PEMBAHASAN
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.
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
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
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=
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
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.
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.
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.