
+1
51 − 3
= −0,768
3. Dengan zdiff sebesar = 0,768 (abaikan nilai negatif) maka dapat dikatakan tidak ada perbedaan yang signifikan pada taraf signifikansi 5% (zdiff < 1,96). Artinya korelasi yang terjadi pada remaja laki-laki sama seperti korelasi pada remaja perempuan.
Untuk melakukan perhitungan ini, dapat mengundah aplikasi Ms. Excel: https://www.surrey.ac.uk/psychology/current/statistics/ChrisCalcv1_4.xls
pada tab: correlation(1)
6
Aries Yulianto – April 2019, revisi 3
* perlu uji normalitas c perlu uji homogeneity/equality of variances Hipotesis komparatif digunakan untuk:
1. membandingkan 2 atau lebih kelompok subjek dalam satu variabel tertentu.
3. Hipotesis komparatif
- Hipotesis two-tail: Ha: ada perbedaan mean IQ yang signifikan antara
mahasiswa dengan mahasiswi. (μ1 ≠ μ2) Ha: ada perbedaan mean skor agresitivas antara subjek
yang ditayangkan film agresif dengan subjek yang ditayangkan film komedi. (μ1 ≠ μ2)
- Hipotesis one-tail: Ha: mean IQ mahasiswa lebih tinggi secara signifikan
dibandingkan mahasiswi. (μ1 > μ2) Ha: mean skor agresivitas pada subjek yang ditayangkan
film agresivitas lebih tinggi secara signifikan dibandingkan subjek yang ditayangkan film komedi. (μ > μ )
Independent samples t-
testc
- Hipotesis two-tail: Ha: ada perbedaan keputusan melanjutkan studi S2 yang
signifikan antara mahasiswa dengan mahasiswi lulusan prodi psikologi.
- Hipotesis one-tail: Ha: mahasiswa lebih banyak secara signifikan dalam
memutuskan untuk melanjutkan studi S2 dibandingkan mahasiswi lulusan prodi psikologi.
Independent sample chi-square (ꭓ2)
- Hipotesis: Ha: ada perbedaan ranking di raport yang signifikan
antara siswa dan siswi.
Mann-Whitney U test
A. 2 kelompok diperbandingkan
Jenis data Contoh Hipotesis
Nominal
Ordinal
interval/rasio*
Analisis Statistik
7
Aries Yulianto – April 2019, revisi 3
2. membandingkan satu variabel tertentu dari 2 waktu berbeda pada sebuah kelompok subjek. Pertimbangan jenis data berdasarkan variabel yang dibandingkan. Hipotesis komparatif digunakan pada penelitian komparatif (membandingkan kelompok subjek sudah terkategorisasi) maupun penelitian eksperimen (membandingkan beberapa perlakuan). Untuk analisis statistik yang digunakan juga ditentukan oleh banyaknya yang diperbandingkan (2 atau lebih dari 2).
8
Aries Yulianto – April 2019, revisi 3
* perlu uji normalitas c perlu uji homogeneity of variance d menggunakan planned comparison/contrast.
3. Hipotesis komparatif
- Hipotesis two-tail: Ha: ada perbedaan mean IQ yang signifikan antara mahasiswa
prodi psikologi, komunikasi, dan DKV. Ha: ada perbedaan mean skor atensi yang signifikan antara subjek
yang diperdengarkan musik klasik, musik rock, dan musik pop. - Hipotesis one-tail: d
Ha: mean IQ mahasiswa prodi psikologi lebih tinggi secara signifikan dibandingkan mahasiswa prodi komunikasi dan DKV.
Ha: subjek yang tidak diperdengarkan musik memiliki mean skor atensi yang lebih tinggi secara signifikan dibandingkan subjek yang diperdengarkan musik klasik dan musik rock.
One-way ANOVA F
testc
- Hipotesis two-tail: Ha: ada perbedaan jumlah kelulusan kuliah statistik yang
signifikan antara mahasiswa prodi psikologi, komunikasi, dan akuntansi.
- Hipotesis one-tail: Ha: jumlah mahasiswa prodi psikologi yang lulus kuliah
statistik lebih banyak secara signifikan dibandingkan mahasiswa prodi komunikasi dan akuntansi.
- Hipotesis: Ha: ada perbedaan ranking di raport yang signifikan antara
siswa jurusan IPA, IPS, dan kejuruan.
Kruskal-Wallis H test
B. >2 kelompok diperbandingkan
Jenis data Contoh Hipotesis
Nominal
Ordinal
interval/rasio*
Independent sample chi-square (ꭓ2)
Analisis Statistik
9
Aries Yulianto – April 2019, revisi 3
3. Hipotesis komparatif
- Hipotesis two-tail: Ha: ada perbedaan mean IQ yang signifikan pada
mahasiswa prodi Psikologi ketika di semester 1 dibandingkan di semester 8.
Ha: ada perbedaan mean skor agresitivas pada subjek sebelum mengikuti anger management dibandingkan setelah mengikuti anger mangement.
- Hipotesis one-tail: Ha: mean IQ mahasiswa prodi Psikologi lebih tinggi
secara signifikan di semester 8 dibandingkan ketika di semester 1.
Ha: mean skor agresitivas pada subjek sesudah mengikuti anger management lebih tinggi secara signifikan dibandingkan sebelum mengikuti anger mangement.
dependent /paired
samples t-test
- Hipotesis two-tail: Ha: ada perbedaan kategori kepuasaan pelanggan PT X
sebelum dan sesudah menghubungi customer care. - Hipotesis one-tail:
Ha: ada peningkatan jumlah pelanggan PT X yang puas sesudah menghubungi customer care dibandingkan sebelum menghubungi customer care.
McNemar test
- Hipotesis: Ha: ada perbedaan ranking di raport yang signifikan
pada siswa ketika di semester 1 dan ketika di
semester 2.
Wilcoxon signed-rank test
C. Dua data dari 1 kelompok
Ordinal
interval/rasio*
Jenis data Contoh Hipotesis Analisis Statistik
Nominal
10
Aries Yulianto – April 2019, revisi 3
* perlu uji normalitas c menggunakan planned comparison/contrast. f perlu uji sphericity
3. Hipotesis komparatif
- Hipotesis two-tail: Ha: ada perbedaan mean IQ yang signifikan pada
mahasiswa prodi Psikologi ketika di semester 1, semester 5, dan semester 8.
Ha: ada perbedaan mean skor agresitivas yang signifikan pada subjek saat tidak diperdengarkan musik, diperdengarkan musik klasik, dan diperdengarkan musik rock.
- Hipotesis one-tail:c Ha: mean IQ mahasiswa prodi Psikologi di semester 8
lebih tinggi secara signifikan dibandingkan ketika di semester 1 dan semester 5.
Ha: mean skor agresitivas subjek ketika diperdengarkan musik rock lebih tinggi secara signifikan dibandingkan ketika tidak diperdengarkan musik dan ketika diperdengarkan musik klasik.
Repeated measures ANOVAf
- Hipotesis two-tail: Ha: ada perbedaan keputusan melanjutkan studi S2 yang
signifikan antara mahasiswa dengan mahasiswi lulusan prodi psikologi.
- Hipotesis one-tail: Ha: mahasiswa lebih banyak secara signifikan dalam
memutuskan untuk melanjutkan studi S2 dibandingkan mahasiswi lulusan prodi psikologi.
Chi-square test (ꭓ2)
- Hipotesis: Ha: ada perbedaan ranking di raport yang signifikan
pada siswa SMP ketika di kelas VII, kelas VIII, dan kelas
Friedman test
D. >2 data dari 1 kelompok
Ordinal
interval/rasio*
Nominal
Jenis data Contoh Hipotesis Analisis Statistik
11
Aries Yulianto – April 2019, revisi 3
Pengujian hipotesis kausal menggunakan analisis regresi. Jenis analisis regresi ditentukan oleh: 1. jenis data DV 2. jumlah IV yang terlibat Tujuan regresi adalah menghasilkan persamaan regresi dan mengetahui besarnya kontribusi IV (sendiri ataupun bersama-sama).
Jenis data IV Contoh Hipotesis Analisis Statistik
4. Hipotesis kausal
Simple linear regressiong
multiple linear regressiong
A. DV interval/ rasio*
interval/ rasio
1 IV Ha: ada pengaruh IQ yang signifikan terhadap IPK pada mahasiswa prodi Psikologi.
ordinal/ nominal
Ha: ada pengaruh ranking raport di SMA yang signifikan terhadap skor konsep diri mahasiswa baru.
Ha: ada pengaruh jenis kelamin yang signifikan
terhadap skor konsep diri mahasiswa baru.
Simple linear regressionh
2 atau lebih IV
Interval, rasio,
ordinal, nominal
Ha: ada pengaruh IQ, suku bangsa, dan konsep diri yang signifikan terhadap IPK pada mahasiswa prodi Psikologi.
B. DV nominal 1 atau
lebih IV
Interval, rasio,
ordinal, nominal
Ha: ada pengaruh IQ dan suku bangsa yang signifikan terhadap kelulusan seleksi CPNS.
Logistic regression
12
Aries Yulianto – April 2019, revisi 3
* perlu uji normalitas g perlu uji linearitas. h menggunakan dummy coding. Dummy coding (kode 1 - 0) perlu dibuat untuk IV berjenis ordinal/nominal karena linear regression hanya digunakan untuk IV berjenis scale (interval/rasio). Dummy coding adalah membuat (seolah-olah) variabel baru (disebut ‘variabel dummy’) yang hanya berisi data 1 atau 0, dimana variabel baru ini berjumlah = k – 1; dimana k = jumlah kelompok. Misal “pengaruh jenis kelamin terhadap kesejahteraan psikologis”, maka untuk jenis kelamin ‘variabel dummy’-nya hanya 1 (= k – 1 = 2 – 1), dimana saat input data tuliskan 1 (= laki-laki) atau 0 (=perempuan). Dummy coding ini hanya berlaku untuk IV berbentuk dikotomi. Untuk IV berbentuk politomi, dummy coding dibuat banyak. Misal “pengaruh suku bangsa (Jawa, Sunda, Minang, dan Batak) terhadap kesejahteraan psikologis”, karena k = 4, maka perlu dibuat 3 variabel dummy. Berikut caranya:
Suku d1 d2 d3 Jawa 1 0 0 Sunda 0 1 0 Minang 0 0 1 Batak 0 0 0
Oleh karena itu, jangan hanya membuat 1 variabel input data untuk suku bangsa, tapi buatlah 3 variabel dummy (d1, d2, dan d3). Bila subjek bersuku Jawa, maka input datanya pada ketiga variabel tersebut: 1, 0, 0; Sunda = 0, 1, 0, dsb.
Langkah dummy coding ini berlaku untuk simple regression dan multiple regression, bila salah satu atau beberapa IV-nya berbentuk ordinal/nominal.
13
Aries Yulianto – April 2019, revisi 3
Membandingkan koefisien regresi dari dua kelompok berbeda. Persamaan regresi:
- Simple linear regression: Y = b0 + b1X; dimana Y adalah DV dan X adalah IV. - Multiple linear regression: Y = b0 + b1X1 + b2X2; dimana Y adalah DV, X1 adalah IV pertama, dan X2 adalah IV kedua.
Contoh: pengaruh psychological well-being terhadap konsep diri pada remaja laki-laki dan remaja perempuan. Pada penelitian di atas akan diperoleh 2 koefisien regresi (b) dari 2 kelompok berbeda, yaitu koefisien regresi psychological well-being di remaja laki-laki dan korelasi di remaja perempuan. Langkah berikutnya, tentukan signifikansi pada masing-masing koefisien regresi. Bila hanya salah satu koefisien regresi yang signifikan (misal, pengaruh psychological well-being pada remaja laki-laki), maka dengan mudah kita dapat katakan psychological well-being terhadap konsep diri hanya ada pada remaja laki-laki, dan tidak ada pengaruhnya pada remaja perempuan. Namun, apabila kedua koefisien regresi signifikan, yang harus dilakukan adalah menentukan apakah perbedaan kedua koefisien regresi tersebut signifikan, sehingga kita dapat katakan bahwa pengaruh psychological well-being pada remaja laki-laki lebih besar (atau lebih kecil) dibandingkan pada remaja perempuan. Apabila tidak ditemukan perbedaan nilai koefisien regresi yang signifikan, maka dapat dikatakan bahwa pengaruh psychological well-being pada kedua kelompok sama besar. Langkah yang dilakukan untuk membandingkan koefisien regresi dari dua kelompok berbeda:
1. Pada masing-masing kelompok, dapatkan koefisien regresi (b) dan Standard Error (SE) untuk pengaruh sebuah IV yang akan dibandingkan. 2. hitung perbedaan z antara kedua koefisien regresi (zdiff) dari IV tersebut, dengan formula:
����� =�� − ��
������ + ����
�
Dimana: b1 = koefisien regresi IV1 pada kelompok 1, b2 = koefisien regresi IV1 pada kelompok 2, SEb1 = Standard Error koefisien regresi IV1 pada kelompok 1, SEb2 = koefisien regresi IV1 pada kelompok 2.
3. untuk taraf signifikansi 5%, maka dapat dikatakan signifikan bila zdiff > 1,96. Abaikan apabila diperoleh nilai negatif.
Contoh:
Berikut hasil analisis regresi pengaruh psychological well-being terhadap konsep diri pada remaja laki-laki dan remaja perempuan:
14
Aries Yulianto – April 2019, revisi 3
Remaja laki-laki:
Coefficients
Model Unstandardized Standard Error Standardized t p
1 (Intercept) 14.78 3.66 4.04 < .001
PWB 1.04 0.07 0.90 13.99 < .001
Remaja perempuan:
Coefficients
Model Unstandardized Standard Error Standardized t p
1 (Intercept) 13.72 3.40 4.03 < .001
PWB 1.03 0.07 0.87 14.71 < .001
1. Pada remaja laki-laki, koefisien regresi psychological well-being, b1 = 1,04; dan Standard Error-nya, SEb1 = 0,07. Pada remaja perempuan, koefisien regresi psychological well-being, b2 = 1,03; dan Standard Error-nya, SEb2 = 0,07.
2. perbedaan z antara kedua koefisien regresi (zdiff):
����� =1,04 − 1,03
�0,07� + 0,07�= 0,10
3. dengan zdiff = 0,10, maka dapat dikatakan tidak ada perbedaan yang signifikan pada pengaruh psychological well-being di remaja laki-laki dan
remaja perempuan. Dengan kata lain, pengaruh psychological well-being terhadap konsep diri di remaja laki-laki sama besar dengan di remaja perempuan.
Untuk melakukan perhitungan ini, dapat mengundah aplikasi Ms. Excel: https://www.surrey.ac.uk/psychology/current/statistics/ChrisCalcv1_4.xls
pada tab: Regression
15
Aries Yulianto – April 2019, revisi 3
Catatan: 1. Uji normalitas = untuk mengetahui apakah distribusi sampling dari populasi berbentuk normal. Hanya dilakukan untuk statistik inferensial
dengan data interval/rasio serta analisis statistik parametrik (seperti: korelasi Pearson, linear regression, dsb). Seperti kutipan berikut: “a reason for implementing normality tests is that many statistical procedures require or are optimal under the assumption of normality, and it is therefore of interest to know whether or not this assumption is fulfilled” (Steinskog, Tjøstheim, & Kvamstø, 2007, hlm 1151). Oleh karena itu, bila asumsi normalitas terpenuhi (hasil uji tidak signifikan), maka analisis statistik parametrik dapat digunakan. Bila asumsi normalitas tidak terpenuhi (hasil uji signifikan), maka gunakan analisis statistik untuk data ordinal/nominal. Untuk pengujian normalitas, sebaiknya menggunakan Shapiro–Wilk test dibandingkan Kolmogorov–Smirnov test. Alasan: a. “The Shapiro-Wilk test is based on the correlation between the data and the corresponding normal scores and provides better power than
the K-S test even after the Lilliefors correction. Power is the most frequent measure of the value of a test for normality—the ability to detect whether a sample comes from a non-normal distribution. Some researchers recommend the Shapiro-Wilk test as the best choice for testing the normality of data” (Ghasemi, & Zahediasl, 2012, hlm 487). For this reason, it is a good test to use with small samples (Hinton, 2014, hlm 102).
b. “Standard KS goodness-of-fit test is not recommended when parameters are estimated from the data (usually the case), regardless of sample size. It should also be noted that the term “KS test” does not necessarily mean the same test in different software packages” (Steinskog, Tjøstheim, & Kvamstø, 2007, hlm 1156). Sering kali uji normalitas pada SPSS dilakukan menggunakan menu: Analyze Nonparametric Tests 1-sample K-S…, dimana cara ini sebenarnya tidak tepat. Seharusnya menggunakan menu: Analyze Descriptive statistic Explore… (selengkapnya lihat tabel di bawah).
3. Untuk hipotesis komparatif, bagaimana bila jumlah anggota kelompok yang diperbandingkan berbeda?
Untuk t-test dan Anova F-test hal ini tidak menjadi masalah asalkan asumsi equality of variance (Levene’s Test) terpenuhi (dengan akta lain, tidak signifikan).
4. Hipotesis two-tail: dugaan mengenai sama atau berbedanya nilai suatu variabel, tanpa menyatakan arahnya. Dibuat apabila belum ada
penelitian-penelitian sebelumnya tentang variabel yang sama, atau bila hasil penelitian-penelitian sebelumnya saling berlawanan (ada yang menyatakan lebih tinggi, hasil yang lain lebih rendah). Hipotesis one-tail: dugaan yang sudah menyatakan arah nilai suatu variabel. Dibuat apabila penelitian-penelitian sebelumnya ataupun teori sudah menyatakan secara jelas bagaimana nilai suatu variabel.
16
Aries Yulianto – April 2019, revisi 3
Analisis statistik di SPSS dan JASP
Analisis SPSS JASP (https://jasp-stats.org/download/)
Deskriptif:
- frekuensi Analyze descriptive statistics Frequencies … display frequency tables
Descriptives descriptive statistics frequency tables
- central tendency (mean, median, modus)
Analyze descriptive statistics Frequencies … statistics
Descriptives descriptive statistics Statistics central tendency
- grafik Analyze descriptive statistics Frequencies … charts
Descriptives descriptive statistics distribution plots (hanya histogram dan bar chart)
- variabilitas (min, max, range, standar deviasi, variance)
Analyze descriptive statistics descriptives … Options Dispersion
Descriptives descriptive statistics Statistics dispersion
Normalitas Analyze descriptive statistics explore: ... Dependent list: ....., Plots Normality plots with tests
T-test One sample T-Test Assumption check Normality
(hanya Shapiro-Willk test)
One-sample t-test Analyze compare means one sample T Test… (isi test value dengan nilai hipotesis)
T-test One sample T-Test Tests: Student (isi test value dengan nilai hipotesis) pilih hypothesis (two tail atau one-tail)
Run Test (wilcoxon) Analyze Nonparametric tests Legacy dialogs Runs…
T-test One sample T-Test Tests: Wilcoxon signed rank (isi test value dengan nilai hipotesis) pilih hypothesis (two tail atau one-tail)
(Run test tidak ada di JASP; padanannya menggunakan Wilcoxon signed rank)
One-sample chi-square
Analyze Nonparametric tests Legacy dialogs chi-square …
Frequencies multinominal test
Independent sample t-test
Analyze Compare means Independent Samples T-Test
T-tests Independent Samples T-Test Tests: Student
homogeneity of variance
Independent sample t-test: pada output Lihat nilai ‘Levene's Test for Equality of Variances’, bila p > 0,05 maka asumsi terpenuhi.
One-way Anova F test: options… checklist homogeneity of variance. bila p > 0,05 maka asumsi terpenuhi.
T-tests Independent Samples T-Test Assumption Checks: Equality of variances.
Anova Anova Assumption Checks: Homogeneity tests.
17
Aries Yulianto – April 2019, revisi 3
Analisis SPSS JASP (https://jasp-stats.org/download/)
Mann-Whitney U test Analyze Nonparametric tests Legacy dialogs 2 independent samples … Mann-Whitney Test
T-tests Independent Samples T-Test Tests: Mann-Whitney
Independent sample chi-square
Analyze Descriptive Statistics Cross-tabs… Statistics… Chi-square
Frequencies Contingency tables Statistics ꭓ2
Dependent/paired sample t-test
Analyze Compare means Paired Sample T-Test… T-tests Paired Samples T-Test Tests: Student
One-way Anova F test Analyze Compare means One-way Anova Options Statistics: Descriptive & Homogeneity of variance.
(post-hoc untuk hipotesis two-tail, contrast untuk hipotesis one-tail)
ANOVA Assumption checks Homogeneity tests & Q-Q plot of residuals Additional Options Descriptive statistics.
(post-hoc untuk hipotesis two-tail, contrast untuk hipotesis one-tail)
Repeated Measures ANOVA
Analyze General Linear Model Repeated Measures…
ANOVA Repeated Measure ANOVA
Friedman Test Analyze Nonparametric tests Legacy dialogs K related samples … Test type: Friedman
ANOVA Repeated Measure ANOVA Nonparametrics
Kruskall-Wallis H test Analyze Nonparametric tests Legacy dialogs K independent samples … Test type: Kruskall-Wallis
ANOVA Nonparametrics (pindahkan variabel ke kanan menggunakan panah).
Pearson Correlation Analyze Correlate Bivariate… Correlate Coefficients: Pearson
(untuk Point Biserial Correlation, data nominal dikotomi harus diinput 1 atau 0)
Regression Correlation Matrix Correlate Coefficients: Pearson
(untuk Point Biserial Correlation, data nominal dikotomi harus diinput 1 atau 0)
Spearman Correlation Analyze Correlate Bivariate… Correlate Coefficients: Spearman
Regression Correlation Matrix Correlate Coefficients: Spearman
Simple & Multiple Linear Regression
Analyze Regression Linear… Regression Linear Regression
Logistic regression (DV dengan 2 kategori) Analyze Regression Binary Logistic…
(DV dengan >2 kategori) Analyze Regression Multinomial Logistic…
(untuk Binary logistic, data DV nominal dikotomi harus diinput 1 atau 0)
Regression Logistic Regression (untuk Binary logistic, data DV nominal dikotomi harus
diinput 1 atau 0)
18
Aries Yulianto – April 2019, revisi 3
PENENTUAN JUMLAH SAMPEL
Jumlah sampel berkaitan dengan sejauh mana hasil
penelitian dapat digeneralisasikan; semakin banyak jumlah
sampel, makin baik. Untuk menentukan jumlah sampel (n)
yang akan diambil, perlu diketahui jumlah populasi (N).
Misalnya: gambaran kecerdasan emosional siswa SLTA di
Jakarta. Maka perlu dicari data jumlah siswa SLTA di Jakarta
sebagai populasinya (misal dari kemendikbud;
http://referensi.data.kemdikbud.go.id/index11.php?kode
=010000&level=1).
Setelah mendapatkan jumlah populasi, maka
jumlah sampel minimal yang perlu diambil dapat dihitung.
Banyak cara untuk menghitung jumlah sampel. Salah satu
yang paling mudah adalah menggunakan nomogram Harry
King (Sugiyono, 2016) apabila populasi berjumlah hingga
2000. Atau mengunakan tabel Isaac dan Michael (Sugiyono,
2016) untuk populasi 10 hingga tidak terhingga.
Langkah menggunakan Nomogram Harry King: 1. identifikasi N, 2. Tentukan tingkat kesalahan (0,3% – 15%), 3. Tentukan taraf kepercayaan (80%, 85%, 95%, atau 99%). 4. Tarik garis lurus dari ukuran populasi (N) ke tingkat
kesalahan, lanjut ke garis paling kiri (%). Nilai ini menunjukkan berapa persen dari populasi yang harus diambil menjadi sampel.
4. Jumlah sampel = (N x %) x multification factor dari taraf kepercayaan.
Contoh: populasi (N) = 200, tingkat kesalahan 5%, taraf kepercayaan 95%. Jumlah sampel = (200 x 58%) x 1,195 = 138,62 Sampel yang harus diambil (n) = 139.
19
Aries Yulianto – April 2019, revisi 3
Cara lain menghitung jumlah sampel adalah
menggunakan Tabel Isaac dan Michael.
Langkah menggunakan Tabel Isaac dan
Michael:
1. identifikasi N,
2. Tentukan taraf kesalahan/signifikansi
(1%, 5%, atau 10%),
3. Lihat angka di kolom taraf kesalahan
yang sesuai dengan N,
4. Angka tersebut adalah jumlah sampel
yang harus diambil (n).
Contoh: populasi (N) = 200, tingkat kesalahan 5%. Sampel yang diambil (n) = 127.
Tabel Isaac dan Michael:
https://bit.ly/2Pu6Hw0
Nomogram Harry King:
https://bit.ly/2D90Ars
20
Aries Yulianto – April 2019, revisi 3
Penulisan hasil statistik berdasarkan A.P.A
Uji normalitas:
Output di atas ditulis sebagai berikut:
“Asumsi normalitas diuji menggunakan Shapiro-Wilk test. Hasil uji menunjukkan Kepuasaan kerja tidak berbeda secara signifikan dengan
distribusi normal, SW(483) = 0,997, p > 0,05.”
Korelasi Pearson:
Output di atas ditulis sebagai berikut:
“Prestasi dan IQ tidak memiliki hubungan yang signifikan, r(8) = 0,103, p > 0,05.”
21
Aries Yulianto – April 2019, revisi 3
Independent sample t-test:
Output di atas ditulis sebagai berikut:
“Hasil uji Levene’s test menunjukkan varians kedua kelompok tidak setara, F(1, 25) = 7,718, p < 0,05. Oleh karena itu, akan digunakan independent sample t-test yang tidak mengasumsikan kesetaraan varians. Tidak ada perbedaan yg signifikan dalam skor pengungkapan diri antara remaja Jawa (M = 74,42; SD = 10,681) dengan remaja Madura (M = 72,20; SD = 6,721), t(17,679) = 0,627, p > 0,05.”
22
Aries Yulianto – April 2019, revisi 3
Regression
Pengaruh SAT terhadap IPK.
Linear Regression
Model Summary
Model R R² Adjusted R² RMSE
1 0.252 0.063 0.059 0.756
ANOVA
Model Sum of Squares df Mean Square F p
1 Regression 8.583 1 8.583 15.017 < .001
Residual 126.880 222 0.572
Total 135.463 223
Coefficients
Model Unstandardized Standard Error Standardized t p
1 (Intercept) 1.284 0.352 3.642 < .001
satm 0.002 5.859e -4 0.252 3.875 < .001
Output di atas ditulis sebagai berikut:
“Regresi linear sederhana digunakan untuk mengetahui apakah TPA dapat mempengaruhi (memprediksi) IPK. Hasil regresi menunjukkan bahwa TPA dapat menjelaskan 6,3% varians IPK, R2=0,063; F(1, 222) = 15,017, p < 0,001. TPA secara signifikan berpengaruh (memprediksi) secara positif terhadap IPK, b = 0,002, p < 0,001. Oleh karena itu dapat dibuat persamaan regresi untuk memprediksi IPK dari TPA sebagai berikut:
IPK = 1,284 + 0,002(TPA)
Dari persamaan regresi tersebut dapat dikatakan bila seorang subjek memiliki skor TPA sebesar 0, maka IPK-nya diprediksi sebesar 1,284. Pertambahan TPA sebesar 1 skor, meningkatkan IPK sebesar 0,002.”
23
Aries Yulianto – April 2019, revisi 3
REFERENSI:
Field, A. (2009). Discovering statistics using SPSS. London: Sage Publications, Ltd.
Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for non-statisticians. International Journal Endocrinology & Metabolism, 10(2), 486-489.
Hinton, P. R. (2014). Statistic explained. New York: Routledge.
Steinskog, D. J., Tjøstheim, D. B., & Kvamstø, N. G. (2007). A cautionary note on the use of the Kolmogorov–Smirnov test for normality. Monthly Weather Review, 135(3), 1151-1157.
Sugiyono (2016). Statistik untuk penelitian. Bandung: Penerbit Alfabeta.