Penulis: Konsultan Data Penelitian & ArcGIS

Kategori
Jasa Olah Data

Syarat Uji Chi Square yang Harus Diketahui Pejuang Skripsi

syarat uji chi square

Pejuang skripsi pasti akan berhubungan dengan uji chi square saat melakukan penelitian. Uji ini umum ada pada saat mengolah data menggunakan software statistik seperti SPSS atau SPLS. Nah, sebenarnya apa itu uji chi square dan apa syarat uji chi square ini?

Pengertian Uji Chi Square

Dikenal juga dengan sebutan uji Kai Kuadrat, uji chi square adalah uji non parametrik yang sering digunakan dalam penelitian. Prinsip kerjanya adalah dengan membandingkan dua variabel yang skala datanya adalah nominal.

Uji chi square digunakan untuk mengetahui hubungan dua variabel nominal kemudian mengukur kekuatan hubungan antara dua variabel yang dimaksud. Uji chi square bisa dilakukan hanya pada sampel berukuran besar. Uji ini dilakukan dengan mentabulasikan variabel ke dalam kategori-kategori lalu dihitung statistik chi square nya.

Karakteristik Uji Chi Square dan Datanya

Sebelum melakukan uji ini pada SPSS, pejuang skripsi juga wajib tahu seperti apa karakteristik data dari uji ini. Pertama, data yang bisa diuji oleh uji ini adalah yang asalnya dari variabel numerik baik yang bertingkat maupun tidak.

Untuk data string, maka harus diubah dulu ke bentuk numerik melalui automatic recode yang bisa ditemui di menu transform. Karakteristik data selanjutnya adalah data pada uji chi square selalu diasumsikan sebagai sampel acak atau random. Data untuk uji non parametrik tidak selalu harus memenuhi asumsi distribusi tertentu.

Sedangkan untuk karakteristik dari uji ini sendiri adalah nilai D selalu positif. Ada beberapa kategori distribusi chi square, beberapa diantaranya adalah Chi Square dengan DK 1, 2, 3, 4, dan seterusnya. Pada diagram, bentuk distribusi Chi Square selalu menjulur positif.

Syarat Uji Chi Square

Agar uji ini bisa dilakukan, ada beberapa syarat yang harus dipenuhi. Pertama, tidak boleh ada actual count atau F0 dengan nilai 0 (nol) pada cell. Kemudian, jika tabel kontingensi adalah 2×2, tidak boleh ditemukan frekuensi harapan atau expected count (fh) yang kurang dari 5 pada 1 cell pun.

Terakhir, jika bentuk tabel adalah lebih dari 2×2, baik itu 2×3 atau lebih, tidak boleh ada cell dengan expected count (fh) kurang dari 5 lebih dari 20%. Untuk itulah sebabnya, uji ini hanya bisa diaplikasikan pada jumlah responden yang besar.

Cara Menghitung Uji Chi Square

Pada semua kasus, langkah pertama yang harus dilakukan adalah menentukan hipotesa (H0). Setelah itu, lakukan uji statistik. Pada uji statistik, tentukan dulu nilai Ⅹ²tabel dengan rumus :

Selanjutnya, tentukan Ⅹ²hitung untuk perbandingan yang akan dihitung. Lanjutkan dengan menentukan nilai α. Langkah terakhir adalah menentukan kesimpulan. Pada uji chi square, H0 bisa ditolak jika Ⅹ²hitung ≥ Ⅹ²tabel.

Uji Chi square bisa digunakan pada pengujian Ⅹ² untuk ada atau tidaknya hubungan dua variabel atau biasa disebut independency test. Selanjutnya untuk uji Ⅹ² homogeneity test dan terakhir adalah untuk uji Ⅹ² pada bentuk distribusi.

Melakukan uji chi square membutuhkan ketelitian dan juga bimbingan apalagi bagi yang masih awam. Nah, para pejuang skripsi bisa memanfaatkan jasa Patra Statistika dalam hal menyusun atau mengolah data.

Patra Statistika bisa diandalkan dalam mendesain penelitian awal baik untuk metode kuantitatif maupun kualitatif. Di sini, uji chi square juga termasuk dalam jasa layanan pengolahan data sehingga tidak perlu khawatir mengenai pemenuhan syarat uji chi square.

Kategori
Jasa Olah Data

Ragam Jenis Transformasi Data yang Wajib Diketahui

Transformasi data

Transformasi data merupakan suatu usaha yang ditujukan untuk mengubah skala pengukuran data asli menjadi bentuk yang lain. Dengan begitu, data tersebut bisa memenuhi asumsi yang mendasari analisis ragam yang berguna bagi penelitian. Namun, data yang akan ditampilkan pada laporan tersebut tetap menjadi data aslinya.

Oleh karena itu, data transformasi tersebut dapat membantu peneliti untuk membuat data asli untuk memenuhi analisis ragam. Adapun transformasi ini memiliki 5 jenis yang masing-masing memiliki kegunaan dan rumusnya masing-masing. Jika ingin tahu seperti apa jenis transformasi data, berikut ini adalah ulasannya:

1.Transformasi Akar

Ini adalah transformasi yang juga sering disebut sebagai transformasi akar kuadrat atau square root. Transformasi jenis ini digunakan jika data yang didapat tidak memenuhi asumsi kehomogenan ragam sehingga menghasilkan ragam yang homogen. Peneliti bisa menggunakan transformasi akar jika data persentasenya memiliki nilai 0 – 30%.

Rumus excel yang bisa digunakan adalah =SQRT(Data Asli + 0,5). Sedangkan jika menggunakan transformasi jenis ini pada SPSS adalah dengan meng-klik menu, Transform, dan Compute Variabel. Kemudian, untuk Target Variabel bisa diberikan nama “Transform”. Sedangkan pada kotak Numeric Expression, bisa diisi dengan SQRT(Variabel Asli+0,5).

2. Transformasi Logaritma

Peneliti bisa menggunakan transformasi logaritma atau Log X jika data yang dimiliki tidak memenuhi asumsi pengaruh aditif. Jadi, ketika Y merupakan data asli, maka Y’ atau Y aksen merupakan data hasil transformasi, sehingga Y’ = Log Y. Jika menggunakan transformasi yang satu ini adalah jika data asli memiliki nilai kurang dari 10 atau mendekati 0.

Dengan begitu, peneliti bisa menggunakan transformasi log X +1. Jika data yang dimiliki memiliki nilai 0 maka gunakan transformasi selain transformasi logaritma. Kemudian, jika data banyak mendekati 0, maka semua data dikalikan 10 dahulu sebelum dijadikan menjadi logaritma.

3. Transformasi Arcsin

Nama lain dari transformasi arcsin adalah transformasi angular dan biasanya digunakan ketika data dinyatakan dalam bentuk persentase. Dengan begitu, biasanya data yang dimiliki memiliki sebaran binomial. Bentuk transformasi jenis ini bisa juga disebut dengan transformasi arcus sinus atau transformasi kebalikan sinus.

Beberapa syarat yang wajib dipenuhi yaitu jika data menunjukkan sebaran nilai 30%-70% tidak perlu transformasi. Sedangkan jika sebaran nilai 0%-30% dan 70%-100% pada data asli, maka gunakan transformasi arcsin. Kemudian, gunakan transformasi arcsin akar jika data yang dimiliki banyak bernilai 0.

4. Transformasi Inverse

Jenis transformasi data yang satu ini meripakan membalik nilai aslinya. Dengan begitu, rumus dari transformasi inverse adalah 1/Variabel. Sedangkan dalam excel, rumus dari transformasi ini adalah =1/Var. Oleh karena itu, jika nilai data 0, maka tambahkanlah konstanta sehingga menjadi =1(Var+1).

Adapun transformasi inverse bermacam-macam, yaitu inverse square, inverse square root, dan inverse cubic. Masing-masing jenis inverse memiliki kegunaan berbeda-beda. Dengan begitu rumus dari jenis inverse-nya pun berbeda-beda pula.

5. Transformasi Cubic

Ini adalah transformasi yang bisa mengoperasikan pangkat tiga nilai asli. Dengan begitu jika nilai aslinya 0,3 maka nilai transformasinya menjadi 0,33 = 0,027. Sedangkan jika memiliki nilai asli -0,3, dengan begitu nilai transformasinya adalah 1/(-0,33) = -37,037. Jika dalam excel, maka rumus transformasi cubic adalah =Var3 atau =Power(Var;3).

Itulah ulasan perihal transformasi data yang menarik dan bisa dijadikan bahan referensi. Untuk memudahkan peneliti dalam memilih metode transformasi yang tepat, bisa menghubungi kami sebagai jasa olah data dan bimbingan skripsi, tesis, dan disertasi. Kami merupakan jasa olah data yang bisa diandalkan, profesional, dan juga terpercaya.

Kategori
Jasa Olah Data

Ketahui Dulu Cara Menentukan Besar Sampel Sebelum Membuat Penelitian

Cara menentukan besar sampel

Penelitian apapun tidak akan berhasil tanpa adanya sampel. Sampel atau responden memegang peranan penting dalam menentukan hasil dari penelitian. Orang atau lembaga yang melakukan penelitian harus mengetahui cara menentukan besar sampel agar data yang diperoleh mencukupi jumlah minimal.

Pengertian Sampel dalam Penelitian

Sampel merupakan perwakilan dari sebuah populasi yang akan diteliti dalam sebuah penelitian. Sampel bisa diambil dari populasi finit maupun infinite. Disebut populasi finit karena jumlah anggotanya jelas dan telah diketahui. Sebaliknya, populasi infinite merupakan populasi yang tidak diketahui jumlah anggotanya.

Sebagai contoh, seorang peneliti ingin meneliti tentang perilaku konsumen sebuah toko bangunan A. Maka, populasi dari toko bangunan A adalah semua pembeli yang tidak dapat dipastikan berapa jumlahnya dan siapa saja orangnya. Maka, sampel penelitian adalah sebagian dari konsumen toko bangunan A yang mewakili populasi.

Sampel dimanfaatkan sebagai responden dalam penelitian umumnya karena alasan waktu dan biaya. Tidak memungkinkan bagi penelitian untuk meneliti atau mengambil data dari setiap individu atau anggota populasi. Maka, diambilah perwakilan dari populasi itu. Inilah yang dinamakan dengan teknik sampling.

Cara Menentukan Jumlah Sampel Penelitian

Jumlah sampel yang diteliti sangat mempengaruhi hasil dari penelitian itu sendiri. Lalu, bagaimana cara menentukan besaran sampel yang harus diambil pada sebuah penelitian? Berikut ini beberapa langkah awalnya:

1. Tentukan Batasan Penelitian

Penentuan batasan penelitian bisa dilihat dari judul penelitian itu sendiri. Misalnya, peneliti ingin meneliti tentang pengaruh proses rekrutmen, seleksi, dan kompetensi terhadap kinerja pekerja di PT ABC. Maka, batasan populasi yang diteliti adalah karyawan di PT ABC. Luas populasi yang sudah diketahui ini akan mempermudah dalam menentukan besaran sampel nantinya.

2. Pahami Kualitas Individu dalam Populasi

Peneliti harus memahami apakah individu dalam populasi yang akan diambil sampelnya bersifat homogen atau heterogen. Pengetahuan akan hal ini bisa membantu peneliti menentukan besaran sampel serta teknik sampling yang nantinya digunakan. Pada populasi homogen misalnya, tidak diperlukan jumlah sampel yang besar.

3. Semakin Besar Sampel, Semakin Baik

Sampel dalam jumlah besar tentu lebih menggambarkan keadaan sebenarnya dari sebuah populasi. Namun, kendala waktu, biaya, dan juga tenaga terkadang membuat orang tidak bisa meneliti keseluruhan populasi. Pada sampel besar, digunakan Rumus Slovin yaitu :

Dimana n merupakan jumlah minimal sampel, N ialah populasi dan e merupakan error margin. Jika penelitian mempunyai selang kepercayaan sebesar 95%, maka terdapat error margin sebesar 5%. Maka, peneliti bisa menentukan berapa batas minimal sampel yang bisa memenuhi syarat tingkat kesalahan sebesar 5% tersebut. Caranya dengan memasukkan error margin ke dalam rumus.

Cara menentukan besar sampel bisa memakan waktu. Jika ingin berkonsultasi mengenai teknik sampling dan juga metode penelitian, peneliti bisa menghubungi Patra Statistika. Dengan berkonsultasi, maka menentukan sampel bukan lagi masalah.   

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.