Bulan: Agustus 2020

Kategori
Jasa Olah Data

Mengenal Lebih Jauh Tentang Uji Korelasi Rank Spearman

Korelasi rank spearman

Korelasi spearman sebenarnya merujuk pada penemuan peneliti lalu tentang hubungan antara dua variabel atau derajat yang mengukur korelasi berpangkat. Hubungan tersebut ditemukan oleh Spearman sendiri pada tahun 1904 dan dipakai untuk uji hipotesis korelasi pengukuran dari variabel minimal ordinal. Artikel kali ini akan membahas lebih lanjut mengenai korelasi rank spearman.

Perbedaan Korelasi Rank Spearman dan Regresi

Dua jenis uji yang paling populer dalam software SPSS adalah korelasi Spearman dan juga regresi ini. Meskipun begitu, masih banyak yang belum paham mengenai perbedaan antara keduanya. Dalam statistik, dependence merujuk pada hubungan yang luas dengan keterlibatan dua variabel acak atau set data. Sedangkan pada korelasi, dependence merujuk pada hubungan yang melibatkan ketergantungan.

Secara konteks, kedua uji tersebut memiliki perbedaan utama pada letak skala variabel yang akan digunakan. Contoh yang paling sering digunakan untuk analisis korelasi ini adalah hubungan tinggi pohon indukan dengan anakannya. Sedangkan pada analisis regresi, variabel yang dimiliki cenderung memiliki hubungan sebab akibat atau kausalitas seperti pengaruh THR terhadap kinerja karyawan.

Tujuan Analisis Korelasi Spearman

Melakukan analisis korelasi bukannya tanpa tujuan tetapi memang karena perlu ada beberapa hal yang harus dicapai. Ada beberapa tujuan umum pada saat seseorang hendak melakukan uji yang satu ini seperti misalnya melihat keeratan hubungan dari dua variabel. Setelah bisa mendapatkan keeratan hubungan dari dua variabel, uji ini juga bisa melihat jenis hubungannya.

Hasil akhir dari uji korelasi Spearman biasanya berupa angka-angka yang kemudian bisa dikategorikan dalam beberapa hubungan. Nah dari angka tersebut bisa dilihat seberapa signifikan hubungan yang terjadi. Maksud dari signifikan di sini adalah bagaimana satu variabel mempengaruhi dengan sangat atau bahkan tidak berpengaruh sama sekali terhadap variabel lainnya.

Kriteria Tingkat Kekuatan Korelasi

Ada beberapa nilai pedoman dalam penentuan tingkat kekuatan korelasi variabel yang dihitung. Pedoman ini biasa digunakan dalam output yang diberikan oleh SPSS. Ketentuan nilai pedoman tersebut ialah:

  • 0,00 – 0,25: hubungan sangat rendah
  • 0,26 – 0,50: hubungan cukup
  • 0,51 – 0,75: hubungan kuat
  • 0,76 – 0,99: hubungan sangat kuat
  • 1: hubungan sempurna

Kriteria Arah Korelasi

Arah korelasi dapat dilihat di hasil bagaimana angka koefisien korelasi dan biasanya nilai yang dihasilkan berada pada rentang -1 sampai dengan 1. Ketika nilai koefisien korelasi memiliki nilai negatif maka hubungan tidak searah sedangkan ketika bernilai positif maka hubungan searah.

Kriteria Signifikansi Korelasi

Kekuatan dari korelasi juga ikut menentukan signifikansi hubungan dari dua variabel yang dilakukan uji ini. Ketika nilai sig (2 tailed) berada kurang dari rentan 0,05 atau 0,01, maka hubungan dikatakan signifikan. Sedangkan pada saat nilai sig (2 tailed) berada lebih dari rentang tersebut maka hubungan dikatakan tidak berarti.

Melakukan penghitungan uji korelasi rank spearman memang bisa dikatakan lebih mudah daripada jenis uji lain. Tetapi dalam pengaplikasiannya sering mengalami masalah mana data yang bisa dilakukan dengan uji korelasi ini. Patra Statistika adalah jawaban dari permasalahan statistika yang dihadapi. Tak hanya uji korelasi, konsultasi permasalahan lain pun bisa lebih mudah dengan Patra Statistika.

Kategori
Jasa Olah Data

Mengenal Uji Kruskal-Wallis dan Beberapa Asumsi serta Solusi di Dalamnya

Uji kruskal-wallis

Dalam dunia statistik, ada salah satu jenis uji yang bersifat non parametrik yakni uji kruskal-wallis. Uji ini dilakukan untuk mengetahui perbedaan yang signifikan antara variabel independen dan variabel dependen yang ada dalam suatu data.  Dengan kata lain, uji ini dilakukan untuk melihat perbandingan perbedaan dari kelompok populasi yang ada.

Kruskall-Wallis sebagai Uji Non Parametrik

Karena keberadaan uji satu ini sebagai uji non parametrik, maka asumsi normalitas boleh secara gamblang dilanggar. Ketika sudah memakai uji ini, maka uji normalitas seperti Shapiro wilk atau liliefors tidak perlu lagi dilaksanakan.

Asumsi Uji Kruskall-Wallis

Uji asumsi satu ini tidak bisa dilakukan secara sembarangan melainkan ada prasyarat yang perlu dipenuhi terlebih dulu. Beberapa asumsi atau syarat yang perlu dipenuhi terlebih dahulu yaitu:

1. Ada Lebih dari 2 Variabel

Variabel independen yang memiliki skala kategorik dengan kategori yang dimilikinya harus lebih dari 2. Karena uji ini adalah uji yang membandingkan variabel independen dan variabel dependennya, maka dalam sebuah data harus ada minimal dua kategori.

2. Variable Berskala Numeric/Ordinal

Syarat kedua yang perlu dipenuhi adalah setiap variabel dependen dalam sebuah data harus berskala numeric ataupun ordinal. Hal ini karena perbandingan yang dilakukan memang menurut dua skala tersebut.

3. Independen

Data yang akan dilakukan uji ini harus bersifat independen. Independen maksudnya adalah tidak boleh ada sampel yang berada pada dua kategori atau lebih atau biasa dibilang sampel harus bebas satu sama lain.

4. Memiliki Variabilitas Sama

Setiap kategori yang ada pada sebuah data harus memiliki variabilitas yang sama. Dengan kata lain kurva yang berbentuk histogram harus memiliki sebaran data yang sama. Ketika sebaran data sudah sama, barulah uji kruskall-wallis ini baru bisa dilaksanakan untuk melihat perbedaan median antar kategori. Jika variabilitas tidak sama maka uji ini hanya untuk peringkat rata-rata.

Solusi Asumsi Kruskall-Wallis

Ternyata ketika ada beberapa hal yang tidak bisa terpenuhi dalam uji ini masih bisa diatasi dengan beberapa solusi. Misalnya ketika hanya ada satu kategori saja, maka cukup alihkan uji ke dalam uji Mann Whitney U Test.

Masalah lain yang biasa dihadapi adalah ketika skala data di tiap variabel tidak sesuai dengan ketentuan di atas. Hal ini bisa diatasi dengan uji seperti uji Chi-Square. Terakhir yakni ketika anggota sample di tiap kategori yang sudah ditentukan ini sama. Maka yang perlu dilakukan hanya menggunakan uji komparatif berpasangan skala ordinal menggunakan uji Friedman Test.

Nah itulah dia beberapa hal mengenai Uji Kruskall-Wallis yang penting untuk diketahui. Uji ini memiliki banyak ketentuan yang sedikit rumit. Apabila merasa kebingungan, Patra Statistika bisa membantu menyelesaikan masalah yang ada. Berkonsultasi dalam bidangnya adalah pilihan terbaik ketika sedang menghadapi kesulitan dalam statistika.

Kategori
Jasa Olah Data

Tutorial Melakukan Uji Friedman dengan Aplikasi SPSS

Uji friedman

Uji Friedman biasa digunakan untuk mengetahui apa saja perbedaan dari sampel yang berjumlah lebih dari dua kelompok dan saling berhubungan. Data yang digunakan dalam uji ini adalah data ordinal sehingga setiap data lain perlu diubah ke data ordinal terlebih dahulu. Aplikasi yang paling sering digunakan untuk melakukan uji ini adalah SPSS dan berikut tutorialnya:

1. Buka Lembar Kerja Baru SPSS

Seperti tutorial yang lainnya, langkah pertama yang perlu dilakukan dalam melakukan uji ini dalam SPSS adalah membuka lembar kerja baru. Setelah itu klik Variable View untuk mengisi beberapa kolom seperti Name, Decimals, Label, Measure, dan lain-lain. Cukup ikuti ketentuan yang ada dan cocokkan kembali dengan variabel yang dimiliki.

2. Klik Data View dan Lakukan Uji Normalitas

Setelah membuat tabel tersebut, langkah selanjutnya adalah dengan memasukkan data yang sudah dimiliki. Data mentah ini tidak bisa langsung diproses menggunakan uji Friedman dan perlu dilakukan uji normalitas terlebih dulu.

3. Munculkan Tests for Several Related Samples

Data yang sudah dilakukan pengujian normalitas tadi langkah selanjutnya adalah memunculkan kotak dialog Tests for Several Related Samples. Cara memunculkannya adalah dengan memilih menu Analyze di menu utama kemudian pilih Nonparametric Tests. Setelah itu ada lagi menu Legacy dialogs dan pilih K Related samples, tunggu hingga muncul kotak dialog tersebut.

4. Memasukkan Variabel

Setelah muncul kotak dialog Tests for Several Related Samples, langkah selanjutnya adalah memasukkan variable. Variabel yang perlu dimasukkan ini diletakkan pada kotak Test Variables disesuaikan dengan data yang dimiliki. Pada bagian bawah ada beberapa opsi uji yang bisa dipilih, sesuai dengan uji yang dilakukan saat ini, pilih opsi Friedman.

5. Centang Descriptive dan Quarties

Langkah terakhir yang perlu dilakukan untuk mendapatkan hasil dari uji yang dilakukan adalah memberi centang pada Descriptive dan Quarties. Setelah mencentang dua opsi tersebut kemudian cukup klik Continue sehingga aplikasi bisa memproses perintah yang diberikan. Klik OK saja di menu selanjutnya hingga output SPSS akan muncul dengan beberapa hasil berbeda.

6. Hasil yang Didapatkan

Nah di program SPSS ada beberapa hasil yang akan dimunculkan dalam beberapa tabel berbeda. Tabel Output pertama akan menunjukkan Descriptive Statistics dengan beberapa tabel penjelasannya. Selain itu akan didapatkan juga tabel output Ranks dan Test Statistics. Inilah hasil paling terakhir yang bisa diberikan oleh SPSS dalam uji non parametrik satu ini.

Tabel hasil uji Friedman perlu diinterpretasikan lebih lanjut semisal ingin mendapatkan hasil akhir yang diperlukan. Patra Statistika bisa membantu semua kebutuhan akan analisis yang diperlukan untuk data penelitian yang diperlukan. Memang hampir semua uji statistic akan terasa sangat rumit sehingga bantuan ahli di bidang ini memang sangat diperlukan untuk kepentingan.

Kategori
Jasa Olah Data

Mengenal Uji Pearson Chi Square sebagai Uji Non Parametis Paling Sering Digunakan

Uji pearson chi square

Statistika adalah salah satu bidang ilmu yang biasanya erat berkaitan dengan data, angka, dan juga uji-uji pada data. Hampir semua orang tidak menyukai ilmu yang satu ini karena memang lebih sulit dimengerti juga penuh dengan rumus yang memusingkan. Salah satu ilmu statistika yang paling sering digunakan adalah uji Pearson Chi square yang juga memiliki nama lain uji kai-kuadrat.

Kegunaan Uji Chi-Square

Jenis uji yang satu ini biasa digunakan untuk melihat ketergantungan antara sebuah data dengan variabel bebas yang berskala nominal ataupun ordinal. Uji ini merupakan uji komparatif non parametris yang dilakukan pada dua variabel saja. Ketika dalam sebuah data terdapat satu skala nominal maka uji yang dilakukan merujuk hanya digunakan pada derajat terendah saja.

Syarat Uji

Uji ini adalah salah satu jenis uji non parametis yang banyak digunakan dalam banyak sekali penelitian di seluruh dunia. Meskipun begitu, ada beberapa syarat dalam uji ini agar dapat diaplikasikan dengan benar. Beberapa syarat tersebut diantaranya ialah:

1. Tidak Ada Frekuensi Kenyataan

Syarat pertama yang harus dipenuhi oleh data yang akan diaplikasikan uji ini adalah tidak adanya sel dengan nilai frekuensi kenyataan. Nilai frekuensi kenyataan atau yang biasa disebut dengan Actual Count (F0) dalam sebuah data haruslah berjumlah 0 (nol).

2. Tidak Boleh Ada Frekuensi Harapan

Jika uji ini akan dipakai di sebuah data berbentuk tabel kontingensi 2×2, tidak boleh ada satu sel dengan frekuensi harapan. Frekuensi harapan (Fh) yang sering disebut dengan expected count ini harus berjumlah total kurang dari 5.

3. Ketika Bentuk Tabel Lebih dari 2×2

Ternyata pada uji yang satu ini bentuk tabel tidak selalu berbentuk 2×2 dan bisa saja lebih dari itu seperti 2×3 misalnya. Dalam keadaan tersebut, jumlah sel berfrekuensi harapan total harus kurang dari 5 saja dan juga tidak boleh lebih dari 20%.

Jenis Uji Pearson Chi Square

Berbeda dengan uji yang lain, uji satu ini ternyata memiliki rumus dasar yang tidak hanya ada satu rumus saja. Misalnya pada tabel kontingensi yang berukuran 2×2, maka rumus yang bisa diaplikasikan adalah rumus “Koreksi Yates”.

Sedangkan pada saat tabel yang digunakan adalah tabel kontingensi 2×2 tetapi ada syarat uji yang tidak terpenuhi, maka berbeda lagi. Syarat uji yang paling umum tidak terpenuhi adalah sel yang berisi frekuensi harapan kurang dari lima. Hal ini bisa diatasi dengan penggunaan rumus chi-square yang lain yakni “Fisher Exact Test”.

Meskipun uji Pearson Chi square merupakan jenis uji non parametrik yang paling banyak digunakan, tetapi sampai saat ini masih terasa membingungkan. Ada banyak hal dari uji ini yang terasa membingungkan dan karena itu keberadaan ahli statistika adalah jawabannya. Patra Statistika akan membantu semua hal berkaitan dengan uji ini baik sekedar berkonsultasi atau lebih. Jadi tunggu apalagi sekarang?

Kategori
Jasa Olah Data

Mengenal Jenis-jenis Data yang Penting dalam Penelitian

Jenis-jenis data

Pengambilan data adalah bagian terpenting dalam sebuah penelitian. Tanpa adanya data, maka analisis tidak bisa dilakukan. Namun, agar analisis yang dilakukan bisa memberikan hasil yang akurat, peneliti harus mengelompokan data berdasarkan jenis-jenis data yang ada.

Salah satu jenis data adalah data kuantitatif. Maksudnya, data tersebut diambil dan dilambangkan dengan angka-angka. Data kuantitatif sendiri dibagi lagi menjadi empat kelompok data. Jenis-jenis data kuantitatif tersebut adalah sebagai berikut:

1. Nominal

Data nominal adalah data yang tidak memiliki perbandingan tingkatan dan hanya merupakan pengelompokan suatu objek. Dalam data nominal tidak ada kelompok yang lebih tinggi maupun rendah. 

Data ini termasuk data kualitatif. Artinya, hitungan matematis tidak bisa diaplikasikan pada data-data semacam ini. Dalam data nominal setiap kategori memiliki sifat mutually exclusive, yakni setiap objek hanya mempunyai satu kategori saja. 

Contoh mudah dari jenis data nominal adalah jenis kelamin. Pada jenis kelamin, pilihan yang ada adalah laki-laki dan perempuan. Ketika mendapat data jenis kelamin, peneliti tidak bisa memutuskan bahwa laki-laki lebih tinggi dari perempuan atau sebaliknya. 

2. Ordinal

Data ordinal memiliki tingkatan yang lebih tinggi dibanding data nominal. Meskipun masih tergolong data kategorik, pada data ordinal telah ada tingkatan atau peringkat. 

Umumnya data ordinal disusun dari peringkat terendah hingga peringkat tertinggi. Ciri umum dari data ordinal yakni datanya yang saling memisah dan dapat disusun berdasarkan jumlah karakteristik khusus yang dimiliki tiap objek. 

Contoh dari data ordinal adalah tingkat pendidikan. Pendidikan dikelompokan dalam kategori SD, SMP, SMA, dan perguruan tinggi. Dari kategori tingkat pendidikan ini dapat terlihat bahwa SD memiliki tingkat yang lebih rendah dibanding SMP, atau SMA. 

3. Interval

Data interval termasuk dalam data numerik yang artinya terdiri dari angka-angka. Pada data interval terdapat rentang antara satu objek dengan lainnya dan rentang tersebut. Data ini termasuk ke dalam data kuantitatif, sehingga perhitungan matematis dapat dilakukan. 

Satu ciri khas yang bisa ditemui pada data interval yakni ketiadaan nol mutlak atau absolut. Maksudnya, angka nol pada data ini hanya menggambarkan satu titik dalam skala. 

Contoh data interval adalah suhu. Pada suhu diketahui terdapat suhu 0°. Namun arti dari 0° sendiri bukanlah akhir karena hanya menandakan satu titik saja, yang artinya masih ada angka setelah angka nol. 

4. Rasio

Diantara jenis data yang lain, data Rasio memiliki tingkatan yang paling tinggi. Pasalnya, pada data jenis ini tidak hanya rentang atau interval antar objek yang jelas, melainkan sudah terdapat angka nol mutlak. Hal ini berarti angka nol menandakan ketiadaan dari sebuah data. 

Contoh data rasio adalah tinggi badan. Misalnya tinggi badan A adalah 160 cm, sedang tinggi B 80 cm. Dari perbandingan tinggi tersebut diketahui bahwa A memiliki tinggi 2 kali B. 

Memahami jenis-jenis data (nominal, ordinal, interval, dan rasio) bisa membantu mempermudah penelitian. Selama peneliti bisa mengambil data dan mengelompokkannya dengan tepat, peneliti tidak perlu pusing dengan pengolahan data. Yang perlu dilakukan hanya menghubungi kami selaku penyedia jasa pengolah data. Peneliti enak, kami pun senang. 

Kategori
Jasa Olah Data

Macam Cara Uji Asumsi Klasik Regresi yang Biasa Dilakukan

Uji asumsi klasik regresi

Dalam melakukan analisis regresi, perlu dilakukan uji asumsi klasik regresi agar hasil estimasinya tidak bias dan lebih akurat. Selain itu, tujuan dilakukan uji tersebut adalah untuk melihat apakah dalam model regresi terdapat masalah-masalah asumsi klasik.

Agar hasil dikatakan valid atau akurat, semua persyaratan dalam regresi linear harus dinyatakan BLUE. BLUE sendiri adalah Best Linear Unbiased Estimation, sehingga ketika melakukan uji asumsi hasilnya harus memenuhi semua persyaratan tersebut. Untuk dapat melakukan uji validitas tersebut ada 5 cara yang bisa dilakukan sebagai berikut:

1. Uji Normalitas

Uji asumsi klasik regresi yang pertama adalah dengan melakukan uji normalitas pada model. Tujuan dari dilakukan uji ini adalah untuk melihat apakah nilai residu sudah terdistribusi dengan normal atau tidak. Jadi, tidak semua variabel dilakukan uji normalitas. Sebuah model regresi yang bagus adalah yang memiliki nilai residu yang terdistribusi normal.

2. Uji Multikolinearitas

Uji asumsi yang berikutnya adalah dengan menggunakan uji multikolinearitas. Dengan melakukan uji ini, penguji melihat apakah ada korelasi antara variabel indepen dengan model regresi linear. Model yang bagus seharusnya tidak memiliki korelasi yang tinggi karena dapat mengganggu variabel dependen yang lainnya.

Cara untuk mengatasi ini adalah dengan mengeluarkan variabel yang memiliki korelasi tinggi tersebut. Namun, jika ini tidak memungkikan, maka tambahlah jumlah observasi untuk mengurangi tingkat korelasi.

3. Uji Heteroskedastistas

Sebuah model akan memenuhi persyaratan apabila memiliki kesamaan varians dari residual dari satu pengamatan ke pengamatan yang lainnya. Apabila terdapat perbedaan, maka model tersebut tidak akan valid. Oleh karena itu, perlu dilakukan uji heteroskedastistas. Salah satu solusi yang dapat dilakukan agar menjadi valid adalah dengan mengubahnya ke bentuk logaritma apabila semua datanya positif.

4. Uji Autokorelasi

Proses uji terakhir yang sering dilakukan adalah uji autokorelasi. Sesuai namanya, tujuan dari uji ini adalah untuk melihat apakah ada korelasi antara periode saat ini dengan periode sebelumnya (t-1). Beberapa uji statistic yang dapat digunakan untuk data kecil adalah uji dengan run test, atau uji Durbin Watson. Namun, jika memiliki data lebih dari 100, sebaiknya menggunakan uji Lagrange Multiplier.

5. Uji Linearitas

Uji yang satunya ini tidak sering digunakan untuk menguji sebuah model karena pada umumnya sebuah model dibangun dengan linear antara variabel independen dan dependen. Namun, para penguji dapat melakukan konfirmasi kembali mengenai hubungan kedua variabel dengan uji linearitas.

Jadi, untuk mendapatkan hasil yang akurat pada uji asumsi klasik regresi, ada baiknya melakukan beberapa langkah di atas. Prosesnya yang tidak instan, seringkali membuat sebagian orang ragu. Untuk itu, bisa langsung menghubungi Patra Statistika untuk proses pengolahan data hingga hasil akhirnya diperoleh.

Kategori
Jasa Olah Data

Mengenal Uji Mann Whitney dan Ketentuan Penggunaannya

Uji mann whitney

Dikembangkan pada tahun 1947, uji Mann Whitney merupakan alternatif dari uji T parametrik. Seperti diketahui, hasil dari uji normalitas akan menentukan jenis uji apa yang cocok untuk dilakukan selanjutnya. Nah, jika distribusi datanya tidak normal, Mann Whitney ini bisa menjadi pilihan untuk uji lanjutannya. Berikut penjelasan lengkapnya.

Apa Itu Uji Mann Whitney?

Dalam Mann Whitney, uji dilakukan untuk mengetes perbandingan 2 populasi yang sama dengan median atau nilai tengah yang berbeda. Sampel yang digunakan adalah sampel yang tidak berpasangan. Maksud dari perbandingan ini adalah untuk melihat apakah perbedaan keduanya memiliki makna yang signifikan atau tidak. 

Ada banyak bidang yang bisa memanfaatkan uji ini untuk berbagai keperluan. Misalnya dalam pengobatan, bisnis, dan psikologi. Salah satu contohnya adalah untuk menguji pengaruh pelatihan terhadap penjualan. Uji ini bisa dilakukan dengan aplikasi SPSS.

Kriteria Data dan Ketentuan Pengujian 

Sebagaimana berbagai uji dengan metode lainnya, data yang akan diuji menggunakan metode Mann Whitney juga harus memenuhi kriteria tertentu. Hal ini dimaksudkan agar hasil ujinya kredibel dan valid. Berikut beberapa kriteria data yang menjadi ketentuan.

  • Data yang diuji harus berskala rasio, interval, atau ordinal.
  • Terdapat 2 kelompok data yang diuji.
  • Tidak terpengaruh atas normalitas data.
  • Data tidak berpasangan alias berbeda kelompok.
  • Kelompok yang diuji variansnya sama alias homogen.

Selain kriteria data, terdapat ketentuan berbeda dalam proses pengujiannya berdasarkan besarnya sampel yang akan diuji. Jika sampel kurang dari atau sama dengan 20, maka yang digunakan adalah uji U. Sedangkan jika sampel lebih dari 20, uji yang lebih cocok digunakan adalah uji Z.

Lebih lanjut, untuk menafsirkan hasil ujinya, harus diketahui dulu sebaran datanya. Jika sebaran data kedua kelompok sama, maka dapat disimpulkan perbedaan mean dan median. Sementara jika sebaran datanya berbeda, yang disimpulkan adalah mean.

Cara Uji Mann Whitney di SPSS

Sebelum melakukan uji ini di SPSS, pastikan data telah diinput dan sebaran data telah diketahui. Kemudian ikuti langkah-langkah berikut:

  • Masuk ke menu Analyze, lalu klik secara berurutan Nonparametric Tests, Legacy Dialogs, 2 Independent Samples.
  • Isikan Test Variable List dan Grouping Variable pada kotak dialog Two-Independent-Sample Test dan beri tanda centang pada Mann-Whitney U.
  • Kemudian klik Define Groups dan isikan kode masing-masing kelompok data, lalu klik Continue.
  • Jika sudah, klik Options dan beri tanda centang pada Descriptive. Kembali klik Continue.
  • Terakhir, klik OK.

Melakukan uji yang satu ini menggunakan aplikasi tidak terlalu berbeda dengan uji lainnya. Hanya saja, sebelumnya ada hal-hal yang perlu diperhatikan agar hasil uji tidak melenceng. Bagi sebagian orang, memperhatikan hal-hal kecil mungkin terasa merepotkan. Karena itu, hadirnya Patra Statistika dapat menjadi jawaban yang sangat brilian.

Selain uji Mann Whitney,  Patra Statistika juga melayani berbagai uji dengan aplikasi yang bervariasi. Segera konsultasikan penelitian yang sedang dijalankan dan dapatkan pelayanan prima. Penelitian berjalan lancar, hasil pun memuaskan.

Kategori
Jasa Olah Data

Tujuan Penggunaan Dependen t Test beserta Ketentuannya

Dependen t test

Dalam statistik parametrik, terdapat istilah uji t atau t test. Tujuan dari uji ini adalah untuk mengetahui pengaruh masing variabel bebas terhadap variabel terikat. Uji T terbagi menjadi 2, dependen dan independen. Kali ini akan dibahas mengenai dependen t test. Simak di bawah ini untuk penjelasan lebih lanjut.

Tujuan Dependen t Test

Disebut juga paired-sample t test, jenis uji yang satu ini digunakan untuk membandingkan rata-rata 2 kelompok berpasangan. Maksudnya, pengujian dilakukan terhadap sampel yang sama namun pengukurannya berbeda. Misalnya sebelum dan sesudah adanya perlakuan tertentu pada sampel. Bisa juga dilakukan tes yang sama pada sampel yang sama dengan alat yang berbeda. 

Untuk memahami hasilnya, terdapat nilai signifikansi yang memiliki arti tertentu terhadap hasil uji. Nilai ini menunjukkan apakah perbedaan dari kedua kondisi sampel yang diuji tersebut memiliki makna atau tidak.

Jika nilai signifikansi kurang dari 0.05, maka kedua variabel memiliki perbedaan signifikan. Artinya, perbedaan perlakuan terhadap sampel memberi pengaruh yang bermakna. Sementara jika nilainya lebih dari 0.05, berarti tidak ada pengaruh bermakna dari perbedaan tersebut.

Ketentuan

Terdapat setidaknya 4 ketentuan yang harus dipenuhi agar data bisa diuji dengan t test jenis ini. Memastikan bahwa data telah memenuhi ketentuan adalah salah satu cara untuk mendapatkan hasil penelitian yang kredibel. Berikut keempat ketentuan tersebut.

  • Data harus berdistribusi normal. Untuk itu, perlu dilakukan uji normalitas terlebih dulu.
  • Kelompok data yang akan diuji keduanya harus saling berpasangan atau berhubungan (dependen). Karenanya, sampel yang digunakan haruslah sama.
  • Jenis datanya harus bersifat kategorik dan numerik.
  • Kedua kelompok data memiliki satuan yang sama.

Contoh Kasus dan Langkah-Langkah Pengujiannya pada Aplikasi SPSS

Sebagai contoh, dibuatlah penelitian tentang “Peningkatan Prestasi Belajar dengan Penerapan Metode WAW”. Penelitian ini dilakukan terhadap 10 siswa. Tujuannya untuk menguji nilai latihan Bahasa Indonesia sebelum dan sesudah diterapkannya uji tersebut. Untuk melakukan uji dengan SPSS, ikuti langkah-langkah berikut.

  • Pada menu Analyze, klik Compare Means lalu Paired-Samples t test.
  • Setelah jendela Paired-Samples t test terbuka, masukkan variabel yang ingin diuji. Pada kasus ini, sebut saja “Sebelum Penerapan” dan “Sesudah Penerapan”.
  • Klik OK. Jendela output pun akan menampilkan hasilnya.

Terdapat beberapa nilai yang bisa dilihat dari hasil tes ini. Di antaranya adalah nilai rata-rata, standar deviasi, standar error, nilai korelasi, dan nilai signifikansi. Hasil-hasil ini akan menjadi petunjuk untuk melakukan langkah selanjutnya dalam penelitian.

Kesulitan dalam melakukan uji penelitian parametrik? Atau membutuhkan ahli statistik untuk berkonsultasi? Hubungi Patra Statistika untuk mendapatkan pelayanan berkaitan dengan data dan penelitian.

Sebagai konsultan penelitian terkemuka, Patra Statistika bisa membantu menyelesaikan berbagai jenis uji penelitian parametrik. Mulai dari regresi, korelasi, hingga uji t, termasuk dependen t test. Jangan ragu untuk bertanya demi kelancaran penelitian yang sedang berjalan.

Kategori
Jasa Olah Data

Mengenal Analisis Regresi Linier dalam Penelitian

Analisis regresi linear

Sebuah penelitian tidak akan lengkap tanpa adanya analisis. Guna analisis dalam suatu penelitian yakni membuktikan kebenaran hipotesis. Analisis sendiri terdiri dari berbagai jenis, salah satunya adalah analisis regresi linier.

Apa Itu Analisis Regresi Linier?

Seorang peneliti tentu sudah tidak asing dengan regresi linier sebagai analisis sebuah penelitian. Regresi linier adalah suatu metode statistika untuk mencari tahu hubungan antara variabel terikat atau (y) dengan satu atau lebih variabel bebas (x).

Regresi linier merupakan salah satu model analisis sederhana dengan jenis data interval atau rasio. Melalui analisis ini, peneliti dapat melakukan prediksi berdasarkan data-data yang didapatkan.

Secara umum, regresi linier digunakan untuk mengetahui apakah variabel bebas yang diteliti memiliki korelasi yang signifikan terhadap variabel terikat. Selain itu, analisis ini juga bisa digunakan untuk mengetahui variabel mana saja yang berpengaruh signifikan terhadap variabel terikat.

Jenis-jenis Regresi Linier

Sebelum melakukan analisis dengan regresi linier , peneliti harus dapat memilih jenis regresi linier mana yang akan digunakan. Oleh karena itu, penting bagi peneliti untuk memahami masing-masing jenis regresi linier. Terdapat dua jenis regresi linier yang biasanya digunakan dalam penelitian, yakni:

1. Regresi Linier Sederhana

Regresi linier sederhana merupakan salah satu jenis regresi linier yang digunakan untuk mencari tahu korelasi antara variabel bebas dan terikat. Pada regresi linier sederhana, terdapat satu variabel bebas dan variabel terikat.

Dengan menggunakan regresi linier, peneliti bisa mengetahui arah hubungan antara variabel bebas dan terikat. Selain itu, peneliti juga bisa melakukan prediksi besar nilai dari variabel terikat.

Untuk bisa menggunakan analisis ini,  peneliti harus memenuhi beberapa asumsi terlebih dahulu. Asumsi-asumsi yang dimaksud antara lain:

  • Data yang didapat berjenis interval atau rasio
  • Distribusi data normal
  • Jumlah sampel antara variabel bebas dan terikat sama
  • Memiliki hubungan linier

Ketika syarat-syarat atau asumsi untuk melakukan regresi linier telah terpenuhi, peneliti bisa mencari tahu korelasi antara variabel bebas dengan terikat melalui rumus regresi linier yakni:

Y= a + bX

2. Regresi Linier Berganda

Jenis regresi linier lain yang perlu diketahui adalah regresi linier berganda. Sama seperti regresi linier sederhana, regresi linier berganda dilakukan untuk mencari tahu korelasi antara variabel bebas dan terikat. Hanya saja, pada analisis ini, jumlah variabel bebas yang diteliti lebih dari satu.

Apabila peneliti ingin menggunakan analisis ini, ada beberapa asumsi klasik yang mesti terpenuhi, diantaranya:

  • Data berbentuk interval atau rasio
  • Memiliki linearitas
  • Residual bersifat normal
  • Terhindar dari Heteroskedastisitas
  • Non Multikolinearitas

Ketika semua asumsi telah terpenuhi, analisis regresi baru bisa dilakukan dengan menggunakan persamaan:

Y = a + b1X1 + b2X2 + b3X3 + … + bnXn

Penghitungan analisis regresi linier tidak melulu dilakukan secara manual. Apabila data yang dikumpulkan terlalu banyak, peneliti bisa menggunakan aplikasi statistik untuk melakukan analisis ini. Dengan begitu, hasil yang didapat bisa lebih cepat dan juga akurat.

Meskipun disebut sebagai analisis yang sederhana, regresi linier memiliki sedikit tingkat kesulitan, terutama bagi peneliti baru, seperti mahasiswa. Untuk mempermudah melakukan analisis, peneliti bisa memanfaatkan kami, jasa pengolahan data. Segera hubungi kami untuk membantu melakukan pengolahan data dan analisis penelitian!

Kategori
Jasa Olah Data

Cara Melakukan Analisis Variansi Dua Arah pada Sebuah Penelitian

Analisis variansi dua arah

Dalam penelitian, terdapat berbagai macam jenis analisis yang bisa digunakan, tergantung pada tujuan penelitian. Apabila peneliti ingin membandingkan rata-rata antara variabel bebas dan variabel terikat, maka analisis variansi adalah jenis uji statistik yang tepat. Jika diketahui variabel bebas lebih dari satu, peneliti bisa menggunakan analisis variansi dua arah.

Kapan ANOVA Dua Arah Digunakan?

Secara garis besar, tujuan peneliti melakukan penelitian dikarenakan ingin mengetahui hubungan antar variabel, pengaruh antara variabel atau ingin membandingkan dua atau lebih variabel. Masing-masing tujuan penelitian memiliki uji statistik yang berbeda.

Analisis variansi atau ANOVA merupakan uji statistik yang digunakan untuk membandingkan rata-rata variabel. ANOVA sendiri terdiri dari dua jenis yakni ANOVA satu arah dan ANOVA dua arah. Peneliti bisa menggunakan ANOVA dua arah apabila diketahui variabel bebas atau variabel faktor berjumlah lebih dari satu.

Asumsi Atau Syarat Menggunakan ANOVA Dua Arah

ANOVA merupakan salah satu uji parametrik. Oleh karena itu, ada beberapa asumsi yang perlu dipenuhi agar peneliti bisa menggunakan analisis ini. Beberapa asumsi yang dimaksud antara lain:

1. Nilai Residu Berdistribusi Normal

Salah satu hal yang paling penting sebelum melakukan uji ANOVA adalah mengetahui apakah data yang dipakai berdistribusi normal atau tidak. Apabila diketahui nilai residu tidak terdistribusi normal, maka ANOVA dua arah tidak bisa digunakan.

2. Variansi Populasi Sama

Selain nilai residu yang normal, syarat lain untuk melakukan uji ANOVA adalah variansi populasi yang sama atau homogen. Untuk mengetahui apakah variansi homogen, dilakukan uji homogenitas.

3. Sampel Tidak Berhubungan

Agar bisa menggunakan uji ANOVA, sampel yang digunakan tidak boleh memiliki keterikatan. Dengan kata lain, sampel yang dikumpulkan pada setiap kelompok harus bersifat independen.

4. Jenis Data

Uji ANOVA bisa digunakan apabila data pada variabel terikat memiliki skala numerik (rasio atau interval). Sedangkan untuk variabel bebas, data bersifat kategorik (nominal atau ordinal).

Langkah Melakukan ANOVA Dua Arah

Analisis variansi dua arah bisa dilakukan secara manual ataupun melalui aplikasi pengolah data. Langkah-langkah yang perlu dilakukan untuk melakukan ANOVA dua arah adalah sebagai berikut:

  • Mengumpulkan sampel dan mengelompokannya dalam kategori tertentu. Namun, apabila peneliti menggunakan aplikasi, maka yang perlu dilakukan hanyalah memasukan data ke dalam aplikasi pengolah data.
  • Memastikan bahwa data sampel telah memenuhi asumsi. Yang pertama perlu dilakukan adalah melakukan uji normalitas, lalu uji homogenitas.
  • Apabila peneliti menggunakan cara manual, pada tahap ini yang harus dilakukan adalah variabilitas dari seluruh sampel, kemudian menghitung variansi antar kelompok dan variansi dalam kelompok. Setelah itu, peneliti perlu menghitung F hitung dan F tabel, lalu membandingkan keduanya untuk menarik kesimpulan.
  • Jika peneliti menggunakan aplikasi pengolah data, maka yang perlu dilakukan hanyalah mengoperasikan aplikasi sesuai dengan analisis yang akan dilakukan, yakni ANOVA dua arah.

Analisis variansi dua arah merupakan satu dari sekian banyak jenis analisis statistik yang perlu dikuasai oleh peneliti. Hal ini perlu dilakukan untuk mempermudah peneliti dalam melakukan penelitian.

Namun, jika hingga kini peneliti masih belum memahami secara penuh cara melakukan ANOVA atau tidak memiliki waktu untuk melakukan analisis, ada solusi yang tepat untuk peneliti. Segera hubungi kami sebagai penyedia jasa pengolah data.