BAB II

PEMBAHASAN

A. MENJELAJAHI DAN MENYUSUN SET DATA

Sebelum menggunakan prosedur statistik apapun, melihat secara dekat
data Anda dan mengeksplorasi berbagai cara mengorganisir
mereka. Menggunakan pikiran terbuka dan imajinasi, melihat apa pola Anda dapat
mendeteksi tanpa manfaat kompleksitas komputasi. Tidak ada yang mengambil
tempat mencari hati-hati, penuh tanya, kritis-bahkan mungkin naif-di data.
Kami mengambil contoh sederhana untuk menggambarkan hal ini. Berikut
ini adalah skor pada tes prestasi bacaan untuk 11 anak: Ruth, 96; Robert,
60; Chuck, 68; Margaret, 88; Tom, 56; Mary, 92; Ralph, 64; Bill, 72; Alice,
80; Adam, 76; Kathy, 84. Apa yang Anda lihat? Berhenti pada titik
ini. Menuliskan sebanyak pengamatan mungkin sebelum membaca lebih jauh.
Sekarang mari kita mencoba berbagai pengaturan skor untuk melihat
seberapa banyak informasi yang kami dapat mengekstrak dari mereka sebelum
menundukkan mereka untuk perawatan statistik. Beberapa informasi mungkin
tidak relevan dengan masalah penelitian kami. Tidak masalah. Kami adalah
setelah apa yang bisa kita lihat dengan proses mencari. Peneliti menemukan hati
segala kemungkinan tentang data mereka, apakah informasi tersebut segera

berguna atau tidak.

Gambar 2.1 11 Anak-anak dalam Sampel Uji Prestasi Membaca
Kita mulai dengan membentuk abjad nama anak-anak dan nilai ujian
mereka:
Adam 76 Mary 92
Alice 80 Ralph 64
Bill 72 Robert 60
Chuck 68 Ruth 96
 Kathy 84 Tom 56
Margaret 88

Ketika kami menampilkan anak-anak nilai tes dengan cara ini, nilai tidak
lebih bermakna, tapi kami memiliki individu yang terisolasi lalu dan skor
sehingga kita dapat memeriksa mereka lebih mudah. Apakah pengaturan ini
menunjukkan kepada kita apa-apa? Iya nih. Ini menunjukkan bahwa skor tertinggi
yang diperoleh oleh seorang gadis dan bahwa perang skor terendah yang diterima
oleh anak laki-laki. Konyol, Anda katakan, dan berarti. Mungkin. Tapi itu fakta
diamati, dan mungkin berguna pada waktu mendatang.
Mari kita menjaga pengaturan tapi melihatnya dengan cara lain. Pada
Gambar 2.1, kita melihat 11 anak laki-laki dan perempuan ini berbaris berturut-
turut, masih disusun menurut abjad menurut nama pertama. Melihat! Sekarang,
kita dapat melihat pola simetris pada anak-anak yang tidak jelas
sebelumnya. Tidak peduli apakah kita mulai dari kiri atau dari kanan, kita
memiliki satu anak laki-laki, satu perempuan, maka anak laki-laki dua, tiga gadis,
dua anak, satu perempuan, dan satu anak laki-laki. Menempatkan anak-anak yang
berdekatan dengan jenis kelamin yang sama bersama-sama, pengaturan adalah ini.

Atau:
1 1 2 3 2 1 1
Sekarang mari kita mengatur data berbeda, memisahkan perempuan dari
anak laki-laki:
Tabel 1.1 Perbedaan Skor Anak laki-Laki dan Perempuan
perempuan laki-laki
Alice 80 Adam 76
Kathy 84 Bill 72
Margaret 88 Chuck 68
Mary 92 Ralph 64
Ruth 96 Robert 60
Tom 56
 Gambar 2.2Representasi VisualdariPencapaianNilai TesMembaca

Melalui grafik pada gambar 2.2, tren yang cukup dramatis. Skor perempuan
meningkat sewaktu kita mengurutkan sesuai abjad, sedangkan laki-laki skornya
menurun.
Tidak hanya ada perbedaan tren, tapi sekarang kita menyadari fakta yang
sangat jelas bahwa mungkin, sampai saat ini, telah luput dari perhatian kami: Skor
yang berjarak sama dari satu sama lain. Setiap nilai berebeda 4 poi baik keatas
maupun kebawah.
Apa yang telah kita lihat? Apa pun yang kita telah melihat mungkin tidak
memiliki relevansi apapun untuk proyek kami, tetapi karena merupakan dinamika
dalam data, adalah penting bahwa kita melihat itu. Itulah intinya: Peneliti harus
menyadari dinamika, fenomena, yang aktif dalam data, apakah fenomena yang
penting untuk tujuan penelitian atau tidak. Peneliti cerdik menghadap apa-apa.
Latihan sebelumnya, tentu saja, yang buatan. Kami akan sulit ditekan untuk
menemukan banyak makna di divergen tren untuk anak perempuan dibandingkan
anak laki-laki yang muncul hanya melalui pengaturan abjad dari nama
pertama. Namun bagi peneliti yang bekerja di bidang ilmu pengetahuan,
pengamatan dari jenis yang sama dapat mengungkapkan pengetahuan baru yang
penting. Ambil kasus paleontolog dan astronom yang melihat data yang tercatat
dalam bentuk tanda pertumbuhan pada cangkang nautilus bilik (Kahn & Pompea,
1978). Melihat bahwa setiap ruang memiliki rata-rata 30 baris pertumbuhan dan
menyimpulkan bahwa (a) garis pertumbuhan telah muncul pada tingkat 1 per hari
dan (b) satu ruang telah ditetapkan setiap bulan lunar, khusus setiap hari 29,53.
Mereka juga menyimpulkan bahwa, jika interpretasi mereka dari data itu benar,
ada kemungkinan untuk menentukan dari fosil kerang panjang bulan lunar
kuno. Karena jarak bulan dari bumi dapat dihitung dari panjang bulan lunar, para
ilmuwan meneliti fosil-beberapa nautilus dari mereka tua dan 420 juta tahun
melihat penurunan bertahap dalam jumlah baris pertumbuhan di setiap ruang
sebagai fosil datang dari jauh dan lebih jauh kembali dalam waktu
prasejarah. Temuan ini didakwa bahwa bulan pernah lebih dekat ke bumi dan
berkisar lebih cepat daripada yang dilakukannya sekarang-pengamatan konsisten
dengan yang berlaku umum teori ilmiah.
Dari dua contoh ini, prinsip-prinsip dasar tertentu tentang eksplorasi data
muncul. Di mana dua variabel yang bersangkutan (misalnya, nilai ujian dan nama,
atau cincin pertumbuhan dan siklus lunar), salah satu variabel menjadi dominan
dan mengatur makna yang muncul dari yang lain. Dalam data yang kita diperiksa
untuk 11 anak-anak, makna muncul dari susunan terakhir dari data terutama
karena kami menggunakan daftar dengan abjad nama siswa. Pengaturan lain dari
data mungkin akan membuat arti yang berbeda lebih jelas. Hal ini menunjukkan
pedoman dasar untuk melihat data. Apapun peneliti melakukan dengan data untuk
mempersiapkan untuk inspeksi atau interpretasi akan mempengaruhi arti bahwa
data tersebut mengungkapkan. Oleh karena itu, setiap peneliti harus mampu
memberikan yang jelas, alasan logis untuk prosedur yang digunakan untuk
mengatur dan mengatur data.
Kami memiliki alasan apapun untuk mengatur data sesuai dengan nama
pertama anak-anak. Telah kita menggunakan nama terakhir mereka, yang telah
sama-sama tidak logis, kita akan masih melihat bahwa gadis-gadis memiliki skor
lebih tinggi daripada anak laki-laki, tapi kami belum tentu telah melihat tren
divergen digambarkan pada Gambar 2.2.
Dalam pertanyaan penelitian yang berhubungan dengan dunia fisik, metode
untuk mengorganisasi data cenderung menjadi cukup mudah. Data sering datang
ke ilmuwan dikemas dan diatur sebelumnya. Urutan cincin pertumbuhan pada
shell nautilus sudah ada. Hal ini tidak dapat diubah. Apa data tersebut perlu untuk
interpretasi adalah sepasang mata tajam dan pikiran yang penasaran dan
bertanya. Oleh karena itu, interpretasi bekerja peneliti yang seorang rekan dalam
ilmu-ilmu sosial, pendidikan, atau humaniora mungkin menghadapi.

B. PENGORGANISASIAN DATA UNTUK MEMPERMUDAH

PEMAHAMAN DAN INTERPRETASI
Ketika kami pertama kali disebutkan dalam Bab 2, pikiran manusia dapat
berpikir tentang hanya begitu banyak informasi pada satu waktu. Satu set data,
mengatakan, 5000 bagian yang berbeda dari informasi yang baik di luar kapasitas
mental manusia itu. Bahkan, kecuali peneliti telah memperoleh sangat sedikit
bagian dari data (mungkin hanya tujuh atau delapan angka), maka ia akan ingin
mengatur mereka di satu atau lebih banyak cara untuk membuat mereka lebih
mudah untuk memeriksa dan berpikir tentang.
Dalam contoh sebelumnya dari 11 anak-anak dan skor tes prestasi membaca
mereka, kita contoh perimented dengan beberapa skema organisasi yang
sederhana dalam upaya untuk menemukan pola dalam data. Mari kita ambil
contoh sehari-hari yang lain. Joe adalah di sekolah tinggi. Selama Februari, ia
mendapat nilai berikut: 92, 69, 91, 70, 90, 89, 72, 87, 73, 86, 85, 75, 84, 76, 83,
77, 81, 78, 79. Di sini Joe kelas tercantum dalam liner sederhana urutan-urutan di
mana mereka diterima. Ada fakta-numerik data mentah-langsung dari situasi
hidup. Seperti yang muncul dalam daftar proceding, mereka tidak mengatakan
sangat banyak, selain itu kinerja Joe tampaknya tidak konsisten.
Mari kita mengatur nilai Joe di meja dua dimensi, di bawah hari masing-
masing minggu, Senin sampai Jumat:
Tabel 2.1 Nilai Joe

Tabel mengungkapkan beberapa pola pada nilai Joe. Jika kita

membandingkan lima kolom satu sama lain, nilai-nilai pada hari Senin, Rabu, dan
Jumat adalah jauh lebih tinggi daripada mereka pada hari Selasa dan Kamis. Dan
jika kita melihat skor berturut-turut dalam setiap kolom, kita bahwa mereka
mendapatkan semakin buruk pada hari Senin, Rabu, dan Jumat, tetapi semakin
lebih baik pada hari Selasa dan Kamis.
Sekarang mari kita mewakili nilai Joe dalam bentuk grafik garis sederhana
(Gambar 2.3). dalam grafik ini, kita melihat fenomena yang tidak mudah terlihat
dalam tabel dua dimensi. Sulit untuk melewatkan variabilitas yang cukup besar
dalam nilai selama pertama dan keempat minggu. Profil semacam ini harus segera
peneliti peringatan untuk mengeksplorasi data lebih lanjut dalam upaya untuk
menjelaskan perilaku tidak menentu bahwa grafik mencerminkan.
Data grafik seringkali cukup berguna untuk mengungkapkan pola dalam
satu set data. Sebagai contoh, mari kita kembali ke studi descrideb pertama dalam
latihan Aplikasi Praktis dekat akhir Bab 10:
Dua peneliti ingin melihat apakah program pelatihan khusus efektif dalam
mengajar kuda untuk memasukkan trailer kuda tanpa nakal dalam proses
(tanpa membesarkan, mencoba untuk berbalik, dll). Lima kuda (Red, Penny,
Shadow, Sammy, dan Fancy) melalui pelatihan, dengan pelatihan yang
dimulai pada d hari yang berbeda untuk setiap kuda. Untuk setiap kuda,
pengamat menghitung jumlah misbehaviors setiap hari sebelum dan selama
pelatihan, dengan data yang dikumpulkan untuk jangka waktu minimal 45
hari (Ferguson & Rosales-Ruiz, 2001).

Gambar 2.3 Grafik Garis dari Nilai Harian Joe

Dalam bab sebelumnya, kami hanya peduli dengan desain penelitian ini,
menyimpulkan bahwa itu adalah studi kuasi-eksperimental (dan lebih khusus,
dasar berganda). Tapi sekarang mari kita lihat hasil penelitian. Ketika para peneliti
diplot jumlah misbehaviors (dikategorikan sebagai kepala melempar, berdiri,
memutar, pembekuan, atau pemeliharaan) untuk setiap kuda sebelum dan selama
pelatihan, mereka dibangun grafik disajikan pada Gambar 2.4. Adalah pelatihan
yang efektif? Pastinya ya! Setelah pelatihan dimulai, Penny punya satu hari benar-
benar buruk ditambah hari lain di mana ia berubah beberapa kali, dan Shadow dan
Fancy setiap melemparkan kepala mereka dalam salah satu sesi memuat
mereka. Selain dari empat kesempatan ini, kuda-kuda berperilaku sempurna
sepanjang periode pelatihan yang panjang, meskipun fakta bahwa semua lima
telah cukup kasar sebelum pelatihan. Data ini memiliki apa yang kita sebut hit-
Anda-antara-the-mata kualitas. Kami tidak membutuhkan analisis statistik Fancy
untuk memberitahu kami bahwa pelatihan itu efektif.
Studi seri-sering menghasilkan
data yang menunjukkan jelas hit-
Anda-antara-the-mata pola; untuk
contoh lain, kembali ke Gambar 10.1
dan 10.2 pada halaman 230 dan 231,
masing-masing. Tapi secara umum,
sederhana pengorganisasian data
dalam berbagai cara akan tidak,
dalam dan dari dirinya sendiri,
mengungkapkan segala sesuatu yang
data tawarkan. Sebaliknya, seorang
peneliti-terutama yang telah
melakukan penelitian kuantitatif-akan
perlu untuk melakukan analisis
statistik untuk sepenuhnya
menemukan pola dan makna data
terus. Sebelum kita beralih ke sifat Gambar 2. 4 Perilaku 5 Kuda Sebelum dan

statistik, bagaimanapun, mari kita Sesudah Pelatihan

secara singkat melihat bagaimana

peneliti dapat menggunakan perangkat lunak komputer untuk membantu proses
organisasi data.
C. MENGGUNAKAN KOMPUTER UNTUK MENYUSUN DAN
MENGANALISIS DATA DAN ANALISIS DATA BERORGANISASI
Proses pengorganisasian data dalam jumlah besar yang pernah menjadi
rumit memakan waktu, tugas dan membosankan .Untungnya , manfaat dari
komputer telah membuat banyak proses lebih sederhana dan lebih efisien .Salah
satu yang penting adalah sebuah alat elektronik spreadsheet, program perangkat
lunak yang memungkinkan seorang peneliti untuk memanipulasi data yang
ditampilkan di meja (microsoft excel dan lotus 1-2-3 secara luas digunakan adalah
dua contoh).Tabel tersebut, tahu sebagai spreadsheet, terbagi ke dalam baris dan
kolom untuk membentuk sebuah jaringan yaitu anda tinggal memasukkan data
anda yang telah dikumpulkan ke dalam sel dalam jaringan yang tepat.
Keindahan spreadsheet elektronik adalah bahwa setelah Anda memasukkan
data ke dalamnya, perangkat lunak dengan cepat dan mudah membuat perhitungan
yang diinginkan. Sebagai contoh, Anda dapat menambahkan nilai ujian di
beberapa kolom bersama-sama untuk membuat kolom baru yang mungkin Anda
sebut "Jumlah Uji Skor", atau Anda mungkin membagi angka dalam satu kolom
dengan angka dalam lain untuk mendapatkan proporsi yang berpotensi berarti
dalam konteks studi Anda. Jika Anda mengubah titik-misalnya data, mungkin
Anda menemukan Anda miskeyed skor tes dan begitu banyak yang benar itu-
semua perhitungan yang relevan update secara otomatis. Perangkat lunak ini
biasanya juga memungkinkan Anda menyalin (atau impor) data dari database,
dokumen pengolah kata, spreadsheet atau lainnya ke dalam spreadsheet Anda.
Spreadsheet akan berguna untuk peneliti bahkan jika mereka hanya mampu
listing data dan menambahkan kolom perbedaan dan baris. Namun pada
kenyataannya, mereka memungkinkan peneliti untuk melakukan banyak hal lain
juga:
Penyortiran. Setelah data telah disusun dalam baris dan kolom, adalah
mungkin untuk mengatur kembali mereka dengan cara apapun yang Anda
inginkan. Misalnya, Anda telah membaca nilai tes untuk sejumlah besar anak-
anak dari berbagai usia. Anda awalnya masuk skor dalam urutan di mana
Anda memperoleh mereka. Tapi sekarang Anda memutuskan bahwa Anda
ingin mempertimbangkan mereka atas dasar usia anak-anak. Dengan cara
kedua, spreadsheet elektronik dapat mengurutkan skor dengan usia dan daftar
mereka dari kecil sampai anak tertua, atau sebaliknya.
 Rekaman. Sebuah spreadsheet biasanya memungkinkan Anda untuk membuat
kolom baru yang mencerminkan transformasi data di kolom lain. Misalnya,
bayangkan bahwa Anda telah membaca skor untuk anak-anak dari usia 7
sampai 15. Mungkin Anda ingin membandingkan skor untuk anak-anak
dalam tiga kelompok usia yang berbeda: Grup 1 akan terdiri dari anak-anak
yang berusia 7-9 tahun, Kelompok 2 akan mencakup 10 sampai 12 tahun, dan
Kelompok 3 akan mencakup berusia 13 sampai 15 tahun. Anda dapat
memberitahu komputer untuk membentuk kolom baru yang disebut "Grup"
dan memberikan setiap anak nomor kelompok (1, 2, atau 3) tergantung pada
usia anak.
Grapping. Kebanyakan program spreadsheet memiliki kemampuan
grafik. Setelah Anda menyorot bagian yang tepat dari data, program secara
otomatis akan menghasilkan grafik dari data tersebut. Umumnya, jenis grafik
yang dihasilkan dipilih dari beberapa pilihan (misalnya, scattergrams, grafik
garis, diagram lingkaran, bar chart). Pengguna dapat memilih bagaimana
sumbu diberi label, bagaimana legenda dibuat, dan bagaimana titik data
digambarkan.
Formula. Seperti yang telah kami sebutkan, spreadsheet elektronik dapat
melakukan perhitungan sederhana, tapi ini hanya ujung gunung es! Program
spreadsheet saat memiliki kemampuan untuk menghitung banyak rumus-
rumus matematika dan statistik yang kompleks. Setelah data tersebut akan
disusun dalam baris dan kolom, Anda dapat menentukan formula yang
menggambarkan dan menganalisa satu atau lebih kelompok data. Sebagai
contoh, Anda dapat memasukkan rumus untuk menghitung rata-rata, atau
berarti, dari serangkaian angka, dan spreadsheet kemudian akan melakukan
perhitungan yang diperlukan. Banyak rumus yang biasa digunakan sering
diprogram, sehingga Anda hanya memilih statistik atau fungsi yang Anda
butuhkan (misalnya, Anda mungkin pilih "RATA-RATA") dan sorot data
yang ingin Anda sertakan dalam perhitungan. Perangkat lunak ini melakukan
sisanya.
Apa Ifs. Karena kecepatan dan kemudahan dengan yang spreadsheet
elektronik dapat menghitung dan menghitung ulang rumus, peneliti memiliki
alat penting untuk mendapatkan wawasan lebih lanjut. Misalnya, jika Anda
melihat satu set data dan memutuskan bahwa perbandingan tambahan antara
kelompok mungkin terbukti menarik, spreadsheet dapat menyelesaikan
perbandingan dalam hitungan detik. Kemampuan ini memungkinkan Anda
untuk terus-menerus bertanya "bagaimana jika ....": Bagaimana jika hasil dari
pemberian satu tingkat dari obat tertentu dianalisis bukan pengelompokan
semua tingkatan bersama-sama? Ini "bagaimana jika ..." kemampuan
memungkinkan peneliti untuk mengeksplorasi data dalam banyak cara yang
mungkin dengan cepat dan mudah.

Seperti aplikasi komputer lainnya, spreadsheet memungkinkan peneliti

untuk menyelamatkan, menyimpan, mengingat, dan mudah memperbarui
informasi yang diperlukan dan untuk mencetak ketika diinginkan.
 Kami telah mengatakan cukup tentang pengorganisasian data set. Kita
sekarang beralih ke beberapa alat penting dalam toolbox-statistik seorang
peneliti. Kita harus mengingatkan Anda bahwa kita tidak mungkin
menggambarkan berbagai prosedur statistik yang tersedia di satu bab. Di sini kita
harus membatasi diri untuk deskripsi konsep statistik dasar dan prinsip-prinsip
dan gambaran singkat dari beberapa prosedur yang paling umum digunakan. Kita
mengasumsikan bahwa Anda telah mengambil atau akan mengambil setidaknya
satu kursus dalam statistik (lebih baik lagi, mengambil dua atau tiga!) Untuk
mendapatkan dasar yang kuat dalam alat ini penelitian penting.

D. MEMILIH UJI STATISTIK YANG SESUAI

Dalam bagian sebelumnya, kita melihat prestasi akademis Joe dalam tiga
cara: urutan linier sederhana, tabel dua dimensi, dan grafik garis. Semua ini
digambarkan penampilannya sehari-hari. Sekarang, sebaliknya, mari kita mulai
untuk meringkas apa yang kita lihat dalam skor Joe. Kita bisa, misalnya,
menggunakan statistik yang tahu dengan tujuan-lebih umum disebut rata-rata-
untuk mengambil penyimpangan bergerigi kinerja sehari-hari. Pada Gambar 11.5,
kami mewakili nilai rata-rata Joe selama empat minggu yang berbeda empat baris
rusak. Ketika kita melakukan ini, kita mendapatkan pandangan yang sama sekali
baru prestasi Joe. Sedangkan grafik awalnya hanya menunjukkan sebuah zig-zag
tidak menentu antara ekstrem harian, dengan zigzag menjadi kurang ekstrim
sebagai minggu berlalu, garis tertutup menunjukkan bahwa, minggu demi minggu,
sangat sedikit perubahan benar-benar terjadi di tingkat rata-rata prestasiJoe.
 Gambar 2. 5 Grafik Garis dari Nilai Rata-rata Mingguan Joe

Namun mungkin bahwa kami juga ingin merangkum berapa banyak nilai
Joe sangat setiap karya. Sarana disajikan pada Gambar 2.5 memberitahu kita apa-
apa tentang bagaimana konsisten atau tidak konsisten nilai Joe berada di setiap
minggu diberikan. Kami akan membutuhkan berbeda statistik-mungkin range atau
standar deviasi-untuk meringkas variabilitas yang kita lihat setiap minggu. (Kami
akan menggambarkan sifat ukuran seperti variabilitas lama).
Sejauh ini, kami telah menemukan titik penting: Melihat data dalam satu
cara yield di lihat lengkap dari mereka data dan, karenanya, hanya menyediakan
segmen kecil dari makna penuh bahwa data tersebut diperoleh. Untuk itu, kami
memiliki banyak teknik statistik, yang masing-masing cocok untuk tujuan
perbedaan. Setiap teknik ekstrak arti yang agak berbeda dari satu set data
tertentu. Setiap kali Anda menerapkan pengobatan statistik baru untuk data Anda,
Anda mendapatkan wawasan baru dan melihat lebih jelas arti dari data tersebut.
Dalam beberapa halaman berikutnya, kita mempertimbangkan dua fungsi
dasar bahwa statistik dapat melayani. Kami juga membahas berbagai cara di mana
sifat data dapat mendikte prosedur statistik tertentu yang dapat digunakan. Di
bagian berikutnya, kita meneliti dua kelompok besar dari statistik deskriptif dan
inferensial.
 1. Fungsi Statistik
Statistik memiliki dua fungsi utama. Beberapa statistik menggambarkan
apa yang terlihat data seperti-mana pusat atau titik tengah adalah, bagaimana luas
mereka menyebar, seberapa dekat variabel dalam data kami berkorelasi dengan
satu sama lain, dan sebagainya. Statistik tersebut, cukup tepat, disebut statistik
deskriptif.
Tapi statistik lainnya, yang dikenal sebagai statistik inferensial, melayani
tujuan yang berbeda. Mereka memungkinkan kita untuk membuat kesimpulan
tentang populasi yang besar dengan mengumpulkan data pada sampel yang relatif
kecil. Sebagai contoh, bayangkan bahwa Anda adalah seorang petugas
imigrasi. Meskipun Anda belum pernah ke Australia, Anda telah bertemu banyak
orang Australia karena mereka buang kulit pada tunas dari pesawat yang masuk
dan kapal. Mungkin Anda bahkan menjadi akrab dengan sejumlah kecil warga
Australia. Dari contoh kecil ini dari populasi Australia, Anda mungkin
menyimpulkan apa yang orang Australia pada umumnya seperti. (Kesimpulan
Anda mungkin atau mungkin tidak akurat karena sampel Anda, yang seluruhnya
terdiri dari imigran ke negara ini, belum tentu mewakili dari seluruh populasi
Australia. Namun, itu adalah masalah sampling, tidak satu statistik).
Tabel 1.2Notasi Statistik Konvensional untuk Parameter Populasi dan Sampel
Statistik

Lebih umum, statistik inferensial melibatkan menggunakan sampel kecil

dari populasi dan kemudian memperkirakan karakteristik populasi yang lebih
besar dari mana sampel telah diambil. Misalnya, kita mungkin memperkirakan
berarti populasi dari mean kita memperoleh untuk sampel. Atau kita mungkin
menentukan apakah dua atau lebih kelompok orang yang berbeda berdasarkan
perbedaan kita amati antara sampel yang diambil dari masing-masing
kelompok.Statistik inferensial menyediakan cara untuk membantu kami
melakukan tebakan yang masuk akal tentang, populasi yang tidak diketahui besar
dengan memeriksa sampel kecil yang dikenal. Dalam proses ini, mereka juga
memungkinkan kita untuk menguji hipotesis kami mengenai apa yang benar untuk
itu populasi yang besar.
Statistik sebagai Perkiraan Populasi Parameter
Terutama ketika kita menggunakan statistik untuk menarik kesimpulan
tentang populasi dari mana sampel penelitian telah ditarik, kita pada dasarnya
menggunakan mereka sebagai perkiraan parameter populasi. Parameter adalah
suatu karakteristik atau kualitas dari populasi itu, dalam konsep, adalah
konstan; Namun, nilainya adalah variabel.
Pertimbangkan lingkaran. Salah satu parameter, atau karakteristik,
lingkaran adalah radius, yang memiliki hubungan fungsional ke lingkaran. Dalam
konsep, radius konstan: Ini selalu sama untuk setiap lingkaran-jarak dari pusat
lingkaran ke perimeter. Dalam nilai, itu bervariasi, tergantung pada ukuran
lingkaran. Lingkaran besar memiliki jari-jari yang panjang; lingkaran kecil, jari-
jari pendek. Nilai-yang adalah, panjang jari-jari di unit linier (cm, inci, kaki) -
adalah variabel. Berpikir dari parameter dengan cara ini, kita melihat bahwa setiap
lingkaran memiliki beberapa parameter. Diameter selalu dua kali jari-jari (r),
lingkar selalu 2r, dan wilayah ini selalu r2. Konsep-konsep ini adalah konstanta,
meskipun nilai-nilai tertentu mereka sangat dari satu lingkaran ke yang
berikutnya.
Dalam konteks diskusi ini, parameter merupakan karakteristik tertentu
(misalnya, rata-rata atau standar deviasi) dari seluruh populasi-yang kadang-
kadang disebut alam semesta-tentang apa yang kita ingin menarik
kesimpulan. Dalam kebanyakan kasus, kita dapat belajar hanya contoh kecil dari
populasi itu. Setiap perhitungan kita melakukan untuk sampel daripada populasi
(mean sampel, standar deviasi sampel, dll) disebut statistik. Statistik membedakan
antara parameter-parameter populasi dan statistik sampel dengan menggunakan
simbol yang berbeda untuk masing-masing. Tabel 1.2 menyajikan beberapa
simbol yang biasa digunakan digunakan dalam notasi statistik.
2. Mempertimbangkan Sifat Data
 Ketika Anda mulai berpikir tentang prosedur statistik yang mungkin paling
tepat untuk masalah penelitian, perlu diingat bahwa statistik yang berbeda sesuai
untuk berbagai jenis data. Secara khusus, Anda harus mempertimbangkan apakah
data Anda:
Telah dikumpulkan untuk kelompok tunggal atau, sebaliknya, untuk dua
atau lebih kelompok.
Variabel kontinu atau diskrit terlibat
Mewakili nominal, skala ordinal, interval, atau rasio
Mencerminkan distribusi normal atau non-normal
Setelah kita melihat masing-masing distribusi ini, kita akan
menghubungkannya dengan perbedaan-yang lain antara statistik parametrik dan
nonparametrik.
Single-Kelompok Versus Multi-kelompok data
Dalam beberapa kasus, sebuah proyek penelitian menghasilkan data
tentang satu kelompok orang atau benda. Dalam kasus lain, mungkin
menghasilkan set paralel data tentang dua atau lebih
kelompok.Menganalisis karakteristik satu kelompok akan sering
membutuhkan teknik statistik yang berbeda daripada membuat
perbandingan antara dua atau lebih kelompok.
Terus menerus Versus Variabel Diskrit
Dalam bab 10, kita mendefinisikan variabel sebagai kualitas atau
karakteristik dalam penyelidikan penelitian yang memiliki dua atau lebih
nilai yang mungkin. Sederhananya, variabel bervariasi. Namun, mungkin
bervariasi dalam cara yang berbeda. Sebuah variabel kontinu
mencerminkan jumlah tak terbatas kemungkinan nilai jatuh sepanjang
kontinum tertentu. Contoh sederhana adalah usia kronologis. Para peserta
dalam studi penelitian dapat jumlah tak terbatas kemungkinan
usia. Beberapa mungkin berusia 2 tahun, orang lain mungkin 92, dan kita
mungkin memiliki hampir semua usia (termasuk fraksi dari tahun) di
antara. Bahkan jika penelitian ini terbatas untuk usia kecil rentang-
mengatakan, anak-kita berusia 2-4 tahun mungkin memiliki anak yang
tepat berusia 2 tahun, anak-anak yang 2 tahun dan 1 bulan, anak-anak
 'yang 2 tahun dan 2 bulan tua, dan sebagainya. Kita bisa, secara teori,
bahkan lebih tepat, mungkin menentukan peserta usia di hari, jam, menit,
detik, atau bahkan sepersekian detik.
Sebaliknya, variabel diskrit memiliki jumlah terbatas dan kecil
kemungkinan nilai. Sebuah contoh sederhana adalah tingkat kelas SMA siswa. Di
sebuah sekolah tinggi 4 tahun, mahasiswa dapat hanya salah satu dari nilai fpur:
9 th, 10 th, 11 th, atau 12 th. Di sekolah yang paling tinggi, tidak mungkin untuk
menjadi apa pun. Satu tidak bisa berada di antara dua tingkat kelas, seperti dalam
"9,25 kelas th".
Nominal, Ordinal, Interval, dan Data Rasio
Dalam Bab 2, kami dijelaskan empat skala pengukuran yang berbeda;skala
ini, pada gilirannya, menentukan bagaimana kita secara statistik dapat
menganalisis nomor kita memperoleh relatif terhadap satu sama
lain. Untuk menyegarkan ingatan Anda, kami meninjau secara singkat
masing-masing timbangan lagi di sini.
Data nominal adalah mereka yang nomor hanya digunakan untuk
mengidentifikasi berbagai kategori orang, benda, atau badan
lainnya; mereka tidak mencerminkan jumlah tertentu atau derajat
sesuatu. Bagi peneliti mungkin kode semua laki-laki dalam satu set data
saya dan semua wanita sebagai 2. Peneliti juga mungkin kode afiliasi
politik dengan angka, mungkin menggunakan 1 untuk Partai Republik, 2
untuk Demokrat, 3 untuk Independen, dan sebagainya. Dalam kedua kasus
melakukan nomor menunjukkan bahwa peserta memiliki lebih atau kurang
"jenis kelamin" atau "afiliasi politik" relatif terhadap satu sama lain.
Data ordinal adalah mereka yang nomor yang ditetapkan mencerminkan
urutan tertentu atau urutan. Mereka mengatakan kepada kita bahwa orang,
benda, atau entitas lain jatuh sepanjang kontinum dari segi variabel
tertentu; mereka tidak, bagaimanapun, menceritakan apa-apa tentang
betapa hebatnya perbedaan antara mereka. Misalnya, dalam kelompok
lulus SMU, setiap siswa mungkin memiliki peringkat kelas 1
menunjukkan tertinggi nilai rata-rata (IPK), peringkat 2 menunjukkan IPK
tertinggi kedua, dan seterusnya. Angka-angka ini memberitahu kita mana
 siswa melampaui lain dalam hal IPK, tetapi tidak memberitahu kita secara
tepat bagaimana sama atau berbeda dengan IPK dari dua siswa.
Data internal mencerminkan standar dan unit yang sama
pengukuran. Seperti yang terjadi untuk data ordinal, angka mencerminkan
perbedaan dalam derajat atau kuantitas. Tapi, di samping itu, perbedaan
antara angka memberitahu kita berapa banyak perbedaan yang ada dalam
makhluk karakteristik diukur.Sebagai contoh, nilai pada tes kecerdasan
(IQ skor) adalah, karena cara di mana mereka berasal, diasumsikan pada
mencerminkan skala interval. Jadi, jika kita mengambil empat skor pada
interval yang sama-mengatakan 85, 95, 105, dan 115-kita dapat
mengasumsikan bahwa 10-titik perbedaan antara masing-masing pasangan
mencerminkan perbedaan setara dalam kecerdasan antara orang-orang
yang telah memperoleh skor tersebut. Satu keterbatasan data interval
adalah bahwa nilai nol (0) tidak selalu mencerminkan kurangnya lengkap
dari makhluk karakteristik diukur. Misalnya, kadang-kadang mungkin
untuk mendapatkan skor IQ 0, tetapi nilai tersebut tidak berarti bahwa
seseorang tidak memiliki kecerdasan sama sekali.
Data rasio serupa ke interval data tetapi memiliki fitur tambahan: nol titik
yang benar. Tidak hanya angka mencerminkan interval yang sama antara
nilai-nilai untuk makhluk karakteristik diukur, tetapi di samping nilai 0
memberitahu kita bahwa ada tidak lengkap karakteristik itu. Sebuah
contoh akan tingkat pendapatan: Orang dengan pendapatan tahunan
$30.000 membuat $10.000 lebih dari orang-orang dengan pendapatan
tahunan $20.000 dan orang-orang dengan pendapatan tahunan $40.000
membuat $10.000 lebih dari orang-orang dengan pendapatan tahunan
sebesar $30.000. Selanjutnya, orang yang membuat $0 tahun memiliki
penghasilan.
Distribusi normal dan Non-Normal
Teori mengusulkan bahwa banyak karakteristik dari populasi manusia
mencerminkan pola tertentu, salah satu yang terlihat seperti ini:
 Pola ini, biasa disebut distribusi normal atau kurva atau (Anda juga dapat
melihat kurva lonceng istilah), memiliki beberapa karakteristik yang
membedakan:
Ini adalah horizontal simetris. Satu sisi adalah bayangan cermin dari yang
lain.
Di titik tertinggi adalah pada titik tengahnya. Lebih banyak orang (atau
apa pun entitas lain yang menjadi fokus penyelidikan) berada pada titik
tengah dari pada yang lain sepanjang kurva, dalam hal statistik, tiga
ukuran banyak digunakan dari pusat kecenderungan-modus, median, dan
mean (semua untuk akan segera dijelaskan) -adalah sama.
Persentase diprediksi penduduk terletak di dalam setiap ramuan tertentu
kurva. Jika kita membagi kurva sesuai dengan standar deviasi (juga akan
segera dijelaskan), kita tahu bahwa persentase tertentu dari kebohongan
populasi dalam setiap porsi. Secara khusus, sekitar 34,1% dari populasi
terletak antara mean dan satu standar deviasi di bawah rata-rata, dan lain
34,1% terletak di antara mean dan satu standar deviasi di atas rata-
rata. Sekitar 13,6% dari populasi terletak antara satu dan dua standar
deviasi di bawah rata-rata, dengan yang lain 13,6% berbohong antara satu
dan dua standar deviasi dari rata-rata, dengan 2,3% pada setiap akhir
distribusi. Pola ini tercermin dalam Gambar 11.6.(Proporsi penduduk yang
berada di dalam setiap bagian tertentu dari distribusi normal dapat
ditemukan di sebagian statistik pengantar terlihat).
Untuk lebih memahami distribusi normal, mengambil terjadi
kebetulan dan menganalisis distribusi produksi pola-jagung dari Iowa pada
suatu tahun tertentu, misalnya. Jika kita bisa survei hasil per-acre setiap
petani di Iowa (harfiah, jumlah penduduk, alam semesta dari ladang
jagung dan petani di Iowa), kita mungkin akan menemukan bahwa
beberapa petani memiliki hasil yang sangat miskin jagung per acre untuk
Alasan tidak dilihat kecuali bahwa "itulah cara itu terjadi".Beberapa petani
lainnya, untuk alasan yang sama tidak akuntabel, memiliki yield sangat
berat dari ladang mereka. Umumnya, bagaimanapun, sebagian besar petani
akan memiliki tengah-of-the-road hasil, miring secara bertahap di kedua
arah menuju yang lebih besar-yield atau arah yang lebih rendah-
yield. Kurva normal akan menjelaskan produksi jagung Iowa. Tidak ada
yang direncanakan seperti itu; itu sederhana cara alam berperilaku.

Gambar 2. 6 Persentase dalam Setiap Bagian dari Distribusi Normal

Berjalan ke setiap toko pakaian. Mengambil inventarisasi ukuran baju
laki-laki atau ukuran baju wanita, dan Anda cenderung melihat distribusi
normal. Ambil tinggi dan berat dari semua anak-anak di sebuah sistem
sekolah yang diberikan, dan lagi kurva normal akan tampak jelas.
Menonton badai mendekati. Flash sesekali petir akan pemberita
kedatangan badai. Segera, berkedip akan terjadi lebih sering. Pada puncak
badai, jumlah berkedip per menit akan mencapai puncaknya.Secara
bertahap, dengan berlalunya badai, jumlah berkedip akan mereda. Kurva
normal adalah bekerja sekali lagi.
Kita bisa memikirkan ribuan situasi, hanya untuk menemukan bahwa
alam sering berperilaku sesuai dengan distribusi normal. Kurva adalah
konstan. Itu selalu berbentuk lonceng. Dalam situasi satu, nilai-nilai di
dalamnya bervariasi. Berarti tidak selalu jumlah yang sama;bentuk
keseluruhan mungkin lebih luas menyebar atau lebih dikompresi,
tergantung pada situasi yang diwakili.
Kadang-kadang, bagaimanapun, variabel tidak jatuh dalam distribusi
normal. Misalnya, distribusi mungkin miring, atau miring.Jika puncak
terletak di sebelah kanan titik tengah, distribusi negatif miring. Atau
mungkin distribusi adalah biasa memuncak, atau runcing, distribusi
mencerminkan kurva leptokurtic dan satu biasa datar menjadi kurva
platikurtik (lihat Gambar 2.7).

Gambar 2. 7 Grafik Umum dari Distribusi Normal

Tentu saja, beberapa set data tidak menyerupai distribusi normal,
bahkan tidak miring, runcing, atau variasi terlalu rata dari satu. Secara
umum, kumpulan data ordinal mungkin terlihat lebih seperti sebuah tangga
yang berlangsung ke atas dalam interval reguler. Mengambil kelas
lulus. Jika setiap siswa diberi peringkat kelas menurut akademik nilai rata-
rata, Luis mungkin peringkat pertama, Janene mungkin peringkat kedua,
Marietta ketiga, dan seterusnya. Kami tidak melihat distribusi normal
dalam situasi ini, karena kita hanya memiliki satu mahasiswa di masing-
masing peringkat akademis. Jika kita membangun sebuah grafik yang
menggambarkan frekuensi dari jajaran kelas, kita melihat rendah,
distribusi datar daripada yang naik ke atas dan puncak di tengah.
Jajaran persentil, juga, membentuk distribusi datar daripada kurva
berbentuk lonceng. Jajaran persentil sering digunakan untuk melaporkan
kinerja pada bakat dan prestasi tes. Untuk menghitung mereka, seorang
peneliti harus terlebih dahulu melihat baku skor-jumlah item tes menjawab
 benar atau jumlah titik akumulasi-bahwa setiap orang dalam sampel
mendapatkan pada tes atau instrumen penelitian lainnya. Rank percentile
seorang individu tertentu kemudian dihitung sebagai berikut:
Pemilihan antara statistik parametrik dan nonparametrik
Pilihan prosedur statistik akan tergantung pada beberapa tingkatan,
kealamian data, dan memperpanjang yang mencerminkan distribusi
normal. Beberapa statistik, seperti statistik parametrik, yang didasarkan
pada asumsi tertentu tentang sifat populasi yang bersangkutan. Dua asumsi
yang paling umum yaitu
Data mencerminkan interval dan skala rasio
Data harus berdistribusi normal (misalnya, distribusimemiliki pusat
titiktinggi,dan tidakmiring, leptokurtik, atauplatikurtik)
Ketika salah satu dari asumsi ini dilanggar, hasil statistik akan menjasi
tersangka.Statistik lainnya yaitustatistik nonparametrik, yang tidak
didasarkan pada asumsi. Misalnya beberapa statistik nonparametrik yang
sesuai dengan data ordinal daripada interval. Kamu mungkin bertanya,
mengapa tidak menggunakan statistik nonparametrik setiap waktu untuk
menghindari keharusan untuk membuat (mungkin melanggar) asumsi
tentang data? Alasannya yaitu sederhana: statistik inferensial yang paling
kompleks dan didasarkan pada statistik parametrik. Statistik
nonparametrik merupakan oleh dan telah sesuai hanya untuk analisis yang
relatif sederhana.

E. STATISTIK DESKRIPTIF
Seperti namanya, statistik deskriptif, mendeskripsikan data. Disini, kita
berdiskusi bagaimana menentukan 3 hal yang mungkin ingin untuk diketahui
tentang pengaturan data: tendensi sentral, jumlah variabilitas, tingkat perbedaan
variabel yang dihubungkan satu sama lain.
1. Tendensi Sentral
Pada tendensi sentral, kita merata-rata tendensi sentral sekitar data yang
tersebar, titik tengah sekeliling yang mana pada titiktendensi sentral, kita berarti
titik pusatsekitar yangdataberputar, titiktengahdi sekitarmanadata mengenaisuatu
variabel tertentudidistribusikansama. dalam bahasastatistik, kita
menggunakanlangkah-langkah jangkapemusatanuntuk merujuk pada pointendensi
sentraladalahtitik pusatsekitar yangdataberputar, titiktengah. Ini yang paling
digunakan adalah modus, median, dan mean. Masing-masing pengukuran tersebut
mempunyai karakteristik tersendiri dan penerapannya.
Modus merupakan nomor tunggal atau skor yang dengan frekuensi yang lebih
sering muncul. Misalnya sekumpulan data ini
3 4 5 6 7 7 9 9 9 9 10 11 13 13 13 15 15 21 26
Modus = 9, karena 9 lebih sering muncul (4 kali) dari pada angaka yang lainnya.
Sebagai ukuran tendency central, modus adalah nilai terabatas, sebagian karena
modus tidak akan selalu muncul di dekat distribusi tengah. Sebagian itu sangat
tidak stabil dari sampel ke sampel. Tetapi, modus hanya tepat dalam pengukuran
central tendency untuk data nominal.
Median merupakan angka tengah dari sekumpulan data, dengan tepat karena
banyak nilai diatas dan dibawah titik median. Kata median berasal dari bahasa
latin middle atau tengah, dan median adalah salah satu nilai yang tepat di
tengah-tengah seri.
Anda mungkin berfikir dari mean sebagai titik tumpu dari sekumpulan
data: rata-rata tersebut merupakan titik yang mana dua sisi distribusi mencapai
keseimbangan. Secara matematis, mean merupakan rata-rata aritmatika dari
nilai pada sekumpulan data. Untuk menemukannya, kita menghitung jumlah
semua nilai kemudian dibagi dengan angka total dari nilai. Kita menggunakan
simbol X untuk setiap nilai pada sekumpulan data dan simbol N untuk angka total
dari nilai, menghitung mean dengan rumus sebagai berikut.

1+2+3++
M=

Mean merupakan ukuran central tendency yang paling sering digunakan

oleh peneliti dan statistikwan. Tetapi ukuran ini hanya tepat pada data interval dan
risio, karena itu,masuk akal bila matematika hanya digunkaan untuk menghitung
rata-rata angka yang mencerminkan interval yang sama sepanjang skala tertentu.
 Median lebih tepat untuk menangani data ordinal. Median juga sering
digunakan ketika seorang peneliti berhadapan dengan kumpulan data yang sangat
mirip dalam satu arah atau yang lain. Sebagai contoh:
3 4 5 5 6 9 15 17 125
Mean dari skor diatas adalah 21, skor ini tidak memberi ide yang baik
karena sebagian besar skor berbeda. median dalam hal ini adalah 6, refleksi yang
lebih baik dari tendency central karena tidak terpengaruh oleh nilai ekstrim
tunggal yaitu 125.
2. Kurva Mean Determinan
Jika kitamerekampertumbuhanbatangkacangdilaboratoriumagronomi, kita
tidakmenemukanpertumbuhan rata-ratadengan asumsidistribusi
normaldanmenghitungrata-rataaritmatik. teknikstatistiktidak sesuaifaktaalam.
sebagai gantinya, kami menggunakanmeangeometic, yangdihitung dengan
mengalikansemuanilaibersama dan kemudian menemukan akar Nth dari hasil.
Simbol mean geometrik (Mg), berikut perhitunganya:

Mg = (1)(2)(3) ()
Berikut contoh situasi dalam penerapan mean geometrik yang tepat:
1. situasi pertumbuhan bological
2. situasi pertumbuhan penduduk
3. penambahan uang dengan bunga majemuk
4. rata-rata rasio atau persentase
5. Kemunduran atau situasi deklaratif sederhana

Tabel 1.4 Measures of Central Tendency as Predictors

Measure of Central How Its Determined Data for Which
Tendency (N = number of scores) Its Appropriate
Mode Skor yang paling sering Data: nominal, ordinal,
diidentifikasi interval, dan rasio
Distribusimultimodal(dua atau
lebihmodedapatdiidentifikasi
ketikadistribusimemiliki
beberapapuncak)

Median Skoryang diatur dalam Data: ordinal interval dan

urutandari terkecil hingga rasio
terbesar, dannilai tengah(Bila
Nadalahangka ganjil) atautitik Data yang sangat miring
tengahantaradua nilaitengah(saat
 Nadalah bilangan genap)
diidentifikasi
Data: interval dan rasio
Aritmatik mean Semuanilaiditambahkanbersama- Data yang berdistribusi normal
sama, danjumlahnya
dibagidenganjumlah(N) darinilai
Data: rasio
Semuanilaidikalikanbersama- Data yang berbentuk kurva
Geometrik mean sama, danakarNprodukdihitung ogive (Data pertumbuhna)

Sebagai contoh misalkan Anda berjalan menyusuri jalan. Tiba-tiba Anda

datang atas kerumunan orang terbentuk di kurva normal seperti cara. di mana
berdasarkan prediksi terbaik, Anda akan menemukan penyebab untuk orang
banyak membentuk keerumunan tersebut? Jawabannya sederhana di mana
kerumunan terdalam, di mana jumlah terbesar orang, Anda mungkin akan
menemukan penyebab pertemuan itu. mungkin perkelahian jalanan, kecelakaan,
seorang wanita membagikan nickals kayu. Tapi apayang pernahkesempatan itu,
perkiraan terbaikAndatentang penyebabpertemuan ituterletakpada titik di
manamassamanusiapada puncaknya.
Ukuran Tendency Central memprediksi data, dimana ketika kita
membicarakan the average citizen, the average student, and the average
wage earner kita akan mengacu pada warga negara, mahasiswa, dan penerima
upah. Dalamspektrum yang luas darikemungkinan, kitabertaruh padarata-
ratamenjaditebakan terbaikseperti apa yangpaling karakteristikdari total populasi
3. Mengukur Variabilitas: Dispersi dan Deviasi
Sejauh ini, kita telah membahas pertanyaan, Apakah dugaan terbaik?
Sekarangkita beralih kepertanyaanyang berlawanan: Apa kemungkinanterburuk?.
Semakin banyak kelompok data di sekitar tendency central, semakin besar pula
kemungkinan membuat dugaan yang benar tentang dimana setiap titik data
terdapat kebohongan. Semakin jauh data tersebar dari poros tengah, semakin besar
prediksi margin eror. Gambar 11.10
Seberapa besar penyebaran?
Mungkinukuranyang paling sederhanavariabilitasadalahjangkauan.
Kisaranmenunjukkanpenyebarandatadari terendah kenilaitertinggi.
Range = skor tertinggi - skor terendah, misalnya range (rentangan untuk
92 69 = 23). Walaupun range mudah di hitung, dia memiliki keterbatasan dalam
penggunaannya sebagai ukuran variabilitas dan bahkan mungkin menyesatkan
jika batas atas atas bawah terlalu ekstrim dari nilai-nilai lain dalam seri. Misalnya
jumlah anak disetiap sepuluh keluarga; 1 3 3 3 4 4 5 5 6 15. Range keluarga
tersebut 15-1=14. Contoh ini menyesatkan: itu menunjukkan bahwa sampel
menunjukkan banyak variabilitas dalam satu keluarga. Kami
memberikanperkiraan yang lebihrealistisvariabillitydalam sampelini ketikakita
mengatakan bahwa80% keluarga memiliki3-6anak.
Pengukuran variabilitas digunakan pada median, mean, use the median or
mean seperti starting point. Salah satu ukuran tersebut interquartile range. Jika
kitamembagidistribusimenjadi empatbagian yang sama, Quartile1terletakpada titik
di mana25% pfanggota kelompokberada dibawahnya. Quartile
2membagikelompok menjadidua bagian yang samadanidentik denganmedian.
Quartile 3terletakpada titikdi mana75% darinilai-nilaidi bawahitu.
kisaraninterkuartilsama denganQuartile 3
Interquartile range = Quartile3 - Quartile1
Dengan demikian , interquartilerange memberi kita rentang untuk tengah
50 % dari kasus dalam distribusi .
Jumlah ini kadang-kadang disebut deviasi rata-rata ( AD ) . Persamaan
untuk deviasi rata-rata adalah :

AD =

X-M = X Mdisini tanpa memperhatikan tanda-tanda plus dan minus, dengan

kata lain , itu adalah nilai absolut dari selisih antara masing-masing skor dan
mean.
Untuk menghitung standar deviasi , kita mengikuti prosedur yang sama
untuk menghitung sebuah diviation rata-rata. Namun, daripada mengambil nilai
absolut dari perbedaan nilai - rata , kita persegi perbedaan . Setelah kami telah
menambahkan perbedaan kuadrat bersama-sama dan kemudian dibagi dengan
jumlah skor, kita menemukan akar kuadrat dari hasil bagi . Jadi , rumus untuk
deviasi standar adalah berikut :
()2
S=
Banyak prosedur statistik menggunakan ukuran lain secara variabilitas . Statistik
ini dikenal sebagai varians , yang hanya standar deviasi kuadrat :
()2
2 =

Menggunakan mean dan standar deviasi untuk mneghitung standar skor

Sebelumnya telah disebutkan skor baku jangka , jumlah jawaban yang
benar atau poin bahwa seseorang mendapat pada tes atau instrumen penelitian
lainnya . Skor tersebut biasanya perlu beberapa konteks untuk membuat mereka
berarti.
Kadang-kadang peneliti menyediakan konteks dengan mengubah skor
baku untuk skor norma-direferensikan, skor yang mencerminkan di mana setiap
orang dalam kelompok tersebut relatif terhadap makhluk karakteristik diukur .
Tabel 1.5 Ukuran Variablitas.
Ukuran variabilitas Bagaimana hal itu ditentukan Data yang sesuai
(N= nomor skor)
Range Perbedaan antara skor tetinggi Data ordinal, interval,
dan terendan di dalam dan skala rasio
distribusi.
Interquartile range Perbedaan antara 25 dan 75 - Data ordinal, interval, dan
persentil skala rasio
- Terutama berguna untuk data
yang sangat miring
Standard deviation ()2 - Data interval, dan skala
S= rasio

- lebih tepat untuk
mendistribusikan data
secara normal.
Varian ( )2 - Data interval, dan skala
2 = rasio

- Lebih tepat untuk
mendistribusikan data
secara normal.
- Khususnya berguna pada
prosedur statitik inferensial
(e.g. analisis varian)
*ukuran variabilitas yang biasanya pantas untuk data nominal , sebaliknya,
frekuensi atau persentase dari setiap nomor dilaporkan
Yang paling sederhana nilai standar z -score , yang dihitung dengan
menggunakan nilai baku individu (kita melambangkannya sebagai X ) , bersama
dengan mean dan standar deviasi untuk kelompok eror , sebagai berikut

Z=
 Jika rata-rata dari skor pada tes ini adalah 25 , dan jika standar deviasi5,
maka kita bisa menghitung z -score mary sebagai berikut :
3525 10
Z= = =2
5 5

Ketika kita menghitung z -score untuk seluruh kelompok , kita

mendapatkan distribusi yang memiliki rata-rata 0 dan standar deviasi 1 .
Untuk mengkonversi z -score untuk skala lain , kita hanya akan kalikan z dengan
skalastandar deviasi baru( ) dan menambahkan skala baru rata-rata ( ) ke
produrct diperoleh , sebagai berikut :
New standard score = (Z x ) +
Jika kita mengkonversi nilai ekstroversi mary dengan skala IQ , kita
akan pasang nya z - skor 2 , ditambah standar deviasi 15 dan rata-rata 100 , ke
dalam rumus sebelumnya :
IQ score = (2 x 15) + 100 = 130
Dengan demikian , menggunakan skala IQ , skor Mary pada tes ekstroversi akan
130 .
Skala standar - nilai yang umum digunakan lainnya adalah stanine
tersebut. Stanine memiliki rata-rata 5 dan deviasi standar 2. stanine Mary 9 ,
seperti yang kitalihat dari perhitungan berikut

Stanine = (2 x 2) + 5 = 9
Stanines selalu memiliki nomor dari 1 sampai 9
Menjaga Tendensi Sentral dan Variabilitas dalam Perspektif
Hubungan Statistik untuk tendensi sentral dan variabilitas memberikan
kami dengan titik awalyang mana untuk melihat data kami . Tentu saja , kita harus
terlebih dahulu memeriksa untuk mengamati konfigurasi dan characyeristics
fundamental, dan scond itu, melalui sarana statistik , kita harus menganalisis data.
Agar tidak kehilangan perspektif , kita harus mengingatkan diri kita
bahwa manipulasi statistik data tersebut tidaklah penelitian . Penelitian satu
langkah lebih jauh dan menuntut interpretasi data . Dalam mencari median ,rata-
rata , interkuartil rentang , atau standar deviasi, kami belum menafsirkan data,
tidak diekstraksi arti dari mereka
4. Mengukur Hubungan: Korelasi
 Proses statistik dengan yang kita menemukan sifat hubungan antara
variabel-variabel yang berbeda disebut korelasi. Statistik yang dihasilkan, disebut
koefisien korelasi adalah angka antara -1 +1 ; kebanyakan koefisien korelasi
adalah desimal ( baik positif atau negatif ) di antara kedua ekstrim. Sebuah
koefisien korelasi untuk dua variabel secara bersamaan memberitahu kita dua hal
yang berbeda tentang hubungan antara variabel:
1. Arah. Arah hubungan yang ditunjukkan dengan tanda koefisien korelasi
dengan kata lain , denganjumlah ini yang positif atau negatif . Sejumlah
positif menunjukkan korelasi positif: sebagai salah satu variabel
meningkat, variabel lain juga meningkat . Sebaliknya , angka negatif
menunjukkan hubungan terbalik , atau korelasi negatif . Sebagai variabel
satu meningkat , variabel lainnya menurun
2. Kekuatan. Hubungan kekuatan ditunjukkan dengan ukuran koefisien
korelasi. Sebuah korelasi +1 -1 menunjukkan korelasi yang sempurna.
Table 1.6 Contoh Statistik Korelasi
Statistik Simbol Data yang Tepat

Statistik Parametrik
Person product moment r Kedua variabel melibatkan
correlation data yang kontinyu
Coefficient of determination 2. kuadrat dari korelasi product
moment pearson ; dengan
demikian , kedua variabel
melibatkan data yang kontinyu
Point biserial correlation Satu variabel kontinu , untuk
lainnya melibatkan data diskrit
, dikotomis , dan mungkin
nominal .
Biserial correlation Satu variabel kontinu , tapi
satu telah artifisial dibagi
menjadi baik atau dikotomi
Phi coefficient Kedua variabel dikotomi yang
benar

Triserial correlation Satu variabel kontinu , yang

lain adalah trikotomi
Partial correlation 123 Hubungan antara dua variabel
ada, sebagian, karena
hubungan mereka dengan
variabel ketiga , dan peneliti
ingin " faktor luar " efek dari
variabel ketiga ini .
Multiple correlation 123 Satu variabel berhubungan
dengan dua atau lebih variabel
Non Parametrik
Spearman rank order p Kedua variabel melibatkan
correlation (Speamans rho) Data peringkat -
memerintahkan dan begitu
juga ordinal di alam
Kendall coefficient of W Kedua variabel melibatkan
concordance peringkat
Contingency coefficient C Kedua variabel melibatkan
data nominal
Kendalls tau correlation Kedua variabel melibatkan
data ordinal ; statistik ini
sangat berguna untuk ukuran
sampel kecil

Disebutkan koefisien korelasi , dan sebagian besar siswa berpikir tentang

korelasi product moment pearson , kadang-kadang disebut Pearson r . salah satu
statistik yang sangat tidak layak dalam tabel 1.6 adalah koefisien determinasi ,
atau 2 .
Sebuah Pengingat Tentang Korelasi
Setiap kali Anda menemukan bukti korelasi dalam data Anda , Anda harus
ingat satu hal penting : Korelasi tidak selalu menunjukkan sebab-akibat .
Menemukan korelasi di set s data yang setara dengan menemukan signpost . Itu
poin plang terlalu fakta bahwa dua hal yang terkait , dan itu mengungkapkan sifat
hubungan ( positif atau negatif , kuat atau lemah)

F. STATISTIK INFERENSIAL
Statistik inferensial memiliki 2 fungsi utama:
1. Untuk mengestimasi sebuah parameter populasi dari sebuah sampel
acak.
2. Untk menguji hipotesis dasar dengan statistik
1. Estimasi Parameter Populasi
Ketika kita melakukan penelitian, lebih sering daripada tidak kita gunakan
sampel untuk belajar tentang populasi yang lebih besar dari mana sampel telah
diambil. Biasanya kita compure berbagai statistik untuk sampel telah
mempelajari. Misalnya, kita sering ingin memperkirakan populatin
parametersrelated kecenderungan sentral (mean atau ), variabilitas (standar
deviasi, atau ), dan proporsi atau probabilitas (P) . nilai-nilai populasi
dibandingkan dengan X (M), s, dan p sampel.
 Statistik bisa mengestimasi beberapa jenis dasar asumsi bahwa sampel
yang secara acak dipilih dan representatif dari total populasi. Hanya saja ketika
kita sudah mengacak, sampel yang representatif bisa kita buat menebak tentang
bagaimana erat statistik parameter populasi perkiraan . Sampai-sampai sampel
adalah non random dan karena itu nopresentative sejauh bahwa seleksi telah bias
dalam beberapa cara statistik kami mungkin refleksi miskin dari populasi yang
telah ditarik
Sebuah contoh: pendugaan rata-rata populasi
Sebuah gambaran yang ingin kita untuk memperkirakan rata-rata
ketinggian 0f anak laki-laki 10 tahun di negara bagian New Hampshire. Mengukur
ketinggian dari seluruh penduduk akan sangat memakan waktu, jadi kami
memutuskan bukan untuk mengukur ketinggian sampel acak dan mungkin
mewakili, katakanlah. 200 anak laki-laki.
Sampel acak dari layar penduduk kira-kira karakteristik sama dengan
populasi induk dari mana mereka dipilih. Jadi, kita harus mengharapkan
ketinggian rata-rata untuk sampel kami untuk menjadi kira-kira sama dengan rata-
rata untuk keseluruhan populasi. Ini tidak akan persis sama, namun. Bahkan, jika
kita mengumpulkan ketinggian untuk sampel acak kedua 0f 200 anak laki-laki,
kita akan cenderung compure rata-rata yang sedikit berbeda dari yang kita
diperoleh untuk sampel pertama.
Sampel yang berbeda, bahkan ketika masing-masing telah dipilih secara
acak dari populasi yang sama, akan hampir pasti menghasilkan perkiraan yang
sedikit berbeda dari populasi orang tua mereka. Perbedaan antara rata-rata
populasi dan sampel rata-rata merupakan kesalahan dalam estimasi kami. Karena
kita don'k tahu apa artinya populasi yang tepat adalah, kami juga tidak tahu berapa
banyak kesalahan dalam perkiraan kami. Kita tahu tiga hal, namun:
1. Mean mungkin memperoleh dari jumlah tak terbatas sampel membentuk
distribusi normal.
2. Mean distribusi ini sampel berarti sama dengan rata-rata populasi dari
mana sampel telah diambil () . Dengan kata lain, rata-rata populasi sama
rata, atau berarti, f semua sampel berarti.
 3. Standar deviasi dari distribusi ini berarti sampel secara langsung berkaitan
dengan standar deviasi dari karakteristik tersebut untuk keseluruhan
populasi .
Ketiga Karakteristik dijelaskan, standar deviasi untuk distribusi sampel
berarti, dikenal sebagai standard error dari mean. Indeks ini memberitahu kita
berapa banyak rata-rata tertentu kita menghitung cenderung bervariasi dari satu
sampel ke yang lain ketika semua sampel adalah ukuran yang sama dan secara
acak dari populasi yang sama.
Poin Vs Perkiraan Interval
Dalam membuat parameter estimasi suatu populasi, kita dapat membuat
perkiraan dari dua jenis: titik perkiraan (Pints Estimates) dan perkiraan interval
(Interval Estimates). Perkiraan titik adalah statistik tunggal yang diambil sebagai
perkiraan yang wajar atau yang sesuai dengan parameter populasi. Pendekatan
yang akurat untuk mengidentifikasi interval suatu polupasi yaitu dengan
menggunakan Interval estimates. Interval estimates merupakan suatu penetapan
dalam membatasi yang parameter populasi yang akan diamati. Interval ini seperti
sering disebut interval kepercayaan probabilitas.
2. Pengujian Hipotesis
Fungsi utama dari statistik inferensial adalah pengujian hipotesis.
Hipotesis memiliki dua arti dalam penelitian. Makna pertama berhubungan
dengan hipotesis penelitian dan yang kedua berhubungan dengan hipotesis
statistik. Sebuah hipotesis penelitian timbul karena masalah penelitian atau sub
masalah penelitian. Masalah penelitian ini timbul dari rasa ingin tahu dari peneliti.
Hipotesis penelitian adalah suatu dugaan atau tebekan sementara dari peneliti.
Tujuan adanya hipotesis penelitian adalah menyediakan target operasional,
kerangka logis yang memandu peneliti untuk mengumpulkan dan menganalisis
data. Pada hipotesis statistik umumnya disebut dengan hipotesis nol. Hipotesis
statistik disimbolkan dengan H0 dan H1. Proses membandingkan data yang
diamati dengan hasil yang kita harapkan disebut menguji hipotesis nol.
Apakah yang dimaksud dengan pengujian hipotesis statistik?
Pengujian hipotesis melibatkan beberapa hal di antaranya yaitu
membandingkan distribusi data yang dikumpulkan oleh peneliti dengan ideal.
Data yang diperoleh dalam penelitian tidak selamanya sempurna. Umumnya
terdapat distribusi data yang tidak merata, atau data tidak berdistribusi dengan
normal. Distribusi data tidak terjadi secara kebetulan saja.
Pada titik manakah peneliti memutuskan bahwa hasilnya tidak terjadi
secara kebetulan saja? Pada probabilitas 1 hingga 20 bahwa setiap hasil yang akan
terjadi secara kebetulan hanya 5% hal ini karena ada faktor lain yang
mempengaruhi data. Kemudian peneliti lain menggunakan kriteria yang lebih
tinggi yaitu 1 hingga 100, hasil yang diamati secara kebetulan hanya satu kali
dalam 100. Probabilitas yang dapat gunakan oleh peneliti yaitu 0,05 atau 0,01 dan
umumnya di beri tanda alpha. Hasil penelitian berdasarkan kriteria tersebut
dianggap tidak terjadi secara kebetulan dan umumnya disebut signifikan dalam
statistik. Aapabila hasil signifikan berarti H0 ditolak. Ketika kita menolak
hipotesis nol, kita harus melihat ke hipotesis alternatif. Apabila H0 ditolak, maka
H1 diterima.
Membuat kesalahan dalam Uji Hipotesis
Hal ini mungkin terjadi dalam penelitian, kita dapat membuat kesalahan
ketika kita memutuskan bahwa hasil tertentu dalam penelitian bukanlah hasil dari
kebetulan saja. Ketika kita keliru menyimpulkan bahwa hasilnya bukan karena
kebetulan, pada saat itu kita menolak hipotesis nol, dan kita membuat kesalahan
Tipe I (juga disebut kesalahan alpha). Namun dalam situasi lain, kita mungkin
menyimpulkan bahwa hasilnya adalah karena kebetulan padahal sebenarnya tidak.
Dalam keadaan seperti itu, kita telah gagal untuk menolak hipotesis nol yang
benar-benar palsu, hal ini dikenal sebagai kesalahan Tipe II (juga disebut
kesalahan beta). Kita bisa mengurangi kemungkinan membuat kesalahan Tipe I
dengan menurunkan taraf signifikansi, yaitu pada 0,05-0,01 atau mungkin bahkan
lebih rendah. Untuk mengurangi kemungkinan kesalahan Tipe II, kita harus
meningkatkan taraf signifikansi. Contoh permasalahan dengan empat
kemungkinan:
1. Kami benar menyimpulkan bahwa obat mengurangi kolesterol.
2. Kami benar menyimpulkan bahwa hal itu tidak mengurangi kolesterol.
3. Kami keliru menyimpulkan bahwa obat efekif mengurangi koleterol.
 4. Kami keliru menyimpulkan bahwa obat tidak efektif mengurangi
kolesterol.
Keempat kemungkinan diilustrasikan pada Gambar 11.12. Tiga garis
vertikal putus-putus menggambarkan tiga tingkat signifikansi hipotesis yang
kemungkinan akan dipilih oleh kita. Jalur A merupakan taraf signifikasi 0,05.
Dalam situasi tertentu (seperti tidak akan selalu menjadi kasus), kita memiliki
kesempatan yang agak lebih besar membuat kesalahan Tipe I daripada membuat
kesalahan Tipe II. Kita bisa mengurangi kesalahan Tipe I dengan menurunkan
tingkat signifikansi misalnya 0,03. Garis B pada gambar mewakili perubahan
tersebut. Pada gambar dapat terlihat kotak kecil (probabilitas rendah) untuk
kesalahan Tipe I kesalahan, dan kotak yang lebih besar (probabilitas yang lebih
besar) untuk tipe kesalahan II. Kita mengurangi kemungkinan kesalahan Tipe II
tetapi meningkatkan kemungkinan kesalahan Tipe I.
Tiga saran untuk mengurangi kemungkinan membuat kesalahan Tipe II
dengan kata lain, ini adalah saran untuk meningkatkan kekuatan uji statistik:
a. Gunakan sebagai besar ukuran sampel secukup mungkin. Semakin
besar sampel, maka semakin kecil data yang menimpang.
b. Maksimalkan validitas dan reliabilitas dari tindakan Anda. Tidak ada
ukuran yang "sempurna" (Proyek penelitian yang menggunakan
langkah-langkah dengan validitas tinggi dan kehandalan yang tinggi
menghasilkan hasil peneilitian yang signifikan secara statistik. Kami
merujuk Anda kembali ke Bab 2 dan 5 untuk diskusi mengenai dari
dua karakteristik tersebut).
c. Gunakan statistik parametrik daripada statistik nonparametrik bila
memungkinkan. Prosedur statistik parametrik kurang kuat
dibandingkan teknik parametrik. Dengan istilah "kurang kuat," artinya
mereka biasanya membutuhkan sampel yang lebih besar untuk
menghasilkan hasil yang signifikan, sehingga dapat menolak
hipotesis nol.
Hal Kedua di Penelitian Hipotesis Versus Statistik Hipotesis
Yang sering membingungkan peneliti pemula adalah bahwa pengujian
hipotesis nol melibatkan perbandingan statistik yang lebih dari dua situasi dalam
satu hipotetis. Hal ini sering terjadi bahwa hipotesis statistik adalah kebalikan dari
hipotesis penelitian. Kita harus melihat pengujian hipotesis dari sudut pandang
yang lain juga. Menguji hipotesis nol, dalam dan dari dirinya sendiri, tidak
memberikan kontribusi banyak untuk pemenuhan tujuan dasar penelitian.
Sebelumnya, kita digambarkan statistik sebagai alat yang memungkinkan kita
untuk menemukan pola dalam data. Dengan demikian, mereka membantu kami
mendeteksi kemungkinan dinamika bekerja dalam mengolah data. Dinamika yang
sangat penting adalah peneliti berusaha untuk mengidentifikasi dan mengevaluasi
data yang diperoleh.
Uji hipotesis sangat penting untuk peneliti berdasarkan karakteristik
statistik sampel. Semua peneliti akhirnya harus mengembangkan ketajaman
intelektual yang terlihat dengan keterusterangan berprasangka di prosedur dan
hasil penelitian mereka.
Contoh Teknik statistik untuk Pengujian Hipotesis
Tabel 1.7Daftar Teknik Statistik Parametrik dan Nonparametrik untuk Pengujian
Hipotesis.
Parametrik statistic
Students t-test Untuk menentukan apakah perbedaan
yang signifikan secara statistik ada antara dua
cara.
ANOVA Analisis Untuk mencari perbedaan
antara tiga atau lebih variabel. Jika ANOVA
menghasilkan hasil yang signifikan (yaitu, nilai
yang signifikan bagi F. Anda harus
menindaklanjuti dengan membandingkan
berbagai pasang cara menggunakan
perbandingan post hoc.

ANCOVA Untuk mencari perbedaan antara

sarana variabel kontrol dengan efek dari
variabel independen yang berkorelasi dengan
variabel dependen. Teknik ini secara statistik
lebih kuat (yaitu, mengurangi kemungkinan
kesalahan Tipe II) dari ANOVA.

Regresi Untuk menguji kemungkinan seberapa

efektif satu atau lebih variabel yang tergantung
pada variabel lain. Sebuah regresi linier
sederhana menghasilkan persamaan di mana
variabel independen tunggal menghasilkan
prediksi variabel dependen. Sebuah regresi
linier berganda menghasilkan persamaan di
mana dua atau lebih variabel independen yang
digunakan untuk memprediksi variabel
dependen.
 Analisis faktor Untuk menguji korelasi antara
sejumlah variabel dan mengidentifikasi
kelompok variabel yang sangat saling terkait
yang mencerminkan tema yang mendasar, atau
faktor, dalam data.
Structural Equation Modeling (SEM). Untuk menguji korelasi antara
sejumlah variabel, untuk mengidentifikasi
kemungkinan hubungan kausal antara variabel-
variabel. SEM meliputi teknik seperti analisis
jalur dan analisis konfirmasi dan biasanya
digunakan untuk menguji model hipotesis
sebelumnya tentang bagaimana variabel kausal
saling terkait
Non paramterik Statistic
Sign test Untuk membandingkan dua variabel
yang berhubungan, untuk menentukan apakah
nilai-nilai dari satu variabel secara signifikan
lebih besar dari nilai-nilai yang lain.

Mann-Whitney U Untuk membandingkan dua kelompok

data ordinal (misalnya, peringkat). Prosedur ini
adalah mitra nonparametrik uji t dalam statistik
parametrik.
Uji Kruskal-Wallis Untuk membandingkan tiga atau lebih
kelompok Prosedur ini adalah mitra
nonparametrik ANOVA.
Wilcoxon matched-pair signed rank test Untuk menentukan apakah dua sampel
dengan data ordinal berbeda satu sama lain
memiliki hubungan antar sampel (yaitu, ketika
setiap titik data dalam satu sampel dipasangkan
dengan titik data dalam sampel lainnya).
Chi-square (X2) goodness-of-fit test Untuk menentukan berapa frekuensi
yang erat dengan probabilitas sesuai frekuensi
yang diharapkan. Sebuah chi-square dapat
digunakan data nominal, ordinal, interval, atau
rasio.
Odds ratio Untuk menentukan apakah dua
variabel nominal dikotomis (misalnya, perokok
vs bukan perokok dengan adanya penyakit
jantung vs tidak adanya penyakit jantung)
berkorelasi.
Fishers exact test Untuk menentukan apakah dua
variabel dikotomis (nominal atau ordinal)
berkorelasi ketika ukuran sampel cukup kecil
(misalnya n <30)

Dengan adanya tabel 1.7 ini diharapkan dapat membantu membuat

keputusan tentang teknik yang paling sesuai untuk situasi penelitian anda.
Kadang-kadang peneliti menggunakan statistik inferensial tidak untuk
menganalisis dan menarik kesimpulan dari data yang telah mereka kumpulkan
melainkan untuk menganalisis dan menarik kesimpulan tentang analisis statistik
peneliti lain. Analisis seperti analisis ini dikenal sebagai meta-analisis. Sebuah
meta-analisis yang paling berguna ketika banyak penelitian telah dilakukan pada
topik tertentu dan peneliti lain ingin menarik semua hasil bersama-sama ke dalam
suatu paket secara matematis dan ringkas.
Dalam meta-analisis, bagaimanapun, peneliti mengintegrasikan
pengetahuan tentang statistik daripada secara lisan. Beberapa hal yang dapat
dilakukan oleh peneliti antara lain:
1. Melakukan pencariansecara luasuntuk studiyang relevan. Peneliti
menggunakan beberapapendekatan yang sistematisdan luas(misalnya,
mencari melaluibanyak jurnal yang relevan, dan
menggunakandatabaseonline)untuk mengidentifikasistudi
yangmembahastopik yang menarik.
2. Mengidentifikasistudiyang sesuaiuntuk memasukkandalammeta-analisis.
Penelititentuharusmembatasistudi penelitian yang akan mereka lakukan,
seperti memberi perlakuan (dalam studi experimental), kondisi yang
sudah terjadi(dalam studi ex postfacto), ataufaktorlain yangmerupakan
fokusdarimeta-analisis. Pembatasan masalah penelitiandipilih
untukmelibatkanpopulasitertentu, pengaturan, instrumen penilaian,
ataufaktor-faktor lainyang dapat mempengaruhihasilpenelitianini.
3. Mengkonversi hasil studi masing-masing untuk indeks statistik umum.
Pekerjaan meta analisis peneliti adalah untuk mencari angka umum di sini.
Biasanya, ketika sebuah intervensi eksperimental telah dipelajari, efek
ukuran dihitung untuk setiap studi; yaitu, peneliti menentukan berapa
banyak perbedaan intervensi (dalam hal unit standar deviasi) di setiap
studi. Ukuran efek semua studi kemudian digunakan untuk menghitung
ukuran efek yang lebih umum untuk intervensi itu.

G. MENGGUNAKAN SOFTWARE PAKET STATISTIK

Beberapa software dalam statistik misalnya, SPSS, SAS, SYSTAT, Mini tab,
StatView. Statistik banyak tersedia untuk digunakan pada komputer pribadi paket
tersebut memiliki beberapa keunggulan.:
a. Peningkatan keramahan user.
 Sebagai perangkat lunak statistik, program menjadi lebih kuat, mereka
juga menjadi lebih mudah diakses. Pada umumnya program meningkatkan
menjadi semakin logis dan mudah diikuti. Semua hasil disajikan dalam
format tabel yang mudah dibaca. Pemilihan statistik yang tepat dan
interpretasi tergantung kebutuhan peneliti.

b. Rentang statistik yang tersedia.

Banyak dari program-program ini mencakup berbagai prosedur statistik,
dan mereka dapat dengan mudah menangani data yang besar dan luas,
beberapa variabel, dan lain sebagainya.
c. Pengujian Asumsi.
Sebuah fitur umum dari paket software statistik adalah untuk menguji
karakteristik dari data penelitian (misalnya, kemiringan dll).
d. Kecepatan penyelesaian.
Umunya manfaat utama menggunakan komputer adalah kecepatan yang
menyelesaikan tugas-tugas. Bahkan prosedur statistik yang relatif
sederhana mungkin memakan waktu beberapa jam jika dihitung dengan
tangan sehingga memerlukan komputer yang memiliki analisis yang lebih
kompleks, serta prosesnya praktis.
e. Grafik
Banyak program statistik memungkinkan peneliti untuk meringkas dan
menampilkan data dalam tabel, grafik pie, grafik batang, atau grafis
lainnya.

Sebuah komputer tidak dapat dan tidak harus melakukan semuanya untuk
Anda. Anda mungkin dapat melakukan perhitungan yang canggih yang berkaitan
dengan puluhan uji statistik dan menyajikan hasil dalam berbagai cara, tetapi jika
Anda tidak mengerti bagaimana menghubungkan hasil dengan masalah penelitian,
atau jika Anda tidak dapat membuat logis, teoritis, atau pragmatis mengenai
analisis yang Anda ungkapkan, maka semua upaya Anda telah sia-sia. Anda harus
bisa mengendalikan analisis penelitian yang Anda lakukan, Anda harus tahu
perhitungan apa yang dilakukan dan mengapa menggunakan perhitungan tersebut.
Hal ini memerlukan pengetahuan yang mendalam tentang data hasil penelitian
Anda.

H. INTERPRETASI DATA
Pada bab ini, kami mempresentasikan mengenai set data hipotetis untuk 11
anak-anak sekolah dan menemukan bahwa 5 anak perempuan dalam sampel
memiliki prestasi membaca lebih tinggi dari 6 anak laki-laki. Selain itu, kami
mempresentasikan data aktual tentang tanda pertumbuhan pada cangkang
Chambered nautilus. Mungkin contoh-contoh ini akan mengusik rasa ingin tahu
Anda. Kemungkinan akan timbul pertanyaan seperti dibawah ini:
1. Mengapa semua skor gadis lebih tinggi daripada anak laki-laki?
2. Mengapa interval antara masing-masing skor berjarak sama untuk kedua
anak laki-laki dan perempuan?
3. Apa yang menyebabkan Chambered nautilus mengelami pertumbuhan
cangkang setiap hari?
4. Apakah hubungan antara pembentukan partisi dan siklus bulan tunggal
untuk Chambered nautilus, atau ada kejadian serupa di alam?
Pengetahuan muncul dari pertanyaan seperti ini. Tapi kita harus berhati-
hati untuk tidak membuat pernyataan salam sekejap tentang data yang telah kita
kumpulkan. Hal ini akan membuat kita mneraik kesimpulan secara tergesa-gesa
dan tanpa alasan. Bahkan upaya penelitian paling menyeluruh dapat tersesat di
titik menarik kesimpulan dari data.
Misalnya, dari penelitian kami dari 11 anak-anak dan nilai prestasi
membaca mereka, kita dapat menyimpulkan bahwa perempuan lebih baik
daripada anak laki-laki membaca. Tapi kami tidak berpikir hati-hati tentang data.
Membaca adalah keterampilan yang kompleks dan beragam. Data tidak
mengatakan bahwa anak perempuan lebih baik daripada anak laki-laki membaca.
Data yang mengatakan bahwa, pada tes tertentu diberikan pada hari tertentu untuk
11 anak, nilai dari gadis-gadis itu, untuk situasi tertentu, lebih tinggi daripada
anak laki-laki dan bahwa setiap skor justru berjarak sama dari setiap nilai lain
untuk kedua anak laki-laki dan perempuan. Selain itu, keunggulan jelas gadis atas
anak laki-laki itu terbatas untuk menguji kinerja dalam keterampilan membaca
yang spesifik diukur dengan tes. Pada hari berikutnya, tes yang sama diberikan
kepada 11 anak-anak yang lain mungkin menghasilkan data yang berbeda.
Interpretasi data dapat dilakukan denagn beberapa langkah. Berikut ini langkah-
langkahnya:
1. Berkaitan dengan masalah penelitian dan pertanyaan-pertanyaan penelitian
yang spesifik serta hipotesis. Peneliti melakukan observasi secara langsung
pada tempat peneitian untuk menjelaskan mengapa mereka melakukan
studi penelitian di tempat tersebut dan apa yang mereka harapkan untuk
menemukan dan menghubungkan hasil penelitian dengan masalah
penelitian.
2. Menghubungkan hasil peelitian dengan teori, konsep dan literatur. Untuk
menjadi berguna, hasil penelitian harus berkaitan dengan topik yang
umumnya masyarakat tahu mengenai topik tersebut.
3. Menentukan apakah temuan memiliki signifikansi praktis serta signifikansi
statistik. Signifikansi statistik adalah satu hal yang penting, signifikansi
praktis merupakan temuan yang berguna.
4. Mengidentifikasi keterbatasan penelitian. Akhirnya, menafsirkan data
melibatkan menguraikan kelemahan dari studi yang menghasilkan mereka.
Tidak ada studi penelitian bisa sempurna. Peneliti yang baik tahu dan
mereka juga melaporkan kelemahan bersama dengan kekuatan penelitian
mereka.

CONTOH DISERTASI
Untuk menggambarkan langkah terakhir ini dalam proses penelitian-
interpretasi data-kami menyajikan kutipan dari disertasi doktor Kimberly Mitchell
dalam psikologi yang dilakukan di University of Rhode Island (Mitchell, 1998).
Peneliti tertarik dalam mengidentifikasi faktor-faktor penyebab yang mungkin
menyebabkan gangguan dan penyalahgunaan zat makan, dan dia berhipotesis
bahwa dinamika keluarga dan pelecehan anak mungkin di antara faktor-faktor
tersebut. Beliau menarik pada tiga perspektif teoritis yang potensial memiliki
relevansi untuk permsalahan dalam penelitiannya: teori masalah perilaku, teori
kognitif sosial, dan teori adaptasi kognitif. Beliau melakukan beberapa survei
untuk sampel siswa dengan skala besar siswa undergraduate dan bertubuh besar
data korelasional tentang masa kecil siswa, kebiasaan makan, penggunaan
narkoba, dan sebagainya. Beliau kemudian menggunakan model persamaan
struktural sebagai sarana menunjukkan kemungkinan hubungan sebab-akibat
dalam data nya ditetapkan.
Disertasi mengacu pada beberapa teori psikologis dan konsep-konsep
dengan yang banyak dari. Namun demikian, saat Anda membaca kutipan, Anda
harus dapat melihat bagaimana penulis sering membahas bolak-balik antara hasil
dan kerangka teoritis yang lebih luas. Kami mengambil disertasi pada titik di
mana ia mulai merangkum dan menginterpretasikan hasilnya.
Tabel 1.8 Diskusi dan Komentar
Discussion Comments
Tujuan dari Penulismengkapitalisasinamadari tigateori. Lebih sering,
penelitian ini adalah untuk penelitimenggunakanhuruf kecilketika mengacu
mengintegrasikan beberapa padaperspektifteoritistertentu. Pendekatandapat
teori yang bermanfaat untuk diterimaapabilapenuliskonsisten.
memahami perilaku resiko Diajuga menjelaskanbagaimana diatelahdiperluas
kesehatan. Perilaku Masalah padateori yang adadengan mengintegrasikanmereka
Teori (Jessor, 1987), Teori untukmenjelaskan fenomenayang telah dipelajari
Kognitif Sosial ... (Bandura, Model ini mengacupadadiagram alurmultivariabelyang
1977a), dan Teori Kognitif mencerminkanbagaimana beberapavariabeldapat
Adaptasi (Taylor. 1983) mempengaruhivariabel lain, mungkin langsungatau mungkintidak
adalah serupa bahwa mereka langsung melaluitambahan, variabelmediator.
semua menimbulkan Self-efficacy'mengacu pada kepercayaanmasyarakat, dan
komponen kognitif dalam kemudianmampu untuk tidak menggunakan alkohol. Konsep
diri individu yang sangat sentral dalamteori sosialkognitifBanduras.
penting untuk mengatasi
konsekuensi negatif dari
stres kehidupan .... Penelitian
ini mendukung tiga teori,
serta penelitian sebelumnya
di lapangan. Penelitian
dengan menghubungkan
teori-teori ini menjadi
kerangka dipahami tunggal
untuk memahami hubungan
antara stres masa pelecehan
seksual dan fungsi keluarga
dan dewasa penyalahgunaan
zat negatif alkohol, obat-
obatan terlarang, dan makan.

Serangkaian model
persamaan struktural
mengungkapkan persepsi
dampak individu yang kuat
dari kepercayaan mereka dan
interaksi mereka dengan
bermain lingkungan mereka
pada perilaku resiko
kesehatan. Pertama tiga
model diperiksa berbagai
cara stresor masa (pelecehan
seksual dan fungsi keluarga)
bisa memprediksi perilaku
saat kesehatan berisiko
(penggunaan alkohol,
penggunaan narkoba, dan
makan waktu pesta).
Pemeriksaan pertama tiga
model (Langsung, dan
melalui media) dan tes chi-
square perbedaan
mengungkapkan bahwa
mediator (self-efficacy,
kepuasan hidup, dan coping)
sangat penting dalam
memprediksi perilaku resiko
kesehatan. Temuan ini
mendukung teori Jessor
(1987) bahwa masalah
perilaku merupakan hasil
interaksi dari sistem
kepribadian, lingkungan
yang dirasakan, dan: ia
sistem perilaku .. Sistem
kepribadian diukur dari
kognitif konstruksi:
lingkungan melalui keluarga
dan sistem perilaku oleh
hasil konstruksi ....
Sosialisasi merupakan
pertemuan individu
sepanjang masa melalui
interaksi dengan anggota
keluarga untuk
mempengaruhi baik
bagaimana individu
memandang diri dan
lingkungan sekitar. Faktor-
faktor ini tampaknya
mendorong individu untuk
berperilaku dengan cara yang
mungkin atau mungkin tidak
berisiko bagi kesehatan
mereka.

Jessor (1987) Perhatikan

menunjukkan bahwa masalah bagaimanapenulisterusmenghubungkantemuannyadengankerangka
perilaku di mana remaja teoritisyang ia gunakan.
saling terkait dan bervariasi. Disini penulismenunjukkankeduaapa yang diatelah
Donovan dan Jessor (1985) temukandan apa yangdiabelumditemukan.
menunjukkan bahwa masalah
perilaku yang beragam,
seperti penyalahgunaan
alkohol, perilaku seksual
berisiko, dan penggunaan
narkoba merupakan sindrom
perilaku tunggal. Penelitian
ini mendukung gagasan ini.
Semua model struktural
mengungkapkan hubungan
positif antara alkohol dan
penggunaan narkoba. serta
hubungan positif antara
penggunaan narkoba dan
pesta makan. Meskipun
hubungan antara penggunaan
alkohol dan pesta makan
tidak ditemukan signifikan,
mereka tidak langsung
berhubungan melalui
penggunaan narkoba.
Hubungan tersebut
mendukung gagasan bahwa
perilaku terhadap resiko
kesehatan ini merupakan
sindrom perilaku tunggal.
Penelitian masa depan
diperlukan untuk melihat
apakah ada kecenderungan
linear antara variabel-
variabel tersebut
[Penulis berlanjut dengan
diskusi tentang aspek yang
lebih spesifik temuan dan
relevansinya dengan tiga
kerangka teoritis. Kami
mengambil diskusi lagi
ketika ia merangkum
kesimpulan nya.]
Ringkasan Meskipun penulis sebelumnya telah disajikan masing-
Kesimpulan masing kesimpulan, dia merangkum semuanya di sini. Ringkasan
Ada beberapa tersebut adalah khas laporan penelitian yang panjang. Hal ini
kesimpulan yang dapat sangat membantu untuk pembaca, yang mungkin mudah
ditarik dari penelitian ini. kehilangan jejak untuk beberapa kesimpulan penting karena
Pertama, mendukung Soal mereka membaca bagian awal dari laporan.
Perilaku Teori (Jessor. Penulis membuat titik bahwa dua dari penelitiannya independen
1987). Perilaku terhadap (memprediksi) variabel, pelecehan seksual anak dan fungsi
resiko kesehatan mungkin keluarga, sangat saling terkait. Korelasi kuat mereka tercermin
menjadi bagian dari sindrom dalam model diidentifikasi melalui prosedur pemodelan
perilaku tunggal. Hubungan persamaan struktural nya.
yang konsisten ditemukan di
seluruh model antara Penggunaanistilahcross-sectionalagak berbedadari
penggunaan alkohol dan penggunaankamidalamBab9.Diahanya berartibahwa
penggunaan narkoba, serta mengumpulkansemua datauntuksampelpada satu waktu, bukan
penggunaan narkoba dan mengikutisampelselama periodepanjang danmengumpulkan
pesta makan, datadiduakali atau lebih. Penulis itu menyatakan,
mengungkapkan presentase desainmemanjangakanlebih baikmemungkinkannyauntuk
yang lebih tinggi dari mengidentifikasifaktor-faktorpentingyang mendahuluidan
sindrom perilaku. mungkin memilikiefekkausalpada faktor lainnya.
Kedua, ada
hubungan yang kompleks
antara pelecehan seksual
anak dan fungsi keluarga
dalam hal kemampuan
mereka untuk memprediksi
kepuasan hidup, dan lain
sebagainya. Sementara
pelecehan seksual anak
ditemukan secara signifikan
mempengaruhi kepuasan
kehidupan, masuknya
keluarga berfungsi ke dalam
model ini sehingga membuat
kebiasaan menggunakan
alkohol dan lain sebagainya
menghilang. Selanjutnya,
hubungan konstan antara
pelecehan seksual anak dan
fungsi keluarga
menunjukkan bahwa,
meskipun pelecehan seksual
anak tidak langsung
memprediksi mediator
konstruksi, dan memainkan
peran secara tidak langsung.
Ketiga, fungsi keluarga dan
mediator kognitif
berinteraksi dengan cara
tertentu dan konsisten untuk
menentukan perilaku
terhadap resiko kesehatan.
Pada siswa yang memiliki
lingkungan keluarga yang
tinggi tingkat perhatiannya
cenderung memiliki
kepuasan yang tinggi
kehidupan, strategi
penanganan yang lebih
efektif, dan lebih tinggi self-
efficacy untuk penggunaan
alkohol, penggunaan
narkoba, dan pesta makan.
Pada gilirannya, faktor-
faktor kognitif berinteraksi
untuk memprediksi perilaku
terhadap resiko kesehatan.
Peneliti berlanjut
dengan kesimpulan
tambahan, dan kemudian
berubah menjadi
keterbatasan studinya.
Batasan penelitian Penulis menunjukkan masalah dengan menggunakan
Penelitian ini survei untuk belajar tentang sebelum pengalaman kehidupan
menawarkan beberapa masyarakat. Penggunaan kata diandalkan di sini mengacu pada
temuan penting untuk akurasi dan kehandalan (yaitu, validitas) dari hasil, bukan untuk
literatur. Namun, ada kehandalan seperti kami sebelumnya telah didefinisikan istilah.
beberapa keterbatasan Penulis menjelaskan cara di mana sampel nya tidak sepenuhnya
penelitian juga. Pertama, mewakili populasi secara keseluruhan remaja yang lebih tua dan
desain itu cross-sectional orang dewasa muda, tetapi juga membuat kasus yang baik untuk
daripada longitudinal. nilai dalam penelitian ini.
Pemodelan persamaan
struktural adalah teknik Penulismengidentifikasi"lubang" dalam
multivariat yang baik datasurveidanmenunjukkanpenjelasan yang masuk akal: untuk
dimanfaatkan dengan data mereka. Pada akhirparagraf, iamenawarkansaran
longitudinal (Maruyama. untukbagaimanapenelitian di masa
1998). Dengan depanmungkinmeminimalkanlubangseperti.
menggabungkan data Sebuah kelemahan tambahan dalam laporan data diri
longitudinal ke dalam desain bahwa beberapa peserta mungkin sengaja salah mengartikan
keseluruhan, satu dapat pengalaman mereka sebelumnya dan atau perilaku saat ini.
mulai membangun kausalitas
dalam hasil. Penggunaan
data cross-sectional dengan
sampel ini tidak
memungkinkan peneliti
untuk membuat pernyataan
kausal tentang temuan.
Sebagai contoh, data tidak
dapat memberitahu kita
apakah self-efficacy untuk
penggunaan alkohol datang
sebelum penggunaan alkohol
sebenarnya atau sebaliknya.
Selanjutnya, studi ini
meminta peserta untuk
menjawab sebagian dari
survei retrospektif, seperti
[berlaku untuk] pelecehan
seksual anak dan keluarga
item berfungsi ini membawa
masalah karena lamanya
waktu yang telah berlalu
antara insiden (s) yang
bersangkutan dan waktu
penelitian ....
Keterbatasan kedua
untuk penelitian ini adalah
sifat dari sampel itu sendiri.
Meskipun ukuran sampel
yang sangat baik (n = 469),
ada nomor yang tidak
proporsional dari pria dan
wanita (125
dan 344). Selanjutnya,
sampel sangat homogen
(87% Putih; 91% mahasiswa
atau mahasiswa tingkat dua;
74% dengan pendapatan
keluarga lebih $ 35.000, dan
73% Katolik atau Protestan).
Gelar ini kesamaan antara
peserta membatasi
generalisasi hasil penelitian
untuk populasi lain. Namun
hasilnya masih penting
karena ini adalah populasi
berisiko tinggi untuk
penggunaan alkohol,
penggunaan narkoba. dan-
bulimia terkait pesta makan.
Keterbatasan lain
untuk penelitian ini adalah
kurangnya respon terhadap
pertanyaan pelecehan seksual
menyelidik. Sekitar satu
setengah dari 91 siswa yang
melaporkan pelecehan
seksual tidak menanggapi
pertanyaan-pertanyaan
(misalnya, tingkat
kepercayaan dengan pelaku,
frekuensi penyalahgunaan).
Hal ini bisa disebabkan sifat
dari survei itu sendiri atau
(untuk) lingkungan di mana
siswa mengisi survei. Dalam
hal sifat survei, siswa setelah
merespon pertanyaan
pelecehan seksual secara
keseluruhan diarahkan untuk
menentukan apakah mereka
selamat atau tidak
melanggar. Mereka
diperintahkan untuk
melewatkan lima pertanyaan
berikutnya. Jika tanggapan
mereka terhadap tujuh
pertanyaan sebelumnya
semua "Tidak pernah." Ada
kemungkinan bahwa siswa
yang tidak menanggapi
"Jangan" tujuannya untuk
menyelesaikan survei dengan
cepat.
Kemungkinan
kedua kurangnya respon
adalah lingkungan di mana
siswa mengambil survei.
Siswa diminta untuk
mendaftar untuk waktu satu
jam untuk berpartisipasi
dalam penelitian ini. Hal ini
sangat mungkin bahwa siswa
mendaftar untuk mengikuti
penelitian sama seperti
teman-teman mereka di kelas
dan kemudian duduk di
samping satu sama lain untuk
mengisi survei. Karena dekat
dan sifat sensitif dari
pertanyaan, beberapa korban
pelecehan seksual mungkin
tidak ingin mengisi
pertanyaan tambahan karena
merasa ketakutan.
Keterbatasan akhir
dari penelitian ini adalah
penggunaan data laporan diri
saja. Data laporan diri
mungkin penuh dengan
masalah yang berasal dari
pembatasan memori dan
perbedaan persepsi. Sebuah
desain yang lebih
komprehensif akan
mencakup cara fisik untuk
mengukur variabel hasil.
Sebagai contoh, peneliti bisa
diperkuat desain dengan
mengambil sampel darah
atau urine untuk memeriksa
penggunaan narkoba.
Masalahnya di sini adalah
bahwa (metode yang
terakhir] membutuhkan
banyak waktu dan uang
untuk melakukannya).

Aplikasi Praktis Analisis Data dalam Studi Kuantitatif

Anda dapat memperoleh pemahaman yang lebih jelas dari statistik dan
prosedur statistik dengan membaca tentang mereka dalam laporan penelitian dan
menggunakan mereka dalam praktek sebenarnya. Jika proyek penelitian Anda
melibatkan data yang kuantitatif, daftar check list berikut dapat membantu Anda
mengklarifikasi analisis statistik mungkin yang paling sesuai untuk situasi Anda.
 BAB II
PENUTUP

1.1 Kesimpulan
1. Statistik memiliki dua fungsi utama. Beberapa statistik menggambarkan
apa yang terlihat data seperti-mana pusat atau titik tengah adalah,
bagaimana luas mereka menyebar, seberapa dekat variabel dalam data
kami berkorelasi dengan satu sama lain, dan sebagainya. Statistik tersebut,
cukup tepat, disebut statistik deskriptif.Tapi statistik lainnya, yang dikenal
sebagai statistik inferensial, melayani tujuan yang berbeda. Mereka
memungkinkan kita untuk membuat kesimpulan tentang populasi yang
besar dengan mengumpulkan data pada sampel yang relatif kecil.
2. Dalam statistik terdapat beberapa data diantaranya yaitu data nominal, data
ordinal, interval, dan data rasio.
3. Pilihan prosedur statistik akan tergantung pada beberapa tingkatan,
kealamian data, dan memperpanjang yang mencerminkan distribusi
normal. Beberapa statistik, seperti statistik parametrik, yang didasarkan
pada asumsi tertentu tentang sifat populasi yang bersangkutan. Dua asumsi
yang paling umum yaitu:
a. Data mencerminkan interval dan skala rasio
b. Data harus berdistribusi normal (misalnya, distribusimemiliki pusat
titiktinggi,dan tidakmiring, leptokurtik, atauplatikurtik)
4. Statistik nonparametrik merupakan statistik yang tidak didasarkan pada
asumsi. Misalnya beberapa statistik nonparametrik yang sesuai dengan
data ordinal daripada interval.
5. Dalam statistik terdapat beberapa yang berkaitan dengan data di antaranya
yaitu mean, modus, dan median.
6. Fungsi utama dari statistik inferensial adalah pengujian hipotesis.
Hipotesis memiliki dua arti dalam penelitian. Makna pertama berhubungan
dengan hipotesis penelitian dan yang kedua berhubungan dengan hipotesis
statistik. Sebuah hipotesis penelitian timbul karena masalah penelitian atau
sub masalah penelitian. Masalah penelitian ini timbul dari rasa ingin tahu
 dari peneliti. Hipotesis penelitian adalah suatu dugaan atau tebekan
sementara dari peneliti. Tujuan adanya hipotesis penelitian adalah
menyediakan target operasional, kerangka logis yang memandu peneliti
untuk mengumpulkan dan menganalisis data. Pada hipotesis statistik
umumnya disebut dengan hipotesis nol. Hipotesis statistik disimbolkan
dengan H0 dan H1. Proses membandingkan data yang diamati dengan
hasil yang kita harapkan disebut menguji hipotesis nol.
7. Macam-macam tekhnik statistik untuk pengujian hipotesis ada dua yaitu
statistik parametrik, dan nonparametrik. Untuk statistik parametrik yaitu
antara lain yaitu Students t-test, ANOVA, ANCOVA, Regresi, Analisis
faktor dan Structural Equation Modeling (SEM). Untuk statistik
nonparametrik terdiri dari Sign test, Mann-Whitney U, Uji Kruskal-Wallis,
Wilcoxon matched-pair signed rank test, Odds ratio, dan Fishers exact
test.
1.2 Saran
Statistik merupakan suatu alat yang digunakan untuk menguji hipotesis.
pengujian hipotesis dibutuhkan untuk mengetahui hasil dari penelitian
yang dilakukan. Oleh karena itu dibutuhkan keahlian untuk menentukan
jenis data, dan jenis statistik yang digunakan dalam penelitian.