Statistika Lanjut: Sesi 1

Statistika Lanjut
Sesi 1
Ali Ridho
UIN Maulana Malik Ibrahim Malang
22 Desember 2020
Area Kunci dalam Riset
Data Screening
Selasa, 22 Desember 2020 2


Desain Sampel
Variabel Analisis
Tujuan
PENELITIAN

01. Variabel -> Konstruk
• harapan - hope
• optmisme - optimism
• efikasi diri - self efficacy
• pemecahan masalah - problem solving
• posisi kontrol - locus of control
• kreativitas - creativity
• kebijaksanaan - wisdom
• dorongan - courage
• emosi positif - positive emotion
• kepercayaan diri - self esteem

• kecerdasan emosional - emotional intelligence

• empati - empathy
• kelekatan - attachment
• kemaafan - forgiveness
• humor - humor
• kebersyukuran - gratitude
• keyakinan - faith
• moralitas - morality
• kualitas hidup - quality of life
• kesopanan - politeness

• Kematangan Emosi
• Happiness
• Penyesuaian Diri
• Depresi
• Ekspresi Emosi
• Kecemasan (Ibu Hamil)
• Shyness
• Agresifitas
• Kecemasan
• Resiliensi
• Kesejahteraan Subjektif

• Work Engagement
• Human Rights Engagement
• Occupational Engagement
• Meaningful Work
• Learning Orientation
• Performance Orientation
• Attitudes Toward Anger Management
• Feedback Orientation
• Parental Perceptions of Their Neighborhood
• Career Calling

• Beliefs About Emotion

• Smoking Outcome Expectation
• Anti-Smoking Self-Efficacy
• Workgroup Emotional Climate
• patient privacy
• Religious/Spiritually Integrated Practice
• Optimism and Pessimism
• Cyberbullying
• Customer Engagement
• Consciousness

• Dream Intensity
• Youth Mental Health
• Physical Appearance Perfectionism
• Friendship Quality
• Student-Professor Interaction
• Social Capital Capacity
• Student Perception of University Support and Structure
• Suitability for Social Work
• Organizational Efficacy
• Students' Stress

• Mindful Coping
• Satisfaction Scale on Diversity
• Situational Emotions
• Altruism
• Wisdom
• Intrapersonal Component of Psychological Empowerment
• Dyadic Adjustment Scale
• Cybernetic Coping
• Perceived Causes of Poverty
• Reasons for Smoking

• Metacognition
• Affective Control
• Self-Control and Self-Management
• Reading Motives
• Attitudes toward Educational Research
• Self-Regulatory Strategies
• Stressful Experiences
• Social Anxiety
• Religiosity Scale for Muslims
• Loneliness

• Religious Coping
• Smartphone Addiction
• School Bullying
• Emotional Competence
• Academic Hardiness
• Preschool and Kindergarten Behavior
• Academic Success
• Self-Construal
• Parasocial Interaction
• Quality of Life

01. Variabel -> Konstruk -> Skor

01. Variabel -> Konstruk -> Skor -> Interpretasi -> Validitas
Tes/
Pengukuran
Validasi

Construct Validity Standards for Educational and Psychological Testing.
AERA, APA, & NCME. (2014)
Evidence based on:

Test
Content
the
Cognitive/
Conseque
Response
nces of
Processes
Testing
Construct
Relations
to Other Internal
Variables Structure
02. Desain
• Eksperimen • Satu sampel

• Non Eksperimen • Dua sampel dependen
• Tiga sampel dependen
• Dua sampel independen
• Tiga sampel dependen
• Korelasi
• Prediksi

03. Sampel/Subjek/Partisipan
• Populasi adalah keseluruhan subjek yang menjadi fokus

perhatian
• Sampel adalah bagian dari populasi yang berisikan
subjek-subjek.
• Subjek yang dimaksud di sini adalah setiap individu atau
unit yang memiliki skor dalam variabel yang diteliti.

03. Sampel/Subjek /Partisipan -> Langkah Teknis
• Tentukan populasi subjek yang menjadi fokus penelitian.

• Deskripsikan jumlah subjek yang terlibat dalam
penelitian, termasuk kategorisasi jenis kelaminnya. Bila
terdapat dua kelompok atau lebih, deskripsikan untuk
masing-masing kelompok.
• Sebutkan rentang umur subjek penelitian, termasuk rata-
rata (mean) dan modusnya (mode). Bila terdapat dua
kelompok atau lebih, deskripsikan untuk masing-masing
kelompok.
• Sebutkan profesi para subjek dan di bagian apa mereka
bekerja. Bila subjeknya adalah mahasiswa, sebutkan dari
semester berapa, jurusan dan fakultas apa.

03. Sampel/Subjek /Partisipan -> Langkah Teknis
• Sebutkan tata cara subjek memberikan respons sehingga

pengukuran dalam variabel penelitian dapat dilakukan
(misalnya dengan merespons pada kuesioner)
• Sebutkan penghargaan yang diberikan kepada subjek
(misalnya pembayaran atau reward yang lain). Jika
dibayar sebutkan berapa dan jika diberi reward, reward
seperti apa yang diberikan.
• Deskripsikan tata cara pemerolehan subjek penelitian
(secara random atau ditentukan)

03.a Prosedur
• Isi prosedur adalah segala kejadian yang terjadi pada

subjek penelitian dari waktu ke waktu selama penelitian
berlangsung
• Bila menggunakan kuesioner maka perlu dideskripsikan
proses pelaksanaan administrasi kuesioner pada para
subjek penelitian

04. Analisis
• Statistik deskriptif berupa:

• harga rata-rata (mean),
• deviasi standar,
• histogram, dan
• kategorisasi berdasarkan interval-interval tertentu (rendah,
sedang, tinggi).
• Uji beda dua rata-rata dari dua kelompok yang tidak
bebas satu lain (dependent paired t test)
• Uji beda dua rata-rata dari dua kelompok yang bebas
satu sama lain (independent paired t test)
• ANOVA satu jalur (one-way analysis of variance)
• ANOVA dua jalur (two-way analysis of variance)

04. Analisis
• ANOVA multi jalur (multi-way analysis of variance)

• Korelasi Pearson
• Korelasi Spearman
• Regresi (bivariat atau multivariat)
• Analisis jalur (path analysis)
• Model persamaan struktural (structural equation
modeling atau SEM)

04. Analisis Type of Analysis Nonparametric Test Parametric Equivalent
1 Comparing two related Wilcoxon signed ranks t-test for dependent
samples test samples
2 Comparing two unrelated Mann-Whitney U-test t-test for independent
samples samples
3 Comparing three or more Friedman test Repeated measures
related samples analysis of variance
(ANOVA)
4 Comparing three or more Kruskal-Wallis H-test One-way analysis of
unrelated samples variance (ANOVA)
5 Comparing categorical Chi-square tests and None
data Fisher exact test
6 Comparing two rank- Spearman rank-order Pearson product-
ordered variables correlation moment correlation
7 Comparing two variables Point-biserial correlation Pearson product-
when one variable is moment correlation
discrete dichotomous
8 Comparing two variables Biserial correlation Pearson product-
when one variable is moment correlation
continuous dichotomous
9 Examining a sample for Runs test None
randomness
Data Screening

Data Screening
Sebelum Analisis Data
Apakah sampel bersifat unbias?
Apa level / skala pengukuran data kita?
Apakah tiap data sampel berasal dari populasi normal?
Apakah data memenuhi asumsi homogenitas varians?

Data Screening
Skor Hasil Pengukuran
1. Akurasi dalam memasukkan data
2. Data kosong
3. Pemenuhan asumsi
4. Outliers

Data Screening
Skor Hasil Pengukuran -> 1. Akurasi dalam Memasukkan Data
SARAN:
• Gunakan Microsoft Excel pada saat input data;
• Manfaatkan menu “Data Validation”.
• Ayo kita praktikkan!

Data Screening

Data Screening

Data Screening

Data Screening
Skor Hasil Pengukuran -> 2. Data Kosong
• Data kosong perlu diperhatikan:

• Pola
• Banyaknya
• Mengapa (penyebabnya)
• Dapat disubstitusi dengan cara:
1. a best guess;
2. the overall mean for that variable;
3. a relevant group mean;
4. a regression equation based on complete data to predict missing
values;
5. a generalized approach based on the likelihood function.
• Saran
• Cara 1 sebaiknya tidak digunakan sama sekali;
• Cara 2 dan 3 tidak digunakan untuk data biner atau kategori;
sebaiknya dihindari kecuali data kosong hanya sedikit;
• Cara 4 untuk data pasangan variabel;
• Cara 5 terlalu rumit.

Data Screening
• Perlakuan data kosong dalam SPSS

• Missing values biasanya diisi dengan kode 9, 99, atau 999
• Gunakan Missing Value Analysis (MVA)
• Listwise
• Pairwise
• Expected Maximation (EM)
• Regression

Data Screening

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi
• Asumsi dalam statistika parametrik

1. Data dipilih secara random dari populasi yang terdistribusi
secara normal;
2. Data hasil pengukuran berada pada level interval atau rasio;
3. Data antar kelompok yang dibandingkan memiliki varians yang
relatif setara (homogenitas varians);
4. Ukuran data yang dianalisis cukup banyak;
5. Data bersifat relatif normal.
• Bila Asumsi di atas tidak didukung data yang kuat, maka
1. Hasil uji menjadi tidak valid (*validitas riset, bukan validitas
pengukuran);
2. Lebih aman bila menerapkan statistika nonparametrik

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi
• Asumsi dalam regresi linier:
1. Level skala pengukuran

1. (VD) minimal berada pada level interval
2. (VI) atau prediktor bersifat dikotomi atau minimal interval
2. Variabel independen (VI) adalah variabel yang pasti: apabila
eksperimen diulang, akan diperoleh skor yang sama pada VI
3. VI diukur dengan tanpa eror
4. Regresi variabel dependen (VD) pada masing-masing level VI
diasumsikan berada pada satu garis lurus (linier)
5. VD adalah variabel random, terdistribusi secara normal

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> a. Normalitas (PP Plot)

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> a. Normalitas (Kolmogorov - Smirnov)

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> a. Normalitas (Kolmogorov - Smirnov)

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> a. Normalitas (Kurtosis)

Data Screening

Data Screening
K (IPK) − 0 sk (IPK) − 0
Z K (IPK) = Z sk (IPK) =
SEK (IPK) SEsk (IPK)
0, 089 −0,339
= =
1,121 0,580
= 0, 079 = −0,585
−1,96  0, 079  1,96 −1,96  (−0,585)  1,96
−1,96  Z K (IPK)  1,96 −1,96  Z sk (IPK)  1,96
Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> Linieritas

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> Normalitas Residu

Data Screening

Data Screening

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> Korelasi Residu & VI

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> Homogenitas Varians

Data Screening

Data Screening

Data Screening

Data Screening

Data Screening
Skor Hasil Pengukuran -> 3. Pemenuhan Asumsi -> Outliers
a) Boxplot
b) Standardized Residuals (ZRESID)
c) Studentized Residuals (SRESID)
d) Studentized Deleted Residuals (SDRESID)

Data Screening

Data Screening

Data Screening

Data Screening

OUTLIERS
a) Standardized Residuals (ZRESID)
b) Studentized Residuals (SRESID)
c) Studentized Deleted Residuals (SDRESID)


Statistika Lanjut: Sesi 1

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Statistika Lanjut: Sesi 1

Uploaded by

Copyright:

Available Formats

Statistika Lanjut

Selasa, 22 Desember 2020 2

Selasa, 22 Desember 2020 3

Selasa, 22 Desember 2020 4

Selasa, 22 Desember 2020 5

• kecerdasan emosional - emotional intelligence

Selasa, 22 Desember 2020 6

Selasa, 22 Desember 2020 7

Selasa, 22 Desember 2020 8

• Beliefs About Emotion

Selasa, 22 Desember 2020 9

Selasa, 22 Desember 2020 10

Selasa, 22 Desember 2020 11

Selasa, 22 Desember 2020 12

Selasa, 22 Desember 2020 13

Selasa, 22 Desember 2020 14

Selasa, 22 Desember 2020 15

Evidence based on:

• Eksperimen • Satu sampel

Selasa, 22 Desember 2020 17

• Populasi adalah keseluruhan subjek yang menjadi fokus

Selasa, 22 Desember 2020 18

• Tentukan populasi subjek yang menjadi fokus penelitian.

Selasa, 22 Desember 2020 19

• Sebutkan tata cara subjek memberikan respons sehingga

Selasa, 22 Desember 2020 20

• Isi prosedur adalah segala kejadian yang terjadi pada

Selasa, 22 Desember 2020 21

• Statistik deskriptif berupa:

Selasa, 22 Desember 2020 22

• ANOVA multi jalur (multi-way analysis of variance)

Selasa, 22 Desember 2020 23

Selasa, 22 Desember 2020 25

Apakah sampel bersifat unbias?

Apa level / skala pengukuran data kita?

Apakah tiap data sampel berasal dari populasi normal?

Apakah data memenuhi asumsi homogenitas varians?

Selasa, 22 Desember 2020 26

1. Akurasi dalam memasukkan data

Selasa, 22 Desember 2020 27

• Gunakan Microsoft Excel pada saat input data;

• Manfaatkan menu “Data Validation”.

• Ayo kita praktikkan!

Selasa, 22 Desember 2020 28

Selasa, 22 Desember 2020 29

Selasa, 22 Desember 2020 30

Selasa, 22 Desember 2020 31

• Data kosong perlu diperhatikan:

Selasa, 22 Desember 2020 32

• Perlakuan data kosong dalam SPSS

• Gunakan Missing Value Analysis (MVA)

Selasa, 22 Desember 2020 33

Selasa, 22 Desember 2020 34

• Asumsi dalam statistika parametrik

Selasa, 22 Desember 2020 35

• Asumsi dalam regresi linier:

1. Level skala pengukuran

Selasa, 22 Desember 2020 36

Selasa, 22 Desember 2020 37

Selasa, 22 Desember 2020 38

Selasa, 22 Desember 2020 39

Selasa, 22 Desember 2020 40